基于数据挖掘的机械制造业上市公司信用评价的研究.pdfVIP

V01．1 Issue 第19卷专辑 中国管理科学 9。Special Chinese of Science 2011 Journal October， 2011年lO月 Management 文章编号：1003—207(2011)zk一0102—05 基于数据挖掘的机械制造业上市公司信用评价研究 黄章树，乔昕 (福州大学管理学院，福建福州 350108) 摘要：本文在确立了信用评价指标体系的基础上，分别采用了PSO—LSSVM方法、BP神经网络方法和C5．0决策 树方法．构建了机械制造业上市公司的信用评价模型，用来对2001—2010年50家机械制造业上市公司进行两类模 式分类。以t一3、t一4年的财务和非财务数据组合的面板数据作为研究样本，分别对机械制造业上市公司进行信 用评价的实证研究。实证结果表明：t一4年PSO—LSSVM预测精度最高，t一3年BP神经网络模型的预测准确率最 高。这三种方法的预测精度都较高，说明这三个数据挖掘模型可以用于中长期预测．并且都适合对机械制造业上 市公司进行信用评价。 关键词：最小二乘支持向量机；BP神经网络；决策树；信用评价 中图分类号：F272 文献标识码：A tic、决策树和神经网络算法，说明数据挖掘技术是一 l 引言 种有效而准确的建筑企业信用评价方法，但是准确 率不是很高。庞素林等¨“1建立了神经网络信用评 制造业所创造的GDP约占我国GDP总量的三 分之一，而机械制造业作为制造业的一个重要组成 价模型，但是都存在过学习或者不稳定的缺点。吴 部分，在推动国民经济的发展过程中扮演着重要的 冲等”“o采用支持向量机方法构建信用风险模型进 角色。在制造业上市公司中，机械制造业上市公司 行信用风险评估，但是支持向量机中参数的设置对 所占比重高达1／2。机械制造业企业生产周期长、 最终结果有很大影响，他们并未对各参数进行更深 资金周转率低、投资规模大，在经营过程中出现风险 入的优化。 的概率较一般企业大得多。2010年初，机械制造业 针对上述问题，本文采用PSO—LSSVM方法对 上市公司被特别处理的数目达到了三十多个，其中 机械制造业上市公司进行信用评价，该模型能较好 更有多个公司有退市的风险，对市场经济发展产生 的解决神经网络过拟合的问题以及决策树抗干扰属 了不利影响。因此对机械制造业上市公司进行信用 性影响能力差和由于剪枝导致规则失真的缺点。 评价对促进国民经济良好发展、营造良好信用环境、 LS—SVM可以降低运算的复杂度，提升了求解速 正确引导投资方向、提高企业竞争力等具有重要的 度，同时通过使用PSO算法对LS—SVM模型的各 意义。 参数进行优化，提高了模型的优化效率和精度。同 信用评价作为信用管理的重要的方法，重要性 时与使用BP神经网络和决策树等数据挖掘方法的 是不言而喻的。上个世纪九十年代后，出现了基于 实证结果进行了进行对比。 数据挖掘、计算机技术和系统技术相结合的方法用 2数据挖掘算法简介 于信用评价，这种方法避免了统计方法假设条件的