錢吳永 張浩男

（江南大學商學院，無錫 214122）

引 言

新冠疫情的蔓延對全球供應鏈、產(chǎn)業(yè)鏈產(chǎn)生了巨大的沖擊，在供應鏈金融領域，我國中小微企業(yè)由于疫情所帶來的資金回流難、償貸能力下降等問題導致其面臨更加嚴峻的融資困境，傳統(tǒng)供應鏈金融業(yè)務的服務方式難以適應當前形勢下的金融活動要求。隨著大數(shù)據(jù)、云計算和人工智能等技術(shù)的快速發(fā)展和5G網(wǎng)絡等基礎設施的持續(xù)完善，運用新的數(shù)字算法理論和技術(shù)方法來提高供應鏈金融信用風險評價的效果，成為解決我國中小微企業(yè)融資問題、提升供應鏈金融創(chuàng)新能力的一個重要方向。

近年來，眾多學者基于決策樹（Decision Tree，DT）、 人工神經(jīng)網(wǎng)絡（Artificial Neural Network，ANN）、 遺傳算法（Genetic Algorithms，GA）等機器學習的理論和方法構(gòu)建人工智能模型，并成功應用于信用風險評價的工作中［1-3］。相較于傳統(tǒng)的Logistics回歸分析法易受樣本規(guī)模的限制和層次分析法（AHP）主觀性較強的問題［4，5］，人工智能的方法能夠有效處理高維度非線性樣本的評價問題且不受指標權(quán)重等主觀因素的影響。支持向量機（Support Vector Machine，SVM）［6］作為一種穩(wěn)定的分類器，在信用風險評估中得到了大量的應用，在處理高維數(shù)據(jù)時表現(xiàn)出了較優(yōu)的性能，SVM以結(jié)構(gòu)風險最小化為原則，相較于其他的智能學習算法，具有更好的魯棒性。如胡海青等［7］通過將SVM與PCA和Logistic回歸方法建立的信用風險評價模型進行對比，結(jié)果表明基于小樣本下SVM的信用評價模型具有更優(yōu)的穩(wěn)定性和準確性。Shin等［8］以韓國中型制造業(yè)企業(yè)作為樣本，使用SVM建立了企業(yè)破產(chǎn)預警模型，對比總結(jié)了SVM相比于BPNN模型的優(yōu)點，實驗結(jié)果表明，隨著訓練集樣本的減少，SVM在精度和泛化能力上優(yōu)于BPNN。胡海青等［9］運用SVM和BP神經(jīng)網(wǎng)絡兩種算法建立信用風險評估模型并進行實證對比，結(jié)果表明基于SVM的信用評估模型具有更優(yōu)的穩(wěn)定性和準確性。此外，由于信用風險評價存在小樣本、多缺失值與奇異值等特點，運用神經(jīng)網(wǎng)絡進行信用風險評價時容易導致局部最優(yōu)解、過度擬合、泛化能力弱等問題，而支持向量機能夠利用核函數(shù)實現(xiàn)低維空間分類問題向高維空間的轉(zhuǎn)化，具有較強的泛化能力和較優(yōu)的魯棒性，被多數(shù)學者所采用。淳偉德和肖楊［10］通過構(gòu)建不同核函數(shù)SVM模型、Logistic回歸模型、DDA以及BPNN模型來對供給側(cè)改革背景下的系統(tǒng)性金融風險進行研究預警，對比分析的結(jié)果表明，使用多項式核函數(shù)的SVM預警模型具有優(yōu)越的預測性能。Fan和Palaniswami［11］將SVM模型的預測結(jié)果與MDA模型、多層感知器（Multi-Layer Precep?tion，MLP）神經(jīng)網(wǎng)絡模型和學習矢量化（Learning Vector Quantization，LVQ）神經(jīng)網(wǎng)絡模型的預測結(jié)果進行比較，結(jié)果表明，SVM在預測準確性上總高于其他3個模型。以上研究表明SVM在進行信用風險評估方面相較于其他的機器學習模型具有天然的優(yōu)勢，然而，由于SVM在選取核函數(shù)和分類參數(shù)時要求較高，如何對SVM參數(shù)進行優(yōu)化成為學者研究的重點。劉穎等［12］采用二進制粒子群算法來優(yōu)化支持向量機（SVM）的懲罰系數(shù)和核參數(shù)，結(jié)果表明，基于優(yōu)化算法的評價模型在解決供應鏈金融信用風險評價問題中具有很好的性能。此外，多位學者的研究表明，運用集成學習的思想將多個弱學習器組合成一個強學習器能夠降低評價模型對參數(shù)選擇的依賴性。如陳舒期和梁雪春［13］使用AdaBoost算法對最優(yōu)SVM個體進行非線性集成，建立了SSVM集成模型，進一步提高了SVM的分類識別性能；陳云等［14］基于混合集成策略，將隨機子集和AdaBoost兩種算法進行合成，建立基于SVM的集成學習模型，提高了SVM預測準確率。

