基于模糊神經(jīng)網(wǎng)絡(luò)的企業(yè)信用風險評估模型研究

樓裕勝

摘要：根據(jù)浙江省企業(yè)信用評價指導性標準和規(guī)范所確定的企業(yè)信用評價指標體系，建立了模糊神經(jīng)網(wǎng)絡(luò)的企業(yè)信用風險評估模型。該模型中確定的模糊規(guī)則層具有自調(diào)節(jié)的功能，可以較好地實現(xiàn)對企業(yè)信用風險的評價。利用MATLAB 2010a編程對樣本數(shù)據(jù)進行實證分析，結(jié)果表明模糊神經(jīng)網(wǎng)絡(luò)評價企業(yè)信用風險具有較高的準確性和穩(wěn)定性。

關(guān)鍵詞：模糊神經(jīng)網(wǎng)絡(luò)；企業(yè)信用風險；評估模型

中圖分類號：F820 文獻標識碼：A 文章編號：1672-3104（2013）05?0021?05

信用風險是指交易對方?jīng)]有意愿或沒有能力履行既定合同條件而造成違約，致使債權(quán)人或交易方遭受經(jīng)濟損失的可能性。企業(yè)信用風險產(chǎn)生的原因有企業(yè)內(nèi)部自身的因素，也有外圍環(huán)境因素。企業(yè)經(jīng)營不善、決策失誤導致無法履約等自身因素往往被認為是企業(yè)信用風險的根本原因[1]；而國內(nèi)外宏觀經(jīng)濟環(huán)境、法律法規(guī)制度及政治制度的突變也成為當前企業(yè)信用風險成因不可忽視的因素。

理論和實踐已表明當今的中國已經(jīng)步入了“信用經(jīng)濟時代”，這就要求作為中國經(jīng)濟主體的企業(yè)，在生產(chǎn)經(jīng)營活動中需要感知風險、預測風險和規(guī)避風險，以確保契約關(guān)系的如期履行。這既是企業(yè)經(jīng)營與發(fā)展的根本，也是國家和地區(qū)經(jīng)濟體系正常運行的基本前提。因而如何科學有效的評價企業(yè)的信用風險，對維護國家金融安全與經(jīng)濟健康運行的意義與價值是不言而喻的。

一、文獻回顧

信用評價是穆迪（Moody）公司的創(chuàng)始人約翰·穆迪在1890年首創(chuàng)提出的債券風險管理體系，通過債券的信用評價確定債券等級，目的是幫助投資者對債券做出選擇，同時也為企業(yè)管理者的生產(chǎn)經(jīng)營決策提供建議。到上世紀二三十年代，信用評價開始在歐美國家風行，評價的技術(shù)也在與時俱進?？偨Y(jié)其發(fā)展歷程，評價技術(shù)大致可以劃分為經(jīng)驗判斷時期、統(tǒng)計模型時期和人工智能方法時期。

（一） 經(jīng)驗判斷時期

這一時期主要集中在20世紀50年代以前，依賴評估人員的經(jīng)驗和能力對企業(yè)的信用狀況作出判斷。在多年的實踐中，逐漸形成了“6C”“5P”及“LAPP”等要素信用評價方法。但經(jīng)驗判斷法對評估人員的能力與水平有很高的要求，而且由于不同評估人員的的認識不同導致評價結(jié)果差異較大，評價結(jié)果公正性難以保證。

（二） 統(tǒng)計模型時期

在上世紀50年代到90年代期間，統(tǒng)計方法開始在信用評價技術(shù)中大量使用。Beaver[2]在1968建立單變量多元分析模型 （Z模型），但這種方法會存在不同變量導致不同的評價結(jié)果的缺陷。針對這一缺陷，Altman[3]利用多元判別分析法進行改進建立了Zeta模型，明顯提升了風險預警的效果。1980年Ohlson[4]開始運用Logit回歸模型進行企業(yè)信用評價，而后Collins和Green（1982）、Gentry、Newbold和Whitford （1987）的研究表明了Logit回歸模型在信用評價方面優(yōu)于Zeta模型。Jone和Hensher（2004）使用混合Logit模型提高風險評價的準確程度。隨著信用評價技術(shù)的完善，一些新的統(tǒng)計方法不斷在實踐和應(yīng)用，如KMV模型、VaR方法均在信用風險評價中使用，這些模型的出現(xiàn)意味著統(tǒng)計方法在信用風險度量技術(shù)的廣泛使用。

但是統(tǒng)計學方法應(yīng)用在信用評價中也有很多的不足，如統(tǒng)計模型要求評價指標的關(guān)系是線性的，指標要成正態(tài)分布等都與企業(yè)的實際情況不符。因此，統(tǒng)計方法評價企業(yè)信用風險有很大的局限性。

