BP神經(jīng)網(wǎng)絡模型在我國環(huán)保類上市公司財務危機預警中的應用

吳欣萌 廖濤

【摘? 要】隨著我國市場經(jīng)濟進程的不斷深化，激烈的競爭環(huán)境使得企業(yè)可能面臨較大的財務危機，而良好的財務狀況對于一個公司的發(fā)展尤為重要。因此，為了企業(yè)的健康發(fā)展，有必要對其進行財務危機預警。論文選取93家環(huán)保類上市公司作為研究樣本，以被特殊處理（ST或*ST）的前3年（t-3年）的相關財務與非財務指標作為數(shù)據(jù)來源，將BP神經(jīng)網(wǎng)絡模型應用于此類上市公司的財務危機預警。結果顯示該模型預測準確率較高，達到83.9%。因此，將BP神經(jīng)網(wǎng)絡模型引入財務危機預警研究具有一定的應用價值。

【關鍵詞】財務危機預警;BP神經(jīng)網(wǎng)絡;環(huán)保類上市公司

【中圖分類號】X324;F426;F406.7? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?【文獻標志碼】A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?【文章編號】1673-1069（2022）08-0110-03

1 引言

在環(huán)境問題日益嚴峻與國家政策扶持的時代背景下，環(huán)保行業(yè)逐漸成為市場的焦點。其次，我國大力支持綠色環(huán)保產(chǎn)業(yè)的發(fā)展，使我國環(huán)保上市企業(yè)迎來了新發(fā)展浪潮，同時也對環(huán)保企業(yè)發(fā)展提出了新的要求。一些企業(yè)由于過于依賴國家相關環(huán)保政策，加上外部市場環(huán)境的激烈競爭，極大可能會引起財務風險的發(fā)生。近年來，不少環(huán)保類上市公司存在財務危機，因此有必要構建環(huán)保類上市公司財務危機預警模型，為環(huán)保行業(yè)的財務危機預警提供一定的參考。

2 相關概念及理論基礎

2.1 相關概念

2.1.1 財務危機

財務危機的概念定義：Fitzpartrick首次提出財務危機，他將“破產(chǎn)”定義為財務危機[1]。Altman將財務危機定義為企業(yè)的失敗，具體指企業(yè)在法律上被接管、重整和破產(chǎn)等[2]。國外學者基本上把這兩個方面作為財務危機的定義：依法破產(chǎn)和財務失敗。國內(nèi)學者[3-6]將是否被特別處理（ST或*ST）作為發(fā)生財務危機的標準。為此，綜合國內(nèi)外學者的相關研究，結合我國環(huán)保類上市公司的特點，本文將發(fā)生財務危機定義為被特別處理的公司。

2.1.2 BP神經(jīng)網(wǎng)絡

20世紀80年代，David Runelhart等學者提出BP（Back Propagation）神經(jīng)網(wǎng)絡，它是一種根據(jù)誤差反向傳播算法訓練的多層前饋神經(jīng)網(wǎng)絡。同時，BP神經(jīng)網(wǎng)絡是目前使用最廣泛的神經(jīng)網(wǎng)絡。

2.1.3 財務危機預警模型

財務危機預警是一種利用預警方法對企業(yè)的相關財務信息展開分析的技術方法。在對財務危機預警模型的研究中，經(jīng)歷了3個階段：一是統(tǒng)計方法，主要包括單變量預警模型、多變量和邏輯回歸模型等;二是結合人工智能技術生成神經(jīng)網(wǎng)絡模型;三是運用多種方法結合進行財務危機預警的研究[7]。

Fitzpartrick建立了單變量分析法，運用單個財務指標逐個驗證研究對象，結果表明，以凈利潤/股東權益和股東權益/負債兩個財務指標作為財務危機預測標準具有較好的效果;Altman首次引用了多變量分析法——Z值模型;Martin被公認為是最早使用Logistic模型來預測財務危機的學者。隨著計算機及網(wǎng)絡技術的不斷完善發(fā)展，Odom和Sharda首次對人工神經(jīng)網(wǎng)絡分析模型進行分析，研究發(fā)現(xiàn)人工神經(jīng)網(wǎng)絡在財務危機預警中具有較好的預測效果[8]。吳世農(nóng)、黃世忠是我國展開財務預警研究的第一批學者。隨后，周首華、楊濟華等將現(xiàn)金流量指標加入Altman的Z值模型上，提出了F模型;陳靜分別引用單變量預警模型與多變量預警模型對所選研究樣本進行分析。吳世農(nóng)和盧賢義選取ST企業(yè)與非ST企業(yè)作為研究樣本，并采取Logistic回歸方法和其他方法建立預警模型。張現(xiàn)芹采用主成分分析法和Logistic回歸方法建立了針對創(chuàng)業(yè)板企業(yè)的財務預警模型，結果表明該模型財務危機的預測結果較為準確[9]。

