前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇神經(jīng)網(wǎng)絡量化綜述范文，相信會為您的寫作帶來幫助，發(fā)現(xiàn)更多的寫作思路和靈感。

神經(jīng)網(wǎng)絡量化綜述范文第1篇

論文摘要：分析了模擬電路故障診斷的重要性和目前存在的困難，對基于小渡分析理論和神經(jīng)網(wǎng)絡理論的模擬電路故障診斷方法進行了綜述．指出了小波神經(jīng)網(wǎng)絡應用于模擬電路故障診斷存在的問題和未來的應用前景。

模擬電路故障診斷在理論上可概括為:在已知網(wǎng)絡拓撲結構、輸人激勵和故障響應或可能已知部分元件參數(shù)的情況下，求故障元件的參數(shù)和位置。

盡管目前模擬電路故障診斷理論和方法都取得了不少成就，提出了很多故障診斷方法，如故障字典法、故障參數(shù)識別法、故障驗證法等。但是由于模擬電路測試和診斷有其自身困難，進展比較緩慢。其主要困難有:模擬電路中的故障模型比較復雜，難以作簡單的量化;模擬電路中元件參數(shù)具有容差，增加了故障診斷的難度;在模擬電路中廣泛存在著非線性問題，為故障的定位診斷增加了難度;在一個實用的模擬電路中，幾乎無一例外地存在著反饋回路，仿真時需要大量的復雜計算;實際的模擬電路中可測電壓的節(jié)點數(shù)非常有限.導致可用于作故障診斷的信息量不夠充分，造成故障定位的不確定性和模糊性。

因此，以往對模擬電路故障診斷的研究主要停留在中小規(guī)模線性無容差或小容差的情況，有些方法也已成功地應用于工程實際。但如何有效地解決模擬電路的容差和非線性問題，如何解決故障診斷的模糊性和不確定性等是今后迫切需要解決的問題。小波神經(jīng)網(wǎng)絡則因其利于模擬人類處理問題的過程、容易顧及人的經(jīng)驗且具有一定的學習能力等特點，所以在這一領域得到了廣泛應用。

1小波分析理論在模擬電路故障診斷中的應用現(xiàn)狀分析

簡單地講，小波就是一個有始有終的小的“波浪”小波分析源于信號分析，源于函數(shù)的伸縮和平移，是Fourier分析、Gabor分析和短時Fourier分析發(fā)展的直接結果。小波分析的基木原理是通過小波母函數(shù)在尺度上的伸縮和時域上的平移來分析信號，適當選擇母函數(shù).可以使擴張函數(shù)具有較好的局部性，小波分析是對信號在低頻段進行有效的逐層分解，而小波包分析是對小波分析的一種改進，它為信號提供了一種更加精細的分析方法，對信號在全頻段進行逐層有效的分解，更有利于提取信號的特征。因此，它是一種時頻分析方法。在時頻域具有良好的局部化性能并具有多分辨分析的特性，非常適合非平穩(wěn)信號的奇異性分析。如:利用連續(xù)小波變換可以檢測信號的奇異性，區(qū)分信號突變和噪聲，利用離散小波變換可以檢測隨機信號頻率結構的突變。

小波變換故障診斷機理包括:利用觀測器信號的奇異性進行故障診斷以及利用觀測器信號頻率結構的變化進行故障診斷。小波變換具有不需要系統(tǒng)的數(shù)學模型、故障檢測靈敏準確、運算量小、對噪聲的抑制能力強和對輸入信號要求低的優(yōu)點。但在大尺度下由于濾波器的時域寬度較大，檢測時會產(chǎn)生時間延遲，且不同小波基的選取對診斷結果也有影響。在模擬電路故障診斷中，小波變換被有效地用來提取故障特征信息即小波預處理器之后，再將這些故障特征信息送人故障分類處理器進行故障診斷。小波分析理論的應用一般被限制在小規(guī)模的范圍內，其主要原因是大規(guī)模的應用對小波基的構造和存儲需要的花費較大。

2神經(jīng)網(wǎng)絡理論在模擬電路故障診斷中的應用分析

人工神經(jīng)網(wǎng)絡(ANN)是在現(xiàn)代神經(jīng)科學研究成果的基礎上提出來的，是一種抽象的數(shù)學模型，是對人腦功能的模擬。經(jīng)過十幾年的發(fā)展，人工神經(jīng)網(wǎng)絡已形成了數(shù)十種網(wǎng)絡，包括多層感知器Kohomen自組織特征映射、Hopfield網(wǎng)絡、自適應共振理論、ART網(wǎng)絡、RBF網(wǎng)絡、概率神經(jīng)網(wǎng)絡等。這些網(wǎng)絡由于結構不同，應用范圍也各不相同。由于人工神經(jīng)網(wǎng)絡本身不僅具有非線性、自適應性、并行性、容錯性等優(yōu)點以及分辨故障原因、故障類型的能力外，而且訓練過的神經(jīng)網(wǎng)絡能儲存有關過程的知識，能直接從定量的、歷史故障信息中學習。所以在20世紀80年代末期，它已開始應用于模擬電路故障診斷。隨著人工神經(jīng)網(wǎng)絡的不斷成熟及大量應用，將神經(jīng)網(wǎng)絡廣泛用于模擬電路的故障診斷已是發(fā)展趨勢。BY神經(jīng)網(wǎng)絡由于具有良好的模式分類能力，尤其適用于模擬電路故障診斷領域，因而在模擬電路故障診斷系統(tǒng)中具有廣泛的應用前景，也是目前模擬電路故障診斷中用得較多而且較為有效的一種神經(jīng)網(wǎng)絡。 　3小波神經(jīng)網(wǎng)絡的應用進展分析

3，1小波分析理論與神經(jīng)網(wǎng)絡理論結合的必要性

在神經(jīng)網(wǎng)絡理論應用于模擬電路故障診斷的過程中，神經(jīng)網(wǎng)路對于隱層神經(jīng)元節(jié)點數(shù)的確定、各種參數(shù)的初始化和神經(jīng)網(wǎng)絡結構的構造等缺乏更有效的理論性指導方法，而這些都將直接影響神經(jīng)網(wǎng)絡的實際應用效果。小波分析在時域和頻域同時具有良好的局部化特性，而神經(jīng)網(wǎng)絡則具有自學習、并行處理、自適應、容錯性和推廣能力二因此把小波分析和神經(jīng)網(wǎng)絡兩者的優(yōu)點結合起來應用于故障診斷是客觀實際的需要。

目前小波分析與神經(jīng)網(wǎng)絡的結合有兩種形式，一種是先利用小波變換對信號進行預處理，提取信號的特征向量作為神經(jīng)網(wǎng)絡的輸人，另一種則是采用小波函數(shù)和尺度函數(shù)形成神經(jīng)元，達到小波分析和神經(jīng)網(wǎng)絡的直接融合第一種結合方式是小波神經(jīng)網(wǎng)絡的松散型結合，第二種結合方式是小波神經(jīng)網(wǎng)絡的緊致型結合。

3.2小波分析理論與神經(jīng)網(wǎng)絡理論的結合形式

小波與神經(jīng)網(wǎng)絡的松散型結合，即:用小波分析或小波包分析作為神經(jīng)網(wǎng)絡的前置處理手段，為神經(jīng)網(wǎng)絡提供輸人特征向魚具體來說就是利用小波分析或小波包分析，把信號分解到相互獨立的頻帶之內，各頻帶內的能童值形成一個向覺，該向童對不同的故障對應不同的值，從而可作為神經(jīng)網(wǎng)絡的輸入特征向量一旦確定神經(jīng)網(wǎng)絡的輸入特征向童，再根據(jù)經(jīng)驗確定采用哪種神經(jīng)網(wǎng)絡及隱層數(shù)和隱層單元數(shù)等，就可以利用試驗樣本對神經(jīng)網(wǎng)絡進行訓練，調整權值，從而建立起所需的小波神經(jīng)網(wǎng)絡模型。

小波與神經(jīng)網(wǎng)絡的緊致型結合，即:用小波函數(shù)和尺度函數(shù)形成神經(jīng)元，達到小波分析和神經(jīng)網(wǎng)絡的直接融合，稱為狹義上的小波神經(jīng)網(wǎng)絡，這也是常說的小波神經(jīng)網(wǎng)絡。它是以小波函數(shù)或尺度函數(shù)作為激勵函數(shù)，其作用機理和采用Sigmoid函數(shù)的多層感知器基本相同。故障診斷的實質是要實現(xiàn)癥狀空間到故障空間的映射，這種映射也可以用函數(shù)逼近來表示。小波神經(jīng)網(wǎng)絡的形成也可以從函數(shù)逼近的角度加以說明。常見的小波神經(jīng)網(wǎng)絡有:利用尺度函數(shù)作為神經(jīng)網(wǎng)絡中神經(jīng)元激勵函數(shù)的正交基小波網(wǎng)絡、自適應小波神經(jīng)網(wǎng)絡、多分辨率小波網(wǎng)絡、區(qū)間小波網(wǎng)絡等。

