資源獲取型林業(yè)對外直接投資的風(fēng)險預(yù)警

張愛美,郭靜思,張詩悅2,吳衛(wèi)紅，張 琨

(1.北京化工大學(xué) 經(jīng)濟(jì)管理學(xué)院,北京100029;2.中國礦業(yè)大學(xué)(北京) 管理學(xué)院,北京 100083)

資源獲取型林業(yè)對外直接投資的風(fēng)險預(yù)警

張愛美1,郭靜思1,張詩悅2,吳衛(wèi)紅1，張 琨1

(1.北京化工大學(xué) 經(jīng)濟(jì)管理學(xué)院,北京100029;2.中國礦業(yè)大學(xué)(北京) 管理學(xué)院,北京 100083)

構(gòu)建資源獲取型林業(yè)對外直接投資風(fēng)險預(yù)警指標(biāo)體系,利用我國林業(yè)對外直接投資主要流向的12個資源型林業(yè)國家2008—2015年的樣本數(shù)據(jù),采用主成分分析法將各個年份樣本國家的風(fēng)險劃分為四個不同等級,基于BP神經(jīng)網(wǎng)絡(luò)原理建立資源獲取型林業(yè)對外直接投資風(fēng)險預(yù)警。結(jié)果表明:當(dāng)一國擁有穩(wěn)定的政治環(huán)境和發(fā)達(dá)的經(jīng)濟(jì)金融體系,或一國的森林資源豐富且投資成本較低廉時,會產(chǎn)生較低的風(fēng)險警戒;反之,經(jīng)濟(jì)狀況較差和政治動蕩的國家,即使森林資源較充裕,仍需加強風(fēng)險預(yù)警防范。針對控制與防范風(fēng)險，提出相應(yīng)的對策與建議。

資源獲取型林業(yè);對外直接投資;風(fēng)險預(yù)警;BP神經(jīng)網(wǎng)絡(luò)

1 引言

隨著經(jīng)濟(jì)全球化進(jìn)程的拓寬與延伸，對外直接投資成為各國合作貿(mào)易的重要投資方式之一。林業(yè)作為國民經(jīng)濟(jì)發(fā)展的重要行業(yè),在林產(chǎn)資源建設(shè)、環(huán)境保護(hù)、國土安全和人民生活中起到關(guān)鍵作用。以“創(chuàng)新發(fā)展、協(xié)調(diào)發(fā)展、綠色發(fā)展、開放發(fā)展、共享發(fā)展”為核心的五大發(fā)展理念更為中國林業(yè)提升對外合作實力、拓寬國際貿(mào)易平臺、促進(jìn)林業(yè)對外直接投資發(fā)展注入了新鮮血液。對外直接投資的穩(wěn)定發(fā)展需要保障,而建立相應(yīng)的風(fēng)險預(yù)警是把握林業(yè)對外直接投資發(fā)展合作風(fēng)向標(biāo)的有效保障。

依據(jù)林業(yè)對外直接投資目的可將林業(yè)企業(yè)“走出去”的動因分為資源獲取型和加工貿(mào)易型。資源獲取型林業(yè)是指林業(yè)企業(yè)以獲取東道國森林資源為動機,一般通過進(jìn)口或?qū)ν庵苯油顿Y等途徑來獲取相應(yīng)的木材資源,滿足原木需求。就目前狀況來看,資源獲取型林業(yè)對外直接投資方式仍是我國林業(yè)主要的海外投資模式。一方面,林業(yè)的國際貿(mào)易分工日趨細(xì)化,不同國家和地區(qū)成為了木材生產(chǎn)地、木材貿(mào)易地和木材消費地,便于我國林業(yè)對外直接投資和獲取木材資源。另一方面,雖然我國森林覆蓋率較高,森林資源豐富,但人均占有量很少,導(dǎo)致木材缺口仍然較大的問題長期存在,進(jìn)行對外直接投資以增加木材蓄積量是我國林業(yè)“走出去”的關(guān)鍵環(huán)節(jié)。同時,在獲取海外森林資源經(jīng)營活動中,林業(yè)企業(yè)會遇到由林業(yè)資源投資回收期長、易受自然災(zāi)害襲擊、東道國市場環(huán)境不穩(wěn)定、經(jīng)濟(jì)政策發(fā)生變動等因素所導(dǎo)致的損失、費用和損害的不確定性,這種不確定性直接關(guān)乎林業(yè)企業(yè)的經(jīng)營效益狀況和未來的發(fā)展前景。就資源獲取型林業(yè)對外直接投資的長期發(fā)展而言,融入可持續(xù)性的有效的風(fēng)險預(yù)警機制必不可少,這正是本文研究的意義所在。

