楊康，王福勝，張怡航，郭凱利，喬佳慧，梁曉敏

基于人工智能的小微企業(yè)貸款模型

楊康，王福勝，張怡航，郭凱利，喬佳慧，梁曉敏

（太原師范學(xué)院 數(shù)學(xué)與統(tǒng)計學(xué)院，山西 晉中 030619）

小微企業(yè)對提高社會就業(yè)率，發(fā)展民營經(jīng)濟，促進經(jīng)濟內(nèi)循環(huán)發(fā)展都具有十分重要作用，我國金融市場及社會信用體系建設(shè)尚不完善，小微企業(yè)普遍面臨融資困難的問題，這一難題嚴重制約了小微企業(yè)的發(fā)展，構(gòu)建符合我國國情的小微企業(yè)貸款策略是我國當前亟待研究的一項重要課題．采用人工智能中的神經(jīng)網(wǎng)絡(luò)技術(shù)，對小微企業(yè)貸款按風(fēng)險程度進行分類，預(yù)測出該微小企業(yè)的信用等級，簡化小微企業(yè)貸款業(yè)務(wù)傳統(tǒng)流程．建立合理的數(shù)學(xué)模型，輔助銀行得到對各行業(yè)的信貸策略，為銀行貸款提供最優(yōu)的決策方案．

小微企業(yè)；神經(jīng)網(wǎng)絡(luò)；風(fēng)險分析；信貸策略；最優(yōu)化模型

小微企業(yè)對于提高社會就業(yè)率，發(fā)展民營經(jīng)濟，促進經(jīng)濟內(nèi)循環(huán)發(fā)展都具有十分重要的作用．然而，由于我國現(xiàn)階段金融市場以及社會信用體系建設(shè)還不完善，加之小微企業(yè)經(jīng)營難以監(jiān)管的特點，小微企業(yè)普遍面臨融資困難的局面，從而嚴重制約了小微企業(yè)的發(fā)展，特別是在新冠肺炎疫情的沖擊下，抗風(fēng)險能力較低的小微企業(yè)生存危機加?。虼?，構(gòu)建符合我國國情的小微企業(yè)貸款策略是當前我國面臨的一項重要課題．

由于小微企業(yè)規(guī)模相對較小，抵押資產(chǎn)相對單薄，因此銀行通常依據(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，向?qū)嵙?、供求關(guān)系穩(wěn)定的企業(yè)提供貸款，并可以對信譽評價高、信貸風(fēng)險小的企業(yè)給予利率優(yōu)惠．銀行首先根據(jù)企業(yè)的綜合實力、信譽評價對其信貸風(fēng)險做出評估，然后依據(jù)市場環(huán)境、企業(yè)內(nèi)部風(fēng)險等因素來確定是否放貸、貸款額度高低、利率和期限等信貸策略[1-2]．

本文利用人工智能中的BP神經(jīng)網(wǎng)絡(luò)模型幫助銀行在給小微企業(yè)貸款前進行信用評級，簡化對小微企業(yè)進行貸款業(yè)務(wù)的傳統(tǒng)流程，提高收益，通過建立合理的數(shù)學(xué)模型，輔助銀行得到對各行業(yè)的信貸策略，最終為銀行貸款提供最優(yōu)的決策方案．

1　BP神經(jīng)網(wǎng)絡(luò)模型與信譽評級

1.1　神經(jīng)網(wǎng)絡(luò)

神經(jīng)元由樹突、細胞體和軸突構(gòu)成．神經(jīng)元具有傳遞信息、處理信息和整合信息的能力，是神經(jīng)系統(tǒng)的基本組成單位．

1.1.1神經(jīng)元模型一個神經(jīng)元是一個同時具有多輸入與單一輸出的信息處理系統(tǒng)；而神經(jīng)網(wǎng)絡(luò)則是一種由多個神經(jīng)元之間的權(quán)重聯(lián)系所組成的網(wǎng)絡(luò)．盡管單一神經(jīng)元只能完成簡單的數(shù)據(jù)處理，但將多個神經(jīng)元聯(lián)結(jié)在一起，所產(chǎn)生網(wǎng)絡(luò)的計算量就會大大增加．

