經(jīng)濟(jì)預(yù)警方法探究

前言：本站為你精心整理了經(jīng)濟(jì)預(yù)警方法探究范文，希望能為你的創(chuàng)作提供參考價(jià)值，我們的客服老師可以幫助你提供個(gè)性化的參考范文，歡迎咨詢。

1經(jīng)濟(jì)預(yù)警的主要方法

經(jīng)濟(jì)預(yù)警是指圍繞經(jīng)濟(jì)循環(huán)波動(dòng)這一特定經(jīng)濟(jì)現(xiàn)象所展開的一整套經(jīng)濟(jì)監(jiān)測和經(jīng)濟(jì)評(píng)價(jià)的理論和方法體系,它主要包括預(yù)警指標(biāo)的選擇和確定、預(yù)警方法、警限界定和報(bào)警等幾個(gè)方面的內(nèi)容。其中預(yù)警方法是預(yù)警系統(tǒng)的核心,下面簡要分析幾種主要預(yù)警方法。(1)景氣指數(shù)法景氣指數(shù)法是用有關(guān)經(jīng)濟(jì)變量相互之間的時(shí)差關(guān)系來指示景氣的動(dòng)向,通過構(gòu)建合成和擴(kuò)散指數(shù)來達(dá)到對(duì)經(jīng)濟(jì)運(yùn)行情況進(jìn)行監(jiān)測預(yù)警的目的。這種方法分為四步:第一步是確定時(shí)差關(guān)系的參照系——基準(zhǔn)循環(huán),這是關(guān)鍵的一步;第二步是選擇構(gòu)成指標(biāo);第三步是劃分先行、同步、滯后指標(biāo);第四步是對(duì)先行、同步、滯后指標(biāo)分別編制擴(kuò)散指數(shù)和合成指數(shù)。

劃分先行、同步和滯后指標(biāo)可以采用灰色關(guān)聯(lián)度法、模糊貼近度法和判別分析法等[3]。擴(kuò)散指數(shù)能綜合各個(gè)變量的波動(dòng),能夠反映宏觀經(jīng)濟(jì)波動(dòng)過程,還能夠有效地預(yù)測經(jīng)濟(jì)循環(huán)的轉(zhuǎn)折點(diǎn),但是不能明確表示經(jīng)濟(jì)循環(huán)變化的強(qiáng)弱。擴(kuò)散指數(shù)在t時(shí)刻的取值DIt為DIt=∑Ii=1wiI[xit>xi,t-1]×100(1)式中,{xit}為預(yù)處理后的指標(biāo)序列,w為權(quán)數(shù),I為示性函數(shù)I=0,0.5,1,xit<xi,t-1xit=xi,t-1xit>xi,t-1(2)合成指數(shù)不僅能預(yù)測經(jīng)濟(jì)循環(huán)的轉(zhuǎn)折點(diǎn),還能在某種意義上反映經(jīng)濟(jì)循環(huán)變動(dòng)的振幅。①求單個(gè)指標(biāo)的對(duì)稱變化率Ci(t),t=2,3,…,N,i=1,2,…,ICi(t)=xit-xi,t-1,200(xit-xi,t-1)/(xit+xi,t-1),xit≤0xit>0(3)②求標(biāo)準(zhǔn)化平均變化率V(t)求序列的標(biāo)準(zhǔn)化因子Ai=∑Nt=2Ci(t)/(N-1)(4)求單個(gè)標(biāo)準(zhǔn)化平均變化率Si(t)=Ci(t)/Ai(5)求平均變化率R(t)=∑Ii=1wiSi(t)(6)求標(biāo)準(zhǔn)化平均變化率V(t)=R(t)/FF=∑Nt=2R(t)∑Nt=2P(t)(7)其中,記同步指標(biāo)R(t)為P(t),F稱為組間標(biāo)準(zhǔn)化因子。

