国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

新能源行業(yè)上市公司供應(yīng)鏈金融信用風(fēng)險(xiǎn)研究

2023-11-01 12:17武家旭
關(guān)鍵詞:超平面汽車(chē)行業(yè)信用風(fēng)險(xiǎn)

劉 千,武家旭

(哈爾濱商業(yè)大學(xué) 金融學(xué)院,黑龍江 哈爾濱 150028)

隨著氣候變化的加速,各國(guó)越來(lái)越認(rèn)識(shí)到環(huán)保的重要性,在減少污染排放等方面提出更高的要求。在此背景下,全球碳中和目標(biāo)得到越來(lái)越廣泛的關(guān)注。截至目前,有超過(guò)120個(gè)國(guó)家和地區(qū)提出了自己的碳中和目標(biāo)。中國(guó)作為國(guó)際大國(guó)于2020年提出了自己的碳中和路線(xiàn)圖,力爭(zhēng)在2030年達(dá)到碳達(dá)峰,2060年實(shí)現(xiàn)碳中和。截至2022年,全球汽車(chē)保有量為14.46億輛,其中中國(guó)汽車(chē)保有量超過(guò)3.12億輛,占全球總數(shù)的22%。全球新能源汽車(chē)銷(xiāo)售突破2000萬(wàn)輛,但僅占全球汽車(chē)總量的七十分之一。在國(guó)內(nèi),截至2022年世界新能源汽車(chē)大會(huì)期間,我國(guó)新能源汽車(chē)保有量?jī)H為891.5萬(wàn)輛,不到全國(guó)總保有量的三十分之一。大量燃油車(chē)排放的尾氣對(duì)全球氣候環(huán)境造成了沉重的負(fù)擔(dān)。相比之下,新能源汽車(chē)對(duì)環(huán)境的影響較小。用新能源汽車(chē)代替?zhèn)鹘y(tǒng)燃油車(chē),不僅代表技術(shù)進(jìn)步,更是代表了人類(lèi)保護(hù)環(huán)境的共同決心,也是發(fā)展趨勢(shì)所在。據(jù)CleanTechnica網(wǎng)站公布的數(shù)據(jù)顯示,2021年,全球累計(jì)新能源汽車(chē)銷(xiāo)量接近650萬(wàn)輛,到2022年全球新能源汽車(chē)銷(xiāo)量達(dá)到1065萬(wàn)輛,年增長(zhǎng)率高達(dá)63.6%。這表明,全球?qū)π履茉雌?chē)的接受程度越來(lái)越高。然而,新能源汽車(chē)行業(yè)屬于新興行業(yè),加上我國(guó)最初對(duì)新能源汽車(chē)行業(yè)的補(bǔ)貼制度存在補(bǔ)貼對(duì)象、補(bǔ)貼標(biāo)準(zhǔn)不合理,補(bǔ)貼流程不規(guī)范[1]等問(wèn)題,很多公司把重心放在了如何獲取更多補(bǔ)貼而不是放在新能源汽車(chē)技術(shù)研發(fā)等問(wèn)題上,造成了很多公司的實(shí)力不強(qiáng),抵御風(fēng)險(xiǎn)的能力相對(duì)較弱,在激烈的市場(chǎng)競(jìng)爭(zhēng)中更加不占優(yōu)勢(shì)。如何準(zhǔn)確地評(píng)估其信用風(fēng)險(xiǎn),幫助企業(yè)融得所需資金,解決問(wèn)題,走出困境,快速發(fā)展,已成為一個(gè)重要問(wèn)題。

由于新能源汽車(chē)行業(yè)中很多企業(yè)實(shí)力較弱,不僅要承受自身的風(fēng)險(xiǎn),還要受到供應(yīng)鏈上核心企業(yè)等因素的影響,因此如何從供應(yīng)鏈金融角度建立準(zhǔn)確的信用風(fēng)險(xiǎn)評(píng)估模型,準(zhǔn)確評(píng)估其信用風(fēng)險(xiǎn),成為學(xué)術(shù)界關(guān)注的熱點(diǎn)。

