摘 要

在深化科技体制改革，推动经济转型升级的大背景下，以资金驱动创新，以创新驱动发展，使有限的金融资源服务于优质的科技企业非常重要。解决这一问题的关键是加强对科技企业信贷风险的识别，降低由于科技创新不确定性导致的高信贷风险，使得大量的资金投入能够获得较高的社会效益。所以，开展针对科技企业信贷风险评价的研究具有重要意义。

本文着力于研究基于BP神经网络的科技企业信贷风险评价。首先,明确科技企业的融资困境和信贷风险，并分析论述了在科技企业信贷风险评价中应用BP神经网络的可行性；然后，借鉴前人研究成果并综合考虑科技企业的特殊性，建立信贷风险评价指标体系；最后，运用因子分析法完成指标筛选，获得各指标对整体信贷风险信息的贡献率并得到样本企业的初始信贷状况，利用MATLAB R2014a软件实现基于BP神经网络的科技企业信贷风险评价模型的构建，完成训练和测试。实证结果表明BP神经网络能够准确划分优良贷款和不良贷款，在对科技企业信贷风险的评价中表现出较高的准确性。

根据实证结果，本文从优化信贷风险模型、构建合理的评价指标体系以及充分考虑科技企业的特殊性三个方面提出建议，对完善科技企业信贷风险评价具有一定的现实意义。

关键词：科技企业；信贷风险评价；BP神经网络

Abstract

Under the background of deepening reform of scientific and technological system and promoting economic transformation and upgrading. To drive innovation with capital, and drive development with innovation, it is very important for the limited financial resources to serve the high-quality science and technology enterprises. The key to solving this problem is to strengthen the identification of credit risk of science and technology enterprises, reducing the high credit risk due to the uncertainty of scientific and technological innovation. which makes it possible for the large amount of capital investment can achieve higher social benefits. Therefore, it is of great significance to study the credit risk evaluation of science and technology enterprises.

This paper focuses on the credit risk assessment of science and technology enterprises based on BP neural network. First, clarify the financing dilemma and credit risk of technology enterprises and analyze the feasibility of applying BP neural network to credit risk assessment of science and technology enterprises. Then, based on the previous research results and the particularity of the science and technology enterprises, the credit risk evaluation index system is constructed. Finally, factor analysis is used to complete the index screening. At the same time, the contribution rate of each index to the overall credit risk information is obtained and the initial credit conditions of the sample enterprises are obtained. On this basis, MATLAB R2014a software is used to realize the construction of credit risk evaluation model based on BP neural network and the training and testing are completed. The empirical results show that BP neural network can accurately divide fine loans and bad loans and show high accuracy in the evaluation of credit risk of science and technology enterprises.

Based on the empirical results, this paper puts forward suggestions from three aspects: optimizing credit risk model, constructing reasonable evaluation index system and taking full consideration of the particularity of technology enterprises. It is of practical significance to optimize the credit risk evaluation of science and technology enterprises.

Key Words：science and technology enterprise; Credit risk assessment; BP neural network