從近年有關(guān)對外直接投資發(fā)展現(xiàn)狀與風(fēng)險預(yù)警的研究成果看,研究礦產(chǎn)、石油等能源資源風(fēng)險預(yù)警的頗多,且多數(shù)集中在對政治風(fēng)險的評價與防范上。針對林業(yè)對外直接投資的研究則多數(shù)集中在發(fā)展現(xiàn)狀與問題探索,眾多學(xué)者探析了中國企業(yè)對非洲和俄羅斯直接投資的現(xiàn)狀和存在的問題,并為推動中非、中俄林業(yè)合作和林業(yè)境外投資提出了相應(yīng)的建議與防范措施[1-4]。然而,有關(guān)資源獲取型林業(yè)的國家風(fēng)險因素和預(yù)警綜合研究甚少,尤其采用智能科學(xué)途徑來進(jìn)一步研究資源獲取型林業(yè)風(fēng)險預(yù)警仍處于空白階段。本研究以資源獲取型林業(yè)對外直接投資為研究對象,基于BP神經(jīng)網(wǎng)絡(luò)對其風(fēng)險預(yù)警進(jìn)行了實證分析。

2 風(fēng)險預(yù)警指標(biāo)體系的建立

不同行業(yè)建立的風(fēng)險預(yù)警指標(biāo)體系會有所不同,本文在汲取上述文獻(xiàn)主要思想的基礎(chǔ)之上,著眼于宏觀環(huán)境風(fēng)險因素和微觀層面風(fēng)險因素分析,確立政治風(fēng)險、經(jīng)濟(jì)金融風(fēng)險指標(biāo),結(jié)合林業(yè)自身特征融入森林風(fēng)險指標(biāo)。

政治風(fēng)險研究興起于“二戰(zhàn)”后的美國,1999年經(jīng)濟(jì)學(xué)家Daniel Kaufmann[5]等學(xué)者首次公布了世界治理指數(shù)(Worldwide Governance Research Indicators,WGI),為評價一國治理體系和政治制度等提供了一條新的途徑。Peter Eggera、Hannes Winner[6]分別利用1995—1999年77個國家的樣本數(shù)據(jù),重點考察了對外直接投資與腐敗之間的關(guān)系,對比了Wei S J[7]所得到的兩者都為負(fù)相關(guān)，他們的研究結(jié)果得到了兩者都為正相關(guān)關(guān)系。本文借鑒WGI“腐敗控制”指標(biāo),并綜合學(xué)者們的結(jié)論分析,選定兩者關(guān)系為負(fù)相關(guān)?？v觀上述探討,并借鑒蔣冠宏[8]以東道國的政治穩(wěn)定程度、腐敗控制效果、政府效率高低、法律質(zhì)量等因素為基礎(chǔ)建立的政治風(fēng)險指標(biāo)體系,本文選取政治穩(wěn)定與無暴力程度、政府效能、監(jiān)管質(zhì)量、法治和腐敗控制五項指標(biāo)來構(gòu)建政治風(fēng)險預(yù)警指標(biāo)。

本文對經(jīng)濟(jì)金融風(fēng)險界定為由于宏觀經(jīng)濟(jì)環(huán)境和金融環(huán)境的不穩(wěn)定性與不確定性帶來的企業(yè)在對外投資過程中造成的損失和費用等。本文將這一風(fēng)險因素細(xì)分為宏觀經(jīng)濟(jì)指標(biāo)、對外開放程度和金融環(huán)境指標(biāo)，其中以人均GDP年增長率和GDP增長率作為宏觀經(jīng)濟(jì)指標(biāo)。參考孟醒、董有德[9]分析的東道國市場特征有關(guān)的控制變量,以該國的商品貿(mào)易狀況和外國直接投資凈流入作為對外開放程度指標(biāo);借鑒陳家愿、鄭明貴[10]建立的我國海外礦業(yè)投資金融風(fēng)險預(yù)警指標(biāo)體系,以通貨膨脹率和實際有效匯率指數(shù)作為金融環(huán)境指標(biāo)。

