科技型中小企業(yè)融資信用風(fēng)險(xiǎn)評(píng)估研究

夏軼群++王圣權(quán)

【摘 要】 為了提高科技型中小企業(yè)融資信用違約風(fēng)險(xiǎn)評(píng)估的相對(duì)準(zhǔn)確性和確定性，采用GA-PSO混合規(guī)劃算法構(gòu)建科技型中小企業(yè)融資信用風(fēng)險(xiǎn)評(píng)估模型。通過MATLAB R2014a對(duì)64家科技型中小企業(yè)進(jìn)行模擬評(píng)估，并和專家預(yù)測(cè)法結(jié)果作對(duì)比，仿真結(jié)果表明，GA-PSO混合規(guī)劃算法模型簡(jiǎn)單可行，可提高評(píng)價(jià)效率和準(zhǔn)確性。對(duì)比研究也表明該模型同時(shí)集成了粒子群算法和遺傳算法的優(yōu)點(diǎn)，在收斂性和預(yù)測(cè)精度方面具有優(yōu)越性。

【關(guān)鍵詞】 科技型中小企業(yè)； 中小企業(yè)融資； 信用風(fēng)險(xiǎn)； GA-PSO混合規(guī)劃算法

【中圖分類號(hào)】 F272.3 【文獻(xiàn)標(biāo)識(shí)碼】 A 【文章編號(hào)】 1004-5937（2016）16-0086-03

一、引言

由于科技型中小企業(yè)正在成為國民經(jīng)濟(jì)發(fā)展的重要力量，其融資，特別是技術(shù)融資問題也隨之成為關(guān)注的焦點(diǎn)。我國科技型中小企業(yè)融資難重要原因之一就是科技型中小企業(yè)技術(shù)融資信用風(fēng)險(xiǎn)難以測(cè)量和掌控。薛惠鋒等[1]認(rèn)為金融機(jī)構(gòu)信用風(fēng)險(xiǎn)產(chǎn)生的原因是由于企業(yè)信用風(fēng)險(xiǎn)的存在，對(duì)企業(yè)信用風(fēng)險(xiǎn)的準(zhǔn)確預(yù)測(cè)能有效地解決金融機(jī)構(gòu)面臨信用風(fēng)險(xiǎn)的尷尬處境。

目前，對(duì)科技型中小企業(yè)而言，信用風(fēng)險(xiǎn)評(píng)估的研究方法多樣，比如信用計(jì)量模型（Creditmetrics）、支持向量機(jī)、GA算法、GA-BP算法以及PSO-BP等。與統(tǒng)計(jì)模型相比，人工智能模型在評(píng)估非線性模型時(shí)具有更大的優(yōu)越性。竇文章等[2]在基于CreditMetrics模型評(píng)估中運(yùn)用銀行信貸數(shù)據(jù)的一些核心參數(shù)來計(jì)算該銀行的風(fēng)險(xiǎn)等級(jí)，但此方法需要收集大量的數(shù)據(jù)，且需要對(duì)這些數(shù)據(jù)樣本選擇和處理。何澤恒和朱虹[3]構(gòu)建基于遺傳神經(jīng)網(wǎng)絡(luò)的商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估模型，但單獨(dú)運(yùn)用遺傳算法（GA）所得到的結(jié)論往往誤差較大。李從剛等[4]提出P2P網(wǎng)貸市場(chǎng)信用風(fēng)險(xiǎn)評(píng)估指標(biāo)體系，設(shè)計(jì)了基于BP神經(jīng)網(wǎng)絡(luò)的風(fēng)險(xiǎn)評(píng)估模型。然而，BP神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)的收斂速度慢、網(wǎng)絡(luò)的冗余性較大、網(wǎng)絡(luò)的學(xué)習(xí)和記憶具有不穩(wěn)定性等缺點(diǎn)。為了避免這些問題，陳云[5]提出了基于PSO—BP集成的企業(yè)信用風(fēng)險(xiǎn)評(píng)估模型，提高企業(yè)信用風(fēng)險(xiǎn)評(píng)估準(zhǔn)確率。董槐林等[6]提出了一種基于PSO-BP神經(jīng)網(wǎng)絡(luò)的企業(yè)信用風(fēng)險(xiǎn)評(píng)估模型，相對(duì)解決了單獨(dú)運(yùn)用BP神經(jīng)網(wǎng)絡(luò)評(píng)估信用風(fēng)險(xiǎn)時(shí)的不足之處。Xinli W.[7]為了克服傳統(tǒng)線性評(píng)價(jià)方法存在的不足，集成粒子群算法和遺傳算法，該模型具有簡(jiǎn)單可行的特點(diǎn)。

