神经网络与专家系统相结合的
银行贷款风险管理决策研究
摘要：回顾了国家自然科学基金项目“神经网络与专家系统相结合的银行贷款风险管理决
策研究”（７９７７００８６）的立项依据及实施过程。介绍了项目研究特色、研究目标以及项目主要成
果与创新之处，并对研究成果的学术价值、应用及学术合作交流等进行了说明。
关键词：商业银行；信贷风险；神经网络；专家系统
中图分类号：Ｃ９３１ 文献标识码：Ａ 文章编号：１６７２８８４Ｘ（２００６）０４０３８７０４
┋┌┄┉┇┄┉﹩┇┃┉┎﹨﹤：﹣┃─┄┃┈┈─┃│┃┉﹥┈┄┃
┎﹤┄│┃┉┄┃┄﹢┌┉﹦
ＹａｎｇＢａｏａｎ ＺｈｕＭｉｎｇ
（ＤｏｎｇｈｕａＵｎｉｖｅｒｓｉｔｙ，Ｓｈａｎｇｈａｉ，Ｃｈｉｎａ）
﹢┈┉┇┉：ＲｅｖｉｅｗｅｄｗｅｒｅｔｈｅｅｓｔａｂｌｉｓｈｍｅｎｔａｎｄｉｍｐｌｅｍｅｎｔｏｆｔｈｅｐｒｏｊｅｃｔｔｉｔｌｅｄＳｔｕｄｙｏｆＢａｎｋ
ＬｏａｎｓＲｉｓｋＭａｎａｇｅｍｅｎｔＤｅｃｉｓｉｏｎＢａｓｅｄｏｎＩｎｔｅｇｒａｔｉｎｇＡｒｔｉｆｉｃｉａｌＮｅｕｒａｌＮｅｔｗｏｒｋｓ（ＡＮＮ）ａｎｄＥｘｐｅｒｔ
Ｓｙｓｔｅｍ （ＥＳ）ｇｒａｎｔｅｄｂｙＮＳＦＣ．Ｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓ，ａｉｍｓ，ａｃｈｉｅｖｅｍｅｎｔｓａｎｄｉｎｎｏｖａｔｉｏｎｓｏｆｔｈｅ
ｐｒｏｊｅｃｔｗｅｒｅｄｅｓｃｒｉｂｅｄ．Ｔｈｅａｃａｄｅｍｉｃｓｉｇｎｉｆｉｃａｎｃｅａｎｄａｐｐｌｉｃａｔｉｏｎｓｏｆｔｈｅｐｒｏｇｒａｍａｎｄｔｈｅａｃｔｉｖｉｔｉｅｓｏｆ
ａｃａｄｅｍｉｃｃｏｏｐｅｒａｔｉｏｎａｎｄｅｘｃｈａｎｇｅｉｎｔｈｉｓｆｉｅｌｄｗｅｒｅａｌｓｏｅｘｐｌａｉｎｅｄ．
┎┌┄┇┈：ｃｏｍｍｅｒｃｉａｌｂａｎｋ；ｌｏａｎｓｒｉｓｋ；ａｒｔｉｆｉｃｉａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓ（ＡＮＮ）；ｅｘｐｅｒｔｓｙｓｔｅｍ（ＥＳ）
收稿日期：２００６－０４－２６
基金项目：国家自然科学基金资助项目（７９７７００８６）
本项目申请时正值东南亚金融危机前夕，
我国政府对金融监管已非常重视。当时，国家自
然科学基金委员会（简称“基金委”）已将金融监
管列为重点研究项目，并倡导采用人工智能等
技术研究金融监管等问题。据悉该重点项目没
有具体提及有关银行贷款风险管理，项目申请
人认为本项目可作为整个金融管理研究内容上
的一种补缺。另外，考虑到我国银行的不良贷款
比重较大，加强银行贷款风险防范与控制研究
有其紧迫性和重要性。这也就形成了本课题申
请立项的依据和出发点。本项目１９９７年立项，
同年正式启动，于２００１年初全部完成。本基金
项目被“基金委”评为“优”，并进入国家自然科
学基金资助项目 ２００２年管理科学部研究成果
年报。
１ 研究内容及创新性成果总结
． 立项背景
信贷风险管理对商业银行而言是一个永恒
的主题，但我国信贷风险管理评价和分析起步
较晚，较长时间尚停留在定性的、经验型的管理
方式，虽后来也逐步采用定量化的分析方法，但
其研究还很不够，一些方法（如采用区隔方法对
企业进行财务评级）又受制于一定的假设前提，
而由于信息的残缺不全，以至这些假设前提很
不适用于当今不断变化且复杂的企业运作环