表1 資源獲取型林業(yè)對外直接投資風(fēng)險預(yù)警指標(biāo)體系

資源獲取型林業(yè)在對外直接投資經(jīng)營管理中除了面臨政治和經(jīng)濟(jì)金融等相關(guān)風(fēng)險外,還會存在自然資源帶來的風(fēng)險影響。對資源獲取型林業(yè)企業(yè)而言,東道國的自然資源基本狀況是影響企業(yè)對外直接投資重要風(fēng)險因素之一。眾多學(xué)者在研究東道國(地區(qū))存在的風(fēng)險因素和投資之間的關(guān)系時,都有考慮到自然資源稟賦控制變量因素[11-13]。據(jù)此,本文將引入森林風(fēng)險指標(biāo),先選取森林覆蓋率和森林蓄積量作為森林資源基礎(chǔ)指標(biāo)來反映一國森林資源的豐富程度和規(guī)模水平。Nagubadi R V、Zhang D[14]利用1989—2008年美國和加拿大的林業(yè)面板數(shù)據(jù)研究了雙邊對外直接投資的影響因素,研究結(jié)果表明，雙邊對外直接投資與原木產(chǎn)量和出口量呈正相關(guān)。在此基礎(chǔ)上,本文選取原木產(chǎn)量和原木出口量指標(biāo),這兩個指標(biāo)能充分表現(xiàn)資源獲取型林業(yè)獨有的特征,既可表現(xiàn)出采伐和獲取一國林木資源時東道國的林業(yè)政策,又能直接客觀顯現(xiàn)出東道國原木資源的發(fā)展規(guī)模?？紤]到企業(yè)在獲取森林資源時所付出的相關(guān)成本,本文選取世界銀行發(fā)布的“森林租金”指標(biāo),并結(jié)合砍伐林木量和特定的租金率、產(chǎn)品價值等關(guān)聯(lián)因素,建立森林成本指標(biāo)。綜上所述,本文選取16項二級指標(biāo)構(gòu)建風(fēng)險預(yù)警指標(biāo)體系,具體見表1。

3 樣本選取與數(shù)據(jù)處理

3.1 樣本國家的選取

本文根據(jù)近幾年與我國合作密切且資源獲取型林業(yè)對外直接投資額較大的國家,同時考慮到樣本國家原始數(shù)據(jù)的可獲得性和完整性,最終選取了12個代表性的資源獲取型國家作為研究樣本,即非洲地區(qū)的加蓬、贊比亞、赤道幾內(nèi)亞和喀麥隆,北美洲地區(qū)的加拿大和美國,南美洲地區(qū)的巴西、圭亞那和玻利維亞,歐洲地區(qū)的俄羅斯和法國,大洋洲地區(qū)的新西蘭。

3.2 數(shù)據(jù)的處理

表1中的五項政治指標(biāo)數(shù)據(jù)來源于世界銀行“全球政府治理指標(biāo)”(WGI)數(shù)據(jù)庫;六項經(jīng)濟(jì)指標(biāo)數(shù)據(jù)源于世界銀行“世界發(fā)展指標(biāo)”(WDI)數(shù)據(jù)庫;森林指標(biāo)中的森林覆蓋率和森林租金占GDP的百分比數(shù)據(jù)同樣來自于世界銀行“世界發(fā)展指標(biāo)”(WDI)數(shù)據(jù)庫,森林蓄積量、原木產(chǎn)量和原木出口量三個指標(biāo)數(shù)據(jù)源于世界糧農(nóng)組織(FAO)的全球森林評估報告和林產(chǎn)品年鑒系列。

4 模型構(gòu)建與實證分析

4.1 基于主成分分析法的風(fēng)險評級

表2 風(fēng)險因子得分

依據(jù)各個國家風(fēng)險因子得分的年變化趨勢,采取極值—均值法確立風(fēng)險評級區(qū)間,并將風(fēng)險劃分為四個等級區(qū)間,分別為正常風(fēng)險警戒、低度風(fēng)險警戒、中度風(fēng)險警戒和高度風(fēng)險警戒四個等級,其中風(fēng)險因子得分與警戒度成反比,風(fēng)險評級臨界值見表3。

