基于BP神经网络的供应链金融风险评估研究

1、基于BP神经网络的供应链金融风险评估研究2013/01 总第429期商业研究COMMERCIAL RESEARCH 文章编号11-148X (2013) 01-，27 -05 基于BP神经网络的供应链金融凤险评估研究白世贞，黎双(哈尔滨商业大学管理学院，哈尔滨1528) 摘要:结合供应链金融的运作模式，本文归纳了15个供应链金融业务的风险影响因素，建立了具有较好一致性和稳定性的风险指标体系，介绍了BP神经网络的一般原理与步骤，并运用mat?lab的BP神经网络工具构建了风险评估模型，收集了10组供应链金融风险评估样本，对评估样本进行训练和检验，通过建立起供应链金融风险评估模型证明了该模型的有效

2、性。关键词:供应链金融;风险评估BP神经网络中固分类号F252文献标识码B随着金融全球化以及金融市场波动性的加剧，标，用最简单的体系反映最真实的状况。建立供应商业银行的风险管理成为中外关注的焦点。我国链金融风险评估体系，应遵循科学性、合理性、针的中小企业长期面临着严重的资金链断裂风险，对性、等原则。本文借鉴传统风险评估的基本框商业银行、第三方物流企业及中小融资企业合作架，根据供应链金融的主体及业务流程的特点进开展供应链金融成为解决中小企业贷款难的新途行评估指标的设计，如表1所示，评估指标考察的径。商业银行的风险评估是银行贷款的核心内容，内容主要包括以下几个方面:在供应链金融业务中也不例外。银行

3、的风险评估1.行业环境，包括行业增长率、行业环境、是否科学合理，关系着银行在该业务中承担的风交易年限以及交易频度。行业环境是银行考察申险的大小。在归纳供应链金融业务中常见的风险请贷款企业所在供应链的整体运营情况的指标，影响因素的基础之上，本文建立了风险评估的指从整条供应链上综合考虑其业务能力和与交易对标体系，并运用BP神经网络构建的评估模型对收手的合作情况，从而使银行的评估范围更大，减少集的10组供应链金融风险样本进行训练和检验，由于企业隐瞒信息而产生的信息不对称问题造成建立起供应链金融风险评估模型。基于BP神经网的评估质量下降。络的供应链金融风险评估模型，将有助于商业银2.供应链运作，包括流

4、程标准化程度、流程行等金融机构更好地评估供应链金融的风险，从信息化程度、银行的操作风险，以及物流企业的操而采取更加有效的风险处理措施。作风险。3.融资项下资产，包括应收账款周转率、应-、供应链金融凤险评估指标体系构建收账款周转天数、存货周转率、存货周转天数、预尽管风险评估能够带来一定的收益，但是也付款周转率，以及预付款周转天数。融资项下资产要耗费一定的成本。如果无止境地要求风险评估是商业银行考察的重点，原因在于银行是对交易做到全面、准确，必然导致成本的上升，甚至超过资产的价值进行评估，然后根据评估的结果给予收益，最终使供应链金融的风险评估失去意义。供授信。如果企业违约，质押资产也是银行将其变现

5、应链金融面临的风险因素很多，要选取关键的指弥补的保证。收稿日期:2012 -07 -01 作者简介:白世贞(1962-)，男，山东招远人，哈尔滨商业大学管理学院教授，博士生导师，工学博士，研究方向:物流与供应链管理，供应链协调，供应链金融;黎双(1987-)，女，黑龙江密山人，哈尔滨商业大学管理学院研究生，研究方向:物流与供应链管理，供应链金融。基金项目:离家自然科学基金项目，项目编号:7104仪)()1。 28 商业研究2013?Ol 4.企业信用，包括信用级别、盈利能力、营范围之内。运能力、偿债能力以及发展潜力。企业信用是考察供应链金融业务中的中小企业的资质，主要考察N. 申请贷款企业的基

6、本财务情况J及信用级别和发N1 展潜力。N表1供应链金融风险评估指标体系3 输入层隐含层输出层一级指标二级指标供应链金行业环境行业增长率W.图1三层BP神经网络结构图融风险、行业环境W2交易年限W3,2. BP训练算法的步骤。设BP神经网络的输交易频度W4人层有m(m= 15)个节点，输出层有n(n= 1)个节企业信用信用级别Ws点，隐含层的节点数目为u(u=8)，Wij为输入层Xi盈利能力W6到隐含层钙的连接权，几为隐含层句到输出层Yk营运能力W7的连接权，现为隐含层单元的阔值，仇为输出层单元偿债能力W8的阑值。发展潜力W9步骤一:初始化权值W和阔值。，即给输入层单融资项下资产应收账款周转率

