城市地铁PPP项目融资风险评价模型
2019-12-10雒香云袁竞峰谷甜甜
雒香云 袁竞峰 谷甜甜
摘要:PPP模式在城市地铁项目中越来越受到欢迎,对其风险进行评价,能够有助于科学决策。采用文献检索法建立风险体系,利用德尔菲法对样本各指标进行评价,随后对数据进行降维处理,最后构建BP神经网络模型。结果表明,所建立的三层5-4-1BP神经网络模型具有较好的效果,有助于城市地铁PPP项目风险控制。
关键词:BP神经网络;地铁;PPP;风险
中图分类号:F293 文献标识码:A
文章编号:1001-9138-(2019)11-0064-72 收稿日期:2019-09-15
1引言
PPP(Public-Private-Partnerships),即公共部门与私人企业合作的一种融资模式。世界银行认为PPP是私营部门同政府部门之间达成长期合同,提供公共资产和服务,由私营部门承担主要风险与管理责任,私营部门根据绩效情况得到酬劳。财政部对于PPP的定义是:政府和社会资本在基础设施及公共服务领域建立的一种长期合作关系。主要模式是由社会资本承担设计、建设、运营、维护基础设施的大部分工作,通过“使用者付费”及必要的“政府付费”获得合理投资回报;政府部门负责基础设施及公共服务价格和质量监管,以保证公共利益最大化。财政部将私人资本扩大至社会资本,使大量国资企业能够参与PPP项目。Norbert Portz认为,对于定义的讨论并没有过多的实际意义,关键是这样的融资模式是否能够产生作用。
近年来,随着经济的发展,越来越多的城市开始修建轨道交通设施。轨道交通设施相比于其他公共工程有投资大、周期长、效应好、需求迫切的特点。运用PPP模式进行地铁建设受到各地方政府的欢迎,财政部与发改委公布的PPP示范项目中有多个城市地铁线项目,如杭州市地铁5号线、北京地铁16号线等。
2研究方法
本文采用文献检索法,对城市地铁PPP项目的风险因素进行识别,构建风险评价体系。同时确定城市地铁PPP项目样本,在此基础上运用德尔菲法,搜集项目样本各风险指标数据。然后通过主成分分析对数据进行降维处理,使之适合BP神经网络,最后构建BP神经网络模型。通过计算调整神经网络的权值及阈值,得到基于BP神经网络的地铁PPP项目风险模型。详见图1。
3城市地铁PPP项目融资风险体系
目前国内外关于地铁PPP项目的融资风险研究主要集中于风险分担。
孙南申(2018)针对PPP模式投资中的主要风险类型,即融资风险、经营风险、政治风险和违约风险,分别从风险的分担机制、管控机制和处理机制等3个方面全面论述预防与应对PPP投资风险的法律规制。胡海虹(2012)认为PPP运用于地铁项目融资主要有政治风险、建设风险、运营风险、市场和收益风险、金融风险、法律风险。刘宪宁(2011)采用层次分析法及改进的TOPSIS法对地铁PPP项目进行政治、经济、完工、信用等风险管理研究。李启明(2007)以北京地铁4号线为例,着重分析了地铁PPP项目的经济风险,其中有需求、运营、财务、竞争等方面的风险。盛雪艳(2010)、林媛(2011)、盖元培(2011)、高余(2012)、魏泽佳(2013)对城市地铁PPP项目的风险体系进行了构建,但对风险定量评价的研究较少。王丽杰(2009)认为地铁建设除了一般风险还有特别风险,特别风险主要是政府建设投资政策与环境,政府引入外资及民营资本意愿强度、地质条件、城市发展。吴力伟(2010)认为地铁项目的风险主要有国家政治经济自然环境、开发运营风险、不可抗力风险、建设完工风险。Du Jian-cheng(2013)采用蒙特卡洛分析对风险进行的研究。
由于地铁PPP项目风险研究较少,本文也借鉴了其他PPP项目。赵佳、覃英豪(2018)采用HHM法识别出综合管廊PPP模式融资的8大主要风险因素,并利用
