动态风险分析范文
动态风险分析范文（精选8篇）
动态风险分析 第1篇
一、网络支付的安全认证现状
为了确保网络支付信息的保密性、数据的完整性和身份的可识别性, 支付机构普遍采取了双重安全认证方式, 除“用户名+静态口令”认证外, 还附加使用电子签名、动态口令器和手机动态验证码等认证方式。其中, 电子签名认证是通过专用数字证书硬件设备 (U盾) 对网络支付信息进行电子签名, 以便识别客户的真实身份;动态口令器认证是客户使用电子令牌等手持设备, 根据特定加密算法, 随机生成一次性动态口令用于网络支付;手机动态验证码是支付机构随机发送一次性动态验证短信或微信到绑定的手机上, 客户输入动态验证码完成网络支付。
目前, 在各种网络支付安全认证方式中, 只有电子签名认证方式通过了国家颁布的《中华人民共和国电子签名法》, 并具有法律效力。但是, 电子签名认证只能在计算机上通过U盾实现, 不能在手机、平板电脑等移动终端上使用, 适用范围有限。而手机动态验证码认证方式方便灵活, 客户可以随时随地通过手机获得动态验证码完成网络支付。因此, 部分商业银行和第三方支付机构推荐客户使用手机动态验证码认证方式进行网络支付。
二、手机动态验证码认证的风险分析
手机动态验证码认证方式的实质是将客户手机作为身份识别的手段, 通过客户接收和输入动态验证码来确保网络支付的安全性。如果客户手机和动态验证码被非法盗用, 或者被客户恶意抵赖, 就会导致客户或支付机构的财产损失, 因此, 基于手机动态验证码的网络支付存在一定的风险隐患。
(一) 客户手机冒用
犯罪份子可利用客户遗失的手机, 或者盗用客户身份补办手机卡, 冒用客户身份接收手机动态验证码进行网络支付交易, 给客户利益造成损失。2013年10月, 据媒体披露, 成都市民冯女士未进行任何操作, 却突然收到一条“末位3014的订单, 需要支付987元”的验证码短信, 随后个人账户内987元被非法刷走。经查, 原因是冯女士银行账号信息泄露, 以及手机卡被他人异地补办, 手机动态验证码被拦截, 导致银行资金被非法转账到某第三方支付机构。
(二) 动态验证码盗用
犯罪份子通过钓鱼网站或木马链接, 套取客户的动态验证码和其他账户信息, 在极短的时间内迅速转走客户账户内的资金。2013年11月, 据媒体披露, 个别客户收到网银升级、动态密码器升级等短信, 短信诱使客户登录钓鱼网站输入用户名、登录密码和手机动态验证码等关键信息, 使得犯罪分子可以突破网络支付的安全防护, 非法窃取客户资金。
(三) 网络支付抵赖
基于手机动态验证码的网络支付方式无法确保交易的不可抵赖性, 相关法律条文未认可这种支付方式的安全性。如果客户相互串通, 伪造手机动态验证码被他人非法盗用的假象, 故意否认网络支付交易的真实存在, 商业银行和第三方支付机构可能面临法律纠纷、举证困难、经济赔偿等难题。近期, 光大银行重庆分行某客户的网银账户在异地基于手机动态验证码方式完成了一笔20万元的转账交易。但是, 该客户却否认进行了本次交易, 要求银行承担责任, 双方协商不成, 客户将光大银行重庆分行告上法院。由于手机动态验证码方式未得到电子签名法等法律的认可, 法院认为光大银行应提供证明这笔交易真实性的证据, 并提供网上银行系统绝对安全的证据。但是, 由于无法排除客户手机被非法盗用的可能性, 使得光大银行难以提出有力证据, 可能承担一定的经济赔偿。
三、相关建议
对于淘宝等专业化电商, 由于交易额较小, 并承诺对支付产生的损失进行全额赔付, 面临的风险可控。对于网上银行而言, 由于交易额较大, 缺乏有效的赔付机制, 可能存在较大的支付风险。因此, 为了确保网络支付安全, 应推动支付机构和客户采用电子签名认证方式识别和确认交易主体的真实身份。
(一) 大力推广电子签名认证方式
我国颁布的《中华人民共和国电子签名法》已经确立了电子签名的法律效力, 明确了电子签名规则, 有利于维护电子交易各方的合法权益, 保障电子交易安全, 为电子商务发展创造了有利的法律环境。因此, 建议加强对商业银行和第三方支付机构的指导, 积极引导客户使用电子签名认证方式, 确保交易信息传递的有效性、安全性和不可抵赖性。
(二) 推广金融IC卡身份识别技术
动态风险分析 第2篇
《证券公司风险控制指标动态监控系统指引（试行）》的通知
中证协发[2009]25号
各证券公司：
为贯彻落实《证券公司风险控制指标管理办法》，督促证券公司建立健全风险控制指标动态监控机制，加强风险监控，在风险可控、可测、可承受前提下开展各项业务，我会制定了《证券公司风险控制指标动态监控系统指引（试行）》（以下称《指引》），现发布施行，并就有关事项通知如下：
一、鉴于各证券公司的风险控制管理体系、技术系统不尽相同，《指引》未对风险控制指标动态监控系统（以下称动态监控系统）的建设、运行、管理模式做统一规定，各证券公司应按《指引》要求，结合本公司实际，建立动态监控系统，健全相应的管理体系和制度，明确分管领导、责任部门、工作流程等，确保动态监控系统功能健全、运行有效，切实成为证券公司控制经营风险的得力助手。
二、《指引》发布前已建立动态监控系统的证券公司应对照《指引》评估本公司的动态监控系统，对未达到要求的事项进行整改。各证券公司应在《指引》施行半年内使动态监控系统建设、运行、管理等达到相关要求。
三、我会将密切跟踪《指引》的施行情况，各证券公司在《指引》落实中遇到问题或有意见、建议应及时向我会反馈。我会将在《指引》施行半年后组织检查落实情况。
联系人：薛贵
联系电话：010-66575839
E-mail：xuegui@sac.net.cn
附件：证券公司风险控制指标动态监控系统指引（试行）
二○○九年二月五日
附件：
证券公司风险控制指标动态监控系统指引（试行）
维护人员进行相关的业务、技术和安全培训。
动态风险分析 第3篇
关键词：H2S泄漏,贝叶斯网络,蝴蝶结模型,动态风险分析,钻井
0 引言
H2S是一种无色、剧毒气体,低浓度时带有臭鸡蛋气味,高浓度时由于麻痹嗅觉神经反而没有气味,与空气或氧气以适当的比例(4.3%~46%)混合时会发生爆炸[1]。含硫油气井钻井过程中,H2S造成的危害主要存在于以下4个方面:
1)对人体的危害
H2S被吸入人体后,首先刺激呼吸道,使嗅觉钝化,严重时使其灼伤。其次,刺激神经系统,导致头晕、呼吸困难、心跳加速,严重时造成缺氧而死亡。
2)对设备的危害
H2S溶于水后形成弱酸,能对金属设备产生腐蚀作用,主要形式有电化学腐蚀、应力腐蚀以及“氢脆”[2];对非金属材料的危害是能加速其老化,缩短使用寿命。
3)对钻井液的影响
钻井液中侵入H2S时,其p H值与密度降低,出现絮凝现象。同时,钻井液粘度上升、颜色变深、流动性变差等[3]。
4)对环境的污染
主要表现为对水和空气的污染。
为保障含硫油气井钻井作业安全正常的进行,需对钻井过程中H2S的含量、泄漏途径、可能造成的风险以及预防处理措施等进行监测与分析。目前,国内外针对含硫油气井钻井过程中H2S泄漏的风险分析主要有层次分析法、事故概率分析法(包括统计分析、事故树及事件树分析)、故障类型和影响分析法(FMEA)等。这些方法均是静态的分析方法,而实际钻井过程中,事故的发展或设备的故障是动态变化的,因此采用动态的风险分析方法更符合实际情况。
鉴于此,本文将H2S泄漏的蝴蝶结(Bow-tie,BT)模型转化成贝叶斯网络(Bayes Network,BN),基于贝叶斯方法,利用事故基本原因事件的先验概率计算顶事件发生的概率,并实现更新安全屏障的失效概率、事故后果发生的概率以及基本原因事件的后验概率,达到动态风险分析的目的。
1 动态风险分析原理及流程
1.1 贝叶斯网络
