动态风险

动态风险（精选9篇）

动态风险 篇1

摘要：从股市上采集的大量股票收益率数据表明,前后相邻的股票收益率数据呈现出一定程度的依赖关系,即前期收益率呈现出大的波动幅度,紧接着后期收益率也呈现出大的波动幅度,这样的波动特点被称之为“波动聚集性”,“风险传染性”,在金融计量上,通常用收益率的方差来定量刻画收益率的波动幅度的大小和相应收益率风险的大小,因此本文选用能准确拟合金融资产收益率方差的GARCH模型来刻画金融资产收益率的这种“风险传染性”,在此基础上应用协同持续思想构建了投资组合的风险优化控制模型,并求得了相应最优投资组合权重。选取6支股票作了实证检验,检验结果表明,按该模型配置的投资组合收益率长期被控制在较小的风险范围,在统计上亦表现出较高的夏普比。

关键词：动态投资组合,协同持续,风险控制

1 引言

风险控制是投资组合研究的中心问题,国内外大量文献均考虑投资组合的静态风险,如,Markowitz(1952)最早定量研究了投资组合问题,并把投资组合的方差作为风险度量指标[1],Ouderri等(1991)和Green等(1992)把半方差作为风险度量指标[2,3],Konno等(1994,1998)把绝对离差作为风险度量指标[4,5],Philippe(1996)最早把VaR作为风险度量指标,而这些度量指标均是静态的[6]。事实上,单项资产的收益率波动往往表现出持续性(在本文中,金融资产收益率的波动即指其收益率的风险,统计上,用方差来度量波动幅度或风险的大小。),即当期波动对以后各期波动具有长期影响,这就要求我们需从动态的角度审视和控制风险,使多项资产的特定组合表现出协同持续特性,即资产组合的收益率波动表现出较弱的持续性,表现在投资组合的当期收益率波动对以后各期的收益率波动影响减弱,从而有效控制风险的传递,减少投资组合收益的不确定性。方差持续性及协同持续定义是由Bollerslev和Engle(1988,1993)基于多维GARCH提出的[7,8],张世英等(2002)进而将其运用于投资组合风险控制研究[9],该文研究了具有较少资产的投资组合,并得到了投资组合权重,然而当资产数较多时,如果仍按Bollerslev和Engle(1993)基于多维GARCH的协同持续定义,求得权重要涉及多维GARCH模型的参数估计,这是很困难的,即所谓的“维数灾难”。为克服这一困难,本文基于协同持续思想,并运用GARCH模型和二次规划技术建立了动态投资组合风险控制模型,并得到了相应的投资组合权重,这将对投资组合风险控制问题具有理论和实践意义。

2 动态投资组合风险的控制模型

2.1 多维GARCH模型及协同持续定义

Bollerslev和Engle(1988)提出了多维GARCH模型:

$\{\begin{array}{l}\mathit{Y}{}_t=\mathit{{\rm M}}{}_t+\epsilon {}_t\\ Vech(\mathit{{\rm H}}{}_t)=\mathit{A}{}_0+{\displaystyle \sum _{k=1}^q\mathit{A}}{}_{k}Vech(\epsilon {}_{t-k}\epsilon {}_{t-k}^{{\rm T}})\\ +{\displaystyle \sum _{l=1}^p\mathit{B}}{}_{l}Vech(\mathit{{\rm H}}{}_{t-l})\end{array}$

其中,Mt表示N维资产收益率序列Yt的均值,εt表示一个N维随机扰动序列,且有$\epsilon {}_t|{\rm I}{}_{t-1}~{\rm N}\left(0,\mathit{{\rm H}}{}_t\right),{\rm I}{}_{t-1}$是直到t-1时的信息集,Ht是资产组合的方差-协方差矩阵,其是N×N维正定矩阵,且关于It-1可测的,A0为N(N+1)/2×1维向量,Ak,Bl均为${\rm N}({\rm N}+1)/2\times {\rm N}\left({\rm N}+1\right)/2$维方阵,且Ak和Bl使Ht正定,k=1,2,…,q, l=1,2,…,p.

Bollerslev和Engle(1993)基于多维GARCH模型,提出了金融资产收益率方差持续性和协同持续的定义。

方差持续性定义:

在刻画多项资产收益率方差变化的多维GARCH模型中:

令H*t(s)≡Es(Vech(Ht))-E0(Vech(Ht)),对于某些s,若limsupt→∞{H*t(s)}m≠0,则称多项资产的收益率序列Yt具有方差持续性。

其中:Vech(·)表示向量半算子或拉直向量,按列堆积方阵的下三角矩阵,Es(Vech(Ht))表示基于信息集Is对向量Vech(Ht)取条件期望,E0(Vech(Ht))表示对向量Vech(Ht)取期望(没有信息),m表示向量H*t(s)的第m个分量,m=1,2,…,N(N+1)/2。

方差协同持续定义:

若多项资产收益率序列Yt是方差持续的, 且在{Vec2(W)}m≠0 (W∈RN)的条件下, 有limsupt→∞(Vec2(W))TH*t(s)=0,则称多项资产收益率序列Yt是方差协同持续的。

其中:Vec2(W)≡Vech(2WWT-diag(W)diag(W))为N(N+1)/2维列向量。

从投资组合角度该定义可以解释为,单项资产的历史信息对其未来收益率的影响随时间的推移是不会消失的,而通过适当分配资产权重,可以使资产组合的历史信息并不表现出对其未来收益率的长期影响,从而减少投资组合收益的不确定性。

Ding和Granger(1996)关于时间序列持续性定义[10]:

当自相关函数随滞后阶数的增大而呈双曲率下降时,称序列具有持续性;而当自相关函数随滞后阶数的增大而呈指数率下降时,称其不具有持续性.按这一定义,如果投资组合的自相关函数衰减速率要大于其中任何一项资产的衰减速率就认为该投资组合表现出协同持续特性,相对应的协同持续向量就是投资组合的权重。

由此可见,对持续性及协同持续的定义,Bollerslev和Engle(1993)是从随机过程的历史信息对其未来条件方差的影响给出的,Ding和Granger(1996)是从时间序列(随机过程)自相关函数随时间的下降程度给出的,并且这两个定义均是基于一维随机过程与多维随机过程的比较而言的。此外Baillie等(1996)和Li Handong等(2001)也分别从不同角度给出了方差持续和协同持续的定义[11,12]。综合这些定义可以看出,他们只是各自从不同角度出发定义了持续性和协同持续,但他们定义的出发点是一致的,即考虑前期波动对后期波动的影响程度,归纳为,如果对多项资产进行组合,使该投资组合表现出较弱的波动传递,从而使波动长期保持在较小范围,即认为具有协同持续特性,否则不具有协同持续特性。本文从“协同持续”这一动态风险度量角度出发,引入投资组合收益率的“衰减方差”这一指标,并以这一指标为目标函数建立了动态投资组合的风险控制模型(简称为优化模型,相应的投资组合简称为优化投资组合)。

2.2 金融资产收益方差

Engle在1982提出ARCH模型(autoregressive conditional heteroseedasticity),1988年Bollerslev把ARCH模型扩展为GARCH(p,q)模型[7],此后,GARCH(p,q)模型得到了广泛应用,该模型能准确刻画金融资产收益波动特性(时变性、聚集性等),国内如徐绪松等(2002)、皮天雷(2003)也针对沪市股票收益波动特性做了GARCH(p,q)模型实证研究,研究结果为,GARCH(p,q)模型能很好地刻画沪市股票收益波动特性[13,14]。

本位亦采用GARCH(p,q)模型刻画金融资产收益率方差序列:

$\{\begin{array}{l}y{}_{i,t}=\mu {}_{i,t}+\epsilon {}_{i,t}\\ \sigma {}_{i,t}^2=\alpha {}_{i,0}+{\displaystyle \sum _{k=1}^p\alpha }{}_{i,k}(y{}_{i,t-k}-\mu {}_{i,t-k}){}^2+{\displaystyle \sum _{l=1}^q\beta }{}_{i,l}\sigma {}_{i,t-l}^2\end{array}(1)$

其中,i为金融资产编号,取值为1,2,…,N, t为投资期,yi,t为i资产在t时的收益率,μi,t为i资产在t时的均值,εi,t|Ii,t-1～N(0,σ2i,t),σ2i,t为i资产收益率在t时的方差。

模型(1)中第一个方程被称为均值方程,第二个方程被称为波动方程。对波动方程作如下展开:

$\{\begin{array}{l}\sigma {}_{i,s}^2=\alpha {}_{i,0}+{\displaystyle \sum _{k=1}^p\alpha }{}_{i,k}(y{}_{i,s-k}-\mu {}_{i,s-k}){}^2+{\displaystyle \sum _{l=1}^q\beta }{}_{i,l}\sigma {}_{i,s-l}^2\\ \sigma {}_{i,s+1}^2=\alpha {}_{i,0}+{\displaystyle \sum _{k=1}^p\alpha }{}_{i,k}(y{}_{i,s+1-k}-\mu {}_{i,s+1-k}){}^2+{\displaystyle \sum _{l=1}^q\beta }{}_{i,l}\sigma {}_{i,s+1-l}^2\\ \cdots \cdots \\ \sigma {}_{i,t}^2=\alpha {}_{i,0}+{\displaystyle \sum _{k=1}^p\alpha }{}_{i,k}(y{}_{i,t-k}-\mu {}_{i,t-k}){}^2+{\displaystyle \sum _{l=1}^q\beta }{}_{i,l}\sigma {}_{i,t-l}^2\end{array}(2)$

其中:p,q分别是波动方程中残差滞后项和方差滞后项的个数,s表示选定的参考点,本文考虑第s-1个期、第s-2个期、…、第s-q个期的相应收益率方差σ2i,s-1、σ2i,s-2、…、σ2i,t对第s个投资期方差σ2i,s的影响,当参考期s等于回归波动方程的方差滞后项个数q时,即表示前s个投资期的收益率风险对第s个投资期的收益率风险的影响。

由上述展开方程可以看出,σ2i,t与其滞后项成线性关系,则经迭代后所得方程亦有如下线性形式:

$\sigma {}_{i,t}^2=A{}_{i,t}+{\displaystyle \sum _{l=1}^{q}B}{}_{i,l}\sigma {}_{i,s-l}^2(3)$

对于给定金融资产收益率序列, 上式中Ai,t,Bi,l(l=1,2,…,q)为定值, 则σ2i,t是σ2i,s-l(l=1,2,…,q)的线性函数。

2.3 资产间相关系数的确定

本文选取投资期限为20周,考虑到这一投资期较短,资产间的相关关系变化较小,因此采用资产间的总体相关系数作为本文的相关系数。在这里,总体相关系数是常数,按如下方式计算:

$\rho {}_{ij}=\frac{Cov(\mathit{Y}{}_i,\mathit{Y}{}_j)}{\sigma {}_i\sigma {}_j}$

其中:Yi和Yj分别为i资产和j资产的收益率时间序列,σi和σj分别为i资产和j资产收益率随机波动序列标准差。在本文中刻画资产i的GARCH模型均值方程为yi,t=μi,t+εi,t(εi,t～N(0,σi,t),σi,t为εi,t的方差),因此$\frac{1}{n-1}{\displaystyle \sum _{t=1}^n\epsilon }{}_{i,t}\epsilon {}_{j,t}(n$为样本容量)是协方差Cov(Yi,Yj)的一致无偏估计量,$\sqrt{\frac{1}{n-1}{\displaystyle \sum _{t=1}^n\epsilon }{}_{i(j),t}^2}$是σi(j)的一致无偏估计量,然后再结合εi,t=yi,t-μi,t,可得如下ρij的一致无偏估计:

$\rho {}_{ij}=\frac{{\displaystyle \sum _{t=1}^n(}y{}_{i,t}-\mu {}_{i,t})(y{}_{j,t}-\mu {}_{j,t})}{\sqrt{{\displaystyle \sum _{t=1}^n(}y{}_{i,t}-\mu {}_{i,t}){}^2}\sqrt{{\displaystyle \sum _{t=1}^n(}y{}_{j,t}-\mu {}_{j,t}){}^2}}(4)$

2.4 组合衰减方差构建

按文献Markowitz(1952)投资组合在第t个投资期内的收益率方差-协方差矩阵Qp,t有如下形式:

$\mathit{Q}{}_{p,t}=\left[\begin{array}{cccc}\sigma {}_{1,t}^2& \rho {}_{12}\sigma {}_{1,t}\sigma {}_{2,t}& \cdots & \rho {}_{1{\rm N}}\sigma {}_{1,t}\sigma {}_{{\rm N},t}\\ \rho {}_{21}\sigma {}_{2,t}\sigma {}_{1,t}& \sigma {}_{2,t}^2& \cdots & \rho {}_{2{\rm N}}\sigma {}_{2,t}\sigma {}_{{\rm N},t}\\ \cdots & \cdots & \cdots & \cdots \\ \rho {}_{{\rm N}1}\sigma {}_{{\rm N},t}\sigma {}_{1,t}& \rho {}_{{\rm N}2}\sigma {}_{{\rm N},t}\sigma {}_{2,t}& \cdots & \sigma {}_{{\rm N},t}^2\end{array}\right](5)$

把式(3)代入式(5)可得投资组合方差-协方差矩阵Qp,t为:

$\begin{array}{l}\mathit{Q}{}_{p,t}=\left[\begin{array}{cccc}{\displaystyle \sum _{l=1}^{q}B}{}_{1,l}\sigma {}_{1,s-l}^2& \rho {}_{12}\sigma {}_{1,t}\sigma {}_{2,t}& \cdots & \rho {}_{1{\rm N}}\sigma {}_{1,t}\sigma {}_{{\rm N},t}\\ \rho {}_{21}\sigma {}_{2,t}\sigma {}_{1,t}& {\displaystyle \sum _{l=1}^{q}B}{}_{2,l}\sigma {}_{2,s-l}^2& \cdots & \rho {}_{2{\rm N}}\sigma {}_{2,t}\sigma {}_{{\rm N},t}\\ \cdots & \cdots & \cdots & \cdots \\ \rho {}_{{\rm N}1}\sigma {}_{{\rm N},t}\sigma {}_{1,t}& \rho {}_{{\rm N}2}\sigma {}_{{\rm N},t}\sigma {}_{2,t}& \cdots & {\displaystyle \sum _{l=1}^{q}B}{}_{{\rm N},l}\sigma {}_{{\rm N},s-l}^2\end{array}\right]\\ +\left[\begin{array}{cccc}A{}_{1,t}& & & \\ & A{}_{2,t}& & \\ & & \cdots & \\ & & & A{}_{{\rm N},t}\end{array}\right](6)\end{array}$

由式(6)可知,Qp,t的前一部分大小是由σ2i,s-l(i=1,2,…,N;l=1,2,…,q)决定的,后一部分不受σ2i,s-l(i=1,2,…,N;l=1,2,…,q)的影响。令

$\mathit{Q}{}_{p,t}^{*}=\left[\begin{array}{cccc}{\displaystyle \sum _{l=1}^{q}B}{}_{1,l}\sigma {}_{1,s-l}^2& \rho {}_{12}\sigma {}_{1,t}\sigma {}_{2,t}& \cdots & \rho {}_{1{\rm N}}\sigma {}_{1,t}\sigma {}_{{\rm N},t}\\ \rho {}_{21}\sigma {}_{2,t}\sigma {}_{1,t}& {\displaystyle \sum _{l=1}^{q}B}{}_{2,l}\sigma {}_{2,s-l}^2& \cdots & \rho {}_{2{\rm N}}\sigma {}_{2,t}\sigma {}_{{\rm N},t}\\ \cdots & \cdots & \cdots & \cdots \\ \rho {}_{{\rm N}1}\sigma {}_{{\rm N},t}\sigma {}_{1,t}& \rho {}_{{\rm N}2}\sigma {}_{{\rm N},t}\sigma {}_{2,t}& \cdots & {\displaystyle \sum _{l=1}^{q}B}{}_{{\rm N},l}\sigma {}_{{\rm N},s-l}^2\end{array}\right](7)$

亦令

$\mathit{Q}{}_{p,d}={\displaystyle \sum _{l=1}^q\mathit{Q}}{}_{p,s-l}-\mathit{Q}{}_{p,t}^{*}(8)$

相应地,令Σp,d(W)=WTQp,dW,称之为“组合衰减方差”(portfolio decreasing variance)。Σp,d具有如下经济意义:

对于一定的投资组合,当投资期数t和参考期s均确定时,Σp,d表示投资组合前q期收益檬方差在影响第t期收益率方差之前衰减的部分,Σp,d是投资组合权重向量W的函数,当投资组合内各项金融资产的前q期收益率方差给定时,Σp,d蹬值越大,表示投资组合前q期收益率方差对第t期收益率方差Qp,t影响越小。利用“协同持续”思想,试寻找W*,使当W=W*时,$\Sigma {}_{p,d}(\mathit{W}{}^{*})=\underset{\mathit{W}}{{\displaystyle \max }}\Sigma {}_{p,d}(\mathit{W})=\underset{\mathit{W}}{{\displaystyle \min }}[-(\Sigma {}_{p,d}(\mathit{W}))](\Sigma {}_{p,d}(\mathit{W})$恒为正)成立,从而降低风险的传递,控制收益率在较小范围内波动,因此建立了如下基于协同持续的动态风险控制模型:

$\begin{array}{l}\underset{\mathit{W}}{{\displaystyle \min }}[-(\Sigma {}_{p,d}(\mathit{W}))]\\ \text{s}.\text{t}.\{\begin{array}{l}\mathit{\mu }{}^{{\rm T}}\mathit{W}=\mu {}_p\\ \mathit{{\rm I}}{}^{{\rm T}}\mathit{W}=1\end{array}\end{array}$

其中:$\mathit{\mu }=(\begin{array}{cccc}\mu {}_1& \mu {}_2& \cdots & \mu {}_{{\rm N}}\end{array}){}^{{\rm T}}$为单项资产平均收益率向量,μp为投资组合的预期收益率,$\mathit{{\rm I}}=(\begin{array}{cccc}1& 1& \cdots & 1\end{array}){}^{{\rm T}}$为元素均为1的N维向量。

求解该模型需引入拉格朗日函数f(W),令

$\begin{array}{l}f(\mathit{W})=-\Sigma {}_{p,d}(\mathit{W})+\lambda {}_1(\mu {}^{{\rm T}}\mathit{W}-\mu {}_p)+\lambda {}_2(\mathit{{\rm I}}{}^{{\rm T}}\mathit{W}-1)\\ =-\mathit{W}{}^{{\rm T}}\mathit{Q}{}_{p,d}\mathit{W}+\lambda {}_1(\mu {}^{{\rm T}}\mathit{W}-\mu {}_p)+\lambda {}_2({\rm I}{}^{{\rm T}}\mathit{W}-1)\end{array}$

满足:

$\frac{\partial f}{\partial \mathit{W}}=-2\mathit{Q}{}_{p,d}\mathit{W}+\lambda {}_1\mathit{\mu }+\lambda {}_2\mathit{{\rm I}}=0(9)$

联立μTW=μp、ITW=1及式(9),并求解,得:

W*

$\begin{array}{l}=\frac{\mathit{Q}{}_{p,d}^{-1}((\mathit{\mu }{}^{{\rm T}}\mathit{Q}{}_{p,d}^{-1}\mathit{\mu }-\mu {}_p\cdot \mathit{{\rm I}}{}^{{\rm T}}\mathit{Q}{}_{p,d}^{-1}\mathit{\mu })\mathit{{\rm I}}+(\mu {}_p\cdot \mathit{{\rm I}}{}^{{\rm T}}\mathit{Q}{}_{p,d}^{-1}\mathit{{\rm I}}-\mathit{{\rm I}}{}^{{\rm T}}\mathit{Q}{}_{p,d}^{-1}\mathit{\mu })\mathit{\mu })}{\mathit{{\rm I}}{}^{{\rm T}}\mathit{Q}{}_{p,d}^{-1}\mathit{{\rm I}}\cdot \mathit{\mu }{}^{{\rm T}}\mathit{Q}{}_{p,d}^{-1}\mathit{\mu }-(\mathit{{\rm I}}{}^{{\rm T}}\mathit{Q}{}_{p,d}^{-1}\mathit{\mu }){}^2}\\ (10)\end{array}$

由此可以看出,投资组合权重向量W*是由资产种类、个数、资产间的相关系数、投资期数、预期收益率及参考期s的选取决定的。在实际投资时,这些条件是给定的,从而通过式(10)可以有效、合理地配置资产,比如某些资产的权重很小,那么就可以淘汰这种资产。

3 数据选取及实证

3.1 数据选取

为保证GARCH(p,q)模型回归的准确性,本文选取较长的样本时间窗口,即1997年到2006年共10年的周末收盘价格数据(采集于渤海证券网上交易咨询系统)。这些数据分别是万科A、马钢集团、福耀玻璃、云南白药、百联股份和青岛海尔的周末收盘价格,这6支股票分属于6个行业板块。投资组合的预期收益率μp选取5%(该周收益率远远大于同期银行存款利率,因此具有现实意义)。

3.2 实证步骤

Step1:利用Eviews软件,对单项资产的周末收盘价格数据取对数、差分,得周收益率yi,t,然后根据赤池信息准则(AIC准则)对yi,t进行GARCH(p,q)参数估计及资产间相关系数ρij的估(i,j=1,2,…,6;t=1,2,…,487)。对收益率yi,t进行GARCH(p,q)模型参数估计结果为:p=q=1,表1给出6种资产的GARCH(1,1)模型参数估计结果。

Step2:在单项资产的487个周末收盘价格数据中,选取第26周到第45周期间的20个数据,并统计出该单项资产的平均收益率μi;从单项资产周收益率数据yi,t中选取第27周到第45周期间的19个周收益率数据,并统计出该资产的标准差σi(i=1,2,…,6)。表2给出6种资产、等比例投资组合(按等比例配置的投资组合)及优化组合在第26周到第45周的收益率,收益率标准差及相应的夏普比(收益率与方差的比值,用S.R表示,经济意义为单位风险带来的收益,用来衡量资产配置效率,其数值越大表明配置效率越高)。

注:由迭代方程组(2)可以看出,在求σ2i,t的数值时受初始值σ2i,q,σ2i,q-1,…,σ2i,0的影响,为了减弱这种影响使σ2i,t反应出收益率yi,t的真实波动,本文选取第26期为起始期即资产收益率起始方差选σ2i,26.另外,考虑到投资时间跨度不易太长,以便适应市场变化作出及时调整,本文选取投资时间跨度为20周即从第26周到第45周。

Step3: 由表1中μi,t、αi,0、αi,1和βi,1的值,由式(3)和式(5)计算Qp,26、由式(3)和式(7)计算Q*p,45,式(8)计算Qp,d的数值。

Step4: 把Qp,d、$\mathit{{\rm I}}=[\begin{array}{cccc}1& 1& \cdots & 1\end{array}]{}^{{\rm T}}$、 μp=5%和μ(取表2中的数值)代入式(10), 得: W*=[-0.2195 0.0690 0.0488 0.02560 0.6443 0.2014].

Step5:利用上述投资组合权重W*对Step1中选取的资产周末收盘价格序列进行组合,得到了优化投资组合的价格序列,然后对单项资产、等比例投资组合及优化投资组合的价格序列分别取对数、差分,并通过Eviews软件绘制从第26周到第45周期间的周收益率波动图,如图1～图8,其中,图1～图6表示资产周收益率波动情况,图7表示等比例投资组合周收益率波动情况,图8表示优化投资组合周收益率波动情况。

3.3 实证结果

4 结束语

(1)优化投资组合波动图8与各项资产波动图1～图6相比,呈现出最小的波动范围,从表2中的标准差数值也可以看出,优化投资组合具有最小的标准差,这表明优化模型确实控制了风险的传播,降低了风险水平。

(2)从表2看出,优化组合与等比例组合相比,具有较小的标准差,确实将波动控制在较小的范围;同时优化组合也有较高的收益率和夏普比。这反映了优化模型控制了投资组合的风险,提高了投资组合的收益,具有较高的资产配置效率。

(3)该模型不仅考虑了收益率的风险,同时也兼顾了收益率,选取20周的收益率为5%,该值远高于银行存款利率,说明该模型具有现实意义。

(4)本文选取GARCH模型来描述单项资产的收益率波动特性,也可以选取其他描述收益率波动特性的模型,如SV(随机波动)模型等。

(5)组合权重向量中含有负分量,说明了在配置资产时该分量对应的资产应该与其他分量对应的资产实行相反操作,即该资产卖出,其他资产买进。

(6)本实证仅考虑了第s期风险对第t期风险的影响,实际上还可以同时考虑第s+1期、第s+2期等多期风险对第t期风险的影响。

动态风险 篇2

高速公路项目融资风险的动态灰色模糊评价

摘要：高速公路项目融资风险影响因素众多,而且在项目不同的发展阶段各风险因素的影响程度不同.针对单纯采用灰色评价或模糊评价方法都不能客观、准确地评价项目总体融资风险,并且难以体现高速公路项目融资风险的动态特性,提出了动态灰色模糊综合评价方法,并将它应用于某高速公路项目融资风险的评价之中.结果表明该方法不但能充分利用专家的.丰富经验,又有效减小了主观因素的影响,同时还体现了融资风险因素的动态特性,从而使项目投资者能够根据项目发展各阶段的风险评价值来有针对性地进行预防和监控.适用于高速公路等基础设施项目的融资风险综合评价. 作者： 王雪青喻刚王佳冰 Author： WANG Xue-qingYU GangWANG Jia-bing 作者单位： 天津大学,管理学院,天津,300072 期 刊： 重庆建筑大学学报 ISTICEIPKU Journal： JOURNAL OF CHONGQING JIANZHU UNIVERSITY 年，卷(期)： ,30(5) 分类号： F287.3 关键词： 高速公路项目 融资风险 灰色模糊评判 风险评价 机标分类号： X82 N94 机标关键词： 高速公路项目融资风险模糊评价方法风险因素动态特性综合评价方法影响因素基础设施项目风险综合评价主观因素项目发展评价项目阶段灰色评价灰色模糊投资者评价值专家预防应用 基金项目： 国家自然科学基金