境，所以使用传统的风险评价方法已很难达到
满意的效果。随着风险加剧，银行迫切需要建立
贷款风险管理系统以加强风险管理，探索新的
管理运作程序，使之走向科学化、规范化和国际
法（《巴塞尔协议》）的轨道。显然这需要运用
现代科学技术手段进行信贷管理决策。为此，
本项目提出采用人工神经网络（ＡＮＮ）与专家
系统（ＥＳ）相结合来研究贷款风险管理决策，
实现风险防范与控制，藉此提高商业银行信贷
经营水平和推进银行管理决策科学化、智能化。
． 项目研究目标
鉴于ＡＮＮ与ＥＳ具有较好的互补性，本研
·７８３·
第３卷第４期
２００６年７月
管 理 学 报
ＣｈｉｎｅｓｅＪｏｕｒｎａｌｏｆＭａｎａｇｅｍｅｎｔ
Ｖｏｌ．３Ｎｏ．４
Ｊｕｌ．２００６
究提出将ＡＮＮ与基于知识系统（ＫＢＳ）相结合
应用于商业银行贷款的管理决策。这里的贷款
均指以工商企业贷款为主体。研究的最终目标
是建立有神经网络的ＫＢＳ原型系统，用以辅助
实现银行风险管理。主要内容有：基于ＫＢＳ的
银行内部监管与稽核研究；基于 ＡＮＮ与 ＫＢＳ
相结合的企业信用评价分析；基于ＡＮＮ与ＫＢＳ
相结合的贷款风险预警研究。
随着项目的进展与深入，为适应与国际通
行做法相协调以及金融机构信贷管理和控制风
险的需要，进行了基于人工智能的贷款风险分
类研究，后来又进行了基于知识管理（ＫＭ）的
银行贷款风险分析的探索性研究。
． 项目主要成果与创新之处
（１）银行贷款内部监管与稽核系统 作为
银行内部控制的重要组成部分，银行内部监管
稽核控制对减少贷款风险具有举足轻重的作
用。特别自东南亚金融危机之后更受到各国政
府关注和重视，我国在１９９９年初明确提出要进
一步加强对商业银行的监管。
鉴于内部监管与稽核需根据知识经验和借
助符号的演绎推理，本项目尝试将ＫＢＳ应用于
银行内部监管与稽核研究，设计和建立了用于
银行贷款内部监管、稽核的ＫＢＳ原型系统。
（２）企业信用评价系统设计 企业信用评
价是商业银行的决策依据，也是贷款风险管理
的重要一环。首先着手调查研究并结合合作单
位中信实业银行苏州分行的情况，确立了企业
信用评价指标体系及其权重。然后将ＡＮＮ与
ＥＳ结合起来进行企业信用评价系统的设计。将
定量化指标——财务分析指标输入到ＡＮＮ，而
将定性指标输入到擅长于定性分析的ＥＳ。对于
考虑财务因素的还款能力评价，在研究中采用
神经网络的３层反向传播ＢＰ模型。网络的输入
层节点以１７个财务指标来作为节点数，隐藏层
节点数为１１个，输出层节点数为５个，即分成５
个等级范围。
为与国际通行做法相协调，我国自１９９８年
以后开始推行贷款风险分类。本项目研究为适
应形势和新的需要，也开始从原有信用评价逐
步转向进行贷款风险分类研究。
（３）商业贷款风险预警研究 信贷风险管
理除了要加强银行本身的监管之外主要包括２
个方面，即贷前信用评价管理和贷后的预警管
理，前者无疑是非常重要的一环。近年来，我国
政府对防范贷款风险尤为关注和重视，积极倡
导运用现代信息技术管理手段推行商业银行风
险管理，因此，将ＡＮＮ运用到银行贷款风险预
警也成为广受关注的研究课题。贷款风险预警
信号一般包括财务状况预警信号和非财务因素
预警信号。人工智能技术及神经网络对其中的
缓变信息能很好处理；而ＥＳ（这里以ＫＢＳ简述
之）通常用符号表示，依赖更新规则，擅长处理