贝叶斯网络(BN)是基于概率推理的图形化网络,是一种有向无环图模型,由代表变量的节点及连接这些节点的有向边构成,贝叶斯公式(式(1))是整个概率网络的基础[4]。
式中:P(Bi|A)和P(A|Bi)为条件概率;P(Bi)为事件发生的概率;n为事件B的个数。图1给出了一个简单的贝叶斯网络。
其中,Xi是随机变量,X1,X2是X4的父节点,X4是X1,X2的子节点(X3,X4与X5同理),有向弧Li表示变量之间的因果关系。贝叶斯网络中定义没有父节点的节点为根节点,没有子节点的节点为叶节点。因此,图1中X1,X2,X3也可称为根节点,X4为中间节点,X5为叶节点。若给定根节点的先验概率分布和条件概率分布,可得到包含所有节点的联合概率分布。在图1中,包含所有节点的联合概率分布函数表示如下:
1.2 BT模型转化为BN
Bow-tie(BT)模型于1979年由澳大利亚昆士兰大学[5]提出,是将事故树分析方法和事件树分析方法融合为一体,全面分析某一事件的发生原因和事故后果的事故建模方法[6],最先由壳牌石油公司用于商业实践[7]。典型的Bow-tie模型如图2所示,其中,BE指基本事件(Basic Event),IE指中间事件(Intermediate Event),TE指顶事件(Top Event),SB指安全屏障(Safety Barrier),Ci指事故后果。
BT模型转化成BN,主要分以下两步。
1)事故树(FT)向BN的转化[8]
对FT中的各事件,在BN中均建立一个与之对应的节点,且重复的事件只建立一个节点,BN中各节点之间的连接按照FT中事件的关系建立。另外,BN中根节点的先验概率和各节点的条件概率表分别依照FT中基本事件的失效概率和逻辑门确定。
FT中主要的逻辑门为“或门”和“与门”,向BN转化的具体方法及条件概率表如图3所示。
2)事件树(ET)向BN的转化[9]
对ET中的各安全屏障,在BN中均建立一个与之对应的节点,且重复的屏障只建立一个节点;对于事故后果,只建立一个叶节点,并根据后果的数目及发生概率大小确定该节点的状态空间和各个状态的名称。根据ET中的逻辑关系,用有向弧将各节点进行连接。另外,BN中叶节点的条件概率根据事故后果对应的事件序列确定。
上述步骤完成后,将两者构成的BN进行整合,最终完成BT模型向BN的转化,整个过程如图4所示。
1.3 概率更新
1.3.1 基本事件概率更新
按照上述方法建立所分析事故的贝叶斯网络,利用根节点的先验概率以及条件概率表可以求出BN中顶事件发生的概率。BN中,概率的更新体现为某一事件在给定了一个新的状态后,运用贝叶斯公式(式(1))可以求得其后验概率,从而实现对该事件概率的更新。通常,所选取的新的状态一般比较明显,常用的有顶事件或者事故后果。本文所实现的为在假设顶事件已经发生的条件下,对基本事件概率进行更新,即P(Xi|Top Event)。BN网络的构建以及计算均采用Ge NIe[10]软件实行。
1.3.2 安全屏障失效及事故后果概率更新
假定安全屏障失效的概率值为随机变量且相互独立,若其先验概率服从某种确定的概率分布,利用事故后果在确定的时间段内发生的累积次数及贝叶斯理论相关知识可以计算出安全屏障失效的后验概率均值,实现对安全屏障发生概率的更新。
根据所建立的BN中事故的发展历程及ET部分各节点的条件概率,结合安全屏障失效的后验概率均值,计算出不同事故后果发生的概率,实现对事故后果概率的更新。
1.4 分析流程
动态风险分析简化流程如图5所示。
2 H2S泄漏动态风险分析
2.1 建立H2S泄漏贝叶斯网络
以“三高”(高温、高压、高含硫)气田钻井过程中H2S泄漏事故为顶事件,分析导致事故发生的基本原因及事故发展过程,建立图6所示的H2S泄漏Bow-tie模型。其中,安全屏障(SBi)依次为警报装置、关井作业、压井作业及应急救援措施。假定当警报装置失效时,H2S泄漏能够被人察觉到,从而触发下一安全屏障的使用。当安全屏障成功运用后,即表示H2S泄漏得到了控制。由图6可以看出,根据H2S泄漏后发展的不同路径,产生了8种后果(Ci),分为4大类(关井成功、压井成功、人员及时撤离、人员中毒或死亡)。Bow-tie模型中各事件基本含义如表1所示。
按照1.2中所述方法将H2S泄漏Bow-tie模型转化成对应的贝叶斯网络,如图7所示。
2.2 基本事件概率更新
通过参考OREDA[11](Offshore and Onshore Reliability Data Handbook)、WOAD[12](Worldwide Offshore Accident Databank),确定造成H2S泄漏事故的各基本事件的概率以及各安全屏障失效的概率,分别作为BN中根节点的先验失效概率以及屏障节点的先验失效概率(见表1)。根据逻辑门与条件概率表之间的转化关系,确定图7中各节点之间的条件概率表。运用Ge NIe软件计算其余节点的先验失效概率,结果如表1所示。
假定H2S泄漏事故已经发生,各安全屏障失效的概率保持不变且相互独立,计算BN中各节点的后验概率,实现基本事件概率的更新,计算结果如表1所示。
2.3 安全屏障失效及事故后果概率更新
传统的事件树分析方法中,安全屏障失效的概率是一个确定的数值,而事实上采用概率分布函数来表示安全屏障失效的概率更符合现场设备运行的实际状态[13]。安全屏障及事故后果概率动态分析中,假定所建立的BN中各安全屏障失效的概率值均是随机变量且相互独立,即任一安全屏障失效与否和之前的安全屏障以及事故后果均无关,安全屏障失效的先验概率分布服从Beta分布。根据Beta分布函数的定义,安全屏障SBi失效的先验概率分布函数f(xi)可以表示为:
式中:ai,bi为Beta分布的参数,f(xi)的均值为期望为
根据美国化工过程安全中心(Center for Chemical Process Safety,CCPS)制定的定量风险分析指南[14],安全屏障的先验失效概率采用Beta分布的参数如表2所示。
若安全屏障失效的数据服从伯努利函数分布,根据贝叶斯定理和伯努利似然函数可以得到安全屏障失效的后验概率分布函数f(xi|Data)为[15]:
式中:Nbi为安全屏障SBi的分支点数目,Fi,k为安全屏障SBi在分支点k处的失效累积次数,Si,k为安全屏障SBi在分支点k处的成功累积次数。由(4)式可知,安全屏障失效的后验概率分布函数f(xi|Data)同样服从Beta分布,分布参数为ai+Fi,bi+Si。不同事故后果的累积数量如表3所示,其中,Mi为不同事故后果的累积数量,时间段Δt取3个月。
根据表2及式(4),可以得到不同安全屏障失效的后验概率均值,如图8所示。
按照图6中H2S泄漏事故的发展过程,利用条件概率及安全屏障失效的后验概率计算不同事故后果类型(关井成功、压井成功、人员及时撤离、人员中毒或死亡)的发生概率,不同事故后果类型发生的概率为相应状态发生概率之和。关井成功、压井成功、人员及时撤离、人员中毒或死亡的发生概率分别为:
不同事故后果类型发生概率随时间的变化如图9所示。
3 结果分析
基本事件概率更新中,以后验概率/先验概率的比值来衡量基本事件与顶事件之间的关系。比值越大,说明该基本事件对顶事件的发生影响程度越大,反之则越小。各基本事件后验概率/先验概率的比值如图10所示。
由图10可知,基本事件X4,X2,X5对H2S泄漏事故影响较大,其次为X9,X6,X8,X1,X7,X3。因而在制定防止H2S泄漏事故发生的预防措施时,重点保证管材腐蚀性能良好、H2S监测设备正常运行以及钻井液p H值处于合适范围内。其他钻井工程因素(下钻速度过快、钻井液中混入低密度处理剂或钻井液密度设计值偏低等)较为次要。
