（對(duì)外經(jīng)濟(jì)貿(mào)易大學(xué)信息學(xué)院，北京100029）

信用評(píng)級(jí)是對(duì)借款人信用風(fēng)險(xiǎn)的評(píng)估，評(píng)級(jí)對(duì)象一般為個(gè)人、企業(yè)、政府等。信用評(píng)級(jí)過(guò)程中須采集受評(píng)對(duì)象的定性與定量信息，以數(shù)字形式度量受評(píng)對(duì)象償還債務(wù)的能力和意愿，預(yù)警其潛在違約可能性（唐于婷，2019）。信用評(píng)級(jí)機(jī)構(gòu)一般基于受評(píng)對(duì)象的財(cái)務(wù)與非財(cái)務(wù)數(shù)據(jù)、經(jīng)營(yíng)業(yè)績(jī)水平和行業(yè)指數(shù)等，運(yùn)用各類信用評(píng)級(jí)模型給出評(píng)級(jí)結(jié)果。評(píng)級(jí)結(jié)果不僅可以衡量受評(píng)對(duì)象的當(dāng)期信用水平，也能在一定程度上反映其未來(lái)信用評(píng)級(jí)預(yù)期。

自2017年下半年起，我國(guó)對(duì)房地產(chǎn)進(jìn)行密集調(diào)控，2018年全國(guó)范圍出臺(tái)各種調(diào)控政策400余次，創(chuàng)歷史新高。國(guó)家的一系列調(diào)控措施引發(fā)行業(yè)變動(dòng)，房地產(chǎn)企業(yè)的收入端與成本端經(jīng)營(yíng)均遭遇較大困難與挑戰(zhàn)。此外，我國(guó)資本市場(chǎng)根基淺、起步晚，“市場(chǎng)有效性”體現(xiàn)不足，上市公司的真實(shí)信用水平與股票價(jià)格往往不能如實(shí)匹配。因此，加強(qiáng)對(duì)嚴(yán)調(diào)控背景下的房地產(chǎn)上市公司（以下簡(jiǎn)稱“上市房企”）潛在信用風(fēng)險(xiǎn)的度量與預(yù)警，通過(guò)上市房企評(píng)級(jí)結(jié)果反映政策收緊環(huán)境下的房地產(chǎn)市場(chǎng)現(xiàn)狀，對(duì)增強(qiáng)我國(guó)金融市場(chǎng)的穩(wěn)定性、降低資本市場(chǎng)投資者損失具有一定的理論和現(xiàn)實(shí)意義。

一、文獻(xiàn)綜述

信用評(píng)級(jí)的概念最早可追溯至1890年，由穆迪公司創(chuàng)始人John Moody首次提出并運(yùn)用于債券評(píng)級(jí)管理。20世紀(jì)20年代后，市場(chǎng)對(duì)信用評(píng)級(jí)服務(wù)的需求大幅增長(zhǎng)，信用評(píng)級(jí)機(jī)構(gòu)不斷提高評(píng)級(jí)技術(shù)，開發(fā)優(yōu)化評(píng)級(jí)模型，信用評(píng)級(jí)被投資者普遍視為衡量風(fēng)險(xiǎn)的重要依據(jù)。

國(guó)內(nèi)外學(xué)者研發(fā)的信用評(píng)級(jí)模型大致可分為三類：經(jīng)驗(yàn)類、統(tǒng)計(jì)類與智能類。

經(jīng)驗(yàn)類信用評(píng)級(jí)模型，包括“5C”“LAPP”等要素信用分析模型。此類模型對(duì)評(píng)級(jí)人員的能力要求較高，極易受到評(píng)級(jí)人員的主觀影響，因此評(píng)級(jí)結(jié)果不夠穩(wěn)定，公正性、有效性不足（徐國(guó)偉，2006；樓裕勝，2013；徐偉強(qiáng)，2014）。

