劉杰 郭庭偉

摘 要：由于在市場經(jīng)濟(jì)中時常出現(xiàn)信息不對稱現(xiàn)象，致使融資難題難以解決。首先結(jié)合科技型創(chuàng)業(yè)企業(yè)的特征構(gòu)建了適合科技型創(chuàng)業(yè)企業(yè)信用評價的指標(biāo)體系，然后以選取的100家在創(chuàng)業(yè)板和新三板上市的科技型創(chuàng)業(yè)企業(yè)的財務(wù)數(shù)據(jù)為樣本，運用因子分析法提取出影響企業(yè)信用狀況的公因子，將其作為評價模型的變量指標(biāo)，最后，建立了適合科技型創(chuàng)業(yè)企業(yè)信用評價的BP神經(jīng)網(wǎng)絡(luò)模型。實證結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)模型處理企業(yè)信用評價問題具有較高的準(zhǔn)確性。

關(guān)鍵詞：科技型創(chuàng)業(yè)企業(yè)；信用評價；BP神經(jīng)網(wǎng)絡(luò)

中圖分類號：F27

文獻(xiàn)標(biāo)識碼：A

文章編號：16723198（2015）23006203

1 引言

目前，科技型創(chuàng)業(yè)企業(yè)已成為推動國民經(jīng)濟(jì)持續(xù)健康發(fā)展的重要動力之一，然而在其發(fā)展和壯大過程中也最容易出現(xiàn)制約其發(fā)展的問題。由于科技型創(chuàng)業(yè)企業(yè)需要大量的資金投入，融資問題已成為影響其是否取得成功的關(guān)鍵因素。在國內(nèi)企業(yè)取得融資的有限渠道中，銀行和金融市場起著至關(guān)重要的作用，但往往由于市場信息的不對稱以及企業(yè)信息不透明等因素的限制，出于規(guī)避高昂的監(jiān)督成本和收益的高度不確定性等風(fēng)險，銀行和金融機(jī)構(gòu)在放貸額度中給予科技型創(chuàng)業(yè)企業(yè)的融資額度相對有限。由于科技型創(chuàng)業(yè)企業(yè)的研發(fā)周期長，在缺乏有效的外部融資的狀況下，即使項目有大好投資前景，企業(yè)也有較大的失敗風(fēng)險，最終無法發(fā)揮出科技型創(chuàng)業(yè)企業(yè)對企業(yè)技術(shù)創(chuàng)新的促進(jìn)作用。因此，對國內(nèi)科技型創(chuàng)業(yè)企業(yè)進(jìn)行信用評價，建立適合其特征的信用評價模型，來提高其信用水平、財務(wù)信息透明度、拓寬其融資渠道十分必要。目前國內(nèi)針對企業(yè)信用評價的研究有了一定的發(fā)展，但統(tǒng)一的主要針對科技型創(chuàng)業(yè)企業(yè)信用評價的指標(biāo)體系和評價模型尚未形成。

傳統(tǒng)的企業(yè)信用評價模型主要有專家打分法、信用評級方法和信用評分方法等，現(xiàn)代的信用評價模型主要有：KMV模型、財務(wù)比率分析模型、Logit回歸模型、神經(jīng)網(wǎng)絡(luò)模型、模糊綜合評價法和AHP（Analytical Hierarchy Process）法。由于企業(yè)的信用風(fēng)險與反映企業(yè)信用風(fēng)險狀況的各項指標(biāo)變量之間通常具有非線性的關(guān)系，而上述企業(yè)信用評價方法都不能有效解決變量之間的非線性關(guān)系，也不能有效解決指標(biāo)變量存在的非正態(tài)分布問題。由于神經(jīng)網(wǎng)絡(luò)模型在解決變量間的非線性關(guān)系問題中具有優(yōu)越性，在Odom（1990年）運用神經(jīng)網(wǎng)絡(luò)模型解決企業(yè)信用評價問題之后，神經(jīng)網(wǎng)絡(luò)模型逐漸獲得了相關(guān)實踐者和學(xué)者的極大關(guān)注。Tam（1991）、Kiang（1992）、Datta（1991）和Shekhar（1992）將神經(jīng)網(wǎng)絡(luò)模型用于銀行破產(chǎn)預(yù)測，Altman（1994）將其用于對意大利企業(yè)經(jīng)營成敗狀況進(jìn)行預(yù)測，取得了比多元判別分析模型預(yù)測結(jié)果更加準(zhǔn)確的結(jié)果。根據(jù)小微型科技企業(yè)信用狀況的特點，何躍、蔣國銀（2005）運用人工神經(jīng)網(wǎng)絡(luò)原理構(gòu)建了三層BP神經(jīng)網(wǎng)絡(luò)信用評價模型，該模型的優(yōu)點是具有較強(qiáng)的自學(xué)習(xí)和非線性處理能力，針對小微型科技企業(yè)信用狀況的預(yù)測具有較高的預(yù)測結(jié)果。國內(nèi)許多學(xué)者（鮑盛祥、殷永飛，2009；龐素琳，2012）認(rèn)為，在變量之間是非線性關(guān)系的情況下，人工神經(jīng)網(wǎng)絡(luò)模型的精度優(yōu)于傳統(tǒng)的統(tǒng)計方法。

