论文部分内容阅读
摘 要：由于在市场经济中时常出现信息不对称现象，致使融资难题难以解决。首先结合科技型创业企业的特征构建了适合科技型创业企业信用评价的指标体系，然后以选取的100家在创业板和新三板上市的科技型创业企业的财务数据为样本，运用因子分析法提取出影响企业信用状况的公因子，将其作为评价模型的变量指标，最后，建立了适合科技型创业企业信用评价的BP神经网络模型。实证结果表明，BP神经网络模型处理企业信用评价问题具有较高的准确性。
关键词：科技型创业企业；信用评价；BP神经网络
中图分类号：F27
文献标识码：A
文章编号：16723198（2015）23006203
1 引言
目前，科技型创业企业已成为推动国民经济持续健康发展的重要动力之一，然而在其发展和壮大过程中也最容易出现制约其发展的问题。由于科技型创业企业需要大量的资金投入，融资问题已成为影响其是否取得成功的关键因素。在国内企业取得融资的有限渠道中，银行和金融市场起着至关重要的作用，但往往由于市场信息的不对称以及企业信息不透明等因素的限制，出于规避高昂的监督成本和收益的高度不确定性等风险，银行和金融机构在放贷额度中给予科技型创业企业的融资额度相对有限。由于科技型创业企业的研发周期长，在缺乏有效的外部融资的状况下，即使项目有大好投资前景，企业也有较大的失败风险，最终无法发挥出科技型创业企业对企业技术创新的促进作用。因此，对国内科技型创业企业进行信用评价，建立适合其特征的信用评价模型，来提高其信用水平、财务信息透明度、拓宽其融资渠道十分必要。目前国内针对企业信用评价的研究有了一定的发展，但统一的主要针对科技型创业企业信用评价的指标体系和评价模型尚未形成。
传统的企业信用评价模型主要有专家打分法、信用评级方法和信用评分方法等，现代的信用评价模型主要有：KMV模型、财务比率分析模型、Logit回归模型、神经网络模型、模糊综合评价法和AHP（Analytical Hierarchy Process）法。由于企业的信用风险与反映企业信用风险状况的各项指标变量之间通常具有非线性的关系，而上述企业信用评价方法都不能有效解决变量之间的非线性关系，也不能有效解决指标变量存在的非正态分布问题。由于神经网络模型在解决变量间的非线性关系问题中具有优越性，在Odom（1990年）运用神经网络模型解决企业信用评价问题之后，神经网络模型逐渐获得了相关实践者和学者的极大关注。Tam（1991）、Kiang（1992）、Datta（1991）和Shekhar（1992）将神经网络模型用于银行破产预测，Altman（1994）将其用于对意大利企业经营成败状况进行预测，取得了比多元判别分析模型预测结果更加准确的结果。根据小微型科技企业信用状况的特点，何跃、蒋国银（2005）运用人工神经网络原理构建了三层BP神经网络信用评价模型，该模型的优点是具有较强的自学习和非线性处理能力，针对小微型科技企业信用状况的预测具有较高的预测结果。国内许多学者（鲍盛祥、殷永飞，2009；庞素琳，2012）认为，在变量之间是非线性关系的情况下，人工神经网络模型的精度优于传统的统计方法。
2 BP神经网络概述
BP神经网络具有准确性高、误差小、收敛速度快的显著优势，相比其他企业信用评价方法，BP神经网络模型的自学习能力和自联想功能较强，也不要求样本数据呈正态分布、满足先验概率已知以及协方差相等要求，同时也具有能够有效解决非线性分类问题、对样本数据容量不做具体要求等优势，是处理企业信用评价问题的理想方法。因此，本文使用BP神经网络来建立适合科技型创业企业的信用评价模型。
神经网络内部依次为输入层、隐含层、输出层，BP神经网络属于前向反馈神经网络，BP神经网络的学习算法包含了正向和反向传播两个过程，正向传播过程即为：指标变量信息由输入层经隐含层各神经元传向输出层，前层神经元的处理结果只对后层神经元的结果产生影响，如果最后输出层产生的结果与期望输出不符，则自动转变为反向传播过程。反向传播即为：将输出误差经隐含层神经元向输入层逐层反馈，在此过程中，网络会将误差均摊给各层的每一个神经元，从而网络可以取得各层神经元传来的误差信号，网络将其作为修正各神经元权值的依据，经过权值的不断调整使网络完成训练。权值的调整过程持续到预先设定的学习次数或输出误差减小到可接受程度为止。三层前馈BP神经网络的结构如图1所示。其中，X=（x1，x2，……，xn）代表输入向量，Y=（y1，y2，……，ym）代表输出向量，n和m分别代表输入和输出向量的维数。不同层间的神经元属于全互联接，每层次内的神经元没有任何连接。
