【正文】 糊評(píng)判向量: 其中表示指標(biāo)。. 2 確定指標(biāo)權(quán)重集 根據(jù)每一層次中各個(gè)因素相對(duì)于上一層次的重要程度，分別賦子每個(gè)因素以相應(yīng)的權(quán)重值，則構(gòu)成權(quán)重集為: 第一層次 第二層次 確定評(píng)判矩陣評(píng)判矩陣作為一個(gè)從因素集到評(píng)語(yǔ)集的模糊變換器，每輸入一組因素的權(quán)重向量，就可以得到一組相應(yīng)的評(píng)判結(jié)果，如圖1所示。另一方面，過(guò)少又不符合模糊綜合評(píng)判的質(zhì)量要求，因此的取值以適中為好。評(píng)語(yǔ)集一般可表示為：從技術(shù)處理的角度看，評(píng)語(yǔ)等級(jí)個(gè)數(shù)通常大于4而不超過(guò)10。 確定評(píng)語(yǔ)集 評(píng)語(yǔ)集是評(píng)價(jià)者對(duì)評(píng)價(jià)對(duì)象可能作出的各種總的評(píng)價(jià)結(jié)果所組成的集合，不論評(píng)價(jià)層次的多少，評(píng)語(yǔ)集只有一個(gè)。模糊算子是指合成與所用的計(jì)算方法，即合成方法。4. 評(píng)判因素權(quán)重集，代表評(píng)價(jià)因素在被評(píng)對(duì)象中的相對(duì)重要程度，它在綜合評(píng)判中用來(lái)對(duì)做加權(quán)處理。3. 模糊關(guān)系矩陣，是單因素評(píng)價(jià)的結(jié)果，即單因素評(píng)價(jià)矩陣。2. 評(píng)語(yǔ)集。模糊綜合評(píng)判包括六個(gè)基本要素：1. 評(píng)判因素集。這種方法簡(jiǎn)易可行，在一些用傳統(tǒng)觀點(diǎn)看來(lái)無(wú)法進(jìn)行數(shù)量分析的問(wèn)題上，顯示了它的應(yīng)用前景，它很好地解決了判斷的模糊性和不確定性問(wèn)題。模糊綜合評(píng)判法不僅可對(duì)評(píng)價(jià)對(duì)象按綜合分值的大小進(jìn)行評(píng)價(jià)和排序，而且還可根據(jù)模糊評(píng)價(jià)集上的值按最大隸屬度原則評(píng)定對(duì)象所屬的等級(jí)。PP問(wèn)題雖然是以數(shù)據(jù)的線性投影為基礎(chǔ)，但它找的是線性投影中的非線性結(jié)構(gòu)，因此它可以用來(lái)解決一定程度的非線性問(wèn)題，如多元非線性回歸。因?yàn)橥队皩ほ櫡椒梢詫⒏呔S數(shù)據(jù)投影到一維了空問(wèn)上，再對(duì)投影后的一維數(shù)據(jù)進(jìn)行分析，比較不同一維投影的分析結(jié)果，找出好的投影。（2）投影尋蹤方法可以對(duì)與數(shù)據(jù)結(jié)構(gòu)和特征有關(guān)的信息變量都予以保留，而將與數(shù)據(jù)結(jié)構(gòu)和特征無(wú)關(guān)的或關(guān)系很小的變量排除。投影尋蹤方法(projection pursuit PP)主要用于分析和處理高維觀測(cè)數(shù)據(jù)，尤其是非正態(tài)非線性高維數(shù)據(jù)，其基本思想是:利用計(jì)算機(jī)技術(shù)，把高維數(shù)據(jù)通過(guò)某種組合，投影到低維(1~3維)子空間上，并通過(guò)極大化(或極小化)某個(gè)投影指標(biāo)，尋找出能反映原高維數(shù)據(jù)結(jié)構(gòu)或特征的投影，在低維空問(wèn)上對(duì)數(shù)據(jù)結(jié)構(gòu)進(jìn)行分析，達(dá)到研究和分析高維數(shù)據(jù)的目的。