基于決策樹與神經網絡的上市公司信用風險評估模型比較研究

孫劍斌 魏敏

[摘? ? 要] 隨著中國市場化改革的深入，企業的信用風險評估顯得尤為重要，金融機構已經將其作為評估信貸風險、降低違約率以及增加現金流的關鍵途徑，因此，加強企業信用風險評估模型的研究勢在必行。本文選取上交所555家上市公司2012-2018年的財務數據作為研究樣本，首先運用因子分析方法篩選企業信用風險評估模型的財務指標;其次構建基于決策樹與神經網絡兩種不同算法的企業信用評估模型;最后將兩者進行比較，結果顯示，從綜合性能看神經網絡比決策樹效果更好。

[關鍵詞] 決策樹;神經網絡;信用風險評估;上市公司

doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2021. 01. 042

[中圖分類號] F275;F276.6? ? [文獻標識碼]? A? ? ? [文章編號]? 1673 - 0194（2021）01- 0100- 07

0? ? ? 引? ? 言

改革開放以來，我國資本市場得到了快速發展，已成為我國眾多企業籌集資金的重要場所。上市公司作為資本市場的重要主體之一，其信用狀況將對資本市場的交易活動產生重要的影響。因此，對上市公司信用風險評估具有非同尋常的意義。業界及學者一直在探索和研究企業信用風險評估方法，試圖找到企業在利潤和風險之間的動態平衡點。同時，使用先進的技術手段建立企業信用風險評估模型。目前，信用風險評估模型可以分為三大類：第一類是傳統信用風險度量模型，主要包括專家制度模型、Z值評分模型、ZETA模型等;第二類是現代信用風險度量模型，主要有KMV預約違約率模型、信用度量術模型、信用風險附加模型、信貸組合觀點模型、死亡率模型等;第三類是以大數據、人工智能為主的信息技術信用風險評估模型。由于信息技術的快速發展，將大數據、人工智能等方法引入信用風險評估，取得了較好的效果。本文選用的是機器學習方法，主要采用神經網絡與決策樹，對于給定的數據，兩個模型都單獨給出訓練與測試值，然后將兩個模型進行綜合比較，從而選出更優模型，這種方法一方面能夠比較有效地提升單個分類模型的準確率，另一方面具有比較好的穩定性。

1? ? ? 文獻綜述

1.1? ?信用風險評估模型發展歷程

隨著資本市場對信用風險評估的重視，企業信用風險評估的研究成果越來越豐富。信用風險評估也由最初的經驗評估演變為量化評估。Altman（1968）創建了Z值評分模型，這種模型首先運用加權財務比率來計算企業信用風險的得分，其次將該得分和臨界值比較的結果來評價企業信用風險;摩根銀行在1997年創建了Credit-metrics模型，此種模型是采用企業的信用評級、信用評級轉換矩陣這些信息來對企業的信用風險進行測量，但是這種方法不適用我國的企業信用風險測度，主要是因為我國還沒有建立長期的信用評級數據庫。李海洪、王穎琦（2010）等人利用5C分析法，既根據自身的經驗以及申貸企業的資本能力等因素對企業的信用進行評估，但是該方法具有很大的主觀性，評估的結果令人難以信服。帥青紅、方玲（2013）等人將Logistic模型與決策樹模型進行比較，觀察二者哪一個更適用于上市公司的信用風險評估。

有些學者將KMV模型應用到企業的信用風險測量當中，楊秀云（2016）通過比較不同產業和地區之間的企業信用差別創建了KMV模型;李晟、張宇航（2016）在KMV模型的基礎上，比較了國有銀行和非國有銀行之間的信用差異。伴隨著互聯網技術的快速發展，數據挖掘的技術也逐漸被運用到企業的信用評估當中，其為信用風險識別、評級、評價等提供了更加精確的風險判別方法與更加科學的變量選取方法，盛夏、李斌（2016）等人使用數據挖掘技術對信用評估變動進行預測;蔣翠清、梁坤（2017）在改進的 Adaboost 模型基礎之上，建立了網絡借貸信用預測模型，該模型具有比較高的分類精度。雖然現如今的模型對于信用風險評估效果顯著，但是仍需采用更新的技術不斷地加強與完善，研究者需要深入地了解、探討、分析企業信用真實狀況與其影響因素，同時及時更新相關信用信息，促進形成理論發現，從而進行理論實踐。

