基于人工鱼群算法的中小企业 信贷风险评估模型

黄海云

摘要：随着经济的发展，中小企业已成为国民经济的重要组成部分，在促进就业、稳定社会、活跃经济等方面发挥着重要作用。近些年来，中小企业信贷业务日益引起各商业银行的重视。如何在促进中小企业信贷业务的同时加强风险防范是一个急需解决的问题，但目前的风险评估模型都有一定的不足。针对这个问题，本文提出了一种基于人工鱼群算法的中小企业信贷风险评估模型。首先构造融合多特征信息的中小企业向量空间模型，该模型能较好地反应中小企业的实际经营情况; 其次构造中小企业风险级别识别模型，并通过鱼群仿生算法寻找模型参数的最优解。该模型可以较好地处理中小企业风险级别的识别，同时保证较快的收敛速度，从而达到防范信贷风险的目的。

关键词：信贷风险；评价模型；信贷管理；鱼群优化算法

近些年来，我国的中小企业发展迅速，在确保经济增长、缓解就业压力、促进社会稳定、优化经济结构等方面，均发挥着越来越重要的作用。中小企业信贷业务越来越引起各商业银行的普遍重视。但中小企业实力普遍薄弱，抗风险能力小，质押资源非常有限，大量信贷资金涌向中小企业会容易引起银行不良资产的增加。因而开展对中小企业信贷风险的研究，进而建立针对性的风险评价模型对商业银行具有重要意义。

一、中小企业信贷风险

信贷风险[1]是指商业银行在经营管理过程中，由于不确定因素使借款人不能按期偿还贷款本息的可能性。目前中小企业信贷面临的主要风险有：市场风险、信用风险、经营风险及道德风险等。

（1）市场风险。中小企业的规模较小，抗市场风险能力较差，随着外部市场环境的急剧变化,中小企业的经营风险显著加大。中小企业资产规模小，更易受经济周期波动的影响，这使银行等债权人承担着过多的市场风险。

（2）信用风险。大多数中小企业财务信息透明度不高，缺乏规范的会计制度，银行难以对其实际经营状况和盈利前景做出准确判断。部分企业存在不遵守合同契约,任意逃废银行债务,企业之间相互拖欠三角债等问题。

（3）经营风险。中小企业的经营风险主要是企业内部、外部因素的变化给企业的发展带来不确定性而产生的风险。许多中小企业设备工艺落后，竞争力较弱，抵御风险的能力弱。风险对于中小企业来说影响力大大超过了大企业，而中小企业的任何一种风险都会带来危机。

（4）道德风险。中小企业普遍资信度不高，诚信观念淡薄。部分中小企业管理人员素质较差，信用观念淡薄，他们往往会利用银行掌握的信息不对称，设法逃废银行债务。

（5）管理风险。中小企业组织结构单一，法人治理结构不完善，对风险管理缺乏全局性的把握。存在不同程度的管理混乱现象，如企业规章制度不健全，报表失真，成本居高不 下等。这些问题直接威胁企业的生存和发展。

(6）制度风险。目前，我国的大部分中小企业没有建立起现代企业制度，许多中小企业成分复杂、产权不清，因此银行贷款给这些中小企业所面临的风险大。

二、 目前已有的信贷风险评价方法

目前中小企业信贷普遍面临着各种风险，只有建立完善高效的风险管理模型，才能从根本上解决信贷风险问题，使中小企业的信贷业务进入良性循环的境况中。

目前已有的信贷风险评价方法主要有基于专家评分的方法、层次分析法[1,2]、模糊评价方法[3-4]和基于协同学原理的方法。基于专家评分的方法把所得的评分进行平均，通过得分来判定风险等级。但该方法往往过于主观，难于客观评价企业真实的风险状况。层次分析法和模糊评价方法没有考虑到评价指标之间的相关性问题。而基于协同学原理的方法虽可以综合各种主客观因素，但难于构建原型向量。为更好地对企业风险进行有效的评估，提出了一种基于人工鱼群算法的中小企业信贷风险评估模型。

三、风险评价指标及类别

1.风险评价指标

为较好地反映可能影响企业信用风险的内外部因素,本文选取了16个指标，这些指标主要是从企业的还款能力、盈利能力及发展前景等方面选取。这些评价指标如表1所示。

2. 信贷风险分类

从2002年以来，中国全面实行信贷五级分类制度，按信贷的风险程度，将银行信贷资产分为五种类别：正常、关注、次级、可疑、损失。将正常及关注类归为正常类，次级、可疑和损失类信贷归为不良信贷。

