基于DBN的線上供應鏈金融信用風險研究

徐榮貞 何夢珂

【摘 要】 “互聯網+”背景下，針對如何解決深度挖掘線上供應鏈金融大數據背后信用風險的問題，提出了一種基于深度信念網絡（DBN）的線上供應鏈金融信用風險評估方法。首先，建立了由受限玻爾茲曼機（RBM）和分類器SOFTMAX構成的深度信念網絡評估模型，并利用該模型對三類數據集進行性能評估測試;其次，運用因子分析法從21個指標中甄選8個指標，輸入到RBM中進行轉換，形成更為科學的評估指標，再將指標輸入到SOFTMAX中進行評估;最后，將這種基于DBN的線上供應鏈金融信用風險評估方法應用到實例中進行了驗證。結果表明：該方法的評估準確率達96.04%，與SVM法、Logistic法相比較，具有更高的評估準確率和更好的合理性。

【關鍵詞】 線上供應鏈金融; 信用風險; 深度學習神經網絡; DBN模型; 因子分析

【中圖分類號】 F830.2? 【文獻標識碼】 A? 【文章編號】 1004-5937（2021）11-0061-07

一、引言

近年來供應鏈金融憑借其強大的融資優勢在國內外迅速發展，隨著互聯網技術的進步，在中國將形成巨大的供應鏈金融市場規模，其可以在一定程度上緩解中小企業融資難的問題[ 1-4 ]。供應鏈金融以核心企業為支點將資金引入到供應鏈中的其他中小企業，同時促進了社會經濟的增長，維持商業銀行的利潤增長點[ 5-6 ]。供應鏈金融在發展過程中呈現出從線下轉入線上的特點，因此一系列線上平臺建設情況也影響著供應鏈金融的發展。線上供應鏈金融在網絡平臺上展現了供應鏈企業交易所引發的“商流、資金流、物流、信息流”，實現了在線數據的共享，而如何利用這些共享數據準確判斷企業的信用風險仍需進一步研究[ 7-8 ]。

關于供應鏈金融信用風險的評估，一般選用層次分析法（AHP）、綜合評價法等。熊熊等[ 9 ]、逯宇鐸和金艷玲[ 10 ]利用主成分分析法、Logistic回歸法建立了供應鏈金融信用風險評價模型。胡海青等[ 11 ]、姚王信等[ 12 ]運用支持向量機（SVM）建立信用風險評估模型，并在相同條件下與運用基于BP算法的評估模型比較分析，得出SVM模型在小樣本情況下有更好的有效性。SVM模型已經應用到信用風險的研究中，由于SVM是淺層神經網絡，存在評估準確率較低等問題，而深度機器學習能夠自動提取評估指標，可以達到更高的評估準確率。深度機器學習是由Geoffrey Hinton[ 13 ]提出的，深度學習神經網絡（DLNN）就是其中之一，具有較強的自動學習能力，可以對輸入數據進行逐層的特征學習，并能夠轉換重構新的特征，避免了人工選擇和提取特征[ 14-15 ]。盧慕超[ 16 ]在研究深度置信網絡的基礎上，驗證了分類分區的受限玻爾茲曼機深度置信網絡模型的有效性。

筆者將深度學習神經網絡——深度信念網絡引入到線上供應鏈金融信用風險評估中，提出了一種基于深度信念網絡的線上供應鏈金融信用風險評估方法，此方法與現有方法相比具有更高的評估準確率及更好的合理性。通過收集企業信息，經過因子分析法降維，將特征值大于1的因子進行提取，再將提取出的因子輸入到深度信念網絡中進行轉換重構，進一步提取出能夠反映線上供應鏈金融真實信用風險的指標，從而評估識別企業的信用風險。

二、線上供應鏈金融信用風險評價指標的構建及提取

（一）線上供應鏈金融信用風險指標的構建

線上供應鏈金融主要以供應鏈中的核心企業為中心向其他中小企業提供金融服務，從而改變銀行對單一企業授信的傳統模式。由于參與企業方的增多、線上平臺建設情況的不同等原因，信用風險相比之前的模式更加復雜，因此從宏觀環境、核心企業狀況、供應鏈整體狀況等方面來構建線上供應鏈金融信用風險指標體系。在保證整個指標體系科學性、全面性、可操作性及針對性的基礎上，為了避免指標內容的重復，對整個指標體系通過相關性分析法、變差系數法等進行指標篩選。由于某一個行業的宏觀因素方面是類似的，所以在指標中去除宏觀因素這個一級指標，得到四項共21個指標，如表1所示。

