基于BP神經網絡理論的物流金融風險評價模型

劉 瀾，吳金卓

(東北林業大學 工程技術學院，哈爾濱 150040)

目前，國內許多中小企業都面臨著資金短缺的難題，而國內商業銀行和物流企業也同樣承受著沉重的行業競爭壓力[1]。在這種市場環境下，為應對各自面臨的困境，中小企業、商業銀行和物流企業三方共同合作，將物流與金融相結合，從而形成了物流金融這一嶄新的金融服務模式[2-3]。然而與國外相比，國內物流金融業務的運作模式還不成熟，相應的法律規章制度還不夠完善，相關從業人員的業務水平也有待提高。在這種局面下，物流企業在物流金融活動中必然會面臨諸多風險，給自身帶來一定的經濟損失[4-5]。為應對這些風險，物流企業首先需要對這些風險做出準確評價。因此，幫助物流企業建立一個可靠的風險評價模型來對物流金融風險做出準確評價，具有非常重要的現實意義。基于這一研究背景，本文將從物流企業的角度出發，通過編制一套相對完善的物流金融風險評價指標體系，并運用BP神經網絡理論來建立一個能夠對物流金融風險做出準確評價的風險評價模型。

1 物流金融風險分析與風險評價指標體系建立

1.1 風險種類與風險因素分析

目前，國內外常見的物流金融運作模式包括：墊付貨款、倉單質押、統一授信、保兌倉以及物流保理等[2，6]。本文結合這幾種運作模式的運作方式和操作流程，將物流企業的物流金融風險概括為：內部風險和外部風險兩大類別。

1.1.1 內部風險

物流企業的內部風險是指由企業內部的管理機制、經營方式和技術水平等自身因素引發的風險，主要包括：管理風險、運營風險和技術風險。具體分析如下：

(1)管理風險。管理風險是指物流企業內部的組織結構、人事管理等管理因素引發的風險。風險因素包括：組織機構、管理制度和員工忠誠度。

(2)運營風險。運營風險是指物流企業在項目運營過程中所面臨的風險。風險因素包括：運作模式選擇和業務規模控制。

(3)技術風險。技術風險是指物流企業在從事物流金融業務過程中涉及到的一系列技術層面的因素所引發的風險。風險因素主要包括：業務流程編排與操作、員工業務水平、網絡信息技術應用、質押物監管措施以及設施設備的完備性與安全可靠性等。

1.1.2 外部風險

物流企業的外部風險是指由融資企業資信狀況以及政治、法律、經濟、市場行情、自然條件等外部因素給物流企業帶來的風險。主要包括：信用風險、市場風險、環境風險和法律風險。具體分析如下：

(1)信用風險。信用風險也稱為客戶資信風險，是一種來自于融資企業的風險，是由融資企業的資產規模、經營狀況和信譽度等因素所引發的。因此主要包括：融資企業的資產規模、經營狀況和信譽度等風險因素。

(2)市場風險。市場風險是指涉及到質押物保值、變現情況等市場環境因素所引發的風險。包括的風險因素為：質押物保值能力和質押物變現能力。

(3)環境風險。環境風險是指與物流金融相關的政治、經濟和自然條件等因素引發的風險。具體的風險因素包括：政治環境、經濟環境和自然環境。

(4)法律風險。法律風險是指由與物流金融相關的法律法規是否健全完善所引發的風險。因此涉及到的風險因素為：法律法規的完善性。

1.2 風險評價指標體系建立

通過對于物流金融各類風險和風險因素的分析，建立起一套針對于物流企業的物流金融風險評價指標體系，見表1。

2 BP神經網絡理論

BP(Back Propagation)神經網絡又稱為反向傳播神經網絡，屬于典型的多層神經網絡，具有很強的非線性映射能力、容錯能力和泛化能力，是人工神經網絡理論中應用最為廣泛的一種網絡模型[7-8]。因此，本文嘗試應用BP神經網絡來建立物流金融風險評價模型。

表1 物流金融風險評價指標體系

2.1 BP神經網絡的結構形式

BP神經網絡一般由一個輸入層、若干隱含層和一個輸出層構成，每一層都具有一個或多個神經單元，不同層神經元之間為全互連方式，而同層神經元之間則不存在相互連接[9]。

本文以物流金融風險評價指標體系中19個風險因素指標所對應的風險數據作為網絡輸入，以一個風險評價綜合值作為網絡輸出，所以BP神經網絡的輸入層和輸出層分別含有19個神經元和1個神經元；對于隱含層神經元數目采用經驗公式：

(1)

式中：m為隱含層神經元數目；n和l分別為輸入層和輸出層神經元數目，a為調節因子，其取值在[1，10]之間。

因此，隱含層的神經元數目在[5，15]范圍內，具體數值采用試湊法逐一試算，最終確定隱含層神經元數目為15。由此確定，本文的BP神經網絡采用的結構形式，網絡結構如圖1所示。

圖1 BP神經網絡結構圖

2.2 BP神經網絡的訓練原理

BP神經網絡的訓練過程由輸入信息的正向傳播和誤差信息的反向傳播兩個階段組成[10]。在輸入信息的正向傳播階段，輸入信息從輸入層輸入，經隱含層逐層計算傳至輸出層，得到網絡實際輸出，計算期望輸出與實際輸出之間的誤差值，建立誤差函數；然后轉為誤差信息的反向傳播階段，在這一階段，每層神經元的連接權值和閾值將沿著誤差函數的負梯度方向得以修正。重復上述過程，直至網絡輸出達到容許誤差要求為止，從而確定網絡輸入與期望輸出之間的非線性映射關系，完成整個網絡的訓練過程。

