应用BP神经模型分析海外矿业投资国的金融风险预警

　　随着全球经济的快速发展，工业化水平日益提高，人类对矿产资源的需求不断增多。且由于矿产资源大多不可再生，因而矿产资源成为各个国家激烈争夺的对象。目前全球矿产资源分布不均，我国国内的矿产资源难以满足全部需求，随着我国 “走出去”战略的实施，扩大了投资与开放领域，海外矿业投资成为缓解国内资源稀缺的重要手段之一。

　　在海外矿业投资中将会面临许多风险，金融风险作为其中之一对海外矿业投资的影响要远高于国内，不加以应对极有可能造成巨大损失。因此，为了防范金融风险对海外矿业投资的不利影响，在此对我国海外矿业投资金融风险进行预警研究，为我国海外矿业投资金融风险防范提供参考依据。

　　1 海外矿业投资金融风险预警指标体系的构建
　　
　　1.1 风险因素的识别
　　风险因素的识别是进行风险预警的基础与前提条件，金融风险依据其产生原因可分为 3类，分别是汇率风险、利率风险和融资风险。由于是从我国矿产企业的角度出发进行金融风险预警分析，因此各类金融风险的影响因素 （表 1）的识别主要是建立在对东道国金融环境研究的基础上。

　　1.2 指标体系的构建及权重的确定
　　依据金融风险的影响因素识别建立相应的评价指标体系，将金融风险类别作为一级指标，各类别风险主要影响因素作为二级指标，并采用 Delphi法向相关领域专家发出问卷对评价指标进行赋权,具体结果如表 2所示。

　　2 海外矿业投资金融风险预警模型的建立
　　
　　2.1 BP神经网络的基本原理
　　BP神经网络的优点主要有计算功能强大、易实现、结构清晰等，是目前最常见以及使用最广泛的一种神经网络，其算法的基本思想是把网络学习的过程分为 2个阶段：第 1阶段为正向传播阶段，给出输入信息，通过输入层经隐含层逐层处理并计算每个单元的实际输出值；第 2阶段为反向传播阶段，若在输出层未得到期望的输出结果，则逐层递归地计算出实际输出与期望输出之间的差值，即误差，以便根据此差值调节权值。而实际上第 1阶段和第 2阶段是反复循环进行的，通过权值的不断调整就实现了网络的训练过程。此过程一直进行到输出误差达到要求的标准为止。其原理如图1所示。【表1.表2】



　　
　　2.2 神经网络在海外矿业投资金融风险预警中的运用
　　2.2.1 归一化处理由于指标数据之间有较大的差别，需要在样本训练之前对其进行归一化处理，使数据在 [0,1].

　　设有 n个历史样本，p个预警指标，其原始数据矩阵为【1】

　　
　　2.2.2 输入节点指标的确定输入节点的选择需要涵盖海外矿业投资金融风险的基本情况，能够准确反映金融风险的程度，对海外矿业投资所遭遇的金融风险进行高度概括，并且指标的选取能够使其在变动时明确或及时反映海外矿业投资金融风险的发展变化。

　　因此，结合前面建立的海外矿业投资金融风险预警指标体系，输入神经元选取 10个海外矿业投资金融风险影响因素，即汇率波动性、国际收支状况、外汇储备率、国内生产总值、国内经济增长率、国内通货膨胀率、世界经济增长率、财政收支状况、银行实际贷款利率、贷款偿还期。

　　2.2.3 隐含层节点数的选择关于隐含层节点数的确定没有一个明确的规定，需要进行实际的网络训练。隐含层节点数应选取在输入层节点数与输出层节点数之间，且更加靠近输入层，这样更有助于提高网络收敛速度。隐含层节点数过多，会导致学习时间过长，且网络容易训练过度，降低网络的总体性能。隐含层节点数过少，学习过程不收敛。因此为了选取最佳的隐含层神经元数，可以参考以下求取隐含层节点数的经验公式。【2】

　　通过以上 3个公式求出隐含层节点数的估计值，再通过实际实验来确定准确值。

　　2.2.4 输出节点的选择输出节点应该对应于评价结果，因此需要先预测样本的期望输出。本文运用变权评价方法确定样本的期望输出，将风险预警程度作为预测输出值，并设定绿灯代表风险预警程度轻，蓝灯代表风险预警程度中等，黄灯代表风险预警程度较差，红灯代表风险预警程度差。风险预警程度为 [0.8,1]表示为绿灯，[0.6,0.8）表示为蓝灯，[0.3,0.6）表示为黄灯，[0,0.3）表示为红灯。

　　3 模型应用
　　
　　以俄罗斯为例，根据海外矿业投资金融风险预警指标体系，运用变权评价方法确定风险等级 F,具体数据见表 3.根据 （2）式和 （3）式进行归一化处理，使数据在 [0,1]内，具体数据见表 4.

　　对数据进行归一化处理后进行 BP神经网络的训练与预测。运用 Matlab软件的神经网络对海外矿业投资金融风险预警模型进行学习训练，以2009-2012年的为验证样本，2009年前 10年历史数据为训练样本，隐含层节点数为 5,建立 3层神经网络进行运算，目标平均误差 0.001,当训练周期达到 1000次时达到标准误差。根据预警得出结论，以 2012年数据为例进行预测值与实际值的对比 （图 2）。可以看出，两者的一致性比较好，预测较准确，说明网络训练良好，可以用于海外矿业投资金融风险的预警与分析。

　　利用上述经过监测已经训练好的 BP神经网络模型，对未来一些年份的俄罗斯海外矿业投资金融风险状况进行预警分析 （表 5）。

　　将实际数据值输入 BP神经网络中进行预测，得出风险预警程度的仿真输出，2014年和 2015年的分别为 0.934、0.953,通过 （4）式反归一化后得出 2014年、2015年风险预警程度预测值分别为0.649、0.661,均处于蓝灯的状态下，说明俄罗斯在未来的金融风险预警还是处于较轻的程度。

　　用 BP神经网络对 2015年其他主要投资目的国家进行风险预警分析，预警输出结果如表 6.反归一化后加拿大的风险预警程度为 0.679,澳大利亚的为 0.684,南非的为 0.563,印度的为 0.506,巴西的为 0.558.对应风险预警等级可以看出，加拿大和澳大利亚的风险预警等级处于蓝灯的程度，说明未来几年加拿大与澳大利亚的金融环境较为安全。南非、印度、巴西的风险预警等级都处在黄灯的程度，表明这 3个国家的金融环境需要引起投资者的注意。

　　
　　4 结论
　　
　　对海外矿业投资金融风险因素进行识别，罗列了海外矿业投资时我国企业可能遭遇的金融风险类别以及各类别的主要影响因素。并建立了相应的评价指标体系与赋权，给予进行海外矿业投资的企业一个系统的金融风险指标体系。

　　将 BP神经网络引入海外矿业投资金融风险的预警中，建立相应的风险预警模型，再将理论与实际相结合，将预警模型运用于实例中，进行我国企业海外矿业主要投资国的预警分析。最后得出俄罗斯、加拿大、澳大利亚的风险预警等级中等，可以在未来年份考虑进行矿业投资，而巴西、印度、南非的风险预警程度属于较差，投资时需要谨慎。尤其需要引起重视的是南非的经济发展状况较差，印度的国际收支状况、通胀率与财政收支状况较差，巴西的实际贷款利率过高。以上分析可以给予我国企业在进行海外矿业投资时一些决策建议，以便其选取合适的国家进行矿业投资。