該模型能夠較好的處理非正態(tài)、高維數(shù)的信用數(shù)據(jù)，得出的信用等級(jí)閾值客觀、 明確、合理，其中，較優(yōu)分類數(shù)的選取具有一定靈活性，從而為企業(yè)信用評(píng)級(jí)提供了便利。利用最優(yōu)分割法對(duì)有序樣品進(jìn)行聚類，得出明確的聚類結(jié)果。根據(jù)信用綜合得分的大小和步驟4劃分出的信用等級(jí)，即可確定測(cè)試樣本所屬的信用等級(jí)。對(duì)于一個(gè)新的測(cè)試樣本，首先，運(yùn)用式（2）~（4）對(duì)測(cè)試樣本的信用評(píng)級(jí)指標(biāo)值進(jìn)行標(biāo)準(zhǔn)化處理，特別地，當(dāng)測(cè)試樣本的第個(gè)指標(biāo)值在訓(xùn)練樣本指標(biāo)值區(qū)間內(nèi)時(shí)，即為歸一化處理。進(jìn)一步將各最優(yōu)分割點(diǎn)對(duì)應(yīng)的信用綜合得分作為劃分信用等級(jí)的閾值，從而劃分出數(shù)量與較優(yōu)分類數(shù)相同的信用等級(jí)，并實(shí)現(xiàn)對(duì)訓(xùn)練樣本的信用評(píng)級(jí)。由式（1）到（7）計(jì)算出所有的最小目標(biāo)函數(shù) （10）繪制目標(biāo)函數(shù)隨分類數(shù)的變化曲線，結(jié)合企業(yè)信用評(píng)級(jí)的實(shí)際需求，取該曲線拐彎處的某一值為較優(yōu)分類數(shù)。將步驟3估計(jì)出的最佳投影方向代入式（5）后可得訓(xùn)練樣本的信用綜合得分。模擬生物優(yōu)勝劣汰規(guī)劃與群體內(nèi)部染色體信息交換機(jī)制的實(shí)碼加速遺傳算法（Real Coded Accelerating Genetic Algorithm，RAGA）是一種通用的全局優(yōu)化方法，用它來(lái)求解該問(wèn)題則十分簡(jiǎn)便而有效。不同的投影方向反映不同的數(shù)據(jù)結(jié)構(gòu)特征，最佳投影方向就是最大可能暴露高維數(shù)據(jù)某類特征結(jié)構(gòu)的投影方向。步驟 。方法在綜合時(shí)，要求的散布特征應(yīng)為：局部投影點(diǎn)盡可能密集，最好凝聚成若干個(gè)點(diǎn)團(tuán)，而在整體上投影點(diǎn)團(tuán)之間盡可能散開(kāi)。方法就是把維數(shù)據(jù)綜合成以為投影方向的一維投影值 （5）式中，為單位長(zhǎng)向量。對(duì)于固定型指標(biāo)，即指標(biāo)值越接近某一固定值越好的指標(biāo)，有 （4）式中，為第個(gè)指標(biāo)的最佳穩(wěn)定值。為消除各指標(biāo)的量綱，統(tǒng)一各指標(biāo)的變化范圍和方向，須對(duì)指標(biāo)進(jìn)行極值歸一化處理?；谕队皩ほ櫤妥顑?yōu)分割的企業(yè)信用評(píng)級(jí)模型構(gòu)建：對(duì)于多分類的企業(yè)信用評(píng)級(jí)問(wèn)題，設(shè)有個(gè)企業(yè)組成訓(xùn)練樣本集，企業(yè)信用評(píng)級(jí)指標(biāo)集,為訓(xùn)練樣本在指標(biāo)下的指標(biāo)值。投影尋蹤(Projection Pursuit，PP)是一種直接由樣本數(shù)據(jù)驅(qū)動(dòng)的探索性數(shù)據(jù)分析方法， 特別適用于分析和處理非線性、非正態(tài)的高維數(shù)據(jù)，其基本思想是把高維數(shù)據(jù)投影到低維子空間上，尋找出能反映原高維數(shù)據(jù)的結(jié)構(gòu)或特征的投影，以達(dá)到研究分析高維數(shù)據(jù)的目的，已成功應(yīng)用于信用評(píng)價(jià)、水資源評(píng)價(jià)、環(huán)境監(jiān)測(cè)、災(zāi)情評(píng)估等諸多領(lǐng)域。 