本文三層結構BP神經網絡的訓練過程表述如下：

(1)輸入信息的正向傳播階段：

輸入向量為：Xp=(x1,x2,…,xi,…,x19)T。

隱含層和輸出層神經元的輸出分別為：

式中：υ和ω為神經元間的連接權值；θ為神經元的閾值；函數y=f(x)為神經元的轉換函數，表達式為：

(2)

(2)誤差信息的反向傳播階段：

本文采用批處理模式來訓練網絡，因此定義誤差函數為：

(3)

式中：d和o分別為網絡的期望輸出和實際輸出；P為訓練樣本數。

輸出層和隱含層神經元的誤差信號分別為：

(4)

連接權值修正量分別為：

(5)

閾值修正量分別為：

(6)

式中：η為學習速率。

3 基于BP神經網絡理論的物流金融風險評價模型建立

3.1 數據搜集與處理

本文搜集并處理了某物流公司的10組具有代表性的物流金融業務風險數據，編制成風險評價指標數據表(見表2)，用作訓練和檢驗BP神經網絡的樣本集。表2中每個樣本的19個標準風險值Wj對應物流金融風險評價指標體系中的19個風險因素，作為神經網絡的輸入值；物流金融風險的綜合評價值T作為神經網絡的期望輸出值。

表2 風險評價指標數據

續表2 風險評價指標數據

3.2 BP神經網絡模型的訓練與檢驗

本文將物流金融風險評價結果劃分為低、較低、一般、較高和高5個級別，分別對應評價區間[0.0，0.2)、[0.2，0.4)、[0.4，0.6)、[0.6，0.8)和[0.8，1.0]。運用MATLAB7.9軟件進行編程，創建三層結構的BP神經網絡，將表2中前8組數據作為訓練樣本集，對網絡進行訓練；后2組數據作為檢驗樣本集，檢驗網絡的泛化能力，具體代碼實現如下：

net=newff(minmax(P)，[15，1]，{'logsig'，'logsig'}，'traingd'，learngd')；％創建網絡

net.trainParam.lr=0.05；％設置學習速率

net.trainParam.epochs=10000；％設置最大訓練次數

net.trainParam.goal=0.001；％設置容許誤差

[net，tr]=train(net，P，T)；％網絡開始訓練

disp('網絡的訓練結果為')

result=sim(net，P)％顯示網絡的訓練結果

disp('網絡的檢驗結果為')

result_test=sim(net，Ptest)％顯示網絡的檢驗結果

最終，網絡在訓練6085次時，輸出誤差達到容許誤差要求，網絡訓練結束，神經網絡的最終輸出誤差為：EAV=0.000 999 9，此時網絡的實際輸出與期望輸出比較結果見表3。

表3 網絡訓練階段期望輸出與實際輸出比較結果

由表3可知，該BP神經網絡的前8組訓練樣本對應的期望輸出非常接近于實際輸出，對風險的評價結果也是一致的，表明網絡已經得到充分訓練。為了判斷經過訓練的BP神經網絡是否具有泛化能力，需要利用后2組檢驗樣本對網絡進行檢驗，檢驗結果見表4。

表4 網絡檢驗階段期望輸出與實際輸出比較結果

由表4可知，網絡檢驗階段的期望輸出與實際輸出之間的差值雖然比訓練階段的差值大，但仍然滿足精度要求，能夠保證風險評價結果的準確性，這說明基于BP神經網絡的物流金融風險評價模型具有很好的泛化能力，可以對同類的其他物流金融業務的風險進行準確評價。

4 結束語

本文系統地分析物流企業在物流金融活動中可能面臨的諸多風險，找出風險的產生因素，建立一套完善的風險評價指標體系，并且詳細介紹了BP神經網絡的數學原理和建模過程，最后利用調查得

到的風險數據通過MATLAB神經網絡工具箱來對創建好的BP神經網絡進行訓練和檢驗，成功得到了可對物流金融風險做出準確評價的風險評價模型。當然，本文也存在一些不足，由于接受調查的物流企業剛剛開始發展物流金融業務，可供調查搜集的風險數據還不夠多，并且一些風險因素指標也受限于數據的可獲得性，因此物流金融風險評價模型的創建過程還有待進一步完善。但應該明確的是，運用BP神經網絡理論來建立物流金融風險評價模型是合理可行的，值得國內物流企業在對物流金融風險進行評價的過程中參考和借鑒。

【參 考 文 獻】

[1]吳祖亮.我國中小企業融資難的原因及建議[J].中國集體經濟，2011(33)：105-106.

[2]鄒小芃，唐元琦.物流金融：物流研究的新領域[J].中國物流與釆購，2004(17)：42-44.

[3]陳祥鋒，朱道立.現代物流金融服務創新-金融物流[J].物流技術，2005，24(3)：4-6.

[4]栗 媛.物流金融活動風險研究[J].合作經濟與科技，2009(4)：83-84.

[5]李 妮.物流金融服務中物流企業的風險評價[D].南昌：南昌大學，2012.

[6]黃湘民，陳雪松.我國物流金融業務的實踐[J].物流技術與應用，2008，27(1)：98-101.

[7]胡守仁.神經網絡應用技術[M].北京：國防科技大學出版社，1992.

[8]Hagan M T.神經網絡設計[M].北京：機械工業出版社，2002.

[9]韓力群.人工神經網絡理論、設計及應用[M].北京：化學工業出版社，2007.

[10]袁曾任.人工神經元網絡及其應用[M].北京：清華大學出版社，2004.