模型检测工具范文

模型检测工具范文（精选7篇）

模型检测工具 第1篇

目前,我国阅读障碍检测尚无统一的阅读理解测验,听力理解测验也较少见,拼音文字标准化阅读理解测验和听力理解测验很难直接运用到汉语阅读障碍检测之中。鉴于此,本研究将参照全日制义务教育《语文课程标准》[5]阅读目标,同时借鉴国内有关阅读理解测验能力及设计框架[6,7]尝试编制基于语篇层级的“小学生阅读理解测验”和“小学生听力理解测验”,为采用“成分模型”实施汉语阅读障碍检测及亚类型鉴定提供测量工具。

1 对象与方法

1.1 对象

被试选自河北省承德市某小学三~五年级学生,该校教学水平处于当地中等以上水平,所选班级学业成绩居所在年级平行班级中等水平。通过对班主任访谈,排除有明显视觉、感官障碍儿童;试测被试选择三~五年级各1个自然班,正式测试选自上述年级另外2个自然班,基本情况见表1。

1.2 方法

1.2.1 设计框架

参照莫雷[6]语文阅读设计框架,本研究阅读理解测验和听力理解测验内容限于语篇层级,测验能力包括语篇词语理解、句子理解、局部内容基本事实理解、局部内容推理性理解和整体内容理解,测验题目均为客观题,以单项选择形式呈现。

1.2.2 材料选择

根据权威性、知识性、教育性、趣味性、可读性等原则,阅读理解测验和听力理解测验材料均选自著名教育专家或优秀语文教师按照《语文课程标准》[5]阅读目标编写的课外读物(2005-2007年出版),共精选出5种(每种各含3个年级)作为选材语料库,总计1 155篇阅读理解材料,其中三年级385篇,四年级388篇,五年级382篇。

1.2.3 题目编写

初步阅读后筛选出120篇文章,进一步分析后保留50篇作为备选材料,并请相应年级语文教师(个别访谈)进行评审,最终选出30篇作为阅读理解测验和听力理解测验预备材料,每套测验分别由15篇文章组成,体裁包括写人、记事、写景、状物、童话、寓言、科普、诗歌、故事九大类。按照阅读理解测验和听力理解测验设计框架,笔者将上述材料分别编制成测验样题,然后请小学相应年级30余名教学一线语文教师进行评审并进行问卷调查。根据问卷调查反馈信息,重新审核,删除、替换不符合测试要求、偏易或偏难(诗歌、写景)的文章,保留材料难度适宜,知识性、教育性、趣味性强,能真正区分出三~五年级学生阅读理解和听力理解水平的测验材料。预备测验各保留10篇文章(三年级3篇,四年级4篇,五年级3篇),体裁包括寓言、童话、写人、记事、状物、科普六大类,每类体裁包含1~2篇文章,每篇文章有5道测试题,每项理解能力分别包含10道测试题,2套测验分别由50道题组成,每题1分,总分50分。

1.3 数据收集

试测于2007年5月30日进行,阅读理解测试时长为60 min,听力理解测验由本文作者利用该校广播播讲(语速略慢),每题间隔时长20 s,测验时长为70 min(材料播讲60 min,10 min填涂答案)。数据收集整理后,结合测试结果和师生访谈对2套测验进行了定性分析和定量分析,最后将修正后的试题组成预备测验。为确保能够筛选出性能优良的测试题目,2套测验仍保留10篇文章,50道测试题;测验时长均为60 min。正式测试于2007年6月20日进行,听力理解测试仍由本文作者利用该校广播播讲(正常速度)每题间隔时长20 s。测试前1天,主试、巡视均接受了培训。

1.4 数据分析

使用SPSS 15.0统计软件对数据进行定量分析,包括相关分析、方差分析、内部一致性检验和分半信度检验。

2 结果

2.1 题目分析 题目难度计算公式为:P=R/N(P为题目的通过率,即难度指标;R为答对或通过该题的人数;N为受测者总人数);题目区分度计算公式:undefined为题目区分度;undefined为由二分变量划分的通过组受测者效标分数的平均数;undefined为未通过组受测者效标分数的平均数;Gt为全体受测者效标分数的标准差;P为通过组人数比率;q为未通过组人数比率)。通过题目分析,阅读理解测验和听力理解测验各删除14道区分度较低的测验题,分别保留36道性能优良的题目,除语篇基本事实理解有8道测验题(求分半信度时测验题目成对等两半)外,其他各分项理解能力均为7道测试题。

阅读理解测验题目难度系数介于0.29~0.94之间,平均值为0.60,具体分布如下:难度系数在0.80左右(0.75~0.90以上)有6道题,占16.67%;难度系数在0.50左右(0.45~0.74)有25道题,占69.44%;难度系数在0.20左右(0.20~0.44)有5道题,占13.89%。题目区分度介于0.20~0.46之间,平均值为0.34,具体分布如下:相关系数在0.20~0.29之间有12道题,占33.33%;相关系数在0.30~0.39之间有12道题,占33.33%;相关系数在0.40~0.49之间有12道题,占33.33%。

听力理解测验题目难度系数介于0.31~0.97之间,平均值为0.59,具体分布如下:难度系数在0.80左右(0.75~0.90以上)有8道题,占22.22%;难度系数在0.50左右(0.45~0.74)有18道题,占50.00%;难度系数在0.20左右(0.20~0.44)有10道题,占27.78%。题目区分度介于0.21~0.47之间,平均值为0.34,具体分布如下:相关系数在0.20~0.29之间有9道题,占25.00%;相关系数在0.30~0.39之间有20道题,占55.56%;相关系数在0.40~0.49之间有7道题,占19.44%。

2.2 信度检验 阅读理解测验分半信度系数为0.82,内部一致性信度系数为0.80;听力理解测验分半信度系数为0.81,内部一致性信度系数为0.79。

2.3 效度检验

2.3.1 结构效度 阅读理解测验和听力理解测验分别测查5项理解能力。虽然题目设计复杂程度不同,但都属于阅读理解和听力理解心理运作历程,因此各分项理解能力之间应该存在正相关,相关性检验结果见表2。

注:P值均<0.01。

2.3.2 效标关联效度 阅读理解测验和听力理解测验年级组间差异方差分析检验结果显示,F值分别为45.12和59.80(P值均<0.01)。LSD多重比较发现,阅读理解和听力理解总成绩3组间平均差异均有统计学意义。见表3。

阅读理解测验各分项理解能力方差分析结果表明,语篇词语理解、语篇句子理解、语篇基本事实理解、语篇推理性理解、语篇整体性理解,F值分别为34.67,20.25,21.23,19.19和21.55(P值均<0.01)。LSD多重比较发现,四、五年级语篇推理性理解能力年级组间成绩平均差异无统计学意义(P=0.33);其余各分项理解能力年级组间成绩差异均有统计学意义。

听力理解测验各分项理解能力年级组间成绩方差分析表明,语篇词语理解、语篇句子理解、语篇基本事实理解、语篇推理性理解、语篇整体性理解,F值分别为30.17,17.76,33.94,19.28和38.45(P值均<0.01)。LSD多重比较发现,三、四年级语篇句子理解能力组间成绩平均差异接近统计学水平(P=0.06);其他各分项理解能力3个年级组间成绩差异均存在统计学意义。

请各测试班级语文教师按着学生平时阅读理解和听力理解水平将其分成“较好”、“一般”和“较低”(用1,2,3表示);然后对3个等级学生阅读理解和听力理解测验组间成绩差异进行检验。LSD多重比较发现:3个年级3个等级组间成绩平均差异均有统计学意义。见表4。

注:P值均<0.01。

注:*P<0.05,**P<0.01。

2.4 阅读理解和听力理解相关性检验 三、四、五年级及全体样本阅读理解和听力理解2个变量相关性系数分别为0.54,0.64,0.72和0.71,差异均有统计学意义(P值均<0.01)。

3 讨论

“成分模型”检测及亚类型鉴定程序如下,实施标准化阅读理解测验和听力理解测验并对阅读理解和听力理解2个变量进行相关性检验;推导出听力理解对阅读理解的线性回归方程并根据回归方程计算听力理解所预期的阅读理解成绩;根据听力理解所预期的阅读理解成绩和实际阅读理解成绩之间的“差异”进行亚类型鉴定;最后,对已鉴定出的阅读障碍亚类型进行范畴归类[3]。“成分模型”检测及亚类型鉴定的主要优势在于:以干预为导向,检测结果可以为教育工作者或实践者提供有针对性的干预补救信息;重视儿童阅读技能存在差异,而非检测儿童智力方面存在差异;检测程序较为灵活,允许根据不同年龄或阅读成分缺陷程度采取相应的检测任务;简便易施、周期短、费时少、耗资低,具有经济使用价值[3]。