2 BP神經(jīng)網(wǎng)絡(luò)概述

BP神經(jīng)網(wǎng)絡(luò)具有準(zhǔn)確性高、誤差小、收斂速度快的顯著優(yōu)勢，相比其他企業(yè)信用評價方法，BP神經(jīng)網(wǎng)絡(luò)模型的自學(xué)習(xí)能力和自聯(lián)想功能較強(qiáng)，也不要求樣本數(shù)據(jù)呈正態(tài)分布、滿足先驗概率已知以及協(xié)方差相等要求，同時也具有能夠有效解決非線性分類問題、對樣本數(shù)據(jù)容量不做具體要求等優(yōu)勢，是處理企業(yè)信用評價問題的理想方法。因此，本文使用BP神經(jīng)網(wǎng)絡(luò)來建立適合科技型創(chuàng)業(yè)企業(yè)的信用評價模型。

神經(jīng)網(wǎng)絡(luò)內(nèi)部依次為輸入層、隱含層、輸出層，BP神經(jīng)網(wǎng)絡(luò)屬于前向反饋神經(jīng)網(wǎng)絡(luò)，BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法包含了正向和反向傳播兩個過程，正向傳播過程即為：指標(biāo)變量信息由輸入層經(jīng)隱含層各神經(jīng)元傳向輸出層，前層神經(jīng)元的處理結(jié)果只對后層神經(jīng)元的結(jié)果產(chǎn)生影響，如果最后輸出層產(chǎn)生的結(jié)果與期望輸出不符，則自動轉(zhuǎn)變?yōu)榉聪騻鞑ミ^程。反向傳播即為：將輸出誤差經(jīng)隱含層神經(jīng)元向輸入層逐層反饋，在此過程中，網(wǎng)絡(luò)會將誤差均攤給各層的每一個神經(jīng)元，從而網(wǎng)絡(luò)可以取得各層神經(jīng)元傳來的誤差信號，網(wǎng)絡(luò)將其作為修正各神經(jīng)元權(quán)值的依據(jù)，經(jīng)過權(quán)值的不斷調(diào)整使網(wǎng)絡(luò)完成訓(xùn)練。權(quán)值的調(diào)整過程持續(xù)到預(yù)先設(shè)定的學(xué)習(xí)次數(shù)或輸出誤差減小到可接受程度為止。三層前饋BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖1所示。其中，X=（x1，x2，……，xn）代表輸入向量，Y=（y1，y2，……，ym）代表輸出向量，n和m分別代表輸入和輸出向量的維數(shù)。不同層間的神經(jīng)元屬于全互聯(lián)接，每層次內(nèi)的神經(jīng)元沒有任何連接。

來衡量其信用的高低。反映科技型創(chuàng)業(yè)企業(yè)經(jīng)營和財務(wù)狀況的財務(wù)指標(biāo)具體包括償債能力、盈利能力、營運能力和成長能力等方面。本文在借鑒現(xiàn)有企業(yè)信用評價研究成果并結(jié)合科技型創(chuàng)業(yè)企業(yè)的特征，選擇出16項可以有效反映科技型創(chuàng)業(yè)企業(yè)特點的財務(wù)指標(biāo)。為解決某些財務(wù)指標(biāo)變量間高度的相關(guān)性問題，本文通過SPSS 19.0軟件，使用因子分析法對這些指標(biāo)變量進(jìn)行分析和整理，在刪除那些與科技型創(chuàng)業(yè)企業(yè)信用狀況不相關(guān)或與其他指標(biāo)高度相關(guān)的指標(biāo)后，本文最終確定了包含12項指標(biāo)變量的指標(biāo)體系作為下文對科技型創(chuàng)業(yè)企業(yè)的信用狀況進(jìn)行評價的指標(biāo)體系（如圖1所示）。但由于保留的指標(biāo)變量間還可能存在多重共線性問題，為保證評價結(jié)果的準(zhǔn)確性、可靠性，本文再次對其進(jìn)行因子分析來提取公因子，以特征根大于1且累計方差貢獻(xiàn)率大于80%作為提取公因子的標(biāo)準(zhǔn)，通過分析本文提出了5個能夠體現(xiàn)原始變量的主要信息的公因子，它們即為下文評價模型中的輸入變量。

