時(shí) 晨

(1.西安交通大學(xué) 經(jīng)濟(jì)與金融學(xué)院，陜西 西安 710061；2.陜西金融控股集團(tuán)，陜西 西安 710077)

一、引 言

為抓住互聯(lián)網(wǎng)金融發(fā)展機(jī)遇和廣闊的市場(chǎng)空間，陜西省于2015年啟動(dòng)了“秦云工程—金融云”平臺(tái)(以下簡(jiǎn)稱金融云平臺(tái))的建設(shè)，依托大數(shù)據(jù)、云計(jì)算、區(qū)塊鏈技術(shù)等技術(shù)，構(gòu)建涵蓋中小金融機(jī)構(gòu)數(shù)據(jù)中心云托管、小額抵押貸款風(fēng)險(xiǎn)監(jiān)管平臺(tái)、互聯(lián)網(wǎng)金融普查、區(qū)域跨金融實(shí)體的整體信用風(fēng)險(xiǎn)聯(lián)動(dòng)偵測(cè)等互聯(lián)網(wǎng)金融生態(tài)圈，力爭(zhēng)實(shí)現(xiàn)金融的互聯(lián)網(wǎng)與互聯(lián)網(wǎng)金融化的交互發(fā)展，并不斷地拓寬金融服務(wù)的覆蓋深度和廣度。整體來(lái)看，金融云平臺(tái)以信用為核心，以技術(shù)為手段，通過(guò)整合各方資源稟賦，特別是數(shù)據(jù)信息，并充分發(fā)揮各類(lèi)場(chǎng)景應(yīng)用的特點(diǎn)，為企業(yè)提供更加豐富、便捷的普惠金融服務(wù)，有效地實(shí)現(xiàn)了金融要素與互聯(lián)網(wǎng)的融合，構(gòu)建了金融業(yè)發(fā)展的新通道，形成了新的金融業(yè)生態(tài)。以金融云平臺(tái)等為代表的互聯(lián)網(wǎng)金融新業(yè)態(tài)最大的特點(diǎn)是賦予了普惠金融新的生命力和發(fā)展空間，提升了金融服務(wù)長(zhǎng)尾效應(yīng)的廣度和深度。要實(shí)現(xiàn)金融普惠服務(wù)的關(guān)鍵必須是對(duì)各類(lèi)客戶，特別是中小企業(yè)的信用進(jìn)行有效的評(píng)價(jià)，方能為創(chuàng)新和發(fā)展互聯(lián)網(wǎng)金融，擴(kuò)展其服務(wù)內(nèi)涵提供基礎(chǔ)保證。因此，金融云平臺(tái)在發(fā)展過(guò)程中須以信用評(píng)價(jià)為核心，通過(guò)有效的評(píng)價(jià)體系和方法降低信息不對(duì)稱，減少逆向選擇和道德風(fēng)險(xiǎn)，方可實(shí)現(xiàn)普惠金融的目的。從普惠金融的角度來(lái)看，依據(jù)中小企業(yè)客戶的信用數(shù)據(jù)，準(zhǔn)確評(píng)價(jià)信用存量和信用結(jié)構(gòu)，可以有效確定金融服務(wù)的廣度和深度，三者之間存在遞進(jìn)關(guān)系。但是，目前由于信用評(píng)價(jià)體系和方法都在探索之中，在一定程度上造成了信息價(jià)值的殘缺性，使得信用數(shù)據(jù)、信用存量(價(jià)值)、金融服務(wù)三者之間出現(xiàn)斷裂，很難普惠金融服務(wù)得到有效提升。

金融云平臺(tái)要兌現(xiàn)普惠金融的目的是必需基于自身網(wǎng)絡(luò)化連續(xù)運(yùn)營(yíng)需求和中小企業(yè)客戶，特別是在互聯(lián)網(wǎng)時(shí)代下的信用信息數(shù)據(jù)生成處理特點(diǎn)，不斷革新方法，對(duì)多元化的信息流和數(shù)據(jù)流進(jìn)行分析，消除信息孤島，構(gòu)建一套行之有效的信用評(píng)價(jià)體系，實(shí)現(xiàn)信用歸集整合，并以直觀化的信用評(píng)價(jià)指數(shù)呈現(xiàn)，使得中小企業(yè)客戶的真實(shí)信用狀況能夠?qū)崿F(xiàn)更加精確的刻畫(huà)和評(píng)價(jià)，進(jìn)而為其提供相應(yīng)的金融服務(wù)。為此，本文將結(jié)合互聯(lián)網(wǎng)金融發(fā)展的特點(diǎn)和趨勢(shì)，圍繞互聯(lián)網(wǎng)信用的核心功能，對(duì)目前信用評(píng)價(jià)的研究現(xiàn)狀進(jìn)行客觀評(píng)述，分析目前常見(jiàn)的互聯(lián)網(wǎng)信用評(píng)價(jià)方法和體系的優(yōu)劣勢(shì)，提出基于數(shù)據(jù)可用性的BP神經(jīng)網(wǎng)絡(luò)信用評(píng)價(jià)模型方法。具體來(lái)說(shuō)，就是結(jié)合金融云平臺(tái)的發(fā)展實(shí)際，建立了相應(yīng)的信用評(píng)價(jià)指標(biāo)體系，通過(guò)主成分分析法、變異系數(shù)法進(jìn)行各自篩選，以其交集指標(biāo)形成數(shù)據(jù)可用性條件下的指標(biāo)體系，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)信用評(píng)價(jià)模型對(duì)金融云平臺(tái)部分?jǐn)?shù)據(jù)進(jìn)行經(jīng)驗(yàn)分析。

