• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看

      ?

      基于DBN的線(xiàn)上供應(yīng)鏈金融信用風(fēng)險(xiǎn)研究

      2021-06-01 11:04:25徐榮貞何夢(mèng)珂
      會(huì)計(jì)之友 2021年11期
      關(guān)鍵詞:因子分析信用風(fēng)險(xiǎn)

      徐榮貞 何夢(mèng)珂

      【摘 要】 “互聯(lián)網(wǎng)+”背景下,針對(duì)如何解決深度挖掘線(xiàn)上供應(yīng)鏈金融大數(shù)據(jù)背后信用風(fēng)險(xiǎn)的問(wèn)題,提出了一種基于深度信念網(wǎng)絡(luò)(DBN)的線(xiàn)上供應(yīng)鏈金融信用風(fēng)險(xiǎn)評(píng)估方法。首先,建立了由受限玻爾茲曼機(jī)(RBM)和分類(lèi)器SOFTMAX構(gòu)成的深度信念網(wǎng)絡(luò)評(píng)估模型,并利用該模型對(duì)三類(lèi)數(shù)據(jù)集進(jìn)行性能評(píng)估測(cè)試;其次,運(yùn)用因子分析法從21個(gè)指標(biāo)中甄選8個(gè)指標(biāo),輸入到RBM中進(jìn)行轉(zhuǎn)換,形成更為科學(xué)的評(píng)估指標(biāo),再將指標(biāo)輸入到SOFTMAX中進(jìn)行評(píng)估;最后,將這種基于DBN的線(xiàn)上供應(yīng)鏈金融信用風(fēng)險(xiǎn)評(píng)估方法應(yīng)用到實(shí)例中進(jìn)行了驗(yàn)證。結(jié)果表明:該方法的評(píng)估準(zhǔn)確率達(dá)96.04%,與SVM法、Logistic法相比較,具有更高的評(píng)估準(zhǔn)確率和更好的合理性。

      【關(guān)鍵詞】 線(xiàn)上供應(yīng)鏈金融; 信用風(fēng)險(xiǎn); 深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò); DBN模型; 因子分析

      【中圖分類(lèi)號(hào)】 F830.2? 【文獻(xiàn)標(biāo)識(shí)碼】 A? 【文章編號(hào)】 1004-5937(2021)11-0061-07

      一、引言

      近年來(lái)供應(yīng)鏈金融憑借其強(qiáng)大的融資優(yōu)勢(shì)在國(guó)內(nèi)外迅速發(fā)展,隨著互聯(lián)網(wǎng)技術(shù)的進(jìn)步,在中國(guó)將形成巨大的供應(yīng)鏈金融市場(chǎng)規(guī)模,其可以在一定程度上緩解中小企業(yè)融資難的問(wèn)題[ 1-4 ]。供應(yīng)鏈金融以核心企業(yè)為支點(diǎn)將資金引入到供應(yīng)鏈中的其他中小企業(yè),同時(shí)促進(jìn)了社會(huì)經(jīng)濟(jì)的增長(zhǎng),維持商業(yè)銀行的利潤(rùn)增長(zhǎng)點(diǎn)[ 5-6 ]。供應(yīng)鏈金融在發(fā)展過(guò)程中呈現(xiàn)出從線(xiàn)下轉(zhuǎn)入線(xiàn)上的特點(diǎn),因此一系列線(xiàn)上平臺(tái)建設(shè)情況也影響著供應(yīng)鏈金融的發(fā)展。線(xiàn)上供應(yīng)鏈金融在網(wǎng)絡(luò)平臺(tái)上展現(xiàn)了供應(yīng)鏈企業(yè)交易所引發(fā)的“商流、資金流、物流、信息流”,實(shí)現(xiàn)了在線(xiàn)數(shù)據(jù)的共享,而如何利用這些共享數(shù)據(jù)準(zhǔn)確判斷企業(yè)的信用風(fēng)險(xiǎn)仍需進(jìn)一步研究[ 7-8 ]。

      關(guān)于供應(yīng)鏈金融信用風(fēng)險(xiǎn)的評(píng)估,一般選用層次分析法(AHP)、綜合評(píng)價(jià)法等。熊熊等[ 9 ]、逯宇鐸和金艷玲[ 10 ]利用主成分分析法、Logistic回歸法建立了供應(yīng)鏈金融信用風(fēng)險(xiǎn)評(píng)價(jià)模型。胡海青等[ 11 ]、姚王信等[ 12 ]運(yùn)用支持向量機(jī)(SVM)建立信用風(fēng)險(xiǎn)評(píng)估模型,并在相同條件下與運(yùn)用基于BP算法的評(píng)估模型比較分析,得出SVM模型在小樣本情況下有更好的有效性。SVM模型已經(jīng)應(yīng)用到信用風(fēng)險(xiǎn)的研究中,由于SVM是淺層神經(jīng)網(wǎng)絡(luò),存在評(píng)估準(zhǔn)確率較低等問(wèn)題,而深度機(jī)器學(xué)習(xí)能夠自動(dòng)提取評(píng)估指標(biāo),可以達(dá)到更高的評(píng)估準(zhǔn)確率。深度機(jī)器學(xué)習(xí)是由Geoffrey Hinton[ 13 ]提出的,深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)(DLNN)就是其中之一,具有較強(qiáng)的自動(dòng)學(xué)習(xí)能力,可以對(duì)輸入數(shù)據(jù)進(jìn)行逐層的特征學(xué)習(xí),并能夠轉(zhuǎn)換重構(gòu)新的特征,避免了人工選擇和提取特征[ 14-15 ]。盧慕超[ 16 ]在研究深度置信網(wǎng)絡(luò)的基礎(chǔ)上,驗(yàn)證了分類(lèi)分區(qū)的受限玻爾茲曼機(jī)深度置信網(wǎng)絡(luò)模型的有效性。