總體來說，企業信用評價模型在建立使用過程中仍有一些方面需要完善：（1）不用的信用風險評估模型對于同一個企業的信用狀況評估結果往往是不一致的，因此，企業在選擇評估模型時應該考慮選擇適用于自身發展現狀的模型。（2）在個人信用評估時，會使用用戶畫像、神經網絡模型、決策樹、隨機森林以及多分類器組合等方式來提升個人信用風險評價的精確度。同樣，在對企業信用進行評估時，也可以采用大數據的技術，繪制出企業畫像，從而有利于金融機構更加快捷，方便，清晰地了解企業。（3）一些企業，尤其是中小微企業的數據存在類分布不均衡、噪聲多以及數據缺失等現象，我國對于處理這種現象的研究較少。張景肖（2012）將好客戶這一大眾事件與壞客戶這一稀有事件組成不平衡數據，借鑒機器學習領域處理不平衡數據的方法，對稀有事件做特殊采樣處理之后進行再建模可以有效提高信用評分模型準確性;張巖（2016）對我國中小銀行信用風險數據缺陷的處理方法進行研究，得到針對不同類型缺陷，擬合自舉法、均值法以及分布法分別最優的結論。學者們應該借鑒銀行對于個人信用評級的方式，通過數據挖掘技術、大數據處理信息等方法來解決此問題。

1.2? ?信用風險評估指標的構建

迄今為止，確定企業信用評估指標基本上還是參考有關機構的建議，美國鄧白氏、標普以及穆迪三個信用評級機構對于企業信用風險的評估具有較高的權威，除此之外，還有很多的國內外學者一直在對企業信用風險評估指標體系進行不斷地構建和完善。信用風險評估指標創建的初期是從盈利能力、償債能力、經營能力等方面選取財務指標，Altman（1968）創建的指標體系使用到了總資產周轉率、息稅前利潤等比率類型的財務指標;張新紅（2011）發現現金流量指標能夠比較準確的展現出企業的盈利質量，并且可以快速的提示企業存在的信用風險;鄧晶（2013）將盈余管理指標引入到影響企業信用風險評估的指標當中。

隨著信用風險研究的加深，單純的財務指標已經不足以反映企業的信用風險情況，學者們開始將非財務指標添加到企業信用風險的評估當中。侯昊鵬（2012）將經營者的素質以及產品的競爭力兩種非財務指標用于企業的信用風險評估指標體系中，新建的指標體系只含有三個方面，抓住了影響信用狀況的主要因素，在很大程度上精簡了現有的指標體系;舒歆（2015）認為法人治理情況對于小微企業信用評級具有重要的作用;趙亞（2017）在使用隨機森林技術評估企業信用風險的過程中使用到了股東、董事會、高管、企業誠信情況以及外部環境因素等財務指標，通過對比發現增加非財務指標的評估效果高于只有財務指標的評估效果。隨著大數據的發展，企業信用風險評估指標的建立過程中收集與處理數據變得更加容易、有效，同時指標特征選擇方法也更加可靠，比如胡心瀚、葉五一（2012）使用非參數的方法對變量進行選擇。

雖然，企業信用風險評估指標發展很豐富，但是也存在一些缺陷，例如：（1）許多學者對于指標的選取一般都是通過問卷法和專家打分法，此種方法存在很大的主觀性，從而導致其適用范圍有限。霍海濤（2012）針對此種現象總結了前人的研究成果，結合我國自身的發展特點，建立了適用于高科技中小型企業的信用風險評估指標體系。（2）我國企業信用風險評估指標體系基本上都是參照國外的企業，然而本國的發展環境與國外存在很大區別，導致企業的信用風險評估指標無法完全適用于本國，例如，范柏乃、朱文斌（2003）就是在分析國外企業信用評價指標的基礎上，從六個層面篩選了28個財務指標來構建我國的中小企業信用評價體系。（3）非財務指標包含企業管理水平、企業信用、公司資產規模、行業情況、國家經濟環境等，很多學者都只是通過規范分析來導入非財務指標，很少有人將其量化同時進行實證研究，希望學者們以后加強這方面的研究。

