基于BP神經(jīng)網(wǎng)絡(luò)的商業(yè)銀行信用風(fēng)險識別實證分析

1、基于BP神經(jīng)網(wǎng)絡(luò)的商業(yè)銀行信用風(fēng)險識別實證分析李萌 陳柳欽內(nèi)容摘要 ：本文采用上市公司未按時償還貸款的比率（即貸款不良率）作為衡量信用風(fēng)險高低的標(biāo)準(zhǔn)，結(jié)合獨立樣本t檢驗和主成份分析法，構(gòu)造基于BP神經(jīng)網(wǎng)絡(luò)技術(shù)的商業(yè)銀行信用風(fēng)險識別模型。實證分析結(jié)果表明，單隱層BP神經(jīng)網(wǎng)絡(luò)模型對商業(yè)銀行信用風(fēng)險具有很強的識別能力，可以達到記憶能力和泛化能力兼容的最佳水平，但模型預(yù)測和推廣能力還有待改善，所以在最終判定企業(yè)信用風(fēng)險時必須結(jié)合其他定量和定性分析方法。本文研究結(jié)論也證明了單隱層模型要比雙隱層模型優(yōu)越，證實了雙隱層無助于提高預(yù)測準(zhǔn)確率的Lippm定理在中國的成立。關(guān)鍵詞：信用風(fēng)險；主成份分析；BP神經(jīng)網(wǎng)

2、絡(luò)；單隱層文章出處：南京社會科學(xué)2007年第1期一、導(dǎo) 言商業(yè)銀行信用風(fēng)險的管理一直是國內(nèi)外金融界關(guān)注的焦點問題。20世紀(jì)90年代以來，全球各金融機構(gòu)不斷推出新技術(shù)和新業(yè)務(wù)，商業(yè)銀行大量使用金融衍生產(chǎn)品規(guī)避信用風(fēng)險，這些新產(chǎn)品在提高銀行風(fēng)險管理水平的同時也對傳統(tǒng)的信用風(fēng)險度量技術(shù)提出了新的挑戰(zhàn)。為了更準(zhǔn)確地度量經(jīng)營活動中的實際風(fēng)險水平，大型國際商業(yè)銀行紛紛推出內(nèi)部信用風(fēng)險模型；新巴塞爾協(xié)議第三次征求意見稿規(guī)定，除標(biāo)準(zhǔn)法外，銀行可采用內(nèi)部評級法度量信用風(fēng)險，這意味著巴塞爾委員會對成員國的信用風(fēng)險管理活動提出了更高的要求。從我國現(xiàn)狀來看，目前商業(yè)銀行尚不具備推行內(nèi)部模型的條件，因此，結(jié)合我國信用風(fēng)

3、險管理的實際情況，構(gòu)建過渡期間的信用風(fēng)險識別模型，對控制和化解商業(yè)銀行信用風(fēng)險、提高我國銀行業(yè)信用風(fēng)險監(jiān)管水平以及提升國際競爭力都有重大意義。信用風(fēng)險識別模型研究又可稱為企業(yè)財務(wù)困境研究，二者本質(zhì)相同，只是研究的出發(fā)點不同：從銀行的角度看，叫做信用風(fēng)險識別分析；從企業(yè)的角度看，叫做企業(yè)財務(wù)困境分析。早期關(guān)于財務(wù)報表信息與信用風(fēng)險關(guān)系的研究主要以線性判別為主，在線性判別模型中又以Beaver（1966）的單變量模型和Altman（1968）的多元模型影響最為廣泛。Libby(1975)首次將主成份分析方法引入判別模型以克服變量多重共線性的問題。由于神經(jīng)網(wǎng)絡(luò)技術(shù)在解決非線性建模問題上具有天然優(yōu)勢，

4、許多學(xué)者嘗試將其用于信用風(fēng)險識別研究且大多得出了神經(jīng)網(wǎng)絡(luò)優(yōu)于普通線性識別方法的結(jié)論。Odom和Sharda(1990)用BP神經(jīng)網(wǎng)絡(luò)預(yù)測了財務(wù)困境，結(jié)果顯示神經(jīng)網(wǎng)絡(luò)模型優(yōu)于判別分析模型。Altman等（1994）發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)方法有時優(yōu)于線性判別方法，但由于神經(jīng)網(wǎng)絡(luò)有時過度訓(xùn)練產(chǎn)生了不合理的權(quán)重，從總體上看線性判別方法要優(yōu)于神經(jīng)網(wǎng)絡(luò)方法。Lee等（1996）以韓國公司的財務(wù)數(shù)據(jù)為樣本比較了多層神經(jīng)網(wǎng)絡(luò)方法和多元判別方法(MDA)，結(jié)果顯示在財務(wù)困境預(yù)測問題上神經(jīng)網(wǎng)絡(luò)方法的預(yù)測效果和適應(yīng)性均優(yōu)于多元判別方法。我國對企業(yè)財務(wù)困境的研究剛剛起步，還集中于對企業(yè)財務(wù)困境的成因的定性分析和線性判別分析，如