統(tǒng)計(jì)類信用評(píng)級(jí)模型，一般以統(tǒng)計(jì)分析方法為基礎(chǔ)進(jìn)行信用評(píng)價(jià)。Altman 于1968年提出Z－score模型，該模型屬于多元線性模型，從受評(píng)對(duì)象的短期償債能力、累積利潤(rùn)、資產(chǎn)盈利能力、資產(chǎn)利用率、財(cái)務(wù)結(jié)構(gòu)穩(wěn)定度五個(gè)方面入手，用最小二乘法得到違約情況與這五個(gè)指標(biāo)的線性回歸式。后來(lái)，Altman 等（1977）改進(jìn)Z-socre模型，建立ZETA模型，以提高受評(píng)對(duì)象的信息覆蓋度與模型識(shí)別精度，優(yōu)化分類結(jié)果。但是，這兩種模型均忽視非財(cái)務(wù)數(shù)據(jù)的影響，變量間的非線性關(guān)系反映不足。Collins和Green（1982）、Gentry 等（1987）研究發(fā)現(xiàn)了信用評(píng)價(jià)效果優(yōu)于ZETA模型的Logit模型。1997年，美國(guó)KMV公司開發(fā)KMV模型，將研究重點(diǎn)放在股票市場(chǎng)價(jià)格波動(dòng)對(duì)企業(yè)違約的影響上，試圖對(duì)信用風(fēng)險(xiǎn)進(jìn)行有效度量。統(tǒng)計(jì)類模型要求評(píng)價(jià)指標(biāo)是線性關(guān)系、服從正態(tài)分布，限制條件較多，與實(shí)際問(wèn)題貼合度不高，因此適用范圍較窄。

智能類信用評(píng)級(jí)模型。人工智能技術(shù)因其超強(qiáng)的學(xué)習(xí)能力與高效的數(shù)據(jù)處理優(yōu)勢(shì)被引入信用評(píng)價(jià)領(lǐng)域，相關(guān)的研究與應(yīng)用隨著計(jì)算機(jī)和大數(shù)據(jù)的發(fā)展逐步深入。Odom和Sharda（1990）首次將神經(jīng)網(wǎng)絡(luò)應(yīng)用于信用評(píng)價(jià)；Desai 等（1996）驗(yàn)證了神經(jīng)網(wǎng)絡(luò)的非線性映射能力在信用風(fēng)險(xiǎn)評(píng)估中的明顯優(yōu)勢(shì)。近年來(lái)，國(guó)內(nèi)學(xué)者也不斷優(yōu)化與拓展BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用場(chǎng)景：吳德勝和梁樑（2004）用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)，克服網(wǎng)絡(luò)信用評(píng)價(jià)過(guò)程中的局部極小缺陷；楊海深和傅紅卓（2009）用BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)股票指數(shù)；胡援成和康鴻（2010）用BP神經(jīng)網(wǎng)絡(luò)對(duì)主權(quán)債務(wù)危機(jī)進(jìn)行早期預(yù)警，認(rèn)為其總體效果優(yōu)于二元Logistic 方法；王肖芳（2015）建立因子分析－BP神經(jīng)網(wǎng)絡(luò)模型對(duì)生態(tài)農(nóng)業(yè)效益進(jìn)行評(píng)價(jià)。智能類信用評(píng)級(jí)模型克服了傳統(tǒng)信用評(píng)級(jí)模型的不足，極大地提高了信用評(píng)級(jí)的精度與效率。

二、研究方法與模型構(gòu)建

本文將統(tǒng)計(jì)分析與機(jī)器學(xué)習(xí)相結(jié)合，在因子分析與聚類分析的基礎(chǔ)上，構(gòu)建對(duì)我國(guó)上市房企進(jìn)行信用評(píng)級(jí)的神經(jīng)網(wǎng)絡(luò)模型。

