【摘 要】 文章運用模糊系統(tǒng)和神經網(wǎng)絡的基本原理，根據(jù)現(xiàn)有的數(shù)據(jù)和指標建立了判斷企業(yè)財務風險的模糊神經網(wǎng)絡模型，通過實證研究證明了其具有較高的正確性，在使用上也極其方便。

【關鍵詞】 模糊系統(tǒng)； 神經網(wǎng)絡； 財務風險

引 言

從世界范圍內看，最近二十年，日本的山一證券、八佰伴國際集團等大型企業(yè)集團，韓國的韓寶集團、三美集團等大財閥，美國的雷曼兄弟都先后破產。而從國內的情況看，鄭百文、銀廣夏等一度輝煌的企業(yè)都因為各種原因而先后倒閉。在全球化的趨勢下，中國的企業(yè)也勢必面臨著更多的市場競爭以及更多的宏觀不確定性，企業(yè)的整個發(fā)展必將受到更多的威脅，企業(yè)的生存也面臨著巨大的挑戰(zhàn)。在這種背景下，企業(yè)的財務風險問題已經成為企業(yè)內外利益相關者共同關注的問題，及時準確地預測和評價企業(yè)的財務風險，成為當前研究的一個重要課題，本文正是在這個背景下提出了用模糊神經網(wǎng)絡來研究企業(yè)財務風險問題。

一、數(shù)據(jù)選取

本文以上市公司為研究對象，將ST公司界定為財務風險較大的企業(yè)。所有樣本選自滬深兩個交易所的上市公司，時間段為2010年1月1日到2010年12月31日，行業(yè)選擇根據(jù)中國證監(jiān)會《上市公司行業(yè)分類指引》，選擇其中的制造業(yè)行業(yè)，樣本數(shù)據(jù)來源于國泰安信息技術有限公司的CSMAR數(shù)據(jù)庫。使用軟件為Excel2007、SPSS14.0和MATLAB7.0。

2010年A股上市公司中屬于制造業(yè)的企業(yè)一共有1 314家，剔除數(shù)據(jù)不完整公司以及個別指標異常值之后，再根據(jù)配對的ST企業(yè)與非ST企業(yè)總資產相差不超過10%為原則，最終剩下76組企業(yè)，其中，ST企業(yè)38家，非ST企業(yè)38家。

二、模糊處理

（一）處理步驟

第一步，確定評價標準集合。根據(jù)中國證券市場的基本原則，一般認為ST公司是財務穩(wěn)健性差、風險比較大的企業(yè)，非ST企業(yè)的財務風險相對較小。因而本文選取的評價指標只有一個，即V={財務風險較小}={非ST企業(yè)}。

第二步，根據(jù)顯著性和相關性檢驗之后的指標作為影響評價對象的因素集合。U={現(xiàn)金比率；營運資金比；權益對負債比；固定資產比；總資產增長率；資產報酬率；流動資產凈利率；凈資產收益率；長期資產周轉率}。

第三步，確立隸屬度。本文選取的方法是隸屬函數(shù)法，由第二步可知，影響評價對象的因素都屬于正向指標，根據(jù)經驗，選取隸屬函數(shù)計算隸屬度。將附錄數(shù)據(jù)代入之后，可以得到各公司每個指標對應的隸屬度矩陣。

第四步，確定各影響因素的權重。權重的確定有主觀和客觀兩種方法?？紤]到本文已經具有了翔實的數(shù)據(jù)，因而本文選擇客觀權重法中的變異系數(shù)法。變異系數(shù)法的主要計算公式為：C.V=σ/μ。變異系數(shù)法的主要依據(jù)是樣本的標準偏差越大，則該項財務指標的區(qū)分度則越好。所以，通過變異系數(shù)的大小來確定權重是基于已有數(shù)據(jù)本身的內部規(guī)律特點，消除了主觀賦權法中人為因素的干擾。因而本文采了變異系數(shù)法確定權重。先計算每一項影響因素的變異系數(shù)，然后將上述9個影響因素的變異系數(shù)累加，獲得每一個單項因素的比重就是該項影響因素的模糊權重，具體數(shù)值如表1。

第五步，計算各樣本的各因素模糊值。用隸屬度矩陣乘以模糊權重。

第六步，累加各個影響因素之后得出最終的模糊評價值，見表2。

從表2中可以看出，ST企業(yè)的評價值明顯低于非ST企業(yè)，說明非ST企業(yè)與ST企業(yè)在根據(jù)上述步驟計算評分之后，區(qū)分是比較明顯的。

（二）模糊評價分析

從表2可以得到表3的結果，其中B的值是根據(jù)上文ST企業(yè)與非ST企業(yè)的模糊評價值比較之后得出。

從上述結果可以看到，對于ST公司具有非常好的評價判斷，正確判斷率達到92.11%，只有3家ST企業(yè)被誤判；對非ST企業(yè)而言，正確判斷率為84.21%，雖然低于ST公司的判斷率，但是判斷效果依然很好。由此得出結論，采用模糊評價方法對于區(qū)分財務風險有很好的效果，證明該判斷方法是可行的。

