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

1經(jīng)濟預警的主要方法

經(jīng)濟預警是指圍繞經(jīng)濟循環(huán)波動這一特定經(jīng)濟現(xiàn)象所展開的一整套經(jīng)濟監(jiān)測和經(jīng)濟評價的理論和方法體系,它主要包括預警指標的選擇和確定、預警方法、警限界定和報警等幾個方面的內(nèi)容。其中預警方法是預警系統(tǒng)的核心,下面簡要分析幾種主要預警方法。(1)景氣指數(shù)法景氣指數(shù)法是用有關經(jīng)濟變量相互之間的時差關系來指示景氣的動向,通過構(gòu)建合成和擴散指數(shù)來達到對經(jīng)濟運行情況進行監(jiān)測預警的目的。這種方法分為四步:第一步是確定時差關系的參照系——基準循環(huán),這是關鍵的一步;第二步是選擇構(gòu)成指標;第三步是劃分先行、同步、滯后指標;第四步是對先行、同步、滯后指標分別編制擴散指數(shù)和合成指數(shù)。

劃分先行、同步和滯后指標可以采用灰色關聯(lián)度法、模糊貼近度法和判別分析法等[3]。擴散指數(shù)能綜合各個變量的波動,能夠反映宏觀經(jīng)濟波動過程,還能夠有效地預測經(jīng)濟循環(huán)的轉(zhuǎn)折點,但是不能明確表示經(jīng)濟循環(huán)變化的強弱。擴散指數(shù)在t時刻的取值DIt為DIt=∑Ii=1wiI[xit>xi,t-1]×100(1)式中,{xit}為預處理后的指標序列,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)不僅能預測經(jīng)濟循環(huán)的轉(zhuǎn)折點,還能在某種意義上反映經(jīng)濟循環(huán)變動的振幅。①求單個指標的對稱變化率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求標準化平均變化率V(t)求序列的標準化因子Ai=∑Nt=2Ci(t)/(N-1)(4)求單個標準化平均變化率Si(t)=Ci(t)/Ai(5)求平均變化率R(t)=∑Ii=1wiSi(t)(6)求標準化平均變化率V(t)=R(t)/FF=∑Nt=2R(t)∑Nt=2P(t)(7)其中,記同步指標R(t)為P(t),F稱為組間標準化因子。

③求初始綜合指標I(t)(各類指標分別計算)I(t)=I(t-1)[200+V(t)]/[200-V(t)],I(1)=100(8)④求趨勢調(diào)整值對同步指標類中各序列計算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為各類指標的基期平均值。(2)ARCH預警方法ARCH模型,即自回歸條件異方差模型,它從統(tǒng)計上提供了用過去誤差解釋未來預測誤差的一種方法。ARCH預警方法實際上是經(jīng)濟計量模型預警方法,即應用ARCH建立預測模型,根據(jù)ARCH模型條件異方差的特性,確定具有ARCH特征的警限,從而使預警的結(jié)果比較真實地反映實際經(jīng)濟運行狀況。假定{yt}為觀測序列,Ψt是直至t時刻的有限信息集合,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是服從標準正態(tài)獨立同分布擾動。采用極大似然估計求得參數(shù)b及異方差σ2t的一致估計。將各預警指標值(已作處理)時間序列{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準差。應用上式可以計算合成指數(shù)CI的警限區(qū)間值。這種預警方法能準確度量經(jīng)濟循環(huán)波動的誤差,即預期誤差,可以提供更合理的警限;該方法引入時變條件方差使預報的置信區(qū)間能夠與經(jīng)濟時間序列的波動程度相適應,反映不同時期所作預測誤差的大小,從而使確定的警限能比較準確地反映實際經(jīng)濟狀況;可以改進通常的預測模型;還可以處理非線性的經(jīng)濟系統(tǒng)的預警問題。(3)基于概率模式分類法該方法從模式識別的角度對宏觀經(jīng)濟進行預警。所有具有相同警度的預警樣本組成一個預警模式集,一個預警樣本就稱作一個預警模式。預警指標選擇子系統(tǒng)就相當于模式識別系統(tǒng)中的模式特征選擇,預警方法子系統(tǒng)相當于模式識別系統(tǒng)中的模式分類過程;報警子系統(tǒng)相當于模式識別系統(tǒng)中的識別錯誤檢查過程。即預警就是把未知警度的新預警樣本與已知警度的預警標準樣本進行比較辨別,從而確定新預警樣本所歸屬于的預警模式類別。