目 录

摘 要 I

Abstract II

第1章 绪论 1

1.1 研究目的及意义 1

1.1.1 研究目的 1

1.1.2研究意义 1

1.2国内外研究综述 2

1.2.1国外研究综述 2

1.2.2国内研究综述 3

1.2.3国内外研究评述 3

1.3研究内容与研究方法 4

1.3.1研究内容 4

1.3.2研究方法 5

1.3.3技术路线 5

1.4研究创新 7

1.4.1评价指标体系构建方面 7

1.4.2评价指标筛选及权重确定方面 7

1.4.3企业初始信贷状况获取方面 7

1.4.4 BP神经网络模型构建方面 7

第2章 科技企业信贷风险评价的基础理论 8

2.1科技企业相关理论 8

2.1.1科技企业的含义及特征 8

2.1.2科技企业的融资困境 8

2.1.3科技企业的信贷风险 9

2.2 人工神经网络概述 10

2.2.1神经网络的概念及特征 10

2.2.2人工神经元模型 10

2.2.3人工神经网络的学习训练 12

2.2.4人工神经网络的分类和应用 13

2.3 BP神经网络理论概述 13

2.3.1 BP神经网络结构及算法 13

2.3.2 BP网络模型计算公式 14

2.3.3 BP神经网络用于信贷风险评价的可行性分析 16

第3章 科技企业信贷风险指标体系构建 18

3.1指标体系构建原则 18

3.2评价指标的选取 18

第4章 基于BP神经网络的实证分析 21

4.1 样本的设计 21

4.2 数据的处理 21

4.2.1数据归一 21

4.2.2 KMO 和Bartlett 球形检验 21

4.2.3因子分析 22

4.3 企业初始信贷状况评价 26

4.4 基于BP神经网络的训练及测试 29

4.4.1BP神经网络的训练 29

4.4.2BP神经网络的测试 31

第5章 完善科技企业信贷风险评价的建议 33

5.1借助BP神经网络优化评价模型 33

5.2构建合理的评价指标体系 33

5.3充分考虑科技企业的特殊性 34

第6章 总结与展望 35

6.1研究总结 35

6.2研究展望 35

参考文献 37

附录A 39

附录B 57

附录C 74

致 谢 79

第1章 绪论

1.1 研究目的及意义

1.1.1 研究目的

社会经济的发展离不开科技创新的带动和引领，近年来，各类科技企业如雨后春笋般成立，有效的促进了国家经济的转型升级。科技企业作为科技创新的载体，要顺利实现孵化，走向发展和成熟，需要充足的金融资源的注入。为了助力科研成果资本化和产业化，国家全面部署科技体制改革，以创新驱动发展，推出系列改革举措，其中2015年9月颁布的《深化科技体制改革实施方案》明确指出要打通科技创新与经济社会发展通道，推动科技金融的发展^[1]。

科技金融是为实现科技创新活动与金融资源配置相互融合、相互促进而进行的一系列系统的制度安排，对创新型国家的建立有着重要意义^[2]。我国目前资本供给的渠道以银行信贷为主，科技企业的快速发展促使信贷业务增加，对银行的发展也提出了要求。对此，在政府的推动下，银行类金融机构创新服务模式，成立了科技银行，目前多为商业银行的支行，专为科技企业量身定制，为其提供发展所需的信贷资金 ^[3]。

科技银行从一定程度上推动了科技与金融的融合，缓解了科技企业特别是科技中小企业的融资困境。但由于科技企业不同于一般企业，普遍存在商业模式不成熟、轻资产缺乏抵押担保、科技成果转化不确定等问题，导致科技银行面临巨大的信贷风险。科技银行作为科技金融的产物，既要支持科技企业发展又要保障信贷资金的安全，维持金融市场的稳定。在二者之间寻找平衡的关键是加强对科技企业的信贷风险评价，识别出优质企业，尽可能的在事前降低信贷风险。国内外现有的关于信贷风险评价的理论研究大多局限于普通商业银行，专门针对科技银行、科技企业的信贷风险研究较少，本文将引入BP神经网络模型，构建针对科技型企业的信贷风险评价指标体系，以期为科技银行甄别出信用等级高、市场前景好的科技企业提供借鉴，从而提高信贷审批效率，降低信贷风险，将有限的金融资源流向优质的科技项目，促进科技金融的发展。

1.1.2研究意义

（1）理论意义

我国科技银行信贷业务虽然发展迅速，但仍然处于初步探索阶段，国内现有的理论主要停留在对科技银行定义、科技信贷现状、以及如何创新科技信贷发展模式的研究上。同时，银行信贷风险评价的理论研究缺乏针对性，无法很好的适应科技企业对资金的需求，所以本文的研究不仅仅对于科技企业信贷风险评价研究理论的发展具有重要意义，同时对于BP神经网络的应用研究也具有一定意义。

（2）现实意义

本文在针对科技企业的信贷风险评价中引入了具有强大自学习和自适应能力的BP神经网络模型实现对科技企业信用等级的分类评价，为科技银行甄别出优质的科技企业，降低科技信贷业务的风险，从而解决科技企业融资难的困境，促进科技金融健康发展提供借鉴意义。

1.2国内外研究综述

1.2.1国外研究综述

20世纪70年代之前，传统的信贷风险评价依靠的是经验和感觉，以定性分析为主，如德尔菲法(Delphi Method)、5C信用评价法（Character、Capacity、Capital、Collateral和Condition）等都是由信贷风险度量领域的专家根据经验，对企业的信用质量进行评价。传统的信贷风险评价过程漫长且主观性强，缺乏系统性与准确性^[4]。70年代以来，随着信贷环境的不断变化，国外的学者研究出了一系列基于数学技术的信贷风险评价模型，在定性分析的基础上加入定量分析，能够更为精确地测量信用状况。

Myers and Forgy (1963) 的研究中通过实证分析，证明了判别分析法在信贷评分特定领域内的应用^[5]。在总结前者的研究及成果后，1968年，Altman创造性的提出了Z-score 判别分析模型，选取五种财务比率计算得到Z指数，用于公司财务预警，从而为贷款决策提供参考^[6]。

Orgler (1970) 在信用评分中首次引入回归分析法，目前logistic回归被广泛的用于信用评分中 ^[7]。Wiginton (1980) 在研究信用评分时对判别分析法和logistic回归模型进行了对比，最后证明logistic回归模型更优^[8]。