（三） 人工智能方法時期

從上世紀90年代開始，信用評價就進入了一個集人工智能、計算機技術(shù)和系統(tǒng)技術(shù)于一體的人工智能方法時期。隨著人工智能的發(fā)展和應(yīng)用，神經(jīng)網(wǎng)絡(luò)方法（ANN）開始進入信用評價的應(yīng)用和研究領(lǐng)域。相對于統(tǒng)計方法，神經(jīng)網(wǎng)絡(luò)對樣本數(shù)據(jù)分布要求不嚴格，具有較強的“魯棒性”和較高的預測精度，這些優(yōu)勢使其成為信用風險評價的有效工具。Singleton和Surkan[5]的研究表明神經(jīng)網(wǎng)絡(luò)方法的準確率比信用評分法的準確率要高16%。Altman、Macro和macro[6]的研究也證實了神經(jīng)網(wǎng)絡(luò)準確率遠高于信用評分法準確率。

我國學者對于信用評價問題的研究起步較晚，相比發(fā)達國家成熟的信用評價體系存在著相當大的差距。特別是在信用評級的實踐中，仍然以信用評分為主，在評價方法上，又以統(tǒng)計分析為主，而對于神經(jīng)網(wǎng)絡(luò)方法、衍生工具方法的應(yīng)用研究相對較少?；诖?，本文構(gòu)建模糊神經(jīng)網(wǎng)絡(luò)方法探索企業(yè)信用風險評價方法。

二、研究方法與樣本來源

（一） 研究方法

本文中的T-S模糊系統(tǒng)是一種自適應(yīng)能力較強的模糊系統(tǒng)應(yīng)用，該模型不僅能自動更新，而且還能不斷修正模糊子集的隸屬函數(shù)。T-S模糊系統(tǒng)用“if-then”的規(guī)則來定義，其模糊推理如下：

其中： 為模糊系統(tǒng)的模糊集； 為模糊系統(tǒng)的參數(shù)；yi為根據(jù)模糊規(guī)則得到的輸出。該模糊推理的輸出部分是模糊的，輸入部分是確定的，且輸出為輸入的線性組合。

（二） 樣本來源

本文中的樣本來源于2012年度浙江省重點工程招投標領(lǐng)域信用評級企業(yè)。為了評價的一致性，受評的72戶企業(yè)均為土木施工類企業(yè)，其中55戶作為神經(jīng)網(wǎng)絡(luò)的學習樣本，17戶作為檢驗樣本，樣本數(shù)據(jù)均由杭州資信評估公司提供。

（三） 評價指標說明

信用評價指標體系是科學評價企業(yè)信用狀況的基礎(chǔ)和依據(jù)，本文按照浙江省企業(yè)信用評價指導性標準和規(guī)范提供的指標體系[7]，其評價指標主要分為5個大類、15個中類及48個初始指標集，即① 企業(yè)基本狀況大類指標：基本條件，人力資源，管理能力；②財務(wù)狀況大類指標：債權(quán)債務(wù)，營運能力，盈利能力；③ 發(fā)展?jié)摿Υ箢愔笜耍盒袠I(yè)狀況，技術(shù)實力，成長能力，發(fā)展戰(zhàn)略；④ 公共信用監(jiān)管大類指標；⑤ 招標投標監(jiān)管信息大類指標：招標投標信用記錄，合同履約情況，獲獎情況。

本文樣本的財務(wù)指標數(shù)據(jù)均來自于審計后的財務(wù)報表，定性指標則通過實地調(diào)查或監(jiān)管部門的官網(wǎng)信息所得，因而所有的信用信息真實可靠。

由于信用評價指標體系中的各個指標計量單位不同，在分析之前必須通過歸一化處理，化為無量綱的表達式，即為純量。指標歸一化的方法有很多，本文使用如下算子（即matlab中的mapminmax）進行歸一化處理：

其中：ymax默認取為1，ymin默認取為?1，這樣把原始數(shù)據(jù)歸一化到?1至1之間，以便于后續(xù)的運算處理。

三、模糊神經(jīng)網(wǎng)絡(luò)構(gòu)建

（一） 模糊神經(jīng)網(wǎng)絡(luò)的輸入與輸出

本文構(gòu)建三層神經(jīng)網(wǎng)絡(luò)，模型的第一層為輸入層，因為有48個輸入?yún)?shù)指標，所以輸入層設(shè)置了48個神經(jīng)元；第二層為隱含層，隱含層神經(jīng)元個數(shù)要依據(jù)網(wǎng)絡(luò)學習的擬合速度選取，此處設(shè)置為100個；第三層為輸出層，由于輸出參數(shù)為一個，即為企業(yè)的信用等級，故輸出層設(shè)置1個神經(jīng)元。

