基于PCA-BP神經網絡算法的企業資產預測與分析

張恒

基于PCA-BP神經網絡算法的企業資產預測與分析

張恒

（安徽信息工程學院 通識教育與外國語學院，安徽 蕪湖 241199）

采用主成分分析法，對2010—2019年我國規模以上工業企業資產總額以及相關數據進行分析，得出我國規模以上工業企業自2010年以后總資產及其他指標發展狀況．將2010—2018年資產總額的時間序列數據作為訓練數據，建立神經網絡預測模型，利用BP神經網絡分析方法對2019年資產總額進行預測，最終得到較為準確的估計結果，為我國規模以上工業企業資產總額預測提供了合理化、科學化理論支持．

規模以上工業企業；資產總額；主成分分析；BP神經網絡

工業企業發展一直是社會關注的焦點[1]，也是反映中國經濟發展的重要指標，其相關數據也是我國統計年鑒中的重要組成部分．國家統計局定期發布我國規模以上工業企業主要經濟指標數據，并在《中國經濟景氣月報》中有所體現，足以說明其重要性．我國規模以上工業企業的資產運營情況在一定程度上主導國家經濟走勢，因此分析并預測我國規模以上工業企業資產成為學者研究的熱點．

2010年以來，我國經濟取得飛速發展，逐步擺脫2009年世界經濟危機的影響[2]．單純從《中國統計年鑒》的數據來看，我國規模以上工業企業的資產整體上呈現逐年遞增趨勢，但每項指標對于工業企業資產運營情況的影響不盡相同，因此本文選取了影響企業資產的８個重要指標，基于主成分分析的神經網絡資產預測方法（PCA-BPNN），對包含各種因素的輸出變量進行篩選，提取有效且具有代表性的因子，減少了最終BP神經網絡的輸入參數，節省了預測時間，也提升了預測精度[3-4]．

1　模型分析方法

1.1　主成分分析基本原理

1.2　BP神經網絡預測

神經網絡是借鑒人腦的結構和特點，通過神經元或節點互連組成的大規模并行分布式信息處理和非線性動力學系統[7]，是一種類似于大腦神經連接的結構進行信息處理的數學模型，其有著巨量并行性、結構可變性、高度非線性、自學習性和自組織性等突出優點．BP神經網絡在當今國民經濟與國防建設中有著廣泛的應用，三層BP神經網絡結構見圖1．

圖1 BP神經網絡結構

2　數據的處理與分析

2.1　主成分分析

主成分分析主要思想是進行降維分析[8]．本文選取了2010—2019年我國規模以上工業企業相關數據，包括企業單位數、資產總計、負債合計、主營業務收入、主營業務成本、利潤總額、虧損總額和存貨等8個指標，通過SPSS共線性分析發現各個變量間存在相關性，因此有必要進行主成分分析，以消除數據間的多重共線性，同時剔除一些代表性差的變量．

利用SPSS22.0對數據進行KMO和巴特利特球形檢驗，結果見表1．

表1 KMO和巴特利特球形檢驗

進行主成分分析，總方差解釋結果見表2．

表2 總方差解釋

圖2 碎石圖

旋轉后的成分矩陣見表3．

表3 旋轉后的成分矩陣

主成分1主要反映了資產總計、負債合計、主營業收入、主營業務成本、利潤總額、虧損總額和存貨

的基本信息，主成分2主要反映了企業單位數的信息．為了分析更加精確，將主成分1定義為工業企業資金運營因子，將主成分2定義為相關工業企業次率變化因子．

計算因子得分，結果見表4．

表4 因子得分

將資金運營因子得分與次率變化因子得分分別與對應的方差貢獻率相乘求和后除以累計方差貢獻率，得到最終的因子得分，具體計算公式為

利用式（2）計算得到綜合得分（見表5）．

表5綜合得分

由表5可以看出，2010—2013年綜合因子得分為負值，2014—2019年為正值．2013年前資產運營得分為負值，呈現逐步增長的趨勢，2013后得分趨于正值，2011—2017年資產運營得分增長速度較為均勻，2018—2019年因子得分為負增長．從得分變化來看，2011年我國規模以上工業企業資產運營得分增長幅度最大，2012年后呈現波動趨勢，2018—2019年為負增長，增幅逐漸減慢．從整體分析上來看，我國規模以上工業企業資產運營相關情況反映了當期國家經濟水平，此數據基本符合實際發展現狀，在經歷2008年汶川地震以及2009年世界經融危機的影響后，政府迅速出臺相關政策維護工業企業發展，特別是規模以上工業企業，使經濟在2010年后迅速恢復，此后經濟持續發展，但2017年后增速放緩．

