供應(yīng)鏈金融視角下的小微企業(yè)信用風(fēng)險評價

李媛媛　馬玉國

摘 要： 近年來，隨著小微企業(yè)融資難的問題日益凸顯，供應(yīng)鏈金融作為新的融資渠道，正受到越來越多的重視，科學(xué)、準(zhǔn)確的風(fēng)險評價對控制供應(yīng)鏈金融中的信貸風(fēng)險至關(guān)重要。通過建立和完善小微企業(yè)信用風(fēng)險評價指標(biāo)體系，采用BP神經(jīng)網(wǎng)絡(luò)模型為小微企業(yè)信用風(fēng)險評價開辟新途徑。BP神經(jīng)網(wǎng)絡(luò)是一種智能算法，它具有自我學(xué)習(xí)和自適應(yīng)的特點。通過實例，分析和檢測了該BP神經(jīng)網(wǎng)絡(luò)模型，結(jié)果令人滿意。證明該模型確實可行，能夠應(yīng)用于供應(yīng)鏈中各小微企業(yè)的信用風(fēng)險評價。

關(guān)鍵詞： 供應(yīng)鏈金融； BP神經(jīng)網(wǎng)絡(luò)； 小微企業(yè)； 信用風(fēng)險評價

中圖分類號： TN911?34 文獻(xiàn)標(biāo)識碼： A 文章編號： 1004?373X（2014）12?0032?05

Abstract： More attention to supply chain finance as a new form of financing channel is paid with the increasing highlight of the financing difficulty of small and medium?sized enterprises （SMEs）. It is crucial for scientific and accurate risk assessment to control the control of the credit risk of supply chain finance. BP neural network model is used to open up a new way for credit risk assessment of SMEs based on the establishment and improvement of an index system of credit risk evaluation for SMEs. BP neural network model is a smart algorithm with self?learning and adaptive characteristics. The BP artificial neural network model was analyzed and detected in a practical case. The feasibility of the model was proved. The result is satisfactory. The model can be used to assess SMEs′ credit risk in the supply chain.

Keywords： supply chain finance； BP neural network； SME； credit risk assessment

0 引 言

小微企業(yè)融資難是長期存在的問題[1]。近幾年來，供應(yīng)鏈金融近兩年的快速發(fā)展在一定程度上緩解了小微企業(yè)的融資困難。目前，專家對供應(yīng)鏈金融（SCF）的定義如下[2]：基于對供應(yīng)鏈交易細(xì)節(jié)的把握和結(jié)構(gòu)特點，借助核心企業(yè)的信用實力或單筆交易的自償程度與貨物流通價值，供應(yīng)鏈金融對單個企業(yè)或多個企業(yè)提供全方位的金融服務(wù)。由于小微企業(yè)融資租賃業(yè)務(wù)在銀行所有業(yè)務(wù)中占的比例很小，再加上供應(yīng)鏈融資模式剛剛興起，目前還沒有建立完善的針對供應(yīng)鏈里小微企業(yè)的信用風(fēng)險評價指標(biāo)體系[3]。為了能夠適時、動態(tài)、準(zhǔn)確地評價和監(jiān)控小微企業(yè)融資過程的風(fēng)險，本文建立一套全面的指標(biāo)體系對小微企業(yè)信用風(fēng)險進(jìn)行評價，以建立企業(yè)、銀行和供應(yīng)鏈之間良性發(fā)展的產(chǎn)業(yè)生態(tài)[4]。目前傳統(tǒng)的風(fēng)險評價方法包括主成分分析法、層次分析法和模糊數(shù)學(xué)法等。但是以上方法均存在下列不足：評價的權(quán)重容易受主觀因素影響，所以決策容易失真。為解決這一問題，本文采用一種具有自學(xué)習(xí)、自適應(yīng)能力特點的基于BP神經(jīng)網(wǎng)絡(luò)的風(fēng)險評價方法。

1 人工神經(jīng)網(wǎng)絡(luò)