3.3小波分析理論與神經(jīng)網(wǎng)絡理論結合的優(yōu)點

小波神經(jīng)網(wǎng)絡具有以下優(yōu)點:一是可以避免M LY等神經(jīng)網(wǎng)絡結構設計的育目性;二是具有逼近能力強、網(wǎng)絡學習收斂速度快、參數(shù)的選取有理論指導、有效避免局部最小值問題等優(yōu)點。

在模擬電路故障診斷領域，小波神經(jīng)網(wǎng)絡還是一個嶄新的、很有前途的應用研究方向。隨著小波分析理論和神經(jīng)網(wǎng)絡理論的不斷發(fā)展，小波神經(jīng)網(wǎng)絡應用于模擬電路故障診斷領域將日益成熟。

神經(jīng)網(wǎng)絡量化綜述范文第2篇

現(xiàn)代企業(yè)身處全球經(jīng)濟和知識經(jīng)濟的環(huán)境中，競爭態(tài)勢十分激烈，超競爭特征愈加明顯，因此企業(yè)經(jīng)營者必須隨時掌握企業(yè)組織的經(jīng)營績效水平，這樣才能準確地調整自身的戰(zhàn)略，以有效提高企業(yè)的綜合競爭力。根據(jù)文獻綜述和梳理的結果，目前應用于企業(yè)績效評價的理論視角很多，但能夠從內外部各個方面綜合評價企業(yè)整體績效水平的視角卻較為少見。隨著價值鏈會計理論的出現(xiàn)，學者們對于企業(yè)的經(jīng)營績效評價有了新的研究視角，即基于價值鏈會計的企業(yè)績效評價研究。自從閻達五教授2003 年提出并構建了價值鏈會計的基本框架，戴德明教授從研究起點、分析動因、運作流程、理論框架和研究展望等方面為價值鏈會計的相關研究進行了基礎性和開創(chuàng)性工作之后，國內外的學者們就對價值鏈會計進行了較為全面的研究，然而就可見的理論成果來看，目前對于價值鏈會計的研究基本還停留在較為基礎的水平，其研究內容較為零散，尚未形成能用于指導實踐的理論體系和實施方法；而且目前應用于價值鏈會計的研究方法還基本為規(guī)范研究和理論推演，采用案例分析和實證分析的成果還較為少見。綜合企業(yè)績效評價和價值鏈會計兩個領域的研究現(xiàn)狀和理論特征，可以看出，這二者有著明確的理論共通性和契合可能性。一方面，企業(yè)績效評價的科學評價需要價值鏈會計這種既能夠結合企業(yè)基礎實踐數(shù)據(jù)，同時還能夠整合內外部評價模式的理論工具進行拓展性分析；另一方面，價值鏈會計的深入研究也需要借助企業(yè)經(jīng)營業(yè)績評價這一實施平臺來進行深入研究和實踐探討。據(jù)此，本文擬首先根據(jù)價值鏈會計的相關理論，通過理論推演的方式歸納得出基于價值鏈會計的企業(yè)業(yè)績評價指標體系；然后闡述了適用于價值鏈視角下的企業(yè)業(yè)績評價的實證分析方法——模糊數(shù)學評價方法和BP神經(jīng)網(wǎng)絡分析方法；最后選取湖南省內的10家企業(yè)為實證樣本，對價值鏈理論視域下企業(yè)經(jīng)營績效的評價方式進行了探討。

二、基于價值鏈會計的企業(yè)經(jīng)營績效評價指標構建

根據(jù)價值鏈的相關理論，能夠為企業(yè)創(chuàng)造價值并進而產(chǎn)生經(jīng)營利潤的活動可以劃分為基本活動和輔助活動兩大類：其中內部后勤、生產(chǎn)作業(yè)、外部后勤、市場營銷和售后服務五種職能活動因屬于企業(yè)日常經(jīng)營過程中的實質性活動，而被稱為基本活動；企業(yè)基礎設施、人力資源管理、技術開發(fā)和采購四種活動因屬于為基本活動提供支持作用的活動，而被稱為輔助活動；這些活動之間的相互聯(lián)系形成了價值網(wǎng)絡，共同促進企業(yè)價值和經(jīng)營利潤的產(chǎn)生。筆者首先對關于企業(yè)績效評價的相關文獻進行整理和歸納；然后以頻度統(tǒng)計法和理論分析法為研究工具設置評價指標體系；接著應用主成分分析法對評價指標進行因子歸類和維度分析，應用極大不相關法對所篩選出的指標進行聚類和精煉；再采用德爾菲分析法從價值鏈九種活動上分別調整指標；最后從基本活動價值鏈和輔助活動價值鏈兩個一級評價指標維度上歸納出基于價值鏈上九種活動層面的二級評價指標群，并分別概括出各二級評價指標群所分別對應的具體三級評價指標，其具體內容如表1所示：

筆者僅對二級評價指標群和三級評價指標進行涵義歸納：

（一）內部后勤層面 原材料輸入活動效率代表了企業(yè)進行日常生產(chǎn)經(jīng)營活動所需原材料輸入活動的效率，該比率越高，說明企業(yè)原材料采購模塊的運作績效越好，從而也越有利于企業(yè)日常經(jīng)營活動的履行；與上游合作伙伴協(xié)作活動效率代表了企業(yè)在外部價值鏈上與前向供應商間協(xié)作工作的效率。

（二）生產(chǎn)作業(yè)層面 產(chǎn)品合格率是指企業(yè)生產(chǎn)經(jīng)營過程中合格品占總產(chǎn)品數(shù)量的比例；產(chǎn)品生產(chǎn)周期是指產(chǎn)品生產(chǎn)流程的總耗時；非增值作業(yè)率是指未能為企業(yè)經(jīng)營創(chuàng)造附加值的作業(yè)數(shù)量占企業(yè)生產(chǎn)經(jīng)營總消耗作業(yè)數(shù)量的比例；非增值成本率是指企業(yè)總體運營過程中非增值作業(yè)所耗費成本占企業(yè)總體運營成本的比例。

（三）外部后勤層面 產(chǎn)成品輸出活動效率是指企業(yè)中間產(chǎn)品和產(chǎn)成品輸出活動的效率，該比率說明企業(yè)對自己產(chǎn)品與終端市場銜接活動的效率高低，比率越高則證明企業(yè)價值鏈向銷售終端延伸的績效水平越好；與下游合作伙伴協(xié)作活動效率代表了企業(yè)在外部價值鏈上與后向供應商間協(xié)作工作的效率。

（四）市場營銷層面 市場占有率是指企業(yè)各類產(chǎn)品占同類產(chǎn)品數(shù)量市場份額比率的加權平均值；產(chǎn)業(yè)內業(yè)務成長速度是指企業(yè)在同行業(yè)企業(yè)中業(yè)務成長的相對速度和績效水平，該指標代表了企業(yè)在特定行業(yè)和時間維度上的相對競爭能力；市場應變能力是指企業(yè)針對商品供需結構、市場環(huán)境、政策等因素變化而調整經(jīng)營策略、產(chǎn)品組成、營銷方式等經(jīng)營方式的適應性能力。

（五）售后服務層面 顧客投訴率是指企業(yè)所接受客戶投訴次數(shù)占同期企業(yè)所產(chǎn)生總交易次數(shù)的比例；準確交貨率是指滿足時間正確、地點正確、數(shù)量正確和質量正確等交易條件交易次數(shù)占企業(yè)同期總交易次數(shù)的比例；成功解決投訴率是指企業(yè)接收到投訴后所成功解決數(shù)量占同期客戶總投訴數(shù)量的比例。

（六）企業(yè)基礎設施層面 企業(yè)文化健全程度是衡量一個企業(yè)核心價值觀、核心員工素質和企業(yè)發(fā)展前景的指標；企業(yè)管理制度健全程度是衡量企業(yè)基礎管理制度對于企業(yè)現(xiàn)在經(jīng)營狀況和未來運營趨勢能否提供及時性和適合性支持作用的指標；企業(yè)信息化健全程度是衡量一個企業(yè)信息化制度是否足夠健全和合理以促進企業(yè)價值鏈增值的指標。

（七）人力資源管理層面 員工的知識水平是指員工在企業(yè)持續(xù)性成長方面所需知識儲備水平的高低；員工生產(chǎn)效率是指在一定經(jīng)營周期內，企業(yè)員工活動對于企業(yè)總體價值創(chuàng)造和利潤產(chǎn)生的貢獻率高低；員工流失率是反映企業(yè)關鍵員工流失，企業(yè)的招聘、培訓和替代成本水平的指標。

