混合核函数SVM在融资风险评估中的应用

郑艳秋，江涛

（1.西华大学工商管理学院，成都610039；2.西南财经大学会计学院，成都611130）

0　引言

随着我国制造业参与全球经济与市场竞争步伐的不断加快，我国制造业逐渐形成门类齐全、产品丰富的格局，然而，尽管我国200种以上制造业产品产量和、出口量位居世界第一，几十种产品出口占据全球出口贸易总量的70%以上，我国制造业仍然处于“大而不强”的状态。因而，针对制造业寻求有效外部融资，提升其外部融资过程中的风险抵御是提升金融支持产业发展的关键，而这其中，合理评估制造产业外部融资的生存风险是值得关注的一面。

现有研究主要针对不同相互作用以及动态影像作用机制，开展了混合核函数以及SVM机制的应用研究。对于制造业而言，其所对应的并非只是简单的产能以及规模或其他增长的关联因素，更是如何通过外部支持力量形成发展竞争力的关键。为此，本文结合混合核函数与SVM机制，开展分析过程中的参变量验证效率以及针对不同研究目标的应用价值等方面的实证研究，并且在保证混合核函数SVM有力解释制造业外部融资及其生存风险的同时，形成对关联要素的详细互动作用分解，进而形成合理的制造业外部融资控制以及信贷的稳步发展。

1　制造业外部融资及其生存风险的原理

支持向量机（SVM）主要针对一个具有核向量趋势特征的向量群体进行稀流行的比对解析，并通过样本值与曲面接近的趋势特征判断事物的前进特征，一般而言是将SVM经线性间隔与维数的分类超平面数据分布进行线性方程的规划：

式（1）中，U、A、V、f分别负责刻画的是不同向量在向特征曲面分布接近时的对象集、有限属性集、判断决策属性集和由A指向训练目标值域信号因变量，并且满足设定曲面接近过程中的样本集线性可分，即：

其中ω、b分别描述的是基于线性规划的向量曲面精度趋近弹性系数和扰动增量，分别说明的是支持向量机机制下的测度指标之间调整变动幅度以及调整距离。两者对应的归一化满足以下条件设定：

一般而言，混合核函数针对随机变量进行时序回归即可获得关联关系，但由于制造业外部融资存在各种影响因素，且其包含的各种因素需存在不同程度作用力，由其引致的参变量相互间作用力形成因变量与自变量之间的关联变动形成混合核函数的精度曲面变动。直接利用混合核函数进行存在多面互动的参变量指标对于制造业的外部融资的生存风险影响解释是有欠缺的，因此应该针对制造业外部融资过程中的时序向量趋近的自相关进行结合SVM的核向量进行异动的精度趋进比对分析，并利用SVM所具备的平稳性检验以及自回归区分出相互作用的制造业外部融资相关指标之间的作用。

为此，本文根据制造业外部融资实际，按照支持向量机的原理进行混合核函数的AR平稳性检验：

式（4）为每一对评估赋分及标准化比例处理的混合核函数SVM指标提供一个检验序列，且当时序序列弹性距离系数ρ绝对值低于1时，对比序列验证值平稳；当其绝对值大于1时，序列无法显示评估赋值与标准化比例优化精度的差异，进入混合核函数SVM的制造业外部融资原函数进行进一步的验证。在这一过程中，对制造业外部融资受到的融资额度削减等非影响类因素，其对应的检验方程为：

由此按照评估赋值以及标准比利化的混合核函数SVM可以表达为：

2　变量选取与数据来源

2．1　变量选取

对于我国现阶段产业融资而言，直接的资本市场融资尽管在金融改革创新中获得了发展，但是产业融资，特别是制造业融资的资本市场源仍相对不足，外部融资主要涉及制造业产业向银行等金融机构的融资借款，以及向债券市场发行的股票、债券。获资成功率受到产业生产率、规模、增长绩效以及政府支持等因素影响。另外，上市融资等渠道又对企业规模有所控制与限制，而我国制造业产业内的企业规模以中小型企业为主，因而在争取外部融资的过程中制造业企业需要提高自身利用融资效率，并且以此改善用资效率。而用资过程提升生产与创新效率是广大制造业企业突出外部融资与竞争生产困境的关键。