二、 文獻(xiàn)回顧

關(guān)于信用評(píng)價(jià)本質(zhì)上是一個(gè)模式識(shí)別問(wèn)題，即確定被評(píng)測(cè)的企業(yè)或者個(gè)人的履約程度和履約意愿，其以降低信息不對(duì)稱和交易成本為初衷，評(píng)判信用風(fēng)險(xiǎn)和相應(yīng)信用價(jià)值增值服務(wù)的大小。目前，常見(jiàn)的信用評(píng)價(jià)方法眾多，有以統(tǒng)計(jì)學(xué)為主的評(píng)價(jià)方法，如K-近鄰判別分析法、貝葉斯概率方法、層次分析法、Logistic回歸等，還有以人工智能方法為主的評(píng)價(jià)方法，如支持向量機(jī)評(píng)價(jià)法、遺傳算法等。Durand[1]最早將K-近鄰判別分析方法運(yùn)用到信貸評(píng)價(jià)之中，奠定了信用評(píng)價(jià)從定性向定量轉(zhuǎn)化的基礎(chǔ)。姜明輝等[2]建立了基于K-近鄰判別分析法的信用評(píng)價(jià)模型，完善了商業(yè)銀行信用評(píng)價(jià)體系，并以小樣本數(shù)據(jù)進(jìn)行實(shí)證研究，得出該方法具有可靠性和適用性的結(jié)論。Henley和Hand[3]運(yùn)用K-近鄰判別分析法，對(duì)消費(fèi)信貸的風(fēng)險(xiǎn)評(píng)價(jià)開(kāi)展了研究，得出了較為可靠的結(jié)果。丁東洋等[4]從模型構(gòu)建、估計(jì)方法及模型綜合運(yùn)用等多個(gè)方面系統(tǒng)地分析了貝葉斯方法在信用風(fēng)險(xiǎn)度量中的應(yīng)用。依米提[5]利用累計(jì)Logistic回歸法對(duì)部分上市公司的信用評(píng)級(jí)進(jìn)行了研究，結(jié)果表明，該模型能夠較為客觀準(zhǔn)確地對(duì)信用等級(jí)進(jìn)行評(píng)價(jià)，實(shí)現(xiàn)了評(píng)價(jià)動(dòng)態(tài)和靜態(tài)的有效融合。王俊峰和吳海洋[6]引入基于TOPSIS法的評(píng)價(jià)方法構(gòu)建了14項(xiàng)信用評(píng)價(jià)體系，同時(shí)運(yùn)用拉格朗日模型對(duì)指標(biāo)權(quán)重進(jìn)行求解，通過(guò)B2C部分?jǐn)?shù)據(jù)驗(yàn)證了該方法的科學(xué)性和有效性。蔣翠清等[7]結(jié)合目前網(wǎng)絡(luò)信貸發(fā)展的最新趨勢(shì)，提出了改進(jìn)的Adaboost信用評(píng)價(jià)方法，解決了分類(lèi)精度和誤分代價(jià)等問(wèn)題，提升了信用評(píng)價(jià)結(jié)果的有效性。張娟和張貝貝[8]結(jié)合信用評(píng)價(jià)過(guò)程中的變量維數(shù)較多及分布不均勻等現(xiàn)實(shí)問(wèn)題，引入了半?yún)?shù)廣義可加模型進(jìn)行系統(tǒng)分析，同時(shí)運(yùn)用Group Lasso方法來(lái)進(jìn)行變量選擇和估計(jì)，通過(guò)研究得出，該方法在信用整體識(shí)別預(yù)測(cè)能力及解釋性方面均有很大的適用性。李毅等[9]通過(guò)構(gòu)建決策樹(shù)、支持向量機(jī)及隨機(jī)森林模型，對(duì)互聯(lián)網(wǎng)個(gè)人信用進(jìn)行了實(shí)證研究，結(jié)果表明，對(duì)于互聯(lián)網(wǎng)大數(shù)據(jù)背景下的信用評(píng)價(jià)具有較好的操作性和可行性。