相應(yīng)的關(guān)系式為

1.1.2神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)神經(jīng)元與神經(jīng)網(wǎng)絡(luò)之間的關(guān)系類似于元素和整體之間的關(guān)系．在這里，主要討論由多個神經(jīng)元共同組成的單層神經(jīng)網(wǎng)絡(luò)．雖然單個神經(jīng)元的結(jié)構(gòu)極其簡單，功能有限，但由大量神經(jīng)元組成的網(wǎng)絡(luò)系統(tǒng)所能實現(xiàn)的行為卻是極其豐富的．

1.2 BP多層前饋網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)一般由３個神經(jīng)元層次組成，即輸入層、中間層（隱含層）和輸出層，包括正向傳播和反向傳播２個過程．正向傳播是指輸入信息從輸入層經(jīng)隱含層逐層處理，并傳向輸出層，若在輸出層不能得到期望輸出，則通過反向傳播將誤差信號沿原來的聯(lián)接道路返回．BP多層前饋網(wǎng)絡(luò)已成為最重要的神經(jīng)網(wǎng)絡(luò)模型之一，主要原因是借助BP算法的多層前饋網(wǎng)絡(luò)有３個重要的能力：

（1）非線性映射能力．在實際訓(xùn)練中，存在著大量需要存儲的“輸入輸出”式的映射關(guān)系，BP多層前饋網(wǎng)絡(luò)無需及早領(lǐng)會闡述這種映射關(guān)系的數(shù)學(xué)方程就可以做到這一點．

（2）泛化能力．當訓(xùn)練多層BP前饋網(wǎng)絡(luò)后，利用非線性映射關(guān)系能將獲取的樣本信息保存映射到權(quán)重矩陣中．在下一訓(xùn)練階段的任務(wù)環(huán)節(jié)中，當一個網(wǎng)絡(luò)被要求輸入一些它可能在訓(xùn)練階段中不能被看到的非樣本數(shù)據(jù)時，網(wǎng)絡(luò)也能完成由一個輸入空間到一個輸出空間的正確映射．通常將這個能力稱為多層前饋網(wǎng)絡(luò)特性的泛化能力．

（3）容錯能力．多層前饋網(wǎng)絡(luò)的能力還在于，它允許在輸入樣本中出現(xiàn)較大誤差，甚至個別錯誤．這是因為在擬合權(quán)重矩陣時，已經(jīng)從大量樣本中提取了統(tǒng)計特征．表明對精確規(guī)律的理解來自整個樣本，單個樣本中的誤差甚至錯誤都不會影響權(quán)重矩陣的擬合．

1.3 基于神經(jīng)網(wǎng)絡(luò)的信譽評級

選取客戶流失率、發(fā)生風(fēng)險的概率、信譽評級、風(fēng)險值、違約與否、各風(fēng)險權(quán)重、年利率、貸款金額、交易失敗的記錄、收益值、指標權(quán)重和信貸風(fēng)險權(quán)重作為信譽評級指標，其對應(yīng)的變量符號見表１．

表1　符號說明

一般而言，神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法步驟為：

Step1初始化網(wǎng)絡(luò)及學(xué)習(xí)參數(shù)，如設(shè)定網(wǎng)絡(luò)初始權(quán)矩陣、學(xué)習(xí)因子等．

Step2提供訓(xùn)練模式，訓(xùn)練網(wǎng)絡(luò)，直到滿足學(xué)習(xí)要求．

Step3前向傳播過程：對給定訓(xùn)練模式輸入，計算網(wǎng)絡(luò)的輸出模式，并與期望模式比較，若有誤差，則執(zhí)行Step4；否則，返回Step 2．

