CN115907937A

CN115907937A - 基于神经网络的供应链金融风险监控方法及系统

Info

Publication number: CN115907937A
Application number: CN202211445142.XA
Authority: CN
Inventors: 赵京; 谭凤宜; 陈少清; 楼兴兵
Original assignee: Guangdong Haishuyun Electronic Technology Co ltd
Current assignee: Guangdong Haishuyun Electronic Technology Co ltd
Priority date: 2022-11-18
Filing date: 2022-11-18
Publication date: 2023-04-04

Abstract

本方案公开了一种基于神经网络的供应链金融风险监控方法及系统，包括训练好的支持向量机和神经网络，金融风险监控方法，包括，S1.获取目标企业的多维数据条；S2.由训练好的支持向量机对多维数据条分类；S3.将分类结果和多维数据条输入训练好的神经网络；S4.由神经网络基于多维数据条及其分类结果预测风险等级并输出。本方案基于影响金融风险因素众多，且训练数据有限的背景，提出针对性的解决方案，不仅将影响金融风险的众多因素均作为风险预测依据，而且能够在影响因素众多而训练数据有限的情况下确保神经网络具有较好的训练效果，用于解决供应链链上企业的金融风险监控难题，为企业的良性健康发展提供有力的监控手段。

Description

基于神经网络的供应链金融风险监控方法及系统

技术领域

本发明属于金融风险监控技术领域，尤其是涉及一种基于神经网络的供应链金融风险监控方法及系统。

背景技术

金融风险监控是指对企业的金融风险进行监控，主要用于供应链企业。供应链是指围绕核心企业，从配套零件开始，制成中间产品以及最终产品，最后由销售网络把产品送到消费者手中的，将供应商、制造商、分销商直到最终用户连成一个整体的功能网链结构。

在供应链背景下，链上企业的金融风险不仅受自身风险因素的影响，同时还受供应链因素的影响，为确保企业的良性健康发展，需要对供应链金融风险进行管控。但是目前并没有有效的监控手段提供，每个企业对自己的下游企业或上游企业的风险评估只能依靠一些外部数据，无法做出较为准确的判断，而且评估过程也是间断性的，被动的，无法做到持续性的自动监控，这就增加了供应链企业的潜在风险。此外，银行在向供应链企业发放贷款时也会需要对贷款企业的金融风险进行评估，但是目前，银行只是在放款之前对企业进行一些简单地审核，放款之后更是无法实现对贷款企业进行有效实时的金融风险监控，常常出现因审核不全，监控不力导致烂账的情况，

综上，由于供应链金融风险监控的必要性，如何对企业的金融风险进行高效且准确地监控，成为链上企业亟需解决的技术问题。

使用神经网络进行预测是一个很好的思路。当数据样本的维度较低时，如一维二维，能够使用较少的训练数据训练神经网络的预测能力，但是实际情况是，影响供应链金融风险的因素众多，各个因素之间又存在着相互制约的关系，且各个因素与供应链金融风险之间的关系又存在着差异，若一个数据样本只有一维或两维，如只有销售数据、采购数据，这样的训练数据显然是不够具有代表性的，最终训练得到的神经网络的预测能力将十分有限。如前面所说，影响供应链金融风险的因素很多，训练数据的维度越高，即每条训练数据包含的因素越多，神经网络越能够学习到更多的细节，最终的神经网络也将有更好的预测能力。但是，有一个矛盾点，每条训练数据包含的因素越多，训练神经网络所需要的样本集就越多，否则神经网络同样难以学习到足够的知识。但是，在实际应用时是很难得到足够的训练数据的，也就是说，用于训练神经网络的训练数据量不足以使其训练至较好的预测能力。由于前述的一些原因，神经网络在供应链金融风险监控领域的应用一直没有被推行。

发明内容

本发明的目的是针对上述问题，提供一种基于神经网络算法的供应链金融风险监控方法及系统，用于解决供应链链上企业的金融风险监控难题，为企业的良性健康发展提供有力的监控手段。

