文摘

随着互联网的普及,电子商务平台的崛起,导致供应链的快速发展(SC)金融服务在中国,和商业银行的竞争力和核心企业在供应链正在逐步增加,迅速扩大到两者之间竞争的一个重要领域。作为一个新兴的力量反弹的经济低迷时期,电子商务平台交易,与他们独特的信息化特征,多元化,和方便,提供了一个广阔的网络空间SC融资。本文主要分析电子商务SC融资的风险识别方法,分析其风险的融资过程,给出了相应的数据支持事项或过程可能导致融资风险基于DCNN模型,并以京东SC金融为例,分析其主要的融资方法和风险识别过程;根据不同的实验比较,多组试验研究表明,供应链金融风险识别的准确性使用深卷积神经网络模型可以达到95.36%,这表明了该方法的有效性通过提供更好的性能比传统的BP和SVM网络。

1。介绍

随着互联网的普及,越来越多的电子商务企业依靠网络平台完成多渠道融资的项目。数量稳步增加的在线平台机构和电子商务企业导致增加多样性。与经济政策的鼓励和波的“互联网+”人正试图利用互联网建立一个现代智能SC系统集成大数据(1),共享网络,人工智能,区块链。为了应对国内经济转型升级和网络文化的冲击,传统企业也开始改变,打开新市场基于以下过去的概念。银行和金融中介机构正在积极建设自己的数据平台,形成众多的分支机构的优势,广泛收集金融人才,达到让客户数据更立体,同时保留原来的客户(2]。

在供应链中,除了核心企业,上游经常在融资困难和昂贵的融资由于自己的规模,已成为发展的一个瓶颈SC,集物流、信息流、商业流、SC和资本流动,提供了一种新的方法打破SC发展的瓶颈,并迅速发展。2014年,上海:SC管理公司(3)有限公司被媒体曝光,其资金链出现问题,并欠一大笔钱,和2019年的“成兴国际事件”涉及一大笔钱。2019年,CBIRC发布“指导促进SC金融服务”,说明有必要坚持准确的金融服务,交易的真实性背景,交易信息的可用性(4];从线下SC金融在线SC金融转型升级,由于快速发展,SC金融的研究长期以来存在于理论严重滞后于实践的情况(5]。

国外学者主要从企业融资的角度。Timme [6)认为,SC融资是一种新型的融资业务中所有的参与者SC链配合金融机构外链SC融资提供方便。霍夫曼(7),从工业组织之间的资金流动的角度,提出SC金融组织内部和外部的SC,通过计划和控制;因此,伯杰和Udeel [8)提出了一个“政府政策金融structure-lending技术”融资方式。迈克尔Lamoureux [9]做了一个新的定义概念的SC金融的基础上合成的先前的研究学者,和他认为SC金融资本的优化是一个过程,资本流、物流、信息、和商业集成和各种融资手段和成本优化。Lamoureux [10)认为,SC金融是一个优化的过程系统的融资,通过集成和使用事务信息,资本流动的集成,物流、商业流、信息流和嵌入成本管理分析和基金的可用性和成本优化的各种融资工具。李等人。11)从企业资本流动的角度出发,指出SC金融是金融服务活动,为企业提供信贷和结算SC通过资本优化和监测,以减少供应商和零售商的成本。可以看出,国外学者理解SC金融从最早的只有一种融资手段,后来SC系统关注的资金流动和资本优化过程12),逐步考虑SC金融综合金融服务改善SC的效率和金融增值。

与外国学者相比,国内学者们的研究SC金融开始后,一个不同的入口点。最早,汗等。13)提取“融通基金仓库”从物流金融的概念,和“融通基金仓库”分为两个定义:广义和狭义的,但现在,狭窄的定义主要是采取:融通基金仓库是一个综合服务平台,集成了对中小企业的信贷,包括物流企业,和连接传统的商业平台和电子商务平台。它是一个综合服务平台,集成了对中小企业的信贷(14,15),介绍了物流企业,并连接传统的商业平台和电子商务平台和被认为是打破“瓶颈”中小企业的外部融资。其他一些学者定义SC金融服务的商业银行的业务模式。

