隨著全球經濟的快速發展，工業化水平日益提高，人類對礦產資源的需求不斷增多。且由于礦產資源大多不可再生，因而礦產資源成為各個國家激烈爭奪的對象。目前全球礦產資源分布不均，我國國內的礦產資源難以滿足全部需求，隨著我國 “走出去”戰略的實施，擴大了投資與開放領域，海外礦業投資成為緩解國內資源稀缺的重要手段之一。

在海外礦業投資中將會面臨許多風險，金融風險作為其中之一對海外礦業投資的影響要遠高于國內，不加以應對極有可能造成巨大損失。因此，為了防范金融風險對海外礦業投資的不利影響，在此對我國海外礦業投資金融風險進行預警研究，為我國海外礦業投資金融風險防范提供參考依據。

1 海外礦業投資金融風險預警指標體系的構建

1.1 風險因素的識別
風險因素的識別是進行風險預警的基礎與前提條件，金融風險依據其產生原因可分為 3類，分別是匯率風險、利率風險和融資風險。由于是從我國礦產企業的角度出發進行金融風險預警分析，因此各類金融風險的影響因素 （表 1）的識別主要是建立在對東道國金融環境研究的基礎上。

1.2 指標體系的構建及權重的確定
依據金融風險的影響因素識別建立相應的評價指標體系，將金融風險類別作為一級指標，各類別風險主要影響因素作為二級指標，并采用 Delphi法向相關領域專家發出問卷對評價指標進行賦權,具體結果如表 2所示。

2 海外礦業投資金融風險預警模型的建立

2.1 BP神經網絡的基本原理
BP神經網絡的優點主要有計算功能強大、易實現、結構清晰等，是目前最常見以及使用最廣泛的一種神經網絡，其算法的基本思想是把網絡學習的過程分為 2個階段：第 1階段為正向傳播階段，給出輸入信息，通過輸入層經隱含層逐層處理并計算每個單元的實際輸出值；第 2階段為反向傳播階段，若在輸出層未得到期望的輸出結果，則逐層遞歸地計算出實際輸出與期望輸出之間的差值，即誤差，以便根據此差值調節權值。而實際上第 1階段和第 2階段是反復循環進行的，通過權值的不斷調整就實現了網絡的訓練過程。此過程一直進行到輸出誤差達到要求的標準為止。其原理如圖1所示?！颈?.表2】




2.2 神經網絡在海外礦業投資金融風險預警中的運用
2.2.1 歸一化處理由于指標數據之間有較大的差別，需要在樣本訓練之前對其進行歸一化處理，使數據在 [0,1].

設有 n個歷史樣本，p個預警指標，其原始數據矩陣為【1】


2.2.2 輸入節點指標的確定輸入節點的選擇需要涵蓋海外礦業投資金融風險的基本情況，能夠準確反映金融風險的程度，對海外礦業投資所遭遇的金融風險進行高度概括，并且指標的選取能夠使其在變動時明確或及時反映海外礦業投資金融風險的發展變化。

因此，結合前面建立的海外礦業投資金融風險預警指標體系，輸入神經元選取 10個海外礦業投資金融風險影響因素，即匯率波動性、國際收支狀況、外匯儲備率、國內生產總值、國內經濟增長率、國內通貨膨脹率、世界經濟增長率、財政收支狀況、銀行實際貸款利率、貸款償還期。

2.2.3 隱含層節點數的選擇關于隱含層節點數的確定沒有一個明確的規定，需要進行實際的網絡訓練。隱含層節點數應選取在輸入層節點數與輸出層節點數之間，且更加靠近輸入層，這樣更有助于提高網絡收斂速度。隱含層節點數過多，會導致學習時間過長，且網絡容易訓練過度，降低網絡的總體性能。隱含層節點數過少，學習過程不收斂。因此為了選取最佳的隱含層神經元數，可以參考以下求取隱含層節點數的經驗公式?！?】

通過以上 3個公式求出隱含層節點數的估計值，再通過實際實驗來確定準確值。

2.2.4 輸出節點的選擇輸出節點應該對應于評價結果，因此需要先預測樣本的期望輸出。本文運用變權評價方法確定樣本的期望輸出，將風險預警程度作為預測輸出值，并設定綠燈代表風險預警程度輕，藍燈代表風險預警程度中等，黃燈代表風險預警程度較差，紅燈代表風險預警程度差。風險預警程度為 [0.8,1]表示為綠燈，[0.6,0.8）表示為藍燈，[0.3,0.6）表示為黃燈，[0,0.3）表示為紅燈。

3 模型應用

以俄羅斯為例，根據海外礦業投資金融風險預警指標體系，運用變權評價方法確定風險等級 F,具體數據見表 3.根據 （2）式和 （3）式進行歸一化處理，使數據在 [0,1]內，具體數據見表 4.

對數據進行歸一化處理后進行 BP神經網絡的訓練與預測。運用 Matlab軟件的神經網絡對海外礦業投資金融風險預警模型進行學習訓練，以2009-2012年的為驗證樣本，2009年前 10年歷史數據為訓練樣本，隱含層節點數為 5,建立 3層神經網絡進行運算，目標平均誤差 0.001,當訓練周期達到 1000次時達到標準誤差。根據預警得出結論，以 2012年數據為例進行預測值與實際值的對比 （圖 2）?？梢钥闯?，兩者的一致性比較好，預測較準確，說明網絡訓練良好，可以用于海外礦業投資金融風險的預警與分析。

利用上述經過監測已經訓練好的 BP神經網絡模型，對未來一些年份的俄羅斯海外礦業投資金融風險狀況進行預警分析 （表 5）。

將實際數據值輸入 BP神經網絡中進行預測，得出風險預警程度的仿真輸出，2014年和 2015年的分別為 0.934、0.953,通過 （4）式反歸一化后得出 2014年、2015年風險預警程度預測值分別為0.649、0.661,均處于藍燈的狀態下，說明俄羅斯在未來的金融風險預警還是處于較輕的程度。

用 BP神經網絡對 2015年其他主要投資目的國家進行風險預警分析，預警輸出結果如表 6.反歸一化后加拿大的風險預警程度為 0.679,澳大利亞的為 0.684,南非的為 0.563,印度的為 0.506,巴西的為 0.558.對應風險預警等級可以看出，加拿大和澳大利亞的風險預警等級處于藍燈的程度，說明未來幾年加拿大與澳大利亞的金融環境較為安全。南非、印度、巴西的風險預警等級都處在黃燈的程度，表明這 3個國家的金融環境需要引起投資者的注意。


4 結論

對海外礦業投資金融風險因素進行識別，羅列了海外礦業投資時我國企業可能遭遇的金融風險類別以及各類別的主要影響因素。并建立了相應的評價指標體系與賦權，給予進行海外礦業投資的企業一個系統的金融風險指標體系。

將 BP神經網絡引入海外礦業投資金融風險的預警中，建立相應的風險預警模型，再將理論與實際相結合，將預警模型運用于實例中，進行我國企業海外礦業主要投資國的預警分析。最后得出俄羅斯、加拿大、澳大利亞的風險預警等級中等，可以在未來年份考慮進行礦業投資，而巴西、印度、南非的風險預警程度屬于較差，投資時需要謹慎。尤其需要引起重視的是南非的經濟發展狀況較差，印度的國際收支狀況、通脹率與財政收支狀況較差，巴西的實際貸款利率過高。以上分析可以給予我國企業在進行海外礦業投資時一些決策建議，以便其選取合適的國家進行礦業投資。