政府采購中供應(yīng)商的信用分析

1、政府采購中供應(yīng)商的信用分析 摘要：支持向量機(jī)(svm)是在結(jié)構(gòu)風(fēng)險(xiǎn)最小化的一種新的機(jī)器學(xué)習(xí)技術(shù)，在解決小樣本、非線性及高維空間問題中具有獨(dú)特的優(yōu)勢(shì)，適用于政府采購中對(duì)供應(yīng)商進(jìn)行信用分析。但供應(yīng)商信用屬性數(shù)據(jù)構(gòu)成了高維空間的稀疏分布，不利于svm的準(zhǔn)確建模。由于主成分分析技術(shù)具有良好的去噪音特性，能夠?qū)π庞脤傩詳?shù)據(jù)進(jìn)行有效地挖掘。因此，若將兩者進(jìn)行有機(jī)地結(jié)合，就能有效改善svm輸入樣本的特性，從而提高svm分類的準(zhǔn)確率。 關(guān)鍵詞：政府采購；信用分析；支持向量機(jī) abstract：support vector machines (svm) based on structural risk mini

2、mization (srm) principle is a new machine learning technique and has many advantages in solving small sample size, nonlinear and high dimensional pattern recognition. in this paper, it is applied to the credit scoring prediction of suppliers in the government procurement activities. to get better cl

3、assification accuracy, pca(principal component analysis) is combined to svm to mine the independent attributes of supplier credit.and then, svm is trained by these independent attributes obtained. by this way, the model of pca-svm for credit ananlysis of suppliers in the government procurement activ

4、ities is builtto evaluate the prediction accuracy of pca-svm,while comparing its performance with those of neural networks (nn) and traditional svm. key words:government procurement；credit analysis; support vector machines 政府采購不同于一般的采購行為，它具有政策性強(qiáng)、規(guī)模大、資金多等特點(diǎn)。政府采購項(xiàng)目，尤其是國(guó)家重點(diǎn)建設(shè)項(xiàng)目，如北京奧體項(xiàng)目、南水北調(diào)工程、三峽工程等，更是集

5、政治性、經(jīng)濟(jì)性、社會(huì)性于一身，對(duì)國(guó)家的社會(huì)效益、政治效益和經(jīng)濟(jì)效益都會(huì)產(chǎn)生廣泛而深遠(yuǎn)的影響。因此，在政府采購中為避免國(guó)家的財(cái)稅流失、保證政府投資效益，提高政府采購效率，必須規(guī)范政府采購市場(chǎng)，促進(jìn)供應(yīng)商在市場(chǎng)競(jìng)爭(zhēng)中遵守國(guó)家法律、法規(guī)，規(guī)范經(jīng)營(yíng)，并將對(duì)供應(yīng)商的管理提高到信用管理的高度。 在市場(chǎng)經(jīng)濟(jì)環(huán)境下，良好的履約能力對(duì)政府采購項(xiàng)目按時(shí)、保質(zhì)、保量地完成是十分必要的，而供應(yīng)商履約能力是與其信用水平密不可分的。因此，在對(duì)供應(yīng)商進(jìn)行規(guī)范化管理過程中，政府部門應(yīng)對(duì)供應(yīng)商的信用進(jìn)行公正、客觀地分析。這具有很強(qiáng)的理論與現(xiàn)實(shí)意義，引發(fā)了國(guó)內(nèi)外學(xué)者廣泛的研究和探討 1-3。常用的信用分析方法包括層次分析法、模式

6、識(shí)別理論和神經(jīng)網(wǎng)絡(luò)等。由于信用分析具有多屬性和非線性等特征，這些方法在應(yīng)用中都很難取得滿意的效果。 筆者嘗試將數(shù)據(jù)挖掘技術(shù)與機(jī)器學(xué)習(xí)方法相結(jié)合，建立基于主成分分析支持向量機(jī)技術(shù)的供應(yīng)商信用分析模型。通過主成分分析技術(shù)進(jìn)行數(shù)據(jù)挖掘，改善了信用屬性數(shù)據(jù)的特性，提高了支持向量機(jī)的建模效率。 一、模型的總體設(shè)計(jì) 供應(yīng)商信用分析效果的好壞，主要取決于信用分析中所選用的屬性數(shù)據(jù)的特性以及所采用的方法解決非線性復(fù)雜問題的能力。 當(dāng)前，商業(yè)信用分析主要是通過基于財(cái)務(wù)指標(biāo)的信用特征而進(jìn)行的商業(yè)信用等級(jí)劃分。由于財(cái)務(wù)屬性數(shù)據(jù)種類繁多，且數(shù)據(jù)之間往往存在緊密的相關(guān)性。這無疑加大了信用分析建模的難度。因此，有必要在進(jìn)

