BP算法在農戶小額信貸信用評級中的應用

摘要：農戶信用等級評定的準確性成為決定小額貸款還貸率高低的決定因素，本文利用人工神經網絡的反向傳播(Back Propagation簡稱BP)思想，建立農戶信用評估模型。通過該模型進行評價，弱化了人為因素，提高了評定結果的準確性和權威性。

關鍵詞：小額信貸；BP算法；信用評級

1 引言

農戶小額信用貸款信用等級評定是金融界普遍重視的難點問題。農戶信用等級評定的準確性與真實性成為決定還貸率高低的重要環節。而在實際操作中，由于我國農戶小額信貸信用評級制度不完善，評級過程中信用檔案資料建立不夠準確及時，信用評價標準不規范，缺乏科學的評級指標和方法，信用等級評定主觀性、隨意性較大，導致評級帶有盲目性、偏向性。

從對農村小額信貸的信用風險研究上看，國外特別是發達國家對發展中國家農村貸款的信用風險研究多一些，而國內學者做的類似研究相對少一些，針對農戶小額信貸風險評級制度的研究就更不多見了。目前信用風險的評價方法主要有：專家評估法、層次分析法、模糊綜合評判法和數據包絡分析法等。專家評估法是借用各類科技人員的專長及其對有關政策和管理工作理解的深度做出決策，主要依靠概率統計，只能以均值反映權重；層次分析法(AHP)在構造判斷矩陣做出各因素間相對重要性評價時，離不開人的經驗，主觀隨意性較大；模糊綜合評判法使用效果一般較好，但有時亦會出現分類不清結果不合理的問題；DEA(數據包絡分析)法的決策單元相對效率只能通過投入或產出測算，而且兩種角度的測算結果通常不相同，但是又不能同時通過它們測算，此外，在適應性方面該方法還存在不足，有待進一步探討。

本文建立一個基于人工神經網絡算法的BP評價模型。該模型依據適合我國國情的農戶信用等級評價指標體系，并基于神經網絡能處理任意類型數據的優勢，克服了傳統分析過程的復雜性及選擇適當模型函數形式的困難。科學地確定農戶小額信用貸款信用等級，從而對正在我國農村開展的農戶小額信用貸款中，農戶信用評級的實際工作提供科學的依據。

2 農戶信用等級評價的BP模型

2.1 農戶信用綜合評估的指標體系的建立

(1)指標選取

通過調查我國農戶信用評估的實際情況，遵照評價指標體系設立的代表性、完整性、可操作性等原則，并根據李正波等(2006)對我國農村信用社農戶貸款信用風險的實證研究的基礎上，本文將農戶信用等級評估的指標體系按屬性不同分為：自然特征(x1)、償債能力(x2)、經營狀況(x3)、信譽狀況(x4)、軟資產項目(x5)五個大類，每一類指標又包含若干個具體指標，如表1所示。

(2)定性指標的定量化

對于定性指標要進行定量化，取[0，1]間的數，來表征在實際工作中，對農戶信用評估的影響程度。如對于健康狀況，1表示非常好，0.8表示很好，0.3表示不好等。

采用等比例縮放的方法，使表1中的離散數據落入[0，1]區間，以便于神經網絡對數據進行處理。

計算公式如下： (1)

2.2 BP模型的建立

(1)BP模型原理

由前面的分析可知，個人信用等級主要取決于五大項中的各子項，即勞動力健康狀況、受教育程度、勞動力數量、婚姻狀況、年收入水平、年支出情況、家庭財產狀況、現有負債額、貸款次數、房產數量、土地面積、經營項目及規模、誠實守信程度、信貸歷史記錄、其它毀譽記錄、紀念性物品數量等16個主要因素。為確定農戶信用評估得分與影響因子間的定量關系，根據人工神經網絡基本原理，設計相應的神經網絡，整個BP 網絡結構如圖1所示：

BP神經網絡由輸人層、輸出層和隱含層組成。輸人層從外界接受信息，輸人層節點數等于輸人樣本的變量個數，即X=(x1，x2，…，xn)T，n=16；輸出層把網絡處理后的信息傳向外界，輸出層節點數等于目標輸出參量數，即客戶評估得分，故而等于1；隱含層節點數的選取沒有理論上的指導，據經驗確定[2]。一般可考慮的經驗法則有：①隱含層結點數不能是各層中節點數最少的，也不能是最多的；②較好的隱含層結點數介于輸人節點和輸出節點數之和的50%-75%之間。綜合上述經驗法則，得到農戶信用評價BP模型的隱含層的個數為10。

