文摘
的背景下国家大力支持创业、国内中小企业迎来了发展的高潮,但仍然存在危机与机遇共存。据统计,大多数中小企业无法生存的前三年创业的初始阶段。可以说,企业存在的风险。如何面对危机和风险有效地避免这些区域风险已经成为企业的一个重要因素生存了很长一段时间。全球经济一体化的加速,不仅企业带来了机遇,也给企业的生存带来了挑战。目前,在中国很少有研究区域风险和大多数定性研究;没有更具体的风险因素量化研究。针对这种情况,本文将研究区域的量化评价模型基于机器学习的风险因素。这个模型的发展采用支持向量机的方法,这是一个更常用的风险评估机器学习方法。为了更好地评估风险,本文还建立了风险评估指标体系,详细分类区域风险的因素并给出了具体的评价方法。 Through the combination of modern technologies such as intelligent computing, semisupervised learning, and strategic center organization, the final model is established. After four risk prediction experiments including measuring the net profit margin of total assets of enterprise a, the data shows that the accuracy of the risk assessment model in this paper has been greatly improved compared with the traditional way and shows that the short-term prediction is higher than the long-term prediction and the overall prediction effect is relatively ideal, which can be applied to the practical management of regional risk prediction of enterprises.
1。介绍
目前,国民经济的进一步繁荣和不断减少企业的进入门槛,国内中小企业的发展迎来了一个新的春天,即。,许多中小型企业如雨后春笋般涌现出来。作为经济发展的主力军,中小企业,成本的控制一直是主要的问题,困扰着中小企业的可持续发展。因此,现代企业的发展必须解决的问题,企业成本管理和控制。他们的发展已经成为国民经济可持续发展的主要驱动力。在1980年代,改革开放的进一步加快,中国社会主义市场经济的逐步发展和完善。第15届中国共产党全国代表大会提出,私人经济,外国合资企业经济,个体经济应当被视为社会主义市场经济的重要组成部分,非公有制经济的发展应大力支持。16日,中国共产党第十七次全国代表大会进一步提出,“我们应该规范,引导和支持中小企业的发展,使中小企业成为社会主义市场经济的重要组成部分。“目前,中小企业在国民经济中发挥着越来越重要的作用,不同的国家,逐步成为一个助推器,促进全球经济的发展。据统计,在发达国家,随着科学技术的不断发展,中小企业的贡献率经济增长达到了75%;在美国等国家,提倡个人英雄主义,中小企业的贡献对国民经济已超过80%。中小企业在中国国内生产总值的贡献率达到55%。
从上面的数据,不难看到,中小企业是中国经济发展中发挥着越来越重要的作用。中小企业已成为国民经济发展的重要推动力量,和他们的快速发展已成为国内生产总值(GDP)增长的主要来源,税收增长,出口贸易增长。此外,中小企业的崛起与发展极大地促进了中国城市化进程中。然而,随着全球化的不断推广和次贷危机的蔓延,在国内市场的竞争越来越激烈;很多中小企业在金融危机中关闭。面对各种各样的突然袭击的风险和威胁,企业可以生存,有效应对各种潜在风险,避免冲击,并确保其业务的长期繁荣,所以风险管理尤为重要。风险管理的研究和应用受到了企业的广泛关注和重视经理。在实践中,他们意识到,只有通过积极避免风险,减少风险造成的损失他们能突破海浪在激烈的市场竞争,避免风险。虽然企业管理者认识到风险管理的重要性和应用风险管理的概念和实践操作的生产和操作,在相同的客观条件下,不同的风险经理有明显不同的能力和识别和分析风险因素,如知识和技能是完全不同的。特别是在风险识别的过程中,作为风险管理的首要环节,不同的经理有不同的强调风险识别。 Whether an enterprise can fully and effectively identify potential risks will directly determine the effect of risk management and the success or failure of enterprise management. Therefore, risk identification is the key link to risk management and even the whole management. These factors directly affect the efficiency of enterprise risk identification. Only by accurately measuring these influencing factors can we improve the risk identification ability of enterprises.
