供应链金融视角下的小微企业信用风险的控制策

　　0 引 言
　　小微企业融资难是长期存在的问题[1]。近几年来，供应链金融近两年的快速发展在一定程度上缓解了小微企业的融资困难。目前，专家对供应链金融（SCF）的定义如下[2]：基于对供应链交易细节的把握和结构特点，借助核心企业的信用实力或单笔交易的自偿程度与货物流通价值，供应链金融对单个企业或多个企业提供全方位的金融服务。由于小微企业融资租赁业务在银行所有业务中占的比例很小，再加上供应链融资模式刚刚兴起，目前还没有建立完善的针对供应链里小微企业的信用风险评价指标体系[3]。为了能够适时、动态、准确地评价和监控小微企业融资过程的风险，本文建立一套全面的指标体系对小微企业信用风险进行评价，以建立企业、银行和供应链之间良性发展的产业生态[4]。目前传统的风险评价方法包括主成分分析法、层次分析法和模糊数学法等。但是以上方法均存在下列不足：评价的权重容易受主观因素影响，所以决策容易失真。为解决这一问题，本文采用一种具有自学习、自适应能力特点的基于BP神经网络的风险评价方法。
　　1 人工神经网络
　　对小微企业进行信用评价时，仍然沿袭过去单一考虑融资个体，忽略供应链金融中供应链的大环境。
　　1.1 人工神经网络
　　人工神经网络（Artificial Neural Networks，ANN），简称神经网络（Neural Networks，NN），是受生物神经网络的启发，通过对人脑进行简单抽象和模拟对人脑系统的一定特性做出描述，由大量与自然神经细胞相似的简单处理单元——神经元相互连结而形成的非线性系统[5]。神经网络具有非常强大的存储和并行计算能力，是一种大规模并行分布式处理系统。神经网络是通过人脑的思维模式进行学习和适应，具有较好的非线性逼近、学习以及自适应能力，此外，还具备一定的存储以及容错特性，对处理模糊性、数据信息量大的复杂问题具有较好的适用性。
　　1.2 BP人工神经网络
　　BP神经网络（Back?Propagation）是1986年由Rumelhart等人提出[5]，是一种按误差逆向传播算法训练的多层前馈网络，是目前最广泛应用的神经网络模型之一。BP神经网络算法的学习过程分为正向传播和反向传播两部分。在正向传播过程中，信息是从输入层经隐含层传向输出层，下一层神经元的状态受到其上层神经元状态的影响，同层之间的各神经元没有联系。当在输出层不能得到期望的输出信息，就需要转入反向传播过程。反向传播是正向传播的逆过程，将信息的输出误差以某种形式从隐含层传向输入层，并将这种误差分摊给各层的神经元单元，根据各层单元的误差信号不断修正各单元的权值，调整网络的权值和阈值，最终使网络的误差平方和最小。
　　一个三层的BP网络模型，包括输入层（Input Layer）、隐含层（Hide Layer）和输出层（Output Layer）。为输出层节点的临界值。
期望输出和实际输出之间往往存在一定差距，利用它们之间的方差表示误差的大小：
　　[E=12k=1l（yk-zk）2] （1）
　　具体的学习过程如下：
　　（1） 初始化神经网络各层之间的连接权值和神经元的阈值，设定网络基本参数，如学习步长、误差精度等。准备输入训练样本数据集合，并对指标进行标准化处理。
　　（2） 将取得的样本数据输入模型，并进行训练。令[xi]为样本数据集，[vij]是对输入层和隐含层之间进行连接的权重信息，设定隐含神经元的临界值为[θj]，[f?（x）]是可以对神经元的输入信息和输出信息进行转换的函数，转换函数通常有线性、双曲正切、阈值型和Sigmoid型函数（以下称为S型函数）等。S型能够不仅对线性函数，即使对非线性函数也有较高的适应能力，应用最为广泛，其函数形式如式（2）所示：
　　（4） 实际输出值和期望输出值之间往往存在差异，将二者之间的差值与预先设定的差值进行比较。如果计算的误差值小于设定误差，则回到步骤（2），选取下一个样本进行训练；反之，转入反向传播过程，按照误差调整的原则，即使误差[E]减小到设定水平，调整和修正网络各层的连接权值。输出层的连接权修正公式如下：
　　（5） 如果网络的全局误差小于设定误差，则结束训练。否则，重新开始以上的步骤。
　　由于BP算法具有良好的非线性逼近能力、自学习能力、自适应能力、容错性等优点，因此被广泛应用于神经网络中。在现有研究中，BP神经网络或其推导形式是人工神经网络中应用最广泛的方法之一[6]。
　　2 小微企业信用风险评价BP网络模型
　　2.1 小微企业信用风险指标体系的建立
　　在过去，银行对其融资对象的评价主要是单个的企业，并且往往是依据其静态的财务数据作出评估。这就存在着诸多问题，因为小微企业的财务数据比较零散且不太规范，透明度也相对较低，这使得银行很难对其进行科学的评价。供应链金融视角的思想是基于产业供应链企业之间的相关性特点，对企业的整条供应链运作情况进行评估，以便动态地评估信贷项目的真实风险。
