王潔，陳剛

（1.東莞市電子計(jì)算中心，東莞 523123；2.廣東理工職業(yè)學(xué)院計(jì)算機(jī)系，中山 528458）

基于粗糙集神經(jīng)網(wǎng)絡(luò)的科技金融信用風(fēng)險(xiǎn)評(píng)價(jià)研究

王潔1，陳剛2

（1.東莞市電子計(jì)算中心，東莞 523123；2.廣東理工職業(yè)學(xué)院計(jì)算機(jī)系，中山 528458）

針對(duì)科技金融信用風(fēng)險(xiǎn)評(píng)價(jià)的效率低下，導(dǎo)致信貸審批成本過(guò)高，歸其原因?yàn)榭萍冀鹑诜?wù)行業(yè)針對(duì)企業(yè)信用評(píng)價(jià)模型不佳，評(píng)價(jià)指標(biāo)過(guò)多，評(píng)價(jià)時(shí)間過(guò)長(zhǎng)，導(dǎo)致成本過(guò)高；針對(duì)此不足，提出一種基于粗集神經(jīng)網(wǎng)絡(luò)的科技金融信用風(fēng)險(xiǎn)評(píng)價(jià)模型，該模型在不影響分類屬性的原則下有效地約簡(jiǎn)企業(yè)的財(cái)務(wù)指標(biāo)，同時(shí)利用BP神經(jīng)網(wǎng)絡(luò)容錯(cuò)能力，對(duì)信貸企業(yè)進(jìn)行很好的分類，最后將該模型應(yīng)用于實(shí)驗(yàn)，實(shí)驗(yàn)表明該模型有效。

科技金融；風(fēng)險(xiǎn)評(píng)價(jià)；粗糙集；神經(jīng)網(wǎng)絡(luò)

0 引言

科技和金融緊密結(jié)合是金融服務(wù)實(shí)體經(jīng)濟(jì)、助推經(jīng)濟(jì)轉(zhuǎn)型升級(jí)的有效途徑，是貫徹落實(shí)創(chuàng)新驅(qū)動(dòng)發(fā)展戰(zhàn)略的有效支撐措施。近年來(lái)隨著經(jīng)濟(jì)不斷發(fā)展，科技與金融結(jié)合也越來(lái)越活躍，而在科技金融中信用貸款業(yè)務(wù)也不斷增加，然而，信貸效率卻非常低，其主要原因是信貸審批手續(xù)過(guò)于煩瑣，調(diào)查信貸指標(biāo)過(guò)多，導(dǎo)致審批成本上升和審批周期過(guò)長(zhǎng)，這些現(xiàn)象與活躍的信貸市場(chǎng)形成鮮明的對(duì)比，也困擾著大量的科技金融機(jī)構(gòu)，特別對(duì)于政府性區(qū)科技金融服務(wù)機(jī)構(gòu)，它們每天面臨大量本地區(qū)企業(yè)信用風(fēng)險(xiǎn)評(píng)估，這些評(píng)估活動(dòng)表現(xiàn)為量大、指標(biāo)多、時(shí)間長(zhǎng)，嚴(yán)重地阻礙了當(dāng)?shù)亟?jīng)濟(jì)的快速發(fā)展。