目前,研究区域的风险企业在中国起步较晚。与国外相比,中国的研究是基于定性研究更有针对性,但很少有模型,可以定量的作用。因此,本文旨在研究企业的影响因素的测量区域风险的机器学习理论,希望建立一个模型进行定量研究区域企业面临的风险。首先,本文全面阐述了区域风险的定义和主要地区中国企业所面临的风险,包括四个风险因素包括地区产业结构和字段。针对区域风险因素,本文建立了风险评价指标体系,旨在准确提供数据区域的单因素风险,然后分析了特定风险系数通过评估标准和模式。对于风险评估模型,本文是基于机器学习理论。机器学习是一种常用的方法,在国外风险研究,精度高的优点,简单的模型建立。支持向量机是机器学习的主要方法。与其他机器学习方法相比,它有明显的优点。通过智能计算和semisupervised学习的结合,最终形成模型。 In order to verify the accuracy of the model, at the end of this paper, four experiments including available asset liability ratio, total asset net profit ratio, net asset return ratio, and total asset turnover ratio are carried out based on the reduction results of asset performance index data attributes of enterprise a. The data shows that the regional risk assessment model based on machine learning in this paper has good accuracy and has achieved ideal experimental results [1- - - - - -3]。
2。区域风险的核心概念
2.1。区域风险的概念
区域金融是指一个国家的金融体系的空间分布和金融操作。区域金融的本质是学习金融的特定的对象在一个特定的区域经济学科。由于现代空间资源的供给和需求的失衡,金融行业的发展和操作必须有区域不平衡。然而,随着市场经济的不断发展和互联网的金融工具的出现,之后的物理流价值已成为社会发展的主流趋势和金融发展是经济发展的主要推动力量。因为区域经济发展很大程度上取决于区域金融和耦合机制,区域经济和财政将更加复杂。汇率风险,利率风险,外汇储备风险,流动性风险和其他宏观财政风险不同于宏观金融风险,如管理风险、市场风险、金融风险和区域金融风险(也称为摘要区域中小企业所面临的风险)。有超过两种金融风险。区域金融风险是指金融风险造成的传播和扩散的国内金融风险在特定的经济系统中,主要由个人的传播和扩散系统中或micro-individual风险系统的一部分,或其他系统密切相关的扩散区域金融风险(4- - - - - -6]。
2.2。主要地区企业所面临的风险
区域在中国中小企业所面临的风险主要是如下。
2.2.1。在该地区的产业结构和字段
近年来,由于经济衰退在欧洲和美国,国际需求的疲软,国内外贸行业普遍面临着更严重的商业危机。目前,由于信用风险突出,长江三角洲和福建都高度依赖对外贸易的地区。尽管广东也高度依赖对外贸易,大规模的信贷风险还没有出现。这是因为自2008年以来,许多中小企业在广东已经开始减少生产规模和生产根据订单。这些中小企业不太可能利用私人资金和银行贷款的高杠杆操作,所以即使他们失败由于经营困难,对金融业的影响相对有限。此外,由于日益严重的烟雾在中国北方的大部分地区,重污染行业如钢铁、煤炭、造纸、和化学工业可能会被禁止,而且,国家颁布了一系列措施,加强监督,消除污染工业的落后生产能力,这无疑是糟糕的小型和中型的企业技术力量薄弱。一些中小企业最终将面临淘汰的命运当他们投资或变换。
2.2.2。在该地区活动的商业银行
常见问题的“融资困难,融资贵”是面对中小型企业在中国,和现金流是企业发展的命脉。在正常情况下,由于商业银行之间的激烈竞争,在该地区,有很多银行,为自己的利润和客户端项目的数量可能会减少;银行对中小企业的信贷资金可能大幅增加。然而,由于许多因素,如信息不对称,许多银行经常给企业的信贷额度,导致高杠杆比率的企业。过度信贷扩张的最直接的后果是滥用资金。
