摘要:根據浙江省家具企業信用評價指導性標準和規范所確定的家具企業信用評價指標體系,建立了模糊神經網絡的家具企業信用風險評估模型。該模型中確定的模糊規則層具有自調節的功能,可以較好地實現對家具企業信用風險的評價。利用MATLAB 2010a編程對樣本數據進行實證分析,結果表明模糊神經網絡評價家具企業信用風險具有較高的準確性和穩定性。
關鍵詞:模糊神經網絡;家具企業信用風險;評估模型
中圖分類號:F820 文獻標識碼:A 文章編號:1672-3104(2013)05?0021?05
信用風險是指交易對方沒有意愿或沒有能力履行既定合同條件而造成違約,致使債權人或交易方遭受經濟損失的可能性。家具企業信用風險產生的原因有家具企業內部自身的因素,也有外圍環境因素。家具企業經營不善、決策失誤導致無法履約等自身因素往往被認為是家具企業信用風險的根本原因[1];而國內外宏觀經濟環境、法律法規制度及政治制度的突變也成為當前家具企業信用風險成因不可忽視的因素。
理論和實踐已表明當今的中國已經步入了“信用經濟時代”,這就要求作為中國經濟主體的家具企業,在生產經營活動中需要感知風險、預測風險和規避風險,以確保契約關系的如期履行。這既是家具企業經營與發展的根本,也是國家和地區經濟體系正常運行的基本前提。因而如何科學有效的評價家具企業的信用風險,對維護國家金融安全與經濟健康運行的意義與價值是不言而喻的。
一、文獻回顧
信用評價是穆迪(Moody)家具公司的創始人約翰·穆迪在1890年首創提出的債券風險管理體系,通過債券的信用評價確定債券等級,目的是幫助投資者對債券做出選擇,同時也為家具企業管理者的生產經營決策提供建議。到上世紀二三十年代,信用評價開始在歐美國家風行,評價的技術也在與時俱進。總結其發展歷程,評價技術大致可以劃分為經驗判斷時期、統計模型時期和人工智能方法時期。
(一) 經驗判斷時期
這一時期主要集中在20世紀50年代以前,依賴評估人員的經驗和能力對家具企業的信用狀況作出判斷。在多年的實踐中,逐漸形成了“6C”“5P”及“LAPP”等要素信用評價方法。但經驗判斷法對評估人員的能力與水平有很高的要求,而且由于不同評估人員的的認識不同導致評價結果差異較大,評價結果公正性難以保證。
(二) 統計模型時期
在上世紀50年代到90年代期間,統計方法開始在信用評價技術中大量使用。Beaver[2]在1968建立單變量多元分析模型 (Z模型),但這種方法會存在不同變量導致不同的評價結果的缺陷。針對這一缺陷,Altman[3]利用多元判別分析法進行改進建立了Zeta模型,明顯提升了風險預警的效果。1980年Ohlson[4]開始運用Logit回歸模型進行家具企業信用評價,而后Collins和Green(1982)、Gentry、Newbold和Whitford (1987)的研究表明了Logit回歸模型在信用評價方面優于Zeta模型。Jone和Hensher(2004)使用混合Logit模型提高風險評價的準確程度。隨著信用評價技術的完善,一些新的統計方法不斷在實踐和應用,如KMV模型、VaR方法均在信用風險評價中使用,這些模型的出現意味著統計方法在信用風險度量技術的廣泛使用。
但是統計學方法應用在信用評價中也有很多的不足,如統計模型要求評價指標的關系是線性的,指標要成正態分布等都與家具企業的實際情況不符。因此,統計方法評價家具企業信用風險有很大的局限性。
(三) 人工智能方法時期
