韓冰

(哈爾濱商業(yè)大學(xué)，黑龍江 哈爾濱 150028)

信用風(fēng)險預(yù)測和風(fēng)險控制是現(xiàn)代企業(yè)管理的重要內(nèi)容之一,在很多國家由于不良貸款引起的銀行危機相當(dāng)嚴(yán)重。因此,加強企業(yè)的信用風(fēng)險管理,建立和完善銀行以及企業(yè)內(nèi)部的風(fēng)險管理體制,為銀行的決策提供科學(xué)的參考依據(jù),全面的防范和化解金融風(fēng)險,是當(dāng)前銀行和企業(yè)面臨的一個主要任務(wù)。我國入世以后,根據(jù)WTO的有關(guān)協(xié)議將逐漸取消對外資銀行外幣業(yè)務(wù)、人民幣業(yè)務(wù)等方面的限制,國內(nèi)各商業(yè)銀行將面臨國內(nèi)外銀行的競爭,競爭將更加激烈。目前,我國絕大部分銀行企業(yè)的不良貸款率大大高于10%的國際警戒線和我國15%的監(jiān)管標(biāo)準(zhǔn)。如何建立一個優(yōu)良的企業(yè)信用評估體系,為商業(yè)銀行的決策提供科學(xué)的、量化的決策依據(jù),全面降低不良貸款率,提高信貸資產(chǎn)質(zhì)量,是國內(nèi)各商業(yè)銀行共同面臨的一個全新課題。為此,作者提出了企業(yè)信用評估的指標(biāo)體系,并在此基礎(chǔ)上建立了評估模型,該模型能夠利用企業(yè)信用數(shù)據(jù)為銀行提供量化決策的依據(jù)。

1 企業(yè)信用評估指標(biāo)體系

企業(yè)信用評估的首要工作是根據(jù)國外的企業(yè)信用評估指標(biāo)體系,結(jié)合我國的實際情況,本著操作簡便、定量指標(biāo)和定性指標(biāo)相結(jié)合、現(xiàn)實能力評價和潛力能力評價相結(jié)合的原則建立可行的企業(yè)信用指標(biāo)體系。基于以上原則并結(jié)合我國常用的企業(yè)信用評估指標(biāo)體系和Z模型指標(biāo)體系,作者提出的企業(yè)信用評估指標(biāo)體系是分層結(jié)構(gòu),其中二級指標(biāo)29項,反映了企業(yè)管理、經(jīng)營狀況的具體數(shù)據(jù)信息;一級指標(biāo)7項,是二級指標(biāo)的歸納,反映了企業(yè)信用評估的7個方面。

2 企業(yè)信用評估神經(jīng)網(wǎng)絡(luò)模型

神經(jīng)網(wǎng)絡(luò)具有非線性處理和模式識別能力,可以用于解決用傳統(tǒng)方法難以解決的復(fù)雜問題。BP神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò),從理論上講它可以實現(xiàn)從輸入到輸出的任意非線性映射,而且具有很強的泛化能力[5,6],應(yīng)用BP網(wǎng)絡(luò)的這種特性,通過已生成的企業(yè)信用評估指標(biāo)體系與信用的對應(yīng)數(shù)據(jù)的學(xué)習(xí),調(diào)整模型的結(jié)構(gòu),生成具有預(yù)測能力的企業(yè)信用評估神經(jīng)網(wǎng)絡(luò)模型。

2.1 指標(biāo)體系數(shù)據(jù)的預(yù)處理

(1)軟指標(biāo)的歸一化處理。由于神經(jīng)網(wǎng)絡(luò)處理的數(shù)據(jù)一般都是連續(xù)數(shù)據(jù),因而需要對企業(yè)信用評估體系中的標(biāo)號數(shù)據(jù)進行量化處理,然后將量化后的數(shù)據(jù)按比例進行縮放,使之落入一個統(tǒng)一的區(qū)間,轉(zhuǎn)換成連續(xù)數(shù)據(jù)。本文中采用的是最小-最大規(guī)范化方法對原始數(shù)據(jù)進行線性變換,使之落入到區(qū)間[0,1]內(nèi)。

(2)硬指標(biāo)(財務(wù)指標(biāo)數(shù)據(jù))的標(biāo)準(zhǔn)化處理。在財務(wù)指標(biāo)中,各指標(biāo)有著不同的量綱,數(shù)據(jù)不能較直觀地反映對信用結(jié)果的影響。因而需要對這些指標(biāo)數(shù)據(jù)進行標(biāo)準(zhǔn)化處理,將其轉(zhuǎn)化為統(tǒng)一量綱的數(shù)據(jù)。在企業(yè)信用評估指標(biāo)體系中,有效益型和成本型指標(biāo)數(shù)據(jù)。效益型指標(biāo)數(shù)據(jù)有越大越優(yōu)的特性,成本型指標(biāo)數(shù)據(jù)有越小越優(yōu)的特性。通過線性比例變換的方法,對指標(biāo)數(shù)據(jù)進行處理。