RFRM法结合改进层析分析法、熵权法和贝叶斯决策对风险因素进行初步过滤、多视角过滤和量化过滤。李明(2017)基于行政和民事法律关系,认为需要从国家治理的投融资政策和风险视角考察地方政府与国家投融资政策的博弈、主体角色转换、风险监管、投融资结构设计与合同结构设计及构建投融资的风险评估体系CFA模型等。Jing-fengYuan(2008)通过调查问卷,运用结构方程模型对中国PPP项目中存在的41种风险进行简化,得出最主要的20种风险,并将风险划分为外部自然风险和与项目进程有关的风险两大类。Mick Lilley(2005)介绍了PPP模式在澳大利亚国内基础设施建设中的作用及风险。L.Boeing Singh(2005)以印度Panagarh-Palsit高速公路项目为例,指出印度高速公路PPP项目面临的开发、运营、建设的风险,其中最主要的风险是公路收费风险。柯永健、王守清(2011)将PPP项目风险分为9类,分别是环境风险、技术风险、运营风险、金融风险、回收风险、不可抗力风险、政策法规风险、建设风险、以及項目缺省风险。沈俊鑫(2011)采用ZOPP方法综合研究我国主要TOT项目在融资、经营、管理中的问题,建立TOT项目融资风险评估指标体系。TOT项目融资的风险主要有系统风险:政治风险、法律风险、经济的不确定性、不可抗力风险;非系统风险:运营风险、市场风险。曹鸿飞(2010)认为有系统风险,包括政治风险、获准风险、法律风险、违约风险、经济风险、外汇风险、利率风险、不可抗力风险;非系统风险,包括完工风险、经营风险、维护风险。李洁(2009)认为风险主要有5大类,规划、设计、施工、经济、管理。他特别强调征地拆迁困难、设计方案变更、涉及定量不足、与周边部门沟通配合不力、城市规划改变、地质风险等需要特别考虑。
赵辉(2010)认为,公路项目融资风险应当考虑信用风险、完工风险、经营维护风险、市场风险、金融风险、政治风险、环境保护风险。其中信用风险主要是提供信用担保的项目参与者的资信风险,承包商与项目发起人的技术、资金能力管理水平。叶苏东(2010)认为项目融资的风险主要有融资风险、完工风险、生产风险、市场风险、货币风险、政治风险。李阳(2008)认为BOT项目面临多重风险。市场风险概括为:市场价格风险、市场决策风险、外汇风险、利率风险及通货膨胀风险。建设风险概括为设计技术、建设能力、建设超支、施工质量风险。运营风险:生产技术风险、原材料供应风险、经营超支风险、管理水平风险。
纵观国内外的研究,大多数集中于理论研究,并且风险体系趋于相同,研究方法多采用模糊层次、蒙特卡洛分析等方法,主观性较强。本文在大量文献的基础上,形成城市地铁PPP项目的风险体系,见图2。以传统的“政治、经济……”维度进行风险细分,同时从项目的参与者和外部环境的角度进行考虑。城市地铁PPP项目风险有:政府政策变动风险x1、法律法规风险x2、当地政府信用风险x3、税收变动风险x4、资金保障风险x5、利率波动风险x6、汇率波动风险x7、技术风险x8、拆迁安置风险x9、地质条件风险x10、不可抗力风险x11预算超支风险x12、质量欠佳风险x13环境问题风险X14、通货膨胀风险x15商业运营风险x16、客流量不足风险x17、建设管理风险x18、运营管理风险X190
4数据搜集
4.1德尔菲法调研
由于PPP运用于地铁项目在国内刚刚起步,缺乏大批量的数据。本文选取国内10条已建或在建的项目作为样本,采用德尔菲法对5级量表打分,见表1。由10位专家对每个风险评价指标做出5个等级(低、风险低、一般、较高、高)的判断,统计风险指标各风险等级的专家人数,设其百分比为al、a2、a3、a4、a5,则该指标的评价值为B=0.1a1+0.3a2+0.5a3+0.7a4+O.9a5。
