张爱美,郭静思,张诗悦2,吴卫红,张 琨
(1.北京化工大学 经济管理学院,北京100029;2.中国矿业大学(北京) 管理学院,北京 100083)
资源获取型林业对外直接投资的风险预警
张爱美1,郭静思1,张诗悦2,吴卫红1,张 琨1
(1.北京化工大学 经济管理学院,北京100029;2.中国矿业大学(北京) 管理学院,北京 100083)
构建资源获取型林业对外直接投资风险预警指标体系,利用我国林业对外直接投资主要流向的12个资源型林业国家2008—2015年的样本数据,采用主成分分析法将各个年份样本国家的风险划分为四个不同等级,基于BP神经网络原理建立资源获取型林业对外直接投资风险预警。结果表明:当一国拥有稳定的政治环境和发达的经济金融体系,或一国的森林资源丰富且投资成本较低廉时,会产生较低的风险警戒;反之,经济状况较差和政治动荡的国家,即使森林资源较充裕,仍需加强风险预警防范。针对控制与防范风险,提出相应的对策与建议。
资源获取型林业;对外直接投资;风险预警;BP神经网络
随着经济全球化进程的拓宽与延伸,对外直接投资成为各国合作贸易的重要投资方式之一。林业作为国民经济发展的重要行业,在林产资源建设、环境保护、国土安全和人民生活中起到关键作用。以“创新发展、协调发展、绿色发展、开放发展、共享发展”为核心的五大发展理念更为中国林业提升对外合作实力、拓宽国际贸易平台、促进林业对外直接投资发展注入了新鲜血液。对外直接投资的稳定发展需要保障,而建立相应的风险预警是把握林业对外直接投资发展合作风向标的有效保障。
依据林业对外直接投资目的可将林业企业“走出去”的动因分为资源获取型和加工贸易型。资源获取型林业是指林业企业以获取东道国森林资源为动机,一般通过进口或对外直接投资等途径来获取相应的木材资源,满足原木需求。就目前状况来看,资源获取型林业对外直接投资方式仍是我国林业主要的海外投资模式。一方面,林业的国际贸易分工日趋细化,不同国家和地区成为了木材生产地、木材贸易地和木材消费地,便于我国林业对外直接投资和获取木材资源。另一方面,虽然我国森林覆盖率较高,森林资源丰富,但人均占有量很少,导致木材缺口仍然较大的问题长期存在,进行对外直接投资以增加木材蓄积量是我国林业“走出去”的关键环节。同时,在获取海外森林资源经营活动中,林业企业会遇到由林业资源投资回收期长、易受自然灾害袭击、东道国市场环境不稳定、经济政策发生变动等因素所导致的损失、费用和损害的不确定性,这种不确定性直接关乎林业企业的经营效益状况和未来的发展前景。就资源获取型林业对外直接投资的长期发展而言,融入可持续性的有效的风险预警机制必不可少,这正是本文研究的意义所在。
从近年有关对外直接投资发展现状与风险预警的研究成果看,研究矿产、石油等能源资源风险预警的颇多,且多数集中在对政治风险的评价与防范上。针对林业对外直接投资的研究则多数集中在发展现状与问题探索,众多学者探析了中国企业对非洲和俄罗斯直接投资的现状和存在的问题,并为推动中非、中俄林业合作和林业境外投资提出了相应的建议与防范措施[1-4]。然而,有关资源获取型林业的国家风险因素和预警综合研究甚少,尤其采用智能科学途径来进一步研究资源获取型林业风险预警仍处于空白阶段。本研究以资源获取型林业对外直接投资为研究对象,基于BP神经网络对其风险预警进行了实证分析。
不同行业建立的风险预警指标体系会有所不同,本文在汲取上述文献主要思想的基础之上,着眼于宏观环境风险因素和微观层面风险因素分析,确立政治风险、经济金融风险指标,结合林业自身特征融入森林风险指标。