（一）因子分析與聚類信用評(píng)級(jí)模型

因子分析法是常用于綜合評(píng)價(jià)的多元統(tǒng)計(jì)方法。在多指標(biāo)綜合評(píng)價(jià)場(chǎng)景中，因子分析可在覆蓋絕大部分原始信息的前提下，對(duì)多個(gè)變量進(jìn)行降維，以突出主要影響因子，降低數(shù)據(jù)處理難度，簡(jiǎn)化問(wèn)題研究過(guò)程。其基本思路是簡(jiǎn)化指標(biāo)變量之間的錯(cuò)綜關(guān)系，根據(jù)指標(biāo)變量之間的相關(guān)性進(jìn)行分組，將相關(guān)性較高的變量分在一組，而不同組的變量之間相關(guān)性則較低。變量分組后的組數(shù)即為公因子的個(gè)數(shù)。從變量實(shí)際經(jīng)濟(jì)意義的角度看，提取的公因子反映了經(jīng)濟(jì)變量之間的相互作用關(guān)系。通過(guò)因子旋轉(zhuǎn)在公因子上增加載荷集中度，提高主因子代表性，能夠更好地突出公因子的實(shí)際經(jīng)濟(jì)含義（何曉群，1998）。

本文構(gòu)建上市房企信用風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系的基本思路：通過(guò)因子分析法對(duì)眾多評(píng)價(jià)指標(biāo)進(jìn)行降維處理，根據(jù)相關(guān)性提取公因子，并乘以相應(yīng)權(quán)重計(jì)算綜合評(píng)分；然后，以因子分析綜合評(píng)分為基礎(chǔ)進(jìn)行K－Means聚類分析，對(duì)Z值進(jìn)行聚類，分別表示不同的信用評(píng)級(jí)。

因子得分包括單個(gè)公因子得分和綜合因子得分。單個(gè)公因子得分Fj可表示為成分得分系數(shù)βji與變量xi的乘積之和：

再將每個(gè)因子的方差貢獻(xiàn)率ω作為其權(quán)重，計(jì)算綜合因子得分Z：

（二）預(yù)測(cè)上市房企信用評(píng)級(jí)的BP神經(jīng)網(wǎng)絡(luò)模型

人工神經(jīng)網(wǎng)絡(luò)是由大量神經(jīng)元組成的復(fù)雜網(wǎng)絡(luò)架構(gòu)，通過(guò)模擬人類大腦的運(yùn)行處理過(guò)程，抽象簡(jiǎn)化繁雜的非線性信息并進(jìn)行學(xué)習(xí)；根據(jù)不同的連接方式，可分為前饋神經(jīng)網(wǎng)絡(luò)和反饋神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)是最常見的前饋神經(jīng)網(wǎng)絡(luò)，其結(jié)構(gòu)一般包括輸入層、隱含層和輸出層，信息在網(wǎng)絡(luò)中總是向前傳播，上一層的輸出值作為下一層的輸入值，直至最后輸出層輸出。

BP神經(jīng)網(wǎng)絡(luò)具備信息前向傳播的特點(diǎn)。假設(shè)輸入為x1，x2，…，xj，對(duì)應(yīng)的權(quán)重分別為ω1，ω2，…，ωj，則在神經(jīng)元胞體內(nèi)部的激活函數(shù)計(jì)算過(guò)程為：

y值是該神經(jīng)元的輸出值，可以繼續(xù)作為前饋神經(jīng)網(wǎng)絡(luò)中下一層結(jié)構(gòu)的輸入值沿著神經(jīng)網(wǎng)絡(luò)架構(gòu)向下傳遞。

BP神經(jīng)網(wǎng)絡(luò)主要通過(guò)梯度下降與反向傳播算法來(lái)優(yōu)化神經(jīng)網(wǎng)絡(luò)性能。梯度下降算法可在訓(xùn)練過(guò)程中確定最優(yōu)權(quán)重和偏置，以最小化代價(jià)函數(shù)MSE為目標(biāo)，即實(shí)際輸出y（x）能夠盡可能擬合所有的訓(xùn)練輸入x。梯度下降法沿下降最快的方向使代價(jià)函數(shù)到達(dá)最小值處。經(jīng)過(guò)一次梯度下降后的新參數(shù)值為：