来衡量其信用的高低。反映科技型创业企业经营和财务状况的财务指标具体包括偿债能力、盈利能力、营运能力和成长能力等方面。本文在借鉴现有企业信用评价研究成果并结合科技型创业企业的特征，选择出16项可以有效反映科技型创业企业特点的财务指标。为解决某些财务指标变量间高度的相关性问题，本文通过SPSS 19.0软件，使用因子分析法对这些指标变量进行分析和整理，在删除那些与科技型创业企业信用状况不相关或与其他指标高度相关的指标后，本文最终确定了包含12项指标变量的指标体系作为下文对科技型创业企业的信用状况进行评价的指标体系（如图1所示）。但由于保留的指标变量间还可能存在多重共线性问题，为保证评价结果的准确性、可靠性，本文再次对其进行因子分析来提取公因子，以特征根大于1且累计方差贡献率大于80%作为提取公因子的标准，通过分析本文提出了5个能够体现原始变量的主要信息的公因子，它们即为下文评价模型中的输入变量。
由于选取的样本企业的各项财务指标包含了不同的量纲和数量级，本文首先将各指标变量进行标准化处理，从而使各个指标变量都具有共同的数值特性。本文运用的标准化方法如下式所示： Xij=xij-xjσj，其中，Xj为原始数据的均值，Xj=1ni=1xi，σj为原始数据的标准差，σj=1nni=1（xij-xj）。
4 科技型创业企业信用评价实证分析
4.1 BP神经网络的设计
BP神经网络可以根据实际情况来设置一个或者多个隐含层，当样本较多时，增加一个隐含层可以显著减小网络规模。由于包含单个隐含层网络可以通过适当调增神经元个数来实现任意非线性映射，所以，包含单个隐含层的神经网络即可解决大部分场合下问题。因此本文建立的BP神经网络模型包含单个隐含层。
（1）输入层和输出层神经元个数。输入层神经元个数等于输入变量的个数，由于本文得到了5个公因子，因此输入层神经元数n=5。输出层神经元的个数m取决于科技型创业企业信用评价结果类别。本文用输出“1”表示中小企业信用正常，用输出“0”表示中小企业信用较差，因此本文建立的模型的输出层神经元的个数为1。
（2）隐含层神经元个数。隐含层神经元个数的确定目前还没有一个理想的解析式，通常根据经验公式来确定。
常用的经验公式为：n1=n+m+a，其中m为输出层个数，n为输入层个数，a为[1，10]之间的常数，有上文可知，m=1，n=5，代入公式可知隐含层个数的取值范围为（3，13），经过实际对比分析，当隐含层选10时，训练误差较小，因此，本文设定隐含层个数为10。
（3）训练函数的选择。本文建立的BP神经网络模型的输入层和输出层函数均为Sigmoid函数，并设定最大训练步长epoch=1500。
（4）样本原始数据来源。本文选择了100家在创业板和新三板上市的科技型创业企业的财务数据作为实证样本数据进行训练，各项数据取自于瑞思数据库和东方财富Choices数据库。为了确保能够得到可靠、准确的训练结果，样本企业行业的选取包含了电子、化工、制药、家电、生物科技、机械制造、金属加工等多个行业部门，能够反映科技型创业企业的特征。
4.2 实证分析与结果输出
本文运行Matlab2014a版本并运用编写的程序将100家企业各自的5项主因子作为输入变量，对网络进行训练和检验并对训练样本进行了仿真。本文将前90家企业数据作为训练样本来训练网络，将后10家企业数据作为检验样本代入网络以检验网络的预测精度。对于得出的预测结果设定以0.5为分界值，如过大于05，则将公司判定为信用好的企业，反之则判定为信用差的企业。由图2可知网络可以以较快的速度实现收敛。
为了抵消随机因素的影响，本文取相同的训练参数和测试样本代入网络重复运算20次，统计正确率和迭代次数（如图3所示），20次训练结果如表2。
由网络20次训练结果（表2）可知，使用BP神经网络模型对实证样本数据进行预测的结果和期望输出对比后，模型的平均正确率达到83%，预测精度较高，适合作为预测科技型创业企业信用状况的评价模型。实证结果表明，利用BP神经网络对科技型创业企业进行信用评价，具有较高的可操作性和准确性。
5 结论
本文在借鉴国内外现有的企业信用评价理论和相关研究成果的基础上，结合科技型创业企业的特点构建了适合对其进行信用评价的指标体系，然后在运用因子分析提取反映企业信用状况的公因子作为代入模型的指标变量，据此建立了BP神经网络信用评价模型，通过对国内100家在创业板和新三板上市公司的实际数据进行分析，得出的实证结果表明使用BP神经网络对科技型创业企业进行信用评价的平均正确率可以达到83%，具有较高的准确率和可操作性。因此，金融机构可以据此加强对科技型创业企业的信用评价，筛选优秀的科技型创业企业借款人以降低信用风险，同时也可改善科技型创业企业与金融机构之间的信息不对称程度，使科技型创业企业能够获得更多的融资机会，促使其能够以健康的方式持续的发展，进而充分发挥出其促进企业技术创新的作用。
参考文献
[1]庞素琳.信用评价与股市预测模型研究及应用统计学、神经网络与支持向量基方法[M].北京：科学出版社，2005.
