中小企业数量多、分布广，是我国现代国民经济的重要组成部分。2018年国务院促进中小企业发展工作会议指出：我国中小企业具有“五六七八九”的典型特征，贡献了50%以上的税收，60%以上的GDP，70%以上的技术创新，80%以上的城镇劳动就业，90%以上的企业数量，是推动经济实现高质量发展的重要基础。因此，支持中小企业发展可以为我国高质量发展提供强大而持久动力。当前，我国中小企业直接融资比例严重不足。信用是融资的前提条件，企业信用评级是中小企业获得政府扶持的重要保证。

关于中小企业的信用研究，主要围绕信用评价指标体系构建、信用违约影响因素、信用风险评估、信用评价方法等方面。

范柏乃、朱文斌从偿债能力、经营能力、创利能力、管理能力和创新能力等六个方面构建了28个评价指标体系。[1]李梅、马国建根据不同行业中小企业的特点，构建了中小企业信用综合评价指标体系。[2]Kuwahara构建了中小企业财务评价指标体系，并试图构建日本金融机构提供给中小企业信用贷款的财务数据库。[3]何光辉基于国有商业银行数据实证检验发现，小微企业信用违约受到贷款金额、信用等级、进出口贸易、贷款期限与利率等因素的影响。[4]朱宗元等运用Lasso-logistic模型对新三板企业进行信用风险评估。[5]孙浩基于交叉DEA-Tobit模型对中小企业进行信用风险评价。[6]Zhu,Hai采用基于组合加权法和线性加权法构建中小企业信用评价指标体系，并对24家企业进行信用风险评估。[7]佚名运用模糊聚类分析与SOM-K算法对小微企业信用进行评估。[8]Jones基于神经网络和支持向量机的非线性判别对企业信用评级指标分类。[9]Corazza运用多标准决策分析法(MCDA)对意大利中小企业的偿债能力评级指标进行筛选。[10]

以往研究主要针对大中型企业构建信用评价指标体系，并运用不同评价方法进行信用评估。本文以中小板企业财务数据，运用BP神经网络与SVM(支持向量机)两种方法，对中小上市企业的信用进行预测分类。从而探讨BP神经网络与SVM方法在中小上市企业信用分类的应用。

一 数据与指标评价体系

本文所选数据来源于Choice数据金融平台的中小企业板数据，其中，深交所股票市场类ST中小企业总共有28家；在深交所全部A股中随机选取28家非ST中小企业。为有效区分中小上市企业信用的类别，构建基于偿债能力、营运能力、盈利能力、成长能力和现金流量指标的信用评价体系(见表一)。

从图2的网络训练结果曲线也能看出，网络训练所得均方误差不能满足目标要求。由此可见，采用BP神经网络技术的方法对上述56家中小上市企业进行信用分类不适合。

本文从56家中小上市企业中选取46家企业作为训练样本，其中，23家企业为ST上市企业；23家企业为非ST上市企业，训练样本数据见表二所示。

表一 中小上市企业信用评价指标体系

一级指标二级指标变量偿债能力流动比率X1现金比率X2营运能力营业周期X3总资产周转率X4盈利能力净资产收益率X5每股收益X6成长能力利润总额同比增长率X7现金流量指标每股经营活动中产生的现金流量净额同比增长率X8

