基于ANFIS 的區(qū)域金融風(fēng)險(xiǎn)預(yù)警研究

王小霞，李潔，郭琳

（西安財(cái)經(jīng)大學(xué)經(jīng)濟(jì)學(xué)院，西安 710000）

1 引言

自2012 年開(kāi)始，我國(guó)經(jīng)濟(jì)發(fā)展進(jìn)入“三期疊加”的新常態(tài)時(shí)期。地方政府債務(wù)急劇膨脹、商業(yè)銀行不良貸款率上升、房地產(chǎn)泡沫加大等風(fēng)險(xiǎn)隱患為區(qū)域金融帶來(lái)了嚴(yán)重沖擊。由于我國(guó)幅員遼闊，加之受區(qū)位條件、經(jīng)濟(jì)社會(huì)發(fā)展水平、資本逐利性等因素的影響，區(qū)域金融風(fēng)險(xiǎn)累積程度有明顯的差異。此外，區(qū)域金融風(fēng)險(xiǎn)有極強(qiáng)的聯(lián)動(dòng)性和傳染性，因此，要維護(hù)我國(guó)宏觀經(jīng)濟(jì)金融穩(wěn)定，必須把區(qū)域金融風(fēng)險(xiǎn)預(yù)警工作放在重要位置。

當(dāng)前，對(duì)于區(qū)域金融風(fēng)險(xiǎn)的研究，學(xué)術(shù)界暫無(wú)一套全面且有效的預(yù)警指標(biāo)體系，無(wú)法客觀、全面地測(cè)度區(qū)域金融風(fēng)險(xiǎn)。本文結(jié)合現(xiàn)階段我國(guó)經(jīng)濟(jì)金融發(fā)展的特征與區(qū)域金融風(fēng)險(xiǎn)的生成來(lái)源，構(gòu)建了層次清晰的區(qū)域金融風(fēng)險(xiǎn)預(yù)警指標(biāo)體系，通過(guò)合成風(fēng)險(xiǎn)指數(shù)實(shí)現(xiàn)對(duì)區(qū)域金融風(fēng)險(xiǎn)的測(cè)度。本文選用結(jié)合了人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力和模糊推理系統(tǒng)的模糊處理能力的復(fù)合模型——ANFIS 模型，以解決復(fù)雜的非線性映射問(wèn)題，最終達(dá)到“預(yù)警結(jié)果可靠，解析邏輯清晰”的效果。

2 區(qū)域金融風(fēng)險(xiǎn)預(yù)警指標(biāo)體系構(gòu)建

通過(guò)梳理文獻(xiàn)發(fā)現(xiàn)，大多數(shù)學(xué)者認(rèn)為金融市場(chǎng)中的相關(guān)指標(biāo)所涵蓋的信息能夠直接地反映金融風(fēng)險(xiǎn)，故主要從銀行、證券、保險(xiǎn)等金融市場(chǎng)選取相關(guān)指標(biāo)構(gòu)建金融風(fēng)險(xiǎn)的指標(biāo)體系。然而，金融風(fēng)險(xiǎn)的形成、積蓄和爆發(fā)在很大程度上也受影響于外部環(huán)境的沖擊。因此，本文結(jié)合金融風(fēng)險(xiǎn)壓力指數(shù)的概念，參考李正輝和馬守榮（2016）、沈麗等（2019）、耿德林等（2019）學(xué)者的研究成果，設(shè)置地方政府、金融體系、對(duì)外經(jīng)濟(jì)、房地產(chǎn)部門和實(shí)體經(jīng)濟(jì)5 個(gè)金融風(fēng)險(xiǎn)子系統(tǒng)，分解出28 個(gè)預(yù)警指標(biāo)，構(gòu)成區(qū)域金融風(fēng)險(xiǎn)預(yù)警指標(biāo)體系，如表1 所示。

表1 區(qū)域金融風(fēng)險(xiǎn)預(yù)警指標(biāo)體系

3 區(qū)域金融風(fēng)險(xiǎn)測(cè)度與預(yù)警區(qū)間確定

3.1 區(qū)域金融風(fēng)險(xiǎn)綜合指數(shù)測(cè)度

首先，通過(guò)對(duì)2000-2019 年我國(guó)31 個(gè)省5 個(gè)風(fēng)險(xiǎn)子系統(tǒng)的指標(biāo)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，采用KMO 和Bartlett 球形檢驗(yàn)對(duì)子系統(tǒng)的預(yù)警指標(biāo)進(jìn)行檢驗(yàn)，確定均適合主成分分析；其次，運(yùn)用SPSS 24 軟件進(jìn)行時(shí)序全局主成分分析，得到子系統(tǒng)風(fēng)險(xiǎn)指數(shù)；最后，確定風(fēng)險(xiǎn)子系統(tǒng)的權(quán)重，計(jì)算得出綜合風(fēng)險(xiǎn)指數(shù)。采用CRITIC 賦權(quán)法對(duì)5 個(gè)風(fēng)險(xiǎn)子系統(tǒng)賦權(quán)，具體步驟及計(jì)算過(guò)程如下：