③求初始綜合指標(biāo)I(t)(各類指標(biāo)分別計(jì)算)I(t)=I(t-1)[200+V(t)]/[200-V(t)],I(1)=100(8)④求趨勢調(diào)整值對(duì)同步指標(biāo)類中各序列計(jì)算Ti=(mCLi/CKi-1)×100(9)式中,CLi、CKi分別為序列{xi,t}最先和最后循環(huán)的平均值,m為最先和最后循環(huán)中心間的樣本數(shù)。接著求同步指標(biāo)類的平均趨勢G=∑Ii=1Ti/I(10)求各類的合成指數(shù)V°(t)=V(t)+(G-T)(11)I°(t)=I°(t-1)[200+V°(t)]/[200-V°(t)],I°(1)=100(12)CI(t)=I°(t)/C0(13)C0為各類指標(biāo)的基期平均值。(2)ARCH預(yù)警方法ARCH模型,即自回歸條件異方差模型,它從統(tǒng)計(jì)上提供了用過去誤差解釋未來預(yù)測誤差的一種方法。ARCH預(yù)警方法實(shí)際上是經(jīng)濟(jì)計(jì)量模型預(yù)警方法,即應(yīng)用ARCH建立預(yù)測模型,根據(jù)ARCH模型條件異方差的特性,確定具有ARCH特征的警限,從而使預(yù)警的結(jié)果比較真實(shí)地反映實(shí)際經(jīng)濟(jì)運(yùn)行狀況。假定{yt}為觀測序列,Ψt是直至t時(shí)刻的有限信息集合,一般線性ARCH(q)模型為Yt=bXt+εt(14)εt/Ψt-1～N(0,σ2t)(15)σ2t=α0+α1ε2t-1+α2ε2t-2+…+αqε2t-q(16)其中,Ψt可以包括外生變量,也可以包括Yt的各階滯后。式(15)還可以寫成εt=etσt,et是服從標(biāo)準(zhǔn)正態(tài)獨(dú)立同分布擾動(dòng)。采用極大似然估計(jì)求得參數(shù)b及異方差σ2t的一致估計(jì)。將各預(yù)警指標(biāo)值(已作處理)時(shí)間序列{yt}(t=1,2,…,N)在適度區(qū)間、熱區(qū)間、冷區(qū)間的數(shù)據(jù)分別生成新序列{yn1},{yn2},{yn3}(n1+n2+n3=N)。

則適度上、下限分別為sk1=∑N1n=1yn1/N1+σn1σn1+σn2(y-n2-y-n1)(17)sk2=∑N1n=1yn1/N1-σn1σn1+σn2(y-n2-y-n1)(18)其中參數(shù)均為各新序列的均值和標(biāo)準(zhǔn)差。應(yīng)用上式可以計(jì)算合成指數(shù)CI的警限區(qū)間值。這種預(yù)警方法能準(zhǔn)確度量經(jīng)濟(jì)循環(huán)波動(dòng)的誤差,即預(yù)期誤差,可以提供更合理的警限;該方法引入時(shí)變條件方差使預(yù)報(bào)的置信區(qū)間能夠與經(jīng)濟(jì)時(shí)間序列的波動(dòng)程度相適應(yīng),反映不同時(shí)期所作預(yù)測誤差的大小,從而使確定的警限能比較準(zhǔn)確地反映實(shí)際經(jīng)濟(jì)狀況;可以改進(jìn)通常的預(yù)測模型;還可以處理非線性的經(jīng)濟(jì)系統(tǒng)的預(yù)警問題。(3)基于概率模式分類法該方法從模式識(shí)別的角度對(duì)宏觀經(jīng)濟(jì)進(jìn)行預(yù)警。所有具有相同警度的預(yù)警樣本組成一個(gè)預(yù)警模式集,一個(gè)預(yù)警樣本就稱作一個(gè)預(yù)警模式。預(yù)警指標(biāo)選擇子系統(tǒng)就相當(dāng)于模式識(shí)別系統(tǒng)中的模式特征選擇,預(yù)警方法子系統(tǒng)相當(dāng)于模式識(shí)別系統(tǒng)中的模式分類過程;報(bào)警子系統(tǒng)相當(dāng)于模式識(shí)別系統(tǒng)中的識(shí)別錯(cuò)誤檢查過程。即預(yù)警就是把未知警度的新預(yù)警樣本與已知警度的預(yù)警標(biāo)準(zhǔn)樣本進(jìn)行比較辨別,從而確定新預(yù)警樣本所歸屬于的預(yù)警模式類別。

