侯景花

（晉中學(xué)院計(jì)劃財(cái)務(wù)部，山西晉中 030619）

隨著市場(chǎng)經(jīng)濟(jì)的發(fā)展，商業(yè)銀行正朝著多元化方向發(fā)展，同時(shí)也面臨著更多的金融風(fēng)險(xiǎn)，而信用風(fēng)險(xiǎn)便是其中之一，且發(fā)生的頻率非常高［1，2］。所謂的信用風(fēng)險(xiǎn)指的是信貸資金安全有著不同程度的不穩(wěn)定性，主要體現(xiàn)在貸款方因?yàn)榭陀^或主觀原因無(wú)力償還或是不愿償還貸款，導(dǎo)致銀行方面不能如期收回資金，造成經(jīng)濟(jì)損失［3，4］。據(jù)世界銀行統(tǒng)計(jì)，目前信用風(fēng)險(xiǎn)已成為銀行倒閉的重要原因之一，所以對(duì)商業(yè)銀行信用風(fēng)險(xiǎn)進(jìn)行度量及評(píng)估，準(zhǔn)確分析其在信貸業(yè)務(wù)中可能出現(xiàn)風(fēng)險(xiǎn)的幾率非常有必要，精準(zhǔn)的評(píng)估結(jié)果將會(huì)為商業(yè)銀行的信貸決策提供有利的依據(jù)［5］。

近年來(lái)，國(guó)內(nèi)外諸多學(xué)者對(duì)銀行信用風(fēng)險(xiǎn)評(píng)估問題進(jìn)行了大量研究，并取得了一定的成果。如夏冰［6］等人通過(guò) “剪裁法” 從供應(yīng)鏈的角度運(yùn)用稀疏最小二乘支持向量機(jī)模型對(duì)企業(yè)的信用風(fēng)險(xiǎn)進(jìn)行了評(píng)估；杜永強(qiáng)［7］等人通過(guò)平滑擴(kuò)充理論對(duì)樣本數(shù)據(jù)進(jìn)行生成并擴(kuò)充，得到大樣本數(shù)據(jù)，并以此為基礎(chǔ)對(duì)銀行信用風(fēng)險(xiǎn)級(jí)別進(jìn)行劃分，進(jìn)而實(shí)現(xiàn)信用風(fēng)險(xiǎn)的評(píng)估。上述兩種方法雖然對(duì)銀行信用風(fēng)險(xiǎn)的評(píng)估有一定預(yù)測(cè)作用，但是前者評(píng)估切入角度較為片面，后者受樣本數(shù)量影響較大，導(dǎo)致二者在評(píng)估的有效性和準(zhǔn)確度上表現(xiàn)得略有遜色。

信用風(fēng)險(xiǎn)是較為復(fù)雜的風(fēng)險(xiǎn)類型，不易被精準(zhǔn)度量及評(píng)估，為此本文提出的商業(yè)銀行信用風(fēng)險(xiǎn)度量及評(píng)估方法，分別運(yùn)用層次分析法和信息熵方法賦權(quán)于信用風(fēng)險(xiǎn)度量及評(píng)估體系中的各個(gè)指標(biāo)，得到主、客觀權(quán)重，并將二者融合得出綜合指標(biāo)權(quán)重，并通過(guò)自適應(yīng)調(diào)整學(xué)習(xí)速率的方法優(yōu)化BPNN網(wǎng)絡(luò)，實(shí)現(xiàn)合理、有效、準(zhǔn)確地對(duì)商業(yè)銀行信用風(fēng)險(xiǎn)進(jìn)行度量及評(píng)估，為商業(yè)銀行的信貸決策提供有利的依據(jù)。

一、商業(yè)銀行信用風(fēng)險(xiǎn)度量及評(píng)估

（一）構(gòu)建商業(yè)銀行信用風(fēng)險(xiǎn)度量與評(píng)估指標(biāo)體系

1.指標(biāo)體系構(gòu)建原則

第一，指標(biāo)選擇的全面性與重要性。因?yàn)閷?dǎo)致商業(yè)銀行出現(xiàn)信用風(fēng)險(xiǎn)的因素很多，如宏觀因素、借款企業(yè)自身因素等［8，9］，這就要求在選擇度量及評(píng)估指標(biāo)時(shí)考慮要全面，且目的性要強(qiáng)。

