改進BP神經(jīng)網(wǎng)絡下的養(yǎng)老保險介入風險評估系統(tǒng)

秦利　潘怡然

摘 ?要： 為了準確、高效地評估養(yǎng)老保險補貼介入的風險產(chǎn)生概率與危害程度，改進BP神經(jīng)網(wǎng)絡下的養(yǎng)老保險介入風險的評估系統(tǒng)。以創(chuàng)建一個通用的養(yǎng)老保險補貼介入風險的評估環(huán)境為前提，設計包含五大模塊的養(yǎng)老保險補貼介入風險評估系統(tǒng)總體框架，采用貝葉斯正則化算法優(yōu)化BP 神經(jīng)網(wǎng)絡的權(quán)值和學習率，并將養(yǎng)老保險補貼介入風險指標作為優(yōu)化后的BP神經(jīng)網(wǎng)絡的輸入向量，根據(jù)網(wǎng)絡獲得參數(shù)最優(yōu)解，集成養(yǎng)老保險介入風險評估信息，實現(xiàn)養(yǎng)老保險補貼介入風險評估。實驗結(jié)果表明，該系統(tǒng)具備較高的養(yǎng)老保險補貼介入風險評估效率，可有效評估出不合理的風險因素，準確評估出養(yǎng)老保險補貼介入的風險產(chǎn)生概率與危害程度。

關(guān)鍵詞： 養(yǎng)老保險; 補貼介入; 風險評估; 系統(tǒng)設計; BP神經(jīng)網(wǎng)絡; 實驗分析

中圖分類號： TN915.08?34; TP393.08 ? ? ? ? ? ?文獻標識碼： A ? ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2020）24?0156?04

Endowment insurance subsidy intervention risk assessment system based on

improved BP neural network

QIN Li， PAN Yiran

（Northeast Forestry University， Harbin 150040， China）

Abstract： An endowment insurance subsidy intervention risk assessment system based on BP neural network is improved to accurately and efficiently evaluate the risk probability and harm degree of endowment insurance subsidy intervention. On the basis of the premise of creating a general assessment environment for the endowment insurance subsidy intervention risk， the overall framework of endowment insurance subsidy intervention risk system including five modules is designed. The weight and learning rate of the BP neural network are optimized by means of the Bayesian regularization algorithm， and the endowment insurance subsidy intervention risk index is used as the input vector of the optimized BP neural network. The optimal solution of parameters is obtained according to the network， and the risk assessment information of endowment insurance subsidy intervention is integrated， so as to realize the risk assessment of endowment insurance subsidy intervention. The experimental results show that the system has high efficiency in risk assessment of endowment insurance subsidy intervention， can effectively assess the unreasonable risk factors， and accurately assess the risk probability and harm degree of endowment insurance subsidy intervention.

Keywords： endowment insurance; subsidy intervention; risk assessment; system design; BP neural network; experiment analysis

0 ?引 ?言

國家實行養(yǎng)老保險補貼是為了保障居民年老時的基本生活權(quán)益，如今的養(yǎng)老保險補貼由之前的“先繳后補”改為“同繳同補”，即只繳納自己應承擔部分，剩余資金部分由就業(yè)單位補助。雖然養(yǎng)老保險能夠保障居民年老時的基本生活，但是在保障權(quán)益的同時也會出現(xiàn)一定的風險[1]。因此，建立利用智能評估手段進行的養(yǎng)老保險補貼介入風險評估十分有必要[2]。

