改进BP神经网络下的养老保险介入风险评估系统

秦利　潘怡然

摘  要： 为了准确、高效地评估养老保险补贴介入的风险产生概率与危害程度，改进BP神经网络下的养老保险介入风险的评估系统。以创建一个通用的养老保险补贴介入风险的评估环境为前提，设计包含五大模块的养老保险补贴介入风险评估系统总体框架，采用贝叶斯正则化算法优化BP 神经网络的权值和学习率，并将养老保险补贴介入风险指标作为优化后的BP神经网络的输入向量，根据网络获得参数最优解，集成养老保险介入风险评估信息，实现养老保险补贴介入风险评估。实验结果表明，该系统具备较高的养老保险补贴介入风险评估效率，可有效评估出不合理的风险因素，准确评估出养老保险补贴介入的风险产生概率与危害程度。

关键词： 养老保险; 补贴介入; 风险评估; 系统设计; BP神经网络; 实验分析

中图分类号： TN915.08?34; TP393.08            文献标识码： A                     文章编号： 1004?373X（2020）24?0156?04

Endowment insurance subsidy intervention risk assessment system based on

improved BP neural network

QIN Li， PAN Yiran

（Northeast Forestry University， Harbin 150040， China）

Abstract： An endowment insurance subsidy intervention risk assessment system based on BP neural network is improved to accurately and efficiently evaluate the risk probability and harm degree of endowment insurance subsidy intervention. On the basis of the premise of creating a general assessment environment for the endowment insurance subsidy intervention risk， the overall framework of endowment insurance subsidy intervention risk system including five modules is designed. The weight and learning rate of the BP neural network are optimized by means of the Bayesian regularization algorithm， and the endowment insurance subsidy intervention risk index is used as the input vector of the optimized BP neural network. The optimal solution of parameters is obtained according to the network， and the risk assessment information of endowment insurance subsidy intervention is integrated， so as to realize the risk assessment of endowment insurance subsidy intervention. The experimental results show that the system has high efficiency in risk assessment of endowment insurance subsidy intervention， can effectively assess the unreasonable risk factors， and accurately assess the risk probability and harm degree of endowment insurance subsidy intervention.

Keywords： endowment insurance; subsidy intervention; risk assessment; system design; BP neural network; experiment analysis

0  引  言

国家实行养老保险补贴是为了保障居民年老时的基本生活权益，如今的养老保险补贴由之前的“先缴后补”改为“同缴同补”，即只缴纳自己应承担部分，剩余资金部分由就业单位补助。虽然养老保险能够保障居民年老时的基本生活，但是在保障权益的同时也会出现一定的风险[1]。因此，建立利用智能评估手段进行的养老保险补贴介入风险评估十分有必要[2]。

养老保险补贴介入存在诸多风险，需要运用评估系统进行评估。传统的评估系统有很多，比如基于量子门线路神经网络的风险评估系统[3]以及基于大数据的风险评估系统[4]等。这些评估系统在进行风险评估时评估结果通常是非线性的，并存在许多误差，因此有必要运用一种新方法对其进行改进。在处理非线性化数据上，神经网络是一种使用范围及涉及领域较广的核心手段，其已经运用于农业与建筑业等。神经网络作为一项新兴的数据处理技术，主要采用计算机模拟生物体的神经元活动规律，完成对有關数据的学习。神经网络拥有自适应性、高度鲁棒性及分布存储等特点，能够将计算机控制学与数学等多项科学技术融入到自身运算中，因此该项技术是目前人工智能发展的趋势之一[5]。

本文设计基于改进BP神经网络的养老保险补贴介入风险评估系统，利用贝叶斯正则化算法改进传统BP神经网络算法的权值和学习率，实现对养老保险介入风险评估信息的集成，有效实现养老保险补贴介入风险评估。

1  基于贝叶斯算法优化BP网络神经的养老保险补贴介入风险评估系统

1.1  养老保险补贴介入风险评估系统总体框架

创建一个普用的养老保险补贴介入风险评估环境是养老保险补贴介入风险评估系统的核心思想[6]，以该思想为前提采用风险评估手段完成专用数据库与养老保险补贴介入风险指标数据库的构建，并利用数据库评估养老保险补贴介入的网络安全风险。图1为风险评估系统的总体框架。

1） 风险评估的指标体系和使用的协助要求：由养老保险补贴介入风险评估的指标数据库、数据库的处理协助要求与风险评估指标共同构成风险评估的指标体系和使用的协助要求，即是对养老保险补贴介入网络安全风险评估指标的构建，并用于帮助用户判断并解决详细的问题，通过创建合适的养老保险补贴介入风险评估指标体系，来满足养老保险补贴介入网络安全风险评估的要求[7]。

