決策樹技術(shù)在物流金融信用風(fēng)險(xiǎn)中的應(yīng)用

1、決策樹技術(shù)在物流金融信用風(fēng)險(xiǎn)中的應(yīng)用邵梅;蔣禮仁【摘要】物流金融是一種新型的融資模式,不僅可以增加物漉企業(yè)的利潤來源，解決 中小企業(yè)融資難問題，還可以提升銀行的市場(chǎng)競(jìng)爭力.但是，這種新興的業(yè)務(wù)在給銀行 提供諸多利益的同時(shí)，也帶來了一定的信用風(fēng)險(xiǎn)通過決策樹技術(shù)在物流金融信用風(fēng) 險(xiǎn)分類中的應(yīng)用，可以將客戶歸入不同的類別，對(duì)銀行等金融機(jī)構(gòu)進(jìn)行信貸決策有所 幫助.【期刊名稱】物流科技【年(卷)，期】2015(038)004【總頁數(shù)】4頁(P90-93) 【關(guān)鍵詞】物流金融;信用風(fēng)險(xiǎn);決策樹 【作者】邵梅;蔣禮仁【作者單位】西南交通大學(xué)交通運(yùn)輸與物流學(xué)院，四川成都610031;東莞市城建規(guī)劃設(shè)計(jì)院，廣東

2、東莞523129【正文語種】中文【中圖分類】F275.60引言中小企業(yè)的蓬勃發(fā)展已經(jīng)成為推動(dòng)中國經(jīng)濟(jì)向前的重要力量。但是，由于國家政策 的傾斜、中小企業(yè)自身規(guī)模等原因，資金瓶頸問題已經(jīng)成為其發(fā)展道路的主要障礙。 中小企業(yè)具有信用等級(jí)較低、固定資產(chǎn)所有權(quán)不明確、融資抵押物和擔(dān)保匱乏等特 點(diǎn)。銀行等金融機(jī)構(gòu)為控制貸款風(fēng)險(xiǎn)僅以固定資產(chǎn)抵押擔(dān)保方式為中小企業(yè)提供貸 款服務(wù)，幾乎不對(duì)其做信用貸款。那么，如何解決中小企業(yè)融資困境呢？解決中小 企業(yè)融資問題的核心在于金融創(chuàng)新。物流金融通過引入物流企業(yè)，優(yōu)化了銀行和企 業(yè)間的信息不對(duì)稱所帶來的逆向選擇和道德風(fēng)險(xiǎn)問題，使得銀行對(duì)中小企業(yè)授信的 收益成本得到明顯改

3、善。物流金融是金融服務(wù)和物流服務(wù)相互集成的創(chuàng)新綜合服務(wù)。浙江大學(xué)經(jīng)濟(jì)學(xué)院的唐 元琦和鄒小苴（2004）首次提出了物流金融的概念，他們認(rèn)為物流金融就是面向 物流業(yè)的運(yùn)營過程，通過開發(fā)、提供和應(yīng)用各種金融服務(wù)和金融產(chǎn)品，有效地組織 和調(diào)劑物流領(lǐng)域中的信用和資金的運(yùn)動(dòng)，達(dá)到物流、信息流和資金流的有機(jī)統(tǒng)一。 物流金融不僅能提高第三方物流企業(yè)的競(jìng)爭力、創(chuàng)造新的利潤增長點(diǎn)，還能夠拓寬 金融機(jī)構(gòu)的業(yè)務(wù)范圍、提升利潤空間，更能解決中小企業(yè)長期面臨的融資難問題。 物流金融作為一項(xiàng)較新的金融業(yè)務(wù)模式，在實(shí)現(xiàn)銀行、物流企業(yè)和中小企業(yè)三方共 贏的同時(shí)也給銀行帶來了各種各樣的風(fēng)險(xiǎn)，比如信用風(fēng)險(xiǎn)、市場(chǎng)風(fēng)險(xiǎn)、操作風(fēng)險(xiǎn)以 及

4、流動(dòng)性風(fēng)險(xiǎn)等。信用風(fēng)險(xiǎn)是指交易一方不能履約或不能完全履約而給另一方帶來 的風(fēng)險(xiǎn)，是最主要的風(fēng)險(xiǎn)，主要來源于委托人和代理人之間的信息不對(duì)稱。從信用 風(fēng)險(xiǎn)產(chǎn)生的主體來看，融資企業(yè)是最主要的風(fēng)險(xiǎn)來源。因此，如何識(shí)別融資企業(yè)的 信用好壞，對(duì)銀行等金融機(jī)構(gòu)來說就顯得尤其重要。隨著信息技術(shù)在物流企業(yè)的普 及，大量的數(shù)據(jù)被存儲(chǔ)，這些數(shù)據(jù)中隱藏了眾多信息和關(guān)鍵業(yè)務(wù)模式，決策樹等數(shù) 據(jù)挖掘技術(shù)可以從這些數(shù)據(jù)中提取出潛在的有用信息和知識(shí)。把決策樹等數(shù)據(jù)挖掘 技術(shù)應(yīng)用到物流金融領(lǐng)域，對(duì)海量物流數(shù)據(jù)信息進(jìn)行處理、分析和優(yōu)化，可以充分 挖掘出這些信息潛在價(jià)值，從而有利于銀行等金融機(jī)構(gòu)對(duì)需要融資的中小企業(yè)的信 用進(jìn)行分類

