任鐵爭(zhēng)

摘要：文章重點(diǎn)闡述了目前經(jīng)常使用的經(jīng)濟(jì)預(yù)警方法，包括景氣指數(shù)法、ARCH預(yù)警方法、基于概率模式分類法、人工神經(jīng)網(wǎng)絡(luò)方法、判別分析法等。

關(guān)鍵詞：經(jīng)濟(jì)預(yù)警；預(yù)警方法

經(jīng)濟(jì)預(yù)警方法是指圍繞經(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(cè)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，幾種主要的預(yù)警方法如下：

一是景氣指數(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(cè)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。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(cè)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。

二是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(cè)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(cè)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。

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(cè)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(cè)模型；還可以處理非線性的經(jīng)濟(jì)系統(tǒng)的預(yù)警問題。

三是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

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?gòu)暮?jiǎn)單的統(tǒng)計(jì)規(guī)律出發(fā)來探求發(fā)展趨勢(shì)，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。

四是判別分析法。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(cè)對(duì)象的分類和若干表明觀測(cè)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(cè)樣本分類時(shí)的錯(cuò)判率最小。判別分析過程是根據(jù)已知觀測(cè)量的預(yù)警分類和表明觀測(cè)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(cè)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(cè)量所屬類別進(jìn)行判別。

五是人工神經(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，它可作為解決經(jīng)濟(jì)預(yù)警的一個(gè)重要工具。

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(cè)，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(cè)功能實(shí)現(xiàn)經(jīng)濟(jì)預(yù)警。

此外，還有回歸分析法、序貫判別法、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(cè)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)、房地產(chǎn)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(jiǎn)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(cè)經(jīng)濟(jì)周期轉(zhuǎn)折點(diǎn)進(jìn)行監(jiān)測(cè)預(yù)警來講，是其先天性的不足?；诟怕史诸惖哪Ｊ阶R(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(shì)。