BP神经网络在工程机械公司客户信用评级中的应用研究.docVIP

BP神经网络在工程机械公司客户信用评级中的应用研究 颜　　菲 [摘 要] 信用交易在给企业带来巨大的经济效益的同时，也给企业带来了巨大的经营风险,这就使得企业必须加强客户的信用管理。作为信用管理的第一步，如何对客户进行客观公正的信用评级一直是企业需要解决的问题。本文从企业目前的信用销售状况入手，应用神经网络技术创建客户信用评级模型，探寻与客户信用表现密切相关的因素。 [关 键 字] 指标体系 信用评级 BP算法 LM算法 [作者简介] 颜菲，女，柳州运输职业技术学院信息工程系讲师。广西柳州,545007 一、绪论 我国加入WTO，不仅为国内的企业带来了发展的机遇，同时也使许多企业感受到了来自国内外的激烈竞争。在买方市场条件下，企业要想扩大销售、增强市场竞争力主要有三种手段：提高产品质量、降低产品价格和提供优惠的结算方式[1]。随着信息技术的快速发展，企业在产品质量和价格上的竞争空间变得越来越小，因此，采用提供优惠的结算方式便成为企业取得竞争优势的关键因素。也就是说企业要转向更具竞争力的信用销售方式。赊销是目前国内企业主要采取的信用销售方式。然而，赊销是把双刃剑，它在提高卖方企业竞争力的同时，也给卖方企业带来了巨大的信用风险。因此企业在进行赊销的同时，必须建立严格的信用管理制度，积极引进适合企业实际情况的客户信用评级模型，加强对客户的信用管理，从而帮助企业防范信用风险。 建立客户信用管理系统，最核心的是对客户信用进行评级。对客户进行信用评级本质上是属于综合评价中的分类与排序问题。在数据挖掘技术中最常用的分类方法有：贝叶斯、决策树、人工神经网络。其中神经网络技术可实现非线性关系的隐式表达，不需要建立复杂的线性关系和数学模型，并且容错性好，可以处理数据、信息不全的预测问题，即使在数据样本有缺失的情况下，也能较好地解决问题。 本文以柳州某工程机械公司（以下简称为L公司）为研究对象，运用BP神经网络技术，建立适合L公司的客户信用评级模型，帮助L公司加强对客户的信用管理，有效地挖掘客户资源，减少公司的信用风险。 二、BP神经网络 （一）BP算法 在人工神经网络技术中，能实现分类功能的主要是前馈神经网络。前馈神经网络是一种典型的分层结构，信息的处理是从输入层开始，经隐含层最后再到输出层。前馈神经网络通过“学习”，改变神经元与神经元之间的连接强度即连接权值，从而获得某种功能特性。前馈神经网络最经典的学习算法是BP算法。BP算法的主要思想是将学习过程分成正向传播和误差反向传播两个过程[2] ，BP算法具体过程可归纳如下[3]： 步骤1 选定n个样本，作为训练集； 步骤2 权值、阀值初始化，即对神经网络中所有的权值、阀值进行初始化，初始值通常设为（－1,1）之间的随机数； 对训练集中的每个样本进行如下的处理： 步骤3 将作为输入层的数据按照各个连接权重的大小加权输入至隐含层的激活函数，然后再得到新的值，按照各个连接权重的大小加权输入至输出层的激活函数，计算出输出层的输出结果； 步骤4 如果输出结果与预期的结果有误差，计算训练误差； 步骤5 调整权值和阈值。 步骤6 按新权值与阈值计算各层的输出，直至训练集满足停止条件为止。 　　（二）BP算法的改进 BP算法由于自身的原因不可避免地具有收敛速度慢和极易陷入局部极小值等缺陷，因此，通常需要对BP算法进行改进。对BP算法进行改进的方法比较多，本文主要采用的是用LM算法来改进BP算法。LM算法属于一种利用标准的数值优化技术的快速算法，其形式如下： 　 式中，为比例系数，l为单位矩阵，为Jocobain矩阵，即： 　　　　 　 从上式可见，如果取值很大，则LM算法接近梯度下降法。每迭代成功一步，则的值减少一些，在接近误差目标的时候，则逐渐与高斯－牛顿法相似。由于LM算法利用了近似的二阶导数信息，因此它比梯度下降法快得多。 三、客户信用评级模型的创建 （一）建立客户信用评级指标体系 要对客户进行信用评级，首先要建立客户信用评级指标体系。在建立指标体系时要遵循全面性、针对性、科学性、公正性、合法性、可操作性等原则。本文在综合考虑以上的原则并参考了其他行业对客户进行信用评级所使用的指标，选取了适合L公司的影响客户信用评级的指标，经过多次的实验，将那些对评级结果影响甚小的指标去掉，最后本文从历史信用表现、盈利能力、管理水平和发展潜力四个大的方面来考查客户的信用能力，主要因素如下所述: （1）历史信用表现　主包括两个指标：经营时间和以往还款情况。 （2）盈利能力　包括了企业收入规模、资产负债率、应收账款周转率、速动比率、净资产收益率、流动比率、净利润率、总资产周转率、存货周转率等九个财务指标。 （3）管理水平　管理水平包括了领导者的信用状况、内部管理水平、信用管理水平三个指