從表3可見,當(dāng)F>低警臨界值時,為正常風(fēng)險警戒區(qū)間;同理,當(dāng)中警臨界值低警臨界值區(qū)間,存在正常風(fēng)險。

表3 風(fēng)險評級臨界值

4.2 基于BP神經(jīng)網(wǎng)絡(luò)的風(fēng)險預(yù)警

基于主成分分析法的風(fēng)險評級臨界值和風(fēng)險因子得分,可判定12個國家2008—2015年期間的風(fēng)險等級。在此基礎(chǔ)上,結(jié)合BP神經(jīng)網(wǎng)絡(luò)原理,進(jìn)一步預(yù)測未來風(fēng)險預(yù)警狀態(tài)。Odom M D[15]等選取正常經(jīng)營與失敗經(jīng)營的企業(yè)作為數(shù)據(jù)樣本,最早將神經(jīng)網(wǎng)絡(luò)算法應(yīng)用于企業(yè)預(yù)警,此后人工神經(jīng)網(wǎng)絡(luò)模型法不斷得到改進(jìn)與應(yīng)用。BP神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)中代表性最強且應(yīng)用極為廣泛的一種多層前饋神經(jīng)網(wǎng)絡(luò)。由于BP神經(jīng)網(wǎng)絡(luò)具有非線性映射能力、泛化能力及容錯能力的優(yōu)勢,本文采用輸入神經(jīng)元層、輸出神經(jīng)元層和隱含神經(jīng)元層組成前向三層BP網(wǎng)絡(luò),并借用MATLAB工程軟件神經(jīng)網(wǎng)絡(luò)工具箱來建立林業(yè)海外直接投資風(fēng)險預(yù)警體系。以下為BP學(xué)習(xí)算法的具體步驟[16]。

隨機選取一個學(xué)習(xí)模式對(Xk,Yk),設(shè)置輸入層的輸出為xk,按式(1)和式(2)分別計算隱含層、輸出層各個神經(jīng)元的凈輸入和輸出。

(1)

(2)

按式(3)和式(4)分別計算輸出層和隱含層各個神經(jīng)元的校正誤差。

(3)

(4)

按式(5)和式(6)分別計算修正隱含層到輸出層的連接權(quán)值V和輸出層神經(jīng)元閾值γ;按照式(7)和式(8)分別計算修正輸入層至隱含層的連接權(quán)值W和隱含層神經(jīng)元閾值θ。

(5)

(6)

(7)

(8)

其中,學(xué)習(xí)速率為0<α,β<1。

隨機選取下一個對提供給網(wǎng)絡(luò),循環(huán)以上步驟,直至全部m個學(xué)習(xí)模式對訓(xùn)練完畢。最后判定網(wǎng)絡(luò)全局誤差E是否滿足精度要求,如果滿足則結(jié)束,否則繼續(xù)。

表4 BP神經(jīng)網(wǎng)絡(luò)初始參數(shù)和各函數(shù)設(shè)計

5 神經(jīng)網(wǎng)絡(luò)風(fēng)險預(yù)警結(jié)論

本文采用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱,結(jié)合BP神經(jīng)網(wǎng)絡(luò)自身特點,對資源獲取型林業(yè)海外直接投資風(fēng)險指標(biāo)數(shù)據(jù)進(jìn)行訓(xùn)練、檢測和預(yù)測未來風(fēng)險預(yù)警程度。本文的訓(xùn)練集設(shè)置為2008—2013年的60組數(shù)據(jù),檢測集為2014年的10組數(shù)據(jù),預(yù)測集為2015年10組數(shù)據(jù),預(yù)測未來林業(yè)在海外直接投資經(jīng)營過程中遇到的風(fēng)險預(yù)警等級。訓(xùn)練結(jié)果見圖1,期望誤差值已達(dá)到甚至低于訓(xùn)練精度1E-8,說明訓(xùn)練效果較好;訓(xùn)練誤差曲線趨勢較為平緩,迭代33次后,實現(xiàn)有效收斂。