養(yǎng)老保險補貼介入存在諸多風險，需要運用評估系統(tǒng)進行評估。傳統(tǒng)的評估系統(tǒng)有很多，比如基于量子門線路神經(jīng)網(wǎng)絡的風險評估系統(tǒng)[3]以及基于大數(shù)據(jù)的風險評估系統(tǒng)[4]等。這些評估系統(tǒng)在進行風險評估時評估結(jié)果通常是非線性的，并存在許多誤差，因此有必要運用一種新方法對其進行改進。在處理非線性化數(shù)據(jù)上，神經(jīng)網(wǎng)絡是一種使用范圍及涉及領(lǐng)域較廣的核心手段，其已經(jīng)運用于農(nóng)業(yè)與建筑業(yè)等。神經(jīng)網(wǎng)絡作為一項新興的數(shù)據(jù)處理技術(shù)，主要采用計算機模擬生物體的神經(jīng)元活動規(guī)律，完成對有關(guān)數(shù)據(jù)的學習。神經(jīng)網(wǎng)絡擁有自適應性、高度魯棒性及分布存儲等特點，能夠?qū)⒂嬎銠C控制學與數(shù)學等多項科學技術(shù)融入到自身運算中，因此該項技術(shù)是目前人工智能發(fā)展的趨勢之一[5]。

本文設計基于改進BP神經(jīng)網(wǎng)絡的養(yǎng)老保險補貼介入風險評估系統(tǒng)，利用貝葉斯正則化算法改進傳統(tǒng)BP神經(jīng)網(wǎng)絡算法的權(quán)值和學習率，實現(xiàn)對養(yǎng)老保險介入風險評估信息的集成，有效實現(xiàn)養(yǎng)老保險補貼介入風險評估。

1 ?基于貝葉斯算法優(yōu)化BP網(wǎng)絡神經(jīng)的養(yǎng)老保險補貼介入風險評估系統(tǒng)

1.1 ?養(yǎng)老保險補貼介入風險評估系統(tǒng)總體框架

創(chuàng)建一個普用的養(yǎng)老保險補貼介入風險評估環(huán)境是養(yǎng)老保險補貼介入風險評估系統(tǒng)的核心思想[6]，以該思想為前提采用風險評估手段完成專用數(shù)據(jù)庫與養(yǎng)老保險補貼介入風險指標數(shù)據(jù)庫的構(gòu)建，并利用數(shù)據(jù)庫評估養(yǎng)老保險補貼介入的網(wǎng)絡安全風險。圖1為風險評估系統(tǒng)的總體框架。

1） 風險評估的指標體系和使用的協(xié)助要求：由養(yǎng)老保險補貼介入風險評估的指標數(shù)據(jù)庫、數(shù)據(jù)庫的處理協(xié)助要求與風險評估指標共同構(gòu)成風險評估的指標體系和使用的協(xié)助要求，即是對養(yǎng)老保險補貼介入網(wǎng)絡安全風險評估指標的構(gòu)建，并用于幫助用戶判斷并解決詳細的問題，通過創(chuàng)建合適的養(yǎng)老保險補貼介入風險評估指標體系，來滿足養(yǎng)老保險補貼介入網(wǎng)絡安全風險評估的要求[7]。

2） 風險評估的方法體系和使用的協(xié)助要求：由風險評估模型的詳細典范、模型的成立標準、風險評估的模型數(shù)據(jù)庫和一些協(xié)助的要求等構(gòu)成風險評估的手段體系和使用的協(xié)助要求。風險評估的模型數(shù)據(jù)庫由各類存在風險評估的樣板模型構(gòu)成，該樣板模型包括存在模糊理論的綜合型風險和存在強影響等的不同類型因素的風險評估樣板模型，該樣板模型采用貝葉斯正則化算法，對權(quán)值和學習率共同優(yōu)化改進傳統(tǒng)BP神經(jīng)網(wǎng)絡算法，以完成評估模型的構(gòu)建。

3） 風險評估的流程和框架與使用的協(xié)助要求：由風險評估的架構(gòu)保護協(xié)助要求、風險評估的計劃協(xié)助要求、風險評估的框架圖庫以及一些協(xié)助的要求等構(gòu)成風險評估的流程和框架與使用的協(xié)助要求。由不同類別的框架構(gòu)成風險評估框架，該框架包括擁有探究性的分析與面向職責手段等不同方法的評估框架。