從上世紀90年代開始,信用評價就進入了一個集人工智能、計算機技術和系統技術于一體的人工智能方法時期。隨著人工智能的發展和應用,神經網絡方法(ANN)開始進入信用評價的應用和研究領域。相對于統計方法,神經網絡對樣本數據分布要求不嚴格,具有較強的“魯棒性”和較高的預測精度,這些優勢使其成為信用風險評價的有效工具。Singleton和Surkan[5]的研究表明神經網絡方法的準確率比信用評分法的準確率要高16%。Altman、Macro和macro[6]的研究也證實了神經網絡準確率遠高于信用評分法準確率。
我國學者對于信用評價問題的研究起步較晚,相比發達國家成熟的信用評價體系存在著相當大的差距。特別是在信用評級的實踐中,仍然以信用評分為主,在評價方法上,又以統計分析為主,而對于神經網絡方法、衍生工具方法的應用研究相對較少。基于此,本文構建模糊神經網絡方法探索家具企業信用風險評價方法。
二、研究方法與樣本來源
(一) 研究方法
本文中的T-S模糊系統是一種自適應能力較強的模糊系統應用,該模型不僅能自動更新,而且還能不斷修正模糊子集的隸屬函數。T-S模糊系統用“if-then”的規則來定義,其模糊推理如下:
其中: 為模糊系統的模糊集; 為模糊系統的參數;yi為根據模糊規則得到的輸出。該模糊推理的輸出部分是模糊的,輸入部分是確定的,且輸出為輸入的線性組合。
(二) 樣本來源
本文中的樣本來源于2012年度浙江省重點工程招投標領域信用評級家具企業。為了評價的一致性,受評的72戶家具企業均為土木施工類家具企業,其中55戶作為神經網絡的學習樣本,17戶作為檢驗樣本,樣本數據均由杭州資信評估家具公司提供。
(三) 評價指標說明
信用評價指標體系是科學評價家具企業信用狀況的基礎和依據,本文按照浙江省家具企業信用評價指導性標準和規范提供的指標體系[7],其評價指標主要分為5個大類、15個中類及48個初始指標集,即① 家具企業基本狀況大類指標:基本條件,人力資源,管理能力;②財務狀況大類指標:債權債務,營運能力,盈利能力;③ 發展潛力大類指標:行業狀況,技術實力,成長能力,發展戰略;④ 公共信用監管大類指標;⑤ 招標投標監管信息大類指標:招標投標信用記錄,合同履約情況,獲獎情況。
[2]
關鍵詞:模糊神經網絡;家具企業信用風險;評估模型
中圖分類號:F820 文獻標識碼:A 文章編號:1672-3104(2013)05?0021?05
信用風險是指交易對方沒有意愿或沒有能力履行既定合同條件而造成違約,致使債權人或交易方遭受經濟損失的可能性。家具企業信用風險產生的原因有家具企業內部自身的因素,也有外圍環境因素。家具企業經營不善、決策失誤導致無法履約等自身因素往往被認為是家具企業信用風險的根本原因[1];而國內外宏觀經濟環境、法律法規制度及政治制度的突變也成為當前家具企業信用風險成因不可忽視的因素。
理論和實踐已表明當今的中國已經步入了“信用經濟時代”,這就要求作為中國經濟主體的家具企業,在生產經營活動中需要感知風險、預測風險和規避風險,以確保契約關系的如期履行。這既是家具企業經營與發展的根本,也是國家和地區經濟體系正常運行的基本前提。因而如何科學有效的評價家具企業的信用風險,對維護國家金融安全與經濟健康運行的意義與價值是不言而喻的。
一、文獻回顧
信用評價是穆迪(Moody)家具公司的創始人約翰·穆迪在1890年首創提出的債券風險管理體系,通過債券的信用評價確定債券等級,目的是幫助投資者對債券做出選擇,同時也為家具企業管理者的生產經營決策提供建議。到上世紀二三十年代,信用評價開始在歐美國家風行,評價的技術也在與時俱進。總結其發展歷程,評價技術大致可以劃分為經驗判斷時期、統計模型時期和人工智能方法時期。
(一) 經驗判斷時期
這一時期主要集中在20世紀50年代以前,依賴評估人員的經驗和能力對家具企業的信用狀況作出判斷。在多年的實踐中,逐漸形成了“6C”“5P”及“LAPP”等要素信用評價方法。但經驗判斷法對評估人員的能力與水平有很高的要求,而且由于不同評估人員的的認識不同導致評價結果差異較大,評價結果公正性難以保證。