安全屏障失效及事故后果概率更新中,先验概率(Δt=0时)为表1中相应列的值。由图8可知,安全屏障SB1失效的概率明显大于其它屏障,且随着时间的变化,呈上升趋势;SB2,SB3及SB4失效的概率稳定在0.015~0.03范围内。因此在检查H2S泄漏后阻止事故进一步扩大的防护措施时,重点关注H2S警报装置的可靠性。
由图9可知,H2S泄漏后可能造成的4类事故后果中,发生概率的可能性从大到小依次为关井成功、压井成功、人员及时撤离和人员中毒或死亡,相邻的不同类型的事故后果之间发生概率等级相差约为10-2。随着时间的变化,事故后果发生的概率均趋于稳定。
4 结论
1)基于“三高”气田钻井过程H2S泄漏事故的发展过程分析,构建了H2S泄漏Bow-tie模型并利用贝叶斯方法将其转化为对应的贝叶斯网络,为动态风险分析提供了基础。
2)运用Ge NIe软件计算了贝叶斯网络中各节点发生的先验概率。假定在H2S泄漏已经发生的情况下动态更新了基本事件发生的概率,通过比较后验概率与先验概率的比值,确定了不同基本事件对顶事件发生的影响程度,为制定H2S泄漏的防控措施提供了依据。
动态风险分析 第4篇
风险投资 (Venture Capital) 是指具备资金实力的投资家对具有专门技术并具备良好市场发展前景, 但缺乏启动资金的创业家进行资助, 帮助其圆创业梦, 并承担创业阶段投资失败的风险的投资。在风险投资整个运作过程中, 产生了两个层次的委托代理关系:第一层表现为投资者与风险投资家之间的委托代理关系;第二层表现在风险投资家与他所投的风险企业的风险企业家之间的委托代理关系。本文研究的是风险投资家和风险企业家之间的动态的道德风险问题。道德风险即风险企业家利用其与风险投资家之间内生的信息不对称现状 (风险投资家无法观测风险企业家的行为) , 尝试各种“投机”与“偷懒”行为, 以牺牲对风险投资家及整个项目的整体收益为代价, 来强化个人的私有收益。有时, 道德风险可能是项目失败的决定性因素。对道德风险问题的规避需要设计相应有效的契约机制, 而其中最重要的措施就是设计正向激励的激励合同与负向激励的有效监控机制。即风险企业家需要通过设计契约在一个合理的成本上激励出代理人很高的努力水平。这一激励机制必须满足一个激励约束, 而且, 为了激励代理人自愿参与又会附加一个标准的参与约束。在这样的机制中, 风险投资家偏好于在最小的成本上实现正努力的那个契约。国外风险投资解决风险投资者 (Venture Investor) 和风险投资家之间的道德风险问题普遍采用的是有限合伙机制 (the Limited Partnership) 。但对于风险投资家和风险企业家之间的代理问题却没有非常明确的框架或机制, 目前主要是从以下两个方向展开:一方面研究激励机制下的监控结构;另一方面研究监控机制下的激励合同。本文通过建立动态博弈模型, 首次加入时间因素, 构造风险企业家的一些特征如能力水平、风险偏好等随时间的变化趋势, 研究风险投资家提供的服务机制、监控机制与激励机制之间的关系, 以及随着时间的动态变化;并结合对最优激励强度和最优监控强度的参数分析, 从理论上对减少或者规避风险企业家的“投机”行为, 为改进当前的激励合同与监控机制提供了一种分析工具。
二、博弈模型构建
(一) 基本假设及解释
本文研究信息不对称下风险投资中的动态博弈模型, 确立如下假设:
假设1:由于存在信息不对称, 因此风险投资家观察不到风险企业家的努力水平, 但可以观察得到与之相关的一些变量, 如企业的风险产出量。而且不考虑风险投资的成本
假设2:风险投资家对风险企业的投资分N期进行, 即投资过程中不存在中断的情况, 设第t轮的的风险投资的产出函数为线性函数:πt=θtet+mt+nt+ut
其中, 第t轮 (t满足1燮t燮N) 风险投资的产出函数为πt, 它与风险企业家的能力θt, 努力程度et, 风险投资家及为风险企业家提供的增值服务mt, 风险投资家的监控力度nt, 外界的环境噪音ut (风险项目的技术及市场的不确定) 有关, 其中ut~N (0, σ2) 。本文对风险企业家的能力水平进行详细分析, 包含两部分构成因素。第一部分为时间因素, 即随着时间的推移, 企业家的管理素质和运营企业的能力提高, 但提高的程度会递减, 即 ;第二部分为增值服务累积因素, 增值服务会对企业家的正面影响, 但间隔越长, 这期增值服务的影响就越小, 即 。因此可以得出:
假设3:风险企业家的能力公式为:
其中θ0为自主变量, 是企业家一开始就具有的能力;θ1和θ2分别为时间的影响程度和风险企业家对增值服务的吸收程度。一般来讲, 时间序列mt随着t的增加逐渐收敛于一值, 这样累积因素超过某个时间点后会由不确定转变为增加, 但开始的不确定性会由时间因素的增加而抵消。所以, 风险企业家的能力θt随着时间t的增加总体上市增加的, 即 >0, 如 (图1) 所示。为计算简便, 在以后分析中仍表示为θt。为了简化研究, 在这里还需要做一个特殊的假设, 即风险投资家每期提供的增值服务只考虑了本期, 而不考虑对以后风险企业家能力、进而对项目产出的影响。事实上, 这个假设也更符合实际。
假设4:风险投资家是风险中性的, 而风险企业家的风险偏好随着企业的成长而逐渐趋于保守。设风险企业家的的风险规避系数ρt满足ρt=
因为在前期, 风险企业家由于没有财富约束, 往往敢于冒较大的风险运作项目, 但随着风险投资者资金逐渐进入的同时风险企业家投入了大量的人力资本, 进入后期时, 风险企业家就会担心人力资本的流失, 同时, 风险企业家对自己的声誉也更加在乎。所以会变得更加保守 (张洪石, 2003) 。进入投资的中期时, 风险企业家由风险喜好转为风险规避, 即 >0。为计算简便, 在以后分析中仍表示为ρt。
假设5:风险企业家的努力成本CVEt与自身能力θt, 努力程度et有关, 能力θt越强, 努力成本CVEt就越低;努力程度越高, 努力成本CVEt越高, 且增加程度递增, 即 , 因此风险企业家的努力成本函数为 。其中k1为风险企业家努力成本系数
假设6:风险企业家的投机行为eSt为与其努力程度et以及风险规避系数ρt反相关, 本文假设风险企业家的投机行为不会完全没有。设风险企业家的投机行为公式为eSt=X-ρtet。此外, 认为风险企业家从投机中能够得到相应的收益Gt, 设其收益投机行为eSt成正比, 即有Gt=GeSt=G (X-ρtet)
这里X为自主变量, 即风险企业家完全不努力时的投机程度, 并且认为 , 即无论风险企业家多努力, 其都会有一定得投机行为的。G为投机的收益系数。
假设7:风险投资家对风险企业家实行有效的监控, 即可以通过监控机制计时发现风险企业家的投机行为, 并除以惩罚从而控制投机行为, 设风险企业家的投机行为被风险投资家发现的概率为 , 风险投资家将给予风险企业家一定的惩罚
Pt为风险投资家的监控强度nt和风险企业家投机力度est的增函数。对于风险企业家的监控必须要一定的惩罚作为保障, 当风险企业家的投机行为被发现时, 风险投资家将给予风险企业家一定得惩罚Qt, 其惩罚的力度与风险企业家的投机行为est的1/2次方成正比, 其中Q为惩罚系数。
假设8:风险企业家的支付模式是连续显性的, 即每期都会给风险企业家一定得报酬, 其数额大小只与当期的业绩有关, 而与以往的业绩没有关系。则风险企业家的总收益Rt满足如下等式:Rt=αt+βtπt
其中风险企业家的固定收益为αt, 激励强度为βt (或者称为股权支付比例) 。
假设9:风险投资家对风险企业的监督和提供增值服务的成本CVCt与对风险企业家支付的股权支付比例为βt (对风险企业家来说即为可变收益比例) 正相关;与风险投资家的的监督力度nt和提供增值服务的强度mt正相关, 且有 。则风险投资家的成本为CVCt=k2βt+mt2+nt22
其中k2为成本关于激励强度的敏感程度。
