价格修正(精选5篇)
价格修正 篇1
1 价格修正的依据
一般在CCAG及CCAP会提出价格修正的公式:
但是我要在此提醒大家, 不要认为有了这个公式大家就可以进行调价了, 这就是招标单位对投标人权利的无视。他们在CCAG中提出以上公式, 按理说要在CCAP中应该提到相应招标项目可适用的公式, 可是当你找到CCAP中关于价格修正这一项, 往往会让你感到失望, 只是CCAG中相关内容的重复。这往往造成承包商之后做项目时对价格修正无助与艰难。
下面是笔者在多哥进行价格修正的实例。适用的公式的获得往往是在投标时就向招标单位提出, 并且对相关参数的解释及相关参数获取方式和来源。如果不这样做就很有可能没有适用的公式;或即使有了公式却不知道去哪收集这些参数资料。
以下就是笔者及团队找到的适用于多哥的本项目的价格修正公式:
(1) 土方工程公式
(2) 排水沟造物, 桥梁, 信号, 公共照明和其它公式
(3) 路面工程公式
如下为所参考的参数含义:
S:代表多哥工业、民建行业、市政工程、乡村工作所雇佣工人理论上最低指数的小时工资, 适用于多哥共和国政府公报所公布OS3级别技术工人。
M:代表理论上多哥工业、民建行业、市政工程、乡村工作所雇佣普工理论上最低指数的小时工资, 适用于多哥共和国政府公报所公布无资质M1类小工。
Ch:代表多哥共和国政府公报所公布的工业, 民建行业, 市政工程, 乡村工作所雇佣工人三险一金公积金费用参数。
G:代表多哥共和国政府公报所公布的加油站柴油价格参数。
Im:代表工程所在国公布的, 如果该国没有公布, 请参考法国杂志《市政公共工程和房屋建筑业指导指数MONITEUR DES TRAVAUX PUBLICS ET DU BATI-MENT》中的补充说明, 机械设备动用, 折旧、保养、大修、更换费用, 不含这些设备驾驶人员的费用和材料支出或机械设备消耗的油料。
CI:代表多哥共和国政府公报所公布的水泥价格参数
Lma:法国价格服务正式通报公布的A33钢扎拉钢筋市场交易价格指数
Biv:法国杂志《市政公共工程和房屋建筑业指导指数MONITEUR DESTRAVAUX PUBLICS ET DU BATI-MENT》中BOCC公布的散装沥青价格指数。
在这里就要解释一下为什么会有这么多的公式, 因为每个项目所在地不同, 投资方不同, 招标单位不同等出现不同的公式形式, 但基本上可由REV=X+ (a) T/To+ (b) S/So+ (c) F/Fo+......来套;价格修正索赔是指由于设备、材料、人工等市场价格上涨超过合同价格时才进行修正的, 但对不同的分项工程所需的设备、材料、人工在相关工作中所占比例不同, 不能用一个公式表示所有, 这时就需要多个公式来表达。
为什么REV=X+ (a) T/To+ (b) S/So+ (c) F/Fo+......不适用。笔者认为该公式为一般公式或是价格修正公式的通用模式。
一般的情况下, 价格是上涨的, 往往REV是大于1的数, 承包商就能通过价格修正进行索赔;当然也有小于1的情况, 但我想承包商是不会去进行价格修正了吧, 这是个亏本的买卖, 如果业主和监理不强求的话。
还有的招标文件中提到价格修正的条件是, 只有当执行修正系数导致按原始价格估算的相关工程月度可修正金额最小浮动变化为正负5%才同意修正。因此, 执行价格修正要在减去5%的中和系数之后进行。也就是REV-1>5%才能调价, 如REV-1=8%, 则用3%进行调价。如果没有说明, 就按REV-1进行调整。
2 价格修正的流程
向业主和监理提交价格修正的申请, 以确定本项目适用的价格修正公式及参数说明。本项目适用的价格修正公式及参数说明最好是在投标阶段就以答疑的方式向招标单位确认 (如果招标文件中没有明确规定的话) 。
收集参数资料。如本例中的调价当月S, M, Ch, G, Im, Cl, Lma, Biv;及投标截止月的So, Mo, Cho, Go, Imo, Clo, Lmao, Bivo。
计算:本例招标文件中指出, 开工后18月后的每个支付月可以进行价格修正, 将上面代入公式:
得该支付月的REV1=1.21, REV2=1.29, REV3=1.35
做该月支付账单:
(1) 土方工程产为A1。
(2) 排水沟造物、桥梁、信号、公共照明和其它产值为A2。
(3) 路面工程产值为A3。
则该支付月的调价量为:
以后满足调价条件的每个支付月都可依此计算。
本例采用的是单一货币及当地的一些经济气象指数, 调价公式每个项目都会不同, 本文不再论述多种货币及多个国家的经济气象指数的情形。
摘要:随着改革开放的不断深入, 越来越多的中国企业、公司走出国门, 参与国际招投标项目的竞争。中标的企业公司很多, 也完成了很多优秀的项目及精品工程。但有的企业关于工程索赔不甚了解, 往往在对项目履约过程中减少盈利甚至于亏本。本文就国际招投标项目的价格修正在国外承包索赔的规定、方法、流程作一些简要介绍。
关键词:国际招投标,价格修正,索赔
参考文献
[1]徐玖平.招投标项目的评价[J].中国招标, 1995.
[2]贾琦.对国外招投标项目管理的初步认识[J].中国水利, 2005.
