基于BP神經(jīng)網(wǎng)絡(luò)的企業(yè)賒銷風(fēng)險(xiǎn)評(píng)估研究

摘要：結(jié)合賒銷風(fēng)險(xiǎn)的特征，提出將“賒銷風(fēng)險(xiǎn)度”作為新的賒銷風(fēng)險(xiǎn)度量標(biāo)準(zhǔn)，在此基礎(chǔ)上將企業(yè)賒銷風(fēng)險(xiǎn)劃分為5個(gè)等級(jí)，并將BP神經(jīng)網(wǎng)絡(luò)引入賒銷風(fēng)險(xiǎn)評(píng)價(jià)，建立了基于BP神經(jīng)網(wǎng)絡(luò)的企業(yè)賒銷風(fēng)險(xiǎn)評(píng)價(jià)模型。實(shí)證結(jié)果表明，該模型是有效且可行的。

關(guān)鍵詞：賒銷風(fēng)險(xiǎn)度；客戶信用；BP神經(jīng)網(wǎng)絡(luò)；風(fēng)險(xiǎn)評(píng)價(jià)

中圖分類號(hào)：F270文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1673-291X（2011）04-0050-03

引言

賒銷風(fēng)險(xiǎn)就是基于信用銷售以后所產(chǎn)生的對(duì)未來(lái)的不確定性風(fēng)險(xiǎn)，表現(xiàn)為賒銷客戶由于各種原因，不愿意或無(wú)力償還賒銷貨款，使企業(yè)貨款無(wú)法回收，形成呆賬的可能性[1]。在賒銷過(guò)程中，客戶一般并不提供實(shí)質(zhì)性擔(dān)保，因此，企業(yè)面臨的賒銷風(fēng)險(xiǎn)也隨之增加。近年來(lái)，一些企業(yè)經(jīng)營(yíng)陷入困境而使得供應(yīng)鏈上的其他企業(yè)因賒銷貨款無(wú)法正常回收也相繼陷入停產(chǎn)和破產(chǎn)危機(jī)，這些實(shí)例就是最好的佐證。因此，探尋和建立行之有效的賒銷風(fēng)險(xiǎn)評(píng)估方法就彰顯出其重要意義。

本文從賒銷風(fēng)險(xiǎn)評(píng)價(jià)的目的出發(fā)，提出了基于賒銷風(fēng)險(xiǎn)度的賒銷風(fēng)險(xiǎn)度量標(biāo)準(zhǔn)。同時(shí)，將BP神經(jīng)網(wǎng)絡(luò)引入賒銷風(fēng)險(xiǎn)評(píng)價(jià)，建立了基于BP神經(jīng)網(wǎng)絡(luò)的企業(yè)賒銷風(fēng)險(xiǎn)評(píng)價(jià)模型。實(shí)證分析結(jié)果表明，該模型是有效可行的。

一、賒銷風(fēng)險(xiǎn)的度量標(biāo)準(zhǔn)及評(píng)價(jià)指標(biāo)體系

1.基于賒銷風(fēng)險(xiǎn)度的賒銷風(fēng)險(xiǎn)度量標(biāo)準(zhǔn)。在綜合考慮賒銷風(fēng)險(xiǎn)的實(shí)質(zhì)和不確定性的基礎(chǔ)上，本文提出將“賒銷風(fēng)險(xiǎn)度”作為一種新的賒銷風(fēng)險(xiǎn)衡量標(biāo)準(zhǔn)。賒銷風(fēng)險(xiǎn)度是一種以測(cè)度賒銷風(fēng)險(xiǎn)暴露程度（賒銷貨款安全系數(shù)）為核心的賒銷風(fēng)險(xiǎn)衡量標(biāo)準(zhǔn)，它是指對(duì)客戶開(kāi)展賒銷業(yè)務(wù)中，在特定的交易方式下，該客戶由于各種原因，不愿意或無(wú)力償還賒銷貨款而使貨款將來(lái)形成呆死賬的可能性。具體計(jì)算公式為：

di=1-rt

其中，di為某一客戶i進(jìn)行賒銷的賒銷風(fēng)險(xiǎn)度；rt為客戶i的當(dāng)期貨款回收率；m為考核的回收期 [2]。這一標(biāo)準(zhǔn)的優(yōu)越性可見(jiàn)文獻(xiàn)[2] 。