[2]迟国泰，章穗，齐菲.小企业贷款信用评价模型及实证研究—基于最优组合赋权视角[J].财经问题研究，2012，（9）：5357.
[3]李菁苗，吴吉义，章剑林等.电子商务环境下中小企业信用评价[J].系统工程理论与实践，2012，（3）：555560.
[4]刘湘勤，龙海雯.银行结构、信用环境与中小企业发展：基于中国跨省数据的实证分析[J].西北大学学报（哲学社会科学版），2007，（6）：159161.
[5]谭庆美，吴金克，赵黎明.基于BP神经网络的中小企业信用评价研究[J].西北农林科技大学学报（社会科学版），2009，（5）：5762.
[6]邢乐成，梁永贤.中小企业融资难的困境与出路[J].济南大学学报（社会科学版），2013，（2）：17.
[7]So Young Sohn，Ji Won Kim.Decision treebased technology credit scoring for startup firms： Korean case[J].Expert Systems with Applications，2012，（39）：40074012.
[8]Andrea Capotorti，Eva Barbanera.Credit scoring analysis using a fuzzy probabilistic rough set model[J].Computational Statistics and Data Analysis，2012，（56）：981994.
关键词：科技型创业企业；信用评价；BP神经网络
中图分类号：F27
文献标识码：A
文章编号：16723198（2015）23006203
1 引言
目前，科技型创业企业已成为推动国民经济持续健康发展的重要动力之一，然而在其发展和壮大过程中也最容易出现制约其发展的问题。由于科技型创业企业需要大量的资金投入，融资问题已成为影响其是否取得成功的关键因素。在国内企业取得融资的有限渠道中，银行和金融市场起着至关重要的作用，但往往由于市场信息的不对称以及企业信息不透明等因素的限制，出于规避高昂的监督成本和收益的高度不确定性等风险，银行和金融机构在放贷额度中给予科技型创业企业的融资额度相对有限。由于科技型创业企业的研发周期长，在缺乏有效的外部融资的状况下，即使项目有大好投资前景，企业也有较大的失败风险，最终无法发挥出科技型创业企业对企业技术创新的促进作用。因此，对国内科技型创业企业进行信用评价，建立适合其特征的信用评价模型，来提高其信用水平、财务信息透明度、拓宽其融资渠道十分必要。目前国内针对企业信用评价的研究有了一定的发展，但统一的主要针对科技型创业企业信用评价的指标体系和评价模型尚未形成。
传统的企业信用评价模型主要有专家打分法、信用评级方法和信用评分方法等，现代的信用评价模型主要有：KMV模型、财务比率分析模型、Logit回归模型、神经网络模型、模糊综合评价法和AHP（Analytical Hierarchy Process）法。由于企业的信用风险与反映企业信用风险状况的各项指标变量之间通常具有非线性的关系，而上述企业信用评价方法都不能有效解决变量之间的非线性关系，也不能有效解决指标变量存在的非正态分布问题。由于神经网络模型在解决变量间的非线性关系问题中具有优越性，在Odom（1990年）运用神经网络模型解决企业信用评价问题之后，神经网络模型逐渐获得了相关实践者和学者的极大关注。Tam（1991）、Kiang（1992）、Datta（1991）和Shekhar（1992）将神经网络模型用于银行破产预测，Altman（1994）将其用于对意大利企业经营成败状况进行预测，取得了比多元判别分析模型预测结果更加准确的结果。根据小微型科技企业信用状况的特点，何跃、蒋国银（2005）运用人工神经网络原理构建了三层BP神经网络信用评价模型，该模型的优点是具有较强的自学习和非线性处理能力，针对小微型科技企业信用状况的预测具有较高的预测结果。国内许多学者（鲍盛祥、殷永飞，2009；庞素琳，2012）认为，在变量之间是非线性关系的情况下，人工神经网络模型的精度优于传统的统计方法。
