我國區域城市招投標領域企業信用價值研究
——基于KSVM 研究方法

孔 杏 ,樓裕勝

(1.浙江開放大學 教學中心,浙江 杭州 310012;2.浙江金融職業學院 信息與互聯網金融學院,浙江 杭州 310018)

一、問題的提出

我國已處于全面推進社會信用體系建設加速發展階段。2013—2019 年,國家連續發布10 個信用建設相關文件,反映出黨中央對社會信用體系建設工作的高度重視。企業作為社會經濟發展的一個重要主體,信用建設至關重要,企業信用評價則是較長一段時間備受關注的一個焦點。自從約翰·穆迪開創企業信用評價模式以來,無論是學術理論還是實踐部門,都在不斷地完善評價的信息體系及評價模型方法,力求評價的準確性。信用既包含誠信行為,也包含信用能力。傳統意義上的誠信行為強調自身的修養,但隨著市場經濟體制的完善,誠信更加強調“真實無欺、遵守約定、踐行承諾、講究信譽”為一體的社會規范[1]。信用本質則是一種契約精神,代表的是允諾能力,可以說誠信是意愿,信用則是能力,只有“誠信意愿+信用能力”同時具備,信用關系才能得以維系。誠信意愿表現出來的誠信行為為政府的業務監管提供決策依據,信用能力為交易對手在市場交易中提供決策信息[2],具有誠信意愿的企業是否意味著也同樣具備良好的履約能力? 或者說具備履約能力的企業又是否會按時履約,二者之間是否存在一致性? 本文將重點聚焦企業誠信行為和信用能力的一致性研究,從企業信用內部結構的穩定性視角分析企業的信用價值,這是企業信用評價的創新,對企業內部管理也有積極影響。

二、文獻綜述

企業信用評價方法的發展大致經歷了三個階段:第一階段為經驗判斷階段。經驗判斷時期主要以專家過往經驗為依據,隨后為了避免評判的主觀性,在評價方法中逐步應用了數學分析方法,財務比率模型被最早應用到企業信用評價模型中。第二階段是統計計量分析階段。統計計量分析主要包括二次判別模型、logit 和logistic 回歸模型、probit 模型。劉兢軼等[3]運用因子分析和logit 模型對中小企業信用風險評價進行研究,并得到模型預測準確性較高的結論。劉丹等[4]通過對商業銀行信貸數據的分析,驗證了Woe-Probit 逐步回歸模型的有效性。統計計量分析法在預測、識別等方面具有優勢,且易于對模型進行經濟學解釋,但對數據要求較高,主要依賴企業財務指標,使得評價信息存在局限性,且當解釋變量較多時容易產生多重共線性問題[5]。第三階段是機器學習階段。機器學習則以大數據為基礎,數據來源廣、類型豐富,可通過獲取企業大量相關信息來實現對企業更為全面的信用評價,機器學習方法主要包括神經網絡、支持向量機等。肖斌卿等[6]的研究表明,模糊神經網絡模型在小微企業信用評級中具有較高的檢測精度。信用評價中經常會遇到樣本量不大、數據缺失、存在異常數據等問題,對此神經網絡無法解決[7],國內一些學者開始將支持向量機(SVM)應用到企業信用風險評估中。