下面是Bayes最小風險預警判別規(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類的先驗概率;p(ωj)為ωj類的先驗概率;Lij是將本應屬于ωi類的模式卻錯判成屬于ωj的損失代價,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最小風險預警判別規(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)濟預警系統(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為待判預警模式;Σi為預警模式類別ωi的協(xié)方差矩陣Σi的行列式;mi為預警模式類別ωi的均值向量;di(x)為預警模式類別ωi的預警判別函數(shù)表達式;p(ωi)為預警模式類別ωi的先驗概率;M為預警模式類別總數(shù)。

當Σi≠Σj,i≠j時,預警模式類別ωi的預警判別函數(shù)不變;當Σi=Σj,i=j時,則di(x)=lnP(ωi)-0.5lnΣi-0.5xtΣ-1ix+mtiΣ-1-0.5mtiΣ-1mi(21)如果取對數(shù)形式,并忽略對預警判別無影響的項,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為預警樣本的協(xié)方差矩陣預警判別過程如下:把待判個體X=(x1,x2,…,xn)′代入預警判別函數(shù)Zg(X)中求出G個值,然后找出最大者,如有Z*g(X)=max1≤g≤m{Zg(X)},則將待判個體X判歸ω*類。盡管這種預警方法需要先驗概率、條件概率,但模式識別和多元統(tǒng)計分析可以解決預警實際應用中的許多困難,可以實現(xiàn)最小的誤警概率和最小的預警風險,又適合研究預警的可靠性。而且不再從簡單的統(tǒng)計規(guī)律出發(fā)來探求發(fā)展趨勢,應用模式分類和比較來獲得對未來狀況的把握。因此,概率模式分類在預警系統(tǒng)的設計和應用中是很有前途的。

(4)判別分析法判別分析是對研究對象所屬類別進行判別的一種統(tǒng)計分析方法。進行判別分析必須已知觀測對象的分類和若干表明觀測對象特征的變量值。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),使推導出的判別函數(shù)對觀測樣本分類時的錯判率最小。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是反映研究對象的特征變量,如財務比率,α1,α2,…,αn為各變量的判別系數(shù)。判別分析過程是根據(jù)已知觀測量的預警分類和表明觀測量特征的財務比率變量,推導出判別函數(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)對觀測量所屬類別進行判別。(5)人工神經(jīng)網(wǎng)絡方法統(tǒng)計預警方法具有以下幾點缺陷:①統(tǒng)計方法內(nèi)的參數(shù)必須滿足多元常態(tài)分配的假設(如正態(tài));②對錯誤資料的輸入不具有容錯性,無法自我學習與調(diào)整;③無法處理資料遺漏的狀況;④屬于靜態(tài)預警方法。

人工神經(jīng)網(wǎng)絡是一種平行分散處理模式,除具有較好的模式識別能力外,而且可以克服統(tǒng)計預警等方法的限制,因為它具有容錯能力,對數(shù)據(jù)的分布要求不嚴格,具備處理資料遺漏或是錯誤的能力。最可貴的是它具有學習能力,可隨時依據(jù)新準備數(shù)據(jù)資料進行自我學習、訓練,調(diào)整其內(nèi)部的儲存權(quán)重參數(shù)以對應多變的經(jīng)濟環(huán)境。由于ANN具備上述良好的性質(zhì)與能力,且已有文獻表明ANN的分類正確率高于判別分析法[18-20],它可作為解決經(jīng)濟預警的一個重要工具。前向三層BP神經(jīng)網(wǎng)絡通常由輸入層、輸出層和隱藏層組成,被認為是最適用于模擬輸入、輸出的近似關系,因此它在ANN預警中被廣泛應用。人工神經(jīng)網(wǎng)絡預警方法有兩種方式:其一是通過ANN方法預測,再和事先由專家根據(jù)一定標準確定的參考值進行比較確定警度;另一種是增加一個報警模塊,經(jīng)過一定處理之后直接給出預警結(jié)果。ANN預警方法的實質(zhì)是利用神經(jīng)網(wǎng)絡的預測功能實現(xiàn)經(jīng)濟預警。

