供應鏈金融視角下的小微企業信用風險評價

李媛媛　馬玉國

摘 要： 近年來，隨著小微企業融資難的問題日益凸顯，供應鏈金融作為新的融資渠道，正受到越來越多的重視，科學、準確的風險評價對控制供應鏈金融中的信貸風險至關重要。通過建立和完善小微企業信用風險評價指標體系，采用BP神經網絡模型為小微企業信用風險評價開辟新途徑。BP神經網絡是一種智能算法，它具有自我學習和自適應的特點。通過實例，分析和檢測了該BP神經網絡模型，結果令人滿意。證明該模型確實可行，能夠應用于供應鏈中各小微企業的信用風險評價。

關鍵詞： 供應鏈金融； BP神經網絡； 小微企業； 信用風險評價

中圖分類號： TN911?34 文獻標識碼： A 文章編號： 1004?373X（2014）12?0032?05

Abstract： More attention to supply chain finance as a new form of financing channel is paid with the increasing highlight of the financing difficulty of small and medium?sized enterprises （SMEs）. It is crucial for scientific and accurate risk assessment to control the control of the credit risk of supply chain finance. BP neural network model is used to open up a new way for credit risk assessment of SMEs based on the establishment and improvement of an index system of credit risk evaluation for SMEs. BP neural network model is a smart algorithm with self?learning and adaptive characteristics. The BP artificial neural network model was analyzed and detected in a practical case. The feasibility of the model was proved. The result is satisfactory. The model can be used to assess SMEs′ credit risk in the supply chain.

Keywords： supply chain finance； BP neural network； SME； credit risk assessment

0 引 言

小微企業融資難是長期存在的問題[1]。近幾年來，供應鏈金融近兩年的快速發展在一定程度上緩解了小微企業的融資困難。目前，專家對供應鏈金融（SCF）的定義如下[2]：基于對供應鏈交易細節的把握和結構特點，借助核心企業的信用實力或單筆交易的自償程度與貨物流通價值，供應鏈金融對單個企業或多個企業提供全方位的金融服務。由于小微企業融資租賃業務在銀行所有業務中占的比例很小，再加上供應鏈融資模式剛剛興起，目前還沒有建立完善的針對供應鏈里小微企業的信用風險評價指標體系[3]。為了能夠適時、動態、準確地評價和監控小微企業融資過程的風險，本文建立一套全面的指標體系對小微企業信用風險進行評價，以建立企業、銀行和供應鏈之間良性發展的產業生態[4]。目前傳統的風險評價方法包括主成分分析法、層次分析法和模糊數學法等。但是以上方法均存在下列不足：評價的權重容易受主觀因素影響，所以決策容易失真。為解決這一問題，本文采用一種具有自學習、自適應能力特點的基于BP神經網絡的風險評價方法。

1 人工神經網絡

對小微企業進行信用評價時，仍然沿襲過去單一考慮融資個體，忽略供應鏈金融中供應鏈的大環境。

1.1 人工神經網絡

人工神經網絡（Artificial Neural Networks，ANN），簡稱神經網絡（Neural Networks，NN），是受生物神經網絡的啟發，通過對人腦進行簡單抽象和模擬對人腦系統的一定特性做出描述，由大量與自然神經細胞相似的簡單處理單元——神經元相互連結而形成的非線性系統[5]。神經網絡具有非常強大的存儲和并行計算能力，是一種大規模并行分布式處理系統。神經網絡是通過人腦的思維模式進行學習和適應，具有較好的非線性逼近、學習以及自適應能力，此外，還具備一定的存儲以及容錯特性，對處理模糊性、數據信息量大的復雜問題具有較好的適用性。

1.2 BP人工神經網絡

BP神經網絡（Back?Propagation）是1986年由Rumelhart等人提出[5]，是一種按誤差逆向傳播算法訓練的多層前饋網絡，是目前最廣泛應用的神經網絡模型之一。BP神經網絡算法的學習過程分為正向傳播和反向傳播兩部分。在正向傳播過程中，信息是從輸入層經隱含層傳向輸出層，下一層神經元的狀態受到其上層神經元狀態的影響，同層之間的各神經元沒有聯系。當在輸出層不能得到期望的輸出信息，就需要轉入反向傳播過程。反向傳播是正向傳播的逆過程，將信息的輸出誤差以某種形式從隱含層傳向輸入層，并將這種誤差分攤給各層的神經元單元，根據各層單元的誤差信號不斷修正各單元的權值，調整網絡的權值和閾值，最終使網絡的誤差平方和最小。

