基于ＢＰ神經網絡的超市財務風險預警研究

[摘要] 通過對超市財務風險分析和指標的選取，構建基于BP神經網絡的超市財務風險預警模型，利用MATLAB數學分析軟件對模型進行訓練和仿真實驗，預測超市的財務風險。

[關鍵詞] 超市財務 風險預警 BP神經網絡

財務管理貫穿于超市管理的全部過程，既是超市管理的突破口，又是超市運行的控制點，也是超市發展的落腳點，超市財務風險是急需研究和防范的重要課題。本文建立了超市財務風險預測指標體系，采用BP神經網絡的研究方法，完成了對指標體系的風險預測模型的建立，并通過MATLAB神經網絡工具箱對建立的BP網絡模型進行訓練和仿真實驗，用以預測超市的財務風險。

一、超市財務風險分析

超市的財務活動貫穿于超市營銷的整個過程，籌措資金、長短期投資、分配利潤等都可能產生風險，根據風險的來源可以將財務風險劃分為：

1.籌資風險

由于資金供需市場、宏觀經濟環境的變化，超市籌集資金給財務成果帶來的不確定性。籌資風險主要包括利率風險、再融資風險、財務杠桿效應、匯率風險、購買力風險等。

2.投資風險

超市投入一定資金后，因市場需求變化而影響最終收益與預期收益偏離的風險。超市對外投資主要有直接投資和證券投資兩種形式。投資風險主要包括利率風險、再投資風險、匯率風險、通貨膨脹風險、金融衍生工具風險、道德風險、違約風險等。

3.經營風險

經營風險又稱營業風險，是指在超市的經營過程中各個環節不確定性因素的影響所導致超市資金運動的遲滯，產生超市價值的變動。經營風險主要包括采購風險、存貨變現風險等。

4.存貨管理風險

超市保持一定量的存貨對于其進行正常經營來說是至關重要的，但如何確定最優庫存量是一個比較棘手的問題，存貨太多會導致產品積壓，占用企業資金，風險較高；存貨太少又可能導致原料供應不及時，影響超市的正常銷售，嚴重時可能造成商品短缺，影響企業的信譽。

5.流動性風險

流動性風險是指超市資產不能正常和確定性地轉移為現金或企業債務和付現責任不能正常履行的可能性。從這個意義上來說，可以把超市的流動性風險從企業的變現力和償付能力兩方面分析與評價。由于超市支付能力和償債能力發生的問題，稱為現金不足及現金不能清償風險。由于超市資產不能確定性地轉移為現金而發生的問題則稱為變現力風險。

二、超市財務風險的成因

超市財務風險產生的原因很多，既有超市外部原因，也有超市自身的原因，而且不同的財務風險形成的具體原因也不盡相同。超市產生財務風險的一般原因有以下幾點：

1.超市財務管理的宏觀環境復雜多變，而超市管理系統不能適應復雜多變的宏觀環境

超市財務管理宏觀環境的復雜性是超市產生財務風險的外部原因。財務管理的宏觀環境包括經濟環境、法律環境、市場環境、社會文化環境、資源環境等因素，這些因素存在企業之外，但對企業財務管理產生重大的影響。宏觀環境的變化對超市來說是難以準確預見和無法改變的，宏觀環境的不利變化必然給超市帶來財務風險。財務管理環境具有復雜性和多變性，外部環境多樣化可能為企業帶來某種機會，也可能使超市面臨某種威脅，而給超市理財帶來困難。目前，我國許多超市建立的財務管理系統，由于機構設置不盡合理，管理人員素質不高，財務管理規章制度不夠健全，管理基礎工作不夠完善等原因，導致超市財務管理系統缺乏對外部環境的適應能力和應變能力，具體表現在對外部環境不利變化不能進行科學的預見，反應滯后，措施不力，由此產生財務風險。