为达到上述目的，本发明采用了下列技术方案：

一种基于神经网络算法的供应链金融风险监控方法，基于神经网络的供应链金融风险监控方法，包括训练好的支持向量机和神经网络，金融风险监控方法包括：

S1.获取目标企业的多维数据条；

S2.由训练好的支持向量机对多维数据条分类；

S3.将分类结果和所述的多维数据条输入训练好的神经网络；

S4.由所述的神经网络基于多维数据条及其分类结果预测风险等级并输出。

在上述的基于神经网络的供应链金融风险监控方法中，所述的支持向量机通过带类别标签的多维数据条进行训练使其具备对多维数据条进行分类的能力；

所述的神经网络通过具备类别标签和样本标签的多维数据条进行训练使其具备基于带特征的多维数据条进行风险预测的能力；

类别标签用于表示对应多维数据条的特征类别，样本标签用于表示对应多维数据条的风险等级。

在上述的基于神经网络的供应链金融风险监控方法中，训练过程中，先使用带类别标签的多维数据条训练支持向量机；

然后使用训练后的支持向量机对未携带类别标签的多维数据条进行分类使其携带类别特征；

使用携带类别特征/类别标签和样本标签的多维数据条训练神经网络；

所述多维数据条的类别标签和样本标签由人工提前标注。

在上述的基于神经网络的供应链金融风险监控方法中，所述的多维数据条包括N个能力维度的n个指标数据。

在上述的基于神经网络的供应链金融风险监控方法中，用于实现本金融风险监控方法的系统通过数据采集器连接于目标企业的内部系统，从内部系统中获取企业数据，并通过金融计算公式基于企业数据得到所述N个能力维度的n个指标数据。

在上述的基于神经网络的供应链金融风险监控方法中，所述的多维数据条包括发展能力、偿债能力、盈利能力、营运能力四个能力维度；

偿债能力维度包括流动比率X1、资产负债率X2两个指标数据；

盈利能力维度包括主营业务毛利率X3、资产净利率X4、净资产收益率X5三个指标数据

营运能力维度包括应收款项周转率X6、总资产周转率X7、总资产增长率X8三个指标数据；

发展能力维度包括三年利润平均增长率X9、销售收入增长率X10两个指标数据。

在上述的基于神经网络的供应链金融风险监控方法中，所述的支持向量机采用多分类算法；

用于训练支持向量机的多维数据条训练集通过类别标签被划分为多个类别。

在上述的基于神经网络的供应链金融风险监控方法中，用于训练支持向量机的训练数据集的类别标签包括A、B、C、D、E五类；人工事先对训练数据集各多维数据条标注类别标签的规则为：

任意一类能力低于相应阈值时将相应的多维数据条标注为A类；

任意两类能力低于相应的阈值时将相应的多维数据条标注为B类；

任意三类能力低于相应的阈值时将相应的多维数据条标注为C类

四类能力均低于相应的阈值时将相应的多维数据条标注为D类；

所有能力均在相应阈值之上时，将相应的多维数据条标注为E类。

在上述的基于神经网络的供应链金融风险监控方法中，所述的神经网络包括输入层、隐藏层和输出层，且所述的输入层具有n个神经元，每个指标数据对应一个神经元；

所述输出层具有m个神经元，每个神经元对应一个神经网络预测的风险等级；

所述的隐含层的神经元个数通过如下方式确定：

p＝log2m(2)；

a为[1,10]之间的任意常数，取上述三个公式中p最小的值向下取整为隐含层的神经元个数。

一种基于神经网络的供应链金融风险监控系统，用于执行上述供应链金融风险监控方法，且本系统通过数据采集器连接于目标企业的内部系统，以从内部系统中提取企业数据，并通过金融计算公式基于企业数据得到由n个指标数据构成的多维数据条，基于得到的多维数据条输出预测的风险等级。

本发明的优点在于：

(1)基于影响金融风险因素众多，且训练数据有限的背景，提出针对性的解决方案，不仅将影响金融风险的众多因素均作为风险预测依据，而且能够在影响因素众多而训练数据有限的情况下确保神经网络具有较好的训练效果，进而能够保证供应链企业金融风险监控的准确性；

(2)本方案提供的系统对接企业的内部系统，基于企业内部系统的企业数据进行风险预测，能够跟随企业数据的更新频率输出风险预测结果，也就是说能够持续不间断地、自动地对目标企业的金融风险进行评估，使用户能够及时掌握目标企业的金融风险状态，为用户的商业决策金融决策提供参考依据，帮助用户处于一个健康且良性发展的商业环境中，有效避免不必要的损失。

