資源獲取型林業對外直接投資的風險預警

張愛美,郭靜思,張詩悅2,吳衛紅，張 琨

(1.北京化工大學 經濟管理學院,北京100029;2.中國礦業大學(北京) 管理學院,北京 100083)

資源獲取型林業對外直接投資的風險預警

張愛美1,郭靜思1,張詩悅2,吳衛紅1，張 琨1

(1.北京化工大學 經濟管理學院,北京100029;2.中國礦業大學(北京) 管理學院,北京 100083)

構建資源獲取型林業對外直接投資風險預警指標體系,利用我國林業對外直接投資主要流向的12個資源型林業國家2008—2015年的樣本數據,采用主成分分析法將各個年份樣本國家的風險劃分為四個不同等級,基于BP神經網絡原理建立資源獲取型林業對外直接投資風險預警。結果表明:當一國擁有穩定的政治環境和發達的經濟金融體系,或一國的森林資源豐富且投資成本較低廉時,會產生較低的風險警戒;反之,經濟狀況較差和政治動蕩的國家,即使森林資源較充裕,仍需加強風險預警防范。針對控制與防范風險，提出相應的對策與建議。

資源獲取型林業;對外直接投資;風險預警;BP神經網絡

1 引言

隨著經濟全球化進程的拓寬與延伸，對外直接投資成為各國合作貿易的重要投資方式之一。林業作為國民經濟發展的重要行業,在林產資源建設、環境保護、國土安全和人民生活中起到關鍵作用。以“創新發展、協調發展、綠色發展、開放發展、共享發展”為核心的五大發展理念更為中國林業提升對外合作實力、拓寬國際貿易平臺、促進林業對外直接投資發展注入了新鮮血液。對外直接投資的穩定發展需要保障,而建立相應的風險預警是把握林業對外直接投資發展合作風向標的有效保障。

依據林業對外直接投資目的可將林業企業“走出去”的動因分為資源獲取型和加工貿易型。資源獲取型林業是指林業企業以獲取東道國森林資源為動機,一般通過進口或對外直接投資等途徑來獲取相應的木材資源,滿足原木需求。就目前狀況來看,資源獲取型林業對外直接投資方式仍是我國林業主要的海外投資模式。一方面,林業的國際貿易分工日趨細化,不同國家和地區成為了木材生產地、木材貿易地和木材消費地,便于我國林業對外直接投資和獲取木材資源。另一方面,雖然我國森林覆蓋率較高,森林資源豐富,但人均占有量很少,導致木材缺口仍然較大的問題長期存在,進行對外直接投資以增加木材蓄積量是我國林業“走出去”的關鍵環節。同時,在獲取海外森林資源經營活動中,林業企業會遇到由林業資源投資回收期長、易受自然災害襲擊、東道國市場環境不穩定、經濟政策發生變動等因素所導致的損失、費用和損害的不確定性,這種不確定性直接關乎林業企業的經營效益狀況和未來的發展前景。就資源獲取型林業對外直接投資的長期發展而言,融入可持續性的有效的風險預警機制必不可少,這正是本文研究的意義所在。

從近年有關對外直接投資發展現狀與風險預警的研究成果看,研究礦產、石油等能源資源風險預警的頗多,且多數集中在對政治風險的評價與防范上。針對林業對外直接投資的研究則多數集中在發展現狀與問題探索,眾多學者探析了中國企業對非洲和俄羅斯直接投資的現狀和存在的問題,并為推動中非、中俄林業合作和林業境外投資提出了相應的建議與防范措施[1-4]。然而,有關資源獲取型林業的國家風險因素和預警綜合研究甚少,尤其采用智能科學途徑來進一步研究資源獲取型林業風險預警仍處于空白階段。本研究以資源獲取型林業對外直接投資為研究對象,基于BP神經網絡對其風險預警進行了實證分析。

2 風險預警指標體系的建立

不同行業建立的風險預警指標體系會有所不同,本文在汲取上述文獻主要思想的基礎之上,著眼于宏觀環境風險因素和微觀層面風險因素分析,確立政治風險、經濟金融風險指標,結合林業自身特征融入森林風險指標。

