风险分析模型（精选十篇）
风险分析模型 篇1
1、KMV模型
1993年, KMV公司利用布莱克-斯科尔斯-默顿模型 (BSM Model) 提出了著名的信用监测模型 (Credit Monitor Model) , 后经Longstaff和Schwarz (1995) 、Dsa (1995) 和Zhou (1997) 的进一步扩展, 形成了一种违约预测模型, 估计借款企业违约概率的方法。KMV模型将股权视为企业资产的看涨期权, 以股票的市场数据为基础, 利用默顿的期权定价理论, 估计企业资产的当前市值和波动率, 再根据公司的负债计算出公司的违约点, 然后计算借款人的违约距离, 最后根据企业的违约距离与预期违约率之间的对应关系, 求出企业的预期违约率。KMV模型的优点在于:第一, 根据企业的资产市值估计信用风险波动状况, 将市场信息纳入违约概率;第二, 模型是一种动态模型, 可以随时根据企业股票的市价来更新模型的输入数据, 反映信用风险水平的变化;第三, 模型是一种“向前看”的模型, 在一定程度上克服了依赖历史数据“向后看”的数理统计模型的缺陷。KMV的缺点是:第一, 无法确定是否必须使用估计技术来获得企业的资产价值、企业资产收益率的期望值和波动性等数据, 估计的准确率不能确定。第二, 假定利率是事先确定的, 限制了将KMV模型应用于期限长的贷款 (1年以上) 和其他利率敏感性工具。第三, 隐含地假定当风险债券的到期日趋向于零时, 信用风险利差亦趋向于零, 但实证研究否定这一结论。第四, 使用历史数据来确定预期违约率, 其隐含的假设是经济状况是静止的, 此假设不合情理。
2、Credit Metrics模型
Credit Metrics模型是1997年美国J.P.摩根等七家国际著名金融机构共同开发的信用风险度量模型, 被称为信用度量术。它不仅能够识别传统的诸如贷款、债券等投资工具的信用风险, 还可以用于掉期、互换等金融衍生工具的风险识别, 因而该模型迅速成为风险管理标准模型之一。Credit Metrics模型的优点是:一是违约概念进行了拓展, 认为违约也包括债务人信用等级的恶化;二是该模型的应用非常广泛, 包括传统的贷款、固定收益证券、贸易融资和应收账款等商业合同, 而且其高级版还能够处理掉期合同、期货合同以及其他衍生工具;三是在对债务价值的分布有正态分布假设下解析方法和蒙特卡罗模拟法, 在一定程度上避免了资产收益率正态性的硬性假设。Credit Metrics模型的缺点在于:一是大量证据表明信用等级迁移概率并不遵循马尔可夫过程, 而是跨时期相关的;二是模型中违约率直接取自历史数据平均值, 但实证研究表明, 违约率与宏观经济状况有直接关系, 不是固定不变的;三是没有考虑市场风险。市场和经济状况的改变, 如利率、股指、汇率、失业率的变化等, 可能导致违约或者信用等级的变动;四是模型通过股权回报关系来估计资产回报关系, 而这可能影响估计的精确性。
3、Credit R isk+模型
Credit R isk+模型是瑞士银行金融产品开发部于1996年开发的信用风险管理系统, 它是应用保险经济学中的保险精算方法来计算债务组合的损失分布。它是一个违约模型, 把信用评级的升降看作是市场风险, 在任何时期只考虑违约和不违约这两种事件状态, 重点研究期望损失和非期望损失。在Credit R isk+信用风险附加计量模型中, 每一笔贷款被视作小概率违约事件, 并且每笔贷款的违约概率都独立于其他贷款, 这样, 贷款组合违约概率的分布接近泊松分布。模型的优点:一是该模型处理能力很强, 可以处理数万个不同地区、不同部门、不同时限等不同类型的风险暴露;二是模型集中于违约分析, 所需要估计变量很少, 只需要违约率、违约波动率和损失的严重性;三是根据组合价值的损失分布函数可直接计算组合的预期损失和非预期损失, 比较简便。模型的缺点:一是模型对于输入因子———单个债务人的违约率没有详细阐述;二是忽略了信用等级变化, 因而认为任意债权人的债务价值是固定不变的;三是将风险暴露划出频段并凑成整数, 这影响了计算结果的精确性。
4、Credit Portfolio View模型
Credit Portfolio View模型是由Mc Kinsey公司于1998年应用计量经济学理论和蒙特卡罗模拟法, 从宏观经济环境的角度来分析债务人的信用等级迁移, 开发出的一个多因素信用风险度量模型。该模型在Credit Metrics的基础上, 对周期性因素进行了处理, 将评级转移矩阵与经济增长率、失业率、利率、汇率、政府支出等宏观经济变量之间的关系模型化, 并通过蒙地卡罗模拟技术模拟周期性因素的“冲击”来测定评级转移概率的变化。模型的优点:Credit Portfolio view模型将各种影响违约概率以及相关联的信用等级转换概率的宏观因素纳入了自己的体系中, 克服了Credit Metrics模型由于假定不同时期的信用等级转换概率是静态的和固定的而引起的很多偏差。模型的缺点:一是实施这一模型需要可靠的数据, 而每一个国家、每一行业的违约信息往往较难获得;二是模型使用经调整后的信用等级迁移概率矩阵的特殊程序, 而调整则基于银行信贷部门积累的经验和信贷周期的主观判断。
二、四大模型的比较 (见表1)
1、模型对风险的界定
Credit Metrics主要是从市场盯市角度界定风险, Credi R isk+模型或KMV模型本质上是违约模式模型, Credit Portfolio View模型既可以被当作盯市模式模型使用又可以当作违约模式模型使用。
2、风险来源
Credit Metrics和KMV模型以Merton理论为分析基础, 一家企业的资产价值和资产价值的波动性是违约风险的关键驱动因素。在Credit Portfolio View中, 驱动因素是一些宏观因素, 而Credit Risk+中则是违约率及其波动性。然而, 如果以多因素模型的方式来分析, 四种模型都可以看作是有相同的根源, 模型中风险驱动因素和相关性在一定程度上可以被看作是与宏观因素相联系的。
3、信用事件的波动率
在Credit Metrics中, 违约概率和信用等级转换概率被模型化为基于历史数据的固定的或离散的值;在KMV模型中, 股票价格的变化以及股票价格的波动性成为预测违约率的基础;在Credit Portfolio View模型中, 违约概率是一套呈正态分布的宏观因素和冲击的一个对数函数;在Credit Risk+模型中, 每笔贷款违约的概率被看作是可变的。
4、回收率
贷款等信用资产的损失分布和Va R的计算不仅仅取决于违约的概率, 而且也取决于损失的严重程度或给定违约下的损失率 (LGD) 。在Credit Metrics模型中, 估计的回收率的标准差被纳入了Va R的计算;在KMV模型中, 回收率被看作是一个常数;Credit Portfolio View模型中回收率的估计是通过蒙特卡罗模拟法进行的;在Credit Risk+模型中, 损失的严重程度被凑成整数并进行分组, 从而得到次级的贷款组合, 然后将任何次级贷款组合的损失的严重程度视为一个常数。
5、数量方法
Credit Metrics模型对单项贷款的VAR的计算可通过解析方法实现, 但对大规模的贷款组合则往往通过模拟技术求解;Credit Portfolio View模型也采用模拟技术解;Credit R isk+模型能够生成关于损失的概率密度函数的逻辑分析解;KMV模型通过解析技术实现风险评价。
6、模型的适用对象
Credit Metrics模型和KMV模型适用于公司和大客户信用风险的度量, Credit Risk+模型适用于银行对零售客户的信用风险度量, 而Credit Portfolio View模型适用于对宏观经济因素变化敏感的投机级债务人的信用风险度量。
三、信用风险模型在我国应用中存在的问题及建议
1、数据缺乏
由于信用制度不健全、信用体系尚未建立, 所以有关公司历史违约数据和规范债券评级统计数据严重缺乏, 很难把违约距离转化成实际违约率。同时, 利率尚未市场化等为转移矩阵的建立以及信用价差的确定造成了困难。
2、一些参数的稳定性假设问题
由于我国现阶段相关机制不健全, 资产收益的相关度不稳定, 使得信用计量模型对资产组合的分析难以恰当反映组合风险的未来状况, 使得模型对未来风险的预测能力有较大的影响。
3、肥尾问题
我国证券市场股价不仅波动幅度大, 而且极端值出现的概率并不算小, 因此资产收益的非正态性问题也即肥尾问题应该受到重视。由以上分析可知, 目前各种模型在我国的应用缺乏必要的条件, 总体环境还不成熟, 但也必须看到该理论技术所体现的现代金融市场条件下的基本信用风险管理思想和理念是值得学习和借鉴的。针对我国存在的问题, 提出以下建议:一是尽快建立企业违约数据库, 为银行直接的信贷决策提供参考, 同时也为科学量化的信用风险管理建立基础。二是普及和发展信用管理中介服务行业, 进一步完善信用评级制度, 这是信用风险管理的必要前提。三是积极发展和完善证券市场, 提高市场信息的透明度以及信息效率, 以平抑证券市场的过度投机, 削减异常波动性, 为银行信用风险管理提供良好的金融环境。
摘要：金融危机的爆发以及《巴塞尔新资本协议》的正式实施, 为银行业进行信用风险管理提出新的挑战。本文对国际上信用风险管理实践中应用最为广泛的现代信用风险度量模型进行了分析比较, 提出我国商业银行应用信用风险模型中的问题, 并给出相关建议。
关键词：信用风险,度量模型,违约概率
参考文献
[1]曹道胜、何明升:商业银行信用风险模型的比较及其借鉴[J].金融研究, 2006 (10) .
[2]朱小宗、张宗益:现代信用风险度量模型剖析与综合比较分析[J].财经研究, 2004 (9) .
[3]王毅春、孙林岩:现代信用风险模型特征比较研究[J].当代经济科学, 2004 (3) .
