信用评价模型（通用12篇）
信用评价模型 篇1
农户小额贷款信用评价就是判别农户小额贷款信用风险的大小, 为银行给农户小额贷款贷款决策提供参考, 有助于解决农户小额贷款融资难的现状。指标权重的确定是农户小额贷款信用评价的关键问题, 在信用评价指标体系中, 每个指标在评价方程中的重要程度和作用是不同的, 因此各指标相应的权重也是不同的。指标被赋予权重的合理性和准确性将直接影响到评价方程的可靠性。
在现有研究当中, 综合评价的赋权方法大致可分为主观赋权、客观赋权、组合赋权三类方法。主观赋权法是通过相关领域的学者和专家, 根据经验及主观价值判断各指标重要程度的方法, 如AHP[1]、G1[2]、G2[3]等方法。客观赋权法是通过数理统计的方法确定评价指标的权重, 它的基本思想大都是:样本数据差异越大的指标, 包含的信息量越大, 越能体现评价对象的差异, 该指标的赋权就越大, 如复相关系数法[4]、熵值法[5,6]等。组合赋权方法是将主、客观权重进行组合后确定指标权重的方法。组合赋权的思路一般有两种:一是主客观赋权的偏差越小越好;二是使组合后的权重能够使综合评价结果的差异最大[7]。然而, 各种主、客观赋权法之间是否可以随意组合, 组合后的权重是否真的达到了取长补短的目的, 还有待于深入的研究。
一、模型构建
(一) 指标数据标准化方法
目的:将指标数值转化为[0, 1]之间的数, 消除单位和量纲的不一致。
设:xij-第i个指标第j个样本的标准化得分;vij-第i个指标第j个样本的原始数值;n-样本总数。根据正向指标标准化公式, 则有:
根据负向指标标准化公式, 则有:
区间型指标是数值越接近某一特定区间、信用状况越好, 并且在这个特定区间内、信用状况最好的指标。
设:q1-指标最佳区间左边界;q2-指标最佳区间右边界。根据最佳区间指标的打分公式, 有:
(二) 单一赋权方法
1. G1主观赋权法
G1法是对AHP的改进, 避开了AHP中的缺点, 而且该方法无须一致性检验。
G1法的步骤:
Step1:确定指标的序关系。
Step2:专家给出相邻指标xi-1与xi重要性程度之比ri的理性赋值。
Step3:若专家给出了ri的理性赋值, 则第l个指标在评价指标体系中的G1法权重αl为:
Step4:由权重αl可得第l-1, l-2, …, 3, 2个指标的权重计算公式为:
其中, αi-1-第i-1个指标在评价指标体系中的G1法权重;ri-专家给出的理性赋值;αi-第i个指标在评价指标体系中的G1法权重。
2. 指标难度赋权法
设:Di-第i个评价指标的D值;-第i个评价指标在所有评价对象中的最大值;x軃i-第i个评价指标的均值;δi-第i个评价指标的标准差。则第i个评价指标所包含的信息量为:
(三) 组合赋权方法
在评价得分矩阵计算方面, 对于由n个评价对象, m种评价方法得到的评价得分可以用如下矩阵Z表示。
其中, zij-第j种评价方法对第i个评价对象的评价得分, i=1, 2, …, n;j=1, 2, …, m, n≥3, m≥3。
设:zij-第j种方法评价中第i个评价对象的得分;z軃j-用第j种方法评价得到的n个评价对象得分的均值; (z ij-z軃j) -第j种方法的第i个评价对象得分偏离第j种方法m个评价对象得分均值的程度;sj-第j种评价方法得到的n个评价值的标准差;z*ij-标准化后的第i个评价对象得分偏离均值的程度。则:
标准化后的矩阵Z*的m个列向量z1*, z2*, …, zm*为正向指标, 取值越大越好。为了体现不同评价对象之间的整体差异, 引入调整权重系数λ= (λ1, λ2, …, λm) T, 即选取由λ权重系数调整后的评价得分的方差最大。调整后的评价得分如式 (11)
λT的作用是使得第i个评价对象调整后的得分 (λ1z*i1+λ2z*i2+…+λmz*im) 与所有n个评价对象的新得分 (λ1z*11+λ2z*12+…+λmz*1m) , (λ1z*21+λ2z*22+…+λmz*2m) , …, (λ1z*n1+λ2z*n2+…+λmz*nm) 的均值的偏离程度 (方差) 最大。
调整后的评价得分的方差为:
因为z1*, z2*, …, zm*是标准化处理的数值, 所以式 (12) 最右边的, 式 (12) 两边同乘 (n-1) , 即
令H= (Z*) *TZ, 矩阵H为z1*, z2*, …, zm*的协方差矩阵。根据最大限度的拉开评价对象的级差的差异原则, 求解λ的问题转化为如下的规划问题:
(四) 评价方程
设pj-第j个农户小额贷款的评价得分;wi*-第i个指标归一化后的组合权重, xij-第i个指标第j个农户小额贷款的标准化得分, 则:
(五) Spearman合理性检验
Spearman秩相关系数是一个非参数性质 (与分布无关) 的秩统计参数, 用于检验不同赋权方法得到的评价结果是否一致。
二、农户小额贷款评价模型的建立
(一) 样本选取
农户小额贷款评价指标体系来源于文献[8], 包括基本情况、还款能力、还款意愿、联保情况、宏观环境等6个方面的14个指标。通过式 (1) - (3) 对14个指标的原始数据进行标准化打分, 打分后的数据详见表1。
(二) 赋权结果
1. G1法主观权重的确定
通过对某全国性商业银行总行农户小额贷款金融业务管理部的总经理、副总经理、客户经理等34个专家进行座谈和调研, 确定了14个指标的重要程度比值。通过式 (4) - (5) , 计算14个指标的G1法权重αi, 列于表2第4列。
2. 难度赋权法权重的确定
通过式 (6) 计算第i个评价指标D值Di, 并进行标准化处理, 得到难度赋权法的权重结果γi, 列于表2第5列。
3. 极差最大化组合权重的确定
将表1的指标打分后数据和表2两种单一赋权结果代入式 (7) - (14) , 得到组合权重, 并进行归一化处理, 结果列入表2第5列。
(三) 评价模型的建立
将表2第5列的权重wi*代入式 (15) , 得到农户小额贷款信用风险评价方程为:
式 (17) 就是农户小额贷款信用风险评价方程。指标标准化得分越高, 评价得分si越高, 信用状况越好。
(四) Spearman秩相关系数的检验
根据表1第1-1471列的指标数据和表2的权重结果, 利用式 (15) , 计算得到四种权重对应的农户小额贷款信用得分, 并以此为依据可以得到1471笔农户小额贷款借据的信用评价排名。通过Spearman秩相关系数对三种农户小额贷款的信用排名进行检验, 得到不同评价结果的秩相关系数, 如表3所示。
通过表3可以看出, 组合权重与其他两种赋权方式的评价结果一致性最高, G1法主观赋权结果的一致性最差。
三、结论
级差最大化的组合评价方法, 通过修正权重计算新的指标权重和评价结果, 解决了不同单一方法的评价结果相互矛盾的问题, 也解决了评价结果区分不明显的问题。与其他单一赋权结果相比, 极差最大组合赋权评价结果的一致性最高。
参考文献
[1]Sadeghi M, Ameli A.An AHP Decision Making Model for Optimal Allocation of Energy Subsidy among Socio-economic Subsectors in Iran[J].Energy Policy, 2012, 45 (6) :24-32.
[2]郭亚军.综合评价理论方法及应用[M].北京:科学出版社, 2007.
[3]李刚, 周立斌, 曹宏举.基于理想排序群组G2赋权的科技评价模型与实证[J].科技与管理, 2010 (3) .
[4]Zou Z H, Yun Y, Sun J N.Entropy Method for Determination of Weight of Evaluating Indicators in Fuzzy Synthetic Evaluation for Water Quality Assessment[J].Journal of Environmental Sciences, 2006, 18 (5) :1020-1023.
[5]L W Lan, W W Wu, Y T Lee, Exploring an Objective Weighting System for Travel&Tourism Pillars[J].Procedia-Social and Behavioral Sciences, 2012 (59) :183-192.
[6]Ali Shemshadi, Hossein Shirazi, Mehran Toreihi, M.J.Tarokh.A Fuzzy VIKOR Method for Supplier Selection Based on Entropy Measure for Objective Weighting[J].Expert Systems with Applications, 2011, 38 (10) :12160-12167.
[7]孙莹, 鲍新中.一种基于方差最大化的组合赋权评价方法及其应用[J].中国管理科学, 2011 (6) .
[8]中国邮政储蓄银行.中国邮政储蓄银行农户信用评级表[R].中国邮政储蓄银行, 2009.
