Machine Translated by Google

Economia Computacional (2022) 60:1269–1292

https://doi.org/10.1007/s10614-021-10137-2

A Análise de Riscos de Crédito na Cadeia Produtiva Agrícola

Modelo de avaliação financeira baseado em algoritmo
genético e rede neural de retropropagação

Yingli Wu1 Xin Li1 Qingquan Liu2 Guangji Tong1

Aceito: 5 de junho de 2021 / Publicado online: 20 de junho

de 2021 © O(s) autor(es), sob licença exclusiva da Springer Science+Business Media, LLC, parte da Springer
Nature 2021

Resumo
Os métodos de avaliação de risco do Financiamento da Cadeia de Suprimento Agrícola (SCF) são
explorados para reduzir os riscos de crédito do SCF agrícola. Primeiramente, o algoritmo genético
(GA) é utilizado para ajustar e determinar os pesos e limiares iniciais da rede neural de
retropropagação (BPNN), que avalia os riscos de crédito. Em segundo lugar, para o problema de
que muitos fatores afetam os riscos de crédito e a dificuldade em selecionar as características, é
proposto o princípio da seleção de indicadores de avaliação; as características desses indicadores
são selecionadas pela análise de componentes principais (PCA). Finalmente, o método de análise
de caso é utilizado para verificar o método de avaliação de risco proposto, e um método ótimo de
avaliação de risco de crédito é estabelecido. Os resultados mostram que o GA-BPNN pode acelerar
a velocidade de convergência do BPNN e melhorar a desvantagem de cair facilmente no mínimo
local do BPNN. O método PCA simplifica a complexidade da seleção de indicadores de avaliação,
e os indicadores representativos na avaliação de risco de crédito SCF agrícola são selecionados
com sucesso.
Por meio da verifcação, verifica-se que o algoritmo GA-BPNN tem bom desempenho na previsão
de risco de crédito do SCF agrícola, e sua precisão e velocidade de previsão são aprimoradas.
Portanto, o GA-BPNN usado teve um bom desempenho na previsão de risco de crédito do SCF
agrícola, que se aplica à avaliação do risco de crédito financeiro para reduzir os riscos de crédito
no SCF agrícola.

Palavras-chave Cadeia de suprimentos agrícola · Risco de crédito · Rede neural de

retropropagação · Algoritmo genético · Análise de componentes principais

* Guangji Tong
tonggj63@nefu.edu.cn

Informações estendidas sobre o autor disponíveis na última página do artigo

13
Vol.:(0123456789)
Machine Translated by Google

1270 Y. Wu et al.

1. Introdução

A modernização da agricultura é vital para a construção de uma sociedade

moderadamente próspera de forma abrangente e para a construção de um sólido poder
socialista moderno na China (Zhang et al., 2018). As empresas agrícolas, uma força
significativa para promover o desenvolvimento agrícola, têm enormes potenciais de
desenvolvimento, e o processo de modernização agrícola requer apoio financeiro
substancial (Bergius et al., 2018). Existem duas formas de financiamento para as
empresas agrícolas: o financiamento interno e o financiamento externo. As pequenas e
médias empresas agrícolas que dependem apenas de seus fundos não podem crescer
e se fortalecer. Além disso, a maioria das empresas agrícolas são limitadas por
regulamentos como a Lei das Sociedades Comerciais sobre financiamento de capital
(Oliveira, 2018). A porta do mercado de financiamento de títulos nunca foi aberta para
pequenas e médias empresas agrícolas. Os dados mostram que a proporção de títulos
privados emitidos para pequenas e médias empresas na China é de apenas 0,66%, e
que a proporção de pequenas e médias empresas agrícolas é ainda menor. Atualmente,
o fnanciamento indireto ainda é um canal de financiamento vital para pequenas e médias
empresas agrícolas (Sheng, 2020). O financiamento da cadeia de abastecimento (SCF)
pode ajudar a resolver as dificuldades de financiamento para pequenas e médias
empresas agrícolas. No entanto, as pequenas e médias empresas agrícolas têm a dupla
característica de longo ciclo de produção agrícola, considerável influência de fatores
naturais, má gestão das pequenas e médias empresas e sistemas regulatórios imperfeitos.
Portanto, os bancos comerciais precisam considerar os principais registros de
transações de crédito da empresa e da cadeia de suprimentos ao conceder crédito a
essas empresas e examinar as informações financeiras dessas empresas (Tseng et al.,
2018 ). Ao fazer empréstimos, o modelo SCF é que os bancos comerciais examinam as
empresas com assimetria de informação severa e tomam toda a cadeia de suprimentos
como objeto de revisão. As principais empresas da cadeia de suprimentos são grandes
empresas com boa qualidade de crédito e ativos, o que, sem dúvida, fornece uma nova
maneira de aumentar o crédito para pequenas e médias empresas na cadeia de
suprimentos (Zhang, 2016) . Atualmente, a escala da economia agrícola da China
continua se expandindo, as reformas agrícolas se aprofundam continuamente e as
abordagens técnicas da produção agrícola são atualizadas incessantemente. Nesse
contexto, a agroindústria passou a dar importância aos efeitos de escala e formou
gradativamente um modelo de negócio altamente especializado. O alto grau de
especialização e a produção agrícola em grande escala inevitavelmente aumentarão a
demanda por fundos das empresas agrícolas, levando rapidamente a um grande volume
de investimento por parte de muitas empresas agrícolas. No entanto, o valor agregado
dos produtos agrícolas é baixo, resultando em uma baixa taxa de retorno do investimento.
Além disso, é desafiador acomodar o ciclo de crescimento dos produtos agrícolas,
levando a um longo ciclo de recuperação dos investimentos. Além dos fatores humanos,
os riscos agrícolas também incluem fatores naturais, de modo que os riscos de
investimento aumentam ainda mais. Sob o controle das características acima, em
comparação com o risco de crédito SCF tradicional, as empresas agrícolas, especialmente
as pequenas e médias empresas, muitas vezes têm dificuldade em ganhar o favor dos investidores em

13
Machine Translated by Google

A Análise de Riscos de Crédito no Financiamento da Cadeia de Suprimentos Agrícolas… 1271

o mercado de capitais. No campo fnanceiro, é ainda mais difícil para pequenas e médias
empresas agrícolas obter apoio fnanceiro de bancos comerciais, cooperativas de crédito ou
pequenas empresas de crédito (Moretto et al., 2019) . Portanto, estudar o risco de crédito
financeiro da cadeia de suprimentos agrícola desempenhou um papel vital no desenvolvimento
da agricultura da China.
Os bancos comerciais têm alguns problemas com a avaliação do risco de crédito de pequenas
e médias empresas no modelo SCF. O sistema de classificação de cada banco é relativamente
incompleto. Os modelos de avaliação são principalmente subjetivos e dependem da experiência
de especialistas. Embora os especialistas tenham experiência suficiente, o método é muito
subjetivo e carece de objetividade (Zhu et al., 2019). Portanto, somente com a construção de
um modelo objetivo e abrangente de avaliação do risco de crédito das empresas sob esse
modelo, os bancos e as pequenas e médias empresas financiadoras podem se beneficiar.
Muitos estudiosos têm pesquisado esta questão. Li et ai. (2002) estabeleceram um modelo de
avaliação de risco de crédito baseado em rede neural usando um algoritmo de retropropagação
e descobriram que, em comparação com os métodos tradicionais de análise discriminante
linear, o modelo de avaliação de risco de crédito baseado em rede neural tinha maior precisão
de classificação (Li et al., 2002) . . Yurdakul e Tansel (2004) usaram o método Analytic Hierarchy
Process (AHP) para avaliar o risco de crédito de empresas manufatureiras turcas e comprovaram
a validade do modelo (Yurdakul, 2004). Blome e Schoenherr (2011) forneceram uma série de
recomendações para a gestão da cadeia de suprimentos na crise fnanceira por meio de estudos
de caso aprofundados na cadeia de suprimentos de oito empresas europeias; também foram
analisados os fatores que influenciam o risco de crédito das empresas e foi estabelecido um
quadro de avaliação do risco de crédito (Blome & Schoenherr, 2011). Shi et ai. (2015) construiu
um modelo de avaliação cinza multinível baseado no índice de Theil para avaliar a avaliação de
risco de crédito de empresas de empréstimo SCF online e usou dados para analisar a viabilidade
desse modelo (Shi et al., 2015) . Huang e outros. (2018) comparou os efeitos da aplicação de
vários modelos de rede neural padrão no conjunto de dados de pequenas e médias empresas
chinesas e descobriu que as redes neurais genéticas tinham a menor taxa de erro, a maior
precisão e robustez. Os métodos de avaliação subjetiva usados na maioria dos estudos
anteriores dependem principalmente de especialistas para fazer julgamentos. Com o advento da
era dos dados significativos, numerosos dados são coletados e o uso de dados objetivos para
construir modelos de avaliação de risco é incrivelmente importante.