式中，ωj為第j 個(gè)指標(biāo)的權(quán)重（j=1,2，…，n）；cj包含指標(biāo)的相關(guān)性和變異性，計(jì)算公式為：

式中，σj為第j 個(gè)指標(biāo)的標(biāo)準(zhǔn)差；rij為第i 個(gè)指標(biāo)與第j個(gè)指標(biāo)的相關(guān)系數(shù)（i，j=1,2，…，n）。

通過(guò)對(duì)5 個(gè)風(fēng)險(xiǎn)子系統(tǒng)的風(fēng)險(xiǎn)指數(shù)進(jìn)行描述統(tǒng)計(jì)分析后，可獲得每個(gè)風(fēng)險(xiǎn)子系統(tǒng)風(fēng)險(xiǎn)指數(shù)的相關(guān)系數(shù)與標(biāo)準(zhǔn)差，代入上述公式可以計(jì)算得出每個(gè)風(fēng)險(xiǎn)子系統(tǒng)風(fēng)險(xiǎn)指數(shù)的權(quán)重。由此，得到區(qū)域金融風(fēng)險(xiǎn)綜合指數(shù)的表達(dá)式：

X=0.135X1+0.456X2+0.124X3+0.099X4+0.187X5

3.2 區(qū)域金融風(fēng)險(xiǎn)綜合指數(shù)比較分析

3.2.1 縱向比較分析

通過(guò)選取GDP 增長(zhǎng)率代表經(jīng)濟(jì)增長(zhǎng)水平與區(qū)域金融風(fēng)險(xiǎn)綜合指數(shù)共同繪制散點(diǎn)圖，對(duì)區(qū)域金融風(fēng)險(xiǎn)結(jié)構(gòu)分布特征進(jìn)行時(shí)間維度的縱向比較發(fā)現(xiàn)：我國(guó)區(qū)域金融風(fēng)險(xiǎn)水平呈現(xiàn)“東低西高”的情況，區(qū)域金融風(fēng)險(xiǎn)指數(shù)的大小與經(jīng)濟(jì)增長(zhǎng)無(wú)明顯的相關(guān)性。在同一年中，經(jīng)濟(jì)增長(zhǎng)較快的省份沒(méi)有伴隨著較大的區(qū)域金融風(fēng)險(xiǎn)；在不同年份之間，經(jīng)濟(jì)增長(zhǎng)較快的年份區(qū)域金融風(fēng)險(xiǎn)聚集中心沒(méi)有發(fā)生大幅度的右移。我國(guó)區(qū)域金融風(fēng)險(xiǎn)集中度越來(lái)越高，有逐步趨同的態(tài)勢(shì)。

3.2.2 橫向比較分析

參照我國(guó)區(qū)域金融運(yùn)行報(bào)告，將我國(guó)劃分為東部、中部、西部和東北地區(qū)，以各地區(qū)內(nèi)各省的平均風(fēng)險(xiǎn)指數(shù)代表該地區(qū)的風(fēng)險(xiǎn)水平。金融風(fēng)險(xiǎn)水平排序從高到低依次是西部、東北、中部和東部地區(qū)，東部和東北地區(qū)的波動(dòng)幅度較大，中部和西部地區(qū)相對(duì)平穩(wěn)。其中，東部地區(qū)在經(jīng)濟(jì)改革中積極轉(zhuǎn)方式、調(diào)結(jié)構(gòu)，自身優(yōu)勢(shì)進(jìn)一步保持和放大，金融風(fēng)險(xiǎn)水平處于最低水平。中部地區(qū)的金融風(fēng)險(xiǎn)在2015 年出現(xiàn)較大波動(dòng)，但在2016 年積極響應(yīng)去產(chǎn)能、去庫(kù)存的方針后，金融風(fēng)險(xiǎn)大幅下降。西部地區(qū)由于經(jīng)濟(jì)金融發(fā)展水平相對(duì)落后，相關(guān)政策和監(jiān)管機(jī)制不健全，化解風(fēng)險(xiǎn)的能力較弱，金融風(fēng)險(xiǎn)一直處于較高水平。東北地區(qū)在我國(guó)經(jīng)濟(jì)增速放緩后，由于地區(qū)體制機(jī)制老化、創(chuàng)新能力不足、產(chǎn)能過(guò)剩行業(yè)集中等問(wèn)題，導(dǎo)致2015 年和2016 年的金融風(fēng)險(xiǎn)達(dá)到最高水平，但在供給側(cè)結(jié)構(gòu)性改革后，地區(qū)風(fēng)險(xiǎn)呈現(xiàn)出明顯的下降趨勢(shì)。