假设10:风险投资家与风险企业家的效用函数双方共知, 即风险投资家与风险企业家能够合理预期对方的行为策略
(二) 构建博弈模型
风险企业家具有可变的风险偏好, 第t期的效用函数Ut=-e-ρtωt, ωt表示第t期风险企业家的实际收益, 在这里ωt=Rt-CVEt+Gt-PtQt。确定性等价收入为:Eωt-1/2ρtβt2σ2, 其中1/2ρtβt2σ2表示风险企业家的风险成本。风险企业家的期望效用等于其确定性收入, 所以其第t期的期望效用函数为 。
风险投资家由于是风险中性, 故期望效用就等于其期望收入, 所以E (UVCt) =πt-Rt-CVCt+Qt。即。
三、博弈模型分析
(一) 风险投资家博弈步骤
在风险投资委托代理关系中, 风险投资家作为企业的制定者, 参与动态博弈的显性决策, 其通过对代理者风险企业家的最优行为策略的合理预期, 提供适当的激励合同与有效地监控机制给予风险企业家。其博弈的基本步骤如下:风险企业家与风险投资家签订报酬激励合同, 风险投资家制定一定的监控机制, 并且风险企业家了解这一监控机制的各个环节。在整个合作阶段, 风险企业家的自身特征会随着时间的推移而发生变化, 最显著的便是其能力与风险偏好, 而这两项是双方共知的。风险企业家根据激励合同和风险投资家制定的监控机制, 从自身效用最大化出发, 选择自己的努力程度;风险投资家预先估计风险企业家的行为策略 (努力程度) , 以此为依据选择使其自身效用最大化的激励合同和最优的的监控力度。
(二) 风险企业家的行为策略选择
风险企业家会更具激励合同即风险投资家监控机制选择自己的行为策略。其目标是是自己本身的期望效用最大化, 即 。
风险企业家在第t期最优的努力水平et*由许多因素决定。具体分析每个因素对et*的影响: (1) , 表明风险企业家最优的努力程度et*与能力水平θt成反向关系。即若风险企业家的能力水平提高, 其愿意付出更多的努力;反过来, 能力水平若降低, 则风险企业家会减少努力的程度。 (2) , 表明风险企业家最优的努力程度et*与激励强度βt成反向关系。即风险投资家支付的股权比例越大, 风险企业家努力工作的动力就越大, 因此会更加努力;反过来, 风险投资家支付的股权比例越小, 风险企业家努力工作的动力就越小。 (3) , 表明风险企业家最优的努力程度et*与风险规避系数ρt成反向关系。即风险企业家越厌恶风险, 其承担的风险就越小, 因此愿意付出更多的努力来减少风险的不利影响;反过来, 风险企业家越喜欢风险, 就会将更多的精力放在风险上面, 因而会减少努力地水平。 (4) , 表明风险企业家最优的努力程度et*与监督力度nt和惩罚力度Q成反向关系。即风险投资家若增加监督和惩罚的程度, 会迫使风险企业家做出更多的努力;反过来, 风险投资家若减少监督和惩罚的程度, 则风险企业家投机的动力就会增加, 因此努力水平也会降低。 (5) , 表明风险企业家最优的努力程度et*与努力成本k1和投机收益Q成正向关系。即若风险企业家努力的成本和投机带来的收益越大, 其努力的动力就越小;反过来, 若风险企业家努力的成本和投机带来的收益越小, 其投机的动力就越大, 因此努力的程度就会减少。
(三) 风险投资家的行为策略选择
风险投资家作为动态博弈中的先行者, 往往在预期风险企业家的行为策略后才选择自己的最优行为策略。即风险投资家在第t期根据风险企业家的最优行为策略et*选择最优激励强度βt*、监控力度nt*与增值服务的程度mt*。其最优化问题如下:
其中U0为保留效用, 即风险投资家接受风险投资参与创业企业所得的收益不得小于其从事其他工作的机会成本, 包括出售技术所得以及风险企业家自身为别人打工的收入等。解此最优化问题得: 。
得出的βt*、mt*和nt*的最优均衡值与相关参数一同变化。此时风险投资家与风险企业家的博弈可以解释如下:一是给定风险企业家的努力程度, 给予风险企业家的激励强度 是最优的;二是给定风险企业家的努力程度, 风险投资家的激励强度, 给予风险企业家的增值服务的强度mt*=1-βt*是最优的;三是给定风险企业家的努力程度, 风险投资家的激励强度, 给予风险企业家的监控力度 是最优的。
(四) 最优激励、增值服务和监控力度随时间的变化
由前面的分析, 可以知道 。即风险企业家的的能力θt和风险规避系数ρt随着时间t的增加而增加, 从而对最优的监控力度、增值服务程度和激励强度产生影响。
(1) 最优激励强度的变化。由最优激励强度公式, 可得出以下结论:第一, , 说明最优激励强度与风险企业家的能力成正向关系。风险企业家的能力越强, 其应得的股权支付比例相应就越高。如果βt*随着θt减少, 则会促使风险企业家违约, 寻找其他风险投资机构。第二, , 说明最优激励强度与风险企业家的风险规避系数成反向关系。风险企业家越是规避风险, 其承担的风险就越小, 所得到的股权支付比例也应该越低。随着时间t的增加, θt和ρt的变化对最优激励强度β*t的影响是相反的, 因此βt*随t的变化趋势不能够直接得出。但是 , 说明随着θt的增加, βt*增加的幅度是递增的;而随着ρt的增加, βt*减少的幅度是递减的。因此从整个阶段上来看, βt*还是增加的。即风险投资家支付给风险企业家的股权比例从总体上看应该是增多的。
(2) 最优增值服务的变化。由前述最优增值服务程度公式, 可以知道对于风险投资家来说, 最优增值服务程度与最优激励强度是相互抵消的。从更广泛的意义上来说, mt*不仅可以代表最优的增值服务程度, 还可以代表风险投资家最优的每期注入资金和增值服务总量;βt*不仅可以代表最优的激励强度, 还可以代表风险企业家的剩余索取权和对风险企业的控制能力。在最初时期, 风险企业家若想获得风险资金和增值服务, 就必须要放弃部分控制权和剩余索取权。但是随着企业的成长, 风险企业家管理能力的提高和企业融资的容易程度增加, 风险企业对资金和增值服务mt*的需求会降低;风险企业家对股权比例βt*逐渐增加的要求也会使得风险投资家减少增值服务mt*的供给。
(3) 最优监控力度的变化。将前述最优激励强度公式带入最优监控力度的静态公式, 并忽略ρt的影响, 可以得出最优监控力度nt*近似为关于θt2的二次多项式, 即nt*=f (θt2) , 而且最高项θt4为负值。所以nt*关于θt2和t呈抛物线变化, 即随着t的增加, 最优监控力度nt*先增加, 到达峰值后开始减少。根据张洪石 (2003) 对不同阶段代理风险的研究, 代理风险随着投资阶段的变化出现抛物线式的升降。如 (图2) 所示。虽然企业家的投机行为est会逐渐减少, 在中期存在着更多的代理风险, 如虚报收益、挪用资金、操纵业绩等代理风险将达到最大, 所以最优监控力度nt*也应随着代理风险达到最大, 本文模型得出结论与实际相符。另外, 从最优监控力度公式中也可以看出监控力度nt*也随着惩罚力度Q而呈抛物线变化。在初期, 风险投资家的监控力度nt*和惩罚力度Q是相互替代的, 这是风险投资家处于信息劣势而采取的保护措施;而到后期, 风险投资家对风险企业家的信任增加, 监控力度和惩罚程度会一起下降。
(4) 风险企业家最优努力水平的变化。在前期风险企业家能力θt、风险投资家给予的激励强度βt、风险企业家风险规避系数ρt及风险投资家的监控力度nt都会增加, 所以风险企业家的努力水平et*会增加;但在后期风险投资家的监控力度nt会减少, 因此风险企业家的努力水平et*变化不确定。
四、结论与展望
(一) 结论
通过对风险投资研究中不同阶段的监控与激励的博弈分析, 本文可以得到一些基本结论:第一, 风险投资家支付给风险企业家的股权支付比例, 即激励强度会随着时间而增加;第二, 从风险投资家角度出发, 增值服务与激励强度具有替代性。因此, 风险投资家提供的增值服务会逐渐减少;第三, 风险投资家对风险企业家的监控力度会先上升后下降;第四, 风险企业家的努力水平在前期会增加, 但在后期变化不确定。在后期, 监控力度的下降, 使风险企业家减少努力的动机加强, 同样还存在存在促使企业家增加努力程度的因素。