（二）線上供應鏈金融信用風險評估指標的提取

為了科學地選取研究對象，筆者查閱了大量的相關文獻，選取汽車行業作為線上供應鏈金融信用風險評估的研究對象。汽車制造行業的線上供應鏈中主要分為上游企業、核心企業和下游企業，上游企業是指汽車發動機制造、輪胎制造、汽車零部件制造企業等，核心企業是指汽車整車制造企業，下游企業是指汽車銷售企業。筆者選用中小板上市的汽車行業上下游企業為具體研究對象，采用定性與定量相結合的方法對前述線上供應鏈金融信用風險指標數據進行采集，并進行下一步的實證研究。

根據前文構建的指標體系，12個定量指標來源于國泰安數據庫及各公司的相關年度、中期報告。參考呂躍進[ 17 ]提出的用于研究定性問題的理論，9個定性指標采用一定的評分標準進行打分，定性指標得分分別為10、7、4、1。具體評估內容如下：

（1）企業規模按主營業務收入進行評分，整個樣本中：前5%，10分;5%～30%，7分;30%～70%，4分;70%以后，1分。

（2）企業管理狀況是指一定時間范圍內企業經營者及管理人員因管理失誤和違規問題受到起訴或仲裁的情況。

（3）財務信息質量以是否因財務披露問題而受到處罰或者通告為依據進行評分。

（4）交易履約情況是公司在一定時間內因違約涉及的訴訟情況。

（5）核心企業信用等級是該企業在信用評級機構的信用評級情況。

（6）產品的可替代性，同行競爭的激烈程度以及核心企業對其所提供產品的依賴程度。

（7）賬齡與賬期，采用90%應收賬款賬期的長短評分。

（8）合作頻率，是雙方合作時間及合作次數的情況。

（9）平臺信息化建設程度，以電子平臺信息共享處理程度為標準。

根據Wind數據庫，本文采用Z值預警得分評價。當Z值<2時，說明公司財務狀況堪憂，并且潛伏著破產的危機，更容易發生違約風險;當Z值≥2時，說明財務狀況正常，不易違約。

由于收集的變量較多，變量之間存在一定的多重共線性。根據因子分析的思想，可以從具有共線性的多個原始變量中提取出少數幾個潛在變量來代表其他指標。本文收集的原始評價指標較多，可以選取該研究方法，首先需要檢驗因子分析的可行性，具體如表2所示。

從表2可以看出KMO值是0.729，Bartlett球形度檢驗顯著性是0，證明原始變量間有顯著的相關性，滿足因子分析法的使用條件。

使用最大方差法構建旋轉分量矩陣，并使用主成分方法抽取公共因子。由表3可知，前8個因子的特征值大于1，其累計貢獻率達到了75%，基本可以代表其他指標的含義與信息。

經過標準化處理后，通過成分得分系數矩陣可以得到各因子的線性表達式和8個主成分的計算公式。

三、基于DBN的線上供應鏈金融信用風險評估模型

深度信念網絡（DBN）在解決深層神經網絡的優化問題上采用了逐層訓練的方法，其中受限玻爾茲曼機在訓練過程中起到了至關重要的作用，也解決了標簽樣本的數量問題和訓練過程容易陷入局部最優的問題[ 18 ]。

（一）受限玻爾茲曼機（RBM）

DBN由多個RBM構成，RBM是其重要的基礎模型。Hinton等[ 19 ]第一次提出了關于RBM的理論，該理論為：在對多層神經網絡進行學習時，可以預先分解為多個RBM，再依次逐層對多層神經網絡進行訓練，有效地提高了神經網絡訓練的效率，也極大地提升了訓練結果的有效性。下面簡要介紹RBM及DBN的學習過程。

受限玻爾茲曼機是由可見層和隱含層構成的一個較為簡單的神經網絡，其網絡示意圖如圖1所示，v和h分別表示其中的可見層和隱含層，權重用w來表示，而每一層中的神經元都是一個獨立的個體，相互之間沒有任何聯系。

RBM能夠利用其單向加權連接的特點完成無監督式學習RBM輸入數據特征信息的任務，依據最大似然原理對RBM進行訓練，最終能夠對偏差和權重進行調整使p（v）的概率增加。根據式（2）和式（3）能夠更新可見層與隱含層間的權重。