附图说明

图1为本发明基于神经网络的供应链金融风险监控方法的方法流程图；

图2为本发明基于神经网络的供应链金融风险监控方法中神经网网络的训练流程图；

图3为本发明基于神经网络的供应链金融风险监控系统与企业内部系统的连接示意以及基于企业数据的风险等级预测过程图；

图4为本发明基于神经网络的供应链金融风险监控方法中多分类算法支持向量机的分类示意图；

图5为本发明基于神经网络的供应链金融风险监控方法提供的混合支持向量机的神经网络与单独神经网络进行训练的训练对比图。

具体实施方式

下面结合附图和具体实施方式对本发明做进一步详细的说明。

如图1所示，本方案提供了一种基于神经网络的供应链金融风险监控方法，包括训练好的支持向量机和神经网络，该方法包括：

S1.获取目标企业的多维数据条；

S2.由训练好的支持向量机对多维数据条分类；

S3.将分类结果和多维数据条输入训练好的神经网络；

S4.由神经网络基于多维数据条及其分类结果预测风险等级并输出。

这里的神经网络可以是LSTM、BI-LSTM、RNN、BP等神经网络，本实施例以BP神经网络为例，包括输入层、隐含层和输出层，输入层、隐含层以及输出层中神经元的数量以及隐含层的层数，决定了BP神经网络的基础构造。本实施例中，输入层中神经元的数量m与指标个数一致，后面将提到本实施例的指标数为10个，所以输入层神经元的个数确定为10个，每个指标数据对应一个神经元。输出层具有m个神经元，每个神经元对应一个神经网络预测的风险等级；隐含层的神经元个数通过如下方式确定：

p＝log2m(2)；

a为[1,10]之间的任意常数，取上述三个公式中p最小的值向下取整为隐含层的神经元个数。具体的训练过程与现有技术一致，如参数传递、基于损失函数、样本标签与预测结果的偏差更新权值、阈值更新等，具体不在此赘述。

进一步地，本实施例将供应链企业的抗风险能力划分为五个等级，所以输出层m＝5。

第一等级：F分值位于(2.30，3.14)区间，表示公司的经营抗风险能力较强，经营抗风险能力较强对应的向量表示为(1，0，0，0，0)，若公司具有足够的资本满足经营抗风险需求，那么，也就表示供应量金融风险低。

第二等级：F分值位于(1.10，1.72)区间，表示公司资本状况能满足经营抗风险需求，公司资本状况能满足经营抗风险需求对应的向量表示为(0，1，0，0，0)，若公司资本状况能满足经营抗风险需求，那么，也就表示供应量金融风险较低。

第三等级：F分值位于(-0.32，0.09)区间，表示公司资本状况能满足一般的经营抗风险需求，公司资本状况能满足一般的经营抗风险需求对应的向量表示为(0，0，1，0，0)，若公司资本状况能满足一般的经营抗风险需求，那么，也就表示供应量金融风险中等。

第四等级：F分值位于(-1.14，-0.72)区间，表示公司资本状况只能满足必须的经营抗风险需求，公司资本状况只能满足必须的经营抗风险需求对应的向量表示为(0，0，0，1，0)，若公司资本状况只能满足必须的经营抗风险需求，那么也就表示供应量金融风险较高，公司应该采取有效行动应对。

第五等级：F分值位于(-3.23，-1.76)区间，表示公司经营抗风险能力弱，公司经营抗风险能力较弱对应的向量表示为(0，0,0，0，1)，若公司经营抗风险能力弱，那么也就表示供应量金融风险高，公司面临经营抗风险能力危机。

具体地，支持向量机和神经网络的训练过程如下：

首先由人工对训练数据集的所有多维数据条分别标注样本标签，对训练数据集的所有多维数据条分别标注类别标签，或者只对其中部分的多维数据条标注类别标签，类别标签标注数量以能够足够训练支持向量机具备分类能力为准。类别标签用于表示对应多维数据条的特征类别，样本标签用于表示对应多维数据条的风险等级。

支持向量机通过带类别标签的多维数据条进行训练使其具备对多维数据条进行分类的能力，支持向量机是一种现有的有监督分类方法，关于其结构以及具体如何实现分类不在此处赘述；神经网络通过具备类别标签和样本标签的多维数据条进行训练使其具备基于带特征的多维数据条进行风险预测的能力。

当训练数据集仅部分被标注类别标签时。先使用带类别标签的多维数据条训练支持向量机得到训练后的支持向量机，然后如图2所示，使用训练后的支持向量机对未携带类别标签的多维数据条进行分类使其携带类别特征，类别特征就是支持向量机对多维数据条预测的类别标签。此时训练数据集的所有多维数据条均具备特征，或者说具备类别标签。最后使用具备特征的训练数据集训练神经网络。

同时标注类别标签和样本标签的训练数据可同时被用于训练支持向量机和神经网络，仅标注样本标签的训练数据，通过支持向量机为其分类以后可用于神经网络的训练。

本领域技术人员应当知道，用于训练的训练数据集的每个多维数据条与在本方案投入使用时获取的多维数据条是一样的结构，只是投入使用时的多维数据条没有标签，类别由训练好的支持向量机预测，风险等级由训练好的神经网络基于支持向量机预测的类别和多维数据条本身预测。