由于選取的樣本企業(yè)的各項財務(wù)指標(biāo)包含了不同的量綱和數(shù)量級，本文首先將各指標(biāo)變量進(jìn)行標(biāo)準(zhǔn)化處理，從而使各個指標(biāo)變量都具有共同的數(shù)值特性。本文運用的標(biāo)準(zhǔn)化方法如下式所示：

Xij=xij-xjσj，其中，Xj為原始數(shù)據(jù)的均值，Xj=1ni=1xi，σj為原始數(shù)據(jù)的標(biāo)準(zhǔn)差，σj=1nni=1（xij-xj）。

4 科技型創(chuàng)業(yè)企業(yè)信用評價實證分析

4.1 BP神經(jīng)網(wǎng)絡(luò)的設(shè)計

BP神經(jīng)網(wǎng)絡(luò)可以根據(jù)實際情況來設(shè)置一個或者多個隱含層，當(dāng)樣本較多時，增加一個隱含層可以顯著減小網(wǎng)絡(luò)規(guī)模。由于包含單個隱含層網(wǎng)絡(luò)可以通過適當(dāng)調(diào)增神經(jīng)元個數(shù)來實現(xiàn)任意非線性映射，所以，包含單個隱含層的神經(jīng)網(wǎng)絡(luò)即可解決大部分場合下問題。因此本文建立的BP神經(jīng)網(wǎng)絡(luò)模型包含單個隱含層。

（1）輸入層和輸出層神經(jīng)元個數(shù)。輸入層神經(jīng)元個數(shù)等于輸入變量的個數(shù)，由于本文得到了5個公因子，因此輸入層神經(jīng)元數(shù)n=5。輸出層神經(jīng)元的個數(shù)m取決于科技型創(chuàng)業(yè)企業(yè)信用評價結(jié)果類別。本文用輸出“1”表示中小企業(yè)信用正常，用輸出“0”表示中小企業(yè)信用較差，因此本文建立的模型的輸出層神經(jīng)元的個數(shù)為1。

（2）隱含層神經(jīng)元個數(shù)。隱含層神經(jīng)元個數(shù)的確定目前還沒有一個理想的解析式，通常根據(jù)經(jīng)驗公式來確定。

常用的經(jīng)驗公式為：n1=n+m+a，其中m為輸出層個數(shù)，n為輸入層個數(shù)，a為[1，10]之間的常數(shù)，有上文可知，m=1，n=5，代入公式可知隱含層個數(shù)的取值范圍為（3，13），經(jīng)過實際對比分析，當(dāng)隱含層選10時，訓(xùn)練誤差較小，因此，本文設(shè)定隱含層個數(shù)為10。

（3）訓(xùn)練函數(shù)的選擇。本文建立的BP神經(jīng)網(wǎng)絡(luò)模型的輸入層和輸出層函數(shù)均為Sigmoid函數(shù)，并設(shè)定最大訓(xùn)練步長epoch=1500。

（4）樣本原始數(shù)據(jù)來源。本文選擇了100家在創(chuàng)業(yè)板和新三板上市的科技型創(chuàng)業(yè)企業(yè)的財務(wù)數(shù)據(jù)作為實證樣本數(shù)據(jù)進(jìn)行訓(xùn)練，各項數(shù)據(jù)取自于瑞思數(shù)據(jù)庫和東方財富Choices數(shù)據(jù)庫。為了確保能夠得到可靠、準(zhǔn)確的訓(xùn)練結(jié)果，樣本企業(yè)行業(yè)的選取包含了電子、化工、制藥、家電、生物科技、機(jī)械制造、金屬加工等多個行業(yè)部門，能夠反映科技型創(chuàng)業(yè)企業(yè)的特征。

4.2 實證分析與結(jié)果輸出

本文運行Matlab2014a版本并運用編寫的程序?qū)?00家企業(yè)各自的5項主因子作為輸入變量，對網(wǎng)絡(luò)進(jìn)行訓(xùn)練和檢驗并對訓(xùn)練樣本進(jìn)行了仿真。本文將前90家企業(yè)數(shù)據(jù)作為訓(xùn)練樣本來訓(xùn)練網(wǎng)絡(luò)，將后10家企業(yè)數(shù)據(jù)作為檢驗樣本代入網(wǎng)絡(luò)以檢驗網(wǎng)絡(luò)的預(yù)測精度。對于得出的預(yù)測結(jié)果設(shè)定以0.5為分界值，如過大于05，則將公司判定為信用好的企業(yè)，反之則判定為信用差的企業(yè)。由圖2可知網(wǎng)絡(luò)可以以較快的速度實現(xiàn)收斂。

