论文部分内容阅读
摘要：隨着我国经济的高速发展，企业已经进入了全面的市场竞争阶段，企业信用评价的好坏直接决定了企业的竞争力，然而我国目前信用管理尚处于初级阶段，在市场经济的发展过程中出现了很多由信用风险引发的问题，本文通过对企业信用评级的研究，使企业能够更好地监控和预测信用风险，更好地进行信用管理。
关键词：企业信用评级;神经网络;熵权法
随着我国经济建设的不断发展，国家实力不断增强，我国的社会主义市场经济也在朝着高度发达的现代信用经济的方向前进，信用经济是市场经济的基础，没有信用就谈不上现代经济。但是我们在建设中国特色的社会主义市场经济道路上遇到了很多危机与困难，一方面，现代信用价值标准与我国传统信用价值标准和文化发生冲突，另一方面，现代信用体系和规范尚未完善。因此在市场经济中出现了很多不规范，甚至违法行为。企业信用评级作为信用体系的一个重要部分，对于预测和控制企业信用风险，加强企业信用管理具有重要作用。
1.企业信用评级指标体系的构建
进行企业信用评级前首先要建立信用评级指标体系，作者研究大量企业信用评级的相关文献、论文以及期刊等文章后，发现目前国际上普遍采用信用5C分析法评估企业信用，而现在我国主要根据安全性、收益性、成长性、流动性和生产性来衡量企业的信用状况。本文结合前人的研究基础，得出企业信用评级的指标体系要既包括财务指标，也要包括非财务指标，定量与定性相结合，更加全面和准确的进行企业信用评级。
财务指标选取了能够全面反映企业的盈利能力、偿债能力、营运能力、现金流量和成长能力的26个财务指标
除了企业的盈利能力、偿债能力等财务指标与企业信用有关外，企业的发展能力也与企业信用密切相关，因此在对企业进行信用评级时也应当关注此类信息。本文通过广泛使用的非财务指标结合爬取的数据最终选择了企业注册资本、经营年限、行业类型来反映企业的发展能力。
2.企业信用评级的实现
2.1期望信用评级的实现
使用神经网络时，要明确网络的期望输出，神经网络才能根据训练样本识别其中的规律，但作者没有找到样本企业已有的信用评级的信息，因此本文决定计算各企业的信用评分，然后按银行信用等级划分标准对样本企业进行划分。
根据各企业信用评分和商业银行信用等级划分标准，对各企业信用进行评级，发现样本数据中的企业信用都比较不错，没有处于C类等级的，绝大多数企业都处于良好状态 。
2.2基于BP神经网络模型的企业信用评级的实现
构建神经网络结构，即确立神经网络的输入层、隐含层和输出层，由于这些都是要在实践中根据实际需要设定，因此不存在一个确定的标准。
（1）输入层设计
本文从同花顺网站上爬取了样本数据中各企业计算期望评级时各项财务指标所对应时期的各项能力的评分，包括量、成长能力、资金面、行业面、消息面评分，将这8个数据作为输入节点。
（2）隐含层设计
隐含层节点数的确定并没有标准的方法，如果隐含层节点数设置过少，则可能达不到训练的效果，但如果隐含层节点数设置过多，虽然能够增加准确度，减少误差，但会使训练时间加长，甚至出现过拟合的情况，因此往往需要在实践中根据经验进行调试， 本文根据设置隐含层节点数的多个方法进行试验，最终选择了用sqrt（输入层节点数*输出层节点数）计算隐含层节点数，获得的结果误差最小。
（3）输出层设计
本文是将样本数据中的各企业的实际信用情况和计算的期望信用评级进行预测，因此选择期望信用评级作为输出节点。
本文结合样本数据，为使运行结果更好，选择了三层神经网络拓扑结构，神经网络是一门机器学习语言，因此要首先对其进行训练，本文选用了MATLAB的神经网络工具箱的GUI界面来进行神经网络。
结果显示：样本输入层节点数为8，隐含层节点数为3，输出层节点数为1，w表示权重，b表示阈值。
根据训练数据梯度与均方图可知：最好的均方误差为0.1，验证数据集在第23次迭代中达到了0.1，训练集与测试集误差均低于0.1，说明训练集和测试集误差都比较小，准确率较高。
