风险型决策分析

前言：想要写出一篇令人眼前一亮的文章吗？我们特意为您整理了5篇风险型决策分析范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。

风险型决策分析范文第1篇

一、模型简介

(一)决策树算法

决策树是对已知类别的数据样本进行归纳学习获得的树形结构，树内每个非叶节点代表对一个属性取值的测试，每个叶节点代表一个类别。决策树方法利用信息理论的信息增益选择具有最大信息量的属性来建立决策树的一个节点，再根据属性字段的不同取值来建立树的分枝，如此对每个分枝重复递归建立整个决策树。产生决策树的基本算法如下：输入：训练样本，各属性均取离散数值，可供归纳的备选属性集合为attribute_list。输出：决策树算法：Gen_decision—tree创建一个节点Node；IF该节点中的所有样本均为同一类别cTHEN返回Node作为一个叶节点并标志为类别c；IFattribute_list为空THEN返回Node作为一个叶节点并标记为该节点所含样本中类别个数最多的类别；从atribute_list选择一个信息增益最大的属性test_atribute；将节点Node标记为teste：_atribut根据test_atribute=Vi条件，从节点Node产生相应的一个分枝，且设si为根据该分枝条件所获得的样本集合；IFsi为空THEN将相应叶节点标志为该节点所含样本中类别个数最多的类别，ELSE，将相应叶节点标志为由Gen_decision_tree(Si，attribute_list，test_atribute)返回的值。其中，信息增益的计算方法为：设S为一个包含S个数据样本的集合，类别属性可以取N个不同的值，对应于N个不同的类别ci，j∈{1，2，3，…，Nl，S为类~lJlcj中的样本个数。那么对一个给定数据对象进行分类所需的信息量为：Infor(S1，S2，…SN)=一pjlog2(pj)(1)j：1其中，PJ是任意一个数据对象属于类SJc；的概率，~pj=Sj／S。设属性V取v个不同的值{vv：…，V}，则利用属性V可以将集合s划分为v个子集{s，s…，s}，其中S包含了集合S中属性V取V值的那些样本。设S为子集Si中属于c；类别的样本个数。那么利用属性v划分当前样本集合所需要的信息熵可以计算如下Entr(v)：∑Sil+Si2+""*+SiNInfor(sS，…SN)(2)Infor(Sil,s一SiR)一pijlog2(p)(3)pSi…i+s(4)这样利用属性v对样本集合进行划分所获得的信息增益为：Cain(V)=Infor(S1S2，…SN)一Entr(V)(5)

(二)K最近邻法

K最近邻法简称KNN算法，在理论上是比较成熟的方法，最初于1968年由Cover和Hart提出，其思路非常简单直观。KNN方法是一种有监督学习的分类算法，它并不需要产生额外的数据来描述规则，它的规则就是数据(样本)本身，并不要求数据的一致性问题，也就是说K最近邻法在一定程度上减小了噪声样本对分类的干扰。KNN根据未知样本的K个最近邻样本来预测未知样本的类别，K个最近邻样本的选择是根据一定的距离公式判定的。KNN分类算法的基本原理为：首先将待分类样本Y表达成和训练样本库的样本一致的特征向量；然后根据距离函数计算待分类样本Y和每个训练样本的距离，选择与待分类样本距离最小的K个样本作为y的K爪最近邻；最后根据Y的K个最近邻判断y的类别。KNN算法必须明确两个基本的因素：最近邻样本的数目K和距离的尺度。K表示选择参考样本的数目，距离尺度对应一个非负的函数，用来刻画不同数据问的相似性程度。在KNN算法里对于模型的选择(尤其是K值)往往是通过对大量独立的测试数据、多个模型来验证最佳选择。

(三)Logistic回归模型

Logistic回归模型是一种非线性概率模型，其因变量是分类变量只有0和1两个取值。回归模型可表述为1ps=∑ckx其中x(k=1…2．，m)为上市公司信用风险评定中的影响变量，c(j=l，2…，m)为回归系数，通过回归或极大似然估计获得，Logisticl~归值P∈(0，1)为信用风险分析的判别结果。P是的连续增函数，S∈(一，+∞)。并且p=丽1=1p=1=0对某上市公司i(i=l…2．，n)来说，如果其Logistic回归值P。接近于0或(P一0)，则被判定为一类经营差的企业，若其Logistic回归值pl接近于l或(Pl一1)，则被判定为经营好的企业。并HPi／l~越远离0，表示该企业陷入财务困境的可能性越小；反之，表示该企业陷入则务困境的可能性越大。

