油价属于正态分布吗吗_油价的价格构成

1.实证研究方法

2.实证研究结果讨论

3.国际石油市场风险度量及其溢出效应检验方法

4.自动驾驶技术基本知识介绍

5.实证结果分析与讨论

6.一分钟经理人的作品目录

实证研究方法

为了全面认识国际原油市场与美元汇率市场之间的互动关系，尤其是准确判断美元汇率变化对国际油价起伏的影响程度，进而为预测未来油价变化甚至宏观经济走势提供支持，本节将着重从价格长期变化、价格波动幅度及市场风险传递等3个角度，实证研究两个市场之间的密切关系。

4.5.1.1 石油市场与美元汇率市场之间的均值溢出效应检验

从经济含义上讲，两个市场之间的均值溢出效应指的是一个市场的价格不仅受到其前期价格的影响，还可能受到其他市场前期价格的影响。长期而言，美元汇率的变化对国际原油价格变化的影响是否显著，是否有助于预测其未来的走势，均值溢出效应检验可以较好地回答这种诉求。

均值溢出效应是从VaR模型的角度而言的，即条件一阶矩的Granger因果关系检验。因此，可以通过建立VaR模型，按照AIC值最小的原则，选择最佳的滞后阶数，然后通过普通线性Granger因果检验方法判断国际油价与美元汇率之间的均值溢出效应。具体方法是，若以X 表示美元汇率，Y表示国际油价，对双变量回归方程（式4.20）中的Sj=0（j=1,2，…，m）（原假设）进行假设检验。如果拒绝该原假设，则认为美元汇率变化是国际油价起伏的Granger原因；同理，也可以判断国际油价起伏是否是美元汇率变化的Granger原因。其中m为最大滞后阶数。

国外油气与矿产资源利用风险评价与决策支持技术

4.5.1.2 石油市场与美元汇率市场之间的波动溢出效应检验

波动溢出效应指的是不同市场的价格波动之间可能存在相互影响，某一市场价格波动程度不但受自身前期波动程度的影响，而且还可能受其他市场价格波动程度的制约，即价格波动信息会从一个市场传递到另一个市场。市场瞬息万变，石油市场与金融市场之间的密切联系早已引起各界关注，而美元汇率交易价格的波动是否会传递到国际原油市场，这是波动溢出效应检验的目的所在。

我们采用ARCH 类模型检验和度量波动溢出效应。GARCH模型是在Engle（1982）提出的ARCH模型基础上发展起来的，其基本形式为

国外油气与矿产资源利用风险评价与决策支持技术

式中：Yt为国际油价或美元汇率；Xt为由解释变量构成的列向量；θ为系数列向量；ht为残差的异方差。

同时，由于价格序列的波动通常存在杠杆效应，即价格上涨和下跌导致的序列波动程度不对称。为此，本节引入TGARCH模型来描述这种现象。TGARCH模型最先由Zakoian（1994）提出，其条件方差为

国外油气与矿产资源利用风险评价与决策支持技术

式中：dt-1为名义变量：εt-1﹤0,dt-1=1；否则，d1,t=0；其他参数的约束与GARCH模型相同。

由于引入了dt-1，因此价格上涨信息（εt-1﹥0）和下跌信息（εt-1﹤0）对条件方差的作用效果出现了差异。上涨时 其影响程度可用系数 表示；下跌时的影响程度为 。简言之，若Ψ≠0，则表示信息作用是非对称的。

按照AIC值最小的准则，我们发现分别采用TGARCH（1,1）和GARCH（1,1）模型拟合国际油价和美元汇率是最佳选择。在这种情况下考虑波动溢出效应，根据Lin和Tamvakis（2001）和Hammoudeh等（2003）在研究不同石油市场之间的互动关系时提供的波动溢出效应检验方法，可构造出以下方程：

国外油气与矿产资源利用风险评价与决策支持技术

式中：hi,t表示第i个市场（国际石油市场与美元汇率市场）第t期的条件方差；αi,0，αi,1，Ψ和βi,1均为（T）GARCH（1,1）模型的系数。

在式4.24和式4.25中，一个市场的滞后条件方差项作为回归项加入另一个市场的条件方差方程中，而γi即为第i个市场溢出项的系数。若溢出项在统计上是显著的，则认为存在相应的波动溢出效应，即一个市场的波动会显著地传递到另一个市场；反之，则不存在显著的波动溢出效应。

4.5.1.3 石油市场与美元汇率市场之间的风险溢出效应检验

两个市场之间的风险溢出效应表示一个市场极端风险的历史信息有助于预测另一个市场现期和未来的极端风险。市场风险规避和控制是市场参与者不得不审慎考虑的问题，石油贸易这样的大宗商品贸易更是如此。由于石油与美元一直相伴而行，使得石油市场与美元汇率市场之间互相渗透，市场风险传递更值得关注。

风险度量对于国际石油市场和美元汇率市场都至关重要。本节引入简便而有效的VaR方法来度量市场风险。VaR 要回答这样的问题：在给定时期内，有x%的可能性，最大的损失是多少？从统计意义上讲，VaR表示序列分布函数的分位数。

VaR 风险值的计算方法很多，但概括起来可以归结为3种，即方差－协方差方法、历史模拟方法和方法。本节采用方差－协方差方法计算国际石油市场和美元汇率市场的VaR风险。在采用方差－协方差方法过程中，考虑到油价和美元汇率序列往往具有尖峰厚尾和非标准正态分布的特征，因此通常所采用的标准正态分布假设可能会低估实际市场风险。为此，本节引入Nelson提出的广义误差分布（GED）来估计GARCH类模型的残差项（Nelson,1990）。

为了考察国际石油市场和美元汇率市场的风险溢出效应，尤其是美元汇率价格风险对石油市场的影响，我们引入Hong（2003）提出的风险－Granger因果关系检验方法。其核心思想是通过VaR建模来刻画随时间变化的极端市场风险，然后运用风险－Granger因果检验的思想来检验一个市场的风险历史信息是否有助于预测另一个市场的风险的发生。

Hong（2003）借助样本互相关函数，提出了基于核权函数的单向和双向风险－Granger因果关系检验统计量。在实际操作中，先检验双向风险－Granger因果关系，如果拒绝原假设（即至少存在一个方向的风险－Granger因果关系），则可以进一步检验单向风险－Granger关系。

实证研究结果讨论

4.5.3.1 基本统计分析

令POt,PEt分别表示第t日WTI国际原油价格和欧元对美元汇率价格，其统计特征如表4.23所示。不难发现，首先，两个价格（汇率也可以看做一种相对价格）序列都是非正态分布的；其次，两个价格序列都存在显著的自相关性和异方差性，因此存在显著的波动集聚性。还有，ADF检验结果表明，在5%的显著性水平下，两个价格序列都是非平稳序列，但都是一阶单整序列。从两者的标准差也可以发现，总体而言油价波动的风险比汇率波动风险要大。

表4.23 国际油价和美元汇率序列的基本统计特征

4.5.3.2 均值溢出效应检验

（1）协整性分析

为了利用长期弹性的概念，我们先对两个价格序列取自然对数，得到两个新的变量1n_PO和1n_PE。由于国际油价和美元汇率序列取自然对数后仍然均是一阶单整序列

检验结果表明，取自然对数以后，两个价格序列仍然是一阶单整的，符合应用协整理论的基本要求。具体统计检验结果可向作者索要。

，根据协整理论，建立回归方程如下：

国外油气与矿产资源利用风险评价与决策支持技术

式中：括号内为相应变量的t统计量值；**表示在1%的显著性水平下显著。采用ADF方法检验回归方程残差项εt的平稳性，结果发现，残差序列在1%的显著性水平下是显著平稳的。因此，我们认为国际油价和美元汇率之间存在长期均衡的协整关系。而从协整回归系数看到，两者之间存在的均衡关系是正向的。并且，国际油价关于欧元对美元汇率的长期弹性系数为1.26，即美元汇率变动1%，国际油价长期来看平均变动1.2607%。可见，两个市场之间的长期互动关系非常显著，因此在分析和预测国际油价长期走势时，美元汇率的变化必须考虑。

（2）跨期互相关检验

尽管国际油价和美元汇率都不是平稳序列，但它们之间存在协整关系，因此符合建立VaR模型的先决条件。而为了确认是否需要采用VaR模型建模，我们先检验国际油价序列和美元汇率序列的跨期互相关性，滞后2阶时，得到跨期互相关系数如表4.24所示。可见，油价和汇率序列之间滞后2期的互相关系数都较大，这说明两个市场的条件均值之间存在显著的引导和滞后关系。因此，建立VaR模型很有必要。

表4.24 国际油价和美元汇率之间的跨期互相关系数

（3）均值溢出效应检验

通过对油价和汇率两个序列建立VaR模型，根据模型的整体AIC值最小准则，求得Granger因果检验的最佳滞后阶数为1，从而得到Granger因果检验结果如表4.25所示。从显著性概率发现，欧元对美元汇率是国际油价波动的Granger原因。而国际油价变化并不是显著引起美元汇率起伏的Granger原因。因此可以认为，存在从美元汇率到国际油价的单向均值溢出效应，即国际油价的变化受前期美元汇率变化的显著影响。

表4.25 油价和汇率的Granger因果检验结果

自2002年起，美元持续贬值，原因非常复杂，其中最根本的原因在于美国政府试图有效拉动出口，缩减贸易赤字。另一方面，受到市场供需、地缘政治和金融市场等因素的综合影响，国际油价自2002年起也连创新高。通过上述均值溢出效应检验，我们可以认为，美元的贬值对国际油价上涨存在显著的推动作用。这是由于原油期货交易主要以美元计价，而美元贬值导致部分外国投资者大量买进原油期货交易合约以获取更高利润，而原油期货价格的走高势必导致现货价格的上扬。当然，这里面也暗含一种长期影响的意义。

与前人采用实际油价和实际汇率计算得到的结果相比，采用名义价格得到的结果表明，尽管从长期而言油价和美元汇率之间仍然存在一种均衡的互动关系，但是相互影响的方向发生了变化。因此可以认为，物价水平一定程度上改变了两个市场之间的长期互动关系。