3.3 預(yù)警區(qū)間的確定

根據(jù)K-means 聚類分析的思想，確定聚類數(shù)為4，即將區(qū)域金融風(fēng)險(xiǎn)指數(shù)劃分為4 個(gè)風(fēng)險(xiǎn)狀態(tài)：安全、基本安全、輕度風(fēng)險(xiǎn)、嚴(yán)重風(fēng)險(xiǎn)，分別對(duì)應(yīng)A、B、C、D 共4 個(gè)風(fēng)險(xiǎn)等級(jí)。本文使用SPSS 14 軟件分析得到聚類結(jié)果：由K-means 聚類分析得到的區(qū)域金融風(fēng)險(xiǎn)等級(jí)劃分與區(qū)域金融風(fēng)險(xiǎn)結(jié)構(gòu)分布圖所體現(xiàn)的特征相一致，北京、上海的金融風(fēng)險(xiǎn)水平較為平穩(wěn)且一直處于安全狀態(tài)，嚴(yán)重風(fēng)險(xiǎn)、輕度風(fēng)險(xiǎn)的狀態(tài)即風(fēng)險(xiǎn)等級(jí)為D、C 的情況多出現(xiàn)于中西部地區(qū)，例如，青海、寧夏、吉林?？傮w來(lái)看，近年來(lái)各區(qū)域的金融風(fēng)險(xiǎn)狀況有所改善。依據(jù)區(qū)域金融風(fēng)險(xiǎn)綜合指數(shù)和K-means 聚類分析的結(jié)果，可得到區(qū)域金融風(fēng)險(xiǎn)綜合指數(shù)的閾值劃分標(biāo)準(zhǔn)如下，風(fēng)險(xiǎn)狀態(tài)分為安全（A）、基本安全（B）、輕度風(fēng)險(xiǎn)（C）、嚴(yán)重風(fēng)險(xiǎn)（D）的各自閾值劃分分別為（-∞,0.473 5）[0.473 5,0.581 7）[0.581 7,0.652 4）[0.652 4,+∞）。

4 基于ANFIS 的區(qū)域金融風(fēng)險(xiǎn)預(yù)警實(shí)證分析

4.1 ANFIS 模型的訓(xùn)練

首先，設(shè)計(jì)模型所需數(shù)據(jù)集。本文共選取了2000-2019年全國(guó)31 個(gè)省620 個(gè)數(shù)據(jù)作為樣本。以第T 年5 個(gè)風(fēng)險(xiǎn)子系統(tǒng)的風(fēng)險(xiǎn)指數(shù)作為輸入，第T+1 年的區(qū)域金融風(fēng)險(xiǎn)綜合指數(shù)作為輸出，建立一個(gè)5 個(gè)輸入、1 個(gè)輸出的數(shù)據(jù)集，利用2000-2018 年的數(shù)據(jù)進(jìn)行訓(xùn)練和測(cè)試，然后用2019 年數(shù)據(jù)預(yù)測(cè)2020 年風(fēng)險(xiǎn)水平。為了盡量涵蓋各種類型的數(shù)據(jù)，利用Matlab R2014a 中的randperm()函數(shù)隨機(jī)抽取2000-2018 年中的15 年共465 個(gè)樣本生成訓(xùn)練集數(shù)據(jù)，以剩余的4 年共124 個(gè)樣本作為檢驗(yàn)集數(shù)據(jù)。

其次，確定模型的基本設(shè)置。以網(wǎng)格分割法生成模糊規(guī)則，選用線性輸出層隸屬度函數(shù)、鐘型輸入隸屬度函數(shù)且每個(gè)輸入變量對(duì)應(yīng)的隸屬度函數(shù)個(gè)數(shù)為[2,2,3,2,2]。在Matlab R2014a 中通過(guò)鍵入anfisedit 命令打開(kāi)神經(jīng)模糊推理操作器，載入數(shù)據(jù)，完成模型的基本設(shè)置，構(gòu)建本文所使用的ANFIS模型。