结合前文所述，本文选取制造业向外部融资过程中的自身变量以及融资外部环境等变量。其中涉及制造业自身的变量主要如下：

生产规模（PS）：制造业生产规模的大小关系到整个产业以及产业内企业进行再生产与融资的能力，越强的产业生产能力形成越高的竞争能力，并从中有效降低生产运营过程中的综合成本，获得制造业的外部融资支撑力，并且从资本市场获得融资补贴和授资额度。选择生产规模作为这一方面的测度指标，以制造业年产出额作为测度数据。

所有制形式（OS）：这主要是由于不同的所有制形式在制造业融资过程中面对不同的审核或授资门槛，针对制造业企业氛围国有制造业企业和民营企业。

资本存量（CV）：选择这一方面主要是考虑到不同的制造业企业在形成生产在生产过程中有不同的资本累积，换言之制造业在多大比例程度上获得再生产资本的累积，就意味着有多大程度利用资金进行再生产，其利用外部融资获得生存的能力也相应升高，因而不同程度的资本累计也形成了不同程度的融资能力。

创新资金投入（CI）：选择这一指标主要是考虑到制造业面临整个产业创新与市场竞争的压力，而制造业在整个竞争创新环境中如何利用外部融资进行技术创新突破瓶颈，为其争取利用外资进行融资创新提供便利，同时按照不同的融资程度进行创新也反过来推动制造业企业谋求更高效的市场竞争绩效。

政府补贴（GS）：选择这一指标主要是考虑到上述分析中所涉及的制造业企业在获得外部融资过程中，来自银行及其他金融机构的资金相对偏少，而自行上市以股票或者通过债券融资又受到一定程度的限制。

2．2　数据来源

根据上述指标选取，对应指标数据源自2005—2015年《中国统计年鉴》、《中国工业统计年鉴》以及上述统计年鉴所包含的制造业对象基本信息与财务数据，中小企业等其他规模企业融资等相关指标数据主要获自中国人民银行贷款投向报告。

3　制造业外部融资及其生存风险关联评估应用

3．1　混合核函数模型构建

根据前述分析与混合核函数基本模型设定，按照马克威分析系统3.0，去除混合核函数训练过程的多重共线性，结合式（5）剔除其中相关系数低于0.5的参变信号，进行混合核函数SVM的超平面函数测定：

对照上述式（4）和式（5），式（7）获得的指标响应度测试在第一阶段出现原始设定的信号背离，而其对应的精简后混合核函数SVM信号序列为：

此外，本文针对多重共线性在不同阶段对样本数据以及所选指标对于制造业外部融资的生存能力以及风险进行相应的解释精度优劣势比较。即通过对比不同参变量指标与应变量指标之间的作用关联，并在不同的信号误差控制概率下进行精度累积，以制造业整个产业所选样本进行循环精度累积。经过精度累积循环曲面形成的精度调整值为0.715，相比控制精度相关系数0.5要高出一定程度，形成对我国制造业外部融资与其生存风险的较好解释。

通过代表样本数据点与精度累积循环曲面之间的离散距离测定因子得分，可以获得基于上述较高解释精度的制造业外部融资与其生存风险关联，即按照{a1,a2,a3,...,an}为调整精度曲面的混合核函数基准坐标，以支持向量机SVM机制进行所选五类指标的欧几里得范数，即：

式（8）是一个基于SVM的欧几里得范数向量集权重归类，依赖于欧几里得范数得式（8）的简化，即：

由此可得的混合核函数精度曲面调整距离图如图1所示。

图1基于混合核函数的SVM精度曲面调整距离

从图1可以看出，经过混合核函数调整后的SVM对于制造业在生产规模、创新资金投入、所有制、政府支持等类别指标的均位于正向信号一侧，获得的解释精度与原始指标的关联关系设定相同。本文将同向信号测指标进行进一步的混合核函数相对距离概率折算，发现每一个制造业外部融资关联参变量指标与其生存风险形成的关联距离都表现出曲面上的相对线性，关联距离的精度均值为4.12，经过平移转化后的制造业外部融资与生存风险间相对距离为1.34，最小距离为0.56，间距为0.78，高于一般设定的相关系数0.5。

