基于BP神经网络的绿色信贷风险评价
来源:用户上传
作者:
摘 要：时代进步，在带来经济突飞猛进发展的同时，也带来了物质文明建设与生态文明建设辩证统一关系的严肃课题。近年来，要求将环境保护融入到企业生产的源头——金融信贷的呼声越来越高，开展绿色信贷，确实可以鼓励低碳环保企业蓬勃发展，同时也能够遏制“两高一剩”行业对可持续发展的破坏。积极开展对商业银行绿色信贷风险进行评价，选择适合地方的风险评估体系尤为重要。
关键词：山东省;商业银行;绿色信贷;风险评价;BP神经网络
基金项目：本文系山东省重点研发计划（软科学）项目《山东省银行机构绿色信贷风险评价研究》（2019RKA06018）研究的阶段性成果。
一、山东省银行机构绿色信贷风险概述
绿色信贷是在赤道原则的支持下产生发展的，受到可持续金融理论、企业社会责任理论和银行环境风险管理理论的指导。
（一）绿色信贷风险
绿色信贷风险是指银行遇到的贷款无法收回的风险，根据产生的原因不同，分为环境风险和财务风险。环境风险是由于企业生产不合乎环境要求导致损失，进而影响还贷的风险，也是绿色信贷研究的主要风险;财务风险，是由于贷款企业经营不善导致的无法按期归还贷款的风险。
（二）绿色信贷风险评价方法
1、BP神经网络
BP 神经网络是 Matlab 软件的一个重要模块，网络由输入层、隐含层与输出层共同构成。本文选用的是输入层、输出层和单隐含层的三层感知器，将模型中的指标作为输入层，设置神经网络的各项具体参数，对绿色信贷风险神经网络进行学习训练;根据测试结果对绿色信贷风险评价初步模型进行调整，得出确定的评价指标体系。
2、层次分析法
构建一级指标判断矩阵，对责任管理风险的二级指标进行系数赋值，通过指标非量纲的归一化处理，计算其在风险构成中的权重，并结合相关文献和专家打分对50家上市公司评价指标的表现情况进行打分，得出其责任管理风险的最终得分。
3、因子分析法
纳入财务风险，评价企业绿色信贷综合风险水平，建立初步的评价模型，并借鉴“3σ”法则对50家上市公司进行绿色信贷风险打分和评价。
二、基于BP神经网络的山东省绿色信贷风险评价指标体系的构建
（一）指标体系选取
指标选取严格遵循全面系统性、科学合规性、可操作性以及实用性原则。
环境风险指标体系采用定性分析的方法，选取企业内部环境管理、环境守法情况、与外部沟通状况和环境状态作为一级指标。二级指标的设计如下：企业内部环境管理的二级指标包括环保技术创新水平、三废防治和噪音污染三项;环境守法的二级指标包括法律法规的遵守、生产人员综合素质和环境教育培训情况;企业与外部沟通状况的二级指标包含了环境报告的发布、环境事故的发生数和赞助社会环保经费;环境状态的二级指标则采用了对全球环境的影响、对社会的影响。
财务风险指标体系选取的一级指标包括企业的盈利能力、营运能力、成长能力和偿债能力。描述盈利能力的二级指标采用总资产利润率和销售净利率。描述营运能力的二级指标采用的是流动资金周转率、总资金周转率和股东权益周转率。描述成长能力的二级指标选取了主营业务收入增长率和总资产增长率。描述偿债能力的指标是常用的流动比率、速动比率和资产负债率。
（二）绿色信贷风险的等级划分
本文对于绿色信贷风险等级的划分，参照了中国人民银行《贷款风险分类指导原则》，即信贷风险分为正常类、关注类、次级类、可疑类和损失类五大类。
三、基于BP神经网络山东省银行机构绿色信贷风险评价的实证分析
（一）样本数据选取
按照全面性、层次性和重点性原则，本文选取山东省重污染和高耗能的20家上市公司作为统计对象，采取其2019年的数据指标为样本，进行分析。
（二）环境风险指标体系分析
该部分我们以企业内部环境管理B1为例做出说明，B2、B3分析过程与B1一致，由于B4只包含两个指标，因此不存在一致性检验问题。
首先，运用层次分析法，根据专家意见，构建一级指标，并根据判断矩阵计算准则层指标权重，结果为：WC11=0.621，WC12=1.000，WC13=1.557，归一化得出准则层指标权重。企业内部环境管理B1指标层的判断矩阵如表1所示：
接着，在对判断矩阵的一致性检验中，我们发现，λmax=3.112，CI=0.022，CR=0.051<1。这说明判断矩阵构建合理，满足一致性要求，权重也能体现评价指标的重要性。
随后，对其他指标进行分析。环境守法层次分析结果为：WC21=0.601，WC22=0.113，WC23=0.278;λmax=3.721，CI=0.027，CR=0.073<1。企业与外部沟通状况层次分析结果为：WC31=0.511，WC32=0.292，WC33=0.163;λmax=3.019，CI=0.004，CR=0.007<1。环境状态层次分析结果为：WC41=0.567，WC42=0.0.323。
最后，在得到指标层的权重后，结合专家意见和相关文献对本文選取的20家上市企业打分，分值与企业在该项指标上的表现呈正比例关系，以最终判断各个企业在环境风险方面的情况。