國(guó)內(nèi)已經(jīng)有很多學(xué)者做了這方面研究，在科技金融信用評(píng)價(jià)方面的研究不多，如盧超等人提出商業(yè)銀行對(duì)中小企業(yè)信用風(fēng)險(xiǎn)評(píng)價(jià)的方法探索，但該文僅僅從方法上對(duì)普通企業(yè)信用評(píng)價(jià)給出了指導(dǎo)［1］；樓際通等人提出的商業(yè)銀行個(gè)人信用風(fēng)險(xiǎn)評(píng)價(jià)的投影尋蹤建模及其實(shí)證研究，是以數(shù)學(xué)建模為工具，從而可以對(duì)信用進(jìn)行分類和量化，但問(wèn)題是當(dāng)指標(biāo)數(shù)據(jù)太大時(shí)，顯然要耗費(fèi)大量的時(shí)間［2］；曾詩(shī)鴻等人提出了基于KVM模型的制造業(yè)上市公司信用風(fēng)險(xiǎn)評(píng)價(jià)研究，該模型雖然針對(duì)性很強(qiáng)，但對(duì)于科技型的企業(yè)則有些乏力［3］；這些大部分都是從普通企業(yè)指標(biāo)去研究的，但是針對(duì)科技型企業(yè)研究的極少，如汪泉等提出的科技金融信用風(fēng)險(xiǎn)的識(shí)別、度量與控制［4］，雖然比較詳細(xì)了描述了科技金融中的企業(yè)信用評(píng)價(jià)與度量應(yīng)該關(guān)注因素，同時(shí)提到一個(gè)“SPECAIL”信用評(píng)價(jià)法，但是該方法信用評(píng)價(jià)的時(shí)間過(guò)長(zhǎng)，浪費(fèi)金融服務(wù)行業(yè)機(jī)構(gòu)的時(shí)間更加大了科技型企業(yè)的風(fēng)險(xiǎn)，因?yàn)榭萍夹推髽I(yè)的彈性較大，在缺少資金情況下，倒閉的風(fēng)險(xiǎn)比普通企業(yè)更大，當(dāng)然該類型的企業(yè)也可以在較短的時(shí)間內(nèi)贏利，因此該類企業(yè)對(duì)時(shí)間的控制顯得非常重要。

基于上述情況，針對(duì)于科技金融中信用風(fēng)險(xiǎn)評(píng)估過(guò)慢、準(zhǔn)確率不高；同時(shí)科技型企業(yè)的償債能力的彈性大等特點(diǎn)，本文提出了一種基于粗集神經(jīng)網(wǎng)絡(luò)的科技金融信用風(fēng)險(xiǎn)評(píng)價(jià)模型，該模型利用粗糙集的約簡(jiǎn)功能可以刪除冗余數(shù)據(jù)，減少了BP神經(jīng)網(wǎng)絡(luò)的輸入維，從而減少了指標(biāo)數(shù)據(jù)的采集時(shí)間和減輕了工作量，更減少了BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時(shí)間和分類時(shí)間，提高了科技金融服務(wù)行業(yè)信貸審批工作效率，節(jié)省了科技金融服務(wù)審批成本和科技型企業(yè)的信貸成本，為科技金融服務(wù)工作的順利展開(kāi)創(chuàng)造了一定的技術(shù)條件；同時(shí)由于科技型企業(yè)的償債能力彈性大，快速獲得貸款能為科技型企業(yè)的生存創(chuàng)造一定的條件。

1 相關(guān)理論

科技金融是以促進(jìn)科技創(chuàng)新活動(dòng)為目的，以組織運(yùn)用金融資本和社會(huì)資本投入科技型企業(yè)為核心，以定向性、融資性、市場(chǎng)性和商業(yè)可持續(xù)性為特點(diǎn)的金融活動(dòng)總稱。

科技金融服務(wù)主要解決科技型企業(yè)貸款難，融資難的問(wèn)題，引進(jìn)銀行、創(chuàng)投、擔(dān)保、小額貸款、投資管理、資產(chǎn)評(píng)估、知識(shí)產(chǎn)權(quán)質(zhì)押等金融和服務(wù)機(jī)構(gòu)，整合與集成各相關(guān)服務(wù)功能，為企業(yè)提供促成技術(shù)交易一攬子解決方案。業(yè)務(wù)包括創(chuàng)業(yè)企業(yè)投資服務(wù)、企業(yè)貸款擔(dān)保服務(wù)、企業(yè)投融資策劃服務(wù)、小額貸款服務(wù)、企業(yè)投融資服務(wù)、下崗失業(yè)小額貸款擔(dān)保、私募股權(quán)投資、大學(xué)生自主創(chuàng)業(yè)貸款擔(dān)保、企業(yè)銀行貸款擔(dān)保、無(wú)抵押貸款（擔(dān)保）等。因此，科技金融服務(wù)的核心是科技型企業(yè)的信用風(fēng)險(xiǎn)評(píng)估。