基于层次分析法的风险模型优势分析 篇2
基于层次分析法的风险模型优势分析
摘要：针对现阶段建设行业中建设监理与项目管理并行的现状,采用层次分析法,建立了工程实施阶段的风险分析模型,并通过模糊评判获得了建设监理和项目管理二者单独使用以及组合应用的风险综合分数.结果表明,在现阶段,采用建设监理与项目管理相结合的方式是最优选择. 作者： 贾宏[1]周波[2]刘广兵[3] Author： JIA Hong[1]ZHOU Bo[2]LIU Guangbing[3] 作者单位： 四川大学建筑与环境学院,四川,成都,610065;四川省林业勘察设计研究院,四川,成都,610081四川大学建筑与环境学院,四川,成都,610065四川省林业勘察设计研究院,四川,成都,610081 期 刊： 西南交通大学学报 ISTICEIPKU Journal： JOURNAL OF SOUTHWEST JIAOTONG UNIVERSITY 年，卷(期)： ,44(1) 分类号： F426.9 关键词： 建设监理 项目管理 优势分析 机标分类号： X82 N94 机标关键词： 层次分析法风险模型优势分析Analytic Hierarchy Process项目管理建设监理实施阶段风险分析模型最优选择组合应用模糊评判建设行业综合现状使用结合工程分数并行 基金项目：
风险分析模型 篇3
关键词：债券市场 信用风险 KMV模型
自2005年以来，随着我国资本市场改革的深化，信用债市场进入了快速发展的阶段，债券品种不断丰富，投融资主体资格逐渐放宽。截至2013年10月底，信用债市场余额达到了8.35万亿元，成为企业融资的重要渠道。
未来随着直接融资比例的提升，发行主体将进一步扩容，实质性债券违约发生的可能性很大，信用风险将成为投资者面临的主要风险之一。在目前的信用风险评价体系中，评级机构对于发行主体的判断成为重要的评价依据，然而评级机构的精准性和及时性却经常受到投资者的质疑。评级机构下调债券发行主体或债项评级往往具有一定滞后性，而且一旦评级下调，债券流动性将受到较大冲击，使得投资者没有足够的时间去规避风险。因此，在外部评级之外，寻求发行主体偿债能力恶化的前瞻性指标从而成功规避信用风险，对于投资者来说极为重要。
模型的选取及分析
对于发债主体来说，寻求偿债能力恶化的前瞻性指标需要获取更多体现企业信用资质的信息。在信息对称的情况下，金融市场反映的价格是有效的。当市场理性时，债券的价格应该充分反映发债主体的信用风险状况，观测价格的变化就相当于了解了企业信用资质的变化。然而，债券市场目前成交的频率和价格都不及股票市场被投资者直接观测到，股票市场对所有市场信息反应的速度一般要快于债券市场。如果同一主体同时在两个市场交易，从理论上说，股票市场的观测结果可以被用来及时有效地判断发行主体的信用资质。因此，本文将股票市场使用的KMV模型引入债券市场，并建立相关评价模型来进行实证分析，以实现对信用风险的有效预警。
（一）KMV模型及预警体系
信用债大规模发展至今时间较短，加之尚无实质性违约发生，学术界尚未广泛开展信用债的风险预警体系研究。与债券市场相比，企业的另一个直接融资渠道——股票市场由于发展较早，加之建立了ST风险警示机制，因此学术界对股票市场信用风险预警机制的研究较早。
国外对公司信用风险预警也建立了较为完善的体系，主要分为统计学方法及非统计学方法。统计学方法中以Z值模型为代表。20世纪60年代末，Altman建立了基于财务数据多变量信用评分的Z-Score模型，利用上市公司财务数据构建Z值分辨函数对公司是否陷入信用危机进行预测，存在一定的无法判断企业信用状况的未知区间，但由于模型简单，应用较为广泛，我国学者也进行了相应的研究。在统计学方法的应用上往往需要选择适当的模型函数对信用进行预测，但这往往是基于历史财务数据对未来进行预测，当宏观或产业环境发生较大改变时，准确度下降明显。为了解决事前选择模型适当性的问题，出现了以神经网络技术、专家系统等为代表的非统计学方法。Gallagher & Andrew（1999）采用神经网络分析法对美国银行和公司的财务危机进行了预测，取得了一定的效果。与统计学方法相比，非统计学方法最大的缺点在于模拟过程机械，模拟结果缺乏解释力度。但二者并没有一概而论的孰优孰劣，往往需要根据不同情况来相机抉择。
KMV模型作为统计学方法的代表，自1993年建立以来，以期权理论为基础综合考虑了上市公司股票及财务数据，由于股价能在一定程度上揭示公司的发展前景，因此KMV模型与以往风险模型相比有一定的前瞻性。其核心假设为在债务到期当天，公司的股权价值为公司资产市场价值与债务值之间的差额，这样就通过能观测的股权价值间接解决了资产市场价值不能观测的问题。
KMV模型的运用包含三个步骤：
一是根据BS期权模型，通过上市公司股票的市场价值及其波动、负债的账面价值来估算出公司资产的市场价值和波动性。
其中，
式中，E 和为股权的市场价值及波动率，而对应的V和为所求资产的市场价值及波动率，D为负债，r为连续复利无风险收益率，t为债务偿还期限（通常选择1年），N（·）为标准累计正态分布函数。
二是根据公司的负债情况确定违约点（企业1年期以下短期负债账面价值与长期负债账面价值的一半之和）来计算违约距离（DD）；DD 即为要求的违约距离，DP为违约点负债，与D值相同。
三是根据违约距离与预期违约率（EDF）之间的对应关系来求出企业的预期违约率。这需要有足够的违约样本来建立二者之间的对应函数，而目前市场中缺乏足够的数据，因此将违约距离作为信用风险的预警指标，即使用违约距离来作为信用风险预警观察的绝对指标，其计算过程依赖于KMV模型的基础计算。
（二）样本选择
由于KMV模型的运用需要上市公司的股票市值，因此目前只能选取发债主体中的上市公司进行分析。本文首先选取了目前在债券市场上发行主体为上市公司的企业，筛选出其中所有数据可得的公司（数据截至2012年12月31日），共得到222个样本，剔除其中银行、证券、保险等，按照申万一级行业划分，共分布在22个行业。其中，总市值的计算标准按照证监会的算法，波动率采用Wind资讯提供的近100周股票的年化波动率，短期和长期负债取自上市公司公布的2012年财务报表数据，连续复利无风险利率选择1年期国债即期利率，通过编写相关程序得到处理结果。
按照行业划分，计算了每个行业的平均违约距离，以判断这一指标是否符合不同行业信用风险存在差异这一常识，即该指标的差异性表现如何（处理结果见图1）。从行业分布来看，由于样本的有限性，部分行业的样本过少，包括餐饮旅游、家用电器、金融服务、食品饮料以及综合行业，这些行业的样本数据均不超过3个，在后续处理中将予以忽略。
nlc202309040551
从统计出的各行业的平均违约距离来看，行业之间的分化比较明显。电子行业平均违约距离最低为4.49，而平均违约距离最高的交通运输行业为7.21，二者之间相差2.72。
图1 各行业平均违约距离
债券发行主体实证分析
图1显示的结果表明，违约距离指标具有较好的区分信用风险的特征，也体现出在用违约距离判定信用风险时，不同的发行主体考虑的基准应当是有所区别的，换句话说，仅考虑违约距离的绝对值并不能直接判断信用风险的大小，需要观测其时间序列才能判断其信用资质是否出现了较为明显的恶化。
为了进一步验证违约距离指标与评级机构评级调整相比是否具有更好的前瞻性，本文对不同发行主体违约距离的时间序列数据进行处理。
在目前的信用债市场中，尽管尚未出现实质性债务违约，但已有债项主体需要依靠自身能力以外的资源来偿还债务，笔者将这样的发行主体定义为广义的违约主体。将广义违约主体与上市公司进行交叉比对，选择新中基和山东海龙作为违约主体代表，与之相对应，选取安琪酵母作为较为稳定的发行主体代表来对KMV模型的有效性进行验证。
（一）违约主体代表：新中基、山东海龙
1. 11新中基CP01
本期债项的发行时间为2011年11月7日，其发行主体是新中基，尽管最终以第一大股东农六师国资兜底兑付，但按照其自身偿债能力来看，债项已经发生违约，期间中诚信也三次下调了发行主体评级（评级调整时间见表1）。
表1 新中基评级调整时间
评级调整时间调整后评级展望评级公司
2012-10-11CC—中诚信国际信用评级有限责任公司
2012-05-07A—中诚信国际信用评级有限责任公司
2011-09-16AA-负面中诚信国际信用评级有限责任公司
笔者根据第二部分的方法测算了2010年以来新中基的违约距离（见图2）。从结果来看，新中基的违约距离在2011年5月开始已经出现了明显的下行态势，而评级机构是在2012年5月7日将其评级直接下调，违约距离指标领先评级机构评级下调约1年的时间。在评级被下调至垃圾债之前的半年时间，新中基的违约距离已经跌至0以下，也说明其无法依靠自身来偿债。
图2 新中基违约距离
（编者注：将图中的“新中基违约距离”去掉）
2.11山东海龙CP01
本期债项的发行时间为2011年4月15日。债项发行人为山东海龙，在2011年9月以后评级不断被下调，从而引发市场对其违约的担忧（信用评级调整时间见表2）。
表2 山东海龙评级调整时间
评级调整时间调整后评级展望评级公司
2012-02-15CCC负面联合资信评估有限公司
2011-12-19BB+负面联合资信评估有限公司
2011-09-15A-负面联合资信评估有限公司
2010-12-21A+稳定联合资信评估有限公司
从山东海龙的违约距离来看（见图3），其在2010年12月已经逐步呈现明显下行趋势，在2011年4月成功发行债券之后违约距离达到了阶段性高点，随后持续回落。2011年9月之后，山东海龙不断出现停牌事件，影响了违约距离的测算精准性。但总体来看，如果投资者能提早观测到其明显的下行态势，那么就能合理规避该期债项的风险。
图3 山东海龙违约距离
（编者注：将图中的“海龙违约距离”去掉）