整體來(lái)看，上述提及的信用評(píng)價(jià)方法都具有一定的預(yù)測(cè)能力，但或多或少都存在一定程度的缺陷，并無(wú)法與互聯(lián)網(wǎng)金融發(fā)展的實(shí)際狀況實(shí)現(xiàn)有效匹配。第一，上述方法涉及指標(biāo)維度眾多，輸入數(shù)據(jù)的位數(shù)過(guò)高等，直接導(dǎo)致計(jì)算工作量大幅增加，使得相應(yīng)的評(píng)價(jià)速度變得緩慢，評(píng)價(jià)結(jié)果主觀隨意性較大[10]。第二，部分方法如貝葉斯概率方法等存在分類(lèi)風(fēng)險(xiǎn)和維數(shù)禍根的問(wèn)題，特別是在高維空間中仍顯得非常稀疏，離散度高，絕大多數(shù)點(diǎn)附近根本沒(méi)有樣本點(diǎn)，這使得利用空間中每一附近的樣本點(diǎn)來(lái)構(gòu)造估計(jì)的近鄰法很難使用，因而其適用性不高[11]。第三，許多指標(biāo)體系在權(quán)重確定時(shí)主觀隨意性大，有可能出現(xiàn)超模糊現(xiàn)象，最終會(huì)使得評(píng)價(jià)結(jié)果的可信度有所降低，加之在互聯(lián)網(wǎng)金融背景下，上述研究對(duì)中小企業(yè)客戶的互聯(lián)網(wǎng)行為數(shù)據(jù)考慮有所欠缺，使得實(shí)用性大幅降低。而目前的研究則更應(yīng)將中小企業(yè)在現(xiàn)實(shí)社會(huì)和網(wǎng)絡(luò)上所留存的場(chǎng)景信息痕跡有效刻畫(huà)和收集，以大數(shù)據(jù)為支撐，打通信息孤島，形成信息集合，輸出信用動(dòng)態(tài)性評(píng)級(jí)結(jié)果，并據(jù)此提供個(gè)性化和差異化的金融服務(wù)，最終實(shí)現(xiàn)信用產(chǎn)生價(jià)值的閉環(huán)生態(tài)價(jià)值鏈[12]，同時(shí)考慮到神經(jīng)網(wǎng)絡(luò)方法能夠有效實(shí)現(xiàn)從信用數(shù)據(jù)輸入到信用結(jié)果輸出的映射功能，以及較好的自學(xué)習(xí)、推廣和概括能力等特點(diǎn)，這為本文構(gòu)建新的信用評(píng)價(jià)方法提供了更多的空間。因此，本文將在前人研究的基礎(chǔ)上，依托金融云平臺(tái)，對(duì)現(xiàn)有的評(píng)價(jià)方法進(jìn)行重構(gòu)、融合，將在信用指標(biāo)數(shù)據(jù)二次篩選的基礎(chǔ)上，發(fā)揮人工神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)，對(duì)海量龐雜的信用數(shù)據(jù)進(jìn)行模擬，實(shí)現(xiàn)有效的識(shí)別和預(yù)測(cè)，對(duì)相應(yīng)的企業(yè)進(jìn)行刻畫(huà)，反應(yīng)其真實(shí)的實(shí)時(shí)信用存量(價(jià)值)，進(jìn)而為后續(xù)金融增值服務(wù)和風(fēng)險(xiǎn)防范提供支撐。

