科技型中小企業(yè)融資信用風險評估研究

夏軼群++王圣權(quán)

【摘 要】 為了提高科技型中小企業(yè)融資信用違約風險評估的相對準確性和確定性，采用GA-PSO混合規(guī)劃算法構(gòu)建科技型中小企業(yè)融資信用風險評估模型。通過MATLAB R2014a對64家科技型中小企業(yè)進行模擬評估，并和專家預測法結(jié)果作對比，仿真結(jié)果表明，GA-PSO混合規(guī)劃算法模型簡單可行，可提高評價效率和準確性。對比研究也表明該模型同時集成了粒子群算法和遺傳算法的優(yōu)點，在收斂性和預測精度方面具有優(yōu)越性。

【關(guān)鍵詞】 科技型中小企業(yè)； 中小企業(yè)融資； 信用風險； GA-PSO混合規(guī)劃算法

【中圖分類號】 F272.3 【文獻標識碼】 A 【文章編號】 1004-5937（2016）16-0086-03

一、引言

由于科技型中小企業(yè)正在成為國民經(jīng)濟發(fā)展的重要力量，其融資，特別是技術(shù)融資問題也隨之成為關(guān)注的焦點。我國科技型中小企業(yè)融資難重要原因之一就是科技型中小企業(yè)技術(shù)融資信用風險難以測量和掌控。薛惠鋒等[1]認為金融機構(gòu)信用風險產(chǎn)生的原因是由于企業(yè)信用風險的存在，對企業(yè)信用風險的準確預測能有效地解決金融機構(gòu)面臨信用風險的尷尬處境。

目前，對科技型中小企業(yè)而言，信用風險評估的研究方法多樣，比如信用計量模型（Creditmetrics）、支持向量機、GA算法、GA-BP算法以及PSO-BP等。與統(tǒng)計模型相比，人工智能模型在評估非線性模型時具有更大的優(yōu)越性。竇文章等[2]在基于CreditMetrics模型評估中運用銀行信貸數(shù)據(jù)的一些核心參數(shù)來計算該銀行的風險等級，但此方法需要收集大量的數(shù)據(jù)，且需要對這些數(shù)據(jù)樣本選擇和處理。何澤恒和朱虹[3]構(gòu)建基于遺傳神經(jīng)網(wǎng)絡(luò)的商業(yè)銀行信用風險評估模型，但單獨運用遺傳算法（GA）所得到的結(jié)論往往誤差較大。李從剛等[4]提出P2P網(wǎng)貸市場信用風險評估指標體系，設(shè)計了基于BP神經(jīng)網(wǎng)絡(luò)的風險評估模型。然而，BP神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)的收斂速度慢、網(wǎng)絡(luò)的冗余性較大、網(wǎng)絡(luò)的學習和記憶具有不穩(wěn)定性等缺點。為了避免這些問題，陳云[5]提出了基于PSO—BP集成的企業(yè)信用風險評估模型，提高企業(yè)信用風險評估準確率。董槐林等[6]提出了一種基于PSO-BP神經(jīng)網(wǎng)絡(luò)的企業(yè)信用風險評估模型，相對解決了單獨運用BP神經(jīng)網(wǎng)絡(luò)評估信用風險時的不足之處。Xinli W.[7]為了克服傳統(tǒng)線性評價方法存在的不足，集成粒子群算法和遺傳算法，該模型具有簡單可行的特點。

事實上，早在1995年肯尼迪（Kennedy）和埃伯哈特（Eberhart）最先提出粒子群算法（PSO），其基本概念是基于對鳥群捕食行為進行的研究，后來又有許多專家學者對其進行大量的研究，由于粒子群算法添加了約束條件，使得其收斂速度更快，而且需要的用戶參數(shù)信息較少，應(yīng)用起來越發(fā)簡單便捷，現(xiàn)已經(jīng)成為解決優(yōu)化問題的研究熱點。隨著研究的不斷深入，后又對其改進、完善，并在遺傳規(guī)劃算法（GP）和粒子群算法（PSO）基礎(chǔ)上提出了GA-PSO算法。例如吳曉軍等[8]在表述固定長度線性時，將其變換成GP算法，優(yōu)化過程由確定的運算符融入PSO完成，這就是GA-PSO混合規(guī)劃算法。

綜上所述，在處理非線性的模型上，基于人工智能的GA-PSO方法顯然有助于提高評測。本文采用GA-PSO混合規(guī)劃算法，嘗試優(yōu)化科技新中小企業(yè)融資信用風險模型，以期使評估的結(jié)果更為精確可靠。

二、基本模型

本文基于GA-PSO混合規(guī)劃算法構(gòu)建科技型中小企業(yè)信用風險的優(yōu)化評估模型，主要步驟如下：第一，選取確定的科技型中小企業(yè)，針對評估機構(gòu)所評測的信用等級確切可靠的若干企業(yè)選??；第二，選取能反映中小企業(yè)的企業(yè)運營能力和對債務(wù)償還能力的若干指標；第三，科技型中小企業(yè)選取的評價指標與融資信用等級之間的關(guān)系通過GA-PSO混合規(guī)劃算法探究，并對其信用風險等級進行預測與評價。其基本函數(shù)表達式為：