动态风险 篇3

一、以查为先，明确“三管人员”岗位廉洁风险，做到监控重点定性准、掌握全。形成了由职权风险评估预警表、岗位廉洁风险预警表、廉洁风险等级目录和廉洁风险管理图组成的“三表一图”岗位廉洁风险排查模式，通过采取“自己找、领导提、群众帮、专家审、集体定”的程序，对全矿36个基层单位存在的岗位廉洁风险进行了全面梳理，重点做到了“五个准确”。一是监控岗位准确。根据职务享受权力大小，建立岗位廉洁风险预警表，将区（科）长、党支部书记、常务副区长、工会主席、主管技术员、办事员、核算员、材料保管员作为监控重点，分一、二、三等级对岗位存在廉洁风险进行划分，明确岗位监控等级。二是监控事项准确。将工资奖金分配、人事管理、职工奖惩、特殊经费、党务经费、会费收缴使用、成本材料领用、公用物品保管、奖品发放作为监控重点，建立职权目录，对每一项权力项目做到职权名称、类别、行使依据、职权概述、承办单位“五明确”。三是职权划分准确。建立职权风险评估预警表，分岗位负责人、主要职权、廉洁风险点、防范措施对每一个岗位职权进行系统归纳，共计明确9个岗位的职权62项。四是风险描述准确。建立权力运行流程廉洁风险管理图，对每一项权力行使程序通过图表进行呈现，每个步骤的风险描述分别用红、黄、蓝三种颜色明确风险等级，使职权行使人对权力运行过程中存在的廉洁风险做到了一目了然，时刻提醒。五是风险提示准确。建立廉洁风险等级目录，对权力项目、岗位廉洁风险点和数量进行统计，确定易发案问题278个，下发岗位廉洁风险预警卡308个，使每项职权行使始终处与预警和防控之中，保证了“三管人员”思想上的时刻警觉。

二、以防为主，创新对“三管人员”动态监控举措，做到廉洁风险重点明、防范严。羊东矿纪委从解决岗位廉洁风险易发问题入手，开动脑筋想办法，探索路径求突破，突出抓好重大事项决策、办事员管理、物品材料使用的廉洁风险防范工作，创新推行了“332”岗位廉洁风险防控措施，取得了良好效果。一是针对有些基层单位在重大事项决策方面存在的走形式、假决策，搞“一言堂”、“开小会”等问题，加强决策过程控制。健全完善了重大事项决策事前备案、事后核实、抽检验证三项制度。要求各基层单位对人员岗位变动、班组长任免、职工奖惩、工资奖金分配、特殊经费、党务经费、会费使用、奖品发放等重大事项，于决策前以书面或电话的形式通知礦纪委监察部决策的时间、地点、参加人员、决策事项，由矿纪委监察部记录备案。重要事项决策后，于3日内将决策记录本上报纪委监察部，由纪委监察部工作人员就记录的人员签名、决策事项、讨论情况进行核实、签字确认。采取季度党支部内审集中检查与日常工作随点抽查的形式，深入基层单位检查以物品登记本、工资奖金发放表、奖品发放表为基础的“一本二表”，对决策人员、职工进行询问，检查是否知道决策事项，验证决策真伪。二是针对一些办事员弄虚作假、违规操作，截留职工工资奖金的问题，积极推行办事员集中管控、轮岗交流、例会汇报三项举措。基层单位办事员全部实行竞争上岗，由矿纪委监察部和劳动工资部直接管理、统一派驻，执行所在单位职工平均工资系数的1.3倍。每月召开办事员工作例会，收听办事员对本单位重大事项进展及完成情况的汇报。每半年对办事员进行民主测评、百分考核、轮岗交流，凡60分以下进行岗位培训，合格后，统一安排岗位互换。对连续两次评议最后一名人员进行淘汰。截至到目前，我们已轮换办事员37人次，调整5人，防止了办事员长期在一个单位形成势力范围，与区（科）领导串通一气违规操作现象的发生。三是针对物品材料使用中存在的管理粗放、公物私用、多报少支问题，加强物品材料程序化管控。细化了物品登记交接、成本材料领用两项流程。要求各基层单位的每项公用物品必须上物品登记本，每半年纪委监察部对各项物品进行检查核对。针对领导干部离任期间容易发生公物私用、占为己有的问题，将公用物品交接作为离任审计的重要内容，坚决做到公用物品不清、少交不交接，防止侵占公物现象的发生。实行各基层单位成本材料统一存放、台帐记录、每旬汇总、月度核准、双方签字确认的操作模式，纪委监察部不定期对库存物品、记录进行抽查。通过健全三项制度、推行三项举措、细化两项流程，使“三管人员”做到了在工作中时刻警惕，有效防止了岗位廉洁风险的发生。

对基层单位“三管人员”岗位廉洁风险的有效防范，使区（科）干部廉洁从业意识明显增强，职工中的威信极大提升。公平、公正、公开的工作环境，减少了干部职工的不满情绪，激发了干部职工的工作热情，在全矿营造了人人廉洁从业、干群和谐共建的浓厚氛围，为打造本质廉洁型企业，建设清风羊东提供了有力保证。

动态风险 篇4

经济全球化背景下, 我国市场环境越来越复杂, 企业在运营的过程中面临许多不确定的战略风险。基于战略风险控制的动态风险控制模型, 能够实现对企业战略风险的实时、全面监控, 一旦风险预警系统检测出企业存在战略风险, 通过风险识别与评估, 采取针对性的控制措施进行处理, 以此降低战略风险对企业造成的影响。因此, 文章针对企业战略风险中动态风险控制模型构建的研究具有非常重要的现实意义。

二、战略风险的概念分析

战略风险概念是由Kenneth R Andrews提出, 经过众多学者的研究, 战略风险的概念定义为企业在制定与执行战略的过程中, 实际活动偏离与其目标造成损失的可能性, 即战略制定、执行的结果和预期目标之间存在差异, 这种差异主要包括战略管理过程中内外条件和预期条件之间的差异, 即包括战略制定风险以及执行过程的风险。

三、基于企业战略风险的动态风险控制模型的构建途径

全球化背景下, 企业的内部环境和外部环境都发生巨大的变化, 企业制定的战略并不能够按照预期的假设进行, 或者超出可预测的范围, 导致企业在制定、执行战略的过程中存在许多风险, 亟待采取有效的措施进行风险预警、识别、评估和控制。基于此, 创建基于企业战略风险的动态风险控制模型, 能够实现对企业战略风险的全面、动态监控, 以此降低企业战略制定与执行风险, 基于企业战略风险的动态风险控制模型如图1所示, 具体包括以下几个方面:

1. 战略风险预警机制的创建。

战略风险预警机制主要对系统战略风险状态的变化状况进行全面的分析, 主要表现在战略风险因素波动控制上, 制定战略风险预警指标, 识别、分析以及评估战略风险, 并评判企业战略是否处于风险状态, 如果企业战略处于“正常”状态, 则应该维持现状, 对企业战略进行监控, 如果系统处于“异常”状态, 则应该对战略的执行状况进行监控, 并对战略执行进行调整、变革以及改进, 采取科学、有效的风险控制措施、方法, 将战略风险控制在可控范围, 如果措施不力, 则应该转换战略, 防止战略状况进一步恶化。

2. 战略风险的识别。

战略风险包括停滞风险、项目风险、客户风险、竞争风险、品牌风险、技术风险以及行业风险等, 随着经济环境的变化, 企业战略风险的种类也逐渐地增加, 想要识别战略风险, 应该针对不同类型的资源, 如知识资源、技术资源、材料资源、人力资源以及财务资源等, 寻找质量滨化、数量变化以及价格变化等不同维度, 寻找导致企业战略风险点, 主要从社会流程、法规、流程、客户与运行管理等方面寻找战略风险点, 为实现战略风险的动态跟踪和控制提供可靠的参考。

3. 战略风险的评估。

不同企业发生战略风险的概率不同, 并且未来发生的战略风险受到经济背景以及企业利润与价值的影响, 战略风险的评估难度相对较大。目前, 企业常用的战略风险评估方法包括情境分析、自我评估、关键风险指标评价、概率建模、统计缝隙以及经济增加值等方法。基于动态风险控制的风险评估是按照划分的思路, 即股东战略风险、客户战略风险、流程战略风险、资源战略风险等, 根据战略风险的不同类型, 选择合适的战略风险评估方法, 以此实现对战略风险的科学、准确评估。

4. 战略风险控制。

战略风险控制是动态风险控制模型的核心环节, 为了控制战略风险, 应该从以下几个方面进行:

(1) 加强战略风险防范。加强企业战略风险防范在企业发展中至关重要, 具体从两个方面进行:一方面, 应该提高企业战略的柔性, 战略柔性越强, 当企业战略在执行的过程中遇到问题或者突发状况时, 才能够灵活的应对, 以便于更好的适应外部环境、内部环境的变化, 例如, 制定柔性竞争策略、柔性化培养员工和采用有形化组织结构, 充分的利用现代信息技术, 这样不仅能够提高企业信息管理水平与效率, 又能够提高企业对市场信息的反映与应变能力, 同时还能够降低运行成本;另一方面, 应该创建学习机制, 在复杂、多变的市场环境中, 企业想要实现可持续发展, 就应该创建学习机制, 形成一个知识型企业, 采用会谈、体验式学习、研讨式学习以及反思式学习等学习方式, 提高企业成员的综合素质水平, 以便于制定更加灵活、柔性的战略。

(2) 创建科学的战略实施方案。在创建战略实施方案时, 应该从以下几个方面入手:首先, 应该选择合适的战略管理工具, 企业战略管理工具众多, 最常采用的为战略地图、平衡计分卡等, 战略地图能够将抽象、无形的资源、行动等转化成具体、有形的财务结果与顾客, 其核心在于列出战略风险检查清单, 以此帮助企业查明战略规划过程中是否存在缺项或者漏项的现象;平衡计分卡是把短期行动与长期战略联系起来, 对战略目标进行分解, 并制定相应的战略绩效考核指标, 为战略风险控制提供可靠的参考;其次, 制定了完善的战略风险控制目标之后, 应该重点突出关键指标, 将主要的资源与精力花费在关键指标上, 分清轻重缓急, 重点控制关键目标;再者, 目标分解管理, 明确业绩目标、员工行动目标, 同时明确员工的责任, 保证所有的指标和责任贯彻落实到实处。

四、结束语

总而言之, 通过对企业在经营过程中可能面临的战略风险进行分析, 构建基于企业战略风险的动态风险控制模型, 实现对企业战略风险的动态监控, 实时、准确的检测出企业是否存在战略风险, 并针对存在的战略风险, 采取有效的控制措施进行处理, 帮助企业规避各种战略风险, 提高企业对战略制定与执行的指导性与控制性, 为实现企业的健康、可持续发展奠定坚实的基础。

参考文献

[1]孙慧, 王松华.企业动态战略风险控制模型的构建及运行[J].改革与战略, 201, 2, 28 (3) :162-164.

[2]赵志运, 申景奇.动态风险控制与财务可持续性发展战略[J].中国管理信息化, 2010, 13, (1) :29-30.

[3]刘咏梅, 朱多伟, 张庆伟.油田企业风险动态控制管理系统的应用[J].经济师, 2010, (3) :249.