ω、b為初始參數(shù)值，經(jīng)過(guò)一次梯度下降后分別到達(dá)了ω′、b′的位置；η為學(xué)習(xí)率，表示一次下降的距離。η值太小會(huì)導(dǎo)致運(yùn)行時(shí)間過(guò)長(zhǎng)，太大會(huì)錯(cuò)過(guò)函數(shù)最低點(diǎn)。ω′、b′作為新的參數(shù)值再次進(jìn)行梯度下降，直至代價(jià)函數(shù)到達(dá)最小值點(diǎn)，此時(shí)的權(quán)重和偏置是使神經(jīng)網(wǎng)絡(luò)擬合性能最優(yōu)的參數(shù)組。

反向傳播算法是將網(wǎng)絡(luò)總誤差從輸出層反向傳播到輸入層，再應(yīng)用梯度下降算法來(lái)正向逐層修正參數(shù)，如此循環(huán)往復(fù)，直至達(dá)到期望輸出值，此時(shí)的權(quán)重、偏置數(shù)組為最佳參數(shù)組。

BP神經(jīng)網(wǎng)絡(luò)具備以下優(yōu)點(diǎn)：（1）非線性擬合能力強(qiáng)，可通過(guò)學(xué)習(xí)輸入值與輸出值的關(guān)系，擬合出二者的映射關(guān)系式；（2）內(nèi)部多隱含層結(jié)構(gòu)保證信息的精確傳遞，實(shí)現(xiàn)合理的輸出值分類；（3）具備優(yōu)良的深度學(xué)習(xí)與信息處理能力，能識(shí)別像素、音素等。因此，BP神經(jīng)網(wǎng)絡(luò)可應(yīng)用于函數(shù)擬合、分類、圖像識(shí)別等多個(gè)場(chǎng)景，實(shí)際應(yīng)用非常廣泛。

在應(yīng)用于上市房企信用評(píng)級(jí)時(shí)，BP神經(jīng)網(wǎng)絡(luò)也具有其他評(píng)級(jí)方法難以替代的優(yōu)勢(shì)：（1）其非線性擬合能力極大簡(jiǎn)化了復(fù)雜的內(nèi)部機(jī)制，可構(gòu)建“黑箱”自動(dòng)提取數(shù)據(jù)邏輯；（2）其泛化能力和容錯(cuò)能力可以保證實(shí)際情況中的良好運(yùn)行（吳鳳和吳義能，2017）。

本文將因子分析和Z值聚類的結(jié)果作為目標(biāo)輸出，建立BP神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)與擬合，模型達(dá)到精度要求后，用訓(xùn)練好的網(wǎng)絡(luò)預(yù)測(cè)我國(guó)上市房企未來(lái)的信用等級(jí)，并根據(jù)模型結(jié)果進(jìn)行后續(xù)觀測(cè)與分析。

三、數(shù)據(jù)選取與指標(biāo)體系構(gòu)建

（一）研究對(duì)象及數(shù)據(jù)來(lái)源

本文采集上市房企的26個(gè)財(cái)務(wù)及非財(cái)務(wù)指標(biāo)數(shù)據(jù)。從Wind數(shù)據(jù)庫(kù)房地產(chǎn)行業(yè)140家A股上市公司中刪除數(shù)據(jù)缺失者，最終確定2017年100家、2018年98家上市房企作為研究樣本集。所有數(shù)據(jù)均來(lái)自Wind數(shù)據(jù)庫(kù)、上市房企財(cái)務(wù)報(bào)表及中國(guó)證監(jiān)會(huì)官方網(wǎng)站。

（二）指標(biāo)體系構(gòu)建

本文從財(cái)務(wù)、非財(cái)務(wù)兩個(gè)維度構(gòu)建上市房企信用風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系，共選取26個(gè)指標(biāo)，詳見表1。

表1 我國(guó)A股上市房企信用風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系

1.財(cái)務(wù)類指標(biāo)

最常用于構(gòu)建企業(yè)信用評(píng)價(jià)指標(biāo)體系且文獻(xiàn)中出現(xiàn)頻率最高的盈利能力、營(yíng)運(yùn)能力、償債能力、發(fā)展能力（常方媛，2016；張超和孫英雋，2018）等指標(biāo)首先被納入本評(píng)價(jià)指標(biāo)體系。

