基于决策树与神经网络的上市公司信用风险评估模型比较研究

2021-03-03孙剑斌魏敏

中国管理信息化 2021年1期

孙剑斌魏敏

[摘要] 随着中国市场化改革的深入，企业的信用风险评估显得尤为重要，金融机构已经将其作为评估信贷风险、降低违约率以及增加现金流的关键途径，因此，加强企业信用风险评估模型的研究势在必行。本文选取上交所555家上市公司2012-2018年的财务数据作为研究样本，首先运用因子分析方法筛选企业信用风险评估模型的财务指标;其次构建基于决策树与神经网络两种不同算法的企业信用评估模型;最后将两者进行比较，结果显示，从综合性能看神经网络比决策树效果更好。

[关键词] 决策树;神经网络;信用风险评估;上市公司

doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2021. 01. 042

[中图分类号] F275;F276.6 [文献标识码] A [文章编号] 1673 - 0194（2021）01- 0100- 07

0 引言

改革开放以来，我国资本市场得到了快速发展，已成为我国众多企业筹集资金的重要场所。上市公司作为资本市场的重要主体之一，其信用状况将对资本市场的交易活动产生重要的影响。因此，对上市公司信用风险评估具有非同寻常的意义。业界及学者一直在探索和研究企业信用风险评估方法，试图找到企业在利润和风险之间的动态平衡點。同时，使用先进的技术手段建立企业信用风险评估模型。目前，信用风险评估模型可以分为三大类：第一类是传统信用风险度量模型，主要包括专家制度模型、Z值评分模型、ZETA模型等;第二类是现代信用风险度量模型，主要有KMV预约违约率模型、信用度量术模型、信用风险附加模型、信贷组合观点模型、死亡率模型等;第三类是以大数据、人工智能为主的信息技术信用风险评估模型。由于信息技术的快速发展，将大数据、人工智能等方法引入信用风险评估，取得了较好的效果。本文选用的是机器学习方法，主要采用神经网络与决策树，对于给定的数据，两个模型都单独给出训练与测试值，然后将两个模型进行综合比较，从而选出更优模型，这种方法一方面能够比较有效地提升单个分类模型的准确率，另一方面具有比较好的稳定性。

1 文献综述

1.1 信用风险评估模型发展历程

随着资本市场对信用风险评估的重视，企业信用风险评估的研究成果越来越丰富。信用风险评估也由最初的经验评估演变为量化评估。Altman（1968）创建了Z值评分模型，这种模型首先运用加权财务比率来计算企业信用风险的得分，其次将该得分和临界值比较的结果来评价企业信用风险;摩根银行在1997年创建了Credit-metrics模型，此种模型是采用企业的信用评级、信用评级转换矩阵这些信息来对企业的信用风险进行测量，但是这种方法不适用我国的企业信用风险测度，主要是因为我国还没有建立长期的信用评级数据库。李海洪、王颖琦（2010）等人利用5C分析法，既根据自身的经验以及申贷企业的资本能力等因素对企业的信用进行评估，但是该方法具有很大的主观性，评估的结果令人难以信服。帅青红、方玲（2013）等人将Logistic模型与决策树模型进行比较，观察二者哪一个更适用于上市公司的信用风险评估。

有些学者将KMV模型应用到企业的信用风险测量当中，杨秀云（2016）通过比较不同产业和地区之间的企业信用差别创建了KMV模型;李晟、张宇航（2016）在KMV模型的基础上，比较了国有银行和非国有银行之间的信用差异。伴随着互联网技术的快速发展，数据挖掘的技术也逐渐被运用到企业的信用评估当中，其为信用风险识别、评级、评价等提供了更加精确的风险判别方法与更加科学的变量选取方法，盛夏、李斌（2016）等人使用数据挖掘技术对信用评估变动进行预测;蒋翠清、梁坤（2017）在改进的 Adaboost 模型基础之上，建立了网络借贷信用预测模型，该模型具有比较高的分类精度。虽然现如今的模型对于信用风险评估效果显著，但是仍需采用更新的技术不断地加强与完善，研究者需要深入地了解、探讨、分析企业信用真实状况与其影响因素，同时及时更新相关信用信息，促进形成理论发现，从而进行理论实践。

