財務困境預測中BP神經網絡模型應用綜述

[摘 要] 金融危機席卷全球，處于金融市場之中的企業隨時面臨著陷入財務困境的可能，財務困境預測模型的建立可以使公司提前預測到困境的發生，從而及早避免投資損失。隨著信息技術的發展，人工神經網絡預測模型開始興起，本文重點介紹了BP神經網絡模型在財務困境預測中的應用情況，并將BP神經網絡模型與傳統統計方法進行了比較分析。

[關鍵詞] 財務困境;預測模型;BP神經網絡

doi : 10 . 3969 / j . issn . 1673 - 0194 . 2009 . 21 . 002

[中圖分類號]F275;TP393[文獻標識碼]A[文章編號]1673 - 0194(2009)21 - 0007 - 03

金融風暴席卷全球，宏觀經濟動蕩起伏，此時不論是跨國集團公司還是國內的小企業都面臨著前所未有的經濟危機，資本市場低迷，大量企業紛紛陷入財務困境，甚至破產倒閉。而對于財務困境最好的規避方法就是及時準確地預測，未雨綢繆。因此建立一種有效的財務困境預測模型十分緊迫和必要。

1財務困境預測發展歷程

隨著經濟全球化的發展，國際間合作愈加密切，企業間相互依存，共同發展，而金融危機襲來，全球資本市場動蕩不安，企業隨時面臨著陷入財務困境的可能，而投資者也可能因此蒙受損失。因此，財務困境成為近年來研究和探討的熱點問題。Beaver和Altman是研究財務困境的先驅，Beaver(1966)運用一元判別模型考察了29個財務比率在企業陷入財務困境前1~5年的預測能力，發現營運資金流/總負債在破產前一年的預測正確率可以達到87%。Altman(1968)首次將多元線性判別方法引入到財務困境預測領域，得到了包含5個判別變量組的預測方程(Z Scroe Model)。該模型的預想結果非常理想，總體正確率為95.45%。Ohlson(1980)利用Logistic分析建立企業財務危機預測模型，結果發現公司規模、資本結構、資金報酬率、變現能力具有顯著的預測能力，他的研究得到了96.12%的判斷正確率。我國學者吳世農、盧賢義(2001)的研究表明，我國上市公司的財務指標包含著預測財務困境的信息含量，因此財務困境具有可預測性，而與一元判別模型和多元線性判別模型相比，Logistic模型的判定準確性最高。在以上研究基礎上，眾多學者又將模型進行了改進，得到了F分數預測模型、Fisher二類線性判定模型等模型。

此后，隨著理論的不斷完善和發展，有更多的學者對財務困境及其預測模型進行了研究，取得了豐碩的成果，也對財務困境研究做出了貢獻。同時，由于信息技術迅速發展，使得諸如人工神經網絡等一系列非統計類預測方法應運而生，不僅豐富了財務困境預測理論，也為財務困境的預測提供了技術支持。人工神經網絡是20世紀科學技術所取得的重大成果之一，90年代以來，國際學術界掀起了研究人工神經網絡的熱潮。它是人類認識自然道路上的又一座里程碑。

2BP神經網絡在困境預測中的具體實施

1987年，Lapedes和Fayber首次應用人工神經網絡分析模型進行預測，開創了人工神經網絡預測的先河。而前向三層BP神經網絡是人工神經網絡中被認為最適用于模擬輸入、輸出的近似關系的一種方法，它的算法最成熟，應用也最廣泛。它通常由輸入層、輸出層和隱含層組成，其信息處理分為前向傳播和后向學習兩步進行，網絡的學習是一種誤差從輸出層到輸入層向后傳播并修正數值的過程，學習的目的是使網絡的實際輸出逼近某個給定的期望輸出。BP神經網絡結構如圖1所示。

應用BP神經網絡模型進行財務困境預測需要一個多步驟的實施過程:

(1)選取研究樣本，即訓練樣本。根據對財務困境不同的定義可以以破產公司、ST公司或以ROE作為標準來選擇樣本公司，要同時選取財務困境公司樣本和非財務困境公司樣本，以便對網絡進行訓練。而應用BP神經網絡模型進行預測與統計方法相比，在樣本的選取上局限性更小，因為統計方法要求樣本要服從某一種特殊分布，如正態分布、等協方差等，而BP神經網絡模型對樣本并沒有這樣的特殊要求。

(2) 把用來衡量上市公司財務狀況的建模變量作為神經網絡的輸入向量，確定輸入層的節點個數，即所選取的建模變量的個數。

(3) 將代表分類結果的量作為神經網絡的輸出，設定輸出層節點個數，而輸出層節點個數由輸出類別決定，對財務困境的研究基本上會有兩類輸出結果，即財務困境公司或非財務困境公司，因此輸出層的節點個數一般為2。

(4) 確定隱含層節點個數。隱含層節點個數一般為經驗值，與輸入層和輸出層的節點個數有關，并沒有統一的數值，但要注意的是隱含層節點個數過少，將影響網絡的有效性，過多則會大幅度增加網絡訓練的時間，大部分的研究都會根據樣本的大小和變量個數設定一個適中的節點個數。

