張洪源+李華

摘 要：在互聯(lián)網(wǎng)金融環(huán)境中，金融機構(gòu)希望能夠收集和分析大量科技型中小企業(yè)日常交易行為的數(shù)據(jù)，判斷其業(yè)務(wù)范疇、經(jīng)營狀況、信用狀況、企業(yè)定位、資金需求和行業(yè)發(fā)展趨勢，在大數(shù)據(jù)移動互聯(lián)時代的大背景下，征信數(shù)據(jù)的共享和獲取方式正在發(fā)生著根本的變化。利用互聯(lián)網(wǎng)手段進行業(yè)務(wù)運營和產(chǎn)品推廣的科技型中小企業(yè)已占有較大比例。為使中小企業(yè)更加科學有效地得到融資以及融資機構(gòu)選擇合適的中小企業(yè)，在分析中小企業(yè)融資征信評估方法的基礎(chǔ)上，結(jié)合BP神經(jīng)網(wǎng)絡(luò)的特點，通過建立科學的中小企業(yè)信用評價指標體系，構(gòu)建了融資征信評估方法的BP神經(jīng)網(wǎng)絡(luò)模型。

關(guān)鍵詞：中小企業(yè)；融資征信；BP神經(jīng)網(wǎng)絡(luò)

一、中小企業(yè)融資征信評估應(yīng)用中BP模型分析

BP神經(jīng)網(wǎng)絡(luò)最主要是用來分類和預(yù)測，是一種以梯度下降法為學習規(guī)則、按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W(wǎng)絡(luò)，通過反向傳播來調(diào)整神經(jīng)元和網(wǎng)絡(luò)層次之間的權(quán)值和臨界值，最終達到誤差平方和最小。BP神經(jīng)網(wǎng)絡(luò)的工作原理類似于人類的神經(jīng)元，單個神經(jīng)元并不復(fù)雜而且功能有限，當大量神經(jīng)元構(gòu)成一個強大的網(wǎng)絡(luò)系統(tǒng)時，才能實現(xiàn)現(xiàn)實生活中的各種行為。它的拓撲結(jié)構(gòu)包括輸入層、隱含層和輸出層，隱含層可單可多，是決定整個我那個落復(fù)雜性的層次，就像人類的成長一樣，神經(jīng)網(wǎng)絡(luò)需要大量的學習和訓練，對神經(jīng)元進行刺激，對事物做出正確的判斷。

1.BP神經(jīng)網(wǎng)絡(luò)的基本原理

BP神經(jīng)網(wǎng)絡(luò)（back propagation）是由Rumelhart和Mccelland于1986年提出的，它是一種多層網(wǎng)絡(luò)的“逆推”學習算法，是目前應(yīng)用最為廣泛和成功的神經(jīng)網(wǎng)絡(luò)之一。其基本思想是：學習過程由信號的正向傳播與誤差的反向傳播兩個過程組成，正向傳播時，輸入樣本從輸入層輸入，經(jīng)隱層逐層處理后傳向輸出層，若輸出層的實際輸出與期望值不符，則轉(zhuǎn)向誤差的反向傳播階段，誤差的反向傳播是將誤差以某種形式通過隱層向輸入層逐層反傳，并將誤差分攤給各層的所有單元，從而或得各層單元的誤差信號，此誤差信號即作為修正各單元權(quán)值的依據(jù)。

2.BP神經(jīng)網(wǎng)絡(luò)的具體結(jié)構(gòu)及學習過程

BP神經(jīng)網(wǎng)絡(luò)是一種單向傳播的多層前向網(wǎng)絡(luò)，具有3層及以上的神經(jīng)網(wǎng)絡(luò)，包括輸入層、隱含層和輸出層，上下層之間實現(xiàn)全連接，每一層神經(jīng)元之間無連接。輸入層和隱含層神經(jīng)元的傳遞函數(shù)（激活函數(shù)）在實際應(yīng)用中一般采用S型函數(shù)（Logsig）： ，輸出層的傳遞函數(shù)是線性函數(shù)，一般用pureline表示。BP神經(jīng)網(wǎng)絡(luò)學習過程大體包括八個步驟，一是選取并輸入研究樣本，二是對其數(shù)據(jù)進行處理，三是根據(jù)研究目的創(chuàng)建網(wǎng)絡(luò)模型，四是設(shè)定各種參數(shù)初始值，五是對建好的網(wǎng)絡(luò)進行多次訓練，六是模擬輸出結(jié)果，七是調(diào)整參數(shù)值，八是仿真預(yù)測。此處僅做簡單介紹，具體結(jié)構(gòu)及學習原理的參考資料很多，讀者可自行查閱楊德平等的《經(jīng)濟預(yù)測方法及MATLAB實現(xiàn)》一書。