5、，識(shí)別出具有良好信用融資企業(yè)的特征屬性，為信用風(fēng)險(xiǎn)的防范提供參 考依據(jù)。1物流金融研究現(xiàn)狀物流金融起源于物資融資業(yè)務(wù)。國外物流和金融的結(jié)合可以追溯到公元前2400年 美索不達(dá)米亞的谷物倉單”。國內(nèi)關(guān)于物流金融的研究起步相對(duì)較晚，1987年 陳淮提出了關(guān)于構(gòu)建物資銀行的設(shè)想，但由于種種原因，這一設(shè)想沒有被充分發(fā)現(xiàn) 和認(rèn)識(shí)。隨后又出現(xiàn)了物流銀行、倉單質(zhì)押、融通倉、金融物流等概念。儲(chǔ)雪儉等提出目前我國金融物流信貸風(fēng)險(xiǎn)防范中的四個(gè)主要難點(diǎn)，并給予了相關(guān)的 對(duì)策建議。孫穎對(duì)物流金融的業(yè)務(wù)風(fēng)險(xiǎn)、宏觀環(huán)境風(fēng)險(xiǎn)和法律風(fēng)險(xiǎn)進(jìn)行了分析，提 出了相關(guān)的風(fēng)險(xiǎn)管理建議。王元元認(rèn)為物流金融業(yè)務(wù)中進(jìn)行融資的中小企業(yè)是銀行

6、最主要的信用風(fēng)險(xiǎn)來源，其次，物流企業(yè)也是銀行面臨的信用風(fēng)險(xiǎn)來源。隨著定性研究的逐步深入，定量研究開始出現(xiàn)。潘永明從物流金融運(yùn)營狀況、第三 方物流企業(yè)綜合實(shí)力、中小企業(yè)綜合實(shí)力和行業(yè)狀況四個(gè)方面對(duì)物流金融信用風(fēng)險(xiǎn) 的影響因素進(jìn)行分析，建立了物流金融信用風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系。劉哲等利用模糊層 次綜合法從企業(yè)基本特征、財(cái)務(wù)能力、貨物風(fēng)險(xiǎn)、履約能力、發(fā)展?jié)摿Φ任鍌€(gè)方面 構(gòu)建物流金融信用評(píng)價(jià)指標(biāo)體系，并對(duì)這些指標(biāo)因素進(jìn)行細(xì)分，建立了三級(jí)四層的 指標(biāo)評(píng)價(jià)體系。何明珂運(yùn)用BP神經(jīng)網(wǎng)絡(luò)評(píng)估模型以及Matlab軟件將某一項(xiàng)具體 的物流金融業(yè)區(qū)分為高、中、低三種風(fēng)險(xiǎn)。綜上所述，國內(nèi)對(duì)物流金融的研究多集中在物流金融基本

7、知識(shí)、風(fēng)險(xiǎn)種類及防范和 信用評(píng)價(jià)指標(biāo)體系建立等方面。2決策樹技術(shù)數(shù)據(jù)挖掘（Data Mining，DM）就是從大量的、不完全的、有噪聲的、模糊的、 隨機(jī)的數(shù)據(jù)中，提取隱含在其中的、人們事先不知道的、但又是潛在的有用信息和 知識(shí)的過程。數(shù)據(jù)挖掘又稱數(shù)據(jù)庫知識(shí)發(fā)現(xiàn)。決策樹是數(shù)據(jù)挖掘諸多技術(shù)和方法中 常見的一種，它的優(yōu)勢(shì)在于通過對(duì)已知類別訓(xùn)練集的分析，可以提取出有價(jià)值的分 類規(guī)則，從而對(duì)新數(shù)據(jù)的類別進(jìn)行預(yù)測(cè)，給決策者提供一定的參考。ID3算法是基于決策樹的挖掘算法，以信息增益作為屬性測(cè)試，并選取具有最高增 益的屬性值作為分裂屬性，自頂向下地構(gòu)建決策樹，直到不能再劃分為止。ID3算 法的核心問題是如何

