短期稳定性范文（精选5篇）
短期稳定性 第1篇
1 材料与方法
1.1 材料
1.1.1 混合血清
收集患者当日新鲜血清,要求外观清澈透明、无溶血,黄疸,乳糜,患者年龄50岁。除外HIV病毒和肝炎病毒阳性的标本。用50ml无菌聚丙烯刻度管收集ALP、ALT、AST、GGT、CK高(A)、中(B)、低(C)三个浓度水平;LDH(A和B)两个浓度水平。收集每个浓度水平血清约20ml,充分混匀过滤分装,0.5ml/1.5ml离心管,随机抽取每个浓度水平血清各5支留待做均匀性检验,其余置于-80℃低温冰箱中保存。
1.1.2 仪器与试剂
Dimension RxL Max全自动生化分析仪,配套原装试剂,试剂批号美国德灵诊断产品有限公司;朗道Randox2、Randox3质控血清,质控品批号,英国Randox(朗道)实验室有限公司。
1.2 方法
1.2.1 均匀性检验[1]
分装后冰冻混合血清只有被证明充分均匀之后才能进行稳定性检验。测定前,常规保养Dimension RxL Max全自动生化分析仪,保证仪器在最佳状态下。取出上述随机抽取的ALP、ALT、AST、GGT、CK、LDH六种酶的各浓度水平的5小管血清,由同一操作者在同一实验室用同一仪器在尽可能短的时间内完成测量。操作过程中,尽量减少血清样本的蒸发,每个水平的酶测定中分别插入朗道Randox2、Randox3质控品,与样品同时检测。
1.2.2 稳定性检验[2]
由于测量技术与仪器等的重复性和精密度的影响,同一样品分批测定,结果会有变化,因此应当进行统一条件下的重复测试。观察融化状态下的血清在2～8℃和22～25℃条件下保存的稳定性,研究期限定为30d。收集完血清后,充分混匀过滤,所有的标本都置于-80℃冰箱中保存,几个小时后,所有血清小管冻结。当天将完全冻结后的各血清各浓度水平小管各2支从-80℃冰箱中取出,分别放在2～8℃和22～25℃条件下待测;第12d将要观察30-12=18d稳定性的各血清各浓度水平小管各2支从-80℃冰箱中取出,分别放在2～8℃和22～25℃条件下待测;以此类推。第30d上午9:00,将将要观察17-9=8h稳定性的各血清各浓度水平小管各2支从-80℃冰箱中取出,分别放在2～6℃和22～25℃条件下待测;以此类推。第30d下午17:00,所有标本集中,用经过保养,重复性处于最佳状态下同一台Dimension RxL Max全自动生化分析仪测定,测定项目包括ALP、ALT、AST、CK、GGT、LDH,每份标本重复测量3次,取均值。出现明显可疑数值的血清标本将被重新检测。
1.3 统计学方法
均匀性检验,按ISO Guide 35[2]的要求,用单因素方差分析法,以不均匀性的不确定度(ubb)作为评价标准物质均匀性的指标。
式中MSamong表示组间的均方,MSwithin表示组内的均方,n0表示每瓶血清重复测量次数,8bb等同于Ubb。稳定性检验,采用双因素方差分析(Two Way ANOVA)。用SPSS11.0软件进行数据分析。
2 结果
2.1 均匀性检测结果
六种酶不均匀性的不确定度(ubb)为0.0034～0.0047U/L,与血清中各酶的测定值相比基本可以忽略,可以认为分装后的血清瓶内和瓶间都是均匀的。
2.2 稳定性检测结果(表1)
由表1结果可以看出:
(1)混合血清ALP值:在22～25℃贮存条件下,混合血清ALP值在按照时间点分组时组间差异无统计学意义(P>0.05)。2～8℃贮存条件下组间差异有统计学意义(P<0.05),可以认为在7d内ALP是稳定的,第12(d之后,ALP酶活性衰减明显。
(2)混合血清CK值:22～25℃贮存条件下,混合血清CK值在按照时间点分组时,组间差异有统计学意义(P>0.05),经描记时间-酶活性曲线观察分析,1d内内混合血清CK酶活性是稳定的,1d之后酶活性逐渐衰减;2～8℃贮存条件下组间差异无统计学意义(P>0.05),可以认为30d内混合血清CK酶活性是稳定的。
(3)混合血清GGT值:22～25℃和2～8℃贮存条件下,混合血清GGT值在按照时间点分组时组间差异无统计学意义(P>0.05),可以认为30d内混合血清GGT酶活性是稳定的。
(4)混合血清ALT值:22～25℃和2～8℃贮存条件下,混合血清ALT值在按照时间点分组时,组间差异有统计学意义(P<0.05),经描记时间-酶活性曲线观察,ALT活性在8h内是稳定性可以接受,1d之后逐渐衰减。
(5)混合血清AST值:22～25℃和2～8℃贮存条件下,在按照时间点分组时,组间差异无统计学意义(P>0.05),可以认为30d内混合血清AST酶活性是稳定的。
(6)混合血清LDH水平:22～25℃贮存条件下,混合血清LDH(A)在按照时间点分组时,组间差异无统计学意义(P>0.05)。但从LDH(A)数据可以看出随着贮存时间的延长,LDH活性有衰减的趋势;2～8℃贮存条件下,P=0.053,进一步扩大样本量继续观察。采用直线作为经验模型,斜率b应为0或者接近0,则2～8℃贮存条件下,LDH值在4h内稳定,4h后逐渐衰减。如图1～2。
3 讨论
血清酶学检测在临床实践与生命科学研究中起很重要的作用,在对某些酶学指标的观察中要获取具有统计学意义的数据,往往需要经过较多的时间来收集足够的标本,如希望得到批内数据从而避免批间变异。在研究过程中,往往临床上收集的血清需收集一段时间(贮存)后同时测定。血清酶的活性受贮存时间和温度等多种因素影响而发生变化。对于酶类的稳定性,国内外少有文献报道且观点不一[3]。
评价酶学检测结果的准确与否必须要明确该酶的生物学变异;标本分析前的变异可以通过严格标准化分析前条件来实现,分析前变异的研究得到了临床较高的重视。但是血清样本酶学指标在室温与冷藏状态下的稳定性研究,文献报道很少。稳定性研究的最好方法是在重复性条件下工作,否则,由于稳定性检验中因再现性对结果的影响使得不稳定性产生的估计不确定度不必要地放大了(检测系统重复性问题)因此本研究采用同步设计稳定性研究方法。研究证实冰冻混合血清酶学指标在-80℃条件下长期稳定[4],这是该实验采用同步设计稳定性研究方法的前提。
