摘要：我国农村合作金融系统的经营运行长期处于高风险状态，整体经营状况无法利用单一经营指标予以评判，必须通过一套“金融预警系统”进行确认，即利用“金融预警系统”综合判定农村金融机构的营运等级。基于这一研究动机，本文运用人工神经网络方法，构建金融预警模型。在此基础上，利用H省Z市农村信用社资料检验BP神经网络金融预警模型的预测能力。如果检验结果良好，表明可以利用“金融预警系统”综合判定农村金融机构的营运等级。 关键词：农村合作金融；人工神经网络；金融预警 文章编号：1003-4625(2009)06-0053-03 中图分类号：F832.35 文献标识码：A 一、实证模型构建 (一)样本资料选取 本研究样本资料最初选取了H省Z市350家农村信用合作社(分社、营业部)，收集了各农村信用合作社(分社、营业部)的2005年至2007年的各项数据。在实证分析中我们发现，市区和市郊农村信用合作社差别太大，不宜放在一起分析。因此，舍弃了市区的55家农村信用合作社，保留了295家市郊农村信用合作社，总样本量为885家，其中部分样本数据有遗漏，实际有效样本为736家。 (二)研究变量选取 本文构建的金融预警理论模型中将选用16项经营绩效指标为农村信用社金融预警模型的自变量，各指标的说明及理论依据见表1。 本文采用Ward’s法进行阶层式集群分析，得到各信用社营运评等等级，并以此作为预警模型的因变量。 具体方法是，将2005―2007年度农村信用社736家有效样本观察值，按照16项经营绩效指标观察值，划分为： 第一类564家样本数(76.63％)； 第二类112家样本数(15.22％)； 第三类35家样本数(4.75％)； 第四类23家样本数(3.13％)； 第五类2家样本数(O.27％)。 以上如表2所示。 由检验统计量F值及P值显示，五类样本的经营绩效指标存在明显差异，说明所选择的经营绩效指标可以有效地将研究主体区分开。各类型赋予营运评等等级，分别为： 第一类为B级； 第二类为A级； 第三类为C级； 第四类为D级： 第五类为E级。 (三)BP神经网络模型 人工神经网络(Artificial Neural Network.ANN)是对人脑若干基本特性通过数学方法进行的抽象和模拟，是一种模仿人脑结构及其功能的非线性信息处理系统。 先对一些给定的样本以一定的学习准则进行学习，然后根据已有的学习成果对新的样本进行判断评价。 其输入和输出之间的变换关系一般是非线性的，它根据输入的信息建立神经元，通过学习规则或自组织等过程建立相应的非线性数学模型，并不断进行修正，使输出结果与实际值之间差距不断缩小。 人工神经网络通过样本的“学习与培训”，可记忆客观事物在空间、时间方面比较复杂的关系。 一般而言，ANN与经典计算方法相比并非优越，只有当常规方法解决不了或效果不佳时ANN方法才能显示出其优越性。尤其对问题的机理不甚了解或不能用数学模型表示的系统，如故障诊断、特征提取和预测等问题，ANN往往是最有利的工具。 同时，ANN对处理大量原始数据而不能用规则或公式描述的问题，表现出极大的灵活性和自适应性。按照人工神经网络运作模式区分，可分为监督式学习网络、无监督式学习网络、联想式学习网络与最适化学习网络等四大类。其中尤以监督式学习网络最合适应用于预测问题，其运作方式主要分成学习与回想过程。 学习过程即从训练样本中学习资料特性，以调整网络加权值，使网络输出与期望输出的差距量最小化，以建立输入项与输出项之间对应关系；回想过程即依照回想演算法，根据测试样本的输入资料，决定网络的估计值。 但是，并不是所有的监督式学习网络全部具有预测能力，主要是因为某些学习演算法使其输出项只能退化成研究分类问题。而在实证研究方面，基于BP人工神经网络的综合评价方法具有运算速度快、问题求解效率高、自学习能力强、适应面宽等项优点，较好地模拟了评价专家进行综合评价的过程，所以常被广泛应用于预测问题研究。 因此，本研究采用BP神经网路建立农村信用社金融预警模型。 二、实证分析 为了检验金融预警模型正确率，必须将实证样本区分为检验样本、测试样本和训练样本三组样本，训练样本用于推估金融预警模型，测试样本用于对训练好的网络进行测试，以确定或肯定这个网络，检验样本用于检验金融预警模型的正确率。 