基于上述分析，本文針對SVM參數(shù)選擇不準確導致分類精度較低的問題，使用一種動態(tài)變異的粒子群優(yōu)化算法（Dynamic Particle Swarm Opti?mization，DPSO）對SVM徑向基核函數(shù)中的參數(shù)進行選擇，并用AdaBoost集成算法將優(yōu)化后的PSO-SVM基分類器進行加權(quán)組合成強分類器，建立基于AdaBoost-PSO-SVM的評價模型，最后，將該模型應用于我國新能源汽車行業(yè)的供應鏈金融信用風險評價中，實驗結(jié)果表明，所建立的模型大大提高了SVM的分類準確率，同時相比于其他評價模型也具有更優(yōu)秀的性能。

1 中小企業(yè)信用風險評價指標體系的設計

在傳統(tǒng)的融資模式下，銀行與申請融資的中小企業(yè)之間存在嚴重的信息不對稱，僅僅通過對融資企業(yè)自身的信用風險水平進行評估很難使那些規(guī)模較小、財務制度不健全、自身不能滿足銀行擔?；蛸|(zhì)押資產(chǎn)要求的中小企業(yè)獲得授信。在供應鏈金融模式下，評價指標應更多考慮中小企業(yè)與核心企業(yè)之間的關(guān)系以及供應鏈全鏈條的整體情況，從而更全面、準確地把握融資企業(yè)的資信情況。因此，本文基于供應鏈的視角，考慮融資企業(yè)和核心企業(yè)的財務和非財務狀況以及供應鏈整體的運營狀況，在現(xiàn)有文獻［15-19］對供應鏈金融指標體系研究的基礎上，將定性與定量指標相結(jié)合，重新設計了反映全鏈條風險水平的信用風險評價指標體系，如表1所示。

表1 信用風險評價指標

續(xù) 表

2 理論模型設定

2.1 支持向量機（SVM）

假設n個樣本的訓練樣本集表示輸入的第i個樣本，yi∈｛1，-1｝，分類超平面方程為wx+b＝0（w是超平面的法向量，b是偏置）。

圖1 線性可分情況下最優(yōu)分類超平面

建立Langrange函數(shù)：

由于供應鏈金融評價指標具有高維、非線性、動態(tài)等特點，此時SVM需要引入核函數(shù)K（xi，xj）＝Φ（xi）T·Φ（xj）來將高維空間中的非線性分類問題進行轉(zhuǎn)化。徑向基（RBF）核函數(shù)相比于其他幾種SVM的核函數(shù)，在線性和非線性的數(shù)據(jù)集都有較好的表現(xiàn)。因此，本文選用徑向基核函數(shù)：K（x，輸入 SVM。

根據(jù)式 （1）和式 （2），將原始問題轉(zhuǎn)化為Langrange對偶問題：

綜上，得到最優(yōu)的分類判別函數(shù)：

2.2 DPSO優(yōu)化SVM

在標準粒子群算法中，通常將慣性權(quán)重ω設定為一個固定的值［20］，難以滿足算法迭代前期全局搜索能力和后期局部搜索能力的動態(tài)要求。本文在粒子群算法基本原理的基礎上兼顧算法的收斂精度和收斂速度，使用動態(tài)變異的粒子群算法（DPSO）來優(yōu)化SVM的參數(shù)，采用動態(tài)權(quán)重如下：

借鑒遺傳算法變異的思想，將變異操作引入到粒子群算法中，使粒子跳出原來的區(qū)域進入其他新的領域進行搜索，以此來找到新的群體極值，循環(huán)變異操作，直到找到全局最優(yōu)解，具體做法如下：