对六种酶同时采用直线作为经验模型,即斜率b应为0或者接近0的方法观察[4],结果发现,ALP、CK、GGT、ALT、AST五种酶无论采用经验模型法,还是采用双因素方差分析统计学方法观察结果具有一致性,即GGT与AST最稳定,在室温与冷藏状态下30d内稳定;ALT酶最不稳定,无论在室温还是冷藏状态下,ALT活性在8h内是稳定性可以接受,12h后活性逐渐衰减;22～25℃贮存条件下,30d内混合血清ALP值是稳定的;2～8℃贮存条件下,在7d内ALP是稳定的,第12d之后,ALP酶活性衰减明显;22～25℃贮存条件下,CK在1d内酶活性是稳定的,1d之后酶活性逐渐衰减;2～8℃贮存条件下,30d内混合血清CK酶活性是稳定的。对LDH根据双因素方差分析统计学方法,在22～25℃贮存条件下,30d内酶活性稳定与经验模型法观察结果不太一致,应扩大时间点,继续观察。2～8℃贮存条件下,双因素方差分析统计学方法观察因P值恰好在0.05附近,采用经验模型法观察可能更加直观有效。
摘要：目的:观察冰冻混合血清六种酶(ALP、ALT、AST、GGT、CK、LDH)在室温(22～25℃)与冷藏(2～8℃)条件下的短期稳定性。方法1.收集不同浓度的混合血清后过滤分装,采用同步设计稳定性研究方法,在Dimension RxL Max全自动生化分析仪上检测ALP、ALT、AST、GGT、CK、LDH六种酶的活性。采用双因素方差分析进行稳定性检验统计。结果:22～25℃贮存条件下,混合血清酶值在按照时间点分组时,ALP、GGT、AST、LDH水平(A)差异无统计学意义(P>0.05);CK、ALT差异有统计学意义(P<0.05),LDH水平(B)随着贮存时间的延长,LDH活性有衰减的趋势。2～8℃贮存条件下,ALP、ALT差异有统计学意义(P<0.05);GGT、CK、AST差异无统计学意义(P>0.05),LDH P=0.053。结论:同步设计稳定性方法是研究短期稳定性较好的方法;GGT、AST酶较稳定;ALT较不稳定;ALP酶在22～25℃贮存条件下较稳定;CK在2～8℃贮存条件下较稳定;LDH酶在22～25℃贮存条件下稳定性有待于进一步观察。
关键词：血清酶,稳定性,同步设计
参考文献
[1] ISO Guide 35． Reference material general and Statistical principles for certifications [S]. ISO, Geneva, Switzer,2006
[2] G. M Henriksen, MM Pedereen, I. N Rgaard, et al. Minimally processed fresh frozen human reference sera: preparation, testing, and application to international external quality assurance. Scand J Clin Lab Invest, 2004; 64:293～308
[3] Padma V Iyer,Laxmi Ananthanarayan. Enzyme stability and stabilization-Aqueous and non-aqueous environment, Process Biochemistry, 2008; 43: 1019～1032
短期稳定性 第2篇
土壤碳循环是与全球气候变化密切相关的地球表层循环系统,开展土壤碳循环研究对于促进陆地生态系统碳的固定以及提高其稳定性有着重要意义。与自然土壤相比,农业土壤受到高强度的人为扰动,其包含的碳库是全球最活跃碳库的组成部分,其对于维持全球碳平衡具有不可忽视的贡献[1]。水稻是亚洲乃至全球主要的粮食作物之一,在我国境内被广泛种植,以植稻或植稻为主的耕作制度下形成的土壤有机碳含量较高[2]。研究表明,水稻土在农业土壤固碳方面潜力较大,且显著大于旱地土壤[3]。因此,揭示稻作生态系统土壤有机碳的含量分布以及矿化动态特征对正确评价农业系统对全球气候变化的影响具有重要的科学意义[4]。本文以西南地区紫色水稻土长期定位试验点为平台,系统地分析了短期耕作对稻田土壤的有机碳分布及矿化动态的影响,旨在为全面地认识稻田土壤有机碳循环过程、内部机制以及构建可持续农作体系提供理论参考。
1 研究地区与研究方法
1.1 研究区概况
供试土壤采集于西南大学试验农场的长期定位试验站(始于1990年)。该试验站地处东经106°26′,北纬30°26′,海拔230m,年平均气温18.3℃,年平均降雨量1 105mm,5-9月的降雨量占全年雨量的70%,年日照1 278h,无霜期年均约334d,属“川东平行岭谷区”北碚向斜中部。土壤为中生代侏罗系沙溪庙组灰棕紫色沙泥岩母质上发育的中性紫色水稻土。原耕层土壤基本理化性质为:pH7.1;有机碳13.4g/kg;全氮1.7g/kg;全磷0.8g/kg;全钾22.7g/kg。试验前一直采用一季中稻加冬水耕作制。
本研究共设4个耕作处理:①常规平作(中稻),按传统方法翻耕植稻,水稻收获后灌冬水;②垄作免耕(中稻),全年免耕,作垄规格为一垄一沟55cm,垄顶宽25cm,沟宽30cm,沟深35cm,每小区作5垄,水稻收获后灌冬水;③垄作免耕(稻油),全年免耕,作垄规格与②相同,水稻收获后降低垄沟水位种植油菜;④水旱轮作(稻油),按传统方法翻耕种植水稻和油菜。每个处理小区面积为20m2,设4次重复,随机区组排列。各处理施肥量:N为125.6kg/hm2;P2O560.0kg/hm2;K2O为75.0kg/hm2。每年油菜和水稻施肥都是过磷酸钙全作底肥;尿素2/3作底肥,1/3作追肥;氯化钾底肥和追肥各半。
1.2 土壤样品采集及分析方法
田间样品采集于2010年5月水稻种植前和9月水稻收获后,在各处理小区内随机选取5点,按耕层深度0～20cm进行采样,挑出土样中的根系和石砾然后置于室内风干后,按四分法去掉多余的土壤,保留1kg左右备用。
采用室内恒温培养、碱液吸收法[5]测定土壤有机碳矿化量,土壤易氧化有机碳采用333mmol/L高锰酸钾氧化法测定[6]。其它指标依照《土壤农业化学分析方法》分析[7]。
1.3 数据统计与分析
采用Excel 2003制图,相关指标的差异显著性检验采用SPSS 16.0软件。
2 结果与分析
2.1 短期耕作对土壤有机碳、全氮含量的影响
