区域金融生态评估方法

更新时间:2024-02-25 作者:用户投稿原创标记本站原创 点赞:3225 浏览:9480

摘 要:金融生态是指金融业与其生存和发展的外部环境通过自身调节机制,相互影响、相互作用的动态平衡系统.本文将BP神经网络模型与组合赋权思想相结合引入区域金融生态评估,通过使用某省2007年县域金融生态指标数据,并结合实际,与已有组合方法的实证分析比较,表明基于加权分层的BP神经网络模型在区分度、互补性、一致性上均优于已有的区域金融生态评估方法,具有较好的适应性和合理性.

关 键 词:金融生态,组合赋权,BP神经网络,层次分析法

金融生态,又可称之为金融生态体系,是各种金融组织为了生存和发展,与其生存环境之间及内部金融组织相互之间在长期的密切联系和相互作用过程中,通过分工、合作所形成的具有一定结构特征,执行一定功能作用的动态平衡系统.国内较早系统阐释金融生态理论的是周小川(2004),他在深刻认识到我国金融改革的艰巨性和复杂性的前提下提出改善金融生态的思想.

本文结合目前区域金融生态评估方法研究的现状和实际要求,在BP人工神经网络的基础上,采用一种基于组合赋权的输入变量加权分层处理方法.改进后的方法根据层次型指标体系,通过组合赋权法确定原始指标层和子项目层中各元素的相对权重,并以子项目层法治环境、经济基础、信用环境、金融运行四个方面作为BP神经网络的输入节点,建立加权分层的BP神经网络模型.

一、基于加权分层的BP神经网络的区域金融生态组合评估模型的构建

徐诺金(2005)将金融生态概括为各种金融组织为了生存和发展,与其生存环境之间及内部金融组织相互之间在长期的密切联系和相互作用过程中,通过分工、合作所形成的具有一定结构特征,执行一定功能作用的动态平衡系统.结合区域金融生态的复杂巨系统的特征和评估目的,本文在借鉴湖南省金融生态评价课题组对株洲所辖县域金融生态评估时构建的金融生态评价指标体系的基础上,考虑用组合评估方法进行区域金融生态评估.

1.加权分层BP人工神经网络基本思想

1985年Rumelhart和McCelland等提出的误差反向传播(BackPropagation)算法,是目前人工神经网络理论中最重要的一种学习算法,其学习过程是由信息正向传播和误差反向传播两个反复交替的过程所组成.在信息正向传播过程中,输入信息经隐含单元逐层处理转向输出层,可简单地表征为ykj等于fkj(∑n(k-1)i等于1Wk-1ijyk-1i-θkj)


j等于1,2,等nk,,k等于1,2,等,m

式中,Wk-1ij为第(k-1)层中第i个神经元到第j个神经元的连接权因子,θkj为该神经元的阈值.

如果输出层不能得到所期望的输出,则转入反向传播过程.将实际值与网络输出之间的误差沿原来的连接通路返回,通过修改各层神经元的连接权重使误差减少,然后再转入正向传播过程.如此反复计算,直至误差小于设定值为止.该过程可描述为:

E等于12∑pp等于1∑kk等于1(Tpk-Opk)2≤ε

式中Tpk,Opk分别表示输入训练样本为P时输出节点K的计算输出和期望输出,ε为允许的最大误差.

由于标准化处理后的输入变量没有了量纲的区别,每个变量对输出变量的影响所占比例均等,当各类变量的个数差别较大,变量多的几类将削弱其它类变量对输出结果的影响,导致模型评估误差增大.且只能得到最终的评估值,无法看到金融生态各子系统的状态分值.

如图1所示,为提高模型的评估精度,根据层次性区域金融生态评估指标体系,以项目层的四个方面,分别是法治环境、经济基础、信用环境、金融运行,作为BP神经网络的四个输入节点,取代传统的直接将48个原始指标作为输入节点.

2.组合赋权方法的基本原理

指标赋权是评估过程中的重要环节,权重的确定方法主要有两种:一种是主观赋权法中,如综合指数法、专家评价法、AHP法等,另一种是客观赋权法,即根据各指标之间的相关关系或各项指标值的变异程度来确定权数,如主成分分析法、因子分析法、复相关系数法、熵值法等.为科学、合理地给每个指标赋权,使其具有较好的实际应用效果,本文采用组合赋权法,通过对不同的层次设计不同的赋权方法实现主观赋权与客观赋权相结合,具体为:原始指标层因指标个数较多,采用客观赋权法,子项目层采用主观赋权法,并且原始指标层的将熵值法和复相关系数法两种客观赋权法相结合,既考虑各指标之间的变异程度又考虑各指标的相关性以削减指标间信息重叠现象,以达到最大限度地提取并利用指标数据包含的相关信息.

熵(Entropy)的概念源于热力学,后来香农(C.E.Shannon)引入信息论.在信息论中,熵是一种不确定性的度量,信息量越大,不确定性就越小,熵也越小,信息量越小,不确定性就越大,熵也越大.一般而言,指标的离散程度越强,熵值就越大,反之,熵值就越小.可以根据各项指标的变异程度,利用信息熵这个工具,计算出各项指标的权数,为多指标综合评价提供依据.

复相关系数法认为如果某指标与其他指标重复的信息越多,在综合评价中所起的作用就越小,应赋予较小的权数,反之则赋予较大的权数,即根据指标独立性大小来分配权数,同时采用指标的复相关系数来衡量与其他指标的重复信息量大小.