      筆者將深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)——深度信念網(wǎng)絡(luò)引入到線(xiàn)上供應(yīng)鏈金融信用風(fēng)險(xiǎn)評(píng)估中,提出了一種基于深度信念網(wǎng)絡(luò)的線(xiàn)上供應(yīng)鏈金融信用風(fēng)險(xiǎn)評(píng)估方法,此方法與現(xiàn)有方法相比具有更高的評(píng)估準(zhǔn)確率及更好的合理性。通過(guò)收集企業(yè)信息,經(jīng)過(guò)因子分析法降維,將特征值大于1的因子進(jìn)行提取,再將提取出的因子輸入到深度信念網(wǎng)絡(luò)中進(jìn)行轉(zhuǎn)換重構(gòu),進(jìn)一步提取出能夠反映線(xiàn)上供應(yīng)鏈金融真實(shí)信用風(fēng)險(xiǎn)的指標(biāo),從而評(píng)估識(shí)別企業(yè)的信用風(fēng)險(xiǎn)。

      二、線(xiàn)上供應(yīng)鏈金融信用風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)的構(gòu)建及提取

      (一)線(xiàn)上供應(yīng)鏈金融信用風(fēng)險(xiǎn)指標(biāo)的構(gòu)建

      線(xiàn)上供應(yīng)鏈金融主要以供應(yīng)鏈中的核心企業(yè)為中心向其他中小企業(yè)提供金融服務(wù),從而改變銀行對(duì)單一企業(yè)授信的傳統(tǒng)模式。由于參與企業(yè)方的增多、線(xiàn)上平臺(tái)建設(shè)情況的不同等原因,信用風(fēng)險(xiǎn)相比之前的模式更加復(fù)雜,因此從宏觀環(huán)境、核心企業(yè)狀況、供應(yīng)鏈整體狀況等方面來(lái)構(gòu)建線(xiàn)上供應(yīng)鏈金融信用風(fēng)險(xiǎn)指標(biāo)體系。在保證整個(gè)指標(biāo)體系科學(xué)性、全面性、可操作性及針對(duì)性的基礎(chǔ)上,為了避免指標(biāo)內(nèi)容的重復(fù),對(duì)整個(gè)指標(biāo)體系通過(guò)相關(guān)性分析法、變差系數(shù)法等進(jìn)行指標(biāo)篩選。由于某一個(gè)行業(yè)的宏觀因素方面是類(lèi)似的,所以在指標(biāo)中去除宏觀因素這個(gè)一級(jí)指標(biāo),得到四項(xiàng)共21個(gè)指標(biāo),如表1所示。

      (二)線(xiàn)上供應(yīng)鏈金融信用風(fēng)險(xiǎn)評(píng)估指標(biāo)的提取

      為了科學(xué)地選取研究對(duì)象,筆者查閱了大量的相關(guān)文獻(xiàn),選取汽車(chē)行業(yè)作為線(xiàn)上供應(yīng)鏈金融信用風(fēng)險(xiǎn)評(píng)估的研究對(duì)象。汽車(chē)制造行業(yè)的線(xiàn)上供應(yīng)鏈中主要分為上游企業(yè)、核心企業(yè)和下游企業(yè),上游企業(yè)是指汽車(chē)發(fā)動(dòng)機(jī)制造、輪胎制造、汽車(chē)零部件制造企業(yè)等,核心企業(yè)是指汽車(chē)整車(chē)制造企業(yè),下游企業(yè)是指汽車(chē)銷(xiāo)售企業(yè)。筆者選用中小板上市的汽車(chē)行業(yè)上下游企業(yè)為具體研究對(duì)象,采用定性與定量相結(jié)合的方法對(duì)前述線(xiàn)上供應(yīng)鏈金融信用風(fēng)險(xiǎn)指標(biāo)數(shù)據(jù)進(jìn)行采集,并進(jìn)行下一步的實(shí)證研究。

      根據(jù)前文構(gòu)建的指標(biāo)體系,12個(gè)定量指標(biāo)來(lái)源于國(guó)泰安數(shù)據(jù)庫(kù)及各公司的相關(guān)年度、中期報(bào)告。參考呂躍進(jìn)[ 17 ]提出的用于研究定性問(wèn)題的理論,9個(gè)定性指標(biāo)采用一定的評(píng)分標(biāo)準(zhǔn)進(jìn)行打分,定性指標(biāo)得分分別為10、7、4、1。具體評(píng)估內(nèi)容如下:

      (1)企業(yè)規(guī)模按主營(yíng)業(yè)務(wù)收入進(jìn)行評(píng)分,整個(gè)樣本中:前5%,10分;5%~30%,7分;30%~70%,4分;70%以后,1分。

      (2)企業(yè)管理狀況是指一定時(shí)間范圍內(nèi)企業(yè)經(jīng)營(yíng)者及管理人員因管理失誤和違規(guī)問(wèn)題受到起訴或仲裁的情況。

      (3)財(cái)務(wù)信息質(zhì)量以是否因財(cái)務(wù)披露問(wèn)題而受到處罰或者通告為依據(jù)進(jìn)行評(píng)分。

      (4)交易履約情況是公司在一定時(shí)間內(nèi)因違約涉及的訴訟情況。

      (5)核心企業(yè)信用等級(jí)是該企業(yè)在信用評(píng)級(jí)機(jī)構(gòu)的信用評(píng)級(jí)情況。

      (6)產(chǎn)品的可替代性,同行競(jìng)爭(zhēng)的激烈程度以及核心企業(yè)對(duì)其所提供產(chǎn)品的依賴(lài)程度。

      (7)賬齡與賬期,采用90%應(yīng)收賬款賬期的長(zhǎng)短評(píng)分。

      (8)合作頻率,是雙方合作時(shí)間及合作次數(shù)的情況。

      (9)平臺(tái)信息化建設(shè)程度,以電子平臺(tái)信息共享處理程度為標(biāo)準(zhǔn)。

      根據(jù)Wind數(shù)據(jù)庫(kù),本文采用Z值預(yù)警得分評(píng)價(jià)。當(dāng)Z值<2時(shí),說(shuō)明公司財(cái)務(wù)狀況堪憂(yōu),并且潛伏著破產(chǎn)的危機(jī),更容易發(fā)生違約風(fēng)險(xiǎn);當(dāng)Z值≥2時(shí),說(shuō)明財(cái)務(wù)狀況正常,不易違約。

      由于收集的變量較多,變量之間存在一定的多重共線(xiàn)性。根據(jù)因子分析的思想,可以從具有共線(xiàn)性的多個(gè)原始變量中提取出少數(shù)幾個(gè)潛在變量來(lái)代表其他指標(biāo)。本文收集的原始評(píng)價(jià)指標(biāo)較多,可以選取該研究方法,首先需要檢驗(yàn)因子分析的可行性,具體如表2所示。

      從表2可以看出KMO值是0.729,Bartlett球形度檢驗(yàn)顯著性是0,證明原始變量間有顯著的相關(guān)性,滿(mǎn)足因子分析法的使用條件。

      使用最大方差法構(gòu)建旋轉(zhuǎn)分量矩陣,并使用主成分方法抽取公共因子。由表3可知,前8個(gè)因子的特征值大于1,其累計(jì)貢獻(xiàn)率達(dá)到了75%,基本可以代表其他指標(biāo)的含義與信息。

      經(jīng)過(guò)標(biāo)準(zhǔn)化處理后,通過(guò)成分得分系數(shù)矩陣可以得到各因子的線(xiàn)性表達(dá)式和8個(gè)主成分的計(jì)算公式。

      三、基于DBN的線(xiàn)上供應(yīng)鏈金融信用風(fēng)險(xiǎn)評(píng)估模型

      深度信念網(wǎng)絡(luò)(DBN)在解決深層神經(jīng)網(wǎng)絡(luò)的優(yōu)化問(wèn)題上采用了逐層訓(xùn)練的方法,其中受限玻爾茲曼機(jī)在訓(xùn)練過(guò)程中起到了至關(guān)重要的作用,也解決了標(biāo)簽樣本的數(shù)量問(wèn)題和訓(xùn)練過(guò)程容易陷入局部最優(yōu)的問(wèn)題[ 18 ]。

      (一)受限玻爾茲曼機(jī)(RBM)

      DBN由多個(gè)RBM構(gòu)成,RBM是其重要的基礎(chǔ)模型。Hinton等[ 19 ]第一次提出了關(guān)于RBM的理論,該理論為:在對(duì)多層神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)時(shí),可以預(yù)先分解為多個(gè)RBM,再依次逐層對(duì)多層神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,有效地提高了神經(jīng)網(wǎng)絡(luò)訓(xùn)練的效率,也極大地提升了訓(xùn)練結(jié)果的有效性。下面簡(jiǎn)要介紹RBM及DBN的學(xué)習(xí)過(guò)程。

      受限玻爾茲曼機(jī)是由可見(jiàn)層和隱含層構(gòu)成的一個(gè)較為簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò),其網(wǎng)絡(luò)示意圖如圖1所示,v和h分別表示其中的可見(jiàn)層和隱含層,權(quán)重用w來(lái)表示,而每一層中的神經(jīng)元都是一個(gè)獨(dú)立的個(gè)體,相互之間沒(méi)有任何聯(lián)系。

      RBM能夠利用其單向加權(quán)連接的特點(diǎn)完成無(wú)監(jiān)督式學(xué)習(xí)RBM輸入數(shù)據(jù)特征信息的任務(wù),依據(jù)最大似然原理對(duì)RBM進(jìn)行訓(xùn)練,最終能夠?qū)ζ詈蜋?quán)重進(jìn)行調(diào)整使p(v)的概率增加。根據(jù)式(2)和式(3)能夠更新可見(jiàn)層與隱含層間的權(quán)重。

