神经网络视角下的小微企业信贷风险评估

2014-04-07何鲁冰雷鹏飞

湖北行政学院学报 2014年6期

关键词：信贷风险评级小微

何鲁冰，雷鹏飞

（中南财经政法大学，湖北武汉430073）

·经济学研究·

神经网络视角下的小微企业信贷风险评估

何鲁冰，雷鹏飞

（中南财经政法大学，湖北武汉430073）

采用BP神经网络模型，结合企业信用评级方法与我国小微企业特征，通过定量和定性分析方法构建指标体系，采用AHP法确定指标权重，可以构建BP神经网络信用评级模型，辅助银行进行企业信贷风险评估。以创业板机械制造业公司为研究对象，对公司的信用等级进行实证分析证明，BP神经网络模型具有很好的预测准确性。

BP神经网络，AHP法，信用评级

DOl：10.3969/j.issn.1671-7155.2014.06.017

一、引言

小微企业是近十几年来企业管理理论界对企业群体进行细分后得出的一种新的企业群体，是最容易在经济整体层面被忽略但又不可替代的一种组织。近年来，我国小微企业数量不断增加，在满足市场需求、提供多元化创新性服务、创造就业和活跃市场方面发挥了巨大的作用。但由于小微企业的情况比较复杂，具有信息不透明、经营不稳定、融资风险极大、经济政策变化对小微企业的影响非常明显、抵押品和担保的严重缺乏等特点，小微企业面临着融资难的现状。

尽管国家已经出台了一系列扶持政策，部分商业银行也已开始逐步探索建立为小微企业融资的专门途径。但实践中小微企业信用贷款仍存在较多障碍：信息不对称，银行缺乏贷款企业风险状况的充分信息；信贷配给制度导致银行更倾向于将信贷提供给技术效益处于领先地位的成熟期企业；难以对小微企业市场价值进行评估。因此构建一个科学有效的小微企业信贷风险评估体系，对商业银行具有重要的现实意义，可用于进行贷前风险的识别与评估，便于尽早采取相应措施对风险进行防范与控制。

相对大中型企业而言，小微企业资产规模较小，抵御经济形势和国家宏观政策变动带来的不利影响的能力相对较低，因而小微企业具有更高的信贷风险，传统的银行信贷风险评估体系往往难以达到较好的预测效果。为了评估小微企业的信贷风险，本文通过采用BP神经网络模型结合层次分析法，对小微企业进行信用评级，进而判断其信贷风险大小。一方面神经网络模型具备高效处理多种信息的能力，同时具有高度的自学习、自适应能力，通过对模型内部参数的调整，保证系统具有很高的灵活性与适应性；另一方面，神经网络方法不同于传统分析，分析过程较为简单，具有较高的拟合度和较为准确的预测度。此外，为保证模型的有效性，本文采用数据较为容易获取的上市公司作为研究对象，对小微企业进行重新定义，放宽普通认知对小微企业定义的限制，达到构建有效的BP神经网络模型的目的。

综上，本文采用BP神经网络模型对小微企业进行信用评级，从而建立一个完成训练的神经网络模型来进行信贷风险评估，便于银行作出信贷决策。

二、文献综述

小微企业由于其自身信用问题和财务信息不完善等问题，难以满足商业银行的信贷要求，导致其融资困难的现状。同时由于我国的商业银行现有信贷政策与小微企业特点不匹配，没有构建出一套完善的小微企

业信贷风险评估体系。

许晖慧（2012）指出小微企业存在自身结构发育不良、财务管理不善等问题，难以达到银行信贷的基本要求，正面临着融资难的严峻挑战。乔万旺（2010）以临汾个案为例，指出小微企业信用评级的重要性，强调应加强信用评级建设，并将其纳入央行征信体系。潘振媛（2012）在中小企业信用评级指标体系的基础上，结合小微企业的特点，运用专家评分法和层次分析法确定指标权重，并根据多元线性回归法测评企业信用等级。魏大鹏（2012）以亳州市200户小微企业为调研对象，发现外部征信系统对其融资有较大的影响，建立完善的信用评级体系有助于解决小微企业融资难的问题。陶平、刘学（2012）通过实证分析发现中小企业信用评级体系建设对中小微企业发展具有重要的推动作用。

