浅析基于BP神经网络的科技型创业企业信用评价研究.docx

浅析基于BP神经网络的科技型创业企业信用评价研究BP(Back Propagation)神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层(input)、隐层(hidden layer)和输出层(output layer)。 摘要：由于在市场经济中时常出现信息不对称现象，致使融资难题难以解决。首先结合科技型创业企业的特征构建了适合科技型创业企业信用评价的指标体系，然后以选取的100家在创业板和新三板上市的科技型创业企业的财务数据为样本，运用因子分析法提取出影响企业信用状况的公因子，将其作为评价模型的变量指标，最后，建立了适合科技型创业企业信用评价的BP神经网络模型。实证结果表明，BP神经网络模型处理企业信用评价问题具有较高的准确性。 关键词：科技型创业企业;BP神经网络;信用评价 一、引言 目前，科技型创业企业已成为推动国民经济持续健康发展的重要动力之一，然而在其发展和壮大过程中也最容易出现制约其发展的问题。由于科技型创业企业需要大量的资金投入，融资问题已成为影响其是否取得成功的关键因素。在国内企业取得融资的有限渠道中，银行和金融市场起着至关重要的作用，但往往由于市场信息的不对称以及企业信息不透明等因素的限制，出于规避高昂的监督成本和收益的高度不确定性等风险，银行和金融机构在放贷额度中给予科技型创业企业的融资额度相对有限。由于科技型创业企业的研发周期长，在缺乏有效的外部融资的状况下，即使项目有大好投资前景，企业也有较大的失败风险，最终无法发挥出科技型创业企业对企业技术创新的促进作用。因此，对国内科技型创业企业进行信用评价，建立适合其特征的信用评价模型，来提高其信用水平、财务信息透明度、拓宽其融资渠道十分必要。目前国内针对企业信用评价的研究有了一定的发展，但统一的主要针对科技型创业企业信用评价的指标体系和评价模型尚未形成。 传统的企业信用评价模型主要有专家打分法、信用评级方法和信用评分方法等，现代的信用评价模型主要有：KMV模型、财务比率分析模型、Logit回归模型、神经网络模型、模糊综合评价法和AHP(Analytical Hierarchy Process)法。由于企业的信用风险与反映企业信用风险状况的各项指标变量之间通常具有非线性的关系，而上述企业信用评价方法都不能有效解决变量之间的非线性关系，也不能有效解决指标变量存在的非正态分布问题。由于神经网络模型在解决变量间的非线性关系问题中具有优越性，在Odom(1990年)运用神经网络模型解决企业信用评价问题之后，神经网络模型逐渐获得了相关实践者和学者的极大关注。Tam(1991)、Kiang(1992)、Datta(1991)和Shekhar(1992)将神经网络模型用于银行破产预测，Altman(1994)将其用于对意大利企业经营成败状况进行预测，取得了比多元判别分析模型预测结果更加准确的结果。根据小微型科技企业信用状况的特点，何跃、蒋国银(2005)运用人工神经网络原理构建了三层BP神经网络信用评价模型，该模型的优点是具有较强的自学习和非线性处理能力，针对小微型科技企业信用状况的预测具有较高的预测结果。国内许多学者(鲍盛祥、殷永飞，2009;庞素琳，2012)认为，在变量之间是非线性关系的情况下，人工神经网络模型的精度优于传统的统计方法。 二、BP神经网络概述 BP神经网络具有准确性高、误差小、收敛速度快的显著优势，相比其他企业信用评价方法，BP神经网络模型的自学习能力和自联想功能较强，也不要求样本数据呈正态分布、满足先验概率已知以及协方差相等要求，同时也具有能够有效解决非线性分类问题、对样本数据容量不做具体要求等优势，是处理企业信用评价问题的理想方法。因此，本文使用BP神经网络来建立适合科技型创业企业的信用评价模型。 神经网络内部依次为输入层、隐含层、输出层，BP神经网络属于前向反馈神经网络，BP神经网络的学习算法包含了正向和反向传播两个过程，正向传播过程即为：指标变量信息由输入层经隐含层各神经元传向输出层，前层神经元的处理结果只对后层神经元的结果产生影响，如果最后输出层产生的结果与期望输出不符，则自动转变为反向传播过程。反向传播即为：将输出误差经隐含层神经元向输入层逐层反馈，在此过程中，网络会将误差均摊给各层的每一个神经元，从而网络可以取得各层神经元传来的误差信号，网络将其作为修正各神经元权值的依据，经过权值的不断调整使网络完成训练。权值的调整过程持续到预先设定的学习次数或输出误差减小到可接受程度为止。三层前馈BP神经网络的结构如图1所示。其中，X=(x1，x2，xn)代表输入向量，Y=(y1，y2，ym)代表输出向量，n和m分别代表输入和输出向量的维数。不同层间的神经元属于全互联接，每层次内的神经元没有任何连接。 来衡量其信用的高低。反映科技型创业企业经营和财务状况的财务指标具体包括偿债能力、盈利能力、营运能力和成长能力等方面。本文在借鉴现有企业信用评价研究成果并结合科技型创业企业的特征，选择出16项可以有效反映科技型创业企业特点的财务指标。为解决某些财务指标变量间高度的相关性问题，本文通过SPSS 19.0软件，使用因子分析法对这些指标变量进行分析和整理，在删除那些与科技型创业企业信用状况不相关或与其他指标高度相关的指标后，本文最终确定了包含12项指标变量的指标体系作为下文对科技型创业企业的信用状况进行评价的指标体系(如图1所示)。但由于保留的指标变量间还可能存在多重共线性问题，为保证评价结果的准确性、可靠性，本文再次对其进行因子分析来提取公因子，以特征根大于1且累计方差贡献率大于80%作为提取公因子的标准，通过分析本文提出了5个能够体现原始变量的主要信息的公因子，它们即为下文评价模型中的输入变量。 由于选取的样本企业的各项财务指标包含了不同的量纲和数量级，本文首先将各指标变量进行标准化处理，从而使各个指标变量都具有共同的数值特性。本文运用的标准化方法如下式所示： Xij=xij-xjσj，其中，Xj为原始数据的均值，Xj=1ni=1xi，σj为原始数据的标准差，σj=1nni=1(xij-xj)。 三、科技型创业企业信用评价实证分析 3.1 BP神经网络的设计 BP神经网络可以根据实际情况来设置一个或者多个隐含层，当样本较多时，增加一个隐含层可以显著减小网络规模。由于包含单个隐含层网络可以通过适当调增神经元个数来实现任意非线性映射，所以，包含单个隐含层的神经网络即可解决大部分场合下问题。因此本文建立的BP神经网络模型包含单个隐含层。 (1)输入层和输出层神经元个数。输入层神经元个数等于输入变量的个数，由于本文得到