政治风险研究兴起于“二战”后的美国,1999年经济学家Daniel Kaufmann[5]等学者首次公布了世界治理指数(Worldwide Governance Research Indicators,WGI),为评价一国治理体系和政治制度等提供了一条新的途径。Peter Eggera、Hannes Winner[6]分别利用1995—1999年77个国家的样本数据,重点考察了对外直接投资与腐败之间的关系,对比了Wei S J[7]所得到的两者都为负相关,他们的研究结果得到了两者都为正相关关系。本文借鉴WGI“腐败控制”指标,并综合学者们的结论分析,选定两者关系为负相关。纵观上述探讨,并借鉴蒋冠宏[8]以东道国的政治稳定程度、腐败控制效果、政府效率高低、法律质量等因素为基础建立的政治风险指标体系,本文选取政治稳定与无暴力程度、政府效能、监管质量、法治和腐败控制五项指标来构建政治风险预警指标。
本文对经济金融风险界定为由于宏观经济环境和金融环境的不稳定性与不确定性带来的企业在对外投资过程中造成的损失和费用等。本文将这一风险因素细分为宏观经济指标、对外开放程度和金融环境指标,其中以人均GDP年增长率和GDP增长率作为宏观经济指标。参考孟醒、董有德[9]分析的东道国市场特征有关的控制变量,以该国的商品贸易状况和外国直接投资净流入作为对外开放程度指标;借鉴陈家愿、郑明贵[10]建立的我国海外矿业投资金融风险预警指标体系,以通货膨胀率和实际有效汇率指数作为金融环境指标。
表1 资源获取型林业对外直接投资风险预警指标体系
资源获取型林业在对外直接投资经营管理中除了面临政治和经济金融等相关风险外,还会存在自然资源带来的风险影响。对资源获取型林业企业而言,东道国的自然资源基本状况是影响企业对外直接投资重要风险因素之一。众多学者在研究东道国(地区)存在的风险因素和投资之间的关系时,都有考虑到自然资源禀赋控制变量因素[11-13]。据此,本文将引入森林风险指标,先选取森林覆盖率和森林蓄积量作为森林资源基础指标来反映一国森林资源的丰富程度和规模水平。Nagubadi R V、Zhang D[14]利用1989—2008年美国和加拿大的林业面板数据研究了双边对外直接投资的影响因素,研究结果表明,双边对外直接投资与原木产量和出口量呈正相关。在此基础上,本文选取原木产量和原木出口量指标,这两个指标能充分表现资源获取型林业独有的特征,既可表现出采伐和获取一国林木资源时东道国的林业政策,又能直接客观显现出东道国原木资源的发展规模。考虑到企业在获取森林资源时所付出的相关成本,本文选取世界银行发布的“森林租金”指标,并结合砍伐林木量和特定的租金率、产品价值等关联因素,建立森林成本指标。综上所述,本文选取16项二级指标构建风险预警指标体系,具体见表1。
本文根据近几年与我国合作密切且资源获取型林业对外直接投资额较大的国家,同时考虑到样本国家原始数据的可获得性和完整性,最终选取了12个代表性的资源获取型国家作为研究样本,即非洲地区的加蓬、赞比亚、赤道几内亚和喀麦隆,北美洲地区的加拿大和美国,南美洲地区的巴西、圭亚那和玻利维亚,欧洲地区的俄罗斯和法国,大洋洲地区的新西兰。
表1中的五项政治指标数据来源于世界银行“全球政府治理指标”(WGI)数据库;六项经济指标数据源于世界银行“世界发展指标”(WDI)数据库;森林指标中的森林覆盖率和森林租金占GDP的百分比数据同样来自于世界银行“世界发展指标”(WDI)数据库,森林蓄积量、原木产量和原木出口量三个指标数据源于世界粮农组织(FAO)的全球森林评估报告和林产品年鉴系列。
表2 风险因子得分
依据各个国家风险因子得分的年变化趋势,采取极值—均值法确立风险评级区间,并将风险划分为四个等级区间,分别为正常风险警戒、低度风险警戒、中度风险警戒和高度风险警戒四个等级,其中风险因子得分与警戒度成反比,风险评级临界值见表3。