（4）脉冲响应函数结果分析

在VaR 模型中，脉冲响应函数可用于衡量来自随机扰动项的一个标准差冲击对变量当期和未来取值的影响。基于国际油价与美元汇率建立的脉冲响应函数如图4.27所示。可见，美元汇率一个标准差（对数值为0.1463，对应原始汇率的0.1557）对国际油价的影响是缓慢增加的，在大约1年以后（具体结果为234天）达到最大程度0.00879美元/桶（此为对数值，转换成国际油价为1.0088美元/桶），并趋于平稳减缓；而国际油价的一个标准差（对数值为0.2422美元/桶，对应原始油价为8.3743美元/桶）对美元汇率的影响较为微弱，接近于0。这种结果进一步验证了国际油价和美元汇率之间的单向均值溢出效应。

图4.27 国际油价与美元汇率的脉冲响应函数

a—油价受到冲击后的反应；b—美元汇率受到冲击后的反应

4.5.3.3 波动溢出效应检验

（1）价格序列的GARCH效应分析

从表4.23中看到，两个价格的平方序列均存在显著的序列相关性，即原序列具有显著的波动集聚性，因此我们引入ARCH 类模型刻画这种性质。考虑到序列的自相关性，因此主体模型采用随机游走模型。通过检验残差的ARCH 效应，我们发现，国际油价序列存在显著的高阶ARCH 效应，因此考虑采用GARCH 模型，然后按照AIC值最小的准则，多次尝试，决定采用GARCH（1,1）模型来描述国际油价序列的波动集聚性。另外，考虑到实证研究结果表明油价上涨和下跌带来的价格波动并不对称，因此考虑采用TGARCH 模型，通过模型的AIC 值发现，这样的做法也是合理的。检验TGARCH模型残差的ARCH 效应，发现ARCH 效应已经滤掉，而且，Q（10）和Q2（10）统计量的检验结果也表明模型残差不再存在额外的序列相关性和波动集聚性，这说明TGARCH（1,1）模型对国际原油价格波动特征的拟合效果较好。同理，我们发现GARCH（1,1）模型能较好地刻画欧元对美元汇率的波动集聚性。模型参数估计结果如表4.26所示。

表4.26 国际油价和美元汇率的（T）GARCH模型参数估计结果

需要说明的是，考虑到模型的残差都不服从正态分布，因此我们采用基于GED分布的（T）GARCH模型描述模型残差的尖峰厚尾特征。表4.23结果显示，GED分布的参数均小于2，从而验证了使用（T）GARCH模型对油价和美元汇率序列建模时所得残差项的厚尾特征。

波动模型的参数估计结果表明，国际油价的波动具有显著的不对称性，即杠杆效应。杠杆系数为负，表示相同幅度的油价上涨比油价下跌对以后油价的波动具有更大的影响。具体而言，油价下跌时， 对ht的影响程度α1＋Ψ为0.0219；而油价上涨时，该影响程度α1为0.0688，是油价下跌时的3.1倍左右。产生这种杠杆效应的原因是多方面的，石油的不可再生性是其中最根本的原因，它决定了石油供给者的市场地位明显高于石油需求者。因此，油价上涨会加剧石油短缺的预期，使市场交易者倾向于在当期购买。这种争夺加剧了油价的进一步上扬，加上市场投机因素的推波助澜，促使油价上涨时波动程度格外突出。而油价下跌时，石油生产商减少开采量，石油经销商囤货待售，导致市场供给量降低，油价出现回升，阻碍了其进一步下挫。可见，石油市场多空双方的不对称地位决定了供给不足时油价的上涨幅度要大于供给过剩时油价的下跌幅度，从而造成了石油市场的上述杠杆效应。

从波动模型也可以发现，美元汇率的波动存在显著的GARCH 效应。方差方程中 与h t-1前的系数之和α1＋β1刻画了波动冲击的衰减速度；其值越靠近1，则衰减速度越慢。在本节的GARCH（1,1）模型中，该系数之和为0.9872，说明美元汇率具有有限方差，即属于弱平稳过程。美元汇率的波动最终会衰减，但可能会持续较长时间。其中ht-1前的系数为0.9533，表示当期方差冲击的95.33%在下一期仍然存在，因此半衰期为14天。

（2）波动溢出效应检验

按照前文的波动溢出效应检验模型，得到国际油价与美元汇率之间波动溢出效应估计结果，如表4.27所示。我们发现，从统计上讲，国际油价和美元汇率的y系数都不显著。可见，尽管国际油价和美元汇率之间存在长期均衡的协整关系，也有显著的单向均值溢出效应；但是它们之间的波动溢出效应并不显著，即双方的价格波动信息具有一定的独立性，价格波动程度的大小不会显著互相传递。这也表明，从价格波动态势的角度讲，美元汇率对国际油价的影响相当薄弱。

表4.27 国际油价与美元汇率的波动溢出效应检验结果

4.5.3.4 风险溢出效应检验

市场有波动不代表一定有风险，因此风险溢出效应是波动溢出效应的一种拓展。按照VaR的计算思路，本节采用国际油价分布函数的左分位数来度量油价下跌的风险，表示由于油价大幅度下跌而导致的原油生产者销售收入的减少；而采用分布函数的右分位数来度量油价上涨的风险，表示油价大幅度上涨而导致的原油采购者的额外支出。这种全面考虑市场风险的思路同样适用于美元汇率市场。就本节采用的欧元对美元汇率而言，汇率的涨跌将在多个方面给国际汇率市场的不同主体产生不同的风险。比如就发生在美国本土的国际进出口贸易而言，汇率下降表示美元升值，美国出口商和欧元区的进口商将面临较大风险；汇率上升表示美元贬值，则美国进口商和欧元区的出口商就可能面临明显的市场风险；而就石油美元而言，美元升值，将额外增加石油进口国（如欧元区）的开销；美元贬值，又会给主要石油出口国（如OPEC）的石油销售收入形成阻碍。

综上所述，石油市场和美元汇率市场都需要同时度量价格下跌和上涨的风险，从而为市场不同参与主体提供决策支持。本节将采用上述基于GED分布的TGARCH（1,1）模型和GARCH（1,1）模型，按照方差－协方差方法来分别度量国际油价和美元汇率在价格上涨和下跌时的VaR 风险值，并检验两个市场之间的风险溢出效应。

（1）GED分布的分位数确定

根据GED分布的概率密度函数，使用MATLAB编程，经过多次数值测算，求出GED分布在本节所得自由度下的分位数（表4.28）。表中结果显示，95%的分位数与正态分布的1.645基本相同，但99%的分位数却明显大于正态分布的2.326，这也表明国际油价和美元汇率价格都具有严重的厚尾特征。

表4.28 国际油价和美元汇率价格的GED分布参数及分位数

（2）基于GED－（T）GARCH模型的VaR风险值计算

根据上述VaR 风险的含义，按照方差－协方差方法，我们得到以下两个计算VaR风险的公式。价格上涨风险的VaR值计算公式为：

国外油气与矿产资源利用风险评价与决策支持技术

式中：μm,t为第m个市场第t日价格的条件均值（即实际值与残差的差），zm,a为第m个市场中（T）GARCH（1,1）模型的残差所服从的GED分布的右分位数；hm,t为第m个市场价格的异方差。

同理，得到价格下跌风险的VaR值计算公式为

国外油气与矿产资源利用风险评价与决策支持技术

基于上述计算公式，本节计算了在95%和99%的置信度下，国际油价和美元汇率的上涨风险和下跌风险。经过LR检验（Kupiec,1995），我们发现VaR 风险的结果是可靠和可行的。

（3）风险溢出效应检验

得到国际油价和美元汇率价格上涨和下跌时的VaR风险值之后，我们根据Hong（2003）提出的风险－Granger因果检验方法，构造相应的统计量Q1（M）和Q2（M），并通过M ATLA B编程求出统计量的值及其显著性概率，从而检验石油市场和美元汇率市场之间的双向和单向风险溢出效应。计算结果如表4.29所示，其中M分别取10,20和30。

从风险检验结果看到，从下跌风险角度（即油价下跌，美元升值）看，国际石油价格与美元汇率之间存在双向风险溢出效应，进一步检验单向风险溢出效应，发现在95%的置信度下，存在从美元汇率市场到国际石油市场的风险溢出，而并不存在从国际石油市场到美元汇率市场的风险溢出效应。可见，美元汇率升值的风险对国际油价下跌的风险影响显著。而在99%的置信度下，国际油价和美元汇率之间并不存在任何方向的风险溢出效应。因此可以认为，就下跌风险而言，两个市场之间的风险溢出效应比较有限，当准确性要求提高到一定程度时，美元汇率升值对油价下跌的风险影响可以忽略。

表4.29 国际油价与美元汇率价格风险溢出效应检验结果

另一方面，从上涨风险角度（即油价上涨，美元贬值）看，不管是在95%还是99%的置信度下，两个市场之间都不存在任何方向的风险溢出效应。可见，近些年来，虽然美元总体上持续贬值，但就市场风险而言，这种贬值并未给国际原油价格的上涨风险带来显著的推动作用。换言之，尽管国际油价高企导致国际石油市场的主要采购者（如中国和印度）的购油额外支出明显增加，但美元持续贬值并不是这些国家支出增加的显著原因。

总体而言，我们需要特别关注美元升值对国际油价走低的风险作用，采取积极手段，有效规避市场风险。近些年来，尽管从每日交易的角度而言，美元汇率时有涨落。但总体而言，美元贬值是大趋势，欧元对美元汇率连创历史新高，这种趋势并没有给油价上涨风险产生显著的影响。因此，在这种大环境下，对市场交易者而言，风险溢出效应的实证结果是一个满意的信号。

国际石油市场风险度量及其溢出效应检验方法

4.4.1.1 基于GED分布的GARCH-VaR模型

在对油价收益率序列建模时，往往发现收益率的波动具有集聚性。为了刻画时间序列的波动集聚性，Engle（1982）提出了ARCH 模型。而在ARCH 模型的阶数很高时，Bollerslev（1986）提出采用广义的ARCH 模型即GARCH 模型来描述波动集聚性。

