陳家峰 陳思斌 黃曉姍

摘 要：本文主要針對互聯(lián)網和銀行結合帶來的高效益進行了相關研究。利用模糊綜合評價、BP神經網絡研究等方式對影響企業(yè)信貸風險、信譽評級、企業(yè)實力、供求關系等因素進行分析，研究銀行如何調整信貸策略的問題。首先，企業(yè)實力主要包括財力、生產能力、技術水平、管理水平、銷售能力等，利用進項和銷項的價稅合計、進項和銷項的有效發(fā)票比例，建立模糊綜合評價模型評價企業(yè)的實力。其次，利用進項和銷項稅有效發(fā)票比例，進項和銷項稅價合計波動范圍，進項和銷項稅時間波動，評價企業(yè)供求關系的穩(wěn)定性。最后，利用企業(yè)實力的評級和企業(yè)信譽的評級評價公司的信貸風險，在銀行收益最大化時給出各企業(yè)的貸款利率和貸款金額。

關鍵詞：模糊綜合評價;BP神經網絡;灰色系統(tǒng)預測;信貸策略

中圖分類號：F830.5 ? ? ? 文獻標識碼：A

DOI：10.12245/j.issn.2096-6776.2020.09.23

在實際社會中，由于中小微企業(yè)規(guī)模相對較小，也缺少抵押資產，因此銀行通常是依據(jù)信貸政策、企業(yè)的交易票據(jù)信息和上下游企業(yè)的影響力做出評估，然后依據(jù)信貸風險等因素來確定是否放貸及貸款額度、利率和期限等信貸策略。向實力強、供求關系穩(wěn)定的企業(yè)提供貸款，并可以對信譽高、信貸風險小的企業(yè)給予利率優(yōu)惠。某銀行對確定要放貸企業(yè)的貸款額度為萬元，年利率為4%～15%，貸款期限為1年。首先采用遺傳算法優(yōu)化BP神經網絡模型評價無信貸記錄企業(yè)的信譽評級，以進項和銷項有效發(fā)票比例、進項和銷項稅價合計四個指標作為輸入?yún)?shù)，信譽評級作為輸出參數(shù)，再選取100組數(shù)據(jù)用于網絡訓練，得出信譽評級，23組作為測試數(shù)據(jù)，然后對302家無信貸記錄企業(yè)進項信譽評級，并根據(jù)模型做出信貸風險評級，在銀行收益最大化時給出各企業(yè)的貸款利率和貸款金額。

1 問題分析

近年來，我國經濟和科技發(fā)展迅速，使得金融領域也開始利用信息技術來發(fā)展，銀行為獲得較高的收益，使用大數(shù)據(jù)對中小微企業(yè)進行評估分析和貸款策略。由于商業(yè)銀行在中小企業(yè)信貸方面的信用水平低、擔保能力差、自有資金少、發(fā)展前景不清晰，企業(yè)的規(guī)模越小，其貸款申請被拒絕的比率就越高。具有固定供貨商和銷售方的企業(yè)，資金流動性得到保證，市場占有率穩(wěn)定，對銀行貸款有一定影響。銀行最看重的是企業(yè)的信譽，企業(yè)的信譽好，銀行更愿意貸款，相反，企業(yè)的信譽差，逾期次數(shù)越多，銀行貸款意愿越下降。這些都是影響銀行貸款的因素。但是根據(jù)貸款政策，銀行每年需提供固定金額以上的貸款給中小微企業(yè)。只貸款給實力強的企業(yè)也不行，實力強的企業(yè)也可能信譽差，有些實力弱的企業(yè)反而信譽好。而銀行的貸款利率也會影響企業(yè)是否對該銀行貸款，銀行為了吸納更多優(yōu)質的客戶會提出更多的優(yōu)惠政策。因此，銀行需根據(jù)影響貸款的因素對企業(yè)進行信貸風險的量化分析，并依據(jù)企業(yè)的信貸風險分類做出合理的信貸決策。

2 模型的建立與求解

企業(yè)實力主要包括財力、生產能力、技術水平、管理水平、銷售能力等。根據(jù)本文所提供的數(shù)據(jù)，選擇使用進項價稅合計、銷項價稅合計、進項有效發(fā)票比例、銷項有效發(fā)票比例四個指標建立模糊綜合評價模型，綜合評價了各企業(yè)的實力。因素集是以影響評價對象的各種因素為元素所組成的一個普通集合，具體表示為，其中元素代表影響評價對象的第個因素。集合中不同的因素本身所表現(xiàn)出的模糊性不同。這里設評定企業(yè)實力的指標集為，按照次序，表示為進項價稅合計，表示銷項價稅合計，表示進項有效發(fā)票比例，表示銷項有效發(fā)票比例。評價集是評價者對評價對象可能做出的各種結果所組成的集合，通常用表示，，其中元素代表第種評價結果，可以根據(jù)實際情況的需要，用不同的等級、評語或數(shù)字來表示（注意下文中出現(xiàn)的和，表示個因素集，表示個評價集）。這里設評定企業(yè)實力等級的評價集為。分別表示前文中所提的A、B、C、D四個等級，其中A為企業(yè)實力最雄厚，而D為企業(yè)實力最薄弱。若因素集U中第i個元素對評價集V中第1個元素的隸屬度為，則對第個元素單因素評價的結果用模糊集合表示為以個單因素評價集。組成矩陣，稱為模糊綜合評價矩陣。本文按表1給出上每個有序對（ui，vj）指定的隸屬度。