C=f（x） （1）

其中C=[1，2，3，4，5]T，代表科技型中小企業(yè)信用風險級別。本文針對企業(yè)信用風險等級評價模型的理論研究，信用等級大致劃分為5級，用1、2、3、4、5表述。具體含義如下所述：

1表示科技型中小企業(yè)有充足的能力應(yīng)對當前債務(wù)，可以應(yīng)對外界突發(fā)的債務(wù)危機，信用狀況優(yōu)良，可隨即還清貸款。

2表示科技型中小企業(yè)對其債務(wù)狀況可以提供安全保障，通過內(nèi)部周轉(zhuǎn)能及時應(yīng)對外界突發(fā)債務(wù)危機，信用狀況良好，通過內(nèi)部周轉(zhuǎn)可還清貸款。

3表示科技型中小企業(yè)對當前債務(wù)有一定的安全保障，從長期來看，存在一定的不穩(wěn)定性，但是企業(yè)自身通過努力，可以還清貸款。

4表示科技型中下企業(yè)對債務(wù)狀況存在一定的信用風險，雖有還款意愿，但是還款能力有限。

5表示科技型中小企業(yè)對債務(wù)狀況的還款意愿不強，且企業(yè)自身還款能力較低，信用風險等級較高。

X表示科技型中小企業(yè)科技含量、債務(wù)償還能力和經(jīng)營狀況的指標，即X=[x1，x2，…，xn]T，x1，x2，…，xn表示具體指標值。探究C和X間的關(guān)系是該模型構(gòu)建的終極目標，即尋找f的具體形式。

三、指標與樣本選取

1.專利創(chuàng)新程度指標（x1）

x1=科技型中小企業(yè)專利持有量/行業(yè)專利總數(shù)量（2）

2.科研技術(shù)含金量指標（x2）

x2=科技型中小企業(yè)專利行業(yè)使用量/行業(yè)專利總數(shù)量

（3）

3.科研人數(shù)比例指標（x3）

x3=科技型中小企業(yè)科研人數(shù)總數(shù)/行業(yè)科研總?cè)藬?shù)

（4）

4.營運能力指標（x4）

x4=本期銷售收入/總資產(chǎn) （5）

5.償債能力指標（x5）

x5=（期末流動資產(chǎn)-期末流動負債）/期末總資產(chǎn)（6）

6.專家評估預測值Y

本研究在2014年深市中小企業(yè)板塊中隨機抽取科技型中小企業(yè)64家，作為本次信用風險評估樣本，其中測試樣本10家企業(yè)，訓練樣本54家企業(yè)。由金融機構(gòu)財務(wù)負責人、行業(yè)主管部門經(jīng)理和相關(guān)專業(yè)的高校專家教授組成的評估小組對抽取的各個企業(yè)進行信用等級評估，獲得確定Y值。同時按照標準化方式對2014年末該64家企業(yè)發(fā)布的企業(yè)年度報表進行標準化處理。

四、數(shù)據(jù)分析與模型檢驗

模型分析過程分為測試部分和訓練部分。訓練部分從64家樣本企業(yè)中隨機抽選54家進入貸款償還期的企業(yè)數(shù)據(jù)。利用多元回歸模型、GP算法以及GA-PSO混合規(guī)劃算法三種方法，比較構(gòu)建企業(yè)信用風險評估模型，從錯誤率、收斂性以及準確率方面就計算結(jié)果進行比較。就模型結(jié)果而言，錯誤率一般可以得出以下兩種錯誤結(jié)果，一種是對科技型中小企業(yè)融資信用風險等級作出低于實際的評價；另一種是對科技型中小企業(yè)融資信用等級作出高于實際的評價。

在GA-PSO混合規(guī)劃算法與多元回歸模型和GP算法模型的比較曲線中，X軸表示周期，單位時間為s；Y軸表示平均適應(yīng)度，運行10次。由圖1可以得出，GA-PSO混合規(guī)劃算法模型與GP算法模型相比較，收斂性能更好；由圖2可得出，GA-PSO混合規(guī)劃算法模型比多元回歸模型收斂性能明顯更快。

本文基于對GA-PSO混合規(guī)劃算法收斂性和準確性研究，在MATLAB R2014a環(huán)境下就選取的64家科技型中小企業(yè)的5組指標數(shù)值進行處理分析，其結(jié)果如圖3所示。GA-PSO混合規(guī)劃算法比多元回歸模型和GP算法的尋優(yōu)效率更高。相同環(huán)境下，GA-PSO混合規(guī)劃算法的適應(yīng)度收斂值最小，這表明該算法的粒子種群多樣性特征明顯，局部尋優(yōu)能力更強。基于此種方法可得出更精準的參數(shù)解。

