各属性的信息增益：
　　G（企业规模）=0.9710-0.6265=0.3445
　　G（企业性质）=0.9710-0.9121=0.0589
　　G（企业地点）=0.9710-0.8846=0.0864
　　G（银行资信等级）=0.9710-0.7992=0.1718
　　我们知道，信息增益越大，选择测试属性对分类提供的信息越多。从上面计算出的值可以看出具有高信息增益的属性是企业规模，所以选择企业规模为根节点。当企业规模都为大企业时，企业的还款风险低，当企业规模为中型企业或者小型企业时，企业的还款风险或者低或者高，没有具体的特征属性，所以可以继续对属性进行分类。
　　对中型企业进行分类：
　　G（企业性质）=0.991-0.660=0.3311
　　G（企业地点）=0.991-0.612=0.3791
　　G（银行资信等级）=0.991-0.988=0.0311
　　对于中型企业来说，选择属性企业地点为节点进行分类。类似，可以给小型企业选择信息增益最大的属性作为节点进行分类。经过进一步的分类，得到如图1所示的决策树。在这里，采用预剪枝的方法进行剪枝，停止树的增长，防治过度拟合。
　　3.3 结果分析。由图1可以得到如下规则：（1）如果公司规模是大型企业，则还款风险低；（2）如果是中型公司且公司地点在上海，则还款风险低；（3）如果公司是小型企业，则具有高还款风险。
　　根据上述结论，具有高风险还款能力的是小型企业或地点在北京或者成都的中型企业，还款风险低的是大型企业或在上海的中型企业。针对这种分类，银行在对物流公司进行还款风险预测时，可以将主要精力集中在具有低还款风险特征属性的物流企业上。
　　4 结束语
　　随着信息化水平的提高，银行和物流企业都积累了各种各样的数据，如何从大量的数据中挖掘出潜在的应用价值，有效地降低物流金融的信用风险是个值得探讨的问题。本文利用决策树ID3算法对某物流企业客户的高还款风险特征属性进行了挖掘，能够给银行进行信用风险分类预测时提供一些参考，克服人为经验因素带来的不确定性，降低信用风险。需要指出的是，在实际应用时，可以根据实际情况选择相应的属性进行分类，以期找到更加符合现实情况的分类，为物流金融信用风险的防范提供一定的科学依据。
　　参考文献：
　　[1] Jiawei Han Micheline Kamber. 数据挖掘概念与技术[M]. 范明，孟小峰，等译. 北京：机械工业出版社，2006：128-137.
　　[2] 陈祥锋，石代伦，朱道立. 金融供应链与融通仓服务[J]. 物流技术与应用，2006（3）：93-95.
　　[3] 裴英梅. 基于数据挖掘技术的现代物流决策研究[J]. 物流技术，2008，27（7）：47-49.
　　[4] 郭洪涛，郭永红. 数据挖掘技术在物流信息系统中的应用[J]. 科技信息，2009（4）：262-263.
　　[5] 薛华，朱杰. 物流决策中决策树分类技术的应用研究[J]. 商场现代化，2012，10（698）：72-73.
　　[6] 谢江林，何宜庆，陈涛. 数据挖掘在供应链金融风险控制中的应用[J]. 南昌大学学报，2008，6（32）：278-281.
　　[7] 唐元琦，邹小芃. 物流金融浅析[J]. 浙江金融，2004（5）：20-21.

---

期刊库（http://www.zgqkk.com），是一个专门从事期刊推广、投稿辅导的网站。
　　本站提供如何投稿辅导，寻求投稿辅导合作，快速投稿辅导，投稿辅导格式指导等解决方案：省级投稿辅导/国家级投稿辅导/核心期刊投稿辅导//职称投稿辅导。

---

　　【免责声明】本文仅代表作者本人观点，与投稿辅导_期刊发表_中国期刊库专业期刊网站无关。投稿辅导_期刊发表_中国期刊库专业期刊网站站对文中陈述、观点判断保持中立，不对所包含内容的准确性、可靠性或完整性提供任何明示或暗示的保证。请读者仅作参考，并请自行承担全部责任。