7、WIO元到隐含层单元的连接权Wij隐含层到输出层的连应收账款周转夭数WII接权凡4隐含层单元的阔值鸟，输出层单元的阔值仇存货周转率WIO随机赋一个(0，1)之间的较小值。存货周转天数WII步骤二:给出训练样本，即实际输入值和期望预付款周转率WIO预付款周转天数W输出值，给出输向量X= (叭，句，X)和对应IIim供应链运作流程标准化程度W.2的期望输出向量瓦=(y.品，九)，将矶的值输人流程信息化程度W13输入层节点，依次正向计算:银行的操作风险W.4句，=!(I.W川，-冉)(j= 1,2, ,u) 物流企业的操作风险WIS注:一般情况下，供应链金融的常见运作模式主要有应Yk二只ZR的k)(

8、k = 1,2, ,n) 收账款融资模式，存货质押融资模式以及预付款融资模式。步骤三:计算输出节点的实际输出值lYk1与期在供应链金融风险评估中，上述指标体系中的融资项下资望输出值九!的误差?:k产风险可依据不同的融资模式，选取相应的两项指标即可。k = Yk(1 -Yk)(Y/ -Yk) 步骤四i反向误差传播，即用连接权1Vk 1 ，输出二、BP棉经网络模型概述层的一般化误差l?1，隐含层的输出|衔，10 计算隐k1. BP神经网络的基本原理。BP神经网络是含层各单元的误差l?1: j当前神经网络中应用最广泛的一种，全世界90%乓王钙(1-zj)ZRJK以上的神经网络都是基于BP算法的。BP

9、神经网步骤五:用输出层单元的一般化误差l?1，隐含k络属于多层状型的人工神经网络，由输入层、隐含层各单元的输出|钙1修正输出层的权值|马i和阔层和输出层3层的神经元组成，各层神经元的作用值1(Jk 1 : 都是不同的。神经网络的三层结构图如图1所示，输出层与隐含层权值的修正:BP神经网络的训练过程由正向信号传播和反向误凡(t+l)=几(t)+的差传播两阶段组成，即输入信息从输入层经隐含层(1层或多层)传向输出层，如果在输出层得到输出层阔值的修正:的实际输出与所期望得到的输出不一致，则转入(Jk (t + 1) =k(t) +k 反向传播，将误差信号L实际输出与期望输出之步骤太:用隐含层的一般化

10、误差1町，输入层各差)沿原来通路返回，通过学习来修改各层神经单元的输入lxil，修正连接权值lWijl和阔值码:元之间的连接权值，从而最后使误差达到允许的输入层与隐含层的连接权值的修正:总第429期白世负:基于BP神经网络的供应链金融风险评估研究 29 Wij(t + 1) W/t) + jXi ;2;企业在3-5年内有两次以上不良信用记录者隐含层的阔值的修正:评价为;差赋值;1;。选取;流程标准化程度乌(t+l)=冉+战WJ为定性指标，业务流程的标准化程度较高者步骤七:重复步骤(2)，选取不同的训练样本，评价为;优赋值;4;业务流程的标准化程度不断执行上述迭代过程，直到误差&足够小，

11、停止高者评价为;良赋值;叮3;飞;业务流程的标准化学习。程度低者评价为;中准化程度较低者评价为;差;，赋值;1;。选取;三、面向matlab的BP棉经网络的训练与检验流程信息化程度WJ为定性指标，业务流程的信1.数据来摞与处理。鉴于上市公司的财务数息化程度较高者评价为;优赋值;4;业务流据比较容易获取，本文选取了中国上市公司26程的信息化程度高者评价为;良赋值;3;业年1月到12月上述指标体系中的9个指标的原始务流程的信息化程度低者评价为;中赋值数据。选取10家制造型企业的数据作为训练样本。;2;业务流程的信息化程度较低者评价为;差这些数据均来自国泰安数据服务中心。选取;行赋值;1;。选取;银

12、行的操作风险WJ为定性业环境Wz;为定性指标，企业所在地区的政策、指标，银行的操作风险较高者评价为;优赋值经济、环境稳定者评价为;优赋值;4;企业;4;银行的操作风险高者评价为;良赋值所在地区的政策、经济、环境有较小波动者评价为;3;银行的操作风险低者评价为;中赋值;良赋值;3;企业所在地区的政策、经济、;2;银行的操作风险较低者评价为;差赋值环境有明显波动者评价为;中赋值;2;企业;1;。选取;物流企业的操作风险WJ为定性指所在地区的政策、经济，环境十分不稳定者评价为标，物流企业的操作风险较高者评价为;优赋;差赋值;1;。选取;信用级别矶;为定性指值;4;，物流企业的操作风险高者评价为;良标