GARCH模型的形式为

国外油气与矿产资源利用风险评价与决策支持技术

式中：Yt为油价收益率；Xt为由解释变量构成的列向量；β为系数列向量。

国外油气与矿产资源利用风险评价与决策支持技术

事实上，GARCH（p,q）模型等价于ARCH（p）模型趋于无穷大时的情况，但待估参数却大为减少，因此使用起来更加方便而有效。

同时，由于油价收益率序列的波动通常存在杠杆效应，即收益率上涨和下跌导致的序列波动程度不对称，为此本节引入TGARCH模型来描述这种现象。TGARCH模型最先由Zakoian（1994）提出，其条件方差为

国外油气与矿产资源利用风险评价与决策支持技术

式中：dt-1为名义变量：εt-1﹤0,dt-1=1；否则，dt-1=0，其他参数的约束与GARCH模型相同。

由于引入了dt-1，因此油价收益率上涨信息（εt-1﹥0）和下跌信息（εt-1﹤0）对条件方差的作用效果出现了差异。上涨时， 其影响程度可用系数 表示；而下跌时的影响程度为 。简言之，若Ψ≠0，则表示信息作用是非对称的。

在关注石油市场的波动集聚性及杠杆效应的基础之上，进一步计算和监控石油市场的极端风险同样是非常重要的。而监控极端市场风险及其溢出效应的关键在于如何度量风险，为此，本节将引入简便而有效的VaR 方法。VaR（Value-at-Risk）经常称为风险值或在险值，表示在一定的持有期内，一定的置信度下可能的最大损失。VaR 要回答这样的问题：在给定时期内，有x%的可能性，最大的损失是多少？

从统计意义上讲，VaR表示序列分布函数的分位数。本节采用国际油价收益率的分布函数的左分位数来度量油价下跌的风险，表示由于油价大幅度下跌而导致的石油生产者销售收入的减少；而采用分布函数的右分位数来度量油价上涨的风险，表示油价大幅度上涨而导致的石油采购者的额外支出。这种思路，一方面推进了一般金融市场仅仅分析价格下跌风险的做法；另一方面，也针对石油市场的特殊情况，更加全面地度量了市场风险，从而为从整体上认识石油市场，判断市场收益率的未来走向奠定了基础。

VaR风险值的计算方法很多，能够适用于不同的市场条件、数据水平和精度要求。概括而言，可以归结为3种：方差－协方差方法、历史模拟方法和方法。本节采用方差－协方差方法计算国际石油市场的VaR 风险。在采用方差－协方差方法的过程中，估计VaR模型的参数是至关重要的。常用的参数估计方法包括GARCH 模型和J.P.摩根的Risk Metrics方法。由于后者假设价格序列服从独立异方差的正态分布，而且不能细致描述价格波动的某些特征（如杠杆效应），因此相对而言，前者更受青睐。但是，使用GARCH模型估计VaR时，选择残差项的分布是一个非常重要的问题。考虑到油价收益率序列具有尖峰厚尾和非正态分布的特征，因此直接采用正态分布的假设往往会低估风险。为此，本节引入Nelson（1990）提出的广义误差分布（GED）来估计GARCH模型的残差项。其概率密度函数为

国外油气与矿产资源利用风险评价与决策支持技术

式中： Г（·）为gamma函数；k为GED分布参数，也称作自由度，它控制着分布尾部的薄厚程度，k=2表示GED分布退化为标准正态分布；k﹥2表示尾部比正态分布更薄；而k﹤2表示尾部比正态分布更厚。可见GED分布是一种复杂而综合的分布。实际上，也正是由于GED分布在描述油价收益率分布的厚尾方面具有独特的优势，因此本节引入基于GED分布的GARCH模型来估计国际石油市场收益率上涨和下跌时的VaR。

计算出石油市场的VaR风险值之后，为了给有关方面提供准确可靠的决策支持，有必要对计算结果进行检验，以判断所建立的VaR模型是否充分估计了市场的实际风险。为此，本节将采用Kupiec提出的检验方法来检验VaR模型的充分性和可靠性。该方法的核心思想是：假设计算VaR的置信度为1－α，样本容量为T，而失效天数为Ⅳ，则失效频率f＝Ⅳ/T。这样对VaR 模型准确性的评估就转化为检验失效频率f是否显著不同于α。基于这种思想，Kupiec提出了对原假设f＝а的最合适的似然比率检验：在原假设下，统计量LR服从自由度为1的X2分布，95%和99%置信度下的临界值分别为3.84和6.64。根据x2分布的定义，如果估计值LR大于临界值，就拒绝原假设，即认为估计的VaR模型是不充分的。

国外油气与矿产资源利用风险评价与决策支持技术

4.4.1.2 基于核权函数的风险溢出效应检验方法

本节将采用Hong（2003）提出的风险－Granger因果关系检验方法检验WTI和Brent原油市场的风险溢出效应。该方法的核心思想是通过VaR 建模来刻画随着时间变化的极端风险，然后运用Granger因果检验的思想来检验一个市场的大风险历史信息是否有助于预测另一个市场的大风险的发生。

首先，定义基于VaR的风险指标函数。以下跌风险为例：

Zm,t=I（Ym,t﹤－VaRm,t）（m=1,2）　（4.11）

式中：I（·）为指标函数。当实际损失超过VaR时，风险指标函数取值为1，否则为0。

如果检验市场2是否对市场1产生了单向的风险溢出，则原假设为H0:E（Z1,t∣I1,t-1）＝E（Z1,t∣It-1），而备择假设为HA:E（Z1,t∣I1,t-1）≠E（Z1,t∣It-1），其中It-1={Ym,t-1,Ym,t-2，…），表示t-1时刻可以获得的信息集。通过这种转换，｛ Y1,t｝和｛Y2,t｝之间的风险－Granger因果关系就可以看成是｛Z1,t｝和｛Z2,t｝之间的均值－Granger因果关系，即计量经济学模型中广泛使用的Granger因果关系。

如果Ho成立，即市场2 对市场1不存在单向的风险－Granger因果关系，则表示Cov（Z1,t,Z2,t-j）＝0, j﹥0。如果对某一阶j﹥0，有Cov（Z1,t,Z2,t-j）≠0，则表明存在风险－G ranger因果关系。换言之，当一个市场发生大的风险时，我们能用这个信息去预测另一个市场未来可能发生同样风险的可能性。

现在设VaRm,t=VaRm（Im,t-1，α），m=1,2是市场m在风险水平（即显著性水平）α下得到的VaR序列，本节引入基于GED分布的GARCH 模型，并利用方差－协方差方法得到该序列。设有T个随机样本 并令Zm,t=I（Ym,t﹤－VaRm,t），m=1,2，则定义Z1,t和Z2,t之间的样本互协方差函数（CCF）为

国外油气与矿产资源利用风险评价与决策支持技术

式中： 。而Z1,t和Z2,t的样本互相关函数为

国外油气与矿产资源利用风险评价与决策支持技术

式中： 是Zm,t的样本方差；j=0，±1，…，±（T-1）。

然后，Hong（2003）提出了基于核权函数的单向风险－Granger因果关系检验统计量：

国外油气与矿产资源利用风险评价与决策支持技术

式中：中心因子和尺度因子分别为

国外油气与矿产资源利用风险评价与决策支持技术

式中k（·）为核权函数，而且H ong（2003）证明了Daniell核权函数k（z）＝sin（π）z/π ,z∈（－∞，＋∞）是最优的核权函数，能够最大化检验效力。该核权函数的定义域是无界的，此时可把M 看作是有效滞后截尾阶数；而且当M 较大时，Q1（M）能够更加有效地检测出风险溢出效应的时滞现象。

Hong（2003）同时给出了检验双向风险－Granger因果关系的统计量，其原假设为两个市场之间任何一个市场均不G ranger－引起另一个市场的极端风险，并且两个市场之间不存在任何即时风险溢出效应。这表示对于任意阶j=0，±1，±2，…，均有Cov（Z1,t,Z2,t-j）＝0。为了检验该原假设，Hong（2003）提出了如下的统计量：

国外油气与矿产资源利用风险评价与决策支持技术

式中：中心因子和尺度因子分别为

国外油气与矿产资源利用风险评价与决策支持技术

原假设成立时，Q1（M）和Q2（M）在大样本条件下均服从渐近的标准正态分布。而且，Hong（2003）指出，运用这两个统计量时，应该使用标准正态分布的右侧临界值。

自动驾驶技术基本知识介绍

自动驾驶车，是一种无须人工干预而能够感知其周边环境和导航的车辆。它利用了包括雷达、激光、超声波、GPS、里程计、计算机视觉等多种技术来感知其周边环境，通过先进的计算和控制系统，来识别障碍物和各种标识牌，规划合适的路径来控制车辆行驶。

美国汽车工程师协会（SAE，Society of Automotive Engineers），则将自动驾驶划分为 0~5 共六级。

Level 0：无自动化（No Automation）

没有任何自动驾驶功能或技术，人类驾驶员对汽车所有功能拥有绝对控制权。驾驶员需要负责转向、加速、制动和观察道路状况。任何驾驶辅助技术，例如现有的前向碰撞预警、车道偏离预警，以及自动雨刷和自动前灯控制等，虽然有一定的智能化，但是仍需要人来控制车辆，所以都仍属于 Level 0。

Level 1：驾驶辅助（Driver Assistance）

驾驶员仍然对行车安全负责，不过可以授权部分控制权给系统管理，某些功能可以自动进行，比如常见的自适应巡航（Adaptive Cruise Control，ACC）、应急刹车辅助（Emergency Brake Assist，EBA）和车道保持（Lane-Keep Support，LKS）。Level 1 的特点是只有单一功能，驾驶员无法做到手和脚同时不操控。

Level 2：部分自动化（Partial Automation）

人类驾驶员和汽车来分享控制权，驾驶员在某些预设环境下可以不操作汽车，即手脚同时离开控制，但驾驶员仍需要随时待命，对驾驶安全负责，并随时准备在短时间内接管汽车驾驶权。比如结合了 ACC 和 LKS 形成的跟车功能。Level 2 的核心不在于要有两个以上的功能，而在于驾驶员可以不再作为主要操作者。