2.2　神經網絡模擬預測

主成分分析消除了各個自變量之間的多重共線性，根據主成分分析得到的結果，得出2個主成分并將其作為神經網絡[9]的輸入，神經網絡的輸出（模型的預測值）為下一年資產總額．模型采用五層神經網絡，即1個輸入層、3個隱含層和1個輸出層[10]．模型數據分為２部分，2010—2018年的數據作為訓練集，2019年的數據作為測試集，將最終預測的資產總額與實際真值進行對比，具體結果見表6．

表6 資產總額預測值與真值對比結果

3　結語

對我國規模以上工業企業資產運營環節進行主成分分析時可以發現，2010—2019年資產總額呈現逐步上升的趨勢．基于PCA-BP神經網絡模型將輸入變量減少到2個，顯著降低了輸入變量的數量，提高了預測速度．從預測效果上來看，整體相對誤差小于0.1，除2010年和2012年以外，其余年份資產總額預測值與實際值的相對誤差小于0.01，2016年資產總額實際值為1 085 865.94，此模型預測值為1 086 126.98，相對誤差僅為0.000 240 398（小于0.000 5）．總體來看，預測結果與實際值基本保持一致，因此可以認為，PCA-BPNN模型預測我國規模以上工業企業資產總額走勢是相對可靠的，相對誤差較小，而且對于數據的保存和計算提供了較為準確的擬合性．

雖然本文針對我國規模以上工業企業的資產相關數據進行PCA-BP神經網絡分析得到了精確的結果，但是是否具有偶然性還是需要進一步驗證．

[1] 周宏山，吳詣民．中國通貨膨脹、通貨膨脹波動與產出增長：基于MGARCH模型分析[J]．統計與信息論壇，2008（12）：53-58．

[2] 劉軍．工業企業固定資產投資項目財務評價指標體系初探[J]．今日財富，2021（10）：139-140．

[3] 徐剛，王磊，金洪偉，等．因子分析法與BP神經網絡耦合模型對回采工作面瓦斯涌出量預測[J]．西安科技大學學報，2019（6）：965-971．

[4] 陳輝，周圓圓．基于PCA-BP神經網絡的設備故障預測研究[J]．物流工程與管理，2021（6）：150-153．

[5] 胡書文，徐建武．主成分分析和因子分析在中國股票評價體系中的應用[J]．重慶理工大學學報（自然科學版），2017（5）：192-202．

[6] 林卉，李楠，黃伯當，等．基于主成分分析的南流江水質評價[J]．廣東化工，2020（4）：144-146，148．

[7] 王春娟，馮利華，羅偉．基于主成分分析的BP神經網絡對南京市水資源需求量預測[J]．水資源與水工程學報，2012（6）：6-9．

[8] 王春萍．基于BP的顧客價值預測模型研究[J]．社會科學輯刊，2013（5）：112-116．

[9] 顏佳華，寧國良，盛明科．基于BP神經網絡的電子政務績效評價研究[J]．中國管理科學，2005（6）：125-130．

[10] 劉合兵，韓晶晶，席磊．小波變換：BP神經網絡的農產品價格預測研究[J]．中國農業信息，2019（6）：85-92．

Prediction and analysis of enterprise assets based on PCA-BP neural network algorithm

Zhang Heng

（School of General Education and Foreign Languages，Anhui Institute of Information Engineering，Wuhu 241199，China）

Using the principal component analysis method，the total assets and relevant data of Chinese industrial enterprises above designated size from 2010 to 2019 were analyzed，and the development status of total assets and other indicators of Chinese industrial enterprises above designated size since 2010 was obtained．Taking the time series data of total assets from 2010 to 2018 as the training data，the neural network prediction model is established， and the BP neural network analysis method is used to predict the total assets in 2019，a more accurate estimation result was obtained，which provides a reasonable and scientific theoretical support for the prediction of total assets of industrial enterprises above designated size in China.

industrial enterprises above designated size；total asset；principal component analysis；BP neural network

1007-9831（2022）04-0030-05

O213∶F42

A

10.3969/j.issn.1007-9831.2022.04.006

2021-11-24

安徽省教學研究重點項目（2019jxtd144）；安徽省高校科學研究重點項目（kj2019A1299）

張恒（1993-），男，安徽安慶人，助教，碩士，從事應用概率統計研究．E-mail：562257523@qq.com