基于神经网络的企业信用评估模型

韩冰

(哈尔滨商业大学，黑龙江 哈尔滨 150028)

信用风险预测和风险控制是现代企业管理的重要内容之一,在很多国家由于不良贷款引起的银行危机相当严重。因此,加强企业的信用风险管理,建立和完善银行以及企业内部的风险管理体制,为银行的决策提供科学的参考依据,全面的防范和化解金融风险,是当前银行和企业面临的一个主要任务。我国入世以后,根据WTO的有关协议将逐渐取消对外资银行外币业务、人民币业务等方面的限制,国内各商业银行将面临国内外银行的竞争,竞争将更加激烈。目前,我国绝大部分银行企业的不良贷款率大大高于10%的国际警戒线和我国15%的监管标准。如何建立一个优良的企业信用评估体系,为商业银行的决策提供科学的、量化的决策依据,全面降低不良贷款率,提高信贷资产质量,是国内各商业银行共同面临的一个全新课题。为此,作者提出了企业信用评估的指标体系,并在此基础上建立了评估模型,该模型能够利用企业信用数据为银行提供量化决策的依据。

1 企业信用评估指标体系

企业信用评估的首要工作是根据国外的企业信用评估指标体系,结合我国的实际情况,本着操作简便、定量指标和定性指标相结合、现实能力评价和潜力能力评价相结合的原则建立可行的企业信用指标体系。基于以上原则并结合我国常用的企业信用评估指标体系和Z模型指标体系,作者提出的企业信用评估指标体系是分层结构,其中二级指标29项,反映了企业管理、经营状况的具体数据信息;一级指标7项,是二级指标的归纳,反映了企业信用评估的7个方面。

2 企业信用评估神经网络模型

神经网络具有非线性处理和模式识别能力,可以用于解决用传统方法难以解决的复杂问题。BP神经网络是目前应用最广泛的神经网络,从理论上讲它可以实现从输入到输出的任意非线性映射,而且具有很强的泛化能力[5,6],应用BP网络的这种特性,通过已生成的企业信用评估指标体系与信用的对应数据的学习,调整模型的结构,生成具有预测能力的企业信用评估神经网络模型。

2.1 指标体系数据的预处理

(1)软指标的归一化处理。由于神经网络处理的数据一般都是连续数据,因而需要对企业信用评估体系中的标号数据进行量化处理,然后将量化后的数据按比例进行缩放,使之落入一个统一的区间,转换成连续数据。本文中采用的是最小-最大规范化方法对原始数据进行线性变换,使之落入到区间[0,1]内。

(2)硬指标(财务指标数据)的标准化处理。在财务指标中,各指标有着不同的量纲,数据不能较直观地反映对信用结果的影响。因而需要对这些指标数据进行标准化处理,将其转化为统一量纲的数据。在企业信用评估指标体系中,有效益型和成本型指标数据。效益型指标数据有越大越优的特性,成本型指标数据有越小越优的特性。通过线性比例变换的方法,对指标数据进行处理。

2.2 模型构造

具有单隐层的BP神经网络可以映射任意连续函数,作者设计了一个3层神经网络模拟企业信用评估过程,其中输入层结点数为29,分别对应企业信用评估的29个要素;隐层结点数为7,分别表示企业素质、发展前景、企业规模、发展能力、偿债能力、盈利能力和综合指标;输出层结点数为1,输出值为模型实际输出。由于输入向量和输出向量之间不满足线性关系,因此选择单极性sig moid函数作为转移函数。

以经营者素质、员工素质等29项企业信用评估指标为输入向量,用X=(x1,x2,…,x29)表示;隐层结点用向量Y=(y1,y2,…,y7)表示;Z=(z1)表示输出向量,根据转移函数的性质,z1∈[0,1];将训练集的实际输出数据转换为[0,1]的数值,期望输出用向量D=(d1)表示;输入层结点到隐层结点的权值用向量V=(v1,1,v1,2,…,v29,7)表示,隐层结点到输出层结点的权值用向量W=(w1,1,w2,1,…,w7,1)表示。

3 实验结果及分析

选取30个上市公司2001年软、硬指标数据及其信用评估结果,根据2.1节指标体系标准化处理方法,对选取的企业软、硬指标数据首先进行标准化处理。将这些数据转化为[0,1]之间统一量纲的数据,以便于神经网络的处理;然后合并标准化处理以后的软、硬指标数据,生成各公司与评估指标体系一致的数据。由于实验数据较少,因而在实验时采用了V-fold交叉验证方法,将30个公司数据等分成10组,每次测试采用其中的9组数据作为训练数据,用剩余的1组作为测试数据,即每次用27个上市公司的数据作为训练数据,剩余3个公司的数据作为测试数据,共进行10次测试,最后取10次测试结果的正确率的平均值作为最终的结果,评估的正确率达到了92.2%。实验时设定学习速率为0.01,最大训练步数为2000,误差精度为0.001。

4 结束语

目前信用风险的控制方法包括标准法和内部评估法,根据《新巴塞尔资本协议》的要求,对于商业银行风险权重的确定应当逐步从标准法向内部评级法过渡,最后将全面采用信用模型的方法。作者在分析信用评估重要性和信用评估国内外现状的基础上,提出了用于企业信用评估的指标体系,并在此基础上建立了基于神经网络的企业信用评估模型。应用神经网络自学习和超强的非线性处理能力,模型通过企业信用数据的学习后用于企业信用评估,弱化了权重确定中的人为因素,提高了评估结果的准确性和权威性。通过对30个上市公司信用的预测,验证了本方法优于传统的定性模型和方法,是对企业信用评估模型建立的一种尝试。

[1] 陈娟,吴开微.企业资信的模糊数学评价方法[J].工科数学,2001,(17)4:15-19.

[2] 韩家炜,范明.数据挖掘概念与技术[M].北京:机械工业出版社,2012.