JMATHgydF4y2Ba 数学杂志gydF4y2Ba 2314 - 4785gydF4y2Ba 2314 - 4629gydF4y2Ba HindawigydF4y2Ba 10.1155 / 2021/5541436gydF4y2Ba 5541436gydF4y2Ba 研究文章gydF4y2Ba 评价中小企业的信贷决策基于支持向量Machine-Logistics回归gydF4y2Ba https://orcid.org/0000 - 0001 - 7250 - 8493gydF4y2Ba 谢gydF4y2Ba 鲁伊gydF4y2Ba 1gydF4y2Ba https://orcid.org/0000 - 0002 - 8513 - 2437gydF4y2Ba 刘gydF4y2Ba 鲁伊gydF4y2Ba 1gydF4y2Ba https://orcid.org/0000 - 0002 - 4670 - 1000gydF4y2Ba 刘gydF4y2Ba Xian-BeigydF4y2Ba 2gydF4y2Ba https://orcid.org/0000 - 0001 - 9419 - 9433gydF4y2Ba 朱gydF4y2Ba 家明gydF4y2Ba 2gydF4y2Ba 穆斯塔法gydF4y2Ba GhulamgydF4y2Ba 1gydF4y2Ba 会计学院gydF4y2Ba 安徽财经大学gydF4y2Ba 233030年蚌埠市gydF4y2Ba 中国gydF4y2Ba aufe.edu.cngydF4y2Ba 2gydF4y2Ba 学校统计和应用数学gydF4y2Ba 安徽财经大学和经济学gydF4y2Ba 233030年蚌埠市gydF4y2Ba 中国gydF4y2Ba aufe.edu.cngydF4y2Ba 2021年gydF4y2Ba 4gydF4y2Ba 3gydF4y2Ba 2021年gydF4y2Ba 2021年gydF4y2Ba 26gydF4y2Ba 1gydF4y2Ba 2021年gydF4y2Ba 12gydF4y2Ba 2gydF4y2Ba 2021年gydF4y2Ba 23gydF4y2Ba 2gydF4y2Ba 2021年gydF4y2Ba 4gydF4y2Ba 3gydF4y2Ba 2021年gydF4y2Ba 2021年gydF4y2Ba 版权©2021鲁伊·谢et al。gydF4y2Ba 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。gydF4y2Ba

本文使用支持向量机、物流回归,和其他方法的综合评价信贷决策的小型,中型和微型企业,全面使用软件编程如MATLAB和SPSS Modeler来解决这个问题。结果,如信用风险评价指标体系,信用风险分类模型,和信贷决策综合评价模型。最后,本文从信用决定小、中、和微型企业提供理论和实践建议银行控制的风险小,中型和微型企业和自身发展。gydF4y2Ba

 安徽省自然科学基金gydF4y2Ba 1808085 mc88gydF4y2Ba 安徽教育部gydF4y2Ba 2020年jyxm0017gydF4y2Ba 2018年jyxm1305gydF4y2Ba 安徽大学gydF4y2Ba acylkc202008gydF4y2Ba acjyyb2020011gydF4y2Ba acjyyb2020014gydF4y2Ba 1。介绍gydF4y2Ba

在经济全球化的背景下,我国的经济正在蓬勃发展。中小企业,被称为“新经济转折点,”如雨后春笋。他们发挥了巨大的作用在国家的产业升级和经济建设和已逐渐成为各个地区的经济支柱。然而,消极的条件下如经济总量不足,宽松的经济体系,和高融资成本,小型、中型和微型企业逐渐处于弱势地位的背景下,竞争环境和面临的风险被合并公司在同一行业。他们迫切需要使血液通过直接融资和间接融资为企业解决融资困难的问题,这是一个发展的障碍小,中型和微型企业。gydF4y2Ba

主要原因有以下两个方面:一方面,由于竞争环境的压力在同一行业,小、中、和微型企业不能提供准确和可靠的评估信息一样成熟企业,导致商业银行信贷风险管理面临的挑战;一方面,由于宽松的管理制度和管理经验不足、法律漏洞和道德危险出现,影响信贷市场和扰乱市场秩序的平衡。如今,鼓励和保护中小企业的积极开发已经成为一个新的经济趋势。银行迫切需要解决的问题是否贷款给企业和多少分配给企业。gydF4y2Ba

本文中的数据来自2020年全国大学生数学建模竞赛问题C:银行的贷款额度,公司决心借100000至100万元;年利率是4%到15%;贷款周期是1年,这是已知数据之间的关系与信用记录和302公司123家公司没有信用记录和贷款利率和客户流失速率之间的关系在2019年。通过建立一个数学模型中,银行的信贷策略为小型,中型和微型企业是在特定条件下进行了研究。gydF4y2Ba

 2。文献综述gydF4y2Ba

关于信用评价的决策为小,介质,和微型企业,创gydF4y2Ba 1gydF4y2Ba]以山东省为例,分析信贷配给不当行为的原因和改正的方法,提供一种方法来提高信贷配给的效率,实现信贷资源配置的帕累托改进。小王和唐gydF4y2Ba 2gydF4y2Ba)相比,银行融资机会的分配和预期的贷款企业,发现银行的信贷决策是基于理性的风险控制决策,而歧视中小企业贷款是由于银行和企业的认可,由差距在知识和认知滞后造成的。吴(gydF4y2Ba 3gydF4y2Ba结合中小企业的实际特点,利用模糊层次分析法确定中小企业信用风险评价指标的权重,构建了一个科学、合理的对中小企业的信贷风险评价指标体系。李(gydF4y2Ba 4gydF4y2Ba)认为,我国银行业对中小企业的信贷决策问题,如低preloan审查质量,长期贷款审批周期,并在实施postloan管理困难。商业银行应当控制中小企业的生产和财务状况。合理评价其担保能力将提高对中小企业的信贷支持决策的质量。gydF4y2Ba

上述文件给所有相关意见银行的中小企业信贷,但他们中的大多数都是基于理论研究在特定的情况下,不给一个更通用的模型,包括动态因素。针对上述不足,本文试图建立一个相对通用的信用模型通过建立相关的数学模型。gydF4y2Ba

 3所示。基本假设gydF4y2Ba

为了便于问题的处理,提出了以下假设:(i)假设当银行中小企业贷款决策,没有企业贷款失败;(2)假设没有宏观政策的变化当银行中小企业贷款决策;(3)假设:公司可以代表的平均供应和需求供给和需求的稳定值;(iv)假设意想不到的因素对企业的影响主要是影响企业的销售发票的数量;(v)假设的名声小,中型和微型企业仅仅是由本文研究变量。gydF4y2Ba

