BP神經網絡模型在中小企業融資征信評估中的應用

張洪源+李華

摘 要：在互聯網金融環境中，金融機構希望能夠收集和分析大量科技型中小企業日常交易行為的數據，判斷其業務范疇、經營狀況、信用狀況、企業定位、資金需求和行業發展趨勢，在大數據移動互聯時代的大背景下，征信數據的共享和獲取方式正在發生著根本的變化。利用互聯網手段進行業務運營和產品推廣的科技型中小企業已占有較大比例。為使中小企業更加科學有效地得到融資以及融資機構選擇合適的中小企業，在分析中小企業融資征信評估方法的基礎上，結合BP神經網絡的特點，通過建立科學的中小企業信用評價指標體系，構建了融資征信評估方法的BP神經網絡模型。

關鍵詞：中小企業；融資征信；BP神經網絡

一、中小企業融資征信評估應用中BP模型分析

BP神經網絡最主要是用來分類和預測，是一種以梯度下降法為學習規則、按誤差逆傳播算法訓練的多層前饋網絡，通過反向傳播來調整神經元和網絡層次之間的權值和臨界值，最終達到誤差平方和最小。BP神經網絡的工作原理類似于人類的神經元，單個神經元并不復雜而且功能有限，當大量神經元構成一個強大的網絡系統時，才能實現現實生活中的各種行為。它的拓撲結構包括輸入層、隱含層和輸出層，隱含層可單可多，是決定整個我那個落復雜性的層次，就像人類的成長一樣，神經網絡需要大量的學習和訓練，對神經元進行刺激，對事物做出正確的判斷。

1.BP神經網絡的基本原理

BP神經網絡（back propagation）是由Rumelhart和Mccelland于1986年提出的，它是一種多層網絡的“逆推”學習算法，是目前應用最為廣泛和成功的神經網絡之一。其基本思想是：學習過程由信號的正向傳播與誤差的反向傳播兩個過程組成，正向傳播時，輸入樣本從輸入層輸入，經隱層逐層處理后傳向輸出層，若輸出層的實際輸出與期望值不符，則轉向誤差的反向傳播階段，誤差的反向傳播是將誤差以某種形式通過隱層向輸入層逐層反傳，并將誤差分攤給各層的所有單元，從而或得各層單元的誤差信號，此誤差信號即作為修正各單元權值的依據。

2.BP神經網絡的具體結構及學習過程

BP神經網絡是一種單向傳播的多層前向網絡，具有3層及以上的神經網絡，包括輸入層、隱含層和輸出層，上下層之間實現全連接，每一層神經元之間無連接。輸入層和隱含層神經元的傳遞函數（激活函數）在實際應用中一般采用S型函數（Logsig）： ，輸出層的傳遞函數是線性函數，一般用pureline表示。BP神經網絡學習過程大體包括八個步驟，一是選取并輸入研究樣本，二是對其數據進行處理，三是根據研究目的創建網絡模型，四是設定各種參數初始值，五是對建好的網絡進行多次訓練，六是模擬輸出結果，七是調整參數值，八是仿真預測。此處僅做簡單介紹，具體結構及學習原理的參考資料很多，讀者可自行查閱楊德平等的《經濟預測方法及MATLAB實現》一書。

3.中小企業融資征信指標體系建立

本文利用因子分析法對反應企業信用狀況的指標進行整理分析，選取方差貢獻率達到85%以上并且特征根大于1的變量指標作為公因子，最終選取了15個財務指標綜合反映中小企業的信用狀況，包括資產負債率、流動和速動比率、銷售毛利率、資產報酬率、凈資產收益率、應收賬款與存貨周轉率、流動資產與總資產周轉率、營業收入與營業利潤增長率、凈利潤增長率、總資產和凈資產增長率。采用如下公式對指標進行歸一化處理： 其中，Xj為原始數據的均值； 為原始數據的標準差， 。

二、中小企業融資征信評估的BP模型構建

1.BP神經網絡輸出層、隱含層及輸出層的設計

根據BP神經網絡的設計網絡，一般預測問題都可以通過3層網絡來實現，其中，輸入和輸出神經元數目是根據輸入向量和研究目標確定。本文選擇了15個財務指標作為輸入，因此輸入層神經元數為15，輸出層神經元的數量由信用評價結果的模式確定，輸出“1”表示中小企業信用正常，用輸出“0”表示中小企業信用較差，因此可以設定輸出層神經元的數量為1。隱層神經元數可以按照經驗公式來確定：

