模糊神經網絡在企業財務風險評價中的應用

【摘 要】 文章運用模糊系統和神經網絡的基本原理，根據現有的數據和指標建立了判斷企業財務風險的模糊神經網絡模型，通過實證研究證明了其具有較高的正確性，在使用上也極其方便。

【關鍵詞】 模糊系統； 神經網絡； 財務風險

引 言

從世界范圍內看，最近二十年，日本的山一證券、八佰伴國際集團等大型企業集團，韓國的韓寶集團、三美集團等大財閥，美國的雷曼兄弟都先后破產。而從國內的情況看，鄭百文、銀廣夏等一度輝煌的企業都因為各種原因而先后倒閉。在全球化的趨勢下，中國的企業也勢必面臨著更多的市場競爭以及更多的宏觀不確定性，企業的整個發展必將受到更多的威脅，企業的生存也面臨著巨大的挑戰。在這種背景下，企業的財務風險問題已經成為企業內外利益相關者共同關注的問題，及時準確地預測和評價企業的財務風險，成為當前研究的一個重要課題，本文正是在這個背景下提出了用模糊神經網絡來研究企業財務風險問題。

一、數據選取

本文以上市公司為研究對象，將ST公司界定為財務風險較大的企業。所有樣本選自滬深兩個交易所的上市公司，時間段為2010年1月1日到2010年12月31日，行業選擇根據中國證監會《上市公司行業分類指引》，選擇其中的制造業行業，樣本數據來源于國泰安信息技術有限公司的CSMAR數據庫。使用軟件為Excel2007、SPSS14.0和MATLAB7.0。

2010年A股上市公司中屬于制造業的企業一共有1 314家，剔除數據不完整公司以及個別指標異常值之后，再根據配對的ST企業與非ST企業總資產相差不超過10%為原則，最終剩下76組企業，其中，ST企業38家，非ST企業38家。

二、模糊處理

（一）處理步驟

第一步，確定評價標準集合。根據中國證券市場的基本原則，一般認為ST公司是財務穩健性差、風險比較大的企業，非ST企業的財務風險相對較小。因而本文選取的評價指標只有一個，即V={財務風險較小}={非ST企業}。

第二步，根據顯著性和相關性檢驗之后的指標作為影響評價對象的因素集合。U={現金比率；營運資金比；權益對負債比；固定資產比；總資產增長率；資產報酬率；流動資產凈利率；凈資產收益率；長期資產周轉率}。

第三步，確立隸屬度。本文選取的方法是隸屬函數法，由第二步可知，影響評價對象的因素都屬于正向指標，根據經驗，選取隸屬函數計算隸屬度。將附錄數據代入之后，可以得到各公司每個指標對應的隸屬度矩陣。

第四步，確定各影響因素的權重。權重的確定有主觀和客觀兩種方法。考慮到本文已經具有了翔實的數據，因而本文選擇客觀權重法中的變異系數法。變異系數法的主要計算公式為：C.V=σ/μ。變異系數法的主要依據是樣本的標準偏差越大，則該項財務指標的區分度則越好。所以，通過變異系數的大小來確定權重是基于已有數據本身的內部規律特點，消除了主觀賦權法中人為因素的干擾。因而本文采了變異系數法確定權重。先計算每一項影響因素的變異系數，然后將上述9個影響因素的變異系數累加，獲得每一個單項因素的比重就是該項影響因素的模糊權重，具體數值如表1。

第五步，計算各樣本的各因素模糊值。用隸屬度矩陣乘以模糊權重。

第六步，累加各個影響因素之后得出最終的模糊評價值，見表2。

從表2中可以看出，ST企業的評價值明顯低于非ST企業，說明非ST企業與ST企業在根據上述步驟計算評分之后，區分是比較明顯的。

（二）模糊評價分析

從表2可以得到表3的結果，其中B的值是根據上文ST企業與非ST企業的模糊評價值比較之后得出。

從上述結果可以看到，對于ST公司具有非常好的評價判斷，正確判斷率達到92.11%，只有3家ST企業被誤判；對非ST企業而言，正確判斷率為84.21%，雖然低于ST公司的判斷率，但是判斷效果依然很好。由此得出結論，采用模糊評價方法對于區分財務風險有很好的效果，證明該判斷方法是可行的。