(二) 展望
本文在构建模型时, 只考虑了风险投资家与风险企业家的委托代理问题。但实际上, 风险投资家作为代理人也会产生代理风险;此外, 风险企业家聘请职业经理人时同样会有代理风险, 所以实际情况最常见的是多重委托代理问题。而且, 事实上风险投资家可以选择的激励和约束机制还有可转换债券和投资辛迪加。不同时间段, 风险企业家对投资工具的选择不一样, 他们同样影响着风险企业家的决策和风险企业的运行。将多重委托代理问题、完善的激励约束机制同风险投资的阶段运作有效的结合起来, 对于风险投资项目整体运作过程中监督机制、激励合同及委代双方行为策略之间的关系还需要做进一步的研究。
参考文献
[1]成思危:《中国经济改革与发展 (第一集) 》, 中国人民大学出版社2000年版。
[2]让·雅克·拉丰、大卫·马赫蒂摩:《激励理论 (第一卷) 委托代理模型》, 中国人民大学出版社2002年版。
[3]张维迎:《博弈论与信息经济学》, 上海人民出版社1996年版。
[4]青木昌彦:《比较制度分析》, 上海远东出版社2001年版。
[5]郑君君:《风险投资中的道德风险与逆向选择》, 武汉大学出版社2006年版。
[6]卫国红:《我国风险投资公司制衡机制研究》, 《吉林大学博士学位论文》2003年。
[7]张洪石:《不同阶段的创业企业家代理风险及管理机制》, 《中国软科学》2003年第11期。
[8]Border, Bewsanko.Samourai Accoutant:A theory of Auditing and Plunde.Review of Economic Studies, 1987.
[9]Alchian A, H.Demsetz.Production Information Costs and Economic Organization.American Economic Review, 1972.
[10]Catherine, Casamatta.Optimal Financial Contracts with Venture Capitalists.The Journal of Finance, 2003.
[11]Kaplan S.N., Stromberg P.Financial Contracting Theory Meets the Real World:An Empirical Analysis of Venture Capital Contracts.NBER Working Paper, 2000.
动态风险分析 第5篇
信用风险 (Credit Risk) 指受信人不能按契约规定履行还本付息的责任而使授信人的预期收益与实际收益发生偏离的可能性。 信用风险对形成债务的双方都有影响, 主要对债券的发行者、投资者和各类商业银行和投资银行有重要作用。
随着资本市场的快速发展, 信用风险的测量由依靠对企业财务报表的分析转向注重资本市场信息中所反映出来的信用风险信息。KMV模型就是一种能根据资本市场信息有效地估计公司信用风险的方法。KMV模型能够根据资本市场企业股价的波动快速的观察公司的理论预期违约率变化情况, 从而提供信用风险预警, 实现对信用风险的动态观测。
2 KMV模型
2.1 理论基础Black-Scholes-Merton模型 (BSM模型)
假设公司资产市场价值V符合几何布朗运动:
dV=μV dt+σaV dz,
公司股权的市场价值可以用Black-Scholes-Merton期权定价模型进行定价:
S= VN (d1) -DerT N (d2) (1)
undefined
undefined
r为无风险利率, T为负债期限。
2.2 KMV模型框架
KMV模型巧妙地运用期权定价理论的思想, 将债权看作债权人对负债公司的股东出售的对公司价值的看跌期权 (卖权) 。期权的标的资产为公司资产, 执行价格为公司的债务价值。在实践中, 其违约点DP并不等于其全部债务总和, 而是介于短期负债 (STD) 和长期负债 (LTD) 中的某个值, 即:
DP= STD +γLTD 0 γ 1
KMV公司根据大量违约的实证分析, 发现违约发生最频繁的临界点处在公司流动负债加上50%的长期负债, 即:
DP= STD +0.5 LTD
由伊藤引理可得公司股权市值波动率和公司资产市场价值的波动率有如下关系:
undefined (2)
借助公司财务数据计算公司违约点DP, 根据公司股票价格信息计算公司的股权的市场价值及其波动率σs, 最后联合方程 (1) 和 (2) 可得到公司资产市场价值V 及其波动率σa。
违约距离 (DD) 的公式如下:
undefined (3)
将违约距离映射到违约概率 (EDF) :
EDF=1-N (d2) =N (-d2)
将违约距离映射为经验违约概率需要大量的历史数据, 由于我国尚未建立完善的数据库系统, 完成这项工作有一定难度。本文主要运用违约距离和理论违约概率衡量公司信用风险。下文主要从ST和非ST公司的违约概率的对比分析中, 研究KMV模型动态监控公司信用风险的重要意义。
3 对24家上市公司的DD和EDF对比的实证研究
选取在国内A股上市的12家ST公司和12家非ST公司, 两类样本中又根据公司的市值规模分为6家规模较小的公司和6家规模较大的公司。计算期为2009年1月9日到2011年3月18日, 其中科大讯飞数据选择转增股前的数据。股票价格数据来源于国泰安金融经济研究数据库, 财务数据来源于巨潮网。数理统计和分析应用Eviews和Matlab软件。
3.1 模型参数的确定
(1) 无风险利率选择期间存款年利率的均值, r=2.75%。
(2) 短期负债和长期负债数据来源于公司2010年年报, 违约点DP=STD+0.5LTD。
(3) 股权价值:样本为全流通股, 股权价值以2011年3月18日的周收盘价为基础计算, 股权价值=收盘价*流通股数量。
(4) 股权价值波动率的估计:采用历史波动率估计方法, 选取样本区间的收盘价计算周波动率, 收益率取对数收益率, 计算公式为:
undefined
undefined
公司股权价值收益率的周标准差和年标准差关系为:
undefined
3.2 数据处理结果
3.3 EDF对比分析
由上面分析可知, 公司的资产规模和是否ST都不能很好地区分自身的信用风险, ST公司的EDF取值区间在0-0.05, 非ST公司的EDF取值区间在0-0.06。由于KMV模型估算的公司信用风险或违约概率主要取决于资产价值、资产风险和债务杠杆比例, 资产规模或者是否ST只是决定违约概率的一个因素, 以此衡量信用风险是不准确的。
4 结论及建议
通过对比分析大公司和小公司的违约概率、分析ST公司和非ST公司的违约概率, 衡量信用风险水平的EDF值没有显著区别。据此, 我们认为, 根据公司规模大小或者是否ST区别公司的信用风险是不科学和不正确的。资本市场根据随时更新的股价数据, 计算公司的动态违约概率, 以此对信用风险头寸进行动态管理, 可以有效烫平市场不必要的波动性;动态测控公司信用风险的变化情况, 实现资源的高效率配置。在瞬息万变和风险传导迅速的资本市场, 对信用风险进行动态管理十分必要。
参考文献
[1]Merton Robert C’mon the pricing of Corporate Debt:The Risk Structure of Interest Rates[J].Journal of Finance, 1974, (2) .
