食用菌生產企業供應鏈金融模式的信用風險評價*

陳 婷

（南寧師范大學物流管理與工程學院，廣西 南寧 530299）

“三農”問題屬于國計民生中的核心問題之一，想要構建社會主義現代化強國，需要完成農業現代化，完成農業現代化必須推動一二三產業融合發展[1]。基于全球每個國家這幾年的經濟發展情況分析，中小企業不僅在數目中占領一定優勢，可以為社會經濟引入較大的經濟活力，對自身所處行業的發展存在很大推動作用[2]。

現在，農業中小企業面臨著發展迅速與資金存在很大缺口的矛盾，食用菌生產企業屬于農業中小企業的核心構成成分，面臨著相同的問題[3]。中國農業供應鏈金融屬于剛剛發展與推廣時期，大量農村商業銀行還采用以往的信用風險評價方法，一定程度上約束了食用菌生產企業供應鏈金融模式的發展。所以，對食用菌生產企業供應鏈金融模式的信用風險評價方法的優化存在較為關鍵的理論意義與現實意義。構建基于粒子群協同優化算法的供應鏈金融信用風險評價模型，以期為我國食用菌生產企業供應鏈金融模式的信用風險評價提供借鑒基礎。

1 基于粒子群協同優化算法的供應鏈金融信用風險評價模型

1.1 基于離差標準化的數據預處理

由于參加食用菌生產企業信用風險預測的指標特征存在差異，量綱存在差異，數量級也存在差異，為了讓量化的指標數據直接參加計算和直接對比差異量綱的值，將數據實行歸一化處理，指標數據實行無量綱化，經過無量綱化去除冗余數據[4]。

數據無量綱化的常用方法是離差標準化，通過這個方法能夠把全部數據的范圍約束于 [0，1]之中，標準化步驟是：先假定第m個指標Rm的取值范圍是 [R1m，Rum]。

1）若指標Rm的大小和目標值存在非異向變動，則自變量和因變量存在正相關時，此指標屬于正向指標，標準化方法為：

式中：Rum表示第m個指標的樣本數最大值；R1m表示第m個指標的樣本數最小值。

2）如果指標Rm的值和目標值屬于非異向變動，則自變量和因變量屬于負相關時，此指標屬于反向指標，標準化方法是：

式中：Rm屬于第m個指標的樣本數；Rum=max（Rm）；R1m=min（Rm）；R*∈[0，1] 屬于離差標準化后的無量剛性指標。

1.2 粒子群協同優化算法描述

基于1.1小節處理后的食用菌生產企業供應鏈金融模式的信用風險評價數據，采用粒子群協同優化算法獲取最佳評價特征子集。

食用菌生產企業供應鏈金融模式中參加風險評估指標不僅存在定量指標，也存在定性指標，數目很多，同時屬性具有很大關聯性；冗余度大會影響評估模型的分類準確率與效率。評估模型需要盡最大可能去除噪聲特征值，以此減少分類的運算難度，提升模型評估準確率。使用二進制PSO算法實行評價指標選取與SVM參數協同優化，建立食用菌生產企業供應鏈金融模式風險評估模型。

1.2.1 適應度函數的設置

基于SVM分類器的分類性能評估選定指標的有效性，則將分類器的分類準確率設成評估標準。通過二進制PSO算法協同優化評價指標集合與SVM參數，用評估函數計算評價指標集合與SVM參數的質量，將最佳的評級指標集合與SVM參數設成尋優結果[5]。

1.2.2 粒子編碼策略

粒子覆蓋2個范疇，依次為特征向量與SVM參數值。特征選取的關鍵在于自X個屬性里選擇Y個屬性值建立屬性的子集合，其中Y不大于X。所以，粒子第一部分編碼使用離散二進制變量，X個屬性依次對應X維二進制空間。針對各個粒子而言，若第j個是1，那么代表第j個屬性是選中的；若是0，那么代表此屬性沒有選中。

粒子第二部分是SVM的關鍵參數，使用徑向基核函數，參數存在核函數f、懲罰參數d，通過連續PSO算法優化獲取。迭代時，離散PSO算法與連續PSO算法出現差異信用特征子集與參數值。算法將SVM分類準確率設成評估標準，準確率最大的特征子集與SVM參數即為需獲取的結果[6]。