 4所示。基于多目标优化、中小企业的信用风险和战略研究银行的年度总学分是固定的gydF4y2Ba 4.1。研究认为gydF4y2Ba

应定量分析123家公司的信用风险在数据源借期是一年,当银行的年度总学分是固定的,和公司决定贷款,贷款的每家公司是100000到100万元,年利率是4% - -15%;给这些公司信贷策略。基于现有的研究文献,本文假设信贷战略由四部分组成:是否贷款,贷款金额,贷款利息和贷款期限。原则上,公司的信用评级gydF4y2Ba DgydF4y2Ba不会借。首先,根据相关数据,计算相关的索引值的上游和下游企业影响,强度、稳定供求关系,每个企业和客户流失率;然后构建一个基于非线性回归银行利润最大化模型,基于物流回归,信用风险最小化模型和基于主成分分析的综合评价系统。最后,上述三个优化模型转化为一个多目标优化模型来获得银行的信贷策略(gydF4y2Ba 5gydF4y2Ba]。gydF4y2Ba

 4.2。分析过程gydF4y2Ba 4.2.1。准备银行收入最大化模型基于非线性回归gydF4y2Ba

(1)研究步骤gydF4y2Ba。首先,处理相应的原始数据源中的数据。指相关书籍后,本文认为,上游和下游企业的公式每个公司的影响如下:gydF4y2Ba (1)gydF4y2Ba PgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba =gydF4y2Ba αgydF4y2Ba 0gydF4y2Ba 年代gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba −gydF4y2Ba αgydF4y2Ba 1gydF4y2Ba CgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba 年代gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba −gydF4y2Ba CgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1、2gydF4y2Ba ,gydF4y2Ba ⋯gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba ;gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1、2gydF4y2Ba ,gydF4y2Ba ⋯gydF4y2Ba ,gydF4y2Ba 12gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba PgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba 代表了上游和下游的影响gydF4y2Ba 我gydF4y2Bath公司gydF4y2Ba jgydF4y2Ba个月,gydF4y2Ba 年代gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba 代表的输出费用的总和gydF4y2Ba 我gydF4y2Bath公司gydF4y2Ba jgydF4y2Ba个月,gydF4y2Ba CgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba 代表的输入账单的总和gydF4y2Ba 我gydF4y2Bath公司gydF4y2Ba jgydF4y2Ba个月,gydF4y2Ba αgydF4y2Ba 我gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1、2gydF4y2Ba 表明不同的公司不同的重点输出和输入。gydF4y2Ba

为了全面评估每一个企业的综合实力,本文认为实际的收入,支出,税收金额,和企业的月度销量。现有文献研究的基础上,参考部分,每个公司的平均每月纳税获得作为一个指标来评估公司的综合实力,并得到以下公式:gydF4y2Ba (2)gydF4y2Ba ΔgydF4y2Ba TgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba =gydF4y2Ba lgydF4y2Ba ogydF4y2Ba ggydF4y2Ba TgydF4y2Ba 我gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba /gydF4y2Ba 年代gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba +gydF4y2Ba TgydF4y2Ba OgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba /gydF4y2Ba CgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba NgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1、2gydF4y2Ba ,gydF4y2Ba ⋯gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba ;gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1、2gydF4y2Ba ,gydF4y2Ba ⋯gydF4y2Ba ,gydF4y2Ba 12gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba ΔgydF4y2Ba TgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba 代表的平均纳税gydF4y2Ba 我gydF4y2Bath公司gydF4y2Ba jgydF4y2Ba个月,gydF4y2Ba TgydF4y2Ba 我gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba 代表的纳税gydF4y2Ba 我gydF4y2Bath公司的比尔的输出gydF4y2Ba jgydF4y2Ba个月,gydF4y2Ba TgydF4y2Ba OgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba 代表的纳税gydF4y2Ba 我gydF4y2Bath公司输入法案gydF4y2Ba jgydF4y2Ba个月,gydF4y2Ba NgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba 代表的销售的数量gydF4y2Ba 我gydF4y2Bath公司gydF4y2Ba jgydF4y2Bath。gydF4y2Ba

根据检查文献和实际生活的经验,一个企业的供需关系的稳定将极大地影响企业的收入,这也将影响银行企业的评价,所以供应稳定值系数gydF4y2Ba GgydF4y2Ba构造和需求稳定值。的系数gydF4y2Ba 问gydF4y2Ba用于量化程度的稳定,具体公式如下(gydF4y2Ba 6gydF4y2Ba- - - - - -gydF4y2Ba 8gydF4y2Ba]:gydF4y2Ba (3)gydF4y2Ba GgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba =gydF4y2Ba βgydF4y2Ba 1gydF4y2Ba 日志gydF4y2Ba CgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba NgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1、2gydF4y2Ba ,gydF4y2Ba ⋯gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba ;gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1、2gydF4y2Ba ,gydF4y2Ba ⋯gydF4y2Ba ,gydF4y2Ba 12gydF4y2Ba ,gydF4y2Ba 问gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba =gydF4y2Ba βgydF4y2Ba 2gydF4y2Ba 日志gydF4y2Ba 年代gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba NgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1、2gydF4y2Ba ,gydF4y2Ba ⋯gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba ;gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1、2gydF4y2Ba ,gydF4y2Ba ⋯gydF4y2Ba ,gydF4y2Ba 12gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba GgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba 代表的供应稳定gydF4y2Ba 我gydF4y2Bath公司gydF4y2Ba jgydF4y2Ba个月,gydF4y2Ba NgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba 1gydF4y2Ba 代表的需求gydF4y2Ba 我gydF4y2Bath公司gydF4y2Ba jgydF4y2Ba个月,gydF4y2Ba 问gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba 代表的需求稳定gydF4y2Ba 我gydF4y2Bath公司gydF4y2Ba jgydF4y2Ba个月,gydF4y2Ba NgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba 2gydF4y2Ba 代表的供应gydF4y2Ba 我gydF4y2Bath公司gydF4y2Ba jgydF4y2Ba个月,gydF4y2Ba βgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba βgydF4y2Ba 2gydF4y2Ba 是一个平衡参数。gydF4y2Ba

每月全面供应稳定程度和需求稳定程度的每个公司如下:gydF4y2Ba (4)gydF4y2Ba GgydF4y2Ba 我gydF4y2Ba =gydF4y2Ba GgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba ∑gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 12gydF4y2Ba GgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba ,gydF4y2Ba 问gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 问gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba ∑gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 12gydF4y2Ba 问gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba 。gydF4y2Ba

