混合核函數SVM在融資風險評估中的應用

鄭艷秋，江濤

（1.西華大學工商管理學院，成都610039；2.西南財經大學會計學院，成都611130）

0　引言

隨著我國制造業參與全球經濟與市場競爭步伐的不斷加快，我國制造業逐漸形成門類齊全、產品豐富的格局，然而，盡管我國200種以上制造業產品產量和、出口量位居世界第一，幾十種產品出口占據全球出口貿易總量的70%以上，我國制造業仍然處于“大而不強”的狀態。因而，針對制造業尋求有效外部融資，提升其外部融資過程中的風險抵御是提升金融支持產業發展的關鍵，而這其中，合理評估制造產業外部融資的生存風險是值得關注的一面。

現有研究主要針對不同相互作用以及動態影像作用機制，開展了混合核函數以及SVM機制的應用研究。對于制造業而言，其所對應的并非只是簡單的產能以及規模或其他增長的關聯因素，更是如何通過外部支持力量形成發展競爭力的關鍵。為此，本文結合混合核函數與SVM機制，開展分析過程中的參變量驗證效率以及針對不同研究目標的應用價值等方面的實證研究，并且在保證混合核函數SVM有力解釋制造業外部融資及其生存風險的同時，形成對關聯要素的詳細互動作用分解，進而形成合理的制造業外部融資控制以及信貸的穩步發展。

1　制造業外部融資及其生存風險的原理

支持向量機（SVM）主要針對一個具有核向量趨勢特征的向量群體進行稀流行的比對解析，并通過樣本值與曲面接近的趨勢特征判斷事物的前進特征，一般而言是將SVM經線性間隔與維數的分類超平面數據分布進行線性方程的規劃：

式（1）中，U、A、V、f分別負責刻畫的是不同向量在向特征曲面分布接近時的對象集、有限屬性集、判斷決策屬性集和由A指向訓練目標值域信號因變量，并且滿足設定曲面接近過程中的樣本集線性可分，即：

其中ω、b分別描述的是基于線性規劃的向量曲面精度趨近彈性系數和擾動增量，分別說明的是支持向量機機制下的測度指標之間調整變動幅度以及調整距離。兩者對應的歸一化滿足以下條件設定：

一般而言，混合核函數針對隨機變量進行時序回歸即可獲得關聯關系，但由于制造業外部融資存在各種影響因素，且其包含的各種因素需存在不同程度作用力，由其引致的參變量相互間作用力形成因變量與自變量之間的關聯變動形成混合核函數的精度曲面變動。直接利用混合核函數進行存在多面互動的參變量指標對于制造業的外部融資的生存風險影響解釋是有欠缺的，因此應該針對制造業外部融資過程中的時序向量趨近的自相關進行結合SVM的核向量進行異動的精度趨進比對分析，并利用SVM所具備的平穩性檢驗以及自回歸區分出相互作用的制造業外部融資相關指標之間的作用。

為此，本文根據制造業外部融資實際，按照支持向量機的原理進行混合核函數的AR平穩性檢驗：

式（4）為每一對評估賦分及標準化比例處理的混合核函數SVM指標提供一個檢驗序列，且當時序序列彈性距離系數ρ絕對值低于1時，對比序列驗證值平穩；當其絕對值大于1時，序列無法顯示評估賦值與標準化比例優化精度的差異，進入混合核函數SVM的制造業外部融資原函數進行進一步的驗證。在這一過程中，對制造業外部融資受到的融資額度削減等非影響類因素，其對應的檢驗方程為：

由此按照評估賦值以及標準比利化的混合核函數SVM可以表達為：

2　變量選取與數據來源

2．1　變量選取

對于我國現階段產業融資而言，直接的資本市場融資盡管在金融改革創新中獲得了發展，但是產業融資，特別是制造業融資的資本市場源仍相對不足，外部融資主要涉及制造業產業向銀行等金融機構的融資借款，以及向債券市場發行的股票、債券。獲資成功率受到產業生產率、規模、增長績效以及政府支持等因素影響。另外，上市融資等渠道又對企業規模有所控制與限制，而我國制造業產業內的企業規模以中小型企業為主，因而在爭取外部融資的過程中制造業企業需要提高自身利用融資效率，并且以此改善用資效率。而用資過程提升生產與創新效率是廣大制造業企業突出外部融資與競爭生產困境的關鍵。

