基于BP神经网络的企业赊销风险评估研究

1、基于BP神经网络的企业赊销风险评估研究摘要：结合赊销风险的特征，提出将“赊销风险度作为新的赊销风险度量标准，在此根底上将企业赊销风险划分为5个等级，并将bp神经网络引入赊销风险评价，建立了基于bp神经网络的企业赊销风险评价模型。实证结果说明，该模型是有效且可行的。关键词：赊销风险度；客户信誉；bp神经网络；风险评价引言赊销风险就是基于信誉销售以后所产生的对将来的不确定性风险，表现为赊销客户由于各种原因，不愿意或无力归还赊销货款，使企业货款无法回收，形成呆账的可能性1。在赊销过程中，客户一般并不提供本质性担保，因此，企业面临的赊销风险也随之增加。近年来，一些企业经营陷入困境而使得供给链上的其他企

2、业因赊销货款无法正常回收也相继陷入停产和破产危机，这些实例就是最好的佐证。因此，探寻和建立行之有效的赊销风险评估方法就彰显出其重要意义。本文从赊销风险评价的目的出发，提出了基于赊销风险度的赊销风险度量标准。同时，将bp神经网络引入赊销风险评价，建立了基于bp神经网络的企业赊销风险评价模型。实证分析结果说明，该模型是有效可行的。一、赊销风险的度量标准及评价指标体系1.基于赊销风险度的赊销风险度量标准。在综合考虑赊销风险的本质和不确定性的根底上，本文提出将“赊销风险度作为一种新的赊销风险衡量标准。赊销风险度是一种以测度赊销风险暴露程度赊销货款平安系数为核心的赊销风险衡量标准，它是指对客户开展赊销业

3、务中，在特定的交易方式下，该客户由于各种原因，不愿意或无力归还赊销货款而使货款将来形成呆死账的可能性。详细计算公式为：di=1-rt其中，di为某一客户i进展赊销的赊销风险度；rt为客户i的当期货款回收率；为考核的回收期2。这一标准的优越性可见文献2。2.基于赊销风险度的赊销风险等级划分。鉴于目前银行业中运用比拟成熟的五级信誉分类制度在国内经济生活中的普及性，论文根据赊销风险度的大小将赊销风险分为5个等级，各等级对应的标准及赊销客户特征见表13。3.赊销风险评价指标体系。论文采用理论与实证相结合的方法确定赊销风险评价指标体系，首先结合相关文献和作者赊销理论，提出17项初始指标，然后用专家打分法

4、和实证分析两种方法对初始的指标体系进展挑选，最终确定12项指标见下页表2，详细分析过程略。二、基于bp神经网络的赊销风险评价模型目前对于赊销风险评价研究尚少，且赊销风险评价是复杂非线性的多因子综合系统，具有模糊、不确定等特性，合适采用构造简单、具有非线性拟合才能的神经网络。基于以上考虑，论文将比拟成熟的bp神经网络用于赊销风险评价，构建神经网络五级分类风险评价评估模型，为赊销风险管理提供一个全面的视角。本文建立的bp神经网络模型如图1所示4。图1bp神经网络模型该模型分为两大模块：前一局部是归一化模块，这一局部主要核心技术是将原始数据转化为0，1区间的标准化数据；后一局部是bp神经网络bpnn

5、模块。上述模型中的bpnn模块采用三层bp神经网络。该网络包括三层：输入层、隐层和输出层。应用上述模型进展赊销风险评价的步骤为：1.指标归一化。由于神经网络的输入要求在0，1区间，因此，在网络学习训练前首先要将各评价指标的原始数据进展归一化。由于论文本文中的12个评价指标既有定量指标，也有定性指标，它们的标准化方法是不同的。定量指标的标准化：定量指标分为两类：本钱型越小越好和效益型越大越好。对于指标fi，设其论域为di=i，i，其中i和i表示fi的可能最孝最大值，si0，1是定义在论域di上的标准化函数。以下是两种指标的标准化函数5：本钱型：si=0 xiixidi1xii效益型：si=1xi