一、文獻(xiàn)綜述

由于新能源汽車(chē)行業(yè)中許多企業(yè)實(shí)力較弱、風(fēng)險(xiǎn)較高,并且還要承受供應(yīng)鏈上其他因素的影響,因此它們面臨的自身風(fēng)險(xiǎn)更加不確定。為了幫助這些企業(yè)發(fā)展并降低其自身風(fēng)險(xiǎn),可以采用金融手段適當(dāng)實(shí)體企業(yè)金融化[2],并將其金融化水平維持在適度區(qū)間,以此來(lái)降低風(fēng)險(xiǎn)。許多學(xué)者也通過(guò)供應(yīng)鏈金融角度來(lái)評(píng)估其信用風(fēng)險(xiǎn),學(xué)者通過(guò)引入不同變量,用不同的模型來(lái)研究影響供應(yīng)鏈金融信用風(fēng)險(xiǎn)的因素。首先,Hu和Ansell[3]通過(guò)宏觀環(huán)境變量以及企業(yè)內(nèi)部財(cái)務(wù)指標(biāo)等,運(yùn)用專(zhuān)家評(píng)分法評(píng)估供應(yīng)鏈金融的信用風(fēng)險(xiǎn)。但是,專(zhuān)家打分依靠專(zhuān)家個(gè)人主觀判斷,有很大的局限性,之后熊熊[4]等通過(guò)主成分分析和logistic回歸方法建立了新的信用風(fēng)險(xiǎn)評(píng)價(jià)模型,打破了依靠專(zhuān)家評(píng)價(jià)的局限性。劉遠(yuǎn)亮,高書(shū)麗[5]通過(guò)對(duì)北京地區(qū)信貸數(shù)據(jù)進(jìn)行信用風(fēng)險(xiǎn)評(píng)估,發(fā)現(xiàn)使用主成分分析和logistic方法可以有效地評(píng)估信用風(fēng)險(xiǎn),并且供應(yīng)鏈金融是提高中小企業(yè)信用狀況的一種有效方式。但是,傳統(tǒng)的logistic回歸易受樣本規(guī)模的限制。樣本存在數(shù)據(jù)緯度過(guò)高,且樣本不存在線(xiàn)性關(guān)系(如指標(biāo)權(quán)重)的問(wèn)題,通過(guò)人工智能的方法可以更加準(zhǔn)確解決。學(xué)者逐漸開(kāi)始使用人工智能的方法來(lái)建立信用風(fēng)險(xiǎn)模型。江訓(xùn)艷[6]通過(guò)BP神經(jīng)網(wǎng)絡(luò)對(duì)商業(yè)銀行的信用風(fēng)險(xiǎn)做了預(yù)警模型,之后王世民、匡海波[7]等人先后也用神經(jīng)網(wǎng)絡(luò)來(lái)構(gòu)建中小企業(yè)的供應(yīng)鏈金融信用風(fēng)險(xiǎn)模型,發(fā)現(xiàn)判別效果顯著。但是,神經(jīng)網(wǎng)絡(luò)模型對(duì)樣本要求過(guò)高,在應(yīng)用中需要采集足夠多的樣本數(shù)量,來(lái)保證樣本質(zhì)量。在供應(yīng)鏈金融信用風(fēng)險(xiǎn)評(píng)價(jià)的樣本中,由于數(shù)據(jù)樣本比較少、存在極端數(shù)據(jù)以及數(shù)據(jù)完整性不足的特點(diǎn),使用神經(jīng)網(wǎng)絡(luò)模型可能出現(xiàn)數(shù)據(jù)樣本普遍性適用不高,樣本過(guò)度擬合,以及部分樣本最優(yōu)解等問(wèn)題。相反,支持向量機(jī)能夠利用核函數(shù)將低維度數(shù)據(jù)轉(zhuǎn)換為高維度數(shù)據(jù),在此基礎(chǔ)上具有強(qiáng)大的泛化能力和較好的魯棒性。