在達(dá)到BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練精度的基礎(chǔ)上,選取2014年檢測數(shù)據(jù),檢測實際輸出值與期望輸出值之間的誤差大小,有助于檢驗下一步預(yù)警效果。由表5可知,實際檢驗輸出結(jié)果與期望輸出結(jié)果基本一致,檢驗通過,繼續(xù)預(yù)測2016年資源獲取型林業(yè)海外直接投資風(fēng)險預(yù)警形勢,檢驗和預(yù)測結(jié)果見表5和表6。

圖1 BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練結(jié)果

國家實際檢驗輸出期望輸出巴西2.22E-081.24E-099.99E-015.19E-070100玻利維亞3.11E-117.02E-011.46E-071.28E-061000赤道幾內(nèi)亞7.08E-061.60E-071.00E+001.87E-251000俄羅斯5.27E-061.11E-133.33E-102.23E-010010法國1.00E+006.94E-048.80E-133.41E-131000圭亞那3.49E-052.96E-141.47E-221.00E+001000加拿大1.93E-041.91E-163.68E-091.00E+000001加蓬7.33E-178.71E-041.79E-052.48E-010001喀麥隆9.98E-011.00E+001.11E-159.42E-010001美國1.86E-068.54E-173.78E-051.00E+000001新西蘭1.45E-163.46E-031.00E+007.25E-100001贊比亞4.30E-146.23E-132.41E-050.9983684860001

表6 BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果

預(yù)警結(jié)果顯示:①喀麥隆、新西蘭和美國屬于正常風(fēng)險警戒;②加拿大、加蓬和贊比亞屬于低度風(fēng)險警戒;③巴西、玻利維亞、法國和圭亞那為中度風(fēng)險預(yù)警;④赤道幾內(nèi)亞和俄羅斯是高度風(fēng)險警戒。

從整體來看,在森林資源尤為富足,且其經(jīng)濟(jì)金融發(fā)展較好或繁榮,政治環(huán)境趨于穩(wěn)定和協(xié)調(diào)的國家進(jìn)行獲取林木資源投資風(fēng)險屬于正常范圍內(nèi)或產(chǎn)生低度風(fēng)險警戒,林業(yè)企業(yè)加強防范有助于規(guī)避風(fēng)險。此外,當(dāng)一些發(fā)達(dá)國家實施貿(mào)易壁壘政策或森林資源相對不富裕,或一些發(fā)展中國家雖然資源富饒且勞動力成本較低,但由于他們的經(jīng)濟(jì)發(fā)展程度不足、政治環(huán)境動蕩,且法律政策不完善,或與中國林業(yè)合作投資發(fā)展屬于新興時期,會對我國資源獲取型林業(yè)在本土經(jīng)營中加深危機,產(chǎn)生中度風(fēng)險警戒甚至高度風(fēng)險警戒。

6 風(fēng)險防范措施

6.1 宏觀防范措施

搭建林業(yè)對外直接投資信息服務(wù)體系:為了使林業(yè)企業(yè)及時獲取境外投資活動中政治環(huán)境、經(jīng)濟(jì)金融和林業(yè)政策等各類信息,我國政府應(yīng)搭建信息服務(wù)平臺,借助行業(yè)協(xié)會、境外林業(yè)投資商會、商務(wù)部在各地區(qū)的駐外使館、科研機構(gòu)、信息服務(wù)機構(gòu)等渠道幫助林業(yè)企業(yè)及時了解國際林業(yè)動態(tài)與市場變化信息。如為了解巴西境內(nèi)林業(yè)市場相關(guān)信息,可在境內(nèi)建立專門提供相關(guān)市場信息和森林資源狀況的機構(gòu)。