(2)BP模型建立

由上述分析得出，農戶信用評估神經網絡模型為三層模型結構：16×10×1，即輸人層結點數為16，隱含層結點數為10，輸出層結點數為1。

設輸人向量為X=(x1，x2，…，x16)T，隱含層向量Y=(y1，y2，…，y10)T，輸出層結點數為Z，Z∈(0， l]；將訓練集的模型輸出數據轉換為(0，1]數值，作為目標輸出，用向量D =(d1)表示。輸入層結點到隱含層結點的權值用向量V=(v1，v2，…，v13)表示，隱含層結點到輸出層結點權值用向量X=(w1，w2，…，w10)表示。

由于輸人向量X=(x1，x2，…，x16)T和輸出向量Z=(z)不一定滿足線性關系，因此選擇單極性Sigmoid函數作為轉移函數，函數表達式為:

(2)

根據BP算法，農戶信用評估模型隱含層公式為:

j=1，2，…，10 (3)

其中uij為輸人層到中間層的權值。

農戶信用評估模型的輸出層公式為:

(4)

其中Wj為輸人層到中間層的權值。

公式(2)， (3)， (4)既構成了農戶信用評估BP模型。

3 應用實例及分析

從某地支行隨機抽取了10個農戶個體樣本進行研究，表2列出了這10個樣本各信用指標，經公式(1)進行標準化處理后，得到的數據。

通過Madab7.1軟件驗證農戶信用評估模型的正確性。選取表2中前8組樣本數據作為訓練信號，訓練該網絡，第9，10組的樣本數據作為驗證數據，對經過訓練生成的神經網絡模型的預測結果進行驗證。

設置學習速率為0.001，進行3000次的學習次數，誤差精度為0.01。在Matlab中進行模型仿真，具體過程如下：

p=[i，j];%對p進行賦值

t=[i，j];%對t進行賦值

net=newff(minmax(p)，[16，10，1]，{‘tansig’，‘tansig’，‘purelin’}，‘traingdm’);

net.trainParam.show=50;

net.trainParam.lr=0.001;

net.trainParam.epochs=3000;

net.trainParam.goal=0.01;

[net，tr]=train(net，p，t);

A=sim(net，p)

E=t-A;

figure

plot(p，t，‘b+’，p，A，‘ro’);

xlabel(‘輸入’);

ylabel(‘輸出’);

MSE=mse(E);

R=questdlg(‘是否進行仿真？’，‘選擇’，‘仿真’，‘退出’，‘仿真’);

if(strcmp(R，‘仿真’))

W=[i，j];%對w進行賦值

B=sim(net，W)

End

生成網絡訓練的誤差變化曲線和網絡輸出與目標之間的誤差如圖2、圖3所示。

4 結語

本文采用人工神經網絡中的BP模型對農戶信用評估進行研究，使用這一方法不需要專家對各指標因素的相對重要性做出精確判斷，而只需要對評價的各項指標給出其在某一個分值區間內即可，因此，降低了傳統評級方法的主觀性，使農戶信用評估更具科學性；基于BP網絡算法的思想，建立的農戶信用評估模型，通過金融機構的農戶信用歷史數據的訓練和學習，調整模型各組成神經單元之間的連接權重，確定輸人輸出之間的內在聯系，從而使模型具備對農戶信用等級的預測評估能力，通過該模型進行的農戶信用評估，弱化了權重確定中的人為因素，提高了評估結果的準確性和權威性；神經網絡超強的非線性處理能力也更加準確地體現了農戶信用評估指標體系各要素與評估結果的關系。并有助于將影響農戶信用的各因素定量化，從而建立了一種農戶信用等級評估的定量方法。

本文只是人工神經網絡理論在農戶信用評估研究方面的初步嘗試，指標的選取還有待進一步研究，其關鍵在于使指標體系既結合國際慣例又反映我國農戶實際情況。同時不斷地對農戶小額信用貸款信用評估系統進行研究和總結，并在實踐中不斷探索和檢驗，找出一套適合現階段農村經濟發展和農戶經濟行為的系統模型，才能達到降低農村信貸風險，順利推廣農戶小額信用貸款的日的。

參考文獻：

[1]譚民俊，王雄，岳意定.FPR_UTAHP評價方法在農戶小額信貸信用評級中的應用.系統工程[J].2007(5)

[2]張德棟，張強.基于神經網絡的企業信用評估模型[J].北京理工大學學報，2004，24(11)

[3]李曙光.神經網絡在消費者個人信用評分中的應用探討[J].技術經濟，2003(3)

[4]胡愈，許紅蓮，王雄.農戶小額信用貸款信用評級探究[J].財經理論與實踐，2007(145)

（作者單位：貴州財經學院）