从表3可见,当F>低警临界值时,为正常风险警戒区间;同理,当中警临界值
表3 风险评级临界值
基于主成分分析法的风险评级临界值和风险因子得分,可判定12个国家2008—2015年期间的风险等级。在此基础上,结合BP神经网络原理,进一步预测未来风险预警状态。Odom M D[15]等选取正常经营与失败经营的企业作为数据样本,最早将神经网络算法应用于企业预警,此后人工神经网络模型法不断得到改进与应用。BP神经网络是人工神经网络中代表性最强且应用极为广泛的一种多层前馈神经网络。由于BP神经网络具有非线性映射能力、泛化能力及容错能力的优势,本文采用输入神经元层、输出神经元层和隐含神经元层组成前向三层BP网络,并借用MATLAB工程软件神经网络工具箱来建立林业海外直接投资风险预警体系。以下为BP学习算法的具体步骤[16]。
随机选取一个学习模式对(Xk,Yk),设置输入层的输出为xk,按式(1)和式(2)分别计算隐含层、输出层各个神经元的净输入和输出。
(1)
(2)
按式(3)和式(4)分别计算输出层和隐含层各个神经元的校正误差。
(3)
(4)
按式(5)和式(6)分别计算修正隐含层到输出层的连接权值V和输出层神经元阈值γ;按照式(7)和式(8)分别计算修正输入层至隐含层的连接权值W和隐含层神经元阈值θ。
(5)
(6)
(7)
(8)
其中,学习速率为0<α,β<1。
随机选取下一个对提供给网络,循环以上步骤,直至全部m个学习模式对训练完毕。最后判定网络全局误差E是否满足精度要求,如果满足则结束,否则继续。
表4 BP神经网络初始参数和各函数设计
本文采用MATLAB神经网络工具箱,结合BP神经网络自身特点,对资源获取型林业海外直接投资风险指标数据进行训练、检测和预测未来风险预警程度。本文的训练集设置为2008—2013年的60组数据,检测集为2014年的10组数据,预测集为2015年10组数据,预测未来林业在海外直接投资经营过程中遇到的风险预警等级。训练结果见图1,期望误差值已达到甚至低于训练精度1E-8,说明训练效果较好;训练误差曲线趋势较为平缓,迭代33次后,实现有效收敛。
在达到BP神经网络训练精度的基础上,选取2014年检测数据,检测实际输出值与期望输出值之间的误差大小,有助于检验下一步预警效果。由表5可知,实际检验输出结果与期望输出结果基本一致,检验通过,继续预测2016年资源获取型林业海外直接投资风险预警形势,检验和预测结果见表5和表6。
图1 BP神经网络的训练结果
国家实际检验输出期望输出巴西2.22E-081.24E-099.99E-015.19E-070100玻利维亚3.11E-117.02E-011.46E-071.28E-061000赤道几内亚7.08E-061.60E-071.00E+001.87E-251000俄罗斯5.27E-061.11E-133.33E-102.23E-010010法国1.00E+006.94E-048.80E-133.41E-131000圭亚那3.49E-052.96E-141.47E-221.00E+001000加拿大1.93E-041.91E-163.68E-091.00E+000001加蓬7.33E-178.71E-041.79E-052.48E-010001喀麦隆9.98E-011.00E+001.11E-159.42E-010001美国1.86E-068.54E-173.78E-051.00E+000001新西兰1.45E-163.46E-031.00E+007.25E-100001赞比亚4.30E-146.23E-132.41E-050.9983684860001