許多學(xué)者已經(jīng)驗(yàn)證了這一特點(diǎn),胡海青[8]等(2012)通過(guò)SVM和BP神經(jīng)網(wǎng)絡(luò)兩種算法建立信用風(fēng)險(xiǎn)評(píng)估模型,在小樣本情況下,基于SVM信用風(fēng)險(xiǎn)評(píng)估模型的供應(yīng)鏈金融模式更加準(zhǔn)確和穩(wěn)定。淳偉德和肖揚(yáng)[9]在研究供給側(cè)結(jié)構(gòu)背景下系統(tǒng)性金融風(fēng)險(xiǎn)的預(yù)警問(wèn)題時(shí),通過(guò)構(gòu)建不同核函數(shù)的支持向量機(jī)模型、邏輯回歸模型、判別分析模型和BP神經(jīng)網(wǎng)絡(luò)模型,進(jìn)行了對(duì)比分析,結(jié)果顯示,使用多項(xiàng)式核函數(shù)的支持向量機(jī)模型具有更好的預(yù)測(cè)性能。因此,之后在對(duì)供應(yīng)鏈金融信用風(fēng)險(xiǎn)進(jìn)行評(píng)估時(shí),大多數(shù)學(xué)者利用SVM以及改進(jìn)的SVM進(jìn)行供應(yīng)鏈金融信用風(fēng)險(xiǎn)評(píng)估。在此基礎(chǔ)上,胡蓮[10](2014)使用Adaboost集成SVM模型較模糊積分的SVM集成方法具有更高的分類(lèi)準(zhǔn)確率。與此同時(shí),陳云[11]等人發(fā)現(xiàn)利用隨機(jī)子集模型和AdaBoost兩種合成的RSA模型與SVM模型共同組成集成的學(xué)習(xí)模型可以作為信用風(fēng)險(xiǎn)評(píng)估的有效模型。陳舒期和梁雪春[12]等發(fā)現(xiàn)利用多個(gè)模型組合,再結(jié)合選擇性SVM發(fā)現(xiàn)實(shí)驗(yàn)結(jié)果中UCI數(shù)據(jù)有顯著提高。之后潘永明[13]等人(2020)利用SVM建立供應(yīng)鏈的中小企業(yè)信用風(fēng)險(xiǎn)的分類(lèi)模型,同時(shí)用信息增益提取對(duì)預(yù)測(cè)結(jié)果有顯著貢獻(xiàn)的變量,使模型的輸入進(jìn)一步優(yōu)化,預(yù)測(cè)精度顯著提高。錢(qián)吳永和張浩男[14]也提出了一種新的方法,采用一種動(dòng)態(tài)變異的離子群算法(DPSO)與AdaBoost算法對(duì)SVM進(jìn)行優(yōu)化集成的Adaboost-DPSO-SVM相較其他模型相比。這些學(xué)者都是在SVM基礎(chǔ)上進(jìn)行改進(jìn)的,但是最后一步實(shí)驗(yàn)仍然用的SVM,但是在SVM超平面附近數(shù)據(jù)樣本未知,以及超平面之間的數(shù)據(jù)卻不能很準(zhǔn)確的分類(lèi),同時(shí)如果樣本數(shù)據(jù)不平衡,其分類(lèi)精度也會(huì)較差。相對(duì)而言在處理高維度數(shù)據(jù)時(shí)K近鄰算法也有一定優(yōu)勢(shì)。因此,本文嘗試構(gòu)建一種新的KNN-SVM組合模型,結(jié)合兩者優(yōu)點(diǎn),在最優(yōu)超平面以外使用SVM模型,以?xún)?nèi)使用KNN模型,并首次通過(guò)從供應(yīng)鏈金融的角度將其應(yīng)用于新能源汽車(chē)行業(yè)信用風(fēng)險(xiǎn)的評(píng)估過(guò)程中。