2） 风险评估的方法体系和使用的协助要求：由风险评估模型的详细典范、模型的成立标准、风险评估的模型数据库和一些协助的要求等构成风险评估的手段体系和使用的协助要求。风险评估的模型数据库由各类存在风险评估的样板模型构成，该样板模型包括存在模糊理论的综合型风险和存在强影响等的不同类型因素的风险评估样板模型，该样板模型采用贝叶斯正则化算法，对权值和学习率共同优化改进传统BP神经网络算法，以完成评估模型的构建。

3） 风险评估的流程和框架与使用的协助要求：由风险评估的架构保护协助要求、风险评估的计划协助要求、风险评估的框架图库以及一些协助的要求等构成风险评估的流程和框架与使用的协助要求。由不同类别的框架构成风险评估框架，该框架包括拥有探究性的分析与面向职责手段等不同方法的评估框架。

4） 评估系统的集成接口构成：由数据的典范、接口的部件典范与模块的设计等构成评估系统的集成接口。风险评估系统不仅能对网络实行评估，还可以连接军事化的综合电子系统接口，让系统风险评估的起步计划具有较强的保密性，并实行仿真运作，找到风险评估需要的全部数据材料[8]。

5） 风险数据和信息的综合管理：实现对静态或动态信息的基本筹备，并为评估提供措施及手段进行数据管理[9]。系统的性能参数属于静态信息，主要是由动态信息完成对风险评估系统的扩充，并实行仿真运作。

1.2  基于改进BP神经网络评估模型

BP神经网络（Back Propagation Neural Network）是神经网络中使用最广泛的方法之一[10]，其工作原理是采用信号正传播与误差反方向传播来确定权值，在可接受的非常小的误差范围或达到事先设置学习次数而停止。三层前馈网是BP神经网络最常用的形式。

构建BP神经网络评估模型步骤为：

针对养老保险补贴介入存在的制度设计风险、筹资风险、基金投资风险、操作风险、给付风险等风险，将其设为BP神经网络的输入向量[X=x1，x2，…，xn]，隐含层输出向量是[Y=y1，y2，…，yn];输出层输出向量和期望输出向量分别是[B=b1，b2，…，bn]和[D=d1，d2，…，dn]，输入层到隐含层间的权值矩阵用[C]表示 ，[C=c1，c2，…，cn]隐含层第i个神经元相应的权向量是列向量[ci];隐含层到输出层之间的权值矩阵用[E]表示，[S=s1，s2，…，sn]，隱含层第i个神经元相应的权向量是列向量[si]。

