改進BP神經網絡下的養老保險介入風險評估系統

秦利　潘怡然

摘 ?要： 為了準確、高效地評估養老保險補貼介入的風險產生概率與危害程度，改進BP神經網絡下的養老保險介入風險的評估系統。以創建一個通用的養老保險補貼介入風險的評估環境為前提，設計包含五大模塊的養老保險補貼介入風險評估系統總體框架，采用貝葉斯正則化算法優化BP 神經網絡的權值和學習率，并將養老保險補貼介入風險指標作為優化后的BP神經網絡的輸入向量，根據網絡獲得參數最優解，集成養老保險介入風險評估信息，實現養老保險補貼介入風險評估。實驗結果表明，該系統具備較高的養老保險補貼介入風險評估效率，可有效評估出不合理的風險因素，準確評估出養老保險補貼介入的風險產生概率與危害程度。

關鍵詞： 養老保險; 補貼介入; 風險評估; 系統設計; BP神經網絡; 實驗分析

中圖分類號： TN915.08?34; TP393.08 ? ? ? ? ? ?文獻標識碼： A ? ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2020）24?0156?04

Endowment insurance subsidy intervention risk assessment system based on

improved BP neural network

QIN Li， PAN Yiran

（Northeast Forestry University， Harbin 150040， China）

Abstract： An endowment insurance subsidy intervention risk assessment system based on BP neural network is improved to accurately and efficiently evaluate the risk probability and harm degree of endowment insurance subsidy intervention. On the basis of the premise of creating a general assessment environment for the endowment insurance subsidy intervention risk， the overall framework of endowment insurance subsidy intervention risk system including five modules is designed. The weight and learning rate of the BP neural network are optimized by means of the Bayesian regularization algorithm， and the endowment insurance subsidy intervention risk index is used as the input vector of the optimized BP neural network. The optimal solution of parameters is obtained according to the network， and the risk assessment information of endowment insurance subsidy intervention is integrated， so as to realize the risk assessment of endowment insurance subsidy intervention. The experimental results show that the system has high efficiency in risk assessment of endowment insurance subsidy intervention， can effectively assess the unreasonable risk factors， and accurately assess the risk probability and harm degree of endowment insurance subsidy intervention.

Keywords： endowment insurance; subsidy intervention; risk assessment; system design; BP neural network; experiment analysis

0 ?引 ?言

國家實行養老保險補貼是為了保障居民年老時的基本生活權益，如今的養老保險補貼由之前的“先繳后補”改為“同繳同補”，即只繳納自己應承擔部分，剩余資金部分由就業單位補助。雖然養老保險能夠保障居民年老時的基本生活，但是在保障權益的同時也會出現一定的風險[1]。因此，建立利用智能評估手段進行的養老保險補貼介入風險評估十分有必要[2]。

養老保險補貼介入存在諸多風險，需要運用評估系統進行評估。傳統的評估系統有很多，比如基于量子門線路神經網絡的風險評估系統[3]以及基于大數據的風險評估系統[4]等。這些評估系統在進行風險評估時評估結果通常是非線性的，并存在許多誤差，因此有必要運用一種新方法對其進行改進。在處理非線性化數據上，神經網絡是一種使用范圍及涉及領域較廣的核心手段，其已經運用于農業與建筑業等。神經網絡作為一項新興的數據處理技術，主要采用計算機模擬生物體的神經元活動規律，完成對有關數據的學習。神經網絡擁有自適應性、高度魯棒性及分布存儲等特點，能夠將計算機控制學與數學等多項科學技術融入到自身運算中，因此該項技術是目前人工智能發展的趨勢之一[5]。

本文設計基于改進BP神經網絡的養老保險補貼介入風險評估系統，利用貝葉斯正則化算法改進傳統BP神經網絡算法的權值和學習率，實現對養老保險介入風險評估信息的集成，有效實現養老保險補貼介入風險評估。

1 ?基于貝葉斯算法優化BP網絡神經的養老保險補貼介入風險評估系統

1.1 ?養老保險補貼介入風險評估系統總體框架

創建一個普用的養老保險補貼介入風險評估環境是養老保險補貼介入風險評估系統的核心思想[6]，以該思想為前提采用風險評估手段完成專用數據庫與養老保險補貼介入風險指標數據庫的構建，并利用數據庫評估養老保險補貼介入的網絡安全風險。圖1為風險評估系統的總體框架。

1） 風險評估的指標體系和使用的協助要求：由養老保險補貼介入風險評估的指標數據庫、數據庫的處理協助要求與風險評估指標共同構成風險評估的指標體系和使用的協助要求，即是對養老保險補貼介入網絡安全風險評估指標的構建，并用于幫助用戶判斷并解決詳細的問題，通過創建合適的養老保險補貼介入風險評估指標體系，來滿足養老保險補貼介入網絡安全風險評估的要求[7]。