Step4反向傳播過程：計算同一層單元的誤差，修正權(quán)值和闋值．返回Step2．

模型采用Matlab自帶工具實現(xiàn)神經(jīng)網(wǎng)絡(luò)，選取14家企業(yè)數(shù)據(jù)對網(wǎng)絡(luò)的性能進行測試和檢驗．一次檢驗結(jié)果見表2～3．

表2　第一級BP神經(jīng)網(wǎng)絡(luò)的檢驗結(jié)果

表3　第二級BP神經(jīng)網(wǎng)絡(luò)的檢驗結(jié)果

由表2～3可以看出，神經(jīng)網(wǎng)絡(luò)的預(yù)測雖然有一定的準確性，但性能并不是非常好，這是因為樣本數(shù)據(jù)少，且多數(shù)指標與信譽相關(guān)性不是很強．未來如果要基于此模型進一步改進，應(yīng)該收集更多的小微企業(yè)信譽評級和發(fā)票交易數(shù)據(jù)，以增強神經(jīng)網(wǎng)絡(luò)的性能[13]．

2　基于人工智能的小微企業(yè)貸款模型

根據(jù)所得數(shù)據(jù)，依據(jù)神經(jīng)網(wǎng)絡(luò)方法得出信譽評級，建立小微企業(yè)貸款模型，這里不考慮經(jīng)營者本人的素質(zhì)與資信，即不考慮企業(yè)經(jīng)營者的從業(yè)經(jīng)驗、素質(zhì)、資產(chǎn)實力和團隊合作等因素，并且假設(shè)根據(jù)企業(yè)的毛利潤可以估計出企業(yè)的經(jīng)營發(fā)展狀況[14]．

2.1　基于信譽評級的優(yōu)化模型

依據(jù)神經(jīng)網(wǎng)絡(luò)方法得出信譽評級后，建立風(fēng)險極小化模型為

建立信貸收益極大化模型

2.2 基于新指標評價體系的優(yōu)化模型

將信譽等級劃分的指標評價體系大致確定為長期債務(wù)率、現(xiàn)金比率、利潤增長率、資產(chǎn)現(xiàn)金比率4個統(tǒng)計量．其計算公式為[15]：長期債務(wù)率=（長期負債/總資產(chǎn)）×100%；現(xiàn)金比率=（現(xiàn)金/流動負債）×100%；利潤增長率=[（當年利潤－上一年利潤）/上一年利潤]×100%；資產(chǎn)現(xiàn)金比率=（流動資金/現(xiàn)金）×100%．

計算影響信譽評級的各因素的權(quán)重，結(jié)果見表4.

表4 影響信譽評級因素的權(quán)重

根據(jù)新建立的指標評價體系，修改模型（4）獲得新的數(shù)學(xué)模型

3　疫情影響下的行業(yè)貸款分析

由于每個行業(yè)的抗風(fēng)險能力不同，且各行業(yè)各企業(yè)的負債率、現(xiàn)金流狀況不同，每個企業(yè)所處的產(chǎn)業(yè)位置、所遭遇風(fēng)險的打擊程度也不同，有必要區(qū)分對待．通過分析，將相關(guān)企業(yè)分類劃分，其標準為[16]：（1）劃分建筑業(yè)的標準是專門從事土木工程、房屋建設(shè)和設(shè)備安裝以及工程勘察設(shè)計的生產(chǎn)企業(yè)；（2）劃分科學(xué)研究和綜合技術(shù)服務(wù)業(yè)的標準是以技術(shù)和知識向社會提供服務(wù)的產(chǎn)業(yè)，服務(wù)手段多為技術(shù)和知識，服務(wù)對象是社會各行業(yè)；（3）劃分商業(yè)的標準是指專門從事商品交換活動的營利性企業(yè)；（4）劃分地質(zhì)勘探與防治業(yè)的標準是指通過各種手段、方法對地質(zhì)進行勘查的企業(yè)；（5）劃分文化、體育、娛樂業(yè)的標準是指專門從事新聞出版業(yè)、廣播、電視、電影、音像業(yè)、體育業(yè)和娛樂業(yè)的企業(yè)；（6）劃分服務(wù)業(yè)的標準是指從事服務(wù)產(chǎn)品的生產(chǎn)部門和企業(yè)；（7）劃分農(nóng)、牧、林業(yè)的標準是指栽培農(nóng)作物、培育保護森林、放牧的企業(yè)；（8）劃分交通運輸業(yè)、郵電通信業(yè)的標準是指專門辦理信息傳遞業(yè)務(wù)的企業(yè)．