對小微企業(yè)進(jìn)行信用評價時，仍然沿襲過去單一考慮融資個體，忽略供應(yīng)鏈金融中供應(yīng)鏈的大環(huán)境。

1.1 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，ANN），簡稱神經(jīng)網(wǎng)絡(luò)（Neural Networks，NN），是受生物神經(jīng)網(wǎng)絡(luò)的啟發(fā)，通過對人腦進(jìn)行簡單抽象和模擬對人腦系統(tǒng)的一定特性做出描述，由大量與自然神經(jīng)細(xì)胞相似的簡單處理單元——神經(jīng)元相互連結(jié)而形成的非線性系統(tǒng)[5]。神經(jīng)網(wǎng)絡(luò)具有非常強大的存儲和并行計算能力，是一種大規(guī)模并行分布式處理系統(tǒng)。神經(jīng)網(wǎng)絡(luò)是通過人腦的思維模式進(jìn)行學(xué)習(xí)和適應(yīng)，具有較好的非線性逼近、學(xué)習(xí)以及自適應(yīng)能力，此外，還具備一定的存儲以及容錯特性，對處理模糊性、數(shù)據(jù)信息量大的復(fù)雜問題具有較好的適用性。

1.2 BP人工神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)（Back?Propagation）是1986年由Rumelhart等人提出[5]，是一種按誤差逆向傳播算法訓(xùn)練的多層前饋網(wǎng)絡(luò)，是目前最廣泛應(yīng)用的神經(jīng)網(wǎng)絡(luò)模型之一。BP神經(jīng)網(wǎng)絡(luò)算法的學(xué)習(xí)過程分為正向傳播和反向傳播兩部分。在正向傳播過程中，信息是從輸入層經(jīng)隱含層傳向輸出層，下一層神經(jīng)元的狀態(tài)受到其上層神經(jīng)元狀態(tài)的影響，同層之間的各神經(jīng)元沒有聯(lián)系。當(dāng)在輸出層不能得到期望的輸出信息，就需要轉(zhuǎn)入反向傳播過程。反向傳播是正向傳播的逆過程，將信息的輸出誤差以某種形式從隱含層傳向輸入層，并將這種誤差分?jǐn)偨o各層的神經(jīng)元單元，根據(jù)各層單元的誤差信號不斷修正各單元的權(quán)值，調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，最終使網(wǎng)絡(luò)的誤差平方和最小。

一個三層的BP網(wǎng)絡(luò)模型，包括輸入層（Input Layer）、隱含層（Hide Layer）和輸出層（Output Layer）。其中[X=（x1，x2，…，xn）]為BP網(wǎng)絡(luò)輸入層的輸入值，[Y=（y1，y2，…，ym）]為中間隱含層的輸出值，[Z=（z1，z2，…，zl）]為輸出層的輸出值。[V=（v1，v2，…，vm）]為輸入層到隱含層的連接權(quán)值，[W=（w1，w2，…，wl）]為是對輸入層信息和隱含層信息進(jìn)行連接的權(quán)重。[θj]為隱含層節(jié)點的臨界值，[θk]為輸出層節(jié)點的臨界值。

期望輸出和實際輸出之間往往存在一定差距，利用它們之間的方差表示誤差的大小：

[E=12k=1l（yk-zk）2] （1）

具體的學(xué)習(xí)過程如下：

（1） 初始化神經(jīng)網(wǎng)絡(luò)各層之間的連接權(quán)值和神經(jīng)元的閾值，設(shè)定網(wǎng)絡(luò)基本參數(shù)，如學(xué)習(xí)步長、誤差精度等。準(zhǔn)備輸入訓(xùn)練樣本數(shù)據(jù)集合，并對指標(biāo)進(jìn)行標(biāo)準(zhǔn)化處理。

（2） 將取得的樣本數(shù)據(jù)輸入模型，并進(jìn)行訓(xùn)練。令[xi]為樣本數(shù)據(jù)集，[vij]是對輸入層和隱含層之間進(jìn)行連接的權(quán)重信息，設(shè)定隱含神經(jīng)元的臨界值為[θj]，[f?（x）]是可以對神經(jīng)元的輸入信息和輸出信息進(jìn)行轉(zhuǎn)換的函數(shù)，轉(zhuǎn)換函數(shù)通常有線性、雙曲正切、閾值型和Sigmoid型函數(shù)（以下稱為S型函數(shù)）等。S型能夠不僅對線性函數(shù)，即使對非線性函數(shù)也有較高的適應(yīng)能力，應(yīng)用最為廣泛，其函數(shù)形式如式（2）所示：