（八）技術開發(fā)層面 研發(fā)項目成功率是指企業(yè)所研發(fā)項目中市場和產(chǎn)品反映均顯示能夠達到所規(guī)定預期成功水平項目占企業(yè)投入資金項目總數(shù)的比例；新產(chǎn)品開發(fā)速度是指企業(yè)經(jīng)營過程中所計劃開發(fā)新產(chǎn)品數(shù)目中實際進入研發(fā)環(huán)節(jié)產(chǎn)品數(shù)量的比例；新產(chǎn)品投資回報率是新產(chǎn)品成功上市后，其表現(xiàn)出的價值創(chuàng)造能力和獲利能力占企業(yè)前期投入資源總體水平的比例。

（九）采購層面 對供應商的滿意度反映核心企業(yè)對供應商的綜合滿意度水平，該類指標能夠用于評價企業(yè)總體經(jīng)營價值鏈中上游供應商與生產(chǎn)商契合程度水平的高低；企業(yè)采購活動效率則用于評價企業(yè)經(jīng)營過程中實施采購活動對于企業(yè)總體價值創(chuàng)造和利潤產(chǎn)生的影響程度水平，該指標越高則表明企業(yè)的原材料供應越能得到保障，越有利于企業(yè)的價值增長。

三、企業(yè)經(jīng)營績效評價實證分析方法

為對價值鏈會計視角下企業(yè)經(jīng)營的績效水平進行適當?shù)牧炕治?，根?jù)前文所構造出的評價思路以及相關指標體系的基礎上，還必須設計出一種適用于企業(yè)績效評價的可行性途徑。從前文歸納出的基于價值鏈會計的企業(yè)經(jīng)營績效評價指標體系內容可以看出，這些評價維度包括了企業(yè)日常經(jīng)營的各個方面、生產(chǎn)經(jīng)營鏈條的全部環(huán)節(jié)、企業(yè)運營時間維度的所有階段；而具體指標集則概括了定量化評價指標和定性化衡量指標，因此無法將這些不同類別、不同屬性和不同維度的指標進行簡單的加權平均就直接用于企業(yè)經(jīng)營績效評價的實際過程。為了對價值鏈視角下企業(yè)的經(jīng)營績效進行合理評價，應首先通過模糊處理的方法將不同屬性的指標進行歸一化分析，以確保數(shù)量化指標和定性化指標能夠被有效地放置在同一個研究框架下進行評價，其次還應當對各個維度指標的輸入和輸出數(shù)值進行模糊處理以計算得出整合評價所需的綜合權重值；最后還需要通過合適的技術方法對企業(yè)績效評價所需的數(shù)據(jù)單元和指標群體進行量化評價。為了達到上述研究目的，筆者引入模糊數(shù)學評價和BP神經(jīng)網(wǎng)絡作為企業(yè)經(jīng)營績效評價實證分析的數(shù)學處理工具。

（一）模糊數(shù)學評價方法簡介 模糊綜合評價是以模糊數(shù)學為理論基礎，應用模糊關系合成的原理將一些屬性不清、不易定量的因素定量化，從而進行綜合評價的一種方法。該方法能夠根據(jù)模糊數(shù)學的隸屬度理論把定性評價轉化為定量評價，即用模糊數(shù)學對受到多種因素制約的事物或對象做出一個總體的評價。它具有結果清晰、系統(tǒng)性強的特點，能較好地解決模糊的、難以量化的問題，適合各種非確定性問題的解決。主要分析步驟為：確定評價對象的因素論域，P個評價指標，u=u1，u2，……up；確定評語等級論域，v=v1，v2，……vp，即等級集合；從單因素來看被評事物對等級模糊子集的隸屬度（R/ui），進而得到模糊關系矩陣，R=R│u1R│u2…R│up=r11 r12 …r1mr21 r22 …r2m…rp1 rp2 …rpm；在模糊綜合評價中，確定評價因素的權向量：A=（a1，a2，……，ap）。權向量A中的元素ai本質上是因素ui對模糊子對被評事物重要的因素的隸屬度。利用合適的算子將A與各被評事物的R進行合成，得到各被評事物的模糊綜合評價結果向量B。即：

A·R=（a1，a2，……，ap）r11 r12 …r1mr21 r22 …r2m…rp1 rp2 …rpm=（b1，b2，……，bm）=B。其中b1是由A與R的第j列運算得到的，它表示被評事物從整體上看對vj等級模糊子集的隸屬程度。實際中最常用的方法是最大隸屬度原則，但在某些情況下使用會有些很勉強，損失信息很多，甚至得出不合理的評價結果。提出使用加權平均求隸屬等級的方法，對于多個被評事物可以依據(jù)其等級位置進行排序。

（二）BP神經(jīng)網(wǎng)絡分析方法簡介 BP神經(jīng)網(wǎng)絡是模仿生物神經(jīng)網(wǎng)絡功能的一種經(jīng)驗模型。其由輸入層、中間層、輸出層組成階層型神經(jīng)網(wǎng)絡，中間層可擴展為多層。相鄰層之間各神經(jīng)元進行全連接，而每層神經(jīng)元之間無連接，網(wǎng)絡按有教師示教的方式進行學習，當一對學習模式提供給網(wǎng)絡后，各神經(jīng)元獲得網(wǎng)絡的輸入響應產(chǎn)生連接權值。然后按減小希望輸出與實際輸出誤差的方向，從輸出層經(jīng)各中間層逐層修正各連接權，回到輸入層。此過程反復交替進行，直至網(wǎng)絡的全局誤差趨向給定的極小值，即完成學習的過程。BP神經(jīng)網(wǎng)絡是誤差反向傳播神經(jīng)網(wǎng)絡的簡稱，它由一個輸入層，一個或多個隱含層和一個輸出層構成，每一次由一定數(shù)量的的神經(jīng)元構成。這些神經(jīng)元如同人的神經(jīng)細胞一樣是互相關聯(lián)的。BP神經(jīng)網(wǎng)絡分析模型的結構如圖1所示。BP神經(jīng)網(wǎng)絡最主要的優(yōu)點是具有極強的非線性映射能力。理論上，對于一個三層和三層以上的BP網(wǎng)絡，只要隱層神經(jīng)元數(shù)目足夠多，該網(wǎng)絡就能以任意精度逼近一個非線性函數(shù)。其次，BP神經(jīng)網(wǎng)絡具有對外界刺激和輸入信息進行聯(lián)想記憶的能力。這是因為它采用了分布并行的信息處理方式，對信息的提取必須采用聯(lián)想的方式，才能將相關神經(jīng)元全部調動起來。再次，BP 神經(jīng)網(wǎng)絡對外界輸入樣本有很強的識別與分類能力。由于它具有強大的非線性處理能力，因此可以較好地進行非線性分類，解決了神經(jīng)網(wǎng)絡發(fā)展史上的非線性分類難題。所以BP神經(jīng)網(wǎng)絡本質上是一個非線性優(yōu)化問題，它可以在已知的約束條件下，尋找一組參數(shù)組合，使該組合確定的目標函數(shù)達到最小。

四、基于價值鏈會計的企業(yè)經(jīng)營績效評價實例分析

筆者選取了湖南省內的10家企業(yè)為實證樣本，應用層次分析法對各類指標的綜合權重值進行計算，計算得出表1中企業(yè)綠色經(jīng)營績效25個三級評價指標的權重值為{0.037，0.033，0.049，

0.054，0.036，0.045，0.052，0.041，0.031，0.031，0.048，0.017，0.082，0.068，0.034，0.033，0.033，0.023，0.047，0.028，0.032，0.025，0.037，0.035，0.049}。

接著以模糊數(shù)學評價方法所確定的指標體系和權重值來計算10家樣本企業(yè)的實際經(jīng)營績效?？焖侔l(fā)展的MATLAB軟件為神經(jīng)網(wǎng)絡理論的實現(xiàn)提供了一種便利的仿真手段，實證分析中BP網(wǎng)絡算法的實現(xiàn)過程是基于MATLAB 編程計算的數(shù)據(jù)。MATLAB神經(jīng)網(wǎng)絡工具箱的出現(xiàn)，更加拓寬了神經(jīng)網(wǎng)絡的應用空間，神經(jīng)網(wǎng)絡工具箱將很多原本需要手動計算的工作交給計算機，一方面提高了工作效率，另一方面，還提高了計算的準確度和精度，減輕了研究人員的負擔。神經(jīng)網(wǎng)絡工具箱是在MATLAB環(huán)境下開發(fā)出來的許多工具箱之一，它以人工神經(jīng)網(wǎng)絡理論為基礎，利用MATLAB編程語言構造出許多典型神經(jīng)網(wǎng)絡的框架和相關的函數(shù)。