（二） 基于模糊神經(jīng)網(wǎng)絡(luò)的企業(yè)信用風險評價的流程

企業(yè)信用風險評價要將輸入樣本數(shù)據(jù)歸一化后求隸屬度，旨在將數(shù)據(jù)模糊化，再采用連乘算子作為模糊算子，計算模糊模型輸出值，其結(jié)果為逆模糊化的輸出。通過誤差計算矯正隸屬度參數(shù)，訓練模糊神經(jīng)網(wǎng)絡(luò)，將訓練好的網(wǎng)絡(luò)對測試數(shù)據(jù)進行信用評價。該過程如圖1所示。

（三） 模糊神經(jīng)網(wǎng)絡(luò)的學習算法

1. 誤差計算

2. 系數(shù)修正

3. 參數(shù)修正

四、實證研究結(jié)果

本文采用MATLAB 2010a編程，實現(xiàn)模糊神經(jīng)網(wǎng)絡(luò)過程對該網(wǎng)絡(luò)進行訓練。經(jīng)過訓練得到模糊神經(jīng)網(wǎng)絡(luò)的真實結(jié)構(gòu)。該結(jié)構(gòu)由48個神經(jīng)元的輸入層，1個神經(jīng)元的輸出層和100個神經(jīng)元的隱含層構(gòu)成，經(jīng)過大量次數(shù)的訓練，得到訓練結(jié)果。

（一） 誤差分析

從圖2到圖5可知，經(jīng)過9 000次訓練，個別點的誤差仍然較大，沒有趨于穩(wěn)定。在經(jīng)過10 000次訓練后，所有點的誤差非常小，訓練好的模型能夠用于測試數(shù)據(jù)的信用評價。

在不同訓練次數(shù)下誤差波動不大，說明經(jīng)過10 000次訓練以后的誤差已經(jīng)趨于穩(wěn)定。從圖6和圖7中可以看出，需要較大的訓練次數(shù)誤差才能趨于穩(wěn)定，主要原因在于訓練樣本中等級的不連續(xù)性，例如一個企業(yè)的數(shù)據(jù)理論上應(yīng)該化分為等級2.4，但是在實踐應(yīng)用中的等級卻只有2和3，按照接近原則劃分到2，這樣的誤差出現(xiàn)在訓練樣本中將會對訓練結(jié)果的好壞、預測結(jié)果的好壞有著較大的影響。

由于反歸一化后結(jié)果不一定是整數(shù)，這與信用等級不一致，所以有必要對結(jié)果取整，當輸出結(jié)果小于1.5，其等級為AAA（圖上為1），輸出結(jié)果為1.5～2.5，其等級為AA（圖上為2），輸出結(jié)果為2.5～3.5，其等級為A（圖上為3），輸出結(jié)果大于3.5，其等級為BBB（圖上為4）。

測試樣本評價結(jié)果如圖8，等級1代表AAA，2代表AA，3代表A，4代表BBB。即：

五、結(jié)語

（1） 本文根據(jù)浙江省企業(yè)信用評價指導性標準和規(guī)范的要求確立了企業(yè)信用風險評估的指標體系， 構(gòu)建了企業(yè)信用風險評估的模糊神經(jīng)網(wǎng)絡(luò)模型。通過MATLAB 2010a編程，實現(xiàn)模糊神經(jīng)網(wǎng)絡(luò)過程對該網(wǎng)絡(luò)進行訓練。實證研究表明， 模糊神經(jīng)網(wǎng)絡(luò)適用于企業(yè)信用風險評價，且網(wǎng)絡(luò)預測誤差小。

（2） 利用模糊神經(jīng)網(wǎng)絡(luò)得到的企業(yè)信用評價結(jié)果與杭州資信評估企業(yè)的評價結(jié)果基本一致。經(jīng)對比，有4個企業(yè)的評價結(jié)果發(fā)生了一個等級的差異。

參考文獻：

[1] 張瑛. 新興技術(shù)企業(yè)信用風險評估方法研究[D]. 成都： 電了科技大學， 2009.

[2] Beaver W H. financial ratios as predictors of failure[J]. Journal of Accounting Research， 1966： 71?111.

[3] Altman E I. Financial Ratios Discriminant Analysis and the Prediction of Corporate Bankruptcy[J]. Journal of Finance， 1968， 23： 4?7.

[4] J S. Ohlson. Financial Ratios and the Probabilitistic Prediction of Bankruptcy [J]. Journal of Accounting Research， 1980， 4： 123?133.

[5] Singleton. And Surkan. D. Simulating Correlated Defaults [J]. Paper presented at the Bank of England Conference on Credit Risk Modeling and Regulatory Implications， 2003， 9： 21?36.

[6] Altman， E. I. and A. Macro. Credit Risk Measurement： Developments over the Last Twenty Years [J]. Journal of Banking and Finance， 2004， 11： 1721?1742.

[7] 浙江省信用浙江建設(shè)領(lǐng)導小組辦公室文件（浙信用辦【2011】4號）.

[編輯： 汪曉]