在我國，對于神經(jīng)網(wǎng)絡模型在財務危機預警中的應用，最早是季海、楊保安引入神經(jīng)網(wǎng)絡方法建立了預警模型，結果表明，神經(jīng)網(wǎng)絡模型預測精度高[10]。近年來，隨著人工智能以及相關信息技術的不斷發(fā)展，越來越多的國內(nèi)學者將神經(jīng)網(wǎng)絡應用于財務危機預警：黃曉波、高曉瑩以98家制造業(yè)上市公司為例，引入財務指標與非財務指標構建指標體系，運用神經(jīng)網(wǎng)絡模型進行預測，預測準確率達到75%，預測結果顯示該模型具有一定的應用價值[11];陳高健以我國42家農(nóng)業(yè)上市公司為例，從企業(yè)盈利能力、償債能力、經(jīng)營發(fā)展能力、營運能力、現(xiàn)金流能力因素5個維度構建財務危機預警指標體系，最后創(chuàng)建了BP神經(jīng)網(wǎng)絡預警模型進行實證研究，結果表明BP神經(jīng)網(wǎng)絡預測模型具有良好的預測能力[12];譚媛元、陳建英、孫健將主成分分析與神經(jīng)網(wǎng)絡結合構建出的財務危機預警模型具有較高的預測準確率，達到81.65%[13]。

目前，越來越多的學者已經(jīng)嘗試將人工智能技術與神經(jīng)網(wǎng)絡模型相結合，并應用于財務危機預警的研究中。同時，研究結果表明，在預測財務狀況時，神經(jīng)網(wǎng)絡模型比傳統(tǒng)的統(tǒng)計學方法具有更好的效果。

2.2 理論基礎

2.2.1 系統(tǒng)論

系統(tǒng)論的核心思想是以整體觀念出發(fā)。本文通過運用系統(tǒng)論，可以更好地在整體層面建立財務危機預警模型并進行研究。例如，在指標的篩選上，可以從不同角度進行選取，除了財務指標外，也應涉及非財務指標，使指標體系的構建更完整，從而使建立的預警模型更加合理。因此，系統(tǒng)論的應用有利于構建財務危機預警模型。

2.2.2 委托代理理論

委托代理理論建立在所有權和經(jīng)營權相分離的基礎上。本文運用委托代理理論，旨在促使企業(yè)提高自身的管理能力，同時讓企業(yè)的相關管理者制定有關財務風險的防范措施，主動了解有關財務危機預警的內(nèi)容，增強預防財務危機的意識，以構建出合理、規(guī)范的財務危機預警模型。

2.2.3 危機管理理論

危機管理理論是為了更好地應對企業(yè)突發(fā)的危機事件而提出的。該理論的核心主要是預防可能出現(xiàn)的危機和解決已經(jīng)出現(xiàn)的危機，避免重蹈覆轍。本文所研究的財務危機預警屬于危機管理的一種，其中財務危機的預測以及危機出現(xiàn)后的應對措施可以借鑒危機管理理論，并結合企業(yè)的實際財務狀況，更好地對財務危機預警進行研究。

3 研究設計

3.1 樣本選擇和數(shù)據(jù)來源

本文參考相關文獻，并結合證監(jiān)局對環(huán)保行業(yè)的板塊細分，最終將涉及大氣治理、水務及水治理、固廢治理、環(huán)保設備、綜合環(huán)境治理5個子板塊的公司定義為環(huán)保行業(yè)，共計選取2017-2022年中國A股市場93家環(huán)保類上市公司進行實證研究。其中包括13家被特別處理的公司和80家財務健康公司，記此類上市公司被特別處理的年份為第t年，收集在被特別處理的前3年數(shù)據(jù)，即t-3年的相關指標信息構建模型。

本文相關數(shù)據(jù)均源于國泰安（CSMAR）數(shù)據(jù)庫。

3.2 預警指標的篩選

在構建指標體系時，相對于已有的涉及財務指標的體系，豐富非財務指標的應用[14]。其中，財務指標主要涉及公司償債、發(fā)展、盈利、營運和現(xiàn)金流5個方面。非財務指標涉及審計意見類型、是否存在關聯(lián)交易、對外擔保以及違法行為。

