徐榮貞 何夢珂

【摘 要】 “互聯(lián)網(wǎng)+”背景下，針對如何解決深度挖掘線上供應(yīng)鏈金融大數(shù)據(jù)背后信用風(fēng)險的問題，提出了一種基于深度信念網(wǎng)絡(luò)（DBN）的線上供應(yīng)鏈金融信用風(fēng)險評估方法。首先，建立了由受限玻爾茲曼機（RBM）和分類器SOFTMAX構(gòu)成的深度信念網(wǎng)絡(luò)評估模型，并利用該模型對三類數(shù)據(jù)集進行性能評估測試;其次，運用因子分析法從21個指標(biāo)中甄選8個指標(biāo)，輸入到RBM中進行轉(zhuǎn)換，形成更為科學(xué)的評估指標(biāo)，再將指標(biāo)輸入到SOFTMAX中進行評估;最后，將這種基于DBN的線上供應(yīng)鏈金融信用風(fēng)險評估方法應(yīng)用到實例中進行了驗證。結(jié)果表明：該方法的評估準(zhǔn)確率達96.04%，與SVM法、Logistic法相比較，具有更高的評估準(zhǔn)確率和更好的合理性。

【關(guān)鍵詞】 線上供應(yīng)鏈金融; 信用風(fēng)險; 深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò); DBN模型; 因子分析

【中圖分類號】 F830.2? 【文獻標(biāo)識碼】 A? 【文章編號】 1004-5937（2021）11-0061-07

一、引言

近年來供應(yīng)鏈金融憑借其強大的融資優(yōu)勢在國內(nèi)外迅速發(fā)展，隨著互聯(lián)網(wǎng)技術(shù)的進步，在中國將形成巨大的供應(yīng)鏈金融市場規(guī)模，其可以在一定程度上緩解中小企業(yè)融資難的問題[ 1-4 ]。供應(yīng)鏈金融以核心企業(yè)為支點將資金引入到供應(yīng)鏈中的其他中小企業(yè)，同時促進了社會經(jīng)濟的增長，維持商業(yè)銀行的利潤增長點[ 5-6 ]。供應(yīng)鏈金融在發(fā)展過程中呈現(xiàn)出從線下轉(zhuǎn)入線上的特點，因此一系列線上平臺建設(shè)情況也影響著供應(yīng)鏈金融的發(fā)展。線上供應(yīng)鏈金融在網(wǎng)絡(luò)平臺上展現(xiàn)了供應(yīng)鏈企業(yè)交易所引發(fā)的“商流、資金流、物流、信息流”，實現(xiàn)了在線數(shù)據(jù)的共享，而如何利用這些共享數(shù)據(jù)準(zhǔn)確判斷企業(yè)的信用風(fēng)險仍需進一步研究[ 7-8 ]。

關(guān)于供應(yīng)鏈金融信用風(fēng)險的評估，一般選用層次分析法（AHP）、綜合評價法等。熊熊等[ 9 ]、逯宇鐸和金艷玲[ 10 ]利用主成分分析法、Logistic回歸法建立了供應(yīng)鏈金融信用風(fēng)險評價模型。胡海青等[ 11 ]、姚王信等[ 12 ]運用支持向量機（SVM）建立信用風(fēng)險評估模型，并在相同條件下與運用基于BP算法的評估模型比較分析，得出SVM模型在小樣本情況下有更好的有效性。SVM模型已經(jīng)應(yīng)用到信用風(fēng)險的研究中，由于SVM是淺層神經(jīng)網(wǎng)絡(luò)，存在評估準(zhǔn)確率較低等問題，而深度機器學(xué)習(xí)能夠自動提取評估指標(biāo)，可以達到更高的評估準(zhǔn)確率。深度機器學(xué)習(xí)是由Geoffrey Hinton[ 13 ]提出的，深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)（DLNN）就是其中之一，具有較強的自動學(xué)習(xí)能力，可以對輸入數(shù)據(jù)進行逐層的特征學(xué)習(xí)，并能夠轉(zhuǎn)換重構(gòu)新的特征，避免了人工選擇和提取特征[ 14-15 ]。盧慕超[ 16 ]在研究深度置信網(wǎng)絡(luò)的基礎(chǔ)上，驗證了分類分區(qū)的受限玻爾茲曼機深度置信網(wǎng)絡(luò)模型的有效性。