三、互聯(lián)網(wǎng)金融云平臺(tái)中小企業(yè)客戶信用評(píng)價(jià)模型構(gòu)建

(一)評(píng)價(jià)指標(biāo)體系的構(gòu)建

目前，互聯(lián)網(wǎng)金融企業(yè)信用評(píng)價(jià)指標(biāo)體系的選擇尚未有統(tǒng)一的標(biāo)準(zhǔn)，各種體系根據(jù)其評(píng)價(jià)的目的均有一定的偏好性和相對(duì)的適應(yīng)性。比如Tan和Sutherland[13]通過(guò)構(gòu)建信用傾向、人機(jī)信用、互聯(lián)網(wǎng)環(huán)境維度等來(lái)研究信用問(wèn)題。美國(guó)FICO評(píng)分系統(tǒng)主要用于個(gè)人消費(fèi)信貸評(píng)價(jià)，其包含了信用償還歷史、信用賬戶數(shù)、使用信用的年限、正在使用的信用類(lèi)型和新開(kāi)立的信用賬戶等五大指標(biāo)體系，并在各指標(biāo)體系下包含多個(gè)維度的二級(jí)指標(biāo)。加拿大政府推廣的電子商務(wù)個(gè)人交易者的評(píng)價(jià)計(jì)劃，構(gòu)建了包括個(gè)人資產(chǎn)、網(wǎng)絡(luò)交易、貸款情況等數(shù)十個(gè)指標(biāo)項(xiàng)的評(píng)分體系。作為互聯(lián)網(wǎng)信用評(píng)價(jià)的實(shí)踐者，阿里巴巴構(gòu)建了基于自身業(yè)務(wù)的信用評(píng)價(jià)維度，包括交易行為、退款行為、維權(quán)行為、評(píng)價(jià)行為、賬戶數(shù)量、物流信息、會(huì)員信息和信用記錄等八個(gè)維度，較為全面地刻畫(huà)了賣(mài)家在網(wǎng)絡(luò)上的信用行為和軌跡，但是，由于其具有生態(tài)的封閉性，加之與傳統(tǒng)征信的共享機(jī)制欠缺，使得信用結(jié)果的認(rèn)可度和應(yīng)用廣度不足?？傮w來(lái)看，現(xiàn)有的信用評(píng)價(jià)指標(biāo)體系雖都以信用評(píng)價(jià)為基礎(chǔ)，但是都存在模式單一、數(shù)據(jù)離散、共享機(jī)制欠缺以及指標(biāo)評(píng)價(jià)體系不夠完善等問(wèn)題，直接導(dǎo)致了信用結(jié)果的失真、成本較高以及各方信息嚴(yán)重不對(duì)稱，在一定程度上很難反映企業(yè)的信用真實(shí)軌跡。參照國(guó)內(nèi)外互聯(lián)網(wǎng)企業(yè)信用評(píng)價(jià)的研究成果和應(yīng)用實(shí)踐，按照全面性、可行性、系統(tǒng)性、完整性和可得性等原則，在綜合了現(xiàn)行各類(lèi)評(píng)價(jià)指標(biāo)體系優(yōu)點(diǎn)的基礎(chǔ)上，結(jié)合全國(guó)信用評(píng)級(jí)協(xié)會(huì)制定的信用評(píng)級(jí)指標(biāo)體系，充分發(fā)揮金融云平臺(tái)作為政府工程的優(yōu)勢(shì)，在數(shù)據(jù)共享的基礎(chǔ)上，構(gòu)建了金融云平臺(tái)企業(yè)信用評(píng)價(jià)綜合指標(biāo)體系，如表1所示。

表1 金融云平臺(tái)企業(yè)信用評(píng)價(jià)綜合指標(biāo)體系

(二)信用指標(biāo)有效性篩選

在進(jìn)行BP神經(jīng)網(wǎng)絡(luò)信用評(píng)價(jià)模型構(gòu)建之前，必須解決數(shù)據(jù)可用性的問(wèn)題，大數(shù)據(jù)環(huán)境下企業(yè)數(shù)據(jù)的價(jià)值密度、價(jià)值數(shù)據(jù)的可提取性、已提取價(jià)值數(shù)據(jù)的可用性，成為金融云平臺(tái)數(shù)據(jù)整合、分析、探索和挖掘的重要內(nèi)容。大數(shù)據(jù)可用性必須要挖掘其生產(chǎn)要素性、數(shù)據(jù)恒溫性、價(jià)值潛在性三個(gè)主要屬性，并在此基礎(chǔ)上形成動(dòng)態(tài)的數(shù)據(jù)篩選模式。為此，本文首先要解決實(shí)現(xiàn)數(shù)據(jù)的可用性和指標(biāo)的初步選擇。目前，關(guān)于數(shù)據(jù)可用性篩選的方法前人已經(jīng)做了大量的研究工作，并取得了值得借鑒的成果和應(yīng)用效果。比如周曉彧[14]通過(guò)主成分分析法對(duì)其構(gòu)建的中小企業(yè)的信用風(fēng)險(xiǎn)評(píng)級(jí)體系進(jìn)行了初步篩選，然后運(yùn)用Logit模型對(duì)相關(guān)企業(yè)進(jìn)行了信用評(píng)價(jià)。周立斌等[15]通過(guò)實(shí)例分析了R聚類(lèi)方法、變異系數(shù)方法在指標(biāo)篩選的差異性和可行性，指出兩種方法在指標(biāo)可用性方面都具有高度的擬合度。整體來(lái)看，為確保數(shù)據(jù)的可用性，其篩選的方法較多，每個(gè)方法的目的都是剔除一些相關(guān)性不大的指標(biāo)，但是，由于每種方法均有一定的局限性，因此，為了更好地實(shí)現(xiàn)數(shù)據(jù)的可用性和指標(biāo)篩選，筆者將運(yùn)用上述的主成分分析法、變異系數(shù)法、R聚類(lèi)法等實(shí)現(xiàn)數(shù)據(jù)可用性的方法，對(duì)指標(biāo)體系進(jìn)行篩選，根據(jù)各自方法最后形成新的指標(biāo)體系I1和I2，然后尋求I1與I2的共性交集指標(biāo)，即Inew=I1∩I2,最終形成數(shù)據(jù)可用性下的新的信用評(píng)價(jià)指標(biāo)體系，這也是我們對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化改進(jìn)的創(chuàng)新點(diǎn)之一。指標(biāo)篩選計(jì)算步驟如下：