价格修正 篇2
关键词:国有土地,房屋征收,典型房屋,市场价格修正法
中图分类号:F293.3文献标识码:B
文章编号:1001-9138-(2015)01-0070-73收稿日期:2014-12-28
近年来,由房屋征收引发的强拆、上访等事件屡屡发生。矛盾双方争执的核心主要是房屋价格的补偿问题,补偿价格是否公平、合理、科学,对社会和谐稳定和城市建设效率将产生重要的影响。
与一般的房地产价格评估不同,国有土地上房屋征收具有其特殊性。一是估价对象特殊,多为城市旧城区,结构复杂,类型多且数量大;二是估价原则特殊,理论上来讲可以采用最高最佳使用原则,但特殊的征收环境和政策规定要求必须按照合法的原则,根据被征收房屋合法产权的证载用途来评估市场价格。但是部分房屋产权未登记,建设审批资料不齐,因此,国有土地上房屋征收价格评估工作涉及的问题复杂,值得深入探讨和研究。国务院《国有土地上房屋征收与补偿条例》规定,被征收房屋价值不得低于类似房地产的市场价格,一般可采用典型房屋市场价格修正而来。这就需要一套合理、有效的评估方法,既可以保障被征收人的合法利益,也可以减少或避免“钉子户”漫天要价的情形出现。
1 典型房屋市场价格修正法的应用技术路线
1.1 典型房屋市场价格修正法的定义
“典型房屋市场价格修正法”是指在同一征收范围内,对同一用途且建筑类型、建造年代、建筑结构、功能完整性等基本相同的成片房屋,确定其典型房屋的市场价格,并根据不同房地产的微观区域因素、实物状况、权益状况等差异,对该价格进行调整、修正,确定征收范围内每一个房屋的类似房地产的评估价格。
1.2 典型房屋的选取方法
典型房屋是指在特定征收区域中,在划分典型房屋控制区域的基础上,挑选出的具有代表意义的房屋。
控制区域划分的原则:初步假设每个典型房屋代表一个控制区域(用途、建筑类型、建造年代、建筑结构、功能完整性等方面近似或一致的区域范围)。根据房地产市场的实际情况,控制区域可能是一个小区,也可能是小区的一部分,或者是相连的条件近似的区域。
选取典型房屋时,根据控制区域内房屋的建造时间,选取楼层、朝向等有代表性的一幢房屋为该房屋类别的典型房屋。一个征收片区可划分为若干小片区,有若干个典型房屋。
1.3 典型房屋市场价格修正法的操作程序
通过设立典型房屋、典型房屋市场价及修正体系,实现对征收房屋的快速评估。主要包括如下工作内容。
(1)划分典型房屋控制区域:按照房屋的用途、建筑类型、建造年代、建筑结构、功能完整性等进行房屋分类划定控制区域,从理论上讲,可以用模糊聚类方法确定。
(2)在同一类别房屋内确定典型房屋。
(3)求取典型房屋的市场价格:宜采用市场比较法评估确定,对不适宜采用市场比较法的,可采用其他评估方法确定。
(4)建立评估模型,求取被征收房屋的市场价格:科学选择影响房屋价格的因素,并计算各影响因素的修正系数,通过将拟要征收的房屋与典型房屋进行比较,评估该房屋的价格。
2 典型房屋市场价格修正法在应用中应注意的问题
2.1 典型房屋市场价格修正法的适用范围
这个方法适用于成片住宅类房屋的征收,但是不适宜用于特殊结构房屋、商品房等的征收评估,由于特殊结构的房屋、商品房等的特殊性和单一性,对此类房屋可以按照传统的可比实例市场比较法直接评估。
2.2 征收中涉及的各方主体对典型房屋选取的标准认识不同
一般来说,被征收房屋的小区环境、基础配套设施和结构都较差,土地使用权剩余年限也较短,房地产评估机构按照规范选取典型房屋,这类房屋的市场交易价和市场评估价都会相对较低。而大多数被征收人心里的典型房屋,通常是拿同一地段新建高档商品房来做比较,两者之间的价格落差很大,从而增加了征收工作的难度。
2.3 被征收房屋市场价格的最终确定
首先,典型房屋市场价格的准确性是评估其他征收房屋价格的基础,而可比实例的选取又是市场比较法的关键,因此采用市场比较法评估典型房屋市场价格时,所选可比实例的数量要符合要求,所选房屋状况与典型房屋要一致。
其次,对典型房屋市场价格的二次修正是关键。由于在评估典型房屋价格时已对交易情况、市场状况、区域因素进行了修正,而对各待征收房屋评估时也认定为正常市场交易状态下,交易日期也为征收公告发布之日。各征收房屋与典型房屋都位于同一区域,因此,依据典型房屋评估其它被征收房屋的市场价格时,不再对交易情况、市场状况和区域因素进行修正,只对是否成套、结构、成新、朝向、层次等个别因素进行修正。
3 典型房屋市场价格修正法应用优势分析
3.1 大大提高了征收评估的效率
房屋征收量大面广,典型房屋市场价格修正法的应用,提高了征收房屋价格评估的效率,实现了对同一类型、成片房屋的批量评估。
3.2 评估的结果具有可视性,更易于被认同
征收补偿中矛盾产生的重要原因是被征收人对自己房屋所应获得的补偿没有一个标准和参考。典型房屋市场价格修正法的应用,可以使被征收人根据自己所在征收区域内公布的典型房屋和典型房屋价格,与自己的房屋进行比较,避免了位于同一控制区域的不同被征收人因相互评估价格差异过大而产生的不利影响。
3.3 响应了国家政策的相关规定
住房和城乡建设部2011年颁布的《国有土地上房屋征收评估办法》中明确规定,城市房屋价格由市场价格决定,并作为补偿价格的合法重要依据,而典型房屋市场价格修正法正符合这一规定。
4 典型房屋市场价格修正法在应用中的相关建议
4.1 建立房屋征收价格评估审查机制
建立对征收评估结果进行审查的组织和流程,在评估结果公布之前发现可能存在的问题,化解可能产生的纠纷,从而保护征收过程中涉及到的各方利益,保证征收的顺利进行。在公示期间,评估机构安排资深的注册房地产评估师对初步评估结果进行现场解释说明,以减少被征收人的疑问,同时,掌握被征收人对结果的争议所在,以对症下药。
4.2 加强现场查勘
准确、细致的现场查勘是保证评估工作独立、客观、公正的基础和前提,但是在目前的征收估价活动中均存在不同程度忽视现场勘查的现象。因此,估价人员要到征收现场感受征收对象的周边环境、位置等状况,如果在评估报告期间所关联的外部环境发生较大的变化,要及时作出调整。
4.3 成立国有土地上房屋征收评估专家委员会
对典型房屋的选取,不再仅仅是依靠估价人员的经验直接确定典型房屋,而且要有评估专家通过理论知识的论证,做到有理有据。同时,由评估专家对典型房屋的市场评估价格进行科学的论证和审查。
4.4 统一修正标准,落到实处
典型房屋的选取是基础,二次修正是关键。由于被征收房屋的最终价格是在典型房屋市场价格的基础上修正得到的,因此,即使典型房屋的市场价格是客观合理的,修正系数的不合理也会对征收房屋的价格有直接的影响。所以,要针对每个征收项目的具体情况,制定统一的、客观合理的修正系数,同时也可以减少各被征收人之间对价格的盲目攀比。
5 结语
国有土地上房屋征收问题是我国在城市建设及法制化过程中一个不可避免的难题,这个难题的解决具有长期性和复杂性。如何运用合理的评估方法高效率地进行国有土地上房屋征收与补偿工作,是国内征收工作者一直在探索的课题。
虽然关于市场比较法的精度和征收估价规范的学术成果很多,但是针对房屋征收目的的成果还相对缺乏,因此,需要建立完善的国有土地上房屋征收补偿体系及征收评估方法的有效模型,使房屋征收工作有据可循。
参考文献:
1.戴西草.国有土地上住宅征收评估市场比较法改进研究.南昌大学.2012
2.常青 张红梅 刘昌平.市场比较法在房屋拆迁估价中运用与体会.建筑管理现代化.2007.5
3.叶光前.试论房屋拆迁补偿估价的特殊性.中国房地产.2002.2