二、新能源汽車(chē)行業(yè)供應(yīng)鏈金融信用風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系

在以往的融資模式中,銀行等金融機(jī)構(gòu)與新能源汽車(chē)行業(yè)之間存在信息不對(duì)稱(chēng)問(wèn)題,主要因?yàn)樾履茉雌?chē)行業(yè)是一個(gè)新興行業(yè),目前處于起步階段,導(dǎo)致其風(fēng)險(xiǎn)、市場(chǎng)和技術(shù)等方面的信息受到限制。因此,新能源汽車(chē)行業(yè)供應(yīng)鏈中上下游企業(yè)的規(guī)模較小,財(cái)務(wù)制度不完善,自身資產(chǎn)負(fù)債條件也不一定符合銀行等金融機(jī)構(gòu)的擔(dān)?;蛘哔|(zhì)押條件。這導(dǎo)致這些企業(yè)難以獲得銀行等金融機(jī)構(gòu)的授信,從而很難通過(guò)外部資金度過(guò)企業(yè)起步階段遇到的各種困難。在供應(yīng)鏈金融模式下,銀行等金融機(jī)構(gòu)不再僅考慮單個(gè)企業(yè)的授信,而會(huì)全面關(guān)注企業(yè)、核心企業(yè)以及整個(gè)供應(yīng)鏈的關(guān)系。這種轉(zhuǎn)變使銀行考慮整個(gè)供應(yīng)鏈共同承擔(dān)的風(fēng)險(xiǎn),而非單個(gè)企業(yè)的風(fēng)險(xiǎn),從而提高了企業(yè)的授信等級(jí)。因此,本文從供應(yīng)鏈金融的視角出發(fā),考慮融資企業(yè)與核心企業(yè)的財(cái)務(wù)狀況。在現(xiàn)有文獻(xiàn)[14-18]的基礎(chǔ)上,為了更加準(zhǔn)確評(píng)估新能源汽車(chē)行業(yè)供應(yīng)鏈金融信用風(fēng)險(xiǎn),本文重新設(shè)計(jì)了其相關(guān)的財(cái)務(wù)指標(biāo)體系,一共選取了34個(gè)相關(guān)指標(biāo),涵蓋融資企業(yè)的盈利能力、營(yíng)運(yùn)能力、償債能力和成長(zhǎng)能力四個(gè)方面指標(biāo)以及核心企業(yè)的獲利能力、償債能力和營(yíng)運(yùn)能力三個(gè)方面的指標(biāo),如表1所示。

表1 信用風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)

三、理論模型的設(shè)定

1.K近鄰算法(KNN)模型

與其他機(jī)器學(xué)習(xí)模型相比,KNN模型通常是最簡(jiǎn)單、最精確的分類(lèi)模型之一。其核心思想是在一個(gè)樣本特征空間中,根據(jù)訓(xùn)練集中的樣本分類(lèi)計(jì)算測(cè)試集中樣本與訓(xùn)練集中所有樣本的距離。通過(guò)設(shè)定K值,選取與測(cè)試樣本距離最近的K個(gè)訓(xùn)練集中的樣本,根據(jù)這K個(gè)訓(xùn)練樣本所處的類(lèi)別來(lái)確定測(cè)試樣本的類(lèi)別。但是,如果數(shù)據(jù)集過(guò)于龐大,對(duì)于每個(gè)測(cè)試集中的樣本都需要重新計(jì)算距離,這將是一項(xiàng)非常耗時(shí)費(fèi)力的工作。在KNN模型中,一般采用的是經(jīng)典的歐氏距離也是歐幾里得距離找到最近的K個(gè)“鄰居”。d(x,y)的距離可以用數(shù)學(xué)表達(dá)式(1)表示。

(1)

其中,n是x=(x1,x2,x3,…,xn)與y=(y1,y2,y3,…,yn)等分量的數(shù)目,也就是特征的數(shù)目。

2.支持向量機(jī)(SVM)模型

基于統(tǒng)計(jì)學(xué)理論中的結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理,Vapnik等人提出了SVM概念。SVM是一種廣義線(xiàn)性分類(lèi)器,通過(guò)監(jiān)督學(xué)習(xí)的方法對(duì)數(shù)據(jù)進(jìn)行二元分類(lèi)。其主要思想是通過(guò)核函數(shù)將初始數(shù)據(jù)映射至高維空間,使得這兩類(lèi)數(shù)據(jù)盡可能線(xiàn)性可分。同時(shí),SVM尋找一個(gè)超平面,使離超平面距離最近的數(shù)據(jù)離超平面盡可能遠(yuǎn)。這就是所謂的最大間隔分類(lèi)器。