　　供应链金融中的利益相关主体包括[7]：供应链核心、核心企业上下游的小微企业、贷款银行、以及相关的物流企业。其中银行是融资服务供给方，供应链上下游小微企业是信贷需求方，供应链中的处于核心地位的企业能够对与其相关的小微企业起到反担保的作用。对核心企业进行评估，是因为核心企业的运作、商业信用情况影响着其与小微企业的交易质量。物流企业则为贷款企业提供运输、仓储、保管等服务。银行在重点考察小微企业的授信资质的同时，更关注核心企业资质、融资项目的特征以及整条供应链的运营情况。依据指标设计的原则和方法，在大量文献研究和专家调查的基础上，建立了供应链金融视角下小微企业信用风险评价的指标体系。评价体系分4大类，共计25个指标。指标体系及评分准则如表1所示。
　　2.2 小微企业信用风险BP网络模型的设计
　　BP神经网络的关键是确定网络的层级数目以及各个层级的神经元的数目。有学者研究表明，具有4层结构的BP网络其学习性较好[9]。因此，本文利用4层级BP网络结构进行训练，4层级包括输入数据层、两个中间隐含层和输出数据层。
　　（1） 输入层单元数
　　根据建立的指标体系，将25个指标值作为网络输入，由于本模型中涉及的指标体系既有定量指标，又有定性指标，所以在进行输入节点输入时，先将指标根据表1中的评分规则进行转换，以便于网络模型的应用。
　　（2） 隐含层单元数
　　在实际应用中，如何合理地选择隐含层的单元数并非一件易事，通常需要经过反复试验来确定 [10?11]。隐含层单元数可通过式（14）～式（16）来确定：
　　本文通过设计一个隐含层神经元可变的BP神经网络，以确定最佳的隐含层单元数。
　　（3） 输出层单元数
　　通过BP网络模型输出的节点即为判断的依据，BP神经网络的输出值是一个大小。该数值越高表明信用的风险越大。
　　（4） 训练函数的选择
　　BP神经网络的训练函数有很多，如traingdx、trainlm，traingd函数等，谭庆美等人研究结果表明，trainlm函数的训练收敛速度最快，平均误差最小[12]。
　　3 应用实例
　　3.1 BP模型的训练
　　本文从RESSET金融数据库中筛选出供应链特征明显的20组数据，转化后如表2。样本数据涉及建筑建材、交通运输、钢铁重工、生物科技、制药等多个行业的小微企业。通过Matlab软件进行模拟仿真，选取1～15组的信息作为模型的训练样本，以后面15～19组数据作为检测的样本。第20组数据是待评估的对象。设定学习速率为0.05，误差为0.01。
　　3.2 BP模型的检测
　　将检测样本数据带入模型，所得结果如表2所示，结果表明，通过该模型运算的结果与专家给出的预期结果就有较高的一致性，误差为0.005 8在设定范围以内，满足要求。因此，该本模型具有较高的实用性和科学性。
　　利用该模型对最后一组数据进行评价，得出的数据为表3中的第五列数据，为0.55，证明该小微企业的信用风险等级一般，需要对其加强风险管控。
　　表3 网络监测结果与评估结果的比较
　　4 结 语
　　供应链金融近两年的快速发展在一定程度上缓解了小微企业的融资困难。但是由于还没有一套完整的信用风险体系和科学的风险评价方法，同时受以往风险评价模式的影响，在对小微企业进行信用评价的时候，并未真正将其置于供应链的环境中，所以小微企业信用等级仍然偏低，这在很大程度上限制了小微企业的融资。只有科学、合理地评价供应链中小微企业的信用风险，才能有效控制银行的风险，同时真正地拓宽小微企业的融资渠道，实现双赢。本文在研究基础上，建立的全面的信用风险评价体系，并通过BP神经网络小微企业的风险进行评价。通过实例训练网络，对该模型进行验证检测，结果比较满意，可用于实际运用。本文的不足之处：由于实际中供应链体系相对模糊，所以可资利用的样本数据不多，可能导致网络训练不够充分；另外一点就是该模型理论上可行，并未真正地运用于企业的评价，所以缺乏实践的检验。
　　参考文献
　　： ICSSSM， 2012： 248?252.
　　[2] 深圳发展银行?中欧国际工商学院“供应链金融”课题组.供应链金融[M].上海：上海远东出版社，2009.
　　[3] 李小燕，卢闯，游文丽.企业信用评价模型、信用等级与业绩相关性研究[J].中国软科学，2003（5）：81?85.
　　[4] 何涛，翟丽.基于供应链的小微企业融资模式分析[J].物流科技，2007（5）：87?91.
　　// Parallel Distributed Processing： Explorations in the Microstructure of Cognition， Volume 1. MA， USA： MIT Press， 1986： 318?362.
　　[6] 蒋宗礼.人工神经网络导论[M].北京：高等教育出版社，2008.
　　. The Secured Lender， 2005， 11： 36?39.
　　[8] 刘晓敏.基于BP神经网络的股指预测系统[D].大连：大连理工大学，2012.
　　[9] 杨彩霞，徐渝，杨青.航天项目风险指标体系的分析与构建[J].航天工业管理，2003，20（3）：17?19.
　　. International Journal of Research in Marketing， 2006， 23（3）： 253?262.
　　[11] 张鹏，王兴元.基于BP神经网络的品牌延伸决策模型[J].软科学，2012（3）：124?128.