1、1企业管理二分类问题研究综述摘要：通过梳理企业管理领域的二分类问题，发现二分类支持向量机广泛应用于客户流失预测、上市公司财务困境预警和信用风险评估。并且为了提高预测精度，学者不断改进该模型：为适应具体数据特征，如数据存在外点或噪声点、非平衡性、重叠性、错分代价差异性等，相应引入模糊、加权、双隶属支持向量机以及代价敏感性学习机制等。 关键词：二分类支持向量机（SVM） 企业管理 综述 1 概述 当前，企业管理领域中的客户流失预测、公司财务困境预警、信用风险评估已成为学术界和业界关注的焦点，能否科学合理的对其进行预测，关乎企业生存和发展。利用客户静态属性数据，预测客户是否流失；利用公司财务、经营情
2、况，预测上市公司是“财务状况正常”或“财务状况异常” ；利用借款人财务、非财务状况，预测其信用状况是“正常”或“违约” 。虽然上述 3 领域研究方向差异性大，但研究使用方法相似，因此将上述 3 领域研究统称为经济与管理科学领域二分类问题研究，简称二分类问题研究。 以上二分类问题研究利用判别分析，取得了相对准确的理论结果，但该方法需要很强的假设和限制条件，而这些条件在实际分析中通常得不到满足。近年来，随着人工智能学科的发展，学者引入神经网络，并取得了优于判别分析法的结果。但神经网络很可能陷入局部最优，无法2得到全局最优，同时它是基于经验风险最小化原理，经常出现“过拟合”现象。1995 年 Vap
3、nik 提出支持向量机模型（Support Vector Machine，SVM） ，一种基于结构风险最小化的算法。之后学者将 SVM 进入上述二分类问题研究，发现其泛化能力、预测精度都高于判别分析、神经网络。 近年来，为提高二分类问题研究中 SVM 预测精度，学者不断探索如何改进二分类 SVM，有效降低样本数据外点或噪声点、非平衡性、重叠性及错分代价差异性的影响。 本文结构安排如下：第一部分是引言，第二部分是考虑样本特征的改进支持向量机，第三部分是结论与展望。 2 改进支持向量机 随着人工智能领域的快速发展，学者将传统支持向量机（C-SVM）引入二分类问题研究：Min 和 Lee 将 C-S
4、VM 引入上市公司财务困境预测，夏国恩等将 C-SVM 引入客户流失预测，发现 C-SVM 优于传统判别分析、神经网络。但此阶段仅限于对模型的简单应用，未充分考虑样本数据存在外点或噪声点、非平衡性、重叠性、错分代价差异性等。 2.1 外点或噪声点 当数据集中存在外点或噪声点时，容易使二分类 SVM 结果不理想，为此 Liu 和 Huang 将模糊化思想引入 SVM，提出了模糊支持向量机（FSVM） ，根据数据点对所在类（正类、负类）的相对重要程度，分配不同的权重，以降低外点和噪声点影响。杨海军、太雷将模糊支持向量机（FSVM）算法引入上市公司财务困境预测，对沪深两市按行业板块分类3的上市公司实
5、证分析，显示该模型预测优于 C-SVM。 2.2 重叠性 传统 SVM 将样本集绝对分为互斥的两类，但现实世界中这种分类不存在经济意义，即样本很可能存在重叠性，例如财务困境预测时，财务指标既定的企业，可能由于经营远离财务困境，也可能由于经营不力而陷入财务困境。 考虑样本数据重叠性、外点或噪声点，Wang 等构建了双隶属模糊支持向量机（B-FSVM） ，使每个样本点依据隶属函数同时属于两类，并利用3 个公开信用数据库实证分析，发现 B-FSVM 判别能力高于 C-SVM 和FSVM。阚宝奎、刘志新等1将 B-FSVM 引入上市公司虚拟财务报告识别，其中样本点对于两类样本的隶属程度确定采用谱聚类方
6、法。研究发现，该模型的判别准确率、泛化能力都显著优于 C-SVM、BP 神经网络，且可以显著降低将虚假财务报告识别为真实财务报告的错误。 张目、周宗放2采用多目标规划，减少两类样本企业信用状况的重叠。基于 TOPSIS 法，分别以“正常企业”样本逼近理想点、 “违约企业”样本逼近负理想点为目标，构建多目标规划模型；运用实码加速遗传算法求解得出指标综合权重，通过构造加权样本，减少两类样本企业信用状况的重叠，进而提高 SVM 预测精度。选取沪、深股市中具有“高新技术概念”上市公司作为实验样本，实证分析得出，该方法一定程度上利于两类样本的正确区分，使 SVM 的预测精度提高。 2.3 非平衡性 经济