筆者將深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)——深度信念網(wǎng)絡(luò)引入到線上供應(yīng)鏈金融信用風(fēng)險評估中，提出了一種基于深度信念網(wǎng)絡(luò)的線上供應(yīng)鏈金融信用風(fēng)險評估方法，此方法與現(xiàn)有方法相比具有更高的評估準(zhǔn)確率及更好的合理性。通過收集企業(yè)信息，經(jīng)過因子分析法降維，將特征值大于1的因子進行提取，再將提取出的因子輸入到深度信念網(wǎng)絡(luò)中進行轉(zhuǎn)換重構(gòu)，進一步提取出能夠反映線上供應(yīng)鏈金融真實信用風(fēng)險的指標(biāo)，從而評估識別企業(yè)的信用風(fēng)險。

二、線上供應(yīng)鏈金融信用風(fēng)險評價指標(biāo)的構(gòu)建及提取

（一）線上供應(yīng)鏈金融信用風(fēng)險指標(biāo)的構(gòu)建

線上供應(yīng)鏈金融主要以供應(yīng)鏈中的核心企業(yè)為中心向其他中小企業(yè)提供金融服務(wù)，從而改變銀行對單一企業(yè)授信的傳統(tǒng)模式。由于參與企業(yè)方的增多、線上平臺建設(shè)情況的不同等原因，信用風(fēng)險相比之前的模式更加復(fù)雜，因此從宏觀環(huán)境、核心企業(yè)狀況、供應(yīng)鏈整體狀況等方面來構(gòu)建線上供應(yīng)鏈金融信用風(fēng)險指標(biāo)體系。在保證整個指標(biāo)體系科學(xué)性、全面性、可操作性及針對性的基礎(chǔ)上，為了避免指標(biāo)內(nèi)容的重復(fù)，對整個指標(biāo)體系通過相關(guān)性分析法、變差系數(shù)法等進行指標(biāo)篩選。由于某一個行業(yè)的宏觀因素方面是類似的，所以在指標(biāo)中去除宏觀因素這個一級指標(biāo)，得到四項共21個指標(biāo)，如表1所示。

（二）線上供應(yīng)鏈金融信用風(fēng)險評估指標(biāo)的提取

為了科學(xué)地選取研究對象，筆者查閱了大量的相關(guān)文獻，選取汽車行業(yè)作為線上供應(yīng)鏈金融信用風(fēng)險評估的研究對象。汽車制造行業(yè)的線上供應(yīng)鏈中主要分為上游企業(yè)、核心企業(yè)和下游企業(yè)，上游企業(yè)是指汽車發(fā)動機制造、輪胎制造、汽車零部件制造企業(yè)等，核心企業(yè)是指汽車整車制造企業(yè)，下游企業(yè)是指汽車銷售企業(yè)。筆者選用中小板上市的汽車行業(yè)上下游企業(yè)為具體研究對象，采用定性與定量相結(jié)合的方法對前述線上供應(yīng)鏈金融信用風(fēng)險指標(biāo)數(shù)據(jù)進行采集，并進行下一步的實證研究。

根據(jù)前文構(gòu)建的指標(biāo)體系，12個定量指標(biāo)來源于國泰安數(shù)據(jù)庫及各公司的相關(guān)年度、中期報告。參考呂躍進[ 17 ]提出的用于研究定性問題的理論，9個定性指標(biāo)采用一定的評分標(biāo)準(zhǔn)進行打分，定性指標(biāo)得分分別為10、7、4、1。具體評估內(nèi)容如下：