3.中小企業(yè)融資征信指標體系建立

本文利用因子分析法對反應(yīng)企業(yè)信用狀況的指標進行整理分析，選取方差貢獻率達到85%以上并且特征根大于1的變量指標作為公因子，最終選取了15個財務(wù)指標綜合反映中小企業(yè)的信用狀況，包括資產(chǎn)負債率、流動和速動比率、銷售毛利率、資產(chǎn)報酬率、凈資產(chǎn)收益率、應(yīng)收賬款與存貨周轉(zhuǎn)率、流動資產(chǎn)與總資產(chǎn)周轉(zhuǎn)率、營業(yè)收入與營業(yè)利潤增長率、凈利潤增長率、總資產(chǎn)和凈資產(chǎn)增長率。采用如下公式對指標進行歸一化處理： 其中，Xj為原始數(shù)據(jù)的均值； 為原始數(shù)據(jù)的標準差， 。

二、中小企業(yè)融資征信評估的BP模型構(gòu)建

1.BP神經(jīng)網(wǎng)絡(luò)輸出層、隱含層及輸出層的設(shè)計

根據(jù)BP神經(jīng)網(wǎng)絡(luò)的設(shè)計網(wǎng)絡(luò)，一般預(yù)測問題都可以通過3層網(wǎng)絡(luò)來實現(xiàn)，其中，輸入和輸出神經(jīng)元數(shù)目是根據(jù)輸入向量和研究目標確定。本文選擇了15個財務(wù)指標作為輸入，因此輸入層神經(jīng)元數(shù)為15，輸出層神經(jīng)元的數(shù)量由信用評價結(jié)果的模式確定，輸出“1”表示中小企業(yè)信用正常，用輸出“0”表示中小企業(yè)信用較差，因此可以設(shè)定輸出層神經(jīng)元的數(shù)量為1。隱層神經(jīng)元數(shù)可以按照經(jīng)驗公式來確定：

其中，L表示最小隱層神經(jīng)元數(shù)目，N表示最大隱層神經(jīng)元數(shù)目μ代表輸入層神經(jīng)元個數(shù)，η代表輸出層神經(jīng)元個數(shù)，α一般取1。因此，可以估計最佳隱層的神經(jīng)元數(shù)目在5-31之間。

2.BP神經(jīng)網(wǎng)絡(luò)創(chuàng)建、訓練及結(jié)構(gòu)確定

本文在進行樣本設(shè)計時，隨機選取我國2016年50家上市公司為樣本，采用上述指標體系作為輸入元素，信用評價結(jié)果為目標函數(shù)，建立BP神經(jīng)網(wǎng)絡(luò)仿真模擬。其中，學習樣本為前40家企業(yè)，最后10家企業(yè)為檢驗樣本。輸入函數(shù)用minmax（P）表示，隱層與輸出層傳遞函數(shù)上文已作說明。對于訓練函數(shù)的采用，本文利用5-31之間的不同神經(jīng)元數(shù)就traingdx函數(shù)、traingd函數(shù)和trainglm函數(shù)進行了訓練，訓練的誤差結(jié)果如下表所示，由此可知，采用trainglm訓練函數(shù)時平均誤差最小，并且由訓練速度圖像（此處省略）可以看出，trainglm訓練函數(shù)的收斂速度也是最快的。