非量化信息。将两者结合起来应用于贷款风险
预警研究，既能保持ＥＳ的透明性，又具有神经
网络的学习和容错能力。本研究首先用ＢＰ神经
网络对预警机制进行探讨，显示出预警系统可
用３层ＢＰ模型表示。用３层ＢＰ模型与指标预警
法相对应，其中警兆指标对应ＢＰ中的输入层，
警情指标对应隐藏层，警度对应输出层。然后对
财务预警信号，提取盈利能力、营运能力、短期
偿债能力和长期偿债能力 ４个警兆指标，作为
ＢＰ网络输入层的输入。警度分为正常和报警，
作为输出层的输出。隐藏层节点根据经验取作
３，即用４×３×２网络拓扑结构进行训练、测试。
对财务危机评级可看成类似的区隔问题，由于
ＡＮＮ的良好品性，它比通常的判别分析的分类
正确率高。为此，可将ＡＮＮ的ＢＰ模型作为解决
区隔问题的一个重要工具。尔后又按财务预警
模式，输入为 ４类 １５个指标，输出定义 ３个节
点，分别对应正常、关注和报警。隐藏层节点数
取５，即采用１５×５×３网络拓扑结构，并分别用
３０个样本和１５个样本进行训练、测试。在分析
财务预警信号基础上，对非财务预警信号采用
ＥＳ描述，并与ＢＰ输出一并输入到一个ＫＢＳ，从
而形成ＡＮＮ与ＥＳ的混合系统形式。预警ＫＢＳ
系统的三大基本决策要素信号是有关财务状况
预警信号、非财务因素中有关经营者的信号和
有关经营状况的信号。
（４）贷款风险分类研究 贷款风险分类标
准有一条最核心的内容，那就是还款可能性。而
在评估贷款归还可能性时应考虑的因素按性质
大体可分为财务、现金流量、非财务、信用支持４
个方面。而在具体分类时要考虑逾期贷款的因
素。采用贷款风险分类方法，按风险程度，将贷
款分为５类，即正常、关注、次级、可疑、损失。
在本项目研究中，分２个阶段、２种思路进
行：
（ｉ）在定量分析基础上，着重对影响贷款归
还的非财务因素进行定性分析，探讨基于知识
的银行贷款分类系统。讨论了由知识库、数据
库、推理机、解释器及知识获取５个部分组成的
系统结构。在知识库中，采用一种具有层次结构
的描述方法规则组表示知识。一个规则组由规
·８８３·
管理学报第３卷第４期２００６年７月
则架和规则体 ２层结构组成，它相当于一个子
问题。当用规则组表示时，规则架反映了求解问
题的因果关系，规则体体现了有关该类问题的
所有具体运算关系，使知识便于获得，易被专家
理解，减少了规则编写的冗余与分散，可大大提
高推理的速度。
（ｉｉ）进行ＡＮＮ和ＥＳ结合的贷款风险分类
研究。具体来说，①财务因素可根据财务指标进
行模式识别。②非财务因素可通过ＥＳ，充分利
用专家知识和经验来处理。③现金流量可通过
对现金流量的来源进行结构分析，判定现金流
量是否充足，可用 ＥＳ来实现；同时，探索了用
ＢＰ神经网络结构来实现判断的可能性。④信用
支持实际上是降低风险的一种因素，可将其放
在综合分析一起进行。至于综合分析，由于各个
因素的结果都是一种定性结论，所以还是采用
ＥＳ的方法进行。在进行贷款风险分类综合分析
时，又将问题分解成几个子问题，而且把这５个
因素分解成 ３个层次，形成一个综合分析知识
结构。按此知识结构，最后可得出贷款风险的分
类等级。
（５）基于知识管理的银行贷款风险分析系
统 知识管理（ＫＭ）是近年来学术界和企业界
较为关注的热点之一。这里希望借助ＫＭ手段，
在知识分类、知识获取的基础上，通过知识转