（1）企業(yè)規(guī)模按主營業(yè)務(wù)收入進行評分，整個樣本中：前5%，10分;5%～30%，7分;30%～70%，4分;70%以后，1分。

（2）企業(yè)管理狀況是指一定時間范圍內(nèi)企業(yè)經(jīng)營者及管理人員因管理失誤和違規(guī)問題受到起訴或仲裁的情況。

（3）財務(wù)信息質(zhì)量以是否因財務(wù)披露問題而受到處罰或者通告為依據(jù)進行評分。

（4）交易履約情況是公司在一定時間內(nèi)因違約涉及的訴訟情況。

（5）核心企業(yè)信用等級是該企業(yè)在信用評級機構(gòu)的信用評級情況。

（6）產(chǎn)品的可替代性，同行競爭的激烈程度以及核心企業(yè)對其所提供產(chǎn)品的依賴程度。

（7）賬齡與賬期，采用90%應(yīng)收賬款賬期的長短評分。

（8）合作頻率，是雙方合作時間及合作次數(shù)的情況。

（9）平臺信息化建設(shè)程度，以電子平臺信息共享處理程度為標(biāo)準(zhǔn)。

根據(jù)Wind數(shù)據(jù)庫，本文采用Z值預(yù)警得分評價。當(dāng)Z值<2時，說明公司財務(wù)狀況堪憂，并且潛伏著破產(chǎn)的危機，更容易發(fā)生違約風(fēng)險;當(dāng)Z值≥2時，說明財務(wù)狀況正常，不易違約。

由于收集的變量較多，變量之間存在一定的多重共線性。根據(jù)因子分析的思想，可以從具有共線性的多個原始變量中提取出少數(shù)幾個潛在變量來代表其他指標(biāo)。本文收集的原始評價指標(biāo)較多，可以選取該研究方法，首先需要檢驗因子分析的可行性，具體如表2所示。

從表2可以看出KMO值是0.729，Bartlett球形度檢驗顯著性是0，證明原始變量間有顯著的相關(guān)性，滿足因子分析法的使用條件。

使用最大方差法構(gòu)建旋轉(zhuǎn)分量矩陣，并使用主成分方法抽取公共因子。由表3可知，前8個因子的特征值大于1，其累計貢獻率達到了75%，基本可以代表其他指標(biāo)的含義與信息。

經(jīng)過標(biāo)準(zhǔn)化處理后，通過成分得分系數(shù)矩陣可以得到各因子的線性表達式和8個主成分的計算公式。

三、基于DBN的線上供應(yīng)鏈金融信用風(fēng)險評估模型

深度信念網(wǎng)絡(luò)（DBN）在解決深層神經(jīng)網(wǎng)絡(luò)的優(yōu)化問題上采用了逐層訓(xùn)練的方法，其中受限玻爾茲曼機在訓(xùn)練過程中起到了至關(guān)重要的作用，也解決了標(biāo)簽樣本的數(shù)量問題和訓(xùn)練過程容易陷入局部最優(yōu)的問題[ 18 ]。

（一）受限玻爾茲曼機（RBM）

DBN由多個RBM構(gòu)成，RBM是其重要的基礎(chǔ)模型。Hinton等[ 19 ]第一次提出了關(guān)于RBM的理論，該理論為：在對多層神經(jīng)網(wǎng)絡(luò)進行學(xué)習(xí)時，可以預(yù)先分解為多個RBM，再依次逐層對多層神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，有效地提高了神經(jīng)網(wǎng)絡(luò)訓(xùn)練的效率，也極大地提升了訓(xùn)練結(jié)果的有效性。下面簡要介紹RBM及DBN的學(xué)習(xí)過程。

受限玻爾茲曼機是由可見層和隱含層構(gòu)成的一個較為簡單的神經(jīng)網(wǎng)絡(luò)，其網(wǎng)絡(luò)示意圖如圖1所示，v和h分別表示其中的可見層和隱含層，權(quán)重用w來表示，而每一層中的神經(jīng)元都是一個獨立的個體，相互之間沒有任何聯(lián)系。