表2中的數(shù)據(jù)即為10家樣本企業(yè)實際經(jīng)營績效的綜合得分及排序，其中第一列表示企業(yè)代碼，第二、三列分別為用線性加權法評價出的企業(yè)得分及排序。

五、結論

隨著價值鏈會計理論研究的興起，企業(yè)日常經(jīng)營的各種活動都將受到價值鏈會計理論的指導，價值鏈會計能夠合理地結合戰(zhàn)略管理和會計學的相關方法，為企業(yè)日常經(jīng)營提供準確的業(yè)績指標和數(shù)據(jù)。本文的研究過程以價值鏈會計理論為研究視角，從價值鏈九種活動的維度上構建了企業(yè)實際經(jīng)營績效評價的指標體系，并引入模糊數(shù)學評價和BP神經(jīng)網(wǎng)絡分析方法作為整合分析評價指標數(shù)據(jù)的演化工具，進而確定了對樣本企業(yè)實際經(jīng)營績效進行衡量和排序的途徑，最后結合10家樣本企業(yè)的數(shù)據(jù)對價值鏈會計視域下企業(yè)經(jīng)營績效進行了實證分析。本文的研究工作在理論方面能夠完善價值鏈會計的理論研究框架，為企業(yè)實踐中價值鏈運作績效的提高構建了一個富有創(chuàng)新性的、科學的、邏輯性強的理論框架；在實踐方面能夠對樣本企業(yè)運作中的量化指標和非量化指標分別進行合理的綜合衡量，并進而對企業(yè)的實際經(jīng)營績效進行較為精確的計算。盡管本文的研究工作具備一定的探索性，但尚存在一些不足之處，主要缺陷在于價值鏈會計視角下所甄選出的企業(yè)績效評價指標尚具有較強的主觀性。對于不同類型的行業(yè)、不同屬性的企業(yè)、不同的運作階段和不同的經(jīng)營地域的經(jīng)營主體而言，其經(jīng)營績效的評價指標會存在一定程度的差異性。在日后的研究過程中可選取更多數(shù)量和類型的企業(yè)進行更為廣泛的案例研究和實證分析。

參考文獻：

[1]閻達五：《價值鏈會計研究：回顧與展望》，《會計研究》2004年第2期。

[2]程宏偉、張永海、李想：《基于模塊化的價值鏈會計研究》，《會計研究》2007年第3期。

[3]吳勛、劉東限：《價值鏈會計基本理論淺探》，《對外經(jīng)貿財會》2004年第2期。

[4]徐國強、高方露：《價值鏈會計對象論》，《天津商學院學報》2004年第24期。

[5]蒙高原：《價值鏈會計視角下的企業(yè)業(yè)績綜合評價體系》，《重慶工學院學報（社會科學）》2008年第7期。

[6]程防雯：《價值鏈會計研究》，武漢大學出版社2005年版。

[7]吳國森：《基于價值鏈會計的企業(yè)績效評價指標體系研究》，沈陽工業(yè)大學2007年碩士學位論文。

[8]周霞、魏樂：《基于價值鏈的施工企業(yè)績效評價體系構建》，《財會通訊》（理財版）2007年第6期。

神經(jīng)網(wǎng)絡量化綜述范文第3篇

關鍵詞：小波分析；模糊神經(jīng)網(wǎng)絡；遞階遺傳算法

中圖分類號：TP18 文獻標識碼：A 文章編號：1674-7712 （2014） 02-0000-02

智能交通系統(tǒng)（ITS）是近年來研究的熱門課題之一。其中，交通控制與誘導系統(tǒng)是ITS研究的核心課題。而實現(xiàn)交通流誘導系統(tǒng)的關鍵是實時準確的短時交通流預測，即利用實時交通數(shù)據(jù)信息，及時、準確地預測未來短時間內交通流狀況。

小波分析（Wavelet Analysis）是近年來發(fā)展起來的前沿數(shù)學方法，具有良好的時-頻局部特性，在刻畫非線性、非平穩(wěn)信號方面具有明顯的優(yōu)越性[2]。模糊控制是無模型控制方法，具有很強的魯棒性。但其量化因子是固定不變的，難以保證控制精度。而神經(jīng)網(wǎng)絡具有良好的學習和自適應能力，可以克服模糊控制的缺點。

本文采用小波基函數(shù)作為模糊隸屬函數(shù)，構造模糊神經(jīng)網(wǎng)絡預測模型，利用神經(jīng)網(wǎng)絡的自學習能力和小波基函數(shù)的緊支性，增強模糊控制的自適應能力。同時采用遞階遺傳算法實現(xiàn)網(wǎng)絡結構和參數(shù)的優(yōu)化。

一、交通流預測模型

（一）交通流時間序列。根據(jù)對城市某路口主干道相位的關鍵車流分析可知，某時刻的交通流量與本路段前幾個時段的交通流量有關，并且上下游路段交通流狀況對其也有一定的影響。

由于不同道路的交通狀況存在差異，在交通流預測中，需要對不同路段、不同時段的交通流數(shù)據(jù)進行相關性分析。選擇與預測路段相關性強的不同路段、不同時段的交通流信息作為模糊小波神經(jīng)網(wǎng)絡的輸入值[3]。

按照以上的分析，可得到某路段在 時段的預測流量可表示為：

式中： 表示一種非線性函數(shù)關系；τ為一個計時時段；Qu、Qd分別為上、下游路段的交通流量；k1、k2、k3取不小于零的整數(shù)，通過相關性確定。

（二）基于模糊小波神經(jīng)網(wǎng)絡的預測模型。針對路況的實際情況，本文利用模糊小波神經(jīng)網(wǎng)絡預測模型實現(xiàn)對交通流實時預測。選取墨西哥帽狀小波函數(shù)作為模糊隸屬函數(shù)，即

模糊小波神經(jīng)網(wǎng)絡共分為四層，網(wǎng)絡的輸入端為（1）式右側的歷史交通流數(shù)據(jù)，即Q（t-k1τ）、Qd（t-k2τ）、Qu（t-k3τ），輸出端為t+τ時刻的預測流量Q（t+τ）。

第Ⅰ層為輸入層，輸入輸出關系[4]：

第Ⅱ層為模糊化層，對輸入向量進行模糊化處理。將每個輸入量劃分為5個模糊詞集。模糊隸屬函數(shù)為小波基函數(shù)，輸入xi對應第j個模糊語言變量的隸屬關系為：

式中：i=1，2，3；j=1，2，3，4，5； ， 分別代表相應的伸縮因子和平移因子。本層的輸入輸出關系：

第Ⅲ層為模糊推理層，完成模糊規(guī)則的模糊操作。本層的輸入輸出關系：

第Ⅳ層為輸出層，實現(xiàn)去模糊化功能。本層的輸入輸出關系：

式中： 是網(wǎng)絡的連接權值；Q（t+τ）是網(wǎng)絡的輸出，即預測的交通流量。

二、基于遞階遺傳算法的結構和參數(shù)優(yōu)化

網(wǎng)絡的結構優(yōu)化包括預測模型的第三層節(jié)點數(shù)和網(wǎng)絡的連接權值。網(wǎng)絡的參數(shù)優(yōu)化包括模糊隸屬函數(shù)中的伸縮因子aij和平移因子bij。

（一）染色體編碼。遞階遺傳結構中的染色體由控制基因和參數(shù)基因構成，控制基因是二進制數(shù)，每一位對應一個隱含層神經(jīng)元，控制與此相關的參數(shù)基因。當該位對應1則該位對應的神經(jīng)元激活，其參數(shù)起作用。反之，該位對應的神經(jīng)元休眠，其參數(shù)不起作用。這種層次結構的染色體編碼方式能夠同時表示神經(jīng)網(wǎng)絡的結構和參數(shù)，從而使遞階遺傳算法在遺傳尋優(yōu)改變網(wǎng)絡結構的同時，完成參數(shù)優(yōu)化。

（二）選擇初始種群。一個染色體對應一種模糊神經(jīng)網(wǎng)絡結構及其參數(shù)。初始種群中包含著對應于最大完全規(guī)則集及輸入變量和輸出變量在其變化范圍內均勻劃分模糊概念的個體，其余個體隨機產(chǎn)生。如果對建模系統(tǒng)有一定的認識，可以將根據(jù)經(jīng)驗得到的規(guī)則集及輸入輸出模糊劃分對應的向量選入初始種群，這樣既充分地利用了先驗知識，又保證了最終的系統(tǒng)至少不比經(jīng)驗式系統(tǒng)差。