本文的模型是基于粗糙集和BP的神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)的組合模型，在該模型中涉及到粗糙集與BP神經(jīng)網(wǎng)絡(luò)，粗糙集理論在當(dāng)今的人工智能智能領(lǐng)域有著廣泛的應(yīng)用領(lǐng)域。本文應(yīng)用了粗糙集理論在不減少依賴度的前提下對(duì)企業(yè)的冗余指標(biāo)進(jìn)行刪除，從而減少了財(cái)務(wù)指標(biāo)的采集時(shí)間，減少了BP神經(jīng)網(wǎng)絡(luò)的輸入維，減少BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時(shí)間和分類時(shí)間，進(jìn)一步縮短了信貸系統(tǒng)的審批時(shí)間，節(jié)約了信貸審批成本；應(yīng)用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行分類是因?yàn)锽P網(wǎng)絡(luò)具有較好的泛化能力和容錯(cuò)能力，同時(shí)利用粗糙集可以約簡(jiǎn)輸入維，提高BP網(wǎng)絡(luò)的收斂時(shí)間。

2 粗糙集的相關(guān)理論

粗糙集是由波蘭科學(xué)家Z.Pawlak于1982年提出來(lái)的。粗糙集理論是繼概率論、模糊集、證據(jù)理論之后又一個(gè)處理不確定性的數(shù)學(xué)工具。作為一種嶄新的軟計(jì)算方法，粗糙集近幾年來(lái)越來(lái)越受到重視，其有效性已在金融工程、智能控制、模式識(shí)別等眾多領(lǐng)域得到了證實(shí)，也是當(dāng)今人工智能領(lǐng)域中的研究熱點(diǎn)之一。同時(shí)，其在處理噪聲、不確定性甚至不完整性方面也有著卓越的優(yōu)勢(shì)［5-7］。

（1）上近似和下近似概念 理解上近似于下近似，首先要定義知識(shí)庫(kù)，令知識(shí)庫(kù)K=（U，S），U，S分別表示論域及在論域上的一個(gè)等價(jià)關(guān)系簇，對(duì)于X，若?x?U以及論域U上的一個(gè)等價(jià)關(guān)系R∈IND（K），則認(rèn)為R的上近似與下近似分別表示為（1）（2）。

同時(shí)用bnR=R（X）-R（X）表示X對(duì)于R的邊界域，定義posR（X）=R為X等價(jià)關(guān)系R的正域。定義negR（X）=U-R（X）為X對(duì)R的負(fù)域。則R=posR（X）∪bnRR（X）。

（2）知識(shí)的約簡(jiǎn) 約簡(jiǎn)是粗糙集理論應(yīng)用的重要方面之一。粗糙集約簡(jiǎn)認(rèn)為，屬性對(duì)知識(shí)庫(kù)的決策的重要程度應(yīng)該不相同，有些數(shù)據(jù)甚至冗余，知識(shí)約簡(jiǎn)正是通過(guò)尋找其屬性的最小依賴集，從決策表中剔除一些對(duì)決策基本沒(méi)有作用的屬性的過(guò)程，簡(jiǎn)稱為約簡(jiǎn)。

同時(shí)若知識(shí)庫(kù)中存在一個(gè)這樣的等價(jià)關(guān)系R=｛P，Q｝，則認(rèn)為P∩Q是等價(jià)關(guān)系上的一個(gè)不可分割的等價(jià)關(guān)系，則記IND（R），此時(shí)Q的P上近似記為：

對(duì)于給定的知識(shí)庫(kù)K=（U，S）和知識(shí)庫(kù)上的一組關(guān)系P?S，對(duì)于任意的G?P，若G滿足以下條件：

①G是獨(dú)立的，

②IND（G）=IND（P）。則稱G為P的一個(gè)約簡(jiǎn)，表示為G∈RED（P），認(rèn)為RED（P）為P的全體約簡(jiǎn)組成的集合。

（3）知識(shí)的依賴度 已知某知識(shí)庫(kù)K，若存在P且?P，Q∈IND（K），則知識(shí)依賴度的定義為公式為：

其中γp（Q）表示知識(shí)Q對(duì)P依賴程度，Card表示集合運(yùn)行中的基數(shù)運(yùn)算符，若γp（Q）為1，則認(rèn)為Q完全依賴于P；若γp（Q）介于（0，1）時(shí)，則認(rèn)為Q部分依賴于P，且Q中有部分是由P導(dǎo)出的；若γp（Q）為0，則認(rèn)為Q與P完全沒(méi)有關(guān)系，表示P的任何變化都對(duì)Q無(wú)影響。