RBM能夠利用其單向加權(quán)連接的特點完成無監(jiān)督式學(xué)習(xí)RBM輸入數(shù)據(jù)特征信息的任務(wù)，依據(jù)最大似然原理對RBM進行訓(xùn)練，最終能夠?qū)ζ詈蜋?quán)重進行調(diào)整使p（v）的概率增加。根據(jù)式（2）和式（3）能夠更新可見層與隱含層間的權(quán)重。

式（3）、式（5）、式（7）中的m為動量，能夠?qū)ζ涮卣鞯膶W(xué)習(xí)速度進行表征;r表示誤差重構(gòu)和噪音消除的學(xué)習(xí)率;d代表了權(quán)重的衰減程度，其目的是使測試數(shù)據(jù)的效果達到最優(yōu)。式（4）—式（7）體現(xiàn)了偏差ai和bj的調(diào)整過程。

重構(gòu)誤差和原始數(shù)據(jù)之間的平方誤差可以通過簡單計算得出，但其不適用于數(shù)據(jù)的監(jiān)測訓(xùn)練，因為使輸入數(shù)據(jù)的可行性最大限度地提升是RBM訓(xùn)練的目的。重構(gòu)誤差的變化不能很好地表明模型的性能好壞，從而引入一個新的變量——自由能來更好地表征模型的性能，自由能F（vdata）由式（8）和式（9）定義：

RBM的訓(xùn)練主要是通過對驗證數(shù)據(jù)集和訓(xùn)練數(shù)據(jù)集的平均自由能在各個時期進行計算來完成的。模型的性能與平均自由能的關(guān)系為：平均自由能升高，模型性能降低，當(dāng)模型開始超載時，驗證數(shù)據(jù)與訓(xùn)練數(shù)據(jù)的自由能都將提升，訓(xùn)練/驗證數(shù)據(jù)的過度配套程度用其平均可再生能源來表征。

RBM訓(xùn)練的過程如圖2，其中x代表數(shù)據(jù)輸入層（也叫可見層），h1、h2、h3代表隱含層。

（二）DBN模型

深度信念網(wǎng)絡(luò)是含多隱含層的預(yù)測模型，輸入層位于最底層，隱含層位于中間層，特征層位于隱含層的下一層。RBM由兩個相鄰層構(gòu)成，頂層是執(zhí)行分類的輸出層，標(biāo)簽數(shù)據(jù)表示原始數(shù)據(jù)的有效類信息，一般情況下是將頂層的輸出與標(biāo)簽數(shù)據(jù)進行對比來實現(xiàn)數(shù)據(jù)分類的。

（三）樣本數(shù)據(jù)和評估指標(biāo)的選取

為了使樣本集不至于太偏斜，也為了確保可以獲得足夠的數(shù)據(jù)樣本，本文從Wind數(shù)據(jù)庫中獲得2016—2018年度100家中小型企業(yè)3—5年的財務(wù)數(shù)據(jù)，共搜集到完整的300組數(shù)據(jù)。由于微調(diào)需要用少量帶標(biāo)簽樣本，因此將這300組數(shù)據(jù)作為微調(diào)所需樣本。

根據(jù)DBN的自動學(xué)習(xí)、轉(zhuǎn)換和分類的能力，考慮各評估指標(biāo)代表的含義及相關(guān)性，對21個原始評估指標(biāo)進行因子分析，最終選取了8個評估指標(biāo)，用這8個評估指標(biāo)來反映中小企業(yè)是履約或違約。這些評估指標(biāo)分別為素質(zhì)建設(shè)因子、貿(mào)易因子、盈利因子、營運因子、綜合因子、成長因子、合作因子、項目建設(shè)與償債因子，為了使計算更為精確，也為了使這些評估指標(biāo)的差異性最小化，先利用式（10）對各個評估指標(biāo)進行標(biāo)準(zhǔn)化。

