BP神经网络在企业资信评估中的应用研究
罗 烨，蔡秋茹，柳益君，叶飞跃
【摘 要】对企业进行科学准确的资信评估，可以辅助决策，降低投资者风险，因此提高资信评估的准确度和科学性极其重要。针对当前企业资信评估方法的不足，将BP神经网络应用于企业资信评估。根据企业资信等级与其影响因素之间的映射关系，建立BP神经网络评估模型。实验结果表明，该模型具有较高的精度，提高了企业资信评估的准确性。 【期刊名称】现代电子技术 【年(卷),期】2009(032)020 【总页数】3
【关键词】BP神经网络；资信评估；金融决策；动态演化
0 引 言
随着经济的发展，国家逐步放开了对金融的管制，使金融市场的发展速度得以不断加快，经济形态也更倾向于信用经济。资信评估作为市场经济中的监督力量，对经济的影响是不言而喻的。它在很大程度上降低信息不对称的成本，能够作为投资者的重要参考依据。科学准确的资信评估可以辅助决策，降低投资者风险。因此，提高资信评估的准确度和科学性极其重要[1]。
企业资信评估是以独立经营的企业或经济主体为对象，对进行一般性的商业交往、投资合作及信贷活动的信用评价。本质上它属于综合评价中的分类与排序问题。传统的资信评估方法是基于统计学的分析方法，包括线性回归分析、线性判别分析、逻辑回归分析等[2，3]。然而统计学方法有很大的局限性，存在权重的确定，缺乏理论依据，带有明显主观臆断且计算复杂的缺陷。神经网络
技术可实现非线性关系的隐式表达，摒弃预测函数的变量是线性和互相独立的假设，信用评级时不用确定各因素的权重且可处理各指标之间的非线性相关性。在此，将BP神经网络用于企业资信评估，建立了神经网络评估模型。实验表明，该模型是有效的。
1 BP神经网络原理
Backpropagation(BP)神经网络是应用较为广泛的一种神经网络，尤其是建模、模式识别和优化等方面广为应用。它是一个高度非线性的超大规模连续时间动力系统，也是一个超大规模非线性连续时间自适应信息处理系统；同时它具有大规模分布处理及高度的鲁棒性和学习联想能力。网络的信息处理由神经元之间的相互作用来实现，知识与信息的存储表现为网络元件互连间分布的物理关系，网络的学习与识别决定于各神经元连接权系数的动态演化过程。
在神经网络中，传递函数是反映下层输入对上层节点刺激脉冲强度的函数，一般取(0，1)内连续取值的sigmoid函数：
提供训练样本Xk(k=1,2,…,P)，P为样本数目，Xk=(xk1,xk2,…,xkM)；M为输入向量维数。设Yk为样本Xk期望的网络输出向量，为实际网络输出向量，Yk=(yk1,yk2,…,ykN)，N为输出向量维数，则误差指标函数为： 标准BP算法的具体过程可归纳如下[4]：
(1) 给出训练误差允许值ε，并初始化权值wij和阈值向量；
(2) 计算E，若E≤ε，转步骤(3)，否则对每个样本Xk进行下述操作： ① 计算网络输出o。
对每一个输出单元k，δk=ok(1-ok)(tk-ok)； 对每一个隐含单元h，δh=oh(1-oh)∑kwh,kδk。
② 更新网络连接权值wij，wij=wij+Δwij，Δwij=ηδjxij，xij为单元i～j的输出。
(3) 算法结束。
2 评价指标体系
企业资信度评价即企业评级，以独立经营的企业或经济主体为对象，对其在一般性的商业交往、投资合作及信贷活动中的信用评价。实际上就是对企业及经济主体的生产、经营、管理前景及经济效益状况所进行的全面考察与综合评价。在此，将企业资信等级分为优、良、中、差四个等级。影响企业资信的因素很多，本文在对诸多学者研究的基础上，结合有关文献选取了如下12个财务指标[5-10]：
(1) 反映盈利能力的总资产收益率(X1)、净资产收益率(X2)、主营业务利润率(X3)；
(2) 反映企业资本结构的资产负债率(X4)、有形净值债务率(X5)； (3) 反映企业发展潜力的净利润增长率(X6)；
(4) 反映企业经营和管理其资产能力的存货周转率(X7)和应收账款周转率(X8)； (5) 反映企业变现能力的速动比率(X9)、流动资产应收账款率(X10)和短期负债现金保障率(X11)；
(6) 反映企业现金流量的现金比率(X12)。
3 网络的设计、训练与仿真
3.1 网络设计
企业资信评估是一个模式识别问题，神经网络的目标是根据企业财务情况给出准确的信用等级。建立神经网络模型的关键是要确定网络的拓扑结构、输入结
BP神经网络在企业资信评估中的应用研究