表6 BP神经网络预测结果
预警结果显示:①喀麦隆、新西兰和美国属于正常风险警戒;②加拿大、加蓬和赞比亚属于低度风险警戒;③巴西、玻利维亚、法国和圭亚那为中度风险预警;④赤道几内亚和俄罗斯是高度风险警戒。
从整体来看,在森林资源尤为富足,且其经济金融发展较好或繁荣,政治环境趋于稳定和协调的国家进行获取林木资源投资风险属于正常范围内或产生低度风险警戒,林业企业加强防范有助于规避风险。此外,当一些发达国家实施贸易壁垒政策或森林资源相对不富裕,或一些发展中国家虽然资源富饶且劳动力成本较低,但由于他们的经济发展程度不足、政治环境动荡,且法律政策不完善,或与中国林业合作投资发展属于新兴时期,会对我国资源获取型林业在本土经营中加深危机,产生中度风险警戒甚至高度风险警戒。
搭建林业对外直接投资信息服务体系:为了使林业企业及时获取境外投资活动中政治环境、经济金融和林业政策等各类信息,我国政府应搭建信息服务平台,借助行业协会、境外林业投资商会、商务部在各地区的驻外使馆、科研机构、信息服务机构等渠道帮助林业企业及时了解国际林业动态与市场变化信息。如为了解巴西境内林业市场相关信息,可在境内建立专门提供相关市场信息和森林资源状况的机构。
完善相关制度与政策:①完善林业法律法规体系。政府应加快制定实施《对外直接投资法》,确保我国林业企业对外直接投资有法可依,依法办事,可及时规范林业投资主体行为,便于林业企业境外管理实现规范化、信息获取渠道多样化,树立林业企业良好形象。②加强建设林业经济政策。一方面,完善林业对外直接投资保险制度,鼓励保险机构开发多元化、多层次保险产品,完善创新保险产品开发机制。例如,在赤道几内亚等政治、经济金融、社会文化和政策法律较不稳定的且处于高度风险状态的国家,政府应加大宣传力度,提升林业企业投保意识和风险意识,鼓励企业购买保险,降低风险。另一方面,实施有效的融资政策,加强资金支持力度。建议我国政府加大资金支持,建立对外经济技术合作的林业专项资金并将BOT系列融资模式应用到林业项目。例如,在森林资源丰富、制度环境良好且风险较低的国家内,如新西兰、加拿大、美国等,对其海外直接投资的重点项目给予一定的资金支持和技术支撑。③打击非法木材的国际贸易,加快实施森林认证工作。为了避免俄罗斯提高我国原木进口关税或部分国家实行贸易壁垒,建议有关林业部门设立相关木材合法性和认证管理机构,促进产业稳定发展,清除非法木材合作活动。
正确选择投资区位:林业企业应根据自身投资需求确立投资目标,实现对东道国区位优势利用最大化。若投资目标倾向于森林资源,则应定位于森林资源丰富、种类较多的地点,如不断挖掘与南美洲国家森林资源开发利用合作潜力,与巴西、玻利维亚、圭亚那等国家磋商森林资源开发合作;若投资目标倾向于东道国的林业高新技术和科技水平,则选择技术水平发达、管理经验丰富的国家,如与加拿大、美国、新西兰等林业技术发达的国家合作,汲取林业技术经验;若投资目标倾向于市场潜在消费能力和市场资源,应选取市场资源丰富、劳动力成本较低及市场消费能力较强的东道国,如不断开辟加蓬、赞比亚、赤道几内亚等国家的林业市场。
构建合理风险评价和预警体系:林业企业应该针对东道国社会文化特征、政治环境、经济发展、林业相关法律政策、林产品市场前景和消费潜能等,同时结合企业自身实际对外直接投资经营状况,建立一套完整有序、科学客观的风险评估体系和风险预警机制。林业企业可基于相关风险预警理论,结合相关预警模型和国家风险数据构建风险预警模型。例如,本文基于BP神经网络构建风险预警系统,研究样本国家风险状态,为林业企业的风险预警管理提供参考和建议。
[1]高雪峰,宋维明.中国对非洲林业直接投资问题分析[J].林业经济,2010,(1)∶90-93.