1.2.3 算法實現步驟

初始化粒子群，各個粒子中包含了信用特征子集、懲罰參數d以及核函數參數f，初始化粒子群參數，例如學習因子、粒子長度以及最高循環次數[7]；初始化粒子群效率[8]；按照粒子編碼策略把各個粒子每部分的值變換成相應選取的信用特征子集掩碼，同時得到參數值，按照選擇的特征子集與參數值運算各個粒子的適應值；按照粒子適應值刷新局部極值點、全局極值點；更新粒子速度與位置；如果迭代至最高迭代次數，便跳至最后一步，反之回到第三步繼續迭代；輸出目前最佳特征子集、參數d、f以及分類準確率。

1.3 模型構建

食用菌生產企業供應鏈金融模式屬于物流演變到供應鏈階段的一類物流金融模式，供應鏈每方存在契約合作關系。以往的授信形式注重于互利性。文章中新建模型通過對物流與資金流的動態操控取代對財務報表的靜態研究，淺化財務分析與準入操控，以此避免融資障礙。按照食用菌生產企業供應鏈金融模式的特征建立評價指標R體系[9]，其中包含3個一級指標（A1～A3），14個二級指標（B1～B14）以及41個三級指標（C1～C41），詳情見圖1～圖3。

食用菌生產企業供應鏈金融信用風險評價指標構建后，采用灰色關聯系數方法運算第j個指標和參考指標的關聯系數Φj。最后基于灰色關聯度的對比之下，便可判斷食用菌生產企業供應鏈金融模式的信用風險情況[10]。

2 試驗分析

為了分析供應鏈金融模式中特征屬性對模型的干擾水平，試驗依次把傳統風險評估體系和供應鏈金融信用風險評價指標體系實行分類對比。KMO度量系數檢測結果是0.797，高于適合因子分析最小值0.6；并且Barlett球形檢驗顯著性程度是0，低于0.01。卡方分布結果為 4 682.008，自由度為 277。則表示試驗數據適合用于3種模型進行食用菌生產企業供應鏈金融模式的信用風險評價。3個模型基于不同評估指標體系里的對比結果見表1、表2。

表1 傳統信用風險評價指標體系中3種模型的評價性能分析結果Tab.1 Evaluation performance analysis results of three models in traditional credit risk evaluation index system

表2 供應鏈金融信用風險評價指標體系中3種模型的評價性能分析結果Tab.2 Evaluation performance analysis results of three models in the supply chain financial credit risk evaluation index system

根據表1、表2數據可知，所選試驗模型不管是在傳統信用風險評價指標體系中還是在供應鏈金融信用風險評價指標體系中的評價準確率始終大于另外2個模型，且所用特征數最小。因為試驗模型能夠有效去除冗余特征，通過有效特征對食用菌生產企業供應鏈金融模式的信用風險進行評價。對比表1與表2可知，試驗模型在表2中的評價準確率高于表1，則文章模型在供應鏈金融信用風險評價指標體系中的應用性能最高。

基于上述試驗的分析結果，采用試驗模型基于食用菌生產企業供應鏈金融模式風險評價指標體系中，采用試驗模型對5個食用菌生產企業的信用風險進行評價，則5個食用菌生產企業的灰色關聯系數如表3所示。

表3 試驗模型的計算結果Tab.3 The calculation results of test model

基于表3數據可知，食用菌生產企業5的灰色關聯系數最低，則該企業在供應鏈金融模式下的信用存在一定風險。將試驗模型評價結果和實際情況進行對比，對比結果如圖4所示。

基于圖4可知看出，試驗模型實際評價精度均大于0.96，則評價結果可信。

3 結論

通過構建基于粒子群協同優化算法的供應鏈金融信用風險評價模型，并對5個食用菌生產企業進行信用風險平鍵。結合試驗模型的評價結果可知，試驗模型不僅在食用菌供應鏈融資企業自身、供應鏈核心企業以及融資企業產品供應鏈績效3種角度構建了評價指標體系，而且引入了粒子群協同優化算法，使用二進制粒子群算法實現特征屬性的選取與SVM核心參數優化，有效克服高維、冗余特征對評價體系特征選取的影響，實際評價精度大于0.96，評價性能顯著。