企業(yè)管理二分類問題研究綜述

1、<p>　　企業(yè)管理二分類問題研究綜述</p><p>　　摘要：通過梳理企業(yè)管理領(lǐng)域的二分類問題，發(fā)現(xiàn)二分類支持向量機廣泛應用于客戶流失預測、上市公司財務困境預警和信用風險評估。并且為了提高預測精度，學者不斷改進該模型：為適應具體數(shù)據(jù)特征，如數(shù)據(jù)存在外點或噪聲點、非平衡性、重疊性、錯分代價差異性等，相應引入模糊、加權(quán)、雙隸屬支持向量機以及代價敏感性學習機制等。 </p><p>

2、;　　關(guān)鍵詞：二分類支持向量機（SVM） 企業(yè)管理 綜述 </p><p><b>　　1 概述 </b></p><p>　　當前，企業(yè)管理領(lǐng)域中的客戶流失預測、公司財務困境預警、信用風險評估已成為學術(shù)界和業(yè)界關(guān)注的焦點，能否科學合理的對其進行預測，關(guān)乎企業(yè)生存和發(fā)展。利用客戶靜態(tài)屬性數(shù)據(jù)，預測客戶是否流失；利用公司財務、經(jīng)營情況，預測上市公司是“財務狀況正?！被颉?/p>

3、財務狀況異?！?；利用借款人財務、非財務狀況，預測其信用狀況是“正?！被颉斑`約”。雖然上述3領(lǐng)域研究方向差異性大，但研究使用方法相似，因此將上述3領(lǐng)域研究統(tǒng)稱為經(jīng)濟與管理科學領(lǐng)域二分類問題研究，簡稱二分類問題研究。 </p><p>　　以上二分類問題研究利用判別分析，取得了相對準確的理論結(jié)果，但該方法需要很強的假設和限制條件，而這些條件在實際分析中通常得不到滿足。近年來，隨著人工智能學科的發(fā)展，學者引入神經(jīng)網(wǎng)絡，

4、并取得了優(yōu)于判別分析法的結(jié)果。但神經(jīng)網(wǎng)絡很可能陷入局部最優(yōu)，無法得到全局最優(yōu)，同時它是基于經(jīng)驗風險最小化原理，經(jīng)常出現(xiàn)“過擬合”現(xiàn)象。1995年Vapnik提出支持向量機模型（Support Vector Machine，SVM），一種基于結(jié)構(gòu)風險最小化的算法。之后學者將SVM進入上述二分類問題研究，發(fā)現(xiàn)其泛化能力、預測精度都高于判別分析、神經(jīng)網(wǎng)絡。 </p><p>　　近年來，為提高二分類問題研究中SVM預測

5、精度，學者不斷探索如何改進二分類SVM，有效降低樣本數(shù)據(jù)外點或噪聲點、非平衡性、重疊性及錯分代價差異性的影響。 </p><p>　　本文結(jié)構(gòu)安排如下：第一部分是引言，第二部分是考慮樣本特征的改進支持向量機，第三部分是結(jié)論與展望。 </p><p>　　2 改進支持向量機 </p><p>　　隨著人工智能領(lǐng)域的快速發(fā)展，學者將傳統(tǒng)支持向量機（C-SVM）引入二分類

6、問題研究：Min和Lee將C-SVM引入上市公司財務困境預測，夏國恩等將C-SVM引入客戶流失預測，發(fā)現(xiàn)C-SVM優(yōu)于傳統(tǒng)判別分析、神經(jīng)網(wǎng)絡。但此階段僅限于對模型的簡單應用，未充分考慮樣本數(shù)據(jù)存在外點或噪聲點、非平衡性、重疊性、錯分代價差異性等。 </p><p>　　2.1 外點或噪聲點 </p><p>　　當數(shù)據(jù)集中存在外點或噪聲點時，容易使二分類SVM結(jié)果不理想，為此Liu和Hua

7、ng將模糊化思想引入SVM，提出了模糊支持向量機（FSVM），根據(jù)數(shù)據(jù)點對所在類（正類、負類）的相對重要程度，分配不同的權(quán)重，以降低外點和噪聲點影響。楊海軍、太雷將模糊支持向量機（FSVM）算法引入上市公司財務困境預測，對滬深兩市按行業(yè)板塊分類的上市公司實證分析，顯示該模型預測優(yōu)于C-SVM。 </p><p><b>　　2.2 重疊性 </b></p><p>　

8、　傳統(tǒng)SVM將樣本集絕對分為互斥的兩類，但現(xiàn)實世界中這種分類不存在經(jīng)濟意義，即樣本很可能存在重疊性，例如財務困境預測時，財務指標既定的企業(yè)，可能由于經(jīng)營遠離財務困境，也可能由于經(jīng)營不力而陷入財務困境。 </p><p>　　考慮樣本數(shù)據(jù)重疊性、外點或噪聲點，Wang等構(gòu)建了雙隸屬模糊支持向量機（B-FSVM），使每個樣本點依據(jù)隸屬函數(shù)同時屬于兩類，并利用3個公開信用數(shù)據(jù)庫實證分析，發(fā)現(xiàn)B-FSVM判別能力高于C-

9、SVM和FSVM。闞寶奎、劉志新等[1]將B-FSVM引入上市公司虛擬財務報告識別，其中樣本點對于兩類樣本的隸屬程度確定采用譜聚類方法。研究發(fā)現(xiàn)，該模型的判別準確率、泛化能力都顯著優(yōu)于C-SVM、BP神經(jīng)網(wǎng)絡，且可以顯著降低將虛假財務報告識別為真實財務報告的錯誤。 </p><p>　　張目、周宗放[2]采用多目標規(guī)劃，減少兩類樣本企業(yè)信用狀況的重疊?；赥OPSIS法，分別以“正常企業(yè)”樣本逼近理想點、“違約企