随着研究的深入,逐渐从研究物流金融与融资转向SC结构的分析(16]。这个阶段定义如下:SC金融是基于其内部事务的分析结构,引入变量如核心企业、物流监管企业和资本流动工具,并使用self-repaying贸易信贷模型提供封闭的信贷、结算、财务管理、和其他金融服务企业(SC节点17]。Apostolopoulos和Mpesiana18)已经制造了一个新的解释和扩张的定义,认为SC融资提供有针对性的财务管理解决方案的特定的金融机构或组织者SC(核心企业、第三方物流企业)中的特定链接SC或整个节点的整个过程。

在线SC (OSCF)融资的概念第一次被提出的小王和黄19]。SC网络金融是指一个新的综合金融服务模型中,一个电子商务平台,这是合格的操作和提供资金同时,还是商业银行,与大量的客户信用体系平台,积累的数据,并使用self-reimbursement贸易融资的信贷模型提供商业信用,发放贷款,使中小企业和个人用户的支付和清算平台。根据商誉等。20.),互联网SC财政是一种工业生态系统和金融生态平台,构建跨部门和跨地区通过互联网,物联网,和其他先进技术手段在一个网上平台,广泛结合企业、行业和政府。本文将分析SC融资面临的主要风险及相应的风险控制方法从理论和实践两个方面,DCNN模型,以京东SC金融为例,分析其主要的融资方法和风险识别的过程。通过实验比较,结果表明,提出的准确性深卷积神经网络模型对供应链金融风险识别是95.36%,这是一个提高与英国石油公司相比,支持向量机,和LeNet-5模型,显示了模型的优越性,但由于大量的参数模型的操作,提高操作速度也是一个值得研究的方向。

2。SC对电子商务企业的融资模式

传统的SC金融模型以商业银行为中心的资本融资,与商业银行在信用评估和信用决策的作用。经营有三种主要模式:应收账款融资、订单融资、和仓储融资,其中包括应收账款和应收账款融资商业票据质押模式;顺序保证现货融资和融资顺序的承诺(21- - - - - -23),仓库库存融资分为承诺和机票,然后产品模式。

互联网SC融资模式是一种利用互联网平台交易融资。目前,互联网SC金融包含三个融资模型,即intermediary-type电子商务交易,P2P电子商务platform-led和自营。intermediary-type电子商务交易platform-led SC金融模型提出贷款申请平台电子商务企业有资金需求时,和商人偿还本金和利息的中介平台在完成资本周转率;P2P platform-led是第三方网络平台连接个人资金借贷和放贷方(24),它是困难的对P2P平台作为金融机构单独独立的风险控制;自动电子商务platform-led模型参与其自营自营电子商务的方方面面platform-led模型是参与自己的产品的各个方面,可以为自己的供应商,提供信贷服务的自动操作模式已经获得最全面的数据信息的三个模型。

2.1。电子商务企业的融资过程在SC融资

在SC财政的背景下,电子商务企业使用数据直接资源直接或间接通过数据分析等新兴领域,云计算网络,和经济区块链,形成最初的授权信贷和风险控制系统的电子商务平台25]。同时,电子商务企业依靠国家政策支持和互联网的巨大的资源平台,积累相关金融数据供应商参与融资的运作和销售链,因此融资更省时间。这使得电子商务企业有更多的货物由供应商提供,甚至电子商务购物的节日促销在新媒体下,那里可能供应的短缺,所以承诺货物的第三方存储企业的解决方案,提出了可以应用以及由此产生的应收账款保理融资的融资产品,和供应商将获得一定比例的贷款产品。流程见图1。

当供应商的电子商务企业产生大量的订单,他们也可以选择使用订单作为融资的承诺。供应商平台申请SC后保理融资产品,商业银行通过电子商务公司的数据进行了对比和分析,确定供应商的信用评级和问题一定比例的贷款。当买方支付货物的最终支付的电子商务公司。剩下的资金转移回供应商。流程见图2。

存货抵押贷款融资仓库是指模型。考虑到货物的不稳定性和可变性,它通常需要第三方仓储企业的参与配合电子商务公司进行价值评估和管理企业的库存商品,所以电子商务公司是经销商和物流企业在同一时间。流程见图3。商业银行和电子商务公司收到一个应用程序从一个企业融资需要通过仓库对金融企业融资和同意将存储俘虏的库存在仓库物流、接管管理检查和评估工作;随后,商业银行决定贷款的限制基于反馈评估报告;最后,融资企业退出的库存批次批量后偿还贷款(26]。