三、神經網(wǎng)絡處理

從上文可以確認，模糊評價方法可以有效地評價企業(yè)的財務風險，并進行合理的區(qū)分。但是模糊評價方法中隸屬度以及權重都不能夠隨著樣本或者檢驗數(shù)據(jù)的增加而自行更新，因而在做財務風險預測時不能夠隨著數(shù)據(jù)的增加而自學習，這樣就增加了模糊評價法的使用。因而，在這里，根據(jù)模糊評價法的結果，通過建立神經網(wǎng)絡來學習模糊評價的基本原理以及結果，利用神經網(wǎng)絡能夠自學習以的特點，一方面簡化理解模糊評價方法，另一方面擴大模糊評價法的應用。

（一）數(shù)據(jù)選擇

為了檢驗神經網(wǎng)絡的正確性，將上述76組數(shù)據(jù)分為訓練組和檢驗組兩部分，其中訓練組70組，用來訓練神經網(wǎng)絡；檢驗組6組，用來檢驗神經網(wǎng)絡學習結果的正確性。

（二）神經網(wǎng)絡模型建立

1.神經網(wǎng)絡參數(shù)設置

Ruck（1999）的研究成果已經表明，三層的BP神經網(wǎng)絡已經可以逼近任意函數(shù)。因此本文選擇三層BP神經網(wǎng)絡，分別為輸入層一個，隱藏層一個，輸出層一個。

（1）輸入層。從指標篩選之后，留下9個財務指標作為原始輸入，因此輸入層神經元個數(shù)為9個。

（2）隱藏層。按照一般的經驗判斷，隱藏層神經元個數(shù)=（x+y）^0.5+a，

x為輸出個數(shù)，y為輸入個數(shù)，a為1-10之間的常數(shù)，根據(jù)該標準，本文選取隱藏層個數(shù)為6個。

（3）輸出層。本文的輸出層是確定的，即最后的模糊評價值，也就是對企業(yè)風險最終評價結果，因而輸出層個數(shù)為1個。

（4）學習速率。學習速率的選擇主要影響神經網(wǎng)絡的收斂速度，確保MATLAB軟件在運行時能夠迅速地收斂到指定的數(shù)值。根據(jù)文章的需要以及軟件的測算，本文選取的學習速率為0.5。

（5）輸出傳遞函數(shù)。默認選取S型函數(shù)。

2.訓練結果分析

將70組訓練數(shù)據(jù)輸入MATLAB軟件，進行軟件處理。通過軟件運行，在0.5的學習速率下，得到結果如圖1所示。

顯而易見，在經過150次左右的訓練之后迅速收斂，收斂速度很快，在經過1 000次訓練后，最后的錯誤率為0.000067056，而訓練仿真值與實際值之間的誤差如圖2。

3.神經網(wǎng)絡模型檢驗

利用MATLAB程序，通過6組檢驗數(shù)據(jù)對上述神經網(wǎng)絡模型進行檢驗，可以得到如表4的結果。

（三）實證結果

表3和表4的數(shù)據(jù)表明，本文基于模糊神經網(wǎng)絡模型對上市公司的財務風險評價具有很高的正確性，通過對9個財務指標的分析和判斷，可以明顯區(qū)分ST企業(yè)與非ST企業(yè)，證明了本文建立的模糊神經網(wǎng)絡模型具有很高的實用性。

四、結論

通過將上文的指標數(shù)據(jù)進行模糊處理之后，從實際數(shù)據(jù)中計算出了樣本公司的財務風險評價值，具有較高的精確度。同時將相關數(shù)據(jù)輸入神經網(wǎng)絡，建立了比較方便但是準確度較高的程序模型，為實踐應用帶來便利。

【參考文獻】

[1] K.Pochan，C.Lin.An Evolution-ba-

sed Approach with Modularized Evaluations to Forecast Financial Distress[J].Knowledge-based Systems，2006，19（3）：84-91.

[2] 李湘滇.商業(yè)銀行信貸風險的模糊神經網(wǎng)絡預警模型的構建方法[J].商場現(xiàn)代化，2008（14）：334-335.

[3] 李陽旭.基于模糊神經網(wǎng)絡的綜合評判方法研究[D].重慶：西南師范大學碩士學位論文，2005.

[4] 顏銘.基于模糊算法的神經網(wǎng)絡研究[D].河北：河北農業(yè)大學碩士學位論文，2010.

[5] 張華華.基于模糊綜合評價的企業(yè)財務預警研究[D].湖北：武漢理工大學碩士學位論文，2007.

[6] 張華倫，孫毅.企業(yè)財務危機評價Rough-Fuzzy-ANN模型的建立及應用[J].運籌與管理，2006（2）：8-14.