二、基于决策树的上市公司信用风险评估模型实证分析

(一)指标体系建立

通过综合考虑信用风险的各种影响因素，借鉴我国财政部统计评价司的企业效绩评价指标体系和国有商业银行企业资信评估指标体系以及国内外有关文献的相关指标，在分类、汇总、整理的基础上，同时兼顾数据的可获取性原则和可量化原则，从企业盈利能力、偿债能力、营运能力和发展能力4个方面，选取了lO+财务指标。(1)盈利能力指标。企业获利能力是企业信用的基础，企业只有盈利，才有可能按时偿还债务。本文选取的反映企业赢利能力的指标有净资产收益率x1、销售(营业)利润率X2。(2)偿债能力指标。偿债能力是企业资信的保证，企业偿债能力如何，通常是评估企业资信评级最直接的依据，偿债能力归根结底是企业自有资产的变现能力。本文选取的反映企业偿债能力的指标有流动比率X3、速动比率X4和资产负债率X5。(3)营运能力指标。营运能力分析是对企业资金周转状况进行的分析，资金周转得越快，说明资金利用效率越高，企业的经营管理水平越好。本文选取的反映企业营运能力的指标有总资产周转率X6、存货周转率x7和应收账款周转率X8。(4)发展能力指标。发展能力反映企业未来发展前景及潜力。本文选取的反映企业发展能力的指标有资本积累率X9和总资产增长-~Xl0。将上市公司分为两组，第1组包含sT公司，认为该类企业具有较大的财务风险。非ST公司作为第2组，认为该类企业财务状况正常。若模型将sT组样本判为非sT组，则称为犯第一类错误；将非sT组样本判为ST$1~I，则称为犯第二类错误。

(二)样本选取

样本的选取为两分类模式，即违约和不违约。将ST上市公司作为财务状况异常一类，也即会发生违约的一类；将非sT公司作为财务状况正常的一类，即不会发生违约的一类。sT公司是指出现财务状况或其他状况异常，导致投资者难于判断公司的前景，权益可能受到损害的公司。本文实证分析中的原始数据来自于色诺芬数据库，随机选取我国深、沪两市交易所2009年公布的6O家sT公司作为一类经营“差”的企业，同时另随机选取75家不亏损公司作为一类经营“正常”的企业与之相匹配，因此，数据样本集由135家上市公司组成，然后从中任选30家sT公司及38家非sT公司组成训练样本集，余下的67家公司组成测试样本集。

(三)模型构造与检验

构造决策树，关键是找到样本空间的最优划分，ID3算法的属性选择策略就是选择信息增益最大的属性作为测试属性，从而确定样本空间的一个划分。但ID3算法存在着输出分支多，预测可靠性性差的问题。C4．5算法从ID3算法演变而来，提出用信息增益比来作为测试属性选择的依据，通过大量的实验测试表明：用C4．5算法构造的决策树较ID3算法的预测效果有更好的可靠性和健壮睦。实验模型运用数据挖掘软件WEKA3．6．3，根据C4．5算法以信息增益比最大为原则选取节点生成决策树，如图1所示。最终选出了6个好的属性作为决策树节点，x5为根节点，也就是资产负债率对于违约和履约分类的贡献程度是最大的。括号中的数代表平均有几个样本数据根据条件被分到了相应的类中，用10次迭代交叉验证法来验证模型的误差率，验证结果如下：正确分类的样本数5886．5671％错误分类的样本数913．4328％

(四)结果分析

风险型决策分析范文第2篇

关键词：银行数据挖掘；理论分析；典型算法；应用及效用

中图分类号：TP311.13

银行是现代经济的标志，也是现代经济活动中不可或缺的环节和工具，从银行诞生应用以来，银行业就需要处理大量的经营数据，银行数据记录手段也经历了数个阶段，从白纸黑字的账本到计算机信息化时代的银行数据信息系统，银行数据业务可以在业务交易流程、数据库建设、金融风险评估和经营决策分析等方面发挥极其重要的作用。从银行业本身的发展来看，商业银行的规模和类型都在逐年丰富，信息化和数字化的银行业务模式也逐渐成为商业银行的运行模本；现代银行更加重视客户本位思考，通过多样化的市场需求分析手段，可以为客户提供极具个性化的银行业务产品服务，吸引更多的潜在客户群；同时现代银行的风险管控意识更强，在市场经济节奏更快的当今社会，银行经营决策的风险评估效果决定了现代银行的经营走向；再者是网络终端服务和移动终端服务的迅猛发展，银行交易手段更加丰富，网上银行、手机银行、移动证券交易等等电子支付交易方式的发展给现代银行带来了新的机遇和挑战，这一切都需要现代银行在数据处理分析能力上有新的应对措施。

1 数据挖掘和数据效用理论基础

数据挖掘的通用定义指的是从现有的大量存储数据中，采用数据撷取的方式，搜寻出感兴趣的、有价值的数据点或数据模块的数据处理技术。数据挖掘广泛地应用于商业金融领域，基于既定的商业化分析目标，可以依托于企业内部的金融数据系统进行数据分析，最终获得需要的商业经营规律和市场发展规律，并且能够在成熟的数据挖掘模型的支持下与其他分析工具和分析技术相结合，形成商业化的数据挖掘分析系统和分析软件。数据挖掘的功能需求决定了数据挖掘是一个典型的学科交叉项目，现代银行受到业务拓展发展的需求，在其数据挖掘技术的运用中广泛地的结合了数据库技术、智能学习技术、统计分析技术、模式识别技术、人工智能技术和神经网络技术，数据挖掘常分为六个技术类别：聚类、分类、估值、预测、相关性分组和关联规则分析、描述和可视化分析。