分析训练集、验证集、测试集以及整体数据的回归分析图，行坐标为期望评级，纵坐标为网络输出值，每个图中两条线都几乎重合，说明拟合程度很好，R为自变量与因变量之间的相关性，上图中训练集、测试集以及整体的样本数据的R值都达到了0.95以上，验证集的R值也在0.94以上，说明网络输出与期望输出的误差较小，神经网络模型的准确率很高，是适用于企业信用评级研究的。
3.结论
本文构建了企业信用评级指标体系，结合定量与定性分析，并且对定性指标进行了量化，在进行信用评级时选择了BP神经网络模型，主要结论如下：
（1）神经网络具有高度的自组织、自学习的能力，由于企业信用信息披露不全面，而传统统计模型对财务数据又有较高的要求，因此并不适用企业信用评级的研究，而且目前国内外很多信用评级多采用专家打分等比较主观的方法，使企业信用评级结果带有较大的不确定性，神经网络具有强大的并行处理机制，通过对样本数据的训练与学习，能够准确预测输入向量与输出向量之间的关系，更加方面灵活，结果也更准确。
（2）神经网络能够处理企业评级指标和期望等级之间的非线性问题。
（3）神经网络是一个动态学习的过程，随着训练和学习样本的增加，神经网络的学习能力也会随着提高，从而提高准确度，相比传统方法只能预测当前样本更适用于企业信用评级的研究。
参考文献：
[1]郑建华，黄灏然，李晓龙.基于大数据小微企业信用评级模型研究[J].技术经济与管理研究，2020（07）：22-26.
[2]张泽珩，胡俊彧，仇雪阳，龚漪波，杨博森.互联网背景下科技型中小企业信用评级指标体系[J].现代商贸工业，2020，41（24）：129-130.
[3]杨国键. 基于BP神经网络预测非公开发行公司债券信用利差[D].上海外国语大学，2020.
[4]胡严匀. 基于BP神经网络的新三板企业信用评级研究[D].华北电力大学（北京），2018.
[5]欧阳建明. 基于BP神经网络的中小企业信用评级[D].江西财经大学，2016.
作者简介：刘晓春（1995.01-）女，汉族，山西临汾人，单位：云南民族大学管理学院（会计学院），硕士研究生，研究方向：企业管理。
关键词：企业信用评级;神经网络;熵权法
随着我国经济建设的不断发展，国家实力不断增强，我国的社会主义市场经济也在朝着高度发达的现代信用经济的方向前进，信用经济是市场经济的基础，没有信用就谈不上现代经济。但是我们在建设中国特色的社会主义市场经济道路上遇到了很多危机与困难，一方面，现代信用价值标准与我国传统信用价值标准和文化发生冲突，另一方面，现代信用体系和规范尚未完善。因此在市场经济中出现了很多不规范，甚至违法行为。企业信用评级作为信用体系的一个重要部分，对于预测和控制企业信用风险，加强企业信用管理具有重要作用。
1.企业信用评级指标体系的构建
进行企业信用评级前首先要建立信用评级指标体系，作者研究大量企业信用评级的相关文献、论文以及期刊等文章后，发现目前国际上普遍采用信用5C分析法评估企业信用，而现在我国主要根据安全性、收益性、成长性、流动性和生产性来衡量企业的信用状况。本文结合前人的研究基础，得出企业信用评级的指标体系要既包括财务指标，也要包括非财务指标，定量与定性相结合，更加全面和准确的进行企业信用评级。
财务指标选取了能够全面反映企业的盈利能力、偿债能力、营运能力、现金流量和成长能力的26个财务指标
除了企业的盈利能力、偿债能力等财务指标与企业信用有关外，企业的发展能力也与企业信用密切相关，因此在对企业进行信用评级时也应当关注此类信息。本文通过广泛使用的非财务指标结合爬取的数据最终选择了企业注册资本、经营年限、行业类型来反映企业的发展能力。
2.企业信用评级的实现
2.1期望信用评级的实现
使用神经网络时，要明确网络的期望输出，神经网络才能根据训练样本识别其中的规律，但作者没有找到样本企业已有的信用评级的信息，因此本文决定计算各企业的信用评分，然后按银行信用等级划分标准对样本企业进行划分。