首先,訓(xùn)練集樣本定義為xi∈Rn(i=1,2,3,…,n),yi∈{-1,+1}表示分類(lèi)符號(hào),分類(lèi)方程為式(2)。

wTxi+b=0

(2)

式(2)中,w表示最優(yōu)超平面的法向量,決定超平面的方向;b是偏移量,表示平面距離原點(diǎn)的距離。由此來(lái)看,超平面的劃分是由法向量w和偏移量b決定的。由此,假設(shè)超平面(w,b)能夠準(zhǔn)確地將訓(xùn)練樣本分類(lèi)正確,即對(duì)于(xi,yi)∈R,如果yi=+1,則wTxi+b>0;反之若yi=-1,則wTxi+b<0。因此,可以得出式(3)。

(3)

s.t.yi(wTxi+b)≥1,i=1,2,…,n

(4)

通過(guò)拉普拉斯變換,則該最有分類(lèi)面求解問(wèn)題可以轉(zhuǎn)換為一下對(duì)偶問(wèn)題,見(jiàn)式(5)。

(5)

對(duì)上式求解,最終得到最優(yōu)分類(lèi)函數(shù)式(6)。

(6)

式(6)中,αi≠0對(duì)應(yīng)的為樣本支持向量,sgn為符號(hào)函數(shù)。

此外,當(dāng)樣本數(shù)據(jù)線(xiàn)性不可分時(shí),利用核函數(shù)將低緯樣本空間通過(guò)非線(xiàn)性變換映射到高維的特征空間,該核函數(shù)k(xi,x)將線(xiàn)性不可分的情況轉(zhuǎn)換為線(xiàn)性可分情況,即用核函數(shù)k(xi,x)代替點(diǎn)積。

上述SVM模型的算法原理,決定了該模型是穩(wěn)健性較好的模型。SVM模型是用少數(shù)支持向量決定最終結(jié)果,這在實(shí)際應(yīng)用過(guò)程中便于抓住關(guān)鍵樣本,剔除大量冗余樣本。表明該方法不但算法簡(jiǎn)單,而且具有較好的“魯棒性”。

3.SVM-KNN組合模型

通過(guò)SVM模型二分類(lèi)時(shí),在分界面附近的樣本容易分類(lèi)錯(cuò)誤。此外,SVM模型也可以被視為K等于1的近鄰算法。為了應(yīng)對(duì)樣本在空間分布位置不同的情況,可以采用結(jié)合SVM和KNN優(yōu)點(diǎn)的方法。具體而言,若樣本距離SVM分界面大于預(yù)設(shè)的閾值ε,則使用SVM模型進(jìn)行分類(lèi);否則,使用KNN模型進(jìn)行分類(lèi)。這種方法能夠綜合利用SVM和KNN的優(yōu)點(diǎn),提高分類(lèi)效果,并且能夠適應(yīng)各種空間分布情況下的分類(lèi)問(wèn)題。

通常情況下,上述組合算法中,分類(lèi)閾值ε被設(shè)置在1左右。當(dāng)ε被設(shè)置為0時(shí),這個(gè)算法就變成了只使用SVM模型進(jìn)行分類(lèi)的傳統(tǒng)的SVM算法,不考慮KNN模型。

