行业内中小企业信用评估模型及应用

在对中国中小企业特点的分析基础上,建立起三层次的行业内中小企业信用评估指标体系。并将其中的财务状况指标体系单独列出,通过对20家安徽省农资中小企业的调查,以此行业为例,利用主成分分析法筛选变量.简化原指标系统,进一步利用Logistic函数对财务状况指标计算公式进行了修正.然后通过层次分析法对各层指标权重进行计算,建立起行业内中小企业信用评估模型.同时根据商业银行的放贷目的,对模型进行了进一步讨论,在确定银行贷款临界概率的基础上,利用中小企业信用评估模型建立起银行贷款决策模型,并代入2005年度上半年合肥丰乐种业股份有限公司的数据进行了实证分析.     

V-fold交叉验证和BP神经网络在信用评价中的应用

研究关于公司神经网络信用评估问题的现状，提出一套甄选方法准则。用于建立适合于我国企业的信用评分指标体系；然后依据该指标体系建立了基于BP回归神经网络的信用评估模型；采用V—fold交叉验证技术，利用样本公司实际指标数据对该模型的评分效果进行了实证研究。     

基于BP神经网络的企业信用评估模型

本文研究了企业信用评估中的模型问题.以商业企业为例,阐述了基于BP神经网络的信用评估模型的原理,通过建立指标体系,讨论基于BP神经网络的评价模型的实现,对模型的不足进行了分析,并提出改进建议.     

GRNN和PNN模型在信用风险评估中的应用

广义回归神经网络GRNN和概率神经网络PNN,与传统的BP神经网络相比,收敛速度快,学习能力强.本文将其应用到信用风险评估,选取1057组公司财务数据作为训练数据,350组数据作为测试数据,分别建立基于不同属性的模型对样本公司财务状况评判其是守信公司还是违约公司,最终选取精度较高的作为最终模型对财务系统进行预测.结果表明,PNN对于信用风险评估泛化能力好,测试集正确率高,因此可以用作风险预警的模型,给决策者提供智力支持.     

基于BP神经网络的P2P网贷借款人信用评估

评估借款人信用是P2P网贷公司控制风险的重要步骤,对于网贷公司的正常运行有着极其重要的意义。论文参考商业银行信用指标体系并根据P2P网贷自身特点,建立了P2P网贷借款人的信用评估指标体系。根据建立的指标体系构建相应的BP神经网络模型,并利用一步正切法进行优化。然后选取具有代表性的P2P网贷平台的相关数据,对该模型进行训练和仿真,证明了该模型对P2P网贷平台的风险控制起到一定的作用。     

大数据背景下基于GRBF神经网络的P2P机构信用风险预警研究

针对P2P机构信用风险预警问题,提出了基于大数据思维的信用评估体系,采用基于动态特征的广义径向基神经网络对228家P2P机构12个月的高维数据指标进行信用风险评估.应用设计的广义径向基神经网络和BP神经网络进行对比,准确率分别为91.9%、85.2%,广义径向基神经网络在处理实时高维数据时表现出良好的性能,可以对我国P2P机构信用风险进行预警.同时深入对预警机构进行数据分析发现,如果企业资金流动性较差、净流入低也可能存在较高风险,企业应依据小额分散的借贷原则,降低借款集中度可以有效防范企业信用风险.     

基于BP神经网络误差函数优化算法的武器装备承制商信用评价模型研究

信用评价是选择武器装备承制商的重要手段.以国标为基础,结合承制商具体情况确定了信用评价指标体系.分析了传统信用评价方法的不足,对经典BP神经网络的误差函数进行优化,优化后的网络模型收敛速度更快,预测精度更高.构建BP神经网络武器装备承制商信用评价模型,仿真实验表明武器装备承制商信用评价可以选用BP神经网络模型.     

BP神经网络在农机总动力预测中的应用

准确的预测黑龙江省农机总动力,可为黑龙江省的农业机械化发展趋势和农机产品市场分析提供理论指导,为制定黑龙江省农业机械化发展规划和预测近阶段农业机械化发展水平提供参考依据.利用黑龙江省1980-2007年农机总动力数据,运用标准BP神经网络和改进BP神经网络模型进行预测,预测结果表明,改进BP神经网络模型比标准BP神经网络模型在预测精度、运行时间、学习次数等方面更具优越性.     

基于模糊神经网络的动车组转向架健康评估

动车组转向架的健康状态直接关系到到动车组的行车安全,基于健康评估方法获取其健康状态及时制定维护计划可以有效降低其维护费用.动车组转向架健康状态评估时应用了模糊层次分析法以及BP神经网络,其模糊矩阵的特征向量用遗传算法进行求解,获取动车组转向架系统关键部件健康状态的权重,以及基于转向架系统评价指标的健康状态样本数据.构建BP神经网络,用转向架健康状态样本数据作为神经网络训练集,优化神经网络结构参数.通过实际测试数据对神经网络评估效果进行检验,完成了动车组转向架健康评估方法的智能化,支持了动车组转向架的维护决策.     

阿尔茨海默病诊断的自适应BP神经网络模型

阿尔茨海默病(AD)和轻度认知功能损伤(MCI)具有患者多、诊断难的特点,改进BP神经网络,提出自适应BP神经网络(ABP)进行100次AD和MCI诊断模拟,ABP神经网络的诊断正确率显著高于BP和RBF神经网络.采用留一法将101例正常人、200例MCI和90例AD患者的样本分为训练集和检测集,用ABP神经网络对其进行诊断模拟,总正确率达到73.91%.     