基于投影尋蹤和最優(yōu)分割運(yùn)用投影尋蹤對(duì)樣本企業(yè)進(jìn)行信用綜合評(píng)分，將信用綜合得分由大到小排序，生成有序樣品序列。而現(xiàn)實(shí)的經(jīng)濟(jì)現(xiàn)象是非線性的，因而也削弱了預(yù)測(cè)結(jié)果的準(zhǔn)確程度，使得違約模型不能精確地描述經(jīng)濟(jì)現(xiàn)實(shí)。模型和Zeta模型存在的主要問(wèn)題是：，而忽視日益重要的各項(xiàng)資本市場(chǎng)指標(biāo)，這就必然削弱預(yù)測(cè)結(jié)果的可靠性和及時(shí)性。Altman對(duì)此回應(yīng)為：值模型僅僅適用于制造型企業(yè)，而不是用于非制造型企業(yè)，Moriarity所提供的樣本應(yīng)該用Zeta模型來(lái)預(yù)測(cè)，經(jīng)分析Altman認(rèn)為Zeta模型所得的結(jié)論比Moriarity所得的結(jié)論更精確。 其間，也有學(xué)者對(duì)值模型的應(yīng)用提出了異議。這七個(gè)指標(biāo)分別代表企業(yè)短期贏利性、收益的保障、長(zhǎng)期贏利性、流動(dòng)性和規(guī)模等特征。Z，此時(shí)的判斷失誤較大，稱該區(qū)域?yàn)槲粗獏^(qū)(zone of ignorance)或稱灰色區(qū)域(gray area)。Altman經(jīng)過(guò)統(tǒng)計(jì)分析和計(jì)算最后確定了借款人違約的臨界值Zo=，如果Z，借款人被劃入違約組。模型(Altman, 1968)的建立過(guò)程包括四步：(1)選取一組反映借款人財(cái)務(wù)狀況和還本付息能力的財(cái)務(wù)比率；(2)從銀行過(guò)去的貸款資料中分正常和違約兩類收集資料；(3)確定每一比率的權(quán)重，將每一比率乘以相應(yīng)權(quán)重，然后相加，得到分值；(4)對(duì)所選的樣本進(jìn)行Z值分析，得出衡量貸款風(fēng)險(xiǎn)度的Z值或值域用于衡量信貸風(fēng)險(xiǎn)。原因在于在同樣的樣本容量下，若對(duì)具體問(wèn)題的確存在特定的參數(shù)模型并可能找出時(shí)，非參數(shù)方法不及參數(shù)方法好。 K近鄰判別(K Nearest Neighbor)近鄰判別（K Nearest Neighbor)，簡(jiǎn)稱KNN，是另一種非參數(shù)方法，它在一定距離概念下按照若干定量變量從樣本中選取與確定向量距離最短個(gè)樣本為一組，KNN通過(guò)將變量在樣本整體范圍內(nèi)分為任意多決策區(qū)間，取馬氏距離，從流動(dòng)性、盈利性、資本質(zhì)量角度選出的19個(gè)變量指標(biāo)，對(duì)樣本分類，經(jīng)比較，其分類結(jié)果的準(zhǔn)確性不如LDA, Logistici。因此，聚類分析應(yīng)用于企業(yè)信用評(píng)級(jí)的基本思路目前仍然是基于“降維”的思路，即首先采用評(píng)分法、因子分析法等對(duì)樣本企業(yè)進(jìn)行信用評(píng)分，然后，運(yùn)用系統(tǒng)聚類、 均值聚類等算法對(duì)信用得分序列進(jìn)行聚類，從而獲得企業(yè)信用評(píng)級(jí)結(jié)果。