3.1 题目分析

根据心理测量学要求编制测验时一般要求题目难度介于0.20~0.80之间,而平均难度则要在0.50左右。当测验题目的平均难度为0.50时,测验分数的分布呈正态,测验分数的方差最大,信度也就最高[8]。题目区分度采用相关法确定时,相关系数的高低受样本大小的影响,因此挑选题目的标准是看相关系数是否达到显著水平,如果达到了显著水平,则表明题目具有鉴别力[9]。莫雷[6]主编的《语文阅读水平测量(三)》是我国首次编制且信度和效度都很高的语文阅读测验,该量表包含23个分测验,整个分测验项目平均难度系数为0.5左右,平均区分度系数在0.35以上。张承芬等[10]编制的“阅读成就测验量表”包括词汇、朗读和理解3个部分,题目难度系数在0.5左右,区分度系数在0.4以上。曹漱芹等[9]编制的阅读理解测验题目难度在0.20~0.80之间,题目区分度在0.33~0.77之间;听力理解测验题目难度在0.20~0.93之间,题目区分度在0.29~0.69之间。本研究编制的阅读理解测验和听力理解测验难度系数平均值分别为0.60和0.59,题目区分度平均值为0.34和0.34,均达到了较为理想的心理测量学要求。

3.2 信度与效度检验

本研究编制的“小学生阅读理解测验”分半信度系数为0.82,内部一致性信度系数为0.80,与相关量表的信度系数[6,9,10,11]一致;效度检验结果表明,阅读理解测验各分项理解能力之间具有一定的聚合性,且测验结果具有较好的一致性和稳定性;该测验能够区分不同阅读理解水平的团体,也能区分同一团体内不同阅读理解水平的个体。从整体上看,“小学生阅读理解测验”信度、效度检验结果均达到了心理测量学要求。

“小学毕业生听话能力测验”分为叙事性、说明性和议论性3种体裁,测验目标包括顺序识别、细节识别、内容记忆,语句理解,中心理解和要点概括;该测验为团体测验,时间为40 min;测验题型包括填空、是非、选择、问答、排序、搭配,但是该测验尚存在信度略低(0.64),少数试题难度过低、区分度不够理想以及学生抽样面不广,不能提供测验常模等不足之处[7]。曹漱芹等[9]编制的小学三年级听力理解测验涉及5项能力,包括语法理解、语义理解、基本事实理解、推理理解和理解大意,该量表分半信度系数为0.93,但该量表属于个体测试,不适合进行群体测试。本研究编制的“小学生听力理解测验”在文章体裁、测验内容、测验能力、题目类型、题量分布、评分标准等方面与“小学生阅读理解测验”完全相同,鉴于听力理解测验的性质以及小学儿童注意特点,个别听力理解材料略短于阅读理解材料。听力理解测验分半信度系数为0.81;内部一致信度系数为0.79;效度检验结果表明,听力理解测验各分项理解能力之间具有一定的聚合性,测验结果具有较好的一致性和稳定性;该测验既能区分不同听力理解水平的团体,也能区分同一团体内不同听力理解水平个体。从整体上看,“小学生听力理解测验”信、效度检验结果均达到了心理测量学要求,可以作为听力理解测量工具在“成分模型”检测及亚类型鉴定中加以运用。

3.3 阅读理解和听力理解相关性检验

采用“成分模型”实施阅读障碍检测及亚类型鉴定的理论前提是:阅读理解和听力理解2个变量之间存在显著相关,只有这样,才能建立听力理解对阅读理解的线性回归方程并利用该回归方程计算出个体阅读理解成绩,然后根据回归方程所预期的阅读理解成绩与个体实际阅读理解成绩之间的“差值”进行阅读成分检测及亚类型鉴定[3]。拼音文字大量研究表明,阅读理解和听力理解存在显著相关,听力理解是阅读理解一个较好的预测指标[3,12,13],为采用“成分模型”实施阅读障碍检测及亚类型鉴定提供了理论前提。曹漱芹等[9]研究表明,汉语小学三年级阅读理解和听力理解2个变量相关系数为0.72,听力理解是小学三年级阅读理解一个较好的预测指标。本研究表明,汉语小学三~五年级及

全体样本阅读理解和听力理解的相关系数分别为0.541,0.640,0.720和0.713;这说明阅读理解和听力理解2个变量存在显著相关,听力理解成绩可以预测儿童阅读理解成绩。

因此,本研究编制的“小学生阅读理解测验”和“小学生听力理解测验”可以作为“成分模型”检测及亚类型鉴定测量工具在实践中加以运用。

摘要：目的编制基于语篇层级的“小学生阅读理解测验”和“小学生听力理解测验”,为采用“成分模型”进行阅读障碍检测及亚类型鉴定提供测量工具。方法采用测验法,对河北省承德市某小学三～五年级学生进行集体测试。结果“小学生阅读理解测验”和“小学生听力理解测验”各分项理解能力之间具有一定的聚合性,2套测验不仅能区分不同年级阅读理解水平和听力理解水平的团体,还能区分同一年级内不同阅读理解水平和听力理解水平的个体;汉语阅读理解和听力理解2个变量之间存在显著相关,听力理解是阅读理解的一个较好的预测指标。结论“小学生阅读理解测验”和“小学生听力理解测验”可以作为“成分模型”测量工具运用于实践。

模型检测工具 第2篇

SH3281自卸车和ZL50铲车上使用的6135型柴油发动机, 气缸压力低或气缸垫冲毁故障频繁, 常导致车辆动力不足, 燃油消耗过高。当气缸垫出现轻微冲毁时, 很难准确判断出是哪个气缸或部位的故障, 以往都是根据修理经验逐缸进行检查, 费工费力。

2. 分析

在排除掉发动机外部进气系统故障后, 造成发动机气缸压力低故障的原因主要有:进排气门关闭不严;活塞环弹性不足或磨损;气缸套磨损严重。对于气缸垫冲毁, 一般用气缸压力表可以直观检查出是哪一缸的压力低, 但是不能准确检测到是气缸内部的哪个部位出现了故障。

3. 检测工具制作

取废弃的6135发动机喷油器1个, 对其进行彻底分解, 将喷油嘴阀针抽出, 拆除进油单向阀, 封堵回油道, 然后重新组装。取废弃高压油管1根, 截取1/3长, 用于接压缩空气管路。

4. 操作方法

将变速器挂入高速挡, 并且拉紧驻车制动器, 确保安全。转动发动机, 将被测气缸的活塞处于压缩上止点位置, 此时该气缸的进排气门应完全关闭。

将被测气缸的喷油器拆下, 装上自制的检测工具, 保证工具头部与气缸盖结合面密封, 并且接上压缩空气接头。若压缩空气从发动机进气歧管排出, 则表明进气门密封不严, 若压缩空气从排气歧管排出, 则表明排气门密封不严。造成气门密封不严的原因是气门与气门座圈结合面不良及气门弹簧弹力过弱等。

若压缩空气从曲轴箱通风孔排出, 则表明气体经活塞与缸壁间或气缸垫内漏, 漏入曲轴箱。主要原因有活塞环弹性不足、磨损过甚;气缸套磨损过甚;气缸垫冲毁。

若压缩空气从气缸盖与气缸体结合处或两气缸盖之间排出, 则表明该气缸垫冲毁。若压缩空气从散热器口排出, 则表明该气缸垫冲毁或气缸盖破裂与发动机水道相通, 造成冷却水喷出。若被测气缸没有出现异常情况, 应按照上述方法对其他气缸逐缸进行检测。

5. 应用效果

国际金融工具减值模型发展及启示 第3篇

一、金融工具减值模型解读

(一)已发生损失模型(Incurred Loss Model) 1986年美国开始致力于金融工具准则的研究。此后,FASB和IASB对金融工具方面的会计处理方式都进行了长期的修改和完善,并发布了一系列与之相关的准则公告,在对金融工具的确认和计量,减值等方面形成了固定的方法和模型。到2008年金融危机,针对金融工具的减值,IAS 39和GAAP共同采用的主要是已发生损失模型。然而,这一模型的使用受到了人们的广泛批判,有学者甚至认为,该模型的使用是造成金融危机的最主要原因之一。

已发生损失模型要求当金融资产发生减值损失时,必须有客观证据的存在,才能对减值损失进行确认。实体需在每个资产负债表日评估减值的客观证据是否存在,如有任何这样的证据存在,则要进行详细的减值计算来确定是否应确认减值损失。这种证据(被称为触发事件)也许是特定于个人信贷的,也可能是一个很可能导致贷款组合违约的事件。同时,单独测试时无减值存在的金融资产,在组合中会具有类似的信用风险统计数据,所以应将其包括在组合中再进行减值测试。而在后续期间,与以摊余成本计量的金融资产或可供出售债务工具相关的减值损失金额,如果是由于初始确认后某事件的发生而减少的,则可以通过损益转回先前确认的减值损失。但是,与可供出售权益工具相关的减值,则不可通过损益转回。

(二)预期信用损失模型(Expected Credit Loss Model) 预期信用损失模型由IASB首先提出,作为已发生损失模型的替代者,该模型的形成也经历了多次的修订与完善。从2009年IASB所发布的征求意见稿到2014年IFRS 9终稿的出现,预期信用损失模型完成了从雏形到成体的蜕变。2009年11月,IASB发布了关于金融工具减值的征求意见稿“金融工具:摊余成本和减值”,意见稿提出了基于预期信用损失的减值方法,即预期信用损失模型。该模型要求经济实体在首次获得金融资产时就确定预期信用损失,并在工具生命周期内确认已扣除最初预期信用损失的合同利息收入。在金融工具的生命周期内对预期信用损失建立准备金,每一经营期间都重新评估预期信用损失,一旦预期信用损失出现变化,就立即识别其所带来的影响。