2? ? ? 研究方法

決策樹就是對數據進行梳理分類，同時發現數據當中存在的規律并挖掘出有效信息的一種機器學習方法，該方法能夠輔助決策者做出正確的決策。決策樹最根本的思想就是把所有的樣本看作是一棵樹的樹根，然后將數據進行分類，分出的每一個類別如同大樹的枝干，數據逐層進行細化，最后形成一棵決策樹。決策樹根據數據的邏輯推理分類，對于研究樣本的拆分每一個決策都需要各組之間差異性能夠最大化，從而能夠比較直觀地看到每個要素指標對于最后測評結果影響程度，同時可以容易地分辨出研究樣本分類的要素，如果研究者有需要還可以將不必要的要素進行修剪或者剔除。決策樹的種類很多，早期著名的決策樹算法是在信息熵ID3算法基礎上發展起來的，緊接著又提出了CART、SLIQ、ID4、C5.0、CHAID等算法。本文選取的就是CHAID算法，該方法以目標最優為依據， 對于序次等級以及分類分析比較適用， 它是一種擁有選擇目標、聚類以及量篩選功能的可靠分析方法。

決策樹模型的優點：（1）決策樹算法比較簡單，很適用于處理不是數值類型的研究樣本數據，并且對于數據外的知識不需要過多的了解，因此，使用人員沒有必要了解很多的背景知識。（2）決策樹的分類規則比較清晰，因為其分類原則是根據信息熵增益率的選擇方法，該模型具有較強的可解釋性，可以比較清楚地展現出各個屬性指標的重要程度。（3）決策樹穩定性比較高，其對于樣本分類預測的精確度也比較高。（4）決策樹比較適合處理規模大的數據，因為其計算量小，分類的效率高，并且建立模型的速度比較快。缺點：決策樹在實際使用的過程中，如果數據樣本屬性很多，最終輸出的結果很有可能是一個很大的決策樹，如果數據樣本不夠均勻或者屬性發生丟失，會導致最終輸出的結果準確率變低，算法的效率也會變低。

神經網絡是一種擁有較強學習能力、自適應性以及自組織性的智能化信息處理技術，其是對人腦加工信息過程的一種模仿，能夠充分地發揮出計算機的快速運算能力，針對某一個問題不斷地進行反饋，從而在很短的時間內發現優化解。神經網絡已經成為信用評估領域中預測精確度很好的評估方法，該模型的類型比較多，至今為止已經有幾十種，本文使用其中的一種：BP神經網絡。該模型用于信用評估問題的原理是：首先對線性組合后的特征變量進行非線性變換;其次利用非線性變換以及循環性組合的方法充分逼近任意復雜的非線性關系。

神經網絡的優點：（1）使用人工神經網絡其中的反饋網絡能夠實現聯想儲存的功能。（2）神經網絡具有能夠快速的尋找到比較優化的解。（3）神經網絡擁有一種自我學習的能力，就比如研究者想要對圖片進行識別，事先可以把很多種不同類別的圖片以及其對應的識別結果導入神經網絡當中，該網絡則會根據導入的內容慢慢地進行自學習，當再次導入需要識別的類似圖片時該模型就能識別出來。缺點：模型有時會出現過度訓練的情況，這在一定程度上會導致最終的預測結果并不是很好。

3? ? ? 建立信用風險評估模型

3.1? ?樣本來源及數據的選取

本文選取的財務數據均來自于RESSET數據庫，選取了上海證券交易所700多家上市公司的2012年至2018年財務數據作為研究樣本，其中包含上海證券交易所的所有ST和*ST公司，根據公司的股票是否被冠以ST的頭銜，是否有退市預警，是否受到處罰以及公司的年度財務報告判斷每個年度信用狀況。對于正常運營的企業當數據缺失時則將其直接踢出，對于ST和*ST公司當數據缺失時則選擇將其他年份平均值補充空缺的數據，主要是因為ST和*ST公司出現財務狀況的年份較少，為了使最后訓練和測試信用風險較差的企業結果比較準確，所以選擇不直接剔除而是補充完整，通過多次篩選最終留下555家上市公司作為研究樣本。

3.2? ?初選評估指標

通過閱讀相關文獻，從企業的每股指標、盈利能力、償債能力、成長能力、營運能力以及資本結構等六個方面，一共選取了25個財務指標。通過每股指標可以看出企業的股票收益、營利情況以及市場波動情況，股票市場穩定股票收益高的企業自然是信用風險較低的企業;通過盈利能力可以看出企業獲得利潤的能力，獲得利潤的能力越強說明企業信用風險越低;通過償債能力可以看出企業現金支付能力的大小，現金支付能力越強企業信用風險越低，該指標能夠直觀地反映企業的信用狀況;通過成長能力可以看出企業是否具有發展空間，具有發展前景的企業信用風險會低一些;通過營運能力可以看出企業的經營狀況，能夠客觀地表現出企業資產的使用效率和效益，越是經營穩定的企業其信用風險就越低;通過資本結構可以看出企業各種資本構成的比例關系，負債比例高的企業其信用風險也會高。具體指標的選取情況如表1所示。