输电线路动态增容运行风险评估 篇5

智能化输电线路作为智能电网的重要环节,承担着获取全景广域的输电线路状态信息,建立统一的数据平台,可视化展示各种运行状态信息以及在此基础上对输电线路状态进行智能化分析、评估和诊断的任务[1]。输电线路增容系统作为智能输电线路技术支撑系统的重要部分,能在不新建线路的前提下增加原有线路的输送能力, 提高输电设备资产的利用效率,同时帮助运行和调度人员更好地掌握和控制当前线路的运行状态,提高电网运行的安全性和可靠性。

架空输电线路的额定热稳定输送容量与环境温度、风速、风向、日照辐射等微气候条件,导线的物理特性,以及导线所处的地理位置等因素有关。目前,线路允许输送的额定热容量是为防止线路负荷增加时产生过热故障而制订的静态热容量极限。这种极限值是基于最恶劣气候条件(如晴天高温、无风等),为维持线路对地的安全距离而得出的,实际上这种最恶劣气候条件发生的概率是极低的,据统计小于0.02%[2]。输电线路动态增容系统是在不突破现行技术规程规定的前提下,根据导线运行状态(导线张力、弧垂、温度等)、气候条件(环境温度、日照、风速等)和线路参数实时确定线路载流能力。近年来,国内外在输电线路增容方面开展了许多基础与应用研究工作,取得了很好的成果。比较知名的系统有美国USi公司开发的Power Donut平台,美国The Valley Group Inc开发的CAT1线路监测系统[3],以及美国电力科学研究院(EPRI)开发的DTCR系统[4]。国内包括华东电网、广东电力试验研究院、上海交通大学等也都开展了输电线路增容技术的研究[5,6]。

当前阻碍输电线路动态增容系统大规模应用的一大瓶颈是如何评估增容后线路的运行风险,从而为增容条件下线路的运行提供实施依据,确保增容运行的可靠性和安全性。目前,线路增容运行风险评估相关的研究还很少。由输电线路动态增容的原理可知,评估输电线路增容风险的关键是预测容量评估气候模型中引用的各种参数。本文提出使用马尔可夫链蒙特卡洛(MCMC)方法产生气候模型各参数后验分布的随机序列来获取气候模型,进而利用该模型通过蒙特卡洛(MC)模拟来预测导线温度的分布,计算出增容系统的风险指标。

1 输电线路动态增容运行风险评估原理

本文提出的输电线路动态增容风险评估主要流程如图1所示。

具体原理和方法描述如下。

1)通过安装在输电线路现场的在线监测系统获得若干天内的微气候数据——风向φ1,φ2,…,φt-1,风速v1,v2,…,vt-1,环境温度T1a,T2a,…,Tt-1a等3组影响输电线路热容量的主要气候参数的时间序列。利用MCMC方法分别建立风向、风速和环境温度模型。

2)将当前微气候数据代入各种气候模型中来预测未来一小时风向φt,风速vt,环境温度Tta 的分布。

3)将气候参数分布数据和线路负荷电流分布数据一起代入暂态热平衡方程,通过MC模拟来获取导线温度Ttc 的分布。

4)利用导线温度分布计算出导线温度Ttc 超过线路最大允许运行温度值Tc,max的概率,即为导线增容运行的风险。

2 基于MCMC方法的气候模型

2.1 贝叶斯分析及MCMC方法

假设变量θ为气候模型中的某一参数,变量y为观测数据,θ与y的联合概率分布为p(θ,y),变量θ的先验分布为p(θ),变量y的条件分布为$p(y|\theta )$,则

p(θ,y)=p(θ)p(yθ) (1)

根据贝叶斯定理计算考虑观测变量y后,变量θ的后验分布p(θy),得

p(θ$y)=\frac{p(\theta )p(y|\theta )}{p(y)}(2)$

式中:p(y)=∫p(yθ)p(θ)dθ。

贝叶斯分析一般可以分成以下3步来进行:①在所考虑的问题中将所有观测量和未观测量的概率模型全部定义;②计算后验分布p(θy);③根据后验分布预测未观测量$\tilde{y}$。

但是,在大多数情况下计算∫p(yθ)p(θ)dθ很困难,因此必须利用其他方法得到后验分布。注意到式(2)中p(y)的值不取决于θ与y,而是一个固定值,假设未标准化后验分布为q(θy),则

p(θy)∝p(yθ)p(θ)=q(θy) (3)

利用未标准化后验分布q(θy),采取MCMC方法来逼近后验分布p(θy)[7,8]。

MCMC方法的关键是建立一条平稳分布为目标后验分布p(θy)的马尔可夫链,它要求采样足够长的时间直到采样参数被认为已经能够代表目标后验分布。MCMC方法一般包括2种重要的参数采样法,分别是Metropolis-Hasting采样法和Gibbs采样法。2种采样法的具体算法详见文献[9]。

2.2 风向模型

在处理与角度相关的循环数据时,Von Mises (VM)分布通常是不错的选择[10],因为VM分布角的取值范围为0～2π。此处风向参数模型采用VM分布,其概率密度函数为:

$f(\phi )=\left(2\text{π}{\rm I}{}_0(k)\right){}^{-1}\exp \left(k\text{c}\text{o}\text{s}(\phi -\mu )\right)(4)$

${\rm I}{}_0(k)={\displaystyle \sum _{r=0}^{\infty }(}r!){}^{-2}(0.5k){}^{2r}(5)$

式中:I0(k)为分布的标准化常数,用零阶Bessel函数表示;0≤k≤∞;0≤φ≤2π。

现认为参数k不随时间变化,参数μ为t时刻风向的期望值,利用一阶自回归(AR)模型来估计μ,即

E(φt)=μt=g(α1g-1(φt-1)+α0) (6)

式中:α1和α0均采用正态分布,α1～N(0,104),α0～N(0,104)。

函数g采用反正切函数[9,10],风向模型为:

p(φt$\mu {}^t,k)=\left(2\text{π}{\rm I}{}_0(k)\right){}^{-1}\exp \left(k\text{c}\text{o}\text{s}(\phi -\mu )\right)(7)$

$\mu {}^t=2\arctan \left(\alpha {}_1\tan \frac{\phi {}^{t-1}}{2}+\alpha {}_0\right)(8)$

式中:k采用Gammar分布,k～Γ(1,10-3)。

结合若干天的采样数据(本文利用6 d,144组采样数据),未标准化联合分布函数的3个参数α1,α0,k满足:

$\begin{array}{l}p(\alpha {}_1,\alpha {}_0,k|\phi {}^1,\phi {}^2,\cdots ,\phi {}^{144})\propto {\displaystyle \prod _{t=2}^{144}(}\left(2\text{π}{\rm I}{}_0(k)\right){}^{-1}\cdot \\ \exp \left(k\text{c}\text{o}\text{s}(\phi {}^t-\mu {}^t)\right))\exp (-0.5\alpha {}_1^{2}10{}^{-4})\cdot \\ \exp (-0.5\alpha {}_0^{2}10{}^{-4})\exp (-10{}^{-3}k)(9)\end{array}$

取自然对数之后的3个参数的边缘分布分别为:

由于上述边缘分布并不是常规统计分布,故用Metropolis-within-Gibbs采样法来生成马尔可夫链,将Metropolis采样法嵌套于Gibbs采样法中。

以α1为例阐述具体如何嵌套算法。

步骤1:产生初值α${}_1^0$。

步骤2:产生备选值α*1=α${}_1^0$+randn(1)σ。其中,randn(1)表示从正态分布(0,σ2)中随机抽取一个值,σ为该正态分布的均值标准差。

步骤3:计算比率r。为方便表述进行如下代换,令

r=min(exp(f(α*1)-f(α${}_1^0$)),1) (14)

步骤4:产生u=runif(0,1),即从均匀分布(0,1)当中随机抽取一个值。

步骤5:当u≤r时,α${}_1^t$=α*1,否则α${}_1^t$=α${}_1^0$。

步骤6:令t=t+1,α${}_1^0$=α${}_1^{t-1}$,重复步骤2—步骤5。

上述6个步骤阐述的是在Gibbs采样中如何从ln(p(α1α0,k,φ1,φ2,…,φ144))中随机抽取α${}_1^t$,亦即Metropolis采样法实现步骤。另外2个参数α${}_0^t$,kt的抽取同理,不再赘述。

还可以通过OpenBUGS软件更方便地实现MCMC方法,图2是使用OpenBUGS软件模拟生成的α1,α0,k马尔可夫链轨迹图。

通过图2可以发现,经过10 000次循环后α1,α0,k已经稳定,到达平稳分布,将前面5 000组数据去掉后的数据即可作为VM分布的3个参数,即风向模型的参数。

确定风向模型后,需要检验原采样数据是否服从MCMC方法得到的VM分布,使用Watson检验法检验表明,6 d的风向采样数据服从所得VM分布[10]。

2.3 风速模型

对风速模型的研究一般使用Weibull分布[11]。但有文献提到,通过对风速数据作频率直方图表明风速在低风速(接近于0 m/s)时存在一个尖峰[12],即风速在0 m/s附近的频率异常高,不能单纯用Weibull分布来描述风速。然而,本项目组近1 a对风速的观测数据表明该“尖峰”并不存在,故本文仍采用Weibull分布作为风速模型。1 a风速观测数据的频率直方图见附录A图A1。

风速分布为p(vt)～W(k,λ)。其中,k,λ的先验分布分别采用Gammar分布和正态分布,即k～Γ(1,10-3),λ～N(0,103)。

由于先验分布和后验分布都是常规统计分布,此处不再详述。得到的Weibull分布参数经 Kolmogorov-Smirnov 检验表明,6 d的风速采样数据服从所得Weibull分布。

2.4 环境温度及日照辐射模型

环境温度大致以24 h的周期,将环境温度采样数据中24 h周期量移除,即令y为24 h环境温度变化量,yt=Tta-Tt-24a。变量y模型采用正态分布,即p(yt)～N(μ,σ2),μ采用AR模型,μt=α1yt-1+α0。其中,α1,α0,σ的先验分布均采用正态分布α1～N(0,104),α0～N(0,104),σ～N(0,104)。

由于上述环境温度模型与风向模型类似,故此处不再详述MCMC过程,卡方检验结果表明,6 d的环境温度采样数据变化量服从所得正态分布。

日照辐射采用IEEE 738标准中的确定性模型而非与其他参数一样采用概率模型,其原因如下:①日照辐射与云层厚度密切相关,而迄今为止还没有明确的概率统计模型能详细模拟云层的变化情况;②日照辐射的波动对动态容量计算影响有限,对线路运行风险的计算影响很小;③IEEE 738标准中日照辐射取为可能达到的最大值,即比实际考虑云层影响后的值大,计算出的运行风险比实际要大,从安全角度看这样处理是合理的。

3 输电线路运行风险评估

根据IEEE 738标准,导线温度满足以下暂态热平衡方程[13]:

$\frac{\text{d}{\rm T}{}_{\text{c}}}{\text{d}t}=\frac{1}{mC{}_{\text{Ρ}}}(R({\rm T}{}_{\text{c}}){\rm I}{}^2+q{}_{\text{s}}-q{}_{\text{C}}-q{}_{\text{r}})(15)$

式中:CP为导线比热容;R(Tc)I2为导线焦耳热;qs为日照吸热;qC为对流散热;qr为辐射散热。

求解式(15)微分方程能够得到导线温度Tc随时间变化的情况,由于架空输电线路的时间常数一般为10～30 min,认为1 h之后的导线温度已经很接近稳态温度,不会发生什么变化。导线温度随时间变化的曲线见附录A图A2。

在第2节中得到气候参数模型后,通过以下MC模拟来预测下一个小时导线温度的概率分布。由上述气候模型预测出下一个小时的风向φ、风速v和环境温度Ta,导线电流也通过估计它的分布来预测下一个小时的导线电流I。假设在下一个小时内气候参数和导线电流(φ,v,Ta,I)不发生变化,通过4阶龙格库塔方法求解式(15)中关于导线温度Tc的微分方程,得出1 h时的导线温度Tc(1 h)作为该预测气候和电流参数(φ,v,Ta,I)条件下的导线温度。重复预测下一组气候和电流参数来计算下一个导线温度值。通过重复以上步骤足够多的次数之后就能得到整个导线温度的分布。

输电线路增容运行的风险就是指导线温度超过Tc,max的概率,作为线路运行安全的临界值。输电线路增容运行的风险指标为:

$R={\rm P}({\rm T}{}_{\text{c}}\ge {\rm T}{}_{\text{c}‚\max })=\frac{{\rm N}{}_{\text{f}}}{{\rm N}}(16)$

式中:Nf为MC模拟中Tc(1 h)大于Tc,max的次数;N为MC模拟的总次数。

4 算例

本项目组在南方电网某110 kV线路上实际安装的动态增容系统已经稳定运行近3 a,采集的气候和电流数据近万组,从中取出2010年7月11日12时到2010年7月17日13时共144组观测数据作为例子来进行该增容系统风险评估。线路参数见附录A表A1。

