基于BP神经网络理论的物流金融风险评价模型

刘 澜，吴金卓

(东北林业大学 工程技术学院，哈尔滨 150040)

目前，国内许多中小企业都面临着资金短缺的难题，而国内商业银行和物流企业也同样承受着沉重的行业竞争压力[1]。在这种市场环境下，为应对各自面临的困境，中小企业、商业银行和物流企业三方共同合作，将物流与金融相结合，从而形成了物流金融这一崭新的金融服务模式[2-3]。然而与国外相比，国内物流金融业务的运作模式还不成熟，相应的法律规章制度还不够完善，相关从业人员的业务水平也有待提高。在这种局面下，物流企业在物流金融活动中必然会面临诸多风险，给自身带来一定的经济损失[4-5]。为应对这些风险，物流企业首先需要对这些风险做出准确评价。因此，帮助物流企业建立一个可靠的风险评价模型来对物流金融风险做出准确评价，具有非常重要的现实意义。基于这一研究背景，本文将从物流企业的角度出发，通过编制一套相对完善的物流金融风险评价指标体系，并运用BP神经网络理论来建立一个能够对物流金融风险做出准确评价的风险评价模型。

1 物流金融风险分析与风险评价指标体系建立

1.1 风险种类与风险因素分析

目前，国内外常见的物流金融运作模式包括：垫付货款、仓单质押、统一授信、保兑仓以及物流保理等[2，6]。本文结合这几种运作模式的运作方式和操作流程，将物流企业的物流金融风险概括为：内部风险和外部风险两大类别。

1.1.1 内部风险

物流企业的内部风险是指由企业内部的管理机制、经营方式和技术水平等自身因素引发的风险，主要包括：管理风险、运营风险和技术风险。具体分析如下：

(1)管理风险。管理风险是指物流企业内部的组织结构、人事管理等管理因素引发的风险。风险因素包括：组织机构、管理制度和员工忠诚度。

(2)运营风险。运营风险是指物流企业在项目运营过程中所面临的风险。风险因素包括：运作模式选择和业务规模控制。

(3)技术风险。技术风险是指物流企业在从事物流金融业务过程中涉及到的一系列技术层面的因素所引发的风险。风险因素主要包括：业务流程编排与操作、员工业务水平、网络信息技术应用、质押物监管措施以及设施设备的完备性与安全可靠性等。

1.1.2 外部风险

物流企业的外部风险是指由融资企业资信状况以及政治、法律、经济、市场行情、自然条件等外部因素给物流企业带来的风险。主要包括：信用风险、市场风险、环境风险和法律风险。具体分析如下：

(1)信用风险。信用风险也称为客户资信风险，是一种来自于融资企业的风险，是由融资企业的资产规模、经营状况和信誉度等因素所引发的。因此主要包括：融资企业的资产规模、经营状况和信誉度等风险因素。

(2)市场风险。市场风险是指涉及到质押物保值、变现情况等市场环境因素所引发的风险。包括的风险因素为：质押物保值能力和质押物变现能力。

(3)环境风险。环境风险是指与物流金融相关的政治、经济和自然条件等因素引发的风险。具体的风险因素包括：政治环境、经济环境和自然环境。

(4)法律风险。法律风险是指由与物流金融相关的法律法规是否健全完善所引发的风险。因此涉及到的风险因素为：法律法规的完善性。

1.2 风险评价指标体系建立

通过对于物流金融各类风险和风险因素的分析，建立起一套针对于物流企业的物流金融风险评价指标体系，见表1。

2 BP神经网络理论

BP(Back Propagation)神经网络又称为反向传播神经网络，属于典型的多层神经网络，具有很强的非线性映射能力、容错能力和泛化能力，是人工神经网络理论中应用最为广泛的一种网络模型[7-8]。因此，本文尝试应用BP神经网络来建立物流金融风险评价模型。

表1 物流金融风险评价指标体系

2.1 BP神经网络的结构形式

BP神经网络一般由一个输入层、若干隐含层和一个输出层构成，每一层都具有一个或多个神经单元，不同层神经元之间为全互连方式，而同层神经元之间则不存在相互连接[9]。

本文以物流金融风险评价指标体系中19个风险因素指标所对应的风险数据作为网络输入，以一个风险评价综合值作为网络输出，所以BP神经网络的输入层和输出层分别含有19个神经元和1个神经元；对于隐含层神经元数目采用经验公式：

(1)

式中：m为隐含层神经元数目；n和l分别为输入层和输出层神经元数目，a为调节因子，其取值在[1，10]之间。

因此，隐含层的神经元数目在[5，15]范围内，具体数值采用试凑法逐一试算，最终确定隐含层神经元数目为15。由此确定，本文的BP神经网络采用的结构形式，网络结构如图1所示。

图1 BP神经网络结构图

2.2 BP神经网络的训练原理

BP神经网络的训练过程由输入信息的正向传播和误差信息的反向传播两个阶段组成[10]。在输入信息的正向传播阶段，输入信息从输入层输入，经隐含层逐层计算传至输出层，得到网络实际输出，计算期望输出与实际输出之间的误差值，建立误差函数；然后转为误差信息的反向传播阶段，在这一阶段，每层神经元的连接权值和阈值将沿着误差函数的负梯度方向得以修正。重复上述过程，直至网络输出达到容许误差要求为止，从而确定网络输入与期望输出之间的非线性映射关系，完成整个网络的训练过程。