换、知识求精等，使知识更丰富、知识质量更高，
从而可提高整个系统的效率和智能化水平。在
银行贷款风险分类中，模型化数量性知识、经验
归纳符号性知识、实例样本性知识往往同时并
存。而知识描述形式之间的互补性为这些异构
知识的集成处理提供了一个可行途径，即通过
建立不同种及不同类知识描述形式之间的转换
关系，实现优势互补。
对于ＡＮＮ与ＥＳ相结合的智能系统，其知
识获取不需要由知识工程师来整理、总结、消化
领域专家的知识，只要用领域专家解决问题的
实例或范例来训练神经网络，使在同样输入条
件下神经网络能够获得与专家给出的解答尽可
能相同的输出，与传统ＥＳ相比，该系统的知识
获取既具有较高的时间效率，也能保证较高的
质量。可以说，知识获取这个传统ＥＳ的“瓶颈”
问题可以在人工神经网络专家系统中得到较好
的解决。对于ＡＮＮ与ＥＳ技术的结合模式的深
入理解是十分重要的，它成功地实现了人工智
能领域网络机制与符号机制的结合，这种技术
的广泛应用将是对人工智能研究的有力推动。
２ 研究成果的科学意义和应用前景
在本项目的进行过程中，正遇到１９９７年的
东南亚金融危机，从而更证实了本项目的重要
意义。同时，该项目为适应与国际通行做法相协
调，就贷款风险分类进行研究，具有一定前瞻
性。有关贷款风险分类，２００１年１２月２４日由中
国人民银行宣布，从２００２年１月１日起在我国
各类银行全面推行贷款风险分类管理，而我们
的基金项目从 １９９８年后就开始着手进行基于
知识系统贷款风险分类系统、基于ＡＮＮ与ＥＳ
结合的贷款风险分类。故可以说，此类研究对促
进贷款风险分类的全面推行起到了积极作用。
本项目融合人工智能方法和技术，首次提
出将ＡＮＮ与ＥＳ相结合应用于银行贷款风险管
理，将人工智能应用于管理是一种崭新的管理
决策方法和手段，它比传统的常规方法更准确、
有效。研究充分显示，将ＫＢＳ和ＢＰ神经网络用
于银行信贷风险管理是一种较好的方法。藉此
可进一步加强风险防范与控制，使银行管理决
策具有智能化的特征，从而可对推动金融信息
化起一些作用。另外，两者结合协同，利用各自
长处、优势互补，这是一种新思路，也是人工智
能发展的一种趋势。本项目研究也给两者的结
合增添了一个新的应用领域。
本项目在研究中的一些管理决策情景和大
量翔实的样本数据由中信实业银行苏州分行提
供，因此本项目具有一定的实际背景。
３ 学术交流、合作与人才培养
． 学术交流
课题组成员非常重视学术交流与合作。本
项目在研究过程中，发表论文 ２７篇，其中国外
期刊 ２篇，被检索系统收录的有：《ＳＣＩ》２篇、
《ＥＩ》３篇、《ＩＳＴＰ》２篇。参加的国际学术会议
有：国际管理会议、管理科学与工程会议、亚太
决策科学会议、中国日本工业管理国际会议、
ＩＡＳＴＥＤＭｏｄｅｌｌｉｎｇ＆Ｓｉｍｕｌａｔｉｏｎ国际会议，以
及在台北举行的海峡两岸资讯管理发展研讨
会。在３个国际会议上都被指定为ｓｅｓｓｉｏｎｃｈａｉｒ
ｐｅｒｓｏｎｓ，与会者对本研究宣读的论文较感兴
趣。通过本项目研究，与台湾新竹交通大学资讯
管理研究所在智能管理决策方面有进一步的合
作交流。此外，通过学术交流和参加国际会议，
项 目 负 责 人 被 邀 请 为 ＩＳＴＰ，Ｔｅｃｈｎｉｃａｌ
ＣｏｍｍｉｔｔｅｅｏｎＭｏｄｅｌｌｉｎｇａｎｄＳｉｍｕｌａｔｉｏｎ的委
