我國系統重要性互聯網企業識別研究

[摘要]文章以系統重要性理論框架為基礎，通過建立指標模型、數據標準化、熵值法求熵值，最終得到綜合得分，提出了系統重要性互聯網企業識別的手段，針對結論，作者也提出了一些參考性建議。

[關鍵詞]系統重要性;指標法;熵值法;數據標準化

[DOI]1013939/jcnkizgsc201928013

1引言

11研究背景

根據《中國互聯網絡發展狀況統計報告》[1] 統計，截至2017年12月，我國互聯網企業總體市值為897萬億元人民幣，占GDP比重接近11%?；ヂ摼W企業重要性已經不可忽視，如何對互聯網企業系統重要性進行有效識別，進而分析監管的重點方向和內容，最終實現行業健康發展與有效監管的平衡，是文章的研究目標。

12研究的創新點與不足

（1）研究的創新點。系統重要性研究源于金融行業，相關理論和實證分析比較多，但計算過程大多不夠詳細。文章采用指標法建模和熵值法實證分析，對互聯網企業進行了系統重要性識別研究，提供了詳細的過程分析;文章吸收其他文獻指標體系，用專家法并結合行業特點，設計了符合互聯網企業系統重要性研究的指標體系是文章的一大創新點。

（2）不足和局限性。文章采用了各樣本企業2017年數據，有些指標數據口徑不一致，如“活躍用戶”數，有日均、月均、年度等不同口徑，原始數據不統一會對分析結果造成微小的影響。

文章未對系統重要性相關理論做開展論述，且去掉了“全球活躍程度”維度。

2文獻綜述

21金融機構系統重要性的研究

任碧云、連東青（2018）[2]詳細介紹了系統重要性銀行的理論，基于指標法和熵值法進行了實證過程，對指標的選擇做了大量分析，但實證過程不夠詳細，得出的結論略顯倉促，文章主要參考他們的分析框架，對互聯網行業典型企業進行了系統重要性識別研究且提供了詳細的實證過程。陽建勛[3]給出了可參考的監管建議，也啟發了文章研究互聯網企業系統重要性的必要。

22其他行業系統重要性研究

帥青紅、胡一鳴、余彥[4]在規模、相關性、可替代性三個維度下對P2P網絡借貸平臺進行了系統重要性研究，指標雖有行業特點但數量略少，僅分析了評價指標的權重，未進行后續分析;王麗珍、康超[5]在規模、關聯性與復雜度三個維度下對保險行業進行了系統重要性分析，其研究基于Granger因果網絡模型，得出了樣本企業的排名，計算過程較為復雜，可操作性稍差。

3評估模型的建立與實證分析

31選取的企業和指標

文章選取了已經上市的互聯網企業作為研究對象，如表1所示。

32熵值法實證過程與結果分析

（1）熵值法設計。熵值法能準確反映企業系統重要性評價指標的貢獻度，具體設計如下：

假設指標m（0≤m≤8）個，樣本企業n（0≤n≤9）個，根據樣本企業的指標原始數據列出矩陣A：A=X11…X1m………Xn1…Xnmn×m，其中Xij為第i個樣本企業第j個指標的數值。

第一步，第j項指標下第i個方案中該指標的比率Pij=Xij∑mi=1Xij，（j=1，2，…，m）。

第二步，第j項指標的熵值：Ej= - k×∑mi=1log（pij），其中k> 0，ln為自然對數，Ej≥0，常數k與樣本數m有關，可以用k=1lnm，則0≤E≤1。

第三步，第j項指標的差異系數：對于第j項指標，指標值Xij的差異越大，對方案評價的作用越大，熵值就越小。Dj=1-Ej，則Dj越大指標越重要。

第四步，求權重：Wj=Dj∑mj=1Dj，（j = 1，2，…，m）。

第五步，各樣本企業的綜合得分Si=∑mj=1Wj×Pij（i= 1， 2，…，n）。

（2）數據準備、標準化、數據平移。為了保證結果的可靠性，需要對原始指標數據進行標準化處理，將其轉化為無量綱的純數值。

文章選用min-max標準化法：對序列x1，x2，…，xn進行變換，對正、逆指標歸一化的時候如果采用的方法不一樣，如下是對正逆指標不同的處理方法：

正向指標：yi=xi-min1sisn{xj}max1sisn{xj}-min1sisn{xj};負向指標：yi =max1sisn{xj}-ximax1sisn{xj}-min1sisn{xj}。