2011年1月,IASB和FASB共同发布了征求意见稿“金融工具:摊余成本和减值”的补充文件。由于2009年征求意见稿中的所提出的预期信用损失模型需要实体预测预期信用损失,以及这些损失在金融资产生命周期中发生的时机,所以在实际操作中普遍存在困难。补充文件的内容则是在保留征求意见稿大部分原则的基础上,处理一些主要的操作困难,特别是对于开发投资组合的操作困难。但是, 补充文件的涉及范围较窄,仅包括以摊余成本计量的金融资产和托管的开放投资组合,排除了短期应收款项。文件将金融资产是否存在不确定性分为“Good Book”和“Bad Book”,并就两种资产的性质对资产的预期信用损失采取不同的确认方式。

2013年3月,IASB发布了征求意见稿“金融工具:预期信用损失”,目的是为财务报表使用者提供更多与实体金融资产和承诺信贷的预期信用损失相关的有用信息。该意见稿将模型的应用范围进行了扩展,加入了承诺贷款,财务担保合同,应收款项以及租赁应收款等。对短期应收款项的模型应用进行了适度简化,不要求考虑金融资产自初始确认以来的信用质量是否严重恶化,直接确认等于整个生命周期的预期信用损失。意见稿提议除去确认预期信用损失的门槛,这就使信用损失的确认不再必须在发生信用事件之后。相反,预期信用损失和其发生的变化将直接被确认,相关信息就会变得更加及时。此外,意见稿中明确地将预期信用损失的确认分为三个阶段,主要依据则是自初始确认以来的信用质量是否发生严重恶化。

2014年7月,IFRS 9终稿汇集了IASB取代IAS 39项目中的分类和计量,减值和套期会计三个阶段,提出了更具前瞻性的预期信用损失模型,这一模型将使贷款损失的确认更加及时,同时也是一个应用于所有采用减值会计政策的金融工具的模型。IFRS 9要求实体计算预期信用损失时应基于合理和有依据的信息,包括历史,当前和预测的信息。 终稿延续2013年ED的内容将预期信用损失的确认分为三个阶段。第一阶段,一旦获得或购买金融工具就对12个月的预期信用损失确认损益,同时建立损失准备,而利息收入则以账面价值计算。第二阶段,如果信用风险显著增加, 同时由此产生的信用质量被认为不是低信用风险,那么确认全部生命周期的预期信用损失。利息收入的计算与第一阶段相同。第三阶段,如果金融资产的信用风险增加到被认为是信用损失的节点,利息收入就基于摊余成本计算。 这一阶段的金融资产一般单独评估,且确认全部生命周期的预期信用损失。

(三)当前预期信用损失模型(Current Expected Credit Loss Model) 2010年5月,FASB发布了征求意见稿“金融工具会计以及衍生工具和套期活动的修订”,目的是为财务报表使用者提供一个对与实体关联的金融工具更及时和有代表性的描述,同时减少会计处理的复杂性。意见稿提出除去现存的对贷款损失确认的“可能性”门槛,并且为贷款和债务工具的信用损失提供了一种常见的方法,即当实体在每个报告期末的合同收入预期不能收回时,确认信用损失。实体应考虑所有可利用的信息,例如过去的事件,现况以及他们对资产负债表日金融资产的现金流可回收性的影响。委员会建议利息收入以减去信用损失准备后的金融资产的摊余成本为基础进行计算。此次提出的信用损失模型将不同于已发生损失模型,因为其对信用损失的确认不再基于任何触发性事件。

2012年12月,FASB发布“金融工具:信用损失”征求意见稿,主要目的是为财务报表使用者提供关于金融资产和其他承诺贷款在报告期末的预期信用损失的决策有用信息。它将用一个模型替代当前减值模型来实现,这个模型可以识别预期信用风险,通过考虑更大范围的合理和有依据的信息来估计信用损失。征求意见稿要求实体估计报告日金融资产的合同现金流量可回收性,以此为基础反映预期信用损失。同时,再次声明除去GAAP中存在的确认信用损失的“可能性”门槛,拓宽了计量预期信用损失所需考虑信息的范围。2011年6月至2012年7月,IASB和FASB曾一同对预期信用损失模型进行修正,形成了“三组别法”,但是FASB收到的反馈意见却认为,该模型采用两种计量目标, 不易于理解,操作也较为复杂,因而FASB转为研究仅包括一种计量方式的当前预期信用损失模型。这一模型不区分自初始确认以来金融工具的恶化程度,相反,总是确认整个生命周期的预期信用损失。这意味着实体对任何金融工具都无需使用12个月的预期信用损失来衡量损失准备。

二、金融工具减值模型比较

(一)已发生损失模型与预期信用损失模型比较预期信用损失模型是IASB为了取代金融危机前普遍采用的金融工具减值模型———已发生损失模型而提出的,因此, 此模型与已发生损失模型相比,最重要的变化是对其弱点的弥补,即损失确认条件的变化。已发生损失模型所提出的确认损失的条件是具有客观证据,这一条件不仅妨碍了利益相关者对有效信息的获取,同时也影响财务报表的质量。与其相比,预期信用损失模型对信用损失的确认更具前瞻性,取消了对损失确认的门槛。确认时,按照自初始确认以来是否发生严重恶化分为三个阶段,根据不同的阶段确认不同额度的预期信用损失,一旦发生变化要及时更新处理以确保报表信息的有效性。

估计预期信用损失所需信息应合理且有依据,包括类似金融工具的信用损失和会对金融工具的预期现金流可回收性产生影响的状况等。特定于借款人的定性和定量的因素也不能忽略,包括实体对借款人信誉的评估。虽然模型具有前瞻性,但历史信息仍然是一个非常重要的基础或锚点,需将其基于当前数据进行调整,从而反映出其对现况及未来预测情况的影响。预期信用损失模型在预期信用损失和信用风险的披露方面也有所改进。其要求实体提供下列相关信息:对其预期信用损失的基础进行解释;如何计量预期信用损失;如何评估信用风险的变化。此外,关于分级评级金融资产的信用风险以及合同现金流量发生修改的金融资产信息也被要求提供。

(二)预期信用损失模型与当前预期信用损失模型比较当前预期信用损失模型是FASB在预期信用损失模型的基础上修改得出的,这两个模型在某些方面存在共同特征。 二者都建议消除确认预期信用损失的任何门槛,用于评估和计量预期信用损失的信息也是一致的。对资产来说,从初始确认以来在信用质量上发生显著恶化的和那些非投资等级的,两种模型确认的预期信用损失金额应相等。

模型的不同之处则集中于对预期信用损失的确认和计量的方式。预期信用损失模型在对信用损失进行确认时将金融工具按其信用质量情况,分成三个阶段确认不同的预期信用损失;而FASB的CECL模型则要求实体总是按照IASB建议的生命周期预期信用损失来确认损失,不考虑金融工具是否自初始确认以来发生恶化的情况,对所有金融工具的预期信用损失采用同一种方式进行计量和确认。确认时点的差别反映了两种模型不同的考虑,预期信用损失模型对不同情况下的金融工具确认不同的损失,且要求对预期信用损失的变化保持及时更新,这使得其对损失的确认更加精确,更具真实性;而CECL模型则更强调金融工具当前的情况,据以作出的损失估计同样准确,但就信息的时效性而言可能略逊于预期信用损失模型。然而,CECL模型在操作上的简化则更受欢迎,预期信用损失模型需要分阶段确认损失,操作复杂性更强。

三、我国运用国际金融工具减值模型面临的挑战

(一)专业会计人员的挑战预期信用损失模型的操作较为复杂,无论是对预期信用损失的评估,还是对金融工具信用损失和风险的披露都需要具有专业的判断能力和准确的计量水平。若我国直接在会计准则中将现有金融工具减值模型转变为预期信用损失模型,无疑将对各个经济实体及其相关会计从业人员提出较高的能力要求。就我国会计人员而言,由于不存在相关的风险评级指标和数据,因此需要自行建立相关模型或数据库等。同时,针对预期信用损失的评估需要广泛的信息,包括历史信息,当前状况以及对未来的预期,不论信息的收集是否完全,如何运用所收集到的大量信息也是会计人员面临的难题之一。

(二)权责发生制核算基础的挑战预期信用损失模型要确认金融资产的预期损失,即该确认的损失未实际发生。这与我国现行会计准则———权责发生制相悖,权责发生制要求在会计事项发生时就确认相应的费用或收入,而预期信用损失模型则要求对未发生的预期损失进行确认, 理论上,这样的会计处理在我国缺乏现行准则的支持。

(三)信息披露及其监管的挑战由于预期信用损失模型具有确认主观性和操作复杂性,模型本身对实体在财务报表中的信息披露提出了诸多要求,以期提高金融工具会计处理的透明度和增强其对投资者进行有效决策的帮助作用。这不仅增加了实体信息披露的成本,同时也是对市场监管方一大挑战,披露信息的完整性和真实性都处于其监管范围之中。若不能对披露信息进行有效控制,那么预期信用损失模型所带来的弊端将远大于其有利之处。