自供电是一个更具体的管理模式,而自我管理电子商务参与的整个过程“production-purchase-transaction-transport”自己的产品,和自我管理的电子商务平台可以提供信贷的供应商。供应链的作用更像是一个核心业务,所以对数据的访问是更全面。它在SC中扮演更重要角色,因此拥有更全面的数据。目前,京东的SC融资模型比同行更完整,,本文将探讨其融资风险与分析Jingbao贝的融资模式。

3所示。DCNN原理模型

3.1。时频变换

获得的时频图变换的时频分析方法包含丰富的信息设备和直观地反映了的状态转换。使用一个固定的窗口函数傅里叶变换和其决议也是固定的27,28),使短时傅里叶变换比较有限。连续小波变换的小波基是可伸缩的,解决了时间分辨率和频率。一维连续S-transform的信号x(t)定义如下: 在哪里 是高斯窗函数。其相应的S-inverse变换如下: 在哪里意味着时间变化因素,表示频率,意味着时间,高斯窗函数 是时间和频率的函数,以低频率窗口宽度大具有良好的频率分辨率,和窗口宽度与好的时间分辨率高频率小。

3.2。深度学习卷积神经网络

与传统的神经网络不同,深层学习卷积神经网络模型的特点重量共享。这种结构可以极大地降低模型的复杂度,也有能力自动提取功能。与传统的神经网络相比,深卷积神经网络的性能更好的二维图像。DCNN[的每个部分的功能29日)如图3。(1)输入层,所获得的光谱图像时频变换。(2)卷积层,输入图像矩阵与原始图像的卷积核卷积。卷积运算的特点之一是权重的共享,减少了噪声的原始信号通过卷积操作。(3)汇聚层,也称为downsampling层,通常被称为卷积层和池一层一层的卷积。我们使用最大池构建池层,通过卷积操作,保留主要信息的输出特性的卷积层降低特征维数的基础上提高网络训练网络。(4)全层。(5)在输出层节点的数目对应的类别分类,和输出值代表相应类别的概率。将Softmax分类器选择实现分类的任务。

3.3。向前传播

卷积神经网络的样本集 , 作为输入,作为理想的输出向量向前传播如下(30.]:(1)随机网络参数的初始化。在训练之前,卷积神经网络的参数初始化:权重的卷积内核,偏见,和尾巴感知器的参数。选择一小随机数接近于零,确保培训正常进行,但也确保重量不变得饱和,导致培训失败。(2)计算网络的输出。

3.4。反向传播

深的操作forward-transmitted卷积神经网络模型,但在调整模型参数的过程,从后面到前面。模型调整相应的参数模型层根据自己的识别精度,即最小化误差代价函数是用来调整网络参数,逐步提高模型的性能。理想的输出之间的误差向量和实际的输出向量O计算。 在哪里代表类别的总数,代表了th维度标签对应的输入 ,和代表了输出对应的维度输入网络。

卷积神经网络的误差反向传播训练使用反向传播算法。(1)计算误差的偏导数的重量、backpropagating沿梯度方向的偏导数:

权重更新如下:

偏导数的梯度可以解决:

其中,

向前传播的错误信号:输入层和隐含层权值的调整 。 在哪里输入神经元的输出:

3.5。风险识别模型基于深度学习

Softmax用作分类层,并进行分类的概率 样本向量属于nd分类(显示类的数量)。是一个分类的输出层 - - - - - -维向量的单位值之和为1,以下方程: 在哪里 的参数迭代回归模型, 用于正常输出,代表了维度,代表当前的指数函数元素,代表了当前th元素,代表了分类的概率th元素和代表Softmax的相对概率输出。

Softmax的输出记录和输出值越高,越高的相对概率正确的类别。训练样本被送入DL网络和网络参数训练建立深度学习网络模型。测试样本被送入深学习网络测试的分类性能。实际的振动信号特征被送入训练深度学习模型获得SC融资的风险识别结果。