第二，定性與定量指標(biāo)結(jié)合。定量指標(biāo)可以直觀、明確地獲取實(shí)際數(shù)據(jù)，還可以定義出具體的評(píng)估標(biāo)準(zhǔn)，并通過(guò)量化的方式描述出來(lái)［10，11］。但是信用風(fēng)險(xiǎn)度量及評(píng)估是較為復(fù)雜的系統(tǒng)，不可能將每一個(gè)影響商業(yè)銀行信用風(fēng)險(xiǎn)的因素都用量化的方式表示出來(lái)，這樣那些不能被量化的指標(biāo)只能通過(guò)定性的方式進(jìn)行描述。

第三，指標(biāo)的可預(yù)見性。構(gòu)建指標(biāo)體系的目的就是為了更深入地挖掘借款企業(yè)與商業(yè)銀行自身的潛在風(fēng)險(xiǎn)因素，要求所選擇的度量及評(píng)估指標(biāo)要能表現(xiàn)將來(lái)的發(fā)展走勢(shì)。

2.信用風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系的建立

依據(jù)上述原則并結(jié)合我國(guó)信用風(fēng)險(xiǎn)的現(xiàn)狀，選取以下指標(biāo)構(gòu)建商業(yè)銀行信用風(fēng)險(xiǎn)度量及評(píng)估指標(biāo)體系，詳見表1。

表1 商業(yè)銀行信用風(fēng)險(xiǎn)度量及評(píng)估指標(biāo)體系

上述指標(biāo)是對(duì)信用風(fēng)險(xiǎn)進(jìn)行管理、控制、監(jiān)督和檢查的重要工具。利用上述指標(biāo)，可以查明與挖掘信用風(fēng)險(xiǎn)評(píng)價(jià)潛力，降低商業(yè)銀行信貸風(fēng)險(xiǎn)，提高經(jīng)濟(jì)效益。

（二）商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估指標(biāo)權(quán)重

指標(biāo)權(quán)重的獲取可以分成主觀與客觀兩種方法，這兩種方法本身均有不足之處。主觀方法主要是從指標(biāo)本身蘊(yùn)含的意思制定權(quán)重，但是在客觀性方面，則表現(xiàn)較差，容易被評(píng)估人員的主觀想法所影響；而客觀方法則是以實(shí)際數(shù)據(jù)為度量及評(píng)估的標(biāo)準(zhǔn)，可以不受評(píng)估人員主觀的影響，但是不能反映出評(píng)估人員對(duì)各個(gè)指標(biāo)的關(guān)注程度，甚至?xí)a(chǎn)生客觀方法求得的權(quán)重不符合實(shí)際情況的現(xiàn)象。所以，在對(duì)指標(biāo)權(quán)重進(jìn)行賦權(quán)時(shí)，應(yīng)將主觀方法與客觀方法進(jìn)行結(jié)合，充分展現(xiàn)其自身的優(yōu)點(diǎn)。目前，層次分析法（AHP）比較適應(yīng)于指標(biāo)權(quán)重主觀方面的確定，且應(yīng)用也較為廣泛；信息熵方法則更適應(yīng)于指標(biāo)權(quán)重客觀方面的確定。

1.基于層次分析法確定指標(biāo)主觀權(quán)重

層次分析法是依據(jù)心理學(xué)研究原理，把較為復(fù)雜的系統(tǒng)劃分為多個(gè)因素作為分析對(duì)象，按照這些分析對(duì)象的性質(zhì)展現(xiàn)出具有層次化的決策過(guò)程，構(gòu)建出結(jié)構(gòu)分明的指標(biāo)評(píng)估體系的方法［12］。該方法在應(yīng)用時(shí)，通常會(huì)把分析對(duì)象分成不同的層級(jí)，相同層級(jí)的指標(biāo)以上一層級(jí)的指標(biāo)為基準(zhǔn)，進(jìn)行一對(duì)一的比較，建立兩兩對(duì)比判斷矩陣，另外對(duì)其獲取的結(jié)果實(shí)行一致性的檢測(cè)。