其中，L表示最小隱層神經元數目，N表示最大隱層神經元數目μ代表輸入層神經元個數，η代表輸出層神經元個數，α一般取1。因此，可以估計最佳隱層的神經元數目在5-31之間。

2.BP神經網絡創建、訓練及結構確定

本文在進行樣本設計時，隨機選取我國2016年50家上市公司為樣本，采用上述指標體系作為輸入元素，信用評價結果為目標函數，建立BP神經網絡仿真模擬。其中，學習樣本為前40家企業，最后10家企業為檢驗樣本。輸入函數用minmax（P）表示，隱層與輸出層傳遞函數上文已作說明。對于訓練函數的采用，本文利用5-31之間的不同神經元數就traingdx函數、traingd函數和trainglm函數進行了訓練，訓練的誤差結果如下表所示，由此可知，采用trainglm訓練函數時平均誤差最小，并且由訓練速度圖像（此處省略）可以看出，trainglm訓練函數的收斂速度也是最快的。

在采用斂速度最快的trainglm訓練函數時我們發現，當隱層的神經元個數為17時，BP神經網絡誤差是最小的，如下表所示，這表明此時對函數的逼近效果最好，而且經過5次訓練就已經達到了目標誤差。因此，選隱層神經元的個數為17。

最后，由原始數據與預測值的擬合圖可以看出，相對誤差都很小，說明采用trainlm訓練函數和隱層神經元數為17的BP神經網絡經過訓練后的預測效果良好，可用作中小企業信用評價模型。

3.BP神經網絡模型的實證分析

由于篇幅有限，此處實證分析結果的圖表已省略，只進行文字性的統計描述。根據已經訓練優良的BP神經網絡模型，對2016年我國50家中小企業進行信用評價，由前40家中小企業信用評價結果可知，各中小企業信用評價仿真值中數值最高的是第7家，接近“1”；數值最低是第35家，幾乎為“0”，在最后10家企業的信用仿真值中（如下表）也可看出各中小企業之間的信用評價結果差異很大，并且接近其實際信譽度。

三、結論

本文建立了我國中小企業信用評價財務指標體系，據此構建的BP神經網絡模型，以2016年40家上市公司為學習訓練樣本，并對剩下的10家公司進行仿真，對我國上市的50家中小企業進行了信用評價，經試驗后比較發現，利用trainlm函數對數據進行訓練時模型達到的效果最好，因為其收斂速度是最快并且誤差是最小的。根據最后的模型輸出結果可知，不同中小企業間的信用評價結果不同，并且經過BP神經網絡模型對中小企業進行信用評價的預測結果與其真實信用評價相近，由此可知，利用BP神經網絡對中小企業進行信用評價是可行且較為準確的。因此，中小企業可利用BP神經網絡對自身的信用進行定期的監測，以保持企業自身良好的信譽度。同時，商業銀行等金融機構也可利用BP神經網絡對中小企業的信用作出客觀實際的真實評價，甄選出信譽度良好的中小企業從而有效控制融資風險，減少不良貸款事件的發生。

參考文獻：

[1]蔣逸帆.我國PPP項目風險評價綜合指數的測度與分析[D].河北大學碩士論文，2016（06）.

[2]楊德平，等.經濟預測方法及MATLAB實現[M].機械工業出版社，2012（02）.

[3]黃震.基于BP神經網絡模型的中國P2P借款人信用風險評估研究[D].北京交通大學碩士論文，2015（06）.

[4]劉祥東，等.基我國商業銀行信用風險識別的多模型比較研究[J].經濟經緯Vol.32，No.6，2015（11）.

[5]秦秀秀.基于BP神經網絡的創業板上市公司財務預警研究[D].安徽理工大學碩士論文，2015（06）.

作者簡介：張洪源（1992- ），男，漢族，四川渠縣人，在讀碩士，經濟學碩士，河北大學經濟學院統計學專業，研究方向：宏觀經濟；李華（1992- ），男，漢族，河北定州人，在讀碩士，人口、資源與環境經濟學，河北大學人口研究所，研究方向：人口與經濟endprint