下面是Bayes最小風(fēng)險(xiǎn)預(yù)警判別規(guī)則:p(x/ωi)p(x/ωj)>p(ωj)p(ωi)Lji-LjjLij-Lii,則x∈ωi(19)p(x/ωi)為ωi類的條件概率;p(x/ωj)為ωj類的條件概率;p(ωi)為ωi類的先驗(yàn)概率;p(ωj)為ωj類的先驗(yàn)概率;Lij是將本應(yīng)屬于ωi類的模式卻錯(cuò)判成屬于ωj的損失代價(jià),Lii,Lji,Ljj類似于Lij.取lij=p(x/ωi)p(x/ωj),稱為似然比;取θij=p(ωj)p(ωi)Lji-LjjLij-Lii,稱為閾值。Bayes最小風(fēng)險(xiǎn)預(yù)警判別規(guī)則可以表示為:①若lij>θij,則x∈ωi;②若lij<θij,則x∈ωj;③若lij=θij,則待判。宏觀經(jīng)濟(jì)預(yù)警系統(tǒng)中概率密度一般都服從多維正態(tài)分布,則類別ωi的預(yù)警判別函數(shù)為di(x)=lnP(ωi)-0.5lnΣi-0.5{(x-mi)tΣ-1i(x-mi)},i=1,2,…,M(20)其中,x為待判預(yù)警模式;Σi為預(yù)警模式類別ωi的協(xié)方差矩陣Σi的行列式;mi為預(yù)警模式類別ωi的均值向量;di(x)為預(yù)警模式類別ωi的預(yù)警判別函數(shù)表達(dá)式;p(ωi)為預(yù)警模式類別ωi的先驗(yàn)概率;M為預(yù)警模式類別總數(shù)。

當(dāng)Σi≠Σj,i≠j時(shí),預(yù)警模式類別ωi的預(yù)警判別函數(shù)不變;當(dāng)Σi=Σj,i=j時(shí),則di(x)=lnP(ωi)-0.5lnΣi-0.5xtΣ-1ix+mtiΣ-1-0.5mtiΣ-1mi(21)如果取對(duì)數(shù)形式,并忽略對(duì)預(yù)警判別無影響的項(xiàng),則(21)式可簡化為Zg(X)=C(1)gx1+C(2)gx2+…+C(n)gxn+C0g+lnqg,g=1,2,…,M(22)其中C(1)gC(2)g┇C(n)g=S-1Xg=s11x-(1)g+s12x-(2)g+…+s1nx-(n)g+s21x-(1)g+s22x-(2)g+…+s2nx-(n)g+┇sn1x-(1)g+sn2x-(2)g+…+snnx-(n)gCig=∑ni=1sijx-(i)gC0g=-0.5∑ni=1∑nj=1sijx-(i)gx-(j)gS為預(yù)警樣本的協(xié)方差矩陣預(yù)警判別過程如下:把待判個(gè)體X=(x1,x2,…,xn)′代入預(yù)警判別函數(shù)Zg(X)中求出G個(gè)值,然后找出最大者,如有Z*g(X)=max1≤g≤m{Zg(X)},則將待判個(gè)體X判歸ω*類。盡管這種預(yù)警方法需要先驗(yàn)概率、條件概率,但模式識(shí)別和多元統(tǒng)計(jì)分析可以解決預(yù)警實(shí)際應(yīng)用中的許多困難,可以實(shí)現(xiàn)最小的誤警概率和最小的預(yù)警風(fēng)險(xiǎn),又適合研究預(yù)警的可靠性。而且不再從簡單的統(tǒng)計(jì)規(guī)律出發(fā)來探求發(fā)展趨勢,應(yīng)用模式分類和比較來獲得對(duì)未來狀況的把握。因此,概率模式分類在預(yù)警系統(tǒng)的設(shè)計(jì)和應(yīng)用中是很有前途的。

(4)判別分析法判別分析是對(duì)研究對(duì)象所屬類別進(jìn)行判別的一種統(tǒng)計(jì)分析方法。進(jìn)行判別分析必須已知觀測對(duì)象的分類和若干表明觀測對(duì)象特征的變量值。判別分析就是要從中篩選出能提供較多信息的變量并建立判別函數(shù),使推導(dǎo)出的判別函數(shù)對(duì)觀測樣本分類時(shí)的錯(cuò)判率最小。判別函數(shù)的一般形式是Z=α1X1+α2X2+…+αnXn(23)其中,Z為判別值,X1,X2,…,Xn是反映研究對(duì)象的特征變量,如財(cái)務(wù)比率,α1,α2,…,αn為各變量的判別系數(shù)。判別分析過程是根據(jù)已知觀測量的預(yù)警分類和表明觀測量特征的財(cái)務(wù)比率變量,推導(dǎo)出判別函數(shù),最后把各觀測量的自變量值回代到判別函數(shù)中,根據(jù)判別函數(shù)對(duì)觀測量所屬類別進(jìn)行判別。(5)人工神經(jīng)網(wǎng)絡(luò)方法統(tǒng)計(jì)預(yù)警方法具有以下幾點(diǎn)缺陷:①統(tǒng)計(jì)方法內(nèi)的參數(shù)必須滿足多元常態(tài)分配的假設(shè)(如正態(tài));②對(duì)錯(cuò)誤資料的輸入不具有容錯(cuò)性,無法自我學(xué)習(xí)與調(diào)整;③無法處理資料遺漏的狀況;④屬于靜態(tài)預(yù)警方法。