由此可见构建小微企业信用评级体系已经刻不容缓。目前国内外对于信贷风险评估方法和模型较多，包括评分法、多元判别法、ZATA信贷风险模型、神经网络模型法、KMV模型、Credit Metrics模型、Credit Risk+模型和Logistic模型等。

窦玉丹、袁永博、刘妍（2011）运用可变模糊模型建立信贷风险预警体系，并根据结果综合分析了企业风险等级。陈雄华、林成德和叶武（2002）采用偏相关分析方法建立了企业信用评级的指标体系，结合人工神经网络模型进行信用评级，发现神经网络模型具有更高的预测准确性。胡贤铭、张目（2010）采用熵权法确定指标权重，结合模糊综合评价法对中小企业信贷风险进行综合评价，为商业银行防范信贷风险提供决策依据。庞如超（2012）采用因子分析法和聚类分析法对我国财产保险公司构建信用评级模型，并证明了其实用性。康书生、鲍静海、史娜、和李纯杰（2007）在借鉴国外信用评级方法的基础上，结合我国国情，采用AHP法确定指标权重，建立了适合我国中小企业的模糊数学综合评价模型。赵家敏、黄英婷（2006）提出了采用层次分析法构建我国商业银行中小企业信用评级模型。

本文认为前人的研究结论并不完全适用于我国小微企业，企业信息不完整、财务数据的不完善决定了我国小微企业需要一套新的信用评级指标体系。神经网络技术作为研究复杂性问题的工具，在模式识别与分类、自动控制等方面有非凡的优越性，已受到越来越多的研究学者的青睐。至今为止，学者们已经提出了多种神经网络模型，如自适应共振理论模型（ART）、雪崩模型（AVA）、反向传播模型（BP网络模型；多层结构的映射网络，是目前应用最广泛的一种神经网络模型之一）、重复传播模型（CPN）、感知机模型（PTR）、自组织映射模型（SOM）等等。BP神经网络模型在预测领域的拟合效果和拟合精度都明显优于其他预测方法，虽然目前在我国经济学领域的应用较少，但无疑是一种极为重要的预测工具。

随着神经网络理论的不断发展，其强大的灵活学习方式和对非线性系统的拟合能力受到广泛关注。E. NurOzkan、Mehmed Ozkan（2007）通过收集土耳其破产银行的数据，构建人工神经网络模型对银行风险进行预测，证明人工神经络模型能够对财务数据进行模式分类，进而能较大概率的预测银行危机。

近年来，国内也有着越来越多的学者关注并将人工神经网络模型运用于实践中。王文平（2001）提出了应用人工神经网络建立税收年度预警系统。许月卿、李双成（2005）提出了中国经济发展平区域差异的人工神经网络判别模型。牛源（2007）采用神经网络与专家系统相结合的方法，对商业银行安全状况进行综合评估，证明通过简单的人工神经网络模型，可高度准确的评估商业银行风险，处理类似的复杂非线性问题。

目前，大多数国内外专家学者利用神经网络进行的各项研究，主要集中于改进神经网络算法或者结合其他方法以提高预测精度和拟合优度，而仅把经济预测实证作为对模型的一种验证，并没有将其应用于预测评估模型中。本文在国内外研究学者的基础上，根据我国国情和小微企业特征，创新性的结合管理学决策方法和BP神经网络模型，构建出我国小微企业信贷风险评估模型。

三、模型构建

反向传播神经网络，又称BP网络模型，本文采用BP算法来构造神经网络模型处理复杂的小微企业信贷风险评估问题。BP神经网络模型一般由三个神经元层次组成，包括输入层、中间层（隐含层）和输出层，包括正向传播和反向传播两个过程。正向传播是指输入信息从输入层经隐含层逐层处理,并传向输出层，若在输出层不能得到期望输出，则通过反向传播将误差信号沿原来的联接道路返回。