层次分析法的基本原理是将所要研究的复杂问题看作一个大系统,根据系统所涉及的因素和所要达到的目标,通过对系统内的因素及其相互关系的分析,划分出各因素格互联系的有序层次结构体系,再对结构体系中的每一层次按某一给定的准则,根据专家对每一层次中的各因素所作的较客观的逐对比较和判断,相应地给出各因子相对重要性的定量表示,进而建立数学模型,并计算出每一层次全部的相对重要性的权重,并加以排序,最后,根据排序结果进行决策并选择解决问题的方法.

3.实施步骤

基于加权分层的BP神经网络模型的区域金融生态评估过程分为三个阶段:原始指标同度量化,由原始指标层向项目层的逐层归总,将项目层分值输入BP人工神经网络模型最终得到某区域的金融生态评估值.具体如下:

(1)原始指标数据同度量化

不同的指标是从不同的侧面反映区域金融生态,指标之间无法进行比较,因此为了统一评价的有效性,需对各指标进行无量纲化处理.正态化变换(分布打分)是一种非线性变化,使得变换后的分数呈现标准正态分布.

(2)由原始指标层向项目层的逐层归总

原始指标层采用熵值法与复相关系统数法的组合定权,组合的权重为熵值法和复相关系数法所定的权重的简单平均,以此组合权重计算得到各子项目的相对分值,子项目层采用层次分析法定权,计算归总得到各项目的相对分值.

(3)将项目层分值输入BP人工神经网络模型

以法治环境、经济基础、信用基础、金融运行四个项目作为四个输入节点建立三层BP人工神经网络,隐层节点为1,输出节点数为1,即某区域金融生态的最终评估值.利用MATLAB7.0中的神经网络工具箱编写程序,得到各待评区域的金融生态评估值及相对排序.

二、实证分析与比较

以某省某五县(分别是A县、B县、C县、D县、E县)2007年数据为例,说明上述区域金融生态综合评估方法,并与几种典型组合方法进行比较,以分析该方法评价结果的准确性和合理性.

由表1知,由组合评价方法一得出的五县金融生态排名与这五县实际情况相符,得分上总体得分都不高,有很大改进空间,其中最高分A县及最低分E县差距较大,居于中间档次的B县、C县和D县得分较接近.


表1六种组合方法结果比较

表2六种方法结果的描述性分析

极差最小值最大值均值标准差

方法一24.0841.2865.3653.508.54

方法二22.1139.8761.9851.728.67

方法三25.1340.9866.1152.819.02

方法四22.7141.7064.4154.078.39

方法五24.4538.2262.6751.099.32

方法六19.7841.5261..3052.348.074

考察比较所选的六种组合方法,从以下几个方面:

(1)方法的区分度.由表2知,方法三和方法五的标准差较大,方法一和方法二次之,方法四和方法六的较小.这一差异的原因在于原始指标层的客观赋权法不同:信息熵权法其本质是利用评价指标样本集的分布特征确定权重,将指标数据的差异大小作为权重确定的依据,但没有考虑指标的信息重叠和独立性,复相关系数法则根据指标的独立性大小分配权数,而对指标的变异程度没有涉及.方法三和方法五的原始指标层的客观赋权法采用信息熵权法,得出的最终分值的差异较大,而方法四和方法六采用复相关系数法,得出的最终分值差异较小,方法三和方法四是信息熵权和复相关系数的组合赋权,综合考虑了指标的变异程度和独立性,最终分值差异介于上述两组之间.

(2)方法的一致性.对标化后的综合评价值作组间一致性检验,检验方法采用组内相关系数(ICC)法.利用SPSS软件Scale下的ReliabilityAnalysis功能对六组得分值作一致性检验,ICC等于0.9875,ICC的95%的可信区间为0.9645~0.9896,可认为这六组综合评价值一致性很好,比较贴近五县金融生态相对优劣的实际.

(3)方法的互补性.每种方法都有其自身的优点和缺点,它们的适用场合也并不完全相同.通过将具有同种性质综合评价方法组合在―起,就能够使各种方法的缺点得到弥补,而同时兼有各方法的优点.基于加权分层的BP神经网络模型通过对各种方法的组合,可以达到取长补短的效果.通过两组比较,其一为方法一与方法三、方法四,其二为方法二与方法五、方法六,可发现,原始指标层采用组合赋权所得分值介于原始指标层采用熵值法和复相关系数法所得分值之间,更接近于实际.

对某省某五县2007年度指标数据的实证结果表明,基于熵值法和复相关系数法的层次BP神经网络模型在方法的区分度、一致性及互补性方面都有较好的表现,能够有效地综合各方法的优点,反映这五县金融生态的真实情况.

三、结论

本文将组合赋权法和神经网络模型综合评价有机结合运用在区域金融生态的综合评估中,不仅结合了区域金融生态影响因素的多层次和复杂性,将以往分别使用的层次分析法与神经网络综合评价法结合在一个分析模型中,而且将多层次与复杂性的分析模型首次应用于区域金融生态评估,以便为改善区域金融环境提供可靠的决策依据.

基于加权分层的BP神经网络模型的区域金融生态评估方法能够充分利用样本指标的有关信息,通过高度的非线性映射,揭示区域金融生态状况与其相关影响因素之间的内在作用机理,从根本上克服传统线性加权的过于简化和单一方法的顾此失彼.此方法具有自学习性、自适应性和很强的容错性,而且整个评价过程和步骤非常容易实现编程并在计算机上进行运算分析,具有较高的合理性和适用性,使评估结果更有效、更客观.但是样本数据本身的真实性、层次分析法专家打分、BP神经网络训练样本的选取等问题,也应当引起高度重视.只要能采取有效的措施和算法处理好这几个问题,那么基于加权分层的BP神经网络模型的区域金融生态评估方法不失为区域金融生态评估方法中较好的一种.