5、陳靜（1999）首次在國內(nèi)運用統(tǒng)計方法和計量模型進行財務(wù)困境預(yù)警研究。梁琪（2003）運用主成份分析與判別分析相結(jié)合的方法預(yù)測企業(yè)財務(wù)困境。王春峰等（1999）是國內(nèi)較早采用神經(jīng)網(wǎng)絡(luò)模型預(yù)測企業(yè)信用風(fēng)險狀況的學(xué)者。總的說來，國內(nèi)相關(guān)研究多是從上市公司角度進行的財務(wù)預(yù)警研究；且受數(shù)據(jù)來源所限（上市公司的履約情況和債項特征屬于內(nèi)部機密，一般研究人員很難獲得），幾乎所有研究都是以上市公司被宣布特別處理作為財務(wù)困境標(biāo)志；構(gòu)造模型時多基于線性判別技術(shù)，較少運用Logit模型和神經(jīng)網(wǎng)絡(luò)技術(shù)。本文以上市公司未按時償還貸款的比率（即貸款不良率）作為信用風(fēng)險高低的衡量標(biāo)準(zhǔn)，結(jié)合主成分分析法和BP神經(jīng)網(wǎng)絡(luò)技術(shù)構(gòu)造

6、我國商業(yè)銀行信用風(fēng)險模型，采用我國某國有商業(yè)銀行貸款客戶的財務(wù)信息（主成份）和違約數(shù)據(jù)作為樣本。BP神經(jīng)網(wǎng)絡(luò)實證分析的結(jié)論表明：單隱層BP神經(jīng)網(wǎng)絡(luò)模型對商業(yè)銀行信用風(fēng)險具有很強的識別能力，判定準(zhǔn)確率可達100，但模型的預(yù)測和推廣能力較為有限，商業(yè)銀行在識別、度量和預(yù)測信用風(fēng)險時不能完全依賴于該模型。正文共分四部分，第一部分是導(dǎo)言，第二部分是BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)造，第三部分是實證分析，最后一部分是研究結(jié)論和政策啟示。 二、BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)造（一）主成份分析。為了避免包含企業(yè)信用風(fēng)險信息的財務(wù)指標(biāo)被排除在研究之外、最大限度地檢驗各種指標(biāo)對企業(yè)信用風(fēng)險的解釋作用，此次檢驗將引入46個不同的

7、財務(wù)指標(biāo)。但指標(biāo)的高維性特點又為研究帶來了新的問題：這些指標(biāo)之間高度相關(guān)，直接納入分析不僅復(fù)雜，變量間難以取舍，而且可能因為多重共線性而無法得出正確結(jié)論。因此，在利用信用風(fēng)險識別模型對我國商業(yè)銀行的信用風(fēng)險進行實證檢驗之前，我們首先引入主成份分析法。主成份分析法的基本思路是：從p個原始財務(wù)指標(biāo)中提取m個相互獨立主成份，每個主成份都是原來多個指標(biāo)的線性組合。提取的主成份根據(jù)特征值大小排序，特征值最大的主成份對原始財務(wù)指標(biāo)的解釋力度最大，如果特征值小于1，表示該主成份的解釋力度還不如直接引入一個原變量的解釋力度大。如果m（mp）個主成份可以解釋大部分原始財務(wù)指標(biāo)的方差或者提取主成份的累計貢獻率達到

8、80%以上，那么m維主成份空間就能夠最大限度地保留原始p維財務(wù)指標(biāo)空間的信息。主成份分析的具體步驟如下：1、原始數(shù)據(jù)標(biāo)準(zhǔn)化。設(shè)有n家上市公司樣本，每個樣本由p個財務(wù)指標(biāo)x1，x2，xp來描述，（1）其中Xi(x1i，x2i，xni)，p為模型選取的財務(wù)指標(biāo)的數(shù)量。由于主成份分析法的出發(fā)點是評價指標(biāo)的協(xié)方差矩陣，而協(xié)方差容易受評價指標(biāo)量綱和數(shù)量級的影響，因此，首先需要用Z-score公式將原始指標(biāo)進行標(biāo)準(zhǔn)化處理，標(biāo)準(zhǔn)化后的指標(biāo)矩陣為V，其中：（2）其中， 2、計算相關(guān)系數(shù)矩陣（協(xié)方差矩陣）。標(biāo)準(zhǔn)化后，財務(wù)指標(biāo)的協(xié)方差矩陣等于相關(guān)系數(shù)矩陣R（R（rij），rij的計算公式為，（3）其中， 可以看出