根据各企业信用评分和商业银行信用等级划分标准，对各企业信用进行评级，发现样本数据中的企业信用都比较不错，没有处于C类等级的，绝大多数企业都处于良好状态 。
2.2基于BP神经网络模型的企业信用评级的实现
构建神经网络结构，即确立神经网络的输入层、隐含层和输出层，由于这些都是要在实践中根据实际需要设定，因此不存在一个确定的标准。
（1）输入层设计
本文从同花顺网站上爬取了样本数据中各企业计算期望评级时各项财务指标所对应时期的各项能力的评分，包括量、成长能力、资金面、行业面、消息面评分，将这8个数据作为输入节点。
（2）隐含层设计
隐含层节点数的确定并没有标准的方法，如果隐含层节点数设置过少，则可能达不到训练的效果，但如果隐含层节点数设置过多，虽然能够增加准确度，减少误差，但会使训练时间加长，甚至出现过拟合的情况，因此往往需要在实践中根据经验进行调试， 本文根据设置隐含层节点数的多个方法进行试验，最终选择了用sqrt（输入层节点数*输出层节点数）计算隐含层节点数，获得的结果误差最小。
（3）输出层设计
本文是将样本数据中的各企业的实际信用情况和计算的期望信用评级进行预测，因此选择期望信用评级作为输出节点。
本文结合样本数据，为使运行结果更好，选择了三层神经网络拓扑结构，神经网络是一门机器学习语言，因此要首先对其进行训练，本文选用了MATLAB的神经网络工具箱的GUI界面来进行神经网络。
结果显示：样本输入层节点数为8，隐含层节点数为3，输出层节点数为1，w表示权重，b表示阈值。
根据训练数据梯度与均方图可知：最好的均方误差为0.1，验证数据集在第23次迭代中达到了0.1，训练集与测试集误差均低于0.1，说明训练集和测试集误差都比较小，准确率较高。
分析训练集、验证集、测试集以及整体数据的回归分析图，行坐标为期望评级，纵坐标为网络输出值，每个图中两条线都几乎重合，说明拟合程度很好，R为自变量与因变量之间的相关性，上图中训练集、测试集以及整体的样本数据的R值都达到了0.95以上，验证集的R值也在0.94以上，说明网络输出与期望输出的误差较小，神经网络模型的准确率很高，是适用于企业信用评级研究的。
3.结论
本文构建了企业信用评级指标体系，结合定量与定性分析，并且对定性指标进行了量化，在进行信用评级时选择了BP神经网络模型，主要结论如下：
（1）神经网络具有高度的自组织、自学习的能力，由于企业信用信息披露不全面，而传统统计模型对财务数据又有较高的要求，因此并不适用企业信用评级的研究，而且目前国内外很多信用评级多采用专家打分等比较主观的方法，使企业信用评级结果带有较大的不确定性，神经网络具有强大的并行处理机制，通过对样本数据的训练与学习，能够准确预测输入向量与输出向量之间的关系，更加方面灵活，结果也更准确。
（2）神经网络能够处理企业评级指标和期望等级之间的非线性问题。
（3）神经网络是一个动态学习的过程，随着训练和学习样本的增加，神经网络的学习能力也会随着提高，从而提高准确度，相比传统方法只能预测当前样本更适用于企业信用评级的研究。
参考文献：
[1]郑建华，黄灏然，李晓龙.基于大数据小微企业信用评级模型研究[J].技术经济与管理研究，2020（07）：22-26.
[2]张泽珩，胡俊彧，仇雪阳，龚漪波，杨博森.互联网背景下科技型中小企业信用评级指标体系[J].现代商贸工业，2020，41（24）：129-130.
[3]杨国键. 基于BP神经网络预测非公开发行公司债券信用利差[D].上海外国语大学，2020.
[4]胡严匀. 基于BP神经网络的新三板企业信用评级研究[D].华北电力大学（北京），2018.
[5]欧阳建明. 基于BP神经网络的中小企业信用评级[D].江西财经大学，2016.
作者简介：刘晓春（1995.01-）女，汉族，山西临汾人，单位：云南民族大学管理学院（会计学院），硕士研究生，研究方向：企业管理。