步驟一：主成分分析法的指標(biāo)篩選

步驟二：基于變異系數(shù)方法的指標(biāo)篩選

步驟三：通過(guò)兩種方法對(duì)數(shù)據(jù)可用性進(jìn)行處理，然后構(gòu)建指標(biāo)體系的交集Inew=I1∩I2，Inew即為在數(shù)據(jù)可用條件下的新指標(biāo)體系。

(三) BP神經(jīng)網(wǎng)絡(luò)信用評(píng)價(jià)模型的構(gòu)建

BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)也稱方向傳播算法，最早是由Rttmelhart和McCelland于1086年提出的，經(jīng)過(guò)多年的發(fā)展，其已經(jīng)成為當(dāng)前最為流行和實(shí)用的神經(jīng)網(wǎng)絡(luò)模型之一。BP神經(jīng)網(wǎng)絡(luò)能夠?qū)W習(xí)和儲(chǔ)存大量的輸入與輸出映射關(guān)系，并且無(wú)需構(gòu)建或者揭示映射關(guān)系之間的數(shù)學(xué)邏輯，這非常適用于信用評(píng)價(jià)海量指標(biāo)和數(shù)據(jù)的有效化處理，通過(guò)BP神經(jīng)網(wǎng)絡(luò)的仿真模擬運(yùn)算系統(tǒng)的自主學(xué)習(xí)，可以很好地實(shí)現(xiàn)數(shù)據(jù)的預(yù)測(cè)。BP神經(jīng)網(wǎng)絡(luò)包含輸入層、輸出層、隱含層等三層結(jié)構(gòu)，通過(guò)處理輸入與輸出變量之間的海量數(shù)據(jù)，最終擬合構(gòu)建起最為貼近實(shí)際的非線性模式，實(shí)現(xiàn)結(jié)果的有效輸出。其本質(zhì)是一種誤差逆向傳播算法訓(xùn)練的多層前饋網(wǎng)絡(luò)，它運(yùn)用梯度下降法，不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，通過(guò)反復(fù)的訓(xùn)練，確定最小誤差所對(duì)應(yīng)的網(wǎng)絡(luò)參數(shù)。實(shí)際上BP神經(jīng)網(wǎng)絡(luò)已經(jīng)應(yīng)用到諸多領(lǐng)域，主要是因?yàn)樗哂泻軓?qiáng)的信息處理能力、自適應(yīng)能力、自學(xué)習(xí)能力和非線性處理能力。這些特點(diǎn)能夠有效解決互聯(lián)網(wǎng)信用評(píng)價(jià)過(guò)程中所面臨的紛雜海量數(shù)據(jù)，實(shí)現(xiàn)數(shù)據(jù)的有效集合和重構(gòu)?？梢哉f(shuō)在信用評(píng)價(jià)指標(biāo)的權(quán)重及內(nèi)在關(guān)系不夠明晰的前提下，發(fā)揮BP神經(jīng)網(wǎng)絡(luò)依舊能夠自主學(xué)習(xí)和模擬訓(xùn)練的優(yōu)勢(shì)，通過(guò)對(duì)指標(biāo)體系的有效篩選，可以實(shí)現(xiàn)對(duì)信用的動(dòng)態(tài)化評(píng)價(jià)。

BP神經(jīng)網(wǎng)絡(luò)信用評(píng)價(jià)模型的構(gòu)建過(guò)程如下：

假定輸入向量Inew={X1,X2,…，Xn}T，隱含層向量用Y來(lái)表示，即Y={Y1,Y2,…，Yn}。，輸出層變量用Z表示，即Z=Zn。輸入層與隱含層、隱含層與輸出層的連接權(quán)值矩陣分別為V和W 。其中V={V1,V2,…，Vm}， W={W1,W2，…，Wm}。

根據(jù)BP神經(jīng)網(wǎng)絡(luò)的算法，我們可以得出隱含層與輸出層的公式：

由于筆者進(jìn)行企業(yè)的信用評(píng)價(jià)，其輸出節(jié)點(diǎn)只有一個(gè)，即企業(yè)的信用評(píng)價(jià)值。因此，我們對(duì)輸出層的值Z采用區(qū)間法，設(shè)定綜合評(píng)價(jià)等級(jí)，即當(dāng)Z∈[0.8,1]時(shí)，該企業(yè)的信用等級(jí)為A級(jí)，表示信用狀況優(yōu)秀，當(dāng)Z∈[0.6,0.8]時(shí)，該企業(yè)信用等級(jí)為B級(jí)，表示信用狀況為良好，當(dāng)Z∈[0.4,0.6]時(shí)，該企業(yè)信用等級(jí)為C級(jí)，表示信用狀況為一般，當(dāng)Z∈[0.2,0.4]時(shí)，該企業(yè)信用等級(jí)為D級(jí)，表示信用狀況為較差，當(dāng)Z∈[0.0,0.2]時(shí)，該企業(yè)信用等級(jí)為E級(jí)，表示信用狀況為非常差。