9、，R是實對稱矩陣（即rij =rji），所以只需計算其上三角或下三角元素即可。3、計算特征值和特征向量。通過雅可比（Jacobi）方法求解特征方程IR0，得出特征值i（i1，2，p），因為R為正定矩陣，所以其特征值i都為正數(shù)，按其大小排列，即12ip，特征值是各主成份的方差，它的大小反映了各個主成份在描述被評價對象上所起的作用。特征向量矩陣U可以通過方程RIU0求得。令FUTV，也即 （4）F被稱為因子得分系數(shù)矩陣。4、計算主成份貢獻率和累計貢獻率。第m個主成份Ym的方差貢獻率為 前m個主成份Y1，Y2 ，Ym，的累計方差貢獻率為 Ym的方差貢獻率am表示該主成份的方差在原始指標(biāo)總方差中所占的

10、比重，即第m個主成份提取得原始p個指標(biāo)的信息量。因此，前m個主成份Y1，Y2 ，Ym的累計方差貢獻率a（m）越大，說明前m個主成份包含的信息越多。5、選擇主成份個數(shù)。如前所述，主成份分析的目的就在于將原來為數(shù)較多的指標(biāo)轉(zhuǎn)化成少數(shù)綜合指標(biāo)，同時盡可能多保留原始指標(biāo)的信息，從而減少綜合評價的工作量。因此，確定主成份個數(shù)要力圖使k盡可能小而a(m)盡可能大，即以較小的主成份獲取足夠多的原始信息。確定主成份的個數(shù)，一般要求前m個主成份的累計方差貢獻率不低于80%或者要求特征根大于1，本次研究將采用前者。選取的m個主成份將矩陣U分成兩部分： 則 其中 為主成份解釋的信息， 為殘余信息。根據(jù)因子得分系數(shù)矩

11、陣，財務(wù)指標(biāo)Vi可以表示為：ViUi1F1Ui2F2UimFm（5）  （二）BP神經(jīng)網(wǎng)絡(luò)模型。人工神經(jīng)網(wǎng)絡(luò)是對生物神經(jīng)網(wǎng)絡(luò)系統(tǒng)的模擬，其信息處理功能是由網(wǎng)絡(luò)單元的輸入輸出特性(激活特性)、網(wǎng)絡(luò)的拓撲結(jié)構(gòu)(神經(jīng)元的聯(lián)接方式)所決定的。人工神經(jīng)網(wǎng)絡(luò)是由大量的神經(jīng)元互聯(lián)組成，模擬大腦神經(jīng)處理信息的方式并對信息進行并行處理和非線形轉(zhuǎn)換的系統(tǒng)。通過樣本信息對神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，使其具有與大腦相類似的記憶、辨識能力。按照網(wǎng)絡(luò)的拓撲結(jié)構(gòu)和運行方式，神經(jīng)網(wǎng)絡(luò)可分為沒有反饋的前向網(wǎng)絡(luò)和相互結(jié)合性網(wǎng)絡(luò)。前向網(wǎng)絡(luò)由輸入層，中間層（隱含層）和輸出層組成，中間層還可有若干層，每層的神經(jīng)元只接受前一層的

12、輸出。神經(jīng)網(wǎng)絡(luò)是近年來興起的現(xiàn)代智能分析技術(shù)，作為研究復(fù)雜問題的有力工具，它能夠很好地解決判別分析、Logit模型等傳統(tǒng)分類方法不能解決的信用風(fēng)險與財務(wù)指標(biāo)之間關(guān)系非線性、財務(wù)指標(biāo)呈厚尾分布等問題，在模型識別與分類、預(yù)測、自動控制等方面具有其他方法無法比擬的優(yōu)越性。在信用風(fēng)險識別研究中，最為常用的網(wǎng)絡(luò)是BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)和概率神經(jīng)網(wǎng)絡(luò)，BP網(wǎng)絡(luò)是一種單向傳播的多層前向網(wǎng)絡(luò)，由于其良好的逼近非線性函數(shù)的映射能力和并行處理等特點，BP網(wǎng)絡(luò)可以逼近任何非線性映射關(guān)系，從而求得問題的解答，而不是依靠對問題的先驗知識和規(guī)則，適應(yīng)性強，非常適合解決無規(guī)則、多約束條件或殘缺數(shù)據(jù)的分類和模式識別問題