（三）適應度函數(shù)。適應度是衡量種群中個體優(yōu)劣的標志。由于遞階遺傳算法要同時對神經(jīng)網(wǎng)絡的結構和參數(shù)進行優(yōu)化，所以要使網(wǎng)絡的誤差函數(shù)和復雜度函數(shù)都達到最小，這是一個雙目標優(yōu)化問題。定義網(wǎng)絡的適應度函數(shù)形式：

式中：f（i，t）表示第 代的第i個網(wǎng)絡個體的適應度；E（i，t）表示第t代的第i個網(wǎng)絡個體的網(wǎng)絡誤差；H（i，t）表示第t代的第i個網(wǎng)絡個體的網(wǎng)絡復雜度；0

（四）交叉和變異。在遞階遺傳算法中，要同時對控制基因和參數(shù)基因進行交叉操作和變異操作。

交叉操作：層控制基因和神經(jīng)元控制基因采用的是單點交叉的方式；參數(shù)基因由于采用的是實數(shù)編碼的方式，交叉操作采用線性組合方式，將2個基因串對應交叉位的值，組合生成新的基因串。

變異操作：控制基因采用位變異，進行簡單的邏輯取反操作；參數(shù)基因采用非均勻變異。

在遺傳算法中，交叉率Pc和變異率Pm的取值應隨著適應度的變化而改變。對應適應度高的解，取低的Pc和Pm，使其進入下一代的機會增大；對應適應度低的解，應取較高的Pc和Pm，使其被淘汰；當成熟收斂發(fā)生時，應加大Pc和Pm，以加快新個體的產(chǎn)生。

基于遞階遺傳算法的特點，本文采用自適應交叉率Pc和自適應變異率Pm，表達式為[7]：

式中：0

（五）訓練過程。利用遞階遺傳算法優(yōu)化網(wǎng)絡結構和參數(shù)，可以實現(xiàn)網(wǎng)絡權值訓練和結構優(yōu)化的同步進行。終止迭代條件是進化代數(shù)t等于進化終止代數(shù)T。算法實現(xiàn)步驟：Step1當t=0產(chǎn)生初始種群，決策變量的編碼方案；Step2對控制基因進行解碼，生成相應的神經(jīng)網(wǎng)絡；Step3計算種群中的個體適應度f（i，t），i=1，2，n根據(jù)個體的適應度選擇n個個體作為父代；Step3對選中的n個父代中的控制基因和參數(shù)基因進行交叉和變異；Step4若t=T，輸出進化結果，否則轉步驟2。

三、實例分析

本文對某市解放路到勝利路路段進行交通流數(shù)據(jù)采集，采集的時間為7：00～18：00，采樣周期為10min，遞階遺傳算法的參數(shù)取值：種群規(guī)模取60，適應度中參數(shù)α=0.5，β=0.5，交叉概率中參數(shù)k1=k2=1，變異概率中參數(shù)k3=k4=0.5，進化終止代數(shù)取T=100。表1給出的是8：00-10：00的12個時段的交通流預測結果。

四、結束語

針對城市短時交通流的特點，本文以模糊神經(jīng)網(wǎng)絡為基礎，將小波基函數(shù)作為模糊隸屬函數(shù)，實現(xiàn)短時交通流的預測；采用遞階遺傳算法實現(xiàn)網(wǎng)絡結構和參數(shù)的同時優(yōu)化。經(jīng)實測數(shù)據(jù)驗證，該網(wǎng)絡在收斂性和對交通流預測精度等方面明顯優(yōu)于常規(guī)BP網(wǎng)絡，具有適應性和魯棒性強等特點，對實時交通流預測有良好的應用前景。

表1 交通流預測結果

參考文獻：

[1]劉靜，關偉.交通流預測方法綜述[J].公路交通科技，2004（21）：82-85，

神經(jīng)網(wǎng)絡量化綜述范文第4篇

【關鍵詞】 神經(jīng)網(wǎng)絡； 財務危機； 預警模型

一、企業(yè)財務危機預警的現(xiàn)實意義

財務危機是由于種種原因導致的企業(yè)財務狀況持續(xù)惡化，財務風險加劇，出現(xiàn)不能清償債務的信用危機，直至最終破產(chǎn)的一系列事件的總稱。財務危機將危害到企業(yè)正常的生產(chǎn)經(jīng)營，制約企業(yè)的發(fā)展后勁，打亂企業(yè)正常的生產(chǎn)經(jīng)營秩序，挫傷職工的生產(chǎn)積極性等。而有效的企業(yè)預警機制能夠起到提高企業(yè)危機管理意識，提高企業(yè)適應能力和競爭能力等作用，對企業(yè)進行有效的監(jiān)督和預警也直接關系到企業(yè)相關利益人決策、市場競爭機制的客觀要求、財務監(jiān)督、財務預測等方面。所以，對我國企業(yè)財務危機進行有效的預警就變得迫切和必要。

二、財務危機預警模型指標體系的選擇

任何一種經(jīng)濟現(xiàn)象都具有多方面的特征，財務指標體系就是對經(jīng)濟現(xiàn)象特征的整體描述。在以往的研究成果和我國的企業(yè)評價指標體系的基礎上，結合我國企業(yè)的具體特征，充分考慮各個指標的實際應用效果和獲取指標的難易程度，可選擇下列指標來建立適合我國企業(yè)財務危機預警模型的指標體系：資產(chǎn)負債率；流動比率；凈資產(chǎn)收益率；總資產(chǎn)周轉率；主營業(yè)務收入增長率和每股經(jīng)營活動產(chǎn)生的現(xiàn)金流量凈額。這些指標兼顧到了償債能力、盈利能力、資產(chǎn)營運能力、增長能力以及現(xiàn)金流量狀況五個方面，同時鑒于針對的是企業(yè)的財務危機的預警指標，所以在選擇構成指標時，也適當側重了企業(yè)的償債能力和盈利能力指標。

三、基于BP神經(jīng)網(wǎng)絡的財務危機模型的建立及預測結果分析

（一）BP神經(jīng)網(wǎng)絡原理與財務危機預警的可行性分析

BP神經(jīng)網(wǎng)絡是一種調整連接權值及結點閾值時采用的誤差逆?zhèn)鞑W習方法，是一種典型的誤差修正方法。其基本思想是：把網(wǎng)絡學習時輸出層出現(xiàn)的與“事實”不符的誤差，歸結為連接層中各單元間連接權值及閾值的“過錯”，通過把輸出層單元的誤差逐層向輸入層逆向傳播以“分攤”給各連接單元，并據(jù)此對各連接權進行相應的調整，使網(wǎng)絡適應所要求的映射（圖1）。而財務危機預警的6項指標與企業(yè)的財務狀況之間的關系是很難用普通的方法加以定量化的表述，而通過大量的樣本表現(xiàn)出的數(shù)學統(tǒng)計學特征的準確表達正是神經(jīng)網(wǎng)絡的優(yōu)勢所在，為此，我們認為神經(jīng)網(wǎng)絡是可行的。

（二）財務危機預警模型樣本的選擇

考慮到我國近幾年在經(jīng)濟、法律、會計方面進行了較大的政策調整，因此在選擇樣本的過程中我們選取了信息較為連續(xù)可比、取得較為容易的上市公司中制造業(yè)行業(yè)的6個子行業(yè)2000―2002年之間的數(shù)據(jù)，選擇了行業(yè)中25家ST公司和25家非ST公司作為訓練樣本，ST公司樣本數(shù)據(jù)為其被ST的前一年的數(shù)據(jù)資料，隨機選擇的非ST公司的樣本數(shù)據(jù)為與ST公司同期的數(shù)據(jù)。我們還選擇了2003年同行業(yè)的38家ST公司和隨機選擇的同期非ST公司作為檢驗樣本，用模型的預測結果與已知的實際結果進行對照，以檢驗模型的準確性。選擇這一期間的樣本數(shù)據(jù)是因為這些樣本數(shù)據(jù)的時間跨度不大，在這幾年中，國家的會計制度、稅收政策和退市制度也沒有太明顯的變化，整個國民經(jīng)濟的發(fā)展比較穩(wěn)定，無明顯的經(jīng)濟周期影響。

（三）網(wǎng)絡結構及參數(shù)的選取

1.網(wǎng)絡結構的確定

輸入節(jié)點數(shù)由控制的目標確定，控制目標為6個，因此輸入節(jié)點數(shù)為6個；輸出節(jié)點數(shù)由風險因素確定，輸出節(jié)點為2個。一個S型隱含層加上一個線性輸出層的網(wǎng)絡，能夠逼近任何有理函數(shù)，增加隱層數(shù)主要可以更進一步降低誤差，提高訓練的精度，本系統(tǒng)中只設一個隱含層，主要通過調節(jié)隱層節(jié)點數(shù)、動量項、學習率提高網(wǎng)絡的訓練精度。