从上述两个样本债项的违约距离来看，可以得到下述结论：第一，与评级机构评级下调相比，违约距离指标是一个更好的领先指标，其超前时间在1年左右，可以帮助投资者提前规避信用风险；第二，当违约距离出现明显的变动时，尤其是下降至临界值以下时，投资者必须予以高度关注；第三，若要通过违约距离来实现对于信用风险的判断，最大的缺失来源于数字缺失，一旦样本的稳定性不好，对最终结果的判断将会产生较为明显的影响。
（二）主体评级相对稳定的代表：安琪酵母
选择安琪酵母作为样本是基于该主体在权益市场及债券市场参与的时间均较早，为观测数据提供了较为充足的样本，且其评级在三年中仅上调一次，调整频率较低，且各期债项在最终兑付过程中都相对平稳（主体评级调整情况见表3）。
表3 安琪酵母评级调整时间
评级时间调整后评级展望评级公司
2012-06-15AA正面上海新世纪资信评估投资服务有限公司
2011-05-05AA稳定上海新世纪资信评估投资服务有限公司
2010-09-16AA稳定上海新世纪资信评估投资服务有限公司
2010-03-30AA-稳定上海新世纪资信评估投资服务有限公司
2009-04-07AA-稳定上海新世纪资信评估投资服务有限公司
采用同样的方法计算安琪酵母的违约距离，得到时间序列见图4。从时点来看，评级调整与违约距离的变化几乎是同时发生的，违约距离指标对于评级调升相对较为不敏感。
图4 安琪酵母的违约距离
（编者注：将图中的“安琪酵母违约距离”去掉）
结论
本文构建了以KMV模型为核心的信用债风险预警体系，通过观测每日变化的违约距离来提前判断信用风险是否恶化，以提早规避信用风险，得出如下结论：KMV模型对于信用风险预警是有效的，其预警时间在1年左右，为投资者及时规避风险提供了充足的时间。
KMV模型用于信用债投资存在两方面限制：第一，KMV模型仅对上市公司有效，因此对于大量发债的非上市公司缺乏足够的预警能力；第二，KMV模型更加关注风险，而非机会，当信用风险明显减小时，KMV模型难以发挥显著的预警作用。
作者单位：南京银行金融市场部
责任编辑：牛玉锐 印颖
截流工程风险模型分析研究 篇4
水利水电工程中,施工截流是控制施工进度计划的关键环节。截流成功与否直接影响着整个工程的进展。而在截流工程的设计和施工中,依据截流设计流量来确定截流材料的类型、尺寸和用量是整个截流方案的关键。但由于河道来流流量以及导流建筑物的导流能力的不确定性因素的影响,所以截流工程必然存在一定的风险。
但截流建筑作为临时性建筑物,如截流设计流量过大,必将产生浪费,设计流量过小,必将增大截流风险。截流风险的大小与截流设计流量的高低是一对相互制约的因素。如何在保证截流安全的情况下,选择最小的截流设计流量是风险分析的根本目的。钟登华等人以流速为指标建立随机模拟模型,对立堵截流施工风险进行研究[1]。李若东提出了实测资料法与随机模拟法的风险率计算方法[2]。贺昌海等人具体提出了截流过程中高流速、小水深这一类型的风险指标、风险率模型以及解决其计算关键问题的方法[3]。周宜红等人通过对三峡工程截流施工过程中水文、水力等不确定性因素的分析,计算了动态风险率,提出了风险控制的措施[4]。肖焕雄等用立堵截流的最大落差确定抛投材料最大粒径的方法,建立了相应的风险率模型,给出了分流建筑物内的水流流态为有压淹没流时的风险率计算方法,研究了基于龙口落差的截流标准风险率的点估计和区间估计[5,6]。
综上各种截流风险评估方法,主要包括三类:流量评估模型,流速评估模型和落差评估模型,但都以最大值作为评价指标,从而确定截流指标。笔者认为在截流过程中,随龙口的不断缩小,各水力指标在不断的发生变化,在进占初期和龙口处于最大流速、落差时的水力条件有很大的区别,因而以最大值来确定抛石粒径的评估方式过于保守。本文对风险因素、性质、大小进行分析研究,对截流的不同阶段进行评估,结合实际工程并对各种截流风险模型进行归纳进行分析比较,为截流设计提供借鉴。
1 风险识别
截流材料保持稳定主要与龙口的水力条件有关,而龙口水力状况受到许多不确定性因素的影响。这主要包括:水文不确定因素、水力不确定因素及他一些不确定因素。
图1总结了各不确定因素的层次关系。
1.1 水文不确定因素
水文随机性主要体现在来流量Q上,来流量Q采用截流时段中的多年重现洪水,其分布一般采用P-Ⅲ型分布,也有采用对数正态分布和极值一Ⅱ型分布等,P-Ⅲ型分布的描述如下[7]。
P-Ⅲ型分布的概率密度函数为:
其分布函数为:
式中:mQ为年洪峰流量系列均值,
1.2 水力不确定因素
由于泄水建筑物的水力参数的不确定性引起的风险称为水力风险。截流合龙过程中的河道下泄流量可分为4 个部分:龙口流量、分流建筑物中通过的流量、上游河道中的调蓄流量和戗堤渗透流量。
截流过程中或截流成功后,部分水流或全部水流要从泄水建筑物中下泄。在泄水建筑物规模已定的情况下,由于泄水建筑物的施工、运行中不可避免地存在着误差,计算所采用的水力模型不尽合理以及模型、参数的不精确,所以泄水建筑物的下泄流量是一个随机变量。
1.3 其他不确定因素
其他不确定因素还有渗流量不确定性、库容水位流量关系、河道水位流量关系等不确定性因素。对于渗流量的确定有模型试验方法和水力计算方法等,由于影响渗流量的因素比较多,且难于考虑;同时,许多工程实测资料显示,截流过程中最大渗流量占到截流流量的3%～10%内,随机因素对渗流量产生的变化对总的截流过程中龙口水力参数影响不太大,因此,对渗流量的不确定性暂不考虑,戗堤渗透流量计算采用下面的公式:
式中:Qsmax为最大渗透流量,按5%×Qr计算,Qr为截流设计流量;Bos为龙口起始平均宽度;B为截流过程中的龙口平均宽度;Hsmax为龙口合龙但未闭气时的上游水头;Zsmax为龙口合龙但未闭气时的绝对落差;H为截流过程中的上游水头;Z为截流过程中的上下游水位差(绝对落差)。
在进行截流设计过程中对河道的调蓄作用都简化不予考虑,一方面是使设计偏安全,另一方面是调蓄作用对截流设计的影响不大。河道的调蓄作用主要在于库容流量,在这里,对它的不确定性不予考虑。河道水位流量关系的不确定性也不考虑。
2 模型建立
2.1 风险变量的确定
截流能否成功还取决于所采用的截流材料能否抵抗龙口水流的冲刷。考虑自然来流量的随机性和分流量的不确定性。若龙口泄流量也具有不确定性,则全龙口流量的变化是引起龙口流速和落差变化的主要因素。同时外龙口流速和落差还受到抛投强度、戗堤形状等因素的影响。所以龙口流量、流速或落差是反映众多不确定因素的综合性变量适于作为风险率模型。
2.2 风险模型
2.2.1 以流量为指标的风险模型
河道任何时期的自然来流量是一个随机变量。按照它的某一频率(重现期)的值来作为施工截流设计的流量标准,必定存在着风险,因而可以流量作为一个重要评价指标来判断截流是否存在风险。
设功能函数式中:g=Qm-Qs;式中Qm为考虑了水文、水力不确定因素的截流过程中各阶段龙口最大流量,它具有某种概率分布的随机变量,Qs为设计截流龙口进占期各阶段最大流量。利用功能函数可以反映以下关系:
设系统的风险率为R,则R可用下式计算:
式中:f(Qm)为Qm的概率密度函数。
2.2.2 以流速为指标的风险模型
从施工水力学单个材料稳定的概念来看,截流风险的本质是要看抛投的材料能否抵抗得住龙口水流的冲刷。如果能则截流基本上能顺利完成;如果不能系统必然存在风险。在伊兹巴什稳定公式中[8]:
式中:d为抛石材料粒径,m;γs为抛石容重,kg/m3;γ为水容重,kg/m3;v为龙口水流速,m/s;k为材料综合稳定系数。
由公式(4)知其所能抵抗的截流各阶段龙口最大流速为 ,若d大于设计粒径ds,则龙口各阶段的最大流速大于设计流速,则系统不稳定。
设功能函数式中:
式中:vm为考虑了水文、水力不确定因素的截流过程中各阶段龙口最大流速,它最具有某种概率分布的随机变量;vs 为设计截流各阶段龙口最大流速。利用功能函数可以反映以下关系:
设系统的风险率为R,则R可用下式计算:
式中:f(vm)为vm的概率密度函数。
2.2.3 以落差为指标的风险模型
落差也可以作为判断抛石是否稳定的一个重要参数。落差Z与最大抛投料粒径d有如下的对应关系:
式中:φ为流速系数;Z为落差,m;其他参数同前。
若d大于设计粒径ds,则龙口截流各阶段的最大落差大于设计落差,则系统不稳定。设功能函数式中:g=Zm-Zs;式中Zm为考虑了水文、水力不确定因素的截流过程中龙口最大落差,它最具有某种概率分布的随机变量,Zs为设计截流龙口最大落差。利用功能函数可以反映以下关系:
设系统的风险率为R,则R可用下式计算:
式中:f(Zm)为Zm的概率密度函数。
3 工程实例
3.1 工程实例
某水利工程的施工截流定于10月中旬进行,根据30年该月最大流量系列服从P-Ⅲ分布,求得其平均值
根据上述资料,利用水力学和上述模型计算各龙口结果如下(由于篇幅原因,本文不做详细介绍)。
3.2 分析比较
从计算结果看,截流施工过程中的动态全面保证险率为90%下抛石粒径来看,随龙口收窄,粒径变小,其原因在截流过程中,由于上游水位雍高,使得更多的流量能从导流洞中泄向下游,龙口流量占总流量的比例比天然来流量小时更小,因此,截流施工的安全性更高,显然这和实际情况不大吻合。流速模型较好地反映了截流过程中截流抛石粒径的变化情况,但在快要合龙时流速变小,抛石粒径变小,但是由工程经验可知,在龙口快要合龙时的流速变小,但是落差变大,此时溃口的可能性变大。因而落差模型能较好的反映随龙口变小,抛石粒径的变化情况。
4 结论与建议
截流过程是一个非常复杂的动态过程,存在着许多标量和随机因素。因此,用流量、流速和落差指标反映截流过程风险是合理的。但如果不考虑其过程特性,仅用龙口范围内出现的最大流速或最大落差确定最大抛料的粒径和吨位,这种评估方式过于保守,会给截流带来浪费。因而在实际工程中要根据实际情况,对截流的不同阶段选择合理的风险指标作为评价指标,才能较好的指导工程施工,创造最优经济效益。
参考文献
[1]钟登华,冯志军,毛寨汉.基于最大龙口流速指标的立堵截流施工风险随机模拟研究[J].水利学报,2003,4,(4):15-19.
