趙福壯

摘要：本文在分析了國內(nèi)外關(guān)于信譽評價的研究現(xiàn)狀后，結(jié)合我國企業(yè)發(fā)展的情況，創(chuàng)造性地提出了基于決策分類樹與ASVM的混合企業(yè)信譽度評價模型。較好地滿足了預(yù)先設(shè)定的要求為我國企業(yè)信譽度評價領(lǐng)域增添了一種新的方法。該模型既解決了決策分類樹在面對連續(xù)屬性的缺陷和多分類時出錯概率增加的問題，又解決了ASVM無法進行多分類的問題?；旌闲抛u度評價模型中以ASVM作為決策分類樹中分支節(jié)點的判別模型。并且通過實驗發(fā)現(xiàn)組合核函數(shù)的ASVM模型相對于RBF核函數(shù)的ASVM模型在信譽危機判別應(yīng)用中準(zhǔn)確率有一定的提升。最終的混合信譽度評價模型采用了組合核函數(shù)的ASVM模型作為分支節(jié)點的判別模型。經(jīng)過最終的實驗對比發(fā)現(xiàn)，該模型在解決企業(yè)信譽多分類問題中具有較高的準(zhǔn)確率，具有較高的實用性

關(guān)鍵詞：信譽度評價指標(biāo)；決策分類樹；自適應(yīng)支持向量機；組合核函數(shù)；混合模型

中圖分類號：TP391 文獻標(biāo)識碼：A 文章編號：1009-3044（2016）08-0253-05

Abstract： After analyzing the present situation of the domestic and international credit evaluation research field，and combined with the situation of our country's enterprise development， A hybrid enterprise reputation evaluation model based on decision classification tree and ASVM is proposed.This model meets the requirements of the pre and adds a new credit model for our country. Which not only solves the problem of the increase of the error probability of the decision tree in the face of the defect of the continuous attributes，but also resolves the problem that ASVM cant make a multi classification.In mixed reputation evaluation model，ASVM with combination kernel function is more accurate compared to ASVM with RBF kernel function.So the new the mixed credit evaluation model has a high practicability.

Key words：Index of credit evaluation decision tree ASVM Combined kernel

信用評價是在市場經(jīng)濟環(huán)境下針對企業(yè)、債券發(fā)行單位、金融機構(gòu)等市場參者未來按期償還債務(wù)的能力及償還債務(wù)的程度進行綜合評價的業(yè)務(wù)行為。在市場經(jīng)濟的大環(huán)境下，信用評級起到十分重要的作用。它有利于降低交易風(fēng)險成本，全面展示企業(yè)或債務(wù)發(fā)行單位的信用風(fēng)險；有利于降低社會信息獲取成本，能夠協(xié)助政府部門進行市場監(jiān)管，防范預(yù)測金融風(fēng)險，同時也是經(jīng)濟全球化發(fā)展的必然要求。為了進一步發(fā)展經(jīng)濟，使中國走向世界，習(xí)近平總書記提出了一代一路建設(shè)，并在十三五規(guī)劃中大力提倡中國創(chuàng)造2025計劃，從中國制造轉(zhuǎn)向中國創(chuàng)造。企業(yè)走出去作為國家的名片，其信譽形象的好壞，更是直接影響著一個國家的總體形象。因此我國政府相關(guān)部門也開始重視并加快了信用制度的建設(shè)。我國企業(yè)征信管理中心借鑒國際先進的征信理念、科學(xué)的征信機制、時時海量信用信息等優(yōu)勢，建立了涵蓋各級政府職能部門、社會團體、行業(yè)協(xié)作、媒體、金融機構(gòu)以及廣大消費者評價意見的信用評級標(biāo)準(zhǔn)，對企業(yè)進行信譽度評價，建立企業(yè)信譽檔案，規(guī)范企業(yè)發(fā)展。

然而就實際情況來看，我國征信體系相對于西方發(fā)達國家而言起步較晚。西方征信體系已有上百年的歷史，并且有很多相關(guān)領(lǐng)域?qū)W者或機構(gòu)根據(jù)自己國家企業(yè)的不同情況進行了針對性研究?？傮w而言，我國信用評級機構(gòu)整體來說表現(xiàn)為以下特點[1]：

