基于BP_DS模型的银行物流金融信用风险研究

价值工程的实际工作能够起到导向性作用。

在具体操作中，政府“主辅分离”的引导性政策应在税收、审批、统计等方面制定明确的方案。

根据企业的具体情况，鼓励达到一定条件的，发展已初具规模的服务从装备制造企业中剥离，并在市场准入、资质认证、登记注册等方面，简化审批手续，降低相关费用，提高办事效率。

分离后的生产性服务企业所购的固定资产符合技术进步要求，产品更新换代较快的，经税务部门审核，可以加速折旧。

进行企业业绩考核时，按资产关系将新组建的服务业企业营业收入、利润、税收等合并入母公司进行统计和考核，剥离后产生的利润适当返还。

4.3.2鼓励常州生产性服务企业向产业高端发展鼓励常州生产性服务业企业增强自主创新能力与专业化服务水平，开发高端技术研发、项目总集成总承包、信息系统设计、供应链管理等高端服务产品。

政府应在常州十大产业链相配套的生产性服务业体系基础上，构建完善的“高端生产性服务业”认证体系，给予被认证企业开展相关业务以资金投入和政策支持。

4.3.3推动常州企业进一步融入国际产业价值链鼓励优质外资“两业”企业与本土“两业”企业成立合资、合作的研发中心，鼓励本土企业通过借力拓展产业升级路径。

简化中外合资、合作生产性服务项目的审批、注册资金要求、房屋租金方面给予适当优待。

鼓励有条件的常州本土生产性服务企业承接工业设计、技术研发、数据处理、信息管理等国际服务外包业务，扶持出口导向型生产性服务企业发展。

4.3.4促进常州本土“两业”企业的合作创新鼓励本土“两业”企业以项目为载体合作进行创新，对于供应链管理、技术研发有示范意义的高端生产性服务合作项目，政府应在审批、资金方面给予引导性扶持，当项目成功后，给予适当奖励并向市场推广合作经验，逐步深化“两业”的动态匹配，促进两者之间的技术、知识等方面的互补。

4.3.5加强“两业”的信息交互平台建设不同类型的“两业”企业之间的信息交互存在很多共性特征。

从产业发展看，有必要以产业价值链龙头企业、行业协会为主体，政府财政补贴为辅助，搭建公共信息交互平台，使不同企业可以通过平台检索相关信息，实现信息共享。

参考文献：[1]李金霞.我国装备制造业产业安全综合评价研究[D].安徽财经大学，2014，7.[2]王一卉，刘腾飞，范茹婷．江苏省现代服务业主导产业选择研究[J]．江苏商论，2010，8.[3]常州市统计局.2013年常州市国民经济和社会发展统计公报[R].2014，2.0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———————————————————————基金项目：国家社会科学基金资助项目“中小企业团体融资路径与机制研究”（项目编号：11BGL023）；天津市政府决策咨询重点课题项目：“基于负面清单制的中小企业发展制约因素研究”（课题编号：ZFZX2014-16）。

作者简介：潘永明（1963-），男，江苏海门人，天津理工大学管理学院教授，硕士生导师，研究方向为公司金融、人力资源管理、产业经济学。

基于BP-DS 模型的银行物流金融信用风险研究On the Logistics Finance Credit Risk of the Bank Based on BP-DS Model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.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）06-0016-02·16·DOI:10.14018/13-1085/n.2015.06.006Value Engineering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2.1BP 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①定义1：设Θ为一个互斥又可穷举的元素的集合，称作识别框架，基本信任分配函数m 是一个集合2Θ到[0，1]的映射，A 表现识别框架Θ的任一子集，记作A 哿Θ，且满足m （覫）=0A 奂ΘΣm（A ）=ΣΣΣΣΣΣΣΣΣΣΣ1式中：m （A ）称为时间A 的基本信任分配函数，它表示证据对A 的信任程度。

②Dempter 合成法则：假定识别框架Θ下的两个证据E1和E2,其相应的基本信任函数为m 1和m 2，焦元分别为A i 和B j ，则m （A ）=m 1（A ）茌m 2（A）=A i ∩B j =AΣm 1（A i）m 2（B i）1-A i ∩B j =ΘΣm 1（A i）m 2（B j），坌A 哿Θ，A ≠Θ0，A=ΣΣΣΣΣΣΣΣΣΣΣΣΣΣΣΣΣΘ对于多个基本概率数的融合，有m （A ）=∩A i =AΣπj =1仪m i（A i）1-∩A i =ΘΣπj =1仪m i（A i），坌A 哿Θ，A ≠Θ0，A=ΣΣΣΣΣΣΣΣΣΣΣΣΣΣΣΣΣΘ2.3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NN 1，NN 2，NN 3和NN 4。

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A 1，A 2，A 3。

将输出归一化，得到向量（a ′i1，a ′i2，a ′i3）T ，记作V ′i 。

令m i （A i ）=a ′il ，i ∈{1，2，3，4}，l ∈{1，2，3}，表示由NN i 得到的对信用风险级别A i 的基本信任度，即针对事件A i 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O 2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。

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.O 1O 2O 3m 1m 2m 3m 40.143330.184700.217640.011440.510180.652040.625930.734190.346480.163240.156420.25436表1经由BP 神经网络确定的基本概率分配O 1O 2O 3m 1茌m 2m 1茌m 2茌m 3m 1茌m 2茌m 3茌m 40.06360.02620.00040.80020.94900.99530.13600.02460.0042表2经由DS 证据的融合结果·17·。