2.2.3。民间借贷活动在该地区
理论上,如果私人借贷市场区域是活跃的,就越容易为企业在该地区获得私人基金和银行资金越有可能进入私人领域的融资。从经济角度来看,私人贷款往往是企业融资的重要来源,特别是小型和微型企业,以及银行系统。私人贷款,然而,也有一些风险,如基金的来源是很难控制,流动资金尚不清楚,财务杠杆率很高,无法保证基金的安全。在经济低迷时期,整个社会的信用资源通常是紧张,如果私人贷款,很容易打破资金链。
2.2.4。在该地区敏感的投资者
在我们国家的历史,许多不同的商业团体有形成于不同的领域。即使在现代,这种区域商业文化是非常明显的。不同的地区通常有不同的业务概念。发现浙江商人的风险的显著特点是他们中的大多数喜欢并愿意承担的风险高风险为了追求更高的利益。近年来,由于利润高,大量的私人资本流出江苏和浙江,导致严重的工业空心化[7- - - - - -9]。
3所示。基于机器学习的区域风险评估模型
3.1。施工风险指数
机器学习与数据的快速增长,是一个新的边缘学科。它模拟或实现人类的学习行为通过计算机的强大功能,从而获得新知识,重组现有的知识结构和技术技能,并不断提高其性能。基于两类26指标表1,一系列的基本分类器(子)与区域风险评估能力生成结合机器学习理论与模型建设。然后,通过模型集成的子具有不同风险评估能力,评估模型的效果将得到加强10,11]。
3.2。指标体系变量解释
我们将防范系统性风险在金融领域,全面深化金融改革,有序推进股份制改革,提高金融机构和企业的市场化退出机制。如果一个企业在经济破产的边缘很长一段时间,它将逐渐被合法化破产重组或处理。摘要经济破产的定义是一个虚拟变量和现象研究包括银行区域风险的发生和不发生。为了进行回归分析,设置哑变量,在吗代表个人和代表着时间。当这种现象发生时,为1,否则为0。由于事件的概率是0和1之间,一个不可见的变量介绍了取代 。当大于0,为1,否则为0 (12- - - - - -14]。
3.3。SVM-KNN模型
支持向量机(SVM)是一种机器学习方法,以结构风险最小化作为优化目标。其泛化能力显然比一些学习方法经验风险最小化作为优化目标。在线性时间大多数数据的共享,惩罚因子C将被添加到支持向量机学习算法和误差函数C将优化获得决定表面最小的经验误差(15- - - - - -17]。支持向量机的优点如下:(1)支持向量机算法采用间隔最大化的策略而不是经验风险最小化的策略。(2)支持向量机算法的计算复杂度取决于支持向量的个数,而不是样本空间的维数。使用内核技术,我们可以得到一个非线性支持向量机分类器。
非线性支持向量机问题的基本思想是将线性不可分的样本空间问题的近似线性可分问题通过非线性映射特征空间,然后解决分类表面与特征空间的最大射程。此外,对偶问题只涉及样本之间的内积操作;也就是说,只有特征空间的内积操作是必要的。通过使用内核技术,我们可以得到他们的特征空间中的内积值不知道非线性映射函数。
在 , 是一个函数从输入空间映射到特征空间和是一个核函数:
的函数间隔超平面 对样本点 被定义为
几何间隔
输入如下: 在哪里属于 , ,和是一个类的标志吗 。当 , 被称为积极的比例,什么时候 , 是一个负面的例子。样品是非线性和分离。
输出构成决策功能。(1)相对应的凸二次规划问题构造SVM和解决,和最优的解决方案得到如下: (2)计算如下: 在哪里 。(3)得到决策函数如下:
支持向量机主要用于数据分类和模式识别。它可以预测分类标签通过提取模型描述数据类。
3.4。分布估计方法
智能计算的计算方法是一种新型的计算机机器模拟自然的法则来分析和解决问题。典型的智能算法包括遗传算法、蚁群算法、粒子群算法、免疫算法,神经网络,等。本系统主要涉及的优化分布估计算法在智能计算算法,这是广泛应用于模型参数的优化。这些线详细描述如下(18- - - - - -20.]。
分布估计算法(EDA)是一种计算方法相结合进化计算和统计学习。它直接为整个组建立了一个数学模型,建立了良好的个人信息更好的个人通过统计分析,基于当前人口概率分布模型,然后通过采样和下一代解决方案实现了人口发展等等。经过反复统计建模和抽样过程,得到问题的最优解。EDA具有良好的全局搜索能力。