通過(guò)上述的方法和思路，我們就可以評(píng)判一個(gè)互聯(lián)網(wǎng)企業(yè)的真實(shí)信用水平，并依據(jù)結(jié)果為其提供相應(yīng)的金融服務(wù)，這即構(gòu)成了BP神經(jīng)網(wǎng)絡(luò)的信用評(píng)價(jià)模型。

四、經(jīng)驗(yàn)研究

根據(jù)數(shù)據(jù)可獲得性，本文在金融云平臺(tái)中隨機(jī)抽取10家企業(yè)為研究樣本，對(duì)其信用評(píng)價(jià)指標(biāo)體系中的數(shù)據(jù)進(jìn)行有效地收集、分析、整理，按照所構(gòu)建的優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型，進(jìn)行了經(jīng)驗(yàn)研究。

筆者通過(guò)對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理后，按照主成分分析法，得到相應(yīng)的數(shù)據(jù)如表2所示。

表2 主成分分析法結(jié)果

筆者得到其累計(jì)貢獻(xiàn)率≥85%的指標(biāo)體系為：

I1=(X8,X19,X4，X7,X6,X14,X10,X17,X15)

(1)

該指標(biāo)的集合就是我們選擇的主要評(píng)價(jià)指標(biāo)為I1所構(gòu)成的評(píng)價(jià)指標(biāo)體系。

通過(guò)變異系數(shù)法，筆者得出的各指標(biāo)變異系數(shù)和權(quán)重如表3所示。

表3 變異系數(shù)和權(quán)重的計(jì)算結(jié)果

刪除變異系數(shù)和權(quán)重較小的指標(biāo)得到：

I2=(X19，X4，X8，X7，X6，X11，X13，X17)

(2)

根據(jù)I1和I2確定的指標(biāo)體系，在數(shù)據(jù)可用性的基礎(chǔ)上，剔除一些不重合的指標(biāo)，可以得到一個(gè)新的指標(biāo)體系Inew，該指標(biāo)體系即為后續(xù)運(yùn)用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行企業(yè)信用評(píng)價(jià)的指標(biāo)體系。

Inew=I1∩I2=(X19，X4，X8，X7，X6，X17)

(3)

利用新的指標(biāo)體系，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)信用評(píng)價(jià)模型對(duì)相關(guān)企業(yè)進(jìn)行信用評(píng)價(jià)。筆者使用MATLAB軟件的神經(jīng)網(wǎng)絡(luò)工具箱來(lái)實(shí)現(xiàn)，其中前8個(gè)樣本企業(yè)數(shù)據(jù)作為訓(xùn)練樣本，最后兩個(gè)樣本企業(yè)作為檢驗(yàn)樣本，設(shè)置學(xué)習(xí)速率為0.0100，進(jìn)行1 000次的學(xué)習(xí)次數(shù)，誤差精度為0.0500。在MATLAB中進(jìn)行仿真模擬，相應(yīng)的結(jié)果如表4所示。

表4 BP神經(jīng)網(wǎng)絡(luò)信用評(píng)價(jià)結(jié)果

由表4可以看到，我們運(yùn)用BP神經(jīng)網(wǎng)絡(luò)模型所得到的評(píng)價(jià)結(jié)果與期望值之間的誤差很小，除了企業(yè)9以外，期望值與模型輸出的結(jié)果基本相吻合，且誤差均在0.0500的誤差精度范圍內(nèi)，可以看到預(yù)測(cè)結(jié)果相對(duì)合理，說(shuō)明了模型具有一定的實(shí)用性，其擬合度較好。從圖1我們可以清晰看到誤差的變化過(guò)程，在該組樣本中，整個(gè)預(yù)測(cè)的最大誤差為6.76%，最小誤差為0.21%，假設(shè)我們?cè)O(shè)定評(píng)價(jià)結(jié)果以絕對(duì)誤差小于3%為一個(gè)可接受的范圍，那么本文建立的BP神經(jīng)網(wǎng)絡(luò)模型的精準(zhǔn)度為60%，而假設(shè)以絕對(duì)誤差小于5%為可接受的范圍，那么我們?cè)O(shè)定的模型準(zhǔn)確率高達(dá)90%。通過(guò)上述的結(jié)果可以看到，筆者建立的優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型準(zhǔn)確率較高，能夠?qū)鹑谠破脚_(tái)中的中小企業(yè)的信用狀況進(jìn)行科學(xué)評(píng)判，進(jìn)而能夠?yàn)轱L(fēng)險(xiǎn)防范和金融服務(wù)增值提供相應(yīng)的支撐。