2.基于賒銷風(fēng)險(xiǎn)度的賒銷風(fēng)險(xiǎn)等級(jí)劃分。鑒于目前銀行業(yè)中運(yùn)用比較成熟的五級(jí)信用分類制度在國(guó)內(nèi)經(jīng)濟(jì)生活中的普及性，論文根據(jù)賒銷風(fēng)險(xiǎn)度的大小將賒銷風(fēng)險(xiǎn)分為5個(gè)等級(jí)，各等級(jí)對(duì)應(yīng)的標(biāo)準(zhǔn)及賒銷客戶特征（見(jiàn)表1） [3]。

3.賒銷風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系。論文采用理論與實(shí)證相結(jié)合的方法確定賒銷風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系，首先結(jié)合相關(guān)文獻(xiàn)和作者賒銷實(shí)踐，提出17項(xiàng)初始指標(biāo)，然后用專家打分法和實(shí)證分析兩種方法對(duì)初始的指標(biāo)體系進(jìn)行篩選，最終確定12項(xiàng)指標(biāo)（見(jiàn)下頁(yè)表2），具體分析過(guò)程略。

二、基于BP神經(jīng)網(wǎng)絡(luò)的賒銷風(fēng)險(xiǎn)評(píng)價(jià)模型

目前對(duì)于賒銷風(fēng)險(xiǎn)評(píng)價(jià)研究尚少，且賒銷風(fēng)險(xiǎn)評(píng)價(jià)是復(fù)雜非線性的多因子綜合系統(tǒng)，具有模糊、不確定等特性，適合采用結(jié)構(gòu)簡(jiǎn)單、具有非線性擬合能力的神經(jīng)網(wǎng)絡(luò)。基于以上考慮，論文將比較成熟的BP神經(jīng)網(wǎng)絡(luò)用于賒銷風(fēng)險(xiǎn)評(píng)價(jià)，構(gòu)建神經(jīng)網(wǎng)絡(luò)五級(jí)分類風(fēng)險(xiǎn)評(píng)價(jià)評(píng)估模型，為賒銷風(fēng)險(xiǎn)管理提供一個(gè)全面的視角。

本文建立的BP神經(jīng)網(wǎng)絡(luò)模型（如圖1所示）[4]。

圖1BP神經(jīng)網(wǎng)絡(luò)模型

該模型分為兩大模塊：前一部分是歸一化模塊，這一部分主要核心技術(shù)是將原始數(shù)據(jù)轉(zhuǎn)化為［0，1］區(qū)間的標(biāo)準(zhǔn)化數(shù)據(jù)；后一部分是BP神經(jīng)網(wǎng)絡(luò)（BPNN）模塊。上述模型中的BPNN模塊采用三層BP神經(jīng)網(wǎng)絡(luò)。該網(wǎng)絡(luò)包括三層：輸入層、隱層和輸出層。

應(yīng)用上述模型進(jìn)行賒銷風(fēng)險(xiǎn)評(píng)價(jià)的步驟為：

1.指標(biāo)歸一化。由于神經(jīng)網(wǎng)絡(luò)的輸入要求在[0，1]區(qū)間，因此，在網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練前首先要將各評(píng)價(jià)指標(biāo)的原始數(shù)據(jù)進(jìn)行歸一化。由于論文本文中的12個(gè)評(píng)價(jià)指標(biāo)既有定量指標(biāo)，也有定性指標(biāo)，它們的標(biāo)準(zhǔn)化方法是不同的。

定量指標(biāo)的標(biāo)準(zhǔn)化：

定量指標(biāo)分為兩類：成本型（越小越好）和效益型（越大越好）。對(duì)于指標(biāo)Fi，設(shè)其論域?yàn)閐i=[mi，Mi]，其中mi和Mi表示Fi的可能最小、最大值，Si∈[0，1]是定義在論域di上的標(biāo)準(zhǔn)化函數(shù)。以下是兩種指標(biāo)的標(biāo)準(zhǔn)化函數(shù)[5]：