[2]李若东.截流风险率模型中两种计算法分析[J].青海大学学报(自然科学版),2006.2,24(1):32-35.
[3]贺昌海,胡志根,周宜红,等.立堵截流风险及其模型研究[J].武汉水利电力大学学报,1998,10,31(5):30-32.
[4]周宜红,肖焕雄.三峡工程大江截流风险决策研究[J].武汉水利电力大学学报,1999,2,32(1):4-6.
[5]贺昌海,胡志根,肖焕雄,等.基于最大落差的立堵截流风险率模型及计算[J].武汉水利电力大学学报,2000.2,33(1):21-23.
[6]朱勇华,肖焕雄.施工截流标准风险率及其区间估计[J].水利学报,2003,9,(9):6-10.
[7]胡四一,王银堂,谭维炎,等.长江中游洞庭湖防洪系统水流模拟-Ⅱ.模型实现和率定检验[J].水科学进展,1996,12,9(4):346-352.
风险分析模型 篇5
一、传统信用卡信用风险管理模型信用评分模型一直在我国商业银行度量信用卡透支信用风险管理中处于垄断地位。该方法是指将影响顾客信用品质的项目细分，依其重要程度分别给予不同加权值，评估完成后将每个项目的得分加总，求得代表该客户信用总分，依临界点决定是否核准申请。信用评分的设计，即评分项目的选取除依靠经验外，可利用统计方法就历史资料中按优劣等随机抽取样本，分别分析其属性，从而选取其中有显著效果的若干项。但随着《新巴塞尔资本协议》的签订，一方面更加强调风险控制机制，资本金的需求与信用卡的信贷资产质量紧密挂钩；另一方面，监管机构也将加大对发卡行风险管理制度的检查和监督力度，以确保发卡行稳健经营。这使得信用评分方法不能够满足新巴塞尔协议的时代要求，传统的信用风险度量模型严重滞后于信用卡业务发展的矛盾更加突出。因此我们需要对国外信用风险管理中的新模型进行深入研究，以求找到适用我国信用卡信用风险管理的更好方法。
二、国外信用风险度量新模型1.KMV模型。该模型是KMV公司于1993年开发的CreditMonitor Mode（l违约预测模型）。该模型的理论基础是默顿将期权定价理论运用于有风险的贷款和债券估值中的工作，债券的估价可以看作是基于公司资产价值的看涨期权，当公司的市场价值下降至一定水平以下，公司就会对其债务违约。KMV模型通过计算一个公司的预期违约率来判断他的违约情况。2.Credit Metrics模型。J.P.摩根公司和一些合作机构于1997年推出Credit Metrics方法（信用度量术）。该模型是通过度量信用资产组合价值大小进而确定信用风险大小的模型，给出了一个测量信用资产价值大小的具体方法，并由此判定一个机构承担风险的能力。该模型以信用评级为基础，计算某项贷款或某组合贷款违约的概率，然后计算该贷款同时转变为坏账的概率。该模型通过计算风险价值数值，以求反映出银行某个或整个信贷组合一旦面临信用级别变化或违约风险时所应准备的资本金数值。该模型的核心思想是组合价值的变化不仅要受到资产违约的影响，而且资产等级的变化也对其价值产生影响。3.CPV模型。该模型是麦肯锡公司在1998年开发的CreditPortfolio View（信贷组合审查系统）。该方法是分析贷款组合风险和收益的多因素模型，它运用计量经济学和蒙特·卡罗模拟来实现，最大的特点是考虑了当期的宏观经济环境，比如GDP增长率、失业率、汇率、长期利率、政府支出和储蓄等宏观经济因素。模型认为信用质量的变化是宏观经济因素变化的结果。CPV模型将宏观经济因素与违约和转移概率相联系，进而计算出风险价值。4.Credit Risk＋模型。CSFP(瑞士信贷银行金融产品部)开发的Credit Risk＋（信用风险附加）模型，应用了保险业中的精算方法来得出债券或贷款组合的损失分布。该模型是一种违约模型，只考虑债券或贷款是否违约，并假定这种违约遵从泊松过程，与公司的资本结构无关。实质是将信用风险的不确定性分解为违约率的不确定性、违约损失率的不确定性及违约波动率的不确定性。
风险分析模型 篇6
[关键词]电子商务上市公司；系统风险；CAPM模型；β系数
对资产定价模型的检验有很多，涉及的专业领域也比较广泛。目前为止贝塔系数在一些领域被验证是遵循均值回归过程的。本文认为电子商务的系统风险的的贝塔系数遵循了均值回归趋势的原理，通过计算长期均值和标准差，来分析电子商务上市公司的系统风险，希望能为内外部关联人员提供一些参考。
一、研究方法
CAPM理论是现代金融学的重要基石，该模型是在严格限定条件下单期静态对投资组合的最优求解，它对资产收益和风险关系给出了精确的分析与预测。如果在均衡的资本市场下，股票i的收益率是R，我们可以得出以下公式：E（ri）=rf+βi[E（rm）-rf]，式中E（ri）为第i种资产的期望收益率；E（rm）为市场组合的预期收益率；rf为无风险收益率；βi为第i种资产的风险或β系数。βi=σim/σm2
σm2是市场组合收益率的方差，σim是股票i收益率与市场组合收益率的协方差；βi即为股票i的β值。
二、样本选择和模型设计
样本选择。根据南方财富网和同花顺网提供的电子商务上市公司 ，本文从中选取了20家公司作为样本。其中14家为电子商务公司，涵盖了医药、纺织、综合等多个行业；另外6家為电子商务软件公司 。这些电子商务公司多为本行业具有代表性的公司，这些样本公司能反应本行业特征，体现电子商务公司的风险。
本文选取了2013年12月9日-2014年12月8日期间各股票的交易日数据，用来避免因为样本的数量太少而导致beta系数出现误差的情况。又由于这20支股票分别来自上海证券交易所与深圳证券交易所，因此本文取上证综指与深成指作为日收盘指数。另外，本文亦借助了计量经济学软件Eviews求得所需数据。
变量选取与计算方法。本文的股票收益率选取了对数收益率。因为根据相关金融研究的结果证明，对数差分收益率更符合股票收益率的实际情况，所以在处理股票收益率数据的时候普遍倾向于使用㏑。而且，使用“㏑”处理数据能使数据更加平滑，克服数据本身的异方差。因为本文用到了线性回归模型，若线性回归模型的数据存在异方差性，那么用传统的最小二乘法求得的参数估计量也不是有效估计量了，此时就无法对模型参数进行相关的显著性实验。此外，对数收益率相比于百分比收益率而言前者更接近正态分布，而计量经济学的多数计量方法均基于随机变量服从正态分布的假设。如本文用到的普通最小二乘法的基本假设中就包括随机干扰项的正态假设。
（1）股票日收益率：Rit=lnPit-lnPit-1。
（2） 同期各种股票所在市场的收盘指数的日收益率：Rt=lnPt-lnPt-1，Rt 为样本中某公司股票所在证券交易市场在t观察日的指数日收益率，Pt为该证券交易市场t观察日的日收盘指数。
模型设计：CAPM模型的假设条件是：投资者是完全理性的，并且证券市场是完全有效和充分竞争的。在此基础上，CAPM模型有3点重要含义：一，以β系数来衡量股票系统性风险，β系数越大，系统性风险越大，反之，亦然。二，一支股票或者股票组合的预期收益率会是线性函数，当股票处于均衡的时候。三，系统性风险改变股票价格。风险分为系统风险和非系统风险，非系统风险主要是由公司特质引起的，我们可以通过持有充分风险的股票组合而使风险趋于零。因此我们主要就是对对电子商务上市公司的系统风险进行分析：一是电子商务上市公司系统风险大小的程度，二是在风险中，系统风险的比率。
构建CAPM模型的方程：Rit=ai+βiRmt+εit
Rit表示第i个样本股的收益率，Rmt为市场收益率，ai为线性方程的截差距，βi为线性方程的斜率，εit为误差项，即实际收益率与预期收益率的偏差。斜率βi度量股票i对市场的敏感程度。
在此说明，因为我国利率还没有达到完全市场化的程度，因此不同于国外采用3个月的短期国债利率，我们的无风险利率是在相同时期的银行一年期的存款利率。
三、回归方法与过程
本文通过对变量的选取与计算得出个股收益率、市场收益率，继而通过Eviews6.0计量软件，运用普通最小二乘法进行回归。本文建立了个股收益率Rit对市场收益率Rmt的回归方程： Rit=βRmt+εit对回归结果的分析如下：β值是对股票系统风险大小的度量；R2值是对系统风险在总风险中所占的比例的度量。
以生意宝为例，在Eviews计量软件中运用普通最小二乘法进行回归分析，
四、检验结果与分析
通过对20家电子商务上市公司进行回归分析
对数据进行统计分析得出表：
β值范围0<β<0.10.1<β<0.30.3<β<0.4
股票支数3134
