李国昌,李 臻

(安徽建筑大学经济与管理学院,安徽 合肥 230601)

引言

近年来打造智慧城市的行动和推动城镇化率水平的提高,供给侧改革的实施,为我国完善基础设施建设工作提供了政策支持和资源保障。 但由于财务资金的约束,巨额投资会给政府当局造成很大的压力,为有效降低财务风险, 解决基础设施建设领域的资金瓶颈,创新融资模式成为推动城镇化快速发展中亟待解决的关键问题。 而 PPP项目融资模式的应用为这一问题找到了突破口,可以降低地方政府的财务风险,突破资金瓶颈制约,对于新型城镇化建设效率的提高以及融资渠道的拓宽具有重要意义。

PPP模式是政府应对公共基础设施迅速发展的重要方式,它的应用缓解了政府资金短缺和效率不足的问题。但在实际的工作中,由于信息的不对称性导致风险和问题的增加,进而导致社会资本的参与度不高和公众信任度不强,使得PPP项目的发展受阻。而互联网金融参与PPP项目的新思路,通过建立PPP项目平台,在平台上公开信息提高透明度,与传统PPP模式相比,削弱了风险的不可预见性。但是 PPP模式中的风险因素并不能完全靠融资方式的创新来完全消除,互联网金融的引入其自身也存在着一定的风险,如果互联网金融参与下项目风险仍不可估计,依然很难提高公众的信任度和社会资本的参与度。所以本文在此思路之下,通过设立合理的风险指标体系和预测风险大小来解决该问题。

1 “互联网金融+PPP”模式的风险识别

互联网金融参与PPP项目的方式,对于解决在传统PPP项目中信息非公开性进而导致社会资本参与度不高这一关键问题具有积极作用。但互联网金融及 PPP融资模式本身也存在着一些问题以及二者的结合所衍生出的新的问题,本文结合国内外现有文献[1],归纳总结风险因素如表1所示。

表1 “互联网金融+PPP”模式建设项目风险指标

风险指标的选择对评价结果有直接影响,选择全面合理的指标并设立其体系是风险度预测的关键。因此,在分析“互联网金融+PPP”模式的合理性之后,基于上述风险因素,设立了如图1 所示的风险指标体系。

图1 “互联网金融+PPP”模式建设项目风险指标体系

2 基于ANP的风险评估

2.1 ANP模型基本原理

目前,在针对 PPP 项目的风险研究中,层次分析法 (Analytic-Hierarchy-Process,AHP) 所用甚广。AHP法通过将复杂问题分解成若干层次和因素,构成一个多层次的分析结构模型,确定其权重排序[2]。该方法适用于复杂的决策问题,但也具有局限性,它是在假定各层级之间没有联系、各因素之间相互独立的条件下进行的。而PPP项目体量较大且工程复杂,所隐含的各种风险因素复杂且相互关联,所以这种方法无法将各因素之间的关联性解释清楚。

下文所选用的ANP(网络层次分析法)是由AHP延伸发展而来,考虑到层次及因素间关联性,建立网络结构模型。因素之间存在着交互影响,因此需找到该影响的极限情形,也就是求出其极限相对排序[3]。所以,对于本文在评价互联网金融参与PPP项目的风险度大小而言,选用更优化的ANP方法结果更加客观。

2.2 评价指标依存性分析

根据图1中的各指标,考虑层次及因素间的关联性,建立其依存关系如表2所示[4]。

表2 风险指标依存关系

2.3 建立ANP结构模型

在SD 软件中根据表1 和表2 建立关于“互联网金融+PPP”模式风险影响因素的ANP 结构模型如图2 所示。若因素(集) A 的发生可能会引起因素(集) B的发生,则用从A 指向B 的单向箭头表示;若A的发生不能引起B 的发生,则A 与B 之间没有箭头;若A 的发生可能引起B 的发生,B 的发生也可能引起A 的发生,则用双向箭头表示。将 A1～A6作为结构模型控制层中的因素集,并将 A11～ A14, A21～ A23, A31～ A33, A41～ A42, A51～ A52, A61～ A63,设为网络层中的因素。

图2 “互联网金融+PPP”模式风险影响因素ANP结构模型

2.4 基于ANP 的“互联网金融+PPP”风险影响因素指标权重

SD软件总共有五种数据输入模式, Graphical、 Verbal、 Matrix、 Questionnaire这4四种模式采用1～9数值标度法进行两两比较,而第5种 Direct模式则是直接输入数值。通过专家打分法对上述评价模型进行评价,邀请了1位有“互联网+”理论经验的专家和2位有丰富 PPP项目实践经验的专家进行打分,将专家打分后的因素权重求得平均值后通过 Direct模式手动输入。然后通过SD软件对加权矩阵的每一列进行归一化处理后进行排序,最终得到各指标权重,如表3所示。

SD软件总共有Graphical、 Verbal、 Matrix、 Questionnaire、Direct五种数据输入模式,本文通过专家打分法,邀请了1位有“互联网+”理论经验的专家和2位有丰富 PPP项目实践经验的专家对模型进行打分,将所得因素权重求得平均值后手动输入Direct模式,结果如表3所示。

表3 各指标权重

3 结果分析

本文结合互联网金融参与 PPP项目的特点来识别风险因素,通过网络层次分析方法建立“互联网金融+PPP”模式风险影响因素 ANP结构模型,让最终的结果更契合实际情况。 从风险因素集来看,信用风险的影响最大,同时市场、政治和建造风险的权重也比较大, 金融和技术风险所占权重稍小,但同样也不可忽视。从二级风险指标来看,权重较的大风险指标排序依次是公众信任度低、收费变更风险、信息不对称风险、需求变化风险、收益不足风险这五个风险因素。 信用风险成为“互联网+PPP”模式发展最重要的因素。一般来说,PPP 模式的成功很大程度上取决于法治建设、诚信政府建设。完善制度体系和加强诚信建设是互联网金融参与PPP项目成功的前提和基础。同样,收费的变更也能够引起公众的不信任感, 降低投资意愿,公众对互联网金融参与 PPP项目的接受程度从一定程度上就可以理解为市场的需求量, 公众的不信任感增加,市场需求量减少,同样也会给项目带来损失。 而政府、社会资本和公众彼此之间的本身就存在信息不对称的情况,政府行为不规范,社会资本参与度不高,公众利益也无法保障。

针对上述关键风险因素,提出如下建议: 政府部门,首先,加快政府当局对PPP项目信用体系建设。通过遵循的规章制度,对在换届之后对特许协议的贯彻执行情况做出对应保证[5]。在建设PPP项目的规划中,在保证当地政府的经济中长期发展战略的实现的同时,也为项目提供保障;其次,规范互联网金融市场,有力监管有效维护市场秩序,引导创新互联网金融模式,促进其可持续发展。 互联网金融平台, 首先,健全平台信息披露机制,为投资者提供充分的信息保障,促进投资者对平台服务商的信用和安全方面的认识,增加信任度。 其次,加强对关联性企业或机构的跟踪管理,密切关注各合作方的风险动态, 针对不同风险准备应对措施和应急预案,尽可能避免不必要的后果。

4 结语

本文从“互联网+PPP”模式的风险识别出发,构建了“互联网+PPP”模式建设项目风险指标体系,并基于ANP方法建立风险影响因素结构模型。 分析结果表明,评价过程中指标之间的联系和相互影响能够通过 ANP方法较好的处理,给提出项目风险应对措施提供理论依据, 使得风险评价结果更加可靠,同时为计算其他类似建设项目的风险大小及主要风险因素提供了借鉴。