2010年7月17日13时,风向为176°,风速为1.38 m/s,环境温度为37.2 ℃,此时的气候参数几乎为1 a中最恶劣的。根据稳态热平衡方程,基于IEEE 738标准给出17日13时线路的动态热容量为524 A。为了模拟线路载流量接近该热容量时的情况,将电流所服从正态分布均值设为500 A,标准偏差为5 A,利用上述气候模型以及此处的电流分布来预测17日14时的气候电流参数(φ,v,Ta,I)。进行1 000次MC模拟,图3为MC模拟所得到的导线温度—频率直方图。

此时线路增容运行风险指标R为0.001,表明若导线热容量为524 A,导线负荷电流均值为500 A时,导线温度仅有0.1%的风险会超过运行允许的最大值。显然,这个风险足够小,电力系统完全能够接受;同时,此时风险指标如此小也从另一个侧面反映了最恶劣气候条件发生的概率足够小,进行输电线路增容完全可行。

为进一步探究增容运行风险随着电流分布均值变化的情况,将电流分布的均值由500 A变到 1 000 A,标准差不变仍为5 A。图4是夏季增容运行风险随电流分布均值变化的情况。

从图4中增容风险变化趋势可以发现,由于此时气候条件已经相当恶劣,电流均值超过额定热容量后线路过负荷程度越来越严重,风险也随着迅速变大。若增容至650 A运行,其线路运行风险将超过10%,显示在气候条件极恶劣情况下进行增容运行必须相当谨慎。

鉴于上述风险评估基于夏季观测数据,为全面评估增容后线路运行风险,对冬季观测气候数据进行分析。从采集数据中取出2011年1月5日11时到2011年1月11日12时的气候观测数据来进行风险评估。

2011年1月11日12时,风向为161°,风速为1.441 m/s,环境温度为18.4 ℃,热容量为813 A,计算11日13时增容风险。11日13时电流分布均值为700～1 200 A,标准差为5 A。图5为增容风险随电流分布均值变化情况。

如图5所示,由于环境温度较低,冬季线路增容运行的裕度明显较大。在电流分布均值为800 A时,增容风险仅为0.8%,即负荷电流达到增容系统计算容量813 A时,线路的运行风险仅有0.8%,显示该增容系统计算容量有相当的可靠性。850 A时增容风险为3.2%, 900 A时增容风险接近10%,显然是不能接受的。随着电流分布均值的进一步增大,增容风险近似呈指数上升,电流越大,线路温度、弧垂超过允许值的风险上升得越快。

以上夏冬2季MC模拟的风险评估结果表明,线路负荷电流达到增容系统所计算的热容量时,线路增容风险都控制在1%以内,属于电力系统运行和调度能接受的范围。从线路运行安全方面出发,说明输电线路增容系统能够在保证系统安全的前提下提高线路的输送容量。

5 结语

利用MCMC方法建立风向、风速和环境温度气候模型,结合线路电流模型一起利用MC模拟计算出导线温度的分布,进一步计算出增容运行风险指标。通过对输电线路实际增容监测系统夏冬2季的监测数据分析表明,增容风险随着电流分布均值的增大而迅速增大,增容系统所计算的热容量可靠性能比较高,线路风险控制在1%以内,完全满足工程要求。通过本文评估方法能给调度人员提供线路的运行风险信息,结合相关负荷预测技术能更好地进行智能化负荷调度。

附录见本刊网络版(http://aeps.sgepri.sgcc.com.cn/aeps/ch/index.aspx)。

摘要：输电线路动态增容系统作为智能输电线路技术支撑系统的重要部分,能提高输电设备的利用效率,帮助运行人员更好地掌握当前线路的运行状态。为确保输电线路增容运行的可靠性和安全性,文中研究提出基于马尔可夫链蒙特卡洛方法对输电线路增容运行后的风险进行评估的方法。该方法主要利用各微气候监测参数后验分布的随机序列来建立风向、风速和环境温度等气候概率分布模型,结合线路负荷电流模型利用蒙特卡洛模拟来预测导线的温度分布,从而给出线路增容运行的风险指标。基于夏冬2季的典型监测数据,利用所提出的方法对动态增容系统给出的热容量的可靠性进行分析,结果表明线路运行风险控制在合适的范围以内,满足电网运行和调度工程的要求。

动态风险 篇6

自1999年国家实行高考扩招以后, 我国的高等教育实现了飞跃式发展, 但是随着高等教育在教育规模和毛入学率等方面的迅速扩张, 高校的债务问题也日趋严重。高校负债经营已很普遍, 据审计署披露, 到2010年底, 全国共有1164所地方所属的普通高校有地方政府性债务, 金额近2635亿元。可以看出债务已经是制约高校发展的主要因素, 尤其是西部地方高校。首先西部本就属于经济欠发达地区, 西部政府的经济实力与东部地区相比有很大的差距, 所以西部的高校相对于东部来说偿还债务显得更加困难。其次, 中央财政拨出的高等教育经费主要关注211、985高校或者是省部支持的重点大学, 然而西部地区高校中211、985高校很少, 所以西部地区高校难以分羹。综合这两方面的原因, 西部地方高校的债务问题的解决显得更加困难。从另一方面来说西部本身经济发展就不平衡, 科技水平也相对较低, 所以应当通过高校来促进其经济和科技的发展, 但是债务问题的严重导致西部高校很难专注于其本身的责任与目的, 所以如何解决西部地区高校的债务问题更需要我们去深思。

西部地区高校的债务问题日趋严重, 建立一个风险监控模型对债务进行实时监控显得尤为重要。导致债务风险的因素是多种多样的, 随着时间的推移其因素的重要性也是随着改变的, 需要一个动态的监控系统进行实时监控。然而高效债务问题是个敏感问题, 其债务的相关信息不容易获得, 信息相对匮乏, 又需要对其进行实时动态监控, 所以选择了动态的灰色关联分析模型对高校的债务风险进行监控。

二、风险动态监控模型指标体系构建

指标体系的构建是债务风险动态监控模型的核心, 指标体系是否科学决定了模型是否有效, 如果指标体系不科学, 那么模型很难准确与科学。风险动态监控模型指标体系的建立主要是针对西部地区高校的情况来构建一个相对全面的体系。构建指标体系的几个原则为:一是系统性原则。地方高校债务风险的产生和演变是一个系统性问题, 因此在指标体系选择和构建上应坚持系统性原则。二是相关性原则。指标必须要和风险水平相关, 其大小必须能够反映债务风险的大小。三是动态性原则。指标体系要通过现时情况以及以前几个期间的数据反映债务风险未来的走向。四是可行性原则。数据可以取得或者可以通过调查取得。五是结构性原则。指预警指标体系应能够反映出资产及其结构、负债及其结构、收入及其结构以及支出及其结构等。

根据以上原则以及西部地方高校自身的特点选取了以下几个指标来反映高校负债风险:

k1:流动比率= (流动资产/流动负债) *100%, 它反映的是高校的短期偿债能力, 越高则说明其短期偿债能力越强, 但也不能过高, 一般情况认为k1为2时较为理想。

k2:资产负债率= (负债总额/资产总额) *100%, 它是高校偿债能力的一个总体反映, 在某些情况下会认为低于0.5时较为理想。

k3:学校偿债率= (当年还本付息总额/总经费收入) *100%, 它表示的是到期偿还本金和利息的能力, 一般情况下标准在10%至20%之间。

k4:经费收入支出率= (本年度经费总支出/本年度经费总收入) *100%, 如果这项指标越大则表示财务运转越困难, 这一比率小于1, 越小越好。

k5:招生计划现金比率= (本学期招生实际收费金额/本学期招生应收费金额) *100%, 它反映高校的运营能力, 小于1表明招生计划未能完成, 或者是学生欠费严重。一般情况下为1或者大于1。

k6:收入负债比率= (负债/总收入) *100%, 收入负债比率反映了高校每当有一元资金的收入时需要投入多少负债资金作为保障, 它反映出高校在只考虑收入情况卜的刚性偿债能力, 这一比率越小越好。

对于众多高校债务风险模型, 都较多考虑财务因素指标, 而忽略非财务因素指标, 财务指标与高校贷款控制额度直接相关, 但是政策性因素等内外部环境对高校贷款风险也有重要的影响, 所以在财务风险模型的构建中不应忽视非财务因素。因此在通过财务指标体系对财务风险状况进行评价的同时, 有必要对高校面临的内外环境进行一个评价。

本文根据其对债务风险的重要性以及综合外部和内部两方面因素, 选出了以下四个方面的内控要素, 通过一定的数学方法进行量化转换, 形成对应的四个非财务指标, 加入动态监控模型当中。即外部风险因素, k7, k8;内部风险因素, k9, k10。

k7:政府信用, 指标表示其财政拨款是否能够正常到位, 如果能够按时足额拨付为1, 如有拖欠或者挪用等情况则为0。

k8:政策风险, 指标表示银行对学校的放贷政策的影响程度或者银行贷款利息对债务偿还的影响, 如果一些政策导致高校债务风险严重则为0, 如果导致债务风险一般则为0.5, 如果无风险则为1。

k9:高校风险控制能力, 它主要表现财务风险内部控制制度在高校中发挥的作用, 如果在选项中选择“发挥着重要的控制作用”则赋值为1, 如果是“起到一定的约束作用, 但作用不大”, 则赋值为0.5, 如果是“基本流于形式”则为0。

k10:经济责任制度, 它表现为学校的经济责任制度实施情况, 如果学校的经济“很好”则为1, 如果是“较好”为0.75, “一般”为0.5, “较差”为0.25, “差”为0。

三、高校债务风险灰色关联分析模型

生物、生态、社会、经济等许多系统一般是按照其所属领域的范围来命名的, 但灰色系统却是按照颜色命名。用“黑”表示信息未知, 用“白”表示信息完全明确, 用“灰”表示部分信息明确、部分信息不明确。相应的, 信息完全明确的系统称为白色系统, 信息未知的系统称为黑色系统, 部分信息明确、部分信息不明确的系统称为灰色系统。

灰色系统理论的研究对象是“部分信息已知、部分信息未知”的“小样本”、“贫信息”不确定性系统, 它通过对“部分”已知信息的生成、开发实现对现实世界的确切描述和认识。

对于高校财务的统计数据十分有限, 而且现有数据灰度较大, 也没有什么典型的分布规律, 所以采用数理统计方法往往难以奏效。而灰色关联分析方法弥补了数理统计方法作系统分析所导致的缺憾。它对样本量的多少和样本有无规律都同样适用, 而且计算量小, 十分方便, 更不会出现量化结果与定性分析结果不符的情况。

灰色关联分析的基本思想是根据序列曲线几何形状的相似程度来判断其联系是否紧密。曲线越接近, 相应序列之间关联度就越大, 反之越小。灰色系统关联分析实质上是关联系数的分析, 对本文是求同一高校不同时期的指标序列与最佳指标组成的理想序列之间的关联系数, 由关联系数得出来关联度, 按照关联度的大小进行排序, 并进行分析得出结论。

用某高校m个会计期间的n个财务指标和非财务指标x (k1) , x (k2) , …x (kn) , 来分别描述着m个期间的财务状况, 则第i个期间的指标序列为xi={xi (k1) , xi (k2) , …, xi (kn) }i=1, 2, …m;

对于本文来说这些指标不是统一的越大越好或者是越小越好, 所以最佳指标的构建不能使用统一标准。对于最佳指标序列中某些财务指标有标准值的, 比如k1流动比率标准值为2, k2资产负债率的标准值为0.5, 以标准值作为最佳财务指标值;还有一些财务指标是越大越好或者越小越好, 这些指标取这m个期间指标序列中对应的最大或者最小值作为最佳财务指标。对于非财务指标, 由于赋值的原因, 选择的最佳指标值均为1.