由表1可知，評判矩陣R為：

評價工作中，各因素的重要程度有所不同，為此，給各因素一個權重，各因素的權重集合的模糊集，用A表示：。為了評定企業(yè)的實力，企業(yè)的進項價稅合計和銷項價稅合計應該占較大比例，而進項有效發(fā)票比例和銷項有效發(fā)票比例應該占比較小的比重，取權數(shù)分配A=（0.35，0.35，0.15，0.15）。確定單因素評判矩陣R和因素權向量A之后，通過模糊變化將U上的模糊向量A變?yōu)閂上的模糊向量B，即。被稱為綜合評價合成算子，這里取成一般的矩陣乘法即可。最后得到的模糊向量為。由計算結果可見，該企業(yè)的實力應被評為B級。利用上述評價體系，得到各企業(yè)的實力評價結果如表2所示。

企業(yè)的穩(wěn)定性主要是根據(jù)進項和銷項有效發(fā)票比例，進項和銷項稅價合計波動范圍，進項和銷項時間波動六個數(shù)據(jù)進行分析的。對于一個企業(yè)，當其供求關系穩(wěn)定時，它具有固定的供貨商和銷售方，那么購方單位代號和銷方單位代號就會相對比較穩(wěn)定，進出貨物的時間相對比較穩(wěn)定，開票的金額也相對比較穩(wěn)定。反之當上述六個指標出現(xiàn)了大幅度的變化時，就代表著企業(yè)的穩(wěn)定性不足。

3 模型的求解

在研究企業(yè)的穩(wěn)定性時，本文接著使用上面所用的模糊綜合評價模型。企業(yè)供求關系穩(wěn)定性的因素集為分別表示進銷有效發(fā)票比例、進銷稅價合計波動范圍、進銷時間波動六個數(shù)據(jù)，評價集為分別表示A、B、C、D四個等級。對每一個企業(yè)樣本進行單因素模糊評價，得到評價矩陣。最后，確定權數(shù)分配為A=（0.2，0.2，0.2，0.2，0.1，0.1）。最后通過模糊變化，將U上的模糊向量A變?yōu)閂上的模糊向量B得到企業(yè)供求關系穩(wěn)定性最終的分級結果。利用上述評價體系，得到了各企業(yè)的供求關系穩(wěn)定性評價結果，如表3所示。

由于先前已經對所有的企業(yè)做出了企業(yè)信譽的評價，所以接下來只需對企業(yè)做信譽評價即可。在實際應用過程中，神經網絡表現(xiàn)出較為強大的非線性映射能力，但是對于一般的求解問題，仍然具有學習收斂速度太慢、易陷入局部極小值、網絡的拓撲結構不易確定等問題。

本文選用遺傳算法來對BP神經網絡模型進行優(yōu)化，遺傳算法本身具備比較完備的搜索能力，同時能夠大大提高模型本身的求解能力，使得求解結果更加具有解釋性。一直以來，遺傳優(yōu)化算法在模型的求解方法獲得了很大的應用。

GA-BP模型是通過遺傳算法對模型中基本的網絡權值和閾值分別進行優(yōu)化，使得模型在求解方面能夠獲得更好的預測效果。遺傳算法在對于BP神經網絡優(yōu)化過程中較為復雜，過程包括種群始化、適應度函數(shù)選擇、交叉操作和變異操作等步驟。

在編碼的過程中，本文選擇實數(shù)編碼的方法以及實數(shù)串個體進行設定，設定模型的基本結構包括輸入層、隱含層、輸出層。根據(jù)已有的拓撲網絡結構即可構建BP神經網絡模型。原先根據(jù)個體對BP神經網絡模型的初始值和閾值進行求解，并通過輸入訓練集的數(shù)據(jù)來進行系統(tǒng)預測。根據(jù)已有的數(shù)據(jù)，結合計算方法可知最終的預測值和實際值之間的絕對誤差F：

上式中，表示神經網絡輸出節(jié)點的個數(shù);表示BP神經網絡的期望輸出值，表示BP神經網絡的預測系統(tǒng)輸出; k表示預測值和實際值之間差值的系數(shù)。

當進行遺傳優(yōu)化算法實際訓練時，其中的個體編碼長度為55，選定100組數(shù)據(jù)進行訓練，最終得出結論：當個體的適應度值低于均值時，隨著個體適應度值的下降，其個體呈現(xiàn)出的性質越優(yōu)。

4 結語

模糊綜合評價方法在實際應用中呈現(xiàn)結果的形式是向量，向量作為矢量能夠很好的衡量評價的效果，所以使用模糊綜合評價可以對事物本身的性質進行較好的評價。為了評估無法用數(shù)據(jù)精確度量的信貸風險，本文選擇使用模糊綜合評價法，基于原來在模糊集合基礎上的模糊綜合評判方法，從多個指標入手，對于目標事物進行多層次綜合性分析，使得評價結果充分可靠。本文以挖掘數(shù)據(jù)信息為主要內容，在簡化模型的同時，未丟失有效數(shù)據(jù)信息，使結果更為精煉而不失準確。

參考文獻

糜仲春，申義，張學農.我國商業(yè)銀行中小企業(yè)信貸風險評估體系的構建[J].金融論壇，2007，（03）：21-25.DOI：10.16529/j.cnki.11-4613/f.2007.03.004

李明.基于遺傳算法改進的BP神經網絡的城市人居環(huán)境質量評價研究[D].大連：遼寧師范大學，2007.

李華.基于一種改進遺傳算法的神經網絡[D].太原：太原理工大學，2007.

許雪燕.模糊綜合評價模型的研究及應用[D].成都：西南石油大學，2011.

鄭偉潔.灰色系統(tǒng)預測模型的構建及其實證應用[D].寧波：寧波大學，2014.

何金蘭.基于中小企業(yè)融資業(yè)務的ZS銀行信貸策略研究[D].蘭州：蘭州大學，2013.

黃靜.基于模糊層次分析法的銀行信貸風險量化研究[D].武漢：華中科技大學，2007.