范铭铭，王世民

（北京工商大学计算机与信息工程学院，北京 100048）

农产品供应链是以农产品为基础，通过对信息流、物流、资金流的控制，将生产者、加工者、销售者及消费者连成一体的功能网状链条。农产品供应链由于其对象是具有生命特征的，决定了其在供应链的运作方面具有显著特点：（1）农产品具有固有的生长周期、明显的季节性特点，当资金投入需求处于旺盛时期，容易出现资金缺口。（2）农产品的产出对环境等外部条件依赖性较大，农产品供应链存在不确定性风险。（3）农产品收获期集中，易形成大量库存，进而占用大量资金，资金周转速度较慢。（4）由于农产品的价格波动较大，而农民把握市场动态的能力有限，使得农产品供应链上具备显著的牛鞭效应。

1 BP神经网络原理

神经网络是一种多层前馈神经网络,由输入层、隐含层和输出层3层的神经元组成。BP神经网络的三层拓扑结构如图2-1所示，其学习过程由正向信号传播和反向误差传播两个阶段构成，在正向信号传播的过程中，输入样本从输入层输入，经各隐含层逐层计算，并传向输出层,其中每层神经元的状态只影响下一层神经元的状态，如果输出层的实际输出与期望输出不一致，则转入反向误差传播阶段。将输入误差以某种形式按照原来的通路原路返回，逐层调整各网络层的权值，直至回到输入层。将这种信号正向传播和误差反向传播调整各网络层权值的过程，循环往复，直至误差最小或者达到期望误差学习结束，如图2-1：

图2-1 BP神经网络结构图

2 基于BP神经网络的农产品供应链金融应收账款信用风险评估模型

2.1 评估指标体系的建立

信用风险评估是评价一个企业是否具有融资资格的必要条件，对农产品中小企业进行信用风险评估可以有效的控制资金贷出与回流。主要包括：（1）融资企业信用情况。包括企业盈利能力、营运能力、偿债能力和信用记录。主要反映融资企业财务状况和信用状况。（2）核心企业信用情况，银行在结合中小企业和和核心企业的相关数据后，可以在融资企业违约时，降低银行风险。（3）供应链相关情况。包括关系持久度、融资企业地位和信息共享程度。（4）应收账款。包括应收账款的坏账率、应收账款账期和应收账款周转率，良好的应收账款更能降低银行回收贷款的风险。

2.2 样本采集与数据处理

由于我国中小企业数据透明度和公开度不够，且我国银行数据库的不完善和银行贷款信息不对外披露，鉴于上市公司的财务数据较为容易获取，所以本文选取了我国中小板上市公司2018年第一季度财务数据为本文的原始数据。选取其中17家公司为训练样本，其中包括15家非ST股和2家ST股。

体系中的定性和定量两种指标，不同评价指标具有不同的量纲和量纲单位，其会影响数据分析的结果，为了消除指标间的量纲，需要对数据进行标准化处理——数据归一化。转换函数如下：

本式中 xi是样本 x 的一个个体，max（x）与 min（x）分别为样本 X 中的最大值和最小值，xi'为转换后样本个体。基于离差标准化转换后的数据可以较好地保留原来的指标含义，且将原来的属性数据全部转换为[0，1]的正向指标数据，有利于数据的输入和输出。

2.3 面向MATLAB的BP神经网络的训练与检验

本文基于以上研究，选取MATLAB 2016a的BP神经网络构建一个22×8×1的模型，有22个输入节点，有1个输出节点，隐含节点根据公式可确定的范围为[6，14]。应用专业的软件分析相同参数的前提下，改变节点数去检验误差，最终选取隐含层节点数为8。模型的规定参数为：隐含层激发函数为tansig，输出层激发函数为traingdx，训练函数train循环次数为2000，学习率为0.01，目标误差为0.001，然后对网络进行训练。为了验证模型的有效性，将样本进行编号，编号为1-16号的样本定义训练样本，编号为17号的样本定义为检测样本。

运用训练好的BP神经网络，将第17号样本输入进去，得到仿真结果为0.3623，风险较低，且与其实际赋值接近。如表4-3所示：

表3-3 检测样本结果

3 结论

本文是关于农产品供应链金融应收账款信用风险评估体系进行的研究，选取了我国中小板上市公司2018年第一季度财务数据进行实证研究。运用基于MATLAB的BP神经网络方法，对信用风险评估模型进行分析，用收集到的数据进行训练和检测。从上述的结论可以看出，将BP神经网络应用于本文所提出的信用风险评估指标体系中，可以为我国农产品中小企业融资提供可行性的依据。由于相关的统计数据有不完善的地方，且BP神经网络对样本的要求较高，因此，在实际的应用中，要采集足够多的样本数量，保证样本质量，以便提高评估的准确性。

推出农产品供应链金融信用风险体系，此体系是以互联网、大数据和人工智能技术为基础，以供应链信用评级为核心，以全程信用管理为保障，以信息实时监控、信用风险预警为特色。结合农产品供应链金融的特点，为供应链上下游企业提供合理的信用风险评估标准，高效解决供应链上下游企业各种融资需求。同时，可利用机器学习技术，动态采集供应链核心企业与上下游中小企业信息，并采用农产品供应链金融评级方法体系实时调整信用级别，防控链属企业的信用风险、道德风险和逆向选择风险，助力农产品供应链金融生态体系健康、有序发展。