（1）構(gòu)建判斷矩陣

根據(jù)銀行信用風(fēng)險(xiǎn)度量及評(píng)估指標(biāo)體系構(gòu)建所有層次元素間的聯(lián)系，也就是建立各個(gè)評(píng)估指標(biāo)之間的關(guān)系，并進(jìn)行成對(duì)比較，從而構(gòu)建出信用風(fēng)險(xiǎn)評(píng)估指標(biāo)成對(duì)判斷矩陣，用Z=（Zij）mn表示，判斷矩陣描述為：

有關(guān)專家對(duì)評(píng)估指標(biāo)重要程度進(jìn)行評(píng)估賦分，根據(jù)的評(píng)分標(biāo)準(zhǔn)是1～9標(biāo)度法，如表2所示。

建立對(duì)比矩陣C，判斷一級(jí)指標(biāo)準(zhǔn)基層的重要程度，采用專家打分的方式，評(píng)定各特征的比較分值，如表3所示。

表3 準(zhǔn)基層比較分值

（2）權(quán)重系數(shù)計(jì)算

第一，依據(jù)建立的判斷矩陣中評(píng)估人員給出的各指標(biāo)元素取值，對(duì)各行的元素值進(jìn)行求積操作，求得的乘積用Qi描述，公式表示為：

表21 ～9標(biāo)度法

式中，判斷矩陣Z中，行的序號(hào)用i描述，列的序號(hào)用 j描述，且 i，j=1，2，3，…，n。指標(biāo)的個(gè)數(shù)用 n 描述，∏表示求積符號(hào)。

第二，求得Qi的n次方根Gi，描述為Gi=Wi，描述為：

第三，因?yàn)橥ǔＧ闆r下邀請(qǐng)的都是由多人組成的專家組對(duì)評(píng)估指標(biāo)賦分，所以就需要對(duì)評(píng)估專家組給出的權(quán)重進(jìn)行集結(jié)處理，用公式描述為：

式中，專家e對(duì)指標(biāo)i賦予的總權(quán)重值用ωei描述，專家組人數(shù)用r描述。

第四，檢驗(yàn)結(jié)果的一致性。為了確保AHP獲取的結(jié)果合理，取得指標(biāo)權(quán)重之后，還需對(duì)其一致性進(jìn)行檢驗(yàn)。首先要獲得矩陣的最大特征值，描述為：

式中，判斷矩陣和指標(biāo)權(quán)重的積用（ZW）i描述，進(jìn)而獲取一致性指標(biāo)與比率分別描述為CI=通過(guò)CR可以檢測(cè)矩陣的一致性，即如果CR≤0.1，說(shuō)明矩陣Z滿足一致性檢測(cè)的條件，反之則不滿足。

滿足一致性檢測(cè)的要求矩陣Z，其最大特征值λmax 對(duì)應(yīng)的特征向量用 S=（S1，S2，…，Sn）描述，歸一化后得到指標(biāo)權(quán)向量 W=（W1，W2，…，Wn）。

2.基于信息熵確定指標(biāo)客觀權(quán)重

信息熵（Information Entropy）可以用于信息的量度，表示的是幾率和信息冗余度之間的關(guān)系，是系統(tǒng)無(wú)序程度的度量，描述成信息量的幾率加權(quán)統(tǒng)計(jì)均值［13，14］，表達(dá)式為：

式中，狀態(tài)值出現(xiàn)的幾率用pi描述，D表示pi的函數(shù)，代表了平均不確定性，自然對(duì)數(shù)函數(shù)用ln描述。把信息熵運(yùn)用在評(píng)估系統(tǒng)里，可以最大限度地減少每個(gè)指標(biāo)權(quán)重的主觀性。

熵權(quán)值具體運(yùn)算過(guò)程如下：

第一，評(píng)估對(duì)象樣本數(shù)量用m描述，每一個(gè)評(píng)價(jià)對(duì)象包含的指標(biāo)個(gè)數(shù)用n描述，建立判斷矩陣，表示為：