我國(guó)信用數(shù)據(jù)表現(xiàn)出明顯的非正態(tài)分布特征，因而將聚類分析應(yīng)用于我國(guó)企業(yè)信用評(píng)級(jí)具有較強(qiáng)的針對(duì)性和適應(yīng)性。 ，這種方法一個(gè)主要優(yōu)點(diǎn)是不要求知道總體的具體分布?？傊?，一均值聚類是一個(gè)反復(fù)迭代的分類過(guò)程。如果在一次迭代算法中，所有的樣本被正確分類，則不會(huì)有調(diào)整，聚類中心也不會(huì)有任何變化。其核心思想是:給定一個(gè)包含個(gè)數(shù)據(jù)對(duì)象的數(shù)據(jù)庫(kù)，以及要生成的簇的數(shù)目,隨機(jī)選取個(gè)對(duì)象作為初始的個(gè)聚類中心，然后計(jì)算剩余各個(gè)樣本到每一個(gè)聚類中心的距離，把該樣本歸到離它最近的那個(gè)聚類中心所在的類，對(duì)調(diào)整后的新類使用平均值的方法計(jì)算新的聚類中心，如果相鄰兩次的聚類中心沒(méi)有任何變化，說(shuō)明樣本調(diào)整結(jié)束且聚類平均誤差準(zhǔn)則函數(shù)已經(jīng)收斂。于是根據(jù)一批樣本的多個(gè)觀測(cè)指標(biāo)，找出一些能夠度量樣本或指標(biāo)之問(wèn)相似程度的統(tǒng)計(jì)量，以這些統(tǒng)計(jì)量為劃分類型的依據(jù)，把一些相似程度較大的樣本或指標(biāo)聚為一類，把另外一些彼此之問(wèn)相似程度較大的樣本又聚為另一類，關(guān)系密切的聚合到一個(gè)小的分類單位，關(guān)系疏遠(yuǎn)的聚合到一個(gè)大的分類單位，直到把所有樣本或指標(biāo)都聚合完畢，形成一個(gè)由小到大的分類系統(tǒng)。另外該方法對(duì)中間區(qū)域的判別敏感性較強(qiáng)，導(dǎo)致判別結(jié)果的不穩(wěn)定。兩個(gè)比值之比稱為優(yōu)勢(shì)比(或比值比，Odds Ratio，簡(jiǎn)稱OR)，因此OR是否大于1意為兩種情況概率情況的比較：當(dāng)時(shí)，則當(dāng)時(shí)，則當(dāng)時(shí)，則缺點(diǎn)：Logistic回歸模型不僅對(duì)中間區(qū)域的差別敏感性較強(qiáng)，而且當(dāng)樣本點(diǎn)完全分離時(shí)，模型參數(shù)的最大似然估計(jì)可能不存在。通過(guò)樣本回歸估計(jì)出系數(shù)后，一可計(jì)算出概率，將其歸納為相應(yīng)的信用等級(jí)。Logistic模型適用于因變量是非連續(xù)的且為二分類選擇模式，目的是找出被解釋變量與一組自變量之間的線性關(guān)系，核心思想是將這些自變量擬合成一個(gè)可以預(yù)測(cè)違約概率的被解釋變量，即違約概率。 Logistic回歸分析方法也是目前為止應(yīng)用最為廣泛的一種信用評(píng)分模型。如果第一類錯(cuò)誤的代價(jià)不是特別巨大，比之于MDA模型，Logistic分析方法帶來(lái)的復(fù)雜的計(jì)算是不值得的。多元判別分析(MDA)的不足之處：多元判別分析（MDA）要求樣本數(shù)據(jù)服從正態(tài)分布和等協(xié)方差，而現(xiàn)實(shí)中大量數(shù)據(jù)并不服從這些假定。 多元判別分析(MDA ) 多元判別分析(MDA)，可以具體分為一般判別分析(不考慮變量篩選)和定量資料的逐步判別分析(考慮變量篩選).