2.超市財務管理人員對財務風險的客觀性認識不足

財務風險是客觀存在的，只要有財務活動，就必然存在著財務風險。然而在現實工作中，許多超市的財務管理人員缺乏風險意識。風險意識的淡薄是財務風險產生的重要原因之一。

3.財務決策缺乏科學性導致決策失誤

財務決策失誤是產生財務風險的又一主要原因。避免財務決策失誤的前提是財務決策的科學化。目前，許多超市的財務決策都存在經驗決策及主觀決策現象，家長制、一言堂的工作作風在超市的管理中仍然普遍存在。由此導致的決策失誤經常發生，從而產生財務風險。

4.超市內部財務關系不明

這是超市產生財務風險的又一重要原因，超市與內部各部門之間及超市與上級企業之間，在資金管理及使用、利益分配等方面存在權責不明、管理不利的現象，造成資金使用效率低下，資金流失嚴重，資金的安全性、完整性無法得到保證。

三、基于BP網絡的風險預測模型構建

1.超市財務風險預測指標體系建立

超市財務風險分析是確定風險預測指標體系的前提和基礎，預測指標體系又是進行風險評估分析的依據，一個科學的預警指標體系對風險預警是至關重要的。

（1）超市財務風險指標選取原則

根據指標選擇原則建立的超市財務風險預測指標體系，是能在不同方面反映超市財務經營中財務風險活動趨勢，故選取超市財務風險預測指標應遵循如下原則:

第一，指標的重要性。所選取指標必須在衡量超市財務活動方面具有重要性，所選的多個指標的綜合必須表示超市財務活動的主要矛盾現象。

第二，指標的先行性。所選取的指標特征量要與超市運營狀況大體一致或略有超前性，能敏感地反映超市財務風險的發生或發展動向。同時指標要能針對財務風險某種狀態進行分析、預測，分析其運動趨勢及可能帶來的影響。

第三，指標的目的性。所選取的指標從不同角度、不同層次系統全面地反映超市活動多重財務風險的狀態，從而達到財務風險預測體系的預測目的。

第四，指標的可比性。所選取的指標應一方面可以通過科學合理的轉換，指標體系能反映出財務風險的總體狀況;另一方面又能夠在各超市企業之間具有一定的可比性。

第五，指標的操作性。所選取的指標要與國際慣例接軌，同時又符合我國超市的發展水平現狀;各項指標應該力求能從廣泛的經濟數據中獲取相關的可靠信息，要求數據來源確鑿可靠，推理過程科學合理，易于量化，適于操作，并且指標間的相關性較弱。

(2）超市財務風險指標的選取

依據上述的指標選取原則，本文選取總資產、主營業務收入、股東權益（不含少數股東權益）、凈利潤、扣除非經常性損益后的凈利潤、每股收益、凈資產收益率(%)、每股經營活動產生的現金流量凈額、每股凈資產、調整后的每股凈資產、扣除非經常性損益后的凈資產收益率(%)11個指標用來構建超市財務風險指標體系，如下表所示。

表 超市財務風險指標數據（單位：人民幣元）

2.基于BP網絡的超市風險預測模型的構建

本文運用前向三層BP網絡技術，它由輸入層、中間層、輸出層組成。中間層位于輸入層和輸出層之間，作為輸入模式的內部表示，對一類輸入模式所包含的區別于其他類別的輸入模式的特征進行抽取，并將抽取出的特征傳遞給輸出層，由輸出層對輸入模式的類別作最后的判別。因此，也可以把中間層稱為特征抽取層。中間層的輸入模式進行特征抽取的過程，實際上也就是對輸入層與中間層之間連接權進行“自組織化”的過程。在網絡的訓練過程中，各層之間的連接權起著“傳遞特征”的作用。各連接權從初始的隨機值逐漸演變，最終達到能夠表征輸入模式性的過程，就是“自組織化過程”。

（1）輸入節點的確定

前面已經對超市財務風險及其評價指標進行了系統的分析。在基于神經網絡設計超市財務風險評價模型時，網絡輸入應為全面描述超市財務風險的指標。因此，不同的超市財務風險的指標體系對應不同的網絡模型，也形成不同的輸入節點數，輸入節點數等于風險指標數。由超市財務風險指標體系可知，超市財務風險包括總資產、主營業務收入、股東權益(不含少數股東權益)等11個指標。所以，確定輸入節點數為11個。