支持向量機(SVM)是一種基于人工智能的信用風險評估方法,貝森斯(Baesens)和格斯特爾(Gestel)在2003 年首次把支持向量機方法引入到信用評價領域,并得出SVM 作為信用風險評價工具與線性回歸和神經網絡方法相比具有運算速度快、準確率高的優勢[8]。SVM 在個人、企業信用風險評估領域具有較高預測準確率已經得到相關學者的驗證[9-10],與BP 神經網絡相比,SVM 更具有效性和優越性,預測精度更高[11-12]。SVM 模型在進行信用風險評價時存在的問題,國內學者也在對其進行不斷改進。SVM 模型受噪聲和奇異點影響較大,適應能力和抗噪性還有待提高,姚瀟等[13]、Yu et al.[14]提出的模糊近似支持向量機和近支持向量機(TLSPSVM)能夠有效降低噪聲和奇異點對模型分類結果的影響。目前各種類型SVM 模型在處理分類樣本時默認樣本分布是均衡的,并未考慮樣本非均衡性問題。針對樣本不平衡數據分類問題,國內學者提出了一種改進SVM-KNN 算法,即KSVM。KSVM較SVM 對樣本數據分類具有更高的準確率也得到了國內一些學者的驗證。李蓉等[15]通過數值實驗證明了KSVM 算法比單獨使用SVM 進行分類具有更高的準確率。王超學等[16]在對UCI 數據集大量實驗基礎上發現,KSVM 算法能提高對少數類樣本的識別率。此外,部分學者嘗試將SVM 與其他方法相結合,運用組合算法模型進行信用評價,此種應用最大的貢獻在于提高模型預測精度和分類準確度[17-21]。當然,SVM 的應用中還有一些問題尚待解決。在支持向量機應用中,核函數的選擇是核心問題之一,它對分類器的性能有重要影響,核函數的選擇和參數的設置問題在理論界還未得到解決,目前更多的是憑借經驗,主觀性較強。因此,近些年在個人信用評分模型研究中,國內外學者將重點聚焦在構建組合分類器模型。劉玉峰等[22]通過對三種不同分類器的對比,驗證了subagging 集成分類器在特定情況下能有效提高模型精確性。Danenas et al.[23]研究了基于支持向量機的分類器,研究表明雖然SVM 分類器不同,但是產生的結果比較接近,分類器及其參數的選擇是否合理仍需要重點關注。

現有關于企業信用評價的研究大多是基于受評對象外部視角,運用各種方法以評判發生違約風險的可能性,鮮有從企業內部開展信用價值研究。本文從誠信行為和信用能力這兩個企業信用的重要影響因素之間的關系著眼,研究二者的內在一致性,其貢獻如下:通過構建企業信用價值指標體系,對誠信行為與信用能力的相互關系進行驗證,為二者之間的理論關系提供實證依據;從誠信行為和信用能力是否匹配角度進行企業信用評價,從過去、現在以及將來的動態視角綜合考察企業是否有主觀履約意愿和具備客觀履約能力,為企業信用價值研究提供新的思路和方法。

三、企業信用價值指標體系構建

本文從誠信和能力這兩個企業信用的重要影響因素之間的關系著眼,構建企業信用價值指標體系,該指標體系包含兩部分內容:一是企業誠信行為,二是企業信用能力。企業主觀上是否具有履約意愿可通過以往企業表現出的誠信行為反映,因此,以企業生產經營狀況并結合政府部門的監管結果構建企業誠信行為指標體系。企業是否具備客觀的履約能力反映在企業業務運營和項目管理水平等方面。因此,企業信用能力指標體系包含企業整體素質、項目管理、保障能力、運營能力四個維度,具體指標體系如表1 所示。

表1 企業信用價值指標體系

四、實證分析

(一)模型介紹

支持向量機(Support Vector Machine,SVM)適用于解決由于樣本數量較少而造成的結果偏差問題,同時應對維數災難和過擬合現象也具有天然優勢。支持向量機模型和結果易于理解,方便推廣,是目前普遍接受的機器學習方法。

在分析的樣本空間中,定義最優分類超平面的基本形式為:

在控制‖ω‖保持最小的前提下,可以令g(x)滿足分類間隔達到最大。若樣本是線性的,目標函數定義為:

再通過求解二次規劃問題(QuadraticProblem,QP),解決線性可分問題。

若樣本是非線性的,則需要引入非負松弛變量ξi(i=1,2,…,m)和懲罰參數C,再通過拉格朗日乘子法,在約束中加入拉格朗日乘子αi≥0,目標函數定義為:

使用支持向量機的假設條件是樣本數量大致相等且分布平衡,這樣才具有較高的分類精度。對于不平衡數據的分類,支持向量機結果可能不太理想。

KSVM 是為了解決位于最優分類面附近的樣本分類錯誤的問題而提出的改進SVM 算法。研究證實,SVM 分類器對位于兩個類別重疊交叉位置的樣本具有一定的分類錯誤,若對這部分樣本點分類進行改進,將會有效提高SVM 分類器的準確率。將KSVM 分類器下的支持向量集代表對應類別,即SVM 分幾類就有幾個支持向量,同時將這些支持向量組成新的樣本,再結合KNN 對其進行分類,提高樣本重疊位置分類的準確率。

KSVM 分類器是將SVM 分類下的兩類支持向量作為兩個樣本點,φ(xi)為xi的映射函數。根據則yi=1 和yi=-1 的支持向量的樣本點分別為:

記φ(xi)·φ(x)為K(xi,x)。SVM 分類超平面的最優解就是由φ(x)+和φ(x)-這2 個代表點構成。

假設樣本點與最優分類面的實際距離為d,給定距離的分類閾值ε,若|d|>ε,則認為樣本點與最優分類面相距較遠,SVM 分類器可以對其進行類別劃分;若|d|<ε,認為樣本點距離最優分類超平面較近,SVM 分類器分類錯誤的概率較大,應該使用KNN 進行分類。

支持向量機中采用徑向基核函數,能夠比較容易地獲取樣本數據間所包括的局部信息的優點,所以學習能力較強,而且由于徑向基核函數可以逼近非線性函數,所以比較適用于處理非線性問題。在運用KSVM 模型的同時,將其與雙隸屬度SVM 模型、傳統SVM 模型的判別精度進行對比,從而更為客觀地評價模型的適用性。

(二)計量分析

為了驗證企業誠信行為與信用能力的一致性,根據表1 構建的指標體系,本文運用KSVM 方法對浙江、江蘇省12 個城市的292 家園林招投標企業調查獲取的數據,開展實證分析。根據企業誠信行為指標體系計算企業誠信行為得分,將得分按照設定的標準把企業劃分為兩類:誠信行為優秀和誠信行為仍有不足。從信用能力與誠信行為具有一致性研究假設出發,通過信用能力指標體系對企業誠信行為進行預測,將預測結果與企業誠信行為分類結果進行對比,預測值與真實值一致性程度越高,信用能力與誠信行為關系越密切,即信用能力強的企業誠信行為也好,反之亦然。由于本文是關于誠信行為和信用能力一致性的研究,因此關于企業誠信行為得分的計算過程只作簡要介紹。

1.企業誠信行為得分。根據表1 誠信行為指標體系計算企業誠信行為得分并進行分類。具體步驟如下:在對數據進行標準化處理的基礎上,采用全局敏感度方法確定評價指標權重,從而得到招投標企業誠信行為綜合評價值,根據公式誠信行為得分=綜合評價值×100,計算各企業誠信行為得分。在得分基礎上,采用高斯混合模型對企業進行聚類分析,將聚類結果與企業誠信行為得分相結合來確定不合格企業,確保結果的客觀性。最終剔除其中誠信行為不達標企業共7 家,即誠信行為達標企業285 家。進一步對誠信行為達標的285 家招投標企業進行兩分類劃分,具體做法是將285 家達標企業誠信行為得分的中點值算出,以三倍標準差作為285 家招投標企業誠信行為優秀標準線。高于標準線,認為企業誠信行為優秀,低于標準線,認為企業誠信行為還有不足。分析結果顯示285 家企業中,誠信行為優秀的有133 家,誠信行為仍有不足的有152 家。

2.企業誠信行為與信用能力一致性分析。KSVM 模型設計步驟如下:(1)將樣本數據二分類為訓練集和測試集,根據訓練集數據建立二分類器及分類樣本的支持向量集。(2)對測試集中的樣本xi,計算樣本與分類器的距離f(x)=αiyiK(x,xi)+b。(3)將距離f(x)與距離閾值ε比較,若|f(x)|<ε,即樣本點靠近最優分類面,分類器出現分類錯誤的概率較大,選擇KNN 算法;反之,仍選擇分類器。(4)若|f(x)|<ε,將支持向量對應的樣本點的各個參數引入KNN 算法,計算xi與每一個支持向量之間的距離,選擇最近的支持向量所代表的類別作為xi的類別。(5)若|f(x)|>ε,仍選擇分類器進行分類,得出xi的所屬類別。根據模型參數的選取,對模型測試集進行判別準確率的計算,結果如表2 所示。

