毛義華，劉 悅

（浙江大學(xué) 土木工程管理研究所，杭州 310027）

0 引言

隨著金融業(yè)的發(fā)展，我國各商業(yè)銀行已逐步建立起了企業(yè)信用風(fēng)險評級系統(tǒng)。但因信用評級標準不一、結(jié)果不同，導(dǎo)致評級效率低下，存在評級對象和范圍較窄的現(xiàn)象。由于其主要使用法人客戶授信制度進行信用風(fēng)險評級，對單一法人客戶或集團性客戶核定綜合授信額度，并在額度內(nèi)辦理授信業(yè)務(wù)，集中控制客戶信用風(fēng)險的信貸管理制度，并且其授信額度理論值的測算采取“打分卡測評法”，即線性加權(quán)計算，指標和權(quán)重的確定帶有很大的主觀性，無法模擬企業(yè)實際信用與評測指標之間的復(fù)雜非線性關(guān)系。

規(guī)范企業(yè)信用評級管理，建立一個權(quán)威的信用等級標準評估體系，已經(jīng)成為政府和社會的一種共識。因此，本文提出基于RBF神經(jīng)網(wǎng)絡(luò)的商業(yè)銀行客戶信用風(fēng)險評級方法。試用RBF神經(jīng)網(wǎng)絡(luò)這個“特征提取器”，從大量過去的商業(yè)銀行客戶信用等級評定資料中自動提取各信用評價指標與企業(yè)實際信用等級之間的規(guī)律，用其超強的非線性映射能力進行仿真模擬，解決傳統(tǒng)客戶信用評價方法的不足之處。

1 客戶信用評級模型構(gòu)建

1.1 RBF神經(jīng)網(wǎng)絡(luò)基本思想

RBF神經(jīng)網(wǎng)絡(luò)是一個只有一個隱含層的三層前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。與其他類型神經(jīng)網(wǎng)絡(luò)不同，RBF神經(jīng)網(wǎng)絡(luò)的隱層轉(zhuǎn)換函數(shù)是局部響應(yīng)的高斯函數(shù)，而非全局相應(yīng)函數(shù)。

1.2 評價指標選取

輸入層為N個單元，隱層P個單元，輸出層為P個單元的RBF神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)表達為：

RBF網(wǎng)絡(luò)是一種性能良好的前向網(wǎng)絡(luò)。它不僅具有高速的運算能力，超強的適應(yīng)能力，自組織、自學(xué)習(xí)和優(yōu)秀的容錯能力，而且具有全局逼近性質(zhì),等達到最佳逼近性能。與在經(jīng)濟管理領(lǐng)域常用的BP神經(jīng)網(wǎng)絡(luò)相比，RBF網(wǎng)絡(luò)解決了其局部最優(yōu)、訓(xùn)練速度慢、效率低等問題。這些優(yōu)勢使得RBF與傳統(tǒng)的預(yù)測、決策、規(guī)劃、調(diào)度等方法相比，顯示了其在處理高度非線性問題中的獨特魅力。

指標的選取是極為關(guān)鍵的一步，指標選擇的好壞直接影響結(jié)果的準確性。網(wǎng)絡(luò)的輸入神經(jīng)元選取與客戶企業(yè)信用相關(guān)的指標，直接用企業(yè)信用等級作為網(wǎng)絡(luò)的輸出神經(jīng)元。

客戶企業(yè)的盈利能力、經(jīng)營能力、償債能力均與企業(yè)信用息息相關(guān)。因此，本文選取銷售收入現(xiàn)金實現(xiàn)率、銷售凈利潤、主營業(yè)務(wù)收入、利潤凈額這幾個指標全面的反應(yīng)客戶企業(yè)的盈利能力；選取總資產(chǎn)周轉(zhuǎn)率、應(yīng)收賬款周轉(zhuǎn)率這兩個指標來反映客戶企業(yè)的經(jīng)營能力；用流動比率、資產(chǎn)負債率來評價其償債能力。此外，本文亦將現(xiàn)金流量利息保障倍數(shù)、營運資本資產(chǎn)比率、總資產(chǎn)報酬率、資產(chǎn)總計、負債總計這幾個指標作為輸入變量，以全面地反映貸款企業(yè)的財務(wù)綜合實力。

表1 輸入向量表

表2 輸出向量取值表

根據(jù)上述分析，本文選取流動比率、應(yīng)收賬款周轉(zhuǎn)率、資產(chǎn)負債率、總資產(chǎn)周轉(zhuǎn)率、現(xiàn)金流量利息保障倍數(shù)、營運資本資產(chǎn)比率、銷售收入現(xiàn)金實現(xiàn)率、銷售凈利潤率、總資產(chǎn)報酬率、資產(chǎn)總計、負債總計、主營業(yè)務(wù)收入、利潤凈額這13個指標作為輸入向量。選取信用等級這一個指標作為輸出向量。信用等級的5個類別分別對應(yīng)與輸出變量Y的5種取值，即 AAA級，AA級，A級，B級，D級。