1）評級機構(gòu)總量大、規(guī)模小、實力相對較弱。

2）信用評級機構(gòu)的專業(yè)性不夠強。

3）市場上信用評級機構(gòu)對企業(yè)的信譽評級結(jié)果表現(xiàn)出可信度低，利用率低，對社會影響較小特點。

4）企業(yè)對信用記錄的重視程度還不夠，存在造假現(xiàn)象。

由以上四點可以看出一個好的信譽評價機構(gòu)必須本著公平，公正的原則對受評企業(yè)進行信譽評價。只有真實反映出企業(yè)的信譽狀況，才能取得公眾的信任，并為各方所接受。當(dāng)然準(zhǔn)確反映企業(yè)信譽狀況是以一套科學(xué)的企業(yè)信譽評價體為前提的。信譽評價領(lǐng)域的相關(guān)研究人員對此也做了大量研究。就目前來看，一個良好的信譽評價體系需要做一下兩方面的工作[3]：1）評價指標(biāo)體系的選取問題；2）信譽評價模型的構(gòu)建問題。

1信譽評價指標(biāo)的體系的選取

在分析了國內(nèi)外企業(yè)信譽度評級因素的內(nèi)容和特點，結(jié)合中國上市企業(yè)的特征，綜合評估我國上市企業(yè)信用等級，本文將評級因素劃分為 企業(yè)文化、盈利能力、償債能力、經(jīng)營能力、資本構(gòu)成、行業(yè)前景共6個大類一級因素，每一類因素又包含有若干個二級因素[4]。具體如表1所示。

上述初始擬定的評價指標(biāo)是通過查閱大量文獻，進行全面分析，以詳盡和完備的原則建立而成的，其中包含了財務(wù)指標(biāo)和非財務(wù)指標(biāo)兩大類[2]。從信譽度評價的本質(zhì)來講，評價者只需要找到較為關(guān)鍵的指標(biāo)即可對企業(yè)進行信譽評價，從而也降低了評價成本。如果評價指標(biāo)體系過大，會相應(yīng)稀釋影響企業(yè)信譽對應(yīng)指標(biāo)的關(guān)鍵因素的影響力，此外還會大大增加信譽評價模型的復(fù)雜性程度。因此需要對上述指標(biāo)體系進行一定的篩選，剔除影響因子相對較小的指標(biāo)。在維護評價指標(biāo)體系全面性的前提下，降低評價模型的復(fù)雜程度。

本文采用專家意見法來確定企業(yè)信譽評價的指標(biāo)體系，剔除一些影響力較小的指標(biāo)。我們知道金融領(lǐng)域的專家，經(jīng)過多年的實踐研究，對企業(yè)信譽風(fēng)險評價有著較為深刻的認知。他們可以利用專業(yè)知識，工作經(jīng)驗，從評價指標(biāo)的實際意義來考慮其在企業(yè)信譽評價中的重要性。

通過根據(jù)專家的打分統(tǒng)計對信譽評價指標(biāo)進行排序，剔除得分較低的幾個指標(biāo)。專家們的統(tǒng)一判斷，行業(yè)前景權(quán)重較弱，對公司的信譽級別影響較小，因此對其中的產(chǎn)品銷售前景、行業(yè)整體發(fā)展前景和國家政策支持三個指標(biāo)進行剔除。雖然剔除了行業(yè)前景中的三個指標(biāo)，但剩余評價指標(biāo)集合與實際的關(guān)鍵指標(biāo)集合整體還是保持一致的。根據(jù)前人的研究可知，企業(yè)遭受信用危機，影響信譽度的關(guān)鍵因素主要為企業(yè)的流動比率、資產(chǎn)周轉(zhuǎn)率、利潤率，并且這幾個指標(biāo)專家統(tǒng)一給出的分值都比較高，剩余的評價指標(biāo)集合相對全面地覆蓋了影響企業(yè)信譽的指標(biāo)集。最終建立包含X1-X15共15個變量的信譽評價指標(biāo)體系。

2決策判別樹在信譽判別中應(yīng)用優(yōu)缺點分析

決策樹是一種人們?yōu)榱藢δ臣虑檫M行決策而進行的一系列判斷過程的樹形圖，由決策節(jié)點、分支和葉子三個部分組成。基本思想是利用訓(xùn)練數(shù)據(jù)集自動的構(gòu)造決策樹，然后根據(jù)建立的決策樹對任意實例進行判定，它往往向人們展示的是各因素之間的交互作用。