第二，獲取第j個(gè)評(píng)價(jià)指標(biāo)下第i個(gè)評(píng)估對(duì)象的指標(biāo)比率，描述為：

第三，對(duì)評(píng)估指標(biāo)的熵進(jìn)行定義，描述為：

式中設(shè)定當(dāng)pij=0時(shí)，則pijlnpij=0，目的是使lnpij有意義。

第四，求得評(píng)估指標(biāo)的熵值，第j個(gè)指標(biāo)的熵值表示成：

第五，獲取指標(biāo)權(quán)向量，描述為：

3.綜合權(quán)重的確定

層次分析法是通過(guò)評(píng)估人員的經(jīng)驗(yàn)和認(rèn)識(shí)獲取指標(biāo)權(quán)重，側(cè)重于體現(xiàn)指標(biāo)對(duì)于商業(yè)銀行信用風(fēng)險(xiǎn)的重要程度，因此有時(shí)就會(huì)出現(xiàn)這樣的情形，即雖然某一指標(biāo)較為重要，但是該指標(biāo)卻沒有較強(qiáng)的針對(duì)性，這種情況下就不需要對(duì)其賦予較大權(quán)重；信息熵則是通過(guò)客觀數(shù)據(jù)來(lái)度量指標(biāo)的重要程度，能較好地反映出指標(biāo)的針對(duì)性，但是如果只是單純地根據(jù)客觀數(shù)據(jù)進(jìn)行判斷，那么就會(huì)使有著較強(qiáng)針對(duì)性的指標(biāo)對(duì)商業(yè)銀行信用風(fēng)險(xiǎn)的重要程度不能突顯出來(lái)，特別是有異常數(shù)據(jù)產(chǎn)生時(shí)，就要減小雖然重要但針對(duì)性較差的指標(biāo)所占的權(quán)重，同時(shí)提升針對(duì)性較強(qiáng)指標(biāo)的權(quán)重。總之，就是把較為重要但針對(duì)性不強(qiáng)的指標(biāo)轉(zhuǎn)移給針對(duì)性強(qiáng)但重要程度略低的指標(biāo)一部分權(quán)重。這樣將通過(guò)主、客觀方法獲取的權(quán)重進(jìn)行綜合就可以使兩者得到互補(bǔ)，并且以重要程度為前提增強(qiáng)整個(gè)模型的代表性。商業(yè)銀行信用風(fēng)險(xiǎn)度量及評(píng)估指標(biāo)的綜合權(quán)重是通過(guò)客觀權(quán)重調(diào)整主觀權(quán)重的方式獲取，詳細(xì)描述是：將主觀權(quán)重作為前提，然后根據(jù)客觀權(quán)重體現(xiàn)出來(lái)的針對(duì)性，調(diào)整主觀權(quán)重的比例。通過(guò)該方法獲取到商業(yè)銀行信用風(fēng)險(xiǎn)度量及評(píng)估指標(biāo)的綜合權(quán)重向量C=（c1，c2，…，cn），其中 ci描述為：

（三）BPNN網(wǎng)絡(luò)模型

BPNN屬于前饋型階層網(wǎng)絡(luò)，一般由三個(gè)層次組成，第一層為輸入層，第二層為隱藏層，第三層為輸出層［15］。

為了提升BPNN網(wǎng)絡(luò)的性能對(duì)其進(jìn)行了優(yōu)化。優(yōu)化的方式就是自適應(yīng)調(diào)整其學(xué)習(xí)速率，即如果經(jīng)過(guò)K次迭代總誤差R變小，則判斷其學(xué)習(xí)速率提升，反之則判斷為降低，具體描述為：

