基于SOM的汽車制造業上市公司財務績效分析

安徽農業大學經濟管理學院 李雪晴

隨著我國經濟的跨躍式增長，汽車制造業經歷了從無到有的發展，并已在國民經濟的發展中占據舉足輕重的地位。2013年，我國汽車產銷量雙雙突破2000萬輛，全面超越美國成為全球第一大市場。但是，從汽車的研發制造水平看，我們距離國際先進水平還有很大的差距，隨著人民生活水平的日益提高，汽車已不再是高消費奢侈品，而是成為了尋常百姓的生活必需品，汽車的制造和銷售仍然有廣闊的前景，同時，對汽車板塊的股票投資也引起了越來越多的機構和個人關注。

使用成熟有效的方法對汽車制造業的上市公司進行財務績效分析，不僅可以幫助政府監督部門加強宏觀調控，同時為在證券投資市場的投資者提供一定的參考信息，以降低收益損失的風險。迄今為止，縱觀國內外關于企業財務績效評價的文獻，大多采用層次分析法、因子分析法、熵權法，而鮮有學者通過自組織競爭型神經網絡的方法對上市公司的財務績效進行現狀分析及趨勢預測。而面向類型眾多的汽車行業，如何對其進行有效的聚類分析，已成為亟須解決的問題。

1 SOM神經網絡模型

自組織競爭型神經網絡是一種無監督學習，具有自動組織功能的神經網絡，作為其中重要的一種，自組織特征映射(SOM)網絡是一種穩健有效的方法，具有極高的學習能力，糖度高，無監督以及優秀的聚類能力。亦稱為KOHONEN網絡，是由芬蘭學者KOHONENT于1981年根據人腦的自組織特性提出的一種無監督學習的神經網絡模型。SOM神經網絡共有兩層，輸入層為模擬和感知外界輸入信息的視膜，輸出層模擬做出大腦皮層的反應，其聚類分析可以使得輸入模式智能化聚集分類，并能形象生動地通過二維三維圖像顯示出聚類結果，為人們的分析提供有力的參考，避免了人為分析操作而造成的錯誤。

SOM神經網絡模型含有輸入層和輸出層，兩層的神經元之間以權進行全連接，輸入層中的神經元一般以一維的方式分布，而輸出通常采用二維進行陳列。一個SOM神經網絡接收外在的輸入模式，將產生形式各異的反映域，而各域對于該輸入模式都有著不一樣的特征。當我們輸入數據向量集合的時候，經過學習會產生以權值向量為中心的相關數據。隨著訓練學習的連接執行，相互有聯系的數據自行地組織聚焦到一起形成輸出層的聚類效果。SOM神經網絡結構如圖1所示。

圖1 SOM神經網絡結構

SOM神經網絡算法的按如下五個步驟進行：

(1)將要學習的數據樣本建立網絡，將各神經元間相互連接的權值初始化為一個小的權值，同時形成權重矩陣W；

(2)假設輸入層的訓練向量是m維的

該神經網絡算法在學習訓練的時候，各神經元相互競爭，競爭的勝者是最大節點神經元。取勝節點能有效地抵制其他的競爭者，只有取勝節點才可以進行輸出。只有在競爭中取勝的節點才是輸入圖形的最佳的匹配。根據以上的算法原理，對于學習好的SOM神經網絡，其聚類結果可以很好地反映輸入數據的統計特征，能有效地進行聚類。

2 上市公司績效指標的選取

由于汽車制造業的技術門檻高，研發成本高，生產銷售推廣不易，市場競爭相當激烈，一個公司的生產規模和自動化程度對該公司的銷量業績影響重大。這里我們選擇償債能力指標、營運能力指標、盈利能力指標、發展能力指標、現金流量這五個方面的指標來評價該行業的財務績效。

(1)償債能力是指償還債務的能力，包括短期債務和長期債務。可以用流動比率反映短期償債能力，用資產負債率，利息保障倍數反映長期償債能力。

(2)營運能力指公司贏得利潤的能力，運營能力當然與公司的資產周轉效率、周轉速度、應收賬款的變現效率以及存貨質量流動性等指標息息相關，所以這里我們選取了總資產周轉率、應收賬款周轉率和存貨周轉率來反映企業的營運能力。

(3)盈利能力指標反映的是企業獲取利潤的能力。選取每股收益作為衡量指標。每股收益反映了普通股的獲利水平及投資風險。銷售凈利率的高低，反映企業經營者能否創造足夠的營業收入和能否控制好成本費用，該數值的高低反映企業的盈利能力。

(4)企業的發展能力反映企業自身的發展潛能，這里選取總資產增長率指標。

(5)現金流量。每股經營現金流是最具實質的財務指標。

根據上述績效指標，本文選取了汽車制造行業29個在滬深上市公司的相關數據，數據日期2013年12月31日，來源于東方財富網(http://data.eastmoney.com/bkzj/hy.html)。