（一）网络结构的确定

1.输入层节点选择

根据参考三大评级机构对企业进行评级时考察的变量，结合我国实际情况及小微企业的特征，本文采用定量和定性两个方面来对企业进行信用评级，定量分析主要考察企业的资产状况、盈利能力、偿债能力、经

营能力和成长能力；定性分析主要考察企业的创新能力，企业面临的宏观环境和行业环境，以及企业的品质。基于以上两个方面，本文选择了23个指标作为输入层的输入节点。

（1）信用评级指标体系的构建

定量分析：第一，本文选择流动资产与总资产的比值和营运资本规模来描述目标公司的资产状况。根据企业总资产中流动资产所占比重可以判断企业资产的流动性，进而判断公司的短期偿债能力。营运资本是指企业的流动资产减流动负债的差额，其金额越大代表公司用于支付的资金越充足，短期偿债能力越好；当营运资金为负时，说明公司的流动资产小于流动负债，公司维持营运将较为困难。

第二，本文选择了营业利润与营业总收入的比值、资产收益率（ROA）和净资产收益率（ROE）来衡量公司的盈利能力。营业利润与营业总收入的比值是衡量企业经营效率的指标。该比值越高说明企业的盈利能力越强，反之，说明企业盈利能力越弱。

资产收益率是企业净利润与总资产的比值，是企业利用其全部资产获利的能力；机构资产收益率是指企业净利润与所有者权益的比值，衡量了企业对于股东投资资本的利用效率，也是评估企业盈利能力的重要指标。ROA是反映股东和债权人共同资金所产生的利润率，ROE则反映仅由股东投入的资金所产生的利润率。只有结合ROA与ROE才能真正衡量一家公司的营运能力及公司的盈利能力，在同一行业中，公司的ROA与ROE同时增大，则说明公司的营运能力和盈利能力趋好。

第三，本文用流动比率、速动比率、资产负债率和现金流量比率衡量企业的偿债能力。

流动比率是指流动资产与流动负债的比值，表明企业每一元流动负债有多少流动资产作为偿还保证，反映企业用可在短期内转变为现金的流动资产偿还到期流动负债的能力。流动比率越高，说明企业短期偿债能力越强。国际上通常认为，流动比率的下限为100%，而流动比率等于200%时较为适当。流动比率过低，表明企业可能难以按期偿还债务。流动比率过高，表明企业流动资产占用较多，会影响资金的使用效率和企业的筹资成本，进而影响获利能力。

速动比率，是企业速动资产与流动负债的比率。其中，速动资产是指流动资产减去变现能力较差且不稳定的存货、预付账款、待摊费用等后的余额。一般情况下，速动比率越高，说明企业偿还流动负债的能力越强。国际上通常认为，速动比率等于100%时较为适当。速动比率小于100%，表明企业面临很大的偿债风险。速动比率大于100%，表明企业会因现金及应收账款占用过多而增加企业的机会成本。

资产负债率是指企业负债总额对资产总额的比率，反映企业资产对债权人权益的保障程度。一般情况下，资产负债率越小，说明企业长期偿债能力越强。保守的观点认为资产负债率不应高于50%，而国际上通常认为资产负债率等于60%时较为适当。从债权人角度来说，该指标越小越好，企业偿债越有保证。

现金流量比率是指经营活动产生的现金净流量与期末流动负债的比值，用于衡量企业经营活动所产生的现金流量偿付流动负债的能力。现金流量比率越高，企业的财务弹性越好，短期偿债能力越强。不同行业由于其经营性质的不同（服务型、生产型），经营活动产生的现金净流量的差别较大，因此行业性质不同的企业该比率的差别较大。本文选择的样本均来自机械制造行业，采用现金流量比率来衡量公司的偿债能力是合理的。

第四，本文选择应收账款周转率、存货周转率和总资产周转率来衡量公司的经营能力。

应收账款周转率指销售收入与应收账款的比率，反映公司的应收账款的周转速度。通常情况下，应收账款周转率越高越好，周转率高，表明赊销账款偿还速度越快，资金占用时间越短，公司资产流动性越强，短期偿债能力强。