对数据资料的重视性促使了现代银行对数据利用效率的不懈追求，现代化经营模式中，数据已经成为最为重要的无形商品，作为商品的数据资料，其资本性和营利性决定了信息数据的效益最大化，由于数据资料的复制成本低、附加值高且利润丰厚的特点，数据信息价值理论已经成为数据效用分析的主要理论模式。

2 银行数据挖掘的应用分析

2.1 数据挖掘在银行客户需求分析中的应用

现代银行针对客户资料和消费记录都建立了功能庞大的消费市场数据库系统，对银行客户的个人资料、账户信息、交易历史记录、业务服务历史记录、理财数据和个人理财风险评估等进行了数据库仓储式分析，基于成熟的数据仓库逻辑分析模型，可以对每一个银行客户进行多维度消费分析，以交易历史纪录为例，交易历史纪录作为该分析维度下的分析主键字段，在其下端进行次元维度分析，对交易类型、交易金额、消费地点、存贷款交易、电子银行消费、手机银行消费、证券消费等进行子健分析，但是也要考虑到不同主键之间存在着较大的关联性，此时可以考虑在客户数据仓库分析中建立星形数据模，在关联数据子健上进行数据溢出处理。在数据挖掘中主要采用的是聚类算法，在对客户数据进行详细的数据仓库建立之后，可以对客户进行数据特征值标定（如商业价值、交易类型、风险倾向等），以便于进行客户分类，在用户细分时，行为特征是主要的特征，自然属性是辅助的特性。

表1 聚类汇总表

业务类型 纸黄金 基金理财 外汇 个人金融 债券 贷款

业务渠道 柜台 电话银行 网上银汉 手机银行 自主服务 中间交易

由此可以得到详细的客户聚类，例如以年龄段为标准的20-30岁阶段用户（业务类型为纸黄金，业务渠道为网银和自助服务）、30-40岁阶段用户（业务类型为外汇和金融，业务渠道为柜台和自助）、40-50岁阶段（业务类型为基金债券，业务渠道为柜台服务）。

基于SQL Server Analysis Services分析工具，在银行原始交易数据库中进行聚类分析，选用Microsoft聚类算法对交易日志中的指定页进行类型搜索，在后处理模块中可以查看聚类分析结果。聚类算法进行数据挖掘时需要原始数据具有较强的分类性和数据关联性，才能在数据挖掘中针对特定数据属性和数据聚类进行分析，并且获得该属性在任意聚类中的数据分布情况，由此可以精确的知道特定类型客户的银行消费习惯和消费倾向，有助于银行稳固现有客户群，吸引潜在客户群体。

2.2 数据挖掘在银行决策分析中的应用

银行经营的各个环节都基本实现了信息化管理，银行综合业务系统为其提供了基础业务操作平台和统一账务处理系统平台，能够帮助银行实现有效的资源整合和集中管理。数据挖掘技术的应用能够全面提升银行系统的内控管理和风险管控水平，为银行的内部决策提供有效的数据支撑。

表2 数据挖掘与银行决策关系

数据源 数据处理 数据存储 决策分析

交易数据

客户信息

管理信息

外部信息 数据抽取

数据整合

数据加载 数据仓库 经营状况决策分析

数据监控 数据节点1 资产负债决策分析

数据刷新 数据节点2 风险管理决策分析

数据包装 数据节点3 客户需求决策分析

数据公布 数据节点4 银行财务决策分析

为了保障银行的经营效益、提升业务覆盖范围并预防经营风险，银行需要及时掌握市场动态并且做出经营调整，数据挖掘技术能够跟踪分析银行经营过程中的各个基本要素环节，通过比对分析自身产品的营收现状、竞争对手的经营现状，以及对资产负债率、银行坏账率和金融产品的销量，可以及时为决策层提供参考数据。商业银行的风险管控是其保障经济效益的关键，数据挖掘系统的关键性作用体现在对银行业务的全方位、多角度的可靠性分析和风险评估，基于银行内部的风险模型参数，在成熟的模式识别技术和智能分析技术的辅助下，可以提前对经营风险进行预判，以减少成本损失为风险数据挖掘模型约束，以保障经营效益最大化为风险决策目标，以调控决策方式为风险决策手段，可以进一步提高银行的资产质量。财务风险控制中数据挖掘的具体应用如下图所示：

