經(jīng)濟(jì)預(yù)警方法的分類

任鐵爭

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)測和經(jīng)濟(jì)評價(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。

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。

三是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(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)于模式識別系統(tǒng)中的識別錯(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。判別分析是對研究對象所屬類別進(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(dǎo)出的判別函數(shù)對觀測樣本分類時(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)對觀測量所屬類別進(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)部的儲存權(quán)重參數(shù)以對應(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，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別、人工智能等屬于非線性預(yù)警模型，對處理復(fù)雜的非線性系統(tǒng)具有更大的優(yōu)勢。