3 SOM聚類算法主要參數設置

(1)輸入層：輸入層為29家汽車制造行業的上市公司的10個指標數據，總計29*10＝290個數據，將公司依次編號為1～29。

(2)輸出層：輸出層是二維的，有2*2個神經元組成。

(3)學習參數的設定：我們設計初始的學習速率為0.1，最大學習次數為1000，通過在MATLAB2012下，調用工具箱進行聚類分析，其關鍵程序如下所示：

load p %加載存儲于p.mat文件中的數據

P=P'

net=newsom(minmax(P),[2 2]) %網絡建立與訓練plotsom(net.layers{1}.positions)

net.trainparam.epochs=100； %進行訓練,訓練次數為1000次

net=train(net,P); %訓練網絡和查看分類

y=sim(net,P);

yc=vec2ind(y);

plotsom(net.IW{1,1},net.layers{1}.distances)

4 上市公司的分類結果和評價分析

首先打開MATLAB神經網絡工具箱，輸入29個公司的全部數據開始練習，經過收斂計算，產生了如下四類：第一類5 9 12 23 29；第二類2 6 17 20 21 26 27 28；第三類7 10 15 24；第四類1 3 4 8 11 13 14 16 18 19 22 25；其次，針對每一個指標算出其均值，以作為對比。聚類結果如表1所示。

表1 各類別各指標的比較

由表1可以看出，第1類公司發展較均衡，總體來說好于其他類公司，尤其是盈利能力最強。對現金流量的管理明顯好于其他類別的企業。其財務結構安全穩健，不易發生財務危機。營運能力較強，對資產的管理和應用較好。其發展能力稍低于平均值，可能該類別公司已經進入穩定發展時期。流動性在正常范圍。

第2類公司，財務結構較穩妥，資產的管理方面相對于其他類別的公司來說，表現較好，周轉天數大大低于其他類別的公司，尤其是應收賬款周轉天數，盈利能力較好，對現金的管理也很合理，發展能力很強。

第3類公司，財務結構較合理，然而，其對資產的管理不理想，大大低于平均值，其中存貨的周轉天數大大高于行業平均值可能是主要的問題所在，該類公司應該加強對公司資產周轉的管理，尤其是存貨的周轉，提高資產的利用效率。該類公司的盈利能力，雖然銷售凈利率很高，然而每股收益卻不是很理想，這也有部分原因源于資產周轉率偏低。該類公司現金的周轉出現問題，很可能會使企業面臨財務危機。該類公司的發展能力很強，增長較快。

第4類公司，盈利能力遠遠低于平均值，而且資產周轉情況也很不理想，存貨周轉天數高于行業平均值，應收賬款周轉天數的情況更不樂觀，大約是行業平均值的兩倍多，該類公司應該注意信用政策方面的調整。資產負債率過高，可能會帶來財務危機，應該努力尋求更加合理的籌資方式，以減輕財務壓力。流動性有待加強。該類公司的發展能力最強，增速最快。然而，這一類公司的最大問題在于對于現金流量的管理，每股經營現金流過低，極易發生財務危機。

5 結語

基于自適應特征映射神經網絡模型為聚類分析提供了一種新的方法。使用該方法能高效可靠地分析上市公司的財務績效。由于SOM神經網絡模型收斂和計算十分快速，有著優秀的自組織自適應性。基于本文對汽車制造業上市公司績效的評價，得到的滿意結果證明，SOM可以用于上市公司的績效分析。

[1] 王宗軍,楊琳.基于EVA的上市公司績效評價的實證研究[J].武漢理工大學學報(信息與管理工程版),2005(01).

[2] 孫薇,袁廣達,程龍生.基于模糊聚類方法的企業財務績效評價[J].會計之友,2005(11).

[3] 陳利寧,楊昌明.基于熵值法的我國煤炭行業上市公司財務績效評價[J].中國礦業,2010(01).

[4] 池國華,遲旭升.我國上市公司經營業績評價系統研究[J].會計研究,2003(08).

[5] 霍春輝,劉力鋼,魏永德.中國汽車制造企業規模與績效關系的實證研究[J].社會科學輯刊,2009(1).

[6] 李姍娜.汽車行業上市公司財務指標綜合評價的實證研究[J].現代管理科學,2005(1).

[7] 孟建民.我國企業效績評價[M].北京中國財政經濟出版社,2002.

[8] 吳聘奇,黃民生.SOM網絡在福建省城市職能分類中的應用[J].經濟地理,2005(1)

[9] 黃亦瀟,李菁菁,邵培基.基于SOM人工神經網絡的客戶資源分類方法研究[J].重慶大學學報(社會科學版),2003(6).

[10] Douglas Clinton and Shimin Chen.Do New Performance Measures UP[J].Managment Accounting,1998(10).

[11] Liu Pingqing,Sui Huajie,Gu Qiang.The Global Value Chain and China Automotive Industry Upgrading Strategy[J].Management Science and Engineering,2008(3).