基于云模型的特色小镇PPP项目融资风险评价

2019-08-30张旭东马胜彬

土木工程与管理学报 2019年4期

赵辉，王玥，张旭东，马胜彬

(青岛理工大学管理工程学院，青岛山东 266520)

特色小镇的概念最初可追溯到美国的硅谷、法国的香水小镇格拉斯等等，它们都是举世闻名的经典案例。2017年我国四部委联合发布的《关于规范推进特色小镇和特色小城镇建设的若干意见》中，明确指出要把特色小镇和小城镇建设作为供给侧结构性改革的重要平台，到2020年我国各省市特色小镇规划目标将达到2000余项之多[1]。由于其投资额度大，目前我国的特色小镇项目融资方式多采用PPP(Public-Private Partnership)模式，该模式具有项目回收期长的显著特点，这一过程中许多因素将会对特色小镇PPP项目的培育构成风险，影响其稳健发展。对以PPP模式融资的特色小镇项目展开前期判断和融资风险评价具有重要意义。

关于PPP融资风险分析问题现已有一定研究，Adnan等[2～4]对PPP风险因素进行识别并对分担机制进行了研究；关于特色小镇问题，王佃利等[5]进行了特色小镇相关政策解读；万树等[6]结合乡村振兴战略背景，以不同地域的视角对我国各省市特色小镇PPP项目进行全面的融资风险分析；Grinsey等[7～10]构造了PPP融资风险评价体系并进行了实证分析。通过对已有研究的分析，目前结合特色小镇自身特点构建的融资风险指标体系研究相对较少，大多仍以PPP模式的大框架为基础展开，如两阶段法构建梳理风险因素[11],或从项目全生命周期的角度设置评价指标[12]；评价方法上多用灰色理论[13～15]等常见方式，评价的科学性及准确性还有待提高。基于特色小镇项目的特殊性，本文首先在已有研究的基础上结合特色小镇项目特征及PPP项目的特点构建合理的融资风险评价指标体系，其次运用层次分析(Analytic Hierarchy Process，AHP)法及信息熵理论对指标进行赋权，得到组合权重值，最后以云模型的正逆向发生器输出融资风险综合评价值，并通过案例分析论证其科学性及适用性，以期为PPP模式下的特色小镇项目融资风险研究提供参考。

1 融资风险及其形成机制

(1)特色小镇项目PPP融资风险

关于PPP项目融资风险的概念，国内外已有诸多研究。Karim[16]认为它是在建设过程中不能排除在外的自然发生的过程；万树等[6]将PPP融资风险定义为由不确定性引发的与利益相关的结果和项目预期产生偏离而可能付出的代价。结合特色小镇的特点，可将特色小镇PPP项目融资风险定义为：以PPP模式进行融资、以自身预期收益和资产对外承担债务偿还责任的特色小镇项目，在特许经营期内发生的可能对项目的预期收益及资产产生负面影响的事件。

(2)特色小镇的分类

目前我国的特色小镇主要可分为产业类、文旅类及社区三类，表1为特色小镇的具体分类介绍及其发展所依托的核心要素[17]。从表1中可以看出，不同类型特色小镇的培育所依托的资源是不同的，需要一定的资源基础，没有良好的先决条件，对项目融资具有较大风险，因此在指标设置时需要将特色小镇的自身特点考虑在内。

(3)特色小镇失败案例分析

我国的特色小镇中不乏成功的经验[18]，尤其是在江浙地区，当然也有诸多失败的案例[19]，它们在培育环节中出现了不同的问题，引起巨大风险，最终走向衰败，见表2。

表1 特色小镇的具体类型

表2 特色小镇项目失败案例

(4)特色小镇PPP项目融资风险形成机制

基于PPP模式的特色小镇项目融资风险主要可分为内部风险和外部环境风险。

1)项目内部风险。由于项目资金一般由组建的项目公司进行筹集，政府在此过程中取辅助作用，政府支持力度以及项目预期收益的支撑将影响项目公司获得金融机构的贷款额度及形式[14]，从而决定了特色小镇PPP项目的资金结构及融资成本，项目的资金结构劣、融资成本高会形成较大的项目成本风险；其次项目的基础环境、资源条件及规划设计水平可能构成项目效益风险。