13、。由于理論依據(jù)完善、又能夠解決數(shù)據(jù)樣本特征的限制極少，BP神經(jīng)網(wǎng)絡(luò)在解決分類問題時得到廣泛青睞。本文將BP神經(jīng)網(wǎng)絡(luò)對我國商業(yè)銀行的信用風(fēng)險進行識別研究。1、BP神經(jīng)網(wǎng)絡(luò)的基本原理。BP (Back Propagation)網(wǎng)絡(luò)即誤差逆?zhèn)鞑ド窠?jīng)網(wǎng)絡(luò)，是能實現(xiàn)映射變換的前饋網(wǎng)絡(luò)中最常用的一類網(wǎng)絡(luò)，它是一種典型的誤差修正方法，具有理論上能逼近任意非線性連續(xù)函數(shù)的能力，且結(jié)構(gòu)簡單，易于編程，在眾多的領(lǐng)域得到了廣泛的應(yīng)用。BP網(wǎng)絡(luò)是一種單向傳播的多層前向網(wǎng)絡(luò)，它解決了多層網(wǎng)絡(luò)中隱含單元連接權(quán)的學(xué)習(xí)問題。BP神經(jīng)網(wǎng)絡(luò)可以看作是一個從輸入到輸出的高度非線性映射。在輸入和輸出層之間可以有一個或多個隱含層，信號

14、是向前傳遞的，每一層節(jié)點的輸出只影響下一層節(jié)點的輸入，不帶反饋和層內(nèi)相互連接結(jié)構(gòu)。當(dāng)參數(shù)調(diào)整時，算法中含有誤差反向傳播過程（BP網(wǎng)絡(luò)由此得名），通過反向傳播學(xué)習(xí)算法，調(diào)整網(wǎng)絡(luò)的連接權(quán)值，以使網(wǎng)絡(luò)輸出在最小均方差意義下，盡量向期望輸出接近，反向?qū)W習(xí)的進程由正向傳播和反向傳播組成，在正向傳播過程中，輸出信息隱含神經(jīng)元逐層處理并傳向輸出層，如果輸出層不能得到期望的輸出，則輸入反向傳播過程，將實際輸出與期望輸出之間的誤差沿原來的連接通路返回，通過修改各層神經(jīng)元的連接權(quán)值，使誤差減小，然后轉(zhuǎn)入正向傳播過程，反復(fù)循環(huán)，直至誤差小于給定的誤差精度。BP 神經(jīng)網(wǎng)絡(luò)通常選用三層結(jié)構(gòu)，即輸入層、隱層和輸出層，輸入

15、層與輸出層的神經(jīng)元個數(shù)完全根據(jù)分類問題的要求來設(shè)計，而中間隱層單元數(shù)的選擇沒有很好的解析式來表達，各神經(jīng)元由網(wǎng)狀結(jié)構(gòu)連接而成（如圖1所示）。輸入信號 輸出信號   輸入層 隱含層 輸出層圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖網(wǎng)絡(luò)最基本的處理單位是神經(jīng)元，其輸出輸入關(guān)系可描述為：其中yj是從其他神經(jīng)元傳來的輸入信號，j為閾值，wij表示從神經(jīng)元i到j(luò)的連接權(quán)值，f（l）為傳遞函數(shù)。傳遞函數(shù)有多種，例如S型（Sigmoid）函數(shù)、閾值型轉(zhuǎn)換函數(shù)等。2、BP網(wǎng)絡(luò)參數(shù)確定和計算流程。設(shè)BP神經(jīng)網(wǎng)絡(luò)的各參數(shù)分別為：輸入層的輸入：Ak（y1，y2，ym）輸出層的期望輸出：Tk（a1，a2，aq）輸出

16、層的實際輸出：Zk（z1，z2，zq）隱層的輸入：Sk（s1，s2，sp）隱層的輸出：Bk（b1，b2，bp）輸出層的輸入：Lk（l1，l2，lq）隱層的閾值：j（j1，2，p）輸出層的閾值：t（t1，2，q）輸入層與隱層間的網(wǎng)絡(luò)權(quán)值為wij，隱層與輸出層間的網(wǎng)絡(luò)權(quán)值為vjt，轉(zhuǎn)換函數(shù)采用S型函數(shù)： 本次研究構(gòu)造的BP神經(jīng)網(wǎng)絡(luò)信用風(fēng)險識別模型將沿以下流程進行計算王偉：人工神經(jīng)網(wǎng)絡(luò)原理入門及其應(yīng)用M，北京航空航天大學(xué)出版社，1995年版。：1）權(quán)值和閾值初始化。隨機給出權(quán)值|wij|、|vjt|和|j|、|t|的初始值，計算器歸零。2）給定輸入信號Ak，（k1，2，m）和期望輸出信號Tk（k1，