存货周转率指销售收入与存货的比率，反映了企业销售效率和存货使用效率。企业正常经营时存货周转率越高，流动性越强，存货转化为现金或应收帐款的速度就越快，企业的短期偿债能力及获利能力越强。

总资产周转率指销售收入与总资产的比率，是考察企业资产运营效率的一项重要指标，体现了企业经营期间全部资产从投入到产出的流转速度，反映了企业全部资产的管理质量和利用效率。通常情况下，总资产周转率越高，企业总资产周转速度越快，资产利用效率越高。

第五，本文采用营业收入增长率、净利润增长率和总资产增长率来衡量企业的成长能力。

营业收入增长率，是企业本年营业收入增长额与上年营业收入总额的比率，反映企业营业收入的增减变动情况。营业收入增长率大于零，表明企业本年营业收入有所增长。该指标值越高，表明企业营业收入的增长速度越快，企业市场前景越好，企业的成长性越高。

净利润增长率是指企业本期净利润额与上期净利润额的比率。计算中采用的净利润是指在利润总额中

按规定交纳了所得税后公司的利润留成，即税后利润或净收入。净利润增长率反映了企业实现价值最大化的扩张速度，是综合衡量企业资产营运与管理业绩、成长状况和发展能力的重要指标。

总资产增长率是企业本年总资产增长额同年初资产总额的比率，反映企业本期资产规模的增长情况。资产是企业用于取得收入的资源，也是企业偿还债务的保障。资产增长是企业发展的一个重要方面，发展能力高的企业一般能保持资产的稳定增长。通过对所选样本进行描述性统计分析，本文认为采用均值作为总资产增长率归一化处理的稳定值比较合理。

定性分析：第一，本文采用研发投入强度和技术创新程度来衡量企业的创新能力，小微企业能够在激烈竞争的市场中取得一席之地的优势在于其产品或服务的特殊之处，即企业的创新能力对于企业的市场占有率及盈利能力有较大的影响。第二，本文采用政策支持程度衡量企业所受到的宏观环境的影响。第三，本文采用行业发展阶段和竞争状况来衡量企业受到的行业影响。第四，本文采用管理者素质、商业信用和管理制度来衡量企业品质。

本文采用的是信用评级方法中常用的专家打分法来对定性指标进行量化。

（2）指标权重分析

第一，参考国际信用评级组织和我国商业银行信贷风险评估方法，本文设定定量变量和定性变量所占权重分别为65%和35%。

第二，采用层次分析法（AnalyticHierarchyProcess简称AHP）对各变量赋予权重：

首先，建立层次结构模型。根据信用评级方法，本文决定从企业资产状况、盈利能力、偿债能力、流动性和成长性来定量分析企业的信用等级；从企业创新能力、宏观环境、行业环境和企业品质来定性分析企业的信用等级。在确定定量分析指标时，本文采用专家评分法来对企业进行定性分析。

其次，针对同一层次的各元素关于上一层次中某一准则的重要性进行两两比较，构造两两比较判断矩阵。即以上一层次某个因素为准，通过两两比较下一层次各因素对上一层次该因素的相对重要性，赋予一定的分值。本文采用了AHP创始人美国运筹学教授萨第（T.L.Satty）教授的1-9标度法，对比较判断矩阵进行赋值。

判断矩阵具有如下性质：计算判断矩阵中各元素对于上一层次准则的相对权重，本文选择的乘积法来求得权重，即对于一个n阶判断矩阵，求得各行元素的n次方根，对其进行归一化处理后得到元素i的权重。

再次，对矩阵进行一致性检验：①求判断矩阵的最大特征根；②计算一致性指标CI；③查找相应的平均随机一致性指标RI，Satty教授在AHP方法介绍中提出，用随机方法构造500个样本矩阵，随机地从1-9及其倒数中抽取数字构造正互反矩阵，求得最大特征根的平均值。