[2]米歇尔.科罗赫, 丹.加莱, 罗伯特.马克.风险管理[M].北京:中国财政经济出版社, 2005.
[3]鲁炜, 赵恒晰, 刘冀云.KMV模型关系函数推测及其在中国股市的验证[J].运筹与管理, 2003, (3) .
动态风险评价方法概述 第6篇
随着航空航天、核工业、化工、建筑、煤炭等科技的发展以及事故的频发, 安全成为的持续发展的重要一环。世界提出了许多事故分析理论与安全评价方法, 事故致因分析理论由1961年有吉布森提出的能量转移理论;1969年瑟利提出的瑟利模型;1972年本纳提出的扰动起源事故理论, 此后佐腾吉信在1981年提出了“作用变化与作用连锁”模型, 从动态和变化的观点阐述了事故的致因;20世纪80年代初人们又提出了轨迹交叉理论。但目前的事故致因理论还很不完善, 没有给出对事故致因进行预测、预防的普遍有效方法。随着致因理论的发展同时衍生出许多安全评价方法, 有指数法中的化工危险度评价法、蒙德评价法等;还有以概率风险评价为主的事故树分析、时间数分析、系统可靠性分析等。
但是, 目前大多数评价方法都是静态分析, 在某一特定状态下对风险进行分析。但随着社会的进步与发展。静态评价已不能很好地评价事故发展的动态随机过程, 不能分析危险因素的动态变化对生产状态的影响以及危险因素相互间的转化关系, 不能及时预测出事故的发展趋势以及后果, 无法做出准确的防范决策, 造成安全管理工作低效。所以动态风险分析已逐渐引起重视, 但研究成果相当少。因此, 作为安全管理的重要课题, 对动态安全评价进行研究, 提高安全评价的科学性, 具有一定的理论价值和现实意义。
2 动态风险评价特点
动态风险评价是对系统中的危险因素进行识别, 并对其状态变化的相关因素、趋势、后果等进行定性或定量分析, 与安全标准进行比较得出系统在不同时刻或状态下出现事故的概率以及严重程度, 以便及时、有效地采取应对措施。动态风险评价具有以下基本特点: (1) 评价指标动态性, 事故的发生归根结底是由于相关因素的变化与发展形成的动态传递, 所以在动态分析中, 评价指标的大小是存在动态变化的。 (2) 指标关联的不确定性, 在不同的情况下指标之间的影响程度以及对事故传递的效果是不同的, 所以动态评价需要对动态过程中, 指标间的变动关系进行分析。 (3) 指标重要度的动态性, 随着环境的状态不同, 风险因素对事故造成的后果也存在变化, 动态风险评价需要根据不同的情景状态来评估指标的重要度, 最终得出不同的事故后果。
3 目前动态风险评估方法
目前对动态风险评估的方法较少, 且大多数是从静态风险评估方法优化后衍生出新的动态评价特性, 本节就目前不同领域常用的动态安全评价方法进行列举 (见表1) 。
4 结论与展望
经过不断的发展, 现有的安全管理与风险分析已经具有一定的水平, 由于系统是处于变化的, 同时对于动态风险评估方法的多元化与专业性也初具规模, 但目前方法仍存在一些不足, 如指标权重变动的合理性、场景状态分析的全面性以及方法应用是否可行上仍存在进一步探索的空间。总体而言, 采用动态风险评估方法能迅速、有效地体现出系统安全状态, 为管理决策和安全投入提供合理的参考依据。
参考文献
[1]Yao Hou.Research and Application of Dynamic Risk Assessment Model for Tunnel Construction of Thin Layered Rock[J].Digital Manufacturing and Automation (ICDMA) , 2013:1001-1004.
[2]贺昌海, 杨栋.基于随机模拟的立堵截流动态风险计算研究[J].武汉大学学报:工学版, 2003, 36 (2) :41-44.He Changhai, Yang Dong.A method for computing dynamic risk of river closure by end-tipping based on random simulation[J].Engineering Journal of Wuhan University:Engineering Science, 2003, 36 (2) :41-44.
[3]Xiao Rongcheng, Yang Danni.The research on dynamic risk assessment based on Hidden Markov Models[C]//Computer Science&Service System (CSSS) , 2012 International Conference on, 2012:1106-1109.
[4]王雪青, 喻刚, 王佳冰.高速公路项目融资风险的动态灰色模糊评价[J].重庆建筑大学学报, 2008.30 (5) :81-85.Wang Xueqing, Yu Gang, Wang Jiabing.A Dynamic Grey-Fuzzy Evaluation Method for Financing Risk in Freeway Project[J].Journal of Chongqing J ianzhu Univer sity, 2008, 30 (5) :81-85.
[5]赵珊珊, 周子冠, 张东霞, 等.大区互联电网动态稳定风险评估指标及应用[J].电网技术, 2009, 33 (2) :68-72.Zhao Shanshan, Zhou Ziguan, Zhang Dongxia, etal.Risk Assessment Index of Dynamic Stability for Large-Scale Interconnected Grids and Its Application[J].Power System Technology, 2009, 33 (2) :68-72.
[6]Lv Youlong, Zhang Jie.Performance evaluation of knowledgeable manufacturing systems using Petri nets considering dynamic events[J].Industrial Engineering and Engineering Management (IEEM) , 2011 IEEE International Conference on, 2011:6-9.
粮食安全风险动态预警模型的构建 第7篇
粮食安全是一个发展的概念，它包括从宏观到微观的多个层次，也是一个从宏观向微观渐次发展的概念。粮食安全问题虽然存在于人类社会的整个历史进程之中，但真正成为人们关注和研究的焦点，却是始于20世纪70年代，最初是联合国粮农组织(Food and Agriculture Organization of the United Nations，简称FAO)为了应对粮食危机提出来的，当时对这一概念的定义是：保证任何人在任何时候，都能得到为了生存和健康所需要的足够食物。它要求各国政府高度重视世界粮食安全问题，采取相应的国家政策措施，消除粮食危机的隐患，确保国家乃至世界的粮食安全。
粮食安全风险预警系统是对粮食市场动态进行监测并研究其变化规律和发展趋向，当市场供求出现严重失衡时，发出警戒信号，并采取一定应急措施对市场进行适当调控的系统。我国实行粮食市场化改革后，粮食生产、流通、消费、贸易等都发生了新的变化，这些变化使我国的粮食安全面临着许多新问题。探索建立粮食安全风险预警系统及相关的应急机制，做到有备无患，对国民经济的持续、稳定和健康发展以及社会稳定都有重要的现实意义。
通过分析发现粮食安全主要风险表征指标供需失调度指数呈现出模糊性和随机性等特点。随机过程中的马尔科夫链方法应用在这类复杂非线性系统的预警问题时，可以对随机状态信息进行检测和处理，并据此推断未来的状态，能够反映风险状态的动态性，进而取得较满意的预警效果。正是基于以上考虑，本文将度量系统状态不确定性的熵概念引入马尔科夫链方法中，提出一种熵权马尔科夫链风险预警模型，实现对粮食安全的动态预警，具有一定的理论与实用价值。