（4） 實際輸出值和期望輸出值之間往往存在差異，將二者之間的差值與預(yù)先設(shè)定的差值進(jìn)行比較。如果計算的誤差值小于設(shè)定誤差，則回到步驟（2），選取下一個樣本進(jìn)行訓(xùn)練；反之，轉(zhuǎn)入反向傳播過程，按照誤差調(diào)整的原則，即使誤差[E]減小到設(shè)定水平，調(diào)整和修正網(wǎng)絡(luò)各層的連接權(quán)值。輸出層的連接權(quán)修正公式如下：

（5） 如果網(wǎng)絡(luò)的全局誤差小于設(shè)定誤差，則結(jié)束訓(xùn)練。否則，重新開始以上的步驟。

由于BP算法具有良好的非線性逼近能力、自學(xué)習(xí)能力、自適應(yīng)能力、容錯性等優(yōu)點，因此被廣泛應(yīng)用于神經(jīng)網(wǎng)絡(luò)中。在現(xiàn)有研究中，BP神經(jīng)網(wǎng)絡(luò)或其推導(dǎo)形式是人工神經(jīng)網(wǎng)絡(luò)中應(yīng)用最廣泛的方法之一[6]。

2 小微企業(yè)信用風(fēng)險評價BP網(wǎng)絡(luò)模型

2.1 小微企業(yè)信用風(fēng)險指標(biāo)體系的建立

在過去，銀行對其融資對象的評價主要是單個的企業(yè)，并且往往是依據(jù)其靜態(tài)的財務(wù)數(shù)據(jù)作出評估。這就存在著諸多問題，因為小微企業(yè)的財務(wù)數(shù)據(jù)比較零散且不太規(guī)范，透明度也相對較低，這使得銀行很難對其進(jìn)行科學(xué)的評價。供應(yīng)鏈金融視角的思想是基于產(chǎn)業(yè)供應(yīng)鏈企業(yè)之間的相關(guān)性特點，對企業(yè)的整條供應(yīng)鏈運作情況進(jìn)行評估，以便動態(tài)地評估信貸項目的真實風(fēng)險。

供應(yīng)鏈金融中的利益相關(guān)主體包括[7]：供應(yīng)鏈核心、核心企業(yè)上下游的小微企業(yè)、貸款銀行、以及相關(guān)的物流企業(yè)。其中銀行是融資服務(wù)供給方，供應(yīng)鏈上下游小微企業(yè)是信貸需求方，供應(yīng)鏈中的處于核心地位的企業(yè)能夠?qū)εc其相關(guān)的小微企業(yè)起到反擔(dān)保的作用。對核心企業(yè)進(jìn)行評估，是因為核心企業(yè)的運作、商業(yè)信用情況影響著其與小微企業(yè)的交易質(zhì)量。物流企業(yè)則為貸款企業(yè)提供運輸、倉儲、保管等服務(wù)。銀行在重點考察小微企業(yè)的授信資質(zhì)的同時，更關(guān)注核心企業(yè)資質(zhì)、融資項目的特征以及整條供應(yīng)鏈的運營情況。依據(jù)指標(biāo)設(shè)計的原則和方法，在大量文獻(xiàn)研究和專家調(diào)查的基礎(chǔ)上，建立了供應(yīng)鏈金融視角下小微企業(yè)信用風(fēng)險評價的指標(biāo)體系。評價體系分4大類，共計25個指標(biāo)。指標(biāo)體系及評分準(zhǔn)則如表1所示。

2.2 小微企業(yè)信用風(fēng)險BP網(wǎng)絡(luò)模型的設(shè)計

BP神經(jīng)網(wǎng)絡(luò)的關(guān)鍵是確定網(wǎng)絡(luò)的層級數(shù)目以及各個層級的神經(jīng)元的數(shù)目。有學(xué)者研究表明，具有4層結(jié)構(gòu)的BP網(wǎng)絡(luò)其學(xué)習(xí)性較好[9]。因此，本文利用4層級BP網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行訓(xùn)練，4層級包括輸入數(shù)據(jù)層、兩個中間隱含層和輸出數(shù)據(jù)層。