(四)数据治理水平的挑战预期信用损失模型对数据存储提出了更高的要求。计算预期信用损失需要使用大量的信息数据,故而所采用的历史数据是否完整,真实性能否得到保障,未来数据是否可靠等就形成了阻碍准确计算预期信用损失的难关。要突破这道关卡的关键,就要形成高水平的数据治理。然而我国企业普遍存在下述数据治理问题:未对数据进行未标准定义,数据库中信息缺失或异常,部门之间对数据的定义口径不一致以及所拥有信息的存储和使用安全性难以获得有利保障等,正是这些问题的存在使我国的数据治理始终处于较低的水平。

模型检测工具 第4篇

2008年4月, 作为应对金融危机、缓解顺周期效应的举措之一, 二十国集团领导人要求IASB在2009年年底前改进并简化金融工具的会计处理。2009年11月5日, IASB发布了《金融工具:摊余成本和减值》准则的征求意见稿, 以回应社会各界对使用的已发生损失模型以摊余成本计量的金融资产计提的减值准备“金额太少、时间太晚”的批评。征求意见稿建议金融工具减值用预期损失模型取代《国际会计准则第39号————金融工具:确认与计量》的已发生损失模型, 要求贷款人按照扣除了预期信用损失后的金额确认利息收入, 以弥补IAS39中递延以摊余成本计量的金融资产损失的缺陷。但是, 征求意见稿一经发布, 就由于其不具有实际操作性, 不符合成本效益原则等原因遭到了很多反对。且IASB和FASB在对未来预期损失的实际会计操作中存在着重大的差异:IASB坚持损益表观, 即在预计存续期间内按比例计提预期损失准备, 而FASB持资产负债表观, 即在每个资产负债表日计提充足的预期损失, 这与趋同这一目标具有较大的差距。

为在金融资产减值问题上实现趋同, 2011年1月31日, IASB和FASB联合发布了IASB 2009年11月的征求意见稿《金融工具:摊余成本和减值》的补充文件, 对IASB和FASB最初两份征求意见稿进行了折中, 提出的好账坏账法综合了时间比例法和可预计未来期间法两种方法, 将贷款区分为“好账”和“坏账”, 并分别采用不同的减值准备模型。尽管补充征求意见稿大幅降低了实际操作的复杂程度, 但仍然无法消除国际财务报告准则和美国公认会计原则的显著差异, 且不符合成本效益原则, 加剧盈余操纵等缺陷仍然存在, 所以补充征求意见稿并未得到广泛支持。IASB和FASB自2011年5月起又开始研究第三个模型——三组别法, 此模型模拟银行风险管理的思路, 运用不同方法分别估计预期损失, 是迄今所提出的最接近银行风险管理实务的模型。

二、预期损失模型替代实际损失模型

已发生损失模型基于过去交易或事项的发生观, 假设所有贷款将得到偿还, 除非有相反的证据出现, 贷款才被减记至较低的价值。由于该方法在经济景气、资产价格上升时容易低估未来的可能损失而未能充分提取准备, 造成高估资产和损益;而在经济衰退、资产价格缩水时又倾向于多提准备并容易低估资产和损益, 因此存在较为明显的顺周期性。

在全球金融危机形势下, FASB和IASB提出改变贷款减值计提方法, 由现行的已发生损失模型改为预期损失模型, 试图消除延迟确认损失的弊端和会计信息的顺周期效应, 因此采用了预期未来的观念。预计损失法要求在金融资产初始计量时即对其存续期间所有预计信用损失进行估计, 并用于确定相应的实际利率, 在该金融资产存续期的每个计量日, 均使用该实际利率确定相应期间的利息收入。同时对该金融资产剩余存续期内的预计损失进行重新估计, 与初始计量日估计的预计损失之间的差额作为金融资产的减值费用或利得计入当期损益。

预期损失模型和已发生损失模型的区别

三、关于三组别模型的分析

1. 三个组别的划分与计量。

组别一主要包括还没有发生可观测到的直接与违约相关的事件影响的资产, 对这些资产在初始确认时计提十二个月的预期损失作为减值准备。在这里预期损失包括本金和利息的现金流量减少总额。因此, 组别一中确认的损失不仅是未来十二个月的实际的现金减少额, 还包括与未来十二个月预期发生的损失事件相关的所有现金流量减少的总额。

组别二主要包括受到可观测事件或条件影响未来可能会违约风险的资产, 对这些资产需计提整个存续期间的预期损失作为减值准备。该组别主要适用于资产组合而非单项资产。

组别三主要包括有可获得证据显示将产生预期信用损失的资产, 和组别二一样对这些资产需计提整个存续期间的预期损失作为减值准备。不同的是组别三主要适用于单项资产的减值估计或者已经明确发生了信用损失的贷款。

预期损失的估计需要在积累大量的数据的基础上建立完善的计算模型, 因此开发难度和成本都很大。考虑到目前国际银行业监管的统一标准——《巴塞尔新资本协议》的内评法也基于预期损失理论提出信贷资产减值的信用风险模型, 因此, IASB可以考虑借用巴塞尔新资本协议风险估计方法体系, 即EL=LGD·PD·EAD。其中EL为预期损失率, LGD为违约损失率, PD为违约概率, EAD为违约风险敞口, 即可能发生违约风险的资金额度。此模型以信贷资产减值损失的预计作为违约风险评估、贷款决策和定价的依据, 由于主要考虑未来一年内的短期信用风险, 因此以12个月内的违约可能性为基础估计贷款减值损失。

对于组别一以12个月作为计提预期损失减值准备的基础, 一方面对银行来说银行可以充分利用巴塞尔内评体系的基础数据, 降低了实施成本;另一方面从原来的增补意见稿来看, 原稿中没有规定未来可预测期的期限, 而只规定了下限是12个月, 这会带来减值信息不可比的问题, 不同会计主体或同一会计主体的不同资产可能采用不同未来可预测期期限, 会计主体通过选择对自己有利的预测期限来操纵利润。现在统一以12月为基础不仅为所有报告主体提供一个简单统一的计量方法, 而且在准确性和实际操作性上相对于长期预测也更具有优势。

但值得一提的, 巴塞尔新资本协议的预期减值模型和会计中的预期减值模型之间仍然有一些重要的区别:第一, 巴塞尔新资本协议以整个经济周期为基础而会计仅以报告时点为基础对预期减值进行评估。即前者是跨周期信息, 后者是时点信息, 在实际运用过程中, 需要将巴塞尔的成果进行调整后才能用于会计的计量中, 其中涉及到大量的调整转换工作;第二, 巴塞尔新资本协议中主要考虑最坏情景而会计计量则是基于对未来的合理预期。

组别一、二、三并非按照资产恶化程度排列。组别二和组别三均采用相同的计量属性, 即计提整个存续期间的预期损失作为减值准备。组别二和组别三的区别在于, 组别二对整体资产估计信用恶化程度, 而在组别三中对单个资产估计信用恶化程度。例如如果银行对某笔贷款的预期损失是在单项资产基础上评估的, 那么当这笔贷款发生减值就很可能会从组别一直接转至组别三。

2. 三组别间的转移。

资产在组别间转移的主要驱动因素是违约的可能性。当资产从组别一转到组别二或组别三时, 坏账准备计提的基础从十二个月扩展至整个存续期间。这会对银行和企业实体的资产负债表和利润表产生重大影响, 所以确定从组别一中转出或转出时点十分关键, 目前对时间点的定义为当出现显著信用恶化或初始计量时的合同现金流量预计不能全部收回时, 此时当计提整个存续期间的预期损失作为减值准备。

对于外购信贷减值资产初始确认计入组别二或组别三, 根据初始预期现金流量确认利息。实际利率根据初始预计现金流量计算, 在后续计量中保持不变。预期变化直接确认当期损益。IASB和FASB都认为初始确认在组别二和组别三中的外购信贷资产不能移动至组别一。

源生和外购无信贷减值的资产初始确认时计入组别一, 当可观测到的减值事件出现, 而且这些事件为未来可能的违约提供了直接证据时将该资产移至组别二或组别三。

虽然组别二、三能移动至组别一会增加了复杂性, 因为这样不仅要考虑下调的标准, 同时要考虑上调的标准。但是如果不允许上调那么下调的临界值确认就会面临更大的压力, 因为考虑到一旦转移至组别二、三就不能再转回, 主体在初始确认下调是就会更犹豫不定。因此就目前看来委员会认为允许源生和外购无信贷减值的资产在组别之间移动, 并创建一个对称的标准模型更为可取, 即当减值事件不再存在时, 就上调至组别一。

3. 三组别模型的应用。目前, IASB和FASB主要讨论了模型对于以下几种资产的具体应用:

(1) 三组别模型对贷款的应用。三组别模型中贷款减值同时适用于商业贷款和消费贷款。当贷款从组别一中转至组别二或组别三时, 坏账准备计提的基础从十二个月扩展至整个存续期间, 所以确定从组别一中转出时点的确认是非常关键的。该时点确认不应基于推测 (例如:界限) , 而应基于拖欠债务时间或者达到特定信用风险率等先决因素。在组别一时, 确认的损失通过违约概率进行计算, 是与未来十二个月预期发生的损失事件或条件相关的、贷款所对应的所有现金流量的减少总额。对于受到可观测事件影响但尚不能具体到特定项目的贷款转入组别二进行计算, 计提整个存续期间的预期损失作为减值准备。对于能具体到特定贷款的则转入组别三进行后续计量。