式中，學(xué)習(xí)速率用g描述，訓(xùn)練次數(shù)用K描述，誤差函數(shù)用R描述。

學(xué)習(xí)速率初始值的選取有兩種方式，即隨機(jī)選取和經(jīng)驗(yàn)賦值。當(dāng)選取較大速率時(shí)，若誤差加大，那么學(xué)習(xí)速率變小；當(dāng)選取較小速率時(shí)，若誤差變小，那么學(xué)習(xí)速率增加，以此進(jìn)行迭代，直到誤差為預(yù)期值，結(jié)束迭代，或是迭代達(dá)最大次數(shù)，則迭代結(jié)束。通過(guò)多次實(shí)驗(yàn)對(duì)相關(guān)參數(shù)進(jìn)行改進(jìn)，以促進(jìn)BPNN網(wǎng)絡(luò)實(shí)現(xiàn)最佳形態(tài)，完成BPNN網(wǎng)絡(luò)模型的構(gòu)建。

經(jīng)過(guò)優(yōu)化的BPNN網(wǎng)絡(luò)模型，以自適應(yīng)調(diào)節(jié)的方式促進(jìn)BPNN進(jìn)行最大學(xué)習(xí)速率的訓(xùn)練，能夠極大地提升BPNN模型的收斂速度，增加整體性能。

優(yōu)化后的BPNN網(wǎng)絡(luò)模型關(guān)于商業(yè)銀行信用風(fēng)險(xiǎn)度量及評(píng)估的學(xué)習(xí)過(guò)程具體如下：

（1）輸入層神經(jīng)元的數(shù)量的設(shè)置。依據(jù)確定的商業(yè)銀行信用風(fēng)險(xiǎn)度量及評(píng)估指標(biāo)體系，將通過(guò)AHP與信息熵的方法確定的指標(biāo)權(quán)重中占比較小的指標(biāo)去除，從而可以降低BPNN模型輸入的維度。

（2）輸出層神經(jīng)元的數(shù)量的設(shè)置。最終輸出層提出的結(jié)論應(yīng)與借款方的信用風(fēng)險(xiǎn)等級(jí)相對(duì)應(yīng)。

（3）隱藏層的數(shù)量以及神經(jīng)元數(shù)量的設(shè)置。通過(guò)Komogrov原理可知，具有3個(gè)層級(jí)的BPNN網(wǎng)絡(luò)能夠貼近隨機(jī)的非線性函數(shù)，所以本文關(guān)于商業(yè)銀行信用風(fēng)險(xiǎn)度量及評(píng)估設(shè)置1個(gè)輸出神經(jīng)元。對(duì)BPNN網(wǎng)絡(luò)性能影響最大的就是位于隱藏層神經(jīng)元數(shù)量。如果神經(jīng)元數(shù)量過(guò)多，那么網(wǎng)絡(luò)學(xué)習(xí)的時(shí)間也會(huì)過(guò)長(zhǎng)，而且誤差也不一定能實(shí)現(xiàn)最佳；如果神經(jīng)元的數(shù)量過(guò)少，會(huì)出現(xiàn)容錯(cuò)性差的問題，影響度量與評(píng)估的準(zhǔn)確性，因此，通過(guò)以下公式對(duì)隱藏層神經(jīng)元最佳數(shù)量進(jìn)行確定，描述為：

式中，位于輸入層、隱藏層以及輸出層中神經(jīng)元的數(shù)量分別用b、q和o描述，a是常數(shù)，且其取值范圍是1至10之間。

（四）商業(yè)銀行信用風(fēng)險(xiǎn)度量及評(píng)估步驟及模型

運(yùn)用層次分析法-信息熵-BPNN綜合模型對(duì)商業(yè)銀行信用風(fēng)險(xiǎn)度量與評(píng)估步驟如下：

第一，建立商業(yè)銀行信用風(fēng)險(xiǎn)度量與評(píng)估指標(biāo)體系，指標(biāo)體系建立之前需了解該行業(yè)的特點(diǎn)，選取的指標(biāo)要對(duì)借款方信用等級(jí)有足夠的影響力。

第二，通過(guò)層次分析法-信息熵確定最具影響力的指標(biāo)變量，并在對(duì)度量及評(píng)估結(jié)論沒有影響的前提下進(jìn)行簡(jiǎn)化，進(jìn)而簡(jiǎn)化BPNN網(wǎng)絡(luò)的結(jié)構(gòu)。

