基于BP神經網絡的上市企業財務困境預警研究

林佳鑫

摘要：經過幾十年的發展，企業財務困境預警研究已經發展為國內外學術界所廣泛關注的課題之一。公司的財務困境預警研究不但具有較高的學術價值，并且還有著巨大的應用價值，能夠成為公司管理者及其利益相關者進行決策的參考依據。

關鍵詞：企業財務困境預警；人工神經網絡

中圖分類號：F23

文獻標識碼：A

doi：10.19311/j.cnki.16723198.2016.21.066

1人工神經網絡

人工神經網絡是基于理論化的人腦神經網絡，是通過模仿大腦神經網絡結構和功能模擬建立起來的一種信息處理系統，此類人工神經網絡由大量較簡單的人工神經元根據一定的規律連接起來形成復雜網絡，具有高度的非線性，在系統功能上能夠滿足復雜的邏輯操作和非線性關系實現。在網絡中信息的轉播、存儲方式以及信息存儲在各個神經元的連接權上都與生物神經網絡進行信息傳播存儲相似。兩者都是運用并行式的“集體”工作方式。這種信息處理系統是通過人工模仿人腦神經網絡而建立的，因此被人稱為人工神經網絡。

設輸入模式向量為Xk=（xk1，xk2，…，xkn）T（k=1，2，…，m），對應輸入模式的期望輸出向量為Yk=（yk1，yk2，…，ykq）T；中間隱含層凈輸入向量Sk=（sk1，sk2，…，skp）T，輸出向量Bk=（bk1，bk2，…，bkp）T；輸出層凈輸入向量Lk=（lk1，lk2，…，lkq）T，實際輸出向量為Ck=（ck1，ck2，…，ckq）T。

2財務預警指標體系的構建與模型設計

（1）財務數據的確定。

財務數據選取為2015會計年度報表中的財務數據，數據來源于東方財富網和巨潮資訊網。其中滬市A股上市公司代碼60XXXX。

（2）基于BP神經網絡的財務預警模型的構建從常規來看，BP網絡的結構設計主要包括隱含層、確定輸入層、輸出層及各層之間的傳遞函數。事實上，網絡的應用往往轉化為如何確定網絡的結構參數和網絡模型的最終連接權值。在實驗過程中，模型的具體設置如下。

①網絡層數的設計。神經網絡主要由出入層、隱含層和可以加強網絡映射精度的隱含層組成。在模型設置中對于多層神經網絡而言最重要的是要確定隱含層的具體數目。在模型設置中，通過采用單隱含層BP神經網絡，即僅利用一個輸入層、一個輸出層和一個隱含層就能夠實現將財務危機良好分類。

②輸入層的設計。在模型設計過程中通過輸入相關變量決定輸入層的神經元個數，使輸入節點與網絡的逼近效果呈正相關。但是在模型設計過程中，一味盲目的擴大節點數也會加大網絡的負擔，從而對網絡的訓練時間和訓練效果進而影響網絡的訓練時間和訓練效果，此次研究的輸入層節點數為財務預警指標的個數，即9個。

③輸出層的設計。輸出值代表模型要實現的目標功能，這種網絡結構同一般指標預警有著共同點，輸入層和隱含層分別為預警指標和警情指標。

④隱含層的設計。在模型系統中，對網絡的性能產生重要影響的因素是算法的神經網絡中各層節點數。實驗要達到預定的映射關系必須克服單隱含層網絡的非線性映射能力較弱這一缺點。實驗中在設計隱含層節點時，進行反復測算，當隱含層神經元個數為18個時選擇預測結果最為理想。

⑤傳遞函數。傳遞函數又稱為激活函數，對輸入層到隱含層的傳遞函數為tan Sigmoid函數。隱含層到輸出層之間的傳遞函數確定為Purelin型線性傳遞函數。

⑥網絡參數。此論文在研究過程中設置如下網絡參數：目標誤差0.0000001，學習速率為0.1，訓練循環次數200次。通過測試，得出最優學習速率為0.03。

（3）預警模型的檢驗與測試。

利用BP神經網絡的財務預警模型設計，將實驗所需的樣本集分為訓練樣本和測試樣本2組。從樣本集中隨機抽取10家企業作為測試樣本，剩下的ST企業和非ST企業作為訓練樣本。將上述對應樣本輸入程序，通過計算機程序運算就得到了測試樣本模型演算的輸出值。程序運行情況表明該BP網絡模型的誤差曲線是收斂的，通過24步訓練，該程序的網絡性能達標，符合初始化均方差的要求。此程序模型對訓練樣本和測試樣本的判定結果如表1所示。

將財務困境公司判定為財務健康公司和將財務健康公司判定為財務困境公司是BP神經網絡模型樣本誤判的兩種類別。實驗結果表明，從訓練樣本的角度來看，誤判的樣本個數為0個，也就意味著其判定準確率達到100%。從測試樣本的角度來看，被誤判的樣本個數為2，兩種誤判類型的樣本個數各占一個，以上實驗結果表明誤判率為20%，判定準確率為80%，總的判定準確率為96%。

3研究結果

每個企業可能會有不同的財務狀況短板，但是利用以上系統進行直觀的數據分析，能夠從宏觀方面看出存在財務危機可能性的企業的整體財務狀況要比非ST企業差很多。也進一步說明了在該模型的測試下，隨機抽樣的方式選擇樣本數據，依然具有較高的準確率。

參考文獻

[1]楊淑娥，黃禮.基于BP神經網絡的上市公司財務預警模型[J].系統工程理論與實踐，2005，（01）：1218，26.

[2]秦秀秀.基于BP神經網絡的創業板上市公司財務預警研究[D].淮南：安徽理工大學，2015.

[3]高喆.基于BP神經網絡模型的制造業上市公司財務預警研究[D].北京：北京交通大學，2015.