图1 数据挖掘在银行财务决策分析中的应用分析

3 银行数据挖掘的效用分析

3.1 数据挖掘在银行风险控制中的效用

风险控制是银行日常经营活动中的核心内容，通常来看可以分为定性控制和定量控制两种方式，定性控制的关键是建立一套有效的风险控制管理体系，在多流程决策体系的协作下，构成风险管理知识，以非结构化数据的形式保存并流转使用；定量控制则更看重对经营实时数据的管理效率，建立一个基于客户需求和市场规律的量化风险控制体系统框架。银行信用评估体系要求银行用于信用评级的数据必须具备一定年限和质量标准，对数据样本量、样本时效性、业务覆盖范围、数据来源都有明确的要求。数据挖掘对于银行风险控制的关键性作用主要体现在对于银行信用风险控制、银行市场风险评估和银行操作风险管理上。

在信用风险控制上，数据挖掘主要是针对信用关键指标：违约率、违约损失率、违约暴露和违约期限进行针对性的数据挖掘分析，结合银行的信用评级动态变化和银行信用置信度的波动规律，在银行交易数据库中采用数据关联分析方法，对概念分层数据进行多层挖掘，提高数据挖掘的精准度；在对市场风险控制上，数据挖掘技术主要集中在市场风险识别和市场动态分析两方面，通过分析银行特征值数据在各种风险环境下的数据概率分布值，可以构建银行内部的市场风险模型，结合遗传算法和智能分析，可以针对市场发展规律进行智能风险评估决策；对于市场的偶然和不确定行为，通常数据挖掘会采用预测（predication）、时序分析模式（time-series model），通过遍历历史交易数据，能够对偶然性市场行为进行概念排序，采用模糊分析（fuzzy method）、证据理论（Evidence theory）等方法进行决策分析。

3.2 数据挖掘在银行产品创新中的效用

产品创新是提升银行市场竞争力的根本手段，数据挖掘的重要性则体现在数据分析准确性和有效性上，首先是对业务流程效率的数据分析，对于总行、分行、支行和营业网点的银行结构进行业务处理效能分析，通过实际交易数据和历史交易数据进行比对分析，可以有效的找出实际业务模式中的最大风险点，设计或优化业务流程，明确录入、审核、授权各岗位的职责，从而运用创新手段控制流程风险；采用产品规划的方法指导新产品的设计流程工作，则需要在产品设计理念、产品市场定位、产品竞争优势分析和产品风险控制上进行数据分析，通过数据挖掘技术可以在银行内部历史数据、行业共享数据和商业数据的基础上进行特征属性挖掘，并最终为新产品的量化定型提供有效的数据参考，并未新产品的市场价值进行定性和定量预测分析。

4 结束语

信息化时代背景下金融业的供需地位发生巨大转变，金融数据也从经营资料开始向数据商业化发展。基于详尽的量化数据系统，现代银行可以在高效数据分析模型的基础上对银行数据进行二次开发，提供数据分析服务。本文通过阐述银行数据的数据结构，分析了对银行海量数据进行数据挖掘的主要方法和应用模式，并评估现行银行数据挖掘方法的有效性和经济效益价值，为进一步提升银行数据挖掘的效能提供了新的思路。

参考文献：

[1]丁剑敏.数据挖掘技术及其在商业银行中的应用[J].市场周刊・财经论坛，2013（04）.

[2]宓文斌.数据挖掘在银行信贷业务中的应用[M].上海：上海交通大学，2012.

[3]王佳丽.财务诊断中的数据挖掘运用研究[D].南宁：广西大学，2012（05）.

风险型决策分析范文第3篇

关键词：贝叶斯决策；序贯分析；概率

中图分类号：C32 文献标识码：A 文章编号：1001-828X（2013）09-0-01

一、序贯分析简介

其中有一种观测方法是序贯分析，记一次取一个做观测，每次观测后都做出决策，或者停止抽样，或者再做另一观测。序贯分析的特点是，在研究决策问题时，不是预先固定样本量，而是逐次取样观察，直到样本提供足够的信息，能恰当的做出决策为止。

在经济活动中，常常遇到这样的决策问题，由于它的特殊性，需要将过程分为若干个相互联系的阶段，在它的每一个阶段都需要做出决策，从而使整个过程达到最好的活动效果。当各个阶段决策确定后，就组成了一个决策序列，因而也就决定了整个过程的一条活动路线，这种把一个问题可看作是一个前后关联的具有链状结构的多阶段过程就称为多阶段决策过程。

在固定样本量问题中的贝叶斯分析是容易的，但贝叶斯序贯分析是困难的。在处理问题是需要大量的符号和运转的布局，这些都会使所涉及的简单想法变得模糊。这个想法就是，在过程的每一个阶段（即在每一次做了观测之后），都将此阶段立即做出决策的贝叶斯风险与如果再做观测所得出的期望的后验贝叶斯风险进行比较。