決策樹與其他分類算法相比存在的缺陷是當(dāng)類別很多時，它的分類錯誤率就可能增大。而且對于連續(xù)的屬性字段比較困難做出準(zhǔn)確的預(yù)測。判別節(jié)點通常是根據(jù)一個屬性來進行分類的。上述缺點，判別樹在企業(yè)信譽判別中也是存在的。

1）企業(yè)信譽級別判別屬于多分類問題，企業(yè)信譽級別通常分為多個層次，面對這種情況，判別樹錯分的幾率將會大大增加。信譽危機判別或貸款決策中通常是二分類問題，即企業(yè)是否出現(xiàn)危機或是否給申請貸款對象貸款，運用判別樹則比較合適。

2）企業(yè)信譽度判別指標(biāo)體系中，占很大一部分指標(biāo)比例都是連續(xù)的字段。判別樹在面對連續(xù)屬性時，往往也表現(xiàn)出其中的不足，很難做出準(zhǔn)確的預(yù)測，解決的方法通常是數(shù)據(jù)預(yù)處理期間對數(shù)據(jù)進行分段處理。

3）判別樹在判別分類時屬于以此遞進的過程，每個判別節(jié)點只用一個基本屬性字段進行最大限度分類。然而在現(xiàn)實分類情況中不一定存在這種遞進式的分類關(guān)系。

需要綜合所有指標(biāo)才能進行分類。在企業(yè)信譽多等級評價時也會出現(xiàn)這種情況。

通過以上決策樹在企業(yè)信譽度評價中的應(yīng)用缺陷總結(jié)，能否找到一種新的判別模型用作判別樹中分支節(jié)點的判別模型，消除上述3點的不利影響有待研究。

3ASVM在信譽判別中的應(yīng)用及優(yōu)缺點分析

3.1 ASVM原理介紹[5][6]

首先引入分類錯誤率、決策損失函數(shù)、樣本偏斜度的概念并進行說明：

1）分類錯誤率

在公式（7）中，[λ]作為平衡因子來平衡決策損失最小化和分類間隔最大化目標(biāo)。此外在模型中加入了決策損失函數(shù)來同步?jīng)Q策評價與學(xué)習(xí)過程，使得學(xué)習(xí)過程與風(fēng)險偏好一致。[mj]用來反應(yīng)樣本的偏斜程度，使模型對樣本偏斜度有自適應(yīng)能力，[Cj]分類錯誤代價反應(yīng)了決策者的風(fēng)險偏好，決策者通過這一參數(shù)的調(diào)節(jié)，對分類器結(jié)構(gòu)進行干預(yù)，使模型具有交互能力。此外[mj]，[Cj]還具有調(diào)整最優(yōu)分類超平面的作用。上述自適應(yīng)支持向量機自動的賦予了兩類分類錯誤不同的懲罰參數(shù)值，某類的分類錯誤比率越大或該類的樣本總數(shù)越小，對應(yīng)的懲罰參數(shù)越大。分類器將向著該分類錯誤的方向變化。不同的偏斜情況和分類錯誤對應(yīng)著不同的分類器，使得分類器具備了動態(tài)特征。因此，該模型具有數(shù)據(jù)不平衡特性和決策風(fēng)險偏好適應(yīng)性，稱之為自適應(yīng)支持向量機模型。

關(guān)于自適應(yīng)支持向量機的求解中，由于該模型在分類方法中加入了分類錯誤最小化目標(biāo)函數(shù)，可以看出（7）問題為NP完全問題。通過凸規(guī)劃方法和二次規(guī)劃方法是無法求解的。在上述模型中，采用的是樣本點到分類邊界距離的（0-1）階梯函數(shù)來判斷產(chǎn)生分類錯誤與否。由于階梯函數(shù)的不可導(dǎo)性?？刹捎霉剑?）。

3.2核函數(shù)的選擇問題

核函數(shù)的選擇對SVM的性能起到至關(guān)重要的作用，尋找一個適合的核函數(shù)是SVM算法的核心，但是截至目前，相關(guān)研究領(lǐng)域還沒有給出合適的理論依據(jù)去選擇優(yōu)質(zhì)的核函數(shù)。