4） 評估系統(tǒng)的集成接口構(gòu)成：由數(shù)據(jù)的典范、接口的部件典范與模塊的設計等構(gòu)成評估系統(tǒng)的集成接口。風險評估系統(tǒng)不僅能對網(wǎng)絡實行評估，還可以連接軍事化的綜合電子系統(tǒng)接口，讓系統(tǒng)風險評估的起步計劃具有較強的保密性，并實行仿真運作，找到風險評估需要的全部數(shù)據(jù)材料[8]。

5） 風險數(shù)據(jù)和信息的綜合管理：實現(xiàn)對靜態(tài)或動態(tài)信息的基本籌備，并為評估提供措施及手段進行數(shù)據(jù)管理[9]。系統(tǒng)的性能參數(shù)屬于靜態(tài)信息，主要是由動態(tài)信息完成對風險評估系統(tǒng)的擴充，并實行仿真運作。

1.2 ?基于改進BP神經(jīng)網(wǎng)絡評估模型

BP神經(jīng)網(wǎng)絡（Back Propagation Neural Network）是神經(jīng)網(wǎng)絡中使用最廣泛的方法之一[10]，其工作原理是采用信號正傳播與誤差反方向傳播來確定權(quán)值，在可接受的非常小的誤差范圍或達到事先設置學習次數(shù)而停止。三層前饋網(wǎng)是BP神經(jīng)網(wǎng)絡最常用的形式。

構(gòu)建BP神經(jīng)網(wǎng)絡評估模型步驟為：

針對養(yǎng)老保險補貼介入存在的制度設計風險、籌資風險、基金投資風險、操作風險、給付風險等風險，將其設為BP神經(jīng)網(wǎng)絡的輸入向量[X=x1，x2，…，xn]，隱含層輸出向量是[Y=y1，y2，…，yn];輸出層輸出向量和期望輸出向量分別是[B=b1，b2，…，bn]和[D=d1，d2，…，dn]，輸入層到隱含層間的權(quán)值矩陣用[C]表示 ，[C=c1，c2，…，cn]隱含層第i個神經(jīng)元相應的權(quán)向量是列向量[ci];隱含層到輸出層之間的權(quán)值矩陣用[E]表示，[S=s1，s2，…，sn]，隱含層第i個神經(jīng)元相應的權(quán)向量是列向量[si]。