表2 模型的分類正確率比較

由表2 的結果可以看出,KSVM 模型的總體準確率最好,正確率達到81.05%,285 家企業中有231家企業的預測值與實際值是一致的。從分類的正確率出發,KSVM 的效果最好,也印證了樣本數據的確存在不平衡的問題。KSVM 模型能夠降低硬判別所造成的誤判,提高企業誠信行為和信用能力一致性判別的正確識別率。

表2 中的模型分類正確率是指所有分類正確的企業數與企業總數的比值,但是考慮一個極端的情況,一個不加思考的分類器,如果對每一個企業樣本都將類別劃分為誠信行為不足,也能達到53.33%的準確率,即實際285 家達標企業中誠信行為仍有不足的152 家所占比例,但這個分類器在實際應用中顯然會帶來巨大的損失。因此,單純靠一個準確率來評價分類器是不全面的。我們進一步從F-value和G-mean來考慮。

F-value能夠綜合考慮分類的查全率和查準率,定義為:

precision代表查準率,recall代表查全率,β取值范圍[0,∞)。β<1 時F-value以查準率為主;β>1時F-value以查全率為主;若取值為1,則表示查全率和查準率同等重要。

G-mean為少數類和多數類的分類精度的幾何平均。定義為:

G-mean綜合考慮多數類和少數類的分類精度,只有兩者達到均衡狀態,G-mean的值才能達到最大。因此,選擇F-value衡量少數類的分類性能,選擇G-mean衡量樣本數據整體分類性能。

F-value、G-mean的構建基于混淆矩陣,如表3所示,其中TP 代表少數類中樣本判斷正確的量;TN代表多數類中樣本判斷正確的量;FN、FP 則分別表示少數類和多數類中判斷錯誤的數據量。

表3 兩類問題的混淆矩陣

計算出三個模型各自的F-value和G-mean值,具體如表4 所示。

表4 模型F-value 和G-mean 值的比較

F-value和G-mean值都是越高越好,從表4 中我們可以看出KSVM 從少數類分類性能和整體分類性能來看,都要優于雙隸屬模糊SVM 和傳統SVM,因此可以認為KSVM 的模型更加適用于企業樣本數據。

3.模型分類概率分析。將KSVM 模型應用于企業信用分類,在提高模型分類正確率的同時還能給出該企業對應兩種類別的隸屬度,也就是模型判定企業屬于兩種類型的概率值。企業所屬誠信類別的概率值如表5 所示。

表5 企業所屬誠信類別的概率值

單個企業誠信行為二分類的概率值合計為1,若企業誠信行為存在不足的概率值大于誠信行為優秀的概率值,則企業會被模型分到誠信行為不足的一類;反之,則被分到誠信行為優秀的一類。231 家預測值與實際值一致的企業中,99 家企業實際情況與預測結果均為誠信行為優秀,132 家企業實際情況與預測結果均為誠信行為存在不足。對于實際和預測誠信行為都優秀的企業,它們在招投標過程中更有可能中標,因此對于這類企業可以按照模型的分類概率高低進行排序。理論上認為預測屬于誠信行為優秀的概率值越高,企業中標可能性越大,實際值和預測結果都優秀的企業排序如表6 所示。

表6 誠信行為優秀的企業排序

對于誠信行為優秀的企業,如杭州??景觀工程有限公司模型預測概率值最大,誠信行為和信用能力的一致性匹配最佳,在招投標企業競爭中的優勢也就越大。而對于預測概率值低的企業,如杭州??市政工程有限公司,雖然也屬于誠信行為優秀的企業,但是誠信行為和信用能力的一致性匹配程度并不高,該企業或許誠信行為良好,但自身在履約能力方面可能存在不足,因此在招投標企業中的競爭優勢也就難以突出。