（1） 輸入層單元數(shù)

根據(jù)建立的指標(biāo)體系，將25個指標(biāo)值作為網(wǎng)絡(luò)輸入，由于本模型中涉及的指標(biāo)體系既有定量指標(biāo)，又有定性指標(biāo)，所以在進(jìn)行輸入節(jié)點輸入時，先將指標(biāo)根據(jù)表1中的評分規(guī)則進(jìn)行轉(zhuǎn)換，以便于網(wǎng)絡(luò)模型的應(yīng)用。

（2） 隱含層單元數(shù)

在實際應(yīng)用中，如何合理地選擇隱含層的單元數(shù)并非一件易事，通常需要經(jīng)過反復(fù)試驗來確定 [10?11]。隱含層單元數(shù)可通過式（14）～式（16）來確定：

本文通過設(shè)計一個隱含層神經(jīng)元可變的BP神經(jīng)網(wǎng)絡(luò)，以確定最佳的隱含層單元數(shù)。

（3） 輸出層單元數(shù)

通過BP網(wǎng)絡(luò)模型輸出的節(jié)點即為判斷的依據(jù)，BP神經(jīng)網(wǎng)絡(luò)的輸出值是一個[0，1]之間的數(shù)值，該數(shù)值即表示風(fēng)險的大小。該數(shù)值越高表明信用的風(fēng)險越大。

（4） 訓(xùn)練函數(shù)的選擇

BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練函數(shù)有很多，如traingdx、trainlm，traingd函數(shù)等，譚慶美等人研究結(jié)果表明，trainlm函數(shù)的訓(xùn)練收斂速度最快，平均誤差最小[12]。

3 應(yīng)用實例

3.1 BP模型的訓(xùn)練

本文從RESSET金融數(shù)據(jù)庫中篩選出供應(yīng)鏈特征明顯的20組數(shù)據(jù)，轉(zhuǎn)化后如表2。樣本數(shù)據(jù)涉及建筑建材、交通運輸、鋼鐵重工、生物科技、制藥等多個行業(yè)的小微企業(yè)。通過Matlab軟件進(jìn)行模擬仿真，選取1～15組的信息作為模型的訓(xùn)練樣本，以后面15～19組數(shù)據(jù)作為檢測的樣本。第20組數(shù)據(jù)是待評估的對象。設(shè)定學(xué)習(xí)速率為0.05，誤差為0.01。

3.2 BP模型的檢測

將檢測樣本數(shù)據(jù)帶入模型，所得結(jié)果如表2所示，結(jié)果表明，通過該模型運算的結(jié)果與專家給出的預(yù)期結(jié)果就有較高的一致性，誤差為0.005 8在設(shè)定范圍以內(nèi)，滿足要求。因此，該本模型具有較高的實用性和科學(xué)性。

利用該模型對最后一組數(shù)據(jù)進(jìn)行評價，得出的數(shù)據(jù)為表3中的第五列數(shù)據(jù)，為0.55，證明該小微企業(yè)的信用風(fēng)險等級一般，需要對其加強風(fēng)險管控。