土壤有机碳、全氮含量是表征土壤质量高低的重要指标。土壤有机碳、全氮含量变化如表1所示。由表1可知,研究区域0～20cm耕层土壤在水稻种植前有机碳含量变化在14.93～20.69g/kg,平均为18.68g/kg,全氮含量变化在1.61～2.01g/kg,平均为1.825g/kg;而水稻收获后土壤有机碳含量变化在17.22～24.15g/kg,全氮含量变化在1.60～2.23g/kg。不同耕作制度间水稻种植前有机碳和全氮含量大小顺序均为垄作免耕(稻油)>常规平作(中稻)>垄作免耕(中稻)>水旱轮作(稻油);而水稻收获后有机碳含量大小顺序为垄作免耕(稻油)>垄作免耕(中稻)>常规平作(中稻)>水旱轮作(稻油),全氮含量为垄作免耕(稻油)>常规平作(中稻)=垄作免耕(中稻)>水旱轮作(稻油)。
大小写字母分别表示同一处理不同时期和不同处理同一时期在p=0.05水平上的差异显著性,下同。
另外,除水旱轮作(稻油)以外,不同耕作制度下水稻收获后土壤有机碳、全氮含量均有不同程度的升高。具体表现为,垄作免耕(中稻)经一季水稻种植后土壤有机碳含量增量最大,达4.52g/kg,其次是垄作免耕(稻油)和水旱轮作(稻油),分别增加3.46和2.29g/kg,常规平作(中稻)最小,仅增加1.62g/kg;对于土壤全氮含量,如以常规平作(中稻)为对照,则垄作免耕(稻油)和垄作免耕(中稻)增量分别为对照增量的3.66倍和2倍,但水旱轮作(稻油)土壤全氮含量却表现为略微减小。统计分析表明,不同耕作制度间水稻种植前与收获后土壤有机碳含量差异达到显著性水平(p < 0.05),而全氮含量则表现为垄作免耕(稻油)和垄作免耕(中稻)差异达到显著水平(p < 0.05),但常规平作(中稻)和水旱轮作(稻油)差异不显著。
2.2 短期耕作对土壤易氧化有机碳含量的影响
土壤易氧化性有机碳含量反映了土壤有机质的质量高低,可作为衡量稻田土壤肥力及培肥水平的重要指标。结果表明(如表2所示),研究区域0～20cm耕层土壤在水稻种植前易氧化有机碳含量变化在3.71～7.65g/kg,平均为6.27g/kg,而在水稻收获后其含量变化在4.32～6.82g/kg间,平均为5.85g/kg。不同耕作制度间水稻种植前和收获后土壤易氧化有机碳含量大小顺序均为垄作免耕(中稻)>常规平作(中稻)>垄作免耕(稻油)>水旱轮作(稻油)。统计分析表明,垄作免耕(中稻)和常规平作(中稻)土壤易氧化有机碳含量差异未达到显著水平,且二者与其他耕作制度间差异均达到显著水平,而垄作免耕(稻油)与水旱轮作(稻油)间易氧化有机碳含量差异也达到显著水平(p < 0.05)。另外,水旱轮作(稻油)在水稻收获后土壤易氧化性有机碳含量显著高于水稻种植前,而其他耕作处理则表现为水稻收获后土壤易氧化有机碳含量显著低于水稻种植前土壤(p < 0.05)。
由表2还可知,不同耕作制度在不同时期土壤易氧化有机碳占有机碳的比例差异较明显。在水稻种植前该比例大小顺序为垄作免耕(中稻)>常规平作(中稻)>垄作免耕(稻油)>水旱轮作(稻油),而水稻收获后为垄作免耕(中稻)>常规平作(中稻)>水旱轮作(稻油)>垄作免耕(稻油)。统计分析表明,水旱轮作(稻油)处理在水稻收获后土壤易氧化有机碳占有机碳的比例高于水稻种植前,差异达到显著水平,而其他耕作处理该比例均表现为收获后土壤低于种植前,且差异均达到显著水平(p < 0.05)。
2.3 短期耕作对土壤有机碳矿化动态的影响
土壤有机碳矿化是土壤有机碳循环的重要过程,其形成土壤呼吸并向空气中排放CO2,是土壤有机碳输出的重要途径,也是稻田生态系统土壤碳循环的重要组成部分。水稻种植前(A)与收货后(B)土壤有机碳且均矿化量变化如图1所示。
由图1可知,不同耕作制度下稻田0～20cm耕层土壤有机碳日均矿化量变化趋势较一致,在培养前期有机碳日均矿化量较大,随着培养时间的延续日均矿化量逐渐减小,在第11天有小幅增加,随后又缓慢减小,最后趋于平稳。在培养期62天内,常规平作(中稻)每日的有机碳矿化量均高于其他耕作制度。
土壤有机碳矿化指标变化如表3所示。由表3可知,在培养期62天内,水稻种植前及收获后土壤的平均日均和累积矿化量大小顺序均为常规平作(中稻)>垄作免耕(中稻)>垄作免耕(稻油)>水旱轮作(稻油)。而水稻种植前土壤有机碳的矿化强度大小顺序为常规平作(中稻)>水旱轮作(稻油)>垄作免耕(中稻)>垄作免耕(稻油);水稻收获后为常规平作(中稻)>垄作免耕(中稻)>水旱轮作(稻油)>垄作免耕(稻油)。
统计分析表明,常规平作(中稻)处理水稻收获后土壤的累积矿化量和矿化强度分别为水稻种植前土壤的104.5%和96.5%,且差异均达到显著水平;垄作免耕(中稻)处理水稻收获后土壤的累积矿化量和矿化强度分别为水稻种植前土壤的164.4%和133.5%,且差异均达到显著水平;垄作免耕(稻油)处理水稻收获后土壤的累积矿化量和矿化强度分别为水稻种植前土壤的97.0%和83.2%,唯有其矿化强度差异达到显著水平;而水旱轮作(稻油)水稻收获后土壤的累积矿化量和矿化强度分别为水稻种植前土壤的88.4%和76.7%,且差异均达到显著水平(p < 0.05)。
2.4 土壤有机碳矿化量与易氧化有机碳量的关系
土壤易氧化有机碳作为土壤活性有机质的一部分,其有效性较高,易被土壤微生物分解利用,且能直接供应植物生长所需的养分[8],因此其含量大小可能对土壤有机碳矿化有直接的影响。回归分析结果表明(如图2所示),供试土壤有机碳日均矿化量与土壤易氧化有机碳具有极显著正线性关系(R2=0.385 5,n=18, p < 0.01),表明土壤有机碳矿化量随着土壤易氧化有机碳的含量的增加而升高。但是土壤有机碳矿化强度与土壤易氧化有机碳并不具有显著的线性相关关系(R2=0.177 4,n=18,p = 0.08),有机碳矿化强度是指培养62天内有机碳总矿化量占土壤有机碳含量的比例,表明土壤有机碳含量及其矿化强度与土壤易氧化性有机碳含量相关性不显著。
3 结论与讨论