2） 風險評估的方法體系和使用的協助要求：由風險評估模型的詳細典范、模型的成立標準、風險評估的模型數據庫和一些協助的要求等構成風險評估的手段體系和使用的協助要求。風險評估的模型數據庫由各類存在風險評估的樣板模型構成，該樣板模型包括存在模糊理論的綜合型風險和存在強影響等的不同類型因素的風險評估樣板模型，該樣板模型采用貝葉斯正則化算法，對權值和學習率共同優化改進傳統BP神經網絡算法，以完成評估模型的構建。

3） 風險評估的流程和框架與使用的協助要求：由風險評估的架構保護協助要求、風險評估的計劃協助要求、風險評估的框架圖庫以及一些協助的要求等構成風險評估的流程和框架與使用的協助要求。由不同類別的框架構成風險評估框架，該框架包括擁有探究性的分析與面向職責手段等不同方法的評估框架。

4） 評估系統的集成接口構成：由數據的典范、接口的部件典范與模塊的設計等構成評估系統的集成接口。風險評估系統不僅能對網絡實行評估，還可以連接軍事化的綜合電子系統接口，讓系統風險評估的起步計劃具有較強的保密性，并實行仿真運作，找到風險評估需要的全部數據材料[8]。

5） 風險數據和信息的綜合管理：實現對靜態或動態信息的基本籌備，并為評估提供措施及手段進行數據管理[9]。系統的性能參數屬于靜態信息，主要是由動態信息完成對風險評估系統的擴充，并實行仿真運作。

1.2 ?基于改進BP神經網絡評估模型

BP神經網絡（Back Propagation Neural Network）是神經網絡中使用最廣泛的方法之一[10]，其工作原理是采用信號正傳播與誤差反方向傳播來確定權值，在可接受的非常小的誤差范圍或達到事先設置學習次數而停止。三層前饋網是BP神經網絡最常用的形式。

構建BP神經網絡評估模型步驟為：

針對養老保險補貼介入存在的制度設計風險、籌資風險、基金投資風險、操作風險、給付風險等風險，將其設為BP神經網絡的輸入向量[X=x1，x2，…，xn]，隱含層輸出向量是[Y=y1，y2，…，yn];輸出層輸出向量和期望輸出向量分別是[B=b1，b2，…，bn]和[D=d1，d2，…，dn]，輸入層到隱含層間的權值矩陣用[C]表示 ，[C=c1，c2，…，cn]隱含層第i個神經元相應的權向量是列向量[ci];隱含層到輸出層之間的權值矩陣用[E]表示，[S=s1，s2，…，sn]，隱含層第i個神經元相應的權向量是列向量[si]。