O modelo de avaliação de risco de crédito baseado na experiência de especialistas é uma

ferramenta comum para avaliar os riscos de crédito do SCF. Suas vantagens são alta fexibilidade
e fácil processamento de indicadores qualitativos. No entanto, depende da avaliação de um
especialista, que não é objetiva o suficiente. A vantagem do modelo de avaliação de risco de
crédito baseado em indicadores fnanceiros tradicionais é que ele pode considerar de forma
abrangente diversos indicadores fnanceiros; no entanto, tem como foco apenas a avaliação da
informação fnanceira. O modelo aprimorado de avaliação de risco de crédito para indicadores
fnanceiros adiciona indicadores não fnanceiros, mas a maioria dos métodos de avaliação assume
linearidade. A vantagem do moderno modelo de avaliação de risco de crédito é a sólida
fundamentação teórica; no entanto, suas suposições são bastante duras. A rede neural de
retropropagação (BPNN) tem forte versatilidade e pode resolver relacionamentos não lineares
complexos; no entanto, tem uma velocidade de processamento lenta e pode cair facilmente em
um mínimo local. O algoritmo genético (GA) possui forte estabilidade e robustez, com uma ampla gama de aplic

13
Machine Translated by Google

1272 Y. Wu et al.

aplicado em disciplinas de ponta, como aprendizado de máquina e processamento de imagens.

Sua capacidade de otimização global pode processar qualquer forma de função objetivo sem cair em
um mínimo local, e a velocidade de cálculo também é mais rápida. Portanto, AG pode ser aplicado
para ajustar os pesos iniciais e limites da rede neural para evitar que o modelo caia em um mínimo
local. O método PCA pode reduzir a capacidade da rede neural de processar dados por meio da
normalização e melhorar significativamente a precisão do modelo. Portanto, GA e BPNN são
combinados para processar dados de crédito fnanceiro na presente pesquisa. Além disso, o método
PCA é adotado para reduzir a dimensionalidade dos dados. Por fim, a eficácia do modelo proposto é
validada através de exemplos concretos. Os resultados da pesquisa podem fornecer uma referência
significativa para melhorar a cadeia de suprimentos agrícola e reduzir os riscos de crédito financeiro
empresarial.

Os pontos inovadores da presente pesquisa são: (1) O modelo SCF é analisado em detalhes, os
pontos de risco desse modelo são resumidos, um sistema de indicadores para avaliação de risco de
crédito é construído e o modelo GA-BPNN é aplicado para avaliar o riscos de crédito de pequenas e
médias empresas no modelo SCF, enriquecendo e otimizando o modelo de avaliação de risco de
crédito de pequenas e médias empresas no modelo SCF. (2) Bancos comerciais e outras instituições
financeiras podem desenvolver serviços SCF para aumentar sua lucratividade e competitividade no
setor. As pequenas e médias empresas podem resolver a escassez de liquidez de curto prazo para
uma melhor produção e operação, o que é propício ao seu desenvolvimento.

2 Métodos

2.1 Cadeia de Suprimentos e Modelo de Gestão de Riscos

1. SCF: sob a condição de atender a um determinado nível de atendimento ao cliente, fornecedores

e fabricantes são organizados de forma eficiente para fabricar, transferir, distribuir e vender
produtos, alcançando assim o método de gerenciamento que minimiza o custo de toda a cadeia
de suprimentos ( Yang et al., 2019). Ao avaliar o risco de crédito de pequenas e médias empresas
sob o modelo SCF, todos os aspectos da cadeia de suprimentos devem ser compreendidos
primeiro e onde ocorrem as necessidades de financiamento devem ser conhecidas. O modelo de
fnanciamento de contas a receber ocorre no estágio de aquisição de uma rede de cadeia de
suprimentos centralizada na empresa. As empresas núcleo compram produtos a crédito de
pequenas e médias empresas upstream, e as pequenas e médias empresas utilizam as contas
a receber garantidas pelas empresas núcleo para fnanciar de instituições fnanceiras.

O modelo de financiamento de pré-pagamento ocorre antes do estágio de distribuição da rede

central da cadeia de suprimentos centrada na empresa. Depois de coletar os pré-pagamentos
das pequenas e médias empresas downstream, as principais empresas produzirão bens ou
fornecerão serviços. As pequenas e médias empresas usam contas pré-pagas com forte
capacidade de pagamento como garantia para solicitar financiamento de instituições fnanceiras
(Dong et al., 2016). O modelo de financiamento de estoque ocorre no estágio de aquisição da
rede central da cadeia de suprimentos centrada na empresa. Ao contrário do modelo de contas
a receber, a garantia para fnanciamento por

13
Machine Translated by Google

A Análise de Riscos de Crédito no Financiamento da Cadeia de Suprimentos Agrícolas… 1273

pequenas e médias empresas é o inventário dessas empresas. Depois de entender onde o

financiamento de cada modelo precisa ocorrer, os possíveis pontos de risco são extraídos e os
indicadores de avaliação são desenhados com base nos pontos de risco para avaliar os riscos de
crédito de forma abrangente (Yang & Birge, 2018) .
2. A gestão de riscos inclui a definição, mensuração, avaliação e desenvolvimento de estratégias de
resposta ao risco, para minimizar os riscos, custos e perdas evitáveis. A teoria da gestão de risco
é a principal base teórica para os bancos comerciais avaliarem pequenas e médias empresas sob
o modelo SCF. Percorre todo o processo de avaliação e desempenha um papel decisivo (Crnkoviÿ
& Vukomanoviÿ, 2016). Quando as pequenas e médias empresas solicitam empréstimos aos
bancos comerciais, é atribuída a estes últimos a responsabilidade de rever as qualificações das
pequenas e médias empresas para empréstimos. Em comparação com os modelos fnanceiros
tradicionais, os bancos comerciais prestam atenção à situação das próprias pequenas e médias
empresas e concentram-se em toda a cadeia de abastecimento. Mais pontos de risco na fase de
identificação de risco precisam ser identificados, o que exige que os bancos comerciais identifiquem
com precisão cada ponto de risco e representem desafios para os bancos comerciais. Nas etapas
de medição e avaliação de risco, os bancos comerciais devem escolher um modelo de avaliação
que esteja em conformidade com as características de dados do modelo SCF para avaliação de
risco para resultados precisos (Li et al., 2016) . Portanto, a teoria de gerenciamento de risco existe
no processo de avaliação de risco e fornece orientação teórica.

Os resultados de pesquisas anteriores do SCF são extraídos e a avaliação de risco de crédito de

pequenas e médias empresas agrícolas sob o SCF é pesquisada. Os principais pontos inovadores são:
(1) atualmente, há pouca pesquisa sobre a gestão de risco SCF de pequenas e médias empresas
agrícolas. Assim, é construído um sistema de indicadores de identificação do risco de crédito, e
verificado o seu efeito, constituindo uma valiosa referência para os bancos comerciais e outros credores
desenvolverem serviços fnanceiros. (2) As características dinâmicas de autoaprendizagem do BPNN
são plenamente utilizadas, bem como sua poderosa capacidade de processar dados não lineares, em
um esforço para perseguir o princípio de seleção de combinar precisão científica com simplicidade e
eficácia. Dessa forma, ao mesmo tempo em que garante a aplicação do modelo BPNN para avaliar a
efetividade do risco de crédito do SCF de pequenas e médias empresas agrícolas, a carga de trabalho
dos bancos na coleta de dados também é reduzida.