本文三层结构BP神经网络的训练过程表述如下：

(1)输入信息的正向传播阶段：

输入向量为：Xp=(x1,x2,…,xi,…,x19)T。

隐含层和输出层神经元的输出分别为：

式中：υ和ω为神经元间的连接权值；θ为神经元的阈值；函数y=f(x)为神经元的转换函数，表达式为：

(2)

(2)误差信息的反向传播阶段：

本文采用批处理模式来训练网络，因此定义误差函数为：

(3)

式中：d和o分别为网络的期望输出和实际输出；P为训练样本数。

输出层和隐含层神经元的误差信号分别为：

(4)

连接权值修正量分别为：

(5)

阈值修正量分别为：

(6)

式中：η为学习速率。

3 基于BP神经网络理论的物流金融风险评价模型建立

3.1 数据搜集与处理

本文搜集并处理了某物流公司的10组具有代表性的物流金融业务风险数据，编制成风险评价指标数据表(见表2)，用作训练和检验BP神经网络的样本集。表2中每个样本的19个标准风险值Wj对应物流金融风险评价指标体系中的19个风险因素，作为神经网络的输入值；物流金融风险的综合评价值T作为神经网络的期望输出值。

表2 风险评价指标数据

续表2 风险评价指标数据

3.2 BP神经网络模型的训练与检验

本文将物流金融风险评价结果划分为低、较低、一般、较高和高5个级别，分别对应评价区间[0.0，0.2)、[0.2，0.4)、[0.4，0.6)、[0.6，0.8)和[0.8，1.0]。运用MATLAB7.9软件进行编程，创建三层结构的BP神经网络，将表2中前8组数据作为训练样本集，对网络进行训练；后2组数据作为检验样本集，检验网络的泛化能力，具体代码实现如下：

net=newff(minmax(P)，[15，1]，{'logsig'，'logsig'}，'traingd'，learngd')；％创建网络

net.trainParam.lr=0.05；％设置学习速率

net.trainParam.epochs=10000；％设置最大训练次数

net.trainParam.goal=0.001；％设置容许误差

[net，tr]=train(net，P，T)；％网络开始训练

disp('网络的训练结果为')

result=sim(net，P)％显示网络的训练结果

disp('网络的检验结果为')

result_test=sim(net，Ptest)％显示网络的检验结果

最终，网络在训练6085次时，输出误差达到容许误差要求，网络训练结束，神经网络的最终输出误差为：EAV=0.000 999 9，此时网络的实际输出与期望输出比较结果见表3。

表3 网络训练阶段期望输出与实际输出比较结果

由表3可知，该BP神经网络的前8组训练样本对应的期望输出非常接近于实际输出，对风险的评价结果也是一致的，表明网络已经得到充分训练。为了判断经过训练的BP神经网络是否具有泛化能力，需要利用后2组检验样本对网络进行检验，检验结果见表4。

表4 网络检验阶段期望输出与实际输出比较结果

由表4可知，网络检验阶段的期望输出与实际输出之间的差值虽然比训练阶段的差值大，但仍然满足精度要求，能够保证风险评价结果的准确性，这说明基于BP神经网络的物流金融风险评价模型具有很好的泛化能力，可以对同类的其他物流金融业务的风险进行准确评价。

4 结束语

本文系统地分析物流企业在物流金融活动中可能面临的诸多风险，找出风险的产生因素，建立一套完善的风险评价指标体系，并且详细介绍了BP神经网络的数学原理和建模过程，最后利用调查得

到的风险数据通过MATLAB神经网络工具箱来对创建好的BP神经网络进行训练和检验，成功得到了可对物流金融风险做出准确评价的风险评价模型。当然，本文也存在一些不足，由于接受调查的物流企业刚刚开始发展物流金融业务，可供调查搜集的风险数据还不够多，并且一些风险因素指标也受限于数据的可获得性，因此物流金融风险评价模型的创建过程还有待进一步完善。但应该明确的是，运用BP神经网络理论来建立物流金融风险评价模型是合理可行的，值得国内物流企业在对物流金融风险进行评价的过程中参考和借鉴。

【参 考 文 献】

[1]吴祖亮.我国中小企业融资难的原因及建议[J].中国集体经济，2011(33)：105-106.

[2]邹小芃，唐元琦.物流金融：物流研究的新领域[J].中国物流与釆购，2004(17)：42-44.

[3]陈祥锋，朱道立.现代物流金融服务创新-金融物流[J].物流技术，2005，24(3)：4-6.

[4]栗 媛.物流金融活动风险研究[J].合作经济与科技，2009(4)：83-84.

[5]李 妮.物流金融服务中物流企业的风险评价[D].南昌：南昌大学，2012.

[6]黄湘民，陈雪松.我国物流金融业务的实践[J].物流技术与应用，2008，27(1)：98-101.

[7]胡守仁.神经网络应用技术[M].北京：国防科技大学出版社，1992.

[8]Hagan M T.神经网络设计[M].北京：机械工业出版社，2002.

[9]韩力群.人工神经网络理论、设计及应用[M].北京：化学工业出版社，2007.

[10]袁曾任.人工神经元网络及其应用[M].北京：清华大学出版社，2004.