3.3? 財務指標降維處理

由于本文選取了555家上市公司2012年至2018年的財務數據，數據量足夠龐大，如果輸入到BP神經網絡的變量過多就會導致該神經網絡結構特別復雜，從而導致該網絡訓練以及測試的速度變慢。同樣的道理，輸入決策樹的數據過多會導致該決策樹的子節點過多，最后形成的樹會過于龐大，訓練和測試的速度也會下降。所以，本文將采取因子分析的方法對選取的財務指標進行降維處理，以獲取更為有效的財務指標。通過KMO和Bartlett檢驗結果（如表2）可以看出，KMO的值為0.701，理論上該數值越接近1表示測試的變量之間相關性越強，當大于0.5時就適合進行因子分析;Bartlett檢測結果為0.000，理論上該數值越接近0越適合進行因子分析。綜上所述，本文選取的財務指標之間具有較強的相關性，比較適合通過因子分析來進行降維。

本文運用SPSS 21數據分析軟件對選取的財務數據進行分析，采取最大方差法對因子進行旋轉，發現可以提取8個公共因子，該公共因子的累計貢獻率可達66.441%，提取的這8個公共因子基本上可以覆蓋上市公司信用風險的絕大部分信息，通過具有 Kaiser 標準化的正交旋轉法，旋轉在5次迭代后收斂，最后得出的旋轉成分矩陣如表3所示。公共因子D1命名為盈利能力因子，其在n6資產報酬率、n7資產凈利率、n9銷售凈利率 、n10息稅前利潤四個指標載荷量較大，分別為：0.857、0.858、0.932、0.927;公共因子D2命名為每股情況因子，其在n1每股收益、 n2每股凈資產、n3每股營業利潤、n4每股留存收益四個指標上載荷量較大，分別為：0.771、0.894、0.841、0.920;公共因子 D3命名為償債能力因子，其在n11流動比率、n12速動比率、n13超速動比率三個指標載荷量比較大，分別為：0.956、0.968、0.944;公共因子D4命名為運營能力因子，其在n22流動資產周轉率、n23總資產周轉率兩個指標載荷量較大，分別為：0.776、0.891;公共因子D5命名為資產流動能力因子，其在n15現金流動負債比、n25流動資產/總資產兩個指標具有較大載荷量，分別為：0.519、0.842;公共因子D6命名為凈資產收益及產權因子，其在n5凈資產收益率、n14產權比例兩個指標的載荷量較大，分別為：0.673、0.738;公共因子D7命名為成長能力因子，其在n17營業利潤增長率、n18利潤總額增長率、n19凈利潤增長率三個指標載荷量較大，分別為：0.643、0.555、0.559;公共因子D8命名為營業收入及存貨周轉能力因子，其在n16營業收入增長率、n20存貨周轉率兩個指標載荷量較大，分別為：0.637、0.605。本文將選取的8個公共因子作為變量導入神經網絡與決策樹中。

3.4? ?模型構成及預測

3.4.1? ?CHAID決策樹模型

3.4.1.1? ?決策樹模型設計

本文采用的是CHAID決策樹模型，該模型處理數據的基本原理：決策樹的根節點就是因變量，文中分為信用狀況較差（0）、信用狀況良好（1）兩個根節點，目標變量就是自我分層的樹狀結構，預測變量會依據卡方顯著性的大小不停地生成子節點和父節點，越先形成的預測根節點其顯著性就越高，程序會主動歸集預測變量的不同類型，從而使其具有卡方顯著性，當達到事先設定的樹狀水平數時該程序就會停止。文中將CHAID決策樹模型最大深度設為3，采用拆分樣本的方式進行驗證，父節點中最小的個案數為100，子節點中最小的個案數為50。最后結果中的決策樹節點數為12，終端節點數為8。CHAID決策樹預測模型結構如圖1所示。