我國(guó)在1993年7月1日起正式實(shí)施與國(guó)際會(huì)計(jì)準(zhǔn)則基本適應(yīng)的、統(tǒng)一的《企業(yè)會(huì)計(jì)準(zhǔn)則》，由此奠定了企業(yè)信用評(píng)估研究的基礎(chǔ)和前提，隨著國(guó)內(nèi)會(huì)計(jì)人員的業(yè)務(wù)水平(如對(duì)準(zhǔn)則的掌握、理解和應(yīng)用水平等)和會(huì)計(jì)報(bào)表水平的不斷提高，所產(chǎn)生的會(huì)計(jì)報(bào)表開(kāi)始基本符合準(zhǔn)則要求，因此，(MDA)有以下三個(gè)主要假設(shè)：(1)變量數(shù)據(jù)是正態(tài)分布的；(2)各組的協(xié)方差是相同的；(3)每組的均值向量、協(xié)方差矩陣、先驗(yàn)概率和誤判代價(jià)是已知的。將指標(biāo)的行業(yè)先進(jìn)水平作為標(biāo)準(zhǔn)值，并將指標(biāo)用線性關(guān)系結(jié)合起來(lái)，分別給定各自的分?jǐn)?shù)比重，通過(guò)實(shí)際值與標(biāo)準(zhǔn)比率的比較，確定各項(xiàng)指標(biāo)的得分及總體指標(biāo)的累積分?jǐn)?shù)，從而得出企業(yè)財(cái)務(wù)狀況的綜合評(píng)價(jià)，繼而確定其信用等級(jí)。其基本特點(diǎn)是以凈值報(bào)酬率為龍頭，以資產(chǎn)凈利潤(rùn)率為核心，將償債能力、資產(chǎn)營(yíng)運(yùn)能力、盈利能力有機(jī)結(jié)合起來(lái)，層層分解，逐步深入，構(gòu)成了一個(gè)完整的分析系統(tǒng)，全面、系統(tǒng)、直觀地反映了企業(yè)的財(cái)務(wù)狀況。這類方法的主要代表有杜邦財(cái)務(wù)分析體系和沃爾比重評(píng)分法。 財(cái)務(wù)比率分析法該方法在1966年被引入預(yù)測(cè)企業(yè)破產(chǎn)領(lǐng)域，經(jīng)過(guò)多年的發(fā)展形成了一系列財(cái)務(wù)比率分析方法，總體上講就是對(duì)企業(yè)各項(xiàng)財(cái)務(wù)指標(biāo)作一個(gè)全面、系統(tǒng)和綜合的分析，從而對(duì)企業(yè)的經(jīng)營(yíng)狀況和財(cái)務(wù)狀況進(jìn)行剖析、解析和評(píng)價(jià)。或者說(shuō)，這種方法會(huì)使專家在進(jìn)行評(píng)判時(shí)造成思維定勢(shì)，人為因素致使評(píng)判結(jié)果有失公允。 LAPP法是以Liquidity(流動(dòng)性)、Activity(活動(dòng)性)、profitability(盈利性)、Potentialities(潛力)四個(gè)詞的第一個(gè)字母命名，從這四個(gè)方面評(píng)價(jià)企業(yè)的信用。 債權(quán)保障因素主要包括內(nèi)部保障和外部保障兩個(gè)方面。 資金用途因素主要包括生產(chǎn)經(jīng)營(yíng)、還款繳稅、替代股權(quán)等三個(gè)方面。 5P分析法中5P是指：個(gè)人因素、資金用途因素、還款來(lái)源因素、債權(quán)保障因素,企業(yè)前景因素。擔(dān)保品豐富且價(jià)值良好，則信用相對(duì)就高，信用一旦發(fā)生危機(jī)則發(fā)生損失的可能性也相應(yīng)少。環(huán)境條件有利，則信用程度將提高。 經(jīng)營(yíng)環(huán)境是企業(yè)的內(nèi)在壞境和所處的外在環(huán)境。 能力主要包括經(jīng)濟(jì)上的借款與償還能力和法律上的借款能力。 資本是反映企業(yè)資金實(shí)力的一個(gè)重要方面，也間接反映了企業(yè)的資金積累情況。 品格主要是評(píng)價(jià)客戶的品行是否誠(chéng)實(shí)可信、其償還貸款的主動(dòng)性如何。比較有代表性的專家評(píng)估法有“5C”，“5P”，“LAPP”等方法。