目前學(xué)術(shù)界把支持向量機的核函數(shù)分為兩類：全局性的核函數(shù)和局部性的核函數(shù)?？梢酝ㄟ^在matlab中運用方陣核函數(shù)曲線了解對應(yīng)的核函數(shù)是局部的還是全局的。局部核函數(shù)僅對測試點附近的小范圍數(shù)據(jù)有影響，而全局核函數(shù)能提取樣本全局特征，插值能力比較弱。對測試點近距離數(shù)據(jù)和遠距離數(shù)據(jù)都有一定影響。

經(jīng)過實驗驗證采用高斯核函數(shù)的ASVM模型較普通SVM模型在準(zhǔn)確率上有一定的提升。但考慮到企業(yè)信譽度評價樣本集的廣泛性，及樣本記錄屬性的多樣性，本文提出采用組合核函數(shù)的ASVM模型進行信譽風(fēng)險評估與預(yù)測。通過分析全局核函數(shù)和局部核函數(shù)的優(yōu)缺點以及核函數(shù)的性質(zhì)，構(gòu)造組合核函數(shù)如公式（10）

3.3實驗對比分析

為保證實驗的可對比性，本文實驗參數(shù)設(shè)置與陳思鳳、Lin等人的設(shè)置是一致的。實驗數(shù)據(jù)采用機器學(xué)習(xí)網(wǎng)站UCI提供的澳大利亞信用支持Statlog（Australian）Data 數(shù)據(jù)集和德國Statlog（German）Data數(shù)據(jù)。其中澳大利亞信用數(shù)據(jù)集，總共包含690條數(shù)據(jù)，記錄中包含14條屬性。Y=1的記錄包含307條記錄，Y=-1的記錄包含383條。分別占比44.5%和55.5%。德國信用數(shù)據(jù)總共包含1000條記錄，記錄中包含20條屬性，一類記錄包含474條，二類記錄包含526條，分表分別占比47.4%和52.6%。

陳思風(fēng)的實驗表明運用粒子群優(yōu)化參數(shù)的自適應(yīng)支持向量機能獲得更適合的SVM參數(shù)。本文對RBF核函數(shù)的ASVM和采用（10）式的組合核函數(shù)的ASVM分別在上述兩個數(shù)據(jù)集上進行了實驗對比。由于只考慮樣本不平衡的情況，不考慮決策損失問題，所以此實驗的分類錯誤代價[C1=C2]，下表給出了兩種核函數(shù)的實驗結(jié)果的準(zhǔn)確率。

由表2可以看出，采用粒子群算法進行參數(shù)選擇的ASVM在上述兩個數(shù)據(jù)集樣本偏斜的情況下都達到了較高的分類準(zhǔn)確率。采用組合核函數(shù)的ASVM與采用RBF高斯核函數(shù)的ASVM相比，在準(zhǔn)確率上有相應(yīng)的提高。主要原因在于RBF核函數(shù)屬于局部核函數(shù)，而新提出的組合核函數(shù)考慮到了信譽風(fēng)險預(yù)測樣本集的廣泛性與樣本記錄中屬性的多樣性，結(jié)合了局部核函數(shù)與全局核函數(shù)的優(yōu)缺點。所以組合核函數(shù)ASVM更適合用來進行信譽評級。

4 混合企業(yè)信譽度評價模型

本文采用國際通用標(biāo)準(zhǔn)，將信用評估等級劃分為AAA、AA、A、BBB、BB、B、CCC、CC、C、D四等10級。其中A類信用等級又分為AAA、AA、A三類檔次，分別代表AAA級優(yōu)秀信用企業(yè)、AA級優(yōu)良信用企業(yè)和A級良好信用企業(yè)；B類信用等級同樣劃分為BBB、BB、B三類檔次，信譽分數(shù)逐級遞減，代表一般信譽企業(yè)；C類信譽等級包含CCC、CC、C三類檔次，代表信譽較差企業(yè)；D類信譽不再進行細分，直接代表信譽極差企業(yè)。