4.李华.赣州市中心城区棚户区居住房屋征收补偿评估研究.江西理工大学.2013
作者简介:
李娜,西安建筑科技大学硕士研究生,研究方向为住宅发展与房地产市场分析。
价格修正 篇3
关键词:分析师盈利预测修正,信息含量,股价漂移
一、引言
证券分析师在资本市场信息传递媒介中扮演着重要的角色,他们能够利用其专业知识和搜集信息的相对优势,对会计信息进行解读、预测,向市场参与者提供合理反映证券内在价值的信息,这就加快了信息向资本市场输入的速度,促使股票价格更快地融合相关信息,从而提高了股票市场的信息效率。基于前人的广泛研究,分析师能够通过其盈利预测及荐股意见向市场参与者提供有效信息,从而影响股票价格。根据有效市场理论,任何新信息都应该迅速地反映在股票价格中。然而,盈余公告后股价漂移现象的普遍存在有力挑战了“有效市场”范式。大量研究表明,分析师盈利预测修正也存在着股价漂移现象。如Chan(1996)、Gleason和Lee(2003)以及Yuan Zhang(2008)研究发现,分析师盈利预测在修正很长一段时间后仍然能对股价产生显著影响,即股价对分析师盈利预测修正存在显著的漂移现象,这表明市场并没有及时吸收分析师盈利预测修正所包含的信息。相较于发达国家,我国资本市场还很不成熟,证券市场仍处于成长阶段,加之由于缺乏如I/B/E/S等系统的分析师盈利预测数据库,目前国内关于分析师盈利预测的研究非常有限,鲜有学者考虑分析师盈利预测修正的信息含量对股票价格的影响。Graham(1999),Hong等(2000)等研究学者指出,证券分析师存在明显的“羊群行为”,即证券分析师会模仿同行,从而使其预测趋于一致。在我国,蔡庆丰等(2011)也发现,我国证券分析师的评级调整行为存在着明显的“羊群行为”,这会加剧市场波动性,容易引发市场信息阻塞、定价效率低下,甚至引发资产泡沫。可见,盈利预测信息的质量与数量同样重要,然而国内外许多研究都忽视了其“质”方面的信息对股价的影响。本文借鉴Gleason和Lee(2003)的做法,将分析师的盈利预测修正分为“富有信息”和“缺乏信息”的两类修正,从而从“质”的角度对分析师盈利预测进行分析。同时,本文采用浮动窗口期来考察分析师盈利预测修正对股价的影响,这就避免了人为选择窗口期带来的不确定性,从而使研究结论更加可信。
二、理论分析与研究假设
关于分析师盈利预测修正对股价的影响研究主要分为两个流派:第一,分析师盈利预测修正是具有即时价格信息的,即在分析师发布盈利预测消息后,市场会立即对其产生显著的反应;第二,市场对分析师盈利预测修正的即时价格信息反应是不完全的,在分析师盈利预测修正很长一段时间后,股价仍然会对此存在显著反应,即存在股价漂移现象。关于分析师盈利预测修正具有即时价格信息的研究可以追溯至20世纪70年代。早期研究表明,市场对分析师盈利预测修正产生了反应。Elton等(1981)研究发现,分析师盈利预测修正所包含的信息比盈余公告所包含的信息对股价更具有价值相关性。上述研究均表明,分析师盈利预测修正向市场传达了新的信息。
与成熟的西方股票市场不同,我国资本市场发展较晚,市场的投机气氛浓厚,且机构投资者存在着操纵市场的行为。同时我国资本市场投资者以个人投资者为主,根据中国证券业协会发布的《中国证券业发展报告(2013)》,我国99.6%的投资者账户为个人投资者,仅有0.4%为机构投资者账户。而个人投资者相较于机构投资者更不理性,羊群行为非常明显,其做出交易决策主要是追随其他成功的个人投资者或者机构投资者,所以投资者可能不会在分析师盈利预测修正公告后立即关注分析师盈利预测修正的信息。另外,分析师盈利预测修正属于对企业长期经营业绩的预测,投资者在短期内可能并不关注与企业“基本面”信息有关的盈利预测修正,这使得分析师盈利预测修正对股价的影响可能存在一定的时滞性。基于上述分析,本文提出假设1。
假设1:在短期内,分析师盈利预测修正并不能对股价产生显著影响,但随着时间的延长,分析师盈利预测修正对股价的作用将逐渐显现
分析师盈利预测修正通常是根据分析师前一次盈利预测和最近的一致盈利预测来进行的。有些分析师进行盈利预测修正是在前一次盈利预测基础上经过详细的信息收集和分析的,这种盈利预测修正能够向市场传递新的信息;而有些分析师出于节约成本或者规避风险等因素的考虑,会模仿其他分析师的盈利预测行为,从而使自己修正后的盈利预测与一致盈利预测趋近,即所谓的“羊群效应”,这种盈利预测修正仅仅是复制了同行的信息,故并不能向市场传达更多新的信息。Stickel(1990)研究表明,出于模仿目的而进行的盈利预测修正所包含的信息量要小于基于信息收集的盈利预测修正。Hong等(2000)的研究也发现,分析师如果放弃私人信息而模仿其他分析师的盈利预测时,会披露有偏差的信息。
目前许多研究都表明,众多国家的股票市场都对分析师盈利预测修正存在显著的股价漂移现象,但都没有深入研究产生这种现象的原因。然而,由于股价漂移现象是对“有效市场”范式的一个重大挑战,一直以来,都是理论界和实务界关注的热点问题。尤其是针对盈余公告后的股价漂移现象,各国学者也已从证明这种现象的存在性发展到深入解释盈余公告后股价漂移现象的产生和持续性的原因。如于李胜、王艳艳(2006)研究发现,信息质量是盈余公告后股价漂移现象产生和持续的重要原因之一,在盈余公告后,信息质量差的投资组合平均累计超额回报大于信息质量好的投资组合。但随着时间的推移,信息质量差的投资组合的超额回报下降幅度较大,会在短时间内恢复到正常收益水平,而信息质量好的股票的超额回报下降较少,能持续较长时间。同理,本文认为分析师盈利预测修正的信息质量也是造成分析师盈利预测修正后股价漂移现象的主要原因之一。相对于信息质量较差的分析师盈利预测修正来说,信息质量好的分析师盈利预测修正有较少的信息不确定性,投资者在解读信息质量好的分析师盈利预测修正时会发现其所包含的信息更加可靠,因此他们对股价的预期也会与分析师所做的盈利预测趋同,从而使得超额回报的下降幅度较小,即股价漂移现象将更加明显。基于此,本文提出假设2。
假设2:相较于缺乏信息的盈利预测修正,富有信息的盈利预测修正对股价的作用更加明显,且存在更为明显的股价漂移现象
三、研究设计
(一)样本的选择与数据来源
本文以2006-2013年沪、深A股上市公司为研究对象,并按照如下标准对各样本数据进行处理:(1)剔除金融、保险类公司及研究期间被PT、ST的公司;(2)由于本文研究涉及到盈利预测修正的计算,所以剔除同一分析师对同一家公司只有一次盈利预测的记录,并且为了保证预测信息的有效性,剔除当前盈利预测和上一次盈利预测间隔超过1年的记录;(3)剔除分析师姓名、股价、日收益率、实际每股收益、公司总资产、机构投资者持股比例等控制变量信息缺失的记录;(4)为了消除公司特殊事件,例如:IPO、配股、增发、股利分配、报表发布等对股价的影响,本文剔除事件窗口期内有上述事项发生的记录;(5)为了避免异常值对回归结果的干扰,本文对所有连续变量在1%以下和99%以上的极值进行了Winsorize缩尾处理。经过上述步骤的筛选后,最终得到69816个盈利预测样本,其中涉及1980支股票,4287名分析师。本文的数据均来自国泰安(CSMAR)数据库。模型统计检验采用Stata12.0完成。
(二)变量定义
(1)被解释变量(CAR)。对股价的影响可以通过分析师盈利预测修正前后的累计超额收益率(CAR)来衡量。本文采用市场调整模型计算累计超额回报率,具体方法如下:
首先,在参数估计窗口(为实施稳健性检验),将预测当年一整年定义为参数估计窗口,利用CAPM模型分别计算各样本的α和β值)利用CAPM模型估计出回归参数αi和βi:
其中,ri,t表示各样本的日回报率,rm,t表示市场指数(本文选择中证流通指数作为市场指数)对应的日回报率。
然后,将估计出的回归参数αi和βi代入模型(2),计算出日超额回报率:
其中,ARi,t表示各样本在事件窗口(本文以分析师盈利预测修正日为事件日,在(-1,1)窗口期内考察市场反应)期内的日超额回报率。
最后,选择(-1,1)为事件窗口,由此得到的累计超额回报率为:
(2)解释变量。盈利预测修正(Forecast Revisions)。本文选择同一分析师前后两次预测来进行比较,主要是基于前人的研究。这些文献表明,在对单个分析师的盈利预测修正进行研究时,作为一个比较基准,分析师自己之前的盈利预测要比公司层面的一致预测要好。同时本文使用本次预测发布日前一天的收盘价对盈利预测修正进行标准化处理。盈利预测修正的信息含量。为了区分分析师的盈利预测修正是出于模仿目的的预测修正还是基于他们获取了新的信息而进行的预测修正,本文借鉴Gleason和Lee(2003)的做法,使用富有信息的盈利预测修正和缺乏信息的盈利预测修正来对其进行区分,并将富有信息的盈利预测修正定义为当前盈利预测同时高于(或低于)同一分析师对同一公司的上一次盈利预测及所有分析师对该公司的一致盈利预测,而将处于上一次盈利预测和一致盈利预测之间的其他分析师盈利预测修正定义为缺乏信息的盈利预测修正。更进一步,本文将富有信息的盈利预测修正区分为富有信息的向上盈利预测修正(High-up-innovation revisions)和富有信息的向下盈利预测修正(High-down-innovation revisions),其中富有信息的向上盈利预测修正是指当前盈利预测同时高于同一分析师对该公司的上一次盈利预测和所有分析师对该公司的一致盈利预测,富有信息的向下盈利预测修正是指当前盈利预测同时低于同一分析师对该公司的上一次盈利预测和所有分析师对该公司的一致盈利预测。如果分析师盈利预测修正为富有信息的向上盈利预测修正,则High-up-innovation revisions取值为1,否则为0;如果分析师盈利预测修正为富有信息的向下盈利预测修正,则High-down-innovation revisions取值为1,否则为0。同时,本文将一致盈利预测定义为截止至当前盈利预测修正日前一天,所有分析师对该公司所给出的盈利预测的平均值。
(三)模型构建
为了准确分析盈利预测修正自身特性及相关影响因素在短窗口期(-1,1)对股票价格的影响,本文建立了如下模型(4):
其中主要控制变量ES表示盈利预测误差,Signal表示盈利预测误差的方向。所谓分析师盈利预测误差,即盈利意外,指分析师所做的盈利预测与实际盈利之间的差异,本文将其定义为实际每股收益(EPS)与分析师预测的每股收益之差的绝对值,并使用本次预测发布日前一天的收盘价对其进行标准化处理。由于距离年报发布日越近,分析师得到的相关信息越充分,越有把握进行预测,因此,预期越接近年报公布日的盈利预测越准确,本文选取距离年报公布日最近的一次预测作为分析师盈利预测,来与实际每股收益进行比较。同时,本文定义当实际每股收益小于分析师盈利预测的每股收益,即盈余被高估时,Signal取值为1,否则为0。Star表示如果分析师上一年是《新财富》杂志评选出的最佳分析师,则取值为1,否则为0。Team表示做出盈利预测的是否为一组分析师,如果对公司做出的盈利预测是一组分析师共同进行的,则取值为1,否则为0。Interval表示同一分析师针对同一公司前后两次盈利预测的间隔天数。针对同一盈利预测修正事件,如果前后两次盈利预测的间隔时间越长,那么分析师就有越长的时间为盈利预测修正进行准备工作,这样所做出的盈利预测修正应该更加准确,市场反应也应该更好。COV表示公司分析师覆盖率的高低。本文将在预测当年跟踪样本公司的分析师总数作为跟踪公司的分析师人数。根据Elgers等(2001)的研究,如果跟踪样本公司的分析师人数超过所有样本公司的跟踪分析师人数的平均数,那么本文就将该公司定义为分析师覆盖率高的公司,则COV的取值为1,否则取值为0。Lnsize表示被预测公司的规模,用被预测公司上一年年末总资产的自然对数来衡量。Inst表示被预测公司上一年年末机构投资者的持股比例。EM表示盈余管理动机。研究表明,资本市场中普遍存在盈余管理现象,并且该现象的存在会影响分析师盈利预测修正对股价的作用机制。借鉴查灿(2013)的做法,当被预测公司表现为巨亏(每股收益小于-0.2元)或者处于微利水平(每股收益大于0且小于0.05元)时,认为该公司有盈余管理动机,该变量取值为1,否则取值为0。Merge和Special分别表示公司是否存在并购或违规处理情况。当公司在预测年度存在兼并或收购现象时,Merge取值为1,否则为0;当公司在预测年度存在违规处理情况时,Special取值为1,否则为0。最后,为了控制年份固定效应和行业固定效应,本文加入了7个年份虚拟变量,并按照证监会的21个行业(剔除金融、保险类)分类设置了20个行业虚拟变量。
(四)计量问题
为了更好地研究分析师盈利预测的特性对股价的影响,本文以单个分析师盈利预测为样本进行分析。但针对同一公司的分析师盈利预测并不独立,各分析师的盈利预测之间存在正相关,因此,使用普通最小二乘法(OLS)进行回归则会夸大模型的显著性。为了克服此问题,本文借鉴Diggle等(1994)的做法,使用Huber/White方法来进行OLS回归。该方法采用最大似然估计法,在构建方差和协方差矩阵时假设针对同一公司的各分析师盈利预测存在共同的因子,从而解决了截面相关性问题。
四、实证分析
(一)描述性统计
表1和表2列示了各变量的描述性统计。从表1可知,CAR的平均值为0.0050,中位数为0.0011,CAR具有正的均值和中位数,表明分析师盈利预测修正在短窗口期内能够为投资者带来正的回报。FR的均值为-0.0061,表明大部分分析师会向下调整盈利预测。这种现象可能是因为,证券分析师在首次做出盈利时通常具有乐观倾向[20,37],随着时间的推移,分析师将获得更多的有效信息来进行预测并修正,使其预测更接近实际值,所以分析师更多的是向下修正其盈利预测,这与国外成熟市场中分析师的表现是相似的。分析师两次盈利预测间隔的时间(Interval)的平均值为95.68天,最小值为1天,最大值为365天,说明各分析师两次盈利预测的间隔时间差异较大,且间隔时间普遍较长。从表2可知,Signal取值为1的记录有50739条,而取值为0的记录只有19077条,这预示着分析师盈利预测的每股收益要普遍高于企业的实际每股收益,这就进一步说明分析师在进行盈利预测时具有乐观倾向。富有信息的向上盈利预测修正(High-up-innovation)只有7638条,而富有信息的向下盈利预测修正(High-down-innovation)有26872条,明显高于前者,这说明大部分分析师在获取了更多的有效信息后为了使其盈利预测更接近企业的实际盈余,会向下调整之前的盈利预测。COV取值为1的样本量有53029个,即在被预测的公司中绝大部分是高分析师覆盖率的,这说明随着我国证券市场的发展,分析师行业也在逐步兴起,参与盈利预测的分析师也越来越多。
(二)相关性分析