信用评价模型 篇2
摘 要：目前有很多的经济学家对经济增长点的进行了长期的研究，从不同方面运用不同理论作出了自己的解释，但在评价经济增长点上面至今没有形成一致的看法。本文尝试从经济增长点的形成机理以及在经济发展中的地位和作用上，就应用自组织数据挖掘方法建立某一个国家或者地区经济增长点的评价模型可行性进行论述。
关键词：自组织;经济增长点
引言
在研究复杂经济系统时，系统内多个因素间的相互作用、相互影响，用经济理论从众多影响因素中揭示出对经济对象有重要影响的因素时，不容易找到一个客观公正的标准。自组织数据挖掘方法为解决这一问题提供了有效途径。用自组织数据挖掘方法建模体现了复杂事物由简单到复杂的演化过程，竞争、优胜劣汰的生物进化过程，中间模型不断重组的模型自组织过程，它能客观、自动地选择出对研究对象有重要影响的因素。
1.经济增长点理论概述
一般认为，经济增长点理论来源于经济不平衡增长思想和内生经济增长思想，即认为经济增长不会同时在经济体的每一处出现，而是出现不同的增长的触发点，也就是所说的经济增长点。它的实质上是经济体内在的刺激因素，它自身的发展可以向外产生扩散和辐射，进而启动整个经济体的增长。但是现在理论界对抽象的经济增长点内涵具体表述并不相同。
尽管经济增长点首先是一个“点”的概念，但是研究的目的是实现整个经济体的增长，因此必须从经济总量的角度来看增长点的形成机理。目前已经从经济史、产业组织等角度提出了各种解决的办法。主要有罗斯托的“经济成长阶段理论”、钱纳里的“工业化阶段理论”、霍夫曼的“霍夫曼工业化经验法则”与“ 霍夫曼系数”。但是这些划分没有经济的微观基础，只从历史的表面联系来分析经济现象，因而有一定的局限性。我们认为只有从经济增长点的形成机理以及在经济发展中的地位和作用，结合宏观经济学与微观经济学建立一个评价模型对其才能作出最好的评价。由于经济增长点对于发展中国家的巨大作用，本文就尝试对这种经济增长点的评价模型的建立问题作出研究，找出一种方法能够建立适应于某一个具体的国家或地区的经济增长点评价模型，以指导他们的经济发展方向。
2.复杂性科学与经济学
自组织理论与方法源于神经网络科学和自动控制理论。随着神经网络和计算机科学的迅速发展，自组织建模方法也得到取得了较快的进步。20世纪90年代由德国J.A.Muller教授在上述成果基础上发展并完成的自组织数据挖掘算法，使它成为研究复杂系统模拟预测的有效工具。如今在数据挖掘、知识发现、预测、系统建模和模式识别等领域，自组织方法已经成为人们在信息爆炸时代、信息不完全下进行系统分析和决策的有效方法。
自组织方法在人类活动的很多领域都有重要运用，尤其在经济领域，因为经济涉及的广泛性和与人们生活的息息相关性。自组织是运用一种新的方法对重要的经济问题进行分析。已经证明了经济系统是一种被大量的环境因素所影响的自然系统，当我们应用自组织方法来解决宏观经济指标预测问题时，用自组织方法中的模糊规则来集成影响因素，由于不用考虑所有的因素，所以肯定了自组织应用的有效性。用自组织方法得出的模型，其分析效果要好于其它方法得到的模型，体现了自组织在复杂系统运用中的优越性，解决了复杂系统变量多等其它方法难以解决的困难。
我国自1992年开始使用这一方法对一些复杂的经济问题进行了探讨，在贺昌政、刘光中教授以及一批学者的推动下，自组织在我国的运用有了较大的发展，并且取得了令人满意的效果。
3.自组织数据挖掘
数据挖掘的概念于1995年在美国计算机年会(ACM)上被提出：“数据挖掘就是从大量的、不完全的、有噪声的、模糊的`、随机的数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程”。数据挖掘是从大量数据中提取知识，即从存放在数据库、数据仓库或其它信息库中的大量数据挖掘有价值知识的过程。它涵盖了统计学、机器学习、数据库、模型识别、人工智能等多门学科领域。数据挖掘从它刚产生开始就是面向应用的，它的任务就是从数据中发现模式，为决策活动提供决策模型。
自组织数据挖掘方法在考虑到我们对与这个复杂世界所知甚少的情况下，对复杂世界的规律进行预测。其理论的基础之一是遗传算法。生物的遗传在不断地受到外界的制约并与周围的环境协调的过程中，物种将逐步地发生变化。在大批量进行育种的过程中，为了得到新的一代，每一次大批量淘汰的过程都应该筛选出具有某些最好特性的，但还需要继续改进的那些生物，并利用这些生物继续育种。经过一些阶段选择以后，就可以培育出理想的物种。
对于经济系统，其特征是组织的产生(经济对象的形成与设计、改造、重构等)、动态平衡的自动调节(为了达到指定的目的而控制经济过程)、管理、组织的变革。用经济数学模型的自组织原则来研究经济系统，应该满足经济现象的自身的性质。利用自组织数据挖掘理论建立复杂经济系统动态模型时，根据影响因素的样本数据及建模者感兴趣的输出变量，在计算机上采用人机对话方式产生大量的竞争模型，用恰当的选择准则选择一部分“最有希望”的模型，再利用这些模型产生大批新的竞争模型。按这样的方式将模型的结构从简单到复杂逐步改进，最后选择出最优的复杂模型来。
自组织算法选择竞争模型的选择准则又称外准则，因为它基于某些补充信息，即是在估计模型参数时没有使用过的信息。外准则对模型质量的判断应保证其结果与模型参数估计过程的最大无关性。使用外准则筛选竞争模型，是自组织数据挖掘算法的特色。它也符合奥坎姆剃刀原则，即如无必要，勿增实体。
自组织算法的终止法则由自组织原理给出：当模型的复杂度(模型所含变量个数与次数)逐渐增加时，模型的外准则值有一个先减小再增大的过程。外准则的最小值定义了最优复杂度模型。
要建立经济增长点评价模型，我们把样本集分为学习集、检测集，用GMDH客观地产生最优复杂度模型。
4.总结
建立某一个国家或者地区经济增长点的评价模型所应用的自组织方法，是利用了GMDH黑箱输入输出以及用基本函数的网络互连来表达基本函数等两种方法的。它有以下几种优势：首先它实用性好;只需要采集确定目标的样本集即可，确定好外准则即可产生最优复杂度模型。其次它客观性强;由计算机筛选这些数据之间的相关性，减少了人为的主观判断。最后它综合了已知的各种经济学理论，充分利用了我们的先验知识。应用自组织方法来建立经济增长点评价模型是现在我们已知的最可行的方法之一。
参考文献：
[1]成思危.复杂科学与管理，中国科学院院刊，.(3).
[2]钱学森，于景元，戴汝为.一个科学新领域-开放的复杂巨系统及其基本方法论，自然杂志，1990.(1).
[3]杨小凯，黄有光.专业化与经济组织，经济科学出版社，1999.
[4]Ivakhnenko A.G， Kozubovski S.F，Yu.V.Kostenko.Objective System Analysis of Macroeconomic Systems.Syst.Anal.Model.Simul.I，1990，3：201.
信用评价模型 篇3
关键词 教师评价；多级模糊综合评价；指标
中图分类号：G645 文献标识码：B
文章编号：1671-489X（2015）16-0032-04
Abstract This paper illustrates by the case of Sichuan University for Nationalities， extracts teaching evaluation factor in their teaching evaluation index system with multi-level fuzzy comprehensive evaluation method， analyzes teaching evaluation indicators， model and carrying it out and combining the qualitative description and analysis， and establishes evaluation index system. It evaluates the status of appraisal from a number of factors to reduce the error that subjective evaluation of teaching the traditional factors will ensure the fairness on the evaluation results.
Key words teacher evaluation； multilevel fuzzy comprehensive evaluation； indicators
学生评教是高校教学质量监控的重要环节，对促进教师成长、提高学校教学质量有着重要的作用。现有的教师评价模型有三类：学生打分评教法、层次分析评教法以及模糊综合评价评教法。学生打分法易操作，但准确性不高，主观性强[1]；采用层次分析法的计算量大，需要判断矩阵的最大特征和矩阵的阶数是否相等，需要检验判断矩阵是否具有一致性，而且当判断矩阵不一致时需要通过若干次的调整、检验才能具有一致性，数据量和操作都比较复杂[2]。采用模糊综合评价法建模可以将一些边界模糊、不容易量化的因素量化，将定性分析和定量分析相结合，对被评价事物隶属等级状况进行综合性的评价，是一种比较适合的教学评价方法[3]。
1 多级模糊综合评教模型建立——以四川民族学院为例
四川民族学院地处边远贫困民族地区，区域经济及地理位置等因素在一定程度上影响学校的发展。其作为新建民族本科院校，欲在当前教育改革背景下实现跨越式发展，须积极探寻符合自身实际的改革与发展路径，突出办学特色，提高办学质量。学生评教作为高校教学质量监控的重要环节、提高教学质量的重要保障，其科学性、公正性至关重要。文中采用模糊综合评价法，对四川民族学院现有的评教指标进行建模分析，以期为其他评价提供范例。
教师评价因素——以四川民族学院为例 四川民族学院教师评价体系中，一级指标包括教学内容、教学水平、教学效果和教学态度，所占的分数分别为30分、30分、25分和15分；二级指标包括观点正确、层次清晰、信息量适度等。具体指标和单个指标的总分如表1所示。
将四川民族学院评教的一级指标和二级指标进行定义，其中一级指标用C={C1，C2...Cn}集合表示，二级指标用Ci={Ci1，Ci2...Cij}集合表示，根据单项指标的总分数，得到各个指标的权重，设定衡量尺度包括“非常满意”“比较满意”“满意”“不满意”“非常不满意”这五个等级，表示为S={S1，S2...Sn}，建立四川民族学院教师评价指标体系，如表2所示。
满意度分成非常满意、比较满意、满意、不满意、非常不满意这五个等级，再设定这五个等级相对应的分值为90分、80分、70分、60分、50分。
2 多级模糊综合教师评价模型实施
选取四川民族学院中100名学生，采用表1的各项指标，用问卷调查的方式对一名教师的同一课程进行打分评价，将结果用单因素评判矩阵表示，其中教学内容关系矩阵为R1、教学水平为R2、教学效果为R3、教学态度为R4。
因为A值结果求和不为1，对A进行规整处理，并将最后分数换算成满分为100分所占的分数。由公式（8）和公式（9）得到：
通过多级模糊综合法得出100名学生给该教师打的分数v′为91.7分。为了说明该方法具有较强的客观性，让参与实验的100名学生根据表1的评价方法，采用打分法对该教师进行打分，将总分除以学生人数，最后该教师所得分数为90.3分。假设欲将该教师最后得分提高1分，采用学生打分法只要每个学生在原有的基础上增加1分即可；而采用多级模糊综合评价法，学生在原有的基础上任意增加1分是达不到效果的，因为该方法中每个指标所占的权重不同，而且要通过多级模糊运算，可见比打分法具有较强的客观性。
3 结论
本文将四川民族学院现有的评教体系通过多级模糊评价法进行建模并实施，用指标作为影响因子，建立评判指标和衡量尺度等级的关系矩阵，采用综合模糊评价法对一直指标和关系矩阵进行模糊评判，根据评判结果，再进行二级评判，最后对结果进行规整，换成百分制，得到实验教师最后综合得分是91.7分。同时用打分法进行对比实验，让参与实验的100名学生根据原有的评教方法，对该教师进行打分，最后算出平均分为90.3分。这种方法操作简单，但是主观性强，公正性得不到保证。采用综合模糊评价法进行建模处理的方式，将定性描述和定量分析相结合，减小了因主观因素带来的误差，评价结果更加全面、客观，从而保证评价的公正性，以达到保障教学质量的效果。
参考文献
[1]孙炳海，申继亮.美国教师评价的发展历程与评价模型研究述评[J].比较教育研究，2009（5）：73-76.
[2]叶珍.基于AHP的模糊综合评价方法研究及应用[D].广州：华南理工大学，2010.