為了抵消隨機(jī)因素的影響，本文取相同的訓(xùn)練參數(shù)和測試樣本代入網(wǎng)絡(luò)重復(fù)運算20次，統(tǒng)計正確率和迭代次數(shù)（如圖3所示），20次訓(xùn)練結(jié)果如表2。

由網(wǎng)絡(luò)20次訓(xùn)練結(jié)果（表2）可知，使用BP神經(jīng)網(wǎng)絡(luò)模型對實證樣本數(shù)據(jù)進(jìn)行預(yù)測的結(jié)果和期望輸出對比后，模型的平均正確率達(dá)到83%，預(yù)測精度較高，適合作為預(yù)測科技型創(chuàng)業(yè)企業(yè)信用狀況的評價模型。實證結(jié)果表明，利用BP神經(jīng)網(wǎng)絡(luò)對科技型創(chuàng)業(yè)企業(yè)進(jìn)行信用評價，具有較高的可操作性和準(zhǔn)確性。

5 結(jié)論

本文在借鑒國內(nèi)外現(xiàn)有的企業(yè)信用評價理論和相關(guān)研究成果的基礎(chǔ)上，結(jié)合科技型創(chuàng)業(yè)企業(yè)的特點構(gòu)建了適合對其進(jìn)行信用評價的指標(biāo)體系，然后在運用因子分析提取反映企業(yè)信用狀況的公因子作為代入模型的指標(biāo)變量，據(jù)此建立了BP神經(jīng)網(wǎng)絡(luò)信用評價模型，通過對國內(nèi)100家在創(chuàng)業(yè)板和新三板上市公司的實際數(shù)據(jù)進(jìn)行分析，得出的實證結(jié)果表明使用BP神經(jīng)網(wǎng)絡(luò)對科技型創(chuàng)業(yè)企業(yè)進(jìn)行信用評價的平均正確率可以達(dá)到83%，具有較高的準(zhǔn)確率和可操作性。因此，金融機(jī)構(gòu)可以據(jù)此加強(qiáng)對科技型創(chuàng)業(yè)企業(yè)的信用評價，篩選優(yōu)秀的科技型創(chuàng)業(yè)企業(yè)借款人以降低信用風(fēng)險，同時也可改善科技型創(chuàng)業(yè)企業(yè)與金融機(jī)構(gòu)之間的信息不對稱程度，使科技型創(chuàng)業(yè)企業(yè)能夠獲得更多的融資機(jī)會，促使其能夠以健康的方式持續(xù)的發(fā)展，進(jìn)而充分發(fā)揮出其促進(jìn)企業(yè)技術(shù)創(chuàng)新的作用。

參考文獻(xiàn)

[1]龐素琳.信用評價與股市預(yù)測模型研究及應(yīng)用統(tǒng)計學(xué)、神經(jīng)網(wǎng)絡(luò)與支持向量基方法[M].北京：科學(xué)出版社，2005.

[2]遲國泰，章穗，齊菲.小企業(yè)貸款信用評價模型及實證研究—基于最優(yōu)組合賦權(quán)視角[J].財經(jīng)問題研究，2012，（9）：5357.

[3]李菁苗，吳吉義，章劍林等.電子商務(wù)環(huán)境下中小企業(yè)信用評價[J].系統(tǒng)工程理論與實踐，2012，（3）：555560.

[4]劉湘勤，龍海雯.銀行結(jié)構(gòu)、信用環(huán)境與中小企業(yè)發(fā)展：基于中國跨省數(shù)據(jù)的實證分析[J].西北大學(xué)學(xué)報（哲學(xué)社會科學(xué)版），2007，（6）：159161.

[5]譚慶美，吳金克，趙黎明.基于BP神經(jīng)網(wǎng)絡(luò)的中小企業(yè)信用評價研究[J].西北農(nóng)林科技大學(xué)學(xué)報（社會科學(xué)版），2009，（5）：5762.

[6]邢樂成，梁永賢.中小企業(yè)融資難的困境與出路[J].濟(jì)南大學(xué)學(xué)報（社會科學(xué)版），2013，（2）：17.

[7]So Young Sohn，Ji Won Kim.Decision treebased technology credit scoring for startup firms： Korean case[J].Expert Systems with Applications，2012，（39）：40074012.

[8]Andrea Capotorti，Eva Barbanera.Credit scoring analysis using a fuzzy probabilistic rough set model[J].Computational Statistics and Data Analysis，2012，（56）：981994.