公司的客户流失率的公式gydF4y2Ba (5)gydF4y2Ba 米gydF4y2Ba =gydF4y2Ba RgydF4y2Ba ZgydF4y2Ba 。gydF4y2Ba

其中,gydF4y2Ba 米gydF4y2Ba代表公司的客户流失率,gydF4y2Ba RgydF4y2Ba代表的数量空心输出公司的账单,和gydF4y2Ba ZgydF4y2Ba代表公司的销售账单的总数。gydF4y2Ba

(2)结果分析gydF4y2Ba。首先,从问题的意义,公司的信用评级gydF4y2Ba DgydF4y2Ba原则上不发放贷款,所以这种类型的企业数据排除在分配的贷款总额。然后,使用上面的公式来计算客户流失率,上游和下游企业的影响力,力量,稳定供需关系,客户流失率索引值,和其他数据的每个公司的信誉评级,B和c,银行的利润最大化的愿望是让银行扣除的贷款收入同期存款的利润收入。银行利润最大化的表达式根据已知条件如下:gydF4y2Ba (6)gydF4y2Ba fgydF4y2Ba xgydF4y2Ba =gydF4y2Ba 马克斯gydF4y2Ba ∑gydF4y2Ba 1gydF4y2Ba 99年gydF4y2Ba 一个gydF4y2Ba 我gydF4y2Ba rgydF4y2Ba 我gydF4y2Ba −gydF4y2Ba rgydF4y2Ba 0gydF4y2Ba 1gydF4y2Ba −gydF4y2Ba zgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba 酸处理gydF4y2Ba 10gydF4y2Ba ≤gydF4y2Ba 一个gydF4y2Ba 我gydF4y2Ba ≤gydF4y2Ba One hundred.gydF4y2Ba ,gydF4y2Ba 4gydF4y2Ba %gydF4y2Ba ≤gydF4y2Ba rgydF4y2Ba 我gydF4y2Ba ≤gydF4y2Ba 15gydF4y2Ba %gydF4y2Ba ,gydF4y2Ba ∑gydF4y2Ba 1gydF4y2Ba 99年gydF4y2Ba 一个gydF4y2Ba 我gydF4y2Ba ≤gydF4y2Ba 一个gydF4y2Ba 。gydF4y2Ba

其中,gydF4y2Ba 一个gydF4y2Ba 我gydF4y2Ba代表每个公司的贷款金额,gydF4y2Ba rgydF4y2Ba 我gydF4y2Ba代表了每个公司的贷款的利率,gydF4y2Ba rgydF4y2Ba 0gydF4y2Ba代表银行同期存款利率,gydF4y2Ba zgydF4y2Ba 0gydF4y2Ba意味着客户流失率,gydF4y2Ba 一个gydF4y2Ba代表了年度银行信贷总额固定的价值。gydF4y2Ba

 4.2.2。基于物流银行信用风险量化模型回归gydF4y2Ba

(1)研究步骤gydF4y2Ba。根据部分4.2.1,准备公司的声誉评级分为模拟、风险低,声誉评级是一个风险很高,信誉评级是d。本文使用默认为因变量。违约记录为1,默认的是记录为0。因此,一个公司的信誉评级的风险可以被指定一个0.2,一个公司的声誉B的风险可以被指定一个0.4,一个公司的声誉的风险可以被指定一个0.6加元,和公司的声誉gydF4y2Ba DgydF4y2Ba可以分配一个0.8的风险,不同信用风险量化的信用评级公司(gydF4y2Ba 9gydF4y2Ba]。gydF4y2Ba

在这一点上,基于物流回归的解决步骤如下:gydF4y2Ba

步骤1:收集相关数据根据业务目标;gydF4y2Ba

步骤2:标准化的数据;gydF4y2Ba

步骤3:分析数据,预处理数据;gydF4y2Ba

目的:训练算法找到最佳分类系数,①找到gydF4y2Ba hgydF4y2Ba函数(即,假设)。②构造gydF4y2Ba JgydF4y2Ba损失函数(函数)。③最小化gydF4y2Ba JgydF4y2Ba功能和获得回归参数(gydF4y2Ba θgydF4y2Ba);gydF4y2Ba

第五:测试算法和模型评估;gydF4y2Ba

第六段:获取新数据并将它转换成相应的结构化的值。基于训练回归系数,可以对这些值进行简单的回归计算来确定新的数据属于哪一类。gydF4y2Ba

(2)结果分析gydF4y2Ba。假设银行贷款的风险gydF4y2Ba RgydF4y2Ba,值为0 RgydF4y2Ba< 1。越接近gydF4y2Ba RgydF4y2Ba值为0,降低公司的信用风险和更好的公司的信用评级;越接近gydF4y2Ba RgydF4y2Ba值为1时,财务风险越高的公司和公司的信用评级。上游和下游的影响因素是影响企业的影响、力量、稳定的供需关系,客户流失率索引值,和其他指标。银行应该最小化的风险贷款总额(gydF4y2Ba 10gydF4y2Ba- - - - - -gydF4y2Ba 12gydF4y2Ba]。gydF4y2Ba

量化数据和原始的企业数据导入SPSS,正常测试和意义并通过测试。然后,进行主成分分析,结果如表所示gydF4y2Ba 1gydF4y2Ba。gydF4y2Ba

组件得分系数矩阵。gydF4y2Ba

变量ZscoregydF4y2Ba 利润gydF4y2Ba 贡献的税收gydF4y2Ba 相对销量波动gydF4y2Ba 购买波动大小gydF4y2Ba 客户流失率gydF4y2Ba
1gydF4y2Ba 0.871gydF4y2Ba 0.876gydF4y2Ba 0.198gydF4y2Ba 0.426gydF4y2Ba 0.525gydF4y2Ba
2gydF4y2Ba −0.107gydF4y2Ba −0.018gydF4y2Ba 0.849gydF4y2Ba 0.406gydF4y2Ba −0.441gydF4y2Ba

根据上述组件的筛查结果得分系数矩阵,定义主成分的名称:gydF4y2Ba NgydF4y2Ba1gydF4y2Ba的税收贡献,gydF4y2Ba NgydF4y2Ba2gydF4y2Ba是销售的相对波动。gydF4y2Ba

在这个时候,两个主成分因素gydF4y2Ba NgydF4y2Ba1gydF4y2Ba和gydF4y2Ba NgydF4y2Ba2gydF4y2Ba作为研究变量,并使用SPSS向前逐步逻辑回归这两个变量。最后的模型数据如表所示gydF4y2Ba 2gydF4y2Ba。gydF4y2Ba

