区域金融生态评估的方法的研究.docVIP

区域金融生态评估方法研究 　　摘要:金融生态是指金融业与其生存和发展的外部环境通过自身调节机制,相互影响、相互作用的动态平衡系统。本文将BP神经网络模型与组合赋权思想相结合引入区域金融生态评估,通过使用某省2007年县域金融生态指标数据,并结合实际,与已有组合方法的实证分析比较,表明基于加权分层的BP神经网络模型在区分度、互补性、一致性上均优于已有的区域金融生态评估方法,具有较好的适应性和合理性。 　　关键词:金融生态;组合赋权;BP神经网络;层次分析法 　　 　　金融生态,又可称之为金融生态体系,是各种金融组织为了生存和发展,与其生存环境之间及内部金融组织相互之间在长期的密切联系和相互作用过程中,通过分工、合作所形成的具有一定结构特征,执行一定功能作用的动态平衡系统。国内较早系统阐释金融生态理论的是周小川(2004),他在深刻认识到我国金融改革的艰巨性和复杂性的前提下提出改善金融生态的思想。 　　本文结合目前区域金融生态评估方法研究的现状和实际要求,在BP人工神经网络的基础上,采用一种基于组合赋权的输入变量加权分层处理方法。改进后的方法根据层次型指标体系,通过组合赋权法确定原始指标层和子项目层中各元素的相对权重,并以子项目层法治环境、经济基础、信用环境、金融运行四个方面作为BP神经网络的输入节点,建立加权分层的BP神经网络模型。 　　 　　一、基于加权分层的BP神经网络的区域金融生态组合评估模型的构建 　　 　　徐诺金(2005)将金融生态概括为各种金融组织为了生存和发展,与其生存环境之间及内部金融组织相互之间在长期的密切联系和相互作用过程中,通过分工、合作所形成的具有一定结构特征,执行一定功能作用的动态平衡系统。结合区域金融生态的复杂巨系统的特征和评估目的,本文在借鉴湖南省金融生态评价课题组对株洲所辖县域金融生态评估时构建的金融生态评价指标体系的基础上,考虑用组合评估方法进行区域金融生态评估。 　　1.加权分层BP人工神经网络基本思想 　　1985年Rumelhart和McCelland等提出的误差反向传播(Back Propagation)算法,是目前人工神经网络理论中最重要的一种学习算法,其学习过程是由信息正向传播和误差反向传播两个反复交替的过程所组成。在信息正向传播过程中,输入信息经隐含单元逐层处理转向输出层,可简单地表征为?y?k?j=f?k?j(∑n??(k-1)?i=1W??k-1???ij?y??k-1??i-θ?k?j) 　　j=1,2,…n?k, ;k=1,2,…,m 　　式中,W??k-1???ij?为第(k-1)层中第i个神经元到第j个神经元的连接权因子;θ?k?j为该神经元的阈值。 　　如果输出层不能得到所期望的输出,则转入反向传播过程。将实际值与网络输出之间的误差沿原来的连接通路返回,通过修改各层神经元的连接权重使误差减少,然后再转入正向传播过程。如此反复计算,直至误差小于设定值为止。该过程可描述为: 　　E=12∑pp=1∑kk=1?(T??pk?-O??pk?)??2≤ε? 　　式中T??pk?,O??pk?分别表示输入训练样本为P时输出节点K的计算输出和期望输出;ε为允许的最大误差。 　　由于标准化处理后的输入变量没有了量纲的区别,每个变量对输出变量的影响所占比例均等,当各类变量的个数差别较大,变量多的几类将削弱其它类变量对输出结果的影响,导致模型评估误差增大。且只能得到最终的评估值,无法看到金融生态各子系统的状态分值。 　　如图1所示,为提高模型的评估精度,根据层次性区域金融生态评估指标体系,以项目层的四个方面,分别是法治环境、经济基础、信用环境、金融运行,作为BP神经网络的四个输入节点,取代传统的直接将48个原始指标作为输入节点。 　　2.组合赋权方法的基本原理 　　指标赋权是评估过程中的重要环节,权重的确定方法主要有两种:一种是主观赋权法中,如综合指数法、专家评价法、AHP法等;另一种是客观赋权法,即根据各指标之间的相关关系或各项指标值的变异程度来确定权数,如主成分分析法、因子分析法、复相关系数法、熵值法等。为科学、合理地给每个指标赋权,使其具有较好的实际应用效果,本文采用组合赋权法,通过对不同的层次设计不同的赋权方法实现主观赋权与客观赋权相结合,具体为:原始指标层因指标个数较多,采用客观赋权法,子项目层采用主观赋权法;并且原始指标层的将熵值法和复相关系数法两种客观赋权法相结合,既考虑各指标之间的变异程度又考虑各指标的相关性以削减指标间信息重叠现象,以达到最大限度地提取并利用指标数据包含的相关信息。 　　熵(Entropy)的概念源于热力学,后来香农(C.E.Shannon)引入信息论。在信息论中,熵是一种不确定性的度量,信息量越大,不确定性