BP算法在农户小额信贷信用评级中的应用

摘要：农户信用等级评定的准确性成为决定小额贷款还贷率高低的决定因素，本文利用人工神经网络的反向传播(Back Propagation简称BP)思想，建立农户信用评估模型。通过该模型进行评价，弱化了人为因素，提高了评定结果的准确性和权威性。

关键词：小额信贷；BP算法；信用评级

1 引言

农户小额信用贷款信用等级评定是金融界普遍重视的难点问题。农户信用等级评定的准确性与真实性成为决定还贷率高低的重要环节。而在实际操作中，由于我国农户小额信贷信用评级制度不完善，评级过程中信用档案资料建立不够准确及时，信用评价标准不规范，缺乏科学的评级指标和方法，信用等级评定主观性、随意性较大，导致评级带有盲目性、偏向性。

从对农村小额信贷的信用风险研究上看,国外特别是发达国家对发展中国家农村贷款的信用风险研究多一些，而国内学者做的类似研究相对少一些，针对农户小额信贷风险评级制度的研究就更不多见了。目前信用风险的评价方法主要有：专家评估法、层次分析法、模糊综合评判法和数据包络分析法等。专家评估法是借用各类科技人员的专长及其对有关政策和管理工作理解的深度做出决策，主要依靠概率统计，只能以均值反映权重；层次分析法(AHP)在构造判断矩阵做出各因素间相对重要性评价时，离不开人的经验，主观随意性较大；模糊综合评判法使用效果一般较好，但有时亦会出现分类不清结果不合理的问题；DEA(数据包络分析)法的决策单元相对效率只能通过投入或产出测算，而且两种角度的测算结果通常不相同，但是又不能同时通过它们测算，此外，在适应性方面该方法还存在不足，有待进一步探讨。

本文建立一个基于人工神经网络算法的BP评价模型。该模型依据适合我国国情的农户信用等级评价指标体系，并基于神经网络能处理任意类型数据的优势，克服了传统分析过程的复杂性及选择适当模型函数形式的困难。科学地确定农户小额信用贷款信用等级，从而对正在我国农村开展的农户小额信用贷款中，农户信用评级的实际工作提供科学的依据。

2 农户信用等级评价的BP模型

2.1 农户信用综合评估的指标体系的建立

(1)指标选取

通过调查我国农户信用评估的实际情况，遵照评价指标体系设立的代表性、完整性、可操作性等原则，并根据李正波等(2006)对我国农村信用社农户贷款信用风险的实证研究的基础上，本文将农户信用等级评估的指标体系按属性不同分为：自然特征(x1)、偿债能力(x2)、经营状况(x3)、信誉状况(x4)、软资产项目(x5)五个大类，每一类指标又包含若干个具体指标，如表1所示。

(2)定性指标的定量化

对于定性指标要进行定量化，取[0，1]间的数，来表征在实际工作中，对农户信用评估的影响程度。如对于健康状况，1表示非常好，0.8表示很好，0.3表示不好等。

采用等比例缩放的方法，使表1中的离散数据落入[0，1]区间，以便于神经网络对数据进行处理。

计算公式如下： (1)

2.2 BP模型的建立

(1)BP模型原理

由前面的分析可知，个人信用等级主要取决于五大项中的各子项，即劳动力健康状况、受教育程度、劳动力数量、婚姻状况、年收入水平、年支出情况、家庭财产状况、现有负债额、贷款次数、房产数量、土地面积、经营项目及规模、诚实守信程度、信贷历史记录、其它毁誉记录、纪念性物品数量等16个主要因素。为确定农户信用评估得分与影响因子间的定量关系，根据人工神经网络基本原理，设计相应的神经网络，整个BP 网络结构如图1所示：

BP神经网络由输人层、输出层和隐含层组成。输人层从外界接受信息，输人层节点数等于输人样本的变量个数，即X=(x1，x2，…，xn)T，n=16；输出层把网络处理后的信息传向外界，输出层节点数等于目标输出参量数，即客户评估得分，故而等于1；隐含层节点数的选取没有理论上的指导，据经验确定[2]。一般可考虑的经验法则有：①隐含层结点数不能是各层中节点数最少的，也不能是最多的；②较好的隐含层结点数介于输人节点和输出节点数之和的50%-75%之间。综合上述经验法则，得到农户信用评价BP模型的隐含层的个数为10。

