基于BP神經網絡挖掘方法的高校財務預警分析

摘要：隨著教育投入增加及高校資金來源多元化和高校辦學規(guī)模進一步發(fā)展，高校財務管理由傳統核算型向管理型轉變。高校財務數據是高校最基本、最有決策價值的數據。大數據時代如何利用數據挖掘方法從龐大的財務數據中分析高校財務信息，建立可操作性強的分析模型，為高校利益相關者提供全方位、高相關性和高準確性的決策信息，為高校科學發(fā)展提供高質量的會計信息，是當代高校財務管理工作的一個非常重要的問題。本文選取償債能力、經營能力、發(fā)展能力3項一級指標和資產負債率等15項二級指標構建高校財務預警分析指標體系，采集16所高校（SH1-SH16）2018年的財務數據進行建模，并應用反向傳播神經網絡（BP神經網絡）數據挖掘方法對其中2所高校（SH15、SH16）2018年財務狀況進行預警分析，結果顯示網絡輸出和高校實際風險等級一致，表明BP 神經網絡在高校財務風險預警分析中預警結果精度高（98%），可信度較強，是一種可用于高校財務預警分析的有效量化方法。

關鍵詞：BP神經網絡;數據挖掘方法;財務預警分析;高校財務管理

1 引言

隨著教育投入增加及高校資金來源多元化和高校辦學規(guī)模進一步發(fā)展，高校經濟活動日益復雜，財務管理由傳統核算型向管理型轉變。高校財務數據是高校最基本、最有決策價值的數據。高校傳統的財務分析主要是圍繞財務報告進行的諸如比較分析法、比率分析法、趨勢分析法和因素分析法等定量分析，難以對海量財務數據潛在的、深層次的信息進行深入了解。隨著理論與算法的成熟及計算機運算能力的大幅提升，基于大數據的數據挖掘技術能夠快速從海量數據中抓取有效信息從而得到這些數據背后獨特的規(guī)律和預測未來的發(fā)展趨勢。通過數據挖掘可以幫助決策者尋找規(guī)律，發(fā)現被忽略的要素和人們不易覺察的、隱含的模式，預測趨勢，進行決策。

數據挖掘方法作為一種新興的數據分析技術己經在許多領域成功地應用。大數據時代如何利用數據挖掘方法從龐大的財務數據中分析高校財務信息，建立可操作性強的分析模型，為高校利益相關者提供全方位、高相關性和高準確性的決策信息，為高校科學發(fā)展提供高質量的會計信息，是當下高校財務管理工作的一個非常重要的課題。本文旨在將BP神經網絡數據挖掘方法應用于高校財務預警分析，為高校財務分析提供有效的量化方法。

2 高校財務預警分析指標系統

高校財務風險主要包括籌資的風險、投資過程中的風險、資金流動性的風險和學校財務內部管理的風險。當代，財務風險管理已成為高校財務管理的新內容。

財務預警分析屬于外部財務分析，適用性廣、理論成熟。以現有的財務比率為基礎，通過建立數學模型預警其財務風險的高校財務預警分析是保證高校正常運轉、合理發(fā)展的關鍵環(huán)節(jié)之一。本文根據經濟管理科學中的技術經濟分析方法，從償債能力、經營能力、發(fā)展能力設置3項一級指標和資產負債率等15項二級指標（詳見表1），并依據高校財務運行實際狀況設置臨界比率。探索可精益、高效地開展財務預警分析的指標體系，使財務運行處于一定的安全區(qū)間，防范財務風險發(fā)生。

3 BP神經網絡挖掘方法在高校財務預警分析中的應用

財務預警的傳統分析方法包括比率分析法、單變量分析法及多元線性回歸分析法。比率分析法是財務預警的基礎，單變量分析法及多元線性回歸分析法應用于財務預警有其特點，也有其不可避免的局限性。20世紀80年后，數據挖掘的復雜算法逐漸用于財務預警分析。目前，數據挖掘是最主要的財務預警分析方法，其中利用神經網絡挖掘方法進行財務預警分析是當前最有發(fā)展前景的一種方法。文章結合數據挖掘的基本流程，探究BP神經網絡挖掘方法在財務預警分析中的應用。

3.1 神經網絡簡介

神經網絡是通過對進入模型的數據（包括輸入字段和輸出字段）進行學習，通過權值的調整，分析掌握輸入字段和輸出字段之間潛在的規(guī)律，最終利用這些規(guī)律對樣本進行訓練（就是可以用來對新的輸入字段推算新的輸出字段），即預測挖掘的過程。隨著計算機運算速度越來越快，神經網絡的訓練時間可以大大縮短，加上神經網絡對輸入變量的要求很低，可以接受不同種類的變量輸入，適應性強，允許輸出輸入變量具有模糊性，所以神經網絡方法已經廣泛用于各領域的數據挖掘。

