范銘銘，王世民

（北京工商大學(xué)計算機與信息工程學(xué)院，北京 100048）

農(nóng)產(chǎn)品供應(yīng)鏈是以農(nóng)產(chǎn)品為基礎(chǔ)，通過對信息流、物流、資金流的控制，將生產(chǎn)者、加工者、銷售者及消費者連成一體的功能網(wǎng)狀鏈條。農(nóng)產(chǎn)品供應(yīng)鏈由于其對象是具有生命特征的，決定了其在供應(yīng)鏈的運作方面具有顯著特點：（1）農(nóng)產(chǎn)品具有固有的生長周期、明顯的季節(jié)性特點，當資金投入需求處于旺盛時期，容易出現(xiàn)資金缺口。（2）農(nóng)產(chǎn)品的產(chǎn)出對環(huán)境等外部條件依賴性較大，農(nóng)產(chǎn)品供應(yīng)鏈存在不確定性風(fēng)險。（3）農(nóng)產(chǎn)品收獲期集中，易形成大量庫存，進而占用大量資金，資金周轉(zhuǎn)速度較慢。（4）由于農(nóng)產(chǎn)品的價格波動較大，而農(nóng)民把握市場動態(tài)的能力有限，使得農(nóng)產(chǎn)品供應(yīng)鏈上具備顯著的牛鞭效應(yīng)。

1 BP神經(jīng)網(wǎng)絡(luò)原理

神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò),由輸入層、隱含層和輸出層3層的神經(jīng)元組成。BP神經(jīng)網(wǎng)絡(luò)的三層拓撲結(jié)構(gòu)如圖2-1所示，其學(xué)習(xí)過程由正向信號傳播和反向誤差傳播兩個階段構(gòu)成，在正向信號傳播的過程中，輸入樣本從輸入層輸入，經(jīng)各隱含層逐層計算，并傳向輸出層,其中每層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)，如果輸出層的實際輸出與期望輸出不一致，則轉(zhuǎn)入反向誤差傳播階段。將輸入誤差以某種形式按照原來的通路原路返回，逐層調(diào)整各網(wǎng)絡(luò)層的權(quán)值，直至回到輸入層。將這種信號正向傳播和誤差反向傳播調(diào)整各網(wǎng)絡(luò)層權(quán)值的過程，循環(huán)往復(fù)，直至誤差最小或者達到期望誤差學(xué)習(xí)結(jié)束，如圖2-1：

圖2-1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

2 基于BP神經(jīng)網(wǎng)絡(luò)的農(nóng)產(chǎn)品供應(yīng)鏈金融應(yīng)收賬款信用風(fēng)險評估模型

2.1 評估指標體系的建立

信用風(fēng)險評估是評價一個企業(yè)是否具有融資資格的必要條件，對農(nóng)產(chǎn)品中小企業(yè)進行信用風(fēng)險評估可以有效的控制資金貸出與回流。主要包括：（1）融資企業(yè)信用情況。包括企業(yè)盈利能力、營運能力、償債能力和信用記錄。主要反映融資企業(yè)財務(wù)狀況和信用狀況。（2）核心企業(yè)信用情況，銀行在結(jié)合中小企業(yè)和和核心企業(yè)的相關(guān)數(shù)據(jù)后，可以在融資企業(yè)違約時，降低銀行風(fēng)險。（3）供應(yīng)鏈相關(guān)情況。包括關(guān)系持久度、融資企業(yè)地位和信息共享程度。（4）應(yīng)收賬款。包括應(yīng)收賬款的壞賬率、應(yīng)收賬款賬期和應(yīng)收賬款周轉(zhuǎn)率，良好的應(yīng)收賬款更能降低銀行回收貸款的風(fēng)險。

2.2 樣本采集與數(shù)據(jù)處理

由于我國中小企業(yè)數(shù)據(jù)透明度和公開度不夠，且我國銀行數(shù)據(jù)庫的不完善和銀行貸款信息不對外披露，鑒于上市公司的財務(wù)數(shù)據(jù)較為容易獲取，所以本文選取了我國中小板上市公司2018年第一季度財務(wù)數(shù)據(jù)為本文的原始數(shù)據(jù)。選取其中17家公司為訓(xùn)練樣本，其中包括15家非ST股和2家ST股。