基于熵模型的企业财务信用评价 篇4
一、财务信用评价熵模型的构建
熵的概念是由德国物理学家K.Clausius和L.Boltgman首次提出的, 以后美国数学家、控制论创始人Wiener及信息论创始人Shannon提出了更广义的信息熵, 作为系统无序程度的度量。其基本原理如下:设n个指标, m个年份, 形成原始数据矩阵X= (xij) mn, 对于某项指标xj, 若指标值xij差距越大, 则该指标在综合评价中所起作用也就越大;反之就越小。若某项指标的指标值全部相等, 则该指标在综合评价中不起作用。由信息熵undefined, 结合其基本原理, 可以得出如下结论:如果某个指标的信息熵H (x) 越小, 表明其指标值的变异程度越大, 提供的信息量也就越大, 故其权重也应越大;反之, 结论则相反。
根据企业财务数据, 评价企业财务信用状况的熵模型的建立步骤如下:
1.构建信用评价的初始矩阵
undefined
其元素为x*ij第i年第j个指标水平值。
2.求出无量纲化矩阵
对X*做无量纲化处理, 得到X= (xij) min, xij是该公司指标j在第i年时的值, 并且
undefined。显然, xij∈[0, 1]。
3.计算第j项指标在第i年时其指标值的比重pij
undefined; j=1, 2, …, n) 。
4.计算第j项指标的熵值ej
undefined; j=1, 2, …, n) 。
当undefined时, 指标熵值最大, Ej=ln (m) =Emax, 用Emax对Ej进行归一化处理, 得undefined
5.计算第j项指标的客观权重θj
undefined。
6.计算第i年份企业财务信用评价指数ωi
undefined; j=1, 2, …, n) 。
二、企业财务信用评价中熵模型的应用
为检验熵模型在企业财务信用评价中的适用性, 本文选取了重庆啤酒公司2003-2007年的财务数据作为样本。
1.原始数据的选取及其无量纲化处理
财务信用能力评价涉及企业偿债能力、营运能力、盈利能力等各个方面, 实际上是企业财务综合能力的评估。因此, 本文从以上方面建立了11项评价指标:资产负债率X*1;流动比率X*2;速动比率X*3;利息保障倍数X*4;总资产周转率X*5;应收账款周转率X*6;存货周转率X*7;净资产收益率X*8;销售净利率X*9;现金比率X*10;现金营运指数X*11, 并将这些指标数据x*ij经过公式undefined做无量纲化处理, 得到归一化数据, 见表1。
2.指标熵值及权重的计算
经过无量纲化处理后, 利用信息熵的公式计算出各财务指标的熵值ej及权重系数θj, 见表2。
权重系数是财务信用能力综合评价中一个重要因素, 对评价方案的取舍具有重要影响。在熵模型中, 由于熵权系数方法本身的特点, 各指标的权重由其自身数据决定, 具有客观性, 使指标更能真实反映企业本身的固有信息。
3.企业财务信用综合评价指数的计算
根据公式undefined; j=1, 2, …, 11) , 计算出重庆啤酒公司5年内的财务信用综合评价指数, 绘制出其变化图 (见图1) 。
通过以上计算, 可以得到以下一些结论:
(1) 由表2可以看出, 权重较大的指标包括:速动比率 (X3) 、利息保障倍数 (X4) 、应收账款周转率 (X6) 、净资产收益率 (X8) 、现金比率 (X10) , 尤其是X3、X4、X6的权重值更大, 说明企业的财务信用水平主要反映在偿债能力上, 尤其是短期偿债能力方面, 因此财务信用能力评价的重点是偿债能力。这符合财务信用分析的本义, 即债权人为了保护自身债权的安全, 维护自身利益不受损害, 依据一定的财务信用信息, 对债务人如期履约偿还债务的能力进行的全面综合评价。
(2) 通过熵模型得到的重庆啤酒公司5年财务信用变化图可以看出:2003-2005年财务信用指数呈下滑趋势, 最低为0.097 5;从2006年开始大幅度上升, 2007年达到0.279。这与重庆啤酒公司实际情况相一致。重庆啤酒公司在2005年面临激烈的同行业竞争, 其经营状况较差, 主营业务利润率在5年内最低, 之后企业转变经营战略, 同时注重短期资金的流动性, 使财务信用状况得到大幅度的改善。
三、结论及局限性
企业财务信用状况评价可以为投资者、管理者及监管部门提供客观、简明的信用信息, 为投资者的投资决策、企业管理者的管理决策、企业的融资以及监管部门的监管提供重要的参考依据, 同时财务信用评价可以成为一种重要而有效的市场监督机制。本文通过建立财务比率指标体系, 并引入熵模型对企业财务信用状况进行评价, 结果表明该模型能够客观地确定评价指标的权重, 从而得到综合评价指数, 具有可行性和实用性。但是, 企业财务信用状况还会受企业管理层的主观愿望、企业家的素质等主观因素影响, 因此, 如何将定量分析与定性分析有效结合来评价企业财务信用状况, 需要进一步研究。
参考文献
[1]张俊民.财务分析[M].上海:复旦大学出版社, 2007.
[2]赵树宽, 汤石雨.基于熵模型的企业财务系统稳健性评价[J].吉林工商学院学报, 2008 (1) .
民航机场风险评价模型应用探讨 篇5
民航机场风险评价模型应用探讨
机场安全是民航安全管理的`重点之一,是正确的指导民航风险管理工作的重要内容.在对民航机场进行风险因素辨识及风险分析的基础上,利用层次分析法和模糊数学理论建立了民航机场风险评价模型,并以首都机场为评价对象,对其进行了风险评价.
作 者：卢炳峥 LU Bing-zheng 作者单位：沈阳航空工业学院,安全工程学院,辽宁,沈阳,110034刊 名：沈阳航空工业学院学报英文刊名：JOURNAL OF SHENYANG INSTITUTE OF AERONAUTICAL ENGINEERING年，卷(期)：25(4)分类号：V268.6关键词：民航机杨 风险评价 模糊评价 层次分析法
品牌评价模型信息系统技术方案 篇6
关键词 品牌评价 信息系统 销售数据
中图分类号：TP311.12 文献标识码：A
1 需求概述
本系统以烟草在销品牌销售数据为依据，录入品牌销售的各项指标及数据，通过几种绩效评价方法，结合评价指标的分析，确定评价指标权重，建立评价模型，在计算机系统中自动对录入数据的计算生成各个品牌的评价得分及各种图表。建立卷烟品牌评价模型的目的是：对在销品牌实行有周期的动态评价，通过分析评价和测值，建立品牌的分类等次，并以此作为实施品牌培养、促销、进退的数理依据，建立一套对在销品牌的客观科学评价体系，从而避免情感化、印象型等个人主观因素，为工业公司品牌发展营造机会公平、过程公正、结果公认的市场竞争环境，为地市卷烟营销体系实施“461”、“532”知名品牌发展战略提供支撑，为实现营销管理进入“深水区”打下坚实基础。
2 运行环境
硬件环境：CPU：P4 3.0 G以上；内存：2GB；硬盘：80G
软件环境：数据库： My SQL 5.1.40 ；JSP/SERVLET容器：apache-tomcat-6.0.36；WEB应用服务器：nginx-1.5.3；JDK版本：jdk1.6.0_43；操作系统： Windows XP/Windows 7/Windows Server 2003/ Windows Server 2008/ Windows Server 2012/Linux；浏览器：IE 7+/Fire Fox/Chrome
3 总体设计
3.1设计思想
本系统设计时，遵循下述基本思路：
（1）B/S模式。以Web服务的方式为用户提供系统功能，客户端无需安装。
（2）系统分层设计。为更好的降低软件模块之间的耦合，应用正交化设计思想，系统设计采用分层设计。
（3）采用J2EE技术，充分合理利用成熟的Spring软件系统框架，提高系统的可扩展性、可移植性、可伸缩性。
（4）采用MVC（Modle-View-Control）技术，保证系统的设计、开发、维护效率。
（5）可持续构建。为尽早发现系统设计中的问题，本系统编码实现时采用可持续构建策略，以功能来划分工作进度，每实现一定的功能后，就进行一次系统集成。
（6）面向接口的实现。
3.2 产品结构
图1 组网结构
功能体系结构
烟草评价系统的功能体系结构分成两层：视图层、业务层。视图层是面向用户的界面，包括JSP页面、图表控件等；业务层包含与视图所呈现的功能相对应的实现逻辑，并提供对数据的访问。从MVC的角度，可以将视图层与View对应，而业务层则包含了Model和Controller两层。
烟草评价系统技术体系结构如上图所示，整个系统包括浏览器、系统平台、数据库，其中彩色部分为本次项目中的开发内容。
> 浏览器。本系统对用户提供web服务，用户使用浏览器访问本系统web服务（即功能体系结构中的试图部分），从而实现对本系统功能的使用。浏览器访问本系统web服务器采用http协议。
> 评价系统平台。基于J2EE技术构建的Web应用，Web服务器采用Tomcat。WEB应用基于Spring Web应用框架，分成视图和业务两个层次，用户界面部分对应功能体系结构中的视图层，业务逻辑部分对应功能体系结构的业务层。业务逻辑部分利用Hibernate实现对数据库的访问（数据持久层）。
数据库关系模型设计
为了提高数据之间的灵活性，数据库表之间没有采用强制的外键关联，而是在系统业务逻辑进行控制，能减少数据库的负担，提高数据的插入速度。
3.3 处理流程
以下描述的流程中，除用户登录流程外，其他流程都是在用户登录的前提下进行的。其他流程也忽略了写日志信息的过程。
图6描述了用户登录登出的处理流程。
（1）用户打开本系统登录页面时触发登录过程。
（2）进入系统登录界面；
（3）用户在登录界面，输入用户名、密码并单击登录按钮，进行登录操作；
（4）系统捕获用户登录动作，并提交给用户管理模块进行验证，返回用户信息。
图7描述了综合评测的处理流程。用户进入数据录入/分析模块的综合评测界面触发，综合评测的计算、查询功能。
（1）进入数据录入/分析模块下的综合评测界面，综合评测模块获取周期内的品牌的销售额数据；
（2）综合评测计算模块获取统计周期内的统计数据；
（3）综合评测模块，对周期统计数据、销额数据进行组合计算，得到综合评测信息；
（4）综合评测模块对计算得到的综合评测信息写入到数据库中。