在查找相应RI的基础上，计算各矩阵的一致性比率CR，矩阵具有一致性，否则需要不断修正矩阵，直到其符合一致性要求为止。

（3）通过matlab软件，求得各层次综合判断矩阵、权重、及各判断矩阵的CR值。

2.隐含层节点的选择

隐含层节点数的选择对BP神经网络模型的预测精度有较大的影响，如果节点数太少，神经网络不能很好的学习，需要增加训练次数，训练精度也会受到较大的影响；如果节点数太多，训练时间增加，网络模型容易出现“过拟合”现象。隐含层节点数的选择可参考公式如下：

其中n为输出层节点数，本文中n=23，p为隐含层节点数，q为输出层节点数，本文定义为q=1。a为0～10之间的常数。在解决实际问题时，通常先用参考公式来确定节点数的大致范围，再用试凑法确定最佳节点数。

本文通过初步确定隐含层节点数为5，初步构建出一个结构为23-5-1的三层BP神经网络。

3.网络参数的设定

（二）样本选择

本文认为相对于中小企业而言，小微企业具备成长性高、成立时间短、规模小、产品可替代性较低等特点，因此本文选择具备同样特点的创业板企业为研究对象。在对样本进行筛选时，对企业的资产规模与员工数量进行了限制，保证研究对象满足本文研究的要求。本文选择创业板机械制造业公司为研究对象，总共有85家上市公司。发现艾吉科技的数据存在明显的异常值，本文将其剔除。随后，采用SPSS对所得数据进行了基本分析。

由上表可知营业收入增长率、净利润增长率和总资产增长率的数列方程较大，达到1000以上，分别对该三个数列进行了频数分析。发现三个数列均存在几个异常值，本文删除了五个数据存在异常的公司后，再次对数据进行了描述性统计分析。

由上表发现，通过删除异常值后，三个数列的方差明显下降。为了保证模型实证结果的有效性，本文删除了缺失总资产增长率和应收账款周转率数据缺失的9个样本，得到本文研究的最终70个样本数据。

（三）模型训练

本文将上述了70家创业板小型上市公司，以8:2的比例划分为训练样本和检测样本。为了保证样本选择的随机性，本文利用Matlab产生随机排列，选取前56个样本为训练样本，后14个样本为检测样本。将56家公司的23个变量即1288个数据导入matlab，进行归一化处理后，通过多次循环，寻找最佳隐含层节点数：

表8显示，经归一化处理后，训练次数为1000时，分别进行一次、两次和五次循环，发现隐含层节点数分别为7、8和6时最优。训练次数为10000时，分别进行一次、两次和五次循环，发现隐含层节点数分别为6、7和6时最优。

由以上检测结果可以发现，网络的训练次数越多，误差越小。综上，可以认为当模型进行1000次训练，隐含层节点数为6最优。因此本文构造的BP模型是23-6-1，输入层有23个节点，隐含层有6个节点，输出层有1个节点。

（四）模型检测

将余下的14个样本公司的数据导入matlab神经网络工具箱进行模型检测，根据构建的三层BP模型对样本进行信用评级，再决定是否对该公司提供贷款。BP神经网络模型对每个公司进行信贷风险分析，最终得到的结果为落在区域[0，1]的数值，由前文的分析可知，模型的数值越高代表该公司的资产状况、盈利能力、经营能力、偿债能力、成长性、创新能力越高，因此公司的违约风险越低，即信贷风险越低。银行可根据模型结果对公司的整体状况进行评估，并根据结果与银行风险控制准则相结合，确定能否对该公司放贷。

进一步对检测样本进行仿真模拟，得到结果如表9所示：

由上表可知，模型产生的仿真结果与实际结果的误差度都在0.001以下，满足模型设定误差条件。说明模型是有效的，能够准确判断样本公司的信用等级，能为银行进行信贷风险评估提供有力的数据支持。

（五）稳健性检验

本文选择了医药生物化学制药行业的十家企业作为研究对象，对模型进行稳健性检验。将数据进行归一化处理后，导入matlab神经网络工具箱进行模型预测检验。图2为模型拟合图，模型的目标拟合误差为0.001，而实际模型的误差为5.131×10-6，图2显示模型的实际拟合效果已经远远超出目标值。

