供應鏈金融視角下的小微企業(yè)信用風險評價

1、供應鏈金融視角下的小微企業(yè)信用風險評價摘要：近年來，隨著小微企業(yè)融資難的問題日益凸顯，供應鏈金融作為新的融資渠道，正受到越來越多的重視，科學、準確的風險評價對控制供應鏈金融中的信貸風險至關重要。通過建立和完善小微企業(yè)信用風險評價指標體系，采用BP神經(jīng)網(wǎng)絡模型為小微企業(yè)信用風險評價開辟新途徑。BP神經(jīng)網(wǎng)絡是一種智能算法，它具有自我學習和自適應的特點。通過實例，分析和檢測了該BP神經(jīng)網(wǎng)絡模型，結(jié)果令人滿意。證明該模型確實可行，能夠應用于供應鏈中各小微企業(yè)的信用風險評價。關鍵詞：供應鏈金融；BP神經(jīng)網(wǎng)絡；小微企業(yè)；信用風險評價中圖分類號：TN911?34文獻標識碼：A文章編號：1004?373X(2

2、014)12?0032?05Abstract:Moreattentiontosupplychainfinanceasanewformoffinancingchannelispaidwiththeincreasinghighlightofthefinancingdifficultyofsmallandmedium?sizedenterprises(SMEs).Itiscrucialforscientificandaccurateriskassessmenttocontrolthecontrolofthecreditriskofsupplychainfinance.BPneuralnetworkm

3、odelisusedtoopenupanewwayforcreditriskassessmentofSMEsbasedontheestablishmentandimprovementofanindexsystemofcreditriskevaluationforSMEs.BPneuralnetworkmodelisasmartalgorithmwithself?learningandadaptivecharacteristics.TheBPartificialneuralnetworkmodelwasanalyzedanddetectedinapracticalcase.Thefeasibil

4、ityofthemodelwasproved.Theresultissatisfactory.ThemodelcanbeusedtoassessSMEscreditriskinthesupplychain.Keywords:supplychainfinance;BPneuralnetwork;SME；creditriskassessment。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，專家對供應鏈金融（SCF）的定義如下2:基于對供應鏈交易細節(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

5、應鏈金融對單個企業(yè)或多個企業(yè)提供全方位的金融服務。由于小微企業(yè)融資租賃業(yè)務在銀行所有業(yè)務中占的比例很小，再加上供應鏈融資模式剛剛興起，目前還沒有建立完善的針對供應鏈里小微企業(yè)的信用風險評價指標體系3。為了能夠適時、動態(tài)、準確地評價和監(jiān)控小微企業(yè)融資過程的風險，本文建立一套全面的指標體系對小微企業(yè)信用風險進行評價，以建立企業(yè)、銀行和供應鏈之間良性發(fā)展的產(chǎn)業(yè)生態(tài)4。目前傳統(tǒng)的風險評價方法包括主成分分析法、層次分析法和模糊數(shù)學法等。但是以上方法均存在下列不足：評價的權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習、自適應能力特點的基于BP神經(jīng)網(wǎng)絡的風險評價方法。1人工

6、神經(jīng)網(wǎng)絡對小微企業(yè)進行信用評價時，仍然沿襲過去單一考慮融資個體，忽略供應鏈金融中供應鏈的大環(huán)境。1.1 人工神經(jīng)網(wǎng)絡人工神經(jīng)網(wǎng)絡(ArtificialNeuralNetworks,ANN),簡稱神經(jīng)網(wǎng)絡(NeuralNetworks,NN),是受生物神經(jīng)網(wǎng)絡的啟發(fā)，通過對人腦進行簡單抽象和模擬對人腦系統(tǒng)的一定特性做由描述，由大量與自然神經(jīng)細胞相似的簡單處理單元一一神經(jīng)元相互連結(jié)而形成的非線性系統(tǒng)5o神經(jīng)網(wǎng)絡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)絡是通過人腦的思維模式進行學習和適應，具有較好的非線性逼近、學習以及自適應能力，止匕外，還具備一定的存儲以及容錯特性，