(5)確定學習率和系統誤差。學習率通常在0.01~0.9之間，取值不宜過大或過小，因為學習率越小，訓練次數越多，但學習率過大，每次權值的改變越劇烈，會影響網絡結構的穩定性，一般來說，在以往的研究中學習率取5%是比較合適的;誤差ε通常需要根據輸出要求來確定，為了保證系統的學習精度，在很多的研究中都設定系統誤差為0.1%。

(6)在輸入各項參數后，就開始用訓練樣本來訓練這個網絡，使訓練樣本中的財務困境公司和非財務公司的輸入向量得出區分兩類不同公司的輸出向量，一旦訓練完畢，便可作為上市公司財務困境預測的有效工具。

3BP神經網絡在財務困境預測中的比較分析

財務困境預測的研究方法主要有傳統的統計類方法和新興的BP神經網絡等人工神經網絡方法，然而隨著信息技術的迅速發展，BP神經網絡方法被越來越多的學者所認可并且廣泛應用。與傳統的統計方法相比，BP神經網絡具有其無法比擬的優點:① 在模型的預測效果上，BP神經網絡模型對財務困境的預測精度更高。通過國內外學者近年來的大量比較研究，BP神經網絡模型具有較好的短期預測能力，在t-1年可以以更高的預測準確率預測到t年是否出現財務困境。經研究發現公司t-1年預測模型的第一類錯誤(棄真錯誤)率為4%，第二類錯誤(取偽錯誤)率為7.3%，總體的錯誤率為4.3%，預測的精度高達95.7%，而運用Logistic模型建立的財務困境預測模型，第一類錯誤率為25.1%，第二類錯誤率為37.1%，其預測的精度僅為65.3%。② 在樣本選擇上，統計類方法需要樣本服從正態分布或等協方差等一些特殊分布，而BP神經網絡模型不要求樣本總體服從一個特殊的分布，因此在樣本的選擇上降低了難度，同時也擴大了研究對象的范圍。③ BP神經網絡模型可以設定較小的系統誤差，系統則根據樣本數據，通過學習和訓練的過程，找出輸入與輸出之間的內在聯系，并根據系統誤差的要求進行自我修正，從而建立預測模型，具有自適應的功能。而傳統的統計方法沒有自我修正過程，是由輸入直接到輸出的過程。

BP神經網絡模型的優勢與傳統統計方法相比是顯而易見的，在財務困境預測中也得到了廣泛的應用，然而BP神經網絡模型仍然存在著一些缺陷:①傳統的統計方法需要建立一個數學解析式，對模型的解釋能力更強。通過傳統統計模型可以很直觀地看出建模變量與被解釋變量間存在著怎樣的關系以及這種關系是否顯著。但是BP神經網絡模型沒有建立實際系統的數學解析式，只需要將各參數和樣本數據輸入到系統中，它是將實際系統的輸入與輸出關系隱含在其內部結構中，缺乏對模型的解釋能力，我們只能通過模型的輸出結果對財務困境進行預測，而模型中的每個變量起了怎樣的作用，我們不得而知。② BP神經網絡模型在訓練中存在著不穩定性。這主要體現在網絡學習和記憶的不穩定上。網絡的學習是一種誤差從輸出層到輸入層向后傳播并修正數值的過程，它可以使網絡的實際輸出逼近某個給定的期望輸出，而在進行多次輸入、輸出后，由于網絡的記憶性不穩定，最終可能會出現不同的結果，這對于模型的建立，特別是對財務困境的預測將會有很大的影響，多次預測的結果不一致，從而導致無法得出真實可靠的結論。③ BP神經網絡模型的建立需要確定各種結構參數，而隱含層節點個數的設定并沒有一個統一的原則和公認的理論指導，往往是根據經驗來設定，而參數設定的不恰當對結果可能會產生巨大的影響，使得不能達到預期的預測效果。

4總結及展望

在科學技術特別是信息技術飛速發展的今天，人工神經網絡開啟了一個嶄新的研究領域，同時采用人工神經網絡模型預測企業財務困境，在技術研究和實際應用方面都取得了巨大的成就，它為人們解決學習問題提供了更具構造性的一般性的方法和思路，極大地改善了傳統的統計模型。近年來，人工神經網絡特別是BP神經網絡在財務困境中的應用得到了越來越多學者的關注，它較高的預測精度是其他統計方法所無法比擬的。盡管模型還有一些缺陷，但是這種全新的思想和技術在經過不斷的完善和發展后，將為我們的研究做出更大貢獻。

主要參考文獻

[1] William H Beaver. Financial Ratios as Predictors of Failare[J].Journal of Accounting Research，1966，Vol.4，Empirical Research in Accounting:Selected Studies:71-111.

[2] Edward I Altman. Financial Ratios， Discriminant Analysis and the Prediction of Corporate Bankruptcy[J]. The Journal of Finance，1968(4): 589-609.

[3] James A Ohlson. Financial Ratios and the Probabilistic Prediction of Bankruptcy[J]. Journal of Accounting Research，1980，18(1): 109-131.

[4] 吳世農，盧賢義. 我國上市公司財務困境的預警模型研究[J]. 經濟研究，2001(6):46-55.

[5] 劉洪，何光軍. 基于人工神經網絡方法的上市公司經營失敗預警研究[J]. 會計研究， 2004 (2):42-46.

[6] 馬威，方瑩. BP網絡模型在財務危機預警中的應用[J]. 財會月刊，2009 (2):51-54.