BP神經(jīng)網(wǎng)絡模型在中小企業(yè)融資征信評估中的應用

張洪源

【摘 要】 信用評估的優(yōu)劣對中小企業(yè)是否能夠獲得融資以及融資機構是否對其進行投資起著決定性作用。本文探討了基于BP神經(jīng)網(wǎng)絡的融資征信評估方法。通過建立科學的中小企業(yè)信用評價指標體系，構建了融資征信評估方法的BP神經(jīng)網(wǎng)絡模型。模擬結果表明，BP神經(jīng)網(wǎng)絡可以更加有效、準確地對中小企業(yè)信用指標進行評價，為融資機構提供決策依據(jù)。

【關鍵詞】 中小企業(yè) 融資征信 BP神經(jīng)網(wǎng)絡

1中小企業(yè)融資征信評估應用中BP模型分析

BP網(wǎng)絡具有較高的準確性和較快的收斂速度及更小的誤差，是進行我國中小企業(yè)信用評價的理想方法。因此，本文擬采用BP神經(jīng)網(wǎng)絡來構造我國中小企業(yè)信用評價模型。

1.1 BP神經(jīng)網(wǎng)絡的基本原理

BP神經(jīng)網(wǎng)絡又被稱為反向傳播網(wǎng)絡，這是因為該神經(jīng)網(wǎng)絡的連接權的調整采用的是反向傳播學習算法。BP神經(jīng)網(wǎng)絡的主要優(yōu)點是：只要有足夠的隱層和節(jié)點，就可以逼進任意的非線性映射關系，其算法是一種導師學習算法，屬于全局逼近的方法，因而具有泛化能力，BP網(wǎng)絡同時具有較好的容錯性；BP網(wǎng)絡的主要缺點是收斂速度慢，局部極小。這個缺點可以通過改進算法，加入學習率自適應，L-M等算法進行彌補。

1.2 BP神經(jīng)網(wǎng)絡的具體結構及學習原理

BP神經(jīng)網(wǎng)絡基本組成是由各個神經(jīng)元的連接權組成?？梢源篌w分為三個層次：輸入層、隱含層和輸出層。若輸入層有神經(jīng)元n個，輸入向量記為x1=（x1，xn，…，xn）是網(wǎng)絡的t個輸入模式，Zi（t）為網(wǎng)絡隱含層節(jié)點的輸出值，Y （t） =（Y1 （t） ，Y2 （t） ，…，Ym （t） ）是對應的實際輸出值，輸入神經(jīng)元i到隱層神經(jīng)元j的權值為Vij，隱層神經(jīng)元i到輸出神經(jīng)元j的權值為Vij；另外分別用φi和θj表示隱含層和輸出層的閥值。三者的基本關系如下：

；

在上式中，f函數(shù)被稱為神經(jīng)元的傳遞函數(shù)，也被稱為激活函數(shù)，在實際應用中一般采用S型函數(shù)（Logsig）：

1.3 中小企業(yè)融資征信指標體系建立

中小企業(yè)融資征信評價的重點在于評價中小企業(yè)的經(jīng)營狀況與財務狀況等內容。由于企業(yè)財務指標之間具有相關性，本文首先根據(jù)中小企業(yè)特點選擇財務指標，并利用因子分析法對指標進行整理分析。依據(jù)我國中小企業(yè)的特點并利用因子分析法，本文剔除了與中小企業(yè)信用狀況不相關或重復性的指標，最終選取了償債能力指標（資產負債率，流動比率，速動比率）、盈利能力指標（銷售毛利潤，資產報酬率，凈資產收益率）、營運能力指標（應收賬款周轉率、存貨周轉率，流動資產周轉率，總資產周轉率）、成長能力指標（營業(yè)收入增長率、營業(yè)利潤增長率、凈利潤增長率，總資產增長率、凈資產增長率）15個財務指標綜合反映中小企業(yè)的信用狀況。

由于所選擇的財務指標的量綱和數(shù)量級不同，本文對各指標進行了標準化，使每一個指標都統(tǒng)一于某種共同的數(shù)值特性范圍。本文采用如下公司對指標進行標準化。