表3列出了各变量之间的Pearson相关系数。从表中可以看出CAR与FR的相关系数为正,与ES的相关系数为负,且都在1%统计水平上显著,说明分析师盈利预测修正和盈利预测误差都能对股价产生显著影响。CAR与Signal在1%统计水平上显著负相关,说明盈利预测误差的方向能对股价产生负向影响,与预期相符。同时,如预期设想,CAR与High-up-innovation在1%统计水平上显著正相关,与High-down-innovation在1%统计水平上显著负相关,即富有信息的向上盈利预测修正能够对股价产生正向影响,而富有信息的向下盈利预测修正会对股价产生负向影响。此外,富有信息的向下盈利预测修正(High-down-innovation)与分析师盈利预测修正(FR)和富有信息的向上盈利预测修正(High-up-innovation)在1%统计水平上具有较高的负相关性(相关系数分别为-0.3629、-0.2772),分析师盈利预测修正(FR)与富有信息的向上盈利预测修正(High-up-innovation)在1%统计水平上具有较高的正相关性(相关系数为0.2014),而盈利预测误差(ES)与盈利预测误差方向(Signal)在1%统计水平上具有较高的正相关性(相关系数为0.2734)。但总体而言,本文研究的各变量之间的相关系数都没有超过0.4,因此,各变量之间不存在存在多重共线性。
(三)回归分析
(1)分析师盈利预测修正在短窗口期对股价的影响。表4列示了分析师盈利预测修正在短窗口期(-1,1)对股价影响的检验结果。其中模型1仅考虑解释变量分析师盈利预测修正(FR)、富有信息的向上盈利预测修正(High-up-innovation)、富有信息的向下盈利预测修正(High-down-innovation)和主要控制变量盈利预测误差(ES)、盈利预测误差方向(Signal)对股价的影响;模型2在模型1的基础上加入针对分析师本身特征的控制变量,明星分析师(Star)、是否为一组分析师(Team)以及分析师两次盈利预测的间隔时间(Interval);模型3在模型2的基础上进一步考虑被预测公司的特性,加入控制变量:跟踪公司的分析师人数(COV)、被预测公司的规模(Lnsize)、机构投资者持股比例(Inst)、公司的盈余管理动机(EM)、公司是否发生兼并或收购事项(Merge)以及公司是否存在违规处理情况(Special)。另外,如前所述,为了克服针对同一公司各预测之间的正相关性问题,本文采用Huber/White方法对各模型进行OLS回归。从表4的结果可知,解释变量中分析师盈利预测修正(FR)在3个模型中的系数都不显著,说明分析师盈利预测修正(FR)在短窗口期内并不能对股价产生显著影响。富有信息的盈利预测修正在3个模型中的回归系数都是显著的,说明相较于缺乏信息的盈利预测修正,富有信息的盈利预测修正能对股价产生更为显著的影响。同时,富有信息的向上盈利预测修正(High-up-innovation)的回归系数在3个模型中都显著为正,富有信息的向下盈利预测修正(High-down-innovation)在3个模型中的回归系数都显著为负,说明富有信息的盈利预测修正能使股价产生同向变动,即当本次盈利预测高于前次盈利预测时,股价会上涨,反之亦然。如前文所述,FR可视为分析师盈利预测修正“量”方面的信息,High-up-innovation、High-down-innovation可视为分析师盈利预测修正“质”方面的信息。从上述分析中可以得出以下结论:在(-1,1)短窗口期中,只有分析师盈利预测修正“质”方面的信息能对股价产生影响,而“量”方面的作用并不明显。并且,可以看出High-down-innovation的Huber/White t检验值为-18.53(模型3),且在3个模型中t检验值都是最高的,说明在“质”方面的信息中,富有信息的向下盈利预测修正(High-down-innovation)对股价的影响最为强烈。而主要的控制变量分析师盈利预测误差(ES)在3个模型中的系数都不显著,说明同分析师盈利预测修正(FR)一样,盈利预测误差(ES)在短窗口期内也不能对股价产生显著影响。而盈利预测误差的方向(Signal)在3个模型中的回归系数都显著为负,说明盈利预测误差的方向在短窗口期内能对股价产生显著的负向影响,这与本文的预期相符。在模型2和模型3中,Team和Interval的系数显著为正,表明随着人力的增加,分析师两次盈利预测的间隔时间越长,其所做出的盈利预测修正对股价产生的影响就越正面,这与本文的预期相符。而在模型3中,公司规模变量(Lnsize)和机构投资者持股比例(Inst)变量的系数显著为负,说明机构投资者持股比例越少,分析师盈利预测的市场反应越好,这很可能是由于当被预测公司规模较小、机构投资者持股比例较少时,其信息的披露程度较低,当分析师对其进行盈利预测修正时,市场在短期内会对这些盈利预测信息做出积极的反应。COV和Merger的系数在模型3中显著为正,说明跟踪公司的分析师人数越多或被预测公司最近发生兼并或收购情况时,分析师的盈利预测对股价的影响越大。而Star、EM、Special的系数虽然不显著,但是其对股价的影响方向符合本文预期。从对表4的分析得出结论:在(-1,1)的短窗口期中,分析师盈利预测修正“量”方面的作用并不明显,而“质”方面却能对股价产生显著影响。为了进一步分析盈利预测修正后的股价反应,本文进一步拓展事件窗口期,研究在较长窗口期下分析师盈利预测修正对股价的影响。
注:***、**、*分别表示在1%、5%和10%的统计水平上显著(双尾检验),下同。样本量为69816。
注:为了克服针对同一公司各预测之间的正相关性问题,采用Huber/White方法进行OLS回归,其中括号中为Huber/White检验t值;在进行回归时考虑了年份固定效应和行业固定效应,由于篇幅有限,表中未列出其系数,下同。
(2)延长窗口期后,分析师盈利预测修正对股价的影响。从表5的结果可以看出,分析师盈利预测修正“量”方面的信息(FR)在盈利预测修正后的第8个交易日开始对股价产生显著的负向影响,且随着时间的推移逐渐加强。主要控制变量盈利预测误差(ES)对股价的影响要早于分析师盈利预测修正,大约在盈利预测修正后的第5个交易日开始对股价产生显著的正向影响,且随着时间的推移逐渐加强。这表明随着时间的推移,投资者开始关注分析师盈利预测修正和盈利预测误差“量”方面的信息,假设1得到验证。同时,与在短窗口期(-1,1)的结论类似,分析师盈利预测修正“质”方面的信息仍然对股价产生了显著的影响,且在各个窗口期中富有信息的向下盈利预测修正(High-down-innovation)的Huber/White t检验值都是最高的,说明在“质”方面的信息中,富有信息的向下盈利预测修正(High-down-innovation)对股价的影响最为强烈。这表明,当分析师盈利预测修正行为具有信息含量时,市场会产生强烈的反应,且市场对于坏消息的反应比对好消息的反应更加敏感。这主要是由于分析师更愿意为被预测公司做出比较有利的盈利预测,同时投资者也乐于接受这样的好消息,故当好消息披露时,市场不会产生太剧烈的波动;而公司一般都有隐瞒坏消息的动机,当分析师向下修正被预测公司的盈利时,表明该分析师一定是获取了极为有效的信息并经过缜密的分析后得出的结果,从而对股价产生了更强烈的影响。
为了更进一步验证分析师盈利预测修正在未来更长的时期是否对股价产生显著影响,本文继续将事件窗口期进行扩展。从表6可以看出,随着窗口期的延长,干扰因素增多,各变量对股价的影响并不稳定。但可以看出,在更长的窗口期盈利预测修正“量”方面的信息和盈利预测误差对股价的影响越来越显著(从各变量的Huber/White t检验值可以看出),分析师盈利预测修正“质”方面的信息随着窗口期的进一步延长,其对股价的影响逐渐减弱,尤其是富有信息的向上盈利预测修正,在窗口期(-1,20)之后对股价的影响就不再显著。