4.1建立信譽判樹

在二叉判定樹中，成功的二分查找出走一條從根節(jié)點到被查找到節(jié)點的路徑。不成功的查找則走了一條從根節(jié)點到葉子節(jié)點的路徑。本文提出的信譽決策分類樹不滿足上述規(guī)則。利用建好的信譽決策分類樹模型進行企業(yè)信譽判定時，走的必須從根節(jié)點到葉子節(jié)點的一條路徑，不會出現(xiàn)中途結(jié)束的情況。圖1給出一個簡單的四分類混合信譽度評價模型樹。

樹中的每一個判別節(jié)點都的判別模型為本文第三部分提到的組合核函數(shù)ASVM。

各個判別節(jié)點判別模型的訓(xùn)練過程具體如下：

1）選定支持向量機的訓(xùn)練集合[Vn]，[n]代表有[n]條記錄即：[X1，X2，X3...Xn]，集合中每個等級信譽度的企業(yè)都要包含一定的量。這樣訓(xùn)練出來的超平面才更具代表性。[Xi=（xi1，xi2，xi3...Xim，y）]，每條記錄有m個變量。[y]代表該條記錄在某一個判定節(jié)點上的值，[y=1-1]。標(biāo)簽劃分根據(jù)判別節(jié)點的左右孩子節(jié)點進行劃分。父節(jié)點集合[Sf]與左右孩子集合[Sl，Sr]滿足關(guān)系[Sf=Sl?Sr，Sl?Sr=Φ]。在某一個節(jié)點上進行模型訓(xùn)練時，需要對樣本標(biāo)簽[y]進行賦值。[Sf]中樣本分配到左分支集合[Sl]時該樣本標(biāo)簽[y=-1]，否則樣本被分配到右分支孩子節(jié)點集合[Sr]，該樣本標(biāo)簽為[y=1]。標(biāo)簽賦值確定之后即可運用支持向量機方法進行訓(xùn)練，并用測試集進行測試。如果樣本數(shù)量不充足可采用交叉驗證法對訓(xùn)練出的模型進行測試驗證。

2）根據(jù)（1）中的說明，初始訓(xùn)練集[Vn]，從根節(jié)點開始依據(jù)左右分支劃分的集合給記錄中的y進行賦值，左分支集合y=-1，屬于又分支的集合y=1。

3）利用訓(xùn)練集合進行訓(xùn)練得到[F（x）=i=1mwiφi（x）+b=wTφi（x）+b=0]一個超平面，記錄該判定節(jié)點的ASVM模型Model，對模型進行測試驗證。

4）根據(jù)（3）中分割的兩個子集合，遞歸繼續(xù)重復(fù)（2）（3）兩步驟，直到樣本記錄落在葉子節(jié)點集合里結(jié)束。訓(xùn)練出全部判別節(jié)點的判別模型，混合企業(yè)信譽判別模型建立完成，產(chǎn)生一個二叉信譽決策分類樹。

按照此方式建立了四等十級混合企業(yè)信譽度評價判別樹模型如圖2所示。

圖2中包含9個圓節(jié)點和10個方形節(jié)點。9個圓型判別節(jié)點，每個節(jié)點都對應(yīng)一個判ASVM決策模型。10個方形節(jié)點，即10個細分信譽級別。每個圓形節(jié)點中包含了相應(yīng)的集合，意思是，從根節(jié)點開始到達該節(jié)點經(jīng)過多次二分類ASVM判別剩下的集合。樣本企業(yè)所屬級別就包含在該集合里。直到從根節(jié)點到方形節(jié)點，一條路徑走完，樣本企業(yè)落到具體的信譽級別下結(jié)束。不再采用根據(jù)信譽評價因素進行綜合打分的方式來評定企業(yè)信譽級別。

4.2實驗對比分析

本文數(shù)據(jù)主要來自于國泰君安官方網(wǎng)站上提供的上市企業(yè)2014年度相關(guān)數(shù)據(jù)。根據(jù)第1節(jié)中本文建立的信譽評價指標(biāo)體系進行數(shù)據(jù)規(guī)整和預(yù)處理。把預(yù)處理后的數(shù)據(jù)作為模型的輸入，最后把第3節(jié)中的組合核函數(shù)ASVM和RBF核函數(shù)ASVM分別作為4.1節(jié)企業(yè)信譽決策分類樹中判別節(jié)點的判別模型進行訓(xùn)練實驗。并對兩種混合信譽度判別模型的結(jié)果進行了對比。結(jié)果如表3所示。