(2) 三组别模式对债务证券的应用。在对债务证券的计量中, 三组别法不改变对实际损失模型对债务证券逐项计算的原则。当债务证券的公允价值超过成本时, 企业就可以推断不需要对整个寿命期间的的减值进行识别。公允价值超过成本的时刻即在未来即使考虑发行商产生信用恶化的情况下, 金融工具在低利率环境下仍具有很高的息票利率。

债券证券和贷款处理一样, 都能转回组别一, 这就引发了对减值模型是否应该对称的思考。此外, 对于债务证券这样以单项资产为基础运用预期损失模型估计资产减值IASB和FASB都仍存在一定疑虑。FASB建议减值模型借鉴US GAAP关于担保价格的指引, 这尽管不是预期价值但在特定情况下却是更易操作的方法。

(3) 三组别模型对贸易应收款的应用。预期损失模型为基础的一系列的减值模型主要是用来解决贷款债券的计量问题, 但对于贸易应收款却不强。即使是正在使用的实际损失模型, IFRS和US GAAP对于贸易应收款的处理也存在重大差异, IFRS的减值临界点是客观减值证据, 而US GAAP则是可能减值证据。在三组别法中, IASB一方面考虑到预期损失模型的成本效益性, 一方面又考虑到贸易应收款时间短, 预期损失模型能提供的信息不一定充足的问题。因此IASB决定将贸易应收款分为具有重大融资性质的贸易应收款和不具有重大融资性质的贸易应收款两大类。

从理论上来说, 具有重大融资性质的贸易应收款具有银行业务的性质, 因此应遵循贷款的计量方法, 即三组别法预期损失模型计量。但和银行不同的是, 银行按巴塞尔新资本协定的规定已有的类似12月预期损失减值估计模型可作为预期减值损失模型的基础, 而一般商业实体不具有应用三组别模型的能力。因此委员会正在考虑使用简化的预期损失模型。即寿命预期损失模型, 在存续期间不再要求持续追踪信用恶化。

对于不具有重大融资性质的贸易应收款。在实际损失模型下, IASB和FASB的初始计量具有较大的分歧。IFRS以公允价值作为初始价量基础, 而US GAAP以交易价格作为计量基础。目前, IASB建议以发票金额作为贸易应收款的初始确认, 并把所有金额归入组别二或组别三, 用寿命预期法确认减值损失, 在存续期间不再改变。尽管需要创建一个新的模型, 但他解决了公司实际操作的难题。对于用寿命预期法确认减值损失方面FASB也表示了赞同。

四、总结

从无组别到两组别再到三组别, 金融工具减值经历了巨大的变化, 从实际操作来看三组别模型模拟了银行风险管理的思路, 对不同组别分别估计预期损失, 因此是最接近银行风险管理实务的模型。但不论是预期损失模型, 还是好账坏账法以及三组别法, 金融资产减值的确认和计提都离不开对未来现金流量的预计。未来现金流量的预计会涉及到大量数据的收集和测算。一方面操作难度大, 即使银行可以利用巴塞尔新资本协定的成果, 但大量调整和转换工作对银行来说也并非易事, 对一般企业实体来说要建立如此复杂的体系更是难上加难;另一方面, 三组别模型计算的结果相比较实际损失模型仍具有较大的主观性, 盈余操纵的空间较大。

我国金融市场发展不够完善, 因此对引入新金融工具减值模型应持谨慎态度, 在减值模型的理论基础尚未成熟之前, 不应仓促使用。就目前阶段而言, 我国需加强国际参与, 与国际组织加深联系, 深入分析有关会计政策的内涵和实施后可能面临的挑战。

摘要：2008年以来I, ASB和FASB致力于探讨统一的金融资产减值模型, 直至2011年5月提出并讨论至今的三组别法, 金融工具减值准则的修订经历了从无组别到两组别再到三组别的重要变迁。本文将对金融工具减值准则的修订进行持续追踪, 对预期损失模型和实际损失模型进行对比, 对三组别模型进行分析, 最后对我国运用减值模型提出建议。

关键词：金融工具减值,预期损失模型,三组别法

参考文献

[1].陶能虹, 禹静.IASB金融资产减值会计动态与对策.会计研究, 2010;5

[2].彭南汀.关于IASB发布的金融资产减值“预期损失模型”的分析.会计研究, 2011;1

[3].王守海, 孙文刚, 李云.公允价值会计和金融稳定研究——金融危机分析视角.会计研究, 2009;10

模型检测工具 第5篇

近年来, 随着国土资源监管力度不断加强, 建立信息化条件下的横向业务约束关系已得到国土资源部的高度重视, 如在土地管理方面, 已经从过去的土地动态平衡要求, 发展到现在的土地批、供、用、补、查等5个方面全方位的管理, 这就要求对土地从立项审批、土地供应和使用、补充耕地、违法用地检查等各个环节进行有效监管, 为了达到监管目标, 必需建立一个横向业务和纵向行政层次跨度都很大的国土资源信息系统, 因此建立统一的电子政务平台, 统一的监管平台、统一的信息共享平台成为国土资源信息系统建设的必然方向。然而, 电子政务系统的复杂性不仅在于技术方面, 更在于行业业务逻辑本身[1]。在目前各类技术框架、技术平台蓬勃发展的情况下, 业务模型的重要性就更加凸现出来。国土资源领域业务概念多、关系复杂, 而且重要数据多是空间数据, 要能够顺利建设统一的电子政务平台、监管平台和信息共享平台, 必须借助业务建模来分析、理解业务逻辑, 理清各业务之间的相互关系, 实现业务数据的相互融合, 消除数据冗余和功能交叉, 打破信息孤岛, 提高数据共享。本文重点讨论国土资源业务分析梳理需要的业务参考模型, 并简单讨论适合的建模工具。

2、业务建模技术方向分析

2.1 两种技术方向

建模方法大致分为两大阵营, 一是结构化分析设计方法体系, 另一个是面向对象分析体系。在结构化分析方法中, IDEF在中国由于陈禹六等专家的大力推广, 应用比较广泛[2];而面向对象分析方法在Booch等人推出UML后基本由UML一统天下[3]。因此, 两大阵营的比较实际上是IDEF和UML之间的比较。IDEF是美国空军发明的建模方法, 本来只运用在制造业上, 经改造后适用于一般的软件系统建模。包括从IDEF0到IDEF14 (包括IDEF1X在内) 共有16套方法, 每套方法都是通过建模程序来获取某个特定类型的信息。UML (统一建模语言, Unified Modeling Language) 是一种面向对象的软件系统可视化建模语言, 由用例图、类图、活动图、时序图、状态图、构件图、部署图等多种视图构成, 是目前软件领域应用最广泛的建模方法。

2.2 国土资源业务系统特点

要确定国土资源业务建模工具, 必须首先分析国土资源业务的特点, 并根据国土资源业务特点选择合适的理论和方法。国土资源业务系统有4个特点:1) 国土资源业务系统是一个极为庞大的系统, 不仅涉及地政、矿政、地质灾害等业务领域的诸多概念和流程, 还需要考虑上下各级的流程协作和数据交换, 因此必须采用结构良好, 易于分包管理建模工具才能胜任。2) 国土资源信息系统为数据密集型系统, 因此在选择建模理论基础和方法的时候, 需要考虑是否有利于以数据和数据处理为中心的业务建模。3) 国土资源业务中审批流程非常多, 因此要把业务流程的分析和建模当作业务建模工作的重点。建模理论和方法要有利于业务流程直观清晰的表达, 同时又能够达到足够的精度。4) 国土资源业务建模的主要目的, 是为国土资源信息系统的开发提供参考模型, 因此必须考虑是否易于被信息系统开发人员理解、是否易于转化为信息系统的业务逻辑层、数据库层和界面层的各种软件构件。

2.3 两种建模方法的比较

针对以上四个要求, 我们对IDEF和UML进行逐一比较。在模型结构化方面, IDEF各建模方法之间相对独立, 没有紧密的联系。而UML采用多种视图对系统与环境的交互、系统的静态结构、动态协作过程进行严谨的、立体的建模。基于包的模型组织管理方式也使模型更加易于管理和理解[3]。在表达数据结构方面, 二者具有几乎同样的表达能力。但对于业务流程, UML的活动图提供办理者、办理环节、泳道等概念对业务流程进行描述, 与用户常用的业务流程块图基本类似, 易于直接映射业务流程, 表达直观、信息丰富。而IDEF则没有这方面的优势。特别重要的是, 国土资源电子政务多采用面向对象和领域驱动的思想设计开发。虽然IDEF中IDEF4可以用于面向对象建模, 但IDEF4采用的方法和符号对于绝大多数编程人员都是陌生的, 需要一定的学习时间, 才能理解IDEF面向对象模型。而UML的类图可以直接映射到电子政务的领域层[1], 活动图可以直接映射到工作流引擎系统, 状态图可以对应到状态机模式。而且由于UML在软件开发领域的广泛使用, 编程和设计人员对UML和相关工具非常熟悉, 无需培训。显然, 在面向编程方面, UML具有绝对的优势。

