試論企業財務管理中的風險預測及處理
——基于優化的BP神經網絡算法

王海峰

一、引言

21 世紀是一個信息高度發達和快速傳播的時代，作為最重要微觀市場主體的企業，其總體規模的擴大、經營管理模式的創新、社會經濟效益的提高，都離不開對企業財務信息的高效管理。企業財務信息已被經濟學界的專家和學者公認為繼原材料、資產、勞動力和資本之后最為重要的企業生產力構成要素。包括我國在內的大多數國家都將信息產業列為未來重點扶持產業。作為企業來講，持有的財務信息也是一種十分重要的戰略資源，準確地掌握企業內部、外部財務完整有效的財務信息，是企業未來贏得市場競爭的重要條件和基礎。從企業的管理職能來看，企業日常生產經營活動的計劃、組織、協調、控制，都需要以財務管理信息為基礎，因此企業財務信息的管理活動是企業財務管理行為，乃至整個企業運營的核心環節。

企業所掌握的財務信息具備有限性和非均衡性的特征，受到各種技術條件和技術手段的約束和限制，企業獲取完整、有效的財務管理信息是十分困難的；對于企業主體而言，財務管理信息的認知能力、企業本身的經濟實力、信息獲取途徑和管理能力、以及掌握有效信息資源的數量等都不盡相同，因此在微觀市場中，企業財務信息的分布具有明顯的非均衡性，企業在信息的管理過程中也會面臨各種風險。在這樣的背景下，對企業經營管理過程中所面臨的各類財務管理信息的風險程度進行準確預測，才能剔除運營過程中的各種不利因素，降低企業的經營風險。信息時代，高效完整的財務管理信息己成為企業重要的戰略資源。提高企業內部、外部財務信息的質量，實現對企業財務管理信息的準確預測，能夠最大限度地降低運營中的各種風險，增加未來期間的收益。

市場經濟條件下，財務風險是客觀存在的，并貫穿于生產經營整個過程。要完全消除風險及其影響是不現實的，重要的是要全面分析財務風險，及早發現那些可能導致財務狀況惡化的早期信息，將影響企業獲利能力甚至危及生存的問題控制在可解決的范圍內，并隨時對可能引發危機的種種現象進行預警，因此，研究和構建財務信息管理風險預測模型就顯得尤為必要。

表1 財務信息風險管理指標體系

二、風險財務信息管理模式及功能

國際上關于企業風險財務信息管理模式的研究理論，主要有“四階段論”和“五階段論”兩種主流觀點。其中“四階段論”的觀點強調技術因素在企業財務信息管理中的推動作用，包括財務信息管理的物理控制階段、自動化技術管理階段、信息資源管理結段和知識管理階段。而“五階段論”的觀點盡管論述的內容沒有“四階段論”詳盡，但在財務信息管理的論述方面更接近于企業實際運營過程中的真實情況，清晰地展現了以企業財務信息管理為先導的財務理念，將企業的財務信息、戰略信息、管理信息、行政信息等進一步地整合，最終將企業的全部財務管理信息集中并統一管理。“五階段論”的主要觀點包括數據統計階段、信息處理階段、財務信息管理系統階段、終端用戶管理階段和信息資源管理階段。

盡管在細節和財務管理對象方面不同，企業財務信息管理也包含在現代管理學范疇之內，因此企業財務信息管理的模式與現代管理學的發展模式相同。從管理模式分類的角度來分析，企業財務信息管理是企業財務活動與現代信息管理行為的交集，這種管理模式主要是通過信息技術的更新和完善，來不斷地優化財務治理環境和財務管理體系。利用現代信息技術的溢出效應，來不斷地提高企業財務信息管理的效率，降低財務信息管理的風險。

從企業財務信息管理的功能性來分析，財務信息管理是財務治理活動與財務管理活動的整合。財務治理和財務管理行為在主體、職能和目標方面具有明顯的不同，不可以互相替代。財務治理的主體包括企業全部的利益相關者，而財務管理的主體是董事會和企業的管理層；財務治理的終極目標是實現企業所有者、債權人及企業的其他利益相關者的制衡，而財務管理的終極目標是實現企業利益的最大化。