完善相關(guān)制度與政策:①完善林業(yè)法律法規(guī)體系。政府應(yīng)加快制定實施《對外直接投資法》,確保我國林業(yè)企業(yè)對外直接投資有法可依,依法辦事,可及時規(guī)范林業(yè)投資主體行為,便于林業(yè)企業(yè)境外管理實現(xiàn)規(guī)范化、信息獲取渠道多樣化,樹立林業(yè)企業(yè)良好形象。②加強建設(shè)林業(yè)經(jīng)濟(jì)政策。一方面,完善林業(yè)對外直接投資保險制度,鼓勵保險機構(gòu)開發(fā)多元化、多層次保險產(chǎn)品,完善創(chuàng)新保險產(chǎn)品開發(fā)機制。例如,在赤道幾內(nèi)亞等政治、經(jīng)濟(jì)金融、社會文化和政策法律較不穩(wěn)定的且處于高度風(fēng)險狀態(tài)的國家,政府應(yīng)加大宣傳力度,提升林業(yè)企業(yè)投保意識和風(fēng)險意識,鼓勵企業(yè)購買保險,降低風(fēng)險。另一方面,實施有效的融資政策,加強資金支持力度。建議我國政府加大資金支持,建立對外經(jīng)濟(jì)技術(shù)合作的林業(yè)專項資金并將BOT系列融資模式應(yīng)用到林業(yè)項目。例如,在森林資源豐富、制度環(huán)境良好且風(fēng)險較低的國家內(nèi),如新西蘭、加拿大、美國等,對其海外直接投資的重點項目給予一定的資金支持和技術(shù)支撐。③打擊非法木材的國際貿(mào)易,加快實施森林認(rèn)證工作。為了避免俄羅斯提高我國原木進(jìn)口關(guān)稅或部分國家實行貿(mào)易壁壘,建議有關(guān)林業(yè)部門設(shè)立相關(guān)木材合法性和認(rèn)證管理機構(gòu),促進(jìn)產(chǎn)業(yè)穩(wěn)定發(fā)展,清除非法木材合作活動。

6.2 微觀防范措施

正確選擇投資區(qū)位:林業(yè)企業(yè)應(yīng)根據(jù)自身投資需求確立投資目標(biāo),實現(xiàn)對東道國區(qū)位優(yōu)勢利用最大化。若投資目標(biāo)傾向于森林資源,則應(yīng)定位于森林資源豐富、種類較多的地點,如不斷挖掘與南美洲國家森林資源開發(fā)利用合作潛力,與巴西、玻利維亞、圭亞那等國家磋商森林資源開發(fā)合作;若投資目標(biāo)傾向于東道國的林業(yè)高新技術(shù)和科技水平,則選擇技術(shù)水平發(fā)達(dá)、管理經(jīng)驗豐富的國家,如與加拿大、美國、新西蘭等林業(yè)技術(shù)發(fā)達(dá)的國家合作,汲取林業(yè)技術(shù)經(jīng)驗;若投資目標(biāo)傾向于市場潛在消費能力和市場資源,應(yīng)選取市場資源豐富、勞動力成本較低及市場消費能力較強的東道國,如不斷開辟加蓬、贊比亞、赤道幾內(nèi)亞等國家的林業(yè)市場。

構(gòu)建合理風(fēng)險評價和預(yù)警體系:林業(yè)企業(yè)應(yīng)該針對東道國社會文化特征、政治環(huán)境、經(jīng)濟(jì)發(fā)展、林業(yè)相關(guān)法律政策、林產(chǎn)品市場前景和消費潛能等,同時結(jié)合企業(yè)自身實際對外直接投資經(jīng)營狀況,建立一套完整有序、科學(xué)客觀的風(fēng)險評估體系和風(fēng)險預(yù)警機制。林業(yè)企業(yè)可基于相關(guān)風(fēng)險預(yù)警理論,結(jié)合相關(guān)預(yù)警模型和國家風(fēng)險數(shù)據(jù)構(gòu)建風(fēng)險預(yù)警模型。例如,本文基于BP神經(jīng)網(wǎng)絡(luò)構(gòu)建風(fēng)險預(yù)警系統(tǒng),研究樣本國家風(fēng)險狀態(tài),為林業(yè)企業(yè)的風(fēng)險預(yù)警管理提供參考和建議。

[1]高雪峰,宋維明.中國對非洲林業(yè)直接投資問題分析[J].林業(yè)經(jīng)濟(jì),2010,(1)∶90-93.

[2]唐帥,宋維明.中俄林業(yè)合作面臨的形勢和發(fā)展趨勢[J].國際經(jīng)濟(jì)合作,2013,(11)∶52-55.

[3]李靜,荊濤.我國企業(yè)境外林業(yè)投資現(xiàn)狀分析與建議[J].林業(yè)資源管理,2015,(6)∶59-63.