分析新冠疫情對各行業(yè)的影響[17]，具體結(jié)果見表5（信譽等級占比＝信譽等級為A，B，C的企業(yè)數(shù)之和與企業(yè)總數(shù)之比）．

表5　對各行業(yè)的影響占比

如果使用權(quán)重模型（4）與新指標評價數(shù)學(xué)模型（8）的結(jié)果來描述所有小微企業(yè)的情況，所得結(jié)果不一定完全合理，畢竟各個行業(yè)間存在著巨大的差異．如建筑業(yè)和農(nóng)、牧、林業(yè)，這２類企業(yè)的獲利周期長，可能短短一兩年都難以有較大的收入；而科學(xué)研究和綜合技術(shù)服務(wù)業(yè)則恰恰相反，該類企業(yè)增速快，獲利周期短，所以各行業(yè)的最優(yōu)貸款利率及貸款額度都難以相同．

以建筑業(yè)中信譽評級為A級的企業(yè)為例，基于表５的分析，可得到函數(shù)關(guān)系

4 模型結(jié)果分析

通過模型（8）的計算求解，得到信貸風(fēng)險等級為A，B，C級的企業(yè)年利率分別約為0.04，0.06，0.11；貸款比例依次為100%，90%，59%，這說明模型計算結(jié)果與實際情況吻合一致；留存企業(yè)數(shù)依次為70，18，23家．銀行共需貸出資金9 968.54 萬元，最大收益為601.30萬元，最大收益率為6.03%．

模型結(jié)果進一步表明，企業(yè)信譽評級越高，該企業(yè)實力越強，規(guī)模越大，阻礙企業(yè)發(fā)展的因素越少，企業(yè)受到各種經(jīng)濟影響的可能性更低，受影響后的調(diào)整性更強．所以對于信譽評級為A的企業(yè)，可采取較高貸款額較低利率的方式，以吸引A級企業(yè)貸款；評級為B的企業(yè)，可采取中等程度貸款額中等利率的方式；評級為C的企業(yè)，需要進一步對其公司情況進行調(diào)查評估（包括但不限于公司運轉(zhuǎn)情況、償還債務(wù)能力、進銷項發(fā)票數(shù)據(jù)等因素），結(jié)合實際情況，可采取較低貸款額適度高利率的貸款方式，運用少量多次原則，以免C級企業(yè)出現(xiàn)破產(chǎn)情況之后影響銀行的收益．

[1] 崔璐．大數(shù)據(jù)在小微企業(yè)信用風(fēng)險評估中的應(yīng)用研究[D]．濟南：山東大學(xué)，2020．

[2] 姜濤．大數(shù)據(jù)背景下中小銀行小微信貸發(fā)展研究[D]．杭州：浙江大學(xué)，2018．

[3] 曾瑜民．探討神經(jīng)網(wǎng)絡(luò)算法在人工智能識別中的應(yīng)用[J]．信息通信，2019（7）：104-105．

[4] Bullock T H，Orkand R，Grinnell A．Introduction to Nervous System[M]．San Francisco：WH Freeman，1977．

[5] 張慶，劉中儒，郭華．神經(jīng)網(wǎng)絡(luò)算法在人工智能識別中的應(yīng)用研究[J]．江蘇通信，2019，35（1）：63-65．