其中，償債能力大類下的資產(chǎn)負(fù)債率具有一定的特殊性。房地產(chǎn)行業(yè)的運(yùn)營(yíng)過(guò)程一般是先借貸、再銷售回款，因此房地產(chǎn)企業(yè)的資產(chǎn)負(fù)債率普遍較高，但其背后的原因卻可能完全迵異：（1）經(jīng)營(yíng)狀況較好的企業(yè)，一般是由于其銷售行為持續(xù)進(jìn)行和預(yù)收賬款較多而導(dǎo)致資產(chǎn)負(fù)債率較高；（2）經(jīng)營(yíng)狀況較差的企業(yè)，往往由于負(fù)債過(guò)多而出現(xiàn)較高的資產(chǎn)負(fù)債率，該類企業(yè)償債能力堪優(yōu)、信用風(fēng)險(xiǎn)較高。因此，從資產(chǎn)負(fù)債率中剔除預(yù)收賬款后再納入本評(píng)價(jià)指標(biāo)體系，以便在統(tǒng)一標(biāo)準(zhǔn)下衡量企業(yè)的經(jīng)營(yíng)與信用情況。

此外，房地產(chǎn)業(yè)具有兩個(gè)重要的行業(yè)特性：（1）住房是兼具消費(fèi)、投資雙需求的特殊商品，易受政策、經(jīng)濟(jì)周期等因素影響而供需失衡，普遍存在高庫(kù)存危機(jī)；（2）房地產(chǎn)業(yè)是體量、資本投入雙高的行業(yè)，極度依賴融資與資金回籠能力，十分重視資金鏈運(yùn)轉(zhuǎn)。因此，流動(dòng)性也是本指標(biāo)體系的重要組成部分。

2.非財(cái)務(wù)類指標(biāo)

非財(cái)務(wù)類信息很大程度上與財(cái)務(wù)信息同樣反映企業(yè)的經(jīng)營(yíng)情況，因此若要對(duì)企業(yè)進(jìn)行全面評(píng)級(jí)，不能只考慮財(cái)務(wù)指標(biāo)（趙文睿，2016）。曾繁榮和劉小淇（2014）通過(guò)實(shí)證分析發(fā)現(xiàn)，引入非財(cái)務(wù)類指標(biāo)可以提高上市公司財(cái)務(wù)困境預(yù)警模型的準(zhǔn)確率。陳敏和陳曉園（2015）認(rèn)為非財(cái)務(wù)指標(biāo)對(duì)房地產(chǎn)企業(yè)財(cái)務(wù)分析具有重要意義，并建立了適用于房地產(chǎn)行業(yè)的非財(cái)務(wù)指標(biāo)體系。因此，本文在構(gòu)建評(píng)價(jià)體系時(shí)引入企業(yè)規(guī)模、董事會(huì)結(jié)構(gòu)、員工情況三類非財(cái)務(wù)指標(biāo)，以提高模型的可信度、全面性與風(fēng)險(xiǎn)評(píng)估能力。

四、實(shí)證分析

（一）因子分析

因子分析主要包含三個(gè)主要步驟：

第一步，數(shù)據(jù)標(biāo)準(zhǔn)化。利用SPSS軟件對(duì)原始數(shù)據(jù)進(jìn)行Z－score標(biāo)準(zhǔn)化處理（薛薇，2017），以消除量綱影響，使數(shù)據(jù)處于相同的數(shù)量級(jí)，共得到26個(gè)標(biāo)準(zhǔn)化處理的變量。

第二步，相關(guān)性檢驗(yàn)。應(yīng)用SPSS軟件進(jìn)行Kaiser-Meyer-Olkin檢驗(yàn)和Bartlett球形檢驗(yàn)。KMO測(cè)度值=0.712，大于0.5，說(shuō)明變量間的相關(guān)性較強(qiáng)，偏相關(guān)性較弱，因子分析的效果較好；Bartlett 球形檢驗(yàn)結(jié)果Sig=0，小于0.05，數(shù)據(jù)呈球形分布，原始變量之間存在相關(guān)性。因此，數(shù)據(jù)適合做因子分析。