第三，設(shè)置BPNN網(wǎng)絡(luò)輸出神經(jīng)元數(shù)量，因?yàn)槊總€(gè)借款方僅對(duì)應(yīng)一個(gè)信用風(fēng)險(xiǎn)等級(jí)，因此本文設(shè)置1個(gè)輸出神經(jīng)元。

第四，對(duì)BPNN網(wǎng)絡(luò)所有參數(shù)進(jìn)行初始化操作，如學(xué)習(xí)參數(shù)和精度、動(dòng)量項(xiàng)的因數(shù)、設(shè)置的迭代次數(shù)等。

第五，無(wú)量綱化信用風(fēng)險(xiǎn)度量與評(píng)估每項(xiàng)指標(biāo)，歸一化樣本參數(shù)為0至1之間的數(shù)值。

第六，將隨機(jī)生成的-1至1之間的數(shù)，賦予BPNN初始權(quán)值矩陣中。

第七，訓(xùn)練BPNN模型，依據(jù)附加動(dòng)量法進(jìn)行操作。

第八，將訓(xùn)練得到的學(xué)習(xí)精度與設(shè)置的精度做對(duì)比，判斷其是否符合要求，或迭代次數(shù)是否達(dá)到設(shè)置的最大迭代次數(shù)，若有一項(xiàng)符合要求，那么網(wǎng)絡(luò)訓(xùn)練結(jié)束，留存結(jié)果。反之，重新返回第六步，直至滿足條件。

在信用風(fēng)險(xiǎn)進(jìn)行度量及評(píng)估時(shí)也可以將其看作模式識(shí)別的問題。設(shè)定影響銀行信用風(fēng)險(xiǎn)度量及評(píng)估結(jié)果指標(biāo)用x1，x2，…，xn描述，信用風(fēng)險(xiǎn)級(jí)別用y1，y2，…，ym′描述，那么得出商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估模型，描述為：

二、實(shí)驗(yàn)分析

以某地方性商業(yè)銀行為實(shí)驗(yàn)對(duì)象，該銀行的組織形式為股份制，在當(dāng)?shù)卦O(shè)有多家分行。

為了驗(yàn)證本方法的有效性，將本方法對(duì)該商業(yè)銀行信用風(fēng)險(xiǎn)度量及評(píng)估進(jìn)行度量及評(píng)估，分值評(píng)估公式表示為：

再根據(jù)分值將評(píng)估等級(jí)劃分為四級(jí)，即優(yōu)秀（86～100）、良好（71～85）、合格（61～70）、較差（60 以下），經(jīng)過(guò)實(shí)驗(yàn)最終獲得信用風(fēng)險(xiǎn)度量及評(píng)估結(jié)果，如表4所示。

表4 信用風(fēng)險(xiǎn)度量及評(píng)估結(jié)果

由表4可知，本文方法能夠有效地獲取該商業(yè)銀行一級(jí)指標(biāo)與二級(jí)指標(biāo)的權(quán)重，以此得出該銀行信用風(fēng)險(xiǎn)度量及評(píng)估的分值為83，評(píng)定該商業(yè)銀行評(píng)估等級(jí)為 “良好” 。由此說(shuō)明，利用本文方法可以有效地對(duì)商業(yè)銀行信用風(fēng)險(xiǎn)進(jìn)行度量及評(píng)估，該方法具有較強(qiáng)的適用性。

為了驗(yàn)證本文方法對(duì)于商業(yè)銀行信用風(fēng)險(xiǎn)度量及評(píng)估的優(yōu)越性，將文獻(xiàn)［6］中基于SLS-SVM的供應(yīng)鏈視角下中小企業(yè)信用風(fēng)險(xiǎn)評(píng)估、文獻(xiàn)［7］中基于平滑擴(kuò)充原理的商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)級(jí)模型和文中所提方法與實(shí)際結(jié)果相比。實(shí)驗(yàn)利用該商業(yè)銀行130組歷史數(shù)據(jù)作為樣本集，其中121組數(shù)據(jù)用于訓(xùn)練，9組數(shù)據(jù)用于檢測(cè)，從而得到的實(shí)驗(yàn)結(jié)果如圖1所示。