二、贝叶斯决策的步骤

在贝叶斯决策论中，状态集、行动集、损失函数是描述决策问题的三个基本要素。

我们可以总结出贝叶斯决策的步骤：

第一步：通过资料分析，确定先验概率密度。第二步：进行抽样调查，取得必要信息第三步：利用贝叶斯公式计算后验概率密度。第四步：将此阶段立即做出决策的贝叶斯风险与如果再做观测所得出的期望后验贝叶斯风险进行比较。第五步：选择最优行动。

三、决策案例综述

本部分通过一个决策案例，对贝叶斯决策在序贯分析里面的应用进行综合分析。

（一）案例概况

假设要一家石油公司要新建一家工厂，但是无法确定是在A地还是B地。

若建立在B地要比建在A地少花费￥1，000， 000。但是在B地缺乏熟练工人，而在A地有大量熟练工人。一共需要700个熟练工，公司认为在B建厂位置所具备的熟练工人数θ服从分布N（350，1002）的先验密度（为了方便我们将θ看做连续变量）。那么，如果熟练工不够，公司不得不进行培训，培训一个熟练工需要花费￥3500。现在制造业公司面临如下两个选择：a0：建工厂在A地；a1：建工厂在B地。但是，公司可以立即作出决策，或者授权先进行调查（调查花费￥20，000）调查的结果是对θ的一个估计X，调查的精度已知为X有分布密度N（θ，302）。公司的问题是立即决策，还是先做调查再决策。

（二）贝叶斯决策

1.在先验期望准则下的最优行动和贝叶斯风险

利用则：；。在这里，我将积分上下限换成和的误差予以忽略。因此，，选择a0立即做决策的贝叶斯风险是1，000，000。

2.进行调查的贝叶斯风险

（1）后验概率密度

在这里，利用理论：

本实际问题中，若做调查，观测值是X，后验密度=N（）

所以，

（2）后验风险

故做调查有了观测值X之后，再做决策的贝叶斯风险是

3.后验风险的期望

由于我们并不知道哪一个会发生，所以，我们只能通过所有的期望值来估计后验贝叶斯风险。对于边际分布，此时它为N（350，1002+302）。于是，近似有。

4.决策

先进行抽样再进行决策的后验风险比立即决策的风险小，所以调查花费的钱是值得的。

（三）案例延伸

如果本案例变成，分别抽样调查A，B两地的石油情况，石油公司打算首先根据某地区的地层结构判断该地是否蕴含大量的石油，再做决定。这个是有名的石油问题。

根据本文上例讨论的贝叶斯决策分析法，对每一个阶段都进行分析，最后，得出结论选择不做地震实验，决定钻井。

四、小结

在延伸中，针对每一个阶段进行了分析，利用逆序归纳法和贝叶斯决策对序贯问题进行分析。在实际上更加的复杂。在决策问题中，常常有更多阶段要研究，因而将复杂的决策问题的决策分析全程划分为若干阶段，每一阶段都包括先验分析，抽样信息期望值，每一个阶段都需要做筛选，每个阶段前后相连，形成决策分析全过程。随着继续抽样，可能有的阶段增加时，确定期望的贝叶斯风险就愈困难。

利用贝叶斯理论，我们可以对决策的分析更加精确。对每一个阶段进行分析，期望得到最大收益，最小损失，做到少花钱多办事，提高决策分析的科学性和效益型。

参考文献：

[1]陈家鼎.序贯分析[M].北京：北京大学出版社，1995.

[2]James O. Berger.统计决策论及贝叶斯分析.北京：中国统计出版社，1998，5.

风险型决策分析范文第4篇

【关键词】装备制造业 风险 层次分析法

一、装备制造业投资项目风险类型

装备制造业是一项资金密集、技术密集、劳动密集型三者兼备的产业，是少有的对资本、技术与人力的需求都很旺盛的行业，该特点也造成了装备制造也投资的投入成本高、投资建设及回收周期长、人才队伍建设慢等显著的特征，进一步增加了装备制造业投资的风险。

装备制造业项目投资的风险，业界并没有形成统一的划分标准。如按导致投资项目产生风险的原因将风险因素划分为人为风险和环境风险；按照风险涉及区域划分为项目整体风险和项目“个体”风险；按照风险能否预测划分为已知风险和未知风险等等。

笔者认为，从项目投资风险评价的全面性、科学性及可操作性角度，可以将装备制造业投资项目的主要风险因素总结为：政治风险、经济政策风险、市场风险、技术风险、管理风险、环境风险。

二、层次分析法概述

层次分析法（Analytic Hierarchy Process简称AHP）是将决策总是有关的元素分解成目标、准则、方案等层次，在此基础之上进行定性和定量分析的决策方法。该方法是美国运筹学家匹茨堡大学教授萨蒂于20世纪70年代初，在为美国国防部研究"根据各个工业部门对国家福利的贡献大小而进行电力分配"课题时，应用网络系统理论和多目标综合评价方法，提出的一种层次权重决策分析方法。