（三）因子分析
运用因子分析对企业绿色信贷风险水平进行定量评价，此时将会纳入财务风险指标，具体步骤如下。
第一，KMO和Bartlett检验结果为：KMO值0.597>0.5，Bartlett球体检验的统计值的显著性概率0.000<1%。以上检验结果均说明变量数据具有相关性，适合作因子分析。
第二，对环境风险和财务表现指标进行因子分析，提取公共因子得出，变量信息提取最低的共同度为0.724，说明公共因子对变量的信息提取充分，可以接受。 第三，利用SPSS进行因子分析，碎石图显示，前6个因子特征值大于1，共解释原始变量85.25
的信息，可以提取公因子，并提取到旋转前初始特征值方差，分別为23.12、15.21、12.95、8.22、6.29、6.11。
下面，对各公因子进行赋权，计算综合因子得分。由旋转前的解释方差表，对各公共因子进行赋值权重，权重结果以W1为例：
W1=23.12/（23.12+15.21+12.95+8.22+6.29+6.11）= 0.32 式（1）
第四，本文利用最大方差法进行因子旋转，旋转后的6个公因子分别解释了原始变量23.96%、 26.81%、15.22%、12.89%、11.81%和8.56%的信息。旋转后成分矩阵可见，Fl公因子可选择流动比率、速动比率和资产负债率组成;F2公因子可选择企业内部环境管理、环境守法和与外部沟通状况组成;F3公因子可选择总资产利润率和销售净利率组成;F4公因子可选择流动资金周转率和总资金周转率组成;F5公因子可选择股东权益周转率和主营业务收入增长率组成;F6公因子可选择环境状态和总资产增长率组成。
第五，根据成分得分系数矩阵计算得到各个公因子，以F1为例：
F1= -0.073X1+ 0.011X2-0.007X3 +……+ 0.332X12 + 0.340X13-0.225X14 式（2）
因此，绿色信贷风险综合水平的表达式为：
F=0.32 F1+0.21F2+0.18F3+0.11F4+0.09F5+0.08F6 式（3）
（四）信贷风险状况确定
为了避免量纲不一致对公共因子得分造成的影响，我们对因子分析得到的初步评价指标数据进行了极值化处理，得出Xij*（0，1）。带入公因子表达式，得到公因子得分;带入综合因子表达式，计算出绿色信贷风险综合因子得分。
采用“3σ”法则开展评价，计算综合得分的均值μ和标准差σ，数值分别为0.53和0.12，分别将绿色信贷风险的临界点设置为μ-σ、μ+σ、μ-3σ、μ+3σ，对绿色信贷风险进行划分为五个等级。分别为：
1、无风险：区间（μ-σ，μ+σ），值区间（0.41，0.65）;
2、低风险：区间（μ+σ，μ+3σ），值区间（0.65，0.89）;
3、中等风险：区间（μ+3σ，+∞），值区间（0.89，+∞）;
4、高风险：区间（μ-3σ，μ-σ），值区间（0.17，0.41）;
5、超高风险：区间（-∞，μ-3σ），值区间（-∞，0.17）。
随后即可以得出20家企业绿色信贷风险情况，其中无风险11个，低风险5个，中等风险3个，高风险1个，超高风险0个。
（五）基于BP神经网络的实证分析
在BP神经网络测试中，输入层采用前述6个公因子，将绿色信贷风险分布情况作为输出层，各项参数设置如下。
第一，节点数设置。我们先放入较少的隐含层单元，测试过程中如果发现学习效果较差，再不断增加隐含层单元数据，直至获得较好的学习效果，此时隐含层节点数为6，输出层节点数为4。
第二，函授设置。选择S形函数为隐含层的激活函数，线性函数为输出层函数，梯度下降自适应学习率为训练函数。
第三，网络参数设置。可接受的标准误差为0.01，学习次数为10000次，学习速率为0.01，以保障网络学习的效率和准确性。
第四，神经元数设置。将研究样本分为训练集、验证集和测试集，分别占总样本的60%、20%和20%。前述表明，神经元数为4，分别设为：无风险（1，0，0，0）， 低风险（0，1，0，0），中等风险（0，0，1，0），高风险（0，0，0，1）。
BP神经网络总体样本输岀结果显示：各集样本对4个神经元预测准确率最低为93.25%，其余均在100%，预测准确率较高。BP神经网络预测结果分析可得，BP神经网络能更好、更快地得出与专家评价一致性的结果，为商业银行绿色信贷风险评价做好保障。
参考文献：
[1]于飞.浅谈“绿色信贷”与环境风险管理[J].经营管理者，2008（09）：73-76.
[2]邓聿文.为企业节能减排构筑“绿色信贷”[N].上海证券报，2007， 7（20）：7.
作者简介：
单 蕊（1981.06-）;性别：女;籍贯：山东省枣庄市;学历：硕士;职称：教授;研究方向：财会金融、节能环保。
转载注明来源:https://www.xzbu.com/3/view-15288090.htm