(2)BP模型建立

由上述分析得出，农户信用评估神经网络模型为三层模型结构：16×10×1，即输人层结点数为16，隐含层结点数为10，输出层结点数为1。

设输人向量为X=(x1，x2，…，x16)T，隐含层向量Y=(y1，y2，…，y10)T，输出层结点数为Z，Z∈(0, l]；将训练集的模型输出数据转换为(0，1]数值，作为目标输出，用向量D =(d1)表示。输入层结点到隐含层结点的权值用向量V=(v1，v2，…，v13)表示，隐含层结点到输出层结点权值用向量X=(w1，w2，…，w10)表示。

由于输人向量X=(x1，x2，…，x16)T和输出向量Z=(z)不一定满足线性关系，因此选择单极性Sigmoid函数作为转移函数，函数表达式为:

(2)

根据BP算法，农户信用评估模型隐含层公式为:

j=1，2，…，10 (3)

其中uij为输人层到中间层的权值。

农户信用评估模型的输出层公式为:

(4)

其中Wj为输人层到中间层的权值。

公式(2)， (3)， (4)既构成了农户信用评估BP模型。

3 应用实例及分析

从某地支行随机抽取了10个农户个体样本进行研究，表2列出了这10个样本各信用指标，经公式(1)进行标准化处理后，得到的数据。

通过Madab7.1软件验证农户信用评估模型的正确性。选取表2中前8组样本数据作为训练信号，训练该网络，第9，10组的样本数据作为验证数据，对经过训练生成的神经网络模型的预测结果进行验证。

设置学习速率为0.001，进行3000次的学习次数，误差精度为0.01。在Matlab中进行模型仿真，具体过程如下：

p=[i,j];%对p进行赋值

t=[i,j];%对t进行赋值

net=newff(minmax(p),[16,10,1],{‘tansig’,‘tansig’,‘purelin’},‘traingdm’);

net.trainParam.show=50;

net.trainParam.lr=0.001;

net.trainParam.epochs=3000;

net.trainParam.goal=0.01;

[net,tr]=train(net,p,t);

A=sim(net,p)

E=t-A;

figure

plot(p,t,‘b+’,p,A,‘ro’);

xlabel(‘输入’);

ylabel(‘输出’);

MSE=mse(E);

R=questdlg(‘是否进行仿真？’,‘选择’,‘仿真’,‘退出’,‘仿真’);

if(strcmp(R,‘仿真’))

W=[i,j];%对w进行赋值

B=sim(net,W)

End

生成网络训练的误差变化曲线和网络输出与目标之间的误差如图2、图3所示。

4 结语

本文采用人工神经网络中的BP模型对农户信用评估进行研究，使用这一方法不需要专家对各指标因素的相对重要性做出精确判断，而只需要对评价的各项指标给出其在某一个分值区间内即可，因此，降低了传统评级方法的主观性，使农户信用评估更具科学性；基于BP网络算法的思想，建立的农户信用评估模型，通过金融机构的农户信用历史数据的训练和学习，调整模型各组成神经单元之间的连接权重，确定输人输出之间的内在联系，从而使模型具备对农户信用等级的预测评估能力，通过该模型进行的农户信用评估，弱化了权重确定中的人为因素，提高了评估结果的准确性和权威性；神经网络超强的非线性处理能力也更加准确地体现了农户信用评估指标体系各要素与评估结果的关系。并有助于将影响农户信用的各因素定量化，从而建立了一种农户信用等级评估的定量方法。

本文只是人工神经网络理论在农户信用评估研究方面的初步尝试，指标的选取还有待进一步研究，其关键在于使指标体系既结合国际惯例又反映我国农户实际情况。同时不断地对农户小额信用贷款信用评估系统进行研究和总结，并在实践中不断探索和检验，找出一套适合现阶段农村经济发展和农户经济行为的系统模型，才能达到降低农村信贷风险，顺利推广农户小额信用贷款的日的。

参考文献：

[1]谭民俊,王雄,岳意定.FPR_UTAHP评价方法在农户小额信贷信用评级中的应用.系统工程[J].2007(5)

[2]张德栋,张强.基于神经网络的企业信用评估模型[J].北京理工大学学报,2004,24(11)

[3]李曙光.神经网络在消费者个人信用评分中的应用探讨[J].技术经济,2003(3)

[4]胡愈,许红莲,王雄.农户小额信用贷款信用评级探究[J].财经理论与实践,2007(145)

（作者单位：贵州财经学院）