表二 中小上市企业信用分类训练样本数据

No.X1X2X3X4X5X6X7X8CL12.040.53132.280.26-2.46-0.05-140.04-1 993.38121.110.09741.230.11-0.55-0.02-112.69333.17131.560.29271.680.32-6.73-0.16-171.86332.011416.450.47105.190.04-0.59-0.01-139.9815.58151.451.3211.030.09-5.68-0.03-106.1451.99161.370.2773.101.3114.460.03177.5750.06170.230.0454.230.23-2.95-0.01152.37117.19181.910.09985.580.17-116.72-0.16-13.08113.84190.760.5655.550.05-5.01-0.0174.71-333.781106.223.22215.280.2218.420.21532.12-304.031110.200.01-45 151.900.00-43.01-0.02-114.22-195.721122.270.7898.020.40-19.16-0.03-52.34-419.331131.630.0622.533.97-1.88-0.0191.78-455.171141.040.16253.810.35-5.10-0.0811.432 738.271151.470.110.000.557.420.06272.97135.7611613.912.1016.912.185.530.01192.79101.551172.791.331 089.640.05-1.72-0.02-108.79173.371183.450.2221.360.55-0.120.00-102.85-269.791191.750.44345.820.19-7.13-0.05-28 529.25-154.641203.443.0972.200.09-0.780.0078.97-91.061210.290.07146.510.230.00-0.23-529.54-149.491221.230.142 965.930.050.150.00-104.11-388.141230.380.07142.850.36-50.76-0.28-402.85-1 015.020241.160.131 537.770.1410.041.2751.48-254.020251.540.93131.680.85-2.02-0.0316.07-155.080260.860.04588.700.130.490.01463.1688.190272.000.531 909.270.128.770.3736.34-36.720283.342.823.150.07-2.26-0.03-129.505.710292.130.25870.820.131.720.044.92-204.770301.650.40699.170.241.950.05-18.904 181.320311.210.053 780.700.05-18.12-0.23-770.62-112.110322.061.25498.250.234.920.24-74.70114.090330.790.4371.170.415.390.17-33.28-34.760341.730.222 183.810.110.310.01-27.82-76.300351.070.20127.571.085.240.18203.0618.680361.270.3985.741.416.600.00200.43101.930

续表二

中小上市企业信用分类训练样本数据

No.X1X2X3X4X5X6X7X8CL372.740.52411.620.385.630.3821.91-60.550385.081.04234.320.4513.041.1081.75-25.390393.000.55215.950.609.021.0044.04-97.020402.981.29191.620.6419.991.312.93-10.310412.721.06144.380.648.910.2628.15-32.930423.110.38373.900.365.780.1761.10-102.790433.600.28189.040.5811.530.581.7648.600441.800.53463.700.252.640.14-62.8798.360451.790.10244.440.564.740.305.83-173.620461.590.42181.410.5311.230.37-2.42-64.110

注：No.为中小上市企业编号；CL为分类变量，取值为1表示ST企业，取值为0表示非ST企业。

从图3和图4的分类结果看出，5家ST企业中，有4家ST企业预测分类正确；第2家企业为ST企业，但预测结果为非ST企业。在5家非ST企业中，有2家企业预测分类正确，其中，第8和第10企业为非ST企业，但预测结果为ST企业。总的来看，在10家中小上市企业测试样本中，有6家测试正确，预测正确率为60%。

本文随后选取原始数据的全部属性值(X1、X2、X3、X4、X5、X6、X7、X8)进行分类。将全部属性值与两个属性值分别进行分类，前者预测分类结果的正确率会更高。基于全部属性值的中小上市企业信用分类结果显示(见图5)，5家ST企业有3家预测分类正确，其中第1家和第2家为ST企业，但预测结果为非ST企业；5家非ST企业有4家预测分类正确，第9家企业为非ST企业，但预测结果为ST企业。由此看出，在10家中小上市企业测试样本中，有7家测试正确，预测正确率为70%。

表三 中小上市企业信用分类测试样本数据

No.X1X2X3X4X5X6X7X8CL10.100.0139.990.320.33-0.33-12 940.7464.49120.770.04521.640.21-14.23-0.15-176.66283.89131.230.2038.351.297.140.15194.05208.62141.860.051 647.550.091.530.07119.93107.55150.740.06268.060.24-5.02-0.07-137.7327.48162.271.64181.750.2010.350.1974.0944.63071.370.09175.741.195.800.3020.0876.11083.231.11214.040.6813.030.3712.96-14.20091.470.46267.480.526.000.14-17.96538.030105.702.18148.500.241.820.05-38.9679.020