政治風險研究興起于“二戰”后的美國,1999年經濟學家Daniel Kaufmann[5]等學者首次公布了世界治理指數(Worldwide Governance Research Indicators,WGI),為評價一國治理體系和政治制度等提供了一條新的途徑。Peter Eggera、Hannes Winner[6]分別利用1995—1999年77個國家的樣本數據,重點考察了對外直接投資與腐敗之間的關系,對比了Wei S J[7]所得到的兩者都為負相關，他們的研究結果得到了兩者都為正相關關系。本文借鑒WGI“腐敗控制”指標,并綜合學者們的結論分析,選定兩者關系為負相關。縱觀上述探討,并借鑒蔣冠宏[8]以東道國的政治穩定程度、腐敗控制效果、政府效率高低、法律質量等因素為基礎建立的政治風險指標體系,本文選取政治穩定與無暴力程度、政府效能、監管質量、法治和腐敗控制五項指標來構建政治風險預警指標。

本文對經濟金融風險界定為由于宏觀經濟環境和金融環境的不穩定性與不確定性帶來的企業在對外投資過程中造成的損失和費用等。本文將這一風險因素細分為宏觀經濟指標、對外開放程度和金融環境指標，其中以人均GDP年增長率和GDP增長率作為宏觀經濟指標。參考孟醒、董有德[9]分析的東道國市場特征有關的控制變量,以該國的商品貿易狀況和外國直接投資凈流入作為對外開放程度指標;借鑒陳家愿、鄭明貴[10]建立的我國海外礦業投資金融風險預警指標體系,以通貨膨脹率和實際有效匯率指數作為金融環境指標。

表1 資源獲取型林業對外直接投資風險預警指標體系

資源獲取型林業在對外直接投資經營管理中除了面臨政治和經濟金融等相關風險外,還會存在自然資源帶來的風險影響。對資源獲取型林業企業而言,東道國的自然資源基本狀況是影響企業對外直接投資重要風險因素之一。眾多學者在研究東道國(地區)存在的風險因素和投資之間的關系時,都有考慮到自然資源稟賦控制變量因素[11-13]。據此,本文將引入森林風險指標,先選取森林覆蓋率和森林蓄積量作為森林資源基礎指標來反映一國森林資源的豐富程度和規模水平。Nagubadi R V、Zhang D[14]利用1989—2008年美國和加拿大的林業面板數據研究了雙邊對外直接投資的影響因素,研究結果表明，雙邊對外直接投資與原木產量和出口量呈正相關。在此基礎上,本文選取原木產量和原木出口量指標,這兩個指標能充分表現資源獲取型林業獨有的特征,既可表現出采伐和獲取一國林木資源時東道國的林業政策,又能直接客觀顯現出東道國原木資源的發展規模。考慮到企業在獲取森林資源時所付出的相關成本,本文選取世界銀行發布的“森林租金”指標,并結合砍伐林木量和特定的租金率、產品價值等關聯因素,建立森林成本指標。綜上所述,本文選取16項二級指標構建風險預警指標體系,具體見表1。

3 樣本選取與數據處理

3.1 樣本國家的選取

本文根據近幾年與我國合作密切且資源獲取型林業對外直接投資額較大的國家,同時考慮到樣本國家原始數據的可獲得性和完整性,最終選取了12個代表性的資源獲取型國家作為研究樣本,即非洲地區的加蓬、贊比亞、赤道幾內亞和喀麥隆,北美洲地區的加拿大和美國,南美洲地區的巴西、圭亞那和玻利維亞,歐洲地區的俄羅斯和法國,大洋洲地區的新西蘭。

3.2 數據的處理

表1中的五項政治指標數據來源于世界銀行“全球政府治理指標”(WGI)數據庫;六項經濟指標數據源于世界銀行“世界發展指標”(WDI)數據庫;森林指標中的森林覆蓋率和森林租金占GDP的百分比數據同樣來自于世界銀行“世界發展指標”(WDI)數據庫,森林蓄積量、原木產量和原木出口量三個指標數據源于世界糧農組織(FAO)的全球森林評估報告和林產品年鑒系列。

4 模型構建與實證分析

4.1 基于主成分分析法的風險評級

表2 風險因子得分

依據各個國家風險因子得分的年變化趨勢,采取極值—均值法確立風險評級區間,并將風險劃分為四個等級區間,分別為正常風險警戒、低度風險警戒、中度風險警戒和高度風險警戒四個等級,其中風險因子得分與警戒度成反比,風險評級臨界值見表3。