2)项目外部环境风险。从表2案例中可以看出，为特色小镇项目带来风险的外部因素有政府配合度低、当地经济水平低等。此外市场因素(如客流量、收费价格等)对运营效益有较大影响，社会、法律等因素也是引起项目融资风险的重要原因，同时由于特色小镇项目的特殊性，环境因素同样可能带来项目融资风险。

通过上述分析可得到特色小镇PPP项目的风险形成机制，内、外部风险因素构成风险源，作用于特色小镇PPP项目，最终造成PPP模式下的特色小镇项目融资风险，甚至融资失败，如图1所示。

图1 特色小镇PPP项目融资风险形成机制

2 融资风险评价指标体系构建

特色小镇PPP项目融资风险评价指标体系构建需满足以下原则：

(1)全面性与科学性。指标体系需能覆盖所有对特色小镇PPP项目的预期收益及资产产生负面影响的各方面，同时在指标选择时，要关注该指标是否对项目融资成功构成较大风险。

(2)逻辑性与系统性。指标层的各指标下指标需和准则层之间具有逻辑性，整个指标体系能够呈现较强系统性。

(3)相关性及效度性。各风险指标对项目融资风险评价需有较高相关性，同时满足指标体系进行融资风险评价有较高效度。

通过对前述已有评价指标体系的归纳分析及统计[6～16]，并从特色小镇的自身特点出发，结合PPP项目的定义和评价标准，从项目条件、政治风险、法律风险、财务风险、建设风险、运营风险、不可抗力等7个方面初步筛选出融资风险评价指标。为保障指标体系的可信度，本文运用问卷调查法，首先向以相关专家、PPP咨询机构及政府机构等行业人员组成的专家组发放调查问卷100份，回收有效问卷82份；接着统计问卷结果及专家反馈意见，并就第一轮问卷调查结果进行二次问卷调查，综合两次问卷调查结果，剔除相关度较低且具有交叉重复性的指标，最终建立了由21项指标组成的融资风险评价指标体系。为便于理解指标的内涵，同时也给出了指标评价的标准，风险等级描述的序号对应的风险等级分别为：(1)低风险；(2)较低风险；(3)中等风险；(4)较高风险；(5)高风险，指标及其描述如表3所示。

表3 特色小镇PPP项目的融资评价指标体系

3 融资风险评价指标权重的确定

考虑到用专家判断的方式所设定的权重主观性较强，本文采用层次分析法及信息熵理论构成的组合赋权方式，结合主观及客观信息，综合其权重值求取最终权重。

3.1 层次分析法确定主观权重

层次分析法(AHP)在评价问题中被广泛使用，因为它能够将系统进行层次化，需要有专家进行评价打分，因此具有较强的主观性[20]。其主要过程包括：构造层次结构；构造判断矩阵；求解各层权重值(本文采用求幂法)；求解指标层对于总目标层的权重值；一致性检验。

3.2 信息熵理论确定客观权重

信息熵理论是对于信息无序度的判断，即信息的不确定度会影响熵值大小，进而对结果产生正面或负面的影响。运用信息熵理论对权值信息进行分析处理可在一定程度上削弱专家判断的主观性，原理如下：

(1)构造决策矩阵A=(aij)m×n来表示评价指标集，aij表示第i个专家对第j个指标的风险评价值，i=1,2,…,m，j=1,2,…,n，m，n分别表示专家个数和风险评价指标个数。

(2)计算熵值。首先计算风险指标值比重rij：

(1)

然后计算风险评价的信息熵Hj：

(2)

若rij=0，规定rijlnrij=0，则有0≤Hj≤1。

(3)由于本文的评价值不涉及量纲，因此无需归一化处理，可直接利用评价值计算熵权。根据熵权理论，第j个风险评价指标的权重wj为：

(3)

为论证信息熵理论求取权重的科学性，本文将在求出风险评价值的基础上加以证实：即验证当某项指标评价信息离散程度减小(熵值增大)，指标风险值减小。由于评价值大小的不确定，因此以公式推导的方式进行验证较为困难，为提升可操作性，本文在求解出评价结果的基础上，将各指标原熵值依次增加适当数值，再分别求取各指标评价的加权风险评价值，通过两次评价值的增减情况，判断信息离散程度与风险评价值的影响关系进行验证。

