基于模糊神经网络企业信用风险评估模型研究.docVIP

基于模糊神经网络企业信用风险评估模型研究 　　摘要：根据浙江省企业信用评价指导性标准和规范所确定的企业信用评价指标体系，建立了模糊神经网络的企业信用风险评估模型。该模型中确定的模糊规则层具有自调节的功能，可以较好地实现对企业信用风险的评价。利用MATLAB 2010a编程对样本数据进行实证分析，结果表明模糊神经网络评价企业信用风险具有较高的准确性和稳定性。 　　关键词：模糊神经网络；企业信用风险；评估模型 　　中图分类号：F820 文献标识码：A 文章编号：1672-3104（2013）05?0021?05 　　信用风险是指交易对方没有意愿或没有能力履行既定合同条件而造成违约，致使债权人或交易方遭受经济损失的可能性。企业信用风险产生的原因有企业内部自身的因素，也有外围环境因素。企业经营不善、决策失误导致无法履约等自身因素往往被认为是企业信用风险的根本原因[1]；而国内外宏观经济环境、法律法规制度及政治制度的突变也成为当前企业信用风险成因不可忽视的因素。 　　理论和实践已表明当今的中国已经步入了“信用经济时代”，这就要求作为中国经济主体的企业，在生产经营活动中需要感知风险、预测风险和规避风险，以确保契约关系的如期履行。这既是企业经营与发展的根本，也是国家和地区经济体系正常运行的基本前提。因而如何科学有效的评价企业的信用风险，对维护国家金融安全与经济健康运行的意义与价值是不言而喻的。 　　一、文献回顾 　　信用评价是穆迪（Moody）公司的创始人约翰·穆迪在1890年首创提出的债券风险管理体系，通过债券的信用评价确定债券等级，目的是帮助投资者对债券做出选择，同时也为企业管理者的生产经营决策提供建议。到上世纪二三十年代，信用评价开始在欧美国家风行，评价的技术也在与时俱进。总结其发展历程，评价技术大致可以划分为经验判断时期、统计模型时期和人工智能方法时期。 　　（一） 经验判断时期 　　这一时期主要集中在20世纪50年代以前，依赖评估人员的经验和能力对企业的信用状况作出判断。在多年的实践中，逐渐形成了“6C”“5P”及“LAPP”等要素信用评价方法。但经验判断法对评估人员的能力与水平有很高的要求，而且由于不同评估人员的的认识不同导致评价结果差异较大，评价结果公正性难以保证。 　　（二） 统计模型时期 　　在上世纪50年代到90年代期间，统计方法开始在信用评价技术中大量使用。Beaver[2]在1968建立单变量多元分析模型 （Z模型），但这种方法会存在不同变量导致不同的评价结果的缺陷。针对这一缺陷，Altman[3]利用多元判别分析法进行改进建立了Zeta模型，明显提升了风险预警的效果。1980年Ohlson[4]开始运用Logit回归模型进行企业信用评价，而后Collins和Green（1982）、Gentry、Newbold和Whitford （1987）的研究表明了Logit回归模型在信用评价方面优于Zeta模型。Jone和Hensher（2004）使用混合Logit模型提高风险评价的准确程度。随着信用评价技术的完善，一些新的统计方法不断在实践和应用，如KMV模型、VaR方法均在信用风险评价中使用，这些模型的出现意味着统计方法在信用风险度量技术的广泛使用。 　　但是统计学方法应用在信用评价中也有很多的不足，如统计模型要求评价指标的关系是线性的，指标要成正态分布等都与企业的实际情况不符。因此，统计方法评价企业信用风险有很大的局限性。 　　（三） 人工智能方法时期 　　从上世纪90年代开始，信用评价就进入了一个集人工智能、计算机技术和系统技术于一体的人工智能方法时期。随着人工智能的发展和应用，神经网络方法（ANN）开始进入信用评价的应用和研究领域。相对于统计方法，神经网络对样本数据分布要求不严格，具有较强的“鲁棒性”和较高的预测精度，这些优势使其成为信用风险评价的有效工具。Singleton和Surkan[5]的研究表明神经网络方法的准确率比信用评分法的准确率要高16%。Altman、Macro和macro[6]的研究也证实了神经网络准确率远高于信用评分法准确率。 　　我国学者对于信用评价问题的研究起步较晚，相比发达国家成熟的信用评价体系存在着相当大的差距。特别是在信用评级的实践中，仍然以信用评分为主，在评价方法上，又以统计分析为主，而对于神经网络方法、衍生工具方法的应用研究相对较少。基于此，本文构建模糊神经网络方法探索企业信用风险评价方法。 　　二、研究方法与样本来源 　　（一） 研究方法 　　本文中的T-S模糊系统是一种自适应能力较强的模糊系统应用，该模型不仅能自动更新，而且还能不断修正模糊子集的隶属函数。T-S模糊系统用“if-then”的规则来定义，其模糊推理如下： 　　其中： 为模糊