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