式中：xnew為標(biāo)準(zhǔn)化后評估指標(biāo)值;x為評估指標(biāo)原來的值;xmean為x所占各評估指標(biāo)值總量的均值;xstd表示該評估指標(biāo)的標(biāo)準(zhǔn)差值。

圖3為基于DBN的線上供應(yīng)鏈金融信用風(fēng)險評估模型，最底層輸入模型的是8個已標(biāo)準(zhǔn)化處理的中小企業(yè)評估指標(biāo)，中間層為RBM，最終輸出的最大概率所對應(yīng)的線上供應(yīng)鏈金融信用風(fēng)險狀況即為評估結(jié)果。

（四）基于DBN的線上供應(yīng)鏈金融信用風(fēng)險評估

從DBN的理論可知，訓(xùn)練學(xué)習(xí)和微調(diào)學(xué)習(xí)兩個階段共同構(gòu)成了DBN算法，其中訓(xùn)練學(xué)習(xí)是指堆疊RBM的方式向前進行的訓(xùn)練學(xué)習(xí)，而微調(diào)學(xué)習(xí)則是從頂層向底層通過微調(diào)參數(shù)的方式進行的。線上供應(yīng)鏈金融信用風(fēng)險的評估流程如圖4，具體的步驟為：

（1）收集線上供應(yīng)鏈金融模式下中小企業(yè)信息，甄選出初步的評估指標(biāo)。

（2）預(yù)先運用因子分析法對評估指標(biāo)進行降維處理，從而提取出特征值大于1的8個因子。

（3）選取指標(biāo)數(shù)據(jù)，并劃分為測試集和訓(xùn)練集。

（4）建立基于DBN的線上供應(yīng)鏈金融信用風(fēng)險評估模型。

（5）將訓(xùn)練樣本輸入到評估模型中，向第一個RBM中輸入數(shù)據(jù)，并將其輸出的數(shù)據(jù)作為下一層的輸入數(shù)據(jù)進行訓(xùn)練，依次循環(huán)，直到所有的RBM學(xué)習(xí)完成。

（6）根據(jù)訓(xùn)練樣本中帶標(biāo)簽的數(shù)據(jù)和分類誤差，對整個DBN模型從頂層向最底層逐層進行參數(shù)微調(diào)，完成整個DBN模型的訓(xùn)練。

（7）將測試樣本輸入到已訓(xùn)練好的DBN評估模型中進行評估測試。

（8）輸出評估結(jié)果。

（五）基于DBN的線上供應(yīng)鏈金融信用風(fēng)險評估模型評估性能測試

從經(jīng)典數(shù)據(jù)庫中選取Iris、Wine、Adult三個數(shù)據(jù)集代入基于DBN的線上供應(yīng)鏈金融信用風(fēng)險評估模型中進行測試，將參數(shù)更新速率值設(shè)置為0.01，初始學(xué)習(xí)速率值設(shè)置為0.1，網(wǎng)絡(luò)參數(shù)的初始化取高斯分布條件下的隨機較小值。

表4展示了基于DBN評估模型對3個不同數(shù)據(jù)集的評估情況。從表中可以看出用基于DBN的線上供應(yīng)鏈金融信用風(fēng)險評估模型對數(shù)據(jù)集進行分類呈現(xiàn)了較好的平均分類正確率，證明此模型可以用于解決分類問題。

四、模型實證分析

（一）模型實證概述

為了對基于DBN的線上供應(yīng)鏈金融信用風(fēng)險評估模型的評估效果進行驗證，選取發(fā)展線上供應(yīng)鏈金融比較成熟的汽車行業(yè)中小企業(yè)為研究對象，從Wind數(shù)據(jù)庫中得到2016—2018年度100家中小型企業(yè)3—5年的財務(wù)信息和非財務(wù)信息共300組完整的數(shù)據(jù)，運用因子分析法從原始數(shù)據(jù)中提取出8個潛在因子，并將這些數(shù)據(jù)導(dǎo)入到基于DBN的線上供應(yīng)鏈金融信用風(fēng)險評估模型中進行評估，評估結(jié)果分類情況如表5所示。

