论文部分内容阅读
小企业是我国国民经济的重要组成部分，是社会主义经济建设中不可或缺的一支重要力量。自改革开放以来，随着市场经济体系的建立，小企业数量迅速增加，在优化产业结构、增加就业、科技创新、促进社会和谐稳定等方面发挥了十分重要的作用。但是，在小企业为推动我国经济发展做出重大贡献的同时，小企业在发展的过程中也遇到成本高、市场不成熟、产品技术含量低、融资难等诸多问题，其中，融资问题尤为突出。目前，我国小企业主要依赖银行融资，但是银行传统的信用评分体系多为针对大型企业建立，不适合于信用数据有效性低、影响因素复杂、财务文件不健全的小企业。因此，建立一个针对于小企业特点的低风险、高精度、高效率的小企业信用评分模型不仅能够解决小企业贷款难的问题，同时对于提高银行系统盈利及信贷业务发展也将起到重要作用。在对国内外信用评分方法及应用系统梳理的基础上，对小企业进行了深入剖析，指出小企业信用评分具有信用数据有效性低、影响因素复杂等特点，并选择决策树模型作为小企业信用评分的基本模型，并通过实证实验指出决策树模型在应用于小企业信用评分时的优势及局限性。针对评分指标高维度带来的样本冗余，提出采用粒子群算法来对属性进行约简；对于样本数量不足导致不能识别现象，本文提出运用典型的集成算法、装袋算法和随机空间算法等机器学习技术与决策树模型相结合，构建决策树集成模型，提高模型识别能力。实验结果表明，与单一模型相比，PSO-决策树集成算法能够有效地继承了单一模型的优势，避免决策树模型在小企业信用评分中的局限，在准确度和稳健性上对信用评分均有优化作用。