2 BP神经网络概述
BP神经网络具有准确性高、误差小、收敛速度快的显著优势，相比其他企业信用评价方法，BP神经网络模型的自学习能力和自联想功能较强，也不要求样本数据呈正态分布、满足先验概率已知以及协方差相等要求，同时也具有能够有效解决非线性分类问题、对样本数据容量不做具体要求等优势，是处理企业信用评价问题的理想方法。因此，本文使用BP神经网络来建立适合科技型创业企业的信用评价模型。
神经网络内部依次为输入层、隐含层、输出层，BP神经网络属于前向反馈神经网络，BP神经网络的学习算法包含了正向和反向传播两个过程，正向传播过程即为：指标变量信息由输入层经隐含层各神经元传向输出层，前层神经元的处理结果只对后层神经元的结果产生影响，如果最后输出层产生的结果与期望输出不符，则自动转变为反向传播过程。反向传播即为：将输出误差经隐含层神经元向输入层逐层反馈，在此过程中，网络会将误差均摊给各层的每一个神经元，从而网络可以取得各层神经元传来的误差信号，网络将其作为修正各神经元权值的依据，经过权值的不断调整使网络完成训练。权值的调整过程持续到预先设定的学习次数或输出误差减小到可接受程度为止。三层前馈BP神经网络的结构如图1所示。其中，X=（x1，x2，……，xn）代表输入向量，Y=（y1，y2，……，ym）代表输出向量，n和m分别代表输入和输出向量的维数。不同层间的神经元属于全互联接，每层次内的神经元没有任何连接。
来衡量其信用的高低。反映科技型创业企业经营和财务状况的财务指标具体包括偿债能力、盈利能力、营运能力和成长能力等方面。本文在借鉴现有企业信用评价研究成果并结合科技型创业企业的特征，选择出16项可以有效反映科技型创业企业特点的财务指标。为解决某些财务指标变量间高度的相关性问题，本文通过SPSS 19.0软件，使用因子分析法对这些指标变量进行分析和整理，在删除那些与科技型创业企业信用状况不相关或与其他指标高度相关的指标后，本文最终确定了包含12项指标变量的指标体系作为下文对科技型创业企业的信用状况进行评价的指标体系（如图1所示）。但由于保留的指标变量间还可能存在多重共线性问题，为保证评价结果的准确性、可靠性，本文再次对其进行因子分析来提取公因子，以特征根大于1且累计方差贡献率大于80%作为提取公因子的标准，通过分析本文提出了5个能够体现原始变量的主要信息的公因子，它们即为下文评价模型中的输入变量。
由于选取的样本企业的各项财务指标包含了不同的量纲和数量级，本文首先将各指标变量进行标准化处理，从而使各个指标变量都具有共同的数值特性。本文运用的标准化方法如下式所示： Xij=xij-xjσj，其中，Xj为原始数据的均值，Xj=1ni=1xi，σj为原始数据的标准差，σj=1nni=1（xij-xj）。
4 科技型创业企业信用评价实证分析
4.1 BP神经网络的设计
BP神经网络可以根据实际情况来设置一个或者多个隐含层，当样本较多时，增加一个隐含层可以显著减小网络规模。由于包含单个隐含层网络可以通过适当调增神经元个数来实现任意非线性映射，所以，包含单个隐含层的神经网络即可解决大部分场合下问题。因此本文建立的BP神经网络模型包含单个隐含层。
（1）输入层和输出层神经元个数。输入层神经元个数等于输入变量的个数，由于本文得到了5个公因子，因此输入层神经元数n=5。输出层神经元的个数m取决于科技型创业企业信用评价结果类别。本文用输出“1”表示中小企业信用正常，用输出“0”表示中小企业信用较差，因此本文建立的模型的输出层神经元的个数为1。
（2）隐含层神经元个数。隐含层神经元个数的确定目前还没有一个理想的解析式，通常根据经验公式来确定。
常用的经验公式为：n1=n+m+a，其中m为输出层个数，n为输入层个数，a为[1，10]之间的常数，有上文可知，m=1，n=5，代入公式可知隐含层个数的取值范围为（3，13），经过实际对比分析，当隐含层选10时，训练误差较小，因此，本文设定隐含层个数为10。