一個三層的BP網絡模型，包括輸入層（Input Layer）、隱含層（Hide Layer）和輸出層（Output Layer）。其中[X=（x1，x2，…，xn）]為BP網絡輸入層的輸入值，[Y=（y1，y2，…，ym）]為中間隱含層的輸出值，[Z=（z1，z2，…，zl）]為輸出層的輸出值。[V=（v1，v2，…，vm）]為輸入層到隱含層的連接權值，[W=（w1，w2，…，wl）]為是對輸入層信息和隱含層信息進行連接的權重。[θj]為隱含層節點的臨界值，[θk]為輸出層節點的臨界值。

期望輸出和實際輸出之間往往存在一定差距，利用它們之間的方差表示誤差的大小：

[E=12k=1l（yk-zk）2] （1）

具體的學習過程如下：

（1） 初始化神經網絡各層之間的連接權值和神經元的閾值，設定網絡基本參數，如學習步長、誤差精度等。準備輸入訓練樣本數據集合，并對指標進行標準化處理。

（2） 將取得的樣本數據輸入模型，并進行訓練。令[xi]為樣本數據集，[vij]是對輸入層和隱含層之間進行連接的權重信息，設定隱含神經元的臨界值為[θj]，[f?（x）]是可以對神經元的輸入信息和輸出信息進行轉換的函數，轉換函數通常有線性、雙曲正切、閾值型和Sigmoid型函數（以下稱為S型函數）等。S型能夠不僅對線性函數，即使對非線性函數也有較高的適應能力，應用最為廣泛，其函數形式如式（2）所示：

（4） 實際輸出值和期望輸出值之間往往存在差異，將二者之間的差值與預先設定的差值進行比較。如果計算的誤差值小于設定誤差，則回到步驟（2），選取下一個樣本進行訓練；反之，轉入反向傳播過程，按照誤差調整的原則，即使誤差[E]減小到設定水平，調整和修正網絡各層的連接權值。輸出層的連接權修正公式如下：

（5） 如果網絡的全局誤差小于設定誤差，則結束訓練。否則，重新開始以上的步驟。

由于BP算法具有良好的非線性逼近能力、自學習能力、自適應能力、容錯性等優點，因此被廣泛應用于神經網絡中。在現有研究中，BP神經網絡或其推導形式是人工神經網絡中應用最廣泛的方法之一[6]。

2 小微企業信用風險評價BP網絡模型

2.1 小微企業信用風險指標體系的建立

在過去，銀行對其融資對象的評價主要是單個的企業，并且往往是依據其靜態的財務數據作出評估。這就存在著諸多問題，因為小微企業的財務數據比較零散且不太規范，透明度也相對較低，這使得銀行很難對其進行科學的評價。供應鏈金融視角的思想是基于產業供應鏈企業之間的相關性特點，對企業的整條供應鏈運作情況進行評估，以便動態地評估信貸項目的真實風險。

供應鏈金融中的利益相關主體包括[7]：供應鏈核心、核心企業上下游的小微企業、貸款銀行、以及相關的物流企業。其中銀行是融資服務供給方，供應鏈上下游小微企業是信貸需求方，供應鏈中的處于核心地位的企業能夠對與其相關的小微企業起到反擔保的作用。對核心企業進行評估，是因為核心企業的運作、商業信用情況影響著其與小微企業的交易質量。物流企業則為貸款企業提供運輸、倉儲、保管等服務。銀行在重點考察小微企業的授信資質的同時，更關注核心企業資質、融資項目的特征以及整條供應鏈的運營情況。依據指標設計的原則和方法，在大量文獻研究和專家調查的基礎上，建立了供應鏈金融視角下小微企業信用風險評價的指標體系。評價體系分4大類，共計25個指標。指標體系及評分準則如表1所示。

2.2 小微企業信用風險BP網絡模型的設計

BP神經網絡的關鍵是確定網絡的層級數目以及各個層級的神經元的數目。有學者研究表明，具有4層結構的BP網絡其學習性較好[9]。因此，本文利用4層級BP網絡結構進行訓練，4層級包括輸入數據層、兩個中間隱含層和輸出數據層。

（1） 輸入層單元數

根據建立的指標體系，將25個指標值作為網絡輸入，由于本模型中涉及的指標體系既有定量指標，又有定性指標，所以在進行輸入節點輸入時，先將指標根據表1中的評分規則進行轉換，以便于網絡模型的應用。