針對輸出層，有：

[bi=fhi， ?i=1，2，…，n] ?（1）

[hi=j=0mfsiyi] ?（2）

針對隱含層，有：

[yi=fhj， ?h=1，2，…，n] ?（3）

[hj=i=0ncijxi] ?（4）

[fx]是單極性Sigmoid函數(shù)，且式（1）、式（3）中的[fx]屬于該函數(shù)：

[fx=11+e-x] ?（5）

當期望輸出和實際輸出不等時，產(chǎn)生誤差E：

[E=12d-b2=12k=1ldk-bk2] （6）

將式（6）代入到隱含層，可得：

[E=12r-fhk2=12k=1lr-fj=0mfsjkyj2] （7）

將式（7）代入到輸出層，可得：

[E=12rj-fj=0msijfi=0ncijxi2] （8）

調(diào)節(jié)BP算法的誤差，使誤差盡量減少，則：

[Δsij=-?E?sij， ? ?j=0，1，2，…，m;k=0，1，2，…，l] ?（9）

[Δcij=-?E?cij， ? ? i=0，1，2，…，n;j=0，1，2，…，m] ?（10）

1.2.1 ?推導三層BP神經(jīng)網(wǎng)絡算法權(quán)值調(diào)節(jié)的過程

針對輸出層，由式（8）得：

[Δsij=-?E?sij=-?E?hk·?hk?sij] ?（11）

對于隱含層的，由式（9）得：

[Δcij=-?E?cij=-?E?hk·?hk?cij] （12）

針對輸出層和隱含層各設置一個誤差變量，則：

[χbk=-?E?hk] ?（13）

[χyj=-?E?hj] ?（14）

由式（2）和式（13），可將式（11）推算為：

[Δsjk=μχbkyj] ?（15）

由式（4）和式（14），可將式（12）推算為：

[Δcjk=μχyjxj] ?（16）

結(jié)合式（15）和式（16），可得：

[χbk=-?E?hk=-?E?bk·?bk?hk=-?E?bkf′hk] ?（17）

[χyj=-?E?hj=-?E?yj·?yk?hj=-?E?bjf′hj] ?（18）

1.2.2 ?誤差對各層的傳遞

針對輸出層，可得：

[?E?bk=-dk-bk] （19）

針對隱含層，可得：

[?E?yj=-i=1ndk-bkf′hksjk] （20）

將式（19）和式（20）代入到式（17）和式（18），可得：

[χbk=dk-bkf′hk] ?（21）

[χyj=k=1lχbkf′hksjk] ?（22）

將式（21）和式（22）代入到式（15）和式（16），三層前饋網(wǎng)的BP神經(jīng)網(wǎng)絡學習算法權(quán)值調(diào)節(jié)公式為：

[Δsjk=μχbkyj=μdk-bkf′hkyj] ?（23）

[Δcij=μχyjxi=μi=1nχbksjkf′hksjkxi] ?（24）

因此，可以看出BP神經(jīng)網(wǎng)絡的算法由學習率[μ]、誤差變量[χ]和輸入變量[X]（或[Y]）決定。

由于傳統(tǒng)的BP神經(jīng)網(wǎng)絡存在易產(chǎn)生局部最小化以及收斂速度慢等缺點[11?12]。因此本文采用貝葉斯正則化算法（Bayesian Regularization Algorithm）訓練神經(jīng)網(wǎng)絡，利用權(quán)值和學習率共同優(yōu)化改進傳統(tǒng)BP神經(jīng)網(wǎng)絡算法。

1.2.3 ?詳細調(diào)節(jié)過程

權(quán)值調(diào)節(jié)公式為：

[Δst+1=αΔst+μχX] ? （25）

式中，[α]一般取0.90。

學習率調(diào)節(jié)公式為：

[μt=1.05μt-1，Et>Et-10.7μt-1， ? 其他] ?（26）

調(diào)節(jié)神經(jīng)網(wǎng)絡的訓練性能函數(shù)并使其達成正則化的網(wǎng)絡泛化能力。通常情況下，采用均方誤差函數(shù)[Er]實現(xiàn)神經(jīng)網(wǎng)絡訓練性能函數(shù)，則：

[Er=i=1ndi-bi2] （27）

式中，加入一項網(wǎng)絡權(quán)值平方和[Ep]，將原本性能函數(shù)調(diào)節(jié)成新的函數(shù)[Eu]：

[Eu=τEd+?Ep] ? （28）

式中，[τ] 和[?]是參數(shù)。

利用貝葉斯正則化算法原理，使用在網(wǎng)絡訓練中自適應調(diào)節(jié)變量[τ]，[?]的值，使神經(jīng)網(wǎng)絡性能達到最優(yōu)化[13?15]。根據(jù)獲得的參數(shù)最優(yōu)解，實現(xiàn)對養(yǎng)老保險介入風險評估信息的集成，并完成風險評估模型的構(gòu)建，保證養(yǎng)老保險補貼介入風險評估系統(tǒng)的安全、高效及實用。