在對財務指標進行初選后，還需進一步對指標進行篩選以保留具有顯著性的指標。因此，本文運用SPSS軟件對所選的指標數(shù)據(jù)分別進行正態(tài)分布檢驗和顯著性檢驗，最后將通過檢驗的指標保留下來，最終選取了6類一級指標、20個二級指標（見表1）。

3.3 模型設計

根據(jù)BP神經(jīng)網(wǎng)絡模型的原理和本文需求，將該模型結構主要分為5個部分：輸入層、輸出層、隱含層、傳遞函數(shù)、訓練函數(shù)。本文采用了一種比較簡便、實用性強的三層網(wǎng)絡結構，即輸入層、輸出層和隱含層為一層的網(wǎng)絡結構。將93家環(huán)保行業(yè)上市公司的樣本數(shù)據(jù)分為兩組，一組作為預警模型的訓練樣本，一組作為測試樣本以驗證該模型的效果（訓練樣本62家，測試樣本為31家）。

3.3.1 輸入層設計

當訓練集確定之后，輸入層節(jié)點數(shù)也就隨之確定，眾多神經(jīng)元（Neuron）接受大量非線性輸入信息。輸入的信息稱為輸入向量，即輸入原始的數(shù)據(jù)。本文在第二部分研究設計中從6個方面選取20個變量指標，所以t-3年輸入層節(jié)點數(shù)為20。

3.3.2 隱含層設計

如何優(yōu)化隱含層中的節(jié)點成為整個模型運行速度和性能體現(xiàn)的關鍵所在，根據(jù)隱含層計算的經(jīng)驗公式，可以計算得到本模型t-3年樣本隱含層的最佳神經(jīng)元個數(shù)在4～17個。按照這個范圍從小到大依次訓練，經(jīng)過測試得到，t-3年樣本隱含層最佳神經(jīng)元數(shù)為12個。

3.3.3 輸出層設計

神經(jīng)網(wǎng)絡的輸出層節(jié)點數(shù)就是被解釋變量的個數(shù)。因此，本文將網(wǎng)絡訓練的輸出層節(jié)點數(shù)目設為1：若是輸出數(shù)字1，則表示該公司是財務危機公司;若是輸出數(shù)字0，則表示該公司的財務的狀況是健康的。

因為在實際訓練中，BP神經(jīng)網(wǎng)絡樣本數(shù)據(jù)的輸出結果不一定是整數(shù)。因此，本文將輸出值小于0.5的標記為財務健康公司，輸出結果大于0.5的標記為財務危機公司。

3.3.4 函數(shù)選擇

神經(jīng)網(wǎng)絡的傳遞函數(shù)有很多種，如果想要輸出結果為幾個固定值可以選hardlim函數(shù)，而根據(jù)本文的要求和實際神經(jīng)網(wǎng)絡模型運轉，最后的輸出結果為不定值，考慮各個函數(shù)的計算精度和運算速度，選擇tanhsig——雙曲正切S型傳輸函數(shù);根據(jù)前期篩選的財務預警指標數(shù)據(jù)，因此，本文選用適合中等網(wǎng)絡規(guī)模且訓練速度較快的LM優(yōu)化算法。

3.3.5 網(wǎng)絡參數(shù)設計

神經(jīng)網(wǎng)絡模型的運轉速度和輸出結果受最大訓練次數(shù)、學習速率、目標誤差等條件的影響。經(jīng)過相關仿真訓練后，選擇最佳參數(shù)：最大訓練次數(shù)1 000次，設定學習速度0.01，目標誤差0.000 01，其余參數(shù)無需設定，采用系統(tǒng)默認值。

據(jù)此，本文選定93家環(huán)保行業(yè)上市公司作為樣本分析，其中選取62家公司作為訓練樣本，31家公司作為測試神經(jīng)網(wǎng)絡模型樣本。文本所設定的神經(jīng)網(wǎng)絡模型網(wǎng)絡結構輸入層為20個，隱含層經(jīng)過計算得到最佳神經(jīng)元數(shù)為12個，輸出層為1個。根據(jù)輸出結果（大于0.5記為財務危機公司，小于0.5記為健康公司）結合實際公司財務狀況即可獲得通過該神經(jīng)網(wǎng)絡模型預測得到的正確率，以此來檢驗該模型在財務危機預警中的效果。

4 實證分析

本文的實證分析主要運用MATLAB軟件，用此軟件中的神經(jīng)網(wǎng)絡工具進行模型的初始化、創(chuàng)建和訓練仿真。根據(jù)前文的初步設計，本文選擇以三層BP神經(jīng)網(wǎng)絡（t-3年為20-12-1）為基礎財務危機預警模型，訓練結果以及測試結果如表2和表3所示。