变量系数的方程。gydF4y2Ba

变量名gydF4y2Ba BgydF4y2Ba s E,gydF4y2Ba 细胞膜gydF4y2Ba DfgydF4y2Ba 团体。gydF4y2Ba Exp (B)gydF4y2Ba 95%的EXP (B) c。I。gydF4y2Ba
下限gydF4y2Ba 上限gydF4y2Ba
Z(税收贡献的大小)gydF4y2Ba −0.107gydF4y2Ba 0.223gydF4y2Ba 0.23gydF4y2Ba 1gydF4y2Ba 0.631gydF4y2Ba 0.898gydF4y2Ba 0.58gydF4y2Ba 1.392gydF4y2Ba
Z(相对销售波动大小)gydF4y2Ba −0.087gydF4y2Ba 0.26gydF4y2Ba 0.113gydF4y2Ba 1gydF4y2Ba 0.737gydF4y2Ba 0.916gydF4y2Ba 0.55gydF4y2Ba 1.526gydF4y2Ba
常数gydF4y2Ba −1.274gydF4y2Ba 0.219gydF4y2Ba 33.868gydF4y2Ba 1gydF4y2Ba 0gydF4y2Ba 0.28gydF4y2Ba - - - - - -gydF4y2Ba - - - - - -gydF4y2Ba

物流的声誉风险量化模型,可以建立基于上述结果如下:gydF4y2Ba (7)gydF4y2Ba RgydF4y2Ba =gydF4y2Ba lgydF4y2Ba −gydF4y2Ba 1.274gydF4y2Ba −gydF4y2Ba 0.107gydF4y2Ba NgydF4y2Ba 1gydF4y2Ba −gydF4y2Ba 0.087gydF4y2Ba NgydF4y2Ba 2gydF4y2Ba 1gydF4y2Ba +gydF4y2Ba lgydF4y2Ba −gydF4y2Ba 1.274gydF4y2Ba −gydF4y2Ba 0.107gydF4y2Ba NgydF4y2Ba 1gydF4y2Ba −gydF4y2Ba 0.087gydF4y2Ba NgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 1gydF4y2Ba +gydF4y2Ba egydF4y2Ba 1.274gydF4y2Ba +gydF4y2Ba 0.107gydF4y2Ba NgydF4y2Ba 1gydF4y2Ba +gydF4y2Ba 0.087gydF4y2Ba NgydF4y2Ba 2gydF4y2Ba 。gydF4y2Ba

企业声誉风险评价指标体系。gydF4y2Ba

 4.2.3。量化模型,基于层次分析法的企业声誉风险gydF4y2Ba

主成分分析方法。gydF4y2Ba

步骤1:原始数据标准化和计算相关矩阵;gydF4y2Ba

步骤2:计算相关矩阵的特征值和特征向量;gydF4y2Ba

步骤3:第一个2 - 3基于主成分的累积贡献率达到85%;gydF4y2Ba

步骤4:解释主成分;gydF4y2Ba

第五步:计算主成分得分。即,规范每个样本数据的主成分计算公式,并将其纳入第三步计算第一主成分得分和第二主成分得分;gydF4y2Ba

第六步:把主成分得分作为一种新的因变量线性退化。gydF4y2Ba

建立一个指标体系。本文总结了企业声誉风险分为三个维度,即偿债能力、信用担保的情况,和宏观政策。在此基础上,初步划分为10个特定的企业声誉风险指标体系,如图gydF4y2Ba 1gydF4y2Ba。gydF4y2Ba

企业信用风险量化和原企业指数数据导入SPSS,及其正常测试和意义测试通过。根据组件的筛查结果得分系数矩阵,定义的名称前三个主要组件:gydF4y2Ba NgydF4y2Ba 1gydF4y2Ba偿债能力,gydF4y2Ba NgydF4y2Ba 2gydF4y2Ba是信用担保情况,gydF4y2Ba NgydF4y2Ba 3gydF4y2Ba是宏观政策。gydF4y2Ba

模型建设gydF4y2Ba。在这个时候,三个主成分因素作为研究变量,和gydF4y2Ba OgydF4y2Ba 我gydF4y2Ba作为企业声誉风险的大小,和SPSS是用于执行提出逐步逻辑回归这两个变量。基于上述结果,可以建立物流企业声誉风险预测模型:gydF4y2Ba

 (8)gydF4y2Ba OgydF4y2Ba 我gydF4y2Ba =gydF4y2Ba egydF4y2Ba 1gydF4y2Ba +gydF4y2Ba 1gydF4y2Ba /gydF4y2Ba lngydF4y2Ba NgydF4y2Ba 1gydF4y2Ba /gydF4y2Ba NgydF4y2Ba 2gydF4y2Ba +gydF4y2Ba egydF4y2Ba /gydF4y2Ba lngydF4y2Ba NgydF4y2Ba 3gydF4y2Ba 。gydF4y2Ba 4.2.4。银行收入最大化和最小化模型基于多目标优化的信用风险gydF4y2Ba

根据利率之间的关系和客户流失率的数据源,贷款利率之间的关系和客户流失率的三种类型的信用风险公司,B和C。图像建立的秩序,B和C公司从上到下,结果如图gydF4y2Ba 2gydF4y2Ba。gydF4y2Ba

贷款利率之间的关系和客户流失的三种类型的信贷风险。gydF4y2Ba

特定的方程的结果如下:gydF4y2Ba (9)gydF4y2Ba zgydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 7.524gydF4y2Ba rgydF4y2Ba 一个gydF4y2Ba −gydF4y2Ba 0.09793gydF4y2Ba …gydF4y2Ba …gydF4y2Ba 一个gydF4y2Ba ,gydF4y2Ba 7.351gydF4y2Ba rgydF4y2Ba BgydF4y2Ba −gydF4y2Ba 0.1178gydF4y2Ba …gydF4y2Ba …gydF4y2Ba BgydF4y2Ba ,gydF4y2Ba 7.468gydF4y2Ba rgydF4y2Ba CgydF4y2Ba −gydF4y2Ba 0.1379gydF4y2Ba …gydF4y2Ba …gydF4y2Ba CgydF4y2Ba 。gydF4y2Ba