员及相应的国际会议（如 ＡＳＭ ２００２Ｊｕｎｅ２５
·９８３·
神经网络与专家系统相结合的银行贷款风险管理决策研究——杨保安 朱 明
２８，Ｃｒｅｔｅ，Ｇｒｅｅｃｅ）的 ＩｎｔｅｒｎａｔｉｏｎａｌＰｒｏｇｒａｍ
Ｃｏｍｍｉｔｔｅｅ。同时，与中信实业银行苏州分行的
合作及与实际科研人员的访问、交流，获得了银
行的信贷决策情景，以及大量翔实的样本数据，
为项目的最终完成奠定了良好基础。
． 人才培养
围绕本课题的工作，形成了以杨保安教授
为核心的、一个知识结构合理的学术研究梯队。
课题组培养了博士研究生 １名，硕士研究生 ８
名，研究生的学位论文均围绕项目子课题选题，
有２篇学位论文被评为优秀论文，并在国内刊
物上发表了有创见、有一定影响的文章。
４ 结论
项目研究成果表明，将ＡＮＮ与ＥＳ两者结
合运用在银行信贷风险管理中是一种完全恰当
的、有应用价值的管理决策方法。这里再特别提
及，基于ＢＰ神经网络的预警系统比一般预警更
加明确、清晰、特征抽取符合实际，为商业银行
提供了决策工具和风险预警技术。项目的预期
计划已经完成，并能与国际通行做法相协调，适
应当前金融机构信贷管理和控制风险的需要。
同时，及时调整、增加了贷款风险分类研究的内
容。本项目研究是初步成功的，但由于条件限制
和时间原因未能很好地借鉴和搜集别的地区
（大城市的银行）及其他的４大商业银行的情景
和样本数据，为此会有一定的局限性。
另外，这里再谈一点有关项目工作的体会，
就是在项目结题、提交了《结题报告》之后，仍然
要配合“基金委”的跟踪、管理结题项目工作，需
按时、按要求提供项目后期发表及汇总的成果
材料［１～２０］，以便“基金委”作出对项目成果的评
估。这也将有益于后面基金项目的再次申请。
参 考 文 献
［１］ＹａｎｇＢａｏａｎ，ＬｉＬｉｎｇＸ，ＪｉＨａｉ，ｅｔａｌ．ＡｎＥａｒｌｙ
ＷａｒｎｉｎｇＳｙｓｔｅｍ ｆｏｒＬｏａｎＲｉｓｋＡｓｓｅｓｓｉｎｇＵｓｉｎｇ
ＡｒｔｉｆｉｃｉａｌＮｅｕｒａｌＮｅｔｗｏｒｋｓ［Ｊ］．ＫｎｏｗｌｅｄｇｅＢａｓｅｄ
Ｓｙｓｔｅｍ，Ｅｌｓｅｖｉｅｒ，２００１（１４）：３０３３０６．
［２］ Ｙａｎｇ Ｂａｏａｎ，ＬｉＬｉｎｇ Ｘ，Ｘｉｅ Ｑｉｎｇｈｕａ，ｅｔａｌ．
ＤｅｖｅｌｏｐｍｅｎｔｏｆａＫＢＳｆｏｒＭａｎａｇｉｎｇＢａｎｋＬｏａｎｓ
Ｒｉｓｋ［Ｊ］．ＫｎｏｗｌｅｄｇｅＢａｓｅｄＳｙｓｔｅｍｓ，Ｅｌｓｅｖｉｅｒ，２００１
（１４）：２９９３０２．
［３］ＺｈｕＭ，ＹａｎｇＢ．Ａ．ＡｎａｌｙｓｉｓｏｆｔｈｅＡｂｉｌｉｔｙｏｆ
ＰａｙｉｎｇＢａｎｋＬｏａｎｓｆｏｒＥｎｔｅｒｐｒｉｓｅＢａｓｅｄｏｎＢＰ
ＮｅｕｒａｌＮｅｔｗｏｒｋｓ［Ｃ］．燉燉９９＇管理科学与工程国际会
议，上海．１９９９．
［４］杨保安，朱明．基于神经网络与专家系统结合的银行
贷款风险管理［Ｊ］．系统工程理论方法与应用，１９９９，８
（１）：７１０．
［５］杨保安，季海．基于人工神经网络的银行贷款风险预警
研究［Ｊ］．系统工程理论与实践，２００１，２１（５）：７０７４．
［６］杨保安，季海，徐晶，等．ＢＰ神经网络在企业财务危机
预警研究之应用［Ｊ］．预测，２００１，２０（２）：４９５４．
［７］陈志泉，杨保安．商业银行资产负债比例管理综合评价
模型［Ｊ］．系统工程理论与实践，１９９９，１９（１２）：８１３．