為了更好地對線上供應(yīng)鏈金融信用風(fēng)險評估的準(zhǔn)確率進行比較，選取了1 200組去標(biāo)簽數(shù)據(jù)作為模型學(xué)習(xí)的預(yù)訓(xùn)練集，選取300組企業(yè)違約、履約狀態(tài)下的帶標(biāo)簽數(shù)據(jù)作為調(diào)節(jié)模型的測試集和微調(diào)集，其比例為1：2。

（二）評估結(jié)果分析

1.節(jié)點數(shù)的確定

當(dāng)前風(fēng)險評估案例中三層結(jié)構(gòu)的深度信念網(wǎng)絡(luò)應(yīng)用最為廣泛，評估效果也比較理想，所以本例也引用三層的深度信念網(wǎng)絡(luò)進行風(fēng)險評估，DBN具體的結(jié)構(gòu)為：一個輸入層和輸出層，三個RBM。由于數(shù)據(jù)的維數(shù)和輸入數(shù)據(jù)的節(jié)點數(shù)是相同的，所以節(jié)點數(shù)對風(fēng)險評估的效果有較大影響。根據(jù)8個信用風(fēng)險評估指標(biāo)在輸入層設(shè)置8個節(jié)點，根據(jù)兩種評估結(jié)果在輸出層設(shè)置兩個節(jié)點，RBM中的節(jié)點數(shù)設(shè)置是沒有統(tǒng)一標(biāo)準(zhǔn)的，因此具有一定的主觀性，需要根據(jù)實際需要選取最佳的節(jié)點數(shù)。參考相關(guān)的經(jīng)驗公式，分別設(shè)置了不同的隱含層節(jié)點數(shù)組合，來討論其對線上供應(yīng)鏈金融信用風(fēng)險評估結(jié)果準(zhǔn)確率的影響。為了更加方便地對三個隱含層的節(jié)點數(shù)進行表達，f、g、k分別代表第一、二、三層隱含層的節(jié)點數(shù)，簡稱為f×g×k，具體如表6所示。

履約、違約狀況的線上供應(yīng)鏈金融信用風(fēng)險評估數(shù)據(jù)隨機選取40個測試樣本和40個訓(xùn)練樣本，根據(jù)表5中的信息，可以得到80個測試樣本和80個訓(xùn)練樣本，將這些數(shù)據(jù)輸入到表6所設(shè)置的DBN網(wǎng)絡(luò)中，設(shè)置迭代次數(shù)為250，并統(tǒng)計重復(fù)計算10次后各項的均值。

圖5為8個線上供應(yīng)鏈金融信用風(fēng)險評估特征輸入到隱含層節(jié)點數(shù)組合分別為6×12×18，12×18×24，12×12×12和24×18×12的DBN網(wǎng)絡(luò)中計算后得出的線上供應(yīng)鏈金融信用風(fēng)險評估準(zhǔn)確率與迭代次數(shù)關(guān)系圖。從圖中可以看出線上供應(yīng)鏈金融信用風(fēng)險評估準(zhǔn)確率隨著迭代次數(shù)的增加而變高，但是評估準(zhǔn)確率增長的速度不同，沒有迭代時評估準(zhǔn)確率非常低，在0到100步之間增長速度比較急劇，而到了150步時增長的速度比較緩慢。證明了在一定范圍內(nèi)增加迭代次數(shù)可以大幅度增加線上供應(yīng)鏈金融信用風(fēng)險評估準(zhǔn)確率。

表7為不同企業(yè)數(shù)據(jù)經(jīng)過250次迭代運算后所對應(yīng)的線上供應(yīng)鏈金融信用風(fēng)險評估狀況，其中評估準(zhǔn)確率取迭代運算中的最大值。