事實(shí)上，早在1995年肯尼迪（Kennedy）和埃伯哈特（Eberhart）最先提出粒子群算法（PSO），其基本概念是基于對(duì)鳥群捕食行為進(jìn)行的研究，后來又有許多專家學(xué)者對(duì)其進(jìn)行大量的研究，由于粒子群算法添加了約束條件，使得其收斂速度更快，而且需要的用戶參數(shù)信息較少，應(yīng)用起來越發(fā)簡(jiǎn)單便捷，現(xiàn)已經(jīng)成為解決優(yōu)化問題的研究熱點(diǎn)。隨著研究的不斷深入，后又對(duì)其改進(jìn)、完善，并在遺傳規(guī)劃算法（GP）和粒子群算法（PSO）基礎(chǔ)上提出了GA-PSO算法。例如吳曉軍等[8]在表述固定長(zhǎng)度線性時(shí)，將其變換成GP算法，優(yōu)化過程由確定的運(yùn)算符融入PSO完成，這就是GA-PSO混合規(guī)劃算法。

綜上所述，在處理非線性的模型上，基于人工智能的GA-PSO方法顯然有助于提高評(píng)測(cè)。本文采用GA-PSO混合規(guī)劃算法，嘗試優(yōu)化科技新中小企業(yè)融資信用風(fēng)險(xiǎn)模型，以期使評(píng)估的結(jié)果更為精確可靠。

二、基本模型

本文基于GA-PSO混合規(guī)劃算法構(gòu)建科技型中小企業(yè)信用風(fēng)險(xiǎn)的優(yōu)化評(píng)估模型，主要步驟如下：第一，選取確定的科技型中小企業(yè)，針對(duì)評(píng)估機(jī)構(gòu)所評(píng)測(cè)的信用等級(jí)確切可靠的若干企業(yè)選?。坏诙?，選取能反映中小企業(yè)的企業(yè)運(yùn)營能力和對(duì)債務(wù)償還能力的若干指標(biāo)；第三，科技型中小企業(yè)選取的評(píng)價(jià)指標(biāo)與融資信用等級(jí)之間的關(guān)系通過GA-PSO混合規(guī)劃算法探究，并對(duì)其信用風(fēng)險(xiǎn)等級(jí)進(jìn)行預(yù)測(cè)與評(píng)價(jià)。其基本函數(shù)表達(dá)式為：

C=f（x） （1）

其中C=[1，2，3，4，5]T，代表科技型中小企業(yè)信用風(fēng)險(xiǎn)級(jí)別。本文針對(duì)企業(yè)信用風(fēng)險(xiǎn)等級(jí)評(píng)價(jià)模型的理論研究，信用等級(jí)大致劃分為5級(jí)，用1、2、3、4、5表述。具體含義如下所述：

1表示科技型中小企業(yè)有充足的能力應(yīng)對(duì)當(dāng)前債務(wù)，可以應(yīng)對(duì)外界突發(fā)的債務(wù)危機(jī)，信用狀況優(yōu)良，可隨即還清貸款。