通过对表回归结果中β值大小的分析，得出20家样本上市公司股票的系统风险均比平均风险小。β平均值为0.194432061，说明电子商务上市公司个股走势与大盘走势基本一致，但是，样本公司个股的β平均值较小，说明其系统风险较低。分析表中的R2值，回归结果中20 家样本公司的R2值均小于0.5，R2平均值为0.17353685，这说明样本股的系统风险在总风险中所占的比例偏低，平均比例约为 17.354%。从R2 值区间分布情况来分析， R2主要分布在 （ 0.1-0.3） 的区间上，没有超过 0. 5 的股票，进一步证实了电子商务上市公司的系统风险较小。综上可分析得出电子商务上市公司的风险主要由公司基本面的非系统风险组成。
五、结论
通过运用Eviews6.0计量软件进行回归及根据相关CAPM理论进行回归结果分析，我们得到以下结论：（1） 电子商务上市公司的系统风险较低。对于风险厌恶型投资者可以选择投资该类型公司个股，在低风险下获取适量收益。（2）电子商务上市公司的系统风险占总风险的比例偏低，电子商务上市公司的风险主要由公司基本面的非系统风险组成。这表明，在投资该行业时，投资者不仅要关注系统风险，更要加强对此类公司基本面的非系统风险分析。
参考文献：
[1]农小玲.广西上市公司系统风险分析[A].市场论坛 2012.（09）：63-64
[2]张晓峒，Eviews使用指南与案例[M]，机械工业出版社，2007.2：55-63
[3]李子奈.潘文卿.计量经济学[M].高等教育出版社.2005.4：22-52
风险分析模型 篇7
供应商和企业如何应对道德风险,已经成为供应链关系研究的重要内容。关于供应链环境下道德风险形成的机理,国内外学者分别从利润的分配,销售渠道,市场竞争等角度进行了分析。目前多数学者认为,对于供应链中的道德风险问题。可以通过对委托代理的激励机制来解决。李善良和朱道立利用委托代理理论,研究了供应商和零售商之间的利益博弈[1]。考虑到代理人的参与约束和激励相容约束,马丽娟从委托人的角度出发,通过建立使委托人的期望效益最大化的激励模型,得出委托人的最佳激励条件和代理人的最优收益方案,从而有效地控制道德风险[2]。张爱等则从制造商的角度出发,对委托代理问题用数量模型加以定义和推导,通过建立激励设计来解决道德风险问题[3]。而杨治宇和马士华则讨论了制造商与供应商委托代理中的有害选择和道德风险问题,指出制造商可以通过供应合同的设计,企业竞争优势和优惠激励等机制激励供应商的行为[4]。
在供应链道德风险进行管理中,对道德风险进行识别和分析是至关重要的。本文主要应用委托代理理论和概率统计方法,对供应链中的供应商和企业之间的道德风险进行识别和分析。
2 道德风险识别
供应链上的供应商和企业形成契约之后,企业不可能对供应商的运作进行全面系统地监控,企业之间由于信息不对称,加之合同中双方义务的界定可能存在遗漏,供应商有可能不履行先前的承诺,而通过降低服务水平来降低成本获取更多的利润,这种道德败坏行为造成损失风险。对于供应链上的赢利公司来说道德风险会减少企业价值,对道德风险进行管理就是要尽量减缓这种减少。
在委托代理理论[5,6]中,委托代理关系的双方分别称为委托人和代理人。通常将拥有私有信息或具有相对信息优势的一方称为委托人,将不拥有私有信息或具有相对信息劣势的一方称为代理人。委托人和代理人的地位并不是一成不变的,一项交易中一方参与人在某些信息方面具有优势,此时他处于代理人的地位,但当他对另一些信息处于劣势时则可能变为委托人。本文将供应商作为委托人,将企业作为代理人,企业对存在的道德风险进行识别。
道德风险识别是否正确与全面,是决定道德风险管理能否成功的关键之一。供应商与企业之间的合作与交流,主要通过物流和信息流的集成来完成整个运作,道德风险就存在于物流与信息流的接触面上[7]。
应用流程图法可以根据供应商与企业之间的运作过程来识别供应链中的道德风险(图1)。
3 道德风险评估模型
由图1可知,以企业为代理人,供应商为委托人的供应链模型中[8],存在的道德风险因子有准时交付,订单履行,产品质量,单证准确性,成本控制[9]。设x1为不能准时交付产品产生的损失,x2为订单没有履行产生的损失,x3为产品不合格产生的损失,x4为单证不准确产生的损失,x5为成本高于预定的水平产生的损失。
风险事故发生的次数是离散型随机变量,全部可能发生的次数与其相应的概率都可以一一列举出来。但每次风险事故所致的损失金额一般来说不能全部列举出来,但它可以在某一区间内取值,且是连续性随机变量[10]。假设各个风险因子之间相互独立,表示的是第i个风险因子第j种情况下风险发生造成损失区间的中值。表示第i个风险因子第j种情况下风险发生的频数。
每个风险因子损失金额的期望值:
每个风险因子损失金额的标准差:
各个风险因子的权重系数为(权重系数由“功能驱动”原理赋权法中的客观途径得到[11])。有限个相互独立的正态随机变量的线性组合仍然服从正态分布[12],则有供应链中道德风险总体损失金额的期望值为:总体损失金额的方差为:
4 道德风险价值评估
在第2节的结论基础上,代理人企业在信息不完全的情况下,应用全面度量复杂市场风险的工具—风险价值(value at risk,VaR)[10],对委托人供应商进行道德风险价值评估。在一定的概率水平(置信度)下,供应链中的组合在未来特定的一段时间内的最大可能损失,为:
其中:L表示此供应链在特有期内的损失,c为置信度,VaR为置信度c下处于风险中的价值。
由第2节中可知损益值R服从均值为,方差为的正态分布,则有:
令所求的VaR的置信度为c,则有:
在正态分布下服从正态分布,只需在标准正态分布表中找到与c相对的临界值,即相应得到的值,然后再求出VaR即可。
在VaR中,有两个重要的参数,即持有期和置信度。持有期是VaR的时间范围,持有期越长,VaR可能越大。通常选择一个月作为持有期。经常采用的置信度有95%、99%等,置信度的选择依赖于有效性验证的需要、内部风险资本需求和监管要求等。
假设π表示企业的预期收益,T0表示道德风险成本,T1表示其它成本,Q表示企业最低限度收益,企业的收益决策模型为:
企业对存在的道德风险进行价值评估后,当企业有收益时才会与供应商进行合作,当没有收益或出现负收益时企业会进行道德风险预警,然后采取规避措施或放弃合作。
5 实例分析
为了验证所提算法的有效性,应用上述结论进行道德风险价值实例分析。
某一大型企业根据供应商以往的表现,统计出供应商在道德风险中,各风险因子发生时造成损失的历史数据如表1-表5所示:
由(1)、(2)式得:
由(3)、(4)式得:µ=25.631;σ=24.387;
企业选择一个月为持有期,置信度为95%,由(7)式得:VaR=9.678;
企业预测π为200,T0为7,T1为45,Q为96(单位:万元),由(8)式得知,企业会选择与供应商合作。
6 结束语
在实例分析中,企业应用风险价值法,对供应链中的道德风险价值进行评估,决定与供应商进行合作。企业在选择与不同的供应商合作时,进行道德价值评估,有利于作出与供应商合作,还是考虑采取预警、防范或其它相应措施的决策。在得到道德风险发生造成总体损失的期望值和标准方差时,用的统计量是历史数据。
参考文献
[1]李善良,朱道立.逆向信息和道德信息下的供应链线性激励契约研究[J].运筹学学报,2005,9(2):21-29
[2]马丽娟.供应链企业间的委托代理问题及道德风险的防范[J].商业研究,2003,(9):103-105
[3]张爱,袁治平,张清辉.供应链企业委托代理问题的研究[J].工业工程与管理,2003,(3):52-55
[4]杨治宇,马士华.供应链企业间的委托代理问题研究[J].计算机集成制造系统,2001,(1):19-22
[5]Ryan P J.Financial incentives for cost control under moral hazard[J].OMEGA International Journal of Management Science,1986,14,(3):221-231
[6]Zhang weiying.Game Theory and Information Economics[M].Shanghai:Shanghai People’s Publishing House,1996,397-538
[7]徐娟,刘志学.基于界面管理俄物流外包风险识别[J].物流技术,2007,(3):14-17
[8]张翠华,黄小原.供应链中的道德风险问题[J].东北大学学报(自然科学版),2003,24,(7):703-706
[9]Ronald H.Ballou著[M]王晓东,胡瑞娟等译.企业物流管理—供应链的规划、组织和控制[M].北京:机械工业出版社,2006:74-75
[10]刘新立.风险管理[M].北京:北京大学出版社.2006,140-143
[11]许永龙.物流系统得经济评价理论与方法[M].北京:中国社会科学出版社,2006:29-30