2.各參數(shù)選取

把經(jīng)過處理后88組樣本數(shù)據(jù)輸入到神經(jīng)網(wǎng)絡，前50組作為訓練樣本，后38組作為預測樣本，網(wǎng)絡的預期誤差0.001。利用神經(jīng)網(wǎng)絡系統(tǒng)對學習數(shù)據(jù)反復訓練，得到實驗結果最好的一次，各參數(shù)如下：

動量項?準=0.3；學習率?濁=0.4；學習次數(shù)n=10000；隱層節(jié)點數(shù)p=6；網(wǎng)絡實際誤差?孜=0.0024

（四）財務危機預警預測結果分析

利用前述訓練結果，對38個檢驗樣本進行預測，預測的結果（表3）根據(jù)下列標準進行判斷，如果預測結果逼近于1，則判斷為非財務危機公司，如果預測結果偏離1就可判斷有財務危機的可能性，可以發(fā)出財務危機預警。

通過預測結果與實際結果的比較，可以得出以下驗證結果：

1.對于非ST公司，預測的準確率為94.74%；

2.對于ST公司，預測的準確率為84.21%；

3.綜合預測準確率為89.47%。

四、該財務危機預警模型的局限性分析

利用神經(jīng)網(wǎng)絡進行財務危機預警模型的研究，從模型的訓練和預測結果可以看出，還是具有一定的可行性和有效性。但也存在一些問題：

（一）忽視了企業(yè)規(guī)模對企業(yè)財務狀況的影響

本次研究中所選擇的ST樣本是所屬行業(yè)的全部樣本量，而配對樣本則是隨機抽取的，在選擇的過程中，沒有重點關注企業(yè)規(guī)模對財務危機指標標準的不同要求。

（二）非ST樣本公司的代表性

所選取的ST企業(yè)被界定為財務危機公司還不容易引起爭議，但對非ST公司而言，每個公司仍然存在財務狀況非常好、較好或一般的差異，因此用不同的非ST公司和ST公司配對，就不能排除財務危機公司財務狀況之間的差異，這也直接影響了預測數(shù)據(jù)判別的準確率。

（三）ST界定自身具有的不適應性

根據(jù)我國對ST公司的劃分標準，可以看出其主要看中的還是公司的盈利能力和資本結構比率，而財務危機是企業(yè)綜合財務狀況出現(xiàn)問題的集中表現(xiàn)，它受到多項能力和指標的影響，兩者之間并不對等。

（四）神經(jīng)網(wǎng)絡理論自身的缺陷

神經(jīng)網(wǎng)絡自身擅長解決不精確和模糊的信息處理問題，在處理過程中，他會有自動刪除樣本“噪聲”和自動調整的功能，如果其修正數(shù)據(jù)的過程中出現(xiàn)偏差，或訓練過程中參數(shù)確定的不準確，也會直接影響預測的準確性。

（五）樣本選擇的局限性

本次預測過程中受諸多因素的影響，所選擇的樣本不具有普遍的代表性，局限在了上市公司，連續(xù)數(shù)據(jù)的選擇也導致了數(shù)據(jù)的時效性較差，對當前新經(jīng)濟形勢下的企業(yè)財務危機的參考作用有待觀察。

五、結論

財務危機預警模型通過神經(jīng)網(wǎng)絡原理，在目前是可以實現(xiàn)的，只要在模型建立的過程中，將不穩(wěn)定因素的影響降低到最低，就可以極大地提高預測的準確率。另外，由于不同的行業(yè)有其不同的生產(chǎn)和財務特性，他們的數(shù)據(jù)表現(xiàn)的要求也不盡相同，因此對于差異較大的行業(yè)，應適當建立行業(yè)財務危機預警模型，以更好地提高預測的準確程度。

當然，企業(yè)財務危機預警模型作為財務危機預警系統(tǒng)的一個有機組成部分。它的作用必須借助于整個系統(tǒng)作用的發(fā)揮，也需要企業(yè)的高層管理者確實認識到財務危機預警的必要性，才能真正實現(xiàn)對財務危機抑制和防范作用。

【參考文獻】

［1］ 盧雁影.財務分析［M］.湖北:武漢大學出版社，2002:296-303.

神經(jīng)網(wǎng)絡量化綜述范文第5篇

關鍵詞：農(nóng)戶信用評估 指標體系 層次分析法 神經(jīng)網(wǎng)絡模型

信用缺失環(huán)境下的農(nóng)戶信用評估指標體系構建研究

社會信用體系是市場經(jīng)濟體制中的重要制度安排。黨的十六大提出“整頓和規(guī)范市場經(jīng)濟秩序，健全現(xiàn)代市場經(jīng)濟的社會信用體系”。黨的十七大提出“規(guī)范發(fā)展行業(yè)協(xié)會和市場中介組織，健全社會信用體系”。2011年10月19日國務院召開常務會議部署制訂“十二五”期間社會信用體系建設規(guī)劃，要求推進行業(yè)、部門和地方信用建設，建立健全覆蓋全社會的征信系統(tǒng)，全面推進社會信用體系建設。但是，到目前為止，國內仍然沒有統(tǒng)一完整的信用評估系統(tǒng)，而針對農(nóng)戶的信用評估指標體系構建在我國更是處于剛剛起步的階段。近幾年，隨著農(nóng)村金融的發(fā)展，農(nóng)戶的信貸行為日益增多，如何對農(nóng)戶的信用狀況進行科學評估以判斷農(nóng)戶的信貸能力，既是加快社會信用體系建設必須解決的現(xiàn)實問題，也是深化農(nóng)村金融體制改革的重要理論問題，因此，構建一個完整的、行之有效的農(nóng)戶信用評估指標體系具有重要的理論與現(xiàn)實意義。

一、文獻綜述

國內外關于農(nóng)戶信用評估的文獻不多，尤其是國內文獻，數(shù)量很少，具有代表性的有以下幾篇。Luis R.Sanint [1] （2001）提出了一個多期風險編程模型，他的實證結果表明信貸風險源自于放貸者對于農(nóng)場收入變化的非價格反應，這些信用風險嚴重影響了一個農(nóng)場流動性以及規(guī)避風險的效率。黃傳森[2]（2008）論證了如何有效地對農(nóng)戶發(fā)放貸款，并且通過實際的調查證明了這些在當今的臺灣是如何做到的。劉暢[3]（2009）提出了采用概率神經(jīng)網(wǎng)絡（PNN）的方法構建農(nóng)戶信用評分體系，他綜合了15個信用指標，運用概率神經(jīng)網(wǎng)絡模型，對在湖北調查的數(shù)據(jù)信息所反映的農(nóng)戶信用狀況進行擬合和預測，得到了預期的結果。胡愈[4]應用模糊數(shù)學構建農(nóng)戶信用等級的模糊綜合評價模型， 利用不確定層次分析法確定指標權重， 為農(nóng)戶信用等級的評定提供一套科學可行的方法。由于單個評分模型有其自身的缺點，所以有些作者采用兩種或多種模型來構建農(nóng)戶信用評估指標體系。周振[5]（2008） 利用主成分分析法（PCA）歸納出對農(nóng)戶信用評級有顯著影響的因子，并引入人工神經(jīng)網(wǎng)絡進行農(nóng)戶信用等級的評估，為農(nóng)戶信用等級的評定提供一套科學可行的方法。楊宏玲[6]（2011） 提出了基于價值鏈風險分析與平衡積分卡方法的農(nóng)戶信用評價指標體系，以個人平衡積分卡為框架，通過對農(nóng)產(chǎn)品價值鏈風險分析，找出影響農(nóng)戶償還貸款的潛在因素，根據(jù)這些因素來選取評價指標，構建農(nóng)戶信用評估指標體系。此外，在組合模型的應用上，張廣明[11]將模糊層次分析法（F-AHP）和ANN相結合，用于對電梯的風險評估中，實驗證明用此方法進行評估所用的時間比ANN方法要少，且評估的準確性沒有降低。

________

本文系作者主持的國家社會科學基金重大項目《加快社會信用體系建設研究》（批準號：12﹠ZD053）、國家社會科學基金重點項目《社會誠信制度建設和維護市場經(jīng)濟秩序問題研究》（批準號：11AZD026）和國家自然科學基金面上項目《社會信用制度建設關鍵技術、建設標準與實現(xiàn)機制研究》（批準號：71073047）的階段性成果，感謝審稿人的寶貴意見，當然，文責自負。

就文獻對比分析后，筆者認為國內關于農(nóng)戶信用評估指標體系的研究依然不夠深入，在運用單個模型進行數(shù)據(jù)處理時，往往會因為模型自身的缺陷性而使得結果誤差較大，因此本文擬采用組合模型的方法來構建農(nóng)戶的信用評估指標體系，以減少單個模型結果的誤差。