式（3）、式（5）、式（7）中的m為動量，能夠對其特征的學習速度進行表征;r表示誤差重構和噪音消除的學習率;d代表了權重的衰減程度，其目的是使測試數據的效果達到最優。式（4）—式（7）體現了偏差ai和bj的調整過程。

重構誤差和原始數據之間的平方誤差可以通過簡單計算得出，但其不適用于數據的監測訓練，因為使輸入數據的可行性最大限度地提升是RBM訓練的目的。重構誤差的變化不能很好地表明模型的性能好壞，從而引入一個新的變量——自由能來更好地表征模型的性能，自由能F（vdata）由式（8）和式（9）定義：

RBM的訓練主要是通過對驗證數據集和訓練數據集的平均自由能在各個時期進行計算來完成的。模型的性能與平均自由能的關系為：平均自由能升高，模型性能降低，當模型開始超載時，驗證數據與訓練數據的自由能都將提升，訓練/驗證數據的過度配套程度用其平均可再生能源來表征。

RBM訓練的過程如圖2，其中x代表數據輸入層（也叫可見層），h1、h2、h3代表隱含層。

（二）DBN模型

深度信念網絡是含多隱含層的預測模型，輸入層位于最底層，隱含層位于中間層，特征層位于隱含層的下一層。RBM由兩個相鄰層構成，頂層是執行分類的輸出層，標簽數據表示原始數據的有效類信息，一般情況下是將頂層的輸出與標簽數據進行對比來實現數據分類的。

（三）樣本數據和評估指標的選取

為了使樣本集不至于太偏斜，也為了確保可以獲得足夠的數據樣本，本文從Wind數據庫中獲得2016—2018年度100家中小型企業3—5年的財務數據，共搜集到完整的300組數據。由于微調需要用少量帶標簽樣本，因此將這300組數據作為微調所需樣本。

根據DBN的自動學習、轉換和分類的能力，考慮各評估指標代表的含義及相關性，對21個原始評估指標進行因子分析，最終選取了8個評估指標，用這8個評估指標來反映中小企業是履約或違約。這些評估指標分別為素質建設因子、貿易因子、盈利因子、營運因子、綜合因子、成長因子、合作因子、項目建設與償債因子，為了使計算更為精確，也為了使這些評估指標的差異性最小化，先利用式（10）對各個評估指標進行標準化。

式中：xnew為標準化后評估指標值;x為評估指標原來的值;xmean為x所占各評估指標值總量的均值;xstd表示該評估指標的標準差值。

圖3為基于DBN的線上供應鏈金融信用風險評估模型，最底層輸入模型的是8個已標準化處理的中小企業評估指標，中間層為RBM，最終輸出的最大概率所對應的線上供應鏈金融信用風險狀況即為評估結果。

（四）基于DBN的線上供應鏈金融信用風險評估

從DBN的理論可知，訓練學習和微調學習兩個階段共同構成了DBN算法，其中訓練學習是指堆疊RBM的方式向前進行的訓練學習，而微調學習則是從頂層向底層通過微調參數的方式進行的。線上供應鏈金融信用風險的評估流程如圖4，具體的步驟為：

（1）收集線上供應鏈金融模式下中小企業信息，甄選出初步的評估指標。

（2）預先運用因子分析法對評估指標進行降維處理，從而提取出特征值大于1的8個因子。

（3）選取指標數據，并劃分為測試集和訓練集。

（4）建立基于DBN的線上供應鏈金融信用風險評估模型。

（5）將訓練樣本輸入到評估模型中，向第一個RBM中輸入數據，并將其輸出的數據作為下一層的輸入數據進行訓練，依次循環，直到所有的RBM學習完成。

（6）根據訓練樣本中帶標簽的數據和分類誤差，對整個DBN模型從頂層向最底層逐層進行參數微調，完成整個DBN模型的訓練。

（7）將測試樣本輸入到已訓練好的DBN評估模型中進行評估測試。

（8）輸出評估結果。

（五）基于DBN的線上供應鏈金融信用風險評估模型評估性能測試

從經典數據庫中選取Iris、Wine、Adult三個數據集代入基于DBN的線上供應鏈金融信用風險評估模型中進行測試，將參數更新速率值設置為0.01，初始學習速率值設置為0.1，網絡參數的初始化取高斯分布條件下的隨機較小值。

表4展示了基于DBN評估模型對3個不同數據集的評估情況。從表中可以看出用基于DBN的線上供應鏈金融信用風險評估模型對數據集進行分類呈現了較好的平均分類正確率，證明此模型可以用于解決分類問題。