7、對處理模糊性、數(shù)據(jù)信息量大的復雜問題具有較好的適用性。1.2 BP人工神經(jīng)網(wǎng)絡BP神經(jīng)網(wǎng)絡(Back?Propagation)是1986年由Rumelhart等人提曲5,是一種按誤差逆向傳播算法訓練的多層前饋網(wǎng)絡，是目前最廣泛應用的神經(jīng)網(wǎng)絡模型之一。BP神經(jīng)網(wǎng)絡算法的學習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)隱含層傳向輸由層，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。當在輸生層不能得到期望的輸生信息，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，將信息的輸生誤差以莫種形式從隱含層傳向輸入層，并將這種誤差分攤給各層的神經(jīng)元單元，

8、根據(jù)各層單元的誤差信號不斷修正各單元的權值，調(diào)整網(wǎng)絡的權值和閾值，最終使網(wǎng)絡的誤差平方和最小。一個三層的BP網(wǎng)絡模型，包括輸入層(InputLayer)、隱含層(HideLayer)和輸由層(OutputLayer)。其中X=(x1,x2,，xn)為BP網(wǎng)絡輸入層的輸入值，Y=(y1,y2,ym)為中間隱含層的輸由值，Z=(z1,z2,，zl)為輸由層的輸由值。V=(v1,v2,，vm)為輸入層到隱含層的連接權值，W=(w1,w2,，wl)為是對輸入層信息和隱含層信息進行連接的權重。9j為隱含層節(jié)點的臨界值，ek為輸由層節(jié)點的臨界值。期望輸生和實際輸由之間往往存在一定差距，利用它們之間的方差表

9、示誤差的大?。篍=12k=1l(yk-zk)2(1)具體的學習過程如下：(1)初始化神經(jīng)網(wǎng)絡各層之間的連接權值和神經(jīng)元的閾值，設定網(wǎng)絡基本參數(shù)，如學習步長、誤差精度等。準備輸入訓練樣本數(shù)據(jù)集合，并對指標進行標準化處理。(2)將取得的樣本數(shù)據(jù)輸入模型，并進行訓練。令xi為樣本數(shù)據(jù)集，vij是對輸入層和隱含層之間進行連接的權重信息，設定隱含神經(jīng)元的臨界值為6j,f?(x)是可以對神經(jīng)元的輸入信息和輸生信息進行轉(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)也有較高的適應能力，應用最為廣泛，其函數(shù)形式如式(2)所示

10、：(4)實際輸由值和期望輸由值之間往往存在差異，將二者之間的差值與預先設定的差值進行比較。如果計算的誤差值小于設定誤差，則回到步驟(2),選取下一個樣本進行訓練；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減小到設定水平，調(diào)整和修正網(wǎng)絡各層的連接權值。輸由層的連接權修正公式如下：(5)如果網(wǎng)絡的全局誤差小于設定誤差，則結(jié)束訓練。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、自學習能力、自適應能力、容錯性等優(yōu)點，因此被廣泛應用于神經(jīng)網(wǎng)絡中在現(xiàn)有研究中，BP神經(jīng)網(wǎng)絡或其推導形式是人工神經(jīng)網(wǎng)絡中應用最廣泛的方法之一6o2小微企業(yè)信用風險評價BP網(wǎng)絡模型2.1 小微企業(yè)信用

11、風險指標體系的建立在過去，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)的財務數(shù)據(jù)作由評估。這就存在著諸多問題，因為小微企業(yè)的財務數(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行科學的評價。供應鏈金融視角的思想是基于產(chǎn)業(yè)供應鏈企業(yè)之間的相關性特點，對企業(yè)的整條供應鏈運作情況進行評估，以便動態(tài)地評估信貸項目的真實風險。供應鏈金融中的利益相關主體包括7:供應鏈核心、核心企業(yè)上下游的小微企業(yè)、貸款銀行、以及相關的物流企業(yè)。其中銀行是融資服務供給方，供應鏈上下游小微企業(yè)是信貸需求方，供應鏈中的處于核心地位的企業(yè)能夠?qū)εc其相關的小微企業(yè)起到反擔保的作用。對核心企業(yè)進行評估，

12、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。銀行在重點考察小微企業(yè)的授信資質(zhì)的同時，更關注核心企業(yè)資質(zhì)、融資項目的特征以及整條供應鏈的運營情況。依據(jù)指標設計的原則和方法，在大量文獻研究和專家調(diào)查的基礎上，建立了供應鏈金融視角下小微企業(yè)信用風險評價的指標體系。評價體系分4大類，共計25個指標。指標體系及評分準則如表1所示。2.2 小微企業(yè)信用風險BP網(wǎng)絡模型的設計BP神經(jīng)網(wǎng)絡的關鍵是確定網(wǎng)絡的層級數(shù)目以及各個層級的神經(jīng)元的數(shù)目。有學者研究表明，具有4層結(jié)構(gòu)的BP網(wǎng)絡具學習性較好9。因此，本文利用4層級BP網(wǎng)絡結(jié)構(gòu)進行訓練，4層級