再次，運(yùn)用plot()函數(shù)繪制訓(xùn)練前后的隸屬度函數(shù)的圖像，通過(guò)觀察隸屬度函數(shù)曲線形狀的變化，確定參數(shù)是否已經(jīng)完成調(diào)整優(yōu)化。由結(jié)果可以看出，在對(duì)模型進(jìn)行訓(xùn)練前，ANFIS 模型按照網(wǎng)格分割法的原則，生成了能夠均勻分割輸入空間的隸屬度函數(shù)，經(jīng)過(guò)訓(xùn)練后，隸屬度函數(shù)發(fā)生了相應(yīng)的調(diào)整，使得其曲線產(chǎn)生了一定的變化，說(shuō)明訓(xùn)練過(guò)程對(duì)模型中的參數(shù)已進(jìn)行了優(yōu)化。

最后，檢驗(yàn)?zāi)Ｐ托阅堋y(cè)試集數(shù)據(jù)載入訓(xùn)練好的ANFIS 模型中，對(duì)124 個(gè)測(cè)試樣本進(jìn)行仿真，可以看出模型輸出的預(yù)測(cè)值對(duì)實(shí)際值的仿真效果較好，偏差較小且在可以接受的范圍內(nèi)。

為更加客觀地反映模型的擬合效果，使用均方根誤差（RMSE）、平均絕對(duì)誤差（MAE）、平均絕對(duì)百分比誤差（MAPE）作為模型效果評(píng)價(jià)指標(biāo)。由模型評(píng)價(jià)指標(biāo)的計(jì)算結(jié)果發(fā)現(xiàn)，樣本集RMSE，測(cè)試集0.008 103、MAE 測(cè)試集0.005 912、MAPE測(cè)試集1.055 006，其中均方根誤差、平均絕對(duì)誤差均小于0.01，平均絕對(duì)百分比誤差為1.055%，說(shuō)明訓(xùn)練后的ANFIS 模型對(duì)數(shù)據(jù)信息的學(xué)習(xí)已足夠充分，具備對(duì)樣本數(shù)據(jù)進(jìn)行精準(zhǔn)仿真的能力，可以運(yùn)用其對(duì)區(qū)域金融風(fēng)險(xiǎn)進(jìn)行預(yù)警。

4.2 ANFIS 模型的仿真

基于訓(xùn)練好的ANFIS 模型，以2019 年區(qū)域金融5 個(gè)子系統(tǒng)的風(fēng)險(xiǎn)指數(shù)作為輸入變量，以2020 年區(qū)域金融風(fēng)險(xiǎn)綜合指數(shù)作為輸出變量，對(duì)2020 年區(qū)域金融風(fēng)險(xiǎn)進(jìn)行預(yù)測(cè)，并對(duì)照金融風(fēng)險(xiǎn)等級(jí)的閾值劃分判斷其風(fēng)險(xiǎn)狀態(tài)，從而實(shí)現(xiàn)預(yù)警，結(jié)果如表2 所示。

表2 2020 年區(qū)域金融風(fēng)險(xiǎn)綜合指數(shù)預(yù)測(cè)值

從預(yù)警結(jié)果來(lái)看，2020 年我國(guó)31 個(gè)省的區(qū)域金融風(fēng)險(xiǎn)整體處于基本安全的狀態(tài)。其中，輕度風(fēng)險(xiǎn)主要集中于西部地區(qū)。值得關(guān)注的是，2020 年內(nèi)蒙古自治區(qū)的金融風(fēng)險(xiǎn)處于嚴(yán)重風(fēng)險(xiǎn)狀態(tài)。為進(jìn)一步剖析引發(fā)內(nèi)蒙古自治區(qū)風(fēng)險(xiǎn)加劇的原因，可以反向刻畫(huà)近10 年內(nèi)蒙古自治區(qū)5 個(gè)子系統(tǒng)的風(fēng)險(xiǎn)指數(shù)的演變趨勢(shì)，發(fā)現(xiàn)子系統(tǒng)風(fēng)險(xiǎn)指數(shù)的變化具有先行于其他子系統(tǒng)的特點(diǎn)，這反映出該區(qū)域金融風(fēng)險(xiǎn)狀態(tài)的惡化很大程度上源于金融體系子系統(tǒng)風(fēng)險(xiǎn)的積聚，連帶影響地方經(jīng)濟(jì)、房地產(chǎn)部門、實(shí)體經(jīng)濟(jì)子系統(tǒng)，最終引發(fā)內(nèi)蒙古自治區(qū)金融風(fēng)險(xiǎn)的顯現(xiàn)。通過(guò)查閱歷年內(nèi)蒙古自治區(qū)金融運(yùn)行報(bào)告發(fā)現(xiàn)，該區(qū)域的不良貸款率自2014 年開(kāi)始就超過(guò)了不良貸款率紅線2%的標(biāo)準(zhǔn)，2015-2018 年均高達(dá)4%左右，2019 年甚至達(dá)到7.88%，是不良貸款率紅線2%的近4 倍，由此，可以在一定程度上印證上述對(duì)風(fēng)險(xiǎn)成因的判斷。

