基于神經網絡的企業財務危機預警模型研究

　　【摘要】 借鑒國內外財務危機預警研究成果，在我國的企業評價指標體系的基礎上，結合我國企業的具體特征，對我國企業公司財務危機預警模型的指標體系進行了選擇；論證了應用神經網絡進行財務危機預警的可行性并通過實際數據進行了驗證，結果表明BP神經網絡模型用于企業財務危機預警簡單、高效。
　　【關鍵詞】 神經網絡； 財務危機； 預警模型
　　
　　一、企業財務危機預警的現實意義
　　
　　財務危機是由于種種原因導致的企業財務狀況持續惡化，財務風險加劇，出現不能清償債務的信用危機，直至最終破產的一系列事件的總稱。財務危機將危害到企業正常的生產經營，制約企業的發展后勁，打亂企業正常的生產經營秩序，挫傷職工的生產積極性等。而有效的企業預警機制能夠起到提高企業危機管理意識，提高企業適應能力和競爭能力等作用，對企業進行有效的監督和預警也直接關系到企業相關利益人決策、市場競爭機制的客觀要求、財務監督、財務預測等方面。所以，對我國企業財務危機進行有效的預警就變得迫切和必要。
　　
　　二、財務危機預警模型指標體系的選擇
　　
　　任何一種經濟現象都具有多方面的特征，財務指標體系就是對經濟現象特征的整體描述。在以往的研究成果和我國的企業評價指標體系的基礎上，結合我國企業的具體特征，充分考慮各個指標的實際應用效果和獲取指標的難易程度，可選擇下列指標來建立適合我國企業財務危機預警模型的指標體系：資產負債率；流動比率；凈資產收益率；總資產周轉率；主營業務收入增長率和每股經營活動產生的現金流量凈額。這些指標兼顧到了償債能力、盈利能力、資產營運能力、增長能力以及現金流量狀況五個方面，同時鑒于針對的是企業的財務危機的預警指標，所以在選擇構成指標時，也適當側重了企業的償債能力和盈利能力指標。
　　
　　三、基于BP神經網絡的財務危機模型的建立及預測結果分析
　　
　　（一）BP神經網絡原理與財務危機預警的可行性分析
　　BP神經網絡是一種調整連接權值及結點閾值時采用的誤差逆傳播學習方法，是一種典型的誤差修正方法。其基本思想是：把網絡學習時輸出層出現的與“事實”不符的誤差，歸結為連接層中各單元間連接權值及閾值的“過錯”，通過把輸出層單元的誤差逐層向輸入層逆向傳播以“分攤”給各連接單元，并據此對各連接權進行相應的調整，使網絡適應所要求的映射（圖1）。而財務危機預警的6項指標與企業的財務狀況之間的關系是很難用普通的方法加以定量化的表述，而通過大量的樣本表現出的數學統計學特征的準確表達正是神經網絡的優勢所在，為此，我們認為神經網絡是可行的。
　　
　　（二）財務危機預警模型樣本的選擇
　　考慮到我國近幾年在經濟、法律、會計方面進行了較大的政策調整，因此在選擇樣本的過程中我們選取了信息較為GAtxP5sPf+5dagbeoFyuVQ==連續可比、取得較為容易的上市公司中制造業行業的6個子行業2000—2002年之間的數據，選擇了行業中25家ST公司和25家非ST公司作為訓練樣本，ST公司樣本數據為其被ST的前一年的數據資料，隨機選擇的非ST公司的樣本數據為與ST公司同期的數據。我們還選擇了2003年同行業的38家ST公司和隨機選擇的同期非ST公司作為檢驗樣本，用模型的預測結果與已知的實際結果進行對照，以檢驗模型的準確性。選擇這一期間的樣本數據是因為這些樣本數據的時間跨度不大，在這幾年中，國家的會計制度、稅收政策和退市制度也沒有太明顯的變化，整個國民經濟的發展比較穩定，無明顯的經濟周期影響。
　　
　　（三）網絡結構及參數的選取
　　1.網絡結構的確定