进一步地，如图3所示，本实施例中，多维数据条包括四个能力维度的10个指标数据：

偿债能力：流动比率X1(正相关)、资产负债率X2(负相关)；

盈利能力：主营业务毛利率X3(正相关)、资产净利率X4(正相关)、净资产收益率X5(正相关)；

营运能力：应收款项周转率X6(正相关)、总资产周转率X7(正相关)、总资产增长率X8(正相关)；

发展能力：三年利润平均增长率X9(正相关)、销售收入增长率X10(正相关)。

关于正相关和负相关的含义为常规含义，不做解释说明。

且用于实现本金融风险监控方法的系统通过数据采集器连接于目标企业的内部系统，从内部系统中获取企业数据，并通过金融计算公式基于企业数据得到所述N个能力维度的n个指标数据。可以连接目标企业的ERP系统、wms系统、CRM系统等。ERP系统是一种企业管理软件，用于管理企业的各种资源，涉及各方面的知识，如财务知识、生产管理、质量管理、物流管理、供应链管理等，wms系统是一个物料管理系统，CRM系统是一个客户关系管理系统。从企业的内部系统中提取物料数据、能力数据、库存数据、销售数据、采购数据、生产数据、财务数据、人力资源数据、以及税务数据、元器件数据：元器件种类、元器件型号、元器件销量、元器件价格等等。

本实施例所使用的十个指标数据均为常见指标数据，本领域技术人员应当知道如何根据企业数据得到该十个指标数据，如流动比率X1指流动资产总额和流动负债总额之比，提取流动资产总额和流动负债总额或相关数据即可得到流动比率X1，具体不在此赘述。本方案的特点在于使本系统通过数据采集器连接企业的内部系统，能够在企业数据有更新的情况下及时更新预测结果，即本方案实现的是实时的，流线型的金融风险监控，能够在监测到风险时及时向银行或其他监控端报告。本系统可以用于供应链企业对上下游企业的金融风险监控，也可用于银行贷款业务，用于放款之前以及放款之后对贷款企业进行金融风险监控。

本方案针对背景技术所提到的问题，首先对采集到的数据进行处理，利用已有的金融计算方式，将采集到的数据转换为常见的指标，通过有限的指标表征大量的企业数据，如本实施例中基于从ERP系统等企业系统中采集到的数据转换得到10个指标数据。其次，本方案利用支持向量机的分类能力，搭配使用支持向量机和神经网络，利用支持向量机只需少量训练数据就能够达到较好分类效果的特点，为用于神经网络基于风险等级预测的多维数据条使用训练后的支持向量机进行分类，然后再输入带有类别特征的多维数据条至神经网络，神经网络直接继承支持向量机对多维数据条的分类结果，免去了神经网络学习这一部分的训练步骤，从而能够使用更少的悬恋数据集达到更好的训练效果。即本方案通过前述指标数据的整理和神经网络与支持向量机的联合使用，既能够实现基于多维度数据条的风险预测，又能够在有限的训练数据下得到基于多维数据条的较好的预测能力，能够实现考虑众多影响因素的前提下使用更少的训练数据达到更好训练效果的目的，克服了影响供应链金融风险因素众多，而训练数据的取得又十分困难导致现有训练数据难以训练到理想的神经网络的现状难题。

在一个实施例中，此处使用的支持向量机可以为二分类支持向量机。

在另一个实施例中，此处使用的支持向量机采用多分类算法支持向量机，此时，用于训练支持向量机的多维数据条训练集通过类别标签被划分为多个类别。

假设，想要将训练数据集分成Y类，那么，此时的支持向量机中需构造Y(Y-1)/2个二分类器，例如：N为4，分别A类、B类、C类和D类，则构造的二分类器包括AB二分类器(即，是指将训练数据分为A类或B类)、AC二分类器、AD二分类器、BC二分类器、BD二分类器和CD二分类器。

之后，将各条训练数据分别输入至各个二分类器内，得到各个二分类器输出的分类结果，哪一分类结果的票数最高，则该条训练数据属于哪一类，具有哪一类的特征。

例如：某一个条训练数据被AB二分类器分为A类，被AC二分类器分为C类、被AD二分类分为D类，被BC二分类器分为C类、被BD二分类器分为D类、被CD二分类器分为C类，C类的票数为3票，是最高的，故，该条训练数据属于C类。

具体地，本方案采用多分类算法支持向量机，如图4所示，用于训练支持向量机的训练数据集的类别标签包括A、B、C、D、E五类；人工事先对训练数据集各多维数据条标注类别标签的规则为：