总体来说，企业信用评价模型在建立使用过程中仍有一些方面需要完善：（1）不用的信用风险评估模型对于同一个企业的信用状况评估结果往往是不一致的，因此，企业在选择评估模型时应该考虑选择适用于自身发展现状的模型。（2）在个人信用评估时，会使用用户画像、神经网络模型、决策树、随机森林以及多分类器组合等方式来提升个人信用风险评价的精确度。同样，在对企业信用进行评估时，也可以采用大数据的技术，绘制出企业画像，从而有利于金融机构更加快捷，方便，清晰地了解企业。（3）一些企业，尤其是中小微企业的数据存在类分布不均衡、噪声多以及数据缺失等现象，我国对于处理这种现象的研究较少。张景肖（2012）将好客户这一大众事件与坏客户这一稀有事件组成不平衡数据，借鉴机器学习领域处理不平衡数据的方法，对稀有事件做特殊采样处理之后进行再建模可以有效提高信用评分模型准确性;张岩（2016）对我国中小银行信用风险数据缺陷的处理方法进行研究，得到针对不同类型缺陷，拟合自举法、均值法以及分布法分别最优的结论。学者们应该借鉴银行对于个人信用评级的方式，通过数据挖掘技术、大数据处理信息等方法来解决此问题。

1.2 信用风险评估指标的构建

迄今为止，确定企业信用评估指标基本上还是参考有关机构的建议，美国邓白氏、标普以及穆迪三个信用评级机构对于企业信用风险的评估具有较高的权威，除此之外，还有很多的国内外学者一直在对企业信用风险评估指标体系进行不断地构建和完善。信用风险评估指标创建的初期是从盈利能力、偿债能力、经营能力等方面选取财务指标，Altman（1968）创建的指标体系使用到了总资产周转率、息税前利润等比率类型的财务指标;张新红（2011）发现现金流量指标能够比较准确的展现出企业的盈利质量，并且可以快速的提示企业存在的信用风险;邓晶（2013）将盈余管理指标引入到影响企业信用风险评估的指标当中。

随着信用风险研究的加深，单纯的财务指标已经不足以反映企业的信用风险情况，学者们开始将非财务指标添加到企业信用风险的评估当中。侯昊鹏（2012）将经营者的素质以及产品的竞争力两种非财务指标用于企业的信用风险评估指标体系中，新建的指标体系只含有三个方面，抓住了影响信用状况的主要因素，在很大程度上精简了现有的指标体系;舒歆（2015）认为法人治理情况对于小微企业信用评级具有重要的作用;赵亚（2017）在使用随机森林技术评估企业信用风险的过程中使用到了股东、董事会、高管、企业诚信情况以及外部环境因素等财务指标，通过对比发现增加非财务指标的评估效果高于只有财务指标的评估效果。随着大数据的发展，企业信用风险评估指标的建立过程中收集与处理数据变得更加容易、有效，同时指标特征选择方法也更加可靠，比如胡心瀚、叶五一（2012）使用非参数的方法对变量进行选择。

虽然，企业信用风险评估指标发展很丰富，但是也存在一些缺陷，例如：（1）许多学者对于指标的选取一般都是通过问卷法和专家打分法，此种方法存在很大的主观性，从而导致其适用范围有限。霍海涛（2012）针对此种现象总结了前人的研究成果，结合我国自身的发展特点，建立了适用于高科技中小型企业的信用风险评估指标体系。（2）我国企业信用风险评估指标体系基本上都是参照国外的企业，然而本国的发展环境与国外存在很大区别，导致企业的信用风险评估指标无法完全适用于本国，例如，范柏乃、朱文斌（2003）就是在分析国外企业信用评价指标的基础上，从六个层面筛选了28个财务指标来构建我国的中小企业信用评价体系。（3）非财务指标包含企业管理水平、企业信用、公司資产规模、行业情况、国家经济环境等，很多学者都只是通过规范分析来导入非财务指标，很少有人将其量化同时进行实证研究，希望学者们以后加强这方面的研究。