[4]鞠巖峰,張劍.中國企業(yè)對非洲林業(yè)合作與投資調(diào)查分析[J].林業(yè)資源管理,2015,(4)∶13-17.

[5]Kaufmann D,Kraay A,Zoido P.World Bank Policy Research Working Paper[Z].Governance Matters,1999.

[6]Egger P,Winner H.Evidence on Corruption as an Incentive for Foreign Direct Investment[J].European Journal of Political Economy,2005,21(4)∶932-952.

[7]Wei S J.Corruption in Economic Development：Beneficial Grease,Minor Annoyance,or Major Obstacle[Z].Mimeo,Kennedy School,Harvard University,1988.

[8]蔣冠宏.制度差異、文化距離與中國企業(yè)對外直接投資風(fēng)險[J].世界經(jīng)濟(jì)研究,2015,(8)∶37-47.

[9]孟醒,董有德.社會政治風(fēng)險與我國企業(yè)對外直接投資的區(qū)位選擇[J].國際貿(mào)易問題,2015,(4)∶106-115.

[10]陳家愿,鄭明貴.基于BP神經(jīng)網(wǎng)絡(luò)的我國海外礦業(yè)投資金融風(fēng)險預(yù)警分析[J].資源與產(chǎn)業(yè),2014,16(4)∶106-110.

[11]Asiedu E.Foreign Direct Investment in Africa：The Role of Natural Resources,Market Size,Government Policy,Institutions and Political Instability[J].The World Economy,2006,29(1)∶63-77.

[12]Kolstad I,Wiig A.What Determines Chinese Outward FDI?[J].Journal of World Business,2012,47(1)∶26-34.

[13]張雨,戴翔.政治風(fēng)險影響了我國企業(yè)“走出去”嗎[J].國際經(jīng)貿(mào)探索,2013,29(5)∶84-93.

[14]Nagubadi R V,Zhang D.Bilateral Foreign Direct Investment in Forest Industry Between the US and Canada[J].Forest Policy and Economics,2011,13(5)∶338-344.

[15]Odom M D,Sharda R A.A Neural Network Model for Bankruptcy Prediction[Z].The International Joint Conference on Neural Networks,1990.

[16]馬銳.人工神經(jīng)網(wǎng)絡(luò)原理[M].北京：機械工業(yè)出版社,2010∶121-125.

RiskEarlyWarningofForeignDirectInvestmentofResource-acquiredForestry

ZHANG Ai-mei1,GUO Jing-si1,ZHANG Shi-yue2,WU Wei-hong1，ZHANG Kun1

(1.School of Economics and Management,Beijing University of Chemical Technology,Beijing 100029,China;2.School of Management,China University of Mining and Technology(Beijing),Beijing 100083,China)

Under the resource-acquired forestry,this paper established the index system of foreign direct investment risks warning.By integrating the information of twelve destinations of Chinese forestry foreign direct investment over the period of 2008-2015,Principal Component Analysis was adopted to divide the risk state of these countries into four different grades for every year.Based on that,BP neural network was used to warn the risks of these investing countries.The results could be drawn as follows:Countries with stable political and economic environment,or with rich forest resources and low investment cost,needed a less warning.On the contrary,countries with poor economic status and unstable political environment but in good resource condition,needed a higher warning.Besides,this text put forward countermeasures and suggestions related to risk control and prevention,which provided valuable reference to the future studies.

resource-acquired forestry;foreign direct investment;warning of risks;BP neural network

2017-11-17；

2017-12-25

國家林業(yè)局林業(yè)重大問題研究及政策制定項目“世界林業(yè)發(fā)展動態(tài)跟蹤與政策研究”;中國林業(yè)科學(xué)研究院林業(yè)科技信息研究所課題項目“中國林業(yè)對外直接投資的風(fēng)險評價及控制策略研究”。

張愛美(1965-),女,吉林省撫松人,博士,副教授,研究方向為環(huán)境經(jīng)濟(jì)、技術(shù)經(jīng)濟(jì)。

張詩悅(1993-),女,吉林省公主嶺人,碩士研究生,研究方向為管理科學(xué)。

10.3969/j.issn.1005-8141.2018.01.013

F326.20

A

1005-8141(2018)01-0071-06