7、行信用分析之前，對(duì)信用屬性數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘。在眾多的數(shù)據(jù)挖掘技術(shù)中，主成分分析方法既能夠有效去除屬性數(shù)據(jù)間的相關(guān)性，又可以降低數(shù)據(jù)維數(shù)。因此，它被選作供應(yīng)商信用屬性數(shù)據(jù)特征挖掘的工具，以構(gòu)造新的更有效的信用屬性數(shù)據(jù)。 數(shù)據(jù)挖掘后，接著面臨的問題是如何有效地構(gòu)建供應(yīng)商的信用分析模型。由于在政府采購多采用“短名單”，這就造成了供應(yīng)商的信用分析具有典型的小樣本、多屬性及非線性等特征。傳統(tǒng)的信用分析方法很難進(jìn)行有效地分析。神經(jīng)網(wǎng)絡(luò)技術(shù)雖然能夠進(jìn)行良好的經(jīng)驗(yàn)學(xué)習(xí) 2，但由于其基于經(jīng)驗(yàn)風(fēng)險(xiǎn)最小，易出現(xiàn)過擬合問題，從而降低了模型的泛化能力。 20世紀(jì)90年代興起的支持向量機(jī)（support vector m

8、achines，svm）是基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理的統(tǒng)計(jì)學(xué)習(xí)方法, 適用于小樣本分類問題。在解決高維、非線性問題時(shí)，svm通過非線性映射把非線性分類化為線性問題來處理。從而，顯示出其顯著的優(yōu)越性 4-5。因此，svm技術(shù)是進(jìn)行供應(yīng)商信用分析建模的有效工具。 筆者將pca技術(shù)與svm技術(shù)相結(jié)合構(gòu)建政府采購中供應(yīng)商的信用分析模型，建模的基本過程如圖1所示。 二、信用屬性數(shù)據(jù)的特征挖掘 主成分分析方法目前主要有兩種：標(biāo)準(zhǔn)主成分分析方法和基于核的主成分分析方法。 （一）標(biāo)準(zhǔn)主成分分析 標(biāo)準(zhǔn)的主成分分析是一種有效的數(shù)據(jù)特征挖掘方法 6。它基于數(shù)據(jù)二階統(tǒng)計(jì)矩，對(duì)由一系列觀測(cè)數(shù)據(jù)向量組成的向量組進(jìn)行分析，通過

9、選擇樣本點(diǎn)分布方差大的坐標(biāo)軸進(jìn)行投影來降低維數(shù)而使信息量損失最少。 記供應(yīng)商的信用觀測(cè)屬性矢量為： （二）基于核的主成分分析方法 7 基于核的主成分分析方法（kernel principle component analysis, kpca）是一種非線性特征挖掘方法, 其基本思想是利用核函數(shù), 通過非線性映射將輸入數(shù)據(jù)映射到一個(gè)高維的特征空間中，然后在特征空間中利用標(biāo)準(zhǔn)主成分分析法來挖掘主成分作為特征向量。 實(shí)踐證明，pca與kpca都能夠獲得良好的特征挖掘效果 67。雖然與pca相比，kpca挖掘后的道德標(biāo)準(zhǔn)均方誤差更小，但是kpca需要大量的主成分，要耗費(fèi)大量的時(shí)間進(jìn)行計(jì)算，這對(duì)于供應(yīng)商信

10、用管理信息系統(tǒng)的建立和維護(hù)是不利的。由于pca完全能夠滿足精度要求，在本文中被采用進(jìn)行信用屬性數(shù)據(jù)的特征挖掘。然后，將挖掘出的新的屬性樣本數(shù)據(jù)用于支持向量機(jī)的信用分析建模。 三、信用分析模型的建立 在政府采購項(xiàng)目中能夠得到供應(yīng)商各種類型的信用數(shù)據(jù)十分有限，這些數(shù)據(jù)構(gòu)成了信用分析輸入空間的稀疏分布。此時(shí)，若利用神經(jīng)網(wǎng)絡(luò)進(jìn)行信用分析建模，由于神經(jīng)網(wǎng)絡(luò)是以經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化進(jìn)行優(yōu)化，易引起過擬合問題，從而影響模型的泛化能力，并且易陷入局部極小點(diǎn)。 與其相比，支持向量機(jī)分類的基本思想是通過建立一個(gè)超平面作為一個(gè)決策平面。它不但能將分類中的兩類樣本正確分開，而且還使分類間隔最大。在分類過程中將優(yōu)化問題轉(zhuǎn)化為

11、一個(gè)凸二次規(guī)劃問題，由標(biāo)準(zhǔn)的拉格朗日乘子算法解得具有較高精度的全局最優(yōu)解 45 7。 （二）非線性問題 svm解決非線性問題的基本思想是基于mercer定理，通過選用適合的核函數(shù)，將樣本空間映射到一個(gè)高維的特征空間，在此特征空間中求解線性問題。 此時(shí)，目標(biāo)函數(shù)變?yōu)?48： （三）模型評(píng)估 根據(jù)信用分析的特點(diǎn)，本文定義信用分析模型的評(píng)估指標(biāo)如下： 式中：n表示樣本的總數(shù)量，ci表示第i分類被錯(cuò)分的樣本數(shù)量。 在兩分類問題中，k=2，可以定義兩類分類錯(cuò)誤：第一類錯(cuò)誤為將信用“好”的供應(yīng)商誤判為“差”；第二類錯(cuò)誤為信用“差”的供應(yīng)商誤判為“好”。 四、實(shí)證分析 選取參加政府采購活動(dòng)的32位供應(yīng)商進(jìn)行