（4）知識(shí)的重要度 知識(shí)重要度是表示某個(gè)知識(shí)庫(kù)中某個(gè)屬性對(duì)于整個(gè)知識(shí)系統(tǒng)的重要程度的一個(gè)維度，對(duì)于知識(shí)系統(tǒng)中的所有屬性，若去除一些屬性之后，若論域U的劃分還和以前一樣，則認(rèn)為該除去的屬性對(duì)于知識(shí)系統(tǒng)來(lái)說(shuō)不重要，若除去一些屬性之后，論域U的劃分和去除屬性前不一樣，則認(rèn)為該去除的屬性對(duì)知識(shí)比較重要，若知識(shí)系統(tǒng)IS=｛U，Q，V，f｝且?P?Q，以及α∈P，則知識(shí)系統(tǒng)中表示重要度的公司如下：

由公式（5）可以知，若是Sig越大，則說(shuō)明α屬性對(duì)于C的劃分的影響越大，α屬性對(duì)于知識(shí)系統(tǒng)的重要度就越大；若Sig=0，則說(shuō)明α屬性對(duì)C的劃分沒(méi)有影響，可以認(rèn)為α屬性對(duì)IS重要度較低。

3 神經(jīng)網(wǎng)絡(luò)理論

本文中的神經(jīng)網(wǎng)絡(luò)主要是是BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)，BP是由Rumelhart和McCelland科學(xué)家于1986年提出的，是一種按誤差逆向傳播的算法訓(xùn)練的多層前饋式網(wǎng)絡(luò)，是當(dāng)今神經(jīng)網(wǎng)絡(luò)應(yīng)用領(lǐng)域最廣泛的網(wǎng)絡(luò)模型之一［8］。BP神經(jīng)網(wǎng)絡(luò)能夠自動(dòng)學(xué)習(xí)和存儲(chǔ)大量的模式映射，并且不需要事先準(zhǔn)備描述的數(shù)學(xué)公式，就能以最速的速度進(jìn)行學(xué)習(xí)，并且通過(guò)不斷地調(diào)整權(quán)值和閾值來(lái)達(dá)到網(wǎng)絡(luò)訓(xùn)練的要求，該神經(jīng)網(wǎng)絡(luò)模型的拓?fù)浣Y(jié)構(gòu)包括輸入層、隱含層、輸出層，如圖2所示。

圖2 三層前饋式神經(jīng)網(wǎng)絡(luò)模型

在BP神經(jīng)網(wǎng)絡(luò)中，令I(lǐng)代表輸入，O代表輸出，對(duì)于輸入層的神經(jīng)元i，它它的輸入等于輸出，即Ii=Oi，對(duì)于隱含層的神經(jīng)元j，則其輸入為線性組合，如公式：

其中ωij代表輸入層i節(jié)點(diǎn)到隱含層j節(jié)點(diǎn)之間的權(quán)中，茲表示偏置，并且用S型函數(shù)做隱含層神經(jīng)元j激活函數(shù)f（x），f'（x）為f（x）的導(dǎo)函數(shù)，同時(shí)令f（x）即如公式（3）

對(duì)于輸出層節(jié)點(diǎn)，處理方式與隱含層相同，ωij的權(quán)重調(diào)整公式如下：

其中ωij為更新后的權(quán)值，為學(xué)習(xí)率，0＜η＜1，對(duì)于δj的處理，要從輸出節(jié)點(diǎn)和非輸出節(jié)點(diǎn)考慮。

對(duì)于輸出節(jié)點(diǎn)δj表示為：

對(duì)于非輸出型節(jié)點(diǎn)δj表示為：

其中Ti和Oi分別表示網(wǎng)絡(luò)期望輸出和實(shí)際輸出。對(duì)于輸出節(jié)點(diǎn)。迭代到什么時(shí)候?yàn)橹?，僅僅當(dāng)公式（7）達(dá)到要求的精度則結(jié)束。

