引入正交設計法優化IT企業財務預警系統研究

徐 旭

（宿州學院 經濟管理學院，安徽 宿州 234000）

1 引言

近年來高科技板塊對全球股市和中國股市的變動作用十分明顯，新興的IT(Information Technology)企業也是受關注較多、變化較大、交易比較活躍、對大盤影響較大的群體，因此，研究IT企業對投資界、社會投資者都具有一定的意義.信息技術飛速發展的今天，IT企業同樣面臨著巨大的財務風險，一旦風險積聚到一定程度，如果不及時采取措施，就會陷入財務危機.財務危機系統作為IT企業風險管理的重要一環，它作為經濟運行的晴雨表和企業經營的指示燈，不僅具有較高的學術價值，而且有著巨大的應用價值.IT企業信息流、物流和資金流“三流合一”的特性使得企業傳統財務預警系統不能滿足其要求.我國IT企業內部治理結構上的缺陷，使得企業的經營效率不斷下降，從證券監管機構發布的新增ST企業公告就可窺見一斑，急需構建IT企業財務預警系統來預防危機的發生.IT企業的大量出現對現有企業財務危機的預測方法產生巨大的沖擊，不再局限于傳統的統計方法，利用人工神經網絡理論知識，研究人工(Back-Propagate)神經網絡算法，財務預警研究中的預警指標體系需要考慮非財務因素的影響，使得財務預警系統的應用具有實際價值.因此，本文試圖從公司治理結構、審計意見、關聯交易等方面探討非財務因素在IT企業財務預警中的作用，利用MATLAB軟件構建神經網絡模型，對IT企業的財務狀況進行預測，引入正交試驗法優化財務危機預警系統.

2 文獻綜述

人工神經網絡技術被廣泛應用于模式識別、優化計算、智能控制、經濟、金融、管理等領域，其中包括財務危機預測研究.Tam和Kiang(1992)應用神經網絡方法對得克薩斯的銀行財務失敗案例進行預測.國內學者也對我國基于神經網絡的企業財務危機系統進行研究，我國學者楊保安(2009)選取15個財務指標運用人工神經網絡方法建立供銀行進行信用評價的預警系統.人工神經網絡模型由輸入層、隱含層和輸出層組成，信息處理分為信息正向傳播和誤差反向傳播兩步進行，當正向傳播時，輸入信號從輸入層經過隱含層后傳向輸出層，每一層神經元的狀態只影響下一層神經元的狀態.網絡的反向傳播是一種誤差從輸出層到輸入層向后傳播并修正權值和閾值的過程，學習的目的是網絡的實際輸出逼近某個給定的期望輸出.運用正交試驗設計法對這些參數選擇進行優化，對于神經網絡的學習具有很好效果.它利用正交表安排試驗，其理論基礎是拉丁方理論和群論，可以用來安排多因素試驗，試驗次數對各因素和各水平的全排列組合來說是大大減少了，是一種優良的試驗設計方法.它相對于全面試驗而言，只是部分試驗，但對其中任何兩個因素來說，可以用比全面試驗法少得多的試驗，獲得反映全面情況的實驗資料.

3 研究設計

3.1 樣本選取

本文中的財務危機企業樣本為2013年-2014年以來因財務狀況異常而被特別處理的IT企業，一共30家財務危機企業.同時依據行業和資產規模相近的標準構造了配對的財務正常企業樣本.

3.2 指標變量

由于財務指標涉及到企業經營管理的各個方面，借鑒國內外學者的研究成果，從公司的盈利能力、經營能力、償債能力、資本結構、成長能力等方面確定變量.

3.3 數據處理

對總樣本連續三年數據進行顯著性分析檢驗后，發現ST公司和非ST公司存在顯著差異，根據T檢驗以及Mann-Whitney U非參數檢驗的結果，剔除一些變量，指標變量通過顯著性檢驗.

4 實證分析

本文運用軟件Matlab構建了三層人工網絡財務預警系統,并選取樣本進行實驗.由于輸入是連續變量,輸出是布爾型離散向量,訓練或測試前使用Matlab的Premnmx函數對樣本進行歸一化處理,作為網絡的輸入數據.人工神經網絡的設計包括輸入層、隱含層、輸出層、傳遞函數、訓練函數、網絡參數等網絡結構的設置，具體到本文的研究，設置如下：

(1)輸入層:輸入層神經元個數由輸入向量P決定，確定了18個輸入節點.

(2)輸出層:輸出層神經元的個數由輸出類別決定.網絡的輸出層定義為1個節點，即企業的實際財務狀況.在訓練樣本集中，樣本的輸出向量設為T(當為ST公司時，T=1；當為非ST公司時，T=0).

(3)隱含層:關于隱含層節點數選取過少,將影響到網絡的有效性,過多,會大幅度增加網絡訓練的時間,根據經驗可以參照公式進行設計，其中n為隱含層節點數,n1為輸入節點數,n2為輸出節點數,a取1-10之間的常數.