從表3可見,當F>低警臨界值時,為正常風險警戒區間;同理,當中警臨界值低警臨界值區間,存在正常風險。

表3 風險評級臨界值

4.2 基于BP神經網絡的風險預警

基于主成分分析法的風險評級臨界值和風險因子得分,可判定12個國家2008—2015年期間的風險等級。在此基礎上,結合BP神經網絡原理,進一步預測未來風險預警狀態。Odom M D[15]等選取正常經營與失敗經營的企業作為數據樣本,最早將神經網絡算法應用于企業預警,此后人工神經網絡模型法不斷得到改進與應用。BP神經網絡是人工神經網絡中代表性最強且應用極為廣泛的一種多層前饋神經網絡。由于BP神經網絡具有非線性映射能力、泛化能力及容錯能力的優勢,本文采用輸入神經元層、輸出神經元層和隱含神經元層組成前向三層BP網絡,并借用MATLAB工程軟件神經網絡工具箱來建立林業海外直接投資風險預警體系。以下為BP學習算法的具體步驟[16]。

隨機選取一個學習模式對(Xk,Yk),設置輸入層的輸出為xk,按式(1)和式(2)分別計算隱含層、輸出層各個神經元的凈輸入和輸出。

(1)

(2)

按式(3)和式(4)分別計算輸出層和隱含層各個神經元的校正誤差。

(3)

(4)

按式(5)和式(6)分別計算修正隱含層到輸出層的連接權值V和輸出層神經元閾值γ;按照式(7)和式(8)分別計算修正輸入層至隱含層的連接權值W和隱含層神經元閾值θ。

(5)

(6)

(7)

(8)

其中,學習速率為0<α,β<1。

隨機選取下一個對提供給網絡,循環以上步驟,直至全部m個學習模式對訓練完畢。最后判定網絡全局誤差E是否滿足精度要求,如果滿足則結束,否則繼續。

表4 BP神經網絡初始參數和各函數設計

5 神經網絡風險預警結論

本文采用MATLAB神經網絡工具箱,結合BP神經網絡自身特點,對資源獲取型林業海外直接投資風險指標數據進行訓練、檢測和預測未來風險預警程度。本文的訓練集設置為2008—2013年的60組數據,檢測集為2014年的10組數據,預測集為2015年10組數據,預測未來林業在海外直接投資經營過程中遇到的風險預警等級。訓練結果見圖1,期望誤差值已達到甚至低于訓練精度1E-8,說明訓練效果較好;訓練誤差曲線趨勢較為平緩,迭代33次后,實現有效收斂。

在達到BP神經網絡訓練精度的基礎上,選取2014年檢測數據,檢測實際輸出值與期望輸出值之間的誤差大小,有助于檢驗下一步預警效果。由表5可知,實際檢驗輸出結果與期望輸出結果基本一致,檢驗通過,繼續預測2016年資源獲取型林業海外直接投資風險預警形勢,檢驗和預測結果見表5和表6。

圖1 BP神經網絡的訓練結果

國家實際檢驗輸出期望輸出巴西2.22E-081.24E-099.99E-015.19E-070100玻利維亞3.11E-117.02E-011.46E-071.28E-061000赤道幾內亞7.08E-061.60E-071.00E+001.87E-251000俄羅斯5.27E-061.11E-133.33E-102.23E-010010法國1.00E+006.94E-048.80E-133.41E-131000圭亞那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喀麥隆9.98E-011.00E+001.11E-159.42E-010001美國1.86E-068.54E-173.78E-051.00E+000001新西蘭1.45E-163.46E-031.00E+007.25E-100001贊比亞4.30E-146.23E-132.41E-050.9983684860001

表6 BP神經網絡預測結果

預警結果顯示:①喀麥隆、新西蘭和美國屬于正常風險警戒;②加拿大、加蓬和贊比亞屬于低度風險警戒;③巴西、玻利維亞、法國和圭亞那為中度風險預警;④赤道幾內亞和俄羅斯是高度風險警戒。

從整體來看,在森林資源尤為富足,且其經濟金融發展較好或繁榮,政治環境趨于穩定和協調的國家進行獲取林木資源投資風險屬于正常范圍內或產生低度風險警戒,林業企業加強防范有助于規避風險。此外,當一些發達國家實施貿易壁壘政策或森林資源相對不富裕,或一些發展中國家雖然資源富饒且勞動力成本較低,但由于他們的經濟發展程度不足、政治環境動蕩,且法律政策不完善,或與中國林業合作投資發展屬于新興時期,會對我國資源獲取型林業在本土經營中加深危機,產生中度風險警戒甚至高度風險警戒。

6 風險防范措施

6.1 宏觀防范措施

搭建林業對外直接投資信息服務體系:為了使林業企業及時獲取境外投資活動中政治環境、經濟金融和林業政策等各類信息,我國政府應搭建信息服務平臺,借助行業協會、境外林業投資商會、商務部在各地區的駐外使館、科研機構、信息服務機構等渠道幫助林業企業及時了解國際林業動態與市場變化信息。如為了解巴西境內林業市場相關信息,可在境內建立專門提供相關市場信息和森林資源狀況的機構。

