一、引言
在我国的经济社会活动中，判断一个企业的信用级别，牵涉到多个部门，包括质量技术监督、商检、工商、税务、海关、银行、消费者协会等。其中，每个职能部门都有一些关于企业信用的统计数据，如何从这些数据中判定企业的信用，进而将企业明确地标记为某个信用级别，是一个非常复杂的问题。我们不能仅根据企业财务状况指标，而应根据影响企业信用状况的多维指标来评估企业的信用状况。因此，企业信用判别方法的关键步骤和难点在于指标体系的确立和评估模型的选择，也即如何确立一种更为科学、有效的信用评级衡量标准。
国内外在对企业信用评价中，广泛采用了基于统计判别方法的预测模型。总的来说，这些模型都被表述为一类分类系统，它们接受定义在已选变量集合上的一个随机观测值样本，建立判别函数，进行分类。常用的模型有：回归分析法、多元判别分析法、Logit法、Probit法等，这些模型已经得到广泛的应用。这些方法的最大优点是使用简单，但也存在很大的局限性，如企业的实际信用评级指标的各个因素之间有些相互影响，有些相互独立，呈现出复杂的非线性关系，故用上述方法做出的评估比较粗糙。
作为研究复杂性的有力工具，神经网络技术近年来在模式识别与分类、识别滤波、自动控制、预测等方面已展示了其非凡的优越性，特别是能处理任意类型的数据，这是许多传统方法所无法比拟的。通过不断学习，能够从未知模式的大量的复杂数据中发现其规律。神经网络方法克服了传统分析过程的复杂性及选择适当模型函数形式的困难，它是一种自然的非线性建模过程，毋需分清存在何种非线性关系，给建模与分析带来极大的方便。它不依赖于变量之间必须线性相关或是相互独立的假设。变量之间存有微妙联系，如同数据不连续或不完全一样，均可被系统辨识并自动实现分类。
具体应用为：首先，由输入大量的企业信用资料及相应信用等级数据并对其进行分析，此过程称为“训练”。在“训练”期间，神经网络系统研究它收到的原始的随机性的数据，重建它们的数学关系，将之转换为连续性的有数学规律性的形式，结果是得到一个适合这些数据的模型（称为建模）。即神经网络系统依据输入输出的数据对，通过学习得到一个描述系统输入输出关系的非线性映射。然后神经网络系统还会自动对它本身的模型进行调整，所以神经网络系统还有“推断”功能。
建模的关键，就在于每个处理单元之间建立适当的连接，这就像脑神经细胞间彼此用突触做沟通的渠道一样。我们可用一般的电脑来模拟人工的神经元，每个神经元都可同时接受许多输入讯号，根据内部简单的运算，送出一个单一的讯号，作为另一神经元的输入讯号。这些神经元的连接并不像想象的那样杂乱无章，而是被组织成层次分明的神经元，每一层内的神经元并不相互连接，它们只接受下层神经元的讯号，并向上送出结果。其中，输入层负责接收资料，而输出层则送出最终的结果，并且它们之间还存在着隐含层，夹杂在两者之间。
一旦模型生成，用户就可在输入仿真数据的基础上，调入对应的网络结构与建模时生成模型参数，得到实际的评级结果。
本文在分析企业信用评价指标体系的基础上，总结出企业信用评价指标与信用等级的对应关系。然后，将模糊综合评判和径向基函数网络有机结合在一起，建立了基于模糊径向基函数的神经网络模型。分析表明，该模型除可进行信息的快速并行处理以实现映射变换之外，还具有较强的联想记忆和联想映射能力。若输入一个实际样本，网络可通过非线性映射实现快速准确地判断。因此，模糊径向基函数诊断网络在企业信用评级中是一种有效的智能分类器。
二、信用评价指标与样本集
1、企业信用评价指标体系要进行企业信用评级，首先要考虑的问题是：企业的哪些信息可以作为企业信用评级的指标？如何将这些指标进行分类及量化处理？
广东省某市正式投入使用的企业信用信息系统中，由市工商局、国税局、地税局、质量技术监督局（打假办）、外经贸局、银行和海关等7个职能部门组成的企业征信机构披露的企业信用信息包括：企业基本情况（企业名称、法定代表人姓名、企业住所、注册资本、经营范围，税务登记证号、核算方式、行业、税务登记验证和换证情况、纳税人性质和税务管理状态，企业联合年检情况，进出口经营资格和企业类型，企业的全国组织机构代码等），企业经营和财务状况（主要业务、年销售收入、年纳税总额、年纳税入库总额），企业荣誉纪录（重大奖励，驰名、著名和重点保护商标资料，法定代表人荣誉记录以及企业其他荣誉资料），企业不良纪录（企业走私、逃骗套汇、偷逃骗抗税、制假贩假、恶意逃废债务、利用合同诈骗等违法情况，以及违法受吊销企业营业执照、较大数额罚款等行政处罚情况等）。经反复分析和筛选，最后我们得到如图1示的企业信用评价指标体系：