针对输出层，有：

[bi=fhi，  i=1，2，…，n]  （1）

[hi=j=0mfsiyi]  （2）

针对隐含层，有：

[yi=fhj，  h=1，2，…，n]  （3）

[hj=i=0ncijxi]  （4）

[fx]是单极性Sigmoid函数，且式（1）、式（3）中的[fx]属于该函数：

[fx=11+e-x]  （5）

当期望输出和实际输出不等时，产生误差E：

[E=12d-b2=12k=1ldk-bk2] （6）

将式（6）代入到隐含层，可得：

[E=12r-fhk2=12k=1lr-fj=0mfsjkyj2] （7）

将式（7）代入到输出层，可得：

[E=12rj-fj=0msijfi=0ncijxi2] （8）

调节BP算法的误差，使误差尽量减少，则：

[Δsij=-?E?sij，    j=0，1，2，…，m;k=0，1，2，…，l]  （9）

[Δcij=-?E?cij，     i=0，1，2，…，n;j=0，1，2，…，m]  （10）

1.2.1  推导三层BP神经网络算法权值调节的过程

针对输出层，由式（8）得：

[Δsij=-?E?sij=-?E?hk·?hk?sij]  （11）

对于隐含层的，由式（9）得：

[Δcij=-?E?cij=-?E?hk·?hk?cij] （12）

针对输出层和隐含层各设置一个误差变量，则：

[χbk=-?E?hk]  （13）

[χyj=-?E?hj]  （14）

由式（2）和式（13），可将式（11）推算为：

[Δsjk=μχbkyj]  （15）

由式（4）和式（14），可将式（12）推算为：

[Δcjk=μχyjxj]  （16）

结合式（15）和式（16），可得：

[χbk=-?E?hk=-?E?bk·?bk?hk=-?E?bkf′hk]  （17）

[χyj=-?E?hj=-?E?yj·?yk?hj=-?E?bjf′hj]  （18）

1.2.2  误差对各层的传递

针对输出层，可得：

[?E?bk=-dk-bk] （19）

针对隐含层，可得：

[?E?yj=-i=1ndk-bkf′hksjk] （20）

将式（19）和式（20）代入到式（17）和式（18），可得：

[χbk=dk-bkf′hk]  （21）

[χyj=k=1lχbkf′hksjk]  （22）

将式（21）和式（22）代入到式（15）和式（16），三层前馈网的BP神经网络学习算法权值调节公式为：

[Δsjk=μχbkyj=μdk-bkf′hkyj]  （23）

[Δcij=μχyjxi=μi=1nχbksjkf′hksjkxi]  （24）

因此，可以看出BP神經网络的算法由学习率[μ]、误差变量[χ]和输入变量[X]（或[Y]）决定。

由于传统的BP神经网络存在易产生局部最小化以及收敛速度慢等缺点[11?12]。因此本文采用贝叶斯正则化算法（Bayesian Regularization Algorithm）训练神经网络，利用权值和学习率共同优化改进传统BP神经网络算法。

1.2.3  详细调节过程

权值调节公式为：

[Δst+1=αΔst+μχX]   （25）

式中，[α]一般取0.90。

学习率调节公式为：

[μt=1.05μt-1，Et>Et-10.7μt-1，   其他]  （26）

调节神经网络的训练性能函数并使其达成正则化的网络泛化能力。通常情况下，采用均方误差函数[Er]实现神经网络训练性能函数，则：

[Er=i=1ndi-bi2] （27）

式中，加入一项网络权值平方和[Ep]，将原本性能函数调节成新的函数[Eu]：

[Eu=τEd+?Ep]   （28）

式中，[τ] 和[?]是参数。

利用贝叶斯正则化算法原理，使用在网络训练中自适应调节变量[τ]，[?]的值，使神经网络性能达到最优化[13?15]。根据获得的参数最优解，实现对养老保险介入风险评估信息的集成，并完成风险评估模型的构建，保证养老保险补贴介入风险评估系统的安全、高效及实用。

2  实验结果与分析

为了验证本文设计系统的有效性，以某养老保险公司为例，选取2000—2018年的6组养老保险补贴介入风险数据当作实验的样本数据，其中，养老保险补贴介入风险事件的特征量是输入数据，系统评估结果当作输出数据。从6组数据中随机抽取3组数据作为训练样本，3组数据作为检验样本。设置训练的最大次数是4 000，学习速率是0.04，误差限制在0.000 1以内。

为了验证本文系统的评估效率，采用基于量子门线路神经网络的风险评估系统（文献[3]系统）和基于大数据的风险评估系统（文献[4]系统）与本文系统进行比较，结果见图2。

分析图2可知，三种系统的保险补贴介入风险评估的相对误差均随着训练次数的增加而逐渐减少，并最终趋于稳定，但是本文系统的相对误差进入稳定状态的速度快于其他两种对比系统，说明本文系统采用的算法收敛速度较快，进行系统养老保险补贴介入风险评估速率高。

风险评估系统可将养老保险补贴介入风险评估分成两方面，分别是产生概率与危害程度。而养老保险补贴介入风险的产生主要有四种风险因素，分别为：不恰当的补贴介入时间、养老保险补贴需求预测错误、养老保险补贴信息操作不当以及养老保险制度设计不当。三种系统的养老保险补贴介入风险产生概率与危害程度对比结果见表1。

由表1可知，在不恰当的补贴介入时间、养老保险补贴需求预测错误的因素下，本文系统中养老保险补贴介入风险产生的概率以及危害程度分别高于85%，92%;在养老保险补贴信息操作不当和养老保险制度设计不当的因素下，养老保险补贴介入风险产生的概率和危害程度分别高于90%，93%，结果表明，本文系统能更好地协调、处理评估过程中产生的问题，不会受到数据周期性、趋势性以及随机性影响，能够准确评估出养老保险补贴介入风险产生概率与危害程度，可更好地发挥出养老保险补贴介入风险的评估效果，提升评估准确率，降低相对误差。

3  结  论

本文改进了BP神经网络下的养老保险介入风险评估系统，利用贝叶斯正则化算法优化BP神经网络中的权值和学习率，实现对养老保险介入风险评估信息的集成，并完成对养老保险补贴介入网络安全风险评估系统的评估，保证风险评估系统的安全、高效以及实用，在一定程度上证明了本文设计系统的实用性。

参考文献

[1] 胡贤德，曹蓉，李敬明，等.小微企业信用风险评估的IDGSO?BP集成模型构建研究[J].运筹与管理，2017，26（4）：132?139.

[2] 刘春翔，范鹏，王海涛，等.基于BP神经网络的输电线路山火风险评估模型[J].电力系统保护与控制，2017（17）：100?105.