三、神經網絡處理

從上文可以確認，模糊評價方法可以有效地評價企業的財務風險，并進行合理的區分。但是模糊評價方法中隸屬度以及權重都不能夠隨著樣本或者檢驗數據的增加而自行更新，因而在做財務風險預測時不能夠隨著數據的增加而自學習，這樣就增加了模糊評價法的使用。因而，在這里，根據模糊評價法的結果，通過建立神經網絡來學習模糊評價的基本原理以及結果，利用神經網絡能夠自學習以的特點，一方面簡化理解模糊評價方法，另一方面擴大模糊評價法的應用。

（一）數據選擇

為了檢驗神經網絡的正確性，將上述76組數據分為訓練組和檢驗組兩部分，其中訓練組70組，用來訓練神經網絡；檢驗組6組，用來檢驗神經網絡學習結果的正確性。

（二）神經網絡模型建立

1.神經網絡參數設置

Ruck（1999）的研究成果已經表明，三層的BP神經網絡已經可以逼近任意函數。因此本文選擇三層BP神經網絡，分別為輸入層一個，隱藏層一個，輸出層一個。

（1）輸入層。從指標篩選之后，留下9個財務指標作為原始輸入，因此輸入層神經元個數為9個。

（2）隱藏層。按照一般的經驗判斷，隱藏層神經元個數=（x+y）^0.5+a，

x為輸出個數，y為輸入個數，a為1-10之間的常數，根據該標準，本文選取隱藏層個數為6個。

（3）輸出層。本文的輸出層是確定的，即最后的模糊評價值，也就是對企業風險最終評價結果，因而輸出層個數為1個。

（4）學習速率。學習速率的選擇主要影響神經網絡的收斂速度，確保MATLAB軟件在運行時能夠迅速地收斂到指定的數值。根據文章的需要以及軟件的測算，本文選取的學習速率為0.5。

（5）輸出傳遞函數。默認選取S型函數。

2.訓練結果分析

將70組訓練數據輸入MATLAB軟件，進行軟件處理。通過軟件運行，在0.5的學習速率下，得到結果如圖1所示。

顯而易見，在經過150次左右的訓練之后迅速收斂，收斂速度很快，在經過1 000次訓練后，最后的錯誤率為0.000067056，而訓練仿真值與實際值之間的誤差如圖2。

3.神經網絡模型檢驗

利用MATLAB程序，通過6組檢驗數據對上述神經網絡模型進行檢驗，可以得到如表4的結果。

（三）實證結果

表3和表4的數據表明，本文基于模糊神經網絡模型對上市公司的財務風險評價具有很高的正確性，通過對9個財務指標的分析和判斷，可以明顯區分ST企業與非ST企業，證明了本文建立的模糊神經網絡模型具有很高的實用性。

四、結論

通過將上文的指標數據進行模糊處理之后，從實際數據中計算出了樣本公司的財務風險評價值，具有較高的精確度。同時將相關數據輸入神經網絡，建立了比較方便但是準確度較高的程序模型，為實踐應用帶來便利。

【參考文獻】

[1] K.Pochan，C.Lin.An Evolution-ba-

sed Approach with Modularized Evaluations to Forecast Financial Distress[J].Knowledge-based Systems，2006，19（3）：84-91.

[2] 李湘滇.商業銀行信貸風險的模糊神經網絡預警模型的構建方法[J].商場現代化，2008（14）：334-335.

[3] 李陽旭.基于模糊神經網絡的綜合評判方法研究[D].重慶：西南師范大學碩士學位論文，2005.

[4] 顏銘.基于模糊算法的神經網絡研究[D].河北：河北農業大學碩士學位論文，2010.

[5] 張華華.基于模糊綜合評價的企業財務預警研究[D].湖北：武漢理工大學碩士學位論文，2007.

[6] 張華倫，孫毅.企業財務危機評價Rough-Fuzzy-ANN模型的建立及應用[J].運籌與管理，2006（2）：8-14.