区域性金融风险早期预警体系研究

摘要： 2008年国际金融危机爆发以来，世界各国应对金融危机的经验表明，构建金融体系风险预警机制是必要且可行的。本文通过借鉴国内外关于建立金融风险预警指标体系的既有研究成果，综合运用模糊聚类分析、BP神经网络建模等，提出符合中国特色的区域金融风险预警体系框架，在此基础上对安徽省区域金融风险状况进行预测分析并提出相关建议。

关键词： 金融风险；预警；模糊聚类；神经网络

一、引言

2014年中央经济工作会议明确提出要“高度重视财政金融领域存在的风险隐患，坚决守住不发生系统性和区域性金融风险的底线”。2008年国际金融危机爆发以来，世界各国应对金融危机的经验表明，构建金融体系风险预警机制是必要且可行的。相对于整体金融风险而言，区域性金融风险具有更强的外部传导性和可控性，且一般早于整体金融风险爆发，在某种程度上可被视为整体金融风险的预警信号，因此，作为金融监管的有效补充，研究区域性金融风险早期预警体系并进行预警分析将对金融风险管控具有重要意义。

国外学者对于早期风险预警体系的研究较为系统和成熟，且已有一些金融监管部门建立了早期预警模型，如美联储的SEER评级模型、美国联邦存款保险公司的SCOR模型、法国银行业委员会的预期损失模型、国际货币基金组织的宏观审慎评估模型等。受国际金融危机的影响，近年来国内学者在早期金融风险预警和管理方面的研究也越来越多，但由于预警指标选择、风险状态划分及临界值选择等均不尽相同，因此建立的预警模型也有所差异。本文通过借鉴国内外对金融风险预警指标体系的既有研究成果，综合运用模糊聚类分析、BP神经网络建模等计量分析方法，构建区域金融风险预警体系，以期对区域性金融风险的评估和防范提供客观性依据。

二、总体分析框架及模型构建

本文构建的区域金融风险早期预警体系由三部分组成：首先结合安徽区域特点，构建包括经济因素、财政因素、金融因素、房地产发展、企业经营状况等的区域性金融风险指标体系；其次利用模糊聚类分析对研究样本进行分类，确定BP神经网络预警模型的分割点，为区域性金融风险水平的划分提供一种新思路；最后采用人工神经网络来预测未来金融危机发生的可能性。

（一）区域性金融风险指标体系

区域性金融风险指标选择既要考虑金融风险因素的普遍性，更要体现区域经济金融发展特点。指标选取原则：一是全面性，所选指标尽可能全面反映区域金融风险；二是可得性，所选数据要容易获得，且期间口径未作调整；三是匹配性，数据收集成本与模型预测的经济实用性相匹配。

（二）风险评估的模糊聚类分析

在分析一个时间序列的区域金融风险时，我们可以把指标相似程度高的样本聚集在一起，作为一个整体进行分析，以达到简化的效果。传统的聚类分析是一种“硬划分”，即把每个待识别的对象严格划分到某类中，具有“非此即彼”的性质，这种分类的类别界限也是分明的。然而，在大多数情况下，风险类别可能并没有严格的界定，其类属性方面存在中介性，适合进行“软划分”。模糊集理论为这种划分提供了强有力且有效的分析工具，采用相应的模糊聚类模型，可以取得较好的分类效果。“模糊聚类”概念最早由Ruspini提出，之后人们利用这一概念提出了多种模糊聚类算法。本文运用神经网络来进行模糊聚类，其优势在于神经网络的并行处理结构。

（三）基于人工神经网络的早期预警体系

人工神经网络ANN）是一种在生物神经网络启示下建立的数据处理模型，其具有强大的模式识别和数据拟合能力，最为可贵的是神经网络还有自学习和自适应性。自适应性是指一个系统能够改变自身的性能以适应环境变化的能力，当环境发生变化时，相当于给神经网络输入新的训练样本，网络能够自动调整结构参数，改变映射关系，从而对特定的输入产生相应的期望输出。人工神经网络包括很多种，不同类型的神经网络适用于解决不同的问题，其中最为常用的一种就是BP神经网络，它是一种多层前向神经网络，其权值调整采用反向传播学习算法。而自组织竞争神经网络则使用了与前向神经网络完全不同的思路，采取竞争学习的思想，网络的输出神经元之间相互竞争，同一时刻只有一个输出神经元获胜，因此自组织神经网络主要用于解决分类、聚类问题。鉴于此，本文在进行区域金融风险评估时，运用自组织竞争神经网络进行模糊聚类分析，得出各样本的风险类别；而在构建区域风险早期预警体系时，采用BP神经网络进行分析和预测。

三、区域性金融风险早期预警的实证分析

（一）区域性金融风险监测指标的选取与标准化

金融风险是一个综合性、系统性的概念，单纯选用个别指标不足以反映其真实水平。因此，根据客观性、完备性、科学性、实用性、重要性原则，同时借鉴国内外研究成果，本文选取了经济、财政、金融、房地产、企业经营等方面的17个金融风险评价指标，样本区间为2009年至2014年一季度的安徽省季度数据，并根据指标与金融风险的正负相关性对其进行标准化。

（二）基于自组织竞争神经网络的模糊聚类分析

本文运用MatlabR2014a）的神经网络工具箱，导入21组样本数据，使用自组织特征映射网络的工具箱函数selforgmap创建网络，并确定将区域性金融风险划分为五类，即安全第1类）、基本安全第2类）、风险较低第3类）、警惕第4类）、危险第5类）。值得注意的是，聚类完成时，分为同一类的样本被赋予相同的分类标签1-5的任意整数），但不同类别使用什么数字作为分类标签则是随机的。因此，为了得到正确的结果，需要统计每个聚类类别特征向量数值的均值，由于样本数据已进行标准化处理，数值越低代表风险越低，进而判断不同类别的风险级别，各时点风险水平如表所示。