7、与管理科学中的二分类问题数据大多存在非平衡性，而非平衡4性会对 C-SVM 分类效果产生不利影响，即 C-SVM 只会对数量上占优的类别具有很强的识别能力3。解决数据非平衡性可使用向下采样方法或构建相应模型。向下采样方法：以客户流失预测为例，从非流失客户中抽取部分样本与流失客户样本构成 k：1 的训练集。这种方法虽然平衡了训练集类分布，但损失了很多信息，且抽取比例、k 取值确定需要多次尝试和实验。 应维云、覃正等4考虑到流失客户和非流失客户正负样本数据不平衡，引入分类加权支持向量机算法（CW-SVM） ，对深圳市某银行个人信贷部的客户信贷数据分析，结果表明 CW-SVM 要好于神经元网络和决策
8、树方法。其中 CW-SVM 算法，能够通过调整类权重参数，改变分类面位置，进而提高算法分类准确性。 2.4 错分代价差异性 二分类问题研究，很难使用传统的基于预测准确率的模型解决，如客户流失、信用评估等，这些问题中不同类别样本的错分代价相差很大。解决错分代价差异问题，可以通过样本数据的预处理，也可以通过引入错分代价差异：阚宝奎、刘志新等考虑到人们对于两种判别错误的“厌恶程度差异” ，在双隶属 SVM 建立时，对训练样本进行“非对称”处理（将虚假财务报告视为绝对属于虚假财务报告，而所谓的真实报告“谨慎”对待，进行双隶属分析） 。这种新方法在公司财务报告真伪判别时，表现出了高于 C-SVM 和 B
9、P 神经网络的判别准确率、泛化能力，并且显著降低了将虚假财务报告识别为真实财务报告的错误。钱苏丽、何建敏等5将错分代价纳入分类算法，同时考虑数据不平衡问题，建立了代价敏5感支持向量机，使算法基于代价而非基于准确率。利用中国电信某分公司预付费小灵通用户数据实证，显示改进 SVM 能显著提高模型效能，且模型能够在两类错误（将流失客户错误预测为不流失客户、将不流失客户预测为流失客户）中找到一个平衡点使代价最小，弥补了传统模型默认代价相同、一味追求准确率的不足。 3 结论与展望 当前，对客户流失预测、财务困境预警、信用风险评估的研究方兴未艾，继传统统计模型、神经网络等，学者引入支持向量机。总体看来，二
10、分类支持向量机预测精度、泛化能力都高于其他模型，同时为了进一步提高其效果，学者不断研究：针对数据特征（存在外点或噪声点、非平衡性、重叠性、错分代价差异性等）相应引入模糊支持向量机、加权支持向量机、双隶属支持向量机以及代价敏感性学习机制等。虽然有关二分类支持向量机的研究趋于成熟，但仍存在一定的局限性：目前仍没有很好的方法指导针对具体问题的核函数选择，缺乏有效方式将二分类问题扩展为多分类问题研究，将是未来研究方向。 参考文献： 1阚宝奎，刘志新，宋晓东，杨众.改进支持向量机在虚假财务报告识别中的应用J.管理评论，vol.24，2012（5）. 2张目，周宗放.基于多目标规划和支持向量机的企业信用评
11、估模型J.中国软科学，vol.4，2009（5）. 3Gang Wu，Edward Y.Chang.Class-Boundary Alignment for Imbalanced Dataset LearningC.ICML Workshop on Learning from 6Imbalanced Data Sets II，Washington DC.2003. 4应维云，覃正，赵宇，李兵，李秀.SVM 方法及其在客户流失预测中的应用研究J.系统工程理论与实践，Vol.7，2007（7）. 5钱苏丽，何建敏，王纯麟.基于改进支持向量机的电信客户流失预测模型J.管理科学，vol.20，2007（2）. 作者简介：牛轩（1989-） ，女，河北新乐人，硕士研究生，研究方向：市场调查。