在企業進行風險財務管理過程中，由于外部市場環境及內部管理體制等變化，會面臨多重風險，需要對企業面臨的財務風險進行預警和識別。

表2 各年逐步回歸變量結果

三、基于優化BP神經網絡的財務信息管理風險預測模型

（一）理論分析

1.風險識別

對財務風險的識別是對其進行防范、應對的首要環節。只有及時并準確發現和判別公司的財務風險，用一定的度量方法計算風險發生的概率以及導致的損失程度，才能夠為公司進行風險防范作出的決策以及選擇怎樣的技術提供有力的支撐。

管理人員需要識別的風險，不僅包括已經顯現出來的風險因素，還包括那些沒有表露出來的風險因素。通常情況下，對于后者情況的識別更困難，而且也更為重要。風險識別程序需要在公司的多個業務層級實施。有的風險可能對某些業務單位或者相關的業務有影響，但是卻不一定會對整個公司的生產運營產生影響。對整個市場經濟主體產生影響的風險會分流至每一公司以及其獨立進行的業務單位。

進行風險識別是對公司財務風險進行防范、控制等的第一步，只有深入調查研究其所處的外在環境和內在環境，才能判斷出其生產營運和發生的財務活動將有可能出現什么樣的狀況，或者將會有哪些風險發生并導致發生損失。在此前提下，才能進行財務風險的度量、評估以及應對。對一個公司而言，進行風險識別是一項有制度并且連續的工作，是整個財務風險防范、控制工作的基礎步驟。

2.BP神經網絡算法

企業財務信息管理所產生的風險，源于企業的日常經營管理活動之中，企業的經營管理能力、債務償還能力、當期的盈利能力以及在未來期間的成長能力，對于財務信息的管理、風險預測都會產生十分重要的影響。企業財務信息風險的預測可以通過不同的財務指標展現出來，考慮到企業相關財務數據的可獲得性，并充分結合我國企業財務信息風險管理的現狀，選定若干財務指標，作為風險評價的標準，基于BP神經網絡算法，構建財務信息管理風險預測模型，將設定的指標數據輸入神經網絡模型，對企業財務信息管理過程中遇到的各種風險進行模糊識別，并降低給企業帶來的不利影響。

BP神經網絡算法是一種模擬人腦工作的多層前饋神經網絡問題處理方法，具有一種多維函數映射能力和對復雜模型的分類能力，實現一種從輸入到輸出的非線性映射。神經網絡模型的結構具體包括輸入層、隱含層和輸出層，采用梯度下降法求解目標函數的最小值。BP神經網絡模型具有一定的數據并行處理、存儲和學習能力，將選定的企業運營指標數據作為輸入項，輸入神經網絡模型，能夠識別出企業財務信息管理所面臨的各種風險。

（二）模型構建

企業財務信息管理過程中BP神經網絡風險預測模型的主要工作流程是將正常數據指標的學習信號正向傳播，而將風險誤差反向傳播。將企業的經營管理能力、債務償還能力、盈利能力及成長能力的各個指標數據作為輸入項輸入BP神經網絡模型，樣本數據從輸入層導入，在隱含層經過大量的模糊規則運算，識別出各個指標數據的風險項，并通過輸出層導出，使網絡輸出值趨近期望的輸出值，如此循環反復直到達到期望的輸出值。令輸入神經網絡風險評測模型的指標向量集合為X：

那么輸出的向量集合可以表示為Y:

如果假定wi是從指標數據輸入層到中間隱含層的權值，k為中間隱含層中所包含的神經元的數量，xi為中間隱含層的閾值，則隱含層所包括的各個神經元輸入kj，可以表示為：

如果企業財務信息管理風險預測模型中的傳遞函數 為：

此時中間隱含層的輸出單元λi可以描述為：

經過隱含層的模糊運算篩選和處理后的指標數據到達輸出層，輸出層神經元的輸入項 和輸出項 分別為：

其中，vjt是從中間隱含層到輸出層的權值，表示輸出層的閾值。企業財務信息管理過程中BP神經網絡風險預測模型，一方面能夠提高對于財務信息管理風險的識別精度；另一方面該模型還可以控制風險識別誤差在模型中的反向傳播，單個風險樣本誤差為：