2.2 Modelos Tradicionais de Avaliação de Risco de Crédito

Os modelos tradicionais de avaliação de risco de crédito são baseados em experiências de especialistas,

incluindo o método de análise de crédito 5C (caráter, capacidade, capital, garantia, condição), análise
5P (fator pessoal, fator de propósito, fator de pagamento, fator de proteção, fator de perspectiva).
método de análise 4F (fator de organização, fator econômico, fator financeiro, fator de gerenciamento)
e método de análise CAMPARI (caráter, capacidade, margem, propósito, valor, reembolso, seguro)
(Wu et al., 2018) . A avaliação do risco de crédito com base na experiência de especialistas depende
principalmente do julgamento de especialistas, um método de avaliação subjetivo que usa a experiência
de especialistas

13
Machine Translated by Google

1274 Y. Wu et al.

e experiência pessoal para julgar o nível de riscos de crédito. O método de análise de crédito 5C avalia os
riscos de crédito de clientes de empréstimos por bancos comerciais de força de capital, qualidade,
solvência, ambiente operacional e garantia hipotecária. O método de análise de fator 5P avalia os riscos
de crédito do propósito do empréstimo, proteção da dívida, fonte de pagamento, perspectivas e situação
pessoal. O método de análise 4F avalia os riscos de crédito de fatores econômicos, fatores de gestão,
fatores financeiros e fatores organizacionais. O método de análise CAMPARI avalia os riscos de crédito
em termos de qualidade, solvência, lucro do investimento, objetivo do empréstimo, valor do empréstimo,
método de reembolso e garantia do empréstimo (Yao & Lian, 2016) . Esses métodos incluem tanto quanto
possível os elementos que afetam o risco de crédito para tornar a avaliação mais abrangente e precisa; no
entanto, eles confiam demais no julgamento subjetivo de especialistas.

O modelo de avaliação de risco de crédito baseado em indicadores fnanceiros refere-se à substituição

dos dados fnanceiros da entidade financiadora no modelo de pontuação de crédito para obtenção do
resultado da avaliação de risco (Liu & Zeng, 2017) . Um representante típico é o modelo de pontuação Z.
Com a expansão e aprimoramento do modelo de pontuação Z, os métodos primários produzidos incluem
o modelo logit, modelo probit, método de análise discriminante multivariada, método de análise de redes
neurais e método de análise discriminante (Fitó Bertran et al., 2018) . A análise discriminante e a análise
discriminante múltipla são métodos de análise linear. Embora a análise de regressão logística possa
resolver indicadores qualitativos na variável dependente, sua suposição linear ainda é a suposição inicial.
A característica da análise de rede neural é que ela possui fortes capacidades de autoaprendizagem e
autoadaptação, pode descobrir as leis potenciais de dados de entrada e dados de saída e pode ser usada
para processar dados com relacionamentos complexos (Shi et al., 2019 ) .

2.3 Modernos Modelos de Avaliação de Risco de Crédito

Os modelos modernos de avaliação de risco de crédito incluem o modelo de variável mediadora chave
(KMV), modelo de métrica de crédito, modelo de risco de crédito e modelo de visão de carteira de crédito
(Mao et al., 2018 ). O KMV é um modelo de previsão de inadimplência baseado na teoria de precificação
de opções, que acredita que empresas com a mesma distância de inadimplência têm os mesmos motivos
de inadimplência (Woo et al., 2020). O modelo de métrica de crédito é baseado na estrutura de análise
Var para calcular o valor e o risco de diferentes combinações de produtos fnanceiros não comerciais,
incluindo mudanças no risco de crédito causadas pelo declínio do crédito do mutuário. O modelo de Risco
de Crédito é construído sobre o atuarial do seguro. A suposição é que os dados do empréstimo obedecem
à distribuição de Poisson. De acordo com o tamanho da perda possível, a ideia principal é classificar e
agregar a carteira de crédito para obter a probabilidade de distribuição de perda global da carteira de
crédito (Wang & Zhang, 2018). A ideia fundamental do modelo Credit Portfolio View é baseada no
ambiente macro por meio da construção de uma matriz para simular diferentes combinações de risco e
grau de crédito (Jeong & Ko, 2016). Assim, os pressupostos destes modelos são relativamente duros e
desafiantes para fazer face às situações reais, não tendo em consideração integralmente as circunstâncias
específicas dos empréstimos de crédito. A análise acima

13
 13
BPNN Modelo
Moderno
de
Avaliação
Risco
de
Crédito Modelo
Aprimorado
de
Avaliação
Risco
de
Crédito
Finanças Modelo
de
avaliação
risco
de
crédito
baseado
em Modelo
de
avaliação
risco
de
crédito
baseado
na
experiência
de
especialistas Método
de
avaliação
crédito Tabela
1Comparação
de
diferentes
métodos
de
avaliação
risco
de
crédito
Indicador indicadores
financeiros ência
Versatilidade
forte,
pode
resolver
relações
não
lineares
complexas Ter
uma
base
teórica
sólida Na
base
tradicional,
os
indicadores
não
financeiros
são Consideração
abrangente
de
vários
recursos
financeiros Alta
fexibilidade,
indicadores
qualitativos
fáceis
de
manusear Vantagem
ções,
etc adicionado indicadores
A
maioria
dos
métodos
de
avaliação
assume
que
apremissa
é Foco
apenas
na
avaliação
da
informação
fnanceira Depende
da
avaliação
de
especialistas,
não
muito
obje- Desvantagem
etc Embora
o
modelo
logístico
possa
resolver
o
problema
dos
indicadores
qualitativos
na
variável
dependente,
sua
suposição
inicial
ainda
élinear
As
suposições
são
relativamente
duras
Fácil
linear.de
cair
no
mínimo
local,
taxa
de
convergência
lenta, tivo
1275 A Análise de Riscos de Crédito no Financiamento da Cadeia de Suprimentos Agrícolas…
Machine Translated by Google
Machine Translated by Google

1276 Y. Wu et al.

revela que cada método possui diferentes cenários de aplicação e vantagens e desvantagens,
que estão resumidas na Tabela 1 a seguir:
Em resumo, considerando as características dos dados, as razões para escolher o BPNN
como método de avaliação de risco são: (1) BPNN tem boa versatilidade. O BPNN tem menos
requisitos em amostras e pode processar bem dados não lineares e não normais, mostrando boa
versatilidade. O BPNN também pode processar dados não lineares com relacionamentos complicados.
Os fatores que afetam o risco de crédito de pequenas e médias empresas no modelo SCF são
diversos e as relações entre os fatores são sofisticadas. BPNN pode resolver tais problemas. (2)
As falhas e falhas podem ser efetivamente resolvidas. Devido ao alto paralelismo da estrutura da
rede, as redes neurais podem efetivamente solucionar as falhas e falhas do sistema e reduzir
seus impactos. (3) BPNN tem forte tolerância a falhas. BPNN pode processar dados ruidosos
ou incompletos; ou seja, permite a falta de dados parciais, o que é mais adequado para aplicações
reais. Uma vez que a China não possui um banco de dados SCF unificado, alguns dados estarão
faltando no modelo SCF, e o BPNN pode resolver bem esse problema.

2.4 Algoritmo BPNN

O BPNN foi proposto por um grupo de cientistas liderados por Rumelhart e McCelland. É uma
rede feedforward de múltiplas camadas treinada por um algoritmo de retropropagação de erros e
é um dos modelos de redes neurais mais amplamente utilizados. Os dois processos acima são
repetidos para fazer com que o valor de saída se aproxime constantemente do valor esperado.
Quando a precisão da predição é alcançada, o processo de aprendizagem termina (Zeng et al.,
2017). O método crítico de pesquisa de BPNN pode ser expresso como a substituição de dados
de amostra na rede para treinamento e aprendizado, ajustando continuamente os pesos e limites
da rede, explorando a relação entre as variáveis e, finalmente, salvando os pesos ideais.