结合银行利润最大化的两个优化模型和企业信用风险最小化,优化的目标函数及其限制条件如下:gydF4y2Ba (10)gydF4y2Ba YgydF4y2Ba =gydF4y2Ba 最小值gydF4y2Ba ∑gydF4y2Ba 1gydF4y2Ba 99年gydF4y2Ba RgydF4y2Ba 我gydF4y2Ba +gydF4y2Ba ∑gydF4y2Ba 1gydF4y2Ba 99年gydF4y2Ba 一个gydF4y2Ba 我gydF4y2Ba rgydF4y2Ba 我gydF4y2Ba −gydF4y2Ba rgydF4y2Ba 0gydF4y2Ba 1gydF4y2Ba −gydF4y2Ba zgydF4y2Ba 我gydF4y2Ba +gydF4y2Ba ∑gydF4y2Ba 1gydF4y2Ba 99年gydF4y2Ba OgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba 酸处理gydF4y2Ba OgydF4y2Ba 我gydF4y2Ba =gydF4y2Ba egydF4y2Ba 1gydF4y2Ba +gydF4y2Ba 1gydF4y2Ba /gydF4y2Ba lngydF4y2Ba NgydF4y2Ba 1gydF4y2Ba /gydF4y2Ba NgydF4y2Ba 2gydF4y2Ba +gydF4y2Ba NgydF4y2Ba 3gydF4y2Ba /gydF4y2Ba lngydF4y2Ba NgydF4y2Ba 4gydF4y2Ba ,gydF4y2Ba 10gydF4y2Ba ≤gydF4y2Ba 一个gydF4y2Ba 我gydF4y2Ba ≤gydF4y2Ba One hundred.gydF4y2Ba ,gydF4y2Ba 4gydF4y2Ba %gydF4y2Ba ≤gydF4y2Ba rgydF4y2Ba 我gydF4y2Ba ≤gydF4y2Ba 15gydF4y2Ba %gydF4y2Ba ,gydF4y2Ba ∑gydF4y2Ba 1gydF4y2Ba 99年gydF4y2Ba 一个gydF4y2Ba 我gydF4y2Ba ≤gydF4y2Ba 一个gydF4y2Ba ,gydF4y2Ba ZgydF4y2Ba 0gydF4y2Ba =gydF4y2Ba 一个gydF4y2Ba ∗gydF4y2Ba pgydF4y2Ba 一个gydF4y2Ba +gydF4y2Ba bgydF4y2Ba ∗gydF4y2Ba pgydF4y2Ba bgydF4y2Ba +gydF4y2Ba cgydF4y2Ba ∗gydF4y2Ba pgydF4y2Ba cgydF4y2Ba 一个gydF4y2Ba ∗gydF4y2Ba ,gydF4y2Ba bgydF4y2Ba ∗gydF4y2Ba ,gydF4y2Ba cgydF4y2Ba ∗gydF4y2Ba =gydF4y2Ba 0 1gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1、2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba 99年gydF4y2Ba 。gydF4y2Ba

在这个时候,一个gydF4y2Ba∗gydF4y2BabgydF4y2Ba∗gydF4y2BacgydF4y2Ba∗gydF4y2Ba代表的贷款总量,可以分配给公司,B和C,分别。整个函数的值应尽可能小。每个企业的索引值引入模型,贷款利率和贷款总额的每个企业。gydF4y2Ba

 5。研究中小企业的信用评级分类基于支持向量机和银行的信用风险和战略gydF4y2Ba 5.1。研究认为gydF4y2Ba

应量化信用风险的302家企业数据源和给银行的信贷策略时,这些公司年度信贷总额是1亿元。本文首先构造了一个支持向量机训练集分类每个公司的声誉评级数据来源;然后,根据每个公司的风险水平,之后删除公司的风险水平gydF4y2Ba DgydF4y2Ba,它被替换成模型构建部分gydF4y2Ba 4gydF4y2Ba计算银行的信贷策略,302年公司年度信贷总额是1亿元。gydF4y2Ba

 5.2。研究方法gydF4y2Ba 5.2.1。研究的步骤gydF4y2Ba

步骤1:根据指标进一步过程相关数据在前一节中获得相应的指示值;gydF4y2Ba

步骤2:对所有数据进行归一化和聚类分析;gydF4y2Ba

步骤3:将处理过的数据分为训练集和测试集,并使用支持向量机集群分析结果来验证(gydF4y2Ba 13gydF4y2Ba]。gydF4y2Ba

 5.2.2。模型建设gydF4y2Ba

对标准化的数据进行聚类分析得到的比例的所有类型的公司贷款记录,如图gydF4y2Ba 3gydF4y2Ba的比例,所有类型的公司没有贷款记录,如图gydF4y2Ba 4gydF4y2Ba。gydF4y2Ba

视觉饼图的业务分类与贷款记录。gydF4y2Ba

视觉饼图的业务分类没有贷款记录。gydF4y2Ba

然后,相关的数据和分类结果导入MATLAB和执行支持向量机分析分类结果的准确性。聚类分析的准确性测试集是接近70%,并分类结果是可以接受的。分类和预测结果如图gydF4y2Ba 5gydF4y2Ba(gydF4y2Ba 14gydF4y2Ba- - - - - -gydF4y2Ba 16gydF4y2Ba]。gydF4y2Ba

企业声誉风险分类的结果。gydF4y2Ba

基于声誉风险分类的结果,用多目标优化银行信用风险收益最大化和最小化模型在前一节中(gydF4y2Ba 15gydF4y2Ba),部分企业和贷款利率的结果如表所示gydF4y2Ba 3gydF4y2Ba。gydF4y2Ba

截图的贷款利息和贷款限制的302家公司。gydF4y2Ba

企业代码gydF4y2Ba 声誉gydF4y2Ba 贷款利率(%)gydF4y2Ba 贷款限额(元)gydF4y2Ba
E124gydF4y2Ba 一个gydF4y2Ba 15.000gydF4y2Ba 2896690.49gydF4y2Ba
E125gydF4y2Ba 一个gydF4y2Ba 14.337gydF4y2Ba 2910374.58gydF4y2Ba
E126gydF4y2Ba 一个gydF4y2Ba 10.823gydF4y2Ba 1753908.32gydF4y2Ba
E127gydF4y2Ba 一个gydF4y2Ba 4.000gydF4y2Ba 731860.94gydF4y2Ba
E128gydF4y2Ba 一个gydF4y2Ba 15.000gydF4y2Ba 861454.12gydF4y2Ba
E129gydF4y2Ba 一个gydF4y2Ba 15.000gydF4y2Ba 267664.16gydF4y2Ba
E130gydF4y2Ba 一个gydF4y2Ba 12.481gydF4y2Ba 352527.12gydF4y2Ba
E131gydF4y2Ba 一个gydF4y2Ba 11.736gydF4y2Ba 290436.29gydF4y2Ba
E132gydF4y2Ba 一个gydF4y2Ba 8.650gydF4y2Ba 525292.91gydF4y2Ba
E133gydF4y2Ba 一个gydF4y2Ba 9.033gydF4y2Ba 3486055.36gydF4y2Ba
E134gydF4y2Ba 一个gydF4y2Ba 10.005gydF4y2Ba 181575.50gydF4y2Ba
E135gydF4y2Ba 一个gydF4y2Ba 9.502gydF4y2Ba 1605406.61gydF4y2Ba
6。信用调整战略模式的影响下,基于层次分析法的紧急情况gydF4y2Ba 6.1。研究认为gydF4y2Ba