Level 3：有条件自动化（Conditional Automation）

在有限情况下实现自动控制，比如在预设的路段（如高速和人流较少的城市路段），汽车自动驾驶可以完全负责整个车辆的操控，但是当遇到紧急情况，驾驶员仍需要在某些时候接管汽车，但有足够的预警时间，如即将进入修路的路段（Road work ahead）。Level 3 将解放驾驶员，即对行车安全不再负责，不必监视道路状况。

Level 4：高度自动化（High Automation）

自动驾驶在特定的道路条件下可以高度自动化，比如封闭的园区、高速公路、城市道路或固定的行车线路等，这这些受限的条件下，人类驾驶员可以全程不用干预。

Level 5：完全自动化（Full Automation）

对行车环境不加限制，可以自动地应对各种复杂的交通状况和道路环境等，在无须人协助的情况下由出发地驶向目的地，仅需起点和终点信息，汽车将全程负责行车安全，并完全不依赖驾驶员干涉，且不受特定道路的限制。

注释：DDT(Dynamic driving task):动态驾驶任务，指汽车在道路上行驶所需的所有实时操作和策略上的功能，不包括行程安排、目的地和途径地的选择等战略上的功能。

无人驾驶系统的核心可以概述为三个部分：感知（Perception），规划（Planning）和控制（Control），这些部分的交互以及其与车辆硬件、其他车辆的交互可以用下图表示：

感知是指无人驾驶系统从环境中收集信息并从中提取相关知识的能力。其中，环境感知（Environmental Perception）特指对于环境的场景理解能力，例如障碍物的位置，道路标志/标记的检测，行人车辆的检测等数据的语义分类。 一般来说，定位（Localization）也是感知的一部分，定位是无人车确定其相对于环境的位置的能力。

为了确保无人车对环境的理解和把握，无人驾驶系统的环境感知部分通常需要获取周围环境的大量信息，具体来说包括：障碍物的位置，速度以及可能的行为，可行驶的区域，交通规则等等。无人车通常是通过融合激光雷达（Lidar），相机（Camera），毫米波雷达（Millimeter Wave Radar）等多种传感器的数据来获取这些信息。

车载雷达传感器功能及优缺点各有不同，相关比较如下表所示：

激光雷达 是一类使用激光进行探测和测距的设备，它能够每秒钟向环境发送数百万光脉冲，它的内部是一种旋转的结构，这使得激光雷达能够实时的建立起周围环境的3维地图。

通常来说，激光雷达以10Hz左右的速度对周围环境进行旋转扫描，其扫描一次的结果为密集的点构成的3维图，每个点具备（x,y,z）信息，这个图被称为点云图（Point Cloud Graph），如下图所示，是使用Velodyne VLP-32c激光雷达建立的一个点云地图：

激光雷达因其可靠性目前仍是无人驾驶系统中最重要的传感器，然而，在现实使用中，激光雷达并不是完美的，往往存在点云过于稀疏，甚至丢失部分点的问题，对于不规则的物体表面，使用激光雷达很难辨别其模式，另一个比较大的挑战是一个比较大的挑战是激光雷达感知范围比较近，感知范围平均在 150m 左右，这取决于环境和障碍物的不同。激光雷达在角分辨度上也远远不及照相机。激光雷达对环境的敏感度也是比较大的，例如雨天中，车辆行驶中溅起来的水花，在激光雷达上都是有噪点的。

毫米波雷达 通过发射电磁波并通过检测回波来探测目标的有无、距离、速度和方位。由于毫米波雷达技术相对成熟，成本较低，并且在不良天气下表现良好，因此成为感知设备中重要的一环。但由于其分辨率较低，因此不能作为激光雷达的替代品，而是激光雷达的重要补充设备。

摄像机 根据镜头和布置方式的不同主要有以下四种：单目摄像机、双目摄像机、三目摄像机和环视摄像机。

单目摄像机 模组只包含一个摄像机和一个镜头。由于很多图像算法的研究都是基于单目摄像机开发的，因此相对于其他类别的摄像机，单目摄像机的算法成熟度更高。但是单目有着两个先天的缺陷。一是它的视野完全取决于镜头。焦距短的镜头，视野广，但缺失远处的信息。反之亦然。因此单目摄像机一般选用适中焦距的镜头。二是单目测距的精度较低。摄像机的成像图是透视图，即越远的物体成像越小。近处的物体，需要用几百甚至上千个像素点描述；而处于远处的同一物体，可能只需要几个像素点即可描述出来。这种特性会导致，越远的地方，一个像素点代表的距离越大，因此对单目来说物体越远，测距的精度越低。

双目摄像机 由于单目测距存在缺陷，双目摄像机应运而生。相近的两个摄像机拍摄物体时，会得到同一物体在摄像机的成像平面的像素偏移量。有了像素偏移量、相机焦距和两个摄像机的实际距离这些信息，根据数学换算即可得到物体的距离。虽然双目能得到较高精度的测距结果和提供图像分割的能力，但是它与单目一样，镜头的视野完全依赖于镜头。而且双目测距原理对两个镜头的安装位置和距离要求较多，这就会给相机的标定带来麻烦。

三目摄像机 由于单目和双目都存在某些缺陷，因此广泛应用于无人驾驶的摄像机方案为三目摄像机。三目摄像机其实就是三个不同焦距单目摄像机的组合。根据焦距不同，每个摄像机所感知的范围也不尽相同。对摄像机来说，感知的范围要么损失视野，要么损失距离。三目摄像机能较好地弥补感知范围的问题。因此在业界被广泛应用。正是由于三目摄像机每个相机的视野不同，因此近处的测距交给宽视野摄像头，中距离的测距交给主视野摄像头，更远的测距交给窄视野摄像头。这样一来每个摄像机都能发挥其最大优势。三目的缺点是需要同时标定三个摄像机，因而工作量更大。其次软件部分需要关联三个摄像机的数据，对算法要求也很高。

环视摄像机， 之前提到的三款摄像机它们所用的镜头都是非鱼眼的，环视摄像机的镜头是鱼眼镜头，而且安装位置是朝向地面的。某些高配车型上会有“360°全景显示”功能，所用到的就是环视摄像机。安装于车辆前方、车辆左右后视镜下和车辆后方的四个鱼眼镜头采集图像，鱼眼摄像机为了获取足够大的视野，代价是图像的畸变严重。环视摄像机的感知范围并不大，主要用于车身5~10米内的障碍物检测、自主泊车时的库位线识别等。

为了理解点云信息，通常来说，我们对点云数据进行两步操作：分割（Segmentation）和分类（Classification）。其中，分割是为了将点云图中离散的点聚类成若干个整体，而分类则是区分出这些整体属于哪一个类别（比如说行人，车辆以及障碍物）。分割算法可以被分类如下几类：

在完成了点云的目标分割以后，分割出来的目标需要被正确的分类，在这个环节，一般使用机器学习中的分类算法，如支持向量机（Support Vector Machine，SVM）对聚类的特征进行分类，最近几年由于深度学习的发展，业界开始使用特别设计的卷积神经网络（Convolutional Neural Network，CNN）对三维的点云聚类进行分类。

实践中不论是提取特征-SVM的方法还是原始点云-CNN的方法，由于激光雷达点云本身解析度低的原因，对于反射点稀疏的目标（比如说行人），基于点云的分类并不可靠，所以在实践中，我们往往融合雷达和相机传感器，利用相机的高分辨率来对目标进行分类，利用Lidar的可靠性对障碍物检测和测距，融合两者的优点完成环境感知。

无人驾驶系统中，我们通常使用图像视觉来完成道路的检测和道路上目标的检测。道路的检测包含对道路线的检测（Lane Detection），可行驶区域的检测（Drivable Area Detection）；道路上路标的检测包含对其他车辆的检测（Vehicle Detection），行人检测（Pedestrian Detection），交通标志和信号的检测（Traffic Sign Detection）等所有交通参与者的检测和分类。

车道线的检测涉及两个方面： 第一是识别出车道线，对于弯曲的车道线，能够计算出其曲率，第二是确定车辆自身相对于车道线的偏移（即无人车自身在车道线的哪个位置） 。一种方法是抽取一些车道的特征，包括边缘特征（通常是求梯度，如索贝尔算子），车道线的颜色特征等，使用多项式拟合我们认为可能是车道线的像素，然后基于多项式以及当前相机在车上挂载的位置确定前方车道线的曲率和车辆相对于车道的偏离。

可行驶区域的检测目前的一种做法是采用深度神经网络直接对场景进行分割，即通过训练一个逐像素分类的深度神经网络，完成对图像中可行驶区域的切割。

交通参与者的检测和分类目前主要依赖于深度学习模型，常用的模型包括两类：

传感器层将数据以一帧帧、固定频率发送给下游，但下游是无法拿每帧的数据去进行决策或者融合的。因为传感器的状态不是100%有效的，如果仅根据某一帧的信号去判定前方是否有障碍物(有可能是传感器误检了)，对下游决策来说是极不负责任的。因此上游需要对信息做预处理，以保证车辆前方的障得物在时间维度上是一直存在的， 而不是一闪而过。

这里就会使用到智能驾驶领域经常使用到的一个算法 卡尔曼滤波。

卡尔曼滤波（Kalman filter） 是一种高效率的递归滤波器（自回归滤波器），它能够从一系列的不完全及包含噪声的测量中，估计动态系统的状态。卡尔曼滤波会根据各测量量在不同时间下的值，考虑各时间下的联合分布，再产生对未知变数的估计，因此会比只以单一测量量为基础的估计方式要准。

卡尔曼滤波在技术领域有许多的应用。常见的有飞机及太空船的导引、导航及控制。卡尔曼滤波也广为使用在时间序列的分析中，例如信号处理及计量经济学中。卡尔曼滤波也是机器人运动规划及控制的重要主题之一，有时也包括在轨迹最佳化。卡尔曼滤波也用在中轴神经系统运动控制的建模中。因为从给与运动命令到收到感觉神经的回授之间有时间差，使用卡尔曼滤波有助于建立符合实际的系统，估计运动系统的目前状态，并且更新命令。

信息融合是指把相同属性的信息进行多合一操作。

比如摄像机检测到了车辆正前方有一个障碍物，毫米波也检测到车辆前方有一个障碍物，激光雷达也检测到前方有一个障碍物，而实际上前方只有一个障碍物，所以我们要做的是把多传感器下这辆车的信息进行一次融合，以此告诉下游，前面有辆车，而不是三辆车。

