摘要：结合赊销风险的特征，提出将“赊销风险度”作为新的赊销风险度量标准，在此基础上将企业赊销风险划分为5个等级，并将bp神经网络引入赊销风险评价，建立了基于bp神经网络的企业赊销风险评价模型。实证结果表明，该模型是有效且可行的。
关键词：赊销风险度；客户信用；bp神经网络；风险评价

引言
赊销风险就是基于信用销售以后所产生的对未来的不确定性风险，表现为赊销客户由于各种原因，不愿意或无力偿还赊销货款，使企业货款无法回收，形成呆账的可能性[1]。在赊销过程中，客户一般并不提供实质性担保，因此，企业面临的赊销风险也随之增加。近年来，一些企业经营陷入困境而使得供应链上的其他企业因赊销货款无法正常回收也相继陷入停产和破产危机，这些实例就是最好的佐证。因此，探寻和建立行之有效的赊销风险评估方法就彰显出其重要意义。
本文从赊销风险评价的目的出发，提出了基于赊销风险度的赊销风险度量标准。同时，将bp神经网络引入赊销风险评价，建立了基于bp神经网络的企业赊销风险评价模型。实证分析结果表明，该模型是有效可行的。
一、赊销风险的度量标准及评价指标体系
1.基于赊销风险度的赊销风险度量标准。在综合考虑赊销风险的实质和不确定性的基础上，本文提出将“赊销风险度”作为一种新的赊销风险衡量标准。赊销风险度是一种以测度赊销风险暴露程度（赊销货款安全系数）为核心的赊销风险衡量标准，它是指对客户开展赊销业务中，在特定的交易方式下，该客户由于各种原因，不愿意或无力偿还赊销货款而使货款将来形成呆死账的可能性。LOcALHoSt具体计算公式为：
di=1-rt
其中，di为某一客户i进行赊销的赊销风险度；rt为客户i的当期货款回收率；m为考核的回收期 [2]。这一标准的优越性可见文献[2] 。
2.基于赊销风险度的赊销风险等级划分。鉴于目前银行业中运用比较成熟的五级信用分类制度在国内经济生活中的普及性，论文根据赊销风险度的大小将赊销风险分为5个等级，各等级对应的标准及赊销客户特征（见表1） [3]。
3.赊销风险评价指标体系。论文采用理论与实证相结合的方法确定赊销风险评价指标体系，首先结合相关文献和作者赊销实践，提出17项初始指标，然后用专家打分法和实证分析两种方法对初始的指标体系进行筛选，最终确定12项指标（见下页表2），具体分析过程略。
二、基于bp神经网络的赊销风险评价模型
目前对于赊销风险评价研究尚少，且赊销风险评价是复杂非线性的多因子综合系统，具有模糊、不确定等特性，适合采用结构简单、具有非线性拟合能力的神经网络。基于以上考虑，论文将比较成熟的bp神经网络用于赊销风险评价，构建神经网络五级分类风险评价评估模型，为赊销风险管理提供一个全面的视角。
本文建立的bp神经网络模型（如图1所示）[4]。
图1bp神经网络模型
该模型分为两大模块：前一部分是归一化模块，这一部分主要核心技术是将原始数据转化为［0，1］区间的标准化数据；后一部分是bp神经网络（bpnn）模块。上述模型中的bpnn模块采用三层bp神经网络。该网络包括三层：输入层、隐层和输出层。
应用上述模型进行赊销风险评价的步骤为：
1.指标归一化。由于神经网络的输入要求在[0，1]区间，因此，在网络学习训练前首先要将各评价指标的原始数据进行归一化。由于论文本文中的12个评价指标既有定量指标，也有定性指标，它们的标准化方法是不同的。
定量指标的标准化：
定量指标分为两类：成本型（越小越好）和效益型（越大越好）。对于指标fi，设其论域为di=[mi，mi]，其中mi和mi表示fi的可能最小、最大值，si∈[0，1]是定义在论域di上的标准化函数。以下是两种指标的标准化函数[5]：
成本型：si=0xi≤mixi∈di1xi≥mi
效益型：si=1xi≤mixi∈di0xi≥mi
定性指标的标准化：
根据定性指标取值，其标准化规则（见表3）。
2.网络训练。原始数据经过预处理后送入归一化模块，根据输入信号按上一节的规则进行归一化，得到12个归一化值，然后，这些归一化值被送入bpnn模块。由以上分析可知，bpnn模块输入层的神经元数为12，即输入信号x1，x2，…，x12对应于12个归一化值；输出神经元数为1，即输出量o对应于赊销风险水平。
神经网络的学习过程也就是网络参数修正的过程，本系统的网络学习采用有教师的方法，网络参数的修正采用梯度法实现。设现已有p个系统样本数据[6～7]：
{a，oa}，（a=1，2，…，p）
式中，上标a表示样本序号；a为样本输出，oa为实际输出。xai（i=1，2，…，12）为输入变量，则输入变量将按下式分配到隐层的第m个神经元，作为其输入x′m

x′m=wimxai （1）
式中，wim是输入层神经元i与隐层神经元m的权值。隐层神经元m的输出o′m是其输入x′m的函数，即：
o′m=f（xai）（2）
bp神经元的传递函数f（x）通常为对数sigmoid函数。同理也可以计算输出层各个单元的输入和输出，这里不作详细叙述。
通过一定数量的网络训练过程，实际是修正网络参数以确定最适宜的权值使对全部n个样本的输入，按式（1）、（2）的正向运算得到的实际输出oa与a期望输出（样本输出）的残差达到最小，即：
→ e=（oa-a）2最小 （3）
权值及阀值的修正通过反向传播算法的梯度法实现，具体过程略。
3.模型验证。将n-p个验证样本的输入矢量x*v=（x*p+1，x*p+2，…，x*n）置于网络中，进行仿真预测，得到预测输出矢量

[1] [2] 下一页