由表7中的數(shù)據(jù)分析可以得出以下結(jié)論：12組不同隱含層節(jié)點數(shù)組合的DBN結(jié)構(gòu)中，只有第1組的評估準(zhǔn)確率低于80%，第2組到第12組的評估準(zhǔn)確率均大于80%。評估準(zhǔn)確率處于80%～90%之間的為2組、3組、6組、7組和11組，第4、5、8、9、10和12組的評估準(zhǔn)確率均在90%以上。12組不同隱藏層節(jié)點數(shù)組合的DBN中有11組的評估準(zhǔn)確率大于80%，6組的評估準(zhǔn)確率大于90%，證明DBN可以準(zhǔn)確評估線上供應(yīng)鏈金融信用風(fēng)險，也驗證了隱含層節(jié)點數(shù)對線上供應(yīng)鏈金融信用風(fēng)險評估的結(jié)果有較大影響。從表7中可以看出評估準(zhǔn)確率最高的為第8組，因此線上供應(yīng)鏈金融信用風(fēng)險評估的基礎(chǔ)模型選取隱含節(jié)點數(shù)為12×24×12的RBM。

2.不同預(yù)訓(xùn)練集的線上供應(yīng)鏈金融信用風(fēng)險的評估情況

表8為基于DBN的線上供應(yīng)鏈金融信用風(fēng)險模型對不同預(yù)訓(xùn)練集的評估情況。表8中的數(shù)據(jù)顯示：當(dāng)預(yù)訓(xùn)練集的數(shù)量從200增加到600時，平均準(zhǔn)確率從93.66%增加到95.58%，共提升了1.92%的準(zhǔn)確率;預(yù)訓(xùn)練集的數(shù)量從600增加到1 200時，平均準(zhǔn)確率從95.58%增加到96.04%，僅僅增加了0.46%的準(zhǔn)確率。表明隨著預(yù)訓(xùn)練集數(shù)量的增加，線上供應(yīng)鏈金融信用風(fēng)險評估的平均準(zhǔn)確率逐漸增加，但是預(yù)訓(xùn)練集達到一定數(shù)量后，評估的平均準(zhǔn)確率增長速度變慢。所以為了節(jié)省時間成本，要選最佳數(shù)量的預(yù)訓(xùn)練集。

為了凸顯該方法的優(yōu)越性，整合表6、表7和表8中的數(shù)據(jù)，在微調(diào)集為200、測試集為100時，比較SVM、Logistic與該方法的評估效果。表9為不同方法的線上供應(yīng)鏈金融信用風(fēng)險評估情況對比。

從表9中的數(shù)據(jù)可知：在樣本相同的情況下，Logistic評估的平均準(zhǔn)確率最低，僅為82.34%;SVM的評估平均準(zhǔn)確率為87.91%，能優(yōu)于Logistic，但是還沒有達到90%，診斷效果不能令人滿意;而基于DBN方法的線上供應(yīng)鏈金融信用風(fēng)險評估準(zhǔn)確率大于95%，診斷效果令人滿意， 主要是因為DBN是基于樣本的概率分布來提取高層特征的，DBN的特征提取方式更有利于科學(xué)地提取出本質(zhì)特征。Logistic與SVM是淺層神經(jīng)網(wǎng)絡(luò)，而DBN是深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，由表9可知基于深度學(xué)習(xí)的線上供應(yīng)鏈金融信用風(fēng)險評估效果明顯優(yōu)于其他風(fēng)險評估效果，體現(xiàn)出該方法對線上供應(yīng)鏈金融信用風(fēng)險的評估更具有智能性和科學(xué)性。

五、結(jié)論

本文提出了基于DBN的線上供應(yīng)鏈金融信用風(fēng)險評估方法，建立了相應(yīng)的評估模型，并通過實例驗證得出最終的評估平均準(zhǔn)確率達96.04%。在同等條件下與SVM、Logistic的評估結(jié)果對比分析，顯示本文使用的評估方法有更好的評估效果，利用基于DBN的線上供應(yīng)鏈金融信用風(fēng)險評估方法對中小企業(yè)信用風(fēng)險進行評估可以幫助銀行規(guī)避更多的線上供應(yīng)鏈金融信用風(fēng)險，更加有效地識別線上供應(yīng)鏈金融中的違約中小型企業(yè)。

【主要參考文獻】

[1] 李仲飛，黃金波.我國小微企業(yè)融資困境的動態(tài)博弈分析[J].華東經(jīng)濟管理，2016，30（2）：1-8.