图8描述了SWOT的处理流程。用户进入数据录入/分析模块的SWOT分析界面触发SWOT的计算、查询功能。
图6 用户登录
图7 综合评测
图8 SWOT分析
（1）进入数据录入/分析模块下的SWOT分析界面，SWOT模块获取周期内的品牌的综合评测结果；
（2）SWOT模块根据综合评测结果结算SWOT的数据点；
（3）SWOT传输SWOT的数据点信息到图表绘制模块生成SWOT的散点图、趋势线。
如何降低管理平台内部模块耦合关系
采用了Spring作为管理平台的软件框架，Spring的架构充分利用了IOC与AOP设计思想，降低了管理平台中各模块之间的耦合关系，并使得与业务逻辑无关的辅助功能代码分离出来。
JAVA对象与关系数据库的映射方法
管理平台采用了Hibernate作为对象数据库映射软件框架，Hibernate改变了传统的关系数据库开发方式，开发者可以完全从对象的角度来分析系统，而无需过分关心对象到表的映射问题。同时，Hibernate屏蔽了其中的大量技术细节，降低了开发者的开发难度，提高开发效率。
系统通过SOAP/RMI/REST/hessian与烟草品牌评价系统、综合业务平台交互。
3.4 属性设计
说明产品对以下五个方面的属性所作的特殊设计和考虑。
可靠性：
流媒体系统可靠性要求为：
> 系统故障平均恢复时间：30分钟
> 平均无故障运行时间720小时以上。
系统可靠性：99.9%
安全性
说明保证产品安全性的方法、措施和方案。
可维护性
说明保证产品可维护性、可观察性的方法、措施和方案。
可移植性
说明保证产品可移植性的方法、措施和方案。
可测试性
说明保证产品可测试性的方法、措施和方案。
3.5 数据结构设计
产品主要数据采取逻辑结构的设计原则。
数据结构及与模块的关系：
可采用矩阵图形式，并规定以下符号：
C：创建 U：更新 R：读出使用
3.6 产品出错处理
表1
4 产品调试与测试方法
信用评价模型 篇7
自1990年12月19日上海证券交易所成立, 我国证券市场迅速成长、扩容;但另一方面, 上市公司的各种问题及舞弊事件不断暴露, 使投资者对上市公司的信用状况与证券市场的前景产生了巨大疑问, 这是沪深股市这几年走低的重要原因之一。上市公司信用是维护投资者的利益、保证股市有效运行的重要环节, 这也是本文研究的动机所在。
从现有的文献来看, 影响企业信用状况的因素可分为两类。第一类是企业的内部因素, 包括企业的规模、融资信用状况以及经营状况等等。其中, Petersen和Rajan (1997) 的研究最为全面。他们发现, 中小企业较大企业使用更少的商业信用, 企业规模和企业年龄对商业信用的供给会产生显著影响, 净利润与企业的应收账款之间是负相关的等。第二类是企业所处的外部环境, 包括经济发展情况、金融市场完善程度等。如Demirgü-Kunt和Maksimovic (2001) 系统研究了国家或地区之间金融系统发展水平和法制水平的差异对企业商业信用造成的影响, 并综合分析了金融系统发展水平和法制水平的差异对商业信用使用的影响等。
国内学者对商业信用的研究起步较晚, 成果相对不够丰富。到目前为止, 这些研究文献可以大致分为理论描述性分析和实证分析两类。如岳意定和厚福宏 (2005) 对商业信用的存在动机进行了简要的分析;钟田丽等 (2006) 以在深交所上市的38家制造业的中小公司为样本, 对企业使用商业信用的影响因素进行了检验;李斌和江伟 (2006) 以沪深上市公司为样本, 检验了商业信用与地区金融发展之间的关系等。
二、实证分析
1. 指标选取与数据来源
一般而言, 企业信用评价及违约风险大小与企业财务状况密切相关。本文综合考虑了企业的偿债能力、盈利能力、成长性、经营能力等方面, 选取如下财务指标作为回归自变量:
在因变量的选取上, 将研究公司分为两组两端作为样本数据, 一组为正常上市公司, 设其信用水平虚拟变量credit的值为0;另一组为非正常公司, 即因财务异常而被特别处理 (ST) 的公司, 选取样本中被特别处理和注册会计师给以“拒绝表示意见”的审计报告的公司, 设其信用水平credit为1。
数据选取上, 本文选取沪深两市材料和机械制造类2012年度披露相关财务项目的103家公司, 以其财务数据作为样本进行实证研究。数据来源于WIND。
2. 逐步回归法筛选变量
为了考察企业信用状况 (credit) 与偿债能力、盈利能力、成长性、企业规模及经营能力的关系, 首先, 初步建立如下Logist回归模型:
本文采用matlab R2012a对上述模型进行拟合, 得到回归结果如下表所示:
可以看到, 模型拟合的效果很不理想, 自变量的回归系数结果除总资产收益率外均为不显著, 这可能源自于自变量之间存在多重共线性。为了避免这样的问题, 本文采用双重逐步回归法, 对前文所取的九个自变量进行筛选。利用matlab R2012a进行处理, 得到筛选结果如下图所示:
其中, 具体筛选步骤为:1.选入变量roa;2.选入变量pm
由筛选结果可见, 企业的盈利能力是企业信用水平的重要影响因素, 而本文其余考虑的因素并没有给企业的信用状况带来实质性的影响。
因此, 本文的回归模型变为:
3. Logist模型
利用matlab R2012a进行处理, 我们得到回归参数及相应统计量如下表所示
可见, 在5%的显著性水平下, 企业信用状况和盈利能力正相关。为了考察所得Logist模型的解释效果, 将样本数据代入模型预测信用状况, 计算出credit值。若credt>0.5, 则判断企业为守信较差企业;若credit≤0.5, 则判断企业为守信较好企业。
将该结果与公司实际信用状况比较, 发现在样本选取的107家公司中, 判断错误的仅有9家, 判断正确率高达95.19%。可见, 利用该Logist模型与相应企业财务指标对企业信用状况进行判定可信度较高, 该模型是有效的。
三、结论
本文采用沪深两市制造业103所上市公司2012年度的财务数据, 利用Logist模型为统计工具, 研究了我国制造行业上市公司的信用状况的影响因素及评价问题。研究结果表明, 基于logistic回归模型对企业信用进行评价, 能够为债务人、投资者和交易方提供准确率较高的决策依据, 为企业的管理者提供决策信息。对样本的检验准确率高达95%, 表明利用该模型对企业信用状况判断是可信的。
另一方面, 由回归结果可知, 影响我国制造业上市企业信用状况的主要因素为盈利能力。盈利能力越强, 企业的信用状况越好。这一结果与预期相符, 企业的盈利能力越强, 越能产生足够的现金流进行偿债, 企业的信用水平相应的必然得到提高。
参考文献
[1]MA Petersen, R G R ajan, Trade credit:theories and evidence, Review of Financial Studies, 1997 Soc Financial Studies
[2]A Demirgü-Kunt, V Maksimovic, Capital structures in developing countries, The Journal of Finance, 2001
[3]岳意定, 厚福宏.商业信用存在动机研究与中小企业融资难出路嘉应学院学报 (哲学社会科学) , 2005
[4]钟丽田;中小企业商业信用影响因素分析, 管理评论, 2006
基于模糊评价的营销力评价模型 篇8
自20世纪90年代营销力的概念被提出以来，以促进和改善企业营销力为目的的企业评价活动日益引起企业及学术界的高度重视。然而,目前对企业营销力评价的研究，大多停留在定性分析，在对客体进行评价时往往根据个人主观经验和直觉进行哲学的思辩，而后提出一些看法，因此无法避免的带有主观性信息(如偏好、要求、满意、评价、习惯等)，难以将复杂流动的营销力简单数量化和标准化，无法从微观层面进行细致准确的评价。威廉·汤姆森先生曾经说过:“不能量化,就不能很好的认识。”而运用定量的分析方法，可以了解企业自身的优势和劣势，为企业的发展提供客观依据，同时为企业自身营销力进行战略性管理提供数据支持，对培育和提升企业营销力具有重要意义。
2 营销力评价指标体系
2.1 营销力的概念及内涵
对于营销力评价模型的探讨首先必须严格界定营销力的概念，根据营销力内涵和营销力构成的要素的分析，再建立可识别的评价指标体系。本文从资源与竞争这两个理论基点出发，认为营销力是企业有效整合内外资源，在市场营销层面上加以优化配置和高效运用，并在动态环境中不断强化和提升，进而转化为企业竞争力，并最终依靠这种竞争力获得市场竞争优势、支撑企业可持续发展的合力。
2.2 营销力评价指标体系的构建
构建科学合理的指标体系是选择有效营销力评价模型的另一个重要条件。目前，由于对营销力界定不同，因而不同学者提出了不同的指标体系，至今仍未形成统一的认识。本文根据对营销力界定，认为企业营销力由文化力、渠道力、品牌力、产品力、协同力、销售力、价格力和执行力这八大基本力构成，即企业营销力的测评也须以八大基本力作为评价指标。由于所处的环境不同、行业不同、企业发展阶段不同，企业八大基本力的指标权重在进行测评时各有不同。
3 营销力的评价模型
对企业营销力测评的各项具体指标中，一部分可以定量计算，一部分难以定量且具有“模糊性”。一是企业营销力的分类具有模糊性，类属标准不明确;二是企业营销力的影响因素具有模糊性，因为企业营销力受多种因素影响，有些因素不能简单地用一个数值来评价，难以用一般数学方法来处理。考虑到以上原因，运用模糊理论和采用模糊数学方法对企业营销力进行测评。
模糊理论(Fuzzy Theor y)是由美国自动专家、加里福尼亚大学教授查德(L.A.Zadeh)于1965年创建的，它是用数学方法研究和处理具有“模糊性”现象的数学，对无法用通常的简单数字来表达的客体用模糊数学来处理，模糊数学法是对模糊性问题进行定量处理的一种方法。模糊理论的原理即，首先考虑到影响营销力的量是模糊的，也就是在确定了营销力指标体系之后，由评估专家对各因素指标进行模糊选择，然后统计出专家群体对评估因素指标体系的选择结果，再按照所建立的数学模型进行计算。
3.1 营销力构成各要素的权重分析