这个问题需要综合考虑在前一节中每个企业的信用风险和可能的突发因素的影响如新皇冠病毒流行在每个企业和银行的信贷调整战略,年度信贷总额是1亿元。为了应对这一问题,本文将突发事件视为一个单一的整体影响因素,考虑它如何影响一级指标中选择部分gydF4y2Ba 4gydF4y2Ba然后影响了二级指标。因此,使用层次分析法在紧急情况下给不同行业不同的调整计划。加工值分别计算相关的索引值和纳入现有的模型计算,和银行的信贷调整策略,年度信贷总额是1亿元可以获得意想不到的因素的影响下(gydF4y2Ba 17gydF4y2Ba- - - - - -gydF4y2Ba 20.gydF4y2Ba]。gydF4y2Ba

 6.2。研究方法gydF4y2Ba 6.2.1。层次分析法gydF4y2Ba

缩写为AHP层次分析法,是指一种决策方法,分解元素总是相关的决策为目标,指导方针和计划,然后在此基础上进行定性和定量分析。层次分析法的步骤如下:gydF4y2Ba

步骤1:建立层次结构模型;gydF4y2Ba

第二步:构造比较矩阵的一对;gydF4y2Ba

步骤3:计算权向量并做一致性检验;gydF4y2Ba

第四步:计算组合权向量并做组合一致性检验。gydF4y2Ba

6.2.2。模型建设gydF4y2Ba

基于指标体系的构建gydF4y2Ba 5gydF4y2Ba和意外因素的影响(如流行)每个公司根据每个公司的行业特点,建立声誉风险评价体系和银行贷款策略为不同行业的公司。以流行为紧急因素作为一个例子,制药工业,增加的销售额将增加其利润。此时,更适合使用该公司的偿债能力的主要指标来评估该行业的企业的贷款策略;但对于制造业来说,由于流行,它将不可能继续工作和生产。在这个时候,更适当的评估公司的担保能力和宏观政策的有利形势。具体模型如图gydF4y2Ba 6gydF4y2Ba(gydF4y2Ba 21gydF4y2Ba- - - - - -gydF4y2Ba 24gydF4y2Ba]。gydF4y2Ba

突发事件的影响下信贷调整策略模型。gydF4y2Ba

将处理过的索引值带入最后一节多目标优化模型gydF4y2Ba 4gydF4y2Ba信贷,并重新计算的结果调整策略,每个企业在年度信贷总额1亿元,如表所示gydF4y2Ba 4gydF4y2Ba。gydF4y2Ba

调整企业的贷款额度和利率。gydF4y2Ba

企业代码gydF4y2Ba E124gydF4y2Ba E126gydF4y2Ba E127gydF4y2Ba E128gydF4y2Ba E129gydF4y2Ba E130gydF4y2Ba E131gydF4y2Ba E132gydF4y2Ba E133gydF4y2Ba E134gydF4y2Ba E135gydF4y2Ba E136gydF4y2Ba E137gydF4y2Ba E138gydF4y2Ba
贷款利息gydF4y2Ba 2.37%gydF4y2Ba 3.28%gydF4y2Ba 2.13%gydF4y2Ba 2.28%gydF4y2Ba 3.42%gydF4y2Ba 4.13%gydF4y2Ba 2.90%gydF4y2Ba 3.12%gydF4y2Ba 2.16%gydF4y2Ba 2.57%gydF4y2Ba 2.32%gydF4y2Ba 2.14%gydF4y2Ba 1.32%gydF4y2Ba 3.08%gydF4y2Ba
贷款限制gydF4y2Ba 60836.357gydF4y2Ba 371862.11gydF4y2Ba 420713.59gydF4y2Ba 399685.57gydF4y2Ba 370961.49gydF4y2Ba 366222.64gydF4y2Ba 353626.29gydF4y2Ba 375173.62gydF4y2Ba 382690.82gydF4y2Ba 397228.21gydF4y2Ba 389641.77gydF4y2Ba 352743.14gydF4y2Ba 353712.4gydF4y2Ba 389603.55gydF4y2Ba
7所示。结论gydF4y2Ba

节gydF4y2Ba 4gydF4y2Ba,使用层次分析法量化企业声誉风险。这种方法可以扩展到一个未知风险的定量分析受到多种因素的影响,如企业的财务风险和股票交易的风险;利用非线性回归银行利润最大化的方法可以扩展到任何条件约束的解决方案。使用非线性回归银行收入最大化的方法可以扩展到任何条件约束解决最大值,如发现生产能力在资源约束下的最大价值。节gydF4y2Ba 5gydF4y2Ba,由于支持向量机是一个小样本的学习方法,302家公司没有贷款记录的类别预测具有自然优势不同于其他机器学习算法。从算法原理的角度来看,这部小说非线性映射和最优超平面的想法大大简化许多传统分类和回归问题。此外,使用支持向量机的方法对中小企业的信用风险进行分类可以扩展到任何项目根据特定的属性进行分类,如葡萄酒质量和食品质量分类(分类gydF4y2Ba 25gydF4y2Ba- - - - - -gydF4y2Ba 29日gydF4y2Ba]。gydF4y2Ba

然而,应该注意的是,在数据处理中,本文使用平均值代表稳定的供销企业的地位。如果公司的供销数据有一个大的极端值,平均值不代表稳定的供销状况。此外,在计算客户流失率的分析部分gydF4y2Ba 4gydF4y2Ba使用绝对客户流失率,因为相对缺乏购买数量的流失客户数据源。针对这两个缺点,在计算供给和需求的波动值小、中、和微型企业,可以用来代替平均中位数代表稳定的供给和需求状况,从而减少极端值的影响,评估中小企业的声誉风险;当时,客户流失率可以使用相对客户流失率、计算和相对购买的体积相对客户流失是包括在计算,以便更客观和可靠的结果。gydF4y2Ba

 数据可用性gydF4y2Ba

本文的数据来自中国问题C的2020全国大学生数学建模竞赛。gydF4y2Ba

 的利益冲突gydF4y2Ba

作者宣称没有利益冲突。gydF4y2Ba

 确认gydF4y2Ba

这项研究由安徽省自然科学基金资助(1808085 mc88),教育部的教学与研究基金项目的安徽(2020 jyxm0017和2018 jyxm1305),“一流的课程”,安徽财经大学(acylkc202008)和教学与研究基金项目的安徽财经大学(acjyyb2020011和acjyyb2020014)。gydF4y2Ba