（3）训练函数的选择。本文建立的BP神经网络模型的输入层和输出层函数均为Sigmoid函数，并设定最大训练步长epoch=1500。
（4）样本原始数据来源。本文选择了100家在创业板和新三板上市的科技型创业企业的财务数据作为实证样本数据进行训练，各项数据取自于瑞思数据库和东方财富Choices数据库。为了确保能够得到可靠、准确的训练结果，样本企业行业的选取包含了电子、化工、制药、家电、生物科技、机械制造、金属加工等多个行业部门，能够反映科技型创业企业的特征。
4.2 实证分析与结果输出
本文运行Matlab2014a版本并运用编写的程序将100家企业各自的5项主因子作为输入变量，对网络进行训练和检验并对训练样本进行了仿真。本文将前90家企业数据作为训练样本来训练网络，将后10家企业数据作为检验样本代入网络以检验网络的预测精度。对于得出的预测结果设定以0.5为分界值，如过大于05，则将公司判定为信用好的企业，反之则判定为信用差的企业。由图2可知网络可以以较快的速度实现收敛。
为了抵消随机因素的影响，本文取相同的训练参数和测试样本代入网络重复运算20次，统计正确率和迭代次数（如图3所示），20次训练结果如表2。
由网络20次训练结果（表2）可知，使用BP神经网络模型对实证样本数据进行预测的结果和期望输出对比后，模型的平均正确率达到83%，预测精度较高，适合作为预测科技型创业企业信用状况的评价模型。实证结果表明，利用BP神经网络对科技型创业企业进行信用评价，具有较高的可操作性和准确性。
5 结论
本文在借鉴国内外现有的企业信用评价理论和相关研究成果的基础上，结合科技型创业企业的特点构建了适合对其进行信用评价的指标体系，然后在运用因子分析提取反映企业信用状况的公因子作为代入模型的指标变量，据此建立了BP神经网络信用评价模型，通过对国内100家在创业板和新三板上市公司的实际数据进行分析，得出的实证结果表明使用BP神经网络对科技型创业企业进行信用评价的平均正确率可以达到83%，具有较高的准确率和可操作性。因此，金融机构可以据此加强对科技型创业企业的信用评价，筛选优秀的科技型创业企业借款人以降低信用风险，同时也可改善科技型创业企业与金融机构之间的信息不对称程度，使科技型创业企业能够获得更多的融资机会，促使其能够以健康的方式持续的发展，进而充分发挥出其促进企业技术创新的作用。
参考文献
[1]庞素琳.信用评价与股市预测模型研究及应用统计学、神经网络与支持向量基方法[M].北京：科学出版社，2005.
[2]迟国泰，章穗，齐菲.小企业贷款信用评价模型及实证研究—基于最优组合赋权视角[J].财经问题研究，2012，（9）：5357.
[3]李菁苗，吴吉义，章剑林等.电子商务环境下中小企业信用评价[J].系统工程理论与实践，2012，（3）：555560.
[4]刘湘勤，龙海雯.银行结构、信用环境与中小企业发展：基于中国跨省数据的实证分析[J].西北大学学报（哲学社会科学版），2007，（6）：159161.
[5]谭庆美，吴金克，赵黎明.基于BP神经网络的中小企业信用评价研究[J].西北农林科技大学学报（社会科学版），2009，（5）：5762.
[6]邢乐成，梁永贤.中小企业融资难的困境与出路[J].济南大学学报（社会科学版），2013，（2）：17.
[7]So Young Sohn，Ji Won Kim.Decision treebased technology credit scoring for startup firms： Korean case[J].Expert Systems with Applications，2012，（39）：40074012.
[8]Andrea Capotorti，Eva Barbanera.Credit scoring analysis using a fuzzy probabilistic rough set model[J].Computational Statistics and Data Analysis，2012，（56）：981994.