13、包括輸入數(shù)據(jù)層、兩個中間隱含層和輸生數(shù)據(jù)層。(1)輸入層單元數(shù)根據(jù)建立的指標體系，將25個指標值作為網(wǎng)絡輸入，由于本模型中涉及的指標體系既有定量指標，又有定性指標，所以在進行輸入節(jié)點輸入時，先將指標根據(jù)表1中的評分規(guī)則進行轉(zhuǎn)換，以便于網(wǎng)絡模型的應用。(2)隱含層單元數(shù)在實際應用中，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)過反復試驗來確定10?11o隱含層單元數(shù)可通過式(14)式(16)來確定：本文通過設計一個隱含層神經(jīng)元可變的BP神經(jīng)網(wǎng)絡，以確定最佳的隱含層單元數(shù)。(3)輸由層單元數(shù)通過BP網(wǎng)絡模型輸由的節(jié)點即為判斷的依據(jù)，BP神經(jīng)網(wǎng)絡的輸由值是一個0,1之間的數(shù)值，該數(shù)值即表示風

14、險的大小。該數(shù)值越高表明信用的風險越大。(4)訓練函數(shù)的選擇BP神經(jīng)網(wǎng)絡的訓練函數(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)的訓練收斂速度最快，平均誤差最小12。3應用實例3.1 BP模型的訓練本文從RESSET金融數(shù)據(jù)庫中篩選由供應鏈特征明顯的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軟件進行模擬仿真，選取115組的信息作為模型的訓練樣本，以后面1519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。設定學習速率為0.05,誤差為0.01c3.2

15、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)果與專家給生的預期結(jié)果就有較高的一致性，誤差為0.0058在設定范圍以內(nèi)，滿足要求。因此，該本模型具有較高的實用性和科學性。利用該模型對最后一組數(shù)據(jù)進行評價，得由的數(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)的信用風險等級一般，需要對其加強風險管控。表3網(wǎng)絡監(jiān)測結(jié)果與評估結(jié)果的比較4結(jié)語供應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險體系和科學的風險評價方法，同時受以往風險評價模式的影響，在對小微企業(yè)進行信用評價的時候，并未真正將其置于供應鏈的環(huán)境中，所

16、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、合理地評價供應鏈中小微企業(yè)的信用風險，才能有效控制銀行的風險，同時真正地拓寬小微企業(yè)的融資渠道，實現(xiàn)雙贏。本文在研究基礎上，建立的全面的信用風險評價體系，并通過BP神經(jīng)網(wǎng)絡小微企業(yè)的風險進行評價。通過實例訓練網(wǎng)絡，對該模型進行驗證檢測，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，可能導致網(wǎng)絡訓練不夠充分；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1 WUYing?jing,LIYong?jian,LIPing.SMEs

17、'financingdecision:basedonthesupplychainfinanceC/Proceedingsof20129thInternationalConferenceonServiceSystemsandServiceManagement.S.l.:ICSSSM,2012:248?252.2深圳發(fā)展銀行？中歐國際工商學院“供應鏈金融”課題組.供應鏈金融M.上海：上海遠東由版社，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)績相關性研究J.中國軟科學，2003(5):81?85.4何濤，翟麗.基于供應鏈的小微企業(yè)融資模式分析J.物流科技，2007(5)

18、:87?91.5RUMELHARTDE,HINTONGE,WILLIAMSRJ.LearninginternalrepresentationsbyerrorpropagationM/ParallelDistributedProcessing:ExplorationsintheMicrostructureofCognition,Volume1.MA,USA:MITPress1986:318?362.6蔣宗禮.人工神經(jīng)網(wǎng)絡導論M.北京：高等教育由版社，2008.7BERNABUCCIBob.Helpingcustomerscurecash?flowillsthroughbettersupplychainmanagementJ.TheSecuredLender,2005,11:36?39.8劉曉敏.基于BP神經(jīng)網(wǎng)絡的股指預測系統(tǒng)D.大連：大連理工大學，2012.9楊彩霞，徐渝，楊青.航天項目風險指標體系的分析與構(gòu)建J.航天工業(yè)管理，2003,