通过以上对比, 在各个指标上, UML都具有相当的优势。因此, 选用UML作为国土资源业务建模基础是相对合适的选择。

2.4 UML用于业务建模的扩展方法

UML设计的主要目的是用于软件系统的可视化建模, 但是由于软件系统和业务系统具有几乎相同的逻辑体系, 因此UML也可用于对业务概念体系进行建模。用UML进行业务建模的一般做法是利用UML的扩展机制, 在UML的基础上根据业务建模需要定制具体的业务建模概念体系。目前国际上已经存在一些在UML基础上扩展的业务建模方法, 典型代表是ErikssonPenker扩展[4]。但是对于我国国土资源业务建模工作来说, 这些建模方法颗粒不够细致, 不够实用。因此我们以UML建模方法为基础, 根据国土资源业务的要求自己扩展UML, 提出简洁实用的业务建模概念体系, 形成国土资源业务建模的业务参考模型。

3、国土资源业务建模理论模型研究

本参考模型将国土资源业务体系分为职能域层、工作流程层、业务功能层、信息视图层、业务数据资源层几个层次, 涵盖了国土资源业务的职责分工结构、业务流程协作、具体业务工作、业务数据结构等各个业务层面。由于国土资源部、省、设区市、县四级业务之间都有紧密的关联, 因此需要建立统一的基础数字框架, 并要考虑与上下级单位的协作接口。如图所示。限于篇幅, 本文重点讨论单级的业务参考模型结构。

3.1 职能域建模

职能域对业务系统的业务职能分工进行建模。职能域建模包括定义职能域的职能描述、相互包含关系以及职能与业务流程、业务功能的包含关系等内容。国土资源业务系统包含大量工作流程、业务功能。为了管理这些过程和功能, 必须将其分组, 进行良好的组织, 方便理解和交流, 同时有利于模块化。职能域建模可采用UML的包扩展而来。

3.2 工作流程建模

在国土资源业务中, 存在大量的工作流程, 如各种审批流程。这些流程是业务分析的重要线索, 也是业务分析和建模的重要部分。工作流程是一系列工作环节的结构化集合, 它强调在组织中, 工作是如何在分工协作下完成的。一个工作流程包括办理环节、办理人、特定的执行逻辑、特定的业务数据和控制参数输入和特定的业务数据输出等内容。工作流程采用UML的活动图对流程和环节建模, 为了表达更加准确, 采用UML的扩展型对工作流、环节进行扩展, 增加《自动任务》、《人工处理》、《子流程》、《远程流程》、《路由》等扩展型, 对各种环节进行建模。

3.3 业务功能建模

业务功能建模负责对实际业务中的具体工作进行建模。业务功能可以采用UML类扩展出《业务功能》图元进行描述, 并可采用UML的包对业务功能的分类进行描述。业务功能有不同的粒度, 高层次的业务功能可以包含低层次的业务功能。最高层次的业务功能一般包括人机交户过程, 而较低层次的业务功能可以对应到应用程序的会话类。可以利用UML的依赖关系和泛化关系对这些业务功能之间的关系进行描述, 业务功能的具体处理过程还可以采用UML活动图进行扩展描述。业务功能一般都涉及对业务视图和业务资源数据的存取、加工、存储、传输等处理。对于国土资源部门这样的数据密集的业务系统, 大多数业务功能都是CRUD操作 (创建、查阅、修改、删除) 。可以通过UML的依赖关系扩展出业务数据操作关系图元, 如《创建》、《查阅》、《修改》、《删除》等, 直接对业务功能和信息视图、业务数据资源之间的关系进行建模。

3.4 信息视图建模

信息视图是指直接显示给操作人员的信息结构, 一般对应输入表单、统计报表、查询界面等。这些信息视图一般以某个业务数据为中心组合了相关的多个业务数据, 以便能够显示丰富的信息, 提高信息集成度, 提高数据输入输出效率。可以在类图元上利用扩展机制增加构造型《信息视图》, 用于对信息视图建模, 并利用UML聚合关系概念描述信息视图与业务数据之间的关系。

3.5 业务资源建模

业务资源是业务所用的数据对象。它们被工作流程或业务功能创建、读入、加工转化。从面向对象的观点来看, 这些业务数据代表了实际业务中存在的概念, 包括物理实体、逻辑概念和各类事件。由于国土资源管理的根本任务就是管理和控制某些业务资源, 这些被管理的对象就形成了很自然的业务资源。如在地籍管理中, 权利人、宗地、转让、抵押、合并、分割等都是被管理的业务对象和业务事件。这些物理实体、逻辑概念和业务事件就形成了最直接的业务数据资源。业务资源建模采用UML的类图进行建模, 不仅可以对数据的结构、继承关系、包含关系进行建模, 还可以利用类方法对一些必要的行为进行建模。业务数据需要采用UML包的概念对类的分类进行建模, 这些分类形成了主题数据库最早的、候选的建立方案。

业务资源建模还包括了业务规则的建模, 业务规则是为满足系统外部需求 (规章和法律, 或者其他业务规定的约束规则) 、对内保证成功实现业务目标而定义的。业务规则可以正规化的定义 (如采用OCL语言) , 或者非正式的以自然语言标注。在国土资源建模中, 可采用UML标注的方式对业务规则进行建模。

4、业务建模工具选择

目前市场上基于UML的可视化建模的工具很多, 被广泛应用的UML建模工具有Visio、Rational Rose和Power Designer等。本文建议选择Power Designer。Power Designer是专业的建模工具, 功能强大, 应用广泛, 是最成熟的软件系统建模工具之一, 不仅支持E-R图建模, 目前的版本也支持UML建模 (如Power Designer12.5) , 而且UML模型和E-R图之间可以相互转换, 支持类图到数据库的正向和反向工程, 因此比其他工具更适合国土资源业务建模。

5、结语

建立良好的业务参考模型, 是国土资源业务梳理分析的基础, 也是开发国土资源统一电子政务平台、监控平台和信息共享平台的基础。只有在成功全面梳理国土资源业务的基础上, 才可能良好规划国土资源主题数据库, 规划国土资源业务模块, 理清业务模块之间、业务模块和主题数据库之间以及主题数据库之间的访问和依赖关系, 才能成功规划和逐步建设国土资源信息化综合应用平台。建立完整的国土资源业务模型工作量大, 任务艰巨, 应抓住重点, 急用先上, 对当前急需的业务部分重点建模, 同时兼顾与之关联相对紧密的业务的初步分析, 既保证目前有业务模型可以依据, 也保证未来业务模型和信息系统的扩展性。

参考文献

[1].Eric Evans (美) 著, 陈大峰, 张泽鑫译.领域驱动设计--软件核心复杂性应对之道.北京:清华大学出版社, 2006

[2].陈禹六著.IDEF建模分析和设计方法.北京:清华大学出版社.2000

[3].James Rumbaugh, Ivar Jacobson, Grady Booch (美) 著, UMLChina译.UML参考手册.北京:机械工业出版社.2005

模型检测工具 第6篇

一、IASB和FASB减值模型的主要分歧

在“三分类”减值模型中, 资产减值类别有三个:第一组别反映自其初始确认以来信贷质量未曾发生严重恶化的金融工具, 第二、第三组别为信贷质量发生恶化的金融工具。其中, 第二组别为资产自初始确认以来, 其信贷质量已发生严重恶化但并未存在客观证据表明已减值的金融工具, 而第三组别反映的是存在客观证据表明在报告日已发生减值的金融工具。金融资产在初始确认时应先在第一组别中进行确认, 位于第一组别的资产根据未来12个月内可能引起预期损失的违约事项估计减值金额。而当信贷质量恶化时, 原先位于第一组别的资产则应转入第二、第三组别。在后两个组别中, 金融资产减值的确定是根据资产整个存续期间的预计信贷损失得到的, 这时, 那些引起预期损失的违约事项究竟何时发生并不重要。

由此看来, “三分类”减值模型的关键在于确定两项内容:一是判断第一组别所依据的期间 (12个月内) 是否存在可能引起预期损失的违约事项;二是确定使得金融资产信贷质量恶化而转入第二、第三组别的信贷质量临界水平。对此, 美国国内认为, 关于这些内容的界定非常困难, 使得模型存在理解性、操作性和审计上的难度。为此, FASB开始考虑实施指南从而对这些定义作出清晰的解释。但经过商讨之后, FASB认为, 即使对这些内容进行了详细合理的解释, “三分类”减值模型得到的减值损失是否可以公允地反映资产组的信贷风险仍受质疑。由于资产整个存续期的预期损失只有在其信贷质量发生重大恶化时才予以考虑, 初始确认甚至随后一段时期内按报告日后12个月内的信贷损失确认减值准备, 那么“三分类”减值模型并没有完全反映资产整个存续期的预期损失。

所以, FASB开始独自探索并提出适合美国市场的减值模型 (CECL model) , 其方法与IASB建议的主要区别就是FASB合并了“三分类”减值模型中初始确认后已发生恶化的工具和未发生恶化的工具。模型中不再有三分类, 在确定减值准备时, 要求针对所有金融工具采用单一的计量模式, 即主体在初始确认时应就整个存续期的预期信用损失确认减值, 以后的每个报告日预期损失的估计均以资产整个存续期为基础。这样, 就不用考虑引发信贷风险的事项是否在报告日后12个月内, 也不用确定类别间转换的标准。

