潘永明 PAN Yong-ming；刘辉辉 LIU Hui-hui；朱茂东 ZHU Mao-dong
（天津理工大学管理学院，天津 300384）
（School of Management，Tianjin University of Technology，Tianjin 300384，China）
摘要： 本文采用了一种将证据理论与BP神经网络相结合的信息融合算法，该方法集中了两种算法的优势使得计算结果更加准确，为众多商业银行带来切实的利益。
Abstract: This paper uses the information fusion algorithm by the combination of evidence theory and BP neural network, this approach focuses the advantages of the two algorithms to make the results more accurate and bring tangible benefits for many commercial banks.
教育期刊网 http://www.jyqkw.com
关键词 ： 物流金融；信用风险；BP网络；证据理论
Key words: logistic finance；credit risk；BP network；evidence theory
中图分类号：F252 文献标识码：A
文章编号：1006-4311（2015）06-0016-02
0 引言
中小企业作为中国经济快速发展的生力军，贷款难一直是制约其快速进步的最主要的因素。近年来物流业大发展也使得以运输、仓储为主的传统经营不再能满足其对利益的追逐。另外，物流金融作为商业银行的重要创新，成为其在激烈的同行业竞争中取胜的必然选择。综上，物流金融势必成为中小企业、物流企业、商业银行多方关注，谋求共赢的一种发展趋势。
最早的物流金融概念是由浙江大学的邹小芃和唐元琦于2004年提出。他们认为物流金融就是面向物流运营的全过程，应用各种金融产品，实施物流、资金流、信息流的有效整合，有效地组织和调剂供应链运作过程中的货币资金的运动[1]。作为一种委托代理关系，信用是其健康运作的基础，信用风险则成为商业银行所面临的首要风险。由于物流金融业务的特殊性，其表现出与传统信贷相比更为复杂的信用风险，传统意义的信用风险评价指标体系和评价模型将会失灵，建立一整套科学进步、基于物流金融融资模式的信用风险评价体系就显得尤为重要。
本文通过将信用风险的输入数据按物流金融业务特征进行重新开发分类，建立BP网络组。根据网络组的输出，得出对于各类信用度的基本概率分配函数，最后利用DS证据理论融合。将其应用于商业银行对物流金融的信用评估中，从而实现风险的最终决策，提高了风险度量的准确度，使得商业银行在新兴的物流金融业务下的操作风险有效监控得到提升。
1 商业银行物流金融信用风险体系指标
根据物流金融的运作特点，可将其风险来源归纳为来自融资企业、抵押物以及第三方物流企业三大方面。借鉴Altman，Haldeman和Narayanan（1977）提出的第二代“ZETA计分模型”中企业信用评价指标体系[3]，将来自融资企业的风险细化为中小企业营运能力w1、盈利能力w2、偿债能力w3、及信用记录w4四大方面的十个具体指标，分别为w11持续经营、w12资产回报率、w13存货周转率、w21连续盈利、w22税后利润率、w23销售利润率、w31稳定存货、w32资产负债率、w33速冻比率、w41履约率。我国现阶段的物流金融业务主要集中于基于权利质押以及基于存货质押两种，因此质押物本身的质量也直接关系其风险大小。指标包括：所有权w51、市场性质w61、保险率w71三方面。作为重要参与方的物流企业为实现其对质押物的有效监管，企业规模w81及企业信誉w91也即成为影响物流金融风险的重要指标。
2 基于BP神经网络和证据理论的评价方法
2.1 BP 神经网络的基本原理
BP神经网络，是由Rumelhart 和 McCelland 等人（1986）提出的。其基本思想是，学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时，输入样本从输入层通过隐含层传向输出层。若输出层的实际输出与期望输出不符，则转入误差的反向传播阶段，并将误差分摊给各层的所有单元。正向传播与误差反向传播周而复始，一直到网络输出的误差减少到可接受的程度，或预先设定的次数为止。
2.2 证据理论的基本原理
2.3 信用风险评估算法
为了保证神经网络的收敛和稳定性，本论文中将15个指标分为四组，建立4个神经网络NN1，NN2，NN3和NN4。神经网络的输出设计为（0.1，0.1，0.9）T、（0.1，0.9，0.1）T、（0.9，0.1，0.1）T，表示的信用风险级别分别为高风险、中度风险、低风险，记为A1，A2，A3。将输出归一化，得到向量（a′i1，a′i2，a′i3）T，记作V′i。令mi（Ai）=a′il，i∈{1，2，3，4}，l∈{1，2，3}，表示由NNi 得到的对信用风险级别Ai的基本信任度，即针对事件Ai的证据。之后，再将4个证据利用DS证据理论融合。就可以对信用风险进行评估，最初最终决策。
3 应用实例
本次数据采集共发出问卷200份，收回135份，有效问卷92份。将前91组数据分别训练神经网络。再将余下1个样本输入训练好的神经网络，归一化处理输出结果即得该证据对该命题的基本概率分配，而后利用DS证据理论将其融合得到最终优化结果。
由表2可知，中度风险类型O2的概率随着融合次数增多逐渐趋向于1，而其余两种风险类型则趋近于0，与表1中结果相比大大地提高了结果的准确性。
4 结论
本文所提出的基于神经网络和DS证据理论的物流金融信用风险评价模型，其优势表现为：此两种算法的结合，不仅克服了单一神经网络达到高精度需要迭代次数过多而造成实时性差的缺点，而且通过大量标准样本对神经网络的训练，使得DS证据理论对系统的决策更加准确。
教育期刊网 http://www.jyqkw.com
参考文献：
[1]邹小芃，唐元琦.物流金融浅析[J].浙江金融，2004（5）：80-83.
[2]唐少艺.物流金融一中小企业发展的助推器[J].现代物流，2005（12）：60-65.
[3]Altman,Haldeman,Narayanan.ZETA analysis:a new model to identify bankruptcy risk of corporations [J]. Journal of Banking and Finance,1977.