如图1所示，上面的12个指标构成了企业信用评级的指标体系，另外在此基础上，可把领导者素质、管理素质、技术素质和市场定位等作为定性指标，予以考虑。
作为企业信用等级的划分采用目前国际上通用的四等十级制，即将企业信用等级分为AAA级、AA级、A级、BBB级、BB级、B级、CCC级、CC级、C级、D级（分别对应企业信用状况从信用极好到没有信用）。
2、有效模式和样本集的确定模式是具有较强可比性和相似性的样本的集合，模式样本数量满足建立一个评估模型要求的模式称为有效模式，否则称为无效模式。
样本集是按照一定的规则划分的具有某种相同属性的样本的集合，样本集在样本的某一属性上具有同一性。在企业信用评级中，如按所有制的不同，可以划分出不同的样本集，按行业的不同也可以划分出不同的样本集。所以有实际操作中，有必要对企业数据进行分类，筛选出不同的样本集。
因为样本跨越不同的行业、所有制和规模，每个财务指标在数值上的差异非常大，如果不剔除掉那些偏离中心太远的样本点，整个样本集的数据势必会受到这些奇异样本的影响，使整个样本集的信息受到弱化。所以在选取样本时，必须考虑样本中奇异点的剔除。
在确定了企业信用评级指标体系后，我们从某市的企业信用信息系统中筛选出所有制形式为私营、行业为工业的企业数据，并将样本中的奇异点剔除，组成一个符合有效模式条件的样本集，以此作为后续训练神经网络模型的专家样本数据，图2为构建专家样本库的具体操作步骤。
三、 基于模糊径向基函数网络的企业信用评级模型
1、模糊径向基函数网络简介径向基函数网络可以通过对一特征空间样本，经非线性映射到分类空间来完成复杂的模式分类任务。神经元的传递函数为radbas，其网络输入为权值向量W与输入向量P之间的向量距离乘以阈值b, 即：a = radbas ( dist ( W, P ) *b)。径向基函数网络包括三层：输入层，隐层（radbas层）和输出层（purelin层）。
模糊径向基函数网络（FRBFN）是一个实时系统，系统参数随FRBFN过程数据的变化而逐渐改变，其算法可通过训练数据自适应的训练FRBFN规则。最简单也最有用的将模糊逻辑与径向基函数网络结合起来的方法是“模糊器”。模糊器是一个预处理器，接受输入数据，将这些数据转化为模糊逻辑的范畴，然后再作为径向基函数网络的输入。同样，模糊器也可以接受网络的输出，并转化为模糊逻辑的形式。
2、模型建立设a , b为相应特征分量x的允许范围，那么x通过下式的隶属函数取其隶属度：
这样就构成了信用级别模糊向量A=(α1,α2,α3,α4,α5,α6,α7,α8,α9,α10,α11)T。根据企业信用训练样本数据，总结出企业信用评级指标与信用级别的对照表，建立信用级别的模糊关系矩阵я。将信用级别模糊向量A与模糊关系矩阵я进行模糊运算，得出反映信用级别程度的级别隶属度B：B=яA 。根据模糊评判要求，综合考虑各特征分量对某一信用级别的影响，因此采用“与1环和”计算模型进行计算，则有：
基于模糊径向基函数网络原理，建立了一个五层模糊网络，如图2所示。网络的输入输出值为：（Xi;Bi;Yi）,其中对应于第j个信用级别Yi的第j个分量为1, 即Y=(0,0...,1,...,0)。该网络由两个径向基函数子网络组成，第一层为模糊评判子网络，第二层为诊断子网络。选取值最接近于1的yij所对应的信用级别隶属度为该信用级别的置信度。
四、结果仿真
用已知的样本数据对该网络进行训练，网络不仅能准确识别已训练的缺陷，还能在很短的时间内对未知企业数据做出预测，并给出某种级别的置信度。例如，将一组企业数据作为网络输入，加载到训练好的网络模型中进行测试，结果如下表。因为yij=0.9642，接近于1，故网络识别出信用级别为第二类—AA级，置信度为97.85%。(见表一)
五、结论
1、模糊径向基函数网络可在少量典型企业信用数据样本监督下训练成功，具有很好的适用性，容错性和鲁棒性。
2、由于具有较强的联想记忆和联想映射能力，网络不仅能准确识别已训练的信用级别，还能在很短的时间内对未知企业数据做出预测，在企业信用评级中是一种有效的智能分类器。
3、由于实际企业信用评估非常复杂，各个因素之间相互影响，呈现出复杂的非线性关系，人工神经网络为处理这类非线性问题提供了强有力的工具。因此与其它信用评级方法相比，基于模糊径向基函数网络的信用评级方法越来越显示出它的优越性，是一种科学的、有效的信用评级方法。
（作者单位：1. 番禺职业技术学院；2. 广州埃恩人工智能软件科技有限公司）