Compreender as várias funções envolvidas no algoritmo BPNN é necessário para construir

BPNN. No algoritmo BPNN, a função de ativação é usada para modificar o peso de cada nó.
Considerando que o BPNN usa o gradiente de erro para modificar o peso, a função de ativação
geralmente seleciona funções ascendentes monotônicas, como a função Sigmóide (Li et al.,
2018). ÿ é a função de transferência entre camadas entre os neurônios, wij é o peso entre a
camada de entrada e a camada oculta e xi é o nó do neurônio entre as camadas de entrada.
Então, o método de cálculo do valor do neurônio da camada oculta bj é o seguinte.

bj = ÿÿ
( ÿn wijxi + ÿÿj ) (1)
i=1

onde i e j representam o número de nós na camada de entrada e na camada oculta, e ÿk é o

vetor de deslocamento da camada oculta.

eo
que = ÿÿ ( ÿn vkjbj + ÿÿk ) (2)
i=1

13
Machine Translated by Google

A Análise de Riscos de Crédito no Financiamento da Cadeia de Suprimentos Agrícolas… 1277

onde yk é a saída real, vkj é o peso entre a camada oculta e a camada de saída e ÿk é o vetor
de deslocamento da camada de saída.
Em segundo lugar, o valor de entrada é substituído na rede para obter o valor de saída e
compará-lo com o valor esperado. No algoritmo BPNN, se o erro for retropropagado, o valor de
erro E do algoritmo precisa ser calculado. O processo específico é o seguinte.

q
1 2
E= (ok - yuk) (3)
2 ÿ
k=1

onde ok representa o valor de saída esperado, k refere-se ao nó de neurônios na camada de

saída e q refere-se ao número total de nós de neurônios na camada de saída.
A soma dos erros quadrados resolve o erro global do algoritmo para determinar se o
treinamento da amostra deve ser finalizado. A função de erro é utilizada para resolver o peso
da camada de saída vkj. O valor de alteração do peso ÿvkj da camada de saída é
resolvido conforme o cálculo abaixo.

ÿÿE
ÿ (4)
vkj =
ÿÿvkj

onde ÿ é a marca diferencial parcial.

Em seguida, o valor de alteração do vetor de deslocamento é calculado e o método de
cálculo é o seguinte.

ÿÿE
ÿÿÿk = (5)
ÿÿÿÿk

Depois que os parâmetros são ajustados da camada de saída para a camada oculta, os
parâmetros da camada oculta para a camada de entrada também devem ser ajustados.
Além disso, é necessário utilizar a função de erro para calcular o valor de alteração do peso
ÿwij entre a camada de entrada e a camada oculta e o vetor de deslocamento ÿÿjk da camada
oculta, conforme mostrado abaixo.
ÿÿE
ÿwij = (6)
ÿÿwij

ÿÿE
ÿ
ÿÿjk = (7)
ÿÿÿÿj

O processo de solução do algoritmo BPNN é obtido através do processo de cálculo acima,

conforme Figura 1 abaixo.
A análise acima mostra que a essência do algoritmo BPNN é iterar continuamente o valor
de entrada e ajustar o peso até que o número de requisitos de aprendizado ou o erro entre o
valor de saída e o valor esperado atendam ao requisito de precisão. O método de cálculo do
número de nós da camada oculta é mostrado abaixo.

13
Machine Translated by Google

1278 Y. Wu et al.

Fig. 1 Fluxograma de cálculo do

Começar
algoritmo BPNN

Dados de entrada

Parâmetro
inicialização

Propagação direta

Ajustar pesos, Calcular saída

limites erro

Voltar
propagação
N Satisfazer as
condições de saída

Saída

k = ÿm + n + a (8)

onde k representa o número de nós na camada oculta, m é o número de nós na camada de saída, n
é o número de nós na camada de entrada e a é uma constante no intervalo de 1 a 10.

A pesquisa sugere que o BPNN de 3 camadas pode mapear qualquer dimensão X para a
dimensão Y (Cui & Jing, 2019). Portanto, um BPNN de três camadas é construído para treinamento
e previsão. O efeito de predição final do modelo BPNN é otimizado ajustando o número de nós na
camada oculta, a taxa de aprendizado e o número de simulações. Como o número de nós na camada
de entrada é determinado por fatores de influência, de acordo com o sistema de indicadores
construído para avaliação de risco de crédito, o número de nós na camada de entrada pode ser 10.
De acordo com a situação de crédito das empresas agrícolas, o número de nós na camada de saída
é 1.

À medida que a pesquisa sobre o BPNN se aprofunda, as deficiências do BPNN foram reveladas.
Devido aos defeitos do algoritmo interno, o BPNN é fácil de cair no mínimo local e sua velocidade
de convergência é lenta (Liang et al., 2020). Assim, para melhorar

13
Machine Translated by Google

A Análise de Riscos de Crédito no Financiamento da Cadeia de Suprimentos Agrícolas… 1279

as deficiências do BPNN, os estudiosos também apresentaram muitas sugestões. O AG

pode melhorar os defeitos acima até certo ponto, atribuindo pesos iniciais à rede neural.

3 A Metodologia de Pesquisa e o Modelo de Pesquisa

3.1 Modelo de Risco de Crédito GA-BPNN para Cadeia de Suprimentos

Os estudiosos pesquisaram a combinação de GA e BPNN. Ele e outros. (2018)

propuseram um modelo de série temporal baseado em GA-BPNN e apresentaram um
novo método de previsão de avanço. O GA-BPNN pode reconhecer com precisão o modo
de temperatura de adesão de um único termopar do que o BPNN. Os resultados da
simulação do modelo espacial provaram sua capacidade de prever com precisão e
oportuna todas as texturas sem alarmes falsos ou perdidos (He & Zhang, 2018). Peng e
Xiang (2020) propuseram um modelo de predição de volume de tráfego baseado em
redução de ruído de wavelet e reconstrução de espaço de fase. Os resultados
experimentais sugeriram que o modelo proposto era superior a todos os outros modelos
no MAPE, RMSE e MAE (Peng & Xiang, 2020). Zhu et al. (2020) construiu um modelo
combinando GA e BPNN para determinar o peso inicial e limiar. Os resultados
demonstraram que o RMSE do GA-BPNN foi 22,6% e 5,1% menor que o do BPNN, e os
valores de R2 do GA-BPNN e PSO foram 24,9% e 6,2% maiores do que o BPNN,
respectivamente (Zhu et al., 2020 ). Embora o GA-BPNN tenha sido explorado e
analisado, as deficiências decorrentes da fusão dos dois algoritmos não foram resolvidas.
Além disso, a acurácia desses modelos se mantém basicamente em 80%, sendo que a
maior pode chegar a 86%, ainda insuficiente para avaliação fnanceira do risco de crédito.
Com base nisso, a presente pesquisa tem como objetivo discutir a aplicação do BPNN na avaliação do
A capacidade de otimização global do AG pode processar qualquer forma de função
objetivo sem cair em um mínimo local, e a velocidade de cálculo é rápida. Com base
nisso, o AG pode ajustar os pesos e limites iniciais das redes neurais para resolver o
problema de cair facilmente em mínimos locais (Zhu et al., 2020). O AG inclui cinco
etapas principais: geração da população inicial, cálculo da função de densidade, operação
de seleção, operação de cruzamento e operação de mutação.
Na população inicial, o valor de aptidão de cada indivíduo é o valor da função objetivo
de cada indivíduo. Além disso, o valor da função objetivo está intimamente relacionado
com a adaptabilidade do indivíduo. Após a conclusão do cálculo de adequação do
algoritmo, o operador envolvido no cálculo precisa ser selecionado e sua adequação
determina a probabilidade de o algoritmo ser selecionado. O método de seleção é
mostrado na seguinte equação:

pi =f eu ÿn f eu
, i = 1, 2, ÿ n (9)
i=1

onde p representa a probabilidade selecionada, fi é o tamanho individual e n é o tamanho

da população.

13
Machine Translated by Google

1280 Y. Wu et al.

Após selecionar a operadora para participar do cálculo, é necessário realizar a operação de

troca, que visa gerar novos indivíduos e permitir que os novos indivíduos mantenham as excelentes
características da geração anterior. Ao usar o AG para otimizar o BPNN, os indivíduos da população
de treinamento são inicialmente utilizados para calcular o erro e o valor da aptidão individual. O
método de cálculo do erro é o seguinte.

q
E= (10)
ÿn ÿ (yki - ok)
k=1 i=1

onde yki é o valor de saída real do algoritmo, oki é o valor de saída esperado, q é o número de nós
na camada de saída e n é o número de amostras.
O método de cálculo da adequação do Fit individual é o seguinte.