本文按照习惯的1:1:2的比例划分样本，分别为训练样本(368笔)、测试样本(184笔)及检验样本(184笔)。 BP神经网络是通过不断学习训练，并于学习训练中对网络中具有较大影响力的处理单元赋予较大权数，相对地对于网络中较无影响力的处理单元则给予较小权数，以找出输入单元与输出单元的映射关系。 因此，BP神经网络无须事先考虑输入变数间是否有共线性问题。 其具体参数设定如下： 1、输出层变量：即因变量(A～E五评等等级)。 2、输入层变量：即自变量(16个变量两组样本)。 3、隐层：隐层层数确定为一层，隐层处理单元数目为输入层处理单元数目。 4、学习演算与网路设定：以Delta-Rule为学习法则，Sigmoid为转换函数。 5、其他网路参数则依经验法则予以设定：隐层学习率为0.3、输出层学习率为0.15，惯性因子为0.4。 三、BP神经网络金融预警模型结论 (一)本文所构建的金融预警模型有显著预测能力 在利用368个训练样本推估金融预警模型，并利用184个测试样本测试后已经得到的金融预警模型的基础上，利用184个检验样本对最终的金融预警模型进行检验，实际预测效率为92.66％。 此结果表示本文所构建的金融预警模型预测准确率高达92.66％，有显著预测能力。 在实际应用时要充分提高模型的预测能力，必须建立完备的农村信用社财务报表数据资料库。 (二)可以依据对农村信用社的等级预测进行危机预警 透过构建金融预警模型的过程可以发现，本文对农村信用社进行等级评定是可信的。 这说明农村信用社经营失败是一个连续的过程。 如果农村信用社经营投资组合表现优良，一般属于等级A或等级B； 如果信用社管理绩效不好，则属于等级C； 如果资产品质恶化，极易受到市场风险的影响，此时的等级评定应该是D； 如果采用高风险的手段仍然无法获利，信用社就会经营失败，等级为E。 因此，在日常管理工作中，可以依据对农村信用社的等级预测进行危机预警。
摘要：我国农村合作金融系统的经营运行长期处于高风险状态，整体经营状况无法利用单一经营指标予以评判，必须通过一套“金融预警系统”进行确认，即利用“金融预警系统”综合判定农村金融机构的营运等级。基于这一研究动机，本文运用人工神经网络方法，构建金融预警模型。在此基础上，利用H省Z市农村信用社资料检验BP神经网络金融预警模型的预测能力。如果检验结果良好，表明可以利用“金融预警系统”综合判定农村金融机构的营运等级。 关键词：农村合作金融；人工神经网络；金融预警 文章编号：1003-4625(2009)06-0053-03 中图分类号：F832.35 文献标识码：A 一、实证模型构建 (一)样本资料选取 本研究样本资料最初选取了H省Z市350家农村信用合作社(分社、营业部)，收集了各农村信用合作社(分社、营业部)的2005年至2007年的各项数据。在实证分析中我们发现，市区和市郊农村信用合作社差别太大，不宜放在一起分析。因此，舍弃了市区的55家农村信用合作社，保留了295家市郊农村信用合作社，总样本量为885家，其中部分样本数据有遗漏，实际有效样本为736家。 (二)研究变量选取 本文构建的金融预警理论模型中将选用16项经营绩效指标为农村信用社金融预警模型的自变量，各指标的说明及理论依据见表1。 本文采用Ward’s法进行阶层式集群分析，得到各信用社营运评等等级，并以此作为预警模型的因变量。 具体方法是，将2005―2007年度农村信用社736家有效样本观察值，按照16项经营绩效指标观察值，划分为： 第一类564家样本数(76.63％)； 第二类112家样本数(15.22％)； 第三类35家样本数(4.75％)； 第四类23家样本数(3.13％)； 第五类2家样本数(O.27％)。 以上如表2所示。 由检验统计量F值及P值显示，五类样本的经营绩效指标存在明显差异，说明所选择的经营绩效指标可以有效地将研究主体区分开。各类型赋予营运评等等级，分别为： 第一类为B级； 第二类为A级； 第三类为C级； 第四类为D级： 第五类为E级。 (三)BP神经网络模型 人工神经网络(Artificial Neural Network.ANN)是对人脑若干基本特性通过数学方法进行的抽象和模拟，是一种模仿人脑结构及其功能的非线性信息处理系统。 先对一些给定的样本以一定的学习准则进行学习，然后根据已有的学习成果对新的样本进行判断评价。 其输入和输出之间的变换关系一般是非线性的，它根据输入的信息建立神经元，通过学习规则或自组织等过程建立相应的非线性数学模型，并不断进行修正，使输出结果与实际值之间差距不断缩小。 人工神经网络通过样本的“学习与培训”，可记忆客观事物在空间、时间方面比较复杂的关系。 一般而言，ANN与经典计算方法相比并非优越，只有当常规方法解决不了或效果不佳时ANN方法才能显示出其优越性。尤其对问题的机理不甚了解或不能用数学模型表示的系统，如故障诊断、特征提取和预测等问题，ANN往往是最有利的工具。 同时，ANN对处理大量原始数据而不能用规则或公式描述的问题，表现出极大的灵活性和自适应性。按照人工神经网络运作模式区分，可分为监督式学习网络、无监督式学习网络、联想式学习网络与最适化学习网络等四大类。其中尤以监督式学习网络最合适应用于预测问题，其运作方式主要分成学习与回想过程。 学习过程即从训练样本中学习资料特性，以调整网络加权值，使网络输出与期望输出的差距量最小化，以建立输入项与输出项之间对应关系；回想过程即依照回想演算法，根据测试样本的输入资料，决定网络的估计值。 但是，并不是所有的监督式学习网络全部具有预测能力，主要是因为某些学习演算法使其输出项只能退化成研究分类问题。而在实证研究方面，基于BP人工神经网络的综合评价方法具有运算速度快、问题求解效率高、自学习能力强、适应面宽等项优点，较好地模拟了评价专家进行综合评价的过程，所以常被广泛应用于预测问题研究。 因此，本研究采用BP神经网路建立农村信用社金融预警模型。 二、实证分析 为了检验金融预警模型正确率，必须将实证样本区分为检验样本、测试样本和训练样本三组样本，训练样本用于推估金融预警模型，测试样本用于对训练好的网络进行测试，以确定或肯定这个网络，检验样本用于检验金融预警模型的正确率。 本文按照习惯的1:1:2的比例划分样本，分别为训练样本(368笔)、测试样本(184笔)及检验样本(184笔)。 BP神经网络是通过不断学习训练，并于学习训练中对网络中具有较大影响力的处理单元赋予较大权数，相对地对于网络中较无影响力的处理单元则给予较小权数，以找出输入单元与输出单元的映射关系。 因此，BP神经网络无须事先考虑输入变数间是否有共线性问题。 其具体参数设定如下： 1、输出层变量：即因变量(A～E五评等等级)。 2、输入层变量：即自变量(16个变量两组样本)。 3、隐层：隐层层数确定为一层，隐层处理单元数目为输入层处理单元数目。 4、学习演算与网路设定：以Delta-Rule为学习法则，Sigmoid为转换函数。 5、其他网路参数则依经验法则予以设定：隐层学习率为0.3、输出层学习率为0.15，惯性因子为0.4。 三、BP神经网络金融预警模型结论 (一)本文所构建的金融预警模型有显著预测能力 在利用368个训练样本推估金融预警模型，并利用184个测试样本测试后已经得到的金融预警模型的基础上，利用184个检验样本对最终的金融预警模型进行检验，实际预测效率为92.66％。 此结果表示本文所构建的金融预警模型预测准确率高达92.66％，有显著预测能力。 在实际应用时要充分提高模型的预测能力，必须建立完备的农村信用社财务报表数据资料库。 (二)可以依据对农村信用社的等级预测进行危机预警 透过构建金融预警模型的过程可以发现，本文对农村信用社进行等级评定是可信的。 这说明农村信用社经营失败是一个连续的过程。 如果农村信用社经营投资组合表现优良，一般属于等级A或等级B； 如果信用社管理绩效不好，则属于等级C； 如果资产品质恶化，极易受到市场风险的影响，此时的等级评定应该是D； 如果采用高风险的手段仍然无法获利，信用社就会经营失败，等级为E。 因此，在日常管理工作中，可以依据对农村信用社的等级预测进行危机预警。