8、選取決策樹的每個(gè)節(jié)點(diǎn)要測(cè)試的屬性。設(shè)S是s個(gè)樣本數(shù)據(jù)的集合，將樣本劃分為m個(gè)不同類Ci（i = 1,.,m）的信息熵 按式（1）計(jì)算（其中pi是任意樣本屬于Ci的概率）：假設(shè)屬性A作為決策樹的根節(jié)點(diǎn)，屬性A具有v個(gè)不同取值，把數(shù)據(jù)集S劃分成 v個(gè)子集S1,S2,.,Sv ，根據(jù)屬性A劃分成的子集熵按式（2）計(jì)算：信息增益為原來的信息需求（基于類比例）與新的信息需求（對(duì)A劃分之后得到 的）之間的差，即式（3）:3算例研究決策樹技術(shù)應(yīng)用于物流金融信用風(fēng)險(xiǎn)中的基本思路是：根據(jù)已知樣本和原始信用評(píng) 價(jià)狀態(tài)，發(fā)現(xiàn)貸款企業(yè)信用狀態(tài)與其某些特征屬性之間的關(guān)系，進(jìn)而通過對(duì)這些企 業(yè)屬性的具體觀察值，對(duì)其信用狀

9、況進(jìn)行預(yù)測(cè)。本文利用ID3算法給出某物流企 業(yè)的具有高還款風(fēng)險(xiǎn)客戶的特征屬性，為銀行等金融機(jī)構(gòu)進(jìn)行風(fēng)險(xiǎn)控制提供參考依 據(jù)。3.1數(shù)據(jù)選擇和預(yù)處理。假設(shè)從某物流企業(yè)的數(shù)據(jù)庫中收集到的客戶信息有注冊(cè)方 式、信用等級(jí)、企業(yè)規(guī)模、企業(yè)性質(zhì)等。需要注意的是進(jìn)行相關(guān)分析的數(shù)據(jù)不是只 存儲(chǔ)在一個(gè)數(shù)據(jù)庫中，還可能存在于其它數(shù)據(jù)集中，要根據(jù)實(shí)際需要進(jìn)行相關(guān)的收 集整理。收集后的數(shù)據(jù)往往不能直接挖掘，需要進(jìn)行一定的選擇、清理、轉(zhuǎn)換和歸 納等預(yù)處理工作，數(shù)據(jù)預(yù)處理工作準(zhǔn)備是否充分，對(duì)于挖掘算法的效率乃至正確性 都有關(guān)鍵性的影響。ID3算法比較適合處理離散數(shù)值的屬性，表1中的注冊(cè)資本和銷售業(yè)績是連續(xù)屬 性，可以通過分

10、箱、直方圖分析、直觀劃分等離散方法將屬性的值劃分為幾個(gè)區(qū)間， 然后就可采用和離散值處理相同的方法。由于考慮的是一組具有高還款風(fēng)險(xiǎn)物流企 業(yè)的客戶的特征屬性，選取企業(yè)規(guī)模、企業(yè)性質(zhì)、企業(yè)地點(diǎn)、銀行資信等級(jí)和還款 風(fēng)險(xiǎn)屬性來進(jìn)行分類預(yù)測(cè)。3.2信息增益的計(jì)算。決策屬性為高還款風(fēng)險(xiǎn)和低還款風(fēng)險(xiǎn)，S1 （高還款風(fēng)險(xiǎn)） =8，S2 （低還款風(fēng)險(xiǎn)）=12,則信息熵I（ S1 ,S2）公司規(guī)模分為大型企業(yè)、中型企業(yè)、小型企業(yè)三組，在大型企業(yè)中具有高還款風(fēng)險(xiǎn) 屬性的企業(yè)有0個(gè)，具有低還款風(fēng)險(xiǎn)屬性的企業(yè)有6個(gè)，在中型企業(yè)中具有高還款風(fēng)險(xiǎn)屬性的企業(yè)有4個(gè)，還款風(fēng)險(xiǎn)低的企業(yè)有5個(gè)，則 信息熵=0.9911。在小型企

11、業(yè)中還款風(fēng)險(xiǎn)高的企業(yè)有4個(gè)，具有低還款風(fēng)險(xiǎn)屬性的企業(yè)有1個(gè)，則 信息熵為=0.7219。表1企業(yè)信息表企業(yè)規(guī)模企業(yè)性質(zhì)注冊(cè)資本/萬元企業(yè)地點(diǎn)銷售業(yè)績/萬元銀行 資信等級(jí)還款風(fēng)險(xiǎn)大型國有600上海100 A低中型國有150北京60 B高小型 夕卜資200成都50 C高小型合資550成都200 A低大型國有230上海30 B低 中型合資100北京45 A低小型合資600北京180 C高中型外資200上海60 C低大型合資700成都230 B低中型國有500成都130 A高中型國有630上 海65 C高中型外卜資200上海80 B低大型外卜資700成都220 B低中型合資 300成都310 C高中型