二、模型選擇及原理分析

層次分析法（Analytic Hierarchy Process簡稱AHP）是將與決策總是有關的元素分解成目標、準則、因素等層次，在此基礎上進行定性和定量分析的決策方法。利用層次分析法得到個人信用評估指標體系因果關系比較明確，便于管理人員的分析研究，但是由于判斷矩陣是通過專家打分得出，它的主觀性比較強，容易受到個人意識的控制，所以精準度不高。

神經(jīng)網(wǎng)絡模型（Artificial Neural Networks簡稱ANN）是一種應用類似于大腦神經(jīng)突觸聯(lián)接的結構進行信息處理的數(shù)學模型。它包括輸入層、隱含層和輸出層。神經(jīng)網(wǎng)絡模型屬于黑箱操作，前后指標層的因果關系不明確，但是模型會根據(jù)輸出結果的精準度來自行調整模型內部的運行過程，所以精準度比較高，因此它和層次分析法可以互補，本篇文章正是基于兩種模型自身的優(yōu)勢來構建組合模型。

組合模型構建的第一步是通過層次分析法得到二級子指標的賦值和相應的權重。第二步是將選中的二級子指標作為神經(jīng)網(wǎng)絡模型的輸入層，通過SPSS中的clementine軟件得到神經(jīng)網(wǎng)絡模型的輸出層，也即是農(nóng)戶信用評估的結果。具體模式如圖2-1所示：

三、指標體系構建及實證研究

1.指標的選取與賦值

本文按照層次分析法的原理，將指標設計為目標層—準則層—因素層，層次分析法旨在合理的確定農(nóng)戶信用評估指標及相應的權重，最終確定農(nóng)戶的信用狀況，因此，層次分析法的目標層指標即為農(nóng)戶的信用狀況。同時，眾多研究資料表明，許多金融機構都將借款人的信用狀況集中于“5C”之上，即傳統(tǒng)的“5C”分析法，這種方法之所以適用性廣泛，首先因為它包含的品質、能力、資本、抵押、條件5個指標基本涵蓋了評價農(nóng)戶信用狀況所需要的全部信息，其次，這些指標大都有標準的計量公式，相應的信息可以很容易獲取。因此，本文選用“5C”分析法來確定準則層，最后，針對準則層中的每個指標賦予相應的二級子指標。

本文確立的農(nóng)戶信用評估指標體系的二級子指標中有少數(shù)的定性指標，這也是由農(nóng)戶信用狀況的自身特征所決定的，這就使得我們無法對全部指標進行標準統(tǒng)一的衡量。為了解決這一問題，本文參考了已有學者的文獻，采用分檔評分法對這些二級指標進行賦值，以使得部分定性分析定量化。我們將各個指標按照特征或數(shù)值的大小按從低到高的順序分為若干檔，按照百分制給每一檔賦予相應的分數(shù)，17個指標的分值之和是100分。

本文將構建的目標層—準則層—因素層指標體系用表3-1來表示：

2.基于層次分析法的指標權重的確定

層次分析法分為層次單排序和層次綜合排序兩步，在層次分析法的運用過程中，判斷矩陣的確定是最為關鍵的一步。為了盡可能提高判斷矩陣形成的科學性，在構造判斷矩陣時，本文不僅采用德爾菲法對判斷矩陣進行賦值，而且充分參考國內外個人信用評分的相關研究成果。由于一些研究成果是基于對大量樣本數(shù)據(jù)的統(tǒng)計分析和實證研究產(chǎn)生，因此，參考這些研究成果可以在一定程度上減小德爾菲法賦值的主觀性。

2.1層次單排序

（1）一級判斷矩陣及指標權重的確定

層次分析法中判斷矩陣的確定一般采用Seaty1-9標度法，根據(jù)標度法中相對重要程度的確定標準進行專家賦值，從而得到能夠合理反應各個指標相對重要程度的判斷矩陣。Seaty1-9標度法如下表所示。

判斷矩陣的一致性檢驗的指標為C.R.，其中C.R.=CI/RI，CI=（ *W-n）/（n-1） =0.0085，n為指標個數(shù)，查表3-3，當 n=5時，RI=1.12，C.R.=CI/RI=0.0085/1.12=0.0076

（2）二級判斷矩陣及指標權重的確定

根據(jù)Seaty 1-9標度法得到的品質指標、能力指標、資本指標、抵押指標以及條件指標專家賦值矩陣，分別表示為A1，A2，A3，A4，A5。

計算C.R.，五個矩陣的C.R.的值均小于0.1，所以五個判斷矩陣均通過了一致性檢驗。

2.2層次綜合排序

層次單排序確定了一級指標層對目標層的指標權重以及二級指標層對一級指標層的指標權重，層次綜合排序也稱層次總排序，是根據(jù)層次單排序的結果確定二級指標層對目標層的指標權重。

表3-4綜合了一級指標層對目標層的權重、二級指標層對一級指標層的權重以及二級指標層對目標層的權重。二級指標層對目標層的權重是表3-4的最后一列，這一列數(shù)值的加總和是1。從最后一列的數(shù)字中我們可以看出，年平均收入水平、家庭資產(chǎn)負債率、家庭收支結構、過去的信貸歷史記錄、流動資產(chǎn)、勞動力人數(shù)占家庭人數(shù)比重、房產(chǎn)估價、健康狀況、務工行業(yè)發(fā)展前景9項指標的權重值較高，都在4%以上，因此將這9個指標作為下一步神經(jīng)網(wǎng)絡模型的輸入層，最終確定農(nóng)戶的信用狀況。

3 基于組合模型的農(nóng)戶信用評估指標體系的構建

3.1神經(jīng)網(wǎng)絡模型結構的確定

本文設計一個三層次神經(jīng)網(wǎng)絡模型。

①輸入層的節(jié)點數(shù)是由指標體系中指標的個數(shù)來確定，通過層次分析法的計算過程，本文選定權重比例在4%以上的9個指標作為神經(jīng)網(wǎng)絡模型的輸入層，并且將農(nóng)戶的信用評級設定為一級、二級、三級、四級四個層次，依次對應的信用評分區(qū)間為（90-100），（80-90），（70-80），（0-70），從一級到四級信用等級依次下降。

②輸出層的節(jié)點數(shù)m設定為2，一個節(jié)點表示農(nóng)戶的信用評級，一個節(jié)點表示農(nóng)戶的信用評分，從而更為清晰地看到農(nóng)戶的信用狀況。

③隱層節(jié)點數(shù)的設計是根據(jù)以往經(jīng)驗而得的，本篇文章通過反復試驗，發(fā)現(xiàn)當隱含層為13，學習率為0.9時，模型的結果最為平穩(wěn)，因此，本文選取的隱含層數(shù)為13層。

3.2神經(jīng)網(wǎng)絡模型的計算結果

（1）采用AHP-ANN組合模型，以9個指標作為輸入層的模型結果

本文選取713個樣本數(shù)據(jù)，其中575個樣本為訓練樣本，剩余的138個樣本為測試樣本。以層次分析法選中的9個指標作為神經(jīng)網(wǎng)絡模型的輸入層，隱含層為13層，輸出層為兩層，分別是信用評級和信用評分。神經(jīng)網(wǎng)絡模型具有很強的隨機性，在進行訓練樣本的選取時，每次抽取的結果不同，訓練的擬合優(yōu)度也不相同，測試樣本的分析結果也不相同，因此，本文在隱含層為13，學習率為0.9的情況下反復操作10次，然后取其平均值，以減小由于隨機抽樣而導致的誤差。10次模型運行結果如表3-5所示：

表3-6說明，神經(jīng)網(wǎng)絡模型在對訓練樣本的訓練精度為88.28%的情況下，對測試樣本的測試精度為81.81%，同時，對于信用評分這一輸出指標，模型對測試樣本的信用評分預測值與信用社統(tǒng)計的測試樣本的實際值之間的平均誤差為0.61，誤差的標準差為4.684。

（2）僅采用ANN模型，以全部指標作為輸入層的模型結果

為了與AHP-ANN方法做對比，本文將17個指標全部輸入神經(jīng)網(wǎng)絡模型，即輸入層指標為17個，通過反復驗證，選定隱含層為20層，輸出層指標仍為信用評級與信用評分，相同的方法操作10次，得到如表3-7所示的結果：