1
Ajuste = (11)
E

Em seguida, a população é inicializada e os parâmetros, como o tamanho da população, são

inicializados usando codificação binária. Em terceiro lugar, o erro global da rede neural correspondente
a cada grupo de peso e limite é utilizado para avaliar os valores de condicionamento físico dos
indivíduos e os indivíduos que atendem aos requisitos de condicionamento físico. O algoritmo de
avaliação de risco de crédito SCF agrícola baseado na otimização GA é mostrado na Figura 2 abaixo.
Os passos detalhados do modelo são os seguintes: O primeiro passo é calcular o erro e o valor e
determinar o valor do tamanho de cada indivíduo da população. O segundo passo é inicializar a
população. A terceira etapa calcula o valor de aptidão individual com base nos erros globais da rede
correspondentes a diferentes pesos e limiares e gera indivíduos que atendem aos requisitos de
aptidão. O quarto passo é classificar os indivíduos de acordo com o tamanho da aptidão e calcular
a probabilidade de seleção de cada grupo de cromossomos. A quinta etapa é o cruzamento e a
mutação. O processo de evolução inclui dois estágios: o estágio gradual e o estágio de mutação. As
duas fases têm características diferentes; o estágio gradual tem uma característica de cruzamento
vital, e o estágio de mutação tem uma característica de mutação vital. Em geral, a probabilidade de
cruzamento varia de 0,25 a 0,75 e a probabilidade de mutação varia de 0,001 a 0,1. De acordo com
o tamanho do pé, diferentes valores são atribuídos à probabilidade de cruzamento e à probabilidade
de mutação para aumentar a probabilidade de permanência do indivíduo. A sexta etapa é atribuir os
pesos e limites que atendem aos requisitos da rede neural para treinamento do modelo; se não
puderem atender aos requisitos, o modelo retornará à terceira etapa do processo cíclico. Os
parâmetros detalhados são mostrados na Tabela 2.

3.2 Método PCA

Comparado com os modelos tradicionais de financiamento, o SCF de pequenas e médias empresas

agrícolas tem vantagens naturais. No entanto, o pensamento e os métodos de concessão de crédito
dos bancos comerciais são limitados pela tradição, o que leva a uma falta de entusiasmo pela
participação. Agricultura de pequeno e médio porte

13
Machine Translated by Google

A Análise de Riscos de Crédito no Financiamento da Cadeia de Suprimentos Agrícolas… 1281

Começar

Dados de entrada

Pré-processamento de dados

Análise do componente principal

Peso inicial Erro recíproco de

limite de PA rede neural BP Codificação

operação seletiva

operação cruzada

operação de variação

Calculando o valor da aptidão

N
Conheça o
condições

E
determinando
Limiar de peso
Peso, limite Rede neural
inicial de BP
Parâmetros

Propagação direta
Ajustar pesos,
Calcular erro de saída
limites

Retropropagação
Satisfazer as

N condições de saída

Saída

Fig. 2 Fluxograma do algoritmo GA-BPNN

13
Machine Translated by Google

1282 Y. Wu et al.

Tabela 2 Configurações de parâmetros do modelo GA-BPNN

Funções e parâmetros Configurações de BPNN padrão Configurações de GA-BPNN

função de treinamento Função Traingdx Função Traingdx

A camada oculta função Purelin função Purelin

Função de transferência função Purelin função Purelin

Função de transferência da camada de saída função logsig função logsig

Número de nós da camada oculta 11 10

Taxa de aprendizado de rede 0,04 0,04

Tempos máximos de treinamento 1000 vezes 1000 vezes

Erro de meta de treinamento 0,00001 0,00001

as empresas podem obter empréstimos de custo mais baixo e os bancos comerciais também podem
adicionar novos pontos de crescimento de lucro. A situação atual não é ideal para ambas as partes.
Portanto, um novo sistema de indicadores para avaliação de risco de crédito precisa ser construído para
ajudar os bancos comerciais a superar as barreiras de risco de crédito.
Antes de substituir o modelo nos dados da análise de regressão, o método de análise PCA é adotado
para extrair fatores comuns para os dados do indicador selecionado.
A ideia central do PCA é reduzir a dimensionalidade das variáveis. Depois que o PCA processa os dados,
os fatores comuns obtidos não são mais relevantes; além disso, os fatores comuns extraídos podem
representar as informações dos dados do indicador original (Ma et al., 2018). Antes de realizar o PCA
nos dados, os dados do índice devem ser padronizados e a matriz original deve ser estabelecida
simultaneamente. Os autovetores e autovalores da matriz de covariância são calculados, e o número
correspondente de componentes principais é gerado de acordo com a taxa de contribuição do componente
principal. O processo de cálculo do PCA é apresentado a seguir.

ÿ ÿF1 ÿ ÿX1 ÿ ÿ ÿ a2
a1 ÿ ÿ
ÿ ÿ a11 ÿ a1p ÿ ÿ
ÿÿ ÿ ÿÿÿÿÿÿ
F2 X2 ÿ ÿ ap
F=ÿ X=ÿ A = ÿÿÿ ÿ ÿ ÿ ÿ ap1 ÿ =
ÿÿ
ÿÿÿ
ÿ
ÿÿÿ aplicativo
(12)

Fp ÿ XP ÿ

F = AX
(13)

onde A representa a matriz dos coeficientes dos componentes principais, Fp representa uma combinação
de combinações lineares com diferentes variâncias dispostas em ordem decrescente e X é um índice de
componentes.
Sob os modelos de crédito tradicionais, os bancos comerciais julgam o status de crédito das empresas
a partir da lucratividade, solvência, capacidade operacional, cumprimento de contratos e perspectivas de
desenvolvimento de pequenas e médias empresas.
Portanto, da perspectiva de uma única empresa, os indicadores de avaliação de risco de crédito são
escolhidos para construir um sistema de indicadores a partir de cinco aspectos: indicadores de solvência,
indicadores de rentabilidade, indicadores de estrutura de capital, indicadores por ação e

13
Machine Translated by Google

A Análise de Riscos de Crédito no Financiamento da Cadeia de Suprimentos Agrícolas… 1283

indicadores de capacidade operacional. Entre esses cinco indicadores, indicadores de solvência,

indicadores de lucratividade, indicadores de estrutura de capital e indicadores por ação refletem
pequenas e médias empresas agrícolas e status de produção e operação das principais empresas.
Em contraste, os indicadores de capacidade operacional refletem o status geral da cadeia de
suprimentos.

4 Ambiente Experimental e Fontes de Dados

4.1 Ambiente Experimental e Fontes de Dados

1. Ambiente experimental: Os modelos BPNN e GA-BPNN deste experimento são construídos

usando o software MATLAB 12b. A linguagem de programação é Python e o otimizador de
gradiente descendente é Adam. O ambiente experimental específico é mostrado na Tabela 3.

2. Fonte de dados: os dados de amostra vêm do banco de dados Wind. De acordo com os padrões
de classificação da indústria de 2012 da Comissão Reguladora de Valores Mobiliários da
China, as pequenas e médias empresas agrícolas listadas no Novo Mercado de Balcão (OTC)
(agricultura em sentido amplo, incluindo agricultura, silvicultura, pecuária, e pesca; os mesmos
abaixo) são escolhidos como objetos de pesquisa. Além disso, as empresas agrícolas de
ações A listadas nas bolsas de valores de Xangai e Shenzhen são escolhidas como as
principais empresas da cadeia de abastecimento agrícola (Halai et al., 2017).

4.2 Treinamento de modelos e exemplos

De acordo com a definição de pequenas e médias empresas agrícolas nos Padrões de Classificação
de Pequenas e Médias Empresas da China de 2011, as empresas agrícolas com receita
operacional de CNY 500.000 a CNY 200 milhões são pequenas e médias empresas. De acordo
com esta condição e o padrão de classificação da indústria da China Securities Regulatory
Commission emitido em 2012, 172 pequenas e médias empresas agrícolas no Novo Mercado
OTC são examinadas. Existem 39 empresas agrícolas listadas no

Tabela 3 Ambiente Software e hardware Informações de

experimental
configuração específicas

Unidade central de processamento Intel Core i7-9700k

BATER DDR5 16G

Unidade de processamento gráfico Nvidia 1080Ti

Sistema operacional Ubuntu 14.03

ambiente de programação Python 3.5

13
Machine Translated by Google

1284 Y. Wu et al.

Bolsas de valores de Xangai e Shenzhen. De acordo com seus relatórios financeiros, dez estão
envolvidos em outros negócios além da agricultura, como incorporação imobiliária, serviços de tecnologia
da informação e finanças. Assim, essas dez empresas são excluídas da amostra para melhorar a
precisão dos resultados empíricos, restando 29 empresas. Como apenas uma dessas 172 pequenas e
médias empresas agrícolas possui uma classificação de crédito para 2019, não é aconselhável usar os
resultados da classificação de crédito para treinar redes neurais.