四、實(shí)證分析

1.數(shù)據(jù)選取

本文的研究對(duì)象是我國(guó)新能源汽車(chē)行業(yè)供應(yīng)鏈上的上市公司,其中包括比亞迪、東風(fēng)集團(tuán)、江淮汽車(chē)、賽力斯、上汽集團(tuán)、長(zhǎng)安集團(tuán)、長(zhǎng)城集團(tuán)等八家在中國(guó)A股上市的新能源汽車(chē)整車(chē)制造廠作為核心企業(yè)。研究選取了供應(yīng)鏈上116個(gè)國(guó)內(nèi)上市公司在2018—2021年近四年的財(cái)務(wù)數(shù)據(jù),并剔除了一些異常數(shù)據(jù),共計(jì)462個(gè)樣本。本研究的數(shù)據(jù)來(lái)源包括國(guó)泰安數(shù)據(jù)庫(kù)、東方財(cái)富以及新能源汽車(chē)行業(yè)研報(bào),根據(jù)每年國(guó)資委發(fā)布的《企業(yè)績(jī)效評(píng)價(jià)標(biāo)準(zhǔn)》(以下簡(jiǎn)稱(chēng)《標(biāo)準(zhǔn)》)來(lái)評(píng)估企業(yè)風(fēng)險(xiǎn)。本研究最終選取了357個(gè)可以視作“信用良好”的樣本和105個(gè)視作“信用不良”的樣本作為初始數(shù)據(jù)。為了降低數(shù)據(jù)樣本的緯度,簡(jiǎn)化輸入模型的數(shù)據(jù),本文使用主成分分析法(PCA)對(duì)搜集到的數(shù)據(jù)進(jìn)行處理。

2.Z-score的樣本標(biāo)準(zhǔn)化處理

供應(yīng)鏈金融業(yè)務(wù)模式下,各上市公司進(jìn)行信用風(fēng)險(xiǎn)評(píng)價(jià)時(shí)需要預(yù)先采用適當(dāng)方法對(duì)指標(biāo)進(jìn)行標(biāo)準(zhǔn)化。為此,本文采用Z-score將不同量級(jí)的數(shù)據(jù)統(tǒng)一轉(zhuǎn)化為一個(gè)量級(jí),以保證數(shù)據(jù)之間的可比性。式(7)-式(9)為Z值以及數(shù)據(jù)樣本相對(duì)應(yīng)的均值和方差。

(7)

(8)

(9)

其中,i=1,2,…,n;j=1,2,…,m。

3.評(píng)價(jià)指標(biāo)的主成分提取

根據(jù)主成分分析結(jié)果,前16個(gè)主成分的特征值貢獻(xiàn)率和累積貢獻(xiàn)率均為98.58%,因此我們選擇提取這16個(gè)主成分進(jìn)行實(shí)證分析,如表2所示。

表2 主成分特征值及貢獻(xiàn)率

表3是原始數(shù)據(jù)462個(gè)樣本的34個(gè)財(cái)務(wù)指標(biāo)進(jìn)行主成分屬性約簡(jiǎn)后提取的16個(gè)線(xiàn)性無(wú)關(guān)主成分,將降維數(shù)據(jù)輸入實(shí)驗(yàn)?zāi)P湍軌虼蟠筇岣哌\(yùn)算效率,同時(shí)也避免了支持向量機(jī)RBF核函數(shù)不擅長(zhǎng)處理量綱不統(tǒng)一數(shù)據(jù)集的問(wèn)題。

表3 原始數(shù)據(jù)樣本的主成分

4.實(shí)驗(yàn)結(jié)果

本文在“‘信用良好’的357家企業(yè)”及“‘信用不良’的105家企業(yè)”兩組樣本中分別隨機(jī)抽取,按照訓(xùn)練集:驗(yàn)證集:測(cè)試集=3:1:1的比例來(lái)對(duì)模型進(jìn)行擬合,檢驗(yàn)?zāi)P皖A(yù)測(cè)能力。其中,1代表“信用良好”的企業(yè),0代表“信用不良”的企業(yè)。本文選用Accuracy、Precision、Recall、F1-score作為評(píng)價(jià)模型的分類(lèi)標(biāo)準(zhǔn),得到式(10)-式(12)。其中,式(10)反映了模型對(duì)樣本整體的分類(lèi)能力;式(11)反映在進(jìn)行測(cè)試時(shí)認(rèn)為正確的樣本中,確實(shí)為正確樣本的比例;式(12)反映反映了被正確分類(lèi)為正確的樣本占所有正確樣本的比例。

(10)

(11)

(12)