6、ixidi0 xii定性指标的标准化：根据定性指标取值，其标准化规那么见表3。2.网络训练。原始数据经过预处理后送入归一化模块，根据输入信号按上一节的规那么进展归一化，得到12个归一化值，然后，这些归一化值被送入bpnn模块。由以上分析可知，bpnn模块输入层的神经元数为12，即输入信号x1，x2，x12对应于12个归一化值；输出神经元数为1，即输出量对应于赊销风险程度。神经网络的学习过程也就是网络参数修正的过程，本系统的网络学习采用有老师的方法，网络参数的修正采用梯度法实现。设现已有p个系统样本数据67：a，a，a=1，2，p式中，上标a表示样本序号；a为样本输出，a为实际输出。xaii=1

7、，2，12为输入变量，那么输入变量将按下式分配到隐层的第个神经元，作为其输入xx=ixai1式中，i是输入层神经元i与隐层神经元的权值。隐层神经元的输出是其输入x的函数，即：=fxai2bp神经元的传递函数fx通常为对数sigid函数。同理也可以计算输出层各个单元的输入和输出，这里不作详细表达。通过一定数量的网络训练过程，实际是修正网络参数以确定最适宜的权值使对全部n个样本的输入，按式1、2的正向运算得到的实际输出a与a期望输出样本输出的残差到达最小，即：e=a-a2最小3权值及阀值的修正通过反向传播算法的梯度法实现，详细过程略。3.模型验证。将n-p个验证样本的输入矢量x*v=x*p+1，x

8、*p+2，x*n置于网络中，进展仿真预测，得到预测输出矢量，检验与输出矢量与实际结果的差异以检验网络推广才能。4.模型确定。假如验证通过，说明所建网络泛化才能较强，可用于将来赊销企业风险评级；否那么，通过调整训练样本p的大孝隐节点数、训练周期、目的误差等重建网络。5.训练结果分析。评级模型确定后，就可以直接用于企业赊销风险评价输出衡量企业赊销风险等级的评价值，该值的范围为0，1，按照设定赊销风险等级，各个等级输出分值范围为：一级：分值范围为0二级：分值范围为0.05三级：分值范围为0.15四级：分值范围为0.3五级：分值范围为0.5这样可以从网络输出值中明确得出企业赊销风险等级。三、实证分析选

9、取东、中和西部地区赊销客户五级分类样本426家，这些样本的数据是2022年度的相关数据。从每个风险等级样本中随机选取290家企业作为模型训练样本，其余的136家企业作为检验样本。将训练样本按照标准化准那么进展标准化，建立atlab训练模型。模型输入神经元个数为12，输出为5，规那么层神经元采用tansig型函数，而输出层神经元那么采用purelin型函数。经过7614步迭代，bpnn模型收敛，误差最校将136家五级分类检验样本输入到以上训练好的神经网络中进展判别，模型总体预测精度见表4。从表4可以看出，模型的总体正确率为88.23%，这说明该模型是有效的。表4模型对检验样本总体判断结果注：括号

10、外的数字为被错误分为该类的样本数，括号内的数字为该正判样本数占所属类样本总数的百分比。结论当前提出的许多衡量赊销风险的方法，都缺乏可操作性，因此不能应用企业数据进展验证分析，这也就失去了研究的现实意义。为此，本文提出了一种基于“赊销风险度的赊销风险度量标准，并在此根底上将企业赊销风险划分为5个等级，并建立了基于bp的企业赊销风险评价模型。实验结果说明，该模型是有效且可行的。参考文献：1文彬.民营企业商业交易中的赊销制度研究j.学术研究，2022，(4):40-45.2吴玉萍，基于支持向量机的企业赊销风险评估模型j.软科学，2022，(6):130-133.3薛锋，柯孔林.粗糙集神经网络系统在商业银行贷款五级分类中的应用j.系统工程理论与理论，2022，(1):40-45.4蔡秋茹，罗烨.企业资信的bp神经网络评估模型研究j.计算机技术与开展，2022，(10):117-119.5徐泽水.不确定多属性决策方法及应用.北京:清华大学出版社，2022.6ahnbs，hs.theintegrated