信用风险模型及其适用性分析 篇8
信用风险可以从广义和狭义两个方面来理解, 狭义的信用风险是指信贷风险, 广义的信用风险是指所有因违约而发生的风险, 如融资业务中租赁人不按约定及时支付租金导致对方资产状况。在现代的金融风险管理领域里, 信用风险越来越被人们所重视, 人们对信用风险的管理也从最初的定性模型到如今的定量的精确管理。
现在主流的比较有影响力的信用风险量化模型主要有以下4个:摩根的信用度量模型 (Credit Metrics) 、KMV公司的KMV模型、瑞士银行金融产品开发部的信用风险附加模型 (Credit Risk+) 和麦肯锡公司的信用组合观点模型 (Credit Portfolio Risk) 。
一、四大信用风险模型概述
(一) 信用度量模型 (Credit Metrics)
Credit Metrics模型主要运用Var的思想来度量信用风险。Var方法就是计算在一定的概率水平下, 一项资产的最大损失。可见, 运用这种方法必须要对不同资产的损失分布有一个清晰的认识, 这也是运用Var方法最核心的部分。Credi Metrics模型就是为解决考虑到信用风险时损失分布的计算问题。计算时用到的主要工具是信用转移矩阵和远期风险贴现期限结构。信用转移矩阵是由评级公司开发的, 通过对宏观经济状况、企业经营和市场的情况综合分析, 得出具体企业的信用得分, 并计算企业从一个信用等级转到另一个信用等级的概率。远期风险贴现期限结构可以根据市场上发行流通的债券计算得出, 不同信用等级的资产由于其风险不同, 他们的风险贴现期限结构也是不同的。根据此期限结构我们可以在不同的信用等级下, 把企业资产的未来现金流贴现, 计算资产现值。最后根据信用风险转移矩阵就可以计算出不同信用得分水平下资产现值的概率分布, 并得到Var数值。
(二) KMV模型
KMV模型主要运用的是期权定价的思想, 以莫顿 (Moten) 模型为基础开发出的信用风险计量模型。它把企业的股权价值看作是一个欧式看涨期权, 利用B-S期权定价模型计算出违约距离, 预期违约率。对于应用B-S模型时有些系数难于得到的问题, KMV公司也给出了关键指数的经验算法。例如, 当公司资产价值少于短期债务加上50%长期债务时, 债务人就会违约;违约距离DD= (VT-VDEF) /σ, 式中, VT表示T期公司价值, VDEF表示公司违约时的临界价值, σ为T时段内的资产价值波动系数;经验的预期违约率等于违约距离为DD的公司中发生违约的公司数量除以所有违约距离为DD的公司数量。这些经验方法更方便了KMV模型在实际领域的应用。
(三) Credit Risk+模型
Credit Risk+模型是瑞士信贷银行金融产品部 (CSFP) 依据财险思路而开发的。对于Credit Risk+来说, 在任何时期, 只考虑两种状态:违约或不违约。该方法的焦点是度量信用资产的预期损失和非预期损失, 而不是像在信用度量模型下来度量信用资产的在险价值量。在Credit Risk+方法下, 违约被模型化为一种有着一定概率分布的连续变量, 它与住房火灾保险情况有着相似之处, 如果一家的全部资产均已投保, 那么, 每处房屋被烧毁的概率是很小的, 因而, 在Credit Risk+方法之下, 每一笔个别贷款被看做是有着小的违约概率, 并且每一笔贷款的违约概率都独立于其他贷款的违约。这一假定使得贷款组合违约概率的分布像是一种泊松分布。Credit Risk+方法也纳入了严重程度不确定这一事实, 由于难以在个别的逐笔贷款的基础上度量严重性, 所以, 损失的严重性或贷款的风险暴露数量被凑成整数和分出频段。违约率不确定性程度和损失的严重性、不确定性程度, 为每一个风险暴露频段都带来一种损失的分布, 加总这些不同风险暴露频段的损失可以得到贷款的损失分布。
(四) 信用组合观点模型 (Credit Portfolio Risk)
在信用度量制方法中, 人们假定信用等级的转换概率在不同的借款人之间, 以及在商业周期不同阶段之间都是稳定的, 但这一假定与现实不符。有实证研究结果表明, 资产的信用等级的转换通常取决于经济状况好坏。由于经济周期的各种宏观因素对债务人的信用等级转换概率会产生重要的影响, 因此, 在计算信用资产的在险价值时, 就要考虑到这些因素的存在以及它们对信用等级转换概率影响的程度。考虑到宏观经济的影响, 人们就把信用等级的转移概率同宏观经济变量相联系, 构造出动态的信用风险转移概率。这就是Credit Portfolio Risk模型的主要思想。该模型将违约及信用等级转移概率与利率、经济增长率、失业率等宏观经济变量联系在一起。然后, 用计量经济学模型, 通过对历史数据的分析, 计算出基于经济状况和风险期的组合损失分布, 进而来生成违约 (转移) 概率分布。而经济资本则基于之前计算出的违约概率分布, 用风险价值法来计算得出。
二、不同模型的适用性分析
Credit Metrics模型主要应用在以下几个方面:一是该模型以分析性框架为基础, 可以计算组合价值的波动率和预期损失。二是运用蒙特卡洛模拟方法可以进一步估计资产组合的远期价值分布, 从而可以确定信贷资产的信用风险价值。三是Credit Metrics的输出报告在风险管理以及建立对冲策略方面有着非常重要的应用, 金融机构能够评估总体的风险规模, 针对可能不利的情况设立相应的资本缓冲。信用度量制模型的主要缺点在于, 在计量贷款的在险价值时, 信用度量制模型假设信用等级转换概率矩阵是稳定的, 也就是说, 假定不同借款人之间、不同时期之间的信用等级转换概率是不变的。然而实际上, 行业因素、国家因素以及商业周期因素均会对信用等级转换概率产生重要影响。
Credit Risk+实施起来相对简便, 可以推导出完善的债券、贷款资产组合的损失概率。Credit Risk+模型计算相对容易, 计算债务人的边际风险也相对容易。该模型将注意力集中在违约事件上, 因此, 只需要相对较少的估计量和输入数据, 对于每一种债务工具来说, 只需要违约和风险暴露值就足够了。Credit Risk+的主要局限性在于, 假设信用风险同市场风险水平没有关系。此外, 该模型忽略了信用转移风险因素, 在这个模型中, 每个债务人的风险暴露都是固定的, 并且对该发行人信用质量在将来可能发生的变化不敏感, 或者对远期利率的变动不敏感。最后, Credit Risk+模型在处理诸如期权和外汇互换等非线性产品上也不令人满意。
KMV是建立在现代公司财务理论和期权理论上的一种信用检测模型。由于有很强的理论基础为依托, 所以, 得出的预期违约概率有很强的说服力。KMV模型是一种具有前瞻性的方法, 在一定程度上克服了依赖历史数据向后看的数理统计模型的缺陷。KMV模型所提供的预期违约概率EDF指标来自于股票市场价格实时行情分析, 而股票市场行情不仅反映了该企业历史的和当前的发展状况, 更重要的是反映了市场投资者对该企业信用状况未来发展趋势的判断。KMV模型的缺陷在于, 首先, 该模型基本上属于一种静态模型, 一旦将企业的债务结构确定下来, 无论其资产价值增长多少, 企业的债务结构也不会变动。其次, 模型中的假设之一是企业的资产价值呈正态分布, 现实中并不是所有企业资产的价值都呈正态分布。最后, 该模型不能分辨企业长期债务的不同类型。在实际中, 企业债务可以按照其优先偿还顺序、能否转换、有否担保及有否契约等进行分类, 不同的企业债务对企业的资产质量和违约造成的影响不同。
Credit Portfolio Risk模型的优点, 一是较为充分地考虑了宏观经济环境对信用等级转移的影响, 而不是用无条件的历史上的违约概率的平均值来代替。二是信用等级转移概率具有盯市性, 因而它与信用度量术结合起来可以提高信用风险度量的准确性。三是该模型既可以适用于单个债务人, 也可以适用于群体债务人, 如银行个人业务的零售组合。Credit Portfolio Risk的局限性主要在于它的数据依赖于一国的很多宏观经济数据, 因而数据处理与计算较为繁杂。实施这一模型需要可靠的数据, 然而每一行业的违约信息往往较难获得。另外, 在使用经过调整后的信用等级转移矩阵, 但是调整的过程要基于银行信贷部门经验的积累和对形势的判断, 所以具有很大的主观性。这个模型也不能处理期权等非线性产品。
参考文献
[1]戴国强.VaR方法对我国金融风险管理的借鉴及应用[J].金融研究, 2000, (1) .
[2]刘宇飞.VaR模型及其在金融监管中的应用[J].经济科学, 1999, (1)
[3]管七海, 冯宗宪.信用违约概率测度研究:文献综述与比较[J].世界经济, 2004, (11) .
[4]武剑, 王健.新资本协议中违约概率模型的研究与应用[J].世界经济, 2003, (9) .