比較表3-6和表3-8可以看出，不采用層次分析法對指標進行篩選，而只采用神經(jīng)網(wǎng)絡模型將所有指標作為輸入層變量得到的模型輸出結果差于采用AHP-ANN方法得到的輸出結果。具體表現(xiàn)在，僅采用ANN模型，在訓練樣本精度為87.97%的情況下，模型對測試樣本的測試精度僅為77.52%，而對于信用評分誤差的均值和方差，前后兩種方法得出的結果沒有太大差別，并且相比于信用評分這一指標來說，信用等級這一輸出指標更為重要，因為信用社對于評分為85和88的客戶設定為相同的信用等級，因此會給出相同的貸款限額。

（3）ANN模型與AHP-ANN模型結果的對比分析

通過AHP-ANN組合模型和ANN模型分別得到的以9指標作為輸入層的農(nóng)戶信用評級與信用評分表和以全部指標作為輸入層的農(nóng)戶信用評級與信用評分表，整理這些表格，利用excel繪制兩種方法下農(nóng)戶信用評分的預期值與期望值偏離程度圖以及農(nóng)戶信用評級的預期值與期望值偏離程度圖，分別如圖3-1和圖3-2所示：

圖3-1為根據(jù)信用評分的預測值與期望值的差值繪制而成的折線圖，藍色的曲線表示AHP-ANN模型所得到的結果，紅色的曲線表示僅采用ANN模型得到的結果，與表3-6和表3-8中的結果相符，兩種模型下農(nóng)戶信用評分的誤差均值與標準差沒有太大的差別。

圖3-2 信用等級預測值與期望值的偏離程度圖

圖3-2為根據(jù)信用評級的預測值與期望值的差值繪制而成的折線圖，這里我們將信用評級中的一級賦值為1，二級賦值為2，三級賦值為3，四級賦值為4，藍色曲線表示AHP-ANN模型所得到的結果，紅色曲線表示僅采用ANN模型得到的結果，與表3-6和表3-8中的結果一致，采用AHP-ANN組合模型所得到的農(nóng)戶信用評級的預測值，無論在偏離頻率還是偏離程度上，都優(yōu)于僅采用ANN模型所得到的輸出結果。

四、結論及政策建議

通過以上分析可以得出結論：采用層次分析法對指標進行篩選，之后采用神經(jīng)網(wǎng)絡模型對農(nóng)戶的信用等級和信用評分進行預測是一種行之有效的方法，它不僅能夠降低將所有指標作為神經(jīng)網(wǎng)絡模型輸入層的數(shù)據(jù)冗余問題，大大降低了信用社調查農(nóng)戶信息所耗用的時間和成本，并且能夠提高僅采用神經(jīng)網(wǎng)絡模型所得到的結果的精準度。

針對本篇文章的不足以及我國農(nóng)戶信用評估指標體系的缺陷，本文提出以下政策建議：1.完善農(nóng)戶的信用數(shù)據(jù)，建立規(guī)范完整的農(nóng)戶信用信息數(shù)據(jù)庫。

完整且有效的農(nóng)戶信用數(shù)據(jù)是構建農(nóng)戶信用評估指標體系基礎。目前，我國并不存在統(tǒng)一的農(nóng)戶信用信息數(shù)據(jù)庫，筆者在收集農(nóng)戶信用數(shù)據(jù)時，采用的是走訪農(nóng)村信用社的方式，農(nóng)村信用社一般采用紙質檔案來保存農(nóng)戶的信用信息，而不存在相應的電子存檔。這種信息儲備方式不僅給相應的科研工作帶了很多困難，同時也增加了農(nóng)戶信用數(shù)據(jù)丟失的風險，不利于農(nóng)戶信用信息的儲存。此外，筆者認為，在收集農(nóng)戶信用數(shù)據(jù)時，應該選取全國各個省份的農(nóng)戶信息，這會使得農(nóng)戶信用數(shù)據(jù)更為全面，得出的信用評價結果也更具代表性和適用性。由于地理位置的限制，本文選用的農(nóng)戶信用數(shù)據(jù)僅來自于湖南省的幾家信用社，其他省份的農(nóng)戶信用數(shù)據(jù)未能收集到，這也是本篇文章不足之處。因此，我國應該建立一個規(guī)范完整的農(nóng)戶信用信息數(shù)據(jù)庫，它不僅有利于農(nóng)戶信用信息的儲存，也有利于農(nóng)戶信用數(shù)據(jù)的共享和分析，有著很重要的現(xiàn)實意義。

2.提高信用評估模型的精準度，探索更為合理精確的信用評價模型。

收集到農(nóng)戶的信用數(shù)據(jù)之后，如何選擇合理準確的信用評估模型來預測農(nóng)戶的信用評分和信用等級是構建農(nóng)戶信用評估指標體系的關鍵。本文選用層次分析法和神經(jīng)網(wǎng)絡模型來構建組合模型，計算出的精準度為81.81%，有待于進一步提高。其中采用層次分析法確定判斷矩陣時采用專家打分法，這種方法有一定的主觀性。筆者認為，可以將專家打分法與網(wǎng)上網(wǎng)下問卷調查法相結合，并且參考相關科研成果，共同確定相應的判斷矩陣，這些方法的結合將會大大降低層次分析法的主觀性，提高組合模型的精準度。此外，探索新的信用評估模型，使之具有層次分析法和神經(jīng)網(wǎng)絡模型的優(yōu)點，并且摒棄主觀性、黑箱操作等缺點，也是提高信用評估模型精準度的行之有效的方法。

3.完善農(nóng)戶信貸的隱性擔保機制，建立統(tǒng)一的農(nóng)戶信用評估指標體系。

在確定農(nóng)戶信用評級時，應該注重家庭流動資產(chǎn)、家庭收入、家庭資產(chǎn)負債率、家庭收支結構等一系列隱性擔保指標。筆者認為，在構建農(nóng)戶信用評估指標體系的同時，可以將這些隱性擔保指標獨立出來，形成一個隱性擔保指標體系，并且針對隱性擔保指標體系計算出相應的信用評分，將該信用評分與最終的農(nóng)戶信用評分結合起來，共同作為評價農(nóng)戶信用狀況的依據(jù)，形成農(nóng)戶信貸的雙保險。

同時，在走訪信用社過程中，筆者發(fā)現(xiàn)，每個農(nóng)村信用社都有一個單獨的信用評價體系，這就使得相同的農(nóng)戶在不同的信用社有不同的信用評分和信用等級，同時造成了許多評估工作的重復進行，基于這種不足，我國政府機構或者是特定的信貸部門應該制定出農(nóng)戶信用評估指標體系的統(tǒng)一規(guī)范，建立一套能夠讓許多信用機構拿來使用的、行之有效的農(nóng)戶信用評估指標體系。

參考文獻：

[1]Luis R.Sanint， Peter J.Barry.A Programming Analysis of Farmers' Credit Risks[J].American Agricultural Economics Association，2001，（5）：321-325

[2]Chuan-Hsin Huang.How to Grant Credit to Farmers Effectively：A Managerial Perspective[J].Intemational Joumat of Management，2008，（25）：300-307

[3] 劉暢 方靚.概率神經(jīng)網(wǎng)絡在農(nóng)戶信用評估中的應用研究[J]，湖北社會科學，2009，（11）：85-89

[4] 胡愈 許紅蓮 王 雄.農(nóng)戶小額信用貸款信用評級探究[J]，財經(jīng)理論與實踐，2007，（1）：30-34

[5] 周 振.構建農(nóng)村信用社的農(nóng)戶信用評估體系[J]，現(xiàn)代農(nóng)業(yè)， 2009，（6）：177-179

[6] 楊宏玲 郭高玲.基于BBC與價值鏈風險分析的農(nóng)戶信用評價指標體系探析[J]，2011，（6）：63-66

[7] 吳 沖.基于模糊神經(jīng)網(wǎng)絡的商業(yè)銀行信用風險評估模型研究[J]，系統(tǒng)工程理論與實踐，2004，（11）：40-48

[8] 吳晶妹 張穎 唐勤偉.基于農(nóng)戶信用特征的WU's三維信用評價模型研究[J]，財貿經(jīng)濟，2010，（9）：21-25

[9] 虞小波.民間借貸信用風險的實證研究及其與商業(yè)信貸、FICO的比較[D]，中國科學技術大學，2009

[10]張廣明 邱春玲.模糊層次分析法和人工神經(jīng)網(wǎng)絡模型在電梯風險評估中的應用[J]，控制理論與應用，2009，（8）：931-93

[11]溫濤 冉光和 王煜宇.農(nóng)戶信用評估系統(tǒng)的設計與運用研究[J]，運籌與管理，2004，（8）：82-87

[12]王樹娟 霍學喜.農(nóng)村信用社農(nóng)戶信用綜合評價模型[J]，財貿研究，2005，（5）：35-39

[13]唐輝亮.農(nóng)村信用社信用評估指標設計與運用[J]，經(jīng)濟理論研究，2006，（7）：91-93