圖1 信用評(píng)價(jià)結(jié)果誤差分析表

以上是小樣本的評(píng)價(jià)，為了驗(yàn)證優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)模型的穩(wěn)定性，筆者再次隨機(jī)選取了金融云平臺(tái)中的600家企業(yè)樣本，其中500家作為訓(xùn)練樣本，100家作為檢驗(yàn)樣本，依據(jù)原先已經(jīng)評(píng)定的信用等級(jí)和相關(guān)指標(biāo)數(shù)據(jù)，按照上述方法進(jìn)行訓(xùn)練得出其對(duì)應(yīng)的評(píng)價(jià)結(jié)果，經(jīng)統(tǒng)計(jì)，誤差最大的為11.29%，最小的為0.07%，在600家企業(yè)中，有526家企業(yè)期望值與模型評(píng)價(jià)結(jié)果基本相吻合，且誤差均在0.0500的誤差精度范圍內(nèi)。若以誤差絕對(duì)值在3%以內(nèi)為可接受的范圍，該模型的信用評(píng)價(jià)準(zhǔn)確率在64.91%，若以誤差絕對(duì)值在5%以內(nèi)為可接受的范圍，該模型的信用評(píng)價(jià)準(zhǔn)確率在87.77%，若以誤差絕對(duì)值在10%以內(nèi)為可接受的范圍，該模型的信用評(píng)價(jià)準(zhǔn)確率在95.38%，這說(shuō)明，筆者構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)模型在大樣本和小樣本下實(shí)現(xiàn)互聯(lián)網(wǎng)企業(yè)的信用評(píng)價(jià)是有效的、可行的。

五、結(jié) 語(yǔ)

本文聚焦于互聯(lián)網(wǎng)金融云平臺(tái)企業(yè)客戶信用評(píng)價(jià)研究。筆者在充分研究互聯(lián)網(wǎng)金融云平臺(tái)中小企業(yè)客戶信用評(píng)價(jià)需求及相關(guān)網(wǎng)絡(luò)數(shù)據(jù)信息可用性的基礎(chǔ)上，以“秦云工程—金融云”為目標(biāo)平臺(tái)樣本，創(chuàng)造性提出了針對(duì)數(shù)據(jù)及其指標(biāo)可用性的預(yù)處理，形成動(dòng)態(tài)的降維信用評(píng)價(jià)體系，進(jìn)而基于優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)法創(chuàng)構(gòu)了互聯(lián)網(wǎng)金融云平臺(tái)中小企業(yè)客戶信用評(píng)價(jià)模型及相關(guān)算法，并經(jīng)過(guò)經(jīng)驗(yàn)數(shù)據(jù)驗(yàn)證了該模型算法在訓(xùn)練速度上的優(yōu)越性，實(shí)現(xiàn)了信用結(jié)果的有效評(píng)價(jià)。

筆者研究認(rèn)為，在互聯(lián)網(wǎng)金融云平臺(tái)中小企業(yè)客戶信用評(píng)價(jià)中，應(yīng)重點(diǎn)把握以下三點(diǎn)：

首先，充分認(rèn)識(shí)金融云平臺(tái)客戶信用評(píng)價(jià)需求特征，有針對(duì)性設(shè)計(jì)有效的網(wǎng)絡(luò)化信用指標(biāo)體系。由于“秦云工程—金融云”平臺(tái)主要是為了滿足中小企業(yè)的金融需求，提升金融普惠服務(wù)的目的，因而在信用評(píng)價(jià)過(guò)程中，必須注重中小企業(yè)客戶的特征，重點(diǎn)關(guān)注企業(yè)特征、業(yè)務(wù)特點(diǎn)、發(fā)展?jié)摿?、資金狀況等能夠真實(shí)反映其信用水平的動(dòng)態(tài)指標(biāo)體系，同時(shí)應(yīng)緊密結(jié)合互聯(lián)網(wǎng)發(fā)展趨勢(shì)，對(duì)于其在互聯(lián)網(wǎng)等平臺(tái)上的信息狀況進(jìn)行有效刻畫(huà)，全面地收集其真實(shí)的信用數(shù)據(jù)和信用結(jié)構(gòu)，并有效地確定其信用存量，進(jìn)而提供符合其信用存量的金融服務(wù)。