De uma perspectiva de curto prazo, os preços das ações refletem efetivamente a situação de risco
de crédito da empresa. Assim, as flutuações do preço das ações das empresas da amostra no primeiro
semestre de 2019 são tomadas como base para julgar seu status de crédito. Se o preço de suas ações
subiu no primeiro semestre de 2019, esse empreendimento é classificado como “empresa de alta
qualidade” e os bancos podem considerar a concessão de crédito. Se o preço de suas ações caiu no
primeiro semestre de 2019, esse empreendimento é classificado como “empreendimento de risco” e os
bancos podem se recusar a conceder crédito. Se a cotação de suas ações estava gorda no primeiro
semestre de 2019, ela é classificada como “empresa neutra” e os créditos bancários devem ser
considerados com cautela. Entre as 172 empresas da amostra, 67 não formaram um preço de mercado
devido à negociação inativa e outros motivos. Outras 45 empresas tinham dados fnanceiros incompletos
em 2019. Retiradas da amostra, restam 60 empresas. Os dados de 48 empresas são usados como
conjunto de amostra de treinamento e os dados de 12 empresas são usados como conjunto de amostra
de teste. Existem 15 empresas de alta qualidade, sete empresas neutras, 26 empresas de risco nos 48
conjuntos de amostras de treinamento, três empresas de alta qualidade, duas empresas neutras e sete
empresas de risco nos 12 conjuntos de amostras de teste. Da mesma forma, de acordo com os critérios
acima, entre as 29 empresas agrícolas listadas em ações A, existem quatro empresas de alta qualidade,
oito empresas neutras e 17 empresas de risco.
Todas as 29 empresas são usadas como conjuntos de amostras de treinamento para melhorar a
abrangência e a precisão do aprendizado de BPNN.

5 Resultados e Análise

5.1 Determinação da Estrutura do Algoritmo

O BPNN e o GA-BPNN são treinados no conjunto de amostras em diferentes nós da camada oculta
para selecionar a estrutura ótima do algoritmo de avaliação de risco de crédito SCF agrícola. Desta
forma, os pesos e limites da rede neural são determinados para obter o algoritmo ótimo de avaliação de
risco de crédito SCF agrícola. Os parâmetros de treinamento são mostrados na Tabela 4 abaixo.

Tabela 4 Parâmetros para treinamento Número de nós no

Algoritmos Tempos de treinamento
de amostra de diferentes algoritmos
camada oculta

BPNN 3–13 10

GA-BPNN 3–3 10

13
Machine Translated by Google

A Análise de Riscos de Crédito no Financiamento da Cadeia de Suprimentos Agrícolas… 1285

240

220 PA
GA-BP
200

180

160

140
convergência
Etapas
de

120

100

80

60

40

20

2468 10 12 14

Número de nós da camada oculta

Fig. 3 Comparação das etapas de convergência de diferentes algoritmos

Com base nos parâmetros de treinamento acima, os dois algoritmos são treinados separadamente.
O valor médio dos resultados do treinamento do número de nós da camada oculta dez vezes por
camada é analisado e comparado. Os resultados são mostrados na Fig. 3 abaixo.
Conforme mostrado na Figura 3, durante o processo de treinamento do algoritmo BPNN, se o
número de nós da camada oculta for menor no estágio inicial, o BPNN terá mais passos de
convergência e uma faixa de futuação mais extensa.
Se o número de nós na camada aumentar para 8, o número de etapas de convergência do
algoritmo também mostrará uma tendência decrescente. Se o número de nós na camada escondida
atingir 12, o número de passos de convergência do BPNN também atingirá o valor mínimo. Portanto,
12 é determinado como o número de nós ocultos do algoritmo BPNN. Geralmente, os passos de
convergência do GA-BPNN diminuem com o aumento do número de nós ocultos. Se o número de nós
ocultos for 10, o número de etapas de convergência atingirá o mínimo. Portanto, dez é determinado
como o número de nós ocultos do GA-BPNN.

5.2 Resultados do PCA

Antes do PCA, também é necessário verificar os dados classificados para determinar se os dados
são adequados. Os testes KMO e Bartlett são realizados nos dados classificados.
Se esses dados são adequados para PCA é determinado pelos resultados do teste

Tabela 5 Testes KMO e Bartlett

Métrica de Meyer-Olkin 0,652

teste de Bartlett Qui-quadrado aproximado 3492,62

df 171

Dizer 0,000

13
Machine Translated by Google

1286 Y. Wu et al.

Tabela 6 Resultados interpretados da variância total

Índice autovalor inicial Extraia a soma dos quadrados e carregue

A1 % de variação Acumulação % % de variação Acumulação %

A2 25,5 25,5 25,5 25,5

A3 17.85 43,35 17.856 43,35

A4 11.86 55.21 11.856 55.21

A5 8.46 63.678 8.461 63,67

A6 6.81 70,47 6.801 70,47

A7 5.24 75,72 – –

A8 4,59 80,31 – –

A9 4.19 84,51 – –

A10 2,94 87,46 – –

obtido. O software SPSS 19 é utilizado para testar os dados classificados. Os resultados são
apresentados na Tabela 5. Como o valor de KMO é 0,652, mais signifcativo que 0,5, ele pertence ao
teste geral prático, e o qui-quadrado aproximado é 3492,62.
A probabilidade adjunta Sig. do teste de Bartlett é 0, menor que 0,05. Assim, teoricamente, os
dados indicadores selecionados são adequados para PCA.
Depois que os dados são classificados, o software SPSS 26.0 é utilizado para PCA nos dados de
amostra classificados de acordo com o programa. Os resultados são mostrados na Tabela 6 abaixo.
A Tabela 6 sugere cinco componentes principais com autovalores (força de interpretação) maiores
que 1. O primeiro é 4,845, e a força de interpretação dos dados originais atingiu 25,5%; o segundo é
3,393, e a força de interpretação dos dados originais atingiu 17,856%; o terceiro é 2,253, e a força
de interpretação dos dados originais atingiu 11,856%; o quarto é 1,608 e a força de interpretação
dos dados originais atingiu 8,461%; o último é 1,292, e a força de interpretação dos dados originais
atingiu 6,801%. A força de interpretação total dos componentes principais extraídos pelo PCA pode
chegar a 70,5%, explicando bem os dados da amostra.

5.3 Comparação de Desempenho de Diferentes Algoritmos

Conforme mostrado na análise acima, dado o número de nós da camada oculta da rede neural, os
nós da camada de entrada e da camada de saída são inferidos. Portanto,

Tabela 7 O número de nós em diferentes camadas de diferentes algoritmos

Algoritmos Número de nós na camada Número de nós na camada Número de nós na

de entrada escondida camada de saída

BPNN 4 12 1

GA-BPNN 4 10 1

13
Machine Translated by Google

A Análise de Riscos de Crédito no Financiamento da Cadeia de Suprimentos Agrícolas… 1287

3.0

PA
2.5
GA-BP

2.0

quadrático
médio
erro
1,5

1,0

0,5

0,0

0 3 6 9 12 15 18 21 24 27 30 33 36 39 42 45 48

Número de iterações

Fig. 4 Comparação e análise da velocidade de convergência de diferentes algoritmos

obtém-se o número de nós em cada camada dos dois algoritmos, conforme Tabela 7 abaixo.