(3)分析师盈利预测修正在股价漂移窗口期对股价的影响。从上述分析可以看出,在分析师盈利预测修正很长一段时间后分析师盈利预测修正的信息仍然对股价存在显著影响,表明市场并没有及时吸收分析师盈利预测修正所包含的信息,即股价对分析师盈利预测修正的反应存在漂移现象。为了进一步研究该现象,本文选取盈利预测修正日后60个交易日作为股价漂移窗口(即以分析师盈利预测修正日为事件日,选取窗口期(2,61)作为股价漂移窗口)来对模型(4)进行回归,观察股价对分析师盈利预测修正的反应。从表7的结果可以看出,在股价漂移窗口分析师盈利预测修正在“量”和“质”方面都对股价产生了显著影响,也就进一步验证了之前的结论,即股价对分析师盈利预测修正存在漂移现象,且相较于缺乏信息的盈利预测修正,富有信息的盈利预测修正的股价漂移现象更为明显,这也与本文的假设2一致。
五、结论
本文基于国泰安(CSMAR)数据库中2006-2013年沪、深A股所有单个分析师盈利预测数据,在考虑了分析师自身特征以及被预测公司特性后建立实证模型,并采用Huber/White方法进行OLS回归;同时本文还考虑到证券分析师的“羊群行为”,将分析师的盈利预测修正区分为富有信息的盈利预测修正和缺乏信息的盈利预测修正,从“量”和“质”的角度对分析师盈利预测修正在不同窗口期对股价的影响进行了比较全面的分析。本文不仅拓宽了分析师盈利预测对股价作用机制的研究范围,为已有文献提供新兴市场的研究视角,还为我国今后如何提高资本市场效率提供了相关经验借鉴。综合本文的结果可以看出,投资者对分析师盈利预测修正“量”方面的信息存在时滞性,在分析师盈利预测修正8日后,分析师盈利预测修正“量”方面的信息对股价的影响才不断显现;而“质”方面的信息在各个窗口期都能对股价产生显著影响。同时,盈利预测修正后存在着股价漂移现象,并且富有信息的盈利预测修正的股价漂移现象更为明显。以上研究结论更进一步证明了分析师盈利预测修正中包含大量有用信息,但股票价格并没有对此进行完全、及时地反映,这就使得投资者利用分析师盈利预测数据来构建投资组合获取套利机会,取得超额收益成为可能;而盈利预测修正后股票独特的反应方式也反映了我国股票市场的一些独有特点,如市场不够关注盈利预测信息,且机构投资者存在着操纵市场的行为;此外,市场对于富有信息含量的好消息和坏消息的不同反应程度也说明了好消息与坏消息之间的不对称性,公司更倾向于隐藏坏消息,从而使坏消息的发布对市场产生更为剧烈的影响。另外,证券分析师的行为存在着明显的“羊群效应”,在考虑该因素后,市场能够对富有信息的盈利预测修正和缺乏信息的盈利预测修正进行区别定价。鉴于分析师在市场定价中发挥的重要作用,我国相关监管机构应该积极探索如何更好的规范和加强证券分析师队伍的建设,促进其稳步、健康发展。
价格修正 篇4
随着信息技术的发展,交通条件的改善,交易成本大幅降低,以前倾向于纵向一体化的大企业越来越愿意将采购、运输、生产、销售等过程分解从而转向以产品为中心的横向一体化管理。在专注自已具有核心竞争力的同时把非核心业务委托或外包出给其他中小企业,这样便形成了由利益相对独立的多个企业通过联盟或合作、相邻节点企业表现为需求与供应的分散式供应链。然而,当供应链内各参与主体按照自己利润最大化来作出决策时,供应链的总体利润往往会降低。近年来,很多学者研究通过供应链契约协调机制来解决影响供应链整体效率的两个问题:供应链参与各方追求自身利益最大化所导致的双重边际效应和信息不对称造成的牛鞭效应。黄小原(2007)实现供应链协调主要有两种方法:一是通过设计契约并调整契约参数(如价格、订货量等),诱使供应链参与各方按照整个供应链总利润最大化的目标做出决策;二是借助信息更新或技术手段来排除实际运作中的不确定性。契约协调策略主要有:批发价格、数量折扣、回购、期权、收益共享、数量弹性、最小购买承诺量、后备协议等。
二、批发价格契约描述与讨论
杨德礼等(2006)将批发价格契约定义为经销商根据市场需求和批发价格决策订货量,供应商按经销商的订货量准时制生产,期末经销商负责处理剩余产品。因此,该契约中供应商的利润是确定的,经销商完全承担市场风险。相比其他契约策略,批发价格契约因其便于管理、实施成本低特别是不用考虑经销商销售商品的风险而被广泛应用。Lariviere & Porteus(2001)分析了报童模型,发现在批发价格契约模式下, 只有在供应商制订的批发价不高于其制造成本的前提下,供应链效率才能够达到最优。叶飞等(2006) 研究了供销二阶供应链在弹性需求下的协作机制设计问题,提出基于不对称Nash协商模型的批发价格契约机制来协调合作双方的收益。刘海军等(2009)通过引入合作博弈条件下讨价还价问题的K-S解对双方合作后获得的新增利润进行了分配,得到分配结果使得双方利润比不合作时均有所提高的结论。
(一)批发价格契约模型 Cachon(2004)在“1 供应商+1经销商”组成的二阶供应链(如图1)基础上构建了供应链批发价格契约模型。假设经销商面临的随机市场需求量分布函数为F(x),密度函数 (fx),F(x)=p{D≤x} ,f(x)=F'(x)满足条件:F是可微且单调递增的,且F(0)=0。
变量说明:Q为经销商的订货量;D为经销商面临的随机市场需求量;B为经销商的自有采购资金;p为经销商的市场销售单价;sr为经销商的单位缺货成本;c为供应商的批发单价;c’为期末未销商品处理单价,即商产品净残值(c’< g<c);g为供应商的单位生产成本;I(Q)为期末未销商品量;r为银行融资利率。
二阶供应链决策基本思路是:供应商处于相对垄断地位,往往先行制订一套供应函数(Q,C),经销商预测市场需求D,参照供应函数确订最优订货量Q,并承担市场风险。
模型假设:(1)以随机需求为研究背景,以参与方期望利润最大化进行订货量决策;(2)参与方均是风险中性的,各决策者在临界值的基础上决定订货量实现利润最大化;(3)销售期末由经销商以商产品净残值处理剩余商品;(4)生产成本、需求量、销售价格、处理单价通常为外生变量。
接下来,按经销商订货时是否受资金约束进一步讨论。
(二)经销商无资金约束
经销商的期望利润:
供应链的总利润:
对式(1)关于Q求导后,得经销商最优订货量:
对式(3)关于Q求导后,得供应链最优订货量:
联立式式(4)、式(5)并令Qr1*=QT1*,求解得c=g,当经销商最优订货量与供应链最优订货量相等时,供应商批发价格等于其生产成本,获利为零。因此,二阶供应链在经销商无资金约束时,因供应商无利可图退出而无法协调合作。
(三) 经销商受资金约束———直接贷款模式经销商自有资金不足以满足实际的资金需求,从而在订购商品时需要从外部融入资金。假设经销商自有资金为B,则需向银行贷款(Qc-B)。银行的期望利润:πb=(Qc-B)r (6)
经销商的期望利润:
供应链的总利润:
对式(7)关于Q求导后,得经销商最优订货量:
对式(9)关于Q求导后,得供应链最优订货量:
联立式(10)、(11)并令Qr2*=QT2*,求解得c+cr=g,则c必定小于g。当经销商最优订货量与供应链最优订货量相等时,供应商批发价格小于其生产成本,供应商亏损。因此,二阶供应链在经销商受资金约束———直接贷款模式仍然无法协调合作。