反向傳播神經網絡（Back Propagation Net，即BP神經網絡）是一種采用反向傳播學習算法（即BP學習算法）的多層前饋神經網絡，由模型訓練、模型檢測、模型反饋學習三個部分組成。將BP學習算法的映射能力和泛化能力用于財務預警分析，在經過一定數量的帶噪聲的樣本的訓練后，網絡可以提取樣本所隱含的特征關系，并對新情況下的數據進行內插和外推以推斷其屬性[1，2]。為了得到具有較好泛化能力的BP神經網絡，就要有訓練樣本集，根據訓練樣本，系統從中學習，不斷調整各個權值，進而訓練出分類模型;同時還要有測試集，即利用第一步已被訓練的神經網絡對檢測樣本進行分類評估的系統應用環(huán)節(jié);模型反饋學習是系統將通過反饋學習來不斷提高系統性能。當隨著網絡學習次數的增加，訓練集的目標函數（測試數據）有可能不減少或增加，即泛化能力減弱時可取測試集的極小點對應的訓練權系數，以使網絡具有較好的泛化能力。泛化能力還與網絡的隱含層和隱含點數有關，因此應選擇結構盡量簡單，且泛化能力較強的[3，4]。

3.2 實證研究

采集16所高校（SH1-SH16）2018年的財務數據構造神經網絡模型，并應用BP神經網絡數據挖掘方法對其中2所高校（SH15、SH16）2018年財務狀況進行預警分析。

3.1.l 問題描述

BP網絡的輸入和輸出層的神經元數目，是由輸入和輸出向量的維數確定的。輸入向量的維數也就是影響因素的個數。文章通過對影響高校財務狀況的因素分析，選取償債能力、經營能力、發(fā)展能力3項一級指標及資產負債率等15項二級指標，因此輸入層神經元個數為15。為了細化財務風險等級，將風險等級分為巨警、重警、中警、輕警和無警5級，因此，目標輸出模式為（0O001）、（00010）、（00100）、（01000）和（10000），分別為巨警、重警、中警、輕警和無警[2，5]。由此可知，輸出層神經元的個數為5。

3.1.2 建模

以16所高校（SH1-SH16）2018年數據為例建立模型（見圖1）。

3.1.3學習訓練[2，5]

確定網絡結構后，就利用樣本數據通過學習規(guī)則進行訓練，提高網絡的適應能力。學習速率決定每一次循環(huán)中的權值變化量，是訓練過程的重要因子。一般傾向于選擇較小的學習速率保證學習的穩(wěn)定性，本文取學習速率為0.05。

本文采集16所高校（SH1-SH16）2018年的財務數據作為研究樣本，對其中前14所高校（SH1-SH14）2018年的財務指標共14組數據及財務風險等級作為網絡訓練樣本，后2所高校（SH15、SH16）2018年的財務數據作為預測樣本運用BP神經網絡對高校財務風險進行預警分析。

3.1.4 模型結果分析

從網絡輸出結果可以看出，網絡經過13次訓練后即達到了誤差要求。網絡輸出和高校實際風險等級見表2。

研究結果表明BP神經網絡模型預測精度98%，對模型越重要的變量，訓練效果越好。由此可見，BP神經網絡成功地對2所高校（SH15、SH16） 2018年的財務狀況進行了預警。

4 結束語

隨著高等教育由“精英教育”向“大眾教育”轉變，自2000年后，高校全面“升級”，辦學規(guī)模的擴大和集中，一定程度上增強了高校的綜合實力和科研實力，有一定的積極意義。但我國高校管理普遍缺失成本效益，在計劃和實際使用經費時只看重目標的實現而很少考慮成本，因此隨著高校規(guī)模的擴張，高校負債規(guī)模也在擴大，使高校正常運行存在一定風險。通過建立高校財務風險預警系統模型對財務風險進行定量分析是財務風險管理的關鍵環(huán)節(jié)，在使高校樹立風險意識的同時，可通過預警指標值的變化，隨時捕捉高校財務風險信息，以便采取應對措施，及時防范和化解財務風險。

神經網絡通過對一定量的歷史數據的訓練，網絡可以學習到數據中隱含的知識。神經網絡可用作分類、聚類、預測等。文章研究結果顯示BP 神經網絡在高校財務預警分析中預警結果精度高，可信度較強，是一種可用于高校財務預警分析的有效量化方法。

參考文獻：

[1]張一童.我國上市公司財務預警指標體系構建機制研究 [J].現代商貿工業(yè)，2009（5）：214-215.

[2]尹中曉.高校財務風險預警實證研究[D].西安：西安建筑科技大學，2006.

[3]張曾蓮.基于BP神經網絡的高校科研能力評價研究[J].科技管理研究，2011（18）：54-57.

[4]張曾蓮.基于主成分分析BP神經網絡的高校財務預警研究[C].2011-07-09.

[5]張國富，范亞東.基于BP神經網絡的物流企業(yè)財務風險預警研究[J].生產力研究，2012（11）：219-220.

項目基金：滬江哲社基金專項一般項目資助（項目編號：19HJ-DSSG-00-015）

作者簡介：梁立文（1992—），女，江西九江人，會計學碩士，ACCA會員，注冊會計師，研究方向：高校財務管理。