人工神經(jīng)網(wǎng)絡(luò)是一種平行分散處理模式,除具有較好的模式識(shí)別能力外,而且可以克服統(tǒng)計(jì)預(yù)警等方法的限制,因?yàn)樗哂腥蒎e(cuò)能力,對(duì)數(shù)據(jù)的分布要求不嚴(yán)格,具備處理資料遺漏或是錯(cuò)誤的能力。最可貴的是它具有學(xué)習(xí)能力,可隨時(shí)依據(jù)新準(zhǔn)備數(shù)據(jù)資料進(jìn)行自我學(xué)習(xí)、訓(xùn)練,調(diào)整其內(nèi)部的儲(chǔ)存權(quán)重參數(shù)以對(duì)應(yīng)多變的經(jīng)濟(jì)環(huán)境。由于ANN具備上述良好的性質(zhì)與能力,且已有文獻(xiàn)表明ANN的分類正確率高于判別分析法[18-20],它可作為解決經(jīng)濟(jì)預(yù)警的一個(gè)重要工具。前向三層BP神經(jīng)網(wǎng)絡(luò)通常由輸入層、輸出層和隱藏層組成,被認(rèn)為是最適用于模擬輸入、輸出的近似關(guān)系,因此它在ANN預(yù)警中被廣泛應(yīng)用。人工神經(jīng)網(wǎng)絡(luò)預(yù)警方法有兩種方式:其一是通過ANN方法預(yù)測,再和事先由專家根據(jù)一定標(biāo)準(zhǔn)確定的參考值進(jìn)行比較確定警度;另一種是增加一個(gè)報(bào)警模塊,經(jīng)過一定處理之后直接給出預(yù)警結(jié)果。ANN預(yù)警方法的實(shí)質(zhì)是利用神經(jīng)網(wǎng)絡(luò)的預(yù)測功能實(shí)現(xiàn)經(jīng)濟(jì)預(yù)警。

此外,還有Logistic回歸分析法[30]、序貫判別法[3]、ARMA等預(yù)警方法,這些方法可以分為三類:①指數(shù)預(yù)警:景氣指數(shù)法就屬于這種類型,不僅能預(yù)測到經(jīng)濟(jì)周期的轉(zhuǎn)折點(diǎn),而且還可以分析經(jīng)濟(jì)的波動(dòng)幅度,它在宏觀經(jīng)濟(jì)領(lǐng)域的應(yīng)用很廣泛,比如金融危機(jī)[31-34]、房地產(chǎn)[35]等。②統(tǒng)計(jì)預(yù)警:判別分析、logistic回歸分析屬于這一類,該方法在企業(yè)預(yù)警尤其是上市公司財(cái)務(wù)危機(jī)預(yù)警中使用很活躍,而且使用變量少,數(shù)據(jù)收集容易,操作比較簡便。③模型預(yù)警:又可以分為線性和非線性模型。大多數(shù)計(jì)量經(jīng)濟(jì)模型屬于線性模型預(yù)警,既能明確地表示出主要經(jīng)濟(jì)變量之間的數(shù)量關(guān)系,又能剔除那些不感興趣的以及飄忽不定的因素。這對(duì)于定量地研究帶有不確定性因素的大系統(tǒng)是一種非常有效的方法,既抓住了問題的主要矛盾又撇開了次要因素的影響。但是經(jīng)濟(jì)計(jì)量模型利用隨機(jī)誤差來表示未知因素對(duì)模型的沖擊,這樣“平滑”處理的結(jié)果是它們都不可避免地漏掉了周期性運(yùn)動(dòng)的轉(zhuǎn)折點(diǎn)。這對(duì)于通過預(yù)測經(jīng)濟(jì)周期轉(zhuǎn)折點(diǎn)進(jìn)行監(jiān)測預(yù)警來講,是其先天性的不足。基于概率分類的模式識(shí)別、人工智能等屬于非線性預(yù)警模型,對(duì)處理復(fù)雜的非線性系統(tǒng)具有更大的優(yōu)勢。