综上,得出以下结论:(1)经销商无资金约束和受资金约束向银行直接贷款时,二阶供应链均因双重边际效应而无法协调合作;(2)供应链只会按经销商的最优订货量Qr1*或Qr2*执行且二者均小于供应链的最优订货量QT1,2*。
三、修正后批发价格契约描述与分析
为了引导经销商增大订货量,变经销商完全承担市场风险为供应商和经销商共同承担市场风险,将批发价格契约中“期末经销商负责处理剩余产品”修正为“供应商承诺以小于批发价的价格回购期末经销商未销售的商品”,此时,回购条款下的转移利润就是在批发价格契约所付利润的基础上,扣除那些没有卖掉的产品的回购值。本文与已有文献不同之处在于引入回购条款,建立修正后批发价格契约并置之于保兑仓融资供应链中分析其协调的条件及银行、供应商和经销商的决策。
(一)保兑仓融资供应链描述为了使供应链协调并达到供应链最优订货量,沿用供应链批发价格契约模型,引入银行将“1供应商+1经销商”二阶供应链修正为“1供应商+1经销商+1银行(银行+物流)”保兑仓融资供应链(如图2),构建经销商受资金约束———保兑仓融资模式。
保兑仓融资模式是银行服务从单个主体扩展到整条供应链,与供应链上企业协同运作的过程。一方面,通过对传统金融产品与服务进行创新,提升银行的经营绩效;另一方面,通过保兑仓业务服务实现供应链上资金融通与平衡,提升供应链的竞争力。
保兑仓融资供应链作业流程,如表1所示。
(二)保兑仓融资供应链协调保兑仓中融资额度是受经销商的订货量限制的,在其订货量范围内供应商有足够的回购担保能力。为更贴近实际,引入供应商是否回购的临界值Dx(Dx=ωQ),当经销商的销售数量低于订货量协议中Q的一定程度ωQ时(0<ω<1),供应商将拒绝回购,反之,供应商履行回购职责。
银行的期望利润:
供应商的期望利润:
经销商的期望利润:
保兑仓的总利润:
式(12)表明,保兑仓的总利润只与订货量Q相关,与批发价格c、融资利率r及供应商是否回购的临界值比率ω均无关。
对(14)关于Q求导后,得经销商最优订货量:
对(15)关于Q求导后,得保兑仓最优订货量:
联立式(16)、(17)并令c与r满足等式时,银行以保兑仓融资模式加入到二阶供应链后,因消除双重边际效应供应链可协调合作。
综上,得出以下结论:(1)保兑仓融资供应链因消除双重边际效应可协调合作;(2)三种模式下供应链总利润表达式相同,但只有保兑仓模式才能实现最大利润,按最优订货量QT3*执行。
(三)保兑仓融资供应链决策在前述无资金约束和直接贷款模式下的批发价格契约模型中,经销商承担面临的全部市场风险,因此,供应商总是期望有更多的订货量。在保兑仓融资供应链中,供应商需要承担经销商期末未销商品回购的风险,因此,供应商会提供一个有关最优订货量的供应函数来实现利润最大化,这一定程度上消除了牛鞭效应。接下来,通过逆向决策来揭示保兑仓的优化过程及变量求解。
逆向决策:首先,银行对某类业务提供融资服务前,会搜集近年来相关的行业信息,根据供销业务量Q、贷款金额c Q以及供应商是否回购的临界值比率ω给出不同贷款区间内的利率rb,接下来,根据经销商大致确定欲订货量范围,结合银行给出的贷款利率表,供应商与经销商签订购销协议,确定批发价格C和订货量Q。
(1)银行制订利率和区间。基于银行贷款利率以信贷市场竞争性及围绕基准利率上下浮动这一重要事实,一方面,信贷市场竞争性使得E(πb)=L0rf,即银行贷款期望收益等于同样贷款L0在市场上获得的无风险报酬;另一方面,围绕基准利率上下浮动则表现为银行的风险溢酬rm-rf,即银行在供应商拒绝回购时处置期末库存的损失风险而要求的风险溢酬。供应商拒绝回购的概率为P{D≤ωQ},供应商履行回购职责的概率为P{D>ωQ}。
银行融资利率:
由式(18)可知,银行贷款利率由无风险报酬rf和风险溢酬构成,在融资市场竞争条件下,银行要关注的变量主要有:无风险报酬rf、供销双方协议销售量Q、批发价格c及供应商是否回购的临界值比率ω,还有产品批发、处理价格差(c-c')。其中rf,反映了市场无风险收益水平,数值约等于当期同档国库券利率;(c-c')反映了合约期内产品市场价格的变动,变动越大则风险溢酬就越高;Qc反映了融资规模,规模越大则风险溢酬就越小。
对式(18)关于ω求偏导,
实务中,银行针对某行业开展保兑仓业务时,某产品的批发价格c可视为已知常量,变动幅度一般不会太大。于是银行以产品保值程度(c-c')决定是否进入某行业,一般来说,银行只进入产品相对保值的行业,比如汽车、钢铁、煤碳行业等。当银行决定进入,做出微观决策时,就只关注销售量Q及供应商回购与否临界值比率ω了。
现引入银行为提供融资服务所愿意承担的最大损失率L0,即最大损失量为Qc L0,讨论一下有关供应商回购与否的临界值比率ω的区间问题,用loss表示损失函数。
则ω必须满足:
(2)供应商制定批发价格c和ω。对式(13)关于c求偏导,
将式(21)代入,可求得c。
式(22)说明,供应商回购与否临界值比率ω越大,πs越大,结合式(19),可知ω的最大值由式确定。
(3)经销商确定最优订货量。由保兑仓批发价格契约的协调可知,当c与r满足等式时,保兑仓可协调运作。具体到经销商最优订货量的确定,则可根据式(16)来计算,其中与的确定分别由式(18)与(19)、(20)得出。
由式(21)可进一步判断说明当c上升时,Q下降;再根据公式(21)可得说明随着c的增加,Q的下降速度减缓,即Q为C的凹函数。
实实务务中中,,保保兑兑仓仓供供应应函函数数往往往往如如图图33所所示示。。
当Q∈(0,Q1) 时,供应商以较高批发价格c1出货;当Q∈(Q1,Q2)时供应商批发价格呈凹函数下降;当Q∈(Q2,∞)时,供应商以较低批发价格c2出贷。处于核心地位的供应商能根据同类产品行业竞争激烈程度与生产成本来制定恰当的c1,c2,Q1,Q2,以激励经销商努力提高销售能力并采取能力范围内最大的订货量。
综上,得出以下结论:(1)银行贷款利率与无风险报酬rf、融资规模Qc、产品批发与处理价格差(c-c')以及供应商是否回购的临界值比率ω有关,随rf、(c-c')、ω的增加而增加,随Qc的增加而减少;(2)经销商最优订货量与供应商批发价格呈凹函数关系,随c的增加而减小,且随利率r的上升而下降。
四、算例验证
本文仅考虑“1汽车厂商+14S店+1银行”以季度为周期的单周期情况,并且假设市场对汽车的需求D~N(μ,σ2),其中μ,σ2 可以确定。经调研,该银行与核心企业某汽车生产商签订保兑仓融资业务,主要服务于汽车经销商4S店。现对这一特殊案例中数据进行抽像化修正和估计,如表2所示。
(单位:数量为辆 价格为万元)
具体来说,银行会在每一组批发价格与供应商违约概率(体现为供应商回购与否的临界值)下,根据不同的订货量区间,运用式(18)确定利率(给出相应的贷款利率表),供应商运用式(20)和(21)确定批发价格,最后经销商根据已大致确定欲订货量的范围将贷款利率表中对应的利率和批发价格代入式(10)即可求得最优订货量。
(单位:数量为辆 价格为万元)
注:该贷款利率表对应的批发价格 c=25,供应商违约概率 ω=5%。
根据上述贷款利率表,利用式(20)和(21)可计算出相应的批发价格,并从中取出4组不同的值(c1=24,c2=24.5,c3=25,c4=25.5)来继续经销商最优订货量的确定。
假设经销商已大致确定欲订货量的范围为 (25,40),需贷款金额分别属于(100,200]和(300,600] 两个区间,得出两个利率水平,四个批发价格下的最优订货量,如表4所示。