2 ?實驗結(jié)果與分析

為了驗證本文設計系統(tǒng)的有效性，以某養(yǎng)老保險公司為例，選取2000—2018年的6組養(yǎng)老保險補貼介入風險數(shù)據(jù)當作實驗的樣本數(shù)據(jù)，其中，養(yǎng)老保險補貼介入風險事件的特征量是輸入數(shù)據(jù)，系統(tǒng)評估結(jié)果當作輸出數(shù)據(jù)。從6組數(shù)據(jù)中隨機抽取3組數(shù)據(jù)作為訓練樣本，3組數(shù)據(jù)作為檢驗樣本。設置訓練的最大次數(shù)是4 000，學習速率是0.04，誤差限制在0.000 1以內(nèi)。

為了驗證本文系統(tǒng)的評估效率，采用基于量子門線路神經(jīng)網(wǎng)絡的風險評估系統(tǒng)（文獻[3]系統(tǒng)）和基于大數(shù)據(jù)的風險評估系統(tǒng)（文獻[4]系統(tǒng)）與本文系統(tǒng)進行比較，結(jié)果見圖2。

分析圖2可知，三種系統(tǒng)的保險補貼介入風險評估的相對誤差均隨著訓練次數(shù)的增加而逐漸減少，并最終趨于穩(wěn)定，但是本文系統(tǒng)的相對誤差進入穩(wěn)定狀態(tài)的速度快于其他兩種對比系統(tǒng)，說明本文系統(tǒng)采用的算法收斂速度較快，進行系統(tǒng)養(yǎng)老保險補貼介入風險評估速率高。

風險評估系統(tǒng)可將養(yǎng)老保險補貼介入風險評估分成兩方面，分別是產(chǎn)生概率與危害程度。而養(yǎng)老保險補貼介入風險的產(chǎn)生主要有四種風險因素，分別為：不恰當?shù)难a貼介入時間、養(yǎng)老保險補貼需求預測錯誤、養(yǎng)老保險補貼信息操作不當以及養(yǎng)老保險制度設計不當。三種系統(tǒng)的養(yǎng)老保險補貼介入風險產(chǎn)生概率與危害程度對比結(jié)果見表1。

由表1可知，在不恰當?shù)难a貼介入時間、養(yǎng)老保險補貼需求預測錯誤的因素下，本文系統(tǒng)中養(yǎng)老保險補貼介入風險產(chǎn)生的概率以及危害程度分別高于85%，92%;在養(yǎng)老保險補貼信息操作不當和養(yǎng)老保險制度設計不當?shù)囊蛩叵?，養(yǎng)老保險補貼介入風險產(chǎn)生的概率和危害程度分別高于90%，93%，結(jié)果表明，本文系統(tǒng)能更好地協(xié)調(diào)、處理評估過程中產(chǎn)生的問題，不會受到數(shù)據(jù)周期性、趨勢性以及隨機性影響，能夠準確評估出養(yǎng)老保險補貼介入風險產(chǎn)生概率與危害程度，可更好地發(fā)揮出養(yǎng)老保險補貼介入風險的評估效果，提升評估準確率，降低相對誤差。

3 ?結(jié) ?論

本文改進了BP神經(jīng)網(wǎng)絡下的養(yǎng)老保險介入風險評估系統(tǒng)，利用貝葉斯正則化算法優(yōu)化BP神經(jīng)網(wǎng)絡中的權(quán)值和學習率，實現(xiàn)對養(yǎng)老保險介入風險評估信息的集成，并完成對養(yǎng)老保險補貼介入網(wǎng)絡安全風險評估系統(tǒng)的評估，保證風險評估系統(tǒng)的安全、高效以及實用，在一定程度上證明了本文設計系統(tǒng)的實用性。

參考文獻

[1] 胡賢德，曹蓉，李敬明，等.小微企業(yè)信用風險評估的IDGSO?BP集成模型構(gòu)建研究[J].運籌與管理，2017，26（4）：132?139.

[2] 劉春翔，范鵬，王海濤，等.基于BP神經(jīng)網(wǎng)絡的輸電線路山火風險評估模型[J].電力系統(tǒng)保護與控制，2017（17）：100?105.