不同的耕作制度会对土壤的物理、化学以及生物学特性产生不同程度的影响。本文通过长期的定位试验研究发现,耕作制度对稻田土壤有机碳、全氮、易氧化有机碳含量及其矿化动态特征有较显著的影响。经过一季水稻的种植后(5-9月),不同耕作制度0～20cm耕层土壤有机碳含量均有所升高。在水稻收获后垄作免耕(稻油)和垄作免耕(中稻)土壤总有机碳含量与常规平作(中稻)相比均显著升高,表明长期垄作免耕会导致有机碳聚集于土壤表层,这与其他研究结果相似[9,10,11]。这是由于长期免耕不翻动土层,可以增加土壤颗粒胶结能力,促进土壤的团聚作用,且使得施用的肥料和作物残体等大量聚集于表层。而水旱轮作(稻油)经一季水稻种植后土壤有机碳含量显著升高,但与常规平作(中稻)相比仍然较低,可能是因为水旱轮作(稻油)中干湿交替现象明显[12],且翻耕破坏了土壤的物理团聚结构,致使团聚结构保护的有机质暴露在空气中,二者均加速了有机碳的矿化。另外,除水旱轮作(稻油)外,其他耕作处理在水稻收获后土壤易氧化性有机质含量均显著下降,且土壤易氧化有机碳含量大小顺序均为垄作免耕(中稻)>常规平作(中稻)>垄作免耕(稻油)>水旱轮作(稻油);还有垄作免耕(稻油)在水稻收获后土壤易氧化有机碳占有机碳的比例最低,仅有23.85%,二者均表明实行稻油轮作的模式可以增加土壤难氧化有机碳含量,可能对土壤有机碳稳定性有积极的作用。
土壤有机碳矿化作为土壤中重要的生物化学过程,其动态变化规律和强度大小对土壤质量高低具有直接的影响[13]。本研究结果表明,不同耕作制度间土壤有机碳累积矿化量和矿化强度存在显著差异。常规平作(中稻)土壤有机碳累积矿化量和矿化强度均显著大于其他处理,而垄作免耕(稻油)土壤有机碳矿化强度显著小于其他处理(p<0.05)。经过一季水稻种植后,常规平作(中稻)土壤有机碳累积矿化量有所增加,矿化强度则表现为下降,但差异均不显著;垄作免耕(中稻)土壤有机碳矿化量和矿化强度均显著增加;而垄作免耕(稻油)和水旱轮作(稻油)土壤有机碳累积矿化量和矿化强度均显著降低(p < 0.05)。另外,回归分析结果表明,土壤有机碳累积矿化量与易氧化有机碳之间具有正线性关系,并达到极显著水平(p < 0.01),表明土壤易氧化有机碳含量高则土壤有机碳矿化速率较快。
短期稳定性 第3篇
国家统计局昨日发布5月中旬(5月11日20日)50个城市主要食品价格变动情况，引人注目的是猪肉价格涨幅再次刷新了春节之后的最高纪录。数据显示，猪后腿肉目前售价为25.62元/kg，比5月上旬(5月1日10日)上涨了3.3%;五花肉目前售价为24.93元/kg，比5月上旬上涨了3.2%，均创下了春节后的最高涨幅。与春节期间高价相比，猪后腿肉、五花肉价格分别上涨了2.6%、2.4%。
5月份猪价的持续上涨出乎不少人的意料。按照往年的规律，随着需求的减少，猪价在“五一”后一般会逐步回落。然而今年5月份以来，猪价未跌反涨，目前生猪和猪肉价格相比去年的涨幅达到50%左右，达到2008年8月以来的最高点。为此，不少人担忧：肉价上涨，进一步增加了抑制通胀的难度。但宏观经济研究者们认为，由于今年的居民消费价格指数 (CP I) 在二季度处于高位，猪肉涨价无疑会推动近几个月物价加速上涨。不过从全年来看，如果猪肉价格于三季度回落，预计不会导致今年CPI涨幅超预期。业内专家冯永辉也认为，今年猪肉价格对C PI上涨的压力主要将体现在5、6月份，因为去年同期猪价是3年来的最低谷，基数非常低，致使同比涨幅达到55%以上。7月份以后，猪价同比涨幅将回落到50%以下，对整体物价的影响也会减小。
今年以来，中国长江中下游地区降水异常偏少，湖北、湖南、江西、安徽、江苏、浙江、上海7省市区域平均降水量为近60年以来同期最少。据长江水文站资料显示，长江中下游一些站点水位创下历史同期最低纪录。湖北、湖南、江西等地部分地区出现严重旱情。据国家防总最新统计，耕地受旱面积已达9 892万亩。对粮食减产的担忧加剧了市场短期内对粮价上涨的预期。5月23日，早籼稻期货主力1109合约早盘一度大涨近4%，最终放量上涨近3%，并带动其他谷物期货上涨。干旱还会给当地畜牧业带来一定打击，如有报道称，武汉市因灾造成近550万头(只)畜禽饮水困难，累计损失达3.75亿元。业内人士更为担忧干旱诱发动物疫病。冯永辉表示，如果今年夏天猪病非常严重，供应缺口继续扩大，猪价还是有可能逼近甚至超过2008年的高点，明年2、3月才是价格的拐点。
短期稳定性 第4篇
随着能源危机的加剧和环境问题的日益突出, 风电作为一种清洁可再生能源成为能源供应的重要选择。 然而, 随着风电基地的集约化建设, 同一区域风电场密度和并网容量增加, 风速的时空分布特性给电力系统的稳定运行和调度计划的制定带来前所未有的挑战。
含风电场的电力系统经济调度问题, 关键在于考虑风电功率的不确定性对调度决策的影响。 以往的研究中很少考虑风电功率的不确定性对旋转备用容量的额外要求, 同时也经常忽略相邻风电场之间的空间相关性, 这必然会影响调度结果的客观性。 研究初期, 常通过增加一定比例的旋转备用容量, 将其转化为传统的确定性调度问题, 但由于没有定性分析风电的不确定性对调度的影响, 该方法容易得出保守或者冒进的决策方案, 经济性和安全性无法得到有效保证[1]。 文献[2- 3]基于模糊集理论, 通过定义隶属度函数来处理风电的不确定性, 但其所得调度决策方案却受制于主观因素。 文献[4 - 6]在优化模型中引入机会备用约束对风电系统的短期优化进行研究, 但该方法难以确定机会备用约束的最佳置信度。 文献[7- 9]在短期经济运行中, 将“失负荷”和“弃风”惩罚成本纳入经济性考量, 或者在目标函数中加入发电成本期望等风险度量项, 对更广意义的电力系统优化进行了有益探索。 然而上述模型均忽略了各风电场之间的风速相关性, 从而降低了调度方案的准确度。同一区域的风电场由于受同一风源的影响, 各维风速之间具有一定的时空分布关系。 为有效考虑风速的相关性因素, 文献[10- 11]通过协方差矩阵变换法或Nataf逆变换技术, 得到不同风电场之间具有线性相关的风速分布样本, 并分析了风速的线性相关性对概率潮流计算的影响。 然而, 风速的分布具有不对称的厚尾特性, 使得风电出力的概率分布也呈现出相应的厚尾特性, 从而导致线性相关系数具有一定的局限性, 不加分析地使用该指标可能会导致错误的结论。鉴于此, 有学者提出运用Copula函数构建电力系统随机变量联合概率分布的思想, 并采用Copula函数描述了离岸和近岸风力发电以及风电示范工程中相邻风电场的时空分布特征, 对含风电场群的系统优化问题进行了探索, 取得了较好的效果[12,13]。