利用GA-PSO混合規(guī)劃算法得出科技型中小企業(yè)融資信用風險評估模型：

將訓練樣本和測試樣本的5組指標數(shù)據(jù)分別代入上述風險評估模型，得出信用等級。預測所選取企業(yè)的風險等級，并將該值與預測值比較，可得出此三種模型的準確率和錯誤率，所得比值如表1所示。結(jié)果表明：在三種模型中，GA-PSO混合規(guī)劃算法所得出的預測值精度更高，而且兩種錯誤率比值都比其他兩種模型的錯誤率比值低，預測的準確性要優(yōu)于其他兩種模型。在測試樣本中兩種錯誤率均為10%，比訓練樣本的錯誤率要高，而準確率與訓練樣本相比較也有所降低，就第一錯誤率而言，GA-PSO混合規(guī)劃算法的錯誤率比其他兩種模型要低，雖然GA-PSO混合規(guī)劃算法與GP算法的第二錯誤率相同，但是其第一種錯誤率更低，準確率也比其他兩種要高。由此可以看出，隨著樣本量的增加，GA-PSO混合規(guī)劃算的準確率有更為明顯的提高，收斂效果更好。對科技型中小企業(yè)融資信用風險的評估更為準確。

GA-PSO混合規(guī)劃算法模型在應(yīng)用中更為簡單便捷，數(shù)據(jù)易于收集，指標值代入評估模型即可判斷科技型中小企業(yè)的信用風險等級。不僅如此，該模型尋優(yōu)效率較高，局部優(yōu)化能力強，評估結(jié)果更能說明企業(yè)的信用風險等級。

五、結(jié)論

本文采用GA-PSO混合規(guī)劃算法研究科技型中小企業(yè)信用風險評估問題，并且從深圳證券交易所隨機抽取64家相關(guān)企業(yè)的實際數(shù)據(jù)對本模型進行驗證。對不同的風險指標研究GA-PSO、GP和多元回歸三種模型對比的收斂情況，結(jié)果顯示：GA-PSO混合規(guī)劃算法能夠有效地預測中小企業(yè)信用風險狀況。在模型收斂性方面要優(yōu)于另外兩種方法，在預測風險程度方面也更為精確。該模型便于使用，收斂效果好，既能提高局部最優(yōu)特性，又能整體優(yōu)化企業(yè)信用風險評估模型?！?/p>

【參考文獻】

[1] 薛惠鋒，林波，蔡琳.基于GA-PSO混合規(guī)劃算法的企業(yè)信用風險評估模型[J].西北大學學報（哲學社會科學版），2006，36（3）：38-40.

[2] 竇文章，劉西.基于CreditMetrics模型評估銀行信貸的信用風險[J].改革與戰(zhàn)略，2008，24（10）：81-84.

[3] 何澤恒，朱虹.基于遺傳神經(jīng)網(wǎng)絡(luò)的商業(yè)銀行信用風險評估系統(tǒng)研究[J].商業(yè)經(jīng)濟，2013（17）：29-30.

[4] 李從剛，童中文，曹筱玨.基于BP神經(jīng)網(wǎng)絡(luò)的P2P網(wǎng)貸市場信用風險評估[J].管理現(xiàn)代化，2015，35（4）：94-96.

[5] 陳云，石松 基于PSO-BP集成的國內(nèi)外企業(yè)信用風險評估[J].計算機應(yīng)用研究，2014，31（9）：2705-2710.

[6] 董槐林，郭陽，鄭宇輝.基于PSO-BP神經(jīng)網(wǎng)絡(luò)的企業(yè)信用風險評估模型研究[J].計算機與現(xiàn)代化，2009（4）：123-126.

[7] XINLI W. The credit evaluation model of electricity customer based on GA-PSO hybrid programming algorithm[C]//System Science， Engineering Design and Manufacturing Informatization （ICSEM）， 2012 3rd International Conference on. IEEE， 2012： 222-225.

[8] 吳曉軍，薛惠鋒，李，等.GA-PSO混合規(guī)劃算法[J].西北大學學報（自然科學版），2005，35（1）：39-43.

[9] ALESSANDRO B， et al. A PSO-based algorithm for optimal multiple chiller systems operation[J]. Applied Thermal Engineering， 2012， 32（1）：31-40.

[10] CHIOU J S， TSAI S H， LIU M T. A PSO-based adaptive fuzzy PID-controllers[J]. Simulation Modelling Practice and Theory， 2012， 26（8）： 49-59.

[11] MORADI M H， ABEDINI M. A combination of genetic algorithm and particle swarm optimization for optimal DG location and sizing in distribution systems[J]. International Journal of Electrical Power & Energy Systems， 2012， 34（1）： 66-74.

[12] MENG Y B，et al. Research on WNN aerodynamic modeling from flight data based on improved PSO algorithm[J]. Neurocomputing，2012，83（6）：212-221.

[13] ZHAO F， TANG J， WANG J. An improved particle swarm optimization with decline disturbance index （DDPSO） for multi-objective job-shop scheduling problem[J]. Computers & Operations Research， 2014， 45： 38-50.

[14] ZUO Y， CHEN Y. A Novel Particle Swarm Optimal Algorithm Hybridized with Random Disturbance Term[C].Advanced Materials Research，2013：473-476.