結合前文所述，本文選取制造業向外部融資過程中的自身變量以及融資外部環境等變量。其中涉及制造業自身的變量主要如下：

生產規模（PS）：制造業生產規模的大小關系到整個產業以及產業內企業進行再生產與融資的能力，越強的產業生產能力形成越高的競爭能力，并從中有效降低生產運營過程中的綜合成本，獲得制造業的外部融資支撐力，并且從資本市場獲得融資補貼和授資額度。選擇生產規模作為這一方面的測度指標，以制造業年產出額作為測度數據。

所有制形式（OS）：這主要是由于不同的所有制形式在制造業融資過程中面對不同的審核或授資門檻，針對制造業企業氛圍國有制造業企業和民營企業。

資本存量（CV）：選擇這一方面主要是考慮到不同的制造業企業在形成生產在生產過程中有不同的資本累積，換言之制造業在多大比例程度上獲得再生產資本的累積，就意味著有多大程度利用資金進行再生產，其利用外部融資獲得生存的能力也相應升高，因而不同程度的資本累計也形成了不同程度的融資能力。

創新資金投入（CI）：選擇這一指標主要是考慮到制造業面臨整個產業創新與市場競爭的壓力，而制造業在整個競爭創新環境中如何利用外部融資進行技術創新突破瓶頸，為其爭取利用外資進行融資創新提供便利，同時按照不同的融資程度進行創新也反過來推動制造業企業謀求更高效的市場競爭績效。

政府補貼（GS）：選擇這一指標主要是考慮到上述分析中所涉及的制造業企業在獲得外部融資過程中，來自銀行及其他金融機構的資金相對偏少，而自行上市以股票或者通過債券融資又受到一定程度的限制。

2．2　數據來源

根據上述指標選取，對應指標數據源自2005—2015年《中國統計年鑒》、《中國工業統計年鑒》以及上述統計年鑒所包含的制造業對象基本信息與財務數據，中小企業等其他規模企業融資等相關指標數據主要獲自中國人民銀行貸款投向報告。

3　制造業外部融資及其生存風險關聯評估應用

3．1　混合核函數模型構建

根據前述分析與混合核函數基本模型設定，按照馬克威分析系統3.0，去除混合核函數訓練過程的多重共線性，結合式（5）剔除其中相關系數低于0.5的參變信號，進行混合核函數SVM的超平面函數測定：

對照上述式（4）和式（5），式（7）獲得的指標響應度測試在第一階段出現原始設定的信號背離，而其對應的精簡后混合核函數SVM信號序列為：

此外，本文針對多重共線性在不同階段對樣本數據以及所選指標對于制造業外部融資的生存能力以及風險進行相應的解釋精度優劣勢比較。即通過對比不同參變量指標與應變量指標之間的作用關聯，并在不同的信號誤差控制概率下進行精度累積，以制造業整個產業所選樣本進行循環精度累積。經過精度累積循環曲面形成的精度調整值為0.715，相比控制精度相關系數0.5要高出一定程度，形成對我國制造業外部融資與其生存風險的較好解釋。

通過代表樣本數據點與精度累積循環曲面之間的離散距離測定因子得分，可以獲得基于上述較高解釋精度的制造業外部融資與其生存風險關聯，即按照{a1,a2,a3,...,an}為調整精度曲面的混合核函數基準坐標，以支持向量機SVM機制進行所選五類指標的歐幾里得范數，即：

式（8）是一個基于SVM的歐幾里得范數向量集權重歸類，依賴于歐幾里得范數得式（8）的簡化，即：

由此可得的混合核函數精度曲面調整距離圖如圖1所示。

圖1基于混合核函數的SVM精度曲面調整距離

從圖1可以看出，經過混合核函數調整后的SVM對于制造業在生產規模、創新資金投入、所有制、政府支持等類別指標的均位于正向信號一側，獲得的解釋精度與原始指標的關聯關系設定相同。本文將同向信號測指標進行進一步的混合核函數相對距離概率折算，發現每一個制造業外部融資關聯參變量指標與其生存風險形成的關聯距離都表現出曲面上的相對線性，關聯距離的精度均值為4.12，經過平移轉化后的制造業外部融資與生存風險間相對距離為1.34，最小距離為0.56，間距為0.78，高于一般設定的相關系數0.5。