13、，企业在3-5年内无不良信用记录者评价为赋值;3;，物流企业的操作风险低者评价为;优赋值;4;企业在3-5年内有1次不良信;中赋值;2;，物流企业的操作风险较低者评用记录者评价为;良赋值;3;企业在3-5 价为;差;赋值;1;。其他9个指标均为定量指年内有2次不良信用记录者评价为;中赋值标，均来自国泰安数据服务中心，如表2所示。表2供应链金融风险评估指标体系原始数据表编号1 2 3 4 s 6 7 8 9 IO ll 12 13 14 15 13.9 4 4 2 3 o.侃690.77佣1. 6421 o. 0305 O. 7268 50 3 3 4 3 2 13.9 4 3 3 3 o.16

14、1 4.0328 1.3575 0.0152 2.5140 32 2 3 4 3 3 13.9 3 4 2 3 o.87 5.9121 1. 3355 0.0144 1.1501 30 3 3 4 3 4 13.9 3 4 2 4 0.0859 2.1196 1. 8981 0.0718 3.8458 94 3 2 4 3 5 13.9 4 3 2 4 0.3691 2.35 1.2748 0.1463 0.8687 42 3 3 3 4 6 13.9 4 4 3 3 0.0993 0.9934 1. 8344 0.0528 1. 2885 69 2 2 4 4 7 13.9 4 4 2 3

15、0.17 2.6146 1,5217 0.1369 2.4086 75 2 2 4 3 8 13.9 3 3 3 3 0.0911 3.7730 1.7144 0.2156 3.4293 79 3 3 4 3 9 13.9 4 3 3 3 0.0435 2.5258 1. 1868 0.0401 0.6620 35 3 3 4 4 10 13.9 3 4 3 4 0.0294 5.3051 1. 190.0534 1. 5358 27 2 3 4 3 为了满足BP神经网络的输人要求，要对所选MAX(X)分别为样本X中个体的最小值和最大值，取的训练样本进行标准化处理，通过指标的标准X为转换后的样

16、本个体。利用这种方法处理后的化处理，可以使属性数据转化为无量纲数据，这样数据较好地保留了指标原先的意义，而且标准化就有利于进行统一衡量。最常用的标准化处理方后没有造成意义的丢失，这样原来的指标都转化为了值域为0，1 的正向指标数据，其处理后法是最大最小值法，其处理方法如下:的数据结果如表3所示。X: = _. Xi -MIN(X) -MAN(X) -MIN(X) 2.函数选取。传递函数又称激活函数，是BP式中Z为样本X的一个个体，MIN(刻，神经网络的重要组成部分，且必须是连续可微的。 30 商业研究2013/01 MATLAB环境下BP神经网络工具箱主要提供了三T, Pi, Ai, VV,

17、TV) 种形式的传递函数:对数S型传递函数logsig，双3. BP神经网络的结构选择。Kolmogrov理论曲正切S型传递函数tansig和线性传递画数p町e?证明一个具有3层Sigmoid神经元的BP神经网络lin。由于数据在归一化处理后的值在0-1之间，只要有足够多的隐含层节点数，就可以逼近任一本文从输;人层到隐层，隐层到输出层的传输函数连续函数。因此本文采用3层BP神经网络来建立分别为tansig和logsig，其调用格式分别为:评估模型。网络的输入/输出神经元的节点数是由,9A =tansig (N) 问题的外部描述来决定的。输人层节点的多少与info = lansig (,:ode

18、) 供应链金融风险评估的指标个数相对应。供应链其中N:Q个S维的输入列向量;A:函数返金融风险评估模型中可以选用如表1所示的指标体回值，位于区间(斗，1)之间。系，输人层节点数为15。由于要求输出的结果就A = logsig (N) 是用以对供应链金融风险进行评估的分值，即总info = logsig (code) 评估值，因此输出层节点数为10假设可以分为三其中N:Q个S维的输入列向量A:函数返种类型，高度风险，赋值1;中度风险，赋值0.5;回值，位于区间(0，1)之间。低度风险，赋值。各训练样本的期望输出值如上训练、函数是由学习算法决定的，不同的学习表3所示。由于问题越复杂需要的隐含层单元

19、数算法对应着不同的训练函数。本文在训练网络时越多，隐含层单元越多越易收敛，但过多的隐含选择train为训练函数，其调用格式为z层单元会增加计算量，目前其选择还没有有效的 net，址，Y, E，凹，MJ =忧ain(NET, P, 方法，需要根据网络的大小来确定。本文选取隐T, Pi, Ai) 含层节点数目为8，各神经网络的具体参数如表net, tr, Y, E，町，M = train( NET, P, 4所示。表3供应链金融风险评估样本数据处理后汇总表编号,W, WW, g V 1 2 4 7 9 I1 13 14 1S lO 12 1 。1 。0, 0.1675 。0.640.080.020