(1) 正常：借款人能够履行合同，没有足够理由怀疑不能按时足额偿还贷款本息。

(2) 关注：借款人目前有能力履行合同，但存在一些可能对偿还贷款本息产生不利影响 的因素。

(3) 次级：借款人的还款能力出现明显问题，靠其正常营业收入无法足额偿还贷款本息。

(4）可疑：借款人无法足额偿还贷款本息。

(5）损失：在采取所有可能的措施或一切必要的法律程序之后，本息仍然无法完全收回。

四、基于人工鱼群算法的风险评价模型

1. 中小企业风险信息建模

我们可以把中小企业经营状况表示为是一个向量■，其中■表示中小企业风险评价指标，如还款能力、盈利能力及发展前景等方面的指标。

如何衡量中小企业的风险是一个核心问题,风险的量化模型可以用下面的公式计算：

■

这里■为特征权重, ■表示在某个指标■出现在风险等级■的概率。

2. 人工鱼群算法

人工鱼群算法（Artificial Fish Swarm Algorithm，AFSA）是2002年提出来的一种仿生智能优化算法[5,6]。人工鱼群算法通过模仿鱼群的觅食、聚群、追尾及随机行为，从而实现寻优。人工鱼群算法具有建模简单、收敛速度快等特点，已经得到了很多专家学者的重视 [7，8]。人工鱼群算法的行为主要包括：觅食行为（AF-prey），聚群行为（AF-swarm）和追尾行为（AF-follow）.

（1）觅食行为（AF-prey）：假设人工鱼的当前位置为■，在其视野范围内随机选择一个位置，■若■，则向该方向前进一步，否则重新随机选择位置■，判断是否满足前进条件。

（2）聚群行为（AF-swarm）：假设人工鱼的当前位置为■，如果中心位置的食物密度■并且中心位置的视野范围内的伙伴数■满足■，则表明伙伴中心有较多食物且不太拥挤，就朝伙伴的中心位置方向前进一步，否则执行觅食行为。

（3）追尾行为（AF-follow）：假设人工鱼的当前位置为■，其视野范围内最优的伙伴为■，如果■视野范围内的伙伴数■满足■，同时满足■，则人工鱼向■位置前进一步；否则执行觅食行为。

人工鱼群算法如下所示：

1) 初始化人工鱼群的种群大小（fishnum）、维度(dimension)、步长（step）、视野（Visual）、拥挤度（■）、最大迭代次数(maxgen)等变量；

2)随机生成正态分布的人工鱼群;

3) 每条人工鱼通过聚群、追尾、觅食和随机行为更新自己的位置；

4)计算鱼群食物浓度并记录最优值；

5) 若迭代终止，输出最优值及各类数据；否则返回3继续执行。

算法1人工鱼群算法

人工鱼群算法流程图如图1所示：

3.基于人工鱼群算法的权重优化

如何衡量中小企业的风险是一个核心问题, 模型公式（1）中■的取值是一个关键问题。我们利用人工鱼群算法在参数空间里寻找最优解。

具体方法如算法2所示。

1)初始化，构建中小企业风险信息向量;

2)构建风险度量函数;

3)初始化鱼群;

4）以评价准确率作为适应度函数，利用人工鱼群算法寻找参数■的最优解;

5) 对待分类中小企业标注风险等级。

算法2基于人工鱼群算法的模型参数优化

4. 中小企业信贷风险评价模型

在本文中，构建了基于人工鱼群算法的中小企业风险评价模型。首先从中小企业的还款能力、盈利能力及发展前景等信息构建了风险信息向量。其次构造风险评价模型。最后通过人工鱼群算法在参数空间中寻找评价指标权重的最优解。整体模型如图2所示。

五、结论

本文提出的模型可兼顾中小企业信贷风险的各种主客观因素，较好地处理中小企业风险级别的识别，同时保证较快的收敛速度，从而达到防范信贷风险的目的。当然必须说明的是，

目前国内关于中小企业的贷款分类标准和评价准则仍有待进一步完善，影响风险的各种因素仍需进一步研究。但我们相信，随着研究的不断深入，更多更好的模型将不断出现，从而在促进中小企业信贷业务的同时加强风险的防范。

参考文献：

[1]赵焕臣.层次分析法——一种简易的新决策方法[M].北京：科技出版社.1986.

[2]姜灵敏.基于AHP的商业银行贷款风险分类评价模型[J].科技管理研究，2005,（9）：178-181.

[3]王建成.企业信贷能力的因子分析模糊综合评价[J].系统工程，2002，(3)：93-96.

[4]蔡明瑞，黄志强.模糊综合评价法在银行贷款风险分类中的应用[J].合作经济与科技，2004，（12）：23-24.

[5］李晓磊,钱积新.基于分解协调的人工鱼群优化算法研究[J].电路与系统学报,2003,8(1):1-6.

[6］王联国,洪毅,赵付青,等.基于邻域正交交叉算子的人工鱼群算法[J].农业机械学报,2008,39(8):140-141.

[7] Saeed Farzi , “Efficient Job Scheduling in Grid Computing with Modified Artificial Fish Swarm Algorithm”, International Journal of Computer Theory and Engineering, 2009 ,1(1),13-18,.

[8] Ana Maria A.C. Rocha,, Tiago F.M.C. Martins, Edite M.G.P. Fernandes,” An Augmented Lagrangian Fish Swarm Based Method for Global Optimization”, Journal of Computational and Applied Mathematics, 2010,10,2-20.

基金项目：泉州市科技计划项目（2012Z91）