2 研究方法

决策树就是对数据进行梳理分类，同时发现数据当中存在的规律并挖掘出有效信息的一种机器学习方法，该方法能够辅助决策者做出正确的决策。决策树最根本的思想就是把所有的样本看作是一棵树的树根，然后将数据进行分类，分出的每一个类别如同大树的枝干，数据逐层进行细化，最后形成一棵决策树。决策树根据数据的逻辑推理分类，对于研究样本的拆分每一个决策都需要各组之间差异性能够最大化，从而能够比较直观地看到每个要素指标对于最后测评结果影响程度，同时可以容易地分辨出研究样本分类的要素，如果研究者有需要还可以将不必要的要素进行修剪或者剔除。决策树的种类很多，早期著名的决策树算法是在信息熵ID3算法基础上发展起来的，紧接着又提出了CART、SLIQ、ID4、C5.0、CHAID等算法。本文选取的就是CHAID算法，该方法以目标最优为依据，对于序次等级以及分类分析比较适用，它是一种拥有选择目标、聚类以及量筛选功能的可靠分析方法。

决策树模型的优点：（1）决策树算法比较简单，很适用于处理不是数值类型的研究样本数据，并且对于数据外的知识不需要过多的了解，因此，使用人员没有必要了解很多的背景知识。（2）决策树的分类规则比较清晰，因为其分类原则是根据信息熵增益率的选择方法，该模型具有较强的可解释性，可以比较清楚地展现出各个属性指标的重要程度。（3）决策树稳定性比较高，其对于样本分类预测的精确度也比较高。（4）决策树比较适合处理规模大的数据，因为其计算量小，分类的效率高，并且建立模型的速度比较快。缺点：决策树在实际使用的过程中，如果数据样本属性很多，最终输出的结果很有可能是一个很大的决策树，如果数据样本不够均匀或者属性发生丢失，会导致最终输出的结果准确率变低，算法的效率也会变低。

神经网络是一种拥有较强学习能力、自适应性以及自组织性的智能化信息处理技术，其是对人脑加工信息过程的一种模仿，能够充分地发挥出计算机的快速运算能力，针对某一个问题不断地进行反馈，从而在很短的时间内发现优化解。神经网络已经成为信用评估领域中预测精确度很好的评估方法，该模型的类型比较多，至今为止已经有几十种，本文使用其中的一种：BP神经网络。该模型用于信用评估问题的原理是：首先对线性组合后的特征变量进行非线性变换;其次利用非线性变换以及循环性组合的方法充分逼近任意复杂的非线性关系。

神经网络的优点：（1）使用人工神经网络其中的反馈网络能够实现联想储存的功能。（2）神经网络具有能够快速的寻找到比较优化的解。（3）神经网络拥有一种自我学习的能力，就比如研究者想要对图片进行识别，事先可以把很多种不同类别的图片以及其对应的识别结果导入神经网络当中，该网络则会根据导入的内容慢慢地进行自学习，当再次导入需要识别的类似图片时该模型就能识别出来。缺点：模型有时会出现过度训练的情况，这在一定程度上会导致最终的预测结果并不是很好。

3 建立信用风险评估模型

3.1 样本来源及数据的选取

本文选取的财务数据均来自于RESSET数据库，选取了上海证券交易所700多家上市公司的2012年至2018年财务数据作为研究样本，其中包含上海证券交易所的所有ST和*ST公司，根据公司的股票是否被冠以ST的头衔，是否有退市预警，是否受到处罚以及公司的年度财务报告判断每个年度信用状况。对于正常运营的企业当数据缺失时则将其直接踢出，对于ST和*ST公司当数据缺失时则选择将其他年份平均值补充空缺的数据，主要是因为ST和*ST公司出现财务状况的年份较少，为了使最后训练和测试信用风险较差的企业结果比较准确，所以选择不直接剔除而是补充完整，通过多次筛选最终留下555家上市公司作为研究样本。