 创gydF4y2Ba X。gydF4y2Ba 修正侵吞中小企业信贷:理论与实践gydF4y2Ba 山东社会科学gydF4y2Ba 2011年gydF4y2Ba 11gydF4y2Ba 123年gydF4y2Ba 126年gydF4y2Ba 王gydF4y2Ba x Q。gydF4y2Ba 唐gydF4y2Ba Z.-B。gydF4y2Ba 中小企业信贷决策:歧视、理性或认知差距?gydF4y2Ba 金融研究gydF4y2Ba 2013年gydF4y2Ba 39gydF4y2Ba 8gydF4y2Ba 99年gydF4y2Ba 109年gydF4y2Ba 吴gydF4y2Ba j . R。gydF4y2Ba 建设中小企业信用风险评价指标体系gydF4y2Ba 财务和会计通讯gydF4y2Ba 2016年gydF4y2Ba 26gydF4y2Ba 102年gydF4y2Ba 104年gydF4y2Ba 李gydF4y2Ba X。gydF4y2Ba 一个案例研究在优化中小商业银行的信贷决策过程gydF4y2Ba 河南大学学报(社会科学版)gydF4y2Ba 2016年gydF4y2Ba 56gydF4y2Ba 1gydF4y2Ba 54gydF4y2Ba 61年gydF4y2Ba 杨ydF4y2Ba b S。gydF4y2Ba 郑gydF4y2Ba X。gydF4y2Ba 陈gydF4y2Ba w . Y。gydF4y2Ba 贷款迁移和“拥挤效应”在小型和微型信贷市场基于审计调查小型和微型企业的金融服务gydF4y2Ba 金融理论与实践gydF4y2Ba 2020年gydF4y2Ba 10gydF4y2Ba 54gydF4y2Ba 62年gydF4y2Ba 徐gydF4y2Ba l . H。gydF4y2Ba 李gydF4y2Ba Q。gydF4y2Ba 信贷来源的结构的影响中小企业的多维创新活动gydF4y2Ba 金融研究gydF4y2Ba 2020年gydF4y2Ba 46gydF4y2Ba 7gydF4y2Ba 19gydF4y2Ba 34gydF4y2Ba 李gydF4y2Ba H。gydF4y2Ba 分析开放银行业的健康和实现路径破解“麦克米伦缺口”gydF4y2Ba 金融理论与实践gydF4y2Ba 2020年gydF4y2Ba 7gydF4y2Ba 67年gydF4y2Ba 75年gydF4y2Ba 盛gydF4y2Ba t . X。gydF4y2Ba 风扇gydF4y2Ba C。gydF4y2Ba 回顾fintech和小型和微型企业信贷供应:机制,实践和问题gydF4y2Ba 现代经济研究gydF4y2Ba 2020年gydF4y2Ba 46gydF4y2Ba 39gydF4y2Ba 44gydF4y2Ba 张gydF4y2Ba 问:L。gydF4y2Ba 陆gydF4y2Ba h . X。gydF4y2Ba 张gydF4y2Ba Y。gydF4y2Ba 最优控制策略,gydF4y2Ba Hyphantria cuneagydF4y2Ba基于广义物流模型gydF4y2Ba 扬州大学学报(自然科学版)gydF4y2Ba 2020年gydF4y2Ba 23gydF4y2Ba 4gydF4y2Ba 19gydF4y2Ba 21gydF4y2Ba 焦gydF4y2Ba j·W。gydF4y2Ba 余gydF4y2Ba C。gydF4y2Ba 健壮的逻辑回归模型基于非凸点球回归及其经验证据”gydF4y2Ba 统计与决策gydF4y2Ba 2020年gydF4y2Ba 36gydF4y2Ba 16gydF4y2Ba 23gydF4y2Ba 27gydF4y2Ba 刘gydF4y2Ba B。gydF4y2Ba 赵gydF4y2Ba t·S。gydF4y2Ba 张gydF4y2Ba r . X。gydF4y2Ba 私人汽车拥有量预测基于改进PCA-Logistic模型gydF4y2Ba 高速公路和交通科学技术gydF4y2Ba 2020年gydF4y2Ba 37gydF4y2Ba 8gydF4y2Ba 136年gydF4y2Ba 143年gydF4y2Ba 旷gydF4y2Ba z S。gydF4y2Ba 什么是行政区划调整的逻辑在中国近年来吗?——基于EHA-Logistic模型实证分析gydF4y2Ba 公共管理评论gydF4y2Ba 2020年gydF4y2Ba 13gydF4y2Ba 4gydF4y2Ba 22gydF4y2Ba 40 + 205gydF4y2Ba 吴gydF4y2Ba Y。gydF4y2Ba 朱gydF4y2Ba j . M。gydF4y2Ba 吴gydF4y2Ba Y Y。gydF4y2Ba 安徽物流发展水平的综合评价基于因子分析和聚类分析gydF4y2Ba 武汉大学学报的轻工业gydF4y2Ba 2019年gydF4y2Ba 38gydF4y2Ba 6gydF4y2Ba 74年gydF4y2Ba 80年gydF4y2Ba 李gydF4y2Ba D。gydF4y2Ba 朱gydF4y2Ba j . M。gydF4y2Ba 财务预警研究化工产品行业基于因子分析和支持向量机模型gydF4y2Ba 齐齐哈尔大学学报(自然科学版)gydF4y2Ba 2018年gydF4y2Ba 35gydF4y2Ba 4gydF4y2Ba 90年gydF4y2Ba 94年gydF4y2Ba 黄gydF4y2Ba h . Y。gydF4y2Ba 吴gydF4y2Ba l . B。gydF4y2Ba 李gydF4y2Ba 美国Z。gydF4y2Ba 应用支持向量机的一种改进的模拟退火算法优化研究和判断的交易信号gydF4y2Ba 延边大学学报(自然科学版)gydF4y2Ba 2017年gydF4y2Ba 43gydF4y2Ba 1gydF4y2Ba 25gydF4y2Ba 33gydF4y2Ba 戴gydF4y2Ba W。gydF4y2Ba 朱gydF4y2Ba j . M。gydF4y2Ba 自然资源资产的评估基于层次分析法的离任审计gydF4y2Ba 内江师范学院杂志》上gydF4y2Ba 2019年gydF4y2Ba 34gydF4y2Ba 2gydF4y2Ba 90年gydF4y2Ba 95年gydF4y2Ba 朱gydF4y2Ba j . M。gydF4y2Ba 陈gydF4y2Ba Y。gydF4y2Ba 张gydF4y2Ba 年代。gydF4y2Ba 分析气候变化对国家脆弱性影响的基于模糊综合评价gydF4y2Ba 离散动力学性质和社会gydF4y2Ba 2020年gydF4y2Ba 2020年gydF4y2Ba 10gydF4y2Ba 3527540gydF4y2Ba 10.1155 / 2020/3527540gydF4y2Ba 杨gydF4y2Ba p . H。gydF4y2Ba 江gydF4y2Ba Y Y。gydF4y2Ba 唐gydF4y2Ba Q。