基于BP神經網絡的農產品供應鏈金融應收賬款信用風險評估研究

范銘銘，王世民

（北京工商大學計算機與信息工程學院，北京 100048）

農產品供應鏈是以農產品為基礎，通過對信息流、物流、資金流的控制，將生產者、加工者、銷售者及消費者連成一體的功能網狀鏈條。農產品供應鏈由于其對象是具有生命特征的，決定了其在供應鏈的運作方面具有顯著特點：（1）農產品具有固有的生長周期、明顯的季節性特點，當資金投入需求處于旺盛時期，容易出現資金缺口。（2）農產品的產出對環境等外部條件依賴性較大，農產品供應鏈存在不確定性風險。（3）農產品收獲期集中，易形成大量庫存，進而占用大量資金，資金周轉速度較慢。（4）由于農產品的價格波動較大，而農民把握市場動態的能力有限，使得農產品供應鏈上具備顯著的牛鞭效應。

1 BP神經網絡原理

神經網絡是一種多層前饋神經網絡,由輸入層、隱含層和輸出層3層的神經元組成。BP神經網絡的三層拓撲結構如圖2-1所示，其學習過程由正向信號傳播和反向誤差傳播兩個階段構成，在正向信號傳播的過程中，輸入樣本從輸入層輸入，經各隱含層逐層計算，并傳向輸出層,其中每層神經元的狀態只影響下一層神經元的狀態，如果輸出層的實際輸出與期望輸出不一致，則轉入反向誤差傳播階段。將輸入誤差以某種形式按照原來的通路原路返回，逐層調整各網絡層的權值，直至回到輸入層。將這種信號正向傳播和誤差反向傳播調整各網絡層權值的過程，循環往復，直至誤差最小或者達到期望誤差學習結束，如圖2-1：

圖2-1 BP神經網絡結構圖

2 基于BP神經網絡的農產品供應鏈金融應收賬款信用風險評估模型

2.1 評估指標體系的建立

信用風險評估是評價一個企業是否具有融資資格的必要條件，對農產品中小企業進行信用風險評估可以有效的控制資金貸出與回流。主要包括：（1）融資企業信用情況。包括企業盈利能力、營運能力、償債能力和信用記錄。主要反映融資企業財務狀況和信用狀況。（2）核心企業信用情況，銀行在結合中小企業和和核心企業的相關數據后，可以在融資企業違約時，降低銀行風險。（3）供應鏈相關情況。包括關系持久度、融資企業地位和信息共享程度。（4）應收賬款。包括應收賬款的壞賬率、應收賬款賬期和應收賬款周轉率，良好的應收賬款更能降低銀行回收貸款的風險。

2.2 樣本采集與數據處理

由于我國中小企業數據透明度和公開度不夠，且我國銀行數據庫的不完善和銀行貸款信息不對外披露，鑒于上市公司的財務數據較為容易獲取，所以本文選取了我國中小板上市公司2018年第一季度財務數據為本文的原始數據。選取其中17家公司為訓練樣本，其中包括15家非ST股和2家ST股。

體系中的定性和定量兩種指標，不同評價指標具有不同的量綱和量綱單位，其會影響數據分析的結果，為了消除指標間的量綱，需要對數據進行標準化處理——數據歸一化。轉換函數如下：

本式中 xi是樣本 x 的一個個體，max（x）與 min（x）分別為樣本 X 中的最大值和最小值，xi'為轉換后樣本個體。基于離差標準化轉換后的數據可以較好地保留原來的指標含義，且將原來的屬性數據全部轉換為[0，1]的正向指標數據，有利于數據的輸入和輸出。

2.3 面向MATLAB的BP神經網絡的訓練與檢驗

本文基于以上研究，選取MATLAB 2016a的BP神經網絡構建一個22×8×1的模型，有22個輸入節點，有1個輸出節點，隱含節點根據公式可確定的范圍為[6，14]。應用專業的軟件分析相同參數的前提下，改變節點數去檢驗誤差，最終選取隱含層節點數為8。模型的規定參數為：隱含層激發函數為tansig，輸出層激發函數為traingdx，訓練函數train循環次數為2000，學習率為0.01，目標誤差為0.001，然后對網絡進行訓練。為了驗證模型的有效性，將樣本進行編號，編號為1-16號的樣本定義訓練樣本，編號為17號的樣本定義為檢測樣本。

運用訓練好的BP神經網絡，將第17號樣本輸入進去，得到仿真結果為0.3623，風險較低，且與其實際賦值接近。如表4-3所示：

表3-3 檢測樣本結果

3 結論

本文是關于農產品供應鏈金融應收賬款信用風險評估體系進行的研究，選取了我國中小板上市公司2018年第一季度財務數據進行實證研究。運用基于MATLAB的BP神經網絡方法，對信用風險評估模型進行分析，用收集到的數據進行訓練和檢測。從上述的結論可以看出，將BP神經網絡應用于本文所提出的信用風險評估指標體系中，可以為我國農產品中小企業融資提供可行性的依據。由于相關的統計數據有不完善的地方，且BP神經網絡對樣本的要求較高，因此，在實際的應用中，要采集足夠多的樣本數量，保證樣本質量，以便提高評估的準確性。

推出農產品供應鏈金融信用風險體系，此體系是以互聯網、大數據和人工智能技術為基礎，以供應鏈信用評級為核心，以全程信用管理為保障，以信息實時監控、信用風險預警為特色。結合農產品供應鏈金融的特點，為供應鏈上下游企業提供合理的信用風險評估標準，高效解決供應鏈上下游企業各種融資需求。同時，可利用機器學習技術，動態采集供應鏈核心企業與上下游中小企業信息，并采用農產品供應鏈金融評級方法體系實時調整信用級別，防控鏈屬企業的信用風險、道德風險和逆向選擇風險，助力農產品供應鏈金融生態體系健康、有序發展。