比较法的基本思想是：每两个指标进行比较，根据其相对重要程度给出估计分值，得出判断矩阵，求出指标的权系数。运用对比评分法进行评分，即把某个评价指标同其它评价指标逐个进行对比，按对比分值进行评分，然后计算该指标同其他指标两两比较时的评分之和，取得该评价指标的评分。为了充分反映指标重要性的差别，环境不同，营销亚力的重要性程度也不同。实际操作中，可以选定某一个参照性企业作为基础，假定为5，运用9∶1、8∶2、7∶3、6∶4和5∶5等多种比例，拉开评分差距，突出各亚力的重要性，使评分结果更加客观。在该评分方法中，重要性相等记为5∶5,一方比另一方略微重要就记为6∶4，依次上推，差距很大就记为10∶0。
决策者经过次n(n-1)/2比较，得到判断矩阵：
在A中，显然有ai i=5,i=1,2,…,n。
其中wi,wj分别为第i,j个指标的权重。设
若满足则称ai j(i=1,2,…,n)是一次性估计值。
实际上，决策者对指标进行比较时，其重要程度很难精确把握，当ai j不满足一致估计值，故A≈B，亦即
专家评分法的机理是:某个效益型指标值增加,方案值增加,指标越重要,所对应的分值越大;某个成本型指标值增加,方案值减少,所对应的分值越小。因此权系数的计算公式为:
表一以营销亚力权重的评价为例进行说明,而对于营销亚力的分力权重的评价可以采用同样的方法。见表一(其中，营销力包括文化力C1、渠道力P2、品牌力B3、产品力P4、协同力H5、销售力S6、价格力P7、执行力E8)。
假定某企业的营销亚力重要性如下表所示，可以求得相应的指标权重(如表一)。
设营销力(Mar ket i ng For ce)中各个营销亚力的权重可以表示为：
其中,C1,P2,B3,P4,H5,S6,P7,E8分别为文化力、渠道力、品牌力、产品力、协调力、促销力、价格力和执行力在营销力MF中所占权重:
且再设营销亚力中各个要素(影响营销亚力的因素)的权重分别为：
xi=(xi 1,xi 2,…,xi J),其中J表示各营销亚力中三级指标的个数。
表示各营销亚力三级指标在各营销亚力中所占的比重。
如假定企业文化力的四要素为：导向力、组织力、凝聚力和领导力，则(c11,c12,c13,c14)分别为在文化力中所占的比重，企业文化力的各要素的权重分别c1=(c11,c12,c13,c14)。
3.2 评分
在确定构成企业营销力的各要素权重的同时，专家还对企业的营销力进行评分，对营销各个亚力进行具体的量化。对于定性指标，可以根据指标的不同特点分别采用德尔菲法和问卷调查法给它们打分。对于涉及特殊指标诸如文化力的情况、企业的协调能力等指标宜采用德尔菲法，请专家和专业人士进行评分。而对于其他诸产品力等指标则可采用问卷调查法。将营销亚力进行评分，可以假定各个营销亚力满分均为100分，首先确定本行业最好水平的营销亚力数值，然后以此为参照确定本企业营销亚力水平。
3.3 企业营销力的评价
对于企业营销力的评价采用加权平均的方法，由表一可知不同营销亚力在企业营销力中所占的权重，由专家打分法可知不同营销亚力各自的分值，因而用加权平均的方法可确定企业营销力的分值。
设Xi为第i个营销亚力(二级指标)的权重，为该营销亚力对应的评价分值，则企业营销力的分值为：
而企业营销亚力的评价可以采用同样的方法，分析各个要素权重并确定各自的分值，然后求得，如对文化力的评价：
依此类推……
企业渠道力的评价：
本文认为企业营销力是文化力C1、渠道力P2、品牌力B3、产品力P4、协同力H5、销售力S6、价格力P7和执行力E8八个变量的函数，即营销力显然，无论忽略那一个变量，营销力分析都不可能反映企业的真实情况。
这种基于模糊评价的营销力的评价模型，从定性的模糊选择入手，通过模糊变换原理进行运算取得结果，再将定量的数据和定性评价相结合进行综合评价，比一般的线性加权评价方法更为合理，能使企业管理者客观、正确地认识和评价自己的市场竞争力，了解和掌握企业的优劣势，为企业进一步提高自己的经营管理水平提供科学有效的理论依据，对企业合理运用自身资源，提升整体竞争优势具有重要意义。
摘要：在全球竞争和世界经济一体化的浪潮下,任何企业单是依靠外在的或显性化的职能战略,只能获得暂时的优势。营销力作为整合企业内部资源和提升竞争能力的合力,已成为现代企业获取竞争优势的重要因素。本文通过对营销力概念的界定,提出了营销力测评指标体系,并运用模糊评价原理,探讨了基于该指标体系的营销力评价方法,进而在此基础上提出了营销力评价模型。
关键词：模糊评价,营销力,指标,模型
参考文献
[1]Philip Kolter.How to Create,Win and Dominate Markets[M].Simon & Schuster Adult Publishing Group,1999,(3).
[2]Philip Kolter.Mar keting Management.(11thed.)[M].Prentice Hall Inc.,2002.
[3]Brandenburger,A.M.,Nalebuff,B.J.,Co一oPeration,Doubl eday[J].New York,1996.
[4]Herman,M.,Intelli gence Power in Peace and war,Canl bridge[J].Cambr idge University Press,1996.
信用评价模型 篇9
随着我国经济的蓬勃发展和城市化建设步伐的加快，流动人口数量不断增加，房价持续飙升，导致房屋租赁市场的需求日趋上涨。房客已经成为当今社会一个庞大的群体，出租房屋也已成为房东群体的一种投资理财方式，这种现象被称为“房东经济”。
现代社会的发展表明，信用和法律是维系市场经济健康发展的两个互补的基本机制[1]。信用作为维系交易的无形纽带，是房东经济的灵魂。然而，在国内的房屋租赁市场中，房客信用缺失现象较为严重，给房东带来了信用风险，抑制了房东经济的发展。
从发达国家的经验来看，建立科学的信用体系是解决信用缺失问题、降低信用风险的有效途径。信用评价作为信用体系的一部分，由于评价结果直接反映受信者信用状况的好坏，影响着受信者的切身利益，因而在信用体系中具有重要的地位。目前，我国的社会信用体系尚处于起步阶段，信用信息缺乏、获取渠道窄、利用率低，信用评价还未在房屋租赁领域得到应用。本文在房客信用评价方面做了一些初步的尝试，选用信用评价中使用最为普遍的Logistic回归方法[2]建立房客信用评价模型以预测房客的风险，从而有利于对房客风险进行控制。
1 房客信用评价指标体系的设计
确定评价指标体系是房客信用评价的前提和基础，评价指标体系的设计是否科学、合理和全面，将直接影响评价结果的准确性。
文献[3]列出了适用于个人住房贷款的信用评价指标[3]，文献[4]提出了适用于个人信用卡申请的信用评价指标体系[4]，文献[5]构建了某银行个人消费信贷的信用评价指标体系[5]。在参考已有文献的基础上，结合房屋租赁的实际情况，遵循系统性、全面性、独立性、可比性、可操作性、定量指标和定性指标相结合的原则，本文提出了一套适用于房客信用评价的指标体系（见表1），包括自然情况、职业情况、经济情况、租房情况、信用情况5项一级指标，是否有失信记录等21项二级指标，并对指标进行了量化处理。
(1)自然情况：主要考察房客的性别和房客租房时的年龄、教育程度、婚姻状况、户口性质等因素，这些因素在一定程度反映房客的信用意识和能力。
(2)职业情况：着重分析房客收入的稳定性与工作的流动性。
(3)经济情况：用于衡量房客的付租能力。
(4)租房情况：包括可能影响房客信用的一系列因素。
(5)信用情况：通过房客过去租房的信用记录，了解房客过去是否有失信记录，判断房客将来的履约意愿。本文考察的房客失信记录主要有不讲卫生、拖欠租金、逾期搬出、拒付欠费、擅自转租、擅自改变房屋结构、改变租赁用途、违法犯罪等。
2 Logistic回归模型的建立
2.1 Logistic回归概述
假设用Y表示房客类型，Y为0-1型变量（Y=1表示违约房客，Y=0表示非违约房客）；用X=（X1,X2，…，Xn）表示n个评价指标组成的集合；用P表示房客违约的概率，即P=Prob(Y=1|X），则1-P为房客履约的概率。P/1-P为概率发生比，取值在0到∞。
在Logistic回归中，将概率发生比的对数表示为Xi(i=1,2，…，n）的一个线性组合：
其中，β=!β0，β1，β2，…，βn"，X*=!1,X1,X2，…，Xn"T，β是一组与X*对应的回归系数，为待估参数。对式（1）两边取以e为底的指数，就可以得到房客的违约概率，即房客的风险值：
这就是Logistic回归模型假设。我们可以利用观测数据对式（2）的参数β进行估计，并进行相关的检验，从而得到一个相对稳健、预测精度较高的模型，以对房客风险进行预测。
2.2 样本选择与数据处理
本文对浙江某地区的房客进行抽样调查，通过问卷形式收集了308份有效问卷，并根据房客信用评价指标体系对问卷数据进行预处理。选取房客最近一次租房期初为观察点（见图1），将此点之前的5年指定为表现期，这一时期房客的信用情况作为评价指标“是否有失信记录X23”；以房客最近一次租房期间为结果期，租房期末为结果点，依据房客在结果期的表现将房客划分为违约房客（Y=1）和非违约房客（Y=0）。其中，非违约房客样本225个，违约房客样本83个。按照7:3的比例将样本划分为训练样本和测试样本，从非违约房客样本中随机抽取158个样本，从违约房客样本中随机抽取58个样本，将这216个样本作为建立模型的训练样本，其余92个样本作为评估模型的测试样本。
2.3 模型的建立
以房客类型Y(Y=1表示违约房客，Y=0表示非违约房客）为因变量，以房客信用评价指标体系中的23个指标为自变量，使用SPSS软件进行Binary Logistic回归分析，自变量进入模型的方法采用Forward:LR方法，显著性水平保持默认的0.05。最终进入模型的变量有10个，分别是性别X1、教育程度X3、婚姻状况X4、在当前单位的工作时间X7、个人月收入/租金比X11、押金/租金比X13、付租周期X15、租赁方式X16、过去是否租房X22、是否有失信记录X23，对应的Sig.值均小于0.05，说明在5%的显著水平下，这10个变量与Logit(P）的线性关系显著，对房客是否违约具有解释能力，即对房客是否违约具有较为显著的影响。