3.4.1.2? ?決策樹模型訓練及檢驗

將上文已經進行降維處理的數據，8個公共因子作為分析樣本導入SPSS 21軟件當中，其中70%的部分用來作為訓練基，訓練CHAID決策樹，30%的部分作為檢測基用來對決策樹上市公司的樣本進行檢測。如果判定的結果和初始的數據樣本判定結果一致，則是正確的檢出，如果判定的結果與初始樣本數據判定的結果不一致，則是有誤的檢出。訓練及檢測結果如表4所示，通過訓練基能夠觀察出本次上市公司信用風險評估模型整體訓練準確率為96.3%，該準確率比較高基本上可以檢測出信用風險較大的個案，其中對于信用狀況較差預測正確率為59.5%，對于信用狀況良好的預測準確率為99.1%。檢測基的整體正確率為97.4%，其中對于信用狀況較差的預測正確率為64.4%，對于信用狀況良好的預測正確率為99.1%。無論是訓練還是測試都可以看出對于信用狀況良好的正確判斷率高于信用狀況較差的正確率，這其中除了一些系統上的誤差，還有樣本本身一些限制的原因，出現信用問題的企業比較少，信用狀況較差的樣本較少導致CHAID決策樹無法得到充分的訓練以及學習，從而影響到最后研究訓練以及測試的準確率。

3.4.2? ?BP神經網絡模型

3.4.2.1? ?神經網絡模型設計

BP神經網絡模型其主要組成部分分為三層：輸入層、隱藏層以及輸出層。當網絡層次增加時可以在一定程度上降低誤差，加強網絡的表現力，然而過于龐大的網絡結構也會使訓練的時間變長。在一般情況下，三個層次的BP神經網絡能夠得到比較精確的結果，訓練時間也適中，所以綜合考慮之后，文中選取由一個輸入層，一個隱藏層和一個輸入層組成的BP神經網絡模型。BP神經網絡的預測模型結構如圖2所示。

輸入層設計：神經網絡的輸入的數據應該是全面描述我國上市公司信用風險的指標，上文已經通過因子分析法對信用風險的預測指標進行了篩選，不同信用風險財務指標形成不同的節點數從而對應不同的網絡模型，上文篩選的20個信用風險財務指標的個數其實也就是輸入節點的個數。因為評價體系當中數據單位不一致，所以為了使所有數據在系統中具有可比性，就在輸入前對選取的指標數據進行標準化的處理。

隱藏層設計：隱藏層節點的本質作用就是將大樣本數據當中存在的規律挖掘出來，同時把這種規律進行保存。當隱藏層的節點比較少的時候，有可能會導致神經網絡從大樣本數據當中挖掘的信息數據不能夠體現以及概括其中的規律;然而當隱藏層的節點比較多時，神經網絡容易把大樣本數據當中本身不存在規律的東西記下來，從而導致最后網絡的訓練效率比較低，學習的時間過長，泛化的能力下降等。因此合適的隱藏節點數對于處理數據挖掘信息至關重要，本文在結合上市公司實際經營的情況，對數據進行多次訓練后發現節點數為6時收斂速度最快，所以，最后本文確定的隱藏層節點數為6個，其激活函數為雙曲正切函數（tansig函數）。

輸出層設計：本文將上市公司的信用風險狀況劃分為信用3.5? ?模型結果比較

將CHAID決策樹模型與BP神經網絡對于上市公司信用風險評估結果進行比較，發現兩者整體預測正確率水平也基本持平，CHAID決策樹的平均預測正確率為96.85%，BP神經網絡的平均預測正確率為97%，CHAID決策樹比BP神經網絡預測準確率低0.15個百分點，同時對信用狀況良好的數據預測結果正確率也基本相當，CHAID決策樹的平均預測正確率為99.1%，BP神經網絡的平均預測正確率為98.55%，CHAID決策樹比BP神經網絡預測準確率高出0.55個百分點，但是對于信用狀況較差的企業BP神經網絡預測正確率明顯高于CHAID決策樹模型，CHAID決策樹的平均預測正確率為61.95%，BP神經網絡的平均預測正確率為74.5%，CHAID決策樹比BP神經網絡預測準確率低12.55個百分點，因此，從綜合性能角度看BP神經網絡模型對于上市公司信用風險評估比CHAID決策樹更好。

4? ? ? 結? ? 論

本文通過采用上交所555家上市公司2012年至2018年的財務數據，建立CHAID決策樹以及BP神經網絡模型成功地對上市公司信用風險進行評估，預測結果的綜合正確率分別為：97.4%、97.3%，預測準確度比較高，能夠為上市公司提供比較精確可靠的信息。通過比較分析，對于上市公司的信用風險評估中BP神經網絡預測的準確度比CHAID決策樹更高。使用計算機算法技術處理數據非常快捷方便，能夠在一定程度上減少人為因素的影響，這種方法可以保障處理結果的真實性，減少運算過程中的誤差，增加客觀性，擁有動態跟蹤比較的優勢。文中建立的兩種模型都能夠成為評估上市公司信用風險狀況的可靠依據和科學手段，有效的信用風險評估模型可以為投資者、銀行以及金融機構提供巨大的幫助，在一定程度上減少他們面臨的風險。