      式(3)、式(5)、式(7)中的m為動(dòng)量,能夠?qū)ζ涮卣鞯膶W(xué)習(xí)速度進(jìn)行表征;r表示誤差重構(gòu)和噪音消除的學(xué)習(xí)率;d代表了權(quán)重的衰減程度,其目的是使測(cè)試數(shù)據(jù)的效果達(dá)到最優(yōu)。式(4)—式(7)體現(xiàn)了偏差ai和bj的調(diào)整過(guò)程。

      重構(gòu)誤差和原始數(shù)據(jù)之間的平方誤差可以通過(guò)簡(jiǎn)單計(jì)算得出,但其不適用于數(shù)據(jù)的監(jiān)測(cè)訓(xùn)練,因?yàn)槭馆斎霐?shù)據(jù)的可行性最大限度地提升是RBM訓(xùn)練的目的。重構(gòu)誤差的變化不能很好地表明模型的性能好壞,從而引入一個(gè)新的變量——自由能來(lái)更好地表征模型的性能,自由能F(vdata)由式(8)和式(9)定義:

      RBM的訓(xùn)練主要是通過(guò)對(duì)驗(yàn)證數(shù)據(jù)集和訓(xùn)練數(shù)據(jù)集的平均自由能在各個(gè)時(shí)期進(jìn)行計(jì)算來(lái)完成的。模型的性能與平均自由能的關(guān)系為:平均自由能升高,模型性能降低,當(dāng)模型開(kāi)始超載時(shí),驗(yàn)證數(shù)據(jù)與訓(xùn)練數(shù)據(jù)的自由能都將提升,訓(xùn)練/驗(yàn)證數(shù)據(jù)的過(guò)度配套程度用其平均可再生能源來(lái)表征。

      RBM訓(xùn)練的過(guò)程如圖2,其中x代表數(shù)據(jù)輸入層(也叫可見(jiàn)層),h1、h2、h3代表隱含層。

      (二)DBN模型

      深度信念網(wǎng)絡(luò)是含多隱含層的預(yù)測(cè)模型,輸入層位于最底層,隱含層位于中間層,特征層位于隱含層的下一層。RBM由兩個(gè)相鄰層構(gòu)成,頂層是執(zhí)行分類(lèi)的輸出層,標(biāo)簽數(shù)據(jù)表示原始數(shù)據(jù)的有效類(lèi)信息,一般情況下是將頂層的輸出與標(biāo)簽數(shù)據(jù)進(jìn)行對(duì)比來(lái)實(shí)現(xiàn)數(shù)據(jù)分類(lèi)的。

      (三)樣本數(shù)據(jù)和評(píng)估指標(biāo)的選取

      為了使樣本集不至于太偏斜,也為了確??梢垣@得足夠的數(shù)據(jù)樣本,本文從Wind數(shù)據(jù)庫(kù)中獲得2016—2018年度100家中小型企業(yè)3—5年的財(cái)務(wù)數(shù)據(jù),共搜集到完整的300組數(shù)據(jù)。由于微調(diào)需要用少量帶標(biāo)簽樣本,因此將這300組數(shù)據(jù)作為微調(diào)所需樣本。

      根據(jù)DBN的自動(dòng)學(xué)習(xí)、轉(zhuǎn)換和分類(lèi)的能力,考慮各評(píng)估指標(biāo)代表的含義及相關(guān)性,對(duì)21個(gè)原始評(píng)估指標(biāo)進(jìn)行因子分析,最終選取了8個(gè)評(píng)估指標(biāo),用這8個(gè)評(píng)估指標(biāo)來(lái)反映中小企業(yè)是履約或違約。這些評(píng)估指標(biāo)分別為素質(zhì)建設(shè)因子、貿(mào)易因子、盈利因子、營(yíng)運(yùn)因子、綜合因子、成長(zhǎng)因子、合作因子、項(xiàng)目建設(shè)與償債因子,為了使計(jì)算更為精確,也為了使這些評(píng)估指標(biāo)的差異性最小化,先利用式(10)對(duì)各個(gè)評(píng)估指標(biāo)進(jìn)行標(biāo)準(zhǔn)化。

      式中:xnew為標(biāo)準(zhǔn)化后評(píng)估指標(biāo)值;x為評(píng)估指標(biāo)原來(lái)的值;xmean為x所占各評(píng)估指標(biāo)值總量的均值;xstd表示該評(píng)估指標(biāo)的標(biāo)準(zhǔn)差值。

      圖3為基于DBN的線(xiàn)上供應(yīng)鏈金融信用風(fēng)險(xiǎn)評(píng)估模型,最底層輸入模型的是8個(gè)已標(biāo)準(zhǔn)化處理的中小企業(yè)評(píng)估指標(biāo),中間層為RBM,最終輸出的最大概率所對(duì)應(yīng)的線(xiàn)上供應(yīng)鏈金融信用風(fēng)險(xiǎn)狀況即為評(píng)估結(jié)果。