2表示科技型中小企業(yè)對(duì)其債務(wù)狀況可以提供安全保障，通過內(nèi)部周轉(zhuǎn)能及時(shí)應(yīng)對(duì)外界突發(fā)債務(wù)危機(jī)，信用狀況良好，通過內(nèi)部周轉(zhuǎn)可還清貸款。

3表示科技型中小企業(yè)對(duì)當(dāng)前債務(wù)有一定的安全保障，從長(zhǎng)期來看，存在一定的不穩(wěn)定性，但是企業(yè)自身通過努力，可以還清貸款。

4表示科技型中下企業(yè)對(duì)債務(wù)狀況存在一定的信用風(fēng)險(xiǎn)，雖有還款意愿，但是還款能力有限。

5表示科技型中小企業(yè)對(duì)債務(wù)狀況的還款意愿不強(qiáng)，且企業(yè)自身還款能力較低，信用風(fēng)險(xiǎn)等級(jí)較高。

X表示科技型中小企業(yè)科技含量、債務(wù)償還能力和經(jīng)營狀況的指標(biāo)，即X=[x1，x2，…，xn]T，x1，x2，…，xn表示具體指標(biāo)值。探究C和X間的關(guān)系是該模型構(gòu)建的終極目標(biāo)，即尋找f的具體形式。

三、指標(biāo)與樣本選取

1.專利創(chuàng)新程度指標(biāo)（x1）

x1=科技型中小企業(yè)專利持有量/行業(yè)專利總數(shù)量（2）

2.科研技術(shù)含金量指標(biāo)（x2）

x2=科技型中小企業(yè)專利行業(yè)使用量/行業(yè)專利總數(shù)量

（3）

3.科研人數(shù)比例指標(biāo)（x3）

x3=科技型中小企業(yè)科研人數(shù)總數(shù)/行業(yè)科研總?cè)藬?shù)

（4）

4.營運(yùn)能力指標(biāo)（x4）

x4=本期銷售收入/總資產(chǎn) （5）

5.償債能力指標(biāo)（x5）

x5=（期末流動(dòng)資產(chǎn)-期末流動(dòng)負(fù)債）/期末總資產(chǎn)（6）

6.專家評(píng)估預(yù)測(cè)值Y

本研究在2014年深市中小企業(yè)板塊中隨機(jī)抽取科技型中小企業(yè)64家，作為本次信用風(fēng)險(xiǎn)評(píng)估樣本，其中測(cè)試樣本10家企業(yè)，訓(xùn)練樣本54家企業(yè)。由金融機(jī)構(gòu)財(cái)務(wù)負(fù)責(zé)人、行業(yè)主管部門經(jīng)理和相關(guān)專業(yè)的高校專家教授組成的評(píng)估小組對(duì)抽取的各個(gè)企業(yè)進(jìn)行信用等級(jí)評(píng)估，獲得確定Y值。同時(shí)按照標(biāo)準(zhǔn)化方式對(duì)2014年末該64家企業(yè)發(fā)布的企業(yè)年度報(bào)表進(jìn)行標(biāo)準(zhǔn)化處理。

四、數(shù)據(jù)分析與模型檢驗(yàn)

模型分析過程分為測(cè)試部分和訓(xùn)練部分。訓(xùn)練部分從64家樣本企業(yè)中隨機(jī)抽選54家進(jìn)入貸款償還期的企業(yè)數(shù)據(jù)。利用多元回歸模型、GP算法以及GA-PSO混合規(guī)劃算法三種方法，比較構(gòu)建企業(yè)信用風(fēng)險(xiǎn)評(píng)估模型，從錯(cuò)誤率、收斂性以及準(zhǔn)確率方面就計(jì)算結(jié)果進(jìn)行比較。就模型結(jié)果而言，錯(cuò)誤率一般可以得出以下兩種錯(cuò)誤結(jié)果，一種是對(duì)科技型中小企業(yè)融資信用風(fēng)險(xiǎn)等級(jí)作出低于實(shí)際的評(píng)價(jià)；另一種是對(duì)科技型中小企業(yè)融資信用等級(jí)作出高于實(shí)際的評(píng)價(jià)。