其次，加強(qiáng)信息共享，數(shù)據(jù)整合。目前，中小企業(yè)的信用行為和數(shù)據(jù)涉及方方面面，由于信息的離散和割裂，使得有效的信用評(píng)價(jià)很難實(shí)現(xiàn)。因此，在金融云平臺(tái)中，要實(shí)現(xiàn)以信用為核心的普惠金融服務(wù)，必須積極發(fā)揮行業(yè)、政府、市場(chǎng)的力量和作用，加強(qiáng)能夠體現(xiàn)中小企業(yè)發(fā)展現(xiàn)狀的重點(diǎn)領(lǐng)域信用記錄，完善信用信息和數(shù)據(jù)的記錄以及整合和應(yīng)用，加快信用的交換與共享，方能實(shí)現(xiàn)有效的信用評(píng)價(jià)。

最后，建立信用分類(lèi)管理機(jī)制，持續(xù)改進(jìn)信用評(píng)價(jià)方法。金融云平臺(tái)作為信用評(píng)價(jià)和金融服務(wù)機(jī)構(gòu)應(yīng)分類(lèi)中小企業(yè)信用信息的屬性，在保護(hù)中小企業(yè)商業(yè)秘密的前提下，實(shí)現(xiàn)信用評(píng)價(jià)過(guò)程中各環(huán)節(jié)的分類(lèi)管理，提升信用結(jié)果的公信力，擴(kuò)大信用結(jié)果的應(yīng)用范圍。同時(shí)，應(yīng)持續(xù)改進(jìn)信用評(píng)價(jià)方法，形成面向不同對(duì)象的動(dòng)態(tài)評(píng)價(jià)體系和方法，并不斷豐富金融服務(wù)產(chǎn)品的種類(lèi)，滿足中小企業(yè)客戶多層次、多樣化和專(zhuān)業(yè)化的金融服務(wù)需求。

參考文獻(xiàn)：

[1] Durand,D.Risk Elements in Consumer Installment Financing[M]. New York: National Bureau of Economic Research, 1941.189-201．

[2] 姜明輝，王雅林，趙欣，等.K-近鄰判別分析法在個(gè)人信用評(píng)估中的應(yīng)用[J].數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究,2004, (2): 143-147.

[3] Henley,W.E.,Hand, D.J.A k-Nearest-Neighbor Classific Ation for Assessing Consumer Credit Nisk[J].The Statistician，1996，45(1)：77-95.

[4] 丁東洋，周麗莉，劉樂(lè)平.貝葉斯方法在信用風(fēng)險(xiǎn)度量中的應(yīng)用綜述研究[J].數(shù)理統(tǒng)計(jì)與管理，2013, (2):42-56.

[5] 外力·依米提.基于累積Logistic回歸的西部上市企業(yè)信用評(píng)級(jí)模型[J].統(tǒng)計(jì)與決策，2015, (3):185-188.

[6] 王俊峰，吳海洋.基于改進(jìn)的TOPSIS法的B2C企業(yè)信用評(píng)價(jià)[J].軟科學(xué),2014, (6):21-24.

[7] 蔣翠清，梁坤，丁勇，等. 基于改進(jìn)Adaboost的信用評(píng)價(jià)方法[J].運(yùn)籌與管理,2017，(2) :135-139.

[8] 張娟，張貝貝.基于Group-LASSO方法的廣義半?yún)?shù)可加信用評(píng)分模型應(yīng)用研究[J].數(shù)理統(tǒng)計(jì)與管理, 2016，(3) :517-524.

[9] 李毅，姜天英，劉亞茹.基于不平衡樣本的互聯(lián)網(wǎng)個(gè)人信用評(píng)估研究[J].統(tǒng)計(jì)與信息論壇, 2017,(2) :84-90.

[10] Kim，D.，Benbasat，L.Trust-Related Argument in Internet Stores：A Framework for Evaluation[J]．Journal of Electronic Commerce Research，2003，4(2)：49-64．

[11] Desai,V.S.，Crook,J.N.，Overstreet，G.A.A Comparison of Neural Networks and Linear Scoring Models in the Credit Union Environment[J].European Journal of Operational Research, 1996,95(1):24-37.

[12] 北京大學(xué)中國(guó)信用研究中心課題組.互聯(lián)網(wǎng)信用生態(tài)體系及其價(jià)值度量[R].電子商務(wù)研究中心訊，2016.10.

[13] Tan，F(xiàn).B.，Sutherland，P. Online Consumer Trust: A Multi-Dimensional Model[J].Journal of Electronic Commerce in Organizations(JECO) ，2004，(2) : 20-39．

[14] 周曉彧.中小企業(yè)商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)級(jí)體系研究[J].東南大學(xué)學(xué)報(bào)(哲學(xué)社會(huì)科學(xué)版),2014，(1):33-36.

[15] 周立斌，李剛，遲國(guó)泰.基于R聚類(lèi)—變異系數(shù)分析的人的全面發(fā)展評(píng)價(jià)指標(biāo)體系構(gòu)建[J].系統(tǒng)工程,2010，(12):56-63.