　　輸入節點數由控制的目標確定，控制目標為6個，因此輸入節點數為6個；輸出節點數由風險因素確定，輸出節點為2個。一個S型隱含層加上一個線性輸出層的網絡，能夠逼近任何有理函數，增加隱層數主要可以更進一步降低誤差，提高訓練的精度，本系統中只設一個隱含層，主要通過調節隱層節點數、動量項、學習率提高網絡的訓練精度。
　　2.各參數選取
　　把經過處理后88組樣本數據輸入到神經網絡，前50組作為訓練樣本，后38組作為預測樣本，網絡的預期誤差0.001。利用神經網絡系統對學習數據反復訓練，得到實驗結果最好的一次，各參數如下：
　　動量項?準=0.3；學習率?濁=0.4；學習次數n=10000；隱層節點數p=6；網絡實際誤差?孜=0.0024
　　（四）財務危機預警預測結果分析
　　利用前述訓練結果，對38個檢驗樣本進行預測，預測的結果（表3）根據下列標準進行判斷，如果預測結果逼近于1，則判斷為非財務危機公司，如果預測結果偏離1就可判斷有財務危機的可能性，可以發出財務危機預警。
　　通過預測結果與實際結果的比較，可以得出以下驗證結果：
　　1.對于非ST公司，預測的準確率為94.74%；
　　2.對于ST公司，預測的準確率為84.21%；
　　3.綜合預測準確率為89.47%。
　　
　　四、該財務危機預警模型的局限性分析
　　
　　利用神經網絡進行財務危機預警模型的研究，從模型的訓練和預測結果可以看出，還是具有一定的可行性和有效性。但也存在一些問題：
　　（一）忽視了企業規模對企業財務狀況的影響
　　本次研究中所選擇的ST樣本是所屬行業的全部樣本量，而配對樣本則是隨機抽取的，在選擇的過程中，沒有重點關注企業規模對財務危機指標標準的不同要求。
　　（二）非ST樣本公司的代表性
　　所選取的ST企業被界定為財務危機公司還不容易引起爭議，但對非ST公司而言，每個公司仍然存在財務狀況非常好、較好或一般的差異，因此用不同的非ST公司和ST公司配對，就不能排除財務危機公司財務狀況之間的差異，這也直接影響了預測數據判別的準確率。
　　
　　
　　（三）ST界定自身具有的不適應性
　　根據我國對ST公司的劃分標準，可以看出其主要看中的還是公司的盈利能力和資本結構比率，而財務危機是企業綜合財務狀況出現問題的集中表現，它受到多項能力和指標的影響，兩者之間并不對等。
　　（四）神經網絡理論自身的缺陷
　　神經網絡自身擅長解決不精確和模糊的信息處理問題，在處理過程中，他會有自動刪除樣本“噪聲”和自動調整的功能，如果其修正數據的過程中出現偏差，或訓練過程中參數確定的不準確，也會直接影響預測的準確性。
　　（五）樣本選擇的局限性
　　本次預測過程中受諸多因素的影響，所選擇的樣本不具有普遍的代表性，局限在了上市公司，連續數據的選擇也導致了數據的時效性較差，對當前新經濟形勢下的企業財務危機的參考作用有待觀察。
　　
　　五、結論
　　
　　財務危機預警模型通過神經網絡原理，在目前是可以實現的，只要在模型建立的過程中，將不穩定因素的影響降低到最低，就可以極大地提高預測的準確率。另外，由于不同的行業有其不同的生產和財務特性，他們的數據表現的要求也不盡相同，因此對于差異較大的行業，應適當建立行業財務危機預警模型，以更好地提高預測的準確程度。
　　當然，企業財務危機預警模型作為財務危機預警系統的一個有機組成部分。它的作用必須借助于整個系統作用的發揮，也需要企業的高層管理者確實認識到財務危機預警的必要性，才能真正實現對財務危機抑制和防范作用。●
　　
　　【參考文獻】
　　［1］ 盧雁影.財務分析［M］.湖北:武漢大學出版社，2002:296-303.
　　［2］ 王曉華，劉琛，孫洪哲.上市公司財務危機預警模型指標體系的構建［J］.河北建筑科技學院學報（社科版），2004（4）.
　　［3］ 張春蓮，張淑琴.財務危機預警模型研究綜述及其啟示［J］.中國高新技術企業，2009（11）.