4 基于粗集神經(jīng)網(wǎng)絡(luò)的信用評(píng)價(jià)模型構(gòu)建

在科技金融領(lǐng)域?qū)萍夹推髽I(yè)進(jìn)行信用風(fēng)險(xiǎn)評(píng)估過(guò)程中，由于每個(gè)企業(yè)提供的企業(yè)信用指標(biāo)存在多樣性和不確定性，因此造成數(shù)據(jù)指標(biāo)在收集時(shí)也會(huì)出現(xiàn)各種缺陷和錯(cuò)誤，通過(guò)數(shù)據(jù)整理，其多樣性和不確定性主要表現(xiàn)為以下幾個(gè)方面：一、由于每個(gè)企業(yè)對(duì)于財(cái)務(wù)指標(biāo)的定義沒(méi)有統(tǒng)一，很多企業(yè)的財(cái)務(wù)指標(biāo)沒(méi)有統(tǒng)一；二、是由于財(cái)務(wù)工作人員的原因財(cái)務(wù)指標(biāo)數(shù)據(jù)記錄錯(cuò)誤；三、由于企業(yè)工作人員工作粗心造成該記錄的地方空白，記錄為空（NULL）；對(duì)于上述數(shù)據(jù)，作者對(duì)上述數(shù)據(jù)作了簡(jiǎn)單的處理，有些進(jìn)行統(tǒng)一，有些進(jìn)行了刪除，處理之后剩下表1的29個(gè)指標(biāo)，并用｛x1，x2，x3，x4，x5，x6，x7，x8，x9，x10，x11，x12，x13，x14，x15，x16，x17，x18，x19，x20，x21，x22，x23，x24，x25，x26，x27，x28，x29｝表示條件屬性，具體表示意義如表1。

表1 深圳某科技金融機(jī)構(gòu)收集的企業(yè)指標(biāo)

由于上述提供的數(shù)據(jù)是連續(xù)數(shù)據(jù)，因此必須對(duì)上述數(shù)據(jù)進(jìn)行離散化處理［9］。將上述指標(biāo)數(shù)據(jù)分為5檔，為了避免因?yàn)橛行?shù)據(jù)過(guò)大或者過(guò)小從而導(dǎo)致離散數(shù)據(jù)失真，本文暫不考慮偏離數(shù)據(jù)，先將大部分?jǐn)?shù)據(jù)離散后再對(duì)偏離數(shù)據(jù)進(jìn)行處理，因此每個(gè)指標(biāo)有5等份；而對(duì)于決策屬性D用有信用和無(wú)信用來(lái)處理，分別用1 和0表示，對(duì)文中用到的等區(qū)間法可以借鑒王妍提出的處理方法［10］。

（1）條件屬性約簡(jiǎn)

對(duì)于知識(shí)系統(tǒng)R，令R=｛x1，x2，x3，x4，x5，x6，x7，x8，x9，x10，x11，x12，x13，x14，x15，x16，x17，x18，x19，x20，x21，x22，x23，x24，x25，x26，x27，x28，x29，D｝，因此在知識(shí)系統(tǒng)R中，條件屬性為C=｛x1，…x29｝，值屬性為D，條件屬性C對(duì)論域U的劃分 為 C/D=｛｛x1｝，｛x2｝，｛x3｝，｛x4｝，｛x5｝，｛x6｝，｛x7｝，｛x8｝，｛x9｝，｛x10｝，｛x11｝，｛x12｝，｛x13｝，｛x14｝，｛x15｝，｛x16｝，｛x17｝，｛x18｝，｛x19｝，｛x20｝，｛x21｝，｛x22｝，｛x23｝，｛x24｝，｛x25｝，｛x26｝，｛x27｝，｛x28｝，｛x29｝｝，對(duì)于信用風(fēng)險(xiǎn)評(píng)價(jià)模型中對(duì)于指標(biāo)的約簡(jiǎn)，其思想來(lái)源于Pawlak關(guān)于重要度的理論，其具體的實(shí)現(xiàn)如下：

（1）計(jì)算C對(duì)D的核CORED（C）；

（2）令B=CORED（C），posB（D）=posc（D），接著轉(zhuǎn)（5）；

（3）如果?ci∈C/B.，計(jì)算重要度sig（ci，B）=|posB∪｛ci｝|-|posB（D），同時(shí)計(jì)算，令B=B∪（Cm）；

（4）若posB∪｛ci｝（D）≠posB（D），轉(zhuǎn)至（3）；

（5）若輸出B∈REDc（D），則結(jié)束。

本文收集了深圳近10年來(lái)的40家非上市科技型公司的財(cái)務(wù)數(shù)據(jù)，按表1提到的指標(biāo)整理成知識(shí)庫(kù)，再應(yīng)用上述約簡(jiǎn)算法，得到知識(shí)庫(kù)的核為REDc（D）=｛x1，x9，x13，x15，x18，x20，x22，x24｝