由此可以得到灰色指标的样本空间

然后分别求各指标的灰色关联度, 本文要求的m个时期的序列与最佳指标序列X0的关联度, 所以只需求灰色绝对关联度就可以了。

第一步, 对原始数据进行无量纲化, 且在数量上归一化。由于系统中各因素的量纲不一定相同, 且有时相差悬殊, 这样的数据很难进行比较, 例如本文中有些指标是越大越好, 有些是越小越好, 有些在一定的区间为最佳, 因此需要对原始数据消除量纲, 转化为可比较的数据序列。原始数据的变换一般有初值化变换, 均值化变换和标准化变换三种方法。在本文中使用区间值归一化算子对其进行无量纲归一化处理。

第二步, 差序列, 无量纲归一化后的数据组成的样本空间如下:

第三步, 两级最大的差和最小的差:

第四步, 关联系数:

ε为分辨系数, 根据相关文献中的取值以及自身的性质, 取其为0.5。

第五步, 确定关联度:

由于最佳指标序列X0是指高校的一个较满意的财务状况, 它是一个虚构的理想的会计期间, 而各个期间与理想会计期间关联度的大小γ0i则表示各个期间与理想期间的关联程度。关联程度越大, 其余理想期间的财务状况越相似, 其财务风险越小, 相反, 如果关联程度越小的话, 就需要财务风险控制。确定出关联度以后, 可以对关联度进行排序, 关联度值越大表示其关联程度就越大, 通过分析关联度的大小, 对分析财务状况有很大的帮助。

四、实证分析

本文以西部某地区高校为研究对象, 采用高校2006、2007、2008、2009年的财务相关数据, 对高校财务指标进行计算分析。相关数据如表1。

根据前文中最佳指标序列的确定方法, 可以得出最佳指标序列X0= (2, 0.5, 0.187, 0.55, 1.34, 5.3, 1, 1, 1, 1) 。前文已经提到, 一般情况下当流动比率K1=2和资产负债率K2=0.5时是比较理想的状态;学校偿债率、经费收入支出率和收入负债率是越小越好的指标, 招生计划现金比率是越大越好的指标, 根据表格数据k3取值0.187, k4取值0.55, k6取值5.3, k5取值1.34。对于非财务指标, 由于赋值的缘故, 都取1作为最佳指标数值。由此可得出样本空间:

第一步, 对样本空间的数据进行无量纲化, 因为各个指标的标准不同, 所以要对其进行处理, 让其在数量上归一化。

前文已经假设k1的最佳标准为2, k2的最佳标准为0.5。

可得Xi1 (k1) = (1, 0, 0.14, 0.16, 0.25) T, (这里V取值为2) 。

Xi1 (k2) = (1, 0, 0.44, 0.68, 0.88) T, (这里V取值为0.5) 。

同理, 越小越好指标k3=0.187, k4=0.55, k6=0.55。

可根据公式:

同理, 越大越好指标k5=1.34

可根据公式:

对于非财务数据, 由于是赋值, 本身就比较规律, 所以不用无量纲化, 其数量上比较归一化。由此可以得归一化之后的样本空间

第二步, 差序列。由公式△i (kl) =X01 (kl) -Xi1 (kl) i=1, 2, 3, 4

得

第三步, 求两级最大的差和最小差:

第四步, 求关联系数:

第五步, 求灰色关联度, 即求各个时期的财务状况与理想时期的最佳财务状况之间的关联程度。

由此可以得出关联排序

根据以上结果知:4年高校财务的满意程度由高到低分别为09, 07, 08, 06。指标数据中可以看出2009年财务指标和非财务指标对最佳指标序列都比较接近, 说明相对于其他年份, 该高校财务状况已经逐渐好转, 这是因为宏观以及微观的环境都朝着有利于解决高校债务的方向发展。所以未来的发展可以在2009年的基础上作进一步改进, 比如2009年的流动比率虽然相对前几年是在逐渐上升的, 但是相对标准仍然是较低的, 以至于流动资产仍然不足, 短期偿债能力较弱, 学校应当采取有利措施, 增强其短期偿债能力;同时学校也要加大控制风险的能力, 进一步落实经济责任制度, 从而降低高校债务的风险。2006年的财务风险是这4年中最大的, 从指标中可以看出该校偿债能力较弱, 负债比重很大, 而且学校此时的财务风险内部控制制度基本流于形式, 经济责任制度实施情况也较差。2007年财务状况要比2008年好一些, 从财务数据中可以看出2007年的学校偿债率、招生现金比率相对于2008年更接近最佳指标, 说明学校的偿债能力和运营能力要比2008年好, 主要原因可能是由于2007年相对于2008年超额完成了学校的招生计划, 以至于其运营能力比2008年强而负债的压力相对于2008年要小。

五、结论

本文在财务指标的基础上增加非财务指标构建具有动态效果的高校债务风险灰色关联分析模型, 一方面, 在财务指标的基础上增加非财务因素, 模型更能反映高校的财务现状;另一方面, 灰色关联理论解决了高校财务数据难以获得的现实问题, 并且能对高校的债务状况实施动态监控, 达到良好的监控效果。该模型的建立可以为高校债务的研究提供一种新的思路, 具有较强的现实意义。

参考文献

金融市场的风险值测量及动态分析 篇7

基于核估计的历史模拟法是标准历史模拟法的改进, 它给出了可以评估VaR精度的标准误差信息, 即VAR准确性下降的原因——模型原因或市场条件变化原因, 并克服了样本容量选取困难等缺。其本质是对标准历史模拟法中直方图的推广, 给出平滑形式的概率密度估计。

关于资本资产定价模型中Beta系数的时变性已经有很多文献讨论过, 尽管单因数的资本资产定价模型经历近20年仍然具有强大的生命力, 但是就刻画预期收益率的截面特性而言, 多因素模型被证明比其更符合经验数据。国外Swhwert and Seguin利用单因素模型得到时变的Beta值, 他们发现均值调整收益与公司规模有关, 若考虑到收益误差的异方差性, 相关性更加明显。根据资本资产定价模型, 若要求出某种股票在均衡情况下的收益, 必须了解其风险指标, 即Beta系数值。如果根据该种股票收益和市场组合收益的历史数据, 则我们就可以由如下资本资产定价模型:rit+ai+βirmt+εi (其中rit和rmt分别是第i支股票收益率和市场组合收益率) 求出Beta值。通常根据Beta的值可以将证券进行分类, 我们将贝塔值大于1的证券称为进取型证券, 在牛市时, 这样的证券价格上升速度比整个市场价格上升更快, 而在熊市中, 比整个市场的证券价格上升也更迅速;若贝塔值小于1, 我们称其为保守型证券, 其收益波动的幅度小于整个市场收益波动的幅度;若贝塔值等于1的证券成为中性证券, 就平均值而言他们的价格随市场变化而波动。 CAPM的一个突出优点在于, 它能够以无风险利率加风险益价的简单方式来估计出特定的股票 (股票组合) 一个时期的预期回报率。在实际的金融市场中Beta受到多种因素影响而表现出相当的不稳定性。如果股票的系统风险增加, Beta也会增加, 如果系统风险降低, 则贝塔值将减少。另外, 公司的财务和运营决策也会改变公司股票的Beta值, 因此要保持其值不变和稳定, 是不可能的, 用带时变性的参数模型来改进单一的CAPM是合理的。为此, 本文主要对CAPM模型进行改进, 考虑Beta的时变性和随机性。

2 模型及算法理论介绍

(1) 金融市场风险值 (VAR) 测量的算法理论过程。

本文选取高斯核即标准正态分布密度函数作为损益的概率密度估计。概率密度函数的核估计表示为:

undefined

其中, n是样本容量, h是窗宽, undefined。

根据核估计窗宽最佳选择理论:h过大会引起过度平滑, 偏误较大, 但是估计的方差却好。而h过小会引起光滑不足, 方差过大, 但是偏误却好。因此窗宽的选取应兼顾偏误和估计量方差, 具体说h选取应该使误差平方的期望值达到最小, 即极小化:

undefined

可以证明在一般正则条件下, 上式极小化的任何h取值一定与undefined成正比。比例因子依赖于数据的真实分布。通过计算的最佳窗宽为:

undefined, 其中n是样本容量, σ是样本标准差;

(2) 根据高斯核密度估计计算市场风险值

由核密度估计算, 第j次序统计量的密度函数,

undefined

其中, undefined

其均值就是市场风险值, 从估计的标准误差, 可以给出市场风险值的置信区间。

3 金融市场风险动态分析

假若时变系数B满足如下方程:

Bt=MtBt-1+ηt (1)

再由CAPM模型方程:

rit-rft=Bt (rMt-rft) +εt (2)

我们称方程 (1) 为状态方程, 方程 (2) 为观测方程, 其中Mt为状态转移矩阵, Bt是状态变量, 商业证券月收益率与无风险收益差Rit=rit-rft作为观测变量, 综合指数收益率与无风险收益之差RMt=rMt-rft为观测矩阵, ηt和εt分别为输入白噪声, 观侧白噪声。

3.1 模型假设

(1) εt是零均值, 方差为σ2的相互独立的正态变量。ηt是均值为零, 协方差阵为σ2P=V的相互独立的k元正态变量;

(2) RMt不存在自相关性。

(3) Rm0与εt, η不相关, 且ERM0=μ, covRM0=ρ0

时变系统的Kalman滤波器:

undefined

要运用以上kalman滤波器, 首先要估计参数σ2, V, M。对观测方程两边取观测值R (0) , R (1) , …….R (t-1) 的条件期望并由假设 (3) 有:Ri (t/t-1) =RM (t) B (t/t-1) , 与观测方程作差得:

Ri (t) -Ri (t/t-1) =RM (t) [B (t) -B (t/t-1) ]+ε (t) =Ri (t) -RM (t) B (t/t-1)

由假设 (1) 知εt≈N (0, σ2) 。则可用极大似然估计法得基于观测值的对数似然函数:

lnL=C (常数) undefined

且由上kalman滤波器知B (t/t-1) =f (Mt, V, σ2) ;

分别对σ2, V, M求偏导, 可得关于σ2, V, M的三元三次方程, 可得参数σ2, V, M的极大似然估计。

3.2 实证分析

选取上海证券市场1991年1月至2004年7月商业板块月收益作为分析对象和综合指数月收益为市场收益的162个数据为样本。在95%和99%置信度下分别得到上海股票综合指数的市场风险值及置信区间, 结果 (程序见附录) 如下表二:

时变系统的Kalman滤波器得到时变参数Beta的时变估计 (程序见附录) , 数据结果 (见附录) 。图形如下:

B (t) 的平均值是Mb=0.51850935186693。根据分类商业类证券可认为是保守型证券, 从图中也可以看出贝塔值并不稳定, 而是随时间无规律摆动。

参考文献

[1]戴晓凤, 晏艳阳.现代投资学[M].长沙:湖南人民出版社, 2003.

建设项目动态联盟风险识别及预警 篇8

建设项目动态联盟是两个或两个以上的企业或者特定的事业部和职能部门,为完成特定项目目标,通过公司协议或联合组织等方式而结成的一种网络式联合体[1]。项目结束之后,联盟的资源组合即解散。动态联盟的价值主要立足于系统的协调一致,如果这个条件没有得到满足,则整个联盟容易解体,因此,项目动态联盟时刻面临风险和冲突。

目前动态联盟中的风险问题还未引起理论界和应用者的足够重视,在强调“联盟目标”和“利润共享”原则的掩盖下,人们容易忽略联盟在实际运行中存在的内外部风险,其结果不但不能实现利润共享,反而承担了不必要的风险损失[2]。因此,如何认识和有效地防范风险是动态联盟运行成功的重要前提。然而,由于这个领域没有被得到深入的研究,现在找不到现成的成熟理论来驾驭之,我们只能把其他风险的研究方法“嫁接”过来使用,使用已经成熟的研究风险体系的方法论,从系统、科学的角度出发对这个问题进行研究,以便得到比较合理的结论。

在针对具体事件的风险分析领域中,已有许多成熟的理论方法,如Flanagan和Norman(1993)的Brainstorming法,Tree diagrams法和Influence Diagrams等识别方法[3]; 此外, 通过风险测量、敏感性分析、概率分析、模拟技术等方法对风险出现的后果、概率分布进行分析(L.Y.Shen,1990,1993)[4]。Cohen(1997)从资产配置角度, 监理一个以软件项目风险来源和处置动机为核心来识别风险本质、 分配风险的理论模型[5]。经Weber(1999)、 Pfleeger(1997)、 Thurwachter(2000)等努力,从风险发生可能性和风险损失额度对该理论模型进行了拓展[6,7,8]。

针对建设项目的风险研究主要有:Prananta Kumar Dey(2002)采用层次分析法来研究项目风险评价,对风险因子的发生概率和严重性进行定量估计[9]; J.H.M.Tah(2000)则使用模糊评价法来评价,使用因果图来表示风险因子、风险和风险结果之间的关系[10];J.H.M.Tah(2000)还使用信息建模方法来评价建设项目风险[10];D.N.Ford等(2002)采用实物期权来研究不确定建设项目战略规划和管理风险评价[11]。王守清等(2004)提出了适用于发展中国家的描述风险的层次级别和相互影响关系的风险影响矩阵和外星人眼睛风险模型(alien eye’s risk model),风险具有和外星人类似的特性,如不确定、不精确, 难以理解和可能带来损失或危险,将风险模型类似的称为外星人眼睛风险模型以更好的反映建设项目风险的特性,并将建设项目风险划分为三种层次( 国家、市场和项目),以不同层次风险相互影响的矩阵或表格形式进行分析,能够识别建设项目的28种关键风险[12];贾晓霞等(2004)提出了项目投资区域风险的识别方法和预警模式,利用聚类分析法系统识别了项目投资所面临的六类区域风险,建立了基于界面集成的预警模式,并运用管理熵对风险警度进行了量化[13]。