信用风险模型回收率的实证分析 篇9
违约损失率 (LGD) 是指债务人一旦违约将给债权人造成的损失数额占风险暴露 (债权) 的百分比, 即损失的严重程度。从贷款回收的角度看, 违约损失率决定了贷款回收的程度, 违约损失率=1-回收率。其特点是:违约损失率是针对交易项目———各笔贷款而言的, 它与关键的交易特征有关, 是与贷款的信用保障挂钩的, 如是否有抵押品。银行的客户可能有多笔贷款, 每笔贷款的违约损失率因其信用保障措施的不同而有所不同。违约损失率数值的计算建立在对贷款评级的基础上, 通过分析各信用级别贷款的历史违约损失情况获得。
影响贷款回收的因素不仅包括借款企业的信用等级, 还包括银行内部的内控水平。违约损失率具有与特定交易项目相关联的特性, 其大小不仅受到借款企业的因素影响, 还受到交易的特定设计和合同的具体条款, 如抵押、担保等的影响。安博尔信用评级打造企业未来, 影响违约损失率的因素比影响违约概率的因素更多、更加复杂, 主要有项目、公司、行业、宏观经济周期4个方面的因素。而项目因素中, 就包括债务类型、偿还顺序、抵押品等;公司因素中包含资本结构和相对偿还顺序;行业因素中, 有形资产较少的行业如服务业, 风险大于有形资产密集型行业;宏观经济周期因素中, 经济萧条期的风险大于经济扩张期。因此, 对同一债务人不同的交易可能具有不同的违约损失率。如对于同一债务人的两笔贷款, 如果一笔提供了抵押品, 而另一笔没有, 那么前者的违约损失率可能小于后者的违约损失率。显然, 银行在具体交易中可以通过交易方式的设计来管理和降低信用风险。如贷款合同中要求借款企业提供特定的抵押品使得抵押贷款的清偿优先性得以提高, 在借款企业一旦破产清算时可以使得银行提高回收率, 降低违约损失率。此外, 除了传统的抵押品, 银行也可以通过金融创新, 采用其他防范或转嫁企业违约后损失的工具, 如信用衍生产品。
违约损失率与违约概率 (PD) 是计量信用风险中最为重要的两个要素。通过这个量可以估计出信用风险的严重程度。所以自巴塞尔新资本协定将违约概率 (PD) 和违约损失率 (LGD) 一同纳入监管资本衡量的基本框架以来, 违约损失率 (LGD) 引起了监管界、业界和理论界的高度重视。
二、违约损失率的研究综述
对违约损失率的研究, 国外学者很早就开始了, 研究的方法也由简单变得越来越复杂。而国内的研究是近十几年随着社会主义市场经济的建立和不断发展而开始的。
企业举债取得资金的主要渠道有直接融资和间接融资。直接融资的各项公司债具有次级市场价格, 违约后可以通过该债务工具违约后一定时点的市场价格为基础估算违约损失率。对于间接融资, 则需依靠银行积累的违约贷款数据资料来推估违约损失率。公开市场资料较易取得, 因此违约损失率的研究也以此为基础发展起来。
《On the Pricing of Corporate Debt:the Risk Structure of Interest Rates》是Robert C Merton于1974年发表的, 是现代信贷违约概率和回收率分析的理论基础文章。其不足之处是没有解决信用资产质量的实际观测问题, 在实证中的应用受到限制, 这也是模型诞生后大量后续工作的重心所在。针对Merton (1974) 模型在实证应用领域的困难, 有若干文献尝试提供变通的解决办法。Crouhy和Galai (1997) 将不能直接观测的Merton (1974) 模型表达为信贷违约概率和回收率的函数, 从而使信用风险管理的核心简化为对PD和LGD的观测分析。
在违约损失率的市场实际分析方面, 由于数据很难获得, 所以是以基于美国向大信用资讯服务公司的数据研究居多。
Asarnow及Edwards (1995) 使用违约事件发生后产生的所有经济损失衡量银行贷款的预期损失。其以花旗银行1970～1993年间一般工商业贷款及受监控贷款 (Structured loans) 共831个违约样本计算出的LGD分别为34.79%和12.75%。研究的一个重要发现就是其分布为“双模型分布” (bi-model) , 样本集中在高、低两端。
Carty及Lieberman (1996) 以穆迪公司1989～1996年间58例优先担保违约银行贷款为对象, 根据其次级市场交易价格进行实证研究。结果表明平均回收率为71%, 中位数为77%、标准差为32%。研究未观察到“双模型分布” (bi-model) , 但发现回收率明显向高端偏离。
Hamilton及Carty (1999) 以市场法求算159家破产案例为研究样本的偿还率, 结果平均偿还率为56.7%、中位数偿还率为56%、标准差则为29.3%。
Gupton、Daniel Gates及Carty于2000年采用121例违约贷款样本的研究结果表明:优先担保和优先未担保的银行贷款违约时平均价值分别为69.5%和52.1%, 但实践经验中对这些平均价值的偏离也是显著的。
Gupton和Stein (2002) 首次推出了一个市场价值预测基础上LGD预测模型Loss Calc, 该模型是一个关于美国债券、银行贷款和优先股LGD的多因素统计模型。
Michel A, M.Jocobs Jr, P.Varshey (2004) 采用JP摩根o大通1982～1999年间的贷款损失历史资料 (共3761例违约客户) 对LGD进行研究, 平均会计LGD和经济LGD分别为27.0%和39.8%。该研究同时对抵押贷款LGD进行了分析。通过对1982年1季度至1999年4季度共1705个样本的研究, 抵押贷款 (1279个样本) 的LGD均值为27.7%, 标准差35.3%, 无抵押贷款LGD均值40.3%, 标准差42.5%, 研究公布了不同类型抵押物LGD均值和标准差。
由于国内公司债券市场不发达, 银行违约贷款回收数据系统研究时间起步时间不长, 国内关于违约损失率的研究理论介绍较多, 有影响的实证数据稀少。主要有:
(一) 四大资产管理公司的相关数据
国内华融等四大资产管理公司公布的资产回收资料, 可作为研究国内贷款违约损失率的间接资料。2004年我国四大金融资产管理公司资产处置结果为资产回收率26.60%, 现金回收率20.16%。
(二) 其他研究
张海宁 (2004) 以191个中国大型商业银行信贷项目作为样本 (时点为1998年) (涉及贷款本金266.29亿元, 利息77.08亿元) 进行的实证研究显示平均回收率为33%, 最大值80%, 最小值为0。
2004年5月28日, 建行通过国际竞标方式进行账面价值为40亿元人民币抵押贷款不良房地产抵贷资产的拍卖, 花旗银行、德意志银行、雷曼兄弟、摩根大通、摩根斯坦利等15家机构参与竞标, 最终中标综合资金回收率为34.75%。
三、违约损失率的几种重要的估算方法
公司债务来源于两方面:直接融资和间接融资。前者是通过公开市场发行公司债券, 后者是向银行借债。由于直接融资的债务有次级市场价格, 所以发生违约后, 可以利用该债务工具违约后一定时点的市场价格为基础来估算违约损失率。间接融资则多是根据银行实际违约偿还合同的条款来估算违约损失率了。
(一) 市场基础法
这种方法是根据债务次级市场价格为标准来计算违约损失率。这种方法是以Edward I.A.and C.E.Allan (1994) 的研究为代表。
市场基础法主要是反映债务市场价值, 是来自市场的实际交易结果, 在该价格中已经包含了投资人对回收结果的预期。这种方法只适用于流动性比较大的次级债务市场。
(二) 现金基础法
对于无市场价格信息的债务工具, 如银行债务而言, 债务条件的订立为债务人与银行妥协的结果。依银行授信政策、借款人特性及征信评估结果, 不同借款人债务条件的订立并不一致。此类债务一旦发生违约, 最主要特征是债务的解决往往取决于债权银行及债务人间的谈判成果。银行对于违约时点的确认较不明确, 且回收情况往往无法符合市场经济效率 (如优先次序) 。有关此类因程序特性所造成的无效率是进行LGD预测时不易量化的因素。
因为银行借款无明确的市场价格, 因此损失率的估算通常以债权人最终回收的现金额为依据。以现金为基础的回收率计算公式有如下两个:
1. 现金回收折现法
以Asarnow.E.及D.edwards (1995) , Carty.L.V. (1996) , Carty及Hamilton (1999) 研究为代表。现金回收法则主要将违约后各期所收到净现金流量予以折现至违约当时价值。选用这种方法时, 选择合适的折现率是关键也是难点。求出回收率后以1减去即为违约损失率:
2. 余额推算法
依据沈大白 (2003) 研究, 若违约债务的回收资讯缺乏时, 可以两期任务余额的差额作为债务实际回收现金额, 再据以计算违约回收率, 以1减去该值即为违约损失率 (公式简化后即相当于计算损失率时点的账面余额除以违约时点的账面余额) :
现金回收折现法与余额推算法的原理相似, 只是后者是在回收资料不可得的情况下较为简便的替代方法。
四、违约损失率实证分析
(一) 数据来源
由深圳晨星资讯公司提供的广东地区某商业银行抵押贷款处置资料。
(二) 研究内容
通过对国内外文献研究成果的分析, 本研究作为专门的抵押贷款LGD实证研究, 拟定本研究的主要内容为:
1. 不同地区、不同类型抵押物LGD的分布特征。
2. 银行抵押贷款操作方法与回收率的关系。
3. 通过本研究提示信贷政策的改进方向。
(三) 研究方法
借助SPSS软件, 通过对历史数据的计算与分析, 进行抵押贷款LGD的实证研究。
1. 指标选用
由于数据来源的限制, 同时为过滤其他因素的影响, 直接采用会计回收率 (不考虑资金时间价值) , 且计算回收率时不考虑欠息, 即回收率= (抵押物变现金额-变现成本) /贷款金额。
2. 数据来源及处理
原始样本共1086个, 涉及贷款金额118.76亿元, 覆盖各个行业, 抵押物变现时间从1998年至2005年。
为提高分析的准确性, 对数据进行了如下处理:
(1) 剔除了无效抵押数据。
(2) 对明显异常数据进行了核实修正:
1) 对原数据中回收率低于-10%的数据逐一进行了复核;
2) 对回收率大于100%的回收率数据一律调整为100%。原因是抵押物处置后, 超过贷款金额的部分需要退还企业, 调整比例占总样本数的8.76%。
3. 结论
(1) 回收率呈现明显偏态分布, 均值对总体数据的代表性较差。有效样本贷款回收率均值为40.56%, 显示回收的平均效果欠佳;标准差为16.349%, 回收率波动比较大, 稳定性差;分布呈现双峰分布, 说明可能存在某种或某些系统性影响因素。如图1所示。
(2) 不同地区、不同类型抵押物回收率差异显著。不动产的回收率总体上高于动产的回收率, 前者均值为后者的148.41%;各种不动产之间也有明显差别, 如表1所示。
(3) 由表2可以看出, 贷款金额与回收率存在负相关。相关分析显示, 贷款金额与回收率存在负相关, 大额贷款抵押的回收率总体上低于小额抵押贷款的回收率。其原因可能一是大额抵押物评估更易受借款人影响;二是大额抵押物与小额抵押物相比, 市场需求面窄, 更难变现。
摘要：信用风险近年来越来越受到国人的关注。随着中国经济的发展和产业不断升级, 经济个体的金融联系越来越密切且复杂, 而信用风险也成为主要的金融风险之一。为了管理信用风险, 国外经济发达国家或地区的著名金融机构纷纷开发自己的信用风险内部模型。例如CreditMetrics、KMV、CreditRish+、CreditPorfolioView。违约回收率对于计算信用风险是非常重要的。文章基于广东地区某商业银行抵押贷款处置资料对我国违约回收率数据进行考察, 以揭示我国信用风险状况。
关键词：信用风险,信用风险模型,违约回收率
参考文献
[1]安东尼·桑德斯.信用风险度量——风险估值的新方法与其他范式[M].刘宇飞, 译.北京:机械工业出版社, 2000.
[2]Michael k Ong.内部信用风险模型——资本分配和绩效度量[M].李志辉, 译.天津:南开大学出版社, 2004.
[3]于研.信用风险的测定与管理[M].上海:上海财经大学出版社, 2003.
[4]Carty, L.V.and Lieberman, Corporate Bond Defaults and Default Rates, Moody's Investor Services, Global Credit Research, January.1996.