1.3 數(shù)據(jù)無量綱化處理

本文從A銀行取得了339家匿名客戶企業(yè)的財務(wù)及信用信息作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和測試樣本，并對收集的有效樣本按以下方式進行無量綱化處理：

(1)效益型指標，如應(yīng)收賬款周轉(zhuǎn)率、總資產(chǎn)周轉(zhuǎn)率、現(xiàn)金流量利息保障倍數(shù)、營運資本資產(chǎn)比率、銷售收入現(xiàn)金實現(xiàn)率、銷售凈利潤、總資產(chǎn)報酬率、資產(chǎn)總計、主營業(yè)務(wù)收入、利潤凈額，其指標值越大越好，故按公式（1）進行無量綱化，：

(2)成本型指標，如資產(chǎn)負債率、負債總計，其指標值越小越好，故按公式（2）進行無量綱化：

(3)區(qū)間型指標，如流動比率，其指標值落入某區(qū)間最好，故按公式（3）進行無量綱化：

其中，ai為第j項指標的最大值；bj為第j項指標的最小值。參考相關(guān)文獻，本文認為流動比率在區(qū)間[2,4]之間最佳，故 q1=2，q2=4。

把無量綱化處理好的樣本數(shù)據(jù)分為兩部分：隨機選取其中294家作為訓(xùn)練樣本，45家作為測試樣本。其中訓(xùn)練樣本中AAA 級企業(yè)63家，AA級企業(yè)66家，A級企業(yè)81家，B級企業(yè)43家，D級企業(yè)41家。測試樣本中AAA級企業(yè)5家，AA級企業(yè)10家，A級企業(yè)20家，B級企業(yè)7家，D級企業(yè)3家。

無量綱化后訓(xùn)練樣本數(shù)據(jù)如表3。

1.4 網(wǎng)絡(luò)參數(shù)選取

隱含層神經(jīng)元數(shù)量的確定是神經(jīng)網(wǎng)絡(luò)的關(guān)鍵問題。在RBF網(wǎng)絡(luò)訓(xùn)練中，傳統(tǒng)的做法是隱含層神經(jīng)元個數(shù)與輸入神經(jīng)元個數(shù)相等。本文采用試算法選取隱含層神經(jīng)元個數(shù)，即：從零個神經(jīng)元開始訓(xùn)練，通過檢查輸出誤差使網(wǎng)絡(luò)自動增加神經(jīng)元。每次循環(huán)使用，使網(wǎng)絡(luò)產(chǎn)生的最大誤差所對應(yīng)的輸入向量作為權(quán)值向量w1i，產(chǎn)生一個新的隱含層神經(jīng)元，然后檢查新網(wǎng)絡(luò)的誤差。不斷重復(fù)此過程直到達到誤差要求或最大隱含層神經(jīng)元數(shù)為止。

表3 訓(xùn)練樣本數(shù)據(jù)（無量綱化后）

表4 測試樣本數(shù)據(jù)（無量綱化后）

在RBF網(wǎng)絡(luò)設(shè)計中，徑向基函數(shù)的分布密度（spread）的確定亦十分重要。徑向基函數(shù)分布密度越大，函數(shù)越平滑。一般情況，spread取1.0。本文徑向基函數(shù)分布密度的取值亦采取試算法（詳見表4）。當spread增大時，網(wǎng)絡(luò)輸出越接近真實值。然而，當spread取值超過某些值時，網(wǎng)絡(luò)輸出的誤差反而變大。誤差越小，該神經(jīng)網(wǎng)絡(luò)越精確，然而誤差過小會使得神經(jīng)網(wǎng)絡(luò)訓(xùn)練過熟，使得網(wǎng)絡(luò)的外推效果不好。

本文使用matlab編程，建立RBF網(wǎng)絡(luò)。其輸入層神經(jīng)元個數(shù)為13，輸出神經(jīng)元個數(shù)為1。為使網(wǎng)絡(luò)收斂效果好，本文采用試算法選取隱含層神經(jīng)元個數(shù)：從零個神經(jīng)元開始訓(xùn)練，逐個增加隱含層神經(jīng)元個數(shù)，最終確定隱含層神經(jīng)元個數(shù)。經(jīng)反復(fù)試驗并綜合考慮隱含層神經(jīng)元個數(shù)及誤差，最終確定徑向基函數(shù)分布密度Spread取值1.8，隱含層神經(jīng)元個數(shù)為293的網(wǎng)絡(luò)結(jié)構(gòu)。