坐标转换在自动驾驶领域十分重要。

传感器是安装在不同地方的比如超声波雷达(假如当车辆右方有一个障碍物，距离这个超声波雷达有3米，那么我们就认为这个障碍物距离车有3米吗?并不一定，因为决策控制层做车辆运动规划时，是在车体坐标系下做的(车体坐标系-般以后轴中心为O点)所以最终所有传感器的信息，都是需要转移到自车坐标系下的。因此感知层拿到3m的障碍物位置信息后，必须将该章碍物的位置信息转移到自车坐标系下，才能供规划决策使用。 同理，摄像机一般安装在挡风玻璃下面，拿到的数据也是基于摄像机坐标系的，给下游的数据，同样需要转换到自车坐标系下。

在无人车感知层面，定位的重要性不言而喻，无人车需要知道自己相对于环境的一个确切位置，这里的定位不能存在超过10cm的误差，试想一下，如果我们的无人车定位误差在30厘米，那么这将是一辆非常危险的无人车（无论是对行人还是乘客而言），因为无人驾驶的规划和执行层并不知道它存在30厘米的误差，它们仍然按照定位精准的前提来做出决策和控制，那么对某些情况作出的决策就是错的，从而造成事故。由此可见，无人车需要高精度的定位。

目前使用最广泛的无人车定位方法当属融合 全球定位系统（Global Positioning System，GPS）和惯性导航系统（Inertial Navigation System）定位方法 ，其中，GPS的定位精度在数十米到厘米级别之间，高精度的GPS传感器价格也就相对昂贵。融合GPS/IMU的定位方法在GPS信号缺失，微弱的情况下无法做到高精度定位，如地下停车场，周围均为高楼的市区等，因此只能适用于部分场景的无人驾驶任务。

地图辅助类定位算法是另一类广泛使用的无人车定位算法， 同步定位与地图构建（Simultaneous Localization And Mapping，SLAM） 是这类算法的代表，SLAM的目标即构建地图的同时使用该地图进行定位，SLAM通过利用已经观测到的环境特征确定当前车辆的位置以及当前观测特征的位置。这是一个利用以往的先验和当前的观测来估计当前位置的过程，实践上我们通常使用贝叶斯滤波器（Bayesian filter）来完成，具体来说包括卡尔曼滤波（Kalman Filter），扩展卡尔曼滤波（Extended Kalman Filter）以及粒子滤波（Particle Filter）。SLAM虽然是机器人定位领域的研究热点，但是在实际无人车开发过程中使用SLAM定位却存在问题，不同于机器人，无人车的运动是长距离的，大开放环境的。在长距离的运动中，随着距离的增大，SLAM定位的偏差也会逐渐增大，从而造成定位失败。

在实践中，一种有效的无人车定位方法是改变原来SLAM中的扫描匹配类算法，具体来说，我们不再在定位的同时制图，而是事先使用传感器如激光雷达对区域构建点云地图，通过程序和人工的处理将一部分“语义”添加到地图中（例如车道线的具体标注，路网，红绿灯的位置，当前路段的交通规则等等），这个包含了语义的地图就是我们无人驾驶车的 高精度地图（HD Map） 。实际定位的时候，使用当前激光雷达的扫描和事先构建的高精度地图进行点云匹配，确定我们的无人车在地图中的具体位置，这类方法被统称为扫描匹配方法（Scan Matching），扫描匹配方法最常见的是迭代最近点法（Iterative Closest Point ，ICP），该方法基于当前扫描和目标扫描的距离度量来完成点云配准。

除此以外， 正态分布变换（Normal Distributions Transform，NDT） 也是进行点云配准的常用方法，它基于点云特征直方图来实现配准。基于点云配准的定位方法也能实现10厘米以内的定位精度。虽然点云配准能够给出无人车相对于地图的全局定位，但是这类方法过于依赖事先构建的高精度地图，并且在开放的路段下仍然需要配合GPS定位使用，在场景相对单一的路段（如高速公路），使用GPS加点云匹配的方法相对来说成本过高。

拓展阅读： L4 自动驾驶中感知系统遇到的挑战及解决方案

浅析自动驾驶的重要一环：感知系统发展现状与方向

无人车的规划模块分为三层设计：任务规划，行为规划和动作规划，其中，任务规划通常也被称为路径规划或者路由规划（Route Planning），其负责相对顶层的路径规划，例如起点到终点的路径选择。 我们可以把我们当前的道路系统处理成有向网络图（Directed Graph Network），这个有向网络图能够表示道路和道路之间的连接情况，通行规则，道路的路宽等各种信息，其本质上就是我们前面的定位小节中提到的高精度地图的“语义”部分，这个有向网络图被称为路网图（Route Network Graph），如下图所示：

这样的路网图中的每一个有向边都是带权重的，那么，无人车的路径规划问题，就变成了在路网图中，为了让车辆达到某个目标（通常来说是从A地到B地），基于某种方法选取最优（即损失最小）的路径的过程，那么问题就变成了一个有向图搜索问题，传统的算法如迪科斯彻算法（Dijkstra’s Algorithm）和A 算法（A Algorithm）主要用于计算离散图的最优路径搜索，被用于搜索路网图中损失最小的路径。

行为规划有时也被称为决策制定（Decision Maker），主要的任务是按照任务规划的目标和当前的局部情况（其他的车辆和行人的位置和行为，当前的交通规则等），作出下一步无人车应该执行的决策，可以把这一层理解为车辆的副驾驶，他依据目标和当前的交通情况指挥驾驶员是跟车还是超车，是停车等行人通过还是绕过行人等等。

行为规划的一种方法是使用包含大量动作短语的复杂有限状态机（Finite State Machine，FSM）来实现，有限状态机从一个基础状态出发，将根据不同的驾驶场景跳转到不同的动作状态，将动作短语传递给下层的动作规划层，下图是一个简单的有限状态机：

如上图所示，每个状态都是对车辆动作的决策，状态和状态之间存在一定的跳转条件，某些状态可以自循环（比如上图中的循迹状态和等待状态）。虽然是目前无人车上采用的主流行为决策方法，有限状态机仍然存在着很大的局限性：首先，要实现复杂的行为决策，需要人工设计大量的状态；车辆有可能陷入有限状态机没有考虑过的状态；如果有限状态机没有设计死锁保护，车辆甚至可能陷入某种死锁。

通过规划一系列的动作以达到某种目的（比如说规避障碍物）的处理过程被称为动作规划。通常来说，考量动作规划算法的性能通常使用两个指标：计算效率（Computational Efficiency）和完整性（Completeness），所谓计算效率，即完成一次动作规划的处理效率，动作规划算法的计算效率在很大程度上取决于配置空间（Configuration Space），如果一个动作规划算法能够在问题有解的情况下在有限时间内返回一个解，并且能够在无解的情况下返回无解，那么我们称该动作规划算法是完整的。

配置空间：一个定义了机器人所有可能配置的集合，它定义了机器人所能够运动的维度，最简单的二维离散问题，那么配置空间就是[x, y]，无人车的配置空间可以非常复杂，这取决于所使用的运动规划算法。

在引入了配置空间的概念以后，那么无人车的动作规划就变成了：在给定一个初始配置（Start Configuration），一个目标配置（Goal Configuration）以及若干的约束条件（Constraint）的情况下，在配置空间中找出一系列的动作到达目标配置，这些动作的执行结果就是将无人车从初始配置转移至目标配置，同时满足约束条件。在无人车这个应用场景中，初始配置通常是无人车的当前状态（当前的位置，速度和角速度等），目标配置则来源于动作规划的上一层——行为规划层，而约束条件则是车辆的运动限制（最大转角幅度，最大加速度等）。显然，在高维度的配置空间来动作规划的计算量是非常巨大的，为了确保规划算法的完整性，我们不得不搜索几乎所有的可能路径，这就形成了连续动作规划中的“维度灾难”问题。目前动作规划中解决该问题的核心理念是将连续空间模型转换成离散模型，具体的方法可以归纳为两类：组合规划方法（Combinatorial Planning）和基于采样的规划方法（Sampling-Based Planning）。

运动规划的组合方法通过连续的配置空间找到路径，而无需借助近似值。由于这个属性，它们可以被称为精确算法。组合方法通过对规划问题建立离散表示来找到完整的解，如在Darpa城市挑战赛（Darpa Urban Challenge）中，CMU的无人车BOSS所使用的动作规划算法，他们首先使用路径规划器生成备选的路径和目标点（这些路径和目标点事融合动力学可达的），然后通过优化算法选择最优的路径。另一种离散化的方法是网格分解方法（Grid Decomposition Approaches），在将配置空间网格化以后我们通常能够使用离散图搜索算法（如A*）找到一条优化路径。

基于采样的方法由于其概率完整性而被广泛使用，最常见的算法如PRM（Probabilistic Roadmaps），RRT（Rapidly-Exploring Random Tree），FMT（Fast-Marching Trees），在无人车的应用中，状态采样方法需要考虑两个状态的控制约束，同时还需要一个能够有效地查询采样状态和父状态是否可达的方法。

自动驾驶汽车的车辆控制技术旨在环境感知技术的基础之上，根据决策规划出目标轨迹，通过纵向和横向控制系统的配合使汽车能够按照跟踪目标轨迹准确稳定行驶，同时使汽车在行驶过程中能够实现车速调节、车距保持、换道、超车等基本操作。

互联网科技公司主要做软件，以工程机上层为主；而车厂其实以下层的组装为主，也就是OEM，也不是那么懂车。像制动、油门和转向等这些领域，话语权依然集中在博世、大陆这样的Tier 1身上。

自动驾驶控制的核心技术是车辆的纵向控制和横向控制技术。纵向控制，即车辆的驱动与制动控制；横向控制，即方向盘角度的调整以及轮胎力的控制。实现了纵向和横向自动控制，就可以按给定目标和约束自动控制车运行。所以，从车本身来说，自动驾驶就是综合纵向和横向控制。

车辆纵向控制是在行车速度方向上的控制，即车速以及本车与前后车或障碍物距离的自动控制。巡航控制和紧急制动控制都是典型的自动驾驶纵向控制案例。这类控制问题可归结为对电机驱动、发动机、传动和制动系统的控制。各种电机-发动机-传动模型、汽车运行模型和刹车过程模型与不同的控制器算法结合，构成了各种各样的纵向控制模式，典型结构如图所示。