本文首先结合Copula函数生成具有已知时空分布特性的多维风电功率的场景空间。 在优化模型中, 将风电计划出力作为优化变量, 并在目标函数中加入因风电计划出力偏差导致的“电能短缺”和“电能盈余”等不确定成本项, 从经济性的角度量化了风电不确定性带来的成本的增加。 通过对风电功率和负荷等随机变量的场景运算, 并采用改进的量子粒子群优化 (IQPSO) 算法求解, 提高了模型求解速度并准确直观地反映出系统的风险水平和最佳置信度, 有助于调度人员制定更加经济、灵活、合理的调度方案。
1 多维风速的时空分布特性分析
1.1 Copula函数定义
Sklar定理[12,13,14]指出, 任何联合分布函数都可用描述其随机性的边缘分布Fi (xi) 以及描述相关结构的Copula函数来刻画。 即存在这样一个Copula函数C (F1 (x1) , F2 (x2) , …, Fn (xn) ) , 使得其中, F (x1, x2, …, xn) 为随机变量x1、x2、…、xn的联合分布函数。
1.2 Copula函数的构造
本文以某相邻风电场 (W1和W2) 风速样本为研究对象, 简述构建Copula函数模型的步骤如下。
a. 确定风速的边缘分布。 实测数据表明, 各风电场风速的短期概率分布特性可用正态分布来描述, 即:
其中, Fi, t (x) 为风电场i在t时段的风速概率分布函数;和分别为t时段预测风速平均值和标准差。
b. Copula函数的选择与评估。 令U = F1 (x) 、V =F2 (x) , 由Copula函数的性质可知, 对变量进行严格单调增变化时, 由Copula函数导出的相关性测度不会改变[13]。 因此, 不同时段的风速Copula函数具有相同的相关性结构, 因此根据各风电场的历史风速选择合适的Copula模型。 图1 所示为U和V的历史频率直方图, 它是 (U, V) 联合概率密度的估计。由于其具有明显的对称性, 通过分析常用的Copula函数及其特点可知, 选择Gau-Copula或t-Copula函数分析W1和W2的风速时空分布特性比较合适。 其Copula概率分布函数分别为[12,13]:
其中, u和v为Copula函数的三维变量; ρ 为变量间的线性相关系数;k为自由度;Φ-1 (·) 为标准正态分布函数的逆函数;tk- 1 (·) 表示自由度为k的t分布函数的逆函数。
为进一步比较所选Copula函数的优劣, 引入欧氏距离的概念, 其定义式如下[12,13]:
其中, 为EMC函数, 是实际分布函数的一个逼近;C (ui, vi) 为THC函数。
c. Copula函数的参数估计。 极大似然法是一种经典的参数估计方法, 在数理统计和参数估计领域有广泛的应用。 该方法可分为精确法和两阶段法, 虽然精确法能够同时估计模型中的所有参数, 但由于Copula模型参数过多而不利于最大似然函数的寻优, 因此本文选用两阶段极大似然法估计Copula模型的参数, 因而将参数估计的过程分解为两步。
第一步:估计出边缘分布函数的参数。
第二步:估计出Copula函数中的相关参数。
根据W1和W2的历史风速数据, 通过参数估计得到各Copula模型的相关参数, 结果如表1 所示。 显然, 二元t - Copula函数的欧氏距离更小, 由此认为t - Copula函数在描述多维风速的时空分布特性方面具有更好的适用性。 图2 给出了其概率密度函数图。
2 系统运行风险建模
一方面, 由于风电的并网改变了系统的电源分布, 因而系统的潮流分布也要发生巨大变化, 这使得原有的系统面临线路过载的风险, 即[12]:
其中, friskline为线路过载风险指标;Nline为系统中线路数量;Prob{·}表示事件发生的概率; plimline, l为各线路的传输功率极限;pline, l为线路l流过的功率, 可通过直流潮流模型求取, 表达式如下所示。
其中, θ 为各节点电压相位矢量;θi和 θj为线路两端的相位;B为系统电纳矩阵;Pg、 Pw和Pload分别为各节点的常规机组出力、风电出力和负荷组成的向量。
另一方面, 由于《可再生能源法》明文规定风电应全部上网, 因此风电功率的随机性必然使得系统的旋转备用需求增加。 在运行过程中, 系统将不可避免地面临因正负旋转备用不足而导致的系统“切负荷”或者 “弃风”的危险。 因此, 本文以 “ 切负荷”和“弃风”概率作为系统的运行风险指标, 即:
其中, 为风电计划出力;Δpload为系统负荷预测误差, 通常采用均值为0 的正态分布来描述;pw为实际风电总功率;Su和Sd分别为系统能提供的最大正、负备用容量, 表达式如下所示。
其中, Ng为常规机组台数;Δiu和 Δid分别为第i个常规机组的上、下爬坡速率;T10为旋转备用响应时间, 取值10 min;pgmiax、 pgmiin分别为常规机组i的最大和最小出力极限。
ptg imax和ptg imin为常规机组i在t时段的有功出力的上、下限, 即:
其中, T60为单位运行时间, 在本文中取1 h。
由于系统负荷预测误差 Δpload和实际风电总功率均为随机变量, 为方便分析, 本文将两者之和定义为等效风电出力pe, 即:
其中, Nw为风电场群中的风电场数量。
3 考虑不确定成本的电力系统优化调度模型
3.1 确定性成本建模
电力系统中确定性成本即为常规机组的燃料成本, 其单时段的火电机组成本函数通常用该机组有功出力的二次函数表示, 即:
其中, ai、bi和ci为火电成本系数。
此外, 汽轮机进气阀开启瞬间出现的拔丝现象会在机组耗量曲线上产生阀点效应, 从而造成能耗成本的增加, 即[5]:
其中, di、ei为阀点效应系数。
3.2 不确定成本建模
由上文可知, 各时段的风电出力均为服从一定概率分布的随机变量, 而参与优化的各时段风电计划出力軈pw是一个确定值。 如图3 所示, 利用p軈w将风电功率的概率密度曲线一分为二, 其左边和右边即分别为风电出力短缺和盈余情况。
如果计划出力偏高, 需调用常规机组的备用容量来补偿风电出力的不足, 则造成能源消耗成本增加;同理, 当计划出力偏低, 需调用负备用容量补偿风电出力的盈余, 则造成风能资源的损失。 因此, 本文定义的系统不确定成本为因电能短缺和电能盈余而导致的运行成本的增加, 即:
其中, Ctshortage为电能短缺成本, 反映了正备用调用成本或备用不足造成的停电损失;Ctsurplus为电能盈余成本, 反映了负备用调度成本和风能浪费造成的环保效益的降低。
a. 电能短缺成本。
电能短缺时, 风电场负效率运行, 系统必须通过增加旋转备用容量出力甚至是切掉部分负荷的方式达到维持系统稳定的目的。 电能短缺造成的成本增加主要取决于风电场实际运行情况下对风电出力不足的概率、正备用需求以及旋转备用容量调度的难易程度等指标的量化[15]。 因此, 风电出力短缺概率成本如下式所示:
b. 电能盈余成本。
电能盈余时, 系统必须通过减小常规机组出力或弃风的手段维持系统功率平衡。 与电能短缺成本类似, 影响该项成本的因素包括:风电场出力盈余情况发生的概率、负旋转备用需求量以及负旋转备用的调度难易程度[15]。 因此, 特定风电计划出力情况下, 相应的电能盈余成本可表示为:
式 (18) 和 (19) 中, friskshortage和frisksurplus分别为风电场出力短缺和出力盈余的概率;k1和k2分别为电能短缺和电能盈余成本系数, 其大小的厘定参见文献[16]。
3.3 目标函数
含风电场电力系统经济调度的目标是在优先考虑风电并网的基础上合理分配常规机组出力使系统获得最大的经济和社会效益。
3.4 约束条件
a. 功率平衡约束:
b. 风电场出力计划约束:
c. 常规机组出力约束:
d. 常规机组爬坡约束:
e. 系统运行风险约束。
在系统运行中, 须将风险指标约束在允许的范围内以保证系统的安全稳定, 并避免大量的弃风。
其中, Nd为系统负荷节点个数;为第j节点的负荷预测值;T为一个调度周期;wmax, j为风电场j装机容量;μ1、 μ2和 μ3为各风险指标的风险阈值, 通常取值0~10% 。
4 模型处理与求解
4.1 基于场景运算的机会约束处理
该模型中含有机会约束条件和等效风电出力等随机变量, 以致采用蒙特卡洛技术求解时效率低下。本节运用“场景运算”方法对随机变量的不确定性进行处理, 直接求取系统的运行风险指标。
4.1.1 多维风电出力的场景化
场景化可理解为用一组离散的概率分布序列[yi, Pr (i) ] (i = 1, 2, …, S) 近似描述连续分布函数的过程。 其中, yi和Pr (i) 分别表示场景i的分位点以及相应的概率, 多维风电出力场景化的方法为[13,17]:
a. 产生满足t - Copula分布的系列二维风速样本, 并将样本分为S类, 将各类中心 (该类中所有样本的均值) ui= (u1i, u2i, … , uni) (i = 1, 2, … , S) 作为场景的分位点;
b. 统计每类中的样本数占样本总数的比例, 将其作为各场景的概率值P (i) (i=1, 2, …, S) ;
c. 采用式yi= Fi- 1 (ui) 将各场景的分位点转换为原联合分布函数的场景, 再计算出所需的风电场出力场景分位点, 各分位点对应的概率为P (i) (i=1, 2, …, S) 。
4.1.2 基于场景运算的系统风险评估
本文以“切负荷”风险约束为例, 简述风险指标的计算过程。
a. 进行风电出力场景化建模, 并计算风电总出力的场景分位点
b. 将系统负荷波动 Δpload进行场景化建模, 并利用全概率公式得到等效风电出力pe的场景概率序列[pe (i) , Pr (i) ] (i = 1, 2, …, S) 。
c. 当pe以某一概率取值pe (i) 时, 系统所需的正旋转备用容量将以相同概率取值, 因此, 若其场景序列为[ru (i) , Pr (i) ], 则场景分位点ru (i) 为:
d. 若此时系统能提供的最大正旋转备用为Su, 则系统“切负荷”风险水平为:
其中, rumax (i) 和rumin (i) 分别为正旋转备用需求的最大和最小场景分位点;nmax为满足条件Su< ru (i) 的最大场景个数。
4.2 基于IQPSO算法的模型求解
4.2.1 QPSO算法基本原理
QPSO算法是在PSO算法粒子收敛行为的研究成果基础上, 从量子力学的角度出发, 对经典PSO算法进行简化后提出的一种新型PSO算法[18,19,20]。 QPSO算法不仅能有效地应用于优化问题的求解, 并且粒子状态只需通过位置向量描述, 更加易于实现。
当粒子在搜索空间中移动时, 存在着一个以局部吸引点为中心的delta势能吸引着粒子, 这正是粒子能够保持聚集性的原因[18,19]。 定义该局部吸引点为:
其中, pi, j (r) 为第r代第i个体第j维的局部吸引点;pbesti, j为个体最优值;gbest, j为全局最优值;u为[0, 1]之间的随机数。
粒子的位置更新方程为[20]:
其中, β 为控制参数;rand (0, 1) 表示一个[0 , 1]之间的随机数;mb, j (r) 为第r代第j维的平均最优位置, 即所有粒子自身最优位置的中心, 如式 (30) 所示。
其中, ns为粒子群体大小。
4.2.2 IQPSO算法
(1) 动态参数调整。
QPSO算法中, 控制参数少, 易于实现, 但对该参数的控制和选择将直接影响到算法的收敛性。 因此, 本文采用动态控制策略调整 β, 使其值按余弦规律变化。 这样可使得 β 既能在迭代初期较长时间保持较大值以保证算法的搜索效率, 又能在迭代后期保持较小值以提高算法的搜索精度, 即:
其中, r为当前迭代次数;rmax为允许迭代的最大次数;βmax和 βmin分别为控制参数的初始值和最终值。
(2) 精英学习模式。
为提高算法的全局寻优能力, 本文建立了粒子早熟判断机制并在算法中引入精英学习模式。 首先, 为每个粒子设置一个停滞计数器, 若粒子在迭代中停止更新, 则计数器加1。 当粒子停止更新的次数小于设定的阈值时, 按QPSO算法寻优, 否则认定其早熟并进入精英学习模式。 在本文中, 选取全局最优解的任意一维pd (根据机组出力费用灵敏度大小选取) 作为扰动项, 并在其附近搜索。 精英学习模式通过Beta分布表示如下:
其中, min (Δ) 为系统中所有常规机组的最小爬坡速率;Betarnd (α, λ) 为均值和方差分别为 μ=α / (α+λ) 、的随机Beta分布, 本文设 λ 为1, 类似于时变的神经网络策略, α 也随着迭代次数线性变化, 即:
其中, αmax、αmin分别为 α 的最大值和最小值。
将场景运算与IQPSO算法相结合, 对含风电场的电力系统动态经济调度模型进行求解, 算法流程图4 所示。
5 算例结果与分析
本文对图5 所示含2 个邻近风电场的IEEE 30节点系统进行仿真计算, 验证所提方法的可行性和有效性。 假设风电场装机容量均为60 MW, 风机的切入、额定和切出风速分别为4 m / s、14 m / s和30m / s, σv= 0.5。 电能短缺和电能盈余等不确定成本系数分别为k1= 30 苊/ (MW·h) , k2= 15 苊/ (MW·h) [16]。各节点负荷信息见文献[21], 研究周期为3 h (每时段为1 h) 。 常规机组参数见表2, 各时段的风速预测值如表3 所示, 风险阈值为0.05。 αmax、αmin分别取1.0和0.2, βmax= 1.0、 βmin= 0.5[20]。 为对比分析风电场的接入以及风速相关性对系统优化调度的重要影响, 设计了如下3 种运行方式, 优化结果如表4 所示。
苊
方式1:不考虑风电功率并网。
方式2:考虑考虑风速t- Copula分布, 但风电计划出力不参与优化, 即以风电功率预测值作为计划出力值。
方式3:考虑考虑风速t - Copula分布且风电计划出力参与优化。
由表4 可知:相比风电场并网前, 方式2 、3 的系统不确定性成本均有不同程度的上升, 然而系统的发电总成本却分别节省了10.4% 和10.8%, 这表明, 风电场的“替代”效应, 虽然牺牲了一定的系统可靠性, 但能获取更大的经济利益;对比方式2 和方式3可知, 通过优化风电计划出力, 降低了没有充分利用风电资源而造成的资源浪费, 因此系统的总成本能够降低0.471%, 为此带来相当可观经济效益。
表5 给出了考虑风速t- Copula分布时的常规机组和风电场各时段的最优计划出力值, 即方式3 的动态经济调度方案, 该最优解下各时段的风险指标如表6 所示。 由表5 可知, 各时段的风电最优计划出力均明显高于其预测值, 因此, 系统的“切负荷”风险也明显高于“弃风”风险。 同时, 由于风电场并网位置为节点10、20, 与其相连接的线路有较大的功率传送能力, 因而线路过载风险为0。 若此时风电并网位置改为节点22、27, 由于与其相邻的线路25 - 27 承担风电功率的外送且传送容量较小, 因而成为系统的最薄弱环节, 此时线路过载风险达到4.9 %, 成为制约系统经济运行的主要因素, 而系统的调度总成本也上升了2.65%, 达到$2.7088×104。
在前文的基础上, 忽略风电场彼此之间的相关关系, 即分别将2 个风电场视为统一的整体以及假设两者相互独立, 研究风电场相关性对调度结果的影响, 结果如表7 所示。 由表7 可知, 随着风速间的相关性降低, 调度成本呈下降趋势。 其中与考虑风速的t - Copula分布的情形相比, 风速相互独立时的调度成本下降$5.08 × 102。 这是由于随着风速趋于独立时, 系统中的风电总功率的波动范围将随之变小。 这不仅使得系统潮流的波动范围及其对系统的扰动随之变小, 而且系统约束条件满足的概率相对提高, 风险指标下降, 风电计划出力相对提高。 因此系统确定性成本和不确定性成本都有所下降。 由此可以预见, 若风电场间的风速分布为负相关时, 则各并网风电场出力趋于互补, 电网运行成本将大幅下降。 然而一般而言, 邻近风电场的风速均为正相关, 若忽略其相关关系, 不仅会造成调度决策上的误差, 而且以该调度方案运行势必会造成系统越限, 危害系统运行安全。
苊
针对第1 时段优化结果, 以本文所提方法的计算值和其他方法计算结果进行比较, 从而验证场景运算处理机会约束的有效性以及IQPSO算法的优越性, 结果如表8 所示。 由此表明本文所提IQPSO算法具有更强的全局寻优和局部求精能力。 同时, 由于算例中含多个随机变量, 采用蒙特卡洛模拟时, 为保证求解精度, 须进行大量的随机抽样, 因此运行速度较慢。 在本算例中, 采用场景运算对风险指标直接求解, 可以全面考虑各随机变量的可能取值, 准确直观地反映出系统运行中的风险水平, 且大幅提高了模型求解速度。
此外, 本文在不考虑常规机组成本的情况下, 研究风电不确定成本与计划出力的关系, 如图6 所示。随着风电计划出力的增加, 系统的不确定性成本呈现先降低后增高的趋势, 各曲线对应的最低点即为各时段不确定性成本的最优值, 对应的计划出力即为该时段最优风电计划出力。 由图可知, 各时段最优风电计划出力和不确定性成本均低于方式3 的优化结果。 可见, 在所给定的电能短缺和盈余成本系数下, 风电的“替代”效应所降低的火电机组燃料成本显然要比风电不确定性带来的成本更高。 因此, 在此条件下制定调度计划时, 更希望让风电场多发电而不是让其的不确定性成本达到最低。
在方式4 的基础上, 考虑风电系统的风险阈值对调度结果的影响, 如图7 所示。 由图7 可知, 总成本与风险阈值成负相关, 特别地, 当时 α=β=0, 该模型变为确定性优化模型, 系统调度成本为, 远高于 α = β = 0.1 时的苊2.637 8 × 104。 这是由于随着风险阈值的增大, 系统可靠性要求降低, 一方面允许更大的风电计划出力, 另一方面允许某些概率很低但不满足约束条件的情况出现, 降低了系统备用需求, 提高了机组运行效率, 因此运行成本有较大程度的下降。 这也说明牺牲一定系统可靠性, 能在一定程度上获得更大的经济利益。 当其风险阈值超过0.063 时, 由于系统受到其他约束条件的限制, 总成本基本趋于恒定, 在此风险水平下时, 牺牲系统可靠性对运行总成本的贡献被大幅削弱。 因此可以认为该风险阈值即为系统最佳风险水平。 可见, 要保证系统绝对可靠地运行, 且不允许任何浪费, 电网投运成本非常高。 因此, 在实际电力系统中, 只需将风险指标约束在可控的风险阈值范围之内。 规划人员可根据实际情况, 兼顾电网对经济性和可靠性的要求综合评估最佳风险阈值。
6 结论
短期稳定性 第5篇
一、汽车金融服务领域的主体分析
我国的汽车金融服务市场具有极其广阔的发展前景, 使得各类企业纷纷加入其中。具体说来, 主要有如下服务机构:汽车制造商、商业银行、外资汽车金融公司、汽车经销商、保险公司。目前在我国市场上提供汽车消费信贷的金融机构有银行、非银行金融机构销售商二种。