从80年代开始，人工智能（AI）技术越来越多地用于预测违约率和识别客户风险类别。Davis (1992) 简单的比较了神经网络与其他研究方法在信用评估中的效果，之后Rosenberg and Gleit (1994) 从应用层面讨论了神经网络在信贷决策中的作用^[5]。West David（2000）在信贷评价研究中提出五种神经网络模型：多层感知器（multiplayer perceptron）、专家混合系统（mixture-of-experts）、径向基函数（radial basis function）、学习矢量化（learning vector quantization）、模糊自适应共振（fuzzy adaptive resonance）^[4]。Maximilian（2009）将违约率的预测和人工神经网络方法相结合，预测印尼伊斯兰银行的违约率^[9]。Cimpoeru and Smaranda Stoenescu（2011）将神经网络应用于信用风险评估，并通过对罗马尼亚中小企业信用风险的评估证明神经网络优于逻辑回归^[10]。

1.2.2国内研究综述

针对科技企业的信贷风险评价，我国学者的研究主要进行到评价指标体系的构建的探索阶段。虽然对总体风险评价模型的研究各有特点，既有逻辑分析模型，又有模糊分析模型，但大多从商业银行的角度出发，对一般性的企业进行信贷评价，缺乏对科技银行、科技企业的针对性研究。

（1）指标体系的建立

在具体指标的选取方面，赵昌文等（2009）提出评价高新技术企业信用状况的七要素，并筛选出17个定量指标和3个定性指标^[11]。汪泉和曹阳（2014）详细分析科技企业信贷风险特点，提出 “SPECAIL”信用评价法对科技金融的信用风险进行识别、度量与控制 ^[12]。孙黎康和张目（2016）研究了科技企业采用银行信贷与风险投资相结合的融资方式时信贷风险来源会有何变化，并建立了适合这一融资模式的信贷风险评价指标体系^[13]。

在确定指标权重方面，赵成国等（2015）在研究中通过层次分析法来确定指标体系中各指标的权重^[14]。吴敬茹（2016）证明了应用模糊层次分析法和德尔菲法计算评价指标体系中各指标的权重的有效性 ^[15]。于闯（2017）在评价城市商业银行信贷风险时运用因子分析法实现了指标的筛选，同时得到信贷风险的综合得分^[16]。

(2)评价模型的选取

郭文伟和陈泽鹏（2012）在研究中运用Mixed -logistic 法对企业的信贷风险进行评价，证明 Mixed -logistic信用风险评价模型的有效性^[17]。薛锋和柯孔林（2008）认为粗糙集-神经网络系统在对企业的信贷风险进行预测时表现出优于logistic回归模型的精度，可以实现更好的分类^[18]。叶钱（2009）利用81家上市公司的财务数据进行实证分析，证明了人工神经网络的分类功能对客户资信评估提供了很好的支持^[19]。张宏民（2014）将神经网络和专家系统相结合，建立了信用风险评价模型，并证明其具有较迅速的风险响应能力^[20]。冯贵艳（2016）将GA-BP神经网络作为信用评价方法，建立了针对建筑企业的信用评价模型，并对该模型的实用性和科学性进行了验证^[21]。朱优（2016）在研究中构建了基于逻辑回归和人工神经网络的两阶段混合模型，预测中国中小企业在供应链融资中的信贷风险，并证明了该模型具有很好的分类能力^[22]。

1.2.3国内外研究评述

通过梳理国内外相关文献，可以看出，国外学者经过对信贷风险评价的大量深入研究，已经形成了较为完备的信贷风险评价理论体系。其中基于数学技术的信贷风险评价模型不断发展，从最初的判别分析模型、logit回归分析模型，再到决策树法，再到人工神经网络，为实践中控制信贷风险提供了理论依据。通过对其方法和技术的学习和借鉴，对我国防范信贷风险的研究大有帮助。

我国对信贷风险评价领域的研究要晚于国外，其中关于科技企业信贷风险的研究主要是从指标体系的建立方面展开。在指标体系的确定方面，用到了因素分析法，在指标权值的确定方面利用了层析分析法、德尔菲法、因子分析法等。在总体信贷风险评价模型的选择上，虽然已经验证了人工神经网络的应用有效性，但主要针对商业银行与普通企业，对于科技银行与科技企业缺乏普适性。通常，初创型科技企业规模比较小，数据信息的搜集较为困难，可能导致数据集不完整，影响实证效果，而神经网络有较高的容错率，可以实现对残缺数据的处理。并且与传统分析方法相比，神经网络不需要对非线性关系进行分类，为建模和分析提供了便利。

根据国内外研究成果和科技企业实际情况，本文构建了符合科技企业特性的信贷风险评价指标体系，并运用BP神经网络对科技企业信贷风险评价进行研究。

1.3研究内容与研究方法