Os mesmos dados de treinamento de amostra são selecionados para treinar o algoritmo

BPNN e o GA-BPNN (GA-BPNN) para determinar o desempenho de teste do algoritmo GA-
BPNN usado. Os resultados do treinamento são mostrados na Fig. 4 abaixo.
Conforme mostrado na Fig. 4, o GA-BPNN tem uma velocidade de convergência mais
rápida. Este algoritmo encontra a solução global ótima após 19 iterações, e a solução ótima
obtida é 0,0047. Enquanto isso, o algoritmo BPNN requer 46 iterações para encontrar a
solução ótima, e a solução ótima é 0,0049. O de cima

Fig. 5 Resultados da análise de desempenho de previsão de diferentes algoritmos

13
Machine Translated by Google

1288 Y. Wu et al.

Tabela 8 O número de nós em

modelos ÿ probabilidade de 2 log Cox e Snell Igreja
diferentes camadas de diferentes Nagel R
R quadrado
algoritmos
quadrado

BPNN 223.589 0,181 0,244

GA-BPNN 225.381 0,173 0,234

Modelo Chi2 Modelo Chi2 df Dizer

BPNN 8.531 8 0,383

GA-BPNN 7.487 8 0,485

Tabela 9 Resultados do teste de robustez

Variável BPNN GA-BPNN
de dados

Variável dependente 0,221*** 0,214***

(2.973) (6,462)
Relação de caixa 0,78*** 1.038***
(8,061) (9.726)
Ativos e passivos – – 0,511*** (–
10,038)
ovas – – 0,089***
(- 5.696)
N 30 30
R2 0,893 0,906

R2 _ajuste 0,906 0,925

Dizer 0,000 0,000

os resultados provam que o algoritmo GA-BPNN tem uma velocidade de convergência mais rápida
e maior precisão de cálculo.
Os mesmos dados de amostra são escolhidos. Respectivamente, o algoritmo BPNN e o GA
BPNN são usados para previsão. A Raiz do Erro Quadrático Médio (RMES), o Erro Quadrado
Relativo (RSE) e a precisão da previsão dos dois algoritmos são comparados para avaliar o
desempenho da previsão dos dois algoritmos. Através da análise, os resultados são mostrados na
Fig. 5 abaixo.
Conforme mostrado na Fig. 5, o RMSE do GA-BPNN é menor, e o RSE do GA-BPNN está
abaixo de 4. Em contraste, o RMSE do BPNN tradicional é 4,21. Além disso, a precisão de previsão
de risco do GA-BPNN está acima de 0,92, enquanto a precisão de previsão de risco do algoritmo
BPNN é baixa. Isso mostra que o GA-BPNN tem excelente desempenho de previsão, o que se
aplica à avaliação de risco de crédito do SCF agrícola.

5.4 Verificação do Modelo e Análise de Robustez

Teoricamente, quanto mais próximo o quadrado R de Cox & Snell e o quadrado R de Nagelkerke
estiverem de 1, melhor será a adequação do modelo. Conforme mostra a Tabela 8, esses dois
valores não são próximos de 1, que são 0,244 e 0,234, respectivamente. Portanto, o ajuste do modelo é

13
Machine Translated by Google

A Análise de Riscos de Crédito no Financiamento da Cadeia de Suprimentos Agrícolas… 1289

não é bom teoricamente. No entanto, esses dois parâmetros são frequentemente adotados para
comparações entre modelos. Os resultados do método de teste H–L mostram que o modelo se encaixa bem.
A Tabela 8 mostra os resultados do teste de robustez dos dados. Os coeficientes R2 em todos os
modelos são signifcativos (p<0,001), e os resultados do teste de robustez podem apoiar a hipótese de
pesquisa. Esse resultado também ilustra a eficácia do modelo proposto (Tabela 9).

6. conclusões

Primeiramente, são apresentadas as teorias sobre SCF e risco de crédito. Então, o AG é utilizado
para melhorar o BPNN. Os indicadores de características são quantificados através do PCA, e as
características desses indicadores são selecionadas. Finalmente, do ponto de vista da velocidade de
convergência, RMSE, RSE e precisão de previsão, o desempenho de previsão dos dois algoritmos é
analisado e comprovado. Assim, é selecionado o método ótimo de avaliação do risco de crédito.
Verifica-se que o GA-BPNN utilizado converge mais rapidamente que o algoritmo BPNN tradicional. O
método PCA seleciona os principais componentes representativos de vários componentes
característicos, reduzindo a dificuldade do algoritmo e simplificando o processo de cálculo. Através da
verifcação, verifica-se que o erro de predição do GA-BPNN é pequeno, e sua precisão de predição é
melhor do que o algoritmo BPNN tradicional. Portanto, o algoritmo GA-BPNN pode ser utilizado como
método de avaliação do risco de crédito do SCF agrícola, o que reduz o risco do crédito fnanceiro e
garante a segurança dos interesses.

Ao selecionar os dados de amostra, a maioria dos dados associados a pequenas e médias

empresas e principais empresas são abrangentes. Apenas algumas empresas, com a maioria dos
dados ausentes, são excluídas. Se a falta de dados não for grave, o BPNN pode resolver esse
problema; portanto, essas empresas não são excluídas. As amostras selecionadas incluem empresas
com riscos de crédito mais significativos, que são distintos. Tais empresas podem testar o modelo
estabelecido, que é representativo. As pequenas e médias empresas agrícolas devem observar os
pontos em comum das “empresas de alta qualidade” ao formular suas estratégias de negócios. Quando
os bancos comerciais usam o BPNN para avaliar o status de crédito de pequenas e médias empresas
agrícolas, eles também podem quantificar objetivamente mais indicadores e garantir a autenticidade
das informações financeiras, o que ajudará a melhorar ainda mais a precisão da previsão. A inteligência
artificial e a tecnologia blockchain estão se desenvolvendo aos trancos e barrancos, e o SCF também
fornece um cenário de aplicação típico para blockchain. No entanto, antes que a cadeia de blocos se
torne madura e moderna, os métodos de previsão do BPNN são vitais para os bancos comerciais.

Agradecimentos O projeto foi apoiado pela Research on Promoting Sino-Russian Agricultural Production Capacity Cooperação com vantagens de
modernização agrícola (Heilongjiang Provincial Planning Office of Philosophy and Social Sciences Project 17JYH48), e também apoiado pelo projeto
de planejamento de filosofia e ciências sociais de Heilongji ang “pesquisa sobre implementação mecanismo de cooperação em capacidade de
produção agrícola entre a China e os países ao longo do cinturão e estrada” (18JLD310).

13
Machine Translated by Google

1290 Y. Wu et al.

Contribuições dos autores YW: redação—preparação do rascunho original; XL: análise formal, curadoria de dados; QL:
Conceituação, metodologia; GT: redação – revisão e edição, visualização, supervisão. Todos os autores leram e concordaram
com a versão publicada do manuscrito.

Declarações

Conflito de interesses Todos os Autores declaram não haver conflito de interesses.

Direitos humanos e animais Este artigo não contém estudos com participantes humanos ou animais realizados por nenhum
dos autores.

Consentimento informado O consentimento informado foi obtido de todos os participantes individuais incluídos no estudo.

Referências

Bergius, M., Benjaminsen, TA, & Widgren, M. (2018). Economia verde, investimentos escandinavos e modernização agrícola
na Tanzânia. O Jornal de Estudos Camponeses., 45 (4), 825-852.
Blome, C., & Schoenherr, T. (2011). Gerenciamento de riscos da cadeia de suprimentos em crises fnanceiras - Uma
abordagem de estudo de caso múltiplo. International Journal of Production Economics., 134(1), 43–57.
Crnkoviÿ, D., & Vukomanoviÿ, M. (2016). Comparação de tendências na teoria e prática de gerenciamento de riscos
ticas na indústria da construção. E-GFOS., 7(13), 1–11.
Cui, K., & Jing, X. (2019). Pesquisa sobre modelo de previsão de parâmetros geotécnicos baseado em BP neural
rede. Neural Computing and Applications, 31(12), 8205–8215.
Dong, Z., Wang, Z., & Chen, Y. (2016). Uma pesquisa sobre a tomada de decisão dos varejistas e o valor do financiamento
de pré-pagamento. Jornal de Engenharia Industrial, 19(5), 99–106.
Fitó Bertran, M. À., Pla Erta, D., & Llobet, J. (2018). Utilidade dos modelos de pontuação Z na detecção precoce de
problemas fnanceiros em empresas espanholas falidas. Capital Intangível., 14(1), 162–170.
Halai, AD, Woollams, AM e Ralph, MAL (2017). Usando a análise de componentes principais para capturar diferenças
individuais dentro de um modelo neuropsicológico unificado de afasia crônica pós-AVC: revelando os correlatos
neurais únicos da fluência da fala, fonologia e semântica. Cortex, 86, 275-289.