此外,還有Logistic回歸分析法[30]、序貫判別法[3]、ARMA等預警方法,這些方法可以分為三類:①指數(shù)預警:景氣指數(shù)法就屬于這種類型,不僅能預測到經(jīng)濟周期的轉(zhuǎn)折點,而且還可以分析經(jīng)濟的波動幅度,它在宏觀經(jīng)濟領域的應用很廣泛,比如金融危機[31-34]、房地產(chǎn)[35]等。②統(tǒng)計預警:判別分析、logistic回歸分析屬于這一類,該方法在企業(yè)預警尤其是上市公司財務危機預警中使用很活躍,而且使用變量少,數(shù)據(jù)收集容易,操作比較簡便。③模型預警:又可以分為線性和非線性模型。大多數(shù)計量經(jīng)濟模型屬于線性模型預警,既能明確地表示出主要經(jīng)濟變量之間的數(shù)量關系,又能剔除那些不感興趣的以及飄忽不定的因素。這對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)濟計量模型利用隨機誤差來表示未知因素對模型的沖擊,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動的轉(zhuǎn)折點。這對于通過預測經(jīng)濟周期轉(zhuǎn)折點進行監(jiān)測預警來講,是其先天性的不足。基于概率分類的模式識別、人工智能等屬于非線性預警模型,對處理復雜的非線性系統(tǒng)具有更大的優(yōu)勢。

2經(jīng)濟預警應該注意的問題

(1)預警指標的選擇這是經(jīng)濟預警的第一步,選取指標時應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)濟涵義的重要性和全面性;②相對穩(wěn)定性;③好的循環(huán)波動性能;④指標的測度能力,主要是指指標對總體經(jīng)濟反映的靈敏性和可靠性;⑤指標的時效性。同時采用時差分析、主成分分析法、判別分析等方法對指標進行篩選和分類,最終確定預警指標。指標不是靜態(tài)的,應該隨著時間進行調(diào)整、補充和修改,以滿足經(jīng)濟預警需要。(2)針對不同的經(jīng)濟對象選擇合適的預警方法不同預警方法使用時都有局限性,并不是越復雜的模型越好,在實際中要有針對性的選擇合適的方法進行預警。克服只重視定量預警的方法,要把定性預警結(jié)合起來,對經(jīng)濟對象所處的內(nèi)外部環(huán)境的有利和不利因素進行全面分析,最后結(jié)合專家的知識經(jīng)驗做出最終預警?？朔A警方法的單一,將不同預警方法結(jié)合起來進行綜合預警,提高預警可靠度。用系統(tǒng)化的思想進行經(jīng)濟預警,把定性定量相結(jié)合,把短期與長期相結(jié)合,把靜態(tài)與動態(tài)分析相結(jié)合,把統(tǒng)計分析與數(shù)學模型相結(jié)合等等。(3)預警警限的動態(tài)確定警限確定也應隨著條件變化而有所變化,尤其是無警警限更應該以客觀方式確定。對于企業(yè)預警來說,警限的確定不僅要進行縱向比較,而且還要和同行業(yè)進行橫向比較,經(jīng)過專家討論最終確定警限,同時必須對警限進行定期的調(diào)整和修改。

3結(jié)束語

本文簡要評述了幾種經(jīng)濟預警方法,今后需要在以下領域進一步深入研究:(1)經(jīng)濟預警是建立在預測技術(shù)基礎上的,那么預測的結(jié)果往往與實際會有偏差,如果錯誤報警,將會造成一定的經(jīng)濟損失。而誤警概率(發(fā)生警情而沒有報警)和虛警概率(實際沒有發(fā)生而報出警情)的確定目前仍然沒有科學的方法進行估計,因此預警可靠度仍然是一個有待深入研究的問題。(2)信息技術(shù)為開發(fā)預警支持系統(tǒng)提供了強有力的工具。充分利用現(xiàn)代計算機技術(shù),開發(fā)實用先進的軟件,使經(jīng)濟預警系統(tǒng)具有良好的人機交互能力。利用數(shù)據(jù)倉庫和數(shù)據(jù)挖掘技術(shù),對數(shù)據(jù)進行深層次分析,同時把多媒體技術(shù)融入預警系統(tǒng),實現(xiàn)動態(tài)報警,使預警結(jié)果的顯示更加豐富。因此對預警決策支持系統(tǒng)也需要進一步研究。(3)人工神經(jīng)網(wǎng)絡技術(shù)已經(jīng)應用于預警系統(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警領域,給智能預警系統(tǒng)的知識表示和推理帶來了新的理論和方法。今后還需要進一步研究如何把預警支持系統(tǒng)和專家系統(tǒng)更加緊密的結(jié)合起來。