第三步，進(jìn)行因子分析，結(jié)果見表2和表3。

表2 因子分析結(jié)果

初始特征值大于1的8個(gè)成分作為公因子予以保留，其累積方差貢獻(xiàn)率達(dá)到78.084%，對(duì)原有信息具有較強(qiáng)的覆蓋與解釋能力。

表3 成分得分系數(shù)矩陣

成分得分系數(shù)矩陣中，各公因子實(shí)際意義更加顯著。表3中的成分得分系數(shù)即為各變量在該因子上的得分權(quán)重。因此，可根據(jù)公式（1）將各變量與其權(quán)重乘積加總，得到各公因子（F1，F(xiàn)2，…，F(xiàn)8）得分。由于各公因子權(quán)重已由表2中的公因子方差占比確定，因此公式（2）可變化為如下綜合得分公式：

（二）聚類分析

K－Means聚類分析是以樣本之間的相似度為基礎(chǔ)，不斷計(jì)算、迭代以確定聚類中心并完成聚類的過(guò)程。同一聚類中心附近的樣本點(diǎn)可歸屬于同一類。參考葉永剛和吳良順（2016）的綜合得分公式，計(jì)算出樣本集內(nèi)各上市房企的Z值并進(jìn)行聚類，確定9個(gè)中心點(diǎn)，如表4所示。

表4 K－Means聚類分析結(jié)果

再以數(shù)值大小相鄰的兩中心點(diǎn)均值（1.125，0.585，0.290，0.055，－0.150，－0.380，－0.620，－1.030）作為邊界，按因子分析綜合得分Z值將上市房企樣本分為9個(gè)等級(jí)（1～9）。結(jié)合典型樣本的財(cái)務(wù)與非財(cái)務(wù)數(shù)據(jù)對(duì)企業(yè)Z值等級(jí)進(jìn)行觀察、定性判斷，得出結(jié)論：企業(yè)Z值等級(jí)值越小，其信用狀況越好、違約風(fēng)險(xiǎn)越小；企業(yè)Z值等級(jí)值越大，其信用狀況越差、違約風(fēng)險(xiǎn)越大。因此，將企業(yè)信用等級(jí)設(shè)為與Z值等級(jí)相對(duì)應(yīng)的9級(jí)。表5為企業(yè)信用等級(jí)（Z值等級(jí)）劃分及樣本分布情況，可以看出基本呈現(xiàn)正態(tài)分布。

表5 100家上市房企2017年信用等級(jí)分布

（三）基于BP神經(jīng)網(wǎng)絡(luò)的實(shí)證

利用聚類分析劃分的等級(jí)數(shù)作為神經(jīng)網(wǎng)絡(luò)目標(biāo)輸出值，進(jìn)行BP神經(jīng)網(wǎng)絡(luò)建模。具體步驟如下：

第一步，建模準(zhǔn)備。提取前述100家上市房企2017年度的26個(gè)財(cái)務(wù)與非財(cái)務(wù)指標(biāo)數(shù)據(jù)，以已構(gòu)建的26個(gè)指標(biāo)作為輸入端，以信用等級(jí)數(shù)作為目標(biāo)輸出，學(xué)習(xí)率η取0.001，最大迭代次數(shù)設(shè)為1000次。

第二步，劃分訓(xùn)練集與測(cè)試集。采用隨機(jī)抽取的方法，從樣本公司中抽取75家作為訓(xùn)練樣本，其余25家作為測(cè)試樣本。

第三步，數(shù)據(jù)歸一化。由于輸入數(shù)據(jù)的單位不同，部分指標(biāo)的數(shù)值范圍較大，會(huì)造成神經(jīng)網(wǎng)絡(luò)收斂慢、訓(xùn)練時(shí)間長(zhǎng)、小范圍數(shù)據(jù)輸入作用易被淹沒(méi)等問(wèn)題。故采取以下公式將數(shù)據(jù)映射到區(qū)間[0，1]：