3.3 Rough-set理论

记层次分析法得到的权重值为w1，信息熵理论得到的权重为w2，设两种方式赋权的权重值得距离函数为d(w1j,w2j)，其表达式为：

(4)

则第j个指标的组合赋权表达式为：wzj=αw1j+βw2j。考虑到研究的科学性，α与β所满足的关系如下：

(5)

4 基于云模型的融资风险评价模型

云模型是由我国李德毅教授在1995年提出的一种处理不确定性决策问题的理论[21]，能够将定性信息与定量信息进行不确定转换的模型，能较好地反应评价对象的模糊性及随机性。同时它与传统的评价方法相比更加符合客观事实，根据李英攀等[22]通过将云模型与模糊综合评价法及BP神经网络模型的比较研究表明，使用云模型的得到的评价结果精度更高，更加贴近实际情况。利用云模型来进行融资风险评价研究有诸多优势：(1)定性等级评价与定量风险分析值具有双向可逆性；(2)综合评价云图对于风险的判断较直观；(3)充分考虑到评价中的模糊性及随机性，评价准确度较高。

4.1 模型原理

(1)云的数字特征

云的数字特征反映了定性概念的定量特征，云模型中由云滴构成的云图用三个数值来表示，记作C(Ex,En,He)。Ex为期望值，是定性概念在论域空间中最有代表性的点；En为熵，它用来衡量一个定性概念的模糊度，熵越大，说明这个概念模糊性越强，对其量化就越困难；He为超熵，衡量熵的离散程度，反映云滴的凝聚性，同时也能反映出云的厚度。云模型的数字特征将定性信息转化成定量的数字特征，图2即为正态云模型的数字特征示意图。

图2 正态云模型的数字特征

(2)云发生器

正向云发生器和逆向云发生器是云模型中二种主要的算法。正向云发生器的目的是将三个数字特征转化为符合要求的云滴，是定性到定量的过程，可用MATLAB编程实现云图的绘制。逆向云发生器是将精确的数值输入其中并有效转化为恰当的云模型的数字特征值的过程，一维逆向云发生器的算法可如下进行[20]：

首先计算样本均值：

(6)

式中：N为发生器内产生的云滴个数。

一阶样本绝对中心距：

(7)

样本方差：

(8)

特征值计算：

(9)

两个发生器的原理正好相反，共同实现定量与定性进行的相互转换。其原理如图3所示。

图3 正逆发生器原理

4.2 评价步骤

(1)确定云标尺。主要通过专家结合经验与专业知识事先给出。根据本文评价等级与区间的特点，现针对标准云参数对原计算公式做修改[21]，可按照式(10)计算每一风险评价区间的云模型的数字特征：

(10)

式中：Bmax，Bmin分别为最大、最小边界；k为常数，可依据变量的模糊度进行调整[22]。

(2)评价打分，根据专家打分情况，运用云模型的融合算法[21]，整合单因素的评价云，得到风险评价的综合云数字特征：

(11)

然后将最终评价值的顶层C(Ex,En,He)利用正向云发生器将三个数字特征值生成云图。

(3)最后用云图与标准云图进行比对，重合度最高的等级则为最终的融资风险评价等级。

本文综合了现有云模型方法，并考虑到了与特色小镇项目融资风险评价问题的匹配性，最终选择了恰当的标准云参数及评价云计算方式，确保输出更加准确的风险评价值。

5 案例分析

5.1 项目介绍

为带动城乡建设，拉动经济发展，2018年1月17日河北省发起了元氏县的产业新城PPP项目。元氏县主城区北部，鹿泉区、栾城区和元氏县的交界处，包含元氏县经济开发区新能源和智能制造产业园，合作区域统筹规划面积共约43.1 km2，其中实际可开发建设用地面积6.1 km2(其余区域由中选社会资本按照要求负责运营)。合作范围土地内现有农用地9604.95 亩、建设用地7518 亩。本项目主要采取“政府主导、企业运作、合作共赢”的市场化运作方式，为该区域提供一系列规划、建设、运营综合解决方案，将其打造成为“产业高度聚集、城市功能完善、生态环境优美”的产业新城。部分合作区域基础及公共设施建设项目内容见表4。