[5]Engle, R.F. (2002) .Dynamic conditional correlation-A simple class of multivariate GARCH models, Journal of Business and Economic Statistics20, 339-350.
[6]Engle, R.F.and Sheppard, K. (2001) .Theoretical and em-pirical properties of dynamic conditional correlation multi-variate GARCH, UCSD DP2001-15.
[7]W.K.Newey and D.McFadden, Large sample estimation and hypothesis testing, in Handbook of Econometrics, vol.4, Elsevier North Holland, 1994.
[8]A.K.Tsui and Q.Yu, Constant conditional correlation in a bivariate garch model:Evidence from the stock market in china, Mathematics and Computers in Simulation, 48 (1999) , 503-509.
风险分析模型 篇10
随着中国经济的快速发展, 民航客货运输量急剧增加, 新建、改建、扩建机场规模的迅速扩大[1], 机场面临的安全风险也越来越大。民航局正在全面推广机场安全管理体系 (SMS) , 也出台了相应的咨询公告[2]。但各机场在建设SMS的过程中, 对如何运用有效的安全风险管理工具, 在机场日常安全运行管理中, 识别危险源和风险分析。
目前, 安全风险分析方法至少有几十种。一般的分析方法只是从定性定量的角度对危险源进行分析[3], 而Bowtie模型 (蝴蝶结模型, 见图1) 把安全风险分析的重点集中在风险控制和管理系统之间的联系上。因此, 它不仅能定性定量地分析安全风险, 而且能够真正地管理安全风险。它可以帮助安全管理者系统地、全面地分析安全风险。
根据加拿大运输部的一项研究, 一个机场的交通量增加20%将使跑道侵入可能性增大140%[4]。跑道侵入越来越成为影响跑道安全的最大也是最频繁的不安全事件[5]。跑道侵入在国际上已被认为是在机场发生的主要不安全事件类别之一[6]。本文以机场原因导致的跑道侵入为例, 探讨如何运用Bowtie模型分析机场安全风险。
2 Bowtie模型在跑道侵入中的应用
跑道侵入, 是指在机场发生的任何航空器、车辆或人员错误进入指定用于航空器着陆和起飞的地面保护区的情况[7], 保护区还包括航行道位于适用的跑道等待位置和实际跑道之间的部分[8]。
2.1 Bowtie模型的事故原因分析
2.1.1 事故原因分析
在不考虑飞机和空地通讯设备存在故障, 飞行员和管制员存在失误的情况下, 利用事故树, 详细分析车辆、人员跑道侵入的原因, 如图2所示。
通过编制成功树, 求成功树的最小割集, 便得到原故障树的最小径集。
这样就得到成功树中的3个最小割集, 即故障树的3个最小径集:
将成功树最后化简的结果转化为故障树结构, 则表达式为:
2.1.2 结构重要度
可用下面的近似判别式计算结构重要度:
undefined
式中:I (o) 为基本事件Xi结构重要度系数的近似判别式;
Xi∈Kj为基本事件Xi属于Kj最小割 (径) 集;
ni为基本事件Xi所在最小割 (径) 集中包含的基本事件的个数。求得:
undefined
根据比较原则和计算结果, 得出各基本事件的结构重要度排序为:
结构重要度分析的结果表明, 在发生车辆人员跑道侵入事件中, 天气原因、标识牌放置不当、使用非标准用语、语言水平差、通讯阻塞存在问题优先于其它因素。利用事故树识别出危险接近的原因, 按照其性质分类, 主要包括:安全政策:X5, X6, X10;安全目标:X4, X5, X6, X10;不安全事件调查X2;组织机构及职责:X4, X5, X6, X8, X10, X11, X13;文件管理:X2, X9;安全教育与培训:X2, X5, X6, X7, X8, X11, X13;安全信息管理:X4, X9;风险管理:X2, X4, X5, X6, X7, X8, X9, X10;安全监督:X2, X4, X10;其它原因:X1, X3, X12。根据结构重要度, 简化Bowtie图。
2.2 Bowtie模型的事故后果预测
2.2.1 事故后果分析
下面通过事件树分析来确定危险接近所造成的各种后果以及其风险等级, 见图3。
对于管制员和机场工作人员预测人员对异常状态反应失误的概率, 本文采用认知可靠性模型 (HCR) , 如下:
undefined
式中:t为可供选择、执行恰当行为的时间;T0.5为选择、执行恰当行为必要时间的平均值;A、B、C为与人员行为层次有关的系数, 相关系数见表1[9]。
可供选择、执行恰当行为的时间可以通过模拟试验和分析得到;选择、执行恰当行为必要时间的平均值T0.5可以按下式计算:
undefined
式中:T0.5为标准状态下选择、执行恰当行为必要时间平均值;k1为操作者能力系数;k2为操作者紧张度系数;k3为人机匹配情况系数。可以查表2获得。
有关资料表明经过大量统计数据后表明, 管制员视线由窗外→窗内仪表区→窗外, 需要2.35s的反应时间, 具体细节见表3。
另外, 据国外资料显示, 管制员经过判断, 采取最佳方案, 指挥肌肉动作, 直至切换通话频率, 这个过程大约需要2～5s完成, 反应长短取决于管制员的水平高低, 水平最高的至少需要2～3s完成, 水平低最少需要4～5s, 鉴于本例实际情况取4s。针对本实例, 管制员发现跑道有车辆或人员, 而后, 管制员判断、告警, 约为4s左右, 则
undefined
因此, 根据管制员操作特点, 人员的行为层次为规则性, 参考飞行员测试的数据得表3[10], 各系数取值如下:即A=0.601, B=0.6, C=0.9。
表3 从窗外转向仪表再从仪表转向窗外的时间
假定管制员认知能力, 业务熟练程度都为一般, 在未报警管制员较为紧张, 人机匹配良好, 依据表4取值如下:
undefined
假定由于管制员没有及时发现, 已经告警或是解决冲突时间减少, 机场工作人员处于极度紧张状态, k2=0.44, 假定管制员延误解决冲突时间为1s, 其它条件不变, 则
t=21-1=20.6s
undefined
undefined
如果管制员没有告警, 假定在天气良好的情况下, 飞行员自己解决避让, 没有时间与管制员沟通, 处于极度紧张状态, 人机匹配值降到一般, 则
undefined
2.2.2 事故后果预测
本文中采用的ICAO《SMM》的严重性和可能性表, 确定风险评估矩阵, 如表4所示。
利用事件树分析后果为跑道侵入, 飞机复飞, 航空器与地面设备相撞, 考虑到每种后果的概率, 依据表4, 各种后果的风险等级见图3。
根据上述事故树分析的原因和事件树分析的结果, 绘制Bowtie图 (见图4) 。
图4说明由机场原因导致的跑道侵入事件是我们不能接受的。究其原因, 主要是安全政策不落实、安全目标不明确、组织机构职责不清楚、安全教育培训不到位、安全信息不畅通、风险管理不及时、安全监督不力等诸多因素造成。而这些因素正是机场安全管理体系的重要组成部分。
3 结论
(1) 针对跑道侵入的特点, 采用Bowtie模型计算结构重要度和人的可靠性, 得出由机场原因导致跑道侵入的3种可能后果和导致跑道侵入发生的8个关键因素, 反映了跑道侵入的后果严重度和机场组织管理的缺陷。
(2) 机场安全风险分析, Bowtie模型具有有效、迅速、直观、准确等特点, 适合机场风险管理, 为机场安全管理体系的建设提供有力的技术支持。
(3) 通过分析影响跑道侵入的风险管理和组织控制, 可为机场安全管理人员进行跑道管理提供理论依据, 为以后的探讨和研究提供客观可行的思路。
摘要：运用Bowtie模型对隐患、可能的事故原因以及后果进行评判, 分析重点放在风险控制和组织控制的薄弱环节上。利用Bowtie模型, 分析机场安全风险, 以跑道侵入事件为算例进行深入分析, 探讨影响机场安全风险的组织因素。量化影响跑道侵入的结构重要度, 计算不同阶段、不同条件下, 可能导致跑道侵入事件发生的概率。从风险管理和组织安全的角度, 预防跑道侵入事件的发生提供理论依据和实际指导。
关键词：民用机场,Bowtie模型,风险分析,跑道侵入
参考文献
[1]新浪.http://info.yidaba.com/zxzx/zxyw/12582322.shtml[EB/OL].2008:11~21
[2]中国民用航空局机场司.机场安全管理体系建设指南[Z].咨询通告.2008:1~3Airport Department, CAAC.Guildline of Building Airportsafety management system[Z].Advisory Circular:2008:1~3
[3]马平.跑道侵入研究[D].2008:5~6MA Ping.Study on Runway Incursion[D].2008:5~6
[4]Transport Canada.National Civil Aviation Safety Commit-tee Sub-Committee on Runway Incursions, Final Report[R].September14, 2000:7~12
[5]高扬, 李阳.利用ARIMA (自回归移动平均) 模型对跑道侵入事件的分析及预测[J].中国安全科学学报.2008, (11) :25~30GAO Yang, LI Yang.Analysis and Prediction of Runway Incurison Event Base on ARIMA Model.CHINA SAFETY SCIENCE JOURNAL.2008, (11) :25~30
[6]《2009-2013FAA FLIGHTPLAN》.FAA.2008.P14
[7]ICAO.Doc9870AN/463, Manual for Preventing Run-way Incursions[M].First Edition.2006:1~1
[8]ICAO Procedures for Air Navigation Services-Rule of the air and air traffic services (PANS-ATM, Doc4444) .ICAO.1996:20
[9]刘馨忆.Bowtie模型在飞行安全风险分析中的应用研究[D].2009:33~38LIUXin-Yi.Study and Apply Bowtie Model in Safety Risk Analysis[D].2009:33~38
【风险分析模型】相关文章：
基于风险的存款保险定价模型分析09-10
项目风险分析及风险防控04-09
风险分析流程05-26
锯床风险分析04-23
行业风险分析05-08
债务风险分析05-31
风险体系分析05-20
经营风险分析06-25