12、信用分析。其中，有9位供應(yīng)商經(jīng)營(yíng)狀況欠佳，其余的供應(yīng)商經(jīng)營(yíng)狀況正常。利用matlab實(shí)現(xiàn)計(jì)算與模擬。由于在樣本中存在兩類樣本數(shù)據(jù)，因而對(duì)供應(yīng)商進(jìn)行兩模式的信用分類。選取的屬性數(shù)據(jù)類型如下：流動(dòng)比率(c1)、速動(dòng)比率(c2)、負(fù)債/權(quán)益比率 (c3)、存貨周轉(zhuǎn)率(c4)、總資產(chǎn)報(bào)酬率(c5)、資產(chǎn)負(fù)債率(c6)、長(zhǎng)期負(fù)債比率(c7)、銷售利潤(rùn)率(c8)、利息保證倍數(shù)(c9)等，原屬性數(shù)據(jù)樣本如圖2所示。 首先，利用pca進(jìn)行數(shù)據(jù)挖掘，特征值見表1。生成了三個(gè)主成分，貢獻(xiàn)率累計(jì)為99-06%，能夠完全滿足信用分析的要求。相應(yīng)主成分的特征向量見表2，構(gòu)造的新屬性數(shù)據(jù)如圖3所示。 通過對(duì)圖2與圖3的對(duì)

13、比可以看到，新的屬性數(shù)據(jù)在完全能夠滿足信用分析的前提下，比原屬性數(shù)據(jù)更加平穩(wěn)，這對(duì)于后面的支持向量機(jī)建模是非常有益的。 采用新的屬性數(shù)據(jù)進(jìn)行svm分類的訓(xùn)練建模，設(shè)懲罰因子c=100，選擇高斯徑向基函數(shù)作為核函數(shù)。分別選取26個(gè)樣本作為訓(xùn)練樣本，6個(gè)樣本測(cè)試樣本，采用不同的算法對(duì)供應(yīng)商的信用兩模式進(jìn)行判斷，結(jié)果如表3所示。 從表3可以看出，在分類正確率方面，普通svm模型和本文模型明顯優(yōu)于ann算法，svm與本文模型相比，本文模型的正確率高于普通的svm。說明由于引入pca技術(shù)對(duì)信用屬性數(shù)據(jù)進(jìn)行挖掘，改善了屬性數(shù)據(jù)的表征能力，從而提高了模型的準(zhǔn)確率。 五、結(jié)語 筆者在應(yīng)用支持向量機(jī)進(jìn)行供應(yīng)商信

14、用分析過程中，引入pca進(jìn)行屬性數(shù)據(jù)特征挖掘，提高了支持向量機(jī)的推廣能力和建模效率，為今后政府采購中供應(yīng)商的信用分析提供一種可借鑒的方法。實(shí)例和分析的結(jié)果表明所建信用分析模型的質(zhì)量比較高，驗(yàn)證了其有效性。 參考文獻(xiàn)： 1 yurdakul m ustafa, yusuf tansel. ahp app roach in the credit evaluation of the manufacturing firms in turkeyjinternational j ou rnal of p rod uction e conom ics, 2004,88 (3) : 269 289. 2 郝麗

15、萍,胡欣悅,李麗.利用bp網(wǎng)絡(luò)模型對(duì)商業(yè)銀行信貸風(fēng)險(xiǎn)進(jìn)行分析和預(yù)測(cè)j系統(tǒng)工程理論與實(shí)踐, 2001,21(5): 66-69. 3 齊巍巍,李友華.商業(yè)銀行公司治理與信用風(fēng)險(xiǎn)管理的博弈分析j商業(yè)研究,2005(10):68-70. 4 龐素琳,王燕鳴,羅育中.多層感知器信用評(píng)價(jià)模型及預(yù)警研究j數(shù)學(xué)的實(shí)踐與認(rèn)識(shí),2003 ,33(9) :55 - 62. 5 theodore b t and huseyin i. support vector machine for regression and application to financial forecastingjproceedind of

16、 the ieee-inns-enns international ioint conference on neural network,2000,(6)pp:348-353. 6 l. j. cao and francis e. h. tay. support vector machine with adaptive parameters in financial time series forecastingmieee transactions on neural networks, vol. 14, no. 6, 2003,november pp: 1506-1518. 7 li aijun, luo siwei, liu yunhui, and nan zhihong.combining pca and entropy criterion to build anns architecturesmproceedings of the third international conference on machine learning and cybernetics,shanghai,26-29 auguest 2004,pp:3052-3055. 8 chengj