成本型：Si=0xi≤mixi∈di1xi≥Mi

效益型：Si=1xi≤mixi∈di0xi≥Mi

定性指標(biāo)的標(biāo)準(zhǔn)化：

根據(jù)定性指標(biāo)取值，其標(biāo)準(zhǔn)化規(guī)則（見(jiàn)表3）。

2.網(wǎng)絡(luò)訓(xùn)練。原始數(shù)據(jù)經(jīng)過(guò)預(yù)處理后送入歸一化模塊，根據(jù)輸入信號(hào)按上一節(jié)的規(guī)則進(jìn)行歸一化，得到12個(gè)歸一化值，然后，這些歸一化值被送入BPNN模塊。由以上分析可知，BPNN模塊輸入層的神經(jīng)元數(shù)為12，即輸入信號(hào)x1，x2，…，x12對(duì)應(yīng)于12個(gè)歸一化值；輸出神經(jīng)元數(shù)為1，即輸出量O對(duì)應(yīng)于賒銷風(fēng)險(xiǎn)水平。

神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程也就是網(wǎng)絡(luò)參數(shù)修正的過(guò)程，本系統(tǒng)的網(wǎng)絡(luò)學(xué)習(xí)采用有教師的方法，網(wǎng)絡(luò)參數(shù)的修正采用梯度法實(shí)現(xiàn)。設(shè)現(xiàn)已有p個(gè)系統(tǒng)樣本數(shù)據(jù)[6～7]：

{a，Oa}，（a=1，2，…，p）

式中，上標(biāo)a表示樣本序號(hào)；a為樣本輸出，Oa為實(shí)際輸出。xai（i=1，2，…，12）為輸入變量，則輸入變量將按下式分配到隱層的第m個(gè)神經(jīng)元，作為其輸入x′m

x′m=wimxai （1）

式中，wim是輸入層神經(jīng)元i與隱層神經(jīng)元m的權(quán)值。隱層神經(jīng)元m的輸出O′m是其輸入x′m的函數(shù)，即：

O′m=F（xai）（2）

BP神經(jīng)元的傳遞函數(shù)F（x）通常為對(duì)數(shù)Sigmoid函數(shù)。同理也可以計(jì)算輸出層各個(gè)單元的輸入和輸出，這里不作詳細(xì)敘述。

通過(guò)一定數(shù)量的網(wǎng)絡(luò)訓(xùn)練過(guò)程，實(shí)際是修正網(wǎng)絡(luò)參數(shù)以確定最適宜的權(quán)值使對(duì)全部n個(gè)樣本的輸入，按式（1）、（2）的正向運(yùn)算得到的實(shí)際輸出Oa與a期望輸出（樣本輸出）的殘差達(dá)到最小，即：

→ E=（Oa-a）2最小 （3）

權(quán)值及閥值的修正通過(guò)反向傳播算法的梯度法實(shí)現(xiàn)，具體過(guò)程略。

3.模型驗(yàn)證。將n-p個(gè)驗(yàn)證樣本的輸入矢量x*v=（x*p+1，x*p+2，…，x*n）置于網(wǎng)絡(luò)中，進(jìn)行仿真預(yù)測(cè)，得到預(yù)測(cè)輸出矢量，檢驗(yàn)與輸出矢量與實(shí)際結(jié)果的差異以檢驗(yàn)網(wǎng)絡(luò)推廣能力。

4.模型確定。如果驗(yàn)證通過(guò)，說(shuō)明所建網(wǎng)絡(luò)泛化能力較強(qiáng)，可用于未來(lái)賒銷企業(yè)風(fēng)險(xiǎn)評(píng)級(jí)；否則，通過(guò)調(diào)整訓(xùn)練樣本P的大小、隱節(jié)點(diǎn)數(shù)、訓(xùn)練周期、目標(biāo)誤差等重建網(wǎng)絡(luò)。

5.訓(xùn)練結(jié)果分析。評(píng)級(jí)模型確定后，就可以直接用于企業(yè)賒銷風(fēng)險(xiǎn)評(píng)價(jià)輸出衡量企業(yè)賒銷風(fēng)險(xiǎn)等級(jí)的評(píng)價(jià)值α，該值的范圍為［0，1］，按照設(shè)定賒銷風(fēng)險(xiǎn)等級(jí)，各個(gè)等級(jí)輸出分值范圍為：