表1中的所有指標(biāo)按照上述步驟進(jìn)行處理，得到REDc（D=｛x1，x9，x13，x15，x18，x20，x22，x24｝。根據(jù)粗糙集的約簡(jiǎn)理論，要使知識(shí)系統(tǒng)保持分類不變情況下，可以認(rèn)為知識(shí)系統(tǒng)依賴于 x1，x9，x13，x15，x18，x20，x22，x246等 8個(gè)指標(biāo)。

（2）應(yīng)用BP分類

完成上述約簡(jiǎn)之后，接著應(yīng)用BP神經(jīng)網(wǎng)絡(luò)對(duì)知識(shí)庫(kù)進(jìn)行分類，首先將上述40家公司的8個(gè)指標(biāo)數(shù)據(jù)進(jìn)行預(yù)處理，將所有的數(shù)據(jù)映射到［0，1］區(qū)間。

本文采用十折交叉驗(yàn)證的方法進(jìn)行訓(xùn)練，輸入神經(jīng)元為8條，由于是一個(gè)二分類問(wèn)題，因此輸出神經(jīng)元只要1條就可以，本文設(shè)置學(xué)習(xí)率為，η=0.8，學(xué)習(xí)總誤差E（K）≤0.001。具體的訓(xùn)練如下：

（1）初始化神經(jīng)網(wǎng)絡(luò)，設(shè)置BP中各個(gè)節(jié)點(diǎn)及各個(gè)權(quán)值的初始值，文中采用均勻分布隨機(jī)數(shù)，但是要保證BP網(wǎng)絡(luò)的加權(quán)值達(dá)到飽和。

（3）將數(shù)據(jù)集中的數(shù)據(jù)在網(wǎng)絡(luò)中訓(xùn)練時(shí)，利用公式（2）（3）逐步條件各個(gè)權(quán)值和節(jié)點(diǎn)值。

（4）然后利用公式（5）（6）計(jì)算輸出節(jié)點(diǎn)和非輸出節(jié)點(diǎn)的誤差。

（5）當(dāng)總誤差當(dāng)總誤差E（W）≤0.001則迭代結(jié)束，否則進(jìn)入（3）進(jìn)行下一迭代。

5 實(shí)證分析

為了對(duì)本文模型進(jìn)行有效地驗(yàn)證，本文選取了深圳證券交易所的100個(gè)科技型公司的數(shù)據(jù)作為測(cè)試數(shù)據(jù)集進(jìn)行驗(yàn)證，其中有20家ST科技型公司和80個(gè)非ST科技型公司。為了驗(yàn)證本文模型的有效性，現(xiàn)分別將傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)與基于粗集神經(jīng)網(wǎng)絡(luò)應(yīng)用于同一測(cè)試數(shù)據(jù)集，實(shí)驗(yàn)平臺(tái)采用 Intel Pentium CPU3.2GHz，內(nèi)存為2GB，OS為Windows XP，以MATLAB 7為仿真軟件。實(shí)驗(yàn)結(jié)果如圖3和表2所示，從圖3中可以看出，基于粗糙集的BP神經(jīng)網(wǎng)絡(luò)在識(shí)別率上都優(yōu)于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)，且隨著測(cè)試數(shù)據(jù)的增加，其識(shí)別率也不斷提高。

測(cè)試時(shí)間如下表2所示，從表2可以看出，基于粗糙集的BP神經(jīng)網(wǎng)絡(luò)測(cè)試所用的時(shí)間明顯比傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)的測(cè)試時(shí)間要少，主要原因是因?yàn)閼?yīng)用粗糙集約簡(jiǎn)了知識(shí)庫(kù)的指標(biāo)，簡(jiǎn)化了網(wǎng)絡(luò)，從而減少了訓(xùn)練時(shí)間和測(cè)試時(shí)間。

圖3 風(fēng)險(xiǎn)控制子系統(tǒng)檢測(cè)結(jié)果圖

6 結(jié)語(yǔ)

（1）將粗糙集理論與BP神經(jīng)網(wǎng)絡(luò)有機(jī)結(jié)合，構(gòu)建了基于粗糙集與BP的信用風(fēng)險(xiǎn)評(píng)價(jià)模型，其中利用粗糙集約簡(jiǎn)可以在不減少分類能力情況下有效地簡(jiǎn)化了BP神經(jīng)網(wǎng)絡(luò)的復(fù)雜度，從而有效地減少了數(shù)據(jù)采集成本和信用審批成本，有利于科技金融服務(wù)工作的迅速開(kāi)展，更有利于生存創(chuàng)造一定的條件。