二、IASB与FASB减值模型的异同分析

(一) IASB与FASB减值模型的相同点

1. 对预计信贷损失的定义相同。双方都认为预计信贷损失是对资产不能收回的未来合同现金流量的估计。

2. 用以估计预期损失所需的信息相同。

双方一致认为, 应该扩大企业对相关信息的考虑, 对预期损失的估计要同时考虑企业内部和外部的信息, 包括过去发生的事项、现在的情形及合理且有依据的预测。

3. 减值的计量都应反映多种可能的结果以及货币时间价值。

由于一种情景往往对应一项信贷损失结果, 而每项金融资产的减值可能是由多个结果所组成的, 所以估计预计信贷损失时应考虑多种可能的结果。另外, 货币时间价值是财务领域的重要原则, 在考虑当前价值时必须将其考虑进去。FASB认为, 估计应直接或间接地反映货币时间价值。IASB认为, 对预计信贷损失的估计应当是对所有可能结果与货币时间价值的概率加权估计。

4. 适用于相同的金融资产。

减值模型对象包括:所有按摊余成本计量的金融资产, 所有以公允价值计量且其变动计入其他综合收益的债务工具, 所有贸易和租赁应收款, 其他受信贷风险影响的金融工具 (如并非以公允价值计量且其变动计入损益的贷款承诺和财务担保合同) 。

5. 如果金融资产信贷质量恶化程度满足“三分类”减值

模型中按资产存续期间预期损失计量标准, 则两种减值模型对减值的确认并没有实质性差异。

6. 两者对未发生减值的金融资产, 其利息收入按资产账面原值计算。

对外购且已发生减值的金融资产, 两者都要求对实际利率进行调整。

(二) IASB与FASB减值模型的不同点

1. 对信贷质量尚未发生重大恶化的金融资产预期损失的确认差异。

IASB的“三分类”减值模型对那些信贷质量尚未发生重大恶化的金融资产, 按报告日后12个月中可能预计的违约事项来确定预期损失, 因而只确认了资产整个存续期部分的预期损失。而FASB的CECL模型对金融资产初始确认时就以资产整个存续期来考虑预期损失。

2. 信贷损失变化的确认不同。

FASB的CECL模型下的信贷损失的变化立即反映在净收入中。而在IASB的“三分类”减值模型中, 反映在净收入的信贷损失包括两个部分:一是从“以报告日后12个月预计信贷损失”的资产其信贷质量发生恶化转为“以资产存续期预计信贷损失”所引起的减值准备;二是资产因信贷质量转好而重新转入“以报告日后12个月预计信贷损失”计量所引起的信贷损失的减少。

3. 对以公允价值计量且其变动计入其他综合收益的债务工具的预期损失具有不同要求。

FASB认为, 当金融资产的公允价值不小于其摊余成本且预期信贷损失不重大时, 企业可以选择不应用减值模型。而IASB并未作出具体说明。

4. 对外购金融资产相关处理的差异。

FASB的CECL模型中, 对外购金融资产可能的信贷损失要求在取得当天就确认。而IASB不允许资产可能的减值在取得当日就确认。

(三) 对IASB与FASB减值模型的评价

FASB的CECL模型与IASB的“三分类”减值模型的差异之处仍然存在很多争议, 主要体现在三个方面: (1) FASB的模型可能会过早过多地确认金融资产的信贷损失, 在取得日立即确认损失并不能反映按市场价格交易的经济意义。 (2) 同IASB模型后期反映资产信贷质量恶化不同, 由于报告日及日后考虑的预计基础相同———资产存续期, FASB的模型可能不能充分提供关于信贷质量恶化的信息。 (3) FASB对以公允价值计量且其变动计入其他综合收益的债务工具提出的可以不确认信贷损失的特殊说明可能在实务中并不适用。通常情况下, 信贷损失对单独的债务意义并不重大, 这符合不确认减值的条件。然而, 由于资产的公允价值受到很多因素的影响, 这些因素可能导致资产公允价值减少, 从而使资产不符合“公允价值不小于摊余成本”这一条件。这时, 即使资产的信贷风险未发生变化, 但仍需进行预期信贷损失的确认。因此, FASB的这部分规定并不严谨。另外单独来看, 资产的信贷损失并不重大, 但对资产组合的影响可能是重大的。

三、模型差异可能导致的后果

两种模型最大的差别体现在金融资产信贷质量尚未发生恶化时对预计信贷损失估计的基础不同。IASB的“三分类”减值模型中按报告日后12个月为期间来估计预计信贷损失, 而FASB的CECL模型中考虑的期间却是资产整个存续期间。这种差异所导致的后果是对资产整个使用寿命中的减值确认的确认时点不同, 而且对具有不同期限、不同信贷质量的金融资产, 其影响略有不同。

这种差异对短期高质量的金融资产影响不大。比如企业持有一笔2年期价值为10万元的AA贷款, 并假设违约损失率为50%。根据2011年全球企业平均违约率的统计数据, 12个月的违约率为0.02%, “两年”即存续期的违约率为0.07%, 计算得到预计信贷损失分别为10元和35元, 这并没有实质上的差别。

这种差异在源生性投资等级低于企业预期的金融资产以及长期金融资产的减值确认方面差别很大。比如对于30年期价值50万元的住房抵押贷款, 基于资产的信贷质量及期限评估报告日后12个月的违约率为2%, 违约损失率为20%, 从而预计信贷损失为2 000元 (不考虑折现) , 在资产负债表中反映的资产价值为498 000元。估计资产存续期的违约率为20%, 违约损失仍为20%, 此时预计信贷损失为24 000元, 在报告日的资产负债表中反映的资产价值为476 000元。期限越长、金额越大, 同个报告日资产负债表所反映的差异会越大。

按FASB的CECL模型在资产初始确认时就按资产存续期考虑预计信贷损失会低估报告日资产的价值, 而且会减少金融企业向中小企业贷款以及减少长期贷款的数量。因为过早地预计损失确认会驱使金融企业减少对具有高信贷风险的企业缩短贷款期限或者直接减少贷款数量来增加利润, 而中小企业往往具有高信贷风险。另外, 在初始就确认整个存续期的预计信贷损失会抑制信贷市场新资源的进入, 因为这种计量增加了进入成本。

综上, FASB提出的CECL模型与IASB的“三分类”减值模型的差异不仅降低了国际企业财务报告的可比性, 而且FASB旨在提高可理解性和操作性的“差异”并不适合当前信贷市场的发展。

摘要：“三分类”减值模型是IASB和FASB于2012年共同提出的金融资产减值模型, 然而该模型在美国国内却备受争议, 压力之下, FASB于2012年7月开始制定自己的减值模型。本文通过对IASB和FASB的减值模型进行差异分析、差异可能导致的结果分析以及趋同展望, 以期帮助企业及投资者加深对金融工具减值模型最新研究进展的认识。

关键词：“三分类”减值模型,CECL模型,预计信贷损失

参考文献

[1].郑伟.预期损失模型缺陷与会计监管独立性问题研究.会计研究, 2010;5

模型检测工具 第7篇

关键词：SDL,Model Checking,语义转换,SPIN,模型验证

规格描述语言SDL(Specification and Description Language)[1]是ITU定义的一种数据类型支持能力极强的形式化描述语言,其核心基于扩展有限状态机的通信进程模型。SDL目前大量应用于电信领域中的通信协议建模以及描述具备活性离散系统特征的软件。模型检验(Model Checking)[2,3]是一种针对有限状态系统的形式化自动验证技术,自提出至今已被应用于计算机硬件、通信协议、安全认证协议等方面的分析与验证中,取得了令人瞩目的成绩。使用模型检验技术对SDL模型进行分析与验证,可以减少模型中的设计错误,提高建模的精确性[4]。对于SDL模型来说,如果对其直接模型检验,则需要重新构建专用的模型检验工具,这是一项十分烦琐和困难的工作。将其转换为某种模型检验工具的形式化输入,则可以免去重新构建模型检验工具所需要的额外精力。出于以上因素考虑,本文研究了SDL模型的形式化文法SDL/PR[4]向模型检验工具SPIN的输入语言Promela[2]的语义转换规则,构造了文法翻译器SDL2PromelaTranslator.exe,并设计实现了一个基于SPIN内核的SDL模型检验工具SSMC Tool。

1 文法翻译器SDL2Promela的构造

1.1 SDL/PR到Promela的语义转换规则

首先要实现系统结构的转换。SDL的模型结构是形如System-Block-Process的层次性结构,而Promela中构建系统基本行为的单元是进程(proctype),整个系统是一个由众多进程构成的平面结构,但是二者的语义是一样的,即以Process或进程为单位的有限状态机之间的通信。因此我们将SDL/PR中的Process表示为Promela中的proctype。

其次要解决二种建模语言进程时间通信机制的转换。在SDL中,Block和Block之间的消息通道是Channel,Process和Block以及Process之间通信的消息通道为Signalroute。但是在SDL中,通信的实质是Process之间的通信,或者直接使用Signalroute作为通道,或者由几个Channel和Signalroute组成一个组合通道传递消息。其目的是为了建模更具备层次性和易读性,方便人们理解,因此在把SDL/PR文法映射为Promela语言的时候,需将层次性通信统一简化为进程之间的直接通信。

最后需要实现SDL/PR中Process内部的FSM向Promela的proctype的转换。Process内部的FSM分为四个部分:变量声明、状态变迁、收发消息、条件选择。这四个部分在Promela的proctype中均可实现相应的等价映射。