一級(jí)：分值范圍為0

二級(jí)：分值范圍為0.05

三級(jí)：分值范圍為0.15

四級(jí)：分值范圍為0.3

五級(jí)：分值范圍為0.5

這樣可以從網(wǎng)絡(luò)輸出值中明確得出企業(yè)賒銷風(fēng)險(xiǎn)等級(jí)。

三、實(shí)證分析

選取東、中和西部地區(qū)賒銷客戶五級(jí)分類樣本426家，這些樣本的數(shù)據(jù)是2007年度的相關(guān)數(shù)據(jù)。從每個(gè)風(fēng)險(xiǎn)等級(jí)樣本中隨機(jī)選取290家企業(yè)作為模型訓(xùn)練樣本，其余的136家企業(yè)作為檢驗(yàn)樣本。

將訓(xùn)練樣本按照標(biāo)準(zhǔn)化準(zhǔn)則進(jìn)行標(biāo)準(zhǔn)化，建立Matlab訓(xùn)練模型。模型輸入神經(jīng)元個(gè)數(shù)為12，輸出為5，規(guī)則層神經(jīng)元采用tansig型函數(shù)，而輸出層神經(jīng)元?jiǎng)t采用purelin型函數(shù)。經(jīng)過(guò)7614步迭代，BPNN模型收斂，誤差最小。將136家五級(jí)分類檢驗(yàn)樣本輸入到以上訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中進(jìn)行判別，模型總體預(yù)測(cè)精度（見(jiàn)表4）。從表4可以看出，模型的總體正確率為88.23%，這表明該模型是有效的。

表4模型對(duì)檢驗(yàn)樣本總體判斷結(jié)果

注：括號(hào)外的數(shù)字為被錯(cuò)誤分為該類的樣本數(shù)，括號(hào)內(nèi)的數(shù)字為該正判樣本數(shù)占所屬類樣本總數(shù)的百分比。

結(jié)論

當(dāng)前提出的許多衡量賒銷風(fēng)險(xiǎn)的方法，都缺乏可操作性，因此不能應(yīng)用企業(yè)數(shù)據(jù)進(jìn)行驗(yàn)證分析，這也就失去了研究的現(xiàn)實(shí)意義。為此，本文提出了一種基于“賒銷風(fēng)險(xiǎn)度”的賒銷風(fēng)險(xiǎn)度量標(biāo)準(zhǔn)，并在此基礎(chǔ)上將企業(yè)賒銷風(fēng)險(xiǎn)劃分為5個(gè)等級(jí)，并建立了基于BP的企業(yè)賒銷風(fēng)險(xiǎn)評(píng)價(jià)模型。實(shí)驗(yàn)結(jié)果表明，該模型是有效且可行的。

參考文獻(xiàn)：

[1]文彬.民營(yíng)企業(yè)商業(yè)交易中的賒銷制度研究[J].學(xué)術(shù)研究，2009，(4):40-45.

[2]吳玉萍，基于支持向量機(jī)的企業(yè)賒銷風(fēng)險(xiǎn)評(píng)估模型[J].軟科學(xué)，2009，(6):130-133.

[3]薛鋒，柯孔林.粗糙集神經(jīng)網(wǎng)絡(luò)系統(tǒng)在商業(yè)銀行貸款五級(jí)分類中的應(yīng)用[J].系統(tǒng)工程理論與實(shí)踐，2008，(1):40-45.

[4]蔡秋茹，羅燁.企業(yè)資信的BP神經(jīng)網(wǎng)絡(luò)評(píng)估模型研究[J].計(jì)算機(jī)技術(shù)與發(fā)展，2009，(10):117-119.

[5]徐澤水.不確定多屬性決策方法及應(yīng)用[M].北京:清華大學(xué)出版社，2004.

[6]Ahn B S，Cho S.The integrated methodology of rough set theory and artificial neural network for business failure predic[J].Expert Systems with Applications，2000，(2):65-74.

[7]劉春玲，劉萍，趙可新.基于BP神經(jīng)網(wǎng)絡(luò)的企業(yè)信用評(píng)估系統(tǒng)研究[J].微計(jì)算機(jī)信息，2009，(9):117-119.

[責(zé)任編輯 吳高君]