      (四)基于DBN的線(xiàn)上供應(yīng)鏈金融信用風(fēng)險(xiǎn)評(píng)估

      從DBN的理論可知,訓(xùn)練學(xué)習(xí)和微調(diào)學(xué)習(xí)兩個(gè)階段共同構(gòu)成了DBN算法,其中訓(xùn)練學(xué)習(xí)是指堆疊RBM的方式向前進(jìn)行的訓(xùn)練學(xué)習(xí),而微調(diào)學(xué)習(xí)則是從頂層向底層通過(guò)微調(diào)參數(shù)的方式進(jìn)行的。線(xiàn)上供應(yīng)鏈金融信用風(fēng)險(xiǎn)的評(píng)估流程如圖4,具體的步驟為:

      (1)收集線(xiàn)上供應(yīng)鏈金融模式下中小企業(yè)信息,甄選出初步的評(píng)估指標(biāo)。

      (2)預(yù)先運(yùn)用因子分析法對(duì)評(píng)估指標(biāo)進(jìn)行降維處理,從而提取出特征值大于1的8個(gè)因子。

      (3)選取指標(biāo)數(shù)據(jù),并劃分為測(cè)試集和訓(xùn)練集。

      (4)建立基于DBN的線(xiàn)上供應(yīng)鏈金融信用風(fēng)險(xiǎn)評(píng)估模型。

      (5)將訓(xùn)練樣本輸入到評(píng)估模型中,向第一個(gè)RBM中輸入數(shù)據(jù),并將其輸出的數(shù)據(jù)作為下一層的輸入數(shù)據(jù)進(jìn)行訓(xùn)練,依次循環(huán),直到所有的RBM學(xué)習(xí)完成。

      (6)根據(jù)訓(xùn)練樣本中帶標(biāo)簽的數(shù)據(jù)和分類(lèi)誤差,對(duì)整個(gè)DBN模型從頂層向最底層逐層進(jìn)行參數(shù)微調(diào),完成整個(gè)DBN模型的訓(xùn)練。

      (7)將測(cè)試樣本輸入到已訓(xùn)練好的DBN評(píng)估模型中進(jìn)行評(píng)估測(cè)試。

      (8)輸出評(píng)估結(jié)果。

      (五)基于DBN的線(xiàn)上供應(yīng)鏈金融信用風(fēng)險(xiǎn)評(píng)估模型評(píng)估性能測(cè)試

      從經(jīng)典數(shù)據(jù)庫(kù)中選取Iris、Wine、Adult三個(gè)數(shù)據(jù)集代入基于DBN的線(xiàn)上供應(yīng)鏈金融信用風(fēng)險(xiǎn)評(píng)估模型中進(jìn)行測(cè)試,將參數(shù)更新速率值設(shè)置為0.01,初始學(xué)習(xí)速率值設(shè)置為0.1,網(wǎng)絡(luò)參數(shù)的初始化取高斯分布條件下的隨機(jī)較小值。

      表4展示了基于DBN評(píng)估模型對(duì)3個(gè)不同數(shù)據(jù)集的評(píng)估情況。從表中可以看出用基于DBN的線(xiàn)上供應(yīng)鏈金融信用風(fēng)險(xiǎn)評(píng)估模型對(duì)數(shù)據(jù)集進(jìn)行分類(lèi)呈現(xiàn)了較好的平均分類(lèi)正確率,證明此模型可以用于解決分類(lèi)問(wèn)題。

      四、模型實(shí)證分析

      (一)模型實(shí)證概述

      為了對(duì)基于DBN的線(xiàn)上供應(yīng)鏈金融信用風(fēng)險(xiǎn)評(píng)估模型的評(píng)估效果進(jìn)行驗(yàn)證,選取發(fā)展線(xiàn)上供應(yīng)鏈金融比較成熟的汽車(chē)行業(yè)中小企業(yè)為研究對(duì)象,從Wind數(shù)據(jù)庫(kù)中得到2016—2018年度100家中小型企業(yè)3—5年的財(cái)務(wù)信息和非財(cái)務(wù)信息共300組完整的數(shù)據(jù),運(yùn)用因子分析法從原始數(shù)據(jù)中提取出8個(gè)潛在因子,并將這些數(shù)據(jù)導(dǎo)入到基于DBN的線(xiàn)上供應(yīng)鏈金融信用風(fēng)險(xiǎn)評(píng)估模型中進(jìn)行評(píng)估,評(píng)估結(jié)果分類(lèi)情況如表5所示。

      為了更好地對(duì)線(xiàn)上供應(yīng)鏈金融信用風(fēng)險(xiǎn)評(píng)估的準(zhǔn)確率進(jìn)行比較,選取了1 200組去標(biāo)簽數(shù)據(jù)作為模型學(xué)習(xí)的預(yù)訓(xùn)練集,選取300組企業(yè)違約、履約狀態(tài)下的帶標(biāo)簽數(shù)據(jù)作為調(diào)節(jié)模型的測(cè)試集和微調(diào)集,其比例為1:2。