由表3可以看出本文提出的組合核函數(shù)ASVM模型與陳思風(fēng)提出的RBF核函數(shù)ASVM模型相比，建立的企業(yè)信譽度判別模型分類正確率上有一定的提高。且兩種混合信譽度評價模型都在企業(yè)信譽預(yù)測時都具有較高的準(zhǔn)確率，有很高的實用價值。在運用時，可以根據(jù)具體場景的要求選擇不同的SVM作為混合模型中信譽決策分類樹分支節(jié)點的判別模型。且本文作者還進行了相關(guān)實驗發(fā)現(xiàn)在調(diào)解ASVM中的錯誤分類代價[Cj]時，能很好的調(diào)節(jié)模型，使得結(jié)果向決策者的偏好方向移動。通過這種方式可以達到混合信譽度評價模型

5結(jié)束語

通常前人的研究都是對影響企業(yè)信用的指標(biāo)進行分別打分，再加權(quán)求和，根據(jù)最后得分來給企業(yè)評分[7]?；蛘咄ㄟ^建模對企業(yè)進行分類判斷企業(yè)是否存在風(fēng)險，但只能進行二分類。本文創(chuàng)造性的提出采用決策分類樹與ASVM結(jié)合的方法構(gòu)造出混合企業(yè)信譽評級模型，較好的滿足了預(yù)先設(shè)定的要求，為我國企業(yè)信譽度評價建立了一種新的方法。具體主要做了一下幾方面的工作：

1）企業(yè)信譽評價變量的選取。為了保證評級指標(biāo)選取的全面、準(zhǔn)確性，本文列出18個因素變量，通過專家權(quán)重打分，最終選擇15個指標(biāo)作為信譽評級的輸入變量。

2）首先決策分類樹的優(yōu)缺點分析，以及在信譽判別領(lǐng)域中的應(yīng)用研究，并提出疑問。

3）ASVM在信譽判別中的應(yīng)用及優(yōu)缺點分析

4）基于決策分類樹和ASVM的混合企業(yè)信譽評級模型。該信譽評級模型不采用打分法對企業(yè)信譽進行評級，而是根據(jù)企業(yè)樣本數(shù)據(jù)特征進行評級。經(jīng)過實驗發(fā)現(xiàn)該混合信譽評級模型具有較高的準(zhǔn)確率。并解決了決策分類樹在面對連續(xù)屬性和多分類問題中的不足。同樣避免了SVM在多分類問題上的缺陷。

當(dāng)然該模型還存在有待改進的地方。例如：企業(yè)樣本數(shù)據(jù)是一個動態(tài)產(chǎn)生的過程，本文的企業(yè)信譽判別采用數(shù)據(jù)為上市企業(yè)年度數(shù)據(jù)。缺乏動態(tài)預(yù)測。更全面的方法是根據(jù)企業(yè)的多階段歷史數(shù)據(jù)進行信譽預(yù)測。例如按時間順序，獲取企業(yè)每一季度的相關(guān)數(shù)據(jù)，根據(jù)數(shù)據(jù)的動態(tài)變化趨勢對企業(yè)信譽進行預(yù)測，將會更加科學(xué)全面。作者也會在后面的工作中進行相關(guān)研究。

參考文獻：

[1] 諸小麗，梁柱.企業(yè)信用等級綜合評判評分體系[J].中國科技信息，2005（23）：293.

[2] 喬薇.中小企業(yè)信用評級模型及其應(yīng)用[D].河南大學(xué)，2008.

[3] 詹世鴻.信用風(fēng)險模型及信用評級綜述[D].吉林大學(xué)，2007.

[4] 李萬慶，張立寧，孟文清. 企業(yè)信用的綜合評價[J]. 統(tǒng)計與決策，2005，11：23-24.

[5] 丁子春.基于支持向量機的多領(lǐng)域自適應(yīng)分類方法研究[D].武漢理工大學(xué)，2009.

[6] 陳思鳳.基于ASVM的創(chuàng)業(yè)板上市企業(yè)風(fēng)險評估研究[D].合肥工業(yè)大學(xué)，2012.

[7] Leonard K J. A fraud alert model for credit cards during the authorization process[J]. IMA Journal of Mathematics Applied in Business and Industry.19934（5）：57-62