基于极限学习机的出口食品加工企业检验检疫信用评价研究
中图分类号：TP391.4 文献标志码：A 文章编号：1006-8228（2015）05-04-03
Abstract： To control the credit of enterprises comprehensively and effectively， a credit management information system for imports and exports enterprises was constructed by the General Administration of Quality Supervision， Inspection and Quarantine of the People’s Republic of China （AQSIQ）. Meanwhile， the regularization and evaluation criterion for the credit of enterprises were built. In this paper， a rating model for the inspection and quarantine credit of export food processing enterprises is proposed based on the Extreme Learning Machine （ELM）. The experimental results prove that the model could effectively predict the credit of enterprises. Only the number of neuron in the hidden layer needs to be set manually. Therefore， the artificial factors are decreased. The model could provide a scientific reference for rating the inspection and quarantine credit.
Key words： extreme learning machine； inspection and quarantine credit； export food processing enterprise； rating model
0 引言
建设社会信用体系，是完善我国社会主义市场经济体制的客观需要，是整顿和规范市场经济秩序的治本之策，是促进社会经济健康协调可持续发展的先决条件，也是与国际惯例接轨、加强进出口产品质量安全监管、提高中国企业和产品的国际形象与市场竞争力的必经之路。
质检系统进出口企业检验检疫信用体系是中国社会信用体系建设的重要组成部分。通过建立和完善进出口企业检验检疫信用体系，以检验检疫信用等级评定为基础，实施进出口企业分类管理。对信用等级较高的企业，减少抽检和口岸查验比例；而对信用等级较低的企业，则加大抽检和查验比例，从而实现在严密监管的基础上提高工作效率。
为全面、有效的掌握及整合企业信用信息，质检总局建设了进出口企业信用管理系统，同时制定了企业信用管理办法及评分标准。通过对进出口企业检验检疫信用等级实施规范化、定量化、科学化的考核，改变以人的主观判断来确定企业信用等级的方式，促进进出口企业信用意识和产品质量的提高，同时提高一线检验检疫工作效率。
传统的信用等级评价方法是根据与检验检疫相关的信用指标设定评定标准，然后建立专家系统进行主观或者客观的综合评价。这种方式存在两个问题：一是不同指标的一致性问题，信用指标既包括定量指标也包括定性指标，不同评价指标没有一致的客观因子分析；二是不同指标的权重选择问题，不同信用指标在最终评级中所占的权重完全由人为设定，不具备客观性。
近年来，为准确、客观、科学的进行企业信用评价，国内外很多学者做了大量研究工作，提出了人工神经网络法[1]、支持向量机法[3]等。这些方法存在计算复杂、参数设置较多、预测时间长等问题。本文使用极限学习机（ELM，Extreme Learning Machine）以出口食品加工企业为例，对企业检验检疫信用等级进行评价。ELM是一种前馈神经网络训练算法[2]，它随机产生输入层与隐含层间的连接权重及隐含层神经元阈值，且在训练过程中无需调整参数，只需设置隐含层神经元个数即可获得最优解。与传统训练方法相比，ELM速度快、参数少、泛化性能好[5]。
1 极限学习机
给定X={（xi，ti）|xi∈Rn，ti∈Rn，i=1，2，…，N}作为样本集，其中xi为n×1维向量，ti为m×1维向量。包含K个隐含层节点、激励函数为g（x）的ELM为：
其中：wi=（wi1，wi2，…，wid）T表示输入层和隐含层第i个神经元之间的权重，βi=（βi1，βi2，…，βim）T表示第i个神经元和输出值间的权重，oj是对应第j个输入数据的目标值。ELM的目标为，即存在βi，wj和bj满足：
H为神经网络的隐含层输出矩阵，H的第i列为对应输入x1，x2，…，xN的第i个隐含层神经元输出。黄[2]在前期研究中证明，ELM中无须调整权重和偏离值，仅须在算法开始执行时任意给定一个输入值。因此输出权重可计算为最小均方误差结果： 其中：为H的Moore-Penrose广义逆矩阵。因此，最小训练误差计算为：
ELM利用公式⑹，可以通过快速学习得到具有很好泛化性能的预测结果。针对本文的问题，企业信用评价指标的输入、输出值之间不满足线性关系，因此选择单极性函数作为激励函数：
g（x）=1/（1+e-x） ⑺
2 出口食品加工企业检验检疫信用指标体系构建
出口食品加工企业的信用指标体系由企业卫生注册年限、出口检验检疫批次不合格率等12项评价要素组成[4]，其中包括数字型数据和离散型数据，指标及相应权重见表1。
根据各项指标的得分，加权后可计算得到综合评分。
3 数据处理方法
利用ELM进行检验检疫信用评价，首先要根据指标体系中要素的要求收集数据。目前，出口食品加工企业检验检疫数据主要来源于已有业务系统数据导入和人工录入两种方式。得到初始数据后需要对数据进行转换处理，包括将非数字值转换为数字值、归一化处理等。
归一化处理是将所有数字归一化到[0，1]区间内，取消不同来源的数据间量级的差别，提高ELM预测的准确性。本文采用最大最小法对信用评价指标进行归一化处理：
其中xk表示评价指标数据，xmax和xmin表示所有指标的上下限。
4 实验结果及分析
本文选取10家出口食品加工企业的检验检疫信用数据进行实验，ELM算法中隐含层神经元数目定为30。根据第3节中数据处理方法，对选取的指标数据进行数字转化及归一化处理，处理结果见表2。
本文首先使用表2中前9家公司的数据构建训练集，第10家公司的数据作为测试集。图1中给出对12项评价指标分别预测的结果。表3中给出企业信用评价的预测结果。
接下来，我们使用表2中前8家公司的数据构建训练集，第9、10家公司的数据作为测试集。图2（a）和图2（b）分别给出对这两家公司12项评价指标分别预测的结果。表4中为这两家企业信用评价的预测结果。可以看出，由于使用的训练样本数比上一组实验少，预测误差比上一组实验稍大。
5 结束语
本文使用ELM构建了出口食品加工企业检验检疫信用评价模型，实现对企业信用历史数据的训练和学习。通过设置隐含层神经元个数，自动调整模型中的连接权重，确定输入、输出之间的内在联系，使模型具备预测能力。
通过使用ELM，改变了以人的主观判断来确定企业信用等级的方式，弱化了人为因素对预测结果的影响，提高了评价结果的准确性、科学性。同时，与传统训练方法相比，ELM速度快、参数少，能够大大提高模型的训练速度，使模型更具有实际应用的意义。