在GA-PSO混合規(guī)劃算法與多元回歸模型和GP算法模型的比較曲線中，X軸表示周期，單位時(shí)間為s；Y軸表示平均適應(yīng)度，運(yùn)行10次。由圖1可以得出，GA-PSO混合規(guī)劃算法模型與GP算法模型相比較，收斂性能更好；由圖2可得出，GA-PSO混合規(guī)劃算法模型比多元回歸模型收斂性能明顯更快。

本文基于對(duì)GA-PSO混合規(guī)劃算法收斂性和準(zhǔn)確性研究，在MATLAB R2014a環(huán)境下就選取的64家科技型中小企業(yè)的5組指標(biāo)數(shù)值進(jìn)行處理分析，其結(jié)果如圖3所示。GA-PSO混合規(guī)劃算法比多元回歸模型和GP算法的尋優(yōu)效率更高。相同環(huán)境下，GA-PSO混合規(guī)劃算法的適應(yīng)度收斂值最小，這表明該算法的粒子種群多樣性特征明顯，局部尋優(yōu)能力更強(qiáng)?；诖朔N方法可得出更精準(zhǔn)的參數(shù)解。

利用GA-PSO混合規(guī)劃算法得出科技型中小企業(yè)融資信用風(fēng)險(xiǎn)評(píng)估模型：

將訓(xùn)練樣本和測(cè)試樣本的5組指標(biāo)數(shù)據(jù)分別代入上述風(fēng)險(xiǎn)評(píng)估模型，得出信用等級(jí)。預(yù)測(cè)所選取企業(yè)的風(fēng)險(xiǎn)等級(jí)，并將該值與預(yù)測(cè)值比較，可得出此三種模型的準(zhǔn)確率和錯(cuò)誤率，所得比值如表1所示。結(jié)果表明：在三種模型中，GA-PSO混合規(guī)劃算法所得出的預(yù)測(cè)值精度更高，而且兩種錯(cuò)誤率比值都比其他兩種模型的錯(cuò)誤率比值低，預(yù)測(cè)的準(zhǔn)確性要優(yōu)于其他兩種模型。在測(cè)試樣本中兩種錯(cuò)誤率均為10%，比訓(xùn)練樣本的錯(cuò)誤率要高，而準(zhǔn)確率與訓(xùn)練樣本相比較也有所降低，就第一錯(cuò)誤率而言，GA-PSO混合規(guī)劃算法的錯(cuò)誤率比其他兩種模型要低，雖然GA-PSO混合規(guī)劃算法與GP算法的第二錯(cuò)誤率相同，但是其第一種錯(cuò)誤率更低，準(zhǔn)確率也比其他兩種要高。由此可以看出，隨著樣本量的增加，GA-PSO混合規(guī)劃算的準(zhǔn)確率有更為明顯的提高，收斂效果更好。對(duì)科技型中小企業(yè)融資信用風(fēng)險(xiǎn)的評(píng)估更為準(zhǔn)確。

GA-PSO混合規(guī)劃算法模型在應(yīng)用中更為簡(jiǎn)單便捷，數(shù)據(jù)易于收集，指標(biāo)值代入評(píng)估模型即可判斷科技型中小企業(yè)的信用風(fēng)險(xiǎn)等級(jí)。不僅如此，該模型尋優(yōu)效率較高，局部?jī)?yōu)化能力強(qiáng)，評(píng)估結(jié)果更能說明企業(yè)的信用風(fēng)險(xiǎn)等級(jí)。