由表2可知，在62家訓練樣本中，53家財務健康公司訓練正確數(shù)為51，準確率為96.2%;9家財務危機公司訓練正確數(shù)為9，準確率達到100%;62家訓練樣本中正確數(shù)達到60，該預警模型的訓練正確率達到96.8%，效果較好，準確率較高。由表3可知，在31家訓練樣本中，27家財務健康公司訓練正確數(shù)為24，準確率為88.9%;4家財務危機公司訓練正確數(shù)為2，準確率達到50%;31家訓練樣本中正確數(shù)達到26，該預警模型的訓練正確率達到83.9%，準確率較高。

根據(jù)表2和表3的結果顯示，本文所構建的神經(jīng)網(wǎng)絡財務預警模型效果較好。但由于測試樣本中財務危機公司樣本數(shù)量較少，對其預測結果存在一定誤差，但根據(jù)整體的實驗效果而言，該模型的正確率足以達到對財務危機預警的效果。

5 結論及建議

本文選取2017-2022年我國93家環(huán)保類上市公司作為研究樣本，以被特殊處理（ST或*ST）的前3年（t-3年）的相關財務與非財務指標作為數(shù)據(jù)來源，運用SPSS軟件對相應指標進行顯著性檢驗后，從34個指標中得到20個顯著性指標。然后運用MATLAB軟件進行BP神經(jīng)網(wǎng)絡模型訓練，訓練結果顯示該模型的整體預測精準率較高，達到了83.9%。因此，將BP神經(jīng)網(wǎng)絡模型應用于財務危機預警有一定的價值。

綜上，在雙碳發(fā)展的目標下，環(huán)保類上市公司在發(fā)展的過程中應及時關注國家環(huán)保政策變化，公司管理層更應該掌握與環(huán)保相關的法律法規(guī)，在經(jīng)營過程中，不斷運用環(huán)保技術，同時結合信息技術來促進其與環(huán)保技術的融合發(fā)展，加強風險防范意識，保障企業(yè)的健康發(fā)展。對于政府以及相關部門而言，需逐步完善環(huán)保行業(yè)相關風險機制，保證國民經(jīng)濟健康持續(xù)發(fā)展。

【參考文獻】

【1】Fitzpartrick， P.J.A Comparison of Successful Industrial Enterprise with those of Failed Firms[J].Certified Public Accountant，1932（2）：11-15.

【2】Altman， Edward I.， Financial ratios， discriminant analysis， and the prediction of corporate bankruptcy[J].Journal of Finance， 1968（23）：598-609.

【3】周首華，楊濟華.論財務危機的預警分析——F分數(shù)模式[J].會計研究，1996（08）：8-11.

【4】陳靜.上市公司財務惡化預測的實證分析[J].會計研究，1999（4）：31-38.

【5】吳世農(nóng)，盧賢義.我國上市公司財務困境的預測模型研究[J].經(jīng)濟研究，2001（06）：45-55+96.

【6】盧永艷.宏觀經(jīng)濟因素對企業(yè)財務困境風險影響的實證分析[J].宏觀經(jīng)濟研究，2013（5）：53-58.

【7】夏秀芳，遲健心.企業(yè)財務困境預警研究綜述[J].會計之友，2018（13）：2-6.

【8】Odom M.D， Sharda R.A. Neural Network Model for Bankruptcy Prediction[J]. The International Joint Conference on Neural Networks， 1990（6）.

【9】張現(xiàn)芹.創(chuàng)業(yè)板企業(yè)財務預警模型構建與檢驗研究[D].濟南：山東財經(jīng)大學，2015.

【10】季海，楊保安.BP神經(jīng)網(wǎng)絡在企業(yè)財務危機預警之應用[J].預測，2001，20（2）：49-54.

【11】黃曉波，高曉瑩.基于神經(jīng)網(wǎng)絡的企業(yè)財務危機預警研究——以制造業(yè)上市公司為例[J].會計之友，2015（05）：30-34.

【12】陳高健.基于BP神經(jīng)網(wǎng)絡模型的農(nóng)業(yè)上市公司財務危機預警研究[D].杭州：浙江農(nóng)林大學，2020.

【13】譚媛元，陳建英，孫健.基于CNN的上市公司財務危機預警研究[J].西南師范大學學報（自然科學版），2021，46（5）：73-80.

【14】張婉君，羅威.引入非財務指標的財務危機預警研究——以我國制造業(yè)上市公司為例[J].財政監(jiān)督，2016（01）：91-94.

【作者簡介】吳欣萌（1997-），女，四川眉山人，研究生在讀，從事財務管理研究。