設粒子群的群體適應度方差為：

n為粒子群的粒子數(shù)目，σ2代表粒子的 “收斂”程度，隨著σ2變小，粒子群由隨機搜索狀態(tài)逐漸趨于收斂。f表示歸一化定標因子，取值如下：

令粒子的聚集程度為α，則t代α的計算公式如下：

σmax和σmin分別代表全部粒子標準差的適應度最大值和最小值。由種群聚集度的定義設置t+1代粒子變異概率公式如下：

Pt+1與粒子聚集度α成正比，λ∈［3，5］為固定常數(shù)的比例增益，N代表種群的規(guī)模，m表示優(yōu)化問題的維數(shù)。

DPSO-SVM算法流程如圖2所示。

圖2 DPSO-SVM算法流程

2.3 AdaBoost集成DPSO-SVM

AdaBoost（Adaptive Boosting）是一種通過對訓練樣本的權(quán)值迭代來強化弱學習器的集成學習算法［21］。 本文采用 AdaBoost對 DPSO-SVM 學習器進行訓練，算法實現(xiàn)步驟如下：

Step1：輸入N個初始學習訓練樣本集D＝是樣本空間的樣本特征，yi為類別空間的類別符號，設定初始訓練樣本的權(quán)值矩陣：W1＝（ω11，ω12，…，ω1i，…，ω1N），假設每個訓練樣本的權(quán)重都是相等的，即：ω1i＝1/N，（i＝1，2，…，N）。

Step2： 使用具有權(quán)值分布的Wt＝ （ωt1，ωt2，…，ω1i，…，ωtN）訓練集數(shù)據(jù)學習，將 DPSO-SVM作為基分類器：

Step4：計算DPSO-SVM分類器權(quán)重：設αt＝更新訓練樣本的權(quán)重：ωt+1為歸一化因子，返回 Step2 迭代。

3 模型仿真實驗與分析

3.1 樣本搜集與處理

本文選取我國供應鏈金融業(yè)務發(fā)展相對成熟的新能源汽車供應鏈為研究對象，以比亞迪、福田汽車、特斯拉、北汽集團、長安汽車五大新能源汽車整車制造廠為核心企業(yè)，選取其供應鏈上下游共54個國內(nèi)上市公司2017～2020年近4年的財務和其他相關(guān)數(shù)據(jù)，共計216個樣本，剔除具有異常數(shù)據(jù)的樣本18個，剩余198個可用樣本，并根據(jù)各年國資委發(fā)布的 《企業(yè)績效評價標準值》對比篩選出 “信用不良”的樣本38個，將 “信用良好”的160個樣本作為初始數(shù)據(jù)。由于所建立的評價指標體系變量較多，且各指標間存在一定的相關(guān)性，為了在確保數(shù)據(jù)信息丟失最少的前提下簡化輸入模型的數(shù)據(jù)，本文采取主成分分析法（PCA）對搜集的數(shù)據(jù)進行降維處理：

（1）數(shù)據(jù)z-score標準化處理：

（2）評價指標的主成分提取

表2為主成分特征值及貢獻率。由表2可知，前12個主成分的累積貢獻率為86.665%，因此提取前12個主成分。

表2 主成分特征值及貢獻率

表3為原始數(shù)據(jù)198個樣本的46個供應鏈金融風險評價指標進行主成分屬性約簡后提取的12個線性無關(guān)的主成分，將降維后的數(shù)據(jù)輸入評價模型能夠大大提高運算效率，同時也避免了支持向量機RBF核函數(shù)不擅長處理量綱不統(tǒng)一數(shù)據(jù)集的問題。

表3 原始數(shù)據(jù)樣本的主成分

3.2 模型結(jié)果分析

以提取后的12個主成分為支持向量機的輸入變量，設置訓練集樣本120個，測試集樣本78個，不良樣本的類別標簽為1，良好樣本的類別標簽為0。采用改進后的的粒子群算法對徑向基（RBF）核函數(shù)的懲罰系數(shù)C和參數(shù)g進行優(yōu)化，設定參數(shù)C1＝1.5、C2＝1.7，種群規(guī)模為20，最大迭代次數(shù)設置為200，SVM懲罰系數(shù)C和核參數(shù)g的取值范圍設置為［0.001，10］，粒子的位置Xi∈［-6，6］，粒子速度V∈［-10，10］。 經(jīng)過最優(yōu)化選擇，SVM核函數(shù)的參數(shù)篩選得到C＝2.8284、g＝0.088388，以此作為模型的基本參數(shù)。將DP?SO-SVM作為基分類器，使用AdaBoost集成DP?SO-SVM，得到的分類結(jié)果與單一分類器SVM和PSO-SVM以及BP-AdaBoost進行對比。各模型不同指標間的分類結(jié)果對比如表4所示。