17、2，q）。3）計算神經(jīng)網(wǎng)絡(luò)前向傳播信號。隱節(jié)點的輸入輸出：輸出節(jié)點的輸入輸出：實際輸出節(jié)點和目標(biāo)值之間的誤差：4）各層次權(quán)值和閾值的修正。如果誤差不能滿足誤差精度要求，從輸出層開始，誤差信號將沿連接通路反向傳播，以修正權(quán)值和閾值。（a）權(quán)值的修正。分析誤差與隱層和輸出層之間權(quán)重的關(guān)系（各輸出節(jié)點之間相互獨立）（6）其中，設(shè) 則 同樣可以推導(dǎo)輸入層與隱層之間的權(quán)重（7）設(shè) 則 從以上推導(dǎo)過程可以看出，權(quán)值的修正量wij、vjt與誤差函數(shù)梯度的下降成正比，因此可得： ， ， 被稱為學(xué)習(xí)率，綜上所述，各層之間的連接權(quán)值修正公式為：輸出節(jié)點誤差項： （8）輸出層權(quán)值修正： （9）隱節(jié)點誤差項： （10

18、）隱層權(quán)值修正： （11）（b）閾值的修正。隱層和輸出層閾值j、t也是變化值，在修正權(quán)值的同時也可對其進行修正，其修正原理與權(quán)值基本相同。對于輸出層閾值t，所以，輸出層閾值修正公式為 （12）對于隱層閾值j，其中，所以，隱層閾值修正公式為， （13）5）隨機抽取一個學(xué)習(xí)模式（樣本）提供給網(wǎng)絡(luò)，返回第3）步，直至n個模式（訓(xùn)練樣本）全部訓(xùn)練完畢。6）重新從n個模式中隨機選取一個模式返回第3）步進行訓(xùn)練，直至訓(xùn)練誤差達到誤差精度（）要求，訓(xùn)練結(jié)束，即。三、實證分析（一）樣本采集及數(shù)據(jù)處理。1、樣本企業(yè)與財務(wù)指標(biāo)的采集。此次研究的樣本來源于在我國某商業(yè)銀行2002、2003、2004年均有貸款且財務(wù)

19、報表齊全的218家上市公司客戶，3年共得到654個樣本。在借鑒了國內(nèi)外研究成果和穆迪、標(biāo)準(zhǔn)普爾等公司資信評級指標(biāo)體系后，本次研究選取了46個財務(wù)指標(biāo)（如表1所示）。數(shù)據(jù)來源于該商業(yè)銀行信貸管理系統(tǒng)和證券之星（）、上海證券交易所（）、深圳證券交易所（）等權(quán)威證券網(wǎng)站。表1 原始財務(wù)指標(biāo)及其分類指標(biāo)分類財 務(wù) 指 標(biāo)流動性與償還能力指標(biāo)流動比率，速動比率，營運資本，期末速動資產(chǎn)，利息保障倍數(shù)，資產(chǎn)短期負債率盈利能力指標(biāo)（含動態(tài)指標(biāo)）資產(chǎn)利潤率，資產(chǎn)報酬率，息稅前利潤，凈資產(chǎn)報酬率，銷售凈利潤率，銷售毛利率，主營業(yè)務(wù)利潤率，營運資本總資產(chǎn)比，營運資本主營業(yè)務(wù)收入比，盈利波動率 資本結(jié)構(gòu)與財務(wù)杠桿指標(biāo)

20、資產(chǎn)負債比率，產(chǎn)權(quán)比率資產(chǎn)管理效率指標(biāo)總資產(chǎn)周轉(zhuǎn)率，存貨周轉(zhuǎn)率，應(yīng)收賬款周轉(zhuǎn)率，其他應(yīng)收款周轉(zhuǎn)率，股東權(quán)益周轉(zhuǎn)率，固定資產(chǎn)周轉(zhuǎn)率，平均負債成本率成長性指標(biāo)（含動態(tài)指標(biāo)）盈利增長指數(shù)，LOG（固定資產(chǎn)總額），總資產(chǎn)增長率，主營業(yè)務(wù)收入增長率，留成利潤比，平均股東權(quán)益，留存收益，留存收益總資產(chǎn)比，平均負債總額，凈資產(chǎn)增長率資本市場表現(xiàn)指標(biāo)股本帳面值市值比， 每股收益，每股凈資產(chǎn)現(xiàn)金流量指標(biāo)現(xiàn)金流量比率，現(xiàn)金流量財務(wù)費用比，主營業(yè)務(wù)收入現(xiàn)金流量占比，籌資活動凈流入與負債比率，每股現(xiàn)金流量資產(chǎn)質(zhì)量指標(biāo)主營業(yè)務(wù)收入占比，銷售現(xiàn)金實現(xiàn)率，資本化率由于種種原因，我國個別上市公司特別是財務(wù)狀況不佳的公司的財務(wù)