表4 项目合作区域基础及公共设施建设项目

注：信息来源于财政部政府与社会资本合作中心官网

5.2 融资风险评价标准设置

为有效分析该项目融资风险大小，本文运用组合赋权法及云模型理论对元氏产业新城融资风险进行评价。本例研究邀请由高校、PPP咨询机构、律师事务所、政府部门以及建设领域的权威专家组成的8人团队对本案进行打分评价，提供评价数据支撑。通过问卷的形式，首先得到风险等级及对应的分值区间：低风险[0,2)；较低风险[2,4)；中度风险[4,6)；较高风险[6,8)；高风险[8,10]。

利用式(10)得到本案风险评价标准云参数，再结合区间模糊度，使云图能准确反映评价标准，多次取值实验后得出k取0.03较适宜，见表5。

表5 风险评价标准云参数

利用标准云参数，结合正向云发生器原理，编程得到综合标准云图，如图4所示。

图4 综合标准云图

5.3 指标组合赋权

接着由8位专家以该项目为背景，运用专业知识及经验对每项指标打分，见表6。

表6 风险评价分值

然后专家评价各指标重要程度，由层次分析法计算主观权重，为增强权重值的可信度，指标权重问卷邀请了上述8人团队对该指标体系中准则层间、各准则层下指标间的相对重要程度进行判断。经统计问卷结果，并按3.1节层次分析法步骤计算各专家的评价指标权重值并求取平均值，得到各指标的最终主观权重值(CR<0.1，一致性检验通过)。综合专家意见后结果显示，建设成本增加、建设工期延长及潜在竞争程度等风险指标在众多指标中重要性较高，这是因为上述风险对项目净收益影响较大。再根据信息熵理论公式(2)(3)计算出客观权重向量，根据式(4)(5)列出方程，计算出α1=0.54，α2=0.46。代入组合赋权表达式计算出最终的组合权重，见表7。

表7 组合赋权权重值

5.4 评价等级确定

将各专家对于每一项指标的打分代入一维逆向云发生器式(6)～(9)中计算，得到各指标的云参数，例如融资成本指标的打分结果为(5,4,4,3,4,3,3,4)，对应的云参数计算为Ex42=3.75，En42=0.705，He42=0.057，最终得出全体指标的权重及云参数，如表8所示。

按式(10)计算最终的云参数得C(Ex,En,He)为(2.718,0.689,0.02)。利用正向云发生器原理，通过编程，将特征值转换为综合风险评价云图，如图5所示。

表8 云模型数字特征

图5 融资风险综合评价云图

从评价结果呈现出来的综合评价云图可看出本项目的融资风险等级属于“较低风险”，具备可实施性，符合实际情况。从各指标的云参数特征中可看出，融资成本、融资结构以及建设成本增加及施工难度等4项指标的风险相对较大，拉高了综合风险评价值。因此在实施过程中，还需重点关注以上指标的风险管理问题，对风险进行合理优化和深度控制，实现项目融资风险最低化。

5.5 信息熵的应用论证

按照3.2节中信息熵的验证步骤逐一将21项指标熵值增加一定数值，由于原始熵值大部分大于0.9且不能超过1，为能反映结果的有效性以及敏感性，增加数值不宜过大，因此设定每项指标熵值增加0.01(由于第10项最大增幅小于0.01，因此第10项仅增加0.001)并依次计算出每项指标熵值增加前后的各项指标的加权风险评价值及变化量，结果见表9。

表9 熵值与风险评价值变化关系

结果显示，随着熵值增大(信息离散程度减小)，各指标的风险加权评价值相比原始加权评价值有所减小。以通货膨胀影响指标为例，当熵值增加0.01，通货膨胀影响的风险值相应降低了0.0016，证明通货膨胀指标的评价信息离散程度度减小时，风险评价值在减小，其他指标情况相同。由此可证明当指标的评价信息因离散度带来的不确定性降低时，风险评价值会有所下降，从而验证了信息熵理论运用的合理性，证明本文的风险评价结果是准确有效的。