(单位:数量为辆价格为万元)
表4验证前文中的部分结论———经销商最优订货量随批发价格增加而减少,随利率的上升而下降。
五、结论
价格修正 篇5
一般来说, CPI稳定是政府工作的重要社会经济目标, 因此找出哪些因素在起推动作用, 已经成为国家关注的焦点。然而居民消费价格指数的影响因素很多, 可以看作是一个复杂系统, 因此引入灰色系统理论[5]来对居民消费指数进行分析, 预测居民消费指数未来的走势。
灰色系统预测法灵活简便, 对样本数据没有特别的要求和限制, 可在样本容量较小或者数据波动较小的情况下进行短期预测, 但数据波动变化时, 单纯地采用GM (1, 1) 模型[6]进行预测可能误差较大, 因此有必要对普通模型进行改进。本文首先采用残差修正的方法对普通模型进行改进, 然后对改进后的模型进行可靠性验证, 最后对我国居民消费价格指数进行预测。
1 改进GM (1, 1) 模型的方法与步骤
1.1 原始GM (1, 1) 模型
目前, 灰色理论模型应用最多的是含有一个变量和一个一阶灰色微分方程的模型, 简称GM (1, 1) 。该模型的计算主要分为以下四个步骤来完成。
第1步:累加生成。设原始数据序列[7]:
式中。对其进行1次累加生成, 以弱化随机性, 强化规律性, 得到生成序列为:
第2步:均值生成。对累加数据序列 (2) 按式 (3) 作紧邻均值生成, 得到序列[8]:
第3步:建立G M (1, 1) 模型。由一阶灰色模块建立GM (1, 1) , 对应的白化微分方程为如下初值问题:
式中, a、u为待辨识的参数。由常微分方程理论中的常数变易法或Laplace变换法, 求得方程 (4) 的解析解为:
利用最小二乘法估计a、u值为:
其中:
将a、u的最小二乘解代入方程 (5) , 得到近似解:
取离散形式得到式 (10) :
式中,
还原到原始数据, 即为GM (1, 1) 动态预测模型:
第4步:可靠性检验。灰色系统模型的检验方法有三种:残差合格 (相对误差) 、关联合格、后验差合格 (均方差比合格、小误差概率合格) , 一般情况下后验差检验应用最为广泛。因此本文采用后验差检验。
记S1为原始数据的标准差, S 2为绝对误差数据标准差, 方差C=S1/S 2, 后验差比值C越小越好;小误差概率为残差与残差平均值之差小于给定值0.6 74 5 S1的频率:, 小误差P越大越好[9], 判断标准如表1所示。
1.2 残差修正模型的改进
普通的GM (1, 1) 模型如果经过可靠性检验后, 相对误差较大或者关联度不够强, 此时普通的GM (1, 1) 模型就不能用来准确预测了, 需要对模型进行残差修正。若残差数据不满足非负递增的条件, 直接运用GM (1, 1) 模型将因误差太大而不能使用, 因此需要将原始残差数据修正为非负递增的数据。
对于含有负值的数列, 进行多次累加有时可以得到非负数列, 有时候采用累加无法达到目的;采用累加法有时候即使达到了非负数列, 数列却不是递增的, 采用GM (1, 1) 模型也将会导致误差很大。基于此情况, 提出一种解决此问题的方法。
设有原始残差数列, 它含有负值项, b为该数据列中数值最小的一项的值, 即:
很显然b为负值。设再设:
则数列是非负数列。经过一次累加得到:
数列是非负的, 但是当j>1时, 由于, 则该数列不是严格递增的, 因此必须将数列进行二次累加才可以得到非负递增数列:
以为基础建立模型得到预测值:
在此, 可以根据前面对初始值的改进算法, 对初始值进行改进后得:
其中,
得到预测值后还需要经累减及降值还原:
则得到的就是原始数列的预测值。
2 算例应用
针对2007~2011年我国居民消费价格指数情况 (见表2) , 运用灰色理论对2012年我国居民消费指数价格进行预测并与实际值进行对比, 说明改进后的GM (1, 1) 模型的可行性。
根据公式 (1) ~ (11) , 经过计算可以得到a=-0.027, u=106.33, 此时可以得到时间响应函数为:
还原到原始数据, 即为普通GM (1, 1) 动态预测模型:
根据原始序列的灰色预测模型, 可以得出2007~2011年的居民消费价格指数预测值分别为:106.4, 110.69, 113.72, 116.83, 120.03。则与实际值之间的差值 (残差) 为:0, -1.91, 1.82, 1.23, -1.77。即原始残差数列
注:数据来源《中国统计年鉴》。
根据公式 (12) ~ (20) , 经过一次累加, 可得预测的值的灰色模型为:
然后还原到原始残差预测模型值:
综合以上, 可得居民消费价格指数的预测模型为:
表3和图1是我国居民消费价格指数的灰色预测结果。经检验后验差比值C=0.34, 小误差P=0.96, 后验差精度满足一级要求, 结果好。通过计算可得, 普通灰色模型预测出来的结果与实际值之间的相对误差平均百分比为1.237%, 而改进后的相对误差平均百分比为0.060%, 说明改进后的模型比普通模型的预测精度提高了。并且可以看出, 利用普通灰色模型预测2012年值与实际值相比, 相对误差为1.36%, 而通过改进后的灰色模型预测出来的相对误差仅为0.016%。
3 预测与结论
根据改进后的模型可以预测2014~2016年我国居民消费价格指数分别为:130.16、133.72、137.38, 可以看出我国居民消费价格指数在逐年上升。尽管我国居民消费价格指数在上升的过程中会受到很多因素的影响, 比如收入水平的高低、物价的波动、商品经济的发展等, 但从该模型在居民消费价格指数短期预测的结果来看, 具有较高的可信度, 政府可以根据预测结果来制定相应的政策以调控宏观经济的整体运作, 提高我国居民生活质量, 因此可以用该模型来进行短期指导与调控。
摘要:我国居民消费价格指数受到诸多因素的影响, 导致数据波动性较大, 单纯地采用灰色预测模型无法更加准确地进行预测, 因此本文提出了基于残差修正的改进GM (1, 1) 模型。首先, 本文介绍了改进GM (1, 1) 模型的建立方法与步骤;接着结合20072011年我国居民消费价格指数建立新的预测模型, 并用2012年数据对模型进行验证合格, 可以用来预测未来几年我国居民消费价格指数, 便于对我国未来居民消费价格指数的宏观调控。结果表明, 该预测方法是可行的, 为相关预测提供了理论依据。
关键词:居民消费价格指数,预测,残差修正,GM (1, 1) 模型
参考文献
[1]张鸣芳, 项燕霞, 齐东军.居民消费价格指数季节调整实证研究[J].经济研究, 2004, 30 (3) .
[2]陈娟, 余灼萍.我国居民消费价格指数的短期预测[J].统计与决策, 2005 (04) .
[3]李玉红, 许兴, 李晔.我国居民消费价格指数灰色关联分析[J].河南科学, 2011, 29 (1) .
[4]陈敏, 曹文明, 李泽军.基于混合神经网络和混沌理论的居民消费价格指数预测研究[J].统计与决策, 2009 (19) .
[5]刘思峰, 党耀国, 方志耕.灰色系统理论及其应用[M].北京:科学出版社, 2007.
[6]张雅波.灰色预测的GM (1, 1) 模型[J].吉林建筑工程学院学报, 1999 (4) .
[7]李葆春, 马琦.灰色GM (1, 1) 模型在定西县粮食产量预测中的应用[J].甘肃农业大学学报, 2005 (5) .
[8]吴天魁, 王波, 周晓辉, 等.火灾损失预测的改进GM (1, 1) 模型[J].数学理论与应用, 2014, 34 (1) .