完善相關制度與政策:①完善林業法律法規體系。政府應加快制定實施《對外直接投資法》,確保我國林業企業對外直接投資有法可依,依法辦事,可及時規范林業投資主體行為,便于林業企業境外管理實現規范化、信息獲取渠道多樣化,樹立林業企業良好形象。②加強建設林業經濟政策。一方面,完善林業對外直接投資保險制度,鼓勵保險機構開發多元化、多層次保險產品,完善創新保險產品開發機制。例如,在赤道幾內亞等政治、經濟金融、社會文化和政策法律較不穩定的且處于高度風險狀態的國家,政府應加大宣傳力度,提升林業企業投保意識和風險意識,鼓勵企業購買保險,降低風險。另一方面,實施有效的融資政策,加強資金支持力度。建議我國政府加大資金支持,建立對外經濟技術合作的林業專項資金并將BOT系列融資模式應用到林業項目。例如,在森林資源豐富、制度環境良好且風險較低的國家內,如新西蘭、加拿大、美國等,對其海外直接投資的重點項目給予一定的資金支持和技術支撐。③打擊非法木材的國際貿易,加快實施森林認證工作。為了避免俄羅斯提高我國原木進口關稅或部分國家實行貿易壁壘,建議有關林業部門設立相關木材合法性和認證管理機構,促進產業穩定發展,清除非法木材合作活動。

6.2 微觀防范措施

正確選擇投資區位:林業企業應根據自身投資需求確立投資目標,實現對東道國區位優勢利用最大化。若投資目標傾向于森林資源,則應定位于森林資源豐富、種類較多的地點,如不斷挖掘與南美洲國家森林資源開發利用合作潛力,與巴西、玻利維亞、圭亞那等國家磋商森林資源開發合作;若投資目標傾向于東道國的林業高新技術和科技水平,則選擇技術水平發達、管理經驗豐富的國家,如與加拿大、美國、新西蘭等林業技術發達的國家合作,汲取林業技術經驗;若投資目標傾向于市場潛在消費能力和市場資源,應選取市場資源豐富、勞動力成本較低及市場消費能力較強的東道國,如不斷開辟加蓬、贊比亞、赤道幾內亞等國家的林業市場。

構建合理風險評價和預警體系:林業企業應該針對東道國社會文化特征、政治環境、經濟發展、林業相關法律政策、林產品市場前景和消費潛能等,同時結合企業自身實際對外直接投資經營狀況,建立一套完整有序、科學客觀的風險評估體系和風險預警機制。林業企業可基于相關風險預警理論,結合相關預警模型和國家風險數據構建風險預警模型。例如,本文基于BP神經網絡構建風險預警系統,研究樣本國家風險狀態,為林業企業的風險預警管理提供參考和建議。

[1]高雪峰,宋維明.中國對非洲林業直接投資問題分析[J].林業經濟,2010,(1)∶90-93.

[2]唐帥,宋維明.中俄林業合作面臨的形勢和發展趨勢[J].國際經濟合作,2013,(11)∶52-55.

[3]李靜,荊濤.我國企業境外林業投資現狀分析與建議[J].林業資源管理,2015,(6)∶59-63.

[4]鞠巖峰,張劍.中國企業對非洲林業合作與投資調查分析[J].林業資源管理,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]蔣冠宏.制度差異、文化距離與中國企業對外直接投資風險[J].世界經濟研究,2015,(8)∶37-47.

[9]孟醒,董有德.社會政治風險與我國企業對外直接投資的區位選擇[J].國際貿易問題,2015,(4)∶106-115.

[10]陳家愿,鄭明貴.基于BP神經網絡的我國海外礦業投資金融風險預警分析[J].資源與產業,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]張雨,戴翔.政治風險影響了我國企業“走出去”嗎[J].國際經貿探索,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]馬銳.人工神經網絡原理[M].北京：機械工業出版社,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

國家林業局林業重大問題研究及政策制定項目“世界林業發展動態跟蹤與政策研究”;中國林業科學研究院林業科技信息研究所課題項目“中國林業對外直接投資的風險評價及控制策略研究”。

張愛美(1965-),女,吉林省撫松人,博士,副教授,研究方向為環境經濟、技術經濟。

張詩悅(1993-),女,吉林省公主嶺人,碩士研究生,研究方向為管理科學。

10.3969/j.issn.1005-8141.2018.01.013

F326.20

A

1005-8141(2018)01-0071-06