二、理论综述
1. 熵权系数
(1)熵的定义。熵(Entropy)的概念源于热力学，后来由Shannon引入信息论，赋予熵广义的概念，按照熵思想，熵可以用来度量系统状态变化的不确定性。假设系统T可能会处于n种不同的状态：T1,T2,K,Tn，每一种状态出现的概率分别为如果式中的所有Pi都己知，则系统的熵就能够通过下式计算出来：
(2)熵权系数的确定。根据信息熵定义得到衡量不同步长马尔科夫链转移状态的相对重要性的熵值：
其中m代表马尔科夫链状态空间中的状态个数。
由熵的性质可知Qi满足：0Qi1。归一化处理即可得到熵权系数：
(3)
其n中代表所选择的时段个数。λi满足：
2. 马尔科夫链原理
马尔科夫链是一个重要的随机过程,具有“无后效性”特征，即在已知某一过程“现在”条件下，其“过去”和“将来”是独立的，食品安全风险的随机性符合这个假设。马尔科夫链原理的相关定义如下：
定义1：设有随机过程{Xn,n∈T}，参数集T是离散的时间集合，即T={0,1,KK}，其相应凡可能取值的全体组成的状态空间是离散的状态空间I={1,2,KK}。若对任意的整数n∈T和任意的i1,K,in,in+1∈I，条件概率满足：
则称{Xn,n∈T}为马尔科夫链。
定义2：转移概率
条件概率P{Xn+m=j/Xm=i}称为马尔科夫链{Xn,n∈T}在时刻时的步转移概率，特别地，当n=1时，P{X1+m=j/Xm=i}为一步转移概率，其组成的矩阵如下：
转移概率的估计通常采用频率逼近法。首先将数据序列分为若干种状态，则数据序列从状态i经过m步转移到j状态的m步转移概率为：
其中：Mij(m)为状态i经过m步转移到j的次数，Mi为状态i出现的次数。假设序列中最后一个状态为k，当m=1时，由于最后一个时刻的状态转向不确定，因此计算Mk时要去掉最后一个数据，M>1时各Mi计算的原则依此类推。
三、熵权马尔科夫链粮食安全风险动态预警模型
建模过程如下：一是收集我国粮食安全的相关历史数据，通过风险等级划分，得到风险状态等级序列：双绿灯风险、绿灯风险、黄灯风险、红灯风险、双红灯风险，对应于马尔科夫链的5级状态空间I={1,2,3,4,5}。二是根据式(5)进行统计，可得不同步长的马尔科夫链的状态转移概率矩阵P(k)，k为步长，k=1,2k,n。三是推测未来时段的状态转移概率。选择现在时段及其前面若干个时段(如共个时段)，分别以选定时段对应的状态为初始状态，结合(2)中得到的状态转移概率矩阵，可推测出未来时段粮食安全风险的状态转移概率Pi(k)，i为状态，k为步长，k=1,2k,n。四是计算熵权系数。五是预测未来时段的可能状态，即粮食安全未来的风险等级状态。将同一状态的各转移概率的加权和作为粮食安全风险处于该状态的预测概率，即
然后，找出max{Pi,i=1,2K,m}，其所对应的状态即为粮食安全未来的风险状态。
四、实例应用
消费量大于生产量会引发粮食价格上涨，粮食生产企业为扩大生产盲目突破安全生产限度。鉴于粮食在国民经济系统中的重要地位，供给不足还会导致国民经济系统失衡，经济建设受到限制，同时还会加大粮食的进口量，这又会引发一系列问题：生产量大于消费量会导致粮食价格下跌，挫伤粮食生产企业生产积极性，有可能导致对下期市场形势的错误判断，引发下期粮食市场供不应求的矛盾。过量的粮食还会产生仓储费用和成本问题，在储存过程中存在着粮食损耗或者发霉及遭受虫鼠害等风险。因此，通过粮食生产的供需失调情况来反映粮食安全的风险程度有其一定的合理性和现实意义。基于这样的思路，选取某地区的粮食生产和消费量的数据(见表1)来对上述模型进行应用。
(生产量、消费量单位：万吨)
在对数据处理之前首先定义一个供需失调度指数：
通过观察发现，样本数据呈现出较强的随机性，反映出粮食生产安全风险变动的随机性和无后效性，马尔科夫链方法比较适用于处理这类数据。对样本数据进行状态等级划分，有人尝试差值均等划分，但其合理性受到质疑，效果并不理想。文献[6]和文献[7]都同样利用样本数据的标准差进行级别划分，取得了较满意的效果，给出了很好的思路。采用这种思想，结合实际情况，给出风险状态分级如表2所示：
按照公式(7)对粮食供需失调度指数进行计算(所涉及的数据见表1)同时结合表2的分级标准，得到各年份供需失调度指数风险状态等级表(见表3)。
根据式(5)进行统计，得到不同步长的马尔科夫链的状态转移概率矩阵：
时段个数的选择要视实际问题而定，在此选定2003-2007年5个时段对应的状态为初始状态，根据上述状态转移矩阵，可推测2008年粮食生产安全风险的状态转移概率，见表4。
根据式(2)得到熵值向量：
利用式(3)进行归一化，得到熵权向量：
由表4可以看出，max{Pi}=0.320，对应的状态i=2，即某地区2008年粮食生产安全风险的预警状态为绿灯状态。同时，利用马尔科夫方法的链式反应，可以对粮食生产安全风险进行动态预警。具体思路如下：2008年风险的预警状态为绿灯状态，依据表2，供需失调度指数的分级区间为[1.95,3.90]，取区间的中点为预警值，即2008年某地区粮食供需失调度指数的预警值为2.93。将其加入到历史数据序列中，可以得到一组新的供需失调度指数数据。采用上述同样的预警分析步骤，可以依次得出2008以后每年的预警状态。
五、结论
21世纪，中国将进入一个新的发展时期。这个时期的粮食供求状况将直接关系到国民经济的发展和人民的生存。中国的粮食生产和供求已面临着前所未有的挑战。特别是在加入WTO之后，由于我国粮食生产成本高，国内市场粮价高于国际市场粮价，粮食生产不可避免地要受到国际粮食的巨大冲击。“十五计划”提出要建立符合我国国情和社会主义市场经济要求的粮食安全体系，确保粮食供求基本平衡。国外已经开发出运行化的粮食安全预警系统，因此，研制适合我国国情的粮食安全风险预警系统，为国家粮食宏观调控部门提供科学快速的决策支持工具，成为当前摆在我国粮食安全科研工作者面前的紧迫任务。
熵权马尔科夫链风险预警模型，将随机过程的马尔科夫链分析技术与信息熵结合起来，用不同步长的马尔科夫链熵权和来预测系统的状态，因而能更充分地利用原始数据所提供的有用信息，提高了马尔科夫链方法应用的精度和合理性。而且能够反映粮食安全风险状态的动态性，加深了对粮食安全风险问题的探讨。最后选取了某地区粮食生产供需情况的相关数据，对该模型进行实例应用，应用结果表明该模型有效。
参考文献
[1]刘凌.粮食安全预警系统指标体系设计[J].内蒙古科技与经济,2007,(1):133.
[2]熊国强,刘海磊.商品零售价格指数预测的熵权Markov链分析方法研究[J].统计与决策(理论研究专刊),2006(,6):47-50.
[3]Ou Jianshe.Theory of portfolio and risk based on incremental entropy[J].Journal of risk finance(Emeralel),2005,(6):31-39.
[4]David,Freedman.MarkovChains[M].NewYork:Springer-ver-lag,1983.
[5]吴诣民,成明峰.基于Markov链的人民币汇率分析与预测[J].统计与信息论坛,2008(,2):78-80.
[6]冯耀龙,韩文秀.权马尔可夫链在河流丰枯状况预测中的应用[J].系统工程理论与实践,1999(,10):89-93.
[7]Han D.An analysis of the Markov chain on the stock specu-lation A Proceedings ofICOTA[J].Singapore World Scientif-ic,1995:810-814.
[8]夏莉,黄正洪.马尔可夫链在股票价格预测中的应用[J].商业研究,2003(,10):62-65.
