基于BP神經網絡的企業賒銷風險評估研究

摘要：結合賒銷風險的特征，提出將“賒銷風險度”作為新的賒銷風險度量標準，在此基礎上將企業賒銷風險劃分為5個等級，并將BP神經網絡引入賒銷風險評價，建立了基于BP神經網絡的企業賒銷風險評價模型。實證結果表明，該模型是有效且可行的。

關鍵詞：賒銷風險度；客戶信用；BP神經網絡；風險評價

中圖分類號：F270文獻標志碼：A文章編號：1673-291X（2011）04-0050-03

引言

賒銷風險就是基于信用銷售以后所產生的對未來的不確定性風險，表現為賒銷客戶由于各種原因，不愿意或無力償還賒銷貨款，使企業貨款無法回收，形成呆賬的可能性[1]。在賒銷過程中，客戶一般并不提供實質性擔保，因此，企業面臨的賒銷風險也隨之增加。近年來，一些企業經營陷入困境而使得供應鏈上的其他企業因賒銷貨款無法正常回收也相繼陷入停產和破產危機，這些實例就是最好的佐證。因此，探尋和建立行之有效的賒銷風險評估方法就彰顯出其重要意義。

本文從賒銷風險評價的目的出發，提出了基于賒銷風險度的賒銷風險度量標準。同時，將BP神經網絡引入賒銷風險評價，建立了基于BP神經網絡的企業賒銷風險評價模型。實證分析結果表明，該模型是有效可行的。

一、賒銷風險的度量標準及評價指標體系

1.基于賒銷風險度的賒銷風險度量標準。在綜合考慮賒銷風險的實質和不確定性的基礎上，本文提出將“賒銷風險度”作為一種新的賒銷風險衡量標準。賒銷風險度是一種以測度賒銷風險暴露程度（賒銷貨款安全系數）為核心的賒銷風險衡量標準，它是指對客戶開展賒銷業務中，在特定的交易方式下，該客戶由于各種原因，不愿意或無力償還賒銷貨款而使貨款將來形成呆死賬的可能性。具體計算公式為：

di=1-rt

其中，di為某一客戶i進行賒銷的賒銷風險度；rt為客戶i的當期貨款回收率；m為考核的回收期 [2]。這一標準的優越性可見文獻[2] 。

2.基于賒銷風險度的賒銷風險等級劃分。鑒于目前銀行業中運用比較成熟的五級信用分類制度在國內經濟生活中的普及性，論文根據賒銷風險度的大小將賒銷風險分為5個等級，各等級對應的標準及賒銷客戶特征（見表1） [3]。

3.賒銷風險評價指標體系。論文采用理論與實證相結合的方法確定賒銷風險評價指標體系，首先結合相關文獻和作者賒銷實踐，提出17項初始指標，然后用專家打分法和實證分析兩種方法對初始的指標體系進行篩選，最終確定12項指標（見下頁表2），具體分析過程略。

二、基于BP神經網絡的賒銷風險評價模型

目前對于賒銷風險評價研究尚少，且賒銷風險評價是復雜非線性的多因子綜合系統，具有模糊、不確定等特性，適合采用結構簡單、具有非線性擬合能力的神經網絡。基于以上考慮，論文將比較成熟的BP神經網絡用于賒銷風險評價，構建神經網絡五級分類風險評價評估模型，為賒銷風險管理提供一個全面的視角。

本文建立的BP神經網絡模型（如圖1所示）[4]。

圖1BP神經網絡模型

該模型分為兩大模塊：前一部分是歸一化模塊，這一部分主要核心技術是將原始數據轉化為［0，1］區間的標準化數據；后一部分是BP神經網絡（BPNN）模塊。上述模型中的BPNN模塊采用三層BP神經網絡。該網絡包括三層：輸入層、隱層和輸出層。

應用上述模型進行賒銷風險評價的步驟為：

1.指標歸一化。由于神經網絡的輸入要求在[0，1]區間，因此，在網絡學習訓練前首先要將各評價指標的原始數據進行歸一化。由于論文本文中的12個評價指標既有定量指標，也有定性指標，它們的標準化方法是不同的。

定量指標的標準化：

定量指標分為兩類：成本型（越小越好）和效益型（越大越好）。對于指標Fi，設其論域為di=[mi，Mi]，其中mi和Mi表示Fi的可能最小、最大值，Si∈[0，1]是定義在論域di上的標準化函數。以下是兩種指標的標準化函數[5]：

成本型：Si=0xi≤mixi∈di1xi≥Mi

效益型：Si=1xi≤mixi∈di0xi≥Mi

定性指標的標準化：

根據定性指標取值，其標準化規則（見表3）。

2.網絡訓練。原始數據經過預處理后送入歸一化模塊，根據輸入信號按上一節的規則進行歸一化，得到12個歸一化值，然后，這些歸一化值被送入BPNN模塊。由以上分析可知，BPNN模塊輸入層的神經元數為12，即輸入信號x1，x2，…，x12對應于12個歸一化值；輸出神經元數為1，即輸出量O對應于賒銷風險水平。