[6] 劉肖楠．神經(jīng)網(wǎng)絡(luò)在人工智能中的應(yīng)用[J]．信息技術(shù)與信息化，2015（1）：135-136．

[7] 余少波，胡守仁．人工智能與神經(jīng)網(wǎng)絡(luò)[J]．計算機科學(xué)，1990（2）：64-68．

[8] 閻平凡，黃瑞旭．人工神經(jīng)網(wǎng)絡(luò)模型，分析與應(yīng)用[M]．合肥：安徽教育出版社，1993：27-29．

[9] 周凌翱．改進BP神經(jīng)網(wǎng)絡(luò)在模式識別中的應(yīng)用及研究[D]．南京：南京理工大學(xué)，2010．

[10] Garcia-Pedrajas N，Hervas-Martinez C，Munoz-Perez J．COVNET：a cooperative coevolutionary model for evolving artificial neural networks[J]．IEEE Transaction on Neural Networks，2003，14（3）：575-596．

[11] Yoon B，Holmes D J，Langholz G，et al．Efficient genetic algorithms for training layered feedforward neural networks[J]．Information Sciences，1994，76（1/2）：67-85．

[12] 王志勇，楊旭，吳嘉津．中小微企業(yè)信貸策略研究[J]．數(shù)學(xué)建模與應(yīng)用，2021，10（1）：80-91．

[13] 喬碧榮．基于人工智能方法的貸款分類模型研究[D]．北京：北京交通大學(xué)，2008．

[14] 唐麗艷，李衛(wèi)平，景瑜．應(yīng)用人工神經(jīng)網(wǎng)絡(luò)進行企業(yè)綜合經(jīng)濟效益評估[J]．管理工程學(xué)報，1996（2）：14-17．

[15] 馮文芳．互聯(lián)網(wǎng)金融背景下小微企業(yè)大數(shù)據(jù)征信體系建設(shè)探析[J]．國際金融，2016（3）：74-78．

[16] 梁鈺．新冠肺炎疫情下小微企業(yè)融資支持舉措效果評估及改進建議：基于湖南岳陽的調(diào)查[J]．金融經(jīng)濟，2020（10）：58-61．

[17] 朱武祥，張平，李鵬飛，等．疫情沖擊下中小微企業(yè)困境與政策效率提升：基于兩次全國問卷調(diào)查的分析[J]．管理世界，2020（4）：13-25．

The loan model of small and micro enterprises based on artificial intelligence

YANG Kang，WANG Fusheng，ZHANG Yihang，GUO Kaili，QIAO Jiahui，LIANG Xiaomin

（School of Mathematics and Statistics，Taiyuan Normal University，Jinzhong 030619，China）

Small and micro enterprises play an important role in improving the social employment rate，developing the private economy and promoting the development of economic internal circulation．The construction of China's financial market and social credit system are still not perfect，small and micro enterprises generally face financing difficulties，this problem seriously restricts the development of small and micro enterprises．At present，it is an urgent issue to construct the loan strategy of small and micro enterprises that are suitable for the situation of China．The neural network technology in artificial intelligence is used to classify small and micro enterprise loans according to the degree of risk，predict the credit rating of the small and micro enterprise，simplify the traditional process of small and micro enterprise loan business．A reasonable mathematical model is established to assist banks to get credit strategies for various industries，and provide the optimal decision scheme for bank loan.

small and micro enterprise；neural network；risk analysis；credit strategy；optimization model

1007-9831（2023）01-0024-07

O29

A

10.3969/j.issn.1007-9831.2023.01.006

2022-04-02

山西省高等學(xué)校大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計劃項目（重點）；太原師范學(xué)院教學(xué)改革重點項目（JGLX2105）；太原師范學(xué)院大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練重點項目（CXCY2108）；山西省高等學(xué)校教學(xué)改革創(chuàng)新項目（J2021552）；山西省研究生優(yōu)質(zhì)課程建設(shè)項目（2021YJJG276）；山西省基礎(chǔ)研究計劃（自由探索類）面上項目（202103021224303）

楊康（2001-），男，山西運城人，在讀本科生．E-mail：1044318251@qq.com

王福勝（1964-），男，山東威海人，教授，博士，從事最優(yōu)化理論與方法及其應(yīng)用研究．E-mail：fswang2005@163.com