1.5 RBF網(wǎng)絡(luò)訓(xùn)練

RBF網(wǎng)絡(luò)的建立過程即訓(xùn)練過程，該神經(jīng)網(wǎng)絡(luò)的SSE誤差為3.60486e-007，完全能達到誤差要求。

1.6 RBF網(wǎng)絡(luò)測試

表5 測試結(jié)果對比表

訓(xùn)練好網(wǎng)絡(luò)，將用45組測試樣本的數(shù)據(jù)對網(wǎng)絡(luò)進行效果測試。（測試樣本數(shù)據(jù)如表4），把測試樣本的輸入向量輸入訓(xùn)練好的RBF神經(jīng)網(wǎng)絡(luò)，測試結(jié)果見表5。由表5可知，用訓(xùn)練樣本之外的45組測試樣本數(shù)據(jù)測試網(wǎng)絡(luò)，所得相對誤差都較小，根據(jù)RBF網(wǎng)絡(luò)評價的信用等級與實際企業(yè)信用等級一致，說明本信用評級模型的推廣應(yīng)用能力強。

2 實例分析

本文選取了企業(yè)A做實例分析。

從企業(yè)A的財務(wù)報表中，可直接得到資產(chǎn)總計、負債總計、主營業(yè)務(wù)收入、利潤凈額值分別為22078225元、15448488元、125591276.4元、146970.7元；通過財務(wù)報表其他值計算出企業(yè)A的流動比率為0.342659，應(yīng)收賬款周轉(zhuǎn)率為138.5369，資產(chǎn)負債率為0.699716，總資產(chǎn)周轉(zhuǎn)率為5.688468，現(xiàn)金流量利息保障倍數(shù)1.658709，營運資本資產(chǎn)比率-0.43409，銷售收入現(xiàn)金實現(xiàn)率1.007341，銷售凈利潤率0.00117023，總資產(chǎn)報酬率為0.013132。

對上述數(shù)據(jù)進行無量綱化處理，對應(yīng)于輸入向量（0.86632，0.347775，0.41244，0.246224，0.545231，0.200759，0.05312，0.030124，0.057492，0.18765，0.84849，0.360132，0.094923）。

經(jīng)訓(xùn)練好的RBF網(wǎng)絡(luò)仿真，其輸出值為0.5757。因此，該公司的應(yīng)屬于信用等級為A級的企業(yè)。

3 結(jié)語

由于RBF神經(jīng)網(wǎng)絡(luò)能不斷接受新樣本、新經(jīng)驗并不斷調(diào)整模型,自適應(yīng)能力強,有超強的非線性映射功能。與常用的BP網(wǎng)絡(luò)相比，RBF網(wǎng)絡(luò)還解決了其局部最優(yōu)值、收斂速度慢等缺點。

因此，本文用RBF神經(jīng)網(wǎng)絡(luò)從大量過去的商業(yè)銀行客戶信用等級評定資料中自動提取各信用評價指標與企業(yè)實際信用等級的規(guī)律，建立基于RBF神經(jīng)網(wǎng)絡(luò)的商業(yè)銀行客戶信用評級體系。結(jié)果表明,RBF神經(jīng)網(wǎng)絡(luò)可以精確的模擬出信用評價指標與企業(yè)實際信用之間的復(fù)雜非線性關(guān)系，解決傳統(tǒng)評級方法中權(quán)重確定不客觀、定量分析不足、評級效率低下等缺陷，形成了一套更為科學(xué)、有效和實用的信用評級方法，開拓了商業(yè)銀行貸款客戶信用管理工作的新視野。

[1]王春峰,萬海暉,張維.基于神經(jīng)網(wǎng)絡(luò)技術(shù)的商業(yè)銀行信用風(fēng)險評估[J].系統(tǒng)工程理論與實踐，1999，(9).

[2]程建.客戶信用評級體系的校準度檢驗研究[J].山西財經(jīng)大學(xué)學(xué)報，2008，(8).

[3]蔣樹寬.銀企信用風(fēng)險管理[M].廣州:廣東經(jīng)濟出版社,2001.

[4]Touretzky,G Hinton,T Sejnowski(Eds.).Carnegie Mellon University[M].Morgan Kaufmann Publishers,1988.

[5]吳微.神經(jīng)網(wǎng)絡(luò)計算[M].北京：高等教育出版社，2003.

[6]王旭東，邵惠鶴.RBF神經(jīng)網(wǎng)絡(luò)理論及其在控制中的應(yīng)用[J].信息與控制，1997，(8).

[7]杜棟，龐慶華.現(xiàn)代綜合評價方法與案例精選[M].北京：清華大學(xué)出版社，2005.