3.2 初选评估指标

通过阅读相关文献，从企业的每股指标、盈利能力、偿债能力、成长能力、营运能力以及资本结构等六个方面，一共选取了25个财务指标。通过每股指标可以看出企业的股票收益、营利情况以及市场波动情况，股票市场稳定股票收益高的企业自然是信用风险较低的企业;通过盈利能力可以看出企业获得利润的能力，获得利润的能力越强说明企业信用风险越低;通过偿债能力可以看出企业现金支付能力的大小，现金支付能力越强企业信用风险越低，该指标能够直观地反映企业的信用状况;通过成长能力可以看出企业是否具有发展空间，具有发展前景的企业信用风险会低一些;通过营运能力可以看出企业的经营状况，能够客观地表现出企业资产的使用效率和效益，越是经营稳定的企业其信用风险就越低;通过资本结构可以看出企业各种资本构成的比例关系，负债比例高的企业其信用风险也会高。具体指标的选取情况如表1所示。

3.3 财务指标降维处理

由于本文选取了555家上市公司2012年至2018年的财务数据，数据量足够庞大，如果输入到BP神经网络的变量过多就会导致该神经网络结构特别复杂，从而导致该网络训练以及测试的速度变慢。同样的道理，输入决策树的数据过多会导致该决策树的子节点过多，最后形成的树会过于庞大，训练和测试的速度也会下降。所以，本文将采取因子分析的方法对选取的财务指标进行降维处理，以获取更为有效的财务指标。通过KMO和Bartlett检验结果（如表2）可以看出，KMO的值为0.701，理论上该数值越接近1表示测试的变量之间相关性越强，当大于0.5时就适合进行因子分析;Bartlett检测结果为0.000，理论上该数值越接近0越适合进行因子分析。综上所述，本文选取的财务指标之间具有较强的相关性，比较适合通过因子分析来进行降维。

本文运用SPSS 21数据分析软件对选取的财务数据进行分析，采取最大方差法对因子进行旋转，发现可以提取8个公共因子，该公共因子的累计贡献率可达66.441%，提取的这8个公共因子基本上可以覆盖上市公司信用风险的绝大部分信息，通过具有 Kaiser 标准化的正交旋转法，旋转在5次迭代后收敛，最后得出的旋转成分矩阵如表3所示。公共因子D1命名为盈利能力因子，其在n6资产报酬率、n7资产净利率、n9销售净利率、n10息税前利润四个指标载荷量较大，分别为：0.857、0.858、0.932、0.927;公共因子D2命名为每股情况因子，其在n1每股收益、 n2每股净资产、n3每股营业利润、n4每股留存收益四个指标上载荷量较大，分别为：0.771、0.894、0.841、0.920;公共因子 D3命名为偿债能力因子，其在n11流动比率、n12速动比率、n13超速动比率三个指标载荷量比较大，分别为：0.956、0.968、0.944;公共因子D4命名为运营能力因子，其在n22流动资产周转率、n23总资产周转率两个指标载荷量较大，分别为：0.776、0.891;公共因子D5命名为资产流动能力因子，其在n15现金流动负债比、n25流动资产/总资产两个指标具有较大载荷量，分别为：0.519、0.842;公共因子D6命名为净资产收益及产权因子，其在n5净资产收益率、n14产权比例两个指标的载荷量较大，分别为：0.673、0.738;公共因子D7命名为成长能力因子，其在n17营业利润增长率、n18利润总额增长率、n19净利润增长率三个指标载荷量较大，分别为：0.643、0.555、0.559;公共因子D8命名为营业收入及存货周转能力因子，其在n16营业收入增长率、n20存货周转率两个指标载荷量较大，分别为：0.637、0.605。本文将选取的8个公共因子作为变量导入神经网络与决策树中。