层次一、装备制造业投资项目风险类型

装备制造业是一项资金密集、技术密集、劳动密集型三者兼备的产业，是少有的对资本、技术与人力的需求都很旺盛的行业，该特点也造成了装备制造也投资的投入成本高、投资建设及回收周期长、人才队伍建设慢等显著的特征，进一步增加了装备制造业投资的风险。

装备制造业项目投资的风险，业界并没有形成统一的划分标准。如按导致投资项目产生风险的原因将风险因素划分为人为风险和环境风险；按照风险涉及区域划分为项目整体风险和项目“个体”风险；按照风险能否预测划分为已知风险和未知风险等等。

笔者认为，从项目投资风险评价的全面性、科学性及可操作性角度，可以将装备制造业投资项目的主要风险因素总结为：政治风险、经济政策风险、市场风险、技术风险、管理风险、环境风险。

二、层次分析法概述

层次分析法（Analytic Hierarchy Process简称AHP）是将决策总是有关的元素分解成目标、准则、方案等层次，在此基础之上进行定性和定量分析的决策方法。该方法是美国运筹学家匹茨堡大学教授萨蒂于20世纪70年代初，在为美国国防部研究"根据各个工业部门对国家福利的贡献大小而进行电力分配"课题时，应用网络系统理论和多目标综合评价方法，提出的一种层次权重决策分析方法。

层次分析法是将决策问题按总目标、各层子目标、评价准则直至具体的备投方案的顺序分解为不同的层次结构，然后得用求解判断矩阵特征向量的办法，求得每一层次的各元素对上一层次某元素的优先权重，最后再加权和的方法递阶归并各备择方案对总目标的最终权重，此最终权重最大者即为最优方案。这里所谓“优先权重”是一种相对的量度，它表明各备择方案在某一特点的评价准则或子目标下优越程度的相对量度，以及各子目标对上一层目标而言重要程度的相对量度。层次分析法比较适合于具有分层交错评价指标的目标系统，而且目标值又难于定量描述的决策问题。其用法是构造判断矩阵，求出其最大特征值及其所对应的特征向量W，归一化后，即为某一层次指标对于上一层次某相关指标的相对重要性权值。

层次分析法易于理解和操作，在风险分析中既有定性分析、又有定量计算，能较好的结合专家经验，相对全面的评价项目总体风险，为管理者提供一个全面了解项目全过程风险的分析思路，因此在项目投资风险分析中具有有相当广泛的应用性。

三、实例分析

本文拟以某大型模锻液压机制造生产线项目为例，对其投资风险进行评价。该项目主要用于生产各类大型航空锻件，在给企业自身带来发展的同时也为我国大型锻压设备的制造发挥积极的促进作用。

由于本项目政治风险和环境风险极小，故不予考虑。项目总风险分解为：技术风险（包括技术难度、完工时间的变化情况）；管理风险（包括项目经理素质、组织结构）；经济风险（包括资金成本风险、项目融资风险）；市场风险（下游市场需求风险上游市场供应风险）。

在参考专家意见的基础上运用层次分析法，结合项目风险划分体系，建立本项目主要风险因素层的判断矩阵：

四、结论与展望

本文从装备制造业投资项目投资者角度出发，按照风险管理的基本原则，针对装备制造业的主要特点，对项目的投资风险进行了分析和评价研究。首先，将装备制造业投资项目的风险进行层次分类，并提取各层主要风险因素，再运用AHP 法构建递阶层次结构模型，对这些因素进行比较分析，建立装备制造业投资项目风险因素指标评价体系。进而对这些风险进行量化分析，得出分析评价结论。但该评价方法尚有许多不足之处，需要进一步完善。笔者认为可以沿着以上分析思路完善风险分析决策流程，如下图所示。

参考文献：

[1]Models， Methods， Concepts and Applications of the Analytic Hierarchy Process （with L.G. Vargas）， Kluwer Academic Publishers， Boston， 2000.

2]沈建明.项目风险管理[M].北京：机械工业出版社，2010.

郭建斌，车璐.国内投资项目风险分析的应用情况与推进建议[J].建筑经济， 2006， （6）.

[3]丁香乾，石硕.层次分析法在项目风险管理中的应用[J].中国海洋大学学报，2004，34（1）.