［８］朱明，杨保安．混合专家系统模型和贷款风险分类［Ｊ］．
东华大学学报：自然科学版，２００１，２７（４）：４４４７．
［９］徐晶，杨保安．基于知识系统与ＣＩＳ结合的贷款风险
分类系统［Ｃ］．燉燉第 １４届全国 ＭＩＳ学术年会，上海．
１９９９．
［１０］杨保安，温金祥．加强商业银行监管—银行贷款内部
监管与稽核研究［Ｊ］．中国纺织大学学报，２０００，２６
（３）：１８２１．
［１１］Ｙａｎｇ Ｂａｏａｎ，Ｍａ Ｙｕｎｆｅｉ，Ｙｕ Ｌｉａｎ． Ｉｎｔｅｌｌｉｇｅｎｔ
Ｄｅｃｉｓｉｏｎ ＳｕｐｐｏｒｔＳｙｓｔｅｍ ｆｏｒＢａｎｋ ＬｏａｎｓＲｉｓｋ
Ｃｌａｓｓｉｆｉｃａｔｉｏｎ［Ｊ］．东华大学学报：英文版，２００１，１８
（１）：１４４１４７．
［１２］ＹａｎｇＢａｏａｎ，ＺｈｕＭｉｎｇ，ＸｉｅＱｉｎｇｈｕａ．ＡＳｙｓｔｅｍｆｏｒ
ＢａｎｋＬｏａｎｓＲｉｓｋＰｒｅｖｅｎｔｉｏｎ—ＩｎｔｅｇｒａｔｉｎｇＡＮＮａｎｄ
ＥＳｆｏｒＣｒｅｄｉｔＡｐｐｒａｉｓａｌｏｆＢａｎｋＬｏａｎｓ［Ｃ］．燉燉第 ３
届管理国际会议，１９９８．
［１３］Ｙａｎｇ Ｂａｏａｎ，ＸｉｅＱｉｎｇｈｕａ．Ａ ＫｎｏｗｌｅｄｇｅＢａｓｅｄ
Ｓｙｓｔｅｍ ｆｏｒＩｎｔｅｒｎａｌＳｕｐｅｒｖｉｓｉｏｎａｎｄＡｕｄｉｔｉｎｇｏｆ
ＢａｎｋＬｏａｎｓ［Ｃ］．燉燉９９＇亚太决策科学会议，１９９９．
［１４］ＹａｎｇＢａｏａｎ，ＪｉＨａｉ．ＡｓｔｕｄｙｏｆＣｏｍｍｅｒｃｉａｌＢａｎｋ
ＬｏａｎｓＲｉｓｋＷａｒｎｉｎｇＢａｓｅｄｏｎＢＰＮｅｕｒａｌＮｅｔｗｏｒｋ
［Ｃ］．燉燉第５届中日工业管理国际会议，１９９９．
［１５］ＹａｎｇＢａｏａｎ，ＪｉＨａｉ，ＹｕＬｉａｎ．Ａ ｓｔｕｄｙｏｆＢａｎｋ
ＬｏａｎｓＲｉｓｋＥａｒｌｙＷａｒｎｉｎｇＢａｓｅｄｏｎａＨｙｂｒｉｄ
Ｓｙｓｔｅｍ ｏｆ ＡＮＮ ａｎｄ ＥＳ ［Ｃ］． 燉燉ＩＡＳＴＥＤ
Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｍｏｄｅｌｉｎｇ ａｎｄ
Ｓｉｍｕｌａｔｉｏｎ，２００１．
［１６］朱明．基于ＢＰ的企业还款能力分析［Ｊ］．系统工程理
论方法与应用，２００１，１０（２）：１２５１２７．
［１７］朱明，杨保安．基于知识的银行贷款分类系统［Ｊ］．合
肥工业大学学报：自然科学版，２００１，２４（５）：９１３９１６．
［１８］ＺｈｕＭｉｎｇ， Ｙａｎｇ Ｂａｏａｎ． Ａ ＫｎｏｗｌｅｄｇｅＢａｓｅｄ
Ｓｙｓｔｅｍ ｆｏｒｔｈｅＡｎａｌｙｓｉｓｏｆｔｈｅＡｂｉｌｉｔｙｏｆＰａｙｉｎｇ
ＢａｃｋＬｏａｎｓ［Ｊ］．东华大学学报：英文版，２００１，１８
（１）：１２３１２６．
［１９］杨保安，季海，温金祥．基于ＡＮＮ与ＥＳ混合专家系
统的银行贷款风险预警研究［Ｊ］．东华大学学报：自
然科学版，２００３，２９（１）：２４２８．
［２０］杨保安，徐晶，查秋野．基于人工智能贷款风险分类
的系统设计［Ｊ］．管理工程学报，２００３，１７（２）：４５４９．
（编辑：刘继宁）
通讯作者简介：杨保安（１９３８～），男，浙江绍兴人。东华大
学（上海市 ２０００５１）管理学院教授、博士研究生导师。研究
方向为管理决策分析、智能决策及知识管理等。
·０９３·
管理学报第３卷第４期２００６年７月