对于建设项目动态联盟的风险研究目前基本上处于初级阶段, 因此正式的资料比较少。但是, 金融系统、股票、 气候、 粮食、 交通等的风险研究已经进行得比较深入细致, 我们可以借鉴这些方法, 针对动态联盟系统的特有特点, 开展建设项目动态联盟风险的识别和预警研究。在该领域, Chiristogh Schlueter Langdon等(2000)运用SWARM技术对建设项目的供应链风险进行了仿真研究[14]; C.Riddalls等(2000)对建设项目供应链风险进行了动态模拟[15];彭本红等(2004)从系统动力学的角度对企业动态联盟敏捷性的评价问题进行一些比较初步研究[16];贺思辉、李家军(2004)运用相对熵对动态联盟风险尤其是金融风险的测度进行了尝试性研究[17];彭本红等(2004)从系统熵的角度上对建设项目动态联盟的价值评价模型进行了设计[18];吴英(2005)专门针对建设项目动态联盟中存在的道德风险进行了较为全面的分析、识别与防范研究,运用复熵概念对道德风险进行了定义,并提出了一系列道德风险控制策略[19]。

这些研究对于建设项目动态联盟的风险结构仍然没有统一认识,也没有形成针对动态联盟的风险识别、预警机制的系统研究。我们知道,项目动态联盟的成败不仅取决于项目的技术、物资、市场、财务、资金等条件,也取决于动态联盟成员企业相互之间的配合、信任以及合约的完整公平性。基于风险和利润两方面的考虑,项目业主以及参与单位决策者必须对面临的动态联盟风险进行有效管理。作为风险防范和感知侧面,风险识别和预警能够对风险现状和未来及时作出准确分析和评价,建立预防控制手段,实践中迫切需要建立一个针对项目动态联盟的风险识别和预警模式,将项目动态联盟前期活动融为一个整体,因此,本文尝试从企业风险管理和管理熵角度出发,提出适合项目动态联盟风险识别预警的模型,并给出量化评价的方法基础,以利于项目动态联盟业主及参与单位能够最大限度回避风险,创造良好的项目管理环境。

2 建设项目动态联盟风险识别

风险识别是建设项目动态联盟风险预警的基础。Al-Bahar等(1990)指出:企业风险识别是一种系统地、持续地对风险相关事件进行挖掘与分类的过程[20]。英国皇家社科院(The Royal Society,1991)界定了五种类型: 自然危险、 技术危险、 社会危险、 健康危险和财务风险[21]。Chicken(1994)提出了三种主要风险类型:技术型、经济型和社会-政治型,并强调任何风险评估均可基于这一分类体系[22]。而AS/NZS4360(1995)则建议不要对风险进行分类,提出了基于风险源的列表,最初的列表中包括了八种风险来源:商务法律、经济环境、人的行为、自然事件、政治环境、技术、管理活动、个体活动。[23]

本文按建设项目动态联盟风险的不确定性来源来进行识别,具体而言,动态联盟的风险分为外部风险和内部风险。

外部风险包括:政治风险,如法规政策的变动,社会稳定,政府干预等;金融风险,利率、汇率、股市波动等;技术风险,如技术成熟度、复杂性、相关性等;市场风险,如需求变动、竞争风险、上下游市场变动等。

内部风险则按动态联盟的寿命周期来分,包括:生成期风险,主要是对市场机遇的识别风险;发展期风险,如伙伴选择、利益分配方案风险等;运作期风险,如沟通、质量、协调、道德风险等;解体期风险,如利益分配、执行风险,结算风险等。具体如表1所示。

建设项目动态联盟内外风险的集成如图1所示。

其风险识别的过程主要有:

(1)确认不确定性的客观存在。辨认所发现或推测的因素是否存在不确定性,要确认不确定性是客观存在的。

(2)列出初步清单。列出客观存在和潜在的各种风险。

(3)确立各种风险事件并推测其结果。推测与各类风险相关联的各种合理的可能性后果。

(4)制定风险预测图。

(5)风险分类。对根据风险性质进行分类。

(6)建立风险目录摘要。对项目动态联盟可能面临的风险汇总并排列出轻重缓急。

3 建设项目动态联盟风险预警模式

建设项目动态联盟是一个复杂的动态系统,需要与之相应的风险预警系统。该预警系统为每个子系统确定相应的“雷达”,即危机指标。

国外从20世纪70年代开始,相继出现了战略风险预警、财务风险预警等研究。Altman(1968)首次创立了多元变量判定模型——Z分数模型[24]。Laitinen等(1999)构造了中小企业风险预警系统[25]。随着信息流量和信息集成概念的建立, Aziz、 Emanuel和Lawom在1988年提出用现金流量信息预测财务风险的模型[26]。Jerry Miccolis等(1998)认为应集中利用风险管理资源从战略角度来考虑风险识别、分析、评价及控制[27]。Lucy Nottingham(2002)提出每个企业必须根据自己的风险管理实践,整合组织核心资源来设计合适的风险集成模型[28]。Dickinson Gerry(2001)研究了ERM在保险行业的应用,将ERM在保险行业的应用定位于一种识别、衡量和管理风险的新理念、综合观[29]。国内对于建设项目风险预警的研究主要集中在项目投资领域,如贾晓霞等(2004)运用界面集成的思路对之进行了深入分析, 并提出了一个集成了六要素的项目区域投资风险预警模式[13]; 周高平等(2005)对基础设施项目的投资风险预警指标体系进行了设计[30]; 吴国付(2006)对区域港口项目投资的风险预警机制进行了设计[31]。

以上相关研究都没有从建设项目总体层面来进行风险预警研究,尚缺乏对建设项目动态联盟风险预警模式的研究。本文参照贾晓霞等(2004)基于界面集成的投资风险预警模式[13],对之加以全寿命周期的拓展,系统地将管理熵概念引入项目动态联盟集成道德风险预警系统,以从企业复杂系统的自组织角度提出风险预警识别、量化的初步理论框架。

建设项目动态联盟风险预警识别体系要有一个系统的模式将企业范围内的风险管理活动融为一个有机的整体。而该模式又离不开风险预警目标、组织、方法、信息、文化及过程。由此提出了基于管理熵的动态联盟集成风险预警模型如图3所示。

该模型集成了动态联盟风险预警的基本6要素(目标、文化、方法、组织、信息、过程),以过程为中轴、战略为基石、组织为实体、方法为中枢、文化为灵魂、信息为纽带,集中反映了管理熵思维下的预警识别的战略、组织、方法、信息、文化和过程集成性特点,是风险预警量化的基础。在此模型中,我们可以清楚看出设置风险预警识别体系的运作过程以及特点:目标是要把所有风险预警活动符合动态联盟的整体战略目标,必须从整体角度集成动态联盟各阶段、各成员的风险预警活动;组织指的是项目动态联盟必须建立相应的风险预警机构,是一种具有动态性。创新性和灵活性的组织模型;方法是指要求用系统思维的方法解决风险预警问题,要从整体角度出发对各类项目的风险进行评价、分类、排序和优化;信息是指要从集成角度研究风险预警的信息特征、原则及模型,建立全方位立体性的信息网络;文化是指风险预警要形成统一规范的风险预警语言、态度;过程则是指风险预警必须满足项目全寿命周期各阶段风险预警的要求。

在实际操作过程中,还必须注意以下几点:

(1)确定各个联盟成员的职能以及需要提供的信息类型与强度、准确性;

(2)必须明确模型中的信息通道的终端是什么部门,以便对风险的处理及时、有效、准确;

(3)必须明确模型中的决策部门,我们建议在模型中引入监督人,它是联盟以外的经过联盟共同认可的中间组织,监督整个联盟的运作状态以及过程;

(4)信息传递的过程应当采用多重联合传输的形式。

4 熵思想在动态联盟风险预警系统中的应用

4.1 熵的概念

(1)熵与条件熵

当系统可能处于n种不同的状态,每种状态出现的概率为Pi(i=1,2,…,n)时,该系统的熵可表示为:

$E=-{\displaystyle \sum _{i=1}^n{\rm P}}{}_i\ln {\rm P}{}_i$

其中,Pi满足$0\le {\rm P}{}_i\le 1‚{\displaystyle \sum _{i=1}^n{\rm P}}{}_i=1$。

设系统A,B统计相关,则E(A/B)是系统B已知时,系统A的熵或成为条件熵。

(2)信息准确性与价值的新测度——传递熵

在状态空间x∈En上的信息A,对于xi,yi∈x,信息A的条件熵定义为其相应状态的条件概率的下列形式:

${\rm H}(A/x)=\frac{1}{n}{\displaystyle \sum _{k=1}^n{\displaystyle \sum _{l=1}^n\left|{\rm P}(y{}_k/x{}_i)\ln {\rm P}(y{}_k/x{}_i)\right|}}$

它反映了信息A的各状态下不确定度的均值。

已知状态空间x的信息A的条件概率为P(yk,xi),k,l=1,2,…,n, 定义A的传递矩阵:E(A)=[e1,e2,…,en],其中$e{}_l=\frac{1}{n-1}{\displaystyle \sum _{k=1}^n[}{\rm P}(y{}_l/x{}_l)-{\rm P}(y{}_k/x{}_l)]‚l=1,2,\cdots ,n.$

很明显,传递矩阵中的元素表示状态l发生是信息A预报的平均准确度,可靠度,数值越大则准确度越高。

令:

$h{}_k=\{\begin{array}{cc}-e{}_k\text{l}\text{n}e{}_k‚& \frac{1}{e}<e{}_k<1\\ \frac{2}{e}-e{}_k\ln \left|e{}_k\right|‚& \frac{-1}{n-1}\le e{}_k\le \frac{1}{e}\end{array}$

${\rm H}(A)={\displaystyle \sum _{k=1}^{n}h}{}_k$称为信息A的传递熵, 它是一个在$\left[\frac{-1}{n-1},1\right]{}^n$上的非负连续函数,能准确表明信息A传递状态的不确定度。

4.2 熵思想的应用

影响系统熵值的主要因素有很多,这个问题值得考虑进一步研究,根据熵增原理及其应用成果,把熵作为系统的状态函数,数值越大,系统越不稳定,越无序,联盟内道德风险越大。基于上述考虑,列出下列几条影响系统熵值大小的主要因素[33]:①组成元素的多少(系统的规模性)影响熵值,其他条件相同时,规模越大,熵值越大;②元素种类及元素之间的关系(系统复杂性)也影响熵值的大小,元素之间的关系越多、越复杂,熵值越大;③所拥有的有用信息量(系统的确定程度)增多,系统的熵值减少;④系统的目标对熵值起决定性作用。从这个意义上讲,我们要在能够实现联盟功能的前提下,尽量降低系统的复杂程度,做到各个盟员责、权、利层次分明;尽量增加系统对于外界的信息挖掘量和准确性,使得系统有更加准确的判断力,从而增强系统的与经济环境的融合程度;加强成员企业的思想教育和联盟文化宣传,增强系统的亲和力,加强奖惩和法制的力度;努力追求低熵水平——默契,降低联盟工作效率低下、相互扯皮、人浮于事等资源内耗现象,增强系统之间信息的交换数量与质量。所有这些都可以达到降低系统熵值的作用,增强联盟的综合核心竞争能力。

5 动态联盟风险预警系统的量化模型

5.1 内部因素引起的风险度量

(1)风险度矩阵确立

设有m个影响因素、n个节点企业,rij表示第i个影响因素对第j个节点企业的风险度。设a宝石基于i影响因素的节点企业可以采取决策的数目,决策问题的决策矩阵为O=(oij)n×a,条件结果值oij发生的概率为pij,节点企业j的条件结果期望值为:

$\overline{o{}_j}={\displaystyle \sum _{i=1}^{a}p}{}_{ij}o{}_{ij},j=1,2,\cdots ,n$

标准差为:

$\sigma {}_{oj}=\sqrt{{\displaystyle \sum _{i=1}^{a}p}{}_{ij}(o{}_{ji}-\overline{o{}_j}){}^2},j=1,2,\cdots ,n$

在多个节点企业存在的动态联盟中,假定彼此之间是信息不对称的,即从长期来看,节点企业在做决策时没有考虑其他企业决策者可能出现的道德风险,即各个节点企业同时做出决策,道德风险的影响还没有出现。于是,节点企业的风险度为:

$d{}_j=\sigma o{}_j\sqrt{o{}_j}‚j=1,2,\cdots ,n$

考虑m个影响因素,可得到n个节点企业对于m个影响因素的风险矩阵:

$\widehat{R}=(\widehat{r}{}_{ij}){}_{m\times n}$

标准化,可得:

$R=(r{}_{ij}){}_{m\times n}$

其中,rij为第j个节点企业在因素i上的值,有:$r{}_{ij}\in [0,1]‚r{}_{ij}=[\widehat{r}{}_{ij}-\underset{j}{{\displaystyle \min }}(\widehat{r}{}_{ij})]/[\underset{j}{{\displaystyle \max }}(\widehat{r}{}_{ij})-\underset{j}{{\displaystyle \min }}(\widehat{r}{}_{ij})]$,对于任意的第i个影响因素,可以假定rij大者风险大。

(2)熵权的确定

确定了风险度矩阵之后,要对之进行调整,对于(m,n)评价问题,第i个影响因素的熵定义为:

${\rm H}{}_i=-{\rm K}{\displaystyle \sum _{j=1}^{n}f}{}_{ij}\text{l}\text{n}f{}_{ij}‚i=1,2,\cdots ,m$

其中,$f{}_{ij}=(1-r{}_{ij})/{\displaystyle \sum _{i=1}^m(}1-r{}_{ij})‚{\rm K}=1/\ln n$, 且当fij=0时, fijlnfij=0。

则第i个影响因素的熵权wi定义为:

$w{}_i=\frac{1-{\rm H}{}_i}{m-{\displaystyle \sum _{i=1}^m{\rm H}}{}_i}‚0\le w{}_i\le 1‚{\displaystyle \sum _{i=1}^{m}w}{}_i=1$

熵权具备的性质有:①各节点企业在影响因素i上的值相差较大,熵值较小, 熵权较大时,说明该影响因素向决策者提供了有用的信息。同时还说明在该问题中,各节点企业在该影响因素上有明显差异,应重点考察。②各节点企业在影响因素i上的值完全相同时,熵值达到最大值1,熵权为0,这也意味着该影响因素向决策者未提供任何有用信息,该影响因素可以考虑被取消。③影响因素的熵值越大,其熵权越小,该影响因素越不重要。

为了反映各个因素对某个节点企业的综合影响,将决策者对各影响因素给出的权重(主观权重)ui与熵权(客观权重)wi相结合,最后得到关于影响因素i的综合权重:$W{}_i=u{}_{i}w{}_i/{\displaystyle \sum _{i=1}^{m}u}{}_{i}w{}_i$,于是各节点企业的熵权评价值为:$\lambda {}_i={\displaystyle \sum _{i=1}^{m}W}{}_{i}r{}_{ij}.$

因为动态联盟是一个系统,各个节点企业是它的子系统,引起内部风险的因素看作是系统中的要素,我们用风险熵表示整个动态联盟系统的无序程度,即内部风险发生的程度,根据以上分析,可以得到动态联盟系统内部的风险熵为:

$S{\rm I}=-{\rm K}{\displaystyle \sum _{i=1}^n\lambda }{}_i\ln \lambda {}_i$

对之求全微分,可得:

$dS{\rm I}=-{\rm K}{\displaystyle \sum _{i=1}^n[}△\lambda {}_i+△\lambda {}_i\ln △\lambda {}_i+o(△)]$

5.2 外部因素引起的风险度量

外部环境的影响因素的变化并不直接带来系统内部风险熵的变化,而是通过使各个节点熵的决策人的行为发生变化,从而导致风险熵变化。决策人的行为可以用决策矩阵表示oij. 假设外部因素有b个,它们对内部因素的影响用矩阵die表示,则外部因素对各个节点决策人的风险度矩阵为:

$(c{}_{je}){}_{n\times t}=(o{}_{ji}){}_{n\times m}\times (d{}_{ie}){}_{m\times t}$

计算出熵权之后,得到各个节点企业的熵权评价值λj,由它引起的风险熵为:

$SD=-{\rm K}{\displaystyle \sum _{i=1}^n\lambda }{}_i\ln \lambda {}_i$

对SD求全微分,可得:

$dSD=-{\rm K}{\displaystyle \sum _{i=1}^n[}△\lambda {}_i+△\lambda {}_i\ln △\lambda {}_i+o(△)]$

5.3 总体风险度量

根据上文分析,动态联盟系统风险熵的变化可氛围dSI和dSD,因此总体风险度量可表示为:

dS=dSI+dSD

5.4 信息准确性与价值的新测度——传递熵

为更加明确各个元素表示状态l发生是信息A预报的平均准确度,计算信息A的传递矩阵为:

$E(A)=[e{}_1,e{}_2,\cdots ,e{}_n]$

其中,$e{}_l=\frac{1}{n-1}{\displaystyle \sum _{k=1}^n[}{\rm P}(y{}_l/x{}_l)-{\rm P}(y{}_k/x{}_l)]‚l=1,2,\cdots ,n.$

${\rm H}(A)={\displaystyle \sum _{k=1}^{n}h}{}_k$称为信息A的传递熵,其中

$h{}_k=\{\begin{array}{cc}-e{}_k\text{l}\text{n}e{}_k‚& \frac{1}{e}<e{}_k<1\\ \frac{2}{e}-e{}_k\ln \left|e{}_k\right|‚& \frac{-1}{n-1}\le e{}_k\le \frac{1}{e}\end{array}$

在准确赋值的基础上,主要针对上面所得到的动态联盟风险的预测系统的结果,推算出发生的频率,再采用统计学中多元非线性回归分析的方法,得到我们的每一种状态空间所对应的不同的风险熵模型,从而确定出风险的大小、警度等。

6 结束语

在项目全寿命周期风险管理范畴下,研究建设项目动态联盟风险的预警系统模式仍然面临着许多新的难题。本文提出的风险熵预警量化模型对于大型建设项目动态联盟的风险评价在理论和实践上提供了较为可行的方法,通过这个预警系统发出的信息使动态联盟各企业尤其是盟主企业决策者掌握系统中风险程度。但对于更加复杂、动态性更大的动态联盟,在主观判断不可避免成为重要数据来源的情况下,如何强化定性与定量方法的科学结合,仍然需要进一步深入探讨。

摘要：建设项目动态联盟的成败在很大程度上取决于决策者对于联盟面临风险的识别和预警。本文针对建设项目动态联盟面临的风险进行了风险识别设计,首先依据风险的来源划分了项目动态联盟可能面临的风险的种类,其次明确了动态联盟风险识别程序;在此基础上,构建了包含六元素(目标、文化、方法、组织、信息、过程)的建设项目动态联盟风险预警模式,六个元素构成了风险预警的有机整体,运用管理熵理论对动态联盟风险预警度量进行了量化处理,以熵权从内外两个来源确定动态联盟的风险度量,并以传递熵概念来明确预警信号指标的准确性,给出了一个较为完整和准确的量化预警模型,以期利于建设项目动态联盟决策者的风险防范应对策略制定。

动态风险 篇9

一、企业并购财务风险动态控制的内涵

目前, 国内外学术界对并购财务风险的定义并没有统一的认识, 笔者认为企业并购首先是一种投资行为, 然后才是一种融资行为, 投资和融资决策共同影响着并购后的企业财务状况。在并购过程中, 从前期的策划到项目终结, 并购方案和环境条件经常会发生一些或大或小的变化。与此特征相适应, 企业并购过程中的风险管理也是一个动态的过程, “风险动态控制”应该包含两个层次的含义:一是从并购流程上看, 由于各种价值因素并不能马上在短期财务指标上得到体现, 而必须经过一定的整合和运营期才能实现价值目标, 所以动态风险控制必须贯穿于并购的全过程;二是从交易决策上看, 动态风险控制必须要与环境相适应, 并在系统运作过程中及时调整以主动适应环境。所以, “动态风险控制”既体现在过程中, 又体现在决策上, 是动态过程控制与动态决策控制的统一。即从整个并购活动系统的角度来概括企业并购风险来源的过程与后果。

具体来讲, 企业并购的财务风险应该是指由于并购定价、融资、支付以及财务整合等各项财务决策所引起的企业财务状况恶化或财务成果损失的不确定性, 是并购价值预期与价值实现严重偏离而导致的企业财务困境和财务危机。

二、企业并购财务风险动态控制系统的构建

基于以上分析, 笔者认为构建企业并购财务风险的动态风险控制系统, 可结合企业自身特点, 依次分为风险识别、风险测评和风险防范环节, 即对并购风险从事前、事中、事后过程进行全程跟踪反映, 以谋求并购财务风险控制行为的最优化。企业并购财务风险的动态风险控制系统可分四步进行:

第一步, 制定并购战略并获取相关信息。并购企业根据自身发展战略和外部环境进行可行性分析, 确定并购战略。制定并购战略的过程中, 需要初步对并购风险进行识别和测量。另外需要对来自于企业并购过程的各个阶段和环节的信息, 如企业发展战略、企业并购目标、并购企业自身状况、来自目标企业的各种信息、拟并购方案以及并购市场的状况等进行收集和获取, 这些都是企业并购财务风险管理的基础性工作。

第二步, 识别并购财务风险。企业并购中的风险并不都是显露在外的, 财务风险识别的目的是辨别企业并购活动中可能存在的财务风险。根据第一步所搜集到的并购信息, 运用特定的风险识别技术, 通过对来自不同方面的风险源进行调查, 按照拟实施的并购过程, 从目标企业价值评估、并购交易和财务整合三个阶段依次对风险源进行识别。若可行, 则进入下一识别阶段;若不可行, 则终止识别。

第三步, 测评并购财务风险。对所识别出的企业并购财务风险, 按照风险测评规范, 综合运用并购财务风险测评技术, 判断并购风险的危害程度。若测评出的风险危害程度大大高于预期并购财务风险控制目标, 并难以有明显的改变, 则放弃风险控制进程, 终止该项并购。

第四步, 防范并购财务风险。若风险测评结果在可接受范围之内, 即可运用风险防范手段, 实施风险处置计划, 将风险处置结果与预期风险控制目标进行比较。若结果明显不符合预期要求, 又难以采取有效措施加以改变, 则放弃风险控制进程, 终止该项并购;若结果不符合预期要求, 但通过修改并购方案等措施可以改变, 则按照修改后的并购方案重新搜集并购信息, 继续下一个循环的风险控制。

三、企业并购财务风险的防范

(一) 确定合理的并购目标和并购方式

并购活动作为实现企业长期战略的重要手段, 必须与企业的发展战略保持一致。对并购对象要仔细分析, 搞清对目标企业的并购能否增强企业的竞争力和促进企业长远发展。对并购活动要有系统周密的计划, 对可能出现的意外情况要有充分准备并提出解决方案。此外, 选择切实可行的并购模式即支付方式和并购方向等对保证并购活动的成功至关重要, 否则, 不仅达不到预期目的, 还会浪费大量的人力、物力和财力, 尤其对行业相关度较小的企业并购, 操作时要格外谨慎。

(二) 完善目标企业估值与评价体系

并购中目标企业的评估区别于一般的企业评估, 一般意义上的企业评估是为了加强企业管理, 提升企业价值, 而对并购中目标企业进行评估是为了合理确定支付价格。当前应该着手建立并购目标企业评估体系, 具体如下:第一, 建立基础分析评估三个子系统。在财务分析评估中, 主并方通过对财务报表、财务指标及比率的分析, 了解目标企业的财务状况及其发展趋势, 确定目标企业提供的数据是否真实, 保证价值评估的准确性。根据国家规定的一系列指导性指标, 主并方能够定性和定量地了解企业所面临的外部环境、企业在行业中的地位以及整个产业的发展趋势。通过营运状况分析系统, 可以了解企业的营运状况如何, 是否具有延续性及营运中存在的问题, 为对目标企业进行价值评估和并购后实施企业整合提供依据。借助于基础分析系统, 可以了解企业过去及现在的综合状况, 动态预测企业未来的收益能力和发展前景, 在此基础上拟定的估价比较符合目标企业的实际情况, 能够降低主并方可能遭遇的财务风险。第二, 完善价值评估方法系统。企业价值的评估方法有资产价值基础法、收益法和贴现现金流量法等。可以根据不同的评估方法建立相应的估价模型, 并根据并购的发展对现有的估价模型进行完善。这些方法都有其适用范围, 对于同一目标企业采用不同的评估方法会得到不同的并购价格, 主并方应根据自己的并购动机和对目标企业的基础分析评估资料等选取合适的估价方法和模型。

(三) 拓展融资渠道, 保证融资结构合理化

企业在制定融资决策时, 应视野开阔, 积极开展不同的融资渠道, 做到内外兼顾, 以确保目标企业一经评估确定, 即可实施并购行为, 顺利推进重组和整合。同时还要优化企业的融资结构, 融资结构既包括企业自有资本、权益资本和债务资本之间的比例关系, 也包括债务资本中的短期债务长期债务的比例关系等。将企业未来的现金流入和偿还债务等现金流出按期限进行匹配, 找出企业未来资金流动性的薄弱点, 然后对长期负债和短期负债的期限、数额结构进行调整。

(四) 实现并购支付方式的多样化