第四步，尋找最佳隱含層節(jié)點(diǎn)數(shù)。隱含層節(jié)點(diǎn)數(shù)過(guò)多或過(guò)少都將直接影響訓(xùn)練結(jié)果，其確定標(biāo)準(zhǔn)并不統(tǒng)一，一般參考公式為：

其中，n是隱含層節(jié)點(diǎn)數(shù)；n1、n0分別為輸入與輸出神經(jīng)元個(gè)數(shù)；α 取0，1，2，…，10，α∈Ν。

但該公式并非一概而論，還要結(jié)合具體情況進(jìn)行確定。用MATLAB 軟件計(jì)算出n 取1，2，3，…，20時(shí)的訓(xùn)練集、測(cè)試集以及總數(shù)據(jù)集的均方根誤差（rmse），發(fā)現(xiàn)n＝3時(shí)總數(shù)據(jù)集rmse 最小，故確定隱含層節(jié)點(diǎn)數(shù)為3。

第五步，創(chuàng)建神經(jīng)網(wǎng)絡(luò)。構(gòu)建3層BP神經(jīng)網(wǎng)絡(luò)，其中輸入層含26個(gè)輸入神經(jīng)元，輸出層有1個(gè)節(jié)點(diǎn)。由于企業(yè)信用評(píng)級(jí)為整數(shù)，因此對(duì)神經(jīng)網(wǎng)絡(luò)計(jì)算輸出結(jié)果進(jìn)行取整，循環(huán)往復(fù)確定各層之間的最佳權(quán)重，并得到擬合結(jié)果最優(yōu)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

經(jīng)過(guò)以上訓(xùn)練，網(wǎng)絡(luò)輸出值與期望值之間的擬合優(yōu)度R2為0.9002。經(jīng)過(guò)6次迭代后，誤差已十分接近起始預(yù)設(shè)值0，模型最優(yōu)正確率較高。由此可知，該神經(jīng)網(wǎng)絡(luò)具備良好的擬合優(yōu)度，可用于實(shí)際預(yù)測(cè)。

（四）仿真測(cè)試

利用創(chuàng)建的BP神經(jīng)網(wǎng)絡(luò)，對(duì)前述98家上市房企2018年度的信用評(píng)級(jí)進(jìn)行仿真預(yù)測(cè)分析，結(jié)果見表6。

表6 98家上市房企2018年信用評(píng)級(jí)預(yù)測(cè)結(jié)果

由表5和表6可知，信用評(píng)級(jí)較差（信用等級(jí)值為6～9）的上市房企數(shù)由2017年的30家增加到2018年的37家，而信用評(píng)級(jí)優(yōu)良（信用等級(jí)值為1～4）的上市房企數(shù)則由33 減少到22家；100家上市房企2017年的實(shí)際評(píng)級(jí)結(jié)果集中在5、6兩個(gè)等級(jí)（共57家），由BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)得到的98家上市房企2018年信用評(píng)級(jí)結(jié)果也普遍集中于5、6兩個(gè)等級(jí)（共67家），兩年結(jié)果具有一致性。

對(duì)98家企業(yè)進(jìn)行因子分析和聚類分析，得到2018年的信用評(píng)級(jí)實(shí)際值，與BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)值一同標(biāo)示在平面坐標(biāo)圖中，并按預(yù)測(cè)值繪制企業(yè)信用等級(jí)值趨勢(shì)線（見圖1）。其中，x軸為98家上市房企按2018年股價(jià)漲幅降序排列時(shí)的次序編號(hào)，數(shù)值越小，對(duì)應(yīng)的企業(yè)股價(jià)漲幅越大；y軸為企業(yè)信用等級(jí)值（即Z值等級(jí)），數(shù)值越小，企業(yè)信用狀況越好。

圖1 98家上市房企2018年信用等級(jí)對(duì)比關(guān)系示意圖

由圖1可見，98家上市房企2018年的信用評(píng)級(jí)實(shí)際值、BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)值總體重合度較好，說(shuō)明模型預(yù)測(cè)的準(zhǔn)確程度較高。另外，98家上市房企2018年的信用評(píng)級(jí)實(shí)際值與預(yù)測(cè)值之間的擬合優(yōu)度R2為0.734，也說(shuō)明BP神經(jīng)網(wǎng)絡(luò)仿真測(cè)試的擬合效果較好。