在實際應用中,模型也會將本身誠信行為優秀的企業誤分為誠信行為存在不足,或將誠信行為存在不足的企業誤判為誠信行為優秀。這兩種誤判對于決策方來說帶來的損失是不同的。將誠信行為優秀的企業誤判為誠信行為存在不足會使決策方失去選擇優秀企業的一個機會,可能會帶來一些損失,但是將誠信行為存在不足的企業誤判為誠信行為優秀的企業有可能會給決策方帶來重大損失。表7 為誠信行為優秀但被誤判為誠信行為不足的企業。

表7 誠信行為優秀但被誤判為誠信行為不足的企業

有34 家企業誠信行為實際情況為優秀但被誤判為存在不足。模型認為這類企業的誠信行為和信用能力是不匹配的。因此,本文將該類企業與誠信行為實際值和預測結果均為優秀的99 家企業信用信息進行對比,分析該類企業究竟是哪些信用能力指標存在顯著差異。

企業信用能力分為四大類指標,包括運營能力、企業素質、保障能力和項目管理。在運營能力和企業素質指標中,兩類企業的差異并不大。34 家錯分企業在項目管理和保障能力的大部分指標,總體上都要優于99 家分類正確的企業。其中,只有企業的知識產權數量存在明顯差異。99 家分類正確的企業中知識產權數量大于20 的有24 家,浙江??集團股份有限公司的知識產權數量甚至達到了339 件,平均每家企業知識產權數量也超過20 件;而34 家錯分的企業中僅有6 家企業的知識產權數量大于20,杭州??園林工程有限公司擁有最高知識產權數量58 件,每家企業的平均知識產權數量也僅有9.5件。由此可見,知識產權因素對企業誠信行為和信用能力一致性有很大影響。

同樣也存在20 家企業本身誠信行為不足但被錯分為優秀的企業,如表8 所示。

表8 誠信行為不足但被誤判為優秀的企業

表8 中的20 家企業誠信行為存在不足但錯分為誠信行為優秀,會對招投標環節中確定優質企業造成更大的影響,對于這類企業更應加強各方面信息的識別。通過與“誠信行為實際情況和預測結果均為存在不足”企業的對比分析得知,這類錯分的企業僅在企業素質中法人/項目負責人最高學歷和建造師人數比例方面擁有優勢,法人/項目負責人的學歷與二級建筑師的比例都很高,45%的企業二級建造師人數占比都達到100%,企業的法人或負責人最高學歷都是大專及以上。由于以上兩個因素的影響使其被誤判為“誠信行為優秀”企業。進一步將該類企業與“誠信行為實際情況和預測結果均為優秀”的企業信息進行對比,發現該類企業在運營能力、保障能力、項目管理方面差距比較大,且成立年限較短,30%的企業成立年限不足10 年,因此在近5 年中標次數、近5 年中標總金額等方面毫無優勢。同時,這類企業的在冊人數和參保人數平均只有59.5 人和39.1 人,這方面要遠低于誠信行為優秀企業的168.1 人和92.6 人,注冊資本和實繳資本也都很低,表明整體資金實力并不強。因此我們可以認為這類被錯分為優秀的企業由于成立時間短、規模不大、資金實力不強及近5 年中標次數少等原因,使得企業誠信行為評分也較低,但由于其在企業人員素質方面具有突出優勢,導致最終被錯分。

五、結論與建議

本文從企業內部視角開展信用價值研究,從誠信行為和信用能力這兩個企業信用的重要影響因素之間的關系著眼,通過構建企業信用價值評價指標體系,運用KSVM 模型研究二者的內在一致性。研究結果表明,285 家招投標企業誠信行為和信用能力一致性達到81.05%,即誠信行為優秀的企業信用能力也較強,兩者的匹配性較高,誠信行為與信用能力具有一致性的研究假設得到驗證。模型分析結果與實際情況較高的吻合度,也說明了KSVM 模型對企業信用價值分析的有效性。對于少數被誤判的企業進行深入分析,發現“誠信行為優秀但被誤判為存在不足”的原因在于“知識產權數量”指標上的顯著差異,而“誠信行為仍有不足但被誤判為誠信行為優秀”是由于“企業人員素質”指標的差異。根據以上研究結論,本文提出如下對策建議:

1.積極探索多角度的企業信用價值研究方法,從而實現對企業信用狀況更為準確、客觀和全面的評價。本研究從企業信用理論出發,通過企業的誠信行為與信用能力一致性來體現企業信用價值,與傳統的信用評級有一定的差異,這使得對企業信用的理解視角更加廣闊,為政府和相關部門對企業開展信用評判時提供更加立體、多維和翔實的依據,更有利于企業提升內部信用管理水平和層次。

2.加快推進公共信息資源向社會開放,并提升公共信息的準確率和覆蓋率,從而創造更多公共價值。我國正處于加快推動大數據產業發展階段,將政府數據最大限度地開放出來,讓社會進行充分融合和利用,有利于釋放數據能量,激發創新活力。在我國加快推進社會信用體系建設時期,政府、企業、個人等不同信用主體都已認識到信用的重要性,但難點在于如何去識別不同主體的信用狀況。本文構建的企業信用價值指標體系,其指標信息的獲取是基于長三角地區高度開放的數量大、覆蓋面廣的公共信用信息的前提,這使得信用評價結果更為準確,對從信用信息的可得性角度進一步挖掘企業信用價值有一定的實踐意義。

3.政府及相關部門在各重點領域應加強對企業各方面信息的識別。研究結果顯示,在285 家企業中有20 家誠信行為不足的企業被誤判為誠信行為優秀,這一結果有可能會給決策方帶來重大損失。因此,政府及相關部門對于這類現象要引起重視,在進行項目招投標過程中,應從多渠道獲取企業相關信息,并加強對信息的識別,以最大可能選擇優質企業從而確保項目完成的質量。本文是以招投標領域企業為研究對象,但研究結果也可為其他重點領域如招商引資、政府與社會資本合作項目、政府采購等領域的企業信用評價提供借鑒,以科學評價方法讓有主觀履約意愿和具備客觀履約能力的“雙優”企業最大概率中標,不僅能減少該領域腐敗現象的發生,也有利于整個社會效益的提高和公共利益的最大化。

4.各部門及機構可對不同信用主體采用本研究所提出的信用評價方法。本文從企業信用內涵出發,從挖掘誠信行為與信用能力二者之間相互關系的視角進行企業信用價值研究,對傳統的企業信用一體化評價方法進行了創新,為多維度、多層次分析企業信用價值提供了思路。從信用內涵出發開展信用價值研究的方法不僅可以用于企業信用特征的研究,也可用于政府以及個人等不同信用主體信用狀況的分析,因此在一定程度上拓寬了分析的視野,同時也是我國社會誠信體系建設的內在需要。

5.可從不同視角分析企業信用存在的問題。本文以公共信用信息為基礎對誠信行為與信用能力關系進行分析,未來借助大數據手段獲取的公共信用信息將越來越豐富,整體評價質量也將不斷提高,從而對企業信用的評價也更為準確。研究結果表明誠信行為優秀的企業信用能力也較強,即誠信行為與信用能力具有一致性,誠信行為優秀、信用能力強的企業在市場競爭中具有明顯的優勢。當然也可能存在不一致的情況,若存在不一致,根據所構建的企業信用價值指標體系,可從監測數據和企業自身運營過程中的相關指標進行分析,為深入挖掘企業信用存在的問題提供思路,從微觀角度看也有助于企業對自身問題的查找。

6.評價結果有利于在社會經濟管理中推廣使用。誠信行為和信用能力是信用內涵的兩個重要方面,誠信行為體現企業的守信意愿,信用能力則反映企業的履約能力。信用管理的核心是信用評價結果,企業的守信意愿為政府的業務監管提供了決策依據,而企業的履約能力更多的是體現其經濟實力,從而為市場交易中交易對手的識別提供決策信息。需要指出的是,本研究構建的企業信用價值指標體系在財務方面的指標數據偏少,因此在一定程度上對企業能力分析稍顯不足,后期研究將在信用信息質量不斷提高的同時提升信用評價的精度。