20、3 o. 3433 1 1 。2 o 1 。1 o 。0.6339 0.2400 0.3976 0.5817 0.0746 。1 。0.5 3 。O 。0.1625 0.2o 。o. 1533 0.0448 1 。0.5 4 。o 。0.2198 0.2612 1 0.2853 1 。5 。o 1 0.2964 0.1237 0.6556 O.凶490.2238 。6 o 。0.2567 0.0418 0.9104 0.1908 O. 1968 0.6269 o 。1 0.5 7 。0.26<后O.3576 0.47708 O.88 0.5486 0.7164 。8 。1 。0.2342

21、 0.5833 0.7417 0.8692 0.7761 。9 。1 o O. 1030 0.3403 。0.1277 。0.1194 1 1 0.5 10 。1 0.0641 0.8817 0.0129 0.1938 0.2745 。1 。0.5 表4供应链金融风险评估神经网络参数表 t 模型参数输入层神经单元数输出层神经单元数隐含层个数隐含层神经单元数供应链金融风险评估网络15 8 4.网络训练与检验。用Maah的BP神经网些样本除了要满足供应，链金融风险评估模型BP神络工具箱生成15x 8 x 1的BP神经网络。模型设经网络的训练需求，同时还要满足训练完成后风定参数:隐含层激发函数tan

22、sig，输出层激发画数险评估模型有效性和可靠性的检验。故将编号1-logsig，训练函数train循环次数为10，学习率为9的样本个体作为训练样本，将编号10的样本个0.01，目标误差o.1，然后对网络进行训练。这体作为检验样本，其训练过程如下:训练过程:P = 0 1 1 0,0 O. 1.675 0 O. 64O. 0800 (t 0203 o. 3433 1 1 1 0 o 1 0 1 0 0 O. 6339 0.24<泊0.39760.，58170.07460,1 1 0 总第429期白世贞:基于BP神经网络的供应链金融风险评估研究 31 o 0 1 0 0 O. 1625 1

23、O. 2090 0 O. 1533 O. 0448 1 1 1 0 o 0 1 0 1 0.2198 0.2612 1 0.2853 1 1 1 0 1 0 o 1 0 0 1 1 O. 2964 O. 1237 O. 6556 O. 0649 O. 2238 1 1 0 1 o 1 1 1 0 0.2567 0.0418 0.9104 O. 1908 O. 1968 0.626900 1 1 o 1 1 00 O. 2606 0.3576 0.4708 0.6088 0.5486 0.7164 0 0 1 0 000 1 0 O. 2342 0.5833 0.7417 1 0.8692 0.

24、7761 1 1 1 0 o 1 0 1 0 O. 1030 O. 3403 0 O. 1277 0 O. 1194 1 1 1 1 J ; T = 0 O. 5 O. 5 1 1 O. 5 1 1 O. 5 J; net = newff (minmax (P), 8 1 J, l tansig, log吨1，trainlm); net. trainParam. epochs = 10; net. trainParam. goal = O. 001 ; LP. lr =0.01; net = train (net, P , T) y=sim (net, P) 训练结果实际输出:y =0.060

25、3 0.4650 0.4652 0.9892 0.9970 0.5090 0.9909 0.9955 0.5505 从上面的输出结果可以看出BP神经网络已经VideoTechnology, 25. 训练完成，且网络性能良好。调用训练好的BP神4 J Carpenter G A. Fuzzy ART. Fast stable leaming 经网络，输入10号样本刊，0, 1, 1, 10.侃41，and categorizalion of analog pattems by an adap?0.8817,0.0129, 0.1938, 0.2754, 0, 0, 1, 1, tive reso

26、nance system J J. Neural Networks, 0，得到仿真结果风险评估值为0.50日，风险类2001. 型为中度风险;样本指标输出值为0.5，属于中度5 J Shi D. A review of enterprise supply chain risk 风险样本。由此看见模型评估结果与样本实际基management J J . Joumal of Systems Science and 本吻合，基于BP神经网络的供应链金融风险评估Systems Engineering. 2004,13 (2) : 19 -44. 模型具有良好的风险评估能力。6J 于瑞峰，任艳敏，王雨.基于供应链的企业信贷风险评估研究J.中国管理科学，27，15四、结论(3) :85 -92. 本文提出了供应链金融的风险评估指标体系，7J Trippi,R. R. ,Turban E. Neural Networks in Fi?并用基于matlab的BP神经网络方法，对样本数据nance and Investing M J. Irwin Professional 进行训练与检验，说明了供应链金融风险评估的Publishing, Ch