21、報表具有失真現(xiàn)象，陳小悅(1999)也發(fā)現(xiàn)上市公司為爭取擴股權(quán)而普遍存在操縱利潤現(xiàn)象，為避免類似情況可能對本次檢驗帶來的負面影響，我們剔除了含異常指標(biāo)的樣本85個，所以正常樣本就是569個。假設(shè)財務(wù)指標(biāo)為xij（1i654，1j46），異常指標(biāo)被定義為： 。2、樣本數(shù)據(jù)的分組確定。樣本被分為兩組，2002年和2003年的樣本為訓(xùn)練樣本（390個），2004年的樣本為預(yù)測樣本（179個）。一般認為，國際上的優(yōu)質(zhì)商業(yè)銀行不良貸款率在3%以下，中等商業(yè)銀行在5%左右(王雍，2003)，因此，本次研究以不良率5%作為高風(fēng)險企業(yè)和低風(fēng)險企業(yè)的分界線。根據(jù)以上分組標(biāo)準(zhǔn)，樣本總體包括高風(fēng)險企業(yè)191，低風(fēng)險

22、企業(yè)378個；在訓(xùn)練樣本中，高風(fēng)險企業(yè)148個，低風(fēng)險企業(yè)242個；在預(yù)測樣本中，高風(fēng)險企業(yè)43個，低風(fēng)險企業(yè)136個。3、財務(wù)指標(biāo)的獨立樣本t檢驗。由于本次研究引入的初始財務(wù)指標(biāo)多達46個，為簡化模型的檢驗過程，在實證分析前首先利用SPSS軟件對全部財務(wù)指標(biāo)進行獨立樣本t檢驗，檢驗結(jié)果表明，在兩類企業(yè)之間有顯著差異的財務(wù)指標(biāo)共33個，分別為：營運資本、資產(chǎn)利潤率、資產(chǎn)報酬率、息稅前利潤、凈資產(chǎn)報酬率、平均股東權(quán)益、期末速凍資產(chǎn)、營運資本主營業(yè)務(wù)收入比、現(xiàn)金流量比率、利息保障倍數(shù)、總資產(chǎn)周轉(zhuǎn)率、存貨周轉(zhuǎn)率、應(yīng)收賬款周轉(zhuǎn)率、其他應(yīng)收賬款周轉(zhuǎn)率、股東權(quán)益周轉(zhuǎn)率、固定資產(chǎn)周轉(zhuǎn)率、盈利增長指數(shù)、log

23、（固定資產(chǎn)）、總資產(chǎn)增長率、留成利潤比、留存利潤總資產(chǎn)比、資產(chǎn)負債率、產(chǎn)權(quán)比率、留存收益、盈利波動率、資產(chǎn)短期負債率、凈資產(chǎn)增長率、主營業(yè)務(wù)收入現(xiàn)金流量占比、籌資活動凈流入現(xiàn)金與負債比率、每股現(xiàn)金流量、每股收益、每股凈資產(chǎn)、股本賬面市值比。4、財務(wù)指標(biāo)的主成份分析。SPSS等統(tǒng)計軟件的默認設(shè)置都是以特征根大于1為標(biāo)準(zhǔn)抽取主成份的，經(jīng)驗表明，特征根標(biāo)準(zhǔn)確定的主成份數(shù)目偏低；而本次檢驗引入的原始財務(wù)指標(biāo)較多，主成份提取不足很容易造成有效信息的丟失，因此，我們使用累計貢獻率標(biāo)準(zhǔn)代替特征值標(biāo)準(zhǔn)。提取主成份時，我們還采用了方差最大化正交旋轉(zhuǎn)法，正交旋轉(zhuǎn)法并不影響主成份的提取過程和結(jié)果，只是改變了信息量在

24、不同主成份上的分布，便于對主成份找到合理的經(jīng)濟解釋?；谥鞒煞堇塾嬝暙I率大于80%的標(biāo)準(zhǔn)，在對測試樣本進行標(biāo)準(zhǔn)化處理后，模型從33個主成份中提取了12個。根據(jù)主成份負荷矩陣和因子得分系數(shù)矩陣，可了解各主成份與原始指標(biāo)之間的相關(guān)關(guān)系，例如與主成份Y1相關(guān)關(guān)系最強的原始指標(biāo)是凈資產(chǎn)報酬率、資產(chǎn)報酬率、資產(chǎn)利潤率、每股收益和留存利潤總資產(chǎn)比，則可認定該主成份屬于盈利性指標(biāo)。（二）實證分析過程。1、神經(jīng)網(wǎng)絡(luò)模型基本參數(shù)。本次研究中網(wǎng)絡(luò)的訓(xùn)練和測試均通過Matlab軟件完成，在用Matlab軟件編制相應(yīng)的網(wǎng)絡(luò)訓(xùn)練和測試程序之前，首先要確定以下參數(shù)：1）網(wǎng)絡(luò)類型。如前所述，筆者將基于單隱層的BP神經(jīng)網(wǎng)絡(luò)構(gòu)