此外，针对轮胎作用力的 滑移率控制 是纵向稳定控制中的关键部分。滑移率控制系统通过控制车轮滑移率调节车辆的纵向动力学特性来防止车辆发生过度驱动滑移或者制动抱死，从而提高车辆的稳定性和操纵性能。制动防抱死系统（antilock brake system）简称 ABS，在汽车制动时，自动控制制动器制动力的大小，使车轮不被抱死，处于边滚边滑（滑移率在 20%左右）的状态，以保证地面能够给车轮提供最大的制动作用力值。一些智能滑移率控制策略利用充足的环境感知信息设计了随道路环境变化的车轮最有滑移率调节器，从而提升轮胎力作用效果。

智能控制策略，如模糊控制、神经网络控制、滚动时域优化控制等，在纵向控制中也得到广泛研究和应用，并取得了较好的效果，被认为是最有效的方法。

而传统控制的方法， 如PID控制和前馈开环控制 ，一般是建立发动机和汽车运动过程的近似线形模型，在此基础上设计控制器，这种方法实现的控制，由于对模型依赖性大及模型误差较大，所以精度差、适应性差。从目前的论文和研究的项目看，寻求简单而准确的电机-发动机-传动、刹车过程和汽车运动模型，以及对随机扰动有鲁棒性和对汽车本身性能变化有适应性的控制器仍是研究的主要内容。

车辆横向控制指垂直于运动方向上的控制，对于汽车也就是转向控制。目标是控制汽车自动保持期望的行车路线，并在不同的车速、载荷、风阻、路况下有很好的乘坐舒适性和稳定性。

车辆横向控制主要有两种基本设计方法，一种是基于驾驶员模拟的方法；另一种是给予汽车横向运动力学模型的控制方法。基于驾驶员模拟的方法，一种策略是使用较简单的运动力学模型和驾驶员操纵规则设计控制器；另一策略是用驾驶员操纵过程的数据训练控制器获取控制算法。基于运动力学模型的方法要建立较精确的汽车横向运动模型。典型模型是所谓单轨模型，或称为自行车模型，也就是认为汽车左右两侧特性相同。横向控制系统基本结构如下图。控制目标一般是车中心与路中心线间的偏移量，同时受舒适性等指标约束。

实证结果分析与讨论

4.4.3.1 WTI和Brent市场收益率的统计特征

令WTI和Brent市场第t日的石油价格分别为P1,t和P2,t，则WTI和Brent市场第t日的对数收益率分别为Y1,t=ln（P1,t/P1,t-1）和Y2,t=ln（P2,t/P2,t-1），从而各得到4943个收益率样本。图4.20是两个市场所有样本收益率的走势图，不难发现，两个收益率序列均存在明显的波动集聚性。

图4.20 WTI和Brent市场原油现货收益率走势

WTI和Brent两个市场样本内收益率的基本统计特征如表4.17所示。总体而言，两个市场的收益率的平均水平和波动水平都非常接近，这也可以从图4.20上得到印证。同时，与标准正态分布的偏度为0、峰度为3相比，本节两个市场收益率的偏度为负（即呈现左偏现象），峰度远大于3，因此它们均具有尖峰厚尾的特征，而且从JB检验的结果也能看到收益率序列显著不服从正态分布。而对收益率序列进行自相关性LB 检验时，根据样本容量，选择滞后阶数为 ，检验结果表明它们均具有显著的自相关性。另外，通过AD F单位根检验，发现它们都是平稳序列。

表4.17 WTI和Brent市场收益率的基本统计特征

4.4.3.2 WTI和Brent市场收益率的GARCH模型估计

（1）WTI市场收益率的GARCH模型估计

为了滤掉收益率序列的自相关性，本节引入ARMA模型对收益率序列建模。根据自相关和偏自相关函数的截尾情况，并按照AIC值最小原则，经过多次尝试，发现ARMA（1,1）模型比较合适。对ARMA（1,1）模型的残差序列进行自相关性Ljung-Box检验，从自相关分析图上看到，残差序列的自相关系数都落入了随机区间，自相关系数的绝对值都小于0.1，与0没有明显差异，表明该残差序列是纯随机的，换言之，ARMA（1,1）模型很好地拟合了原有收益率序列。

鉴于WTI市场收益率序列存在明显的波动集聚性，因此，本节对ARMA（1,1）模型的残差进行ARCH效应检验，结果发现存在高阶ARCH效应，因此考虑采用GARCH模型。由于收益率序列存在厚尾现象，因此本节在GARCH 模型中引入GED 分布来描述模型的残差。根据AIC 值最小的原则以及模型系数要显著和不能为负的要求，通过比较GARCH（1,1）,GARCH（1,2），GARCH（2,1）和GARCH（2,2）模型，本节选择GARCH（1,1）模型来拟合原有收益率序列。

为了进一步研究WTI收益率序列的波动特征，本节检验了TGARCH（1,1）和GARCH-M（1,1）模型。结果发现，收益率序列存在显著的TGARCH效应和GARCH-M 效应，即收益率的波动不但具有显著的不对称特征，而且还受到预期风险的显著影响。考虑到模型的AIC值要最小，以及为了描述收益率波动的不对称性，本节选择TGARCH（1,1）模型对WTI市场收益率的波动集聚性建模，模型形式如式4.16。另外，我们看到模型的GED分布参数为1.260823，小于2，从而验证了该收益率序列的尾部比正态分布要厚的特征，也为本节接下来进一步准确计算WTI市场的风险铺垫了良好的基础。

WTI市场收益率的TGARCH（1,1）模型为

国外油气与矿产资源利用风险评价与决策支持技术

式中：ε1,t-1﹤0,d1,t-1=1；否则，d1,t-1=0;

Log likelihood=11474.52,AIC=-4.898557,GED参数＝1.260823

从模型的方差方程看到，油价收益率下跌时， 对h1,t的影响程度为α1＋Ψ，即0.057202；而油价上涨时，该影响程度为α1，即0.083559，约为前者的1.5倍。h1,t-1前的系数为0.920539，接近1，表明当前方差冲击的92.0539%在下一期仍然存在，因此波动冲击衰减速度较慢，波动集聚现象比较严重。而检验TGARCH（1,1）模型的残差时发现，其自相关函数都在随机区间内，取阶数为68时，残差的Q统计量的显著性概率大于20%，而Q2统计量的显著性概率大于30%，因此经TGARCH（1,1）建模后的序列不再存在自相关现象和波动集聚性。另外，残差的ARCH-LM检验结果也表明，它不再存在波动集聚性，因此TGARCH（1,1）模型对WTI市场收益率序列的拟合效果较好。

（2）Brent市场收益率的GARCH模型估计

基于Brent市场收益率的波动特征，按照与WTI市场GARCH 模型类似的建模思路，建立了MA（1）模型。而利用ARCH-LM检验方法发现模型的残差存在显著的高阶ARCH效应，因此采用基于GED分布的GARCH模型。比较GARCH（1,1）,GARCH（1,2）,GARCH（2,1）和GARCH（2,2）模型的AIC值，以及有关系数的显著性，发现选择GARCH（1,1）模型是最合适的，具体形式如（式4.17）。进一步，对收益率序列建立TGARCH（1,1）模型和GARCH-M（1,1）模型，结果表明，有关系数并不显著，因此说明Brent市场收益率的波动并不存在显著的不对称杠杆效应，也不存在显著的GARCH-M效应。而且，我们也发现GED分布的参数小于2，因此验证了Brent市场收益率同样具有厚尾特征。

Brent市场收益率的GARCH（1,1）模型为

国外油气与矿产资源利用风险评价与决策支持技术

Log likelihood=11697.19,AIC=-4.993462,GED参数＝1.324630

在模型的方差方程中，h2,t-1前的系数为0.912673，表示当前方差冲击的91.2673%在下一期仍然存在。可见，与WTI市场类似，Brent市场同样存在波动冲击衰减速度较慢的现象。检验模型的残差，发现其自相关函数都在随机区间内，取阶数为68时，标准残差的Q统计量的显著性概率大于50%，而Q2统计量的显著性概率大于20%，因此经GARCH（1,1）建模后的序列不再存在自相关现象和波动集聚性。另外，残差的ARCH-LM检验结果也表明，它不再存在波动集聚性，因此GARCH（1,1）模型对Brent市场收益率序列的拟合效果也较好。

图4.21给出了两个市场的条件异方差的走势，分别代表着它们的波动水平。从图中看到，一方面，两个市场收益率的波动水平基本相当，只是在某些区间WTI市场的波动会更大一些。当然，在海湾战争期间，Brent市场的波动程度相比而言更剧烈一点；另一方面，两个市场都存在一个明显的现象，那就是在波动比较剧烈的时期，其条件方差最高可达一般水平的20倍以上，这种波动的大规模震荡不但说明了国际石油市场存在显著的极端风险，而且对于市场波动和风险的预测具有重要的现实意义。

图4.21 WTI和Brent市场的条件异方差比较

4.4.3.3 WTI和Brent市场收益率的VaR模型估计和检验

正如前文所述，石油市场需要同时度量收益率下跌和上涨的风险，从而为石油生产者和采购者提供决策支持。为此，本节将采用上述基于GED分布的TGARCH（1,1）模型和GARCH（1,1）模型，按照方差－协方差方法来分别度量WTI和Brent市场在收益率上涨和下跌时的VaR 风险值。

（1）GED分布的分位数确定

根据GED分布的概率密度函数，使用MATLAB编程，经过多次数值测算，求出GED分布在本节所得自由度下的分位数，如表4.18所示。表中结果显示，95%的分位数与正态分布的1.645基本相同；但99%的分位数却明显大于正态分布的2.326，这也表明了国际油价收益率具有严重的厚尾特征。