      (二)評(píng)估結(jié)果分析

      1.節(jié)點(diǎn)數(shù)的確定

      當(dāng)前風(fēng)險(xiǎn)評(píng)估案例中三層結(jié)構(gòu)的深度信念網(wǎng)絡(luò)應(yīng)用最為廣泛,評(píng)估效果也比較理想,所以本例也引用三層的深度信念網(wǎng)絡(luò)進(jìn)行風(fēng)險(xiǎn)評(píng)估,DBN具體的結(jié)構(gòu)為:一個(gè)輸入層和輸出層,三個(gè)RBM。由于數(shù)據(jù)的維數(shù)和輸入數(shù)據(jù)的節(jié)點(diǎn)數(shù)是相同的,所以節(jié)點(diǎn)數(shù)對(duì)風(fēng)險(xiǎn)評(píng)估的效果有較大影響。根據(jù)8個(gè)信用風(fēng)險(xiǎn)評(píng)估指標(biāo)在輸入層設(shè)置8個(gè)節(jié)點(diǎn),根據(jù)兩種評(píng)估結(jié)果在輸出層設(shè)置兩個(gè)節(jié)點(diǎn),RBM中的節(jié)點(diǎn)數(shù)設(shè)置是沒(méi)有統(tǒng)一標(biāo)準(zhǔn)的,因此具有一定的主觀性,需要根據(jù)實(shí)際需要選取最佳的節(jié)點(diǎn)數(shù)。參考相關(guān)的經(jīng)驗(yàn)公式,分別設(shè)置了不同的隱含層節(jié)點(diǎn)數(shù)組合,來(lái)討論其對(duì)線(xiàn)上供應(yīng)鏈金融信用風(fēng)險(xiǎn)評(píng)估結(jié)果準(zhǔn)確率的影響。為了更加方便地對(duì)三個(gè)隱含層的節(jié)點(diǎn)數(shù)進(jìn)行表達(dá),f、g、k分別代表第一、二、三層隱含層的節(jié)點(diǎn)數(shù),簡(jiǎn)稱(chēng)為f×g×k,具體如表6所示。

      履約、違約狀況的線(xiàn)上供應(yīng)鏈金融信用風(fēng)險(xiǎn)評(píng)估數(shù)據(jù)隨機(jī)選取40個(gè)測(cè)試樣本和40個(gè)訓(xùn)練樣本,根據(jù)表5中的信息,可以得到80個(gè)測(cè)試樣本和80個(gè)訓(xùn)練樣本,將這些數(shù)據(jù)輸入到表6所設(shè)置的DBN網(wǎng)絡(luò)中,設(shè)置迭代次數(shù)為250,并統(tǒng)計(jì)重復(fù)計(jì)算10次后各項(xiàng)的均值。

      圖5為8個(gè)線(xiàn)上供應(yīng)鏈金融信用風(fēng)險(xiǎn)評(píng)估特征輸入到隱含層節(jié)點(diǎn)數(shù)組合分別為6×12×18,12×18×24,12×12×12和24×18×12的DBN網(wǎng)絡(luò)中計(jì)算后得出的線(xiàn)上供應(yīng)鏈金融信用風(fēng)險(xiǎn)評(píng)估準(zhǔn)確率與迭代次數(shù)關(guān)系圖。從圖中可以看出線(xiàn)上供應(yīng)鏈金融信用風(fēng)險(xiǎn)評(píng)估準(zhǔn)確率隨著迭代次數(shù)的增加而變高,但是評(píng)估準(zhǔn)確率增長(zhǎng)的速度不同,沒(méi)有迭代時(shí)評(píng)估準(zhǔn)確率非常低,在0到100步之間增長(zhǎng)速度比較急劇,而到了150步時(shí)增長(zhǎng)的速度比較緩慢。證明了在一定范圍內(nèi)增加迭代次數(shù)可以大幅度增加線(xiàn)上供應(yīng)鏈金融信用風(fēng)險(xiǎn)評(píng)估準(zhǔn)確率。

      表7為不同企業(yè)數(shù)據(jù)經(jīng)過(guò)250次迭代運(yùn)算后所對(duì)應(yīng)的線(xiàn)上供應(yīng)鏈金融信用風(fēng)險(xiǎn)評(píng)估狀況,其中評(píng)估準(zhǔn)確率取迭代運(yùn)算中的最大值。

      由表7中的數(shù)據(jù)分析可以得出以下結(jié)論:12組不同隱含層節(jié)點(diǎn)數(shù)組合的DBN結(jié)構(gòu)中,只有第1組的評(píng)估準(zhǔn)確率低于80%,第2組到第12組的評(píng)估準(zhǔn)確率均大于80%。評(píng)估準(zhǔn)確率處于80%~90%之間的為2組、3組、6組、7組和11組,第4、5、8、9、10和12組的評(píng)估準(zhǔn)確率均在90%以上。12組不同隱藏層節(jié)點(diǎn)數(shù)組合的DBN中有11組的評(píng)估準(zhǔn)確率大于80%,6組的評(píng)估準(zhǔn)確率大于90%,證明DBN可以準(zhǔn)確評(píng)估線(xiàn)上供應(yīng)鏈金融信用風(fēng)險(xiǎn),也驗(yàn)證了隱含層節(jié)點(diǎn)數(shù)對(duì)線(xiàn)上供應(yīng)鏈金融信用風(fēng)險(xiǎn)評(píng)估的結(jié)果有較大影響。從表7中可以看出評(píng)估準(zhǔn)確率最高的為第8組,因此線(xiàn)上供應(yīng)鏈金融信用風(fēng)險(xiǎn)評(píng)估的基礎(chǔ)模型選取隱含節(jié)點(diǎn)數(shù)為12×24×12的RBM。