二 基于BP神经网络法的中小上市企业的信用分类

(一)BP神经网络的计算过程

表1 中复杂情境包括社交圈、位置、时间和情感4大类。而每一类又分成若干子类。推荐系统可以通过情境感知不同的情境层次为用户推荐不同的项目。譬如，User1 和User2 在家人，图书馆、下午和愉快情境下Id1 和Id4 偏好一致，User1 和User2 在朋友，购物商场、上午和悲伤情境下Id1 和Id4 对项目评分相同，因此，可认为在相同情境下User1 和User2 具有较高相似性。故可以根据User1 在其他情境下对项目的评分为User2 在相同情境下进行推荐，比如，在家人、工作区、下午和愉快情境下可为User2 推荐Id3。

对于线性分类问题，本文选取线性核函数，原始数据包括训练数据和测试数据两部分。在中小上市企业信用分类的两组原始数据中，每组前23个用于训练；每组后5个用于测试。我们首先选取原始数据的前两个属性值(X1和X2)进行分类，这样便于将训练样本与测试样本集中反映在二维坐标平面图形中(见图3、图4)。

(二)BP神经网络信用分类的结果分析

图1 中小上市企业信用分类图(BP神经网络分类)

从图1的预测分类与实际类别看出，10家测试样本只有3家测试正确，其中第3、6、8企业的信用分类为ST企业，预测分类也为ST企业；第1企业的实际类别为ST企业，但预测类别为非ST企业；第2企业的实际类别为非ST企业，但预测类别为ST企业；第4企业的实际类别为非ST企业，但预测类别为ST企业；第5企业的实际类别为非ST企业，但预测类别为ST企业；第7企业的实际类别为非ST企业，但预测类别为ST企业；第9和10企业实际为ST企业，但都预测为非ST企业。可见，预测正确率只有30%，预测效果不理想。

图2 BP神经网络训练结果

上述研究多是针对铀矿区内工业场地土壤重金属污染的评价。尾矿库下游经常会有当地居民的农田，而这些农田中重金属如果受到污染将直接危害人类健康，所以对铀矿尾矿库周边农田的重金属污染评价更为重要。本文将以某铀矿尾矿库下游农田为研究对象，并利用地积累污染指数法和潜在生态风险指数法对铀尾矿下游农田土壤污染程度和生态风险进行评价，以为该区的土壤治理提供科学依据。

三 基于SVM法的中小上市企业的信用分类

支持向量机(Support Vector Machine, SVM)是一种由分离超平面正式定义的判别分类器。换句话说，给定标记的训练数据(监督学习)，以迭代方式输出最佳超平面，可用于分类或回归问题。在二维空间中，这个超平面是将平面分成两部分，其中每一部分都位于两侧，以分割不同的类。简而言之，SVM的核心思想就是找到最佳超平面，将数据集分离并归类。

BP神经网络采用梯度下降法，并按照误差反向传播机制训练多层次的前馈网络，在使用梯度搜索技术的过程中，使得网络的实际输出值与期望输出值的误差均方差达到最小。

本文的BP神经网络计算过程分为以下步骤：(1)数据的输入，输入数据矩阵和目标数据矩阵；(2)对输入数据矩阵和目标矩阵的数据归一化处理；(3)网络训练，建立网络模型，初始化网络结构，采用梯度下降法训练。其中，学习速度为0.05，最大训练轮回为10 000次，均方误差为0.000 5，1 000轮回显示一次结果；(4)对训练数据进行仿真，利用46家中小上市企业的原始数据进行BP神经网络仿真；(5)对测试数据进行仿真，利用10家中小企业的样本测试数据进行仿真测试；(6)网络预测输出和结果分析，根据网络预测输出找出数据类别，并进行结果分析以及判定预测正确率。

图3 SVM分类结果图

图4 中小上市企业信用分类图(两个属性值的SVM分类)

同时，本文从选取的56家中小上市企业中的剩余10家企业作为测试数据样本。在这10家企业中，有5家ST上市企业和5家非ST上市企业。测试样本数据见表三所示。

铁钻工底座主要用来支撑铁钻工绝大部分质量。底座插入到底座套筒中，将整个折臂式铁钻工安装在钻台上，由图1可知底座主要容易产生弯曲，所以将底座设计成圆柱形状并对底座圆柱弯曲强度进行计算。通过计算得到满足条件的圆柱形底座。

图5 中小上市企业信用分类图(全部属性值的SVM分类)