对样本进行仿真模拟，得到结果为：

实证结果表明BP模型对企业的信用评级评估精确度达到了99.9%，远高于其他预测模型。

本模型的运用能够实现商业银行快捷有效地进行信贷风险评估的目标，降低银行的审贷成本，提高贷款效率并降低信贷风险。

四、结论

本文在构建模型时采用定性和定量分析相结合的方法综合分析了小微企业信贷风险的影响因素，层次分析法（AHP）的运用很好地结合了管理学的决策方法，成功构建了我国小微企业特色化信用评级模型，保证了模型的实践意义。在此基础上，本文采用人工神经网络模型对评级模型进行了模拟，保证了信用评级的精确度，进而确定了模型的准确性。由于人工神经网络模型具有很高的灵活性，在处理小微企业信息数据不完整、数据质量不高等问题时，具有独到的优势。层次分析法在评级模型构建方面也具有其特定优势：第一，层次分析法能解决小微企业信息不透明、数据缺失的问题，克服了传统计量模型和财务分析方法的局限性；第二，层级分析法细分了信用等级影响因素的层级，对于各影响因素赋予不同的权重，降低了主观评级的影响，保证模型构建的科学性和客观性。

本文在国内外研究学者对神经网络模型研究的基础上，参考现有企业信用评级方法，结合我国实际情况和小微企业经营特点，创新性的将神经网络模型引入风险评估的研究领域，并结合管理学决策方法构建了小微企业信用评级指标体系和评级方法，为银行进行小微企业信贷风险计量提供了一套全新有效的系统方法。在一定程度上克服了银企信息不对称的问题，避免了企业市值评估等复杂难题，能够简便而有效地评估小微企业信贷风险，便于银行快速做出有效的信贷决策。

由于不同的投资者具备不同的风险偏好及风险承受能力，因此本文并未针对实证结果进行比较和评级，这也是本文进行深入探讨分析时可进行的一个方向。在采用本文的模型进行小微企业的信贷风险进行评估与分析时，需参考银行自身的风险控制准则，确定小微企业间的风险水平分界线。通过比较不同小微企业的信贷相对优势，根据已有的信息进行进一步的风险分析，确定该企业的潜在信贷风险是否在银行的预期信贷风险损失水平以下。同时，在贷后审查时，也可以运用该模型，通过新的企业数据得到的新的模型结果与银行风控准则相结合，判断企业能否保持较低的风险水平。若企业潜在损失达到银行预期信贷风险损失水平，则银行需要提高风险准备金来应对非预期信贷风险损失。

[1]Sharma J,Kamath R,Tuluca S Determinants of corporate borrowing:an application of a neural network approach [J].American Business Review,2003,21，(2).

[2]E.NurOzkan-Gunay,Mehmed Ozkan.Prediction of Bank Failures in Emerging Financial Markets:an ANN Approach[J].The Journal of Risk Finance,2007,8，(5).

[3]唐丽艳，李卫平，景瑜.应用人工神经网络进行企业综合经济效益评估[J].管理工程学报，1996，(2).

[4]张美恋，王秀珍.基于径向神经网络的商业银行风险预警系统研究[J].集美大学学报，2005，(9).

[5]王悦.人工神经网络在经济预测中的应用[J].价值工程，2007，(5).

[6]徐国强.统计预测和决策[M].上海：上海财经大学出版社，2008.

[7]EthemAlpaydin.Introduction to Machine Learning[M].北京：机械工业出版社，2009.

[8]史峰，王小川，郁磊等.Matlab神经网络30个案例分析[M].北京：北京航天航空大学出版社，2010.

[9]陈光会.基于BP网络的客户价值分析[J].统计与决策，2011，(8).

[10]潘振媛.小微企业信用评级体系初探[J].信息技术，2012，（8）.

[11]陶平，刘学.中小企业信用体系建设对地方中小微企业发展影响的实证性分析[J].征信，2012,30，(6).

[12]庞如超.我国财产保险公司信用评级模型构建研究——基于因子分析法和聚类分析法[J].金融理论与实践，2012，(6).

[13]许晖慧.浅析小微企业银行融资难问题[J].湖北经济学院学报，2012，（9）.