EDA的基本操作过程如下:(1)第一代中型人口随机生产的可行域。(2)根据适应度函数,每个单独的健身价值计算,并根据具体选择方法(如旋转选择和排序选择),占主导地位的组织,并有很强的适应性选择。通过数理统计的方法,一个新的人口样本选择和人口建立概率模型。(3)新物种是由抽样概率模型,计算新个体的健身价值,选择新的占主导地位的人口,和步骤d执行指导新物种达到收敛或终止条件。(4)更新概率模型,并返回到步骤(3)。(5)重复步骤(3)和(4)步,直到算法是收敛的。
EDA的核心是确定一个好的概率函数符合最优参数分布。当独立相关的多个参数进行优化,建立了单变量概率函数为每个参数。当相关参数优化时,符合优化的参数分布的概率函数应该是多元联合分布函数。因此,当我们使用EDA算法时,我们必须有足够的知识和经验来解决问题,建立适当的模型来解决具体问题。EDA的优势是,它可以使用概率图模型与关联模型变量。在多变量参数的优化问题,解决EDA更接近全局最优的解决方案。该算法是快(21- - - - - -23]。
标准EDA的流程图如图1:
在本文中,我们将使用分布估计算法优化C1和C2 SVM模型中的参数,找到最合适的参数对金融数据。
3.5。施工风险指数
监督学习的训练样本点包括样本对应输入和输出信息。无监督学习训练样本数据只包含样本输入,不样例输出。Semisupervised学习使用输入数据和输出数据,只有输入数据用于训练和学习。本文的主要思想是使用监督学习分类器获得法官的类数没有类数数据,然后添加新标签的数据训练集+类数,以火车的知识中包含的标记数据和未标记数据分类器(24- - - - - -26]。
自我训练的台阶semisupervised学习算法如下:输入:标记训练样本集 ,标记训练样本集 ,特性集 ,自我训练时间 ,样本信心阈值输出:最终的分类器 标记训练样本集用于训练分类器的特性集 。分类器l用来预测,所有样品吗不属于类标签并计算他们的信心 。增加信心大于阈值的训练样本标记为样本集结束
Semisupervised学习理论在文本分类,有广阔的应用前景图像内容检索,图像和视频标签字段。
3.6。操作步骤的风险预警
风险预警的最终目的是预测一个企业是否在正常状态或处于风险状态根据其业务数据。摘要向量用于表示预警变量和特征用于表示状态的企业。风险预警的过程就是找到函数之间的映射和 。虽然索引变量之间的映射函数和输出变量缺乏具体的理论模型的支持,我们可以使用机器学习技术适应基于企业历史数据的映射函数(27,28]。
因此,风险预警系统本质上是一个二进制分类系统的正常和异常数据分类的公司,这是一个监督学习系统。系统数据收集的信息了解老板的公司。公司的规范化的风险预警系统如图2。
一般风险预警的基本步骤如下:(1)选择训练样本和测试样本数据。(2)预警功能选择根据原始数据的特征。(3)根据特征选择方法和数据预处理方法,最后警告的功能模型。(4)建立预警模型。与不同的预警模型,模型的复杂性不同,预测结果是不同的,和模型的泛化能力也不同。(5)根据评价结果,选择最优模型作为最终的预警模型。
3.7。战略围绕组织
本文采用的策略战略围绕组织赢得了平衡计分卡的策略。这一战略管理方法平衡金融和非功能方面,内部和外部因素,结果和司机,长期和短期绩效指标。战略围绕组织不同于其他一般的组织,因为他们可以系统地描述、测量和管理策略(29日,30.]。
一个战略围绕组织的五个基本原则是用来管理的实现策略:(1)动员:高层领导推动变化战略围绕组织领导人的首要任务是要让所有员工感到战略的必要性及必要的改变来实现策略。一旦战略变化过程已经启动,高层管理团队需要启动一个治理过程指导转换过程。治理过程识别、沟通和提高新的文化和价值观。(2)转换:将战略转化为可行的行动没有一个清晰的描述策略,它是不可能确定的测量策略目标的方式,也就是说,开发平衡计分卡,确保平衡计分卡的全面实施。战略地图和平衡计分卡提供工具来描述如何通过无形资产可以创造股东价值。通过将策略转换为一个逻辑战略地图和平衡计分卡,都可以使业务单位组织和员工意识到一个统一的理解策略31日,32]。(3)协同效应:让周围的组织协调策略为了充分发挥1 + 1 > 2的合理协调,必须打破传统的内部协调障碍,使所有单位的战略和协调密切相关。战略围绕组织可以打破这个障碍。