第二章 信用評(píng)級(jí)主要方法與模型綜述 專家評(píng)估法 專家評(píng)估方法是指通過(guò)專家對(duì)影響企業(yè)經(jīng)營(yíng)業(yè)績(jī)的有關(guān)經(jīng)營(yíng)要素進(jìn)行分析評(píng)分，使信用定量化，然后求加權(quán)平均得出企業(yè)信用等級(jí)的一種方法。評(píng)級(jí)系統(tǒng)應(yīng)與業(yè)務(wù)流程系統(tǒng)緊密結(jié)合，成為一個(gè)嵌入式的管理工具，最大限度地發(fā)揮監(jiān)管和決策支持的作用，實(shí)現(xiàn)企業(yè)評(píng)級(jí)、授信審批的全流程計(jì)算機(jī)管理。評(píng)級(jí)結(jié)果只是簡(jiǎn)單的EXCEL表格，數(shù)據(jù)的匯總程度、集中程度、共享性很低，同時(shí)也不利于對(duì)評(píng)級(jí)情況進(jìn)行有效的監(jiān)控。但是，與評(píng)級(jí)法對(duì)數(shù)據(jù)的要求相比，現(xiàn)有的數(shù)據(jù)積累遠(yuǎn)遠(yuǎn)不夠，數(shù)據(jù)儲(chǔ)備嚴(yán)重不足目而且質(zhì)量不高、缺乏規(guī)范性，嚴(yán)重制約了評(píng)級(jí)系統(tǒng)的應(yīng)用和發(fā)展；為滿足建設(shè)評(píng)級(jí)系統(tǒng)需要的數(shù)據(jù)樣本，還需要大量而細(xì)致的數(shù)據(jù)積累工作，通過(guò)數(shù)據(jù)整合、挖掘等技術(shù)，形成有價(jià)值的信息，為建立相關(guān)模型奠定良好的基礎(chǔ)。(2)模型主要參數(shù)所需的數(shù)據(jù)不足 評(píng)級(jí)系統(tǒng)建設(shè)的核心資源是數(shù)據(jù)。但與國(guó)外同行業(yè)進(jìn)行對(duì)比，可以發(fā)現(xiàn)主要還存在以下幾個(gè)問(wèn)題：(1)評(píng)級(jí)模型適用性較差 評(píng)級(jí)模型是評(píng)級(jí)系統(tǒng)的重要技術(shù)基礎(chǔ)，屬于金融領(lǐng)域內(nèi)的關(guān)鍵技術(shù)，其開(kāi)發(fā)研究需要結(jié)合統(tǒng)計(jì)分析、風(fēng)險(xiǎn)計(jì)量、資產(chǎn)組合、期權(quán)定價(jià)等先進(jìn)理論和技術(shù)，而我國(guó)由于經(jīng)濟(jì)發(fā)展程度不高，同時(shí)整體研究水平還相對(duì)欠缺，故在評(píng)級(jí)模型的建設(shè)方面有待加強(qiáng)。實(shí)證結(jié)果表明決策樹(shù)模型能有效地預(yù)測(cè)上市公司的信用風(fēng)險(xiǎn)，且適用性較好。鄭也夫?qū)?shù)據(jù)挖掘方法引入信用風(fēng)險(xiǎn)預(yù)測(cè)問(wèn)題中，全面比較決策樹(shù)、神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)算法在上市公司信息風(fēng)險(xiǎn)預(yù)測(cè)問(wèn)題上的優(yōu)劣，得出決策樹(shù)具有良好的適用性。朱毅峰等在傳統(tǒng)決策樹(shù)模型的基礎(chǔ)上引入卡方檢測(cè)的方法，將個(gè)人信用評(píng)估過(guò)程中誤判好壞客戶的成本差異考慮在內(nèi)，實(shí)證結(jié)果證明該精煉決策樹(shù)模型在個(gè)人信用評(píng)估應(yīng)用中可以提高判別壞客戶的正確率。實(shí)驗(yàn)證明