其中， 為原始數(shù)據(jù)的均值；Xj=；為原始數(shù)據(jù)的標準差，。

2 中小企業(yè)融資征信評估的BP模型構建

2.1 BP神經(jīng)網(wǎng)絡輸出層、隱含層及輸出層的設計

根據(jù)BP神經(jīng)網(wǎng)絡的相關研究，在網(wǎng)絡設計過程中，隱層神經(jīng)元數(shù)的確定十分重要。隱層神經(jīng)元過多、過少都會影響網(wǎng)絡性能，達不到預期效果。而隱層神經(jīng)元個數(shù)與期望誤差、輸入與輸出層神經(jīng)元個數(shù)、實際問題復雜性都有直接的聯(lián)系。在三層網(wǎng)絡中，輸入和輸出神經(jīng)元是依據(jù)輸入向量和研究目標而定。本文在選取隱層神經(jīng)元的個數(shù)上主要參考原有的兩個經(jīng)驗公式來確定：

（1）

其中M表示輸入向量元素個數(shù)，則輸入層的神經(jīng)元可以選為M個。

N=2M+1（2）

其中μ代表輸入層神經(jīng)元個數(shù)，η代表輸出層神經(jīng)元個數(shù)，a代表[0，10]之間的整數(shù)。根據(jù)相關經(jīng)驗，本文中a取為2。

本文選擇了15個財務指標作為輸入，因此輸入層神經(jīng)元數(shù)M=μ=15；輸出層神經(jīng)元的數(shù)量η由信用評價結果的模式確定。根據(jù)式（1），由于μ=1，η=15，a為[1，10]之間的常數(shù)，可以取L=5-14。根據(jù)式（2），由于M=15，因此N=2M+1=31。因此，可以估計最佳隱含層的神經(jīng)元數(shù)目介于5-31之間。

2.2 BP神經(jīng)網(wǎng)絡訓練及結構確定

本文在進行樣本設計時，以我國2014年50家上市公司所作出的評價為樣本。所采用的指標與上文中給出的評價指標一致。數(shù)據(jù)樣本有50個，選擇其中的40個項目的評價作為學習樣本，另外10個項目的評價作為檢驗樣本。訓練函數(shù)采用BP網(wǎng)絡最常用的Trainlm，訓練次數(shù)定位2000次，誤差精度小于0.0001。本文設定最大訓練步長epoch=2000，分別采用traingdx函數(shù)、traingd函數(shù)和trainglm函數(shù)進行BP神經(jīng)網(wǎng)絡訓練。

本文通過Matlab7.0，分別采用traingdx函數(shù)、traingd函數(shù)和trainglm函數(shù)，對所設計的隱含層神經(jīng)元數(shù)可變的BP神經(jīng)網(wǎng)絡進行了訓練和仿真。結果表明，當BP神經(jīng)網(wǎng)絡的隱含層神經(jīng)元數(shù)在5-31之間變化時，當N=17時，trainlm數(shù)的訓練誤差最小，因此本文決定采用收斂速度最快、訓練誤差最小的trainlm訓練函數(shù)，隱含層神經(jīng)元數(shù)n=17的BP神經(jīng)網(wǎng)絡作為中小企業(yè)信用評價模型。

3 結論

本文建立了一般中小企業(yè)信用評價財務指標體系，據(jù)此構建的BP神經(jīng)網(wǎng)絡模型，并以2014年40家上市公司為學習訓練樣本，并對剩下的10家公司進行仿真，設定最大訓練步長epoch=2000，詳細考察了隱含層結構和網(wǎng)絡訓練函數(shù)對BP神經(jīng)網(wǎng)絡辨識性能的影響。評價結果表明，各中小企業(yè)之間的信用評價結果存在較大的異質性。這說明，利用BP神經(jīng)網(wǎng)絡對中小企業(yè)進行信用評價，具有較高的可操作性。因此，金融機構可以據(jù)此加強對中小企業(yè)的信用評價，篩選優(yōu)秀的中小企業(yè)以降低信用風險。

【參考文獻】

[1] 譚慶美.中小企業(yè)融資理論與實證研究[D].天津：天津大學博士論文，2007.

[2] 周永進.BP網(wǎng)絡的改進及其應用[D].南京：南京信息工程大學，2007.