（2）輸出節點確定

輸出節點確定對應于評價結果，輸出為[-1]表示財務存在風險；為[1]表示財務風險問題不明顯；為[0]表示財務不存在風險。因此，輸出節點數為3個。

（3）隱層節點確定

理論上已經證明，對于任何閉區間內的一個連續函數都可以用一個隱含層的BP網絡來逼近，因而一個二層的BP網絡可以完成任意的n維到m維的影射。為了避免因為隱含層的增加而導致的訓練時間的急劇增加和局部最小誤差的增加，本文選擇采用隱含層數為一層。

就BP網絡而言，當隱含層神經元數目過多時，優點是表現能力強，缺點是網絡結構龐大，在訓練時效率不高，學習時間長，泛化能力下降，誤差不一定最佳;學習后網絡結構復雜，物理意義不明確。當隱含層神經元數目過少時，優點是學習時間短，學習后網絡結構簡單。缺點是表現力不足，網絡不具備必要的學習能力和信息處理能力，容錯性差，出現學習誤差下降緩慢甚至不收斂的現象。由于神經網絡的巨量并行分布結構和非線性動態特性，要想從理論上得到一個簡單通用的隱含層單元確定公式是十分困難的。然而，通過廣泛和長期的應用過程所得的一些定性結論會有助于合理安排隱含層的單元數，因此結合文中實際情況，可參考下面公式來確定隱含層單元個數。

其中，n1為隱層節點數，m為輸入層節點數目，n為輸出層節點數目，a為1-10之間的常數。因此，隱層節點數確定為6。

3.面向MATLAB的BP網絡財務風險預測模型仿真

（1）BP網絡的訓練

已經對超市的財務建立起合適的BP網絡風險預測模型，下面對網絡進行訓練。在批處理模式中，網絡訓練所用的樣本需要進行一次性輸入，然后再調整網絡權值和域值，梯度的計算也是由所有的樣本數據參與的。

BP算法的主要缺點是：收斂速度慢、局部極值、難以確定隱層和隱層節點數。在實際中BP算法很難勝任，所以本文采用改進的BP算法:自適應lr的梯度下降法。對于梯度下降法，學習速率對于整個網絡訓練過程有很大的影響，訓練成功與否與學習率的選取關系很大。如果在訓練過程中合理地改變學習率，會避免很多缺陷。有自適應lr的學習算法能夠自適應調整學習率，從而增加穩定性，提高速度和精度。

有自適應lr梯度下降法的訓練函數為traingda，與函數traingda有關的訓練參數有：epochs、goal、lr、max_fail、min_grad、show、time、lr_inc、lr_dec、max_perf_inc。

net.trainParam.epochs 最大訓練次數（缺省為10）

net.trainParam.goal 訓練要求精度（缺省為0）

net.trainParam.lr 學習率（缺省為0.01）

net.trainParam.max_fail 最大失敗次數（缺省為5）

net.trainParam.min_grad 最小梯度要求（缺省為1e-10）

net.trainParam.show顯示訓練迭代過程（缺省為25）

net.trainParam.time 最大訓練時間（缺省為inf）

net.trainParam.lr_inc學習率lr增長比（缺省為1.05）

net.trainParam.lr_dec學習率lr下降比（缺省為0.7）

net.trainParam.max_perf_inc表現函數增加最大比（缺省1.04）

設超市2003年為無風險[0]、2004年為風險不確定[1]、2005年為風險存[-1]訓練該網絡。

利用Matlab平臺對風險預測模型進行訓練時，在確定輸入值和期望輸出后，可以直接調用traingda函數進行訓練。建立一個M文件，根據超市財務指標數據，在界面輸入：

p=[1370518362.53 1640751155.19 1525961728.59;

4014089223.76 3836481696.24 2945931106.78;

369411872.73 1003965481.61 928812204.30;

61986561.39 34629345.85 -40158466.41;

64771918.27 35294602.11 -36198401.28;

0.402 0.158 -0.153;

2.394 4.587 3.537;

2.21 4.510 3.467;

16.78 3.45 -4.32;

-0.899 1.674 0.422;

17.63 12.33 -1.69];

t=[0 1 -1];

net =newff(minmax(p)，[6，1]，{'tansig'，'purelin'}，'traingda');

net.trainParam.show=25;

net.trainParam.lr=0.01;

net.trainParam.lr_inc=1.05

net.trainParam.epochs=10000;

net.trainParam.goal=1e-10;

[net，tr]=train(net，p，t);

然后運行，在Matlab的顯示界面出現：

TRAINGDA， Performance goal met.