-2 Log Likelihood统计量取值范围为（0，+∞），值越小说明模型的拟合程度越好，表2中该值为115.721，属于比较理想的值；Cox&Snell R2和Nagelkerke R2统计量取值在0～1之间，越接近1说明模型的拟合优度越高。表2中两个伪决定系数分别为0.466和0.678，模型的拟合优度较高。
从表3知，Hosmer-Lemeshow检验的卡方统计量为5.346,sig.值为0.720，而显著水平为0.05、自由度为8的卡方临界值为15.507，因此由5.346<15.507且0.720>0.05接受关于模型对数据拟合度良好的假设。
根据分析结果建立以下评价模型：
将房客的各项指标值输入模型，即可计算出房客的风险值。P值越大，说明房客的风险越大。
3 模型的评估
3.1 模型分类能力的评估
ROC曲线（Receiver Operating Characteristic）是评估模型预测精度和分类能力时常用的一种方法，与ROC曲线相关的指标有灵敏度（TPR）、特异度（TNR）、Ι类错误率（FPR）、ΙΙ类错误率（FNR）[8]。本文定义TPR为违约房客被正确地预测的比例，TNR为非违约房客被正确地预测的比例，FPR为非违约房客被预测为违约房客的比例，FNR为违约房客被预测为非违约房客的比例，则FPR=1-TNR,FNR=1-TPR。
对训练样本和测试样本，通过改变分类阈值，获得多对TPR和FPR值，以FPR为横坐标，TPR为纵坐标，绘制ROC曲线图，如图2和图3所示：
ROC曲线描述了当分类阈值发生变化时模型的分类特性，一般用曲线下的面积（AUC）反映模型的分类能力。理论上，当模型无分类能力时，ROC曲线是一条从原点到右上角的对角线，TPR=TNR,AUC=0.5；最理想的ROC曲线是从坐标原点垂直上升至左上角，然后水平到达右上角，此时TPR=1,TNR=0,AUC=1。因此，ROC曲线离对角线越远，AUC越大，对应的模型分类能力越好。
检验的结果变量:预测的房客违约概率
从训练样本和测试样本的ROC曲线分析结果（见表4）可知，AUC分别为0.938和0.908，与AUC=0.5比较有统计学意义（sig.值<0.05），且AUC均在0.9以上，说明模型分类能力较好。
3.2 分类阈值的确定
我们可以通过ROC曲线选择一个最佳分类阈值，使TPR、TNR都达到满意的程度。文献[9]列举了几种寻找最佳分类阈值的方法，一是使TPR-FPR达到最大值的点所对应的分类阈值；二是最靠近坐标点（0,1），即FPR2+FNR2最小的点所对应的分类阈值，三是使两类错误率之和最小，即FPR+FNR最小的点所对应的分类阈值[9]。本文选用方法二，确定0.23为最佳分类阈值，如果预测风险值大于等于0.23，则认为分类预测值为1，即为违约房客，反之，则认为分类预测者为0，即为非违约房客。利用拟合的模型分别对训练样本和测试样本进行预测，将实际结果与预测结果进行比较，如表5所示：
从上表可知，对于训练样本，TPR为85.4%，TNR为87.9%，整体预测精度为86.1%；对于测试样本，TPR为80.6%，TNR为88%整体预测精度为82.6%。数字表明模型具有较好的预测能力，能够在相当程度上对两类房客进行区分，而且预测精度在训练样本和测试样本之间差异不大，说明模型具有较好的稳健性。模型的预测精度与分类阈值的选取有关，因此，实际应用中可以根据需要选取合适的分类阈值。
4 结束语
本文针对房客的信用缺失问题，提出了建立房客信用评价机制来评估房客风险的观点，构建了一套适用于房客信用评价的指标体系，并利用Logistic回归方法建立了评价模型。通过实证分析，该模型显示了较好的预测性和稳健性，能够从一定程度上识别两类房客，为房东提供有效的决策支持。但模型的预测性尚未达到比较完美的程度，希望通过更深入工作，如完善房客信用指标体系、增加样本规模、选用更合适的评价方法等，使房客信用评价模型的预测能力得到进一步的提高。
参考文献
[1]谭中明.社会信用管理体系——理论、模式、体制与机制[M].合肥:中国科学技术大学出版社,2005.
[2]LC Thomas,DB Edelman,JN Crook.Credit Scoring and Its Applications[M].Philadelphia:Society for Industrial and Applied Mathematics,2002.
[3]汪湘陵.基于Logistic回归的个人信用评估模型[J].金融经济,2008,(12):109-110.
[4]张丽娜,赵敏.我国商业银行个人信用评分指标体系分析[J].市场周刊,2007,(8):115-117.
[5]吕宏芬,徐剑锋.个人消费信贷信用评估新指标体系的构建[J].浙江金融,2004,(12):16-17.
[6]B Engelmann,E Hayden,D Tasche.Measuring the Discriminative Powerof Rating Systems,Series 2:Banking and Financial Supervision[J].DeutscheBundesbank Discussion Paper,2003,(1):1-23.
信用评价模型 篇10
一、信用风险评价
企业信用风险是指购买方不能按期偿还贷款或劳务费, 或供应方不能按约定收到贷款或劳务报酬。对企业而言, 信用等级的高低直接影响企业在资本市场中的地位;对金融机构而言, 信用等级评估可以帮助中介机构在证券经营中进行风险管理和市场定价;许多监管机构也利用独立的信用评价来对其所负责的银行、保险公司和公用事业公司进行监管, 保证其有健康的财务状况。
二、人工神经网络
人工神经网络 (Artifical Neural Network, ANN) 技术是基于神经科学研究成果发展起来的新兴边缘科学, 是以工程技术手段模拟人脑神经网络的结构与功能特征的一种技术系统。利用大量的非线性并行处理器来模拟人脑众多神经元, 利用处理器间错综灵活的连接关系来模拟人脑神经元间的突触行为。从本质上讲, 人工神经网络是种大规模并行的非线性动力学系统, 在人工神经网络中, BP算法是使用率最高的算法, 也是比较成熟的算法。
1. BP神经网络
BP神经网络模型是由输入层、输出层和若干个隐含层组成的多层前馈网络模型, 误差反向传播 (BP) 算法是训练前馈网络模型的最常用的算法。在BP网络模型中, 同层各神经元互不连接, 相邻层的神经元通过权值连接。
2. BP网络结构
BP网络是一单向传播的多层前向网络, 可看作是一个从输入层到输出层的高速非线性影射, 其基本结构如图1。在BP网络结构中, 输入信号从输入层结点, 依次传过各隐含层结点, 传到输出层结点, 每一层结点的输出只影响下一层结点的输入, 每个结点都是一个神经元结构。
3. BP算法
BP算法常称为误差反传算法, 主要思想是把学习过程分为两个阶段:第一阶段 (正向传播过程) , 给出输入信息, 通过输入层经隐含层逐层处理并计算每个单元的实际输出值;第二阶段 (反向过程) , 若在输出层未能得到期望的输出值, 则逐层递归地计算实际输出与期望输出之差值 (即误差) , 以便依据此差调节权值。具体说, 就是可对每一个权值计算出接受单元的误差值与发送单元的激活值的积。因为这个积和误差对权重的 (负) 微商成正比 (又称梯度下降算法) , 把它称作权重误差微商。权重的实际改变可由权重误差微商一个模式计算出来, 即它们可以在这组模式集上进行累加。
三、基于BP神经网络的信用评价模型
1. 基本思路
从输入层输入企业信用评价指标的基础指标数据, 经隐含层处理传入输出层, 输出结果即为评价结果。在正向传播阶段, 每一层神经元的状态直接影响到下一层神经元的状态。如果输出层所得到的输出结果与期望输出结果的误差超过误差许可范围, 则进入误差的反向传播阶段, 误差信号按原来的连接通路返回, 将误差进行返回传播, 求出隐含层单元的一般化误差, 调整各层之间的连接权值以及隐含层、输出层的阈值, 直到系统误差可以接受为止, 此时的权值、阈值不再改变。以足够的样本运用优化BP模型学习算法来训练此网络, 训练好的网络所特有的那组权系数就是所要确定的企业信用评价指标的权重。最后, 将目标企业综合信用评价指标的具体值作为训练好的BP模型的输入, 可得到目标企业的信用结果, 并可根据此结果来判定企业是否属于有信用的企业。
2. 样本的选取
训练样本的选择直接影响神经网络的学习速度和效果。选取样本主要考虑五点:一是遍历性, 即选取出来的样本要有代表性, 能覆盖全体样本空间;二是相容性, 即选取出来的样本不能自相矛盾, 在建立输入、输出学习样本时, 分级宜散但不宜过细, 以防止样本间出现矛盾现象;三是致密性, 选取出来的样本要有一定的数量, 以保证训练的效果;四是相关性, 即训练样本中各输入值与目标值要有一定的相关性, 训练样本集合中各输入参数之间最好线性无关;五是尽量首先提出异常样本值或对其进行必要的修正。
根据上述原则, 通过Internet共搜集了200余家上市公司, 经过对数据的筛选, 最终选取了180家上市公司的数据作为样本数据。根据国际水平, 以不良贷款率低于10%作为分界线, 将企业分为两类。低于10%称为低风险企业 (正常上市公司) , 高于10%称为高风险企业 (“ST公司”) 。在180家上市公司中, “ST公司”有80家, “正常公司”有100家。
上述企业的数据中, 第一步选取了20个财务指标, 包括主营业务利润率, 主营业务净利润率, 总资产报酬率, 净资产收益率, 销售毛利率, 应收账周转率等等。通过统计分析, 两类企业有显著差异的指标有七个, 这七个指标可以用来单独识别信用风险, 其识别效果具有统计上的意义: (1) 资本结构指标:资产负债率。 (2) 盈利能力指标:主营业务净利润率, 净资产利润率。 (3) 偿债能力指标:流动比率, 速动比率。 (4) 经营效率指标:存货周转率, 应收账款周转率。这七个指标也是本文BP神经网络所需的输入评价指标。
3. 隐含层数及隐含层神经元数的选取