（2） 隱含層單元數

在實際應用中，如何合理地選擇隱含層的單元數并非一件易事，通常需要經過反復試驗來確定 [10?11]。隱含層單元數可通過式（14）～式（16）來確定：

本文通過設計一個隱含層神經元可變的BP神經網絡，以確定最佳的隱含層單元數。

（3） 輸出層單元數

通過BP網絡模型輸出的節點即為判斷的依據，BP神經網絡的輸出值是一個[0，1]之間的數值，該數值即表示風險的大小。該數值越高表明信用的風險越大。

（4） 訓練函數的選擇

BP神經網絡的訓練函數有很多，如traingdx、trainlm，traingd函數等，譚慶美等人研究結果表明，trainlm函數的訓練收斂速度最快，平均誤差最小[12]。

3 應用實例

3.1 BP模型的訓練

本文從RESSET金融數據庫中篩選出供應鏈特征明顯的20組數據，轉化后如表2。樣本數據涉及建筑建材、交通運輸、鋼鐵重工、生物科技、制藥等多個行業的小微企業。通過Matlab軟件進行模擬仿真，選取1～15組的信息作為模型的訓練樣本，以后面15～19組數據作為檢測的樣本。第20組數據是待評估的對象。設定學習速率為0.05，誤差為0.01。

3.2 BP模型的檢測

將檢測樣本數據帶入模型，所得結果如表2所示，結果表明，通過該模型運算的結果與專家給出的預期結果就有較高的一致性，誤差為0.005 8在設定范圍以內，滿足要求。因此，該本模型具有較高的實用性和科學性。

利用該模型對最后一組數據進行評價，得出的數據為表3中的第五列數據，為0.55，證明該小微企業的信用風險等級一般，需要對其加強風險管控。

表3 網絡監測結果與評估結果的比較

4 結 語

供應鏈金融近兩年的快速發展在一定程度上緩解了小微企業的融資困難。但是由于還沒有一套完整的信用風險體系和科學的風險評價方法，同時受以往風險評價模式的影響，在對小微企業進行信用評價的時候，并未真正將其置于供應鏈的環境中，所以小微企業信用等級仍然偏低，這在很大程度上限制了小微企業的融資。只有科學、合理地評價供應鏈中小微企業的信用風險，才能有效控制銀行的風險，同時真正地拓寬小微企業的融資渠道，實現雙贏。本文在研究基礎上，建立的全面的信用風險評價體系，并通過BP神經網絡小微企業的風險進行評價。通過實例訓練網絡，對該模型進行驗證檢測，結果比較滿意，可用于實際運用。本文的不足之處：由于實際中供應鏈體系相對模糊，所以可資利用的樣本數據不多，可能導致網絡訓練不夠充分；另外一點就是該模型理論上可行，并未真正地運用于企業的評價，所以缺乏實踐的檢驗。

參考文獻

[1] WU Ying?jing， LI Yong?jian， LI Ping. SMEs financing decision： based on the supply chain finance [C]// Proceedings of 2012 9th International Conference on Service Systems and Service Management. [S.l.]： ICSSSM， 2012： 248?252.

[2] 深圳發展銀行?中歐國際工商學院“供應鏈金融”課題組.供應鏈金融[M].上海：上海遠東出版社，2009.

[3] 李小燕，盧闖，游文麗.企業信用評價模型、信用等級與業績相關性研究[J].中國軟科學，2003（5）：81?85.

[4] 何濤，翟麗.基于供應鏈的小微企業融資模式分析[J].物流科技，2007（5）：87?91.

[5] RUMELHART D E， HINTON G E， WILLIAMS R J. Learning internal representations by error propagation [M]// Parallel Distributed Processing： Explorations in the Microstructure of Cognition， Volume 1. MA， USA： MIT Press， 1986： 318?362.

[6] 蔣宗禮.人工神經網絡導論[M].北京：高等教育出版社，2008.

[7] BERNABUCCI Bob. Helping customers cure cash?flo wills through better supply chain management [J]. The Secured Lender， 2005， 11： 36?39.

[8] 劉曉敏.基于BP神經網絡的股指預測系統[D].大連：大連理工大學，2012.

[9] 楊彩霞，徐渝，楊青.航天項目風險指標體系的分析與構建[J].航天工業管理，2003，20（3）：17?19.

