Escolar Documentos
Profissional Documentos
Cultura Documentos
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.
* Guangji Tong
tonggj63@nefu.edu.cn
13
Vol.:(0123456789)
Machine Translated by Google
1270 Y. Wu et al.
1. Introdução
13
Machine Translated by Google
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.
13
Machine Translated by Google
1272 Y. Wu et al.
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
13
Machine Translated by Google
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.
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.
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.
bj = ÿÿ
( ÿn wijxi + ÿÿj ) (1)
i=1
eo
que = ÿÿ ( ÿn vkjbj + ÿÿk ) (2)
i=1
13
Machine Translated by Google
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
ÿÿE
ÿ (4)
vkj =
ÿÿvkj
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
13
Machine Translated by Google
1278 Y. Wu et al.
Dados de entrada
Parâmetro
inicialização
Propagação direta
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
pi =f eu ÿn f eu
, i = 1, 2, ÿ n (9)
i=1
13
Machine Translated by Google
1280 Y. Wu et al.
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
13
Machine Translated by Google
Começar
Dados de entrada
Pré-processamento de dados
operação seletiva
operação cruzada
operação de variação
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
13
Machine Translated by Google
1282 Y. Wu et al.
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
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).
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
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
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.
BPNN 3–13 10
GA-BPNN 3–3 10
13
Machine Translated by Google
240
220 PA
GA-BP
200
180
160
140
convergência
Etapas
de
120
100
80
60
40
20
2468 10 12 14
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.
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
df 171
Dizer 0,000
13
Machine Translated by Google
1286 Y. Wu et al.
A7 5.24 75,72 – –
A8 4,59 80,31 – –
A9 4.19 84,51 – –
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.
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,
BPNN 4 12 1
GA-BPNN 4 10 1
13
Machine Translated by Google
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
obtém-se o número de nós em cada camada dos dois algoritmos, conforme Tabela 7 abaixo.
13
Machine Translated by Google
1288 Y. Wu et al.
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.
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
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.
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
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
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
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