一般情况下, BP神经网络的隐含层层数设计为一层即可。本文构建的BP神经网络, 采用只有1个隐含层的BP神经网络。对多层前馈网络而言, 隐含层神经元的确定是设计网络的关键之一, 选择隐含层神经元数是很重要的问题。设BP神经网络的输入层有n个神经元, 输出层有q个神经元, 隐含层有p个神经元, 则, 其中a取1到10之间的整数。为了使隐含层结点的数目更加合适, 可以选取不同的隐含层神经元数目分别进行测试运算, 然后分别记录下每种情况下网络的样本正确率综合考虑正确率较高的情况, 从而确定合适的隐含层神经元个数。
4. 输入层和输出层神经元数的确定
前面所提及的7项财务数据就是本文BP网络的输入, 所以输入层的神经元个数为7个。对于输出层神经元个数, 要根据实际情况而定。因为所选的样本数据均是上市公司的财务指标, 同时希望通过构建的BP网络来确定此公司在两年后是属于“ST公司”还是“正常上市公司”。所以, 在确定输出层神经元个数时, 就定义为1个:即用0或1表示, 其中1表示“正常上市公司”, 0表示“ST公司”。
5. 网络训练
进入系统之后, 首先对网络参数进行初始化;然后对隐含层和输出层的权值进行随机初始化;接着调入训练样本数据, 按照BP神经网络算法对网络进行一个周期的训练, 判断是否满足训练要求。如果不满足, 重新读取训练数据, 进行下一个周期的训练, 如果满足训练要求, 退出训练程序。
本文所构建的BP神经网络, 输入结点为7个, 输出结点为1个, 隐含层结点数根据经验公式, 然后对隐结点p逐一调整。在本文, 隐结点数选取4到11个, 在训练过程中分别对其进行了训练, 并对样本正确率 (同样的训练次数30000、50000以及60000次) 作了系统的比较, 最后得出当隐结点为11个时, 整个网络处于最优化。
6. 网络测试
网络训练结束之后, 进入测试阶段。图2为网络的测试流程图, 首先把训练好的隐含层和输出层的权值读到相应的数组中, 然后读入测试样本数据。通过训练好的网络对测试样本进行计算。对计算结果和真实的评价结果进行比较统计, 如果已经达到评价系统要求 (在本文中要求样本的正确率在85%以上) , 说明网络训练成功;如果没有达到评价系统的要求, 则需要调整参数, 对网络进行重新设计和训练。
以2005年某公司的财务情况为例, 该公司的七个指标如下:负债比率:23.27;主营业务净利润:16.64;净资产收益率:12.53;流动比率:2.14;速动比率:1.75;存货周转率:20.04;应收账款周转率:12.79。通过评价得出结果为1, 表示该公司在2006年度应该属于正常的上市公司。
个人信用评估模型的比较研究 篇11
[关键词] 个人信用评估Logistic回归神经网络
个人信用评估的主要目的是对可能引起信用风险的因素进行定性分析、定量计算,以测量消费者的违约概率,为授信方决策提供依据。
在我国，商业银行的信用分析与评估技术还处于传统的比例分析阶段，该方法的最大缺陷在于指标和权重的确定带有很大的主观性,使得评估结果与消费者个人的实际信用状况有很大出入，远不能满足商业银行对消费信贷安全性的准确测量。因此需要引入科学方法来确定有效指标,并建立准确的定量模型来解决信用评估问题。
本文的目的在于：根据我国商业银行的具体情况，结合国际上目前较为流行的个人信用评估方法，就国内外个人信用评估领域使用较多的判别分析、Logistic回归、神经网络方法以及分类树法，利用中国商业银行的数据分别建立评估模型并对它们进行比较,最后给出有关结论。以此研究我国商业银行个人信用风险评估问题。
一、指标与样本数据
本文随机选取我国某商业银行某城市分行的个人汽车贷款1253个样本作为样本总体，按照银行的标准将其划分为“好”客户（293人），“坏”客户（960人），并将其随机分为两组，其中的四分之三作为训练样本用于构建模型，剩下的四分之一作为保留样本对模型的性能进行检验。参考银行客户贷款申请表及还款记录，选取类别(class)，性别(sex )，年龄(age)，婚姻〔marry〕，受教育状况(edu)，月均收入(income)，行业(company)，职业(job)，共八个指标。模型中class为被解释变量，sex, age, marry, edu，income, company, job为解释变量。
表1个人信用指标定义表
二、信用评估模型的构建
1.Logistic回归
在本建模总体中，由于将一个“好”客户错分为“坏”客户（即第一类错误）所造成的平均利润损失Ｌ和将一个“坏”客户错分为“好”客户（即第二类错误）所引起的平均坏账损失Ｄ很难估计出来。为简单起见，将它们取为相等。将选取的训练样本（共940个）使用SAS EnterpriseMiner,选择stepwise方法选择最优的自变量指标进入方程对因变量进行拟合，自变量指标进入方程的顺序是:edu, sex, marry, income, age, job；company被剔除，最后得到式(1)的回归方程。
2.分类树
分类树方法的思想是把所有申请表的答案分成不同的组，然后依据每组中多数成员是好还是坏而判别每个组为好或坏。申请数据组A首先被分成两个组，在针对申请人最终无法偿还贷款方面，相对于未分开的总体组来说每个分开组的内部成员具有更相似的性质。每个这样的组又经过一分为二，得到更具有相似性质的更多小组，这样的过程不断重复。当小组内的成员达到树的终止节点条件時，分区程序停止。然后每个终止节点被分类为“好”的或“坏”的，整个过程可以用一个树的形式来表示（参见图1）。
图1修剪后的分类树
本文使用CART算法建立分类树模型。依据国外学者的研究结果（Lyn C.Thomas，2000）,在本研究样本总量为1253的情况下，为了防止样本训练过度，设定节点最小样本数目为5（节点中较少的一类样本的数量已经不超过预先设定的5个，此时停止分割）。这棵分类树共产生了14个叶节点。
3.神经网络方法
神经网络模型的建立主要需考虑两方面的问题：一是确定网络结构；二是学习参数的调整。本文使用只包含一个隐含层的BP神经网络模型，并采用试值法确定隐含层结点数。
表2隐含层节点数的影响
我们分别就隐结点数为1、2、3、4、5、6、7的情况进行了模拟，各种网络的输出情况见表2。对于保留样本，综合分析第一类错误、第二类错误和总误判率，可以得出当隐含层结点数为5时，总误判率最低且第二类错误比率也最低。采用同样的方法，我们最终选定了神经网络模型的学习率η=0.4，惯性参数α=0.6。
三、不同模型结果比较
由于Logistic回归具有假设条件少、具有可解释性和操作简单的特点，这里将其作为线性方法建模的代表，将其与非参数方法（分类树和神经网络）进行比较。
1.比较之一：错误分类率
实际上，以总的损失最小为标准是衡量模型优劣最合适的评价方法。但是在实际问题中,上述两类错误造成的损失往往是未知的而且难以精确的估计出来。因此,这里将综合考虑总错分率、第一类错误比率和第二类错误比率，以此作为弥补。
从表3中可以看出，就本文的建模数据而言：
(1)3种模型对测试样本的总错误分类率均高于训练样本的总错误分类率。这说明仅用训练样本计算的错误分类率还不能真正地反映模型的预测能力，对测试样本的错分率才是对模型预测能力的一个较好的评估。
(2)就测试样本的总错误分类率而言,logistic回归、分类树、神经网络的总错误分类率均在15%～17%之间，差别不大。这说明所比较的3种方法均具有一定的分辨能力,能够在相当程度上将“好”客户和“坏”客户区分开来。
(3)在使用logistic回归、分类树法和神经网络3种方法对测试样本进行分类时,其第二类错误的比率均较高，最低的神经网络方法也达到37.65%。就模型的稳健性而言，理论上Logistic回归作为一种线性建模方法其稳健性应优于非参数方法，而我们的实证结果表明神经网络方法最优。因此,综合总错分率、第二类错误比率和稳健性看,神经网络方法是一种较好的方法。
2.比较之二：模型验证的全程比较分析
图2和图3是将Logistic回归、分类树、神经网络三种方法所得的模型验证曲线放一起进行比较。图3是图2的累积分布形式。
将25%的测试集数据(在建模过程中从未用过的)根据模型算出分值，这样就可以定义“好”（1）与“坏”（0）值。将这些观察点按信用评估分值从大到小排列（模型中，分值大意味着“好”，分值小意味着“坏”）。排列好后将所有观察点大致分为10份，每一份中约有测试集中10%的观察点，然后依次对这10份中每一份内的“好”与“坏”进行计算，算出“好”的比率。比如在第一个10%中有31个观察点，其中29个是“好”，2个是“坏”；在100%处，可以看到“好”的比率约为3%。将10份“好”的比率绘成图形，连线而成得到图2。
图2 模型验证比较图图3 模型验证累积分布比较图
可以看出两图形的曲线并不平滑，有凹凸，表明模型的效果在某些范围内并不很好，这是因为采集的样本数据数量有限造成的。这些不平滑会对信用评估的应用产生一定的影响。三个模型的分类结果图放在一起比较，可以方便地得出上面已分别陈述过的结论：
神经网络模型要比其他两个模型的分类效果更好些，因为其更加平滑；而分类树模型比回归模型要好一些；实际上在全程范围内三种模型的分类效果几乎同样的好，这点与国外的研究结论一致（A.D. Lovie and P. Lovie，1986）。
四、结论
由于我国个人征信工作刚刚起步，信用记录有限，导致信用数据的信息缺失和我国目前还没有形成经过验证的信用指标体系。基于上述原因，虽然logistic回归被国外证明为一种相当成熟的评估模型，却不能很好的适应我国现阶段的个人信用指标的多样性、不确定性和大量信息缺失等特点。相比之下神经网络方法由于其所具有的自学习能力、容错能力和泛化能力，更适用于我国目前个人信用问题的研究。
建立企业危机评价模型 篇12
人力资源管理与危机管理
1.人力资源管理
人力资源是指能够推动整个经济和社会发展的劳动者的能力, 包括具有智力劳动和体力劳动的能力。从企业管理的角度看, 人力资源是由企业支配并加以开发的, 依附于企业员工个体的, 对企业效益和企业发展具有积极作用的劳动能力的总和。如果从现实的应用形态来看, 则包括体质、智力、知识和技能四个方面。
2.危机管理
由于企业人力资源存在的缺陷而对企业的生存与发展产生严重制约作用, 从而使企业遭受重大损失的人力资源事件。其主要表现在两个方面:一是企业人力资源数量不足或流失严重, 二是企业人力资源结构不合理。企业人力资源预警是指通过对企业人力资源内外部环境的全面监测, 识别有代表性的危机征兆, 对这些征兆进行正确的诊断和评价, 在危机来临之前进行科学预报, 并及时采取应对措施, 以减少企业人力资源危机损失, 达到企业人力资源良性管理、企业健康发展的一种方法。
