基于PSO-BP 神經網絡下的X 公司財務風險預警分析

郜書鑫

1.引言

如今，我國的新能源產業面臨著市場經濟環境快速變化和外部影響因素的雙重挑戰。特別是在過去的三年中，由于異常的財務狀況而受到特別處理的新能源公司并不少見，甚至被迫退市的例子也不罕見。因此，提高財務風險預警能力和應對財務風險的能力已成為新能源公司生存和發展的內在要求。

X 公司是新能源行業的代表公司，于2013 年在深圳證券交易所上市。其業務包括光伏發電，新能源汽車電池制造和銷售和太陽能發電等。2015 年-2017 年公司的利潤增長率連續三年超過50%。它的快速發展速度使人們希望了解其背后的財務風險高低。因此，本文以新能源公司X 為例，采用PSO 算法優化的BP 神經網絡模型對X 公司的財務風險進行判斷，以達到提前預測危機，對危機做出反應，最終對危機做出反應的目的。

2.神經網絡概述

（1）BP 神經網絡

BP 神經網絡是人工神經網絡的一種，核心數據處理機制是反饋系統，目前，BP神經網絡被廣泛應用于各種領域。BP 神經網絡有三層處理結構，包括輸入單元，隱藏單元和輸出單元。輸出單元接受外部輸入的數據，隱藏單元對輸入數據進行處理并進行非線性運算將處理后的結構輸出給輸出單元，輸出接受處理后的結果并且和參照值進行比較，如果誤差超過設定值，則通過反饋系統反向傳播給隱藏單元進行進一步優化，如此不斷迭代，直到隱藏單元輸出的結果無限收斂，直到小于設定的參數即可。

（2）PSO-BP 神經網絡

PSO-BP 神經網絡對BP 神經網絡做了PSO 算法的優化。目前大多數研究是僅僅將BP 神經網絡和財務風險預警結合起來，但是由于BP神經網絡自身的缺陷，容易導致結果陷入局部最優解，所以判斷結果未必理想。

因此，本文在此前學者研究基礎上，把BP 神經網絡和智能算法PSO 算法結合起來，試圖優化BP 神經網絡的初始參數設置從而提高財務風險預警模型的準確性。同時，本文把PSO-BP 神經網絡應用在具體的案例上，使得建議更加有針對性。

3.財務風險預警模型

（1）多元判斷模型

最先開始在財務風險領域使用多元判定模型的是學者Altman（1983），該學者使用5 個財務比率建立判定函數來識別財務風險高低。最后發現，多元判定模型預測能力水平較高，準確率可達75%[1]。多元判定模型在上世紀很受學者歡迎，但是其精確度比生物算法和人工神經網絡要低。

（2）BP 神經網絡模型

Renaud，Sharda（1990）兩位學者首次通過神經網絡進行財務風險預警，兩位學者通過對美國192 家上市公司的財務數據和非財務數據進行BP 神經網絡訓練，發現BP 神經網絡在財務風險領域有較好的表現水平[2]。之后越來越多的學者作了類似研究，并對神經網絡模型進行了優化。

4.訓練樣本選擇和指標篩選

4.1 財務風險預警體系的構建

本文綜合考慮企業的財務指標和非財務指標，選取盈利能力中的營業收入增長率，權益凈利率；選取營運能力中的應收賬款周轉率；選取償債能力中的資產負債率，現金比率，利息保障倍數，同時把審計意見類型作為非財務指標。在此基礎上構建財務風險預警體系。

4.2 財務風險評分值的確定

F 分數模型可以通過公司當年財務數據進行財務風險評估，可以較為準確的體現公司的財務風險高低，所以本文在這里選用F 分數進行財務風險程度計量[3]。

F 分數模型公式如下所示：

F=0.1758X1+0.1568X2-0.1546X3+0.3514X4-0.1542X5

變量X1-X5 代表含義如下所示：

X1：流動凈資產/總資產；

X2：期末留存收益/總資產；

X3：凈利潤/總負債；

X4：期末股東權益的市場價值/期末負債的市場價值；

X5：(凈利潤+折舊)/平均總資產；

當F 值大于0.1041 時，則說明公司財務風險處于正常水平；當F 分數小于-0.051 時候，說明公司財務風險水平較高，甚至有資不抵債的風險；當F 分數處于這兩者之間時，說明公司財務風險不確定，需要考慮其他因素進一步分析。

4.3 PSO-BP 神經網絡的訓練

為了建立合適模型，本文將上述F 分數判斷出的結果作為參照值，以我國新能源行業87 家企業2014-2019 年的上述八個財務數據作為輸入值，通過模型的不斷迭代，使模型輸出結果不斷向參照值收斂，從而找到模型的合適參數。下表是訓練結果：

5.X 公司財務風險預警及分析

5.1X 公司介紹

X 公司正式成立于2002 年，2002 年-2004 年專注于光伏發電，后來將業務重心轉移至新能源汽車電池制造和銷售。到了2008 年，X 公司的新能源電池的市場占有率達到了48%。后來到，X 公司在深圳中小板上市，2014 年其市值就超過了五十億，其主要經營業務也逐漸拓展至光伏發電、新能源汽車運營、新能源汽車充電樁等，發展速度令人咋舌。

5.2 基于PSO-BP 神經網絡的X 公司財務風險預警分析

將X 公司2014-2019 的財務指標作為輸入值輸入到建立的神經網絡模型當中，得出仿真結果如下：

根據仿真結果可以看出，自X 公司上市以來，其財務風險在2014-2015 年間還尚可，但是2017 年以后不容樂觀，可以說公司的暗藏的財務風險在逐步上升。這也側面說明了公司快速擴張的戰略選擇之下是風險水平較高的財務狀況。

5.3 X 公司的財務風險分析

5.3.1 資金的籌集危機分析

X 公司自上市以來不僅多次增發股票，同時還不斷進行債務籌資。這導致了公司的資本成本變高，從而降低了企業的價值。X 公司2015 年開始，就不斷進行債務融資。財務杠桿和聯合杠桿在2016 年至2019 年一直呈現出上升的趨勢，說明X 公司還本付息能力和高度負債下的經營水平受到了一定程度的影響。此外，可以看出X 公司資產負債率連年增長，遠不如行業平均值，說明公司在這兩年中的財務風險相對較高。

5.3.2 資金的使用危機分析

目前X 公司沒有在核心業務上實現技術上的突破，無法形成有效的核心競爭力。而X 公司的戰略選擇主要是通過債務融資來建立廠房，雖然這種方式可以使得X公司短期內獲得利潤上的增長，但是這種方式明顯是不健康的。此外，固定資產和無形資產的投資占用了大量資金，導致企業流動資金的減少，同時使得X 公司短期內還本付息的能力變差。

6.建議

新能源電池如今已經陷入瓶頸，短時間內很難有技術上的突破，X 公司應該認識到這一點并且減少不必要的無形資產和專利支出。同時，X 公司的項目過多，很多項目的建設周期長，未來風險也不確定，所以短期內很難產生凈現值，X 公司應該叫停一些不必要的項目，保留成熟的項目。

如今國家已經減少對新能源企業的相關補貼，這注定會導致行業內部競爭的加劇，所以X 公司應該調整企業未來的發展戰略，將戰略從發展戰略調整為收縮戰略，這有利于X 公司面對未來市場的不確定性和做好防御準備。