[摘要]文章以系統(tǒng)重要性理論框架為基礎，通過建立指標模型、數(shù)據(jù)標準化、熵值法求熵值，最終得到綜合得分，提出了系統(tǒng)重要性互聯(lián)網(wǎng)企業(yè)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(tǒng)重要性;指標法;熵值法;數(shù)據(jù)標準化

[DOI]1013939/jcnkizgsc201928013

1引言

11研究背景

根據(jù)《中國互聯(lián)網(wǎng)絡發(fā)展狀況統(tǒng)計報告》[1] 統(tǒng)計，截至2017年12月，我國互聯(lián)網(wǎng)企業(yè)總體市值為897萬億元人民幣，占GDP比重接近11%。互聯(lián)網(wǎng)企業(yè)重要性已經(jīng)不可忽視，如何對互聯(lián)網(wǎng)企業(yè)系統(tǒng)重要性進行有效識別，進而分析監(jiān)管的重點方向和內(nèi)容，最終實現(xiàn)行業(yè)健康發(fā)展與有效監(jiān)管的平衡，是文章的研究目標。

12研究的創(chuàng)新點與不足

（1）研究的創(chuàng)新點。系統(tǒng)重要性研究源于金融行業(yè)，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(lián)網(wǎng)企業(yè)進行了系統(tǒng)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(yè)特點，設計了符合互聯(lián)網(wǎng)企業(yè)系統(tǒng)重要性研究的指標體系是文章的一大創(chuàng)新點。

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

文章未對系統(tǒng)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(tǒng)重要性的研究

任碧云、連東青（2018）[2]詳細介紹了系統(tǒng)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(lián)網(wǎng)行業(yè)典型企業(yè)進行了系統(tǒng)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(jiān)管建議，也啟發(fā)了文章研究互聯(lián)網(wǎng)企業(yè)系統(tǒng)重要性的必要。

22其他行業(yè)系統(tǒng)重要性研究

帥青紅、胡一鳴、余彥[4]在規(guī)模、相關性、可替代性三個維度下對P2P網(wǎng)絡借貸平臺進行了系統(tǒng)重要性研究，指標雖有行業(yè)特點但數(shù)量略少，僅分析了評價指標的權重，未進行后續(xù)分析;王麗珍、康超[5]在規(guī)模、關聯(lián)性與復雜度三個維度下對保險行業(yè)進行了系統(tǒng)重要性分析，其研究基于Granger因果網(wǎng)絡模型，得出了樣本企業(yè)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(yè)和指標

文章選取了已經(jīng)上市的互聯(lián)網(wǎng)企業(yè)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(yè)系統(tǒng)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(yè)n（0≤n≤9）個，根據(jù)樣本企業(yè)的指標原始數(shù)據(jù)列出矩陣A：A=X11…X1m………Xn1…Xnmn×m，其中Xij為第i個樣本企業(yè)第j個指標的數(shù)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(shù)，Ej≥0，常數(shù)k與樣本數(shù)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(shù)：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(yè)的綜合得分Si=∑mj=1Wj×Pij（i= 1， 2，…，n）。

（2）數(shù)據(jù)準備、標準化、數(shù)據(jù)平移。為了保證結果的可靠性，需要對原始指標數(shù)據(jù)進行標準化處理，將其轉化為無量綱的純數(shù)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(xù)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(shù)據(jù);熵值法用到ln函數(shù)，為使函數(shù)定義域有意義，需要對標準化數(shù)據(jù)進行平移，即每個數(shù)據(jù)加1，再對每個指標數(shù)據(jù)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(shù)據(jù)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(yè)數(shù)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(wǎng)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(yè)持續(xù)健康發(fā)展，加強監(jiān)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(tǒng)重要性指標，通過排名來引導行業(yè)健康發(fā)展。第二，制定風險應急預案、退出機制，確保一旦發(fā)生重大問題，保證企業(yè)平穩(wěn)有序地退出市場，避免單一風險擴散為系統(tǒng)性風險。第三，建立公平競爭的市場環(huán)境，促進各企業(yè)間優(yōu)勢互補，共同發(fā)展。

參考文獻：

[1]中國互聯(lián)網(wǎng)絡信息中心（CNNIC）第41次《中國互聯(lián)網(wǎng)絡發(fā)展狀況統(tǒng)計報告》發(fā)布[EB/OL].http：//techsinacomcn/i/2018-01-31/doc-ifyrcsrv9714983shtml

[2]任碧云，連東青國內(nèi)系統(tǒng)重要性銀行識別及其監(jiān)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(tǒng)重要性金融機構監(jiān)管制度的法理構造[J].現(xiàn)代法學， 2014，36（3）.

[4]帥青紅，胡一鳴，余彥P2P網(wǎng)絡借貸平臺的系統(tǒng)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(tǒng)關聯(lián)性研究——兼論保險機構的系統(tǒng)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(yè)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