四 BP神经网络与SVM分类结果比较

基于全部属性值的中小上市企业信用分类结果也不是令人满意，但与BP神经网络分类相比较而言，预测正确率大大增加。作为中小上市企业信用分类的两种方法，从模型的预测正确率看，SVM通过求解凸二次规划问题得到预测分类结果，能得到全局最优解，具有比BP神经网络更高的预测精度。从两种分类方法的泛化能力看，SVM能够有效避免过度拟合的问题。BP神经网络采用梯度下降法，计算速度慢，有可能进入局部最小值而导致训练失败。SVM利用核函数代替了高维空间的映射，最大化间隔是核心，支持向量是训练的结果，可以提出较大的样本，具有较小的鲁棒性。但SVM难以实施大规模训练，不能有效解决多分类问题。同时，SVM实际应用过程中主要依赖于核函数的选择，具有较大主观性。

本文运用BP神经网络与SVM两种分类方法对中小上市企业进行信用分类，无论是BP神经网络法，还是SVM法，基于现有的56个样本企业数据的信用分类，预测正确率都没有达到预期效果。但SVM法的预测分类正确率远远高于BP神经网络的预测分类正确率。

对本次进行研究的100例患者所有数据，均使用统计学软件SPSS19.0分析处理，计量资料行t检验，采用（± s）形式表示，计数资料行χ2检验，用率（%）形式表示，当P＜0.05，差异有统计学意义。

五 结 语

本文选取Choice数据金融平台的中小企业板数据，运用BP神经网络与SVM方法对中小上市企业进行信用分类，研究结果表明：SVM法的预测分类正确率远远高于BP神经网络的预测分类正确率。两种分类方法虽然没有达到理想的预测分类效果，但在中小上市企业信用分类的应用研究中，未尝不是一种方法的选择。后续的研究将考虑运用粒子群优化聚类算法、粒子群模糊神经网络等方法对中小上市企业进行信用分类，以提高预测精度。

总之，口语交际活动都发生在一定的语境中。在教学中，我们要利用一切可以利用的资源，创设与教学内容相关的语境，这样更容易激发学生内在的动力，提高学习效果。但也有一点是值得注意的，语境的创设应尽量避免人为创设带来的造作的不真实感，真正达到较好的教学效果。

参 考 文 献

[1] 范柏乃,朱文斌.中小企业信用评价指标的理论遴选与实证分析[J].科研管理, 2003,24(6):83-88.

[2] 李 梅,马国建.中小企业信用评价指标体系的构建[J].统计与决策,2005(12):61-62.

[3] Kuwahara, Satoshi, et al. Role of the Credit Risk Database in Developing SMEs in Japan: Ideas for Asia[J]. SMEs,2016,12(2):297-423.

[4] 何光辉,杨咸月.小微企业信用违约影响因素的实证检验——来自某国有银行地区分行的证据[J].上海财经大学学报,2015,17(6):67-79.

[5] 朱宗元,苏为华,王秋霞.新三板融资环境下中小企业信用风险评估[J].统计与信息论坛, 2018,33(10):108-114.

[6] 孙 浩.基于交叉DEA-Tobit模型的中小企业信用风险评价[J].伊犁师范学院学报(自然科学版),2018,46(2):28-32.

[7] Zhu, Hai, Mu Zhang, and Hongmei Zhang. Credit evaluation for SEMs in inventory financing mode based on combination weighting method[J]. Emerging Economies, Risk and Development, and Intelligent Technology,2015,27(1):96-115.

[8] 张发明，李艾珉，韩媛媛.基于改进动态组合评价方法的小微企业信用评价研究[J].管理学报, 2019,16(2):286-298.

[9] Jones S, Johnstone D, Wilson R. An empirical evaluation of the performance of binary classifiers in the prediction of credit ratings changes[J]. Journal of Banking & Finance, 2015,56(2):72-85.

[10] Corazza M, Funari S, Gusso R. Creditworthiness evaluation of Italian SMEs at the beginning of the 2007-2008 crisis: An MCDA approach[J]. North American Journal of Economics & Finance, 2016,38(11):1-26.