风险型决策分析范文第5篇

关键词：公平偏好；风险规避；供应链协调；二阶段博弈

中图分类号：F713 文献标识码：A

原标题：风险和公平偏好下二级供应链协调机制研究――基于stackelberg博弈模型

收录日期：2016年10月19日

一、研究背景

10年以前，国内外学者对渠道绩效的研究大都集中于传统绩效分析，近10年来，行为经济学研究证明了社会偏好因素影响着人们对满意度的感知，社会偏好因素中的公平、互惠原则与传统绩效中自私自利，寻求自身利益最大化背道而行。公平分配以及公平偏好可以促进团队成员相互信任，团队间初始信任感越低，其成员的满意度越依靠来自于团队绩效的公平分配机制和团队成员的公平偏好程度。不可否认，供应链系统参与者往往以该供应链的收益和风险水平来评价其绩效，但是将供应链的竞争力简单的概括为与收益成正比与可预知的风险成反比却是非常不恰当的。Cui等人在2007年的文献中阐述了当渠道成员存在公平偏好时，价格契约可以协调供应链渠道，而且在现实的渠道管理中确实存在这种价格契约。为了应对激烈的竞争，供应链管理者不得不进一步整合供应链，使参与者之间的依赖性更高，这导致供应链参与者会受到更多的风险攻击。这些风险毋庸置疑的包含了来自于对团队成员行为偏好不确定性预测。本文研究了供应链成员具有不同的行为偏好，分析当供应链核心企业（供应商）具有风险规避性而非核心企业（零售商）具有公平偏好时如何实现供应链最优决策。

供应链核心企业是供应链的组织者，扮演着重要的管理角色。他们把供应链的组建当作投资，对于投资收益有一定的风险偏好。而对于非核心参与者他们被动地接受契约参数，更倾向于对利润分配的公平偏好。Pui-Sze Chow等通过电脑设计实验模拟供应链运作，将零售商的公平偏好用一个最低利润分成比例（Minimum Profit Share Ratio，MPSR）表示，发现零售商的公平偏好系数与供应链的收益形成倒U型关系，当MPSR值为0.5时供应链系统获得近似最优。而且零售商的公平系数也影响着供应商对的供应链风险偏好强度。覃燕红等认为供应链成员的公平性会影响供应商的批发价格（契约参数），在二级stackelberg博弈情形下简单的回购契约无法实现供应链协调。在将公平偏好引入供应链协调的研究中，大部分学者都参考了Cui等人的文献，他们研究了在线性需求环境下，简单的批发价格就可以协调公平偏好的供应链系统。在此基础之上，Demirag等将市场的需求函数加以变化，以及马利军等将文献的模型进一步完善，研究公平偏好下供应链成员的决策特点。可是，当决策者面对非常规的供应链风险偏好行为时需要修正常规的回购契约才能实现供应链协调。如Takezawa等研究了利用长期合同来规避价格和市场需求的不确定性所导致的风险损失，代建生等利用CVaR（条件在风险价值）模型评估风险规避型供应商对供应链最优定购量的影响。对于供应链的风险偏好问题还有很多针对特定行业的研究，文献研究了不同行业风险不同风险偏好的决策者对该行业供应链的绩效影响。还有学者致力于研究采用合适的方法，消减供应链风险，如Faeghe等通过四种风险规避策略建立多目标和单目标模型，研究汽车行业精细和响应的供应链协调机制。以上这些文献说明了供应链成员间由于竞争和市场需求或者其他方面的不确定性都导致了参与者要面临不同的分险环境作决策，无论是何种风险态度，当参与者在做决策时都必须考虑这些行为因素，形成更有默契的供应链系统应对竞争。

本文的研究明确了当供应商和零售商都希望实现供应链系统最优化，克服有分散决策带来的双重边际效应，集中以供应链利润为目标函数作决策，但由于自身的行为偏好，对供应链成员的决策函数也会产生影响，单一行为偏好的供应链协调机制的特点在多偏好的供应链系统中是否仍旧成立，这些都是本论文要说明的问题。

二、模型假定及相关符号说明

模型中假定供应链是一个二级模型，由一个供应商和一个零售商组成。该供应链所在的产品市场差异性不大，单个企业无法改变市场价格，零售价属于外生变量，产品价格记为p。供应商以平均成本计算单位产品的成本，根据零售商的订单生产，因此生产结束时单位产品成本固定，产品成本记为c。市场需求不确定，但是满足特定的分布函数。设产品的市场需求为x，x∈（0，U）其密度函数和分布函数记为f（x）和F（x），且当x∈（0，U）时f（x）≥0。零售商的订货量为q。供应商为该供应链的核心企业，采用回购契约进行协调，季末未出售的产品回购，因此回购契约的参数为批发价和回购价格记为（w，b），其中p≥w≥b。后文的分析将介绍不同的社会偏好因素下供应链最优订货量的协调，其中q*，*，分别表示不考虑公平偏好时分散和集中决策下的最优订货量，为考虑公平偏好后集中决策的最优订货量。其他符号具体可参见表1。（表1）供应商为风险规避型而零售商表现出公平偏好型，供应商以CVaR（conditional value at risk，条件风险价值）模型来测度风险价值，？浊为风险规避程度的度量值，其值越小表示对风险的规避程度越强。

三、模型的建立与分析

（一）分散决策下风险中性零售商决策分析。在一个供应商主导的stackelberg博弈环境中，供应商可以预见零售商的最优订货量，从而决定回购契约参数：批发价格和回购价格，当零售商接受该契约时，即受该契约约束。