为了便于专家对于风险等级的判断,笔者提供部分辅助信息,主要有城市基本情况、社会资本基本情况、项目基本情况,见表2。专家依据自身的知识客观地对每个指标进行风险评价。
尽管各地铁项目均是PPP模式,但是各地铁线融资模式不尽相同。本文项目融资风险评价是针对项目整体的融资风险评价,无论采取怎样的PPP模式,其风险的内容并没有改变,风险并没有降低,只是对风险进行了重新分配。表1中,有A、B部分划分的项目一般按如下情况:A部分包括洞体、车站等土建工程的投资和建设,由政府或代表政府投资的公司来完成;B部分包括车辆、信号等机电设备资产的投资,吸引社会投资组建的PPP项目公司来完成。
尽管政府大力推进PPP项目,但由于地铁项目门槛高、风险大,普通的私人资本很难进入该领域,城市地铁合作方往往是有专业技术力量的国企。本文样本覆盖国内有代表的数家企业,其中包括中交、中铁建、中铁为代表的施工企业;绿地为代表的房地产开发商;中电十四所为代表的机电设备厂商;港铁为代表的技术输出型资本方。
通过专家的打分,笔者得出表3的结果,对各地铁项目的各项风险指标的评价。从x1可以看出专家普遍认为大城市对该项目的政策变动风险较小;对于x7汇率风险指标,除港铁参与的项目外,样本均不涉及外资,故部分项目汇率波动为零。从x14可以看出,地铁项目都普遍面临着较为严重的环境问题。其他指标也各有含义。
4.2数据降维处理
由于本研究中,指标数量较多,为了得到更优的BP神经网络模型,故对表4进行降维处理,计算得出各项目降维后的风险矩阵。排名前5的主成分累积贡献93.88%,已经能够很好地代替原有的19各指标进行解释。表5为F1、F2、F3、F4、F5主成分矩阵的系数。
在经过一系列的降维处理后,原始的风险评价数据将被用于BP神经网络模型的构建。由于原风险体系中,所采用的指标较多,本文中使用主成分分析法是为了降维,提高BP神经网络运算效率。
5BP神经网络模型
5.1BP神经网络构建
研究使用Matlab默认设置,隐层激发函数为Sigmond函数,输出层激发函数为线性函数。因为sigmond函数的导数可以写成其自身的形式,线性函数导数为常数,可以提高模型运行效能。另外,初始权值Wo、学习效率η、期望误差均不做调整。
BP神经网络见图3。
5.2BP神经网络计算
本文选择10条国内的地铁线作为BP神经网络模型的训练和检测样本,其中训练样本8条,检测样本2条,见表6。
总体来说,国内地铁PPP项目融资风险较小。哈尔滨等城市由于人口、经济、地质因素风险最高;徐州等三线地级城市风险较高;南京、杭州等二线城市风险较低;广州、深圳等一線城市风险最低。从表7可以看出,构建的BP神经网络效果较好,期望值与输出值的误差较小,该BP神经网络模型能够推广使用至其他地铁PPP项目。
6结论及展望
本文还存在一些缺陷。除了北京、深圳、杭州的地铁是已建的,其他样本均是在建或尚处于合同签署阶段,项目最后能否按计划进行,还需要进一步观察。由于样本数量较少,尽管BP神经网络取得了较好的效果,但可信度有待商榷。在风险体系构建方面,一方面由于笔者认知水平有限;另一方面,国内外学者所构建的风险体系大同小异,缺乏新颖的观点。同时,必须要指出的是,本文所采用的风险体系,未能将地铁项目所有的特点展现,地铁项目的特殊性主要包含在专家打分中。
另外,关于定量化的风险研究,如果能够通过项目特点、城市概况、融资模式等客观数据,直接对项目进行各指标风险评价以替代德尔菲法对各指标评价,这将能够使整个过程的计算完全定量化,更加科学公正。目前采用BP神经网络,只是使权值与阈值更客观。总体而言,基于BP人工神经网络的PPP项目风险评估模型有着良好的应用价值,与预期结果相符,优于模糊综合评价等模型,能够更客观地预测风险,辅助于决策。