五、結(jié)論

本文采用GA-PSO混合規(guī)劃算法研究科技型中小企業(yè)信用風(fēng)險(xiǎn)評(píng)估問題，并且從深圳證券交易所隨機(jī)抽取64家相關(guān)企業(yè)的實(shí)際數(shù)據(jù)對(duì)本模型進(jìn)行驗(yàn)證。對(duì)不同的風(fēng)險(xiǎn)指標(biāo)研究GA-PSO、GP和多元回歸三種模型對(duì)比的收斂情況，結(jié)果顯示：GA-PSO混合規(guī)劃算法能夠有效地預(yù)測(cè)中小企業(yè)信用風(fēng)險(xiǎn)狀況。在模型收斂性方面要優(yōu)于另外兩種方法，在預(yù)測(cè)風(fēng)險(xiǎn)程度方面也更為精確。該模型便于使用，收斂效果好，既能提高局部最優(yōu)特性，又能整體優(yōu)化企業(yè)信用風(fēng)險(xiǎn)評(píng)估模型。●

【參考文獻(xiàn)】

[1] 薛惠鋒，林波，蔡琳.基于GA-PSO混合規(guī)劃算法的企業(yè)信用風(fēng)險(xiǎn)評(píng)估模型[J].西北大學(xué)學(xué)報(bào)（哲學(xué)社會(huì)科學(xué)版），2006，36（3）：38-40.

[2] 竇文章，劉西.基于CreditMetrics模型評(píng)估銀行信貸的信用風(fēng)險(xiǎn)[J].改革與戰(zhàn)略，2008，24（10）：81-84.

[3] 何澤恒，朱虹.基于遺傳神經(jīng)網(wǎng)絡(luò)的商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估系統(tǒng)研究[J].商業(yè)經(jīng)濟(jì)，2013（17）：29-30.

[4] 李從剛，童中文，曹筱玨.基于BP神經(jīng)網(wǎng)絡(luò)的P2P網(wǎng)貸市場(chǎng)信用風(fēng)險(xiǎn)評(píng)估[J].管理現(xiàn)代化，2015，35（4）：94-96.

[5] 陳云，石松 基于PSO-BP集成的國內(nèi)外企業(yè)信用風(fēng)險(xiǎn)評(píng)估[J].計(jì)算機(jī)應(yīng)用研究，2014，31（9）：2705-2710.

[6] 董槐林，郭陽，鄭宇輝.基于PSO-BP神經(jīng)網(wǎng)絡(luò)的企業(yè)信用風(fēng)險(xiǎn)評(píng)估模型研究[J].計(jì)算機(jī)與現(xiàn)代化，2009（4）：123-126.

[7] XINLI W. The credit evaluation model of electricity customer based on GA-PSO hybrid programming algorithm[C]//System Science， Engineering Design and Manufacturing Informatization （ICSEM）， 2012 3rd International Conference on. IEEE， 2012： 222-225.

[8] 吳曉軍，薛惠鋒，李，等.GA-PSO混合規(guī)劃算法[J].西北大學(xué)學(xué)報(bào)（自然科學(xué)版），2005，35（1）：39-43.

[9] ALESSANDRO B， et al. A PSO-based algorithm for optimal multiple chiller systems operation[J]. Applied Thermal Engineering， 2012， 32（1）：31-40.

[10] CHIOU J S， TSAI S H， LIU M T. A PSO-based adaptive fuzzy PID-controllers[J]. Simulation Modelling Practice and Theory， 2012， 26（8）： 49-59.

[11] MORADI M H， ABEDINI M. A combination of genetic algorithm and particle swarm optimization for optimal DG location and sizing in distribution systems[J]. International Journal of Electrical Power & Energy Systems， 2012， 34（1）： 66-74.

[12] MENG Y B，et al. Research on WNN aerodynamic modeling from flight data based on improved PSO algorithm[J]. Neurocomputing，2012，83（6）：212-221.

[13] ZHAO F， TANG J， WANG J. An improved particle swarm optimization with decline disturbance index （DDPSO） for multi-objective job-shop scheduling problem[J]. Computers & Operations Research， 2014， 45： 38-50.

[14] ZUO Y， CHEN Y. A Novel Particle Swarm Optimal Algorithm Hybridized with Random Disturbance Term[C].Advanced Materials Research，2013：473-476.