3．2　制造業外部融資與生存風險

接著，本文結合制造業外部融資與其生存風險進行樣本數據的保準定型化估值進行面向SVM混合核函數所選指標比對，按照優0、良1、中2、合格3、不合格4進行打分，并結合粗糙集參變量約簡，按照所選樣本對應約簡是否在制造業外部融資與其內部生產過程中的資本積累產生數據樣本疊合為篩選標準，進行制造業生產規模、所有制形式、資本存量、創新資金投入、政府補貼等變量的屬性一致性疊合消除。表1反映了在所選228個樣本企業中基于生產規模、所有制形式的樣本變量逆向數據信號剔除；同時，將資本存量、創新資金投入、政府補貼等變量中的正向參變量信息原始值不變基礎上的滯后階數精度信息進行累積調整。從表1反映的混合核函數參變量相對指標來看，無論是生產規模、所有制形式與資本存量等制造業內在變量，還是政府補貼等外部指標都在修正后的混合核函數測定精度調整曲面上獲得了參變量解釋精度調整后的接近。其中，政府補貼一類存在相對的波動，而創新資金投入以及生產規模分別從2006年的0.0000、0.0000上升至2015年的0.0338、0.0179，分別在年度增值和增幅上表現出顯著勢頭。因此，可以通過對參變量精度修正后的混合核函數進行標準化比例轉換，即通過以下比例變動法調整每一個獲得精度接近的制造業外部融資與其生存風險影響因素原始樣本信息：

式（10）使用了制造業外部融資與其生存風險關聯中的混合核函數按照精度調整曲面接近的原始距離、最小距離差值與最大和最小距離間的作商，由此獲得經過修正的混合核函數與其生存風險關聯的參變量調整指標精度接近結果。

表1　修正后的混合核函數測定精度調整曲面指標數據

從表1可以看出，獲得相對較為穩定的參變量主要有所有制結構、創新資金投入，這就充分說明了在我國制造業獲取外部融資謀求發展的過程中，制造業企業自身的所有制類型對于整個融資與生存抗風險具有重要作用，而創新資金投入則進一步約束并影響著我國制造業企業再進一步獲取外部融資的生存風險，因此，應盡快利用再生產推進自我內部的創新。

而根據前述設定，將驗證制造業外部融資與生存風險的核函數進行期初與之后期參數的最優化選擇，其中上述式（4）以調整后優化混合核函數的基本多項式為：

其所表達的是符合修正混合核函數支持向量機變量累積條件向優化精度曲面趨近，按照樣本原始數據，以及每一個選定測度樣本數據進行向量矩陣的全部微分，用各樣本控制變量測試不同參變量選取對應的微分值，以微分值大小排序不同參變量對制造業外部融資與其生存風險之間的聯系。經驗證，上述式（11）的線性向量精度控制為0，制造業外部融資在所選變量中獲得了部分指標對制造業外部融資的生存風險線性解釋能力。且對應最優參數為1，擾動項波動均化為0.00001，調整后容量為260，由此可以求得制造業外部融資與生存風險線性關聯臨界系數為0.0023412。這就說明根據前述未退出制造業參與外部融資行為主體每獲得一個百分比的外部融資增幅，可以形成0.2%以上的外部融資與風險生存關聯關系趨近。通過所獲訓練樣本轉化為修正后混合核函數的生存風險信號指示條件，由此可以通過SVM獲得對應制造業外部融資的優化指標標準為：

結合式（12）進行相應的修正混合核函數與生存風險的測試相對誤差。從表1可以看出，整個修正混合核函數的規模、所有值類型對應為正向信號，而測試結果達到了1%級別的結合精度，且相對誤差也保持在1%的精度級別，其所對應的相對誤差與也都保持了1%精度水平。這就說明，制造業在進行外部融資過程中利用創新資金投入追加和資本累計可以獲得自身獲取外部融資的能力改善；從表2可以看出，生產規模一項，報告了0.914的5%顯著性檢驗結果，盡管不如創新資金投入追加和資本累積兩類指標對制造業外部融資的生存風險解釋能力，但其穩健性標準誤差為0.1021，說明制造業外部融資對其生存風險的控制受到生產規模較高的間接傳遞作用；而創新資金投入追加達到10%顯著性水平下的0.675，資本累積達到了10%顯著性水平下的0.871，證實了制造業在進行外部融資過程中，可以較為顯著地改進產業抗風險生存能力。