在采用斂速度最快的trainglm訓練函數(shù)時我們發(fā)現(xiàn)，當隱層的神經(jīng)元個數(shù)為17時，BP神經(jīng)網(wǎng)絡(luò)誤差是最小的，如下表所示，這表明此時對函數(shù)的逼近效果最好，而且經(jīng)過5次訓練就已經(jīng)達到了目標誤差。因此，選隱層神經(jīng)元的個數(shù)為17。

最后，由原始數(shù)據(jù)與預(yù)測值的擬合圖可以看出，相對誤差都很小，說明采用trainlm訓練函數(shù)和隱層神經(jīng)元數(shù)為17的BP神經(jīng)網(wǎng)絡(luò)經(jīng)過訓練后的預(yù)測效果良好，可用作中小企業(yè)信用評價模型。

3.BP神經(jīng)網(wǎng)絡(luò)模型的實證分析

由于篇幅有限，此處實證分析結(jié)果的圖表已省略，只進行文字性的統(tǒng)計描述。根據(jù)已經(jīng)訓練優(yōu)良的BP神經(jīng)網(wǎng)絡(luò)模型，對2016年我國50家中小企業(yè)進行信用評價，由前40家中小企業(yè)信用評價結(jié)果可知，各中小企業(yè)信用評價仿真值中數(shù)值最高的是第7家，接近“1”；數(shù)值最低是第35家，幾乎為“0”，在最后10家企業(yè)的信用仿真值中（如下表）也可看出各中小企業(yè)之間的信用評價結(jié)果差異很大，并且接近其實際信譽度。

三、結(jié)論

本文建立了我國中小企業(yè)信用評價財務(wù)指標體系，據(jù)此構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)模型，以2016年40家上市公司為學習訓練樣本，并對剩下的10家公司進行仿真，對我國上市的50家中小企業(yè)進行了信用評價，經(jīng)試驗后比較發(fā)現(xiàn)，利用trainlm函數(shù)對數(shù)據(jù)進行訓練時模型達到的效果最好，因為其收斂速度是最快并且誤差是最小的。根據(jù)最后的模型輸出結(jié)果可知，不同中小企業(yè)間的信用評價結(jié)果不同，并且經(jīng)過BP神經(jīng)網(wǎng)絡(luò)模型對中小企業(yè)進行信用評價的預(yù)測結(jié)果與其真實信用評價相近，由此可知，利用BP神經(jīng)網(wǎng)絡(luò)對中小企業(yè)進行信用評價是可行且較為準確的。因此，中小企業(yè)可利用BP神經(jīng)網(wǎng)絡(luò)對自身的信用進行定期的監(jiān)測，以保持企業(yè)自身良好的信譽度。同時，商業(yè)銀行等金融機構(gòu)也可利用BP神經(jīng)網(wǎng)絡(luò)對中小企業(yè)的信用作出客觀實際的真實評價，甄選出信譽度良好的中小企業(yè)從而有效控制融資風險，減少不良貸款事件的發(fā)生。

參考文獻：

[1]蔣逸帆.我國PPP項目風險評價綜合指數(shù)的測度與分析[D].河北大學碩士論文，2016（06）.

[2]楊德平，等.經(jīng)濟預(yù)測方法及MATLAB實現(xiàn)[M].機械工業(yè)出版社，2012（02）.

[3]黃震.基于BP神經(jīng)網(wǎng)絡(luò)模型的中國P2P借款人信用風險評估研究[D].北京交通大學碩士論文，2015（06）.

[4]劉祥東，等.基我國商業(yè)銀行信用風險識別的多模型比較研究[J].經(jīng)濟經(jīng)緯Vol.32，No.6，2015（11）.

[5]秦秀秀.基于BP神經(jīng)網(wǎng)絡(luò)的創(chuàng)業(yè)板上市公司財務(wù)預(yù)警研究[D].安徽理工大學碩士論文，2015（06）.

作者簡介：張洪源（1992- ），男，漢族，四川渠縣人，在讀碩士，經(jīng)濟學碩士，河北大學經(jīng)濟學院統(tǒng)計學專業(yè)，研究方向：宏觀經(jīng)濟；李華（1992- ），男，漢族，河北定州人，在讀碩士，人口、資源與環(huán)境經(jīng)濟學，河北大學人口研究所，研究方向：人口與經(jīng)濟endprint