gydF4y2Ba 优化仿真沙塔生活在动态环境中基于稳定原则gydF4y2Ba 离散动力学性质和社会gydF4y2Ba 2020年gydF4y2Ba 2020年gydF4y2Ba 7gydF4y2Ba 8850110gydF4y2Ba 10.1155 / 2020/8850110gydF4y2Ba 一位gydF4y2Ba M。gydF4y2Ba 普里gydF4y2Ba M。gydF4y2Ba 德里gydF4y2Ba k . L。gydF4y2Ba BacHbpred:支持向量机方法的预测细菌hemoglobin-like蛋白质gydF4y2Ba 生物信息学的发展gydF4y2Ba 2016年gydF4y2Ba 2016年gydF4y2Ba 11gydF4y2Ba 8150784gydF4y2Ba 10.1155 / 2016/8150784gydF4y2Ba 2 - s2.0 - 84962272171gydF4y2Ba 佩雷斯gydF4y2Ba 大肠。gydF4y2Ba 华瑞兹市gydF4y2Ba d·G。gydF4y2Ba 布尔戈斯gydF4y2Ba M . j . M。gydF4y2Ba 影响的设计参数的数量和位置符合空气动力学的形状优化跨声速机翼和翼通过进化算法和支持向量机gydF4y2Ba 工程优化gydF4y2Ba 2016年gydF4y2Ba 49gydF4y2Ba 2gydF4y2Ba 181年gydF4y2Ba 198年gydF4y2Ba SmallmangydF4y2Ba lgydF4y2Ba ArtemiougydF4y2Ba 一个。gydF4y2Ba 研究不平衡支持向量机算法足够的降维gydF4y2Ba 通信在统计理论和方法gydF4y2Ba 2016年gydF4y2Ba 46gydF4y2Ba 6gydF4y2Ba 2751年gydF4y2Ba 2763年gydF4y2Ba 10.1080 / 03610926.2015.1048889gydF4y2Ba 2 - s2.0 - 85002410756gydF4y2Ba 这名gydF4y2Ba F。gydF4y2Ba CopettigydF4y2Ba M。gydF4y2Ba PiepoligydF4y2Ba 一个。gydF4y2Ba 支持向量机是基于微rna表达谱预测壶腹癌的组织学起源gydF4y2Ba 胰腺gydF4y2Ba 2016年gydF4y2Ba 45gydF4y2Ba 4gydF4y2Ba 626年gydF4y2Ba 629年gydF4y2Ba 10.1097 / mpa.0000000000000481gydF4y2Ba 2 - s2.0 - 84962497782gydF4y2Ba PutrantogydF4y2Ba t·g·A。gydF4y2Ba CandradewigydF4y2Ba 我。gydF4y2Ba Sistem klasifikasi tingkat keparahan retinopati diabetik menggunakan支持向量机gydF4y2Ba IJEIS(印尼电子杂志和仪表系统)gydF4y2Ba 2018年gydF4y2Ba 8gydF4y2Ba 1gydF4y2Ba 37gydF4y2Ba 48gydF4y2Ba 郭gydF4y2Ba r . J。gydF4y2Ba 黄gydF4y2Ba s . b . L。gydF4y2Ba ZulviagydF4y2Ba f·E。gydF4y2Ba 廖gydF4y2Ba t·W。gydF4y2Ba 人工蜜蜂colony-based支持向量机的特征选择和参数优化规则提取gydF4y2Ba 知识和信息系统gydF4y2Ba 2018年gydF4y2Ba 55gydF4y2Ba 1gydF4y2Ba 253年gydF4y2Ba 274年gydF4y2Ba 10.1007 / s10115 - 017 - 1083 - 8gydF4y2Ba 2 - s2.0 - 85022055508gydF4y2Ba ParameswargydF4y2Ba N。gydF4y2Ba 迪尔gydF4y2Ba 年代。gydF4y2Ba OngsakulgydF4y2Ba V。gydF4y2Ba 国际合资企业的目的和交互后终止gydF4y2Ba j .全球业务发展gydF4y2Ba 2018年gydF4y2Ba 11gydF4y2Ba 6gydF4y2Ba 687年gydF4y2Ba 705年gydF4y2Ba 10.1504 / jgba.2018.097775gydF4y2Ba 2 - s2.0 - 85061388026gydF4y2Ba MapedzagydF4y2Ba E。gydF4y2Ba 范KoppengydF4y2Ba B。gydF4y2Ba SitholegydF4y2Ba P。gydF4y2Ba BourblancgydF4y2Ba M。gydF4y2Ba 合资企业计划在林波波省及其结果小农生计gydF4y2Ba 地球物理和化学,部分A / B / CgydF4y2Ba 2016年gydF4y2Ba 92年gydF4y2Ba 92年gydF4y2Ba 98年gydF4y2Ba 10.1016 / j.pce.2015.10.016gydF4y2Ba 2 - s2.0 - 84977913852gydF4y2Ba RajakgydF4y2Ba r . C。gydF4y2Ba 巴纳吉gydF4y2Ba R。gydF4y2Ba 一个创新的方法混合酶2 g从木质纤维素的原料乙醇生产企业”gydF4y2Ba 能量转换和管理gydF4y2Ba 2020年gydF4y2Ba 207年gydF4y2Ba 112504年gydF4y2Ba 1gydF4y2Ba 10gydF4y2Ba 10.1016 / j.enconman.2020.112504gydF4y2Ba 刘gydF4y2Ba j·B。gydF4y2Ba 赵gydF4y2Ba J。gydF4y2Ba 最小值gydF4y2Ba J。gydF4y2Ba Hosoya指数的图形形成的分形图gydF4y2Ba 分形复杂的几何性质和社会模式和扩展gydF4y2Ba 2019年gydF4y2Ba 27gydF4y2Ba 8gydF4y2Ba 19gydF4y2Ba 35gydF4y2Ba 10.1142 / s0218348x19501354gydF4y2Ba 刘gydF4y2Ba j·B。gydF4y2Ba 赵gydF4y2Ba J。gydF4y2Ba 蔡gydF4y2Ba Z。gydF4y2Ba 在广义邻接,拉普拉斯算子和无符号的拉普拉斯算子谱的加权边缘电晕网络gydF4y2Ba 自然史一gydF4y2Ba 2020年gydF4y2Ba 540年gydF4y2Ba 12gydF4y2Ba 30.gydF4y2Ba 10.1016 / j.physa.2019.123073gydF4y2Ba