12、合資180上海55 A低中型合資250成都210 A低小型 國有750北京290 C高大型國有500北京70 C低中型外卜資340北京90 B高 大型合資650北京100 B低同樣，企業(yè)性質(zhì)分為國有企業(yè)、外卜資企業(yè)和合資企業(yè)：企業(yè)地點(diǎn)分為上海、成都、北京三個(gè)地方:銀行資信等級(jí)分為A,B,C三組：各屬性的信息增益：G（企業(yè)規(guī)模）=0.9710-0.6265=0.3445G（企業(yè)性質(zhì)）=0.9710-0.9121=0.0589G（企業(yè)地點(diǎn)）=0.9710-0.8846=0.0864G（銀行資信等級(jí)）=0.9710-0.7992=0.1718我們知道，信息增益越大，選擇測(cè)試屬性對(duì)分類提供的信息越多。

13、從上面計(jì)算出的 值可以看出具有高信息增益的屬性是企業(yè)規(guī)模，所以選擇企業(yè)規(guī)模為根節(jié)點(diǎn)。當(dāng)企 業(yè)規(guī)模都為大企業(yè)時(shí)，企業(yè)的還款風(fēng)險(xiǎn)低，當(dāng)企業(yè)規(guī)模為中型企業(yè)或者小型企業(yè)時(shí)， 企業(yè)的還款風(fēng)險(xiǎn)或者低或者高，沒有具體的特征屬性，所以可以繼續(xù)對(duì)屬性進(jìn)行分 類。對(duì)中型企業(yè)進(jìn)行分類：S1 （還款風(fēng)險(xiǎn)高）=4，S2 （還款風(fēng)險(xiǎn)低）=5G（企業(yè)性質(zhì)）=0.991-0.660=0.3311G（企業(yè)地點(diǎn)）=0.991-0.612=0.3791G（銀行資信等級(jí)）=0.991-0.988=0.0311對(duì)于中型企業(yè)來說，選擇屬性企業(yè)地點(diǎn)為節(jié)點(diǎn)進(jìn)行分類。類似，可以給小型企業(yè)選 擇信息增益最大的屬性作為節(jié)點(diǎn)進(jìn)行分類。經(jīng)過進(jìn)一步的分

14、類，得到如圖1所示 的決策樹。在這里，采用預(yù)剪枝的方法進(jìn)行剪枝，停止樹的增長，防治過度擬合。 3.3結(jié)果分析。由圖1可以得到如下規(guī)則：（1）如果公司規(guī)模是大型企業(yè)，則還 款風(fēng)險(xiǎn)低；(2)如果是中型公司且公司地點(diǎn)在上海，則還款風(fēng)險(xiǎn)低；(3)如果 公司是小型企業(yè)，則具有高還款風(fēng)險(xiǎn)。根據(jù)上述結(jié)論，具有高風(fēng)險(xiǎn)還款能力的是小型企業(yè)或地點(diǎn)在北京或者成都的中型企 業(yè)，還款風(fēng)險(xiǎn)低的是大型企業(yè)或在上海的中型企業(yè)。針對(duì)這種分類，銀行在對(duì)物流 公司進(jìn)行還款風(fēng)險(xiǎn)預(yù)測(cè)時(shí)，可以將主要精力集中在具有低還款風(fēng)險(xiǎn)特征屬性的物流 企業(yè)上。圖1決策樹4結(jié)束語隨著信息化水平的提高，銀行和物流企業(yè)都積累了各種各樣的數(shù)據(jù)，如何從大量的

15、數(shù)據(jù)中挖掘出潛在的應(yīng)用價(jià)值，有效地降低物流金融的信用風(fēng)險(xiǎn)是個(gè)值得探討的問 題。本文利用決策樹ID3算法對(duì)某物流企業(yè)客戶的高還款風(fēng)險(xiǎn)特征屬性進(jìn)行了挖 掘，能夠給銀行進(jìn)行信用風(fēng)險(xiǎn)分類預(yù)測(cè)時(shí)提供一些參考，克服人為經(jīng)驗(yàn)因素帶來的 不確定性，降低信用風(fēng)險(xiǎn)。需要指出的是，在實(shí)際應(yīng)用時(shí)，可以根據(jù)實(shí)際情況選擇 相應(yīng)的屬性進(jìn)行分類，以期找到更加符合現(xiàn)實(shí)情況的分類，為物流金融信用風(fēng)險(xiǎn)的 防范提供一定的科學(xué)依據(jù)?！鞠嚓P(guān)文獻(xiàn)】Jiawei Han Micheline Kamber.數(shù)據(jù)挖掘概念與技術(shù)M.范明，孟小峰,等譯.北京：機(jī)械工業(yè) 出版社，2006:128-137.陳祥鋒，石代倫，朱道立.金融供應(yīng)鏈與融通倉服務(wù)J.物流技術(shù)與應(yīng)用，2006(3):93-9