商业银行一度几乎垄断了国内所有的汽车贷款和金融服务业务。根据中国人民银行的统计, 到2003年年底, 全部金融机构提供的汽车消费贷款余额达1700.06亿元, 比年初增长620.14亿元。其中四大国有商业银行1445亿元, 占85%, 股份制商业银行206亿元, 占12%, 城市商业银行45.9亿元, 占2.7%;财务公司5.1亿元, 占0.3%。但是截至2004年上半年, 我国金融机构汽车消费贷款余额为1833亿元, 而呆坏账近1000亿元, 坏账率有40%左右。而在北京, 坏账率更高达50%以上。各大银行陆续停止或者提高了个人汽车贷款业务的门槛, 汽车信贷萎缩。直到2006年随着企业和个人征信系统的开通, 银行凭借其密集的网络优势和充足的资金是银行汽车信贷的优势所在。汽车信贷业务也逐渐回升。总体来说, 现阶段在我国汽车金融服务领域处于主导地位的还是银行。
二、我国汽车金融风险控制中存的在问题
目前我国汽车金融服务领域主体的银行在汽车金融风险的控制中存在以下问题:
1. 对汽车金融风险的认识不足, 风险控制不到位
银行开办汽车消费贷款之初, 通过采取财产抵押、质押、保险公司担保等贷款担保形式, 银行认为贷款万无一失。为了抢占市场份额, 各行纷纷降低贷款条件。由于贷款客户分散, 对贷款人的信用状况缺乏应有的审查, 也没有做到贷后跟踪监测, 因此造成贷款客户良莠不齐, 这些都为信贷风险留下了隐患。而且汽车消费贷款在银行贷款业务中占有很小的比重, 不是其主业, 在实际业务操作中存在人员配备不足, 催收不及时, 只管贷不管收, 加重了汽车贷款的风险。
2. 银行缺乏对汽车经销商的制约, 使得经销商将风险转嫁到银行
在汽车消费贷款业务中, 银行和汽车经销商的关系只是基于资金供求基础上的商业合作关系, 银行为到经销商处购车的客户提供贷款, 促进汽车销售。经销商在贷款客户提供物质担保的基础上, 为汽车消费贷款提供全保证担保, 这种合作应该是双赢的合作关系。但仔细分析就会发现, 这种商业关系存在责任不对称, 风险分担不平衡。银行提供资金承担了资金损失的风险, 相反经销商借助银行贷款促进汽车销售, 对其有利, 不存在风险。其虽然提供贷款保证, 但这种保证通常只是一般贷款保证, 是在贷款人落实物质担保之后附加的信用保证。根据我国现行法律规定, 同一债权既有保证又有物的担保, 保证人对物的担保以外的债权承担保证责任。汽车消费贷款设定的物的担保价值肯定要超过贷款金额, 但在执行时却存在许多障碍, 不能及时变现, 因此可以说经销商的保证责任通常形同虚设。
加之银行对经销商缺乏强有力的制约, 经销商为了自己的利益不惜牺牲银行的利益, 与客户串通办理假按揭、降低购车首付比例等, 这样经销商就把业务风险全部转嫁给了银行, 形成银行汽车信贷的高风险。
3. 银行汽车金融服务品种单一, 产业链短
银行办理的汽车金融业务仅局限于汽车消费贷款, 赚取利息收入, 不仅造成收入单一, 而且缺乏与客户的沟通和联系, 无法及时了解贷款客户的基本经济变化情况。银行汽车消费贷款是一项独立的资金服务业务, 提供贷款以后除客户按时归还本息外, 基本与客户断绝了联系, 对客户、担保人等在贷款期间经营状况、经济情况的变化基本处于失控状态, 对出现的贷款风险不能及时采取保全措施。
4. 银行信贷风险控制机制存在漏洞
当前银行在贷款管理中普遍实行“审贷分离”的原则, 即:贷款业务人员负责考察贷款人的信用状况和抵押担保落实情况, 将考察结果和意见呈报给贷款审查委员会或部门负责人, 其本身没有贷款的权利, 最终决定发放贷款的是贷审会或部门负责人。表面看分工明确、相互制约, 加强了贷款的安全性。但在实际操作中, 这一机制存在很大的弊端:了解情况的业务人员没有放款权利, 有决定权的人不了解具体情况。在贷款责任上, 由于最终决定权在贷审会, 不仅损害了业务经办人员的积极性, 而且减轻了其应承担的责任, 形成业务人员只管放款, 不管风险的消极态度;贷款出现风险时相互推脱责任, 最终结果是责、权不统一;分工明确, 但责任不清, 而且由于这一机制手续比较繁琐, 在执行中往往流于形式。这就不难理解为什么商业银行信贷管理制度“越来越完善”, 不良贷款比例却居高不下。
三、建立战略联盟、共同防范汽车金融风险
银行或汽车金融公司要加强与保险公司、经销商的协作。汽车金融风险是系统性的, 银行或汽车金融公司、保险公司、经销商任何一家单打独斗都难以化解其中的风险, 每一个体都有自己的利益, 只有通过合作、建立战略联盟才能实现各自利益最大化。这就要求共同对客户的资信状况进行认真调查, 确认其是否具有《汽车消费贷款管理办法》规定的资信资格, 防范贷款风险。汽车金融服务的各机构间应加强合作建立战略联盟, 形成合力, 全力打击信用不良客户。银行或汽车金融公司间要定期召开工作例会, 将违约严重的客户列入“黑名单”, 并互通情况, 实现资源共享, 切实防范一车多贷、一人多车多贷现象的发生。另外, 必要时银行或汽车金融公司还要取得车辆管理部门的配合, 认真办理车辆抵押手续。
另外, 严防保险公司、经销商的欺诈风险。在选择合作伙伴时, 选择信誉好、实力强的保险公司、经销商进行合作。对符合合作条件的伙伴签订贷款合作协议, 明确可能出现的风险时双方应负的责任和应尽的义务。
一个成熟的、有效的汽车金融经营模式应当具备下面三项职能:为厂商维护销售体系, 整合销售策略, 提供市场信息;为经销商提供存货融资、营运资金融资和设备融资;为用户提供消费信贷、租赁融资、维修融资和产品保险等业务, 同时具备风险的识别和防范能力。目前无论是外资还是国内汽车制造商, 在中国建立完整的专业汽车金融服务机构都将面临一定困难。汽车金融公司在国外市场的金融创新, 如车贷债权的证券化和打包处理等金融工具, 更是国内无法短期内跟进的。国内厂商缺乏专业金融机构的运作经验, 而外资企业适应国内市场还需要一定时间。建立适应我国现阶段实际国情的汽车金融风险控制模式还需要汽车金融公司、制造商、销售商、保险公司、商业银行、政府及消费者等的长期共同努力。
参考文献
[1]董梵:我国汽车金融业的发展现状及趋势展望.车界论坛, 2005, 4:1～3
[2]张先锋单培尹红坡:中日汽车金融服务业比较研究.工业技术经济, 2005, 6:105～106