5 結(jié)論與政策啟示

第一，通過(guò)計(jì)算2000-2019 年我國(guó)31 個(gè)省的區(qū)域金融風(fēng)險(xiǎn)指數(shù)及區(qū)域金融風(fēng)險(xiǎn)的測(cè)度發(fā)現(xiàn)：我國(guó)區(qū)域金融風(fēng)險(xiǎn)整體呈現(xiàn)“東低西高”的分布特點(diǎn)，區(qū)域金融風(fēng)險(xiǎn)有逐步趨同的態(tài)勢(shì)。

第二，通過(guò)使用K-means 聚類算法對(duì)區(qū)域金融風(fēng)險(xiǎn)進(jìn)行風(fēng)險(xiǎn)等級(jí)劃分，看出近年來(lái)我國(guó)區(qū)域金融風(fēng)險(xiǎn)整體處于基本安全的狀態(tài)。其中，貴州、青海、寧夏的金融風(fēng)險(xiǎn)水平則相對(duì)較高，基本處于輕度風(fēng)險(xiǎn)或嚴(yán)重風(fēng)險(xiǎn)狀態(tài)。

第三，通過(guò)運(yùn)用ANFIS 模型，對(duì)2020 年區(qū)域金融風(fēng)險(xiǎn)綜合指數(shù)進(jìn)行仿真預(yù)測(cè)，顯示2020 年我國(guó)區(qū)域金融風(fēng)險(xiǎn)整體處于基本安全的狀態(tài)，但內(nèi)蒙古自治區(qū)的金融風(fēng)險(xiǎn)處于嚴(yán)重風(fēng)險(xiǎn)狀態(tài)，通過(guò)反向分析發(fā)現(xiàn)，金融體系風(fēng)險(xiǎn)積聚是引發(fā)該區(qū)域金融風(fēng)險(xiǎn)爆發(fā)的主要原因。本文從以下兩方面提出政策建議：①防范區(qū)域金融風(fēng)險(xiǎn)。建立多維度的地方政府績(jī)效考核體系，根據(jù)發(fā)展趨勢(shì)的演變及時(shí)更新體系內(nèi)的指標(biāo)，避免由唯GDP 的績(jī)效考核體系帶來(lái)負(fù)外部效應(yīng)；改革現(xiàn)行金融監(jiān)管制度，重視對(duì)于微觀監(jiān)管層面信息的收集和捕獲；確保實(shí)體經(jīng)濟(jì)能夠以較低的成本獲得充裕的資金支持；找準(zhǔn)“引爆點(diǎn)”，化解重點(diǎn)領(lǐng)域風(fēng)險(xiǎn)。②完善區(qū)域金融風(fēng)險(xiǎn)預(yù)警系統(tǒng)。從經(jīng)濟(jì)、政策及社會(huì)熱點(diǎn)問(wèn)題多個(gè)角度分析不同性質(zhì)的因素對(duì)區(qū)域金融風(fēng)險(xiǎn)的影響，建立全面、靈敏、高效的指標(biāo)體系，為區(qū)域金融風(fēng)險(xiǎn)測(cè)度及預(yù)警做好必要的前期準(zhǔn)備；建立全國(guó)統(tǒng)一的金融風(fēng)險(xiǎn)數(shù)據(jù)庫(kù)平臺(tái)，便于不同部門、不同區(qū)域間進(jìn)行對(duì)比分析，引用數(shù)據(jù)挖掘和人工智能等先進(jìn)的跨學(xué)科研究成果，創(chuàng)建先進(jìn)且適用的風(fēng)險(xiǎn)預(yù)警模型，提高區(qū)域金融風(fēng)險(xiǎn)預(yù)警的科學(xué)性、準(zhǔn)確性和有效性。