針對輸出層，有：

[bi=fhi， ?i=1，2，…，n] ?（1）

[hi=j=0mfsiyi] ?（2）

針對隱含層，有：

[yi=fhj， ?h=1，2，…，n] ?（3）

[hj=i=0ncijxi] ?（4）

[fx]是單極性Sigmoid函數，且式（1）、式（3）中的[fx]屬于該函數：

[fx=11+e-x] ?（5）

當期望輸出和實際輸出不等時，產生誤差E：

[E=12d-b2=12k=1ldk-bk2] （6）

將式（6）代入到隱含層，可得：

[E=12r-fhk2=12k=1lr-fj=0mfsjkyj2] （7）

將式（7）代入到輸出層，可得：

[E=12rj-fj=0msijfi=0ncijxi2] （8）

調節BP算法的誤差，使誤差盡量減少，則：

[Δsij=-?E?sij， ? ?j=0，1，2，…，m;k=0，1，2，…，l] ?（9）

[Δcij=-?E?cij， ? ? i=0，1，2，…，n;j=0，1，2，…，m] ?（10）

1.2.1 ?推導三層BP神經網絡算法權值調節的過程

針對輸出層，由式（8）得：

[Δsij=-?E?sij=-?E?hk·?hk?sij] ?（11）

對于隱含層的，由式（9）得：

[Δcij=-?E?cij=-?E?hk·?hk?cij] （12）

針對輸出層和隱含層各設置一個誤差變量，則：

[χbk=-?E?hk] ?（13）

[χyj=-?E?hj] ?（14）

由式（2）和式（13），可將式（11）推算為：

[Δsjk=μχbkyj] ?（15）

由式（4）和式（14），可將式（12）推算為：

[Δcjk=μχyjxj] ?（16）

結合式（15）和式（16），可得：

[χbk=-?E?hk=-?E?bk·?bk?hk=-?E?bkf′hk] ?（17）

[χyj=-?E?hj=-?E?yj·?yk?hj=-?E?bjf′hj] ?（18）

1.2.2 ?誤差對各層的傳遞

針對輸出層，可得：

[?E?bk=-dk-bk] （19）

針對隱含層，可得：

[?E?yj=-i=1ndk-bkf′hksjk] （20）

將式（19）和式（20）代入到式（17）和式（18），可得：

[χbk=dk-bkf′hk] ?（21）

[χyj=k=1lχbkf′hksjk] ?（22）

將式（21）和式（22）代入到式（15）和式（16），三層前饋網的BP神經網絡學習算法權值調節公式為：

[Δsjk=μχbkyj=μdk-bkf′hkyj] ?（23）

[Δcij=μχyjxi=μi=1nχbksjkf′hksjkxi] ?（24）

因此，可以看出BP神經網絡的算法由學習率[μ]、誤差變量[χ]和輸入變量[X]（或[Y]）決定。

由于傳統的BP神經網絡存在易產生局部最小化以及收斂速度慢等缺點[11?12]。因此本文采用貝葉斯正則化算法（Bayesian Regularization Algorithm）訓練神經網絡，利用權值和學習率共同優化改進傳統BP神經網絡算法。

1.2.3 ?詳細調節過程

權值調節公式為：

[Δst+1=αΔst+μχX] ? （25）

式中，[α]一般取0.90。

學習率調節公式為：

[μt=1.05μt-1，Et>Et-10.7μt-1， ? 其他] ?（26）

調節神經網絡的訓練性能函數并使其達成正則化的網絡泛化能力。通常情況下，采用均方誤差函數[Er]實現神經網絡訓練性能函數，則：

[Er=i=1ndi-bi2] （27）

式中，加入一項網絡權值平方和[Ep]，將原本性能函數調節成新的函數[Eu]：

[Eu=τEd+?Ep] ? （28）

式中，[τ] 和[?]是參數。

利用貝葉斯正則化算法原理，使用在網絡訓練中自適應調節變量[τ]，[?]的值，使神經網絡性能達到最優化[13?15]。根據獲得的參數最優解，實現對養老保險介入風險評估信息的集成，并完成風險評估模型的構建，保證養老保險補貼介入風險評估系統的安全、高效及實用。

2 ?實驗結果與分析

為了驗證本文設計系統的有效性，以某養老保險公司為例，選取2000—2018年的6組養老保險補貼介入風險數據當作實驗的樣本數據，其中，養老保險補貼介入風險事件的特征量是輸入數據，系統評估結果當作輸出數據。從6組數據中隨機抽取3組數據作為訓練樣本，3組數據作為檢驗樣本。設置訓練的最大次數是4 000，學習速率是0.04，誤差限制在0.000 1以內。

為了驗證本文系統的評估效率，采用基于量子門線路神經網絡的風險評估系統（文獻[3]系統）和基于大數據的風險評估系統（文獻[4]系統）與本文系統進行比較，結果見圖2。

分析圖2可知，三種系統的保險補貼介入風險評估的相對誤差均隨著訓練次數的增加而逐漸減少，并最終趨于穩定，但是本文系統的相對誤差進入穩定狀態的速度快于其他兩種對比系統，說明本文系統采用的算法收斂速度較快，進行系統養老保險補貼介入風險評估速率高。

風險評估系統可將養老保險補貼介入風險評估分成兩方面，分別是產生概率與危害程度。而養老保險補貼介入風險的產生主要有四種風險因素，分別為：不恰當的補貼介入時間、養老保險補貼需求預測錯誤、養老保險補貼信息操作不當以及養老保險制度設計不當。三種系統的養老保險補貼介入風險產生概率與危害程度對比結果見表1。

由表1可知，在不恰當的補貼介入時間、養老保險補貼需求預測錯誤的因素下，本文系統中養老保險補貼介入風險產生的概率以及危害程度分別高于85%，92%;在養老保險補貼信息操作不當和養老保險制度設計不當的因素下，養老保險補貼介入風險產生的概率和危害程度分別高于90%，93%，結果表明，本文系統能更好地協調、處理評估過程中產生的問題，不會受到數據周期性、趨勢性以及隨機性影響，能夠準確評估出養老保險補貼介入風險產生概率與危害程度，可更好地發揮出養老保險補貼介入風險的評估效果，提升評估準確率，降低相對誤差。

3 ?結 ?論

本文改進了BP神經網絡下的養老保險介入風險評估系統，利用貝葉斯正則化算法優化BP神經網絡中的權值和學習率，實現對養老保險介入風險評估信息的集成，并完成對養老保險補貼介入網絡安全風險評估系統的評估，保證風險評估系統的安全、高效以及實用，在一定程度上證明了本文設計系統的實用性。

參考文獻

[1] 胡賢德，曹蓉，李敬明，等.小微企業信用風險評估的IDGSO?BP集成模型構建研究[J].運籌與管理，2017，26（4）：132?139.

[2] 劉春翔，范鵬，王海濤，等.基于BP神經網絡的輸電線路山火風險評估模型[J].電力系統保護與控制，2017（17）：100?105.