表4 模型結(jié)果對比 單位：%

Accuracy反映了分類器對整體樣本的分類判別能力，即模型能夠正確識別出良好樣本和不良樣本的能力。在信用評估中，將一個信用好的企業(yè)評估為信用差的企業(yè)，對于信貸機構(gòu)來說，只是客戶未來的貸款利息的損失，如果將一個信用差的企業(yè)評估為信用好的企業(yè)，則面臨借款者違約的風險，對信貸機構(gòu)造成無法收回本金和利息的損失。因此，相較于Recall指標表示標簽為正樣本的實例中的預測正確率，本文更加注重Spe?cificity指標的大小，反映標簽為負樣本的實例中的預測正確率。由于在特定的樣本數(shù)據(jù)下，支持向量機對測試集的預測值為單一數(shù)值，ROC曲線發(fā)生退化，此時AUC指標不能全面地反映分類器的性能，因此本文使用F1-Score、G-means以及Ac?curacy等指標作為主要評價指標，AUC作為輔助性評價指標。

結(jié)果表明，所有模型均能對本文搜集的數(shù)據(jù)進行有效地分類，分類準確率最低為87.19%。同時可以看出負類樣本的識別誤差總高于正類樣本的識別誤差，因此在今后的研究中，應更加重視對不良樣本的誤分類率。比較不同的模型，PSOSVM模型性能在SVM的基礎上有了明顯改善。采用自適應變異的粒子群算法對SVM進行優(yōu)化得到DPSO-SVM比標準的PSO-SVM分類效果更好，測試集樣本的準確率由92.31%提升到了93.59%。采用AdaBoost算法集成后的AdaBoost-DPSO-SVM模型在各個指標上都有較大提升，模型準確率（Ac?curacy）達到了最高的96.15%，對比BP-AdaBoost模型，其分類性能更優(yōu)。AdaBoost-DPSO-SVM模型的Specificity指標在5個模型中最高，表明其將信用不良企業(yè)識別為信用好的企業(yè)的錯誤率最低，且綜合反映模型輸出效果的G-means和F1-Score指標值最高，分別為97.63%和97.60%，說明本文所提出的AdaBoost-DPSO-SVM模型能夠更好地應用于供應鏈金融信用風險的評估。

4 總結(jié)與展望

本文基于我國新能源電動汽車產(chǎn)業(yè)上市公司的財務數(shù)據(jù)和供應鏈數(shù)據(jù)，構(gòu)建了供應鏈金融信用風險評價指標體系，運用PCA對數(shù)據(jù)樣本進行預處理，作為支持向量機的輸入數(shù)據(jù)，有效地解決了供應鏈金融存在高維數(shù)據(jù)的問題。通過對粒子群算法的慣性權(quán)重進行改進和引入變異操作，提出了一種動態(tài)變異的粒子群優(yōu)化算法，避免了粒子在尋優(yōu)的過程中陷入局部極小值的問題。最后將改進后的優(yōu)化算法對SVM參數(shù)進行優(yōu)化并作為一種弱分類器輸入AdaBoost集成，構(gòu)建了一種在多方面都具有較好性能的AdaBoost-DPSO-SVM模型，并成功應用于我國新能源汽車供應鏈金融的信用風險評估工作中，為加快推進我國金融領域的供給側(cè)結(jié)構(gòu)性改革，使金融更好地服務于實體經(jīng)濟，實現(xiàn)經(jīng)濟高質(zhì)量發(fā)展提供了一個新視角。

供應鏈金融包含的業(yè)務關(guān)系復雜多樣，存在大量動態(tài)的、非結(jié)構(gòu)化的金融數(shù)據(jù)，如何在海量復雜的數(shù)據(jù)中獲得一種更為高效、準確、適用性強、動態(tài)化的信用評價的指標體系和方法，是未來繼續(xù)研究的方向。此外，由于SVM本身對于核函數(shù)的高維映射解釋力不強，對于評價結(jié)果中信用不好的企業(yè)無法給出較為準確的指導建議，給評價模型分類結(jié)果的分析帶來一定難度。如何在本文所提出模型的基礎上融合其他具有較強記憶性的機器學習算法（如決策樹等）來提高模型的可解釋性也是未來重點研究的方向。