Ele, F., & Zhang, L. (2018). Previsão de rompimento de molde em lingotamento contínuo de lajes com base no método
combinado de rede neural GA-BP e regras lógicas. The International Journal of Advanced Manufacturing Technology,
95(9), 4081–4089.
Huang Y., Xu, Q., Jiang, X., Tong, Z., & Liu, J. (2018). Um modelo abrangente para erro de previsão de energia eólica e sua
aplicação na análise econômica de sistemas de armazenamento de energia. Journal of Electrical Engineering and
Technology, 13(6), 2168–2177.
Jeong, HJ, & Ko, Y. (2016). Confgurar um portfólio de alianças para inovação ecologicamente correta na indústria
automobilística: Hyundai e Toyota. Journal of Open Innovation: Tecnologia, Mercado e Complexidade, 2(1), 24–31.

Le Clainche, S., Lorente, LS, & Vega, JM (2018). Previsões de vento a montante de turbinas eólicas a partir de um banco de
dados LiDAR. Energias, 11(3), 543–549.
Li, JC, Zhao, DL, Ge, BF, Yang, KW e Chen, YW (2018). Um método de predição de enlaces para redes heterogêneas
baseado na rede neural BP. Physica A: Statistical Mechanics and Its Applications, 495, 1–17.

Li, RZ, Pang, SL e Xu, JM (2002). Modelo de avaliação de risco de crédito de rede neural baseado em algoritmo de
retropropagação. Proceedings International Conference on Machine Learning and Cybernet ics: IEEE, 4, 1702–1706.

Li, Z., Yang, S., & Li, Z. (2016). Visão geral do sistema de gerenciamento de risco do data center do banco comercial.
Jornal internacional de segurança e suas aplicações., 10(3), 245–258.
Liang, X., Liang, W., & Xiong, J. (2020). Diagnóstico inteligente de defeitos de dutos de gás natural usando algoritmo
aprimorado de polinização de fower e rede neural artificial. Journal of Cleaner Production, 264, 121655–121663.

13
Machine Translated by Google

A Análise de Riscos de Crédito no Financiamento da Cadeia de Suprimentos Agrícolas… 1291

Liu, X., & Zeng, M. (2017). Modelo de avaliação de risco de investimento em energia renovável baseado na dinâmica do
sistema. Avaliações de energia renovável e sustentável., 73, 782–788.
Ma, D., Duan, H., Cai, X., Li, Z., Li, Q., & Zhang, Q. (2018). Um método global baseado em otimização para a previsão de perigo
de inundação de solo de mineração. Água, 10(11), 1618–1624.
Mao, D., Wang, F., Hao, Z., & Li, H. (2018). Sistema de avaliação de crédito baseado em blockchain para múltiplos stakeholders
da cadeia de abastecimento alimentar. Jornal Internacional de Pesquisa Ambiental e Saúde Pública., 15(8), 1627–1634.

Moretto, A., Grassi, L., Caniato, F., Giorgino, M., & Ronchi, S. (2019). Financiamento da cadeia de suprimentos: Do tradicional
ao rating de crédito da cadeia de suprimentos. Journal of Purchasing and Supply Management., 25(2), 197–217.

Oliveira, GDL (2018). Grilagem de terras chinesa no Brasil? Sinofobia e investimentos estrangeiros no Brasil
agronegócio da soja. Globalizações, 15(1), 114–133.
Peng, Y. & Xiang, W. (2020). Previsão de volume de tráfego de curto prazo usando GA-BP com base na remoção de ruído de
wavelets e reconstrução de espaço de fase. Physica A: Statistical Mechanics and Its Applications, 549, 123913–123921.

Sheng, T. (2020). O efeito da tecnologia financeira na concessão de crédito dos bancos às PMEs: evidências da China.
Finance Research Letters, 39, 101558–101565.
Shi, J., Guo, JE, Wang, S., & Wang, Z. (2015). Avaliação do risco de crédito da cadeia de suprimentos on-line com base na
plataforma de comércio eletrônico B2B de terceiros: uma pesquisa exploratória com base na prática da China.
International Journal of ue e-Service, Ciência e Tecnologia, 8(5), 93–104.
Shi, J., Zhu, Y., Khan, F., & Chen, G. (2019). Aplicação da Rede Neural Artifcial de Regularização Bayesiana na análise de risco
de explosão de plataforma offshore fixa. Journal of Loss Prevention in the Process Industries., 57, 131–141.

Tseng, M.-L., Wu, K.-J., Hu, J., & Wang, C.-H. (2018). Modelo de tomada de decisão para financiamento sustentável da cadeia
de suprimentos sob incertezas. International Journal of Production Economics., 205, 30–63.
Wang, H., & Zhang, GJ (2018). A Aplicação do Modelo KMV em Empresas Imobiliárias Chinesas Mensuradas de Risco de
Crédito. Sobre Problemas Econômicos, 3, 7–12.
Woo, SH, Kwon, MS, Yuen, KF (2020). Determinantes financeiros do risco de crédito na logística e
indústrias de navegação. Economia Marítima e Logística 1–23.
Wu, W., Kou, G., & Peng, Y. (2018). Um modelo de facilitação de consenso baseado em pesos de especialistas para seleção
de estratégia de investimento. Jornal da Sociedade de Pesquisa Operacional., 69(9), 1435–1444.
Yang, Q., Wang, Y., & Ren, Y. (2019). Pesquisa sobre o modelo de gestão de risco fnanceiro do fornecimento de internet
cadeia baseada em ciência de dados. Pesquisa de Sistemas Cognitivos, 56, 50–55.
Yang, SA, & Birge, JR (2018). Crédito comercial, compartilhamento de risco e carteiras de fnanciamento de estoque. Gerenciar
ment Science., 64(8), 3667–3689.
Yao, J., & Lian, C. (2016). Uma nova máquina de vetores de suporte baseada em modelo de conjunto para avaliação de crédito.
International Journal of Grid and Distributed Computing., 9(6), 159–168.
Yurdakul, M., & ÿç, YT (2004). Abordagem AHP na avaliação de crédito das empresas de manufatura na Turquia. International
Journal of Production Economics, 88(3), 269–289.
Zeng, YR, Zeng, Y., Choi, B., & Wang, L. (2017). Previsão de consumo de energia influenciada por multifatores usando rede
neural de retropropagação aprimorada. Energia, 127, 381–396.
Zhang, C. (2016). Risco financeiro de circuito fechado da cadeia de suprimentos de pequenas e médias empresas com base na
teoria evolutiva dos jogos e na dinâmica do sistema. Journal of Shanghai Jiaotong University (ciência), 21(3), 355–364.

Zhang, Y., Li, X., & Min, Q. (2018). Como equilibrar a relação entre a conservação de Sistemas Importantes do Patrimônio
Agrícola (IAHS) e o desenvolvimento socioeconômico? Um quadro teórico de desenvolvimento de integração industrial
sustentável. Journal of Cleaner Production., 204, 553–563.
Zhu, C., Zhang, J., Liu, Y., et al. (2020). Comparação dos modelos de redes neurais GA-BP e PSO-BP com modelo BP inicial
para avaliação de risco de deslizamentos induzidos por chuva em escala regional: um estudo de caso em Sichuan. China.
Riscos Naturais, 100(1), 173–204.
Zhu, Y., Zhou, L., Xie, C., Wang, G.-J., & Nguyen, TV (2019). Previsão do risco de crédito das PMEs no financiamento da cadeia
de suprimentos com uma abordagem aprimorada de aprendizado de máquina de conjunto híbrido. Jornal Internacional de
Economia de Produção., 211, 22–33.

Nota do editor A Springer Nature permanece neutra em relação a reivindicações jurisdicionais em mapas
publicados e afiliações institucionais.

13
Machine Translated by Google

1292 Y. Wu et al.

Autores e Afiliações

Yingli Wu1 Xin Li1 Qingquan Liu2 Guangji Tong1

Yingli Wu
wu2015010083@nefu.edu.cn

Xin Li
sophielx@nefu.edu.cn

Qingquan Liu
lqq2015010092@nefu.edu.cn

1
Escola de Economia e Administração, Universidade Florestal do Nordeste, Harbin, China
2
Escola de Administração, Universidade de Jiaxing, Jiaxing, China

13