基于等响应风险约束的动态经济调度 第8篇
电力系统解除管制后,动态经济调度依然有着重要的作用[1,2]。动态调度与系统调峰、调频密切相关,它能统筹协调系统运行的经济性、可靠性,使调度具有向前看的能力。然而,从目前来看,对于动态经济调度的研究多集中于算法的改进,而对动态经济调度中的旋转备用约束涉及不多,所采用的确定性处理方法多基于1982年Wood在文献[3]中所提出的模型。确定性方法无法将系统的响应风险维持在一定水平[4,5,6,7]。针对此问题,文献[7]提出动态经济调度应能使系统在各时段维持相同的响应风险,并采用调度与响应风险评估迭代求解,根据评估结果不断调整调度中系统备用容量需求的方法,最终将系统各时段的响应风险维持在给定水平。该文已具有等响应风险动态经济调度的思想,但严格来讲,调度与风险评估迭代求解的启发式算法尚缺乏必要的理论依据。
由此,本文提出了一种基于等响应风险约束的动态经济调度方法。该方法不再以预先指定的备用容量需求作为调度的约束条件,而是要求备用容量根据系统的实际运行情况进行调整,最终将各时段的响应风险维持在相同水平。本文采用电力不足期望(EDNS)作为系统的响应风险指标,为避免启发式算法存在的问题,引入{0,1}变量给出EDNS指标的解析表达,使给定的EDNS限值可以作为约束嵌入传统动态经济调度模型中形成标准的{0,1}混合整数优化问题,达到响应风险评估与调度决策同步完成的目的。对模型形成的混合整数优化问题,本文引入附加约束,将其转化为已有成熟算法的非整数二次优化问题,并采用原对偶内点法进行求解。算例分析表明了该方法的有效性。
1 响应风险指标的解析化表达
系统的运行风险可以分为投运风险和响应风险[8],前者与给定时间内机组的投运安排相关,后者与已运行机组的调度决策相关。因此,动态经济调度的调度结果直接决定了系统运行所面临的响应风险。
EDNS是电力系统中常用的可靠性评估指标[9],可用来量度系统的响应风险。该指标既能反映给定时段内系统出现电力不足可能性的大小,又能体现电力不足程度的不同。
t时段系统的EDNS可表示为:
式中:S为投运机组状态全集;Pk为时段t内系统处于状态k的概率[8],设该值在各个调度时段保持不变;Ctk为状态k下需消减的负荷功率,与系统运行情况有关,可表示为:
U为状态k下的不可用机组集合;A为状态k下的可用机组集合;ptg,m为机组m在t时刻的输出功率;rtn为机组n在响应时间内可以释放出的旋转备用容量;ΔD为负荷实际值与预报值之间的偏差,本文取负荷预报值的3%。
式(2)说明,k状态下,如果系统所需旋转备用
在已知调度结果的情况下,利用式(1)、式(2)即可求出系统的EDNS。然而,为使响应风险指标限值可以作为约束并入传统的动态经济调度模型,需在响应风险指标与动态经济调度决策变量之间建立一种显式的解析表达关系[10]。其中的关键是将逻辑表达式(2)转化为不含逻辑运算的解析表达式。为此,对式(2)引入{0,1}变量utk,将其改为:
欲使式(3)与式(2)等价,utk的取值还必须满足:
式中:N为在线机组数;pmaxg,i为机组输出功率上限。
线性不等式约束(4)保证了当k状态下有(无)电力不足情况发生时utk自动为1(或0),从而使式(3)与式(2)等价。该约束的作用机制为:k状态下,当系统所需的旋转备用大于剩余机组所能提供的旋转备用时,
另外,当系统机组较多时,完整计算EDNS指标将会导致庞大的计算规模,所以本文求取EDNS指标时计算至两重故障[10]。
2 问题的总体描述
动态经济调度的目的在于已知初始时段(to-1)机组输出功率的情况下确定调度目标时段to机组的输出功率。在计算过程中,动态经济调度需要考虑前瞻时段(to+1～to+T)与后顾时段(to-1)对调度目标时段决策的影响(见图1)。
在等响应风险约束下,动态经济调度模型可如下描述。
调度目标为发电成本最小:
式中:ci(ptg,i)为机组i输出功率为ptg,i时的成本。
追求式(5)最小须满足以下约束:
1)发电与负荷需求平衡
式中:DtL为t时段需满足的负荷需求;t∈[to,to+T]。
2)机组输出功率范围
式中:pmaxg,i和pming,i分别为机组输出功率上、下限;i∈[1,N];t∈[to,to+T]。
3)机组输出功率变化速率限制
式中:rui和rdi分别为机组i增加和减少功率输出的最大速率;Δt为调度时间间隔;i∈[1,N];t∈[to,to+T]。
4)响应风险指标上限
式中:t∈[to,to+T];EmaxDNS为给定的Δt时间间隔内系统EDNS的最大值。
5)整数变量utk的取值范围
6)机组能提供的最大旋转备用
式中:ΔT′为规定的响应时间;i∈[1,N];t∈[to,to+T]。
式(11)表示机组在响应时间内能释放出最大的旋转备用容量。
式(5)～式(11)即构成基于等响应风险约束的动态经济调度模型。所构建模型中,式(10)、式(11)保证了系统始终维持在给定的响应风险水平,同时模型去除了传统模型中对旋转备用容量的约束。
3 模型求解策略
上文构建的基于等响应风险约束的动态经济调度属于{0,1}混合整数优化问题,该类问题至今尚无一种公认有效的求解方法。与此相对应,对于传统动态经济调度问题,目前已研究出多种快速求解方法,文献[2,11,12,13]就从时段间的弱耦合性出发,给出了模型或算法上解耦的求解方法,有效地解决了动态经济调度的求解问题。因此,如果能够用简单方法把本文模型所描述的混合整数优化问题转化为等价的非线性优化问题,就有可能利用现有算法对其进行求解,这将是十分有意义的。近年来,文献[14,15]对整数优化到非整数优化的转化方法进行了研究,可以借鉴。
整数优化到非整数优化转化的基本思想是对整数变量引入一个或一系列约束,保证转化后的变量同样只能在原整数点上取值。对于本文的{0,1}混合整数优化问题来说,utk为0或者1等价于以下等式有解:
(utk)2-utk=0 k∈S,t∈[to,to+T] (12)
因此,由式(12)代替utk∈{0,1}所构成的新问题与原问题具有相同的可行域,其最优解必然是相同的。
从而,转化后所形成的新问题可表述为:
s.t. g(xt)=0 (14)
式中:t∈[to,to+T];xt为决策变量向量,由ptg,i,rti,utk构成(此时,utk已与其他变量相同,不再要求其为整数变量),为
通过与传统动态经济调度模型对比发现,整数变量的加入和非整数化处理并没有使时段间耦合的约束增多而改变动态经济调度时段间的弱耦合性,且式(13)～式(16)描述的问题与传统动态调度问题具有相同的结构,这使得本文模型可以继续利用现有的解耦动态经济调度算法进行求解。因内点法对于系统规模敏感度较低,本文对转化后模型采用解耦原对偶内点法进行求解。该方法在文献[11,12]中已有详细介绍,本文不再详述。
4 算例分析
本文通过3个算例对构建的6机系统进行了详细的计算分析。其中,算例1对比了传统动态调度模型与本文模型调度结果的差异,例证了本文模型的有效性;算例2测试了对于不同的EDNS上限,系统发电成本的变化情况;算例3测试了调度结果随机组故障率的变化情况。另外,算例还对本文算法与分支定界算法的解算效率进行了比较。详细分析见附录A。
5 结语
本文提出了基于等响应风险约束动态经济调度的概念,并对其所面临的2个关键性问题进行了解答。从实验结果可以看出,采用本文方法可以使备用容量根据系统各时段不同的运行状况进行调整,将系统的响应风险始终维持在给定水平;所提出的将混合整数优化问题转化为二次优化问题的求解方法,能显著提高模型的计算效率,为该类问题的求解提供了一条新的思路。
另外,从算例分析中可以发现,备用容量的增加能降低系统的响应风险,但同时又可能导致系统发电成本的增加,对于怎样权衡两者之间的关系,将系统维持在最佳响应风险水平问题的研究,目前正在进行中。
附录见本刊网络版(http://www.aeps-info.com/aeps/ch/index.aspx)。
动态风险分析范文
声明：除非特别标注，否则均为本站原创文章，转载时请以链接形式注明文章出处。如若本站内容侵犯了原著者的合法权益，可联系本站删除。