表3 網(wǎng)絡(luò)監(jiān)測結(jié)果與評估結(jié)果的比較

4 結(jié) 語

供應(yīng)鏈金融近兩年的快速發(fā)展在一定程度上緩解了小微企業(yè)的融資困難。但是由于還沒有一套完整的信用風(fēng)險體系和科學(xué)的風(fēng)險評價方法，同時受以往風(fēng)險評價模式的影響，在對小微企業(yè)進(jìn)行信用評價的時候，并未真正將其置于供應(yīng)鏈的環(huán)境中，所以小微企業(yè)信用等級仍然偏低，這在很大程度上限制了小微企業(yè)的融資。只有科學(xué)、合理地評價供應(yīng)鏈中小微企業(yè)的信用風(fēng)險，才能有效控制銀行的風(fēng)險，同時真正地拓寬小微企業(yè)的融資渠道，實現(xiàn)雙贏。本文在研究基礎(chǔ)上，建立的全面的信用風(fēng)險評價體系，并通過BP神經(jīng)網(wǎng)絡(luò)小微企業(yè)的風(fēng)險進(jìn)行評價。通過實例訓(xùn)練網(wǎng)絡(luò)，對該模型進(jìn)行驗證檢測，結(jié)果比較滿意，可用于實際運用。本文的不足之處：由于實際中供應(yīng)鏈體系相對模糊，所以可資利用的樣本數(shù)據(jù)不多，可能導(dǎo)致網(wǎng)絡(luò)訓(xùn)練不夠充分；另外一點就是該模型理論上可行，并未真正地運用于企業(yè)的評價，所以缺乏實踐的檢驗。

參考文獻(xiàn)

[1] WU Ying?jing， LI Yong?jian， LI Ping. SMEs financing decision： based on the supply chain finance [C]// Proceedings of 2012 9th International Conference on Service Systems and Service Management. [S.l.]： ICSSSM， 2012： 248?252.

[2] 深圳發(fā)展銀行?中歐國際工商學(xué)院“供應(yīng)鏈金融”課題組.供應(yīng)鏈金融[M].上海：上海遠(yuǎn)東出版社，2009.

[3] 李小燕，盧闖，游文麗.企業(yè)信用評價模型、信用等級與業(yè)績相關(guān)性研究[J].中國軟科學(xué)，2003（5）：81?85.

[4] 何濤，翟麗.基于供應(yīng)鏈的小微企業(yè)融資模式分析[J].物流科技，2007（5）：87?91.

[5] RUMELHART D E， HINTON G E， WILLIAMS R J. Learning internal representations by error propagation [M]// Parallel Distributed Processing： Explorations in the Microstructure of Cognition， Volume 1. MA， USA： MIT Press， 1986： 318?362.

[6] 蔣宗禮.人工神經(jīng)網(wǎng)絡(luò)導(dǎo)論[M].北京：高等教育出版社，2008.

[7] BERNABUCCI Bob. Helping customers cure cash?flo wills through better supply chain management [J]. The Secured Lender， 2005， 11： 36?39.

[8] 劉曉敏.基于BP神經(jīng)網(wǎng)絡(luò)的股指預(yù)測系統(tǒng)[D].大連：大連理工大學(xué)，2012.

[9] 楊彩霞，徐渝，楊青.航天項目風(fēng)險指標(biāo)體系的分析與構(gòu)建[J].航天工業(yè)管理，2003，20（3）：17?19.

[10] ECHAMBADI R， ARRONIZ I， REINARTZ W， et al. Empirical generalizations from brand extension research： how sure are we？ [J]. International Journal of Research in Marketing， 2006， 23（3）： 253?262.

[11] 張鵬，王興元.基于BP神經(jīng)網(wǎng)絡(luò)的品牌延伸決策模型[J].軟科學(xué)，2012（3）：124?128.

[12] 譚慶美，吳金克，趙黎明.基于BP神經(jīng)網(wǎng)絡(luò)的小微企業(yè)信用評價研究[J].西北農(nóng)林科技大學(xué)學(xué)報：社會科學(xué)版，2009（5）：57?62.

參考文獻(xiàn)

[1] WU Ying?jing， LI Yong?jian， LI Ping. SMEs financing decision： based on the supply chain finance [C]// Proceedings of 2012 9th International Conference on Service Systems and Service Management. [S.l.]： ICSSSM， 2012： 248?252.

[2] 深圳發(fā)展銀行?中歐國際工商學(xué)院“供應(yīng)鏈金融”課題組.供應(yīng)鏈金融[M].上海：上海遠(yuǎn)東出版社，2009.

[3] 李小燕，盧闖，游文麗.企業(yè)信用評價模型、信用等級與業(yè)績相關(guān)性研究[J].中國軟科學(xué)，2003（5）：81?85.

[4] 何濤，翟麗.基于供應(yīng)鏈的小微企業(yè)融資模式分析[J].物流科技，2007（5）：87?91.