2經(jīng)濟(jì)預(yù)警應(yīng)該注意的問題

(1)預(yù)警指標(biāo)的選擇這是經(jīng)濟(jì)預(yù)警的第一步,選取指標(biāo)時(shí)應(yīng)該采用定性和定量相結(jié)合的方法,并且要遵循以下原則:①經(jīng)濟(jì)涵義的重要性和全面性;②相對(duì)穩(wěn)定性;③好的循環(huán)波動(dòng)性能;④指標(biāo)的測度能力,主要是指指標(biāo)對(duì)總體經(jīng)濟(jì)反映的靈敏性和可靠性;⑤指標(biāo)的時(shí)效性。同時(shí)采用時(shí)差分析、主成分分析法、判別分析等方法對(duì)指標(biāo)進(jìn)行篩選和分類,最終確定預(yù)警指標(biāo)。指標(biāo)不是靜態(tài)的,應(yīng)該隨著時(shí)間進(jìn)行調(diào)整、補(bǔ)充和修改,以滿足經(jīng)濟(jì)預(yù)警需要。(2)針對(duì)不同的經(jīng)濟(jì)對(duì)象選擇合適的預(yù)警方法不同預(yù)警方法使用時(shí)都有局限性,并不是越復(fù)雜的模型越好,在實(shí)際中要有針對(duì)性的選擇合適的方法進(jìn)行預(yù)警。克服只重視定量預(yù)警的方法,要把定性預(yù)警結(jié)合起來,對(duì)經(jīng)濟(jì)對(duì)象所處的內(nèi)外部環(huán)境的有利和不利因素進(jìn)行全面分析,最后結(jié)合專家的知識(shí)經(jīng)驗(yàn)做出最終預(yù)警。克服預(yù)警方法的單一,將不同預(yù)警方法結(jié)合起來進(jìn)行綜合預(yù)警,提高預(yù)警可靠度。用系統(tǒng)化的思想進(jìn)行經(jīng)濟(jì)預(yù)警,把定性定量相結(jié)合,把短期與長期相結(jié)合,把靜態(tài)與動(dòng)態(tài)分析相結(jié)合,把統(tǒng)計(jì)分析與數(shù)學(xué)模型相結(jié)合等等。(3)預(yù)警警限的動(dòng)態(tài)確定警限確定也應(yīng)隨著條件變化而有所變化,尤其是無警警限更應(yīng)該以客觀方式確定。對(duì)于企業(yè)預(yù)警來說,警限的確定不僅要進(jìn)行縱向比較,而且還要和同行業(yè)進(jìn)行橫向比較,經(jīng)過專家討論最終確定警限,同時(shí)必須對(duì)警限進(jìn)行定期的調(diào)整和修改。

3結(jié)束語

本文簡要評(píng)述了幾種經(jīng)濟(jì)預(yù)警方法,今后需要在以下領(lǐng)域進(jìn)一步深入研究:(1)經(jīng)濟(jì)預(yù)警是建立在預(yù)測技術(shù)基礎(chǔ)上的,那么預(yù)測的結(jié)果往往與實(shí)際會(huì)有偏差,如果錯(cuò)誤報(bào)警,將會(huì)造成一定的經(jīng)濟(jì)損失。而誤警概率(發(fā)生警情而沒有報(bào)警)和虛警概率(實(shí)際沒有發(fā)生而報(bào)出警情)的確定目前仍然沒有科學(xué)的方法進(jìn)行估計(jì),因此預(yù)警可靠度仍然是一個(gè)有待深入研究的問題。(2)信息技術(shù)為開發(fā)預(yù)警支持系統(tǒng)提供了強(qiáng)有力的工具。充分利用現(xiàn)代計(jì)算機(jī)技術(shù),開發(fā)實(shí)用先進(jìn)的軟件,使經(jīng)濟(jì)預(yù)警系統(tǒng)具有良好的人機(jī)交互能力。利用數(shù)據(jù)倉庫和數(shù)據(jù)挖掘技術(shù),對(duì)數(shù)據(jù)進(jìn)行深層次分析,同時(shí)把多媒體技術(shù)融入預(yù)警系統(tǒng),實(shí)現(xiàn)動(dòng)態(tài)報(bào)警,使預(yù)警結(jié)果的顯示更加豐富。因此對(duì)預(yù)警決策支持系統(tǒng)也需要進(jìn)一步研究。(3)人工神經(jīng)網(wǎng)絡(luò)技術(shù)已經(jīng)應(yīng)用于預(yù)警系統(tǒng),案例推理、模糊推理、規(guī)則推理和混沌理論等也逐漸用于預(yù)警領(lǐng)域,給智能預(yù)警系統(tǒng)的知識(shí)表示和推理帶來了新的理論和方法。今后還需要進(jìn)一步研究如何把預(yù)警支持系統(tǒng)和專家系統(tǒng)更加緊密的結(jié)合起來。