3.4 模型构成及预测

3.4.1 CHAID决策树模型

3.4.1.1 决策树模型设计

本文采用的是CHAID决策树模型，该模型处理数据的基本原理：决策树的根节点就是因变量，文中分为信用状况较差（0）、信用状况良好（1）两个根节点，目标变量就是自我分层的树状结构，预测变量会依据卡方显著性的大小不停地生成子节点和父节点，越先形成的预测根节点其显著性就越高，程序会主动归集预测变量的不同类型，从而使其具有卡方显著性，当达到事先设定的树状水平数时该程序就会停止。文中将CHAID决策树模型最大深度设为3，采用拆分样本的方式进行验证，父节点中最小的个案数为100，子节点中最小的个案数为50。最后结果中的决策树节点数為12，终端节点数为8。CHAID决策树预测模型结构如图1所示。

3.4.1.2 决策树模型训练及检验

将上文已经进行降维处理的数据，8个公共因子作为分析样本导入SPSS 21软件当中，其中70%的部分用来作为训练基，训练CHAID决策树，30%的部分作为检测基用来对决策树上市公司的样本进行检测。如果判定的结果和初始的数据样本判定结果一致，则是正确的检出，如果判定的结果与初始样本数据判定的结果不一致，则是有误的检出。训练及检测结果如表4所示，通过训练基能够观察出本次上市公司信用风险评估模型整体训练准确率为96.3%，该准确率比较高基本上可以检测出信用风险较大的个案，其中对于信用状况较差预测正确率为59.5%，对于信用状况良好的预测准确率为99.1%。检测基的整体正确率为97.4%，其中对于信用状况较差的预测正确率为64.4%，对于信用状况良好的预测正确率为99.1%。无论是训练还是测试都可以看出对于信用状况良好的正确判断率高于信用状况较差的正确率，这其中除了一些系统上的误差，还有样本本身一些限制的原因，出现信用问题的企业比较少，信用状况较差的样本较少导致CHAID决策树无法得到充分的训练以及学习，从而影响到最后研究训练以及测试的准确率。

3.4.2 BP神经网络模型

3.4.2.1 神经网络模型设计

BP神经网络模型其主要组成部分分为三层：输入层、隐藏层以及输出层。当网络层次增加时可以在一定程度上降低误差，加强网络的表现力，然而过于庞大的网络结构也会使训练的时间变长。在一般情况下，三个层次的BP神经网络能够得到比较精确的结果，训练时间也适中，所以综合考虑之后，文中选取由一个输入层，一个隐藏层和一个输入层组成的BP神经网络模型。BP神经网络的预测模型结构如图2所示。

输入层设计：神经网络的输入的数据应该是全面描述我国上市公司信用风险的指标，上文已经通过因子分析法对信用风险的预测指标进行了筛选，不同信用风险财务指标形成不同的节点数从而对应不同的网络模型，上文筛选的20个信用风险财务指标的个数其实也就是输入节点的个数。因为评价体系当中数据单位不一致，所以为了使所有数据在系统中具有可比性，就在输入前对选取的指标数据进行标准化的处理。

隐藏层设计：隐藏层节点的本质作用就是将大样本数据当中存在的规律挖掘出来，同时把这种规律进行保存。当隐藏层的节点比较少的时候，有可能会导致神经网络从大样本数据当中挖掘的信息数据不能够体现以及概括其中的规律;然而当隐藏层的节点比较多时，神经网络容易把大样本数据当中本身不存在规律的东西记下来，从而导致最后网络的训练效率比较低，学习的时间过长，泛化的能力下降等。因此合适的隐藏节点数对于处理数据挖掘信息至关重要，本文在结合上市公司实际经营的情况，对数据进行多次训练后发现节点数为6时收敛速度最快，所以，最后本文确定的隐藏层节点数为6个，其激活函数为双曲正切函数（tansig函数）。