2.2 模型構(gòu)造

具有單隱層的BP神經(jīng)網(wǎng)絡(luò)可以映射任意連續(xù)函數(shù),作者設(shè)計了一個3層神經(jīng)網(wǎng)絡(luò)模擬企業(yè)信用評估過程,其中輸入層結(jié)點數(shù)為29,分別對應(yīng)企業(yè)信用評估的29個要素;隱層結(jié)點數(shù)為7,分別表示企業(yè)素質(zhì)、發(fā)展前景、企業(yè)規(guī)模、發(fā)展能力、償債能力、盈利能力和綜合指標(biāo);輸出層結(jié)點數(shù)為1,輸出值為模型實際輸出。由于輸入向量和輸出向量之間不滿足線性關(guān)系,因此選擇單極性sig moid函數(shù)作為轉(zhuǎn)移函數(shù)。

以經(jīng)營者素質(zhì)、員工素質(zhì)等29項企業(yè)信用評估指標(biāo)為輸入向量,用X=(x1,x2,…,x29)表示;隱層結(jié)點用向量Y=(y1,y2,…,y7)表示;Z=(z1)表示輸出向量,根據(jù)轉(zhuǎn)移函數(shù)的性質(zhì),z1∈[0,1];將訓(xùn)練集的實際輸出數(shù)據(jù)轉(zhuǎn)換為[0,1]的數(shù)值,期望輸出用向量D=(d1)表示;輸入層結(jié)點到隱層結(jié)點的權(quán)值用向量V=(v1,1,v1,2,…,v29,7)表示,隱層結(jié)點到輸出層結(jié)點的權(quán)值用向量W=(w1,1,w2,1,…,w7,1)表示。

3 實驗結(jié)果及分析

選取30個上市公司2001年軟、硬指標(biāo)數(shù)據(jù)及其信用評估結(jié)果,根據(jù)2.1節(jié)指標(biāo)體系標(biāo)準(zhǔn)化處理方法,對選取的企業(yè)軟、硬指標(biāo)數(shù)據(jù)首先進行標(biāo)準(zhǔn)化處理。將這些數(shù)據(jù)轉(zhuǎn)化為[0,1]之間統(tǒng)一量綱的數(shù)據(jù),以便于神經(jīng)網(wǎng)絡(luò)的處理;然后合并標(biāo)準(zhǔn)化處理以后的軟、硬指標(biāo)數(shù)據(jù),生成各公司與評估指標(biāo)體系一致的數(shù)據(jù)。由于實驗數(shù)據(jù)較少,因而在實驗時采用了V-fold交叉驗證方法,將30個公司數(shù)據(jù)等分成10組,每次測試采用其中的9組數(shù)據(jù)作為訓(xùn)練數(shù)據(jù),用剩余的1組作為測試數(shù)據(jù),即每次用27個上市公司的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù),剩余3個公司的數(shù)據(jù)作為測試數(shù)據(jù),共進行10次測試,最后取10次測試結(jié)果的正確率的平均值作為最終的結(jié)果,評估的正確率達到了92.2%。實驗時設(shè)定學(xué)習(xí)速率為0.01,最大訓(xùn)練步數(shù)為2000,誤差精度為0.001。

4 結(jié)束語

目前信用風(fēng)險的控制方法包括標(biāo)準(zhǔn)法和內(nèi)部評估法,根據(jù)《新巴塞爾資本協(xié)議》的要求,對于商業(yè)銀行風(fēng)險權(quán)重的確定應(yīng)當(dāng)逐步從標(biāo)準(zhǔn)法向內(nèi)部評級法過渡,最后將全面采用信用模型的方法。作者在分析信用評估重要性和信用評估國內(nèi)外現(xiàn)狀的基礎(chǔ)上,提出了用于企業(yè)信用評估的指標(biāo)體系,并在此基礎(chǔ)上建立了基于神經(jīng)網(wǎng)絡(luò)的企業(yè)信用評估模型。應(yīng)用神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)和超強的非線性處理能力,模型通過企業(yè)信用數(shù)據(jù)的學(xué)習(xí)后用于企業(yè)信用評估,弱化了權(quán)重確定中的人為因素,提高了評估結(jié)果的準(zhǔn)確性和權(quán)威性。通過對30個上市公司信用的預(yù)測,驗證了本方法優(yōu)于傳統(tǒng)的定性模型和方法,是對企業(yè)信用評估模型建立的一種嘗試。

[1] 陳娟,吳開微.企業(yè)資信的模糊數(shù)學(xué)評價方法[J].工科數(shù)學(xué),2001,(17)4:15-19.

[2] 韓家煒,范明.數(shù)據(jù)挖掘概念與技術(shù)[M].北京:機械工業(yè)出版社,2012.