论文部分内容阅读
我国经济结构和产业结构当前正处于深度调整和优化阶段,经济内生增长要求更多的人力资本和技术创新参与社会经济分工,并最终转化为经济增长产出,中小企业在国家经济结构调整升级的过程中将扮演更重要角色。但在当前信贷资本紧缩投放时期,银企之间存在的信息不对称,影响中小企业取得贷款融资。随着贷款业务的不断精细化,各家商业银行均推出各自中小企业信贷贷前审查方案,同时也对信用评级方法和方法有效性提出了更高的要求。信用评级环节发生在贷款对象筛选流程的前端,是贷前审查流程中的重要一环,在银行贷款业务风控的前馈控制体系中占据重要地位。开展中小企业信用评级研究,首先需对中小企业信用评级理论进行理解,建立合适的评级指标体系；其次在选择适合的信用评级方法时注意以下三点：一是主观性与客观性的结合,既重视长期积累的专家经验,又要能够在评级的分析过程中充分反映数据及其变化的客观性；二是定性与定量的结合,评级方法不仅能够量化处理批量数据,也能够在处理过程中对数据的定性分类进行调节；三是过程分析与结果解释的结合,评级过程既要能够对被分析样本提出合理的分析流程及计算过程,也要能够对分析出的结果进行解释和说明,强化操作者对分析结果的认知。介于此,本文使用模糊神经网络模型作为中小企业信用评级研究方法。本文在阐述选题背景、研究意义和相关研究动态的基础上,介绍中小企业信用评级理论和模糊神经网络理论,进而说明建模所需的研究指标和样本数据,并对模型的建立、仿真实验及检测展开叙述。主要研究结论如下：(1)FNN模型对中型企业和小型企业信用评级检测样本检测的总体正确率分别为100.00%和96.67%,第二类错误率均为0.00%,FNN模型是信用评级的有效手段。(2)在模型对比中,BP模型对上述两项检测的总体正确率分别为93.34%和90.00%,第二类错误率分别为50.00%和100.00%,即存在较大可能将未来不良贷款预判为良性贷款,FNN比BP神经网络具有更好的检测效果。(3)中型BP模型AUC值为0.732,小型BP模型AUC值为0.482,分别低于中型模糊AUC值1.000和和小型模糊模型AUC值0.982,表明FNN模型判别能力更高。总体来看,本研究所建立的模糊神经网络模型在中小企业信用评级研究中具有适用性和稳健性。