25、建我國信用風(fēng)險識別模型。2）各層神經(jīng)元個數(shù)。網(wǎng)絡(luò)的輸入層引入主成份分析抽取的12個主成份，共12個節(jié)點，每個節(jié)點代表樣本對應(yīng)的主成份；輸出層用一個節(jié)點表示，訓(xùn)練值為0表示低風(fēng)險樣本，訓(xùn)練值等于1為高風(fēng)險樣本。對于隱含層節(jié)點數(shù)的確定，在理論上并無明確規(guī)定，隱節(jié)點數(shù)太少，網(wǎng)絡(luò)的記憶能力差，需要訓(xùn)練的次數(shù)多，訓(xùn)練精度不夠；隱節(jié)點數(shù)太多，有利于對訓(xùn)練樣本的擬合，但是過多的節(jié)點使得網(wǎng)絡(luò)將輸入生硬（rigidly）映射到輸出，網(wǎng)絡(luò)只是記憶數(shù)據(jù)而不是學(xué)習(xí)數(shù)據(jù)中的特征和盡力發(fā)現(xiàn)基本規(guī)則，對樣本以外輸入的響應(yīng)就不是“柔性的”（soft），模型的泛化能力差。也即，BP網(wǎng)絡(luò)用于模型分類時的記憶能力和泛化能力存在著矛

26、盾：一方面需要充分的隱層和充足的節(jié)點存儲復(fù)雜的類別邊界信息，另一方面太復(fù)雜的結(jié)構(gòu)會引來噪聲，甚至使分類過程不能收斂。因此， 本文將采用生成結(jié)構(gòu)法，從少到多，逐步增加隱節(jié)點數(shù)目，根據(jù)網(wǎng)絡(luò)學(xué)習(xí)和訓(xùn)練的效果確定最佳的隱節(jié)點數(shù)目。3）誤差精度。本文選用的網(wǎng)絡(luò)誤差精度為103。4）傳遞函數(shù)。本文構(gòu)造的網(wǎng)絡(luò)的輸入層節(jié)點選用雙曲正切S型函數(shù)，輸出層采用線性函數(shù)。2、單隱層BP網(wǎng)絡(luò)模型的準(zhǔn)確性和運行結(jié)果。將訓(xùn)練次數(shù)定為1000次，不同隱節(jié)點數(shù)對應(yīng)的訓(xùn)練樣本和測試樣本的誤判值如表2所示：表2 單隱層BP網(wǎng)絡(luò)模型的訓(xùn)練和預(yù)測結(jié)果隱節(jié)點數(shù) 訓(xùn)練性能 訓(xùn)練樣本測試樣本總誤判比率第一類錯誤第二類錯誤

27、誤判比率第一類錯誤第二類錯誤誤判比率10.1565 35 27 0.1590 18 30 0.2682 0.1933 20.1921 64 19 0.2128 26 12 0.2123 0.2127 30.0900 28 10 0.0974 23 35 0.3240 0.1687 40.0437 17 8 0.0641 17 48 0.3631 0.1582 50.0070 6 5 0.0282 21 45 0.3687 0.1353 60.0040 0 0 0.0000 22 36 0.3240 0.1019 70.0027 0 0 0.0000 34 42 0.4246 0.1336 80

28、.0013 0 0 0.0000 35380.40780.128390.0009 0 0 0.0000 32400.40220.1265100.0010 0 0 0.0000 29360.36310.1142110.0012 0 0 0.0000 26400.36870.1160120.0010 0 0 0.0000 30380.37990.1195130.0008 0 0 0.0000 27380.36310.1142140.0050 0 0 0.0000 30380.37990.1195150.0010 0 0 0.0000 28400.37990.1195160.0012 0 0 0.0