式(10)-式(12)中,TP指的是被預(yù)測(cè)為“信用良好”且實(shí)際上也是“信用良好”的企業(yè)數(shù)量,FP指的是被預(yù)測(cè)為“信用良好”但實(shí)際上是“信用不良”的企業(yè)數(shù)量,FN指的是被預(yù)測(cè)為“信用不良”但實(shí)際上是“信用良好”的企業(yè)數(shù)量,TN指的是被預(yù)測(cè)為“信用不良”且實(shí)際上也是“信用不良”的企業(yè)數(shù)量。

(1)Logistic模型的結(jié)果

在進(jìn)行l(wèi)ogistic建模時(shí),將樣本按照訓(xùn)練集:測(cè)試集的比例為4:1,對(duì)logistic樣本進(jìn)行訓(xùn)練與測(cè)試,得到結(jié)果為:

Accuracy=75.27%;Precision=93.75%;Recall=75.95%;F1-score=83.92%

(2)KNN模型的參數(shù)選擇與結(jié)果

在進(jìn)行KNN建模時(shí),由于該函數(shù)在建模時(shí)將鄰居個(gè)數(shù)默認(rèn)為1,所以要確定最優(yōu)鄰居個(gè)數(shù),分別將K值設(shè)為3、5、7等進(jìn)行實(shí)驗(yàn)。

實(shí)驗(yàn)結(jié)果顯示,K等于3時(shí),查準(zhǔn)率為88.17%;K等于5時(shí),查準(zhǔn)率為86.02%;K等于7時(shí),查準(zhǔn)率為84.95%。通過(guò)對(duì)比分析發(fā)現(xiàn),當(dāng)K值為3時(shí)查準(zhǔn)率在選擇的數(shù)值中最高,故選擇K值為3,所對(duì)應(yīng)的實(shí)驗(yàn)結(jié)果為:

Accuracy=88.17%,Precision=92.50%,Recall=93.67%,F1-score=93.08%。

(3)SVM模型參數(shù)選擇與結(jié)果

在進(jìn)行SVM建模時(shí),由于本文數(shù)據(jù)的非線(xiàn)性情況,采用徑向基函數(shù)(RBF)作為核函數(shù),但是要考慮最優(yōu)參數(shù)C和gamma。

本實(shí)驗(yàn)使用熱力圖(略)來(lái)尋找最優(yōu)參數(shù),通過(guò)實(shí)驗(yàn)發(fā)現(xiàn),當(dāng)C取100時(shí),gamma為0.001時(shí),為熱力圖中最亮的地方,同時(shí)說(shuō)明其準(zhǔn)確率最高。

因此,C取100,gamma為0.001時(shí)實(shí)驗(yàn)結(jié)果最好,最終得到如下實(shí)驗(yàn)結(jié)果:

Accuracy=90.32%,Precision=90.70%,Recall=98.73%,F1-score=94.55%。

(4)SVM-KNN組合模型的實(shí)證結(jié)果

根據(jù)KNN模型和SVM選出的最優(yōu)參數(shù),即K為3、C為100、gamma為0.001時(shí)進(jìn)行實(shí)驗(yàn)分析,得到結(jié)果為:

Accuracy=93.55%,Precision=93.98%,Recall=98.73%,F1-score=96.30%。

(5)四種模型的分類(lèi)結(jié)果匯總分析

Logistic、KNN、SVM以及KNN-SVM組合模型結(jié)果對(duì)比分析如表4所示。

表4 模型結(jié)果對(duì)比 單位:%

實(shí)驗(yàn)結(jié)果表明,四種模型在供應(yīng)鏈金融角度對(duì)新能源汽車(chē)行業(yè)供應(yīng)鏈上相關(guān)企業(yè)信用風(fēng)險(xiǎn)分類(lèi)中效果差異明顯。通過(guò)組合KNN-SVM模型,各項(xiàng)指標(biāo)都有了大幅提升,尤其查準(zhǔn)率高達(dá)93.55%,超過(guò)了單獨(dú)使用logistic模型、SVM模型和KNN模型。表明該組合模型在判斷新能源汽車(chē)行業(yè)供應(yīng)鏈上相關(guān)企業(yè)的信用風(fēng)險(xiǎn)水平時(shí),對(duì)于“信用良好”企業(yè)及“信用不良”企業(yè)的判斷準(zhǔn)確率均高于其他三個(gè)模型。同時(shí),該組合模型可以幫助相關(guān)企業(yè)準(zhǔn)確判斷其是否屬于風(fēng)險(xiǎn)企業(yè),從而幫助他們籌措到所需資金,對(duì)于新能源汽車(chē)行業(yè)供應(yīng)鏈上實(shí)力相對(duì)較弱的企業(yè)來(lái)說(shuō),不僅有助于他們渡過(guò)難關(guān),也有利于銀行金融機(jī)構(gòu)規(guī)避一定的風(fēng)險(xiǎn)。在Precision中判定正例樣本中真正的正例樣本準(zhǔn)確率與單獨(dú)進(jìn)行SVM模型類(lèi)似,但是高于單獨(dú)使用KNN模型的準(zhǔn)確率說(shuō)明組合模型在一定程度上也提高了判定的準(zhǔn)確率,而剩余的Recall與F1-score兩個(gè)指標(biāo)更是遠(yuǎn)遠(yuǎn)高于其他三個(gè)模型。說(shuō)明新提出的SVM-KNN組合模型,在從供應(yīng)鏈金融角度對(duì)新能源汽車(chē)行業(yè)供應(yīng)鏈上的相關(guān)企業(yè)進(jìn)行信用風(fēng)險(xiǎn)評(píng)估時(shí)更加準(zhǔn)確,比傳統(tǒng)Logistic模型、KNN模型以及SVM更有優(yōu)勢(shì),可以更加準(zhǔn)確評(píng)估相關(guān)企業(yè)的信用風(fēng)險(xiǎn),對(duì)新能源汽車(chē)行業(yè)供應(yīng)鏈上相關(guān)企業(yè)生存發(fā)展提供了幫助。

結(jié)語(yǔ)

本文利用新能源汽車(chē)行業(yè)供應(yīng)鏈上融資企業(yè)與核心(整車(chē)制造)企業(yè)的財(cái)務(wù)數(shù)據(jù),建立了金融信用風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系,在對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理之后,通過(guò)主成分分析法解決了高維數(shù)據(jù)問(wèn)題。結(jié)合SVM和KNN模型的優(yōu)點(diǎn),提出了KNN-SVM組合模型,并證明該模型在分類(lèi)問(wèn)題上比單獨(dú)使用SVM和KNN模型更具有優(yōu)勢(shì)。該模型適用于從供應(yīng)鏈金融角度出發(fā),對(duì)新能源汽車(chē)行業(yè)供應(yīng)鏈上相關(guān)企業(yè)的信用風(fēng)險(xiǎn)問(wèn)題進(jìn)行研究,而且在風(fēng)險(xiǎn)評(píng)估中表現(xiàn)更加優(yōu)越,該方法可為我國(guó)加快推進(jìn)新能源汽車(chē)行業(yè)發(fā)展,保護(hù)和改善環(huán)境氣候提供一個(gè)新思路。

猜你喜歡
超平面汽車(chē)行業(yè)信用風(fēng)險(xiǎn)
全純曲線(xiàn)的例外超平面
涉及分擔(dān)超平面的正規(guī)定則
時(shí)代不等人,汽車(chē)行業(yè)在完成“雙碳”這件事上,責(zé)無(wú)旁貸
以較低截?cái)嘀財(cái)?shù)分擔(dān)超平面的亞純映射的唯一性問(wèn)題
汽車(chē)行業(yè)最熱最I(lǐng)N資訊,這里看個(gè)夠!
汽車(chē)行業(yè) 最熱最I(lǐng)N資訊,這里看個(gè)夠!
淺析我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)管理
京東商城電子商務(wù)信用風(fēng)險(xiǎn)防范策略
個(gè)人信用風(fēng)險(xiǎn)評(píng)分的指標(biāo)選擇研究
數(shù)學(xué)年刊A輯(中文版)(2015年1期)2015-10-30