神經網絡的學習過程也就是網絡參數修正的過程，本系統的網絡學習采用有教師的方法，網絡參數的修正采用梯度法實現。設現已有p個系統樣本數據[6～7]：

{a，Oa}，（a=1，2，…，p）

式中，上標a表示樣本序號；a為樣本輸出，Oa為實際輸出。xai（i=1，2，…，12）為輸入變量，則輸入變量將按下式分配到隱層的第m個神經元，作為其輸入x′m

x′m=wimxai （1）

式中，wim是輸入層神經元i與隱層神經元m的權值。隱層神經元m的輸出O′m是其輸入x′m的函數，即：

O′m=F（xai）（2）

BP神經元的傳遞函數F（x）通常為對數Sigmoid函數。同理也可以計算輸出層各個單元的輸入和輸出，這里不作詳細敘述。

通過一定數量的網絡訓練過程，實際是修正網絡參數以確定最適宜的權值使對全部n個樣本的輸入，按式（1）、（2）的正向運算得到的實際輸出Oa與a期望輸出（樣本輸出）的殘差達到最小，即：

→ E=（Oa-a）2最小 （3）

權值及閥值的修正通過反向傳播算法的梯度法實現，具體過程略。

3.模型驗證。將n-p個驗證樣本的輸入矢量x*v=（x*p+1，x*p+2，…，x*n）置于網絡中，進行仿真預測，得到預測輸出矢量，檢驗與輸出矢量與實際結果的差異以檢驗網絡推廣能力。

4.模型確定。如果驗證通過，說明所建網絡泛化能力較強，可用于未來賒銷企業風險評級；否則，通過調整訓練樣本P的大小、隱節點數、訓練周期、目標誤差等重建網絡。

5.訓練結果分析。評級模型確定后，就可以直接用于企業賒銷風險評價輸出衡量企業賒銷風險等級的評價值α，該值的范圍為［0，1］，按照設定賒銷風險等級，各個等級輸出分值范圍為：

一級：分值范圍為0

二級：分值范圍為0.05

三級：分值范圍為0.15

四級：分值范圍為0.3

五級：分值范圍為0.5

這樣可以從網絡輸出值中明確得出企業賒銷風險等級。

三、實證分析

選取東、中和西部地區賒銷客戶五級分類樣本426家，這些樣本的數據是2007年度的相關數據。從每個風險等級樣本中隨機選取290家企業作為模型訓練樣本，其余的136家企業作為檢驗樣本。

將訓練樣本按照標準化準則進行標準化，建立Matlab訓練模型。模型輸入神經元個數為12，輸出為5，規則層神經元采用tansig型函數，而輸出層神經元則采用purelin型函數。經過7614步迭代，BPNN模型收斂，誤差最小。將136家五級分類檢驗樣本輸入到以上訓練好的神經網絡中進行判別，模型總體預測精度（見表4）。從表4可以看出，模型的總體正確率為88.23%，這表明該模型是有效的。

表4模型對檢驗樣本總體判斷結果

注：括號外的數字為被錯誤分為該類的樣本數，括號內的數字為該正判樣本數占所屬類樣本總數的百分比。

結論

當前提出的許多衡量賒銷風險的方法，都缺乏可操作性，因此不能應用企業數據進行驗證分析，這也就失去了研究的現實意義。為此，本文提出了一種基于“賒銷風險度”的賒銷風險度量標準，并在此基礎上將企業賒銷風險劃分為5個等級，并建立了基于BP的企業賒銷風險評價模型。實驗結果表明，該模型是有效且可行的。

參考文獻：

[1]文彬.民營企業商業交易中的賒銷制度研究[J].學術研究，2009，(4):40-45.

[2]吳玉萍，基于支持向量機的企業賒銷風險評估模型[J].軟科學，2009，(6):130-133.

[3]薛鋒，柯孔林.粗糙集神經網絡系統在商業銀行貸款五級分類中的應用[J].系統工程理論與實踐，2008，(1):40-45.

[4]蔡秋茹，羅燁.企業資信的BP神經網絡評估模型研究[J].計算機技術與發展，2009，(10):117-119.

[5]徐澤水.不確定多屬性決策方法及應用[M].北京:清華大學出版社，2004.

[6]Ahn B S，Cho S.The integrated methodology of rough set theory and artificial neural network for business failure predic[J].Expert Systems with Applications，2000，(2):65-74.

[7]劉春玲，劉萍，趙可新.基于BP神經網絡的企業信用評估系統研究[J].微計算機信息，2009，(9):117-119.

[責任編輯 吳高君]