本文存在的不足之處：（1）在選取的555家公司當中信用風險狀況較差的數據比較少，并且有些年份數據缺失，只是采用簡單的平均值進行填補，從而導致信用風險狀況較差的預測結果不夠準確。（2）考慮到數據的可獲得性，信用風險評估指標體系中只采用了財務風險指標，沒有采用非財務風險指標。（3）導致上市公司的信用風險評估的因素會隨著時間的變化而發生變化，在對財務指標選取完成后應該進行顯著性分析，然而本文只進行了因子分析。（4）對于信用風險的評估可以采用決策樹與神經網絡兩種模型建成組合模型，評估結果可能會更加有效，本文只是進行了簡單的比較。在今后的研究當中，要加強完善不足的方面，為上市公司的信用風險評估提供重要參考。

主要參考文獻

[1]Edward I. Altman. Financial Ratios， Discriminant Analysis and the Prediction of Corporate Bankruptcy[J]. Journal of Finance， 1968， 23（4）：589-609.

[2]范柏乃，朱文斌.中小企業信用評價指標的理論遴選與實證分析[J].科研管理，2003（6）：83-88.

[3]李海洪，王穎琦，郭俊祥，王永.信用風險管理理論與評價模型[J].山西財經大學學報，2010，32（z2）： 325-326.

[4]張新紅，王瑞曉.我國上市公司信用風險預警研究[J].宏觀經濟研究，2011（1）：50-54.

[5]侯昊鵬.國內外企業信用評級指標體系研究的新關注[J].經濟學家，2012（5）：88-97.

[6]胡心瀚，葉五一，繆柏其.上市公司信用風險分析模型中的變量選擇[J].數理統計與管理，2012，31（6）：1117-1124.

[7]張景肖，魏秋萍，張波.信用評分模型中稀有事件特殊采樣處理方法探討[J].統計與信息論壇，2012，27（11）：15-19.

[8]霍海濤.高科技中小企業信用風險指標體系及其評價方法[J].北京理工大學學報：社會科學版，2012，14（1）：60-65.

[9]帥青紅，方玲，匡遠競.基于決策樹與Logistic的上市公司信用評估比較研究[J].西南民族大學學報：人文社會科學版，2013，34（5）：135-140.

[10]楊勝剛，朱琦，成程.個人信用評估組合模型的構建——基于決策樹——神經網絡的研究[J].金融論壇，2013，18（2）：57-61，67.

[11]鄧晶，秦濤，黃珊.基于Logistic模型的我國上市公司信用風險預警研究[J].金融理論與實踐，2013（2）：22-26.

[12]舒歆.小微企業信用評級指標體系構建研究[J].金融理論與實踐，2015（5）：105-108.

[13]楊秀云，蔣園園，段珍珍. KMV模型在我國商業銀行信用風險管理中的適用性分析及實證檢驗 [J].財經理論與實踐，2016，37（1）：34-40.

[14]李晟，張宇航.中國上市商業銀行信用風險分析及比較：基于KMV模型及面板數據[J].中央財經大學學報，2016（10）：31-38.

[15]盛夏，李斌，張迪.基于數據挖掘的上市公司信用評級變動預測[J].統計與決策，2016（15）：159-162.

[16]張巖，王智茂.我國中小銀行信用風險基礎數據缺陷處理方法研究[J].數量經濟技術經濟研究，2016，33（12）：129-143.

[17]肖斌卿，柏巍，姚瑤，李心丹.基于LS-SVM的小微企業信用評估研究[J].審計與經濟研究，2016，31（6）：102-111.

[18]趙亞，李田，苑澤明.基于隨機森林的企業信用風險評估模型研究[J].財會通訊，2017（29）：110-114，129.

[19]蔣翠清，梁坤，丁勇，等.基于改進Adaboost的信用評價方法[J].運籌與管理，2017，26（2）：135-139.

[20]韓嵩，李曉俊.大數據背景下我國企業信用研究綜述——基于CSSCI檢索論文的分析[J].金融理論與實踐，2018（10）：107-113.