風險預測模型系統的總體誤差為：

為了降低企業財務信息管理風險模型中各個節點的計算誤差，并修正網絡權值和閾值，需要降低單個樣本誤差值 ：

上式中 為模型的學習率， 表示為：

此時，風險預測模型隱含層權值修正量和閾值修正量可以分別描

述為：

表3 多重共線性檢測

表4 LPM風險預測模型回歸結果

表5 基于BP神經網絡風險預測模型回歸結果

表6 兩種模型的指標對比

基于上述完整的BP神經網絡模型計算，能夠按照要求識別出輸入層、中間隱含層和輸出層的信息風險指標權值和閾值范圍，完成一次訓練。在反復的學習和訓練過程中，輸出結果極容易陷入局部最優，為消除這一不利因素的影響，本文利用粒子群算法強化模型的收斂能力，提高財務管理風險識別算法的魯棒性。利用粒子群算法適應度函數來分別求解每一個計算過程的適應度，并降低BP神經網絡信息管理風險識別過程中的訓練誤差。為了尋找全局中的最優值，要賦予BP網絡模型以最優的初始權值及閾值，實現企業財務信息管理過程中風險的預測與控制。確率方面難以滿足企業財務管理的要求，本文基于BP神經網絡算法構建了更為有效的財務風險管理預測模型，實證研究結果表明本文設計的風險預測模型，具有更高的風險預測準確率，實際應用效果更好。

圖1 基于BP神經網絡算法的風險模型增益圖

圖2 基于BP神經網絡算法的風險模型響應圖

圖3 基于BP神經網絡算法的利潤變化圖

圖4 基于BP神經網絡算法的投資回報率變化圖

（三）實證檢驗

本文以2014年-2016年間A股53家上市公司的財務信息風險管理樣本數據為研究對象，采用對比研究的方法，研究了LPM風險預測模型與BP神經網絡財務信息管理風險預測模型的預測結果差別，選定的財務指標體系，如表1所示。

基于逐步回歸方法從近3年指標體系的樣本數據中選擇F值小于0.1的數據，各年逐步回歸所得變量結果如表2所示。

為避免在財務信息管理風險預測過程中的多重共線性，對BP神經網絡預測模型進行多重共線性檢測，檢測結果如表3所示。

由表3中的數據可知，選定的8個評價指標之間不存在明顯的多重共線性，分別采用LPM風險預測模型與BP神經網絡財務信息管理風險預測模型對選定的53家上市公司的模型回歸結果進行分析，如表4和表5所示。

對比兩種模型的預測結果，基于BP神經網絡風險預測模型回歸結果更接近與最大似然值，因此證明該模型的擬合度更好，風險預測的準確度更高。

為更直觀地對比兩種模型的誤差率、誤判率和準確率指標，統計相關數據，如表6所示。

通過對樣本數據的對比和分析，數據表面基于BP神經網絡算法的財務信息風險預測模型的風險誤差識別率和風險誤判率都明顯地低于LPM模型；而在風險預測的準確率方面相對于LPM模型更有優勢。

最終對選定上市公司結果檢驗的樣本數據進行綜合評估，以驗證模型在增益性、模型響應、綜合利潤和投資回報率等方面的表現，并擬合成曲線圖，具體如圖1-圖4所示。

圖1-圖4的指標數據變化曲線可以看出，基于BP神經網絡算法所構建的財務信息管理風險預測模型符合一個有效模型所應具備的全部條件，可以實現對于企業未來會計期間財務管理信息的準確預測和識別。

四、研究結論

財務信息已經成為了企業未來參與市場競爭的重要資源。傳統的財務信息管理風險預測模型在誤判率和準

作者單位：南京理工大學泰州科技學院