（2）實(shí)例表明，將本文模型與傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)信用評(píng)價(jià)模型進(jìn)行比較，無(wú)論在評(píng)價(jià)的識(shí)別率還是評(píng)價(jià)時(shí)間上，本文模型在科學(xué)性、合理性及可操作性上都具有一定的優(yōu)勢(shì)。

（3）本文在科技金融服務(wù)機(jī)構(gòu)如何對(duì)企業(yè)信用風(fēng)險(xiǎn)進(jìn)行評(píng)價(jià)方面做了一次有益的探索，對(duì)日后相關(guān)課題具有一定的參考價(jià)值。

表2 粗集神經(jīng)網(wǎng)絡(luò)模型與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)測(cè)試時(shí)間比較（單位：s）

［1］盧超，鐘望舒.提出的商業(yè)銀行對(duì)中小企業(yè)信用風(fēng)險(xiǎn)評(píng)價(jià)的方法探索［J］.金融論壇，2009，（9）：13-20.

［2］樓際通，樓高文，余銹榮.商業(yè)銀行個(gè)人信用風(fēng)險(xiǎn)評(píng)價(jià)的投影尋蹤建模及其實(shí)證研究［J］.經(jīng)濟(jì)數(shù)學(xué)，2013，30（4）：26-32.

［3］曾詩(shī)鴻，王芳.基于KMV模型的制造業(yè)上市公司信用風(fēng)險(xiǎn)評(píng)價(jià)研究［J］.預(yù)測(cè)，2013，32（2）：61-64.

［4］朱天星，于立新，田慧勇.商業(yè)銀行個(gè)人信用風(fēng)險(xiǎn)評(píng)價(jià)模型研究［J］.問(wèn)題探討，

［5］郭志軍，何昕，魏仲慧.一種基于粗糙集神經(jīng)網(wǎng)絡(luò)的分類算法［J］.計(jì)算機(jī)應(yīng)用研究，2011，28（3）：838-850.

［6］王國(guó)胤，姚一豫，于洪.粗糙集理論與應(yīng)用研究綜述［J］.計(jì)算機(jī)學(xué)報(bào)，2009，32（7）：1229-1246.

［7］張建華.知識(shí)管理中的知識(shí)進(jìn)化績(jī)效評(píng)價(jià)機(jī)制研究［J］.科學(xué)學(xué)與科學(xué)技術(shù)管理2013，34（7）：28-36.

［8］張卉.基于粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的房?jī)r(jià)預(yù)測(cè)［J］.價(jià)值工程，2012（5）：207～208.

［9］于錕，劉知貴，黃正良.粗糙集理論應(yīng)用中的離散化方法綜述［J］，2005，20（4）：32-36.

［10］王妍，潘瑜春，王惠.基于Voronoi和信息滴的空間群樣點(diǎn)檢測(cè)［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2010，31（18）.：45-49.

WANG Jie1，CHEN Gang2
（1.Dongguan Electronic Computing Center，Dongguan 523123；2.Department of Computer Technology，Guangdong Polytechnic Institute，Zhongsan 528458）

Now the current credit approval has low efficiency and cost too much，the reasons for that is bad enterprise credit evaluation model，too much evaluation index and too long evaluation time；To solve this problem，proposes a new credit evaluation model based on rough sets and BP，the model effectively reduces financial indicators of enterprises without affecting the classification attributes，at the same time，uses BP neural network fault tolerant ability，well classified the credit businesses.At last，puts this model to application，the results show that the model is effective.

Technology Finance；Risk Evaluation；Rough Set；Neural Network

國(guó)家創(chuàng)新基金（No.13C26214404497）、國(guó)家自然科學(xué)基金項(xiàng)目（No.61175027）

1007-1423（2016）21-0003-06

10.3969/j.issn.1007-1423.2016.21.001

王潔（1962-），女，廣東增城人，副研究員，博士研究生，研究方向?yàn)榭萍脊芾砼c服務(wù)

陳剛（1977-），男，江西高安人，博士研究生，副教授，研究方向?yàn)槿斯ぶ悄堋?shù)據(jù)挖掘

2016-05-16

2016-07-11Research on Credit Risk Evaluation System Based on Rough Set and BP