基于BP神經網絡企業利潤預測探究

朱 敏

（武漢大學人民醫院計財處，湖北 武漢 430000）

企業利潤的預測，是在銷售預測的基礎上，通過對產品產銷量、價格、結構等因素進行綜合分析與計算，測算企業未來期間可能達到的利潤水平及其變動趨勢。它是會計預測的重要內容并且其預測方法的選擇是否恰當直接關系到預測的準確性和財務預算的實用性。大量文獻表明：目前企業利潤預測模型缺乏，成本、數量、利潤分析法，因素分析法，目標利潤分析法這些常用的預測方法只能解決確定性問題的，當影響利潤的諸多因素（原材料價格、銷售價格等）發生變化時這些方法將很難給出準確的預測[1]。本文構造了BP（Back-Propagation）神經網絡，這種網絡有著其顯著的優越性，即在建模預測過程中，只需要知道歷史數據，通過這些歷史數據構造出一個模型，然后進行預測，這樣可以避免需要知道狀態方程的麻煩，也可以避免陷入局部極小。為此本論文采用人工神經網絡方法對利潤預測進行探究。

BP網絡的基本思想。BP神經網絡是誤差反向傳播多層前向反饋式神經網絡，它是按層次結構構造的，包括一個輸入層、一個輸出層和一個或多個隱含層（圖中只畫出一層），如圖1所示，一層內的節點（神經元）只和與該層緊鄰的下一層的各節點連接。這個網絡的學習過程由正向傳播和反向傳播兩個過程組成。在正向傳播過程中，輸入信息從輸入層經隱含層逐層處理，并向后傳向輸出層，每一層神經元的狀態只影響下一層神經元的狀態。如果在輸出層不能得到期望的輸出，則轉向反向傳播過程，將誤差信號沿原來的連接通路返回，通過修改各層神經元的權值，使得誤差信號最小[2]。

實際上，BP模型把一組樣本的輸入輸出問題變為一個非線性優化問題。我們可以把這種模型看成一個從輸入到輸出的映射，這個映射是高度非線性的。如果輸入節點數為n，輸出節點數為m，則神經網絡表示的是從n維歐氏空間到m維歐氏空間的映射。

第一，利潤預測的BP算法。利用BP算法進行利潤預測與常規方法（如回歸分析）不同，常規方法是根據提供的數據找出描述利潤與影響其變化的諸多因素之間關系的函數表達式，然后進行預測；而BP算法則是把利潤與影響其變化的諸多因素之間的映射關系隱含在網絡結構及其權值上，經過學習確定具有較好預測功能的網絡結構及權值，此時的神經網絡等同于確定的函數表達式，可用來進行利潤預測。

通過上述網絡訓練，得到了確定的神經網絡結構及其權值，該網絡能很好的描述影響利潤變化的因素與利潤之間的映射關系，可根據影響利潤的因素進行利潤預測。

第二，實例驗證。以建筑面積為輸入，施工利潤為輸出，構造BP神經網絡的學習樣本，結果表1所示。

表1 訓練BP神經網絡的樣本

本文所用的BP網絡結構為：1-47-7-1（分別表示輸入層、第一隱含層、第二隱含層、輸出層神經元的個數）。用表1的10個樣本對BP神經網絡進行訓練，網絡經過訓練之后，描述了一個時期內建筑面積與施工利潤之間確定的映射關系，該網絡只要給出施工的建筑面積即可預測出這個時期的施工利潤。用回歸分析得出了建筑面積與施工利潤之間的映射關系：

其中，x為建筑面積，單位：1000m2，y為施工利潤，單位：萬元。

表2 BP神經網絡方法與回歸分析方法利潤預測比較

本文BP神經網絡方法與文獻]所用的回歸分析方法進行了比較，結果如表2與圖，可以看出BP神經網絡算法在企業利潤中進行預測較好。