3．2　制造业外部融资与生存风险

接着，本文结合制造业外部融资与其生存风险进行样本数据的保准定型化估值进行面向SVM混合核函数所选指标比对，按照优0、良1、中2、合格3、不合格4进行打分，并结合粗糙集参变量约简，按照所选样本对应约简是否在制造业外部融资与其内部生产过程中的资本积累产生数据样本叠合为筛选标准，进行制造业生产规模、所有制形式、资本存量、创新资金投入、政府补贴等变量的属性一致性叠合消除。表1反映了在所选228个样本企业中基于生产规模、所有制形式的样本变量逆向数据信号剔除；同时，将资本存量、创新资金投入、政府补贴等变量中的正向参变量信息原始值不变基础上的滞后阶数精度信息进行累积调整。从表1反映的混合核函数参变量相对指标来看，无论是生产规模、所有制形式与资本存量等制造业内在变量，还是政府补贴等外部指标都在修正后的混合核函数测定精度调整曲面上获得了参变量解释精度调整后的接近。其中，政府补贴一类存在相对的波动，而创新资金投入以及生产规模分别从2006年的0.0000、0.0000上升至2015年的0.0338、0.0179，分别在年度增值和增幅上表现出显著势头。因此，可以通过对参变量精度修正后的混合核函数进行标准化比例转换，即通过以下比例变动法调整每一个获得精度接近的制造业外部融资与其生存风险影响因素原始样本信息：

式（10）使用了制造业外部融资与其生存风险关联中的混合核函数按照精度调整曲面接近的原始距离、最小距离差值与最大和最小距离间的作商，由此获得经过修正的混合核函数与其生存风险关联的参变量调整指标精度接近结果。

表1　修正后的混合核函数测定精度调整曲面指标数据

从表1可以看出，获得相对较为稳定的参变量主要有所有制结构、创新资金投入，这就充分说明了在我国制造业获取外部融资谋求发展的过程中，制造业企业自身的所有制类型对于整个融资与生存抗风险具有重要作用，而创新资金投入则进一步约束并影响着我国制造业企业再进一步获取外部融资的生存风险，因此，应尽快利用再生产推进自我内部的创新。

而根据前述设定，将验证制造业外部融资与生存风险的核函数进行期初与之后期参数的最优化选择，其中上述式（4）以调整后优化混合核函数的基本多项式为：

其所表达的是符合修正混合核函数支持向量机变量累积条件向优化精度曲面趋近，按照样本原始数据，以及每一个选定测度样本数据进行向量矩阵的全部微分，用各样本控制变量测试不同参变量选取对应的微分值，以微分值大小排序不同参变量对制造业外部融资与其生存风险之间的联系。经验证，上述式（11）的线性向量精度控制为0，制造业外部融资在所选变量中获得了部分指标对制造业外部融资的生存风险线性解释能力。且对应最优参数为1，扰动项波动均化为0.00001，调整后容量为260，由此可以求得制造业外部融资与生存风险线性关联临界系数为0.0023412。这就说明根据前述未退出制造业参与外部融资行为主体每获得一个百分比的外部融资增幅，可以形成0.2%以上的外部融资与风险生存关联关系趋近。通过所获训练样本转化为修正后混合核函数的生存风险信号指示条件，由此可以通过SVM获得对应制造业外部融资的优化指标标准为：

结合式（12）进行相应的修正混合核函数与生存风险的测试相对误差。从表1可以看出，整个修正混合核函数的规模、所有值类型对应为正向信号，而测试结果达到了1%级别的结合精度，且相对误差也保持在1%的精度级别，其所对应的相对误差与也都保持了1%精度水平。这就说明，制造业在进行外部融资过程中利用创新资金投入追加和资本累计可以获得自身获取外部融资的能力改善；从表2可以看出，生产规模一项，报告了0.914的5%显著性检验结果，尽管不如创新资金投入追加和资本累积两类指标对制造业外部融资的生存风险解释能力，但其稳健性标准误差为0.1021，说明制造业外部融资对其生存风险的控制受到生产规模较高的间接传递作用；而创新资金投入追加达到10%显著性水平下的0.675，资本累积达到了10%显著性水平下的0.871，证实了制造业在进行外部融资过程中，可以较为显著地改进产业抗风险生存能力。