组织应配合每个业务单位和部门相关的平衡计分卡,充分发挥组织的合理性,促进战略的实施。(4)动机:让每个人的日常工作策略战略的成功实施取决于积极贡献和组织中的每一位员工的共同努力。因此,战略围绕组织需要让所有员工通过战略沟通,正确理解战略目标分解、和动机,以确保日常工作可以专注于战略(33]。(5)一个持续的过程控制:使战略首先,该组织应该链接战略预算流程。组织需要两个预算,战略预算和业务预算。有一个基本的区别这两个预算。平衡计分卡应该确保长期行动计划不受短期任务和实现。预算过程还应该确保长期行动计划经济支持和不受短期业绩压力。第二,建立一个战略回顾会议,设计一个信息反馈系统,以支持这一过程。最后,与应用程序的记分卡行动,组织应该测试的战略假设,实现学习和更新组织的战略重点和计分卡根据实际情况。
4所示。影响分析的风险预测模型
4.1。实验样品
实验数据的索引数据是国有企业上市公司从国家泰安数据服务中心。根据企业资产的减少数据属性的结果性能指标,该地区的风险,企业可以通过四个指标预测:资产负债比率、总资产净利润率、净资产的比率,和总资产的周转率。
4.2。指数分析,资产负债比率
从资产负债表预测误差表在桌子上2和资产负债表分析图3可以看出,资产负债表比率是根据满足稳定序列的特点,适用于这个模型。根据AIC准则,该模型 获得和使用最大似然参数估计方法。估计的参数值x=−0.0175和y= 0.0148,对数的值目标函数的最大似然估计方法是59.786。模型试验后,残余向量的标准差是0.0496。测试假说和模型是正确的。基于模型分析,预测价值的资产负债比率在2017年四个季度的观测值是一致的数据库和表2。消极的出错率表明,预测值与实际值的估计价值是一致的。
4.3。总资产净利润指标的分析
从预测误差表可以看出资产净利润总额的索引表3和净利润分析曲线如图4总资产净利润率的数据序列满足稳定序列的要求。从观察可以看出,企业的总资产净利润是跟踪,所以总资产净利润率符合序列特征。AIC函数的最小值 −146.16。使用最大似然估计法估计的参数序列模型,和参数x是0.4317。残余向量的标准差是0.0632。通过模型的测试,本文中的模型分析是正确的。之间的误差估计预测值和实际值小,精度高。
4.4。净资产收益率指标分析
根据股票指数收益率的预测表图4和股本回报率的分析图表,如图5,股票指数收益率的数据序列满足稳定要求的顺序和指数的样本序列满足的特征序列。根据AIC准则, 。在参数估计,最大似然估计是用于获取参数x= 0.3864。残余向量的标准差是0.0762。如果这个假设被接受,模型建立。预测结果与实际值比较,误差很小,这是一致的自相关和偏相关,表明本文模型具有更好的预测能力。
4.5。指数的总资产周转率分析
根据预测误差表总资产周转率的表4和分析总资产周转率在图的图表6可以看出,总资产周转率的相关特性不符合要求的稳定的系列,但满足的非平稳时间序列的要求。因此,该指数是由ARIMA(处理p,d,问)序列。的区别后,自相关函数和偏相关函数重新计算和相应的系数也平稳序列的特点,d= 2。然后,ARMA (p,问)用于序列分析和AIC准则是用来确定序列。当 和问= 7,AIC函数的最小值是−42.13。根据最大似然估计方法,残余向量的标准偏差为0.0654,构建本文的模型。预测值和测量值之间的差异并不显著,这表明,模型的预测精度高。
它可以从公司的四项指标的预测价值2017年四个季度的预测结果,每一个指标,本文通过模型分析比较接近实际值。尤其是当使用本文中的模型估计的预测价值指数在附近的一个相对时间,出错率低。如果索引值的预测时间很长,出错率高。结果表明,该模型分析方法比长时间的预测更准确。
5。结论
基于区域风险的系统回顾和主要地区企业所面临的风险因素,本文初步分析了企业的风险。相信对于企业来说具有重要意义评估区域风险准确、及时、有效地风险管理策略,这关系到企业的生存和发展。为了进一步研究风险评估,本文根据国内外的研究,建立了相应的企业区域风险因素评价指标体系。系统的建立在后续风险评估具有指导作用。识别风险因素,本文建立了一种评价和预测模型通过当前更先进的机器学习方法。该模型具有自主学习的特点和持续升级和情报和更有利的方法在风险评估模型。
数据可用性
没有数据被用来支持本研究。
的利益冲突
作者宣称没有利益冲突。