29、000 25450.39110.1230170.0009 0 0 0.0000 27420.38550.1213180.0010 0 0 0.0000 24430.37430.1178190.0014 0 0 0.0000 30360.36870.1160200.0004 0 0 0.0000 32490.45250.1424數(shù)據(jù)來源：Matlab輸出結(jié)果。圖2 單隱層BP網(wǎng)絡(luò)訓(xùn)練性能（隱節(jié)點5） 圖3 單隱層BP網(wǎng)絡(luò)訓(xùn)練性能（隱節(jié)點10） 圖4 單隱層BP網(wǎng)絡(luò)訓(xùn)練性能（隱節(jié)點15）根據(jù)模型的運行結(jié)果可知，隨著隱節(jié)點的增加，單隱層BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練性能逐步提高（如圖2至

30、圖4所示），總誤判比率逐步降低；當(dāng)隱節(jié)點等于10時，模型的總誤判比率最低，只有11.42%，其中訓(xùn)練樣本的誤判率為0，測試樣本的誤判率為36.31%；隱節(jié)點超過10后，隱節(jié)點增加對提高模型判別的準(zhǔn)確率無明顯作用，總誤判比率基本穩(wěn)定在12%左右。在整個訓(xùn)練過程中，隨著隱節(jié)點的增加，模型達到精度要求的運行步數(shù)逐漸減少，訓(xùn)練所能達到的精度逐步提高（隱節(jié)點等于1時，模型運行1000步只能達到0.1425的精度；而當(dāng)隱節(jié)點等于20時，模型運行10步即能達到0.0003的精度），但模型的運行時間也有明顯增加。隱節(jié)點大于5的網(wǎng)絡(luò)對訓(xùn)練樣本判別的誤判率都達到0，說明模型在訓(xùn)練過程中的自我學(xué)習(xí)和調(diào)整對提高判定準(zhǔn)

31、確性作用顯著。隱節(jié)點等于10時，測試樣本的誤判比率達到波谷水平。說明BP神經(jīng)網(wǎng)絡(luò)模型最佳節(jié)點數(shù)是10，此時模型達到記憶能力和泛化能力兼容的最佳水平。但是，測試樣本36.31%的誤判率表明模型泛化能力還有待進一步改善。3、雙隱層BP網(wǎng)絡(luò)模型的運行結(jié)果。為了進一步驗證上述神經(jīng)網(wǎng)絡(luò)模型的性能，本文還采用雙隱層模型與之進行比較。雙隱層模型與單隱層模型的參數(shù)基本相似，只是傳遞函數(shù)有所不同。上述單隱層BP網(wǎng)絡(luò)的輸入層節(jié)點選用雙曲正切S型函數(shù)，輸出層采用線性函數(shù)；此次引入的雙隱層模型在雙曲正切S型函數(shù)和線性函數(shù)之間插入對數(shù)S型函數(shù)。誤差精度仍定為103。雙隱層BP神經(jīng)網(wǎng)絡(luò)的運行結(jié)果如表3所示：表3 雙隱層B

32、P網(wǎng)絡(luò)模型的訓(xùn)練和預(yù)測結(jié)果隱節(jié)點數(shù)訓(xùn)練性能訓(xùn)練樣本測試樣本總誤判比率第一類錯誤第二類錯誤誤判比率第一類錯誤第二類錯誤誤判比率10.1735 30 36 0.1692 16 36 0.2905 0.2074 20.1580 29 12 0.1051 26 39 0.3631 0.1863 30.0180 22 9 0.0795 32 31 0.3520 0.1652 40.0837 6 8 0.0359 24 52 0.4246 0.1582 50.0120 20 31 0.1308 26 47 0.4078 0.2179 60.0090 15 10 0.0641 21 32 0.2961 0.

33、1371 70.0072 51 29 0.2051 20 33 0.2961 0.2337 80.0006 0 0 0.0000 35 40 0.4190 0.1318 90.0009 0 0 0.0000 33 37 0.3911 0.1230 100.0012 0 0 0.0000 30 38 0.3799 0.1195 110.0012 0 0 0.0000 37 37 0.4134 0.1301 120.0009 8 4 0.0308 32 30 0.3464 0.1301 130.0010 3 2 0.0128 35 32 0.3743 0.1265 140.0056 0 0 0.0000 41 37 0.4358 0.1371 150.0008 0 0 0.0000 34 40 0.4134 0.1301 數(shù)據(jù)來源：Matlab輸出結(jié)果。由表3看出，當(dāng)隱節(jié)點等于10時，雙隱層神經(jīng)網(wǎng)絡(luò)模型的總誤判率最低，為11.95%，略高于單隱層模型11.42%的最低誤判率，表明雙隱層模型的判定性沒有單隱層優(yōu)越；而且對于其他隱節(jié)點數(shù)，雙隱層模型的誤判比率普遍高于單隱層模型。此外，相對于單隱層模型，雙隱層模型的運行結(jié)果極不穩(wěn)定，隱節(jié)點等于12和13時對