則新序列yi∈[0，1]且無量綱，可以進行后續的分析使用，注意，文章所選指標都為正向指標。

第一步，各個指標最大值，用max表示、最小值用min表示、最大值與最小值的差用max-min表示，如表3所示。

第二步：將每個指標分別減去min，再除以max-min，得出標準化數據;熵值法用到ln函數，為使函數定義域有意義，需要對標準化數據進行平移，即每個數據加1，再對每個指標數據進行求和處理如表4所示。

（3）計算指標的熵值。第一步，用上表中每個指標除以該指標的和，得到Pij矩陣。

第二步，①每個指標數據進行Pij×ln（Pij）得出新矩陣，并對每列指標求和;②文章樣本企業數等于9，k=0455119613;③k與每一列和的乘積等于Ej。

第三步，Dj=1-Ej。

第四步，求權重：Wj為對應的Dj與所有Dj和的商，手工微調后最終權重Wj如表5所示。

（4）計算得分及結果分析。文章綜合得分上看“BAT”屬于第一梯隊;小米、京東、360組成的第二梯隊;第三梯隊是網易、新浪和美團。計算結果與實際情況基本相符，證明文章的研究方法實際可行。

4結論與建議

從促進行業持續健康發展，加強監管，防范風險角度，文章提出如下三條建議：

第一，定期識別和量化系統重要性指標，通過排名來引導行業健康發展。第二，制定風險應急預案、退出機制，確保一旦發生重大問題，保證企業平穩有序地退出市場，避免單一風險擴散為系統性風險。第三，建立公平競爭的市場環境，促進各企業間優勢互補，共同發展。

參考文獻：

[1]中國互聯網絡信息中心（CNNIC）第41次《中國互聯網絡發展狀況統計報告》發布[EB/OL].http：//techsinacomcn/i/2018-01-31/doc-ifyrcsrv9714983shtml

[2]任碧云，連東青國內系統重要性銀行識別及其監管——基于指標法和熵值法的分析[J].山西大學學報（哲學社會科學版），2018（2）.

[3]陽建勛大而不倒、利益沖突與權義平衡——系統重要性金融機構監管制度的法理構造[J].現代法學， 2014，36（3）.

[4]帥青紅，胡一鳴，余彥P2P網絡借貸平臺的系統重要性研究[J].四川大學學報（哲學社會科學版），2016（3）.

[5]王麗珍，康超保險機構與其他金融機構系統關聯性研究——兼論保險機構的系統重要性[J].保險研究，2017（1）.

[作者簡介]李?。?984—），男，管理學學士學位，中國礦業大學（北京）2018級MPAcc非全日制。

（上接P9）

[10] WURGLER J A ， BAKER M PInvestor sentiment and the cross-section of stock returns[J]. The Journal of Finance， 2006， 61（4）：1645-1680

[11]DREISEITLAS， OHNO-MACHADOB L Logistic regression and artificial neural network classification models： a methodology review[J]. Journal of Biomedical Informatics， 2002， 35（5-6）：352-359

[12]LEVET GUNTAY，HACKBARTH DCorporate bond credit spreads and forecast dispersion[J]. Journal of Banking & Finance， 2010， 34（10）：2345

[13]LOPEZ-SALIDO D，STEIN J C ， ZAKRAJSEK ECredit-market sentiment and the business cycle[J]. The Quarterly Journal of Economics， 2017：1373–1426

[14]BORDALOP，GENNAIOLI N，MA Y，ET ALOver-reaction in macroeconomic expectations[J]. Social Science Electronic Publishing， 2018

[15] TSAI C F ，CHIOU Y JEarnings management prediction： a pilot study of combining neural networks and decision trees[J]. Expert Systems with Applications， 2009， 36（3-part-P2）：7183-7191

[16]NETO M C A ， CAVALCANTI G D C ， Tsang I RFinancial time series prediction using exogenous series and combined neural networks[C].Atlanta ：International Joint Conference on Neural Networks， IJCNN，2009

[17]KARA Y，BOYACIOGLU M A，OMER KAANBAYKAN Predicting direction of stock price index movement using artificial neural networks and support vector machines： the sample of the Istanbul Stock Exchange[J]. Expert Systems with Applications， 2011， 38（5）：5311-5319

[18] OLIVEIRA F A D，NOBRE C N，LUIS E ZARATE Applying artificial neural networks to prediction of stock price and improvement of the directional prediction index – Case study of PETR4， Petrobras， Brazil[J]. Expert Systems with Applications， 2013， 40（18）：7596-7606