基于BP模型的供应链金融信用风险预测分析
开篇：润墨网以专业的文秘视角，为您筛选了一篇基于BP模型的供应链金融信用风险预测分析范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！
摘要 首先构建了基于供应链金融的中小企业信用风险评价指标体系，通过bp神经网络模型对中小企业的信用风险进行分析，从而预测出中小企业未来的融资授信水平，为商业银行进行授信提供依据。
1引言
本文主要是对中小企业贷款信用风险进行预测。考虑到各个商业银行都积累了有关信贷业务的海量数据，本文以一些企业的贷款信息数据为对象，通过运用BP神经网络，根据中小企业信息的训练集数据找到可以描述并且可以区分数据类别的分类模型，从而通过它预测数据的类别，挖掘出有价值的信息，为商业银行供应链金融贷款风险管理起到积极的辅助作用。
2相关理论
供应链金融跳出了银行授信只针对单个企业的传统局限，站在产业供应链全局的高度，切合产业经济，提供金融服务，将资金有效注入处于相对弱势的中小企业，有望成为解决国内中小企业融资难问题的一个有效途径。
BP神经网络，由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，根据信息变化能力的需求，中间层可以设计为单隐层（多隐层）结构；最后一个隐层传递到输出层各神经元的信息，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层反传。通过信息正向传播和误差反向传播过程，是神经网络训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度。
3基于BP神经网络的供应链金融信用风险预测模型设计
（1）评价指标的选取
通过对己有的企业信用风险评价体系研究，在构建供应链金融信用风险评估指标体系时应遵循以下指导原则：
全面性原则：为了全面评价中小融资企业的信用风险，在构建指标时，所选取的指标覆盖面要广，尽可能完整地反应影响企业信用的各方面因，即要全面反应企业目前信用综合水平，又要反映出企业长期的发展前景。
层次性原则：评价指标应分出层次，建立从低到高、从简单到综合的层次分布结构，最底层指标要具体到企业的日常经营活动，各层次具有逐级综合的趋势。在每一个层次的指标筛选中应突出重点，避免不必要的重复计算。
操作性原则：指标数据要便于采集，可以衡量。对于定量的指标，计算公式要科学合理，评价方法便于操作对于定性的指标，评价要尽量避免过多主观因素影响。
本文在已有的信用评价指标基本框架之上结合供应链金融自身的特点，并采用专家调查法最终确定了本文的指标体系。本文将指标分为两类，一类是硬指标，包括盈利能力、经营能力、偿债能力、成长潜力四个方面；另一类是软指标，包括财务报表质量、领导及员工素质、行业背景及发展前景、核心企业状况、供应链稳定性、交易资产特征六个方面，所以BP神经网络的输入层节点数为10。
（2）信用风险预警模型的建立
BP网络模型包括其输入输出模型、作用函数模型、误差计算模型和自学习模型。
①节点输出模型
隐节点输出模型：Oj＝f（∑Wij×Xi－？j），输出节点输出模型：
Yk＝f（∑Tjk×Oj－？k）（2）
f－非线形作用函数；－神经单元阈值。
各层神经元个数对输入层起缓冲存储器的作用，其神经元数目取决于输入矢量的维数根据上文确定的指标体系可以确定输入层的神经元数目为10。输出层神经元对应于信用评价结果。在本文中，研究对象的期望输出为对中小企业信用风险的总体评价，是一个数值（0或1），所以输出层神经元数目选择为1。本文隐层到输出层的传输函数分别为tansig和logsig。
②作用函数模型
作用函数是反映下层输入对上层节点刺激脉冲强度的函数又称刺激函数，一般取为（0，1）内连续取值Sigmoid函数：
f（x）＝1／（1＋e－x）（3）
③误差计算模型
误差计算模型是反映神经网络期望输出与计算输出之间误差大小的函数：
Ep＝1／2×∑（tpi－Opi）2
（4）
tpi－i节点的期望输出值；Opi－i节点计算输出值。通过误差计算模型，可以把误差限定在特定范围，从而使计算结果更加精确。
④自学习模型
神经网络的学习过程，即连接下层节点和上层节点之间的权重拒阵Wij的设定和误差修正过程。BP网络有师学习方式－需要设定期望值和无师学习方式－只需输入模式之分。自学习模型为：
Wij（n＋1）＝？×Фi×Oj＋a×Wij（n）（5）
－学习因子；Фi－输出节点i的计算误差；Oj－输出节点j的计算输出；a－动量因子。
⑤模型的具体应用
本文选取了20家商业银行开展供应链金融业务的中小企业作为样本，样本分为两部分，一部分属于按时还款的企业，共有13家。另外一部分则是未按时还款的企业，共有7家。现在我们选取按时还款企业中的前10家和未按时还款企业中的前5家作为训练样本。而剩下的3家按时还款企业和2家未按时还款企业作为后面用做仿真的样本。这些企业数据是针对上文建立的信用评价指标体系选取的，它有10个节点。经过traingdm反复训练得到的最合适的参数：
通过输入仿真样本，进而对上面所构建的网络模型进行检验。输入命令后，得到的仿真输出值如下所示：
企业一：（仿真输出值：0.9998目标值：1.0000绝对误差：0.0002相对误差：0.02%）
企业二：（仿真输出值：1.0000目标值：1.0000绝对误差：0.0181相对误差：1.81%）
企业三：（仿真输出值：0.9985目标值：1.0000绝对误差：0.0015相对误差：0.15%）
企业四：（仿真输出值：0.0008目标值：0.0000绝对误差：0.0008相对误差：0.08%）
可见，网络的输出值和目标值之间的绝对误差都在0.025以下，误差比较小，基本达到了预期效果。通过上面构建的模型，我们可以通过具体的量化数值合理预测中小企业的信用授信水平，为商业银行合理的授信于中小企业提供了科学合理的参考标准。
4结论
本文使用BP人工神经网络方法构建了供应链金融风险预测模型，应用计算机工具可以方便地完成算法设计和数据运算，这不仅能为商业银行在授信于中小企业时能提供科学的手段和可靠的依据，而且还可以为中小企业衡量自身的融资能力提供依据，对其改善企业经营状况，提高融资水平都有很好的借鉴作用，因而不失为供应链金融信用风险预测的较为有效的方法。
参考文献：
［1］于立勇.商业银行信用风险评估预测模型研究［J］.管理科学学报，2003，（6）：48－54，100.
［2］叶春明，马慧民，李丹，等.神经网络在供应链管理绩效指标评价中的应用研究［J］.工业工程与管理，2005，（5）：39－42，47.
［3］芮婧，潘淑娟.供应链金融业务的信用风险评价系统设计［J］.郑州航空工业管理学院学报，2010，（5）：131－134
［4］冯瑶.供应链金融：实现多方共赢的金融创新服务.新金融. 2008.2.