10、業(yè)”樣本逼近負理想點為目標，構(gòu)建多目標規(guī)劃模型；運用實碼加速遺傳算法求解得出指標綜合權(quán)重，通過構(gòu)造加權(quán)樣本，減少兩類樣本企業(yè)信用狀況的重疊，進而提高SVM預測精度。選取滬、深股市中具有“高新技術(shù)概念”上市公司作為實驗樣本，實證分析得出，該方法一定程度上利于兩類樣本的正確區(qū)分，使SVM的預測精度提高。 </p><p><b>　　2.3 非平衡性 </b></p><p&

11、gt;　　經(jīng)濟與管理科學中的二分類問題數(shù)據(jù)大多存在非平衡性，而非平衡性會對C-SVM分類效果產(chǎn)生不利影響，即C-SVM只會對數(shù)量上占優(yōu)的類別具有很強的識別能力[3]。解決數(shù)據(jù)非平衡性可使用向下采樣方法或構(gòu)建相應模型。向下采樣方法：以客戶流失預測為例，從非流失客戶中抽取部分樣本與流失客戶樣本構(gòu)成k：1的訓練集。這種方法雖然平衡了訓練集類分布，但損失了很多信息，且抽取比例、k取值確定需要多次嘗試和實驗。 </p><p&

12、gt;　　應維云、覃正等[4]考慮到流失客戶和非流失客戶正負樣本數(shù)據(jù)不平衡，引入分類加權(quán)支持向量機算法（CW-SVM），對深圳市某銀行個人信貸部的客戶信貸數(shù)據(jù)分析，結(jié)果表明CW-SVM要好于神經(jīng)元網(wǎng)絡和決策樹方法。其中CW-SVM算法，能夠通過調(diào)整類權(quán)重參數(shù)，改變分類面位置，進而提高算法分類準確性。 </p><p>　　2.4 錯分代價差異性 </p><p>　　二分類問題研究，很難使

13、用傳統(tǒng)的基于預測準確率的模型解決，如客戶流失、信用評估等，這些問題中不同類別樣本的錯分代價相差很大。解決錯分代價差異問題，可以通過樣本數(shù)據(jù)的預處理，也可以通過引入錯分代價差異：闞寶奎、劉志新等考慮到人們對于兩種判別錯誤的“厭惡程度差異”，在雙隸屬SVM建立時，對訓練樣本進行“非對稱”處理（將虛假財務報告視為絕對屬于虛假財務報告，而所謂的真實報告“謹慎”對待，進行雙隸屬分析）。這種新方法在公司財務報告真?zhèn)闻袆e時，表現(xiàn)出了高于C-SVM和B

14、P神經(jīng)網(wǎng)絡的判別準確率、泛化能力，并且顯著降低了將虛假財務報告識別為真實財務報告的錯誤。錢蘇麗、何建敏等[5]將錯分代價納入分類算法，同時考慮數(shù)據(jù)不平衡問題，建立了代價敏感支持向量機，使算法基于代價而非基于準確率。利用中國電信某分公司預付費小靈通用戶數(shù)據(jù)實證，顯示改進SVM能顯著提高模型效能，且模型能夠在兩類錯誤（將流失客戶錯誤預測為不流失客戶、將不流失客戶預測為流失客戶）中找到一個平衡點使代價最小，彌補了傳統(tǒng)模型默認代價相同、一味追求

15、準確率的不足。 </p><p><b>　　3 結(jié)論與展望 </b></p><p>　　當前，對客戶流失預測、財務困境預警、信用風險評估的研究方興未艾，繼傳統(tǒng)統(tǒng)計模型、神經(jīng)網(wǎng)絡等，學者引入支持向量機?？傮w看來，二分類支持向量機預測精度、泛化能力都高于其他模型，同時為了進一步提高其效果，學者不斷研究：針對數(shù)據(jù)特征（存在外點或噪聲點、非平衡性、重疊性、錯分代價差異性等

16、）相應引入模糊支持向量機、加權(quán)支持向量機、雙隸屬支持向量機以及代價敏感性學習機制等。雖然有關(guān)二分類支持向量機的研究趨于成熟，但仍存在一定的局限性：目前仍沒有很好的方法指導針對具體問題的核函數(shù)選擇，缺乏有效方式將二分類問題擴展為多分類問題研究，將是未來研究方向。 </p><p><b>　　參考文獻： </b></p><p>　　[1]闞寶奎，劉志新，宋曉東，楊眾.

17、改進支持向量機在虛假財務報告識別中的應用[J].管理評論，vol.24，2012（5）. </p><p>　　[2]張目，周宗放.基于多目標規(guī)劃和支持向量機的企業(yè)信用評估模型[J].中國軟科學，vol.4，2009（5）. </p><p>　　[3]Gang Wu，Edward Y.Chang.Class-Boundary Alignment for Imbalanced Datase

18、t Learning[C].ICML Workshop on Learning from Imbalanced Data Sets II，Washington DC.2003. </p><p>　　[4]應維云，覃正，趙宇，李兵，李秀.SVM方法及其在客戶流失預測中的應用研究[J].系統(tǒng)工程理論與實踐，Vol.7，2007（7）. </p><p>　　[5]錢蘇麗，何建敏，王純麟.基于