(4)傳遞函數：傳遞函數對一個神經網絡的訓練效率至關重要.本文對輸入層到隱含層的傳遞函數確定為正切函數tansig(n)，它將神經元的輸入范圍從(-∞,+∞)映射到(1,-1)，隱含層到輸出層之間的傳遞函數確定為對數函數logsig(n)，它將神經元輸入范圍從(-∞,+∞)映射到(0,1).

(5)網絡參數:目標誤差0.001或0.00001，學習率通常在0.01～0.9之間,一般來說,學習率越小,訓練次數越多,但學習率過大,會影響網絡結構的穩定性.誤差通常需要根據輸出要求來定,e越低,說明要求的精度越高.設置學習速率為0.05，學習速率增加的比率為1.03，學習速率減少的比率為0.9，動量常數為0.7，最大誤差比率為1.08，訓練循環次數為550次.

(6)訓練函數:人工網絡訓練函數采用traingdx.它采用動量法和學習率自適應調整兩種策略，從而抑制網絡陷于局部極小和縮短學習時間.

為提高人工神經網絡的學習精度，下面將采用正交設計試驗法對人工神經網絡的相關參數進行優化,選用三個因素兩個水平的正交表(見表1).它相對于全面試驗而言，只是部分試驗，但對其中任何兩個因素來說，可以用比全面試驗法少得多的試驗，獲得反映全面情況的實驗資料.

表1 三因素兩水平正交設計表

表2 優化人工神經網絡的正交設計方案

依據表2的設計方案，借助Matlab語言編制了神經網絡的訓練和測試程序，將30家建模樣本t-2、t-3、t-4年的指標數據分四次試驗進行學習訓練，選擇最優的試驗方案作測試.從上述結果可以確定各年最優的人工網絡模型的函數和參數：

(1)t-2年的試驗中，試驗4的結果相對最優，判別準確率達到100%，所以人工網絡模型結構為18-16-1，目標誤差為0.00001，訓練函數為trainlm，在PC上經過10個訓練周期達到目標要求.

(2)t-3年的試驗中，試驗2的結果相對最優，判別準確率達到94%，所以人工網絡模型結構為18-7-1，目標誤差為0.00001，訓練函數為traingdx，在PC上經過285個訓練周期達到目標要求.

圖1 t-2年的訓練結果

(3)t-4年的試驗中，試驗3的結果相對最優，判別準確率達到97%，所以人工網絡模型結構為18-16-1，目標誤差為0.001，訓練函數為traingdx，在PC上經過114個訓練周期達到目標要求.

5 結論

本文在回顧國內外財務預警系統經典文獻和研究成果的基礎上，以我國滬深A股IT企業為研究對象，依據公司財務危機前兩年至四年的指標數據人工神經網絡模型來進行研究，采用正交設計試驗法對人工神經網絡的相關參數進行優化,選用三個因素兩個水平的正交表,并取得了較好的預測效果，實證研究得到以下結論：

(一)我國企業的財務指標包含著預測財務困境的信息含量，因此利用企業的財務比率可以預測其是否陷入財務困境.本文所選指標涵蓋了反映公司財務狀況的各方面因素，說明所建立指標體系是合理恰當的.

(二)對于較長時間跨度的模型預測問題，需要找出對企業整體經營狀況有指示能力的變量，因此本文在篩選初始變量時，設定了三年連續顯著的標準，選出具有前瞻能力的變量.

(三)運用正交設計法對人工神經網路輸入參數的選擇進行分析，結果表明正交試驗法對神經網絡的學習具有很好的效果，減少網絡訓練誤差，它只需很少的樣本就能達到實踐中所要求的精度，很大程度上提高企業財務預警系統的準確率，控制財務危機現象產生的源頭，從而實現企業財務預測的動態系統，具有廣闊發展前景.

(四)從模型的超前預測能力看，距離ST的時間越近，預警系統的判別準確率就越高，尤其是t-2年，說明預警系統的預測水平隨著距離ST時間長短而逐漸降低的.

在今后的研究方向上，希望在以下幾個方面進行更深入的探討和挖掘：在樣本數據條件具備的情況下，可以從多個角度分析，例如分中小型企業進行財務危機預警系統的比較研究，預警指標的選擇方面，除了一些定量指標，還要綜合考慮管理層素質、員工素質、市場變化、宏觀經濟環境等定性指標的影響，可以利用層次分析法和模糊綜合評價方法將定性指標量化,確保企業財務信息真實性.

〔1〕馬超群,吳麗華.基于鄰域粗糙集和神經網絡的財務預警研究[J].軟科學，2009(11).

〔2〕陳森發.基于正交試驗法的神經網絡優化設計[J].系統工程理論方法應用，2008(6).

〔3〕張瑞君.財務管理信息化：IT環境下企業集團財務管理創新[M].中信出版社,2010.