當得到上面的目標已經達到的提示語句，并且訓練的動態圖像如下圖所示時，

圖網絡訓練的誤差變化曲線

說明網絡已經訓練成功，然后輸入

>> a=sim(net，p)

檢測得到結果

a =

0.00001.0000 -1.0000

該輸出與期望輸出（超市2003年為無風險[0]、2004年為風險不確定[1]、2005年為風險存[-1]）一致，證明網絡訓練成功。

（2）BP網絡的仿真

通過上面的操作，網絡已經訓練完畢。下面采用超市的指標數據來預測其財務風險。

建立M文件：

p=[1370518362.53 1640751155.19 1525961728.59;

4014089223.76 3836481696.24 2945931106.78;

369411872.73 1003965481.61 928812204.30;

61986561.39 34629345.85 -40158466.41;

64771918.27 35294602.11 -36198401.28;

0.402 0.158 -0.153;

2.394 4.587 3.537;

2.21 4.510 3.467;

16.78 3.45 -4.32;

-0.899 1.674 0.422;

17.63 12.33 -1.69];

t=[0 1 -1];

net =newff(minmax(p)，[6，1]，{'tansig'，'purelin'}，'traingda');

net.trainParam.show=25;

net.trainParam.lr=0.01;

net.trainParam.lr_inc=1.05

net.trainParam.epochs=10000;

net.trainParam.goal=1e-10;

[net，tr]=train(net，p，t);

p1=[1136396053.74 1239715404.88 1409789929.12;

3247882437.11 3666443133.78 1375289142.14;

244339457.08 311421437.68 909325535.98;

50070042.75 66925122.63 -16970171.41;

51290204.49 68041237.90 -11084934.90;

0.325 0.434 -0.065;

20.49 21.49 -1.87;

-0.403 1.617 -0.55;

1.584 2.019 3.462;

1.012 1.193 3.385;

22.96 24.48 16.35];

運行后，在界面輸入

>> a=sim(net，p1)

得結果，2001年和2002年的財務風險存在[-1]，而2006年則顯示出財務風險不明確[1]。

四、結束語

統計資料顯示，近三年來，我國限額以上連鎖零售集團(企業)以年均33.6%的速度遞增，截至2006年末，已達到1055家，連鎖門店數達54891個，營業面積和年銷售額都比2004年有了成倍的增長。連鎖零售集團(企業)總體規模迅速擴張的同時，單體規模也在增大。2006年門店在14個以上的連鎖零售集團(企業)有507家，比2005年多60家。其中超過100個的由2004年末的55家、2005年末的73家增至2006年末的97家。但伴隨著快速擴張、我國連鎖零售企業的財務風險也逐漸暴露出來，據統計近一年半以來，我國已有150多家大型連鎖超市倒閉。

為了減少超市財務的風險，提高超市的競爭能力，超市企業可以從以下幾個方面著手：加強結算資金管理；加強存貨控制；健全內部規章制度；實行全面預算管理；建立計算機分析和管理系統。

參考文獻：

[1]宋明哲:現代風險管理[M]．北京：中國紡織出版社，2003

[2]嚴真紅:我國企業財務風險的成因及其防范[J].江西財經大學學報，2004.4

[3]陳文浩 郭麗紅:企業財務危機的原因分析[J].浙江財稅與會計，2004.10

[4]唐曉云:略論企業財務風險管理[J].上海會計，2002.2

[5]Martin T. HaganHoward B. Demuth:神經網絡設計[M]. 北京：機械工業出版社，2002

注：本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文。