[10] ECHAMBADI R， ARRONIZ I， REINARTZ W， et al. Empirical generalizations from brand extension research： how sure are we？ [J]. International Journal of Research in Marketing， 2006， 23（3）： 253?262.

[11] 張鵬，王興元.基于BP神經網絡的品牌延伸決策模型[J].軟科學，2012（3）：124?128.

[12] 譚慶美，吳金克，趙黎明.基于BP神經網絡的小微企業信用評價研究[J].西北農林科技大學學報：社會科學版，2009（5）：57?62.

參考文獻

[1] WU Ying?jing， LI Yong?jian， LI Ping. SMEs financing decision： based on the supply chain finance [C]// Proceedings of 2012 9th International Conference on Service Systems and Service Management. [S.l.]： ICSSSM， 2012： 248?252.

[2] 深圳發展銀行?中歐國際工商學院“供應鏈金融”課題組.供應鏈金融[M].上海：上海遠東出版社，2009.

[3] 李小燕，盧闖，游文麗.企業信用評價模型、信用等級與業績相關性研究[J].中國軟科學，2003（5）：81?85.

[4] 何濤，翟麗.基于供應鏈的小微企業融資模式分析[J].物流科技，2007（5）：87?91.

[5] RUMELHART D E， HINTON G E， WILLIAMS R J. Learning internal representations by error propagation [M]// Parallel Distributed Processing： Explorations in the Microstructure of Cognition， Volume 1. MA， USA： MIT Press， 1986： 318?362.

[6] 蔣宗禮.人工神經網絡導論[M].北京：高等教育出版社，2008.

[7] BERNABUCCI Bob. Helping customers cure cash?flo wills through better supply chain management [J]. The Secured Lender， 2005， 11： 36?39.

[8] 劉曉敏.基于BP神經網絡的股指預測系統[D].大連：大連理工大學，2012.

[9] 楊彩霞，徐渝，楊青.航天項目風險指標體系的分析與構建[J].航天工業管理，2003，20（3）：17?19.

[10] ECHAMBADI R， ARRONIZ I， REINARTZ W， et al. Empirical generalizations from brand extension research： how sure are we？ [J]. International Journal of Research in Marketing， 2006， 23（3）： 253?262.

[11] 張鵬，王興元.基于BP神經網絡的品牌延伸決策模型[J].軟科學，2012（3）：124?128.

[12] 譚慶美，吳金克，趙黎明.基于BP神經網絡的小微企業信用評價研究[J].西北農林科技大學學報：社會科學版，2009（5）：57?62.

參考文獻

[1] WU Ying?jing， LI Yong?jian， LI Ping. SMEs financing decision： based on the supply chain finance [C]// Proceedings of 2012 9th International Conference on Service Systems and Service Management. [S.l.]： ICSSSM， 2012： 248?252.

[2] 深圳發展銀行?中歐國際工商學院“供應鏈金融”課題組.供應鏈金融[M].上海：上海遠東出版社，2009.

[3] 李小燕，盧闖，游文麗.企業信用評價模型、信用等級與業績相關性研究[J].中國軟科學，2003（5）：81?85.

[4] 何濤，翟麗.基于供應鏈的小微企業融資模式分析[J].物流科技，2007（5）：87?91.

[5] RUMELHART D E， HINTON G E， WILLIAMS R J. Learning internal representations by error propagation [M]// Parallel Distributed Processing： Explorations in the Microstructure of Cognition， Volume 1. MA， USA： MIT Press， 1986： 318?362.

[6] 蔣宗禮.人工神經網絡導論[M].北京：高等教育出版社，2008.

[7] BERNABUCCI Bob. Helping customers cure cash?flo wills through better supply chain management [J]. The Secured Lender， 2005， 11： 36?39.

[8] 劉曉敏.基于BP神經網絡的股指預測系統[D].大連：大連理工大學，2012.

[9] 楊彩霞，徐渝，楊青.航天項目風險指標體系的分析與構建[J].航天工業管理，2003，20（3）：17?19.

[10] ECHAMBADI R， ARRONIZ I， REINARTZ W， et al. Empirical generalizations from brand extension research： how sure are we？ [J]. International Journal of Research in Marketing， 2006， 23（3）： 253?262.

[11] 張鵬，王興元.基于BP神經網絡的品牌延伸決策模型[J].軟科學，2012（3）：124?128.

[12] 譚慶美，吳金克，趙黎明.基于BP神經網絡的小微企業信用評價研究[J].西北農林科技大學學報：社會科學版，2009（5）：57?62.