體系中的定性和定量兩種指標，不同評價指標具有不同的量綱和量綱單位，其會影響數(shù)據(jù)分析的結(jié)果，為了消除指標間的量綱，需要對數(shù)據(jù)進行標準化處理——數(shù)據(jù)歸一化。轉(zhuǎn)換函數(shù)如下：

本式中 xi是樣本 x 的一個個體，max（x）與 min（x）分別為樣本 X 中的最大值和最小值，xi'為轉(zhuǎn)換后樣本個體。基于離差標準化轉(zhuǎn)換后的數(shù)據(jù)可以較好地保留原來的指標含義，且將原來的屬性數(shù)據(jù)全部轉(zhuǎn)換為[0，1]的正向指標數(shù)據(jù)，有利于數(shù)據(jù)的輸入和輸出。

2.3 面向MATLAB的BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練與檢驗

本文基于以上研究，選取MATLAB 2016a的BP神經(jīng)網(wǎng)絡(luò)構(gòu)建一個22×8×1的模型，有22個輸入節(jié)點，有1個輸出節(jié)點，隱含節(jié)點根據(jù)公式可確定的范圍為[6，14]。應(yīng)用專業(yè)的軟件分析相同參數(shù)的前提下，改變節(jié)點數(shù)去檢驗誤差，最終選取隱含層節(jié)點數(shù)為8。模型的規(guī)定參數(shù)為：隱含層激發(fā)函數(shù)為tansig，輸出層激發(fā)函數(shù)為traingdx，訓(xùn)練函數(shù)train循環(huán)次數(shù)為2000，學(xué)習(xí)率為0.01，目標誤差為0.001，然后對網(wǎng)絡(luò)進行訓(xùn)練。為了驗證模型的有效性，將樣本進行編號，編號為1-16號的樣本定義訓(xùn)練樣本，編號為17號的樣本定義為檢測樣本。

運用訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)，將第17號樣本輸入進去，得到仿真結(jié)果為0.3623，風(fēng)險較低，且與其實際賦值接近。如表4-3所示：

表3-3 檢測樣本結(jié)果

3 結(jié)論

本文是關(guān)于農(nóng)產(chǎn)品供應(yīng)鏈金融應(yīng)收賬款信用風(fēng)險評估體系進行的研究，選取了我國中小板上市公司2018年第一季度財務(wù)數(shù)據(jù)進行實證研究。運用基于MATLAB的BP神經(jīng)網(wǎng)絡(luò)方法，對信用風(fēng)險評估模型進行分析，用收集到的數(shù)據(jù)進行訓(xùn)練和檢測。從上述的結(jié)論可以看出，將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于本文所提出的信用風(fēng)險評估指標體系中，可以為我國農(nóng)產(chǎn)品中小企業(yè)融資提供可行性的依據(jù)。由于相關(guān)的統(tǒng)計數(shù)據(jù)有不完善的地方，且BP神經(jīng)網(wǎng)絡(luò)對樣本的要求較高，因此，在實際的應(yīng)用中，要采集足夠多的樣本數(shù)量，保證樣本質(zhì)量，以便提高評估的準確性。

推出農(nóng)產(chǎn)品供應(yīng)鏈金融信用風(fēng)險體系，此體系是以互聯(lián)網(wǎng)、大數(shù)據(jù)和人工智能技術(shù)為基礎(chǔ)，以供應(yīng)鏈信用評級為核心，以全程信用管理為保障，以信息實時監(jiān)控、信用風(fēng)險預(yù)警為特色。結(jié)合農(nóng)產(chǎn)品供應(yīng)鏈金融的特點，為供應(yīng)鏈上下游企業(yè)提供合理的信用風(fēng)險評估標準，高效解決供應(yīng)鏈上下游企業(yè)各種融資需求。同時，可利用機器學(xué)習(xí)技術(shù)，動態(tài)采集供應(yīng)鏈核心企業(yè)與上下游中小企業(yè)信息，并采用農(nóng)產(chǎn)品供應(yīng)鏈金融評級方法體系實時調(diào)整信用級別，防控鏈屬企業(yè)的信用風(fēng)險、道德風(fēng)險和逆向選擇風(fēng)險，助力農(nóng)產(chǎn)品供應(yīng)鏈金融生態(tài)體系健康、有序發(fā)展。