企业人力资源危机预警评价指标体系
1.构建原则
(1) 灵敏性原则
要对企业的人力资源危机进行预警评价, 就需要时刻监测企业的人力资源危机状态, 而要监测企业的人力资源危机状态就需要建立相应的指标。并且要求指标体系能准确敏感的反映企业人力资源面临的各类风险, 及时反映隐患程度及主要因素的危险状态, 以及波动变异趋势, 以帮助及早做出预控对策准备。
(2) 广泛性原则
因为不同类型的企业, 在不同时期都有特定的人力资源危机, 这就要求我们尽可能全面系统地收集企业人力资源活动中诸多事件的背景、发展过程与后果影响等信息, 从整体上掌握危机发生的发展规律, 找到影响危机发生的根源, 并进行整合归类, 进而找出每一类别最基本的、主要的、实质的原因, 然后通过对其分析来设计或选取指标, 这样设计出来的指标体系才可能是一个完整、协调的系统, 能够尽量全面地反映评价目标。
(3) 独立性原则
对企业进行危机预警评价, 需要监控企业人力资源管理的各个部分。每个部分都要相应地设计或选取一些指标对该部分的运行状态进行监测, 这些指标构成了一个指标集。各个部分的监测指标形成整个企业人力资源危机预警评价系统的指标体系。每个部分的指标集的指标用于监测该部分的某一个或者一类问题, 其中有的问题需要一个指标进行监测, 而有的问题则需要多个指标进行监测。
(4) 定性与定量相结合原则
单纯的定量指标或者是定性指标都不能全面完整地反映一个企业的所有问题。为了能对这些方面进行有效的预警评价, 就必须大量地采用定性指标, 当然其中的一些方面可以进行量化评价的, 则尽量采用定量指标, 毕竟定量指标是客观性指标。而对企业财务方面, 内部流程方面, 工作的标准化和规范化程度都比较高, 能够用于预警评价这几个方面的定量指标有很多, 那么就尽量采用定量指标进行评价。
2.设计思路
分析评价内容—选择影响因素—影响因素的指标化—评价指标的确立。企业人力资源危机预警评价系统的功能是评价企业人力资源活动中可能出现的危机, 它保证了企业人力资源状态处于可靠、可控的状态。要考察企业人力资源危机的状态, 关键是找出影响人力资源危机的因素。要想进行科学的量化处理, 首先应该建立一个科学的评价指标体系, 使得各个因素之间的关系层次化、条理化, 并能够区分它们对各自评价目标的影响程度的大小。因此, 在设计预警评价指标体系时, 要考虑指标体系的覆盖面, 有重点地选择, 同时兼顾定性指标的量化分析, 以便能更好的进行预警。
3.体系建立
在本文进行指标设计的实际操作当中, 是将企业人力资源危机的评价内容分解为:财务视角、客户视角、内部流程和学习与成长视角四个子系统, 然后对这四个子系统进行分析, 在每个子系统中选取最根本最主要的, 最能集中反映各个系统特征的因素作为这个子系统的特有指标, 这样便可以保证各个指标之间的相对独立性, 也进一步减少了众多指标在综合加权预警判别中相互冲突、干扰, 出现降低预警效果的可能性。下面开始设置指标。其中设置四个一级指标, 即财务视角、客户视角、内部流程、学习与成长视角。24个二级指标, 用于评价财务子系统的指标有6个, 他们是人力资源投资回报率、工资总额预算安排达成率、招聘费用预算达成率、招聘投资回报率、培训费用预算达成率、培训投资回报率;用于评价客户子系统的指标有3个, 他们是客户满意度、客户投诉率、客户索赔率;用于评价内部流程子系统的指标有9个, 他们是制度和流程书面化比率、员工绩效计划的按时完成率、企业保险制度、招聘空缺职位所需实际天数、人员编制控制率、指令失效率、关键人才流失率、员工薪酬结构合理性、员工薪酬竞争性;用于评价学习与成长子系统的指标有6个, 他们是企业人力资源素质、员工培训率、培训完成率、员工培训满意度、员工缺勤率、员工工作满意度。
企业人力资源危机预警评价模型
1.评价方法
(1) 定性指标的评价方法
采用德尔菲法对指标体系中的定性指标进行评分, 评分的赋值范围为1-9。1-9的赋值表示该指标的危机指数, “1”是最小的危机指数, 为安全态的最值点;“5”是危机指数的中值, 是安全态和危机态的临界点, 即通常所说的“一般状态”, 是一种既不怎么安全但又无明显的危机征兆的情况;“9”是最大的危机指数, 为危机态的最值点;“2, 3, 4”表示从安全状态到临界点过渡的安全程度;“6, 7, 8”表示从临界点到危机状态过渡的危机程度。 (见图1)
(2) 定量指标的评价方法
在指标体系中的定量指标, 分为极大值型、极小值型和适量型三类。其中极大值型的取值越大越好;极小值型的取值越小越好;适量型的取值要求不太大也不太小, 靠近一个理想值才是最好。由于企业人力资源危机预警中需要给出企业的人力资源危机状态, 而危机的等级采用1-9的尺度来衡量, 所以必须对这些定量的指标进行无纲量化和一致性处理, 把他们的数值都映射到1-9的尺度当中去。根据概率统计理论, 企业定量指标的值一般都服从正态分布或平均分布。
2.权重的确定
企业人力资源危机预警评价系统既包含了定性的因素也包含了定量的因素, 是一个多目标评价的问题。需要建立评价目标和评价指标之间的线性模型。而构建这种模型的前提是必须确定指标的权重。取得权重的方法有很多种, 本论文采用了层次分析法的思想来取得权重。层次分析法 (AHP) 是美国著名的运筹学家T.L.Satty等人在20世纪70年代提出的一种定性和定量分析相结合的多准则决策方法。它是指将决策问题的有关元素分解成目标、准则、方案等层次, 在此基础上进行定性分析和定量分析的一种决策方法。行定性分析和定量分析的一种决策方法。
(1) 建立层次分析模型
建立层次分析结构是分析系统中各个因素的相互关系、逻辑归属以及重要性, 进行分层排列, 构成一个自上而下的阶梯层次结构。本文利用层次分析法 (AHP) 确定评估指标的权重, 层次分析模型就是基于平衡计分卡理论的人力资源危机预警评价指标体系。 (见图2) 性, 进行分层排列, 构成一个自上而下的阶梯层次结构次分析法 (AHP) 确定评估指标的权重, 层次分析模型计分卡理论的人力资源危机预警评价指标体系。 (见图2)
(2) 构造判断矩阵
建立层次分析模型之后, 我们就可以在各层元素中进行两两比较, 构造比较矩阵。层次分析法主要是人们对每一层次中各个因素相对重要性给出的判断, 这些判断通过引入适量的标度用数值表示出来, 写成判断矩阵。判断矩阵表示针对上一层次因素, 本层次与之有关因素之间相对重要性的比较。判断矩阵是层次分析法的基本信息, 也是进行相对重要度计算的重要依据。
(3) 层次排序
计算出某层次因素相对于上层次中某一因素的相对重要性, 这种排序计算称之为层次单排序。具体地说, 层次单排序是根据判断矩阵计算对于上一层某元素而言本层次与之有联系的元素重要性次序的权值。理论上讲, 层次单排序计算问题可归结为计算判断矩阵的最大特征及其特征向量的问题, 但一般来说, 计算判别矩阵的最大特征及其特征向量, 并不需要追求较高的精确度。这是因为判断矩阵本身有相当的误差范围。而且, 应用层次分析法给出的层次中各个因素优先排序权值从本质上来说是表达某种定性的概念。因此一般用迭代法在计算机上求得的是近似的最大特征值及其对应的特征向量。
(4) 判断矩阵的一致性检验
在上述过程中我们建立了判断矩阵, 这使得判断思维数学化, 简化了问题的分析, 使得复杂的社会、经济及其管理领域中的问题定量分析成为可能。此外, 这种数学化的方法还有助于决策者检查并保持判断思维的一致性。应用层次分析法, 保持判断思维的一致性是非常重要的。我们建立判断矩阵的时候说过对于实际问题建立起来的判断矩阵往往满足不了一致性。比如由于客观事物的复杂性和人们认识上的多样性, 以及可能产生的片面性。要求每个判断都有完全的一致性显然不太可能, 特别是因素多规模大的问题更是如此。但是, 要求判断具有大体的一致性确实应该的。若出现甲比乙极端重要, 乙比丙极端重要, 丙又比甲极端重要的情况是违反常识的。因此, 为了保证应用层次分析法分析得到的结论合理, 还需要对构造的判断矩阵进行一致性检验。
3.模型建立
根据如上步骤, 我们即可建立一个评价模型。根据这个模型对企业进行评价, 所得到的数值需经过四舍五入处理, 得到的数值就是企业的危机状况指数。我们还需要对可能发生的危机类型进行识别, 以便为危机预防的决策提供参考。
企业危机预警评价模型实证研究
1.企业概况
某烟草公司主要从事辖区内卷烟批发和零售工作, 企业人数超400人, 实现年销售收入逾亿元。
2.模型验证
通过实地调查和发放调查问卷的方式获得这家企业的有关财务、客户、内部流程和学习与成长方面的信息和数据, 然后运用德尔菲法, 根据这家企业的信息和数据并参考所在企业的行业平均水平对定性指标进行打分;定量指标的分值根据企业的按照前面的无纲量化和一致化的计算公式进行计算。德尔菲法打分的流程如下: (1) 每位专家对指标体系进行单独的打分。 (2) 收集和分析打分的结果。 (3) 如果专家们的打分结果存在比较明显的分歧, 则把结果反馈给专家, 转到第一步, 要求专家参考结果重新进行打分, 直到分歧比较小为止。 (4) 如果专家的打分结果分歧很小, 则进行打分结果的相关矩阵运算, 并检验所有的一致性比率CR。 (5) 如果存在CR>0.10, 则分析出对打分结果中对不一致性影响最大的地方, 并进行初步调整, 然后把结果再反馈给专家, 并转到第一步, 要求专家参考结果重新进行打分。 (6) 如果所有的CR<0.10, 则整理专家们的打分结果。这样就得到了一个综合了专家的经验与智慧, 并且按照一致性情况进行整合的打分结果。具体见表3:
根据上述计算结果, 我们可以建立起一个评价模型:
其中:
最后参考专家意见、企业中高层意见、部分客户意见对企业的人力资源危机状况进行评定。由结果可知, 此企业得分为4分, 危机预警的警度为中警状态。评价结果与被评测企业的实际情况相符, 说明评价模型具有一定的准确性。
3.结果分析
从得到的结果来看, 企业的危机状态为中警。这个评价与企业的实际状况相符。因此, 本文指标体系的权重分布的合理性在这个实例中又得到了验证, 同时也验证了前面评价模型评价效果的准确性。