[2]唐帅,宋维明.中俄林业合作面临的形势和发展趋势[J].国际经济合作,2013,(11)∶52-55.
[3]李静,荆涛.我国企业境外林业投资现状分析与建议[J].林业资源管理,2015,(6)∶59-63.
[4]鞠岩峰,张剑.中国企业对非洲林业合作与投资调查分析[J].林业资源管理,2015,(4)∶13-17.
[5]Kaufmann D,Kraay A,Zoido P.World Bank Policy Research Working Paper[Z].Governance Matters,1999.
[6]Egger P,Winner H.Evidence on Corruption as an Incentive for Foreign Direct Investment[J].European Journal of Political Economy,2005,21(4)∶932-952.
[7]Wei S J.Corruption in Economic Development:Beneficial Grease,Minor Annoyance,or Major Obstacle[Z].Mimeo,Kennedy School,Harvard University,1988.
[8]蒋冠宏.制度差异、文化距离与中国企业对外直接投资风险[J].世界经济研究,2015,(8)∶37-47.
[9]孟醒,董有德.社会政治风险与我国企业对外直接投资的区位选择[J].国际贸易问题,2015,(4)∶106-115.
[10]陈家愿,郑明贵.基于BP神经网络的我国海外矿业投资金融风险预警分析[J].资源与产业,2014,16(4)∶106-110.
[11]Asiedu E.Foreign Direct Investment in Africa:The Role of Natural Resources,Market Size,Government Policy,Institutions and Political Instability[J].The World Economy,2006,29(1)∶63-77.
[12]Kolstad I,Wiig A.What Determines Chinese Outward FDI?[J].Journal of World Business,2012,47(1)∶26-34.
[13]张雨,戴翔.政治风险影响了我国企业“走出去”吗[J].国际经贸探索,2013,29(5)∶84-93.
[14]Nagubadi R V,Zhang D.Bilateral Foreign Direct Investment in Forest Industry Between the US and Canada[J].Forest Policy and Economics,2011,13(5)∶338-344.
[15]Odom M D,Sharda R A.A Neural Network Model for Bankruptcy Prediction[Z].The International Joint Conference on Neural Networks,1990.
[16]马锐.人工神经网络原理[M].北京:机械工业出版社,2010∶121-125.
RiskEarlyWarningofForeignDirectInvestmentofResource-acquiredForestry
ZHANG Ai-mei1,GUO Jing-si1,ZHANG Shi-yue2,WU Wei-hong1,ZHANG Kun1
(1.School of Economics and Management,Beijing University of Chemical Technology,Beijing 100029,China;2.School of Management,China University of Mining and Technology(Beijing),Beijing 100083,China)
Under the resource-acquired forestry,this paper established the index system of foreign direct investment risks warning.By integrating the information of twelve destinations of Chinese forestry foreign direct investment over the period of 2008-2015,Principal Component Analysis was adopted to divide the risk state of these countries into four different grades for every year.Based on that,BP neural network was used to warn the risks of these investing countries.The results could be drawn as follows:Countries with stable political and economic environment,or with rich forest resources and low investment cost,needed a less warning.On the contrary,countries with poor economic status and unstable political environment but in good resource condition,needed a higher warning.Besides,this text put forward countermeasures and suggestions related to risk control and prevention,which provided valuable reference to the future studies.
resource-acquired forestry;foreign direct investment;warning of risks;BP neural network
2017-11-17;
2017-12-25
国家林业局林业重大问题研究及政策制定项目“世界林业发展动态跟踪与政策研究”;中国林业科学研究院林业科技信息研究所课题项目“中国林业对外直接投资的风险评价及控制策略研究”。
张爱美(1965-),女,吉林省抚松人,博士,副教授,研究方向为环境经济、技术经济。
张诗悦(1993-),女,吉林省公主岭人,硕士研究生,研究方向为管理科学。
10.3969/j.issn.1005-8141.2018.01.013
F326.20
A
1005-8141(2018)01-0071-06