4所示。实验分析

4.1。数据源

后京东SC金融风险因素的选择,也就是说,在构建目标层,subtarget层、准则层,本文通过专家评估这些风险因素得分得分方法。在京东SC金融风险因素的选择,本文是基于SC-related研究国内外金融风险。通过专家的建议在京东融资,六个主要指标和19个二级指标。在线问卷调查的数据相关从业者SC金融和金融相关领域的学术研究人员被使用。

4.2。选择京东的SC金融的风险因素

通过结果分析京东SC金融的风险因素,我们选择了这些危险因素作为我们研究的对象。京东SC融资,首先,我们的目标层是京东SC金融风险。宏观方面,京东SC金融的风险主要受宏观经济和法律制度。因此,宏观经济环境和法律体系的改善是选为二级指标:microaspect,京东SC金融的风险主要包括电子商务平台和银行之间的关系。整体信用风险、供应链关系,承诺风险和操作风险中扮演重要角色的选择京东的供应链金融的风险因素。京东的风险与银行的关系主要包括之间的密切合作程度,京东和商业银行,商业银行的现状,京东的电子商务平台的现状。我们可以代表京东的SC金融的风险层次结构模型在表1。

4.3。构造成对比较矩阵

“1 - 9”时使用比较两个风险因素,即。范围从1到9。然后,n二级指标相比,获得一个成对比较矩阵,使以下:

接下来,我们需要进行相对权重计算,让第一级指标的相对权重对应的二级指标 京东SC的金融风险 ,和它的向量形式 。

这些因素的线性关系图一级指标如图4。

信用风险这里使用作为一个例子。2乘2比较结果的影响因素的二级指标 在一级指标如表所示2在下面。

二级指标之间的关系的比较效果如图5。

一级指标的权重然后整理如表所示3在继续之前风险识别。

这些一级指标的相对权重关系如图所示6,给出了权重的饼图两次。

通过每一层的重量值指标表3,很容易看到,在一级指标,企业信用风险影响最大的京东的SC金融的风险:下一个主要风险是经济环境和法律和监管风险。随后的风险权重降序排列,京东电子商务和商业银行之间的关系风险,平台运营风险和风险SC企业之间的关系。相对而言,企业承诺的风险的影响也最小重量在京东的SC金融风险。与此同时,它可以从表3的企业信用风险,最大重量的二级指标对京东的SC金融风险主要关注企业交易对手的信用状况;在经济环境和法律监管风险,有最大的影响的指标主要是法律监管机制。京东的电子商务之间的关系的风险和银行之间的合作主要是受到京东的电子商务和银行和商业银行的支持。

上面的一级指标的数据被随机选择使用DCNN模型,共有15000个样本数据的获得,和训练集和测试集的比例随机选择8:2。两次实验,两个实验的数据的具体组成如表所示4。

比较两个实验的数据集的分布如图7。

这两个数据集的基础上,五个每个数据集上进行了实验,以提高风险识别的准确性,避免可能对实验结果的影响,以及具体的识别结果在表5。

比较两组数据的识别结果如图8。

五个实验的平均值,最后被选为SC金融风险的识别结果。比较本文方法与其他方法的结果在表6。

视觉识别精度的比较该方法与其他方法如图9。

从图可以看出8,与其他研究方法相比,该方法的风险识别精度有明显改善,主要是由于独特的模型组合产生,结合最优权重选择的数据,导致进一步提高识别结果和验证该模型的有效性。

5。结论

深度学习的风险识别技术提供了一种电子商务SC融资。基于DL风险识别模型提出了克服了组件之间的交叉干扰问题的时频分析方法,提高时频分析方法的有效性和稳定性。深度学习模型直接处理时频图像,提取信号的时频特性,建立了一个两层的CNN模型应用于风险分析和识别。结果表明,该模型可以实现更高的准确率与以往算法相比,提供风险识别的新方法。虽然深卷积神经网络模型用于本文显示性能优良的金融风险识别的过程,它有一个较长的处理时间比其他模型和现实中很难应用。因此,未来的研究应该关注改善模型的处理速度,减少了参数的数量模型来看,并进一步加快处理速度,同时提高了识别精度。

数据可用性

数据集可以在访问请求。

的利益冲突

作者宣称没有利益冲突。