[5] RUMELHART D E， HINTON G E， WILLIAMS R J. Learning internal representations by error propagation [M]// Parallel Distributed Processing： Explorations in the Microstructure of Cognition， Volume 1. MA， USA： MIT Press， 1986： 318?362.

[6] 蔣宗禮.人工神經(jīng)網(wǎng)絡(luò)導(dǎo)論[M].北京：高等教育出版社，2008.

[7] BERNABUCCI Bob. Helping customers cure cash?flo wills through better supply chain management [J]. The Secured Lender， 2005， 11： 36?39.

[8] 劉曉敏.基于BP神經(jīng)網(wǎng)絡(luò)的股指預(yù)測系統(tǒng)[D].大連：大連理工大學(xué)，2012.

[9] 楊彩霞，徐渝，楊青.航天項目風(fēng)險指標(biāo)體系的分析與構(gòu)建[J].航天工業(yè)管理，2003，20（3）：17?19.

[10] ECHAMBADI R， ARRONIZ I， REINARTZ W， et al. Empirical generalizations from brand extension research： how sure are we？ [J]. International Journal of Research in Marketing， 2006， 23（3）： 253?262.

[11] 張鵬，王興元.基于BP神經(jīng)網(wǎng)絡(luò)的品牌延伸決策模型[J].軟科學(xué)，2012（3）：124?128.

[12] 譚慶美，吳金克，趙黎明.基于BP神經(jīng)網(wǎng)絡(luò)的小微企業(yè)信用評價研究[J].西北農(nóng)林科技大學(xué)學(xué)報：社會科學(xué)版，2009（5）：57?62.

參考文獻(xiàn)

[1] WU Ying?jing， LI Yong?jian， LI Ping. SMEs financing decision： based on the supply chain finance [C]// Proceedings of 2012 9th International Conference on Service Systems and Service Management. [S.l.]： ICSSSM， 2012： 248?252.

[2] 深圳發(fā)展銀行?中歐國際工商學(xué)院“供應(yīng)鏈金融”課題組.供應(yīng)鏈金融[M].上海：上海遠(yuǎn)東出版社，2009.

[3] 李小燕，盧闖，游文麗.企業(yè)信用評價模型、信用等級與業(yè)績相關(guān)性研究[J].中國軟科學(xué)，2003（5）：81?85.

[4] 何濤，翟麗.基于供應(yīng)鏈的小微企業(yè)融資模式分析[J].物流科技，2007（5）：87?91.

[5] RUMELHART D E， HINTON G E， WILLIAMS R J. Learning internal representations by error propagation [M]// Parallel Distributed Processing： Explorations in the Microstructure of Cognition， Volume 1. MA， USA： MIT Press， 1986： 318?362.

[6] 蔣宗禮.人工神經(jīng)網(wǎng)絡(luò)導(dǎo)論[M].北京：高等教育出版社，2008.

[7] BERNABUCCI Bob. Helping customers cure cash?flo wills through better supply chain management [J]. The Secured Lender， 2005， 11： 36?39.

[8] 劉曉敏.基于BP神經(jīng)網(wǎng)絡(luò)的股指預(yù)測系統(tǒng)[D].大連：大連理工大學(xué)，2012.

[9] 楊彩霞，徐渝，楊青.航天項目風(fēng)險指標(biāo)體系的分析與構(gòu)建[J].航天工業(yè)管理，2003，20（3）：17?19.

[10] ECHAMBADI R， ARRONIZ I， REINARTZ W， et al. Empirical generalizations from brand extension research： how sure are we？ [J]. International Journal of Research in Marketing， 2006， 23（3）： 253?262.

[11] 張鵬，王興元.基于BP神經(jīng)網(wǎng)絡(luò)的品牌延伸決策模型[J].軟科學(xué)，2012（3）：124?128.

[12] 譚慶美，吳金克，趙黎明.基于BP神經(jīng)網(wǎng)絡(luò)的小微企業(yè)信用評價研究[J].西北農(nóng)林科技大學(xué)學(xué)報：社會科學(xué)版，2009（5）：57?62.