基于BP神经网络的企业赊销风险评估研究

　　x′m=wimxai （1）
　　式中，wim是输入层神经元i与隐层神经元m的权值。隐层神经元m的输出O′m是其输入x′m的函数，即：
　　O′m=F（xai）（2）
　　BP神经元的传递函数F（x）通常为对数Sigmoid函数。同理也可以计算输出层各个单元的输入和输出，这里不作详细叙述。
　　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Oa与a期望输出（样本输出）的残差达到最小，即：
　　→ E=（Oa-a）2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，具体过程略。
　　3.模型验证。将n-p个验证样本的输入矢量x*v=（x*p+1，x*p+2，…，x*n）置于网络中，进行仿真预测，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能力。
　　4.模型确定。如果验证通过，说明所建网络泛化能力较强，可用于未来赊销企业风险评级；否则，通过调整训练样本P的大小、隐节点数、训练周期、目标误差等重建网络。
　　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α，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2007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则进行标准化，建立Matlab训练模型。模型输入神经元个数为12，输出为5，规则层神经元采用tansig型函数，而输出层神经元则采用purelin型函数。经过7614步迭代，BPNN模型收敛，误差最小。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行判别，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%，这表明该模型是有效的。
　　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行验证分析，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，并在此基础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。实验结果表明，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，2009，(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，2009，(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].系统工程理论与实践，2008，(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].计算机技术与发展，2009，(10):117-119.
　　[5]徐泽水.不确定多属性决策方法及应用[M].北京:清华大学出版社，2004.
　　[6]Ahn B S，Cho S.The integrated methodology of rough set theory and artificial neural network for business failure predic[J].Expert Systems with Applications，2000，(2):65-74.
　　[7]刘春玲，刘萍，赵可新.基于BP神经网络的企业信用评估系统研究[J].微计算机信息，2009，(9):117-119.