表2　混合核函數SVM的制造業外部融資生存風險關聯

3．3　制造業外部融資與生存風險評估差異因素分析

從上述驗證分析接過來看，創新資金投入的追加和資本累積對于制造業外部融資的生存風險關聯作用是顯著的。結合上述混合核函數的SVM精度趨近調整關聯，可以看出生產規模按照大型制造業以及中小型制造業顯示出了不同層次的顯著關聯性（表3），其中生產規模的大型制造業在5%的0.898，中小型企業在10%顯著性水平的0.729，這就證實了近年來中小型制造業企業在其外部融資過程中通過創新競爭獲得了較穩定的融資后生存風險控制與抵御。而相比之下，基于基礎混合核函數SVM變量測定的制造業外部融資與生存風險關聯，精度改進后的修正混合核函數在生產規模一類指標中獲得的分規模類型顯著性檢驗結果分別為1%水平下的0.602和0.631，低于這一檢驗模式下的綜合顯著性水平檢驗結果（1%下的0.8351)。而所有制形式相比基礎混合核函數SVM變量測定的制造業外部融資與生存風險關聯，降低了關聯解釋精度，但其穩健性標準誤差提高了，由此說明不同規模的制造業企業在獲取外部融資的過程中仍然與不同所有制類型有緊密關聯。

4　結束語

本文利用混合核函數進行初選指標的評估賦分與標準化比例精度優化對比，從而從制造業產業自身的規模、資本累積等角度，以及外部的政府支持選擇指標，測度制造業外部融資對其造成的生存風險影響。驗證結果表明，基于混合核函數的指標選取在結合支持向量機的精度優化基礎上，可以實現所選指標與評估賦分的精度曲面高效趨近，而經過精度優化的混合核函數SVM調整證實了生產規模對制造業外部融資的生存風險關聯顯著性解釋精度不高，但其獲得了相應顯著性水平下的穩健性標準誤差。創新資金投入追加與資本累積對制造業外部融資的生存風險顯著關聯解釋，相對于資本累積，創新資金投入追加對于大型制造業以及中小型制造業的關聯顯著性具有更高的解釋貢獻，通過自身的資本累積一方面可以提升制造業外部融資后自身獨立運營抵御風險的能力，而進行有力的技術創新形成效率提升前提下的外部融資利用率是提升制造業外部融資生存風險的關鍵。

表3　精度優化后制造業外部融資生存風險的混合核函數關聯

參考文獻：

[1]Tripathy B K,Gurumurthy S.Classification and Analysis of EEG Brain Signals for Finding Epilepsy Risk LevelsUsing SVM[J].World Applied Sciences Journal,2015,33(3).

[2]Mackrell S V M,Kotelnikova Y,Jordan P L,et al.The Role of Pubertal Development in Emerging Depression Risk in Middle Childhood[J].Personality&Individual Differences,2016,(98).

[3]石大林，何曉峰，李天慧.公司治理機制、替代效應與風險承擔[J].貴州財經大學學報,2015,33(1).

[4]沈沛龍,周浩.基于支持向量機理論的中小企業信用風險預測研究[J].國際金融研究,2010,(8).

[5]黃超,韓婷婷,吳芃等.基于雙正交小波混合核KPCA-SVM財務危機預警研究[J].系統管理學報,2015,(1).

[6]唐奇,王紅瑞,許新宜等.基于混合核函數SVM水文時序模型及其應用[J].系統工程理論與實踐,2014,34(2).

[7]曹獻飛,于誠.外部融資約束加劇了企業生存風險嗎?——基于Cox比例風險模型的經驗分析[J].中央財經大學學報,2015,(9).

[8]陳勇兵,蔣靈多.外資參與、融資約束與企業生存——來自中國微觀企業的證據[J].投資研究,2012,(6).

[9]張曉芳,戴道明.基于支持向量機的互聯網金融客戶信用風險研究[J].平頂山學院學報,2016,31(2).

[10]張奇,胡藍藝,王玨.基于Logit與SVM的銀行業信用風險預警模型研究[J].系統工程理論與實踐,2015,(7).

[11]張亮,張玲玲,陳懿冰等.基于信息融合的數據挖掘方法在公司財務預警中的應用[J].中國管理科學,2015,23(10).

[12]張貴生,張信東.基于時間相關性的股票價格混合預測模型[J].經濟問題,2015,(9).