各能力维度的相应阈值由本领域技术人员根据实际情况确定，不在此限定。各能力维度的能力值根据相应的指标数据确定，如偿债能力值根据流动比率和资产负债率确定，假设当流动比率X1小于50％时赋0，小于1％时赋-1，50％-100％时赋+0.5，大于100％时赋1，大于200％时赋2，如此等等，当资产负债率X2大于或等于100％时赋-1，大于或等于200％时赋-2，当资产负债率X2位于50％-100％时赋-0.5，如此等等，将两个赋值相加即偿债能力值。具体各能力值的计算规则由本领域技术人员根据行业特点等实际情况确定。

将数据分为五类，首先相对于两类、三类能够提高特征提取的准确性和多样性，能够更好地改善BP神经网络的训练效果。其次将数据按照能力维度的特征进行分类，分类简单易于支持向量机学习，同时由于分类方式本身契合元器件供应链领域金融风险的规律，所以能够保证其利于神经网络的训练。即通过使用由多个能力维度构成的多维数据条，按照能力维度的特征进行类别划分，能够进一步在保证训练有效性的前提下使用更少量训练数据。

图5为配合支持向量机的神经网络和单独的神经网络进行训练的对比图。对比所使用的支持向量机为多分类算法支持向量机，训练支持向量机的数据集的类别标签为上述五种类别标签，两个神经网络的训练数据集每条多维数据条均由上述十个指标数据构成。训练混合支持向量机的神经网络的训练数据集是训练单独神经网络的训练数据集中的一部分，训练混合支持向量机的神经网络的训练数据集中部分数据具有类别标签，然后分别将两组训练数据集分别输入混合支持向量机的神经网络和单独神经网络。最终的训练对比结果如图5所示，从图中可以看到，本方案方法能够在更小的数据量下实现更好的训练结果和训练速度，在影响因素多维，且训练数据比较难获取的供应链企业金融风险监控领域具有较大的应用意义和商业价值。

此外，本系统在提取到企业数据后，首先对企业数据进行包括无效值的修正，缺失值的估算以及重复数据的去除等数据清洗处理，然后基于企业数据获取各指标数据。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims

1.一种基于神经网络的供应链金融风险监控方法，其特征在于，包括训练好的支持向量机和神经网络，金融风险监控方法包括：

S1.获取目标企业的多维数据条；

S2.由训练好的支持向量机对多维数据条分类；

S3.将分类结果和所述的多维数据条输入训练好的神经网络；

2.根据权利要求1所述的基于神经网络的供应链金融风险监控方法，其特征在于，所述的支持向量机通过带类别标签的多维数据条进行训练使其具备对多维数据条进行分类的能力；

3.根据权利要求2所述的基于神经网络的供应链金融风险监控方法，其特征在于，训练过程中，先使用带类别标签的多维数据条训练支持向量机；

所述多维数据条的类别标签和样本标签由人工提前标注。

4.根据权利要求1所述的基于神经网络的供应链金融风险监控方法，其特征在于，所述的多维数据条包括N个能力维度的n个指标数据。

5.根据权利要求4所述的基于神经网络的供应链金融风险监控方法，其特征在于，用于实现本金融风险监控方法的系统通过数据采集器连接于目标企业的内部系统，从内部系统中获取企业数据，并通过金融计算公式基于企业数据得到所述N个能力维度的n个指标数据。

6.根据权利要求4所述的基于神经网络的供应链金融风险监控方法，其特征在于，所述的多维数据条包括发展能力、偿债能力、盈利能力、营运能力四个能力维度；

偿债能力维度包括流动比率X1、资产负债率X2两个指标数据；

7.根据权利要求6所述的基于神经网络的供应链金融风险监控方法，其特征在于，所述的支持向量机采用多分类算法；

8.根据权利要求7所述的基于神经网络的供应链金融风险监控方法，其特征在于，用于训练支持向量机的训练数据集的类别标签包括A、B、C、D、E五类；人工事先对训练数据集各多维数据条标注类别标签的规则为：

9.根据权利要求1所述的基于神经网络的供应链金融风险监控方法，其特征在于，所述的神经网络包括输入层、隐藏层和输出层，且所述的输入层具有n个神经元，每个指标数据对应一个神经元；

所述的隐含层的神经元个数通过如下方式确定：

10.一种基于神经网络的供应链金融风险监控系统，其特征在于，用于执行权利要求1-9任意一项所述的供应链金融风险监控方法，且本系统通过数据采集器连接于目标企业的内部系统，以从内部系统中提取企业数据，并通过金融计算公式基于企业数据得到由n个指标数据构成的多维数据条，基于得到的多维数据条输出预测的风险等级。