      2.不同預(yù)訓(xùn)練集的線(xiàn)上供應(yīng)鏈金融信用風(fēng)險(xiǎn)的評(píng)估情況

      表8為基于DBN的線(xiàn)上供應(yīng)鏈金融信用風(fēng)險(xiǎn)模型對(duì)不同預(yù)訓(xùn)練集的評(píng)估情況。表8中的數(shù)據(jù)顯示:當(dāng)預(yù)訓(xùn)練集的數(shù)量從200增加到600時(shí),平均準(zhǔn)確率從93.66%增加到95.58%,共提升了1.92%的準(zhǔn)確率;預(yù)訓(xùn)練集的數(shù)量從600增加到1 200時(shí),平均準(zhǔn)確率從95.58%增加到96.04%,僅僅增加了0.46%的準(zhǔn)確率。表明隨著預(yù)訓(xùn)練集數(shù)量的增加,線(xiàn)上供應(yīng)鏈金融信用風(fēng)險(xiǎn)評(píng)估的平均準(zhǔn)確率逐漸增加,但是預(yù)訓(xùn)練集達(dá)到一定數(shù)量后,評(píng)估的平均準(zhǔn)確率增長(zhǎng)速度變慢。所以為了節(jié)省時(shí)間成本,要選最佳數(shù)量的預(yù)訓(xùn)練集。

      為了凸顯該方法的優(yōu)越性,整合表6、表7和表8中的數(shù)據(jù),在微調(diào)集為200、測(cè)試集為100時(shí),比較SVM、Logistic與該方法的評(píng)估效果。表9為不同方法的線(xiàn)上供應(yīng)鏈金融信用風(fēng)險(xiǎn)評(píng)估情況對(duì)比。

      從表9中的數(shù)據(jù)可知:在樣本相同的情況下,Logistic評(píng)估的平均準(zhǔn)確率最低,僅為82.34%;SVM的評(píng)估平均準(zhǔn)確率為87.91%,能優(yōu)于Logistic,但是還沒(méi)有達(dá)到90%,診斷效果不能令人滿(mǎn)意;而基于DBN方法的線(xiàn)上供應(yīng)鏈金融信用風(fēng)險(xiǎn)評(píng)估準(zhǔn)確率大于95%,診斷效果令人滿(mǎn)意, 主要是因?yàn)镈BN是基于樣本的概率分布來(lái)提取高層特征的,DBN的特征提取方式更有利于科學(xué)地提取出本質(zhì)特征。Logistic與SVM是淺層神經(jīng)網(wǎng)絡(luò),而DBN是深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò),由表9可知基于深度學(xué)習(xí)的線(xiàn)上供應(yīng)鏈金融信用風(fēng)險(xiǎn)評(píng)估效果明顯優(yōu)于其他風(fēng)險(xiǎn)評(píng)估效果,體現(xiàn)出該方法對(duì)線(xiàn)上供應(yīng)鏈金融信用風(fēng)險(xiǎn)的評(píng)估更具有智能性和科學(xué)性。

      五、結(jié)論

      本文提出了基于DBN的線(xiàn)上供應(yīng)鏈金融信用風(fēng)險(xiǎn)評(píng)估方法,建立了相應(yīng)的評(píng)估模型,并通過(guò)實(shí)例驗(yàn)證得出最終的評(píng)估平均準(zhǔn)確率達(dá)96.04%。在同等條件下與SVM、Logistic的評(píng)估結(jié)果對(duì)比分析,顯示本文使用的評(píng)估方法有更好的評(píng)估效果,利用基于DBN的線(xiàn)上供應(yīng)鏈金融信用風(fēng)險(xiǎn)評(píng)估方法對(duì)中小企業(yè)信用風(fēng)險(xiǎn)進(jìn)行評(píng)估可以幫助銀行規(guī)避更多的線(xiàn)上供應(yīng)鏈金融信用風(fēng)險(xiǎn),更加有效地識(shí)別線(xiàn)上供應(yīng)鏈金融中的違約中小型企業(yè)。

      【主要參考文獻(xiàn)】

      [1] 李仲飛,黃金波.我國(guó)小微企業(yè)融資困境的動(dòng)態(tài)博弈分析[J].華東經(jīng)濟(jì)管理,2016,30(2):1-8.

      [2] 陳潔,宋夢(mèng)瑩,李彩霞.先進(jìn)制造業(yè)互聯(lián)網(wǎng)供應(yīng)鏈金融運(yùn)作模式研究[J].會(huì)計(jì)之友,2019(23):148-152.

      [3] 宋華,楊雨?yáng)|.現(xiàn)代ICT賦能的智慧供應(yīng)鏈金融創(chuàng)新與發(fā)展[J].中國(guó)流通經(jīng)濟(jì),2019,33(12):34-41.

      [4] 夏雨,方磊,魏明俠.供應(yīng)鏈金融:理論演進(jìn)及其內(nèi)在邏輯[J].管理評(píng)論,2019,31(12):26-39.