[2] 陳潔，宋夢瑩，李彩霞.先進制造業(yè)互聯(lián)網(wǎng)供應(yīng)鏈金融運作模式研究[J].會計之友，2019（23）：148-152.

[3] 宋華，楊雨東.現(xiàn)代ICT賦能的智慧供應(yīng)鏈金融創(chuàng)新與發(fā)展[J].中國流通經(jīng)濟，2019，33（12）：34-41.

[4] 夏雨，方磊，魏明俠.供應(yīng)鏈金融：理論演進及其內(nèi)在邏輯[J].管理評論，2019，31（12）：26-39.

[5] 李寶寶，李婷婷，耿成軒.供應(yīng)鏈金融與中小企業(yè)融資約束：以制造行業(yè)中小上市公司為例[J].華東經(jīng)濟管理，2016，30（11）：174-179.

[6] 王妮.線上供應(yīng)鏈金融創(chuàng)新融資模式風(fēng)險控制[J].會計之友，2019（21）：134-139.

[7] 譚喻縈，楊箏.基于收益共享機制的線上供應(yīng)鏈金融最優(yōu)均衡策略研究[J].管理評論，2019，31（9）：241-254.

[8] 夏立明，邊亞男，宗恒恒.基于供應(yīng)鏈金融的中小企業(yè)信用風(fēng)險評價模型研究[J].商業(yè)研究，2013（10）：171-177.

[9] 熊熊，馬佳，趙文杰，等.供應(yīng)鏈金融模式下的信用風(fēng)險評價[J].南開管理評論，2009，12（4）：92-98，106.

[10] 逯宇鐸，金艷玲.基于Lasso-logistic模型的供應(yīng)鏈金融信用風(fēng)險實證研究[J].管理現(xiàn)代化，2016，36（2）：98-100.

[11] 胡海青，張瑯，張道宏.供應(yīng)鏈金融視角下的中小企業(yè)信用風(fēng)險評估研究：基于SVM與BP神經(jīng)網(wǎng)絡(luò)的比較研究[J].管理評論，2012（11）：70-80.

[12] 姚王信，夏娟，孫婷婷.供應(yīng)鏈金融視角下科技型中小企業(yè)融資約束及其緩解研究[J].科技進步與對策，2017，34（4）：105-110.

[13] LECUN Y， BENGIO Y， HINTON G. Deep learning [J].Nature，2015，521（7553）：436-444.

[14] 汪洋，王俊剛.基于深度學(xué)習(xí)算法的鐵路列車運行安全檢測[J].中國安全科學(xué)學(xué)報，2018，28（S2）：41-45.

[15] SCHMIDHUBER J.Deep learning in neural networks：an overview [J].Neural Networks，2015，61：85-117.

[16] 盧慕超.基于深度置信網(wǎng)絡(luò)的商業(yè)銀行信用風(fēng)險預(yù)測實證研究[D].太原：太原理工大學(xué)博士學(xué)位論文，2017.

[17] 呂躍進，張維.指數(shù)標(biāo)度在AHP標(biāo)度系統(tǒng)中的重要作用[J].系統(tǒng)工程學(xué)報，2003（5）：452-456.

[18] QIU? ZEYANG，LIANG? WEI，ZHANG? ?LAIBIN. Tracing and prediction analysis of an urban pipeline leakage accident based on the catastrophe DBN model[J]. Journal of Natural Gas Science and Engineering，2018，57：339-348.

[19] GENG ZHIQIANG， LI ZHONGKUN， HANYONGMING. A new deep belief network based on RBM with glial chains[J].Information Sciences，2018， 463-464：294-306.