表2　混合核函数SVM的制造业外部融资生存风险关联

3．3　制造业外部融资与生存风险评估差异因素分析

从上述验证分析接过来看，创新资金投入的追加和资本累积对于制造业外部融资的生存风险关联作用是显著的。结合上述混合核函数的SVM精度趋近调整关联，可以看出生产规模按照大型制造业以及中小型制造业显示出了不同层次的显著关联性（表3），其中生产规模的大型制造业在5%的0.898，中小型企业在10%显著性水平的0.729，这就证实了近年来中小型制造业企业在其外部融资过程中通过创新竞争获得了较稳定的融资后生存风险控制与抵御。而相比之下，基于基础混合核函数SVM变量测定的制造业外部融资与生存风险关联，精度改进后的修正混合核函数在生产规模一类指标中获得的分规模类型显著性检验结果分别为1%水平下的0.602和0.631，低于这一检验模式下的综合显著性水平检验结果（1%下的0.8351)。而所有制形式相比基础混合核函数SVM变量测定的制造业外部融资与生存风险关联，降低了关联解释精度，但其稳健性标准误差提高了，由此说明不同规模的制造业企业在获取外部融资的过程中仍然与不同所有制类型有紧密关联。

4　结束语

本文利用混合核函数进行初选指标的评估赋分与标准化比例精度优化对比，从而从制造业产业自身的规模、资本累积等角度，以及外部的政府支持选择指标，测度制造业外部融资对其造成的生存风险影响。验证结果表明，基于混合核函数的指标选取在结合支持向量机的精度优化基础上，可以实现所选指标与评估赋分的精度曲面高效趋近，而经过精度优化的混合核函数SVM调整证实了生产规模对制造业外部融资的生存风险关联显著性解释精度不高，但其获得了相应显著性水平下的稳健性标准误差。创新资金投入追加与资本累积对制造业外部融资的生存风险显著关联解释，相对于资本累积，创新资金投入追加对于大型制造业以及中小型制造业的关联显著性具有更高的解释贡献，通过自身的资本累积一方面可以提升制造业外部融资后自身独立运营抵御风险的能力，而进行有力的技术创新形成效率提升前提下的外部融资利用率是提升制造业外部融资生存风险的关键。

表3　精度优化后制造业外部融资生存风险的混合核函数关联

参考文献：

[1]Tripathy B K,Gurumurthy S.Classification and Analysis of EEG Brain Signals for Finding Epilepsy Risk LevelsUsing SVM[J].World Applied Sciences Journal,2015,33(3).

[2]Mackrell S V M,Kotelnikova Y,Jordan P L,et al.The Role of Pubertal Development in Emerging Depression Risk in Middle Childhood[J].Personality&Individual Differences,2016,(98).

[3]石大林，何晓峰，李天慧.公司治理机制、替代效应与风险承担[J].贵州财经大学学报,2015,33(1).

[4]沈沛龙,周浩.基于支持向量机理论的中小企业信用风险预测研究[J].国际金融研究,2010,(8).

[5]黄超,韩婷婷,吴芃等.基于双正交小波混合核KPCA-SVM财务危机预警研究[J].系统管理学报,2015,(1).

[6]唐奇,王红瑞,许新宜等.基于混合核函数SVM水文时序模型及其应用[J].系统工程理论与实践,2014,34(2).

[7]曹献飞,于诚.外部融资约束加剧了企业生存风险吗?——基于Cox比例风险模型的经验分析[J].中央财经大学学报,2015,(9).

[8]陈勇兵,蒋灵多.外资参与、融资约束与企业生存——来自中国微观企业的证据[J].投资研究,2012,(6).

[9]张晓芳,戴道明.基于支持向量机的互联网金融客户信用风险研究[J].平顶山学院学报,2016,31(2).

[10]张奇,胡蓝艺,王珏.基于Logit与SVM的银行业信用风险预警模型研究[J].系统工程理论与实践,2015,(7).

[11]张亮,张玲玲,陈懿冰等.基于信息融合的数据挖掘方法在公司财务预警中的应用[J].中国管理科学,2015,23(10).

[12]张贵生,张信东.基于时间相关性的股票价格混合预测模型[J].经济问题,2015,(9).