此外，信用等級(jí)值趨勢(shì)線從左到右呈現(xiàn)上揚(yáng)態(tài)勢(shì)，即上市房企的股價(jià)漲幅逐步下降，而信用狀況在變差，說(shuō)明股價(jià)漲幅排名居前的上市房企，其信用水平整體優(yōu)于排名靠后的上市房企。信用等級(jí)值為1～3的10家上市房企中有9家的市場(chǎng)表現(xiàn)居于行業(yè)排名前50%，其中4家居于行業(yè)排名前15%；信用等級(jí)值為9的3家上市房企則全部位列市場(chǎng)表現(xiàn)排名后15%，印證了這一模型分析結(jié)果的可靠性。

五、結(jié)論

本文選取較為完備且貼合行業(yè)特性的指標(biāo)群，建立上市房企信用風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系，以房地產(chǎn)行業(yè)嚴(yán)調(diào)控背景下2017年和2018年的上市房企數(shù)據(jù)為樣本，構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型，對(duì)上市房企進(jìn)行信用評(píng)級(jí)。實(shí)證結(jié)果表明，該模型正確率較高，能較好評(píng)估宏觀調(diào)控背景下我國(guó)上市房企的信用等級(jí)。

第一，上市房企信用評(píng)級(jí)越優(yōu)，其市場(chǎng)表現(xiàn)越好，因此上市房企的信用評(píng)級(jí)可作為資本市場(chǎng)投資的有效參照標(biāo)準(zhǔn)。近幾年房地產(chǎn)市場(chǎng)處于宏觀嚴(yán)調(diào)控中，股市表現(xiàn)較為悲觀且不穩(wěn)定，投資者應(yīng)更多關(guān)注信用評(píng)級(jí)優(yōu)良的上市房企，此類企業(yè)更可能具有相對(duì)穩(wěn)定良好的資本市場(chǎng)表現(xiàn)；而對(duì)于信用評(píng)級(jí)顯著低于行業(yè)平均水平的公司，投資者基本難以在資本市場(chǎng)上獲取超額收益。由此可見，結(jié)合上市房企的信用評(píng)級(jí)進(jìn)行投資，能幫助投資者在一定程度上規(guī)避政策環(huán)境變化帶來(lái)的風(fēng)險(xiǎn)，降低損失。

第二，我國(guó)上市房企的整體信用水平下降。在經(jīng)濟(jì)下行與政策持續(xù)收緊背景下，我國(guó)房地產(chǎn)企業(yè)在資金端、銷售端均面臨較大壓力與挑戰(zhàn)。上市房企的整體信用水平下降，信用狀況發(fā)生惡化的企業(yè)數(shù)量顯著增加，形成不良的投資預(yù)期，這也與2018年房地產(chǎn)板塊股價(jià)幾乎全數(shù)下跌的實(shí)際情況相符。

第三，BP神經(jīng)網(wǎng)絡(luò)可較好用于實(shí)際信用評(píng)級(jí)。由BP神經(jīng)網(wǎng)絡(luò)模型結(jié)果可知，用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進(jìn)行樣本信用評(píng)級(jí)，網(wǎng)絡(luò)期望值與輸出值的擬合優(yōu)度達(dá)0.734，信用評(píng)級(jí)預(yù)測(cè)值與真實(shí)值有良好重合度。由此可見，BP神經(jīng)網(wǎng)絡(luò)在實(shí)際用于測(cè)度我國(guó)上市房企信用評(píng)級(jí)和信用風(fēng)險(xiǎn)時(shí)，具備超強(qiáng)的學(xué)習(xí)能力與容錯(cuò)性，實(shí)用而且有效。此外，從理論上講，該模型也可推廣至“非嚴(yán)調(diào)控”情景，僅需在具體實(shí)施時(shí)對(duì)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練學(xué)習(xí)對(duì)象等細(xì)節(jié)進(jìn)行相應(yīng)調(diào)整即可。