四、模型實證分析

（一）模型實證概述

為了對基于DBN的線上供應鏈金融信用風險評估模型的評估效果進行驗證，選取發展線上供應鏈金融比較成熟的汽車行業中小企業為研究對象，從Wind數據庫中得到2016—2018年度100家中小型企業3—5年的財務信息和非財務信息共300組完整的數據，運用因子分析法從原始數據中提取出8個潛在因子，并將這些數據導入到基于DBN的線上供應鏈金融信用風險評估模型中進行評估，評估結果分類情況如表5所示。

為了更好地對線上供應鏈金融信用風險評估的準確率進行比較，選取了1 200組去標簽數據作為模型學習的預訓練集，選取300組企業違約、履約狀態下的帶標簽數據作為調節模型的測試集和微調集，其比例為1：2。

（二）評估結果分析

1.節點數的確定

當前風險評估案例中三層結構的深度信念網絡應用最為廣泛，評估效果也比較理想，所以本例也引用三層的深度信念網絡進行風險評估，DBN具體的結構為：一個輸入層和輸出層，三個RBM。由于數據的維數和輸入數據的節點數是相同的，所以節點數對風險評估的效果有較大影響。根據8個信用風險評估指標在輸入層設置8個節點，根據兩種評估結果在輸出層設置兩個節點，RBM中的節點數設置是沒有統一標準的，因此具有一定的主觀性，需要根據實際需要選取最佳的節點數。參考相關的經驗公式，分別設置了不同的隱含層節點數組合，來討論其對線上供應鏈金融信用風險評估結果準確率的影響。為了更加方便地對三個隱含層的節點數進行表達，f、g、k分別代表第一、二、三層隱含層的節點數，簡稱為f×g×k，具體如表6所示。

履約、違約狀況的線上供應鏈金融信用風險評估數據隨機選取40個測試樣本和40個訓練樣本，根據表5中的信息，可以得到80個測試樣本和80個訓練樣本，將這些數據輸入到表6所設置的DBN網絡中，設置迭代次數為250，并統計重復計算10次后各項的均值。

圖5為8個線上供應鏈金融信用風險評估特征輸入到隱含層節點數組合分別為6×12×18，12×18×24，12×12×12和24×18×12的DBN網絡中計算后得出的線上供應鏈金融信用風險評估準確率與迭代次數關系圖。從圖中可以看出線上供應鏈金融信用風險評估準確率隨著迭代次數的增加而變高，但是評估準確率增長的速度不同，沒有迭代時評估準確率非常低，在0到100步之間增長速度比較急劇，而到了150步時增長的速度比較緩慢。證明了在一定范圍內增加迭代次數可以大幅度增加線上供應鏈金融信用風險評估準確率。

表7為不同企業數據經過250次迭代運算后所對應的線上供應鏈金融信用風險評估狀況，其中評估準確率取迭代運算中的最大值。

由表7中的數據分析可以得出以下結論：12組不同隱含層節點數組合的DBN結構中，只有第1組的評估準確率低于80%，第2組到第12組的評估準確率均大于80%。評估準確率處于80%～90%之間的為2組、3組、6組、7組和11組，第4、5、8、9、10和12組的評估準確率均在90%以上。12組不同隱藏層節點數組合的DBN中有11組的評估準確率大于80%，6組的評估準確率大于90%，證明DBN可以準確評估線上供應鏈金融信用風險，也驗證了隱含層節點數對線上供應鏈金融信用風險評估的結果有較大影響。從表7中可以看出評估準確率最高的為第8組，因此線上供應鏈金融信用風險評估的基礎模型選取隱含節點數為12×24×12的RBM。

2.不同預訓練集的線上供應鏈金融信用風險的評估情況

表8為基于DBN的線上供應鏈金融信用風險模型對不同預訓練集的評估情況。表8中的數據顯示：當預訓練集的數量從200增加到600時，平均準確率從93.66%增加到95.58%，共提升了1.92%的準確率;預訓練集的數量從600增加到1 200時，平均準確率從95.58%增加到96.04%，僅僅增加了0.46%的準確率。表明隨著預訓練集數量的增加，線上供應鏈金融信用風險評估的平均準確率逐漸增加，但是預訓練集達到一定數量后，評估的平均準確率增長速度變慢。所以為了節省時間成本，要選最佳數量的預訓練集。

為了凸顯該方法的優越性，整合表6、表7和表8中的數據，在微調集為200、測試集為100時，比較SVM、Logistic與該方法的評估效果。表9為不同方法的線上供應鏈金融信用風險評估情況對比。