推论1 追求市场最大化的供应商愿意降低零售商的风险提供更高的回购价格，即p=w。

（二）集中决策下公平偏好零售商决策分析。公平偏好模型可以用纳什均衡求解，设供应商和零售商的公平偏好系数为

该结论解释了在企业经营中追求市场占有率最大化的供应商为什么愿意以批发价格回购在期末未出售商品。在具有公平性偏好零售商组成的供应链中，b=w让供应商承担了由于需求量不确定带来的过度订货风险，而追求公平的零售商其公平感越强，合理的订货量也越大。在供应商主导的供应链，供应商分配利润。由于零售商的公平偏好，零售商会得到他所应得的公平利润，其利润额由公式（8）可得，供应商会获得剩余利润。

（三）集中决策下风险偏好供应商决策分析。上述分析中供应商被动接受供应链的剩余利润，追求市场最大化，只要剩余利润大于零，供应商就参与供应链的合作。但是，在实际企业运营过程中，供应商也会根据自己的偏好，参与供应链决策的制定。

供应商对供应链的预期风险收益由CVaR表示。参考CVaR模型定义有分险规避型供应商的目标函数为：

四、算例分析

根据本文的研究思路，现假定该市场满足以下条件：单位产品的平均成本为40元/单位，市场零售价为100元/单位。市场需求服从[0，1000]的均匀分布。

五、总结

以上研究说明，供应链成员的公平偏好确实会对供应链的协调产生重要影响，学者们判断协调的条件是决策函数为公平偏好下的期望效用最大化。本文在以上文献基础上研究集中决策的环境下，追求市场满足率最大化的供应商在拥有公平偏好的零售商时，如何进行决策。市场运转验证了供应链参与者已开始利用集中决策来规避双重边际效应，希望在复杂竞争中取得优势。供应链上下游之间的风险分担以及供应链合作者之间的不可见行为偏好在供应链的稳定性上起着举足轻重的作用，因而研究这些行为特点对供应链协调机制的影响进行探讨也是非常有必要的。本文认为，若零售商在与供应商的合作中拥有公平偏好，不管是获得多于其期望的供应链系统份额利润，还是少于应得利润都会由于公平偏好产生负效用。由此看来供应商获得供应链系统的剩余利润，这对供应商也是公平分配。另外，本文分析中供应商对市场需求表现出风险规避的行为特点，详细阐明了在这样一种供应链系统中参与者该如何决策。

本文的研究考虑的是供应链成员集中决策，以供应链的利润函数作为参考决策函数，考虑决策者在有着不同的行为偏好时实现协调的充要条件。诸多的文献已经说明供应商的风险偏好和公平偏好的确会影响供应链的协调机制，核心企业在组建供应链系统时为了保证供应链的稳定性以及竞争能力，找到合适的合作者将是首要解决的问题。但是，目前所有文献对公平偏好系数值都是以参数？姿r代替，在实际中该如何确定该参数的数值也是一个亟待解决的问题。未来我们的研究可能会根据实际供应链运作的数据，尝试确定具体的公平偏好系数和风险态度度量因子，进行具体问题具体分析，提高供应链运作效率。

主要参考文献：

[1]Kimberly K，Merriman，John Maslyn，Steven M，Farmer.An Inter- and Intraindividual Perspective of the Substitutability of Fairness Rules for Trust Within Teams[J].Journal of Applied Social Psychology，2012.

[2]Cui H，Raju J，Zhang Z .Fairness and channel coordination[J].2007.8.

[3]Frits Tazelaar，Chris Snijders.Operational risk assessments by supply chain professionals：Process and performance[J].

[4]Pui-Sze Chow，YulanWang，Tsan-MingChoi，BinShen.A study on relationship of manufactures’benefit sharing and supplier’s quality investment under Fairness preference，2015.9.

[5]覃燕红，尹亚仙，魏光兴.公平偏好下基于Stackelberg博弈的回购契约研究[J].工业工程，2014.4.

[6]牛志勇，高维和，江若尘.公平偏好下的渠道成员价格决策及其动态检验[J].管理科学，2013.1.

[7]Demirag O C，Chen F，Li J B Coordinating a two-stage supply chain with nonlinear demand and fairness concerns，2010.3.

[8]马利军，曾清华，邵新建.幂函数需求模式下具有公平偏好的供应链协调[J].系统工程理论与实践，2013.12.

[9]Takezawa N，Rajasekera J.Risk hedging through forward supply contract and equity ownership in a spin-off decision[J].2007.2.

[10]代建生，孟卫东，范波.风险规避供应链的回购契约安排[J].管理科学学报，2015.5.

[11]Rapha Homayoun Boroumand，Stéphane Goutte，Simon Porcher，Thomas Porcher.Hedging strategies in energy markets：The case of electricity retailers，2015.

[12]Nagurney A，Cruz J，Dong J.Supply chain networks，electronic commerce，and supply side and demand side risk，2005.1.