表4.18 WTI和Brent市场收益率的GED分布参数及分位数

（2）基于GED-GARCH模型的VaR风险值计算

根据VaR风险的定义，我们得到以下两个计算VaR风险的公式。其中上涨风险的VaR值计算公式为

国外油气与矿产资源利用风险评价与决策支持技术

式中；zm,α﹥0，表示第m个市场中（T）GARCH（1,1）模型的残差所服从的GED分布的分位数；hm,t为第m个市场的收益率的异方差。

同理，得到下跌风险的VaR值计算公式为

国外油气与矿产资源利用风险评价与决策支持技术

根据上述两个VaR风险计算公式，本节计算了在95%和99%的置信度下，WTI和Brent市场的上涨风险和下跌风险（表4.19，表4.20）。

表4.19 WTI市场收益率的VaR计算结果

表4.20 Brent市场收益率的VaR计算结果

从表4.19和表4.20的实证结果看到，第一，除95%的置信度下市场收益率上涨风险的LR值略大于临界值外，其他所有LR统计量的值均小于相应的临界值，因此按照Kupiec的返回检验方法，可以认为基于GED分布的TGARCH模型和GARCH模型基本上能够充分估计出两个市场收益率的VaR风险值。从市场收益率与VaR风险值的走势也可以看到这一点（图4.22）。第二，在99%的置信度下，两个市场的VaR 模型对收益率的上涨风险比对收益率的下跌风险的估计精度都更高，这可能是由于收益率分布的左尾比较长，GED分布尚未完全捕捉到所有的厚尾现象。而在95%的置信度下，对下跌风险的估计精度更高。第三，从VaR的均值来看，在相同的置信度下，不管收益率是上涨还是下跌，WTI市场的VaR值都要比Brent市场对应的VaR 风险值大，因此需要更多的风险准备金。当然，从图4.23的VaR 风险走势可以发现，事实上，两个市场的VaR风险基本上相差不大，只是在某些样本区间内，WTI市场的风险会超过Brent市场。

图4.22 99%的置信度下Brent市场的收益率及其VaR风险值

图4.23 99%的置信度下WTI和Brent市场收益率上涨和下跌时的VaR风险值

（3）VaR模型比较

在采用GARCH模型计算市场收益率的VaR 风险值时，一般都假设模型的残差服从正态分布，从而直接令zm,α等于标准正态分布的分位数。但实际上，石油市场的收益率及其模型残差一般都是非正态分布的，因此得到的VaR 模型往往不够充分。为此，本节以99%的置信度为例，建立了基于正态分布分位数的VaR 模型，计算结果如表4.21所示，并与表4.19和表4.20中VaR模型的有关结果进行比较。

表4.21 基于正态分布分位数的VaR模型计算结果

结果表明，从VaR均值上看，基于正态分布的VaR模型在两个市场、两个方向（即上涨和下跌）上计算得到的VaR风险值均比基于GED分布的VaR 模型的相应结果要靠近零点，这从模型失效次数的比较上也能得到验证。再者，由于表4.21中的失效次数均超过了99%的置信度下临界处的失效次数（约为47），因此此时的计算结果低估了市场的实际风险。

而按照Kupiec的返回检验方法，可看出与99%置信度下的临界值6.64相比，不管是WTI市场还是Brent市场，不管是上涨还是下跌方向，采用基于正态分布分位数的VaR模型计算市场风险基本上都不够合理。其中，尽管WTI市场的上涨风险计算结果基本上可以接受，但与表4.19中对应的LR值相比，发现后者更加充分而准确。因此，总体而言，采用基于GED分布的VaR模型要比基于正态分布的VaR模型更充分而合适，得到的结果更可取。

当然，在95%的置信度下，基于正态分布和GED分布的VaR模型的LR值几乎一样，都是比较充分的。这是由于它们的分位数几乎是一样的，均为1.645左右。

另外，本节通过计算还发现，如果在建立GARCH模型时假设残差服从正态分布，而计算VaR时又选择一般所采用的正态分布分位数，则得到的VaR模型不管是哪个市场、哪个方向的风险都将很不充分，而先前很多研究往往就是这么做的。

（4）VaR模型的预测能力

从上述分析中可以看到，基于GED-GARCH的VaR模型能够较好地估计和预测样本内数据。为了更加全面检验这种VaR模型的预测能力，接下来本节以95%的置信度为例，采用它来预测样本外数据的VaR风险值，并与样本外的实际收益率数据进行比较。结果发现，在WTI和Brent市场上，落在预测得到的正向VaR和负向VaR之间的实际收益率占整个样本外预测区间所有收益率的比例均为95.76%，接近95%；相应的LR值为0.3409，小于95%置信度下的临界值3.84，因此是可以接受的（图4.24，图4.25）。换言之，根据样本内数据建立的VaR 模型用于预测样本外数据的VaR风险时，其预测能力是可以接受的。另外，为了比较，本节也采用了广受好评的H SAF方法建立模型，并预测了样本外数据的VaR风险，但检验却发现其在此处的预测结果并不理想。因为不管是WTI市场还是Brent市场，落在预测得到的正向VaR和负向VaR之间的收益率占整个预测区间所有收益率的比例均为91.92%，离95%较远；相应的LR统计量为4.40，大于临界值，因此应该拒绝原假设，即认为在此处采用HSAF方法预测市场VaR风险并不妥当。

图4.24 95%的置信度下WTI市场的样本外实际收益率与预测VaR值

图4.25 95%的置信度下Brent市场的样本外实际收益率与预测VaR值

4.4.3.4 WTI与Brent市场风险溢出效应检验

得到WTI和Brent两个市场的收益率上涨和下跌时的VaR风险值之后，本节根据Hong（2003）提出的风险－Granger因果检验方法，构造相应的统计量Q1（M）和Q2（M），并通过MATLAB编程求出统计量的值及其显著性概率，从而检验两个石油市场之间的单向和双向风险溢出效应。计算结果如表4.22所示，其中M分别取10,20和30。

表4.22 WTI与Brent市场风险溢出效应检验结果

从表4.22看到，一方面，在95%和99%的置信度下，不管是上涨风险还是下跌风险，WTI和Brent市场都具有显著的双向Granger因果关系，即两个石油市场之间存在强烈的风险溢出效应；另一方面，为了进一步确定风险溢出的方向，我们从利用单向风险－Granger因果检验的统计量Q1（M）计算得到的结果看到，不管置信度是95%还是99%，不管是上涨风险还是下跌风险，都存在从WTI到Brent市场的风险溢出效应。而若Brent到WTI市场的风险溢出情况稍微复杂，在95%的置信度下，只存在收益率下跌方向的风险溢出，而收益率上涨时并不存在；在99%的置信度下，情况则相反，只存在收益率上涨方向的风险溢出，而不存在下跌方向的风险溢出效应。前者可能是由于95%的置信度下收益率上涨方向的VaR 模型不够充分导致，而99%的置信度下VaR模型是非常充分的，因此后者更为可信。换言之，可以认为在99%的置信度下，不存在从Brent市场到WTI市场的风险溢出效应。

这表示，当市场出现利空消息从而导致油价收益率下跌时，WTI市场的风险状况有助于预测Brent市场的风险，而反之不然。当市场出现利好消息从而导致油价收益率上涨时，两个市场的风险的历史信息均有助于预测彼此未来的市场风险。这对有关政府和企业的科学决策具有一定的借鉴意义。

一分钟经理人的作品目录

序言一

肯·布兰佳

2007年的冬天，我与公司的同事们共同出版了《更高层面的领导》（LeadingataHigherLevel）一书。这本书总结了我们在长达25年的合作中沉淀下来的一些可取的观点，它可以视为真正的“布兰佳领导思想”。我们希望有那么一天，在任何地方，每个人都能明白 究竟什么才是卓越的领导。

当你奉行“卓越的领导”理念时，你所领导的员工，他们工作中的进步发展与他们最终取得的成绩同样重要。不论你领导哪些人，无论是学校里的学生、团队中的新手、教堂中的信徒、家庭中的成员，还是办公室里的下属，这个原则都普遍适用。

在商业领域，发展的重要性不仅适用于你的客户，也适用于员工。简而言之，你要让你的员工事业有所发展，并且感到幸福，员工的个人发展尤为重要。

因此，我们将“卓越的领导”定义为：尊重、谨慎、公平地对待所有当事人，并从中获得满意结果的过程。

《更高层面的领导》系列

读者对于《更高层面的领导》一书反馈很多。人们了解了我们提倡的理念，但他们还希望能有一些更加生动的案例，描述领导者及其组织如何认识“卓越的领导”，以及如何付诸实践，以确保领导者对公司业绩及下属本身有双重关注。因此，我们要以《更高层面的领导》系列丛书进行介绍。

很荣幸，我能与WD-40公司的首席执行官盖瑞·瑞基一起，合著了本系列的第一本书。经验告诉我们，如果事物没有遭到破坏，我们就没有必要去维修它。1997年盖瑞担任WD-40公司的首席执行官，那时，WD-40公司并未陷于困境，而是连续四十年有着稳定利润的行业巨头。WD-40公司的经营理念和企业文化非常保守，预警机制运作良好。然而盖瑞认为，这并不完美。因为盖瑞明白，WD-40公司尚未到达顶峰。

盖瑞打破常规，推陈出新，并大获成功。他们所做的变革之一是：建立绩效评估系统，将合作绩效提升至新的层次，而绩效是《更高层面的领导》一书涉及的重要方面。这使得WD-40公司一举成为华尔街的宠儿。

盖瑞担任首席执行官之后，建立了“与其挑剔我，不如帮我得A”的绩效评估系统。此后盖瑞亲眼见证了公司的年销售额比往年增长了三倍多 从1亿美元涨至2008年的3.39亿美元。此前国内销售额仅占销售总额的30%，而2008年国外销售额占销售总额的47%，销售比例更加均衡。在这期间，公司总价值增加了将近一倍，从3.2亿美元上升至6亿美元。在WD-40公司，每位雇员所创造的销售额高达110万美元，效率极高。

值得一提的是，盖瑞及其同事不仅在财务上创造了奇迹，而且还为WD-40公司创造了良好的工作环境。2008年WD-40公司雇员民意调查显示，94%的员工认为自己完全地投入到工作中，这一比率高得超乎想象。

合作绩效

合作是最佳的领导方式，即两个人为了共同的目标而努力工作，彼此之间相互信任和尊重。此时，领导者及被领导者之间相互影响，他们对事物发展的趋势都有所影响。换句话说，这在于我们，而不仅仅在于我个人。