输出层设计：本文将上市公司的信用风险状况划分为信用3.5 模型结果比较

将CHAID决策树模型与BP神经网络对于上市公司信用风险评估结果进行比较，发现两者整体预测正确率水平也基本持平，CHAID决策树的平均预测正确率为96.85%，BP神经网络的平均预测正确率为97%，CHAID决策树比BP神经网络预测准确率低0.15个百分点，同时对信用状况良好的数据预测结果正确率也基本相当，CHAID决策树的平均预测正确率为99.1%，BP神经网络的平均预测正确率为98.55%，CHAID决策树比BP神经网络预测准确率高出0.55个百分点，但是对于信用状况较差的企业BP神经网络预测正确率明显高于CHAID决策树模型，CHAID决策树的平均预测正确率为61.95%，BP神经网络的平均预测正确率为74.5%，CHAID决策树比BP神经网络预测准确率低12.55个百分点，因此，从综合性能角度看BP神经网络模型对于上市公司信用风险评估比CHAID决策树更好。

4 结论

本文通过采用上交所555家上市公司2012年至2018年的财务数据，建立CHAID决策树以及BP神经网络模型成功地对上市公司信用风险进行评估，预测结果的综合正确率分别为：97.4%、97.3%，预测准确度比较高，能够为上市公司提供比较精确可靠的信息。通过比较分析，对于上市公司的信用风险评估中BP神经网络预测的准确度比CHAID决策树更高。使用计算机算法技术处理数据非常快捷方便，能够在一定程度上减少人为因素的影响，这种方法可以保障处理结果的真实性，减少运算过程中的误差，增加客观性，拥有动态跟踪比较的优势。文中建立的两种模型都能够成为评估上市公司信用风险状况的可靠依据和科学手段，有效的信用风险评估模型可以为投资者、银行以及金融机构提供巨大的帮助，在一定程度上减少他们面临的风险。

本文存在的不足之处：（1）在选取的555家公司当中信用风险状况较差的数据比较少，并且有些年份数据缺失，只是采用简单的平均值进行填补，从而导致信用风险状况较差的预测结果不够准确。（2）考虑到数据的可获得性，信用风险评估指标体系中只采用了财务风险指标，没有采用非财务风险指标。（3）导致上市公司的信用风险评估的因素会随着时间的变化而发生变化，在对财务指标选取完成后应该进行显著性分析，然而本文只进行了因子分析。（4）对于信用风险的评估可以采用决策树与神经网络两种模型建成组合模型，评估结果可能会更加有效，本文只是进行了简单的比较。在今后的研究当中，要加强完善不足的方面，为上市公司的信用风险评估提供重要参考。

主要参考文献

[1]Edward I. Altman. Financial Ratios， Discriminant Analysis and the Prediction of Corporate Bankruptcy[J]. Journal of Finance， 1968， 23（4）：589-609.

[2]范柏乃，朱文斌.中小企业信用评价指标的理论遴选与实证分析[J].科研管理，2003（6）：83-88.

[3]李海洪，王颖琦，郭俊祥，王永.信用风险管理理论与评价模型[J].山西财经大学学报，2010，32（z2）： 325-326.

[4]张新红，王瑞晓.我国上市公司信用风险预警研究[J].宏观经济研究，2011（1）：50-54.

[5]侯昊鵬.国内外企业信用评级指标体系研究的新关注[J].经济学家，2012（5）：88-97.

[6]胡心瀚，叶五一，缪柏其.上市公司信用风险分析模型中的变量选择[J].数理统计与管理，2012，31（6）：1117-1124.

[7]张景肖，魏秋萍，张波.信用评分模型中稀有事件特殊采样处理方法探讨[J].统计与信息论坛，2012，27（11）：15-19.

[8]霍海涛.高科技中小企业信用风险指标体系及其评价方法[J].北京理工大学学报：社会科学版，2012，14（1）：60-65.

[9]帅青红，方玲，匡远竞.基于决策树与Logistic的上市公司信用评估比较研究[J].西南民族大学学报：人文社会科学版，2013，34（5）：135-140.

[10]杨胜刚，朱琦，成程.个人信用评估组合模型的构建——基于决策树——神经网络的研究[J].金融论坛，2013，18（2）：57-61，67.

[11]邓晶，秦涛，黄珊.基于Logistic模型的我国上市公司信用风险预警研究[J].金融理论与实践，2013（2）：22-26.