小微企业信用风险评估的IDGSO-BP集成模型构建研究

针对传统BP神经网络在小微企业信用风险评估实际应用中,随机初始权值和阈值导致网络学习速度慢、易陷入局部解以及运算结果误差较大等缺陷,借助群智能萤火虫(GSO)算法,提出一种基于改进离散型萤火虫(IDGSO)算法的BP神经网络集成学习算法的小微企业信用风险评估IDGSO-BP模型。该模型以BP神经网络为基本框架,在学习过程中引入离散型萤火虫算法,优化设计神经网络的网络结构与连接权值,得到一组相对合适的权值与阈值,再进行新一轮网络训练,以“均平方误差最小”为评价准则,产生网络的输出结果,以此建立小微企业信用风险评估模型。其仿真实验结果表明,该模型在收敛速度及运算精度方面较传统BP神经网络模型、遗传GA-BP模型及连续GSO-BP模型有较明显优势。因此,IDGSO-BP模型可以有效提高小微企业信用风险评估的准确性。     

基于数据的银行信贷行业的信用风险研究

目前多数研究利用美国旧金山市KMV公司于1997年建立的模型(KMV模型)计算企业年违约距离来评估具体企业的信用风险,但缺乏信贷行业的信用风险评估方法,也不能给出随时间变化的信用风险.首先提出基于数据的信贷行业随时间动态演化的信用风险评估模型,然后利用2016年18个行业的数据得到了中国信贷行业动态演化的信用风险,该信用风险随时间演化特征可分为波动上升、下降后波动、下降后稳定、稳定四种类型.进一步研究发现金融业、科学研究和技术服务业、信息传输软件和技术服务业这三个行业动态演化的信用风险平均值高且不稳定,住宿和餐饮业的信用风险很高但是比较平稳,其他行业的信用风险较低且较平稳.     

制造业集聚对劳动生产率影响的区域差异和产业差异

我国制造业由90年代开始急速向东部地区集聚,但近几年这种集聚态势有所减弱,甚至有一些东部地区行业向其他地区进行了转移,产业集聚存在区域差异导致这种现象的根本原因.并针对产业的行业差异给出产业转移建议.利用我国2007-2009年29个省、市、自治区(不包括青海和西藏)四位码制造业数据探索产业外部性对劳动生产率的影响及这种影响的区域差异和产业差异,有如下发现:首先,"地方化经济"的可分解为"就业密度"和"竞争程度".计量结果表明:1)地区差异:就全国样本来说,就业密度对劳动生产率有正向影响,但对东部地区的影响由2007年的显著正向影响转变为2009年的影响不显著.竞争程度对劳动生产率有正向影响,但2007-2009年三年间,其对东部地区的影响均小于对内陆地区的影响.表明东部地区已经逐步丧失考劳动力集聚所得到的优势,且竞争的负面影响有所显现,2)行业差异:竞争程度对劳动生产率的影响因行业而不同,劳动密集型行业受到竞争程度的正向影响更大,而资本密集型行业受到竞争程度的正向影响较小,即同行业的集聚对劳动密集型行业有利,而对资本密集型行业影响较小,这也是创新点之一.最后,对计量结果进行了现实性分析并提出政策建议,建议劳动密集型行业由东部向中部转移,因为东部已失去了单纯靠劳动力数目提高劳动生产率的优势,并且东部地区企业竞争的负面效应有所显现,同时中部地区也有能力做好承接工作,但是这还要建立在中部加速自身发展和建设的基础之上.     

信用风险相关性度量的MRS Copula模型构建及实证研究

在构建行业信用风险指数的基础上,将马尔科夫机制转换引入到信用风险相关性的度量中,建立了信用风险相关性度量的MRS Copula模型。以1990-2012年电力、煤气及水的生产和供应业,批发、零售、贸易业,石油、化学、塑胶、塑料业和信息技术业为样本的实证研究表明,行业信用风险相关性表现出较为明显的机制转换特征和非对称效应,在高风险状态,信用风险相关系数达到了0.7以上,而在低风险状态,信用风险相关系数在0.2以下.同时,信用风险"一损俱损"的特征比较明显,行业信用风险的下尾相关系数较为显著,而上尾相关系数则并不显著.商业银行可据此调整信贷资产结构,防范信用风险传染,以及优化信贷组合管理.     

智能制造模式下基于改进BP-ARIMA组合模型产品需求预测方法

为有效预测智能制造模式下的不确定性需求,提出自回归移动平均模型ARIMA和改进BP神经网络的组合模型,对预测数据中包含线性规律的Lt以及非线性规律的ε_t进行模拟和分析,以解决预测有效性和精度问题.通过数据样本构建,对ARIMA模型结构进行辨识,确定p,d,q参数,并对模型进行诊断和检验;在此基础上进行需求数据一次预测;通过连接权值的修正降低BP神经网络学习误差,并对一次预测结果与原需求数据样本存在的误差进行二次预测.实例数据分析表明:组合模型的预测精度较ARIMA模型有显著提高,因此组合预测模型在预测效果上具有合理性和有效性.