(二) 統計模型時期
在上世紀50年代到90年代期間,統計方法開始在信用評價技術中大量使用。Beaver[2]在1968建立單變量多元分析模型 (Z模型),但這種方法會存在不同變量導致不同的評價結果的缺陷。針對這一缺陷,Altman[3]利用多元判別分析法進行改進建立了Zeta模型,明顯提升了風險預警的效果。1980年Ohlson[4]開始運用Logit回歸模型進行家具企業信用評價,而后Collins和Green(1982)、Gentry、Newbold和Whitford (1987)的研究表明了Logit回歸模型在信用評價方面優于Zeta模型。Jone和Hensher(2004)使用混合Logit模型提高風險評價的準確程度。隨著信用評價技術的完善,一些新的統計方法不斷在實踐和應用,如KMV模型、VaR方法均在信用風險評價中使用,這些模型的出現意味著統計方法在信用風險度量技術的廣泛使用。
但是統計學方法應用在信用評價中也有很多的不足,如統計模型要求評價指標的關系是線性的,指標要成正態分布等都與家具企業的實際情況不符。因此,統計方法評價家具企業信用風險有很大的局限性。
(三) 人工智能方法時期
從上世紀90年代開始,信用評價就進入了一個集人工智能、計算機技術和系統技術于一體的人工智能方法時期。隨著人工智能的發展和應用,神經網絡方法(ANN)開始進入信用評價的應用和研究領域。相對于統計方法,神經網絡對樣本數據分布要求不嚴格,具有較強的“魯棒性”和較高的預測精度,這些優勢使其成為信用風險評價的有效工具。Singleton和Surkan[5]的研究表明神經網絡方法的準確率比信用評分法的準確率要高16%。Altman、Macro和macro[6]的研究也證實了神經網絡準確率遠高于信用評分法準確率。
我國學者對于信用評價問題的研究起步較晚,相比發達國家成熟的信用評價體系存在著相當大的差距。特別是在信用評級的實踐中,仍然以信用評分為主,在評價方法上,又以統計分析為主,而對于神經網絡方法、衍生工具方法的應用研究相對較少。基于此,本文構建模糊神經網絡方法探索家具企業信用風險評價方法。
二、研究方法與樣本來源
(一) 研究方法
本文中的T-S模糊系統是一種自適應能力較強的模糊系統應用,該模型不僅能自動更新,而且還能不斷修正模糊子集的隸屬函數。T-S模糊系統用“if-then”的規則來定義,其模糊推理如下:
其中: 為模糊系統的模糊集; 為模糊系統的參數;yi為根據模糊規則得到的輸出。該模糊推理的輸出部分是模糊的,輸入部分是確定的,且輸出為輸入的線性組合。
(二) 樣本來源
本文中的樣本來源于2012年度浙江省重點工程招投標領域信用評級家具企業。為了評價的一致性,受評的72戶家具企業均為土木施工類家具企業,其中55戶作為神經網絡的學習樣本,17戶作為檢驗樣本,樣本數據均由杭州資信評估家具公司提供。
(三) 評價指標說明
信用評價指標體系是科學評價家具企業信用狀況的基礎和依據,本文按照浙江省家具企業信用評價指導性標準和規范提供的指標體系[7],其評價指標主要分為5個大類、15個中類及48個初始指標集,即① 家具企業基本狀況大類指標:基本條件,人力資源,管理能力;②財務狀況大類指標:債權債務,營運能力,盈利能力;③ 發展潛力大類指標:行業狀況,技術實力,成長能力,發展戰略;④ 公共信用監管大類指標;⑤ 招標投標監管信息大類指標:招標投標信用記錄,合同履約情況,獲獎情況。
本文為全文原貌 未安裝PDF瀏覽器用戶請先下載安裝 原版全文