根据上述转换原则,得出具体的SDL/PR向Promela的转换策略,如表1所示。

根据以上语义转换规则,使用Lex和Yacc的集成工具Parser Generator2作为开发环境开发SDL/PR向Promela转换的翻译器。

Lex是一个词法分析器,其作用是从头到尾逐个字符地对输入进行扫描,产生一个个的单词符号,把字符串输入变为单词符号存入符号表,供语法分析器使用。

Yacc是一个语法分析器,功能是:在词法分析器分析识别出单词符号串的基础上,分析并判定程序的语法结构是否符合语法规则,从而按照语法产生式,识别输入符号串是否为一个句子,并在此基础上对识别出的句子进行需要的操作,建立规定的翻译。本文中要做的是在Yacc识别出SDL/PR的句子之后根据同Promela的转换规则实施转换。如图1所示。

根据SDL/PR的语法编写Lex文件,根据表1的语义编写Yacc文件,之后在Parser Generator2工具下进行编译,分别得到词法分析器和语法分析器的C源代码文件,再在VC++6.0环境下建立控制台应用程序工程,加入C源代码文件后进行编译,得到翻译器SDL2PromelaTranslator,可将SDL/PR转换为相应的Promela模型。过程如图2所示。

生成的翻译程序为SDL2PromelaTranslator.exe文件,供SSMC Tool调用。

2 SDL模型检验工具SSMC Tool的设计与实现

2.1 系统设计思路与结构

SSMC Tool(Simple SDL Model Checking Tool)是一个自动将SDL/PR转换为Promela,同时调用SPIN内核对模型进行分析和验证的模型检验工具。其功能总的来说是读取.sdl文件的内容,即系统SDL建模后得到的SDL/PR文法,将其转换为SPIN的输入语言Promela,之后调用模型检验工具SPIN的内核进行模型检验。可以说,这个原型工具是SDL/PRtoPromela翻译器与SPIN内核整合的一个图形化工具。工具具体的设计功能如图3所示。

从图中可知,系统设计了如下几个重要功能块:

图形UI:为用户提供便捷的图形化操作方式,接收用户的输入信息,以及提供相关的错误信息提示。

参数设置模块:以图形界面形式,方便用户对SPIN路径、C编译器路径、SPIN运行命令等参数进行设置。

文件操作模块:实现SDL/PR、Promela文件的打开、编辑及保存功能。

SDL/PR转换模块:将当前的SDL/PR模型自动转换为Promela模型,SDL/PR模型和Promela模型分别保存在相对应的格式文件中。

SPIN调用模块:调用模型检验工具SPIN完成语法检查、LTL解析与转换、模型的模拟运行、模型的性质检验等功能。

LTL模块:接受输入的LTL表达式,传递给SPIN。

C编译器调用模块:调用现存的C编译器对模型检验器的C源代码进行编译,生成可执行的模型检验器。本工具使用gcc编译器。

交互模拟控制模块:对于交互模拟,以动态窗口的形式将可选项呈现给用户,方便用户的选择和执行。

结果显示模块:获取SPIN进行语法检查、模拟和验证的结果,并以适当的格式将结果显示出来,还要调用显示PS文件中的进程运行交互图。

SPIN:模型检验工具SPIN的内核,包括LTL解析和转换、核心算法等模块。

2.2 系统关键技术

整个系统基于VC++6.0开发,在开发过程中涉及到的关键技术点如下:

SDL/PR到Promela的转换。由于构建单独面向SDL/PR的模型检验工具需要较大代价,本文根据SDL./PR同Promela语义之间的相似性,基于词法和语法分析工具Lex&Yacc构建了翻译器SDL2PromelaTranslator.exe。这次转换只涉及日常建模中常用的SDL元素,并没有把ITU-T Z.100中对SDL的全部定义进行转换。

进程调用的实现。在工具使用过程中,要调用SPIN进行语法检查、模拟和验证等操作,调用SDL2PromelaTranslator来进行SDL PR到Promela的自动转换。均采用进程调用的方法实现,具体使用WIN32API函数CreateProcess创建一个新的进程和它的主线程,这个新进程运行指定的SPIN可执行文件。如下:

CreateProcess(NULL,CommandLine.GetBuffer(1),NULL,NULL,TRUE,NULL,NULL,NULL,&sinfo,&pinfo)

在具体的编程过程中,我们将调用SPIN的功能封装为一个类模块,提供调用SPIN的方法SPINRun(CString CommandLine CString*ResultStr),CommandLine即是存储进程命令参数的输入,*ResultStr则用来存储返回的运行结果。

管道技术的应用。管道是进程通信中使用的共享内存的一部分。在调用SPIN过程中,要进行相关的命令参数输入,也要收集其分析与验证的运行结果,即要实现主进程与SPIN之间的数据交换。由于我们的主程序和SPIN之间存在亲属关系,因此使用匿名管道即可实现数据交换。需要创建两个匿名管道,一个管道用于主程序向SPIN进行命令参数的输入,另一个管道用于主程序从SPIN获取运行结果。用CreatePipe函数创建一个匿名管道,返回两个句柄:管道读句柄和管道写句柄。如下:

第一个管道是用于输入的管道,hInReadPipe和hInWritePipe分别为管道读句柄和管道写句柄。第二个管道是用于接收输出的管道,h OutReadPipe和hOutWritePipe分别是管道读句柄和管道写句柄。在进程调用的实现中提到,CreateProcess的参数sinfo是指向一个用于决定新进程的主窗体如何显示的STARTUPINFO结构体,在这个结构体中,可以设定进程的读写句柄。如下:

通过上面的设定,当调用SPIN时,参数sinfo就指定SPIN从hInReadPipe读数据,将运行结果输出到hOutWritePipe。

交互模拟的实现。调用SPIN进行交互模拟是其重要的工作模式之一。在命令行下使用SPIN,其交互模拟的方式是呈现用户一些选择项,用户输入其中一个选项编号,SPIN则根据用户选择的路径继续执行,直至完成模拟工作。为了使用户更加方便、高效地使用交互模拟进行模型的分析与验证,我们采用动态窗口技术,将当前的可选项分别用一个按钮表示,并全部显示到一个动态窗口中,用户可以通过点击按钮,方便地进行路径的选择和结束模拟,有效地控制了交互模拟运行。

PS文件的显示。在SPIN的模拟运行过程中,可以通过参数“-M”来生成交互序列图的PS格式文件,PS文件记录了Promela中各进程的运行及与其它进程之间的交互情况。我们基于现有的gsdll32动态库,通过调用其相关方法,可以实现模拟过程中的交互序列图调用显示。

2.3 系统设计与实现

系统的具体设计如图4所示。

如图所示,SSMC Tool主界面分为6个区域:

1)菜单区:包括包括“文件”、“编辑”、“转换”、“设置”、“运行”和“帮助”六个菜单项。其中,“文件”项的功能是打开SDL/PR文件,并对转换生成的Promela进行保存、另存为等操作;“编辑”提供常见的复制、剪切、粘贴等文本操作功能;“转换”项功能调用SDL2PromelaTranslator.exe对SDL/PR进行转换,转换结果显示在Promela源码显示区;“设置”、“运行”是调用模型检验器SPIN核心功能的图形接口。

2)工具栏区:工具栏区的一系列图标是菜单区每个下拉菜单中重要功能的快捷方式。

3)SDL/PR显示区:这一区域用来显示打开的SDL/PR文件,图中显示的是本文中游戏系统的SDL/PR部分源码。

4)Promela源码显示区:这一区域负责显示由SDL/PR自动转换而得的Promela源码,并可以对其进行二次编辑,图中为生成的部分源码。

5)LTL公式编辑区:用来输入描述系统性质的线性时序逻辑公式,对于公式中符号的定义要在Promela模型中手工添加。

6)结果显示区:这一区域负责显示软件的运行输出,图中显示的是文献[6]中猜谜游戏系统的分析验证结果。

SMCC Tool具备生成的测试用例与原系统的交互模拟功能,便于测试人员在模拟过程中跟踪测试用例的执行情况,如图5所示。

3 结束语

SDL作为一种图形化和形式化兼备的建模语言,正在得到愈加广泛的应用。本文研究了其形式化语义同Promela的转换关系,并据此设计和实现了一个基于SPIN内核的组件化SDL模型检验工具SMCC Tool。可实现SDL/PR模型到Promela模型的自动转换;可方便调用SPIN对SDL模型进行分析与验证。目前该工具尽支持部分常用SDL元素,增强对SDL负责模型的支持是下一步的研究重点,同时,将模型检验与软件测试相结合[7]也是值得研究的方向。

参考文献

[1]ITU-T Z.100,Specification and Description Language(SDL)[S].

[2]Holzmann G J.The Model Checker SPIN[C].IEEE TRANSAC-TIONS ON SOFTWARE ENGINEERING,1997,23(5).

[3]林惠民,张文辉.模型检测:理论,方法与应用[J].电子学报,2002,30(12):1907-1912.

[4]宋茂强.通信软件设计基础[M].2版.北京:北京邮电大学出版社,2008:166.

[5]Parser Generator Homepage[EB/OL].(2009-02-14).http://www.bumblebeesoftware.com/index.htm.

[6]Chang Chee-Kane.An Introduction to SDL[EB/OL].http://www.chu.edu.tw/～lhyen/files/cpe/IntroSDL.pdf.