圖1 采取本文方法評(píng)估的結(jié)果與實(shí)際結(jié)果對(duì)比圖

由圖1可知，利用本文方法得出的評(píng)估結(jié)果曲線與實(shí)際結(jié)果曲線重合度極高，由此說(shuō)明本文方法擬合程度高，對(duì)于商業(yè)銀行信用風(fēng)險(xiǎn)的度量及評(píng)估具有較好的精度。

通過(guò)評(píng)估指標(biāo)的熵值驗(yàn)證本文方法的商業(yè)銀行信用風(fēng)險(xiǎn)度量及評(píng)估指標(biāo)選取的效果。

實(shí)驗(yàn)選取該商業(yè)銀行的80組數(shù)據(jù)進(jìn)行測(cè)試，將信用風(fēng)險(xiǎn)度量及評(píng)估的各個(gè)指標(biāo)分別用1～21的數(shù)字表示，利用本文方法分別測(cè)試每個(gè)指標(biāo)的熵值，得出的結(jié)果如圖2所示。

由圖2可知，每個(gè)指標(biāo)熵值均接近實(shí)際熵值，表明本文方法的商業(yè)銀行信用風(fēng)險(xiǎn)度量及評(píng)估指標(biāo)選取的效果較為優(yōu)秀，各指標(biāo)具有很強(qiáng)的代表性，構(gòu)建的風(fēng)險(xiǎn)度量及評(píng)估指標(biāo)體系科學(xué)、合理。

圖2 指標(biāo)熵值結(jié)果

為了驗(yàn)證本文方法設(shè)置1個(gè)隱藏層的BPNN網(wǎng)絡(luò)模型的合理性，實(shí)驗(yàn)分別設(shè)置隱藏層層數(shù)為2層和3層的BPNN網(wǎng)絡(luò)模型與本文方法進(jìn)行了對(duì)比分析，得出的結(jié)果如圖3所示。

圖3 不同隱藏層層數(shù)下BPNN識(shí)別性能精度結(jié)果

由圖3所示，利用本文方法設(shè)置的BPNN結(jié)構(gòu)，當(dāng)?shù)螖?shù)為200次時(shí)，BPNN網(wǎng)絡(luò)的識(shí)別精度已達(dá)90%以上，當(dāng)?shù)螖?shù)為600次時(shí)，識(shí)別精度已趨于100%，且呈收斂態(tài)勢(shì)，而兩種結(jié)構(gòu)的BPNN當(dāng)?shù)螖?shù)為800次和1 000次時(shí)，識(shí)別精度才達(dá)到90%。由此說(shuō)明，本文方法設(shè)置1層隱藏層的BPNN結(jié)構(gòu)較為合理，有著較強(qiáng)的識(shí)別能力和較快的收斂速度。

三、結(jié)論

隨著經(jīng)濟(jì)一體化的日益明顯，商業(yè)銀行的信貸合作面臨的風(fēng)險(xiǎn)越來(lái)越大，為此本文提出了一種對(duì)商業(yè)銀行信用風(fēng)險(xiǎn)進(jìn)行度量及評(píng)估的方法。該方法通過(guò)AHP和信息熵對(duì)已構(gòu)建的商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估指標(biāo)權(quán)重進(jìn)行獲取，選取的銀行信用風(fēng)險(xiǎn)度量及評(píng)估指標(biāo)的熵值與實(shí)際熵值接近，具有較好的評(píng)估效果，將其導(dǎo)入至優(yōu)化后的BPNN網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，以得到風(fēng)險(xiǎn)度量及評(píng)估模型，使得商業(yè)銀行風(fēng)險(xiǎn)的度量及評(píng)估具有較好的精度，當(dāng)?shù)螖?shù)為600次時(shí)，BPNN網(wǎng)絡(luò)識(shí)別精度已趨于100%。這表明本文方法能有效地監(jiān)管與防范信貸問題帶來(lái)的風(fēng)險(xiǎn)，具有較強(qiáng)的應(yīng)用性。