      [5] 李寶寶,李婷婷,耿成軒.供應(yīng)鏈金融與中小企業(yè)融資約束:以制造行業(yè)中小上市公司為例[J].華東經(jīng)濟(jì)管理,2016,30(11):174-179.

      [6] 王妮.線(xiàn)上供應(yīng)鏈金融創(chuàng)新融資模式風(fēng)險(xiǎn)控制[J].會(huì)計(jì)之友,2019(21):134-139.

      [7] 譚喻縈,楊箏.基于收益共享機(jī)制的線(xiàn)上供應(yīng)鏈金融最優(yōu)均衡策略研究[J].管理評(píng)論,2019,31(9):241-254.

      [8] 夏立明,邊亞男,宗恒恒.基于供應(yīng)鏈金融的中小企業(yè)信用風(fēng)險(xiǎn)評(píng)價(jià)模型研究[J].商業(yè)研究,2013(10):171-177.

      [9] 熊熊,馬佳,趙文杰,等.供應(yīng)鏈金融模式下的信用風(fēng)險(xiǎn)評(píng)價(jià)[J].南開(kāi)管理評(píng)論,2009,12(4):92-98,106.

      [10] 逯宇鐸,金艷玲.基于Lasso-logistic模型的供應(yīng)鏈金融信用風(fēng)險(xiǎn)實(shí)證研究[J].管理現(xiàn)代化,2016,36(2):98-100.

      [11] 胡海青,張瑯,張道宏.供應(yīng)鏈金融視角下的中小企業(yè)信用風(fēng)險(xiǎn)評(píng)估研究:基于SVM與BP神經(jīng)網(wǎng)絡(luò)的比較研究[J].管理評(píng)論,2012(11):70-80.

      [12] 姚王信,夏娟,孫婷婷.供應(yīng)鏈金融視角下科技型中小企業(yè)融資約束及其緩解研究[J].科技進(jìn)步與對(duì)策,2017,34(4):105-110.

      [13] LECUN Y, BENGIO Y, HINTON G. Deep learning [J].Nature,2015,521(7553):436-444.

      [14] 汪洋,王俊剛.基于深度學(xué)習(xí)算法的鐵路列車(chē)運(yùn)行安全檢測(cè)[J].中國(guó)安全科學(xué)學(xué)報(bào),2018,28(S2):41-45.

      [15] SCHMIDHUBER J.Deep learning in neural networks:an overview [J].Neural Networks,2015,61:85-117.

      [16] 盧慕超.基于深度置信網(wǎng)絡(luò)的商業(yè)銀行信用風(fēng)險(xiǎn)預(yù)測(cè)實(shí)證研究[D].太原:太原理工大學(xué)博士學(xué)位論文,2017.

      [17] 呂躍進(jìn),張維.指數(shù)標(biāo)度在AHP標(biāo)度系統(tǒng)中的重要作用[J].系統(tǒng)工程學(xué)報(bào),2003(5):452-456.

      [18] QIU? ZEYANG,LIANG? WEI,ZHANG? ?LAIBIN. Tracing and prediction analysis of an urban pipeline leakage accident based on the catastrophe DBN model[J]. Journal of Natural Gas Science and Engineering,2018,57:339-348.

      [19] GENG ZHIQIANG, LI ZHONGKUN, HANYONGMING. A new deep belief network based on RBM with glial chains[J].Information Sciences,2018, 463-464:294-306.

      猜你喜歡
      因子分析信用風(fēng)險(xiǎn)
      淺析我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)管理
      基于因子分析法的二胎概念股投資價(jià)值分析
      基于主導(dǎo)產(chǎn)業(yè)視角的戰(zhàn)略性新興產(chǎn)業(yè)識(shí)別以及實(shí)證研究
      基于省會(huì)城市經(jīng)濟(jì)發(fā)展程度的實(shí)證分析
      山東省縣域經(jīng)濟(jì)發(fā)展評(píng)價(jià)研究
      商(2016年27期)2016-10-17 07:17:42
      實(shí)證分析會(huì)計(jì)信息對(duì)股價(jià)的影響
      商(2016年27期)2016-10-17 05:39:59
      京東商城電子商務(wù)信用風(fēng)險(xiǎn)防范策略
      新型工業(yè)企業(yè)經(jīng)濟(jì)效益指標(biāo)體系及其綜合評(píng)價(jià)
      PPP項(xiàng)目發(fā)行中期票據(jù)的可能性與信用風(fēng)險(xiǎn)分析
      個(gè)人信用風(fēng)險(xiǎn)評(píng)分的指標(biāo)選擇研究
      404 Not Found

      404 Not Found


      nginx
      福安市| 定边县| 潼关县| 赫章县| 汉源县| 巫溪县| 金溪县| 平南县| 留坝县| 松溪县| 曲麻莱县| 苗栗县| 海原县| 白河县| 龙口市| 庄河市| 沙河市| 同仁县| 江北区| 和龙市| 方山县| 彰化县| 房山区| 武冈市| 黑河市| 库车县| 张掖市| 寿宁县| 淮北市| 平罗县| 驻马店市| 赤峰市| 上思县| 湖口县| 托克托县| 富源县| 木里| 开化县| 常宁市| 天柱县| 延津县|