这种观念最初来源于我在大学里长达十年的教学经历。期间，每隔一段时间，我都会受到校务委员会的质疑。更引起他们愤慨的是，在每学期初，我都会对我的学生进行“期末测试”。每当学院发现了这一点，他们都会疑惑不解地问：“你在做什么？”

我说：“我觉得我们的教学方式是死板的。”

学院负责人说：“你说的没错，但你也不能现在就 期末测试 ！”

我说：“我不只是提前对他们进行测试，在这学期里，你认为我会做什么？我会教会他们这些问题的答案，因此当他们参加 期末测试 时，他们会赢得A。你知道，我认为生命的意义就在于帮助人们争取满分，而不是强迫他们适应正态分布曲线。”

然而，很多企业确实这样做了。

这些企业要求经理根据那些出色的数学公式，对员工进行评估、裁决和筛选。一位女士带着哭腔对我说：“要是我有8个下属就好了。”

我问：“为什么？”

她说：“因为我有两个优秀的下属。但我一共才7个下属，我只能表彰其中之一。如果我有8个下属的话，就可以表彰他们俩了。”

有的公司更糟糕，他们要求经理按等级次序评估下属的能力。面对这种情况，作为经理的你面临的最糟糕的情形是，你的下属有同样好的业绩。那你该如何筛选他们？这样的情形实在让人左右为难。

很多企业对经理有这样的要求：在员工的绩效考核中，一部分人为优，一部分人为差，其他人都为中。有的时候，即使公司没有采用正态分布曲线评价系统，经理也不敢给所有人打上优，因为这意味着经理会被评为差，会被指控为“不负责任”或者“软弱无能”。因此，正态分布曲线依然存在，不会轻易消亡。

当我与很多经理交谈时，我常问道：“你们之中，有多少人专门聘用一些失败者，以便给他们差评？”所有人都笑了。他们认为，他们所聘用的要么是成功者（在即将从业的领域有着良好记录的人），要么是有发展潜力的人（他们在经过适当的培训和引导之后可以成功）。但从中我发现了这样一个谬论：既然他们标榜从不聘请失败者，那么为什么总会有一些员工因得不到肯定而失败？

我认为他们不会失败。这就是我常在学期初进行“期末测试”的原因。考试简单吗？当然不简单。我的试卷中有判断题与多项选择题，我出的试卷非常难。因此，我将在整个学期中教导我的学生如何解答这些棘手问题，并与他们成为伙伴，这就是我的目标。我希望我的学生可以成功，当然他们也希望自己获得成功。我们是合作伙伴，为了帮他们获得“A”而合作。

盖瑞·瑞基在认识到“与其挑剔我，不如帮我得A”这一经营理念之后，便将其作为WD-40公司的座右铭。为什么？原因在于，这一理念非常符合盖瑞·瑞基的领导理念，即是他对领导与激发下属的认识。盖瑞非常重视这一理念，如果他发现某个经理没有能力帮助下属获得“A”时，他会解雇这个效率低下的经理，而不是效率低下的员工。

并非每个领导者都像盖瑞·瑞基这样。盖瑞的经历是现实中“卓越的领导”在绩效合作领域的最佳典范。我很荣幸能与读者们分享他的成功。

序言二

盖瑞·瑞基

40岁时，我决定进修，拓展自己的知识面。虽然很久之前我已从悉尼科技学院获得学位，并在WD-40公司担任首席执行官，但学海无涯，我希望自己能掌握更多知识。因此，我进入圣地亚哥大学，攻读经理人领导硕士学位。在那里，我认识了肯·布兰佳，并听到他传授“在学期初进行期末测试”的理念。迄今为止，这是对我一生影响最大的一门课程。肯并没有要求我到图书馆实践课堂知识，而是要求我将它们运用到公司，以检验它们在现实中的适用性。从此，我开始在WD-40公司内推广肯的“期末测试”理念，并对这种实践充满兴趣。

这本书描述了WD-40公司绩效评定理念。当你读到这本书时，或许我们的经验可以为你以及贵公司的其他***敲响警钟。为什么我说是“警钟”呢？让我给你讲个故事，而这个故事可以回答这一问题。

2007年7月底，为期26天的各国商务旅行即将结束。我从圣地亚哥出发，而后去了澳大利亚的悉尼、珀斯，再到上海，最后一站是伦敦。

经过10个小时的飞行，下午4点左右，飞机降落在希思罗机场（Heathrow）。而后，我来到位于梅菲尔（Mayfair）的旅馆。随便梳洗后，我走出旅馆，与欧洲领导团队的几位成员共进晚餐。这真是忙碌的一天，直到晚上11点左右，我才回到旅馆。

第二天上午似乎过得格外快，特别是对于我这个要应付一整天会议的人来说。直到下午4点半左右，我才回到旅馆，我期盼自己能在伦敦度过一个舒适的夜晚。

在旅馆对面的超市里，我买了两瓶啤酒，叫了份外卖饭，而后回到房间。我准备好好放松一下，看会儿英国喜剧，度过一个安静的夜晚。

我换上短裤和圆领汗衫，安顿下来了，这个夜晚温暖而舒适。

突然间，火警响了起来。我曾住过很多旅馆，也听过很多警报声。跟往常一样，我并不理会它，习以为常。就我个人经验而言，几分钟之内，报警器会被关掉，管理人员会通过喇叭道歉，生活也会照常继续。

但那个夜晚，警报声一直在响。我觉得很烦躁，尖锐的警报声，扰乱了我的啤酒和英国喜剧！

突然间，一阵急促的敲门声，于是我感到情况不妙。一位保安在排查各个房间，保证旅客全部疏散。在他的强制下，我不得已抓起自己的手机和护照，穿着短裤、汗衫，拖着旅馆的一双小一号的拖鞋，下了六层楼梯来到底层。

我完全忘了那是伦敦的冬天。当我站在街上，我才想起，在晚上7点半的梅菲尔街头，短裤、汗衫、拖鞋并不是最合适的打扮。

警察和警犬到处都是。在工作人员的带领和指挥下，我们沿着街道走到伯克莱广场的一个露天公园的空地上等待消息。别了，我的温暖房间、啤酒和英国喜剧！

大概一个小时之后，雨下了起来。天气很冷，而且越来越潮湿。当然，我的衣着太少。将近9点的时候，警报解除了。这是一次炸弹警报，有人在旅馆大厅留下了一个背包。伦敦对于这类事件十分谨慎，戒备很高。寒冷、潮湿、不愉快的我回到自己的房间，马上洗了个热水澡，冲去寒冷和不快。

两天之后，我乘飞机回到圣地亚哥。飞机刚刚起飞，我就开始回顾自己的旅程。很快，我想起自己由于无视炸弹警报而被关在外面受冻的情景，我感到自己起初对警报麻木漠视的行为是多么地愚蠢。如果我能在第一声警报响起时就提高警惕，我或许会有时间穿上更多的衣服，熬过这伦敦冬雨中的数个小时，那肯定比只穿短裤、汗衫和旅馆拖鞋好得多。

我这才认识到，警钟有一定的作用，尤其在我们听到警报声并按照警报声行动的情况下。这里是否有一个学习的过程？我有些疑惑。

我开始思考，在我的生命中，我忽视了多少私人生活方面以及工作方面的警钟？或者，有多少警钟被生活中的乐声和噪音所淹没？

我拿出一张纸，划出两栏：“私人生活方面”和“工作方面”。我开始罗列我能想到的所有警钟，并列出了很多。

我超重了20磅，缺乏锻炼。如果这摧毁了我的健康，那该如何是好？对于我爱的人，我经常忘记告诉他们我爱他们。如果失去了他们的感情，我将会怎样？以前有人劝告我，我不会倾听。如果失去了良好的反馈机制，我又该怎么办？WD-40是一种依赖石油的产品，如果油价涨到每桶100美元怎么办？怎么办，怎么办，怎么办！

最终，我写满了整整一页。我可以验证警报带来的影响，并对此做出选择。我可以选择听到它并重视它，或者可以对它不予理睬。而如果不予理睬，会不会使我被关在外面受寒受冻？

警钟，像是现实对我的挑战 它是一个奇妙的学习过程。如今，我意识到，我们大部分人都属于经验主义者，我们常常根据经验判断问题。同样，警钟也很容易被生活中的乐声所淹没。有时，好的和坏的声音模糊了我们的视听，特别是在一帆风顺的情况下。对成功的喝彩，有时会让我们失去判断力，从而无法把握成功所带来的实际机遇。

自从那次旅行后，我把这一新的认知与很多人进行了分享，得到了非常惊人的效果。这是一种强迫意识的简单训练，它可以帮助我们注意到问题所在，并做出理性的抉择。

说说你吧。当你遇到一个针对你的绩效评估系统的警钟，你是否也会不理不睬？只需要几分钟的坦诚，或许你就能发现里面深藏不露的任何警钟。问一下你自己：

你的下属如何评价你的绩效评估系统？

他们认为该系统公平吗？

年终时他们所获得的薪酬，比一年中任何时候的都要高吗？

你的系统是否促进了经理与下属之间的信任与尊重？

我希望，总经理和人力资源部能将“与其挑剔我，不如帮我得A”的理念视为绩效评估系统方面的警钟。当我环游世界时，我了解到，仍然有公司采用这样的绩效评估系统 强制要求把部分员工的绩效评为差。如果你也采用这类系统并认为它很有效，那么我想，或许你忽略了某种警钟。

《与其挑剔我，不如帮我得A》第一部分

《与其挑剔我，不如帮我得A》第1章(1)

《与其挑剔我，不如帮我得A》第1章(2)

《与其挑剔我，不如帮我得A》第1章(3)

《与其挑剔我，不如帮我得A》第1章(4)

《与其挑剔我，不如帮我得A》第1章(5)

《与其挑剔我，不如帮我得A》第1章(6)

《与其挑剔我，不如帮我得A》第二部分

《与其挑剔我，不如帮我得A》第2章(1)

《与其挑剔我，不如帮我得A》第2章(2)

《与其挑剔我，不如帮我得A》第2章(3)

《与其挑剔我，不如帮我得A》第2章(4)

《与其挑剔我，不如帮我得A》第2章(5)