從表9中的數據可知：在樣本相同的情況下，Logistic評估的平均準確率最低，僅為82.34%;SVM的評估平均準確率為87.91%，能優于Logistic，但是還沒有達到90%，診斷效果不能令人滿意;而基于DBN方法的線上供應鏈金融信用風險評估準確率大于95%，診斷效果令人滿意， 主要是因為DBN是基于樣本的概率分布來提取高層特征的，DBN的特征提取方式更有利于科學地提取出本質特征。Logistic與SVM是淺層神經網絡，而DBN是深度學習神經網絡，由表9可知基于深度學習的線上供應鏈金融信用風險評估效果明顯優于其他風險評估效果，體現出該方法對線上供應鏈金融信用風險的評估更具有智能性和科學性。

五、結論

本文提出了基于DBN的線上供應鏈金融信用風險評估方法，建立了相應的評估模型，并通過實例驗證得出最終的評估平均準確率達96.04%。在同等條件下與SVM、Logistic的評估結果對比分析，顯示本文使用的評估方法有更好的評估效果，利用基于DBN的線上供應鏈金融信用風險評估方法對中小企業信用風險進行評估可以幫助銀行規避更多的線上供應鏈金融信用風險，更加有效地識別線上供應鏈金融中的違約中小型企業。

【主要參考文獻】

[1] 李仲飛，黃金波.我國小微企業融資困境的動態博弈分析[J].華東經濟管理，2016，30（2）：1-8.

[2] 陳潔，宋夢瑩，李彩霞.先進制造業互聯網供應鏈金融運作模式研究[J].會計之友，2019（23）：148-152.

[3] 宋華，楊雨東.現代ICT賦能的智慧供應鏈金融創新與發展[J].中國流通經濟，2019，33（12）：34-41.

[4] 夏雨，方磊，魏明俠.供應鏈金融：理論演進及其內在邏輯[J].管理評論，2019，31（12）：26-39.

[5] 李寶寶，李婷婷，耿成軒.供應鏈金融與中小企業融資約束：以制造行業中小上市公司為例[J].華東經濟管理，2016，30（11）：174-179.

[6] 王妮.線上供應鏈金融創新融資模式風險控制[J].會計之友，2019（21）：134-139.

[7] 譚喻縈，楊箏.基于收益共享機制的線上供應鏈金融最優均衡策略研究[J].管理評論，2019，31（9）：241-254.

[8] 夏立明，邊亞男，宗恒恒.基于供應鏈金融的中小企業信用風險評價模型研究[J].商業研究，2013（10）：171-177.

[9] 熊熊，馬佳，趙文杰，等.供應鏈金融模式下的信用風險評價[J].南開管理評論，2009，12（4）：92-98，106.

[10] 逯宇鐸，金艷玲.基于Lasso-logistic模型的供應鏈金融信用風險實證研究[J].管理現代化，2016，36（2）：98-100.

[11] 胡海青，張瑯，張道宏.供應鏈金融視角下的中小企業信用風險評估研究：基于SVM與BP神經網絡的比較研究[J].管理評論，2012（11）：70-80.

[12] 姚王信，夏娟，孫婷婷.供應鏈金融視角下科技型中小企業融資約束及其緩解研究[J].科技進步與對策，2017，34（4）：105-110.

[13] LECUN Y， BENGIO Y， HINTON G. Deep learning [J].Nature，2015，521（7553）：436-444.

[14] 汪洋，王俊剛.基于深度學習算法的鐵路列車運行安全檢測[J].中國安全科學學報，2018，28（S2）：41-45.

[15] SCHMIDHUBER J.Deep learning in neural networks：an overview [J].Neural Networks，2015，61：85-117.

[16] 盧慕超.基于深度置信網絡的商業銀行信用風險預測實證研究[D].太原：太原理工大學博士學位論文，2017.

[17] 呂躍進，張維.指數標度在AHP標度系統中的重要作用[J].系統工程學報，2003（5）：452-456.

[18] QIU? ZEYANG，LIANG? WEI，ZHANG? ?LAIBIN. Tracing and prediction analysis of an urban pipeline leakage accident based on the catastrophe DBN model[J]. Journal of Natural Gas Science and Engineering，2018，57：339-348.

[19] GENG ZHIQIANG， LI ZHONGKUN， HANYONGMING. A new deep belief network based on RBM with glial chains[J].Information Sciences，2018， 463-464：294-306.