中圖分類號：F29333 文獻標識碼：A

摘要：本文基于2011至2013年我國44家房地產(chǎn)上市公司財務(wù)數(shù)據(jù)，以其每股收益和每股凈資產(chǎn)數(shù)值為標準將企業(yè)財務(wù)風險劃分為財務(wù)健康、輕度財務(wù)危機和重度財務(wù)危機三類等級。結(jié)合房地產(chǎn)公司以及行業(yè)的經(jīng)營方式和財務(wù)特點，構(gòu)建了財務(wù)風險評價指標體系。通過因子分析，提取能較好反映企業(yè)財務(wù)風險的公共因子。利用matlab實現(xiàn)BP神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建，評價企業(yè)財務(wù)風險狀況并與之前的分類進行對比分析。最后對房地產(chǎn)公司的發(fā)展和財務(wù)狀況提出了結(jié)論和建議。

關(guān)鍵詞：房地產(chǎn)公司;財務(wù)狀況;因子分析;BP神經(jīng)網(wǎng)絡(luò)

一、引言

我國房地產(chǎn)行業(yè)起步于上世紀80年代中期，在起近三十年的探索過程中已經(jīng)迅速發(fā)展成我國國民經(jīng)濟的支柱產(chǎn)業(yè)之一，與我國經(jīng)濟發(fā)展、國民社會生活息息相關(guān)。近年來國內(nèi)房價居高不下，房地產(chǎn)行業(yè)持續(xù)火熱，但是受國家宏觀調(diào)控累積效應(yīng)、居民收入增速緩慢、房價高居不下等諸多因素影響，房地產(chǎn)業(yè)的發(fā)展并不容樂觀。房地產(chǎn)業(yè)高負債、高回報、高風險的特點，進一步加劇了房地產(chǎn)上市公司潛在的財務(wù)風險。

最先將人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于企業(yè)財務(wù)風險研究的是國外學者Odom M.D和Sharda R（1990年），國內(nèi)學者楊保安、季海于2001年建立了三層BP神經(jīng)網(wǎng)絡(luò)研究企業(yè)財務(wù)風險。自此國內(nèi)學者應(yīng)用BP神經(jīng)網(wǎng)絡(luò)研究企業(yè)財務(wù)風險的較多，但是卻很少學者區(qū)分房地產(chǎn)行業(yè)特點進行研究分析。但是國家宏觀經(jīng)濟政策和行業(yè)自身特點對企業(yè)財務(wù)風險具有較大影響，因此區(qū)分行業(yè)，在房地產(chǎn)行業(yè)內(nèi)研究其企業(yè)財務(wù)風險具有較大意義。

二、研究設(shè)計

（一）研究方法

BP神經(jīng)網(wǎng)絡(luò)又叫前饋神經(jīng)網(wǎng)絡(luò)，以非線性映射和并行處理方式模擬不同層次和程度上人腦神經(jīng)運動。BP神經(jīng)網(wǎng)絡(luò)由三部分組成：輸入層、隱含層和輸出層，每層都包含若干節(jié)點，同層上節(jié)點相互獨立，不同層次上節(jié)點全互聯(lián)方式聯(lián)接。BP神經(jīng)網(wǎng)絡(luò)每個節(jié)點都有一個傳輸函數(shù)，傳輸函數(shù)是反應(yīng)下層輸入對上層節(jié)點刺激脈沖強度的函數(shù)。傳輸函數(shù)一般有三種：S型傳輸函數(shù)（sigmoid），雙極S型傳輸函數(shù)和線性函數(shù)purelin。BP神經(jīng)網(wǎng)絡(luò)的學習過程包含信息的正向傳播和誤差的反向傳播兩個過程。信息的正向傳播：輸入信息經(jīng)過輸入層、隱含層傳向輸出層，在權(quán)值、閾值和傳輸函數(shù)共同作用下，從輸出層取得輸出值。誤差的反向傳播：將輸出值與預(yù)期值進行比較，如果誤差超過了規(guī)定范圍，則把誤差逐層反向傳播，由輸出層傳向隱含層，逐層修改各層閾值和權(quán)值以減少誤差。如此循環(huán)直到輸出誤差達到期望結(jié)果為止。

BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建步驟如下：初始構(gòu)建網(wǎng)絡(luò)。確定各層節(jié)點數(shù)，設(shè)定權(quán)值和反應(yīng)網(wǎng)絡(luò)預(yù)測誤差的閾值;將訓練樣本從輸入輸入層節(jié)點，計算各層輸出;計算誤差，通過更改權(quán)值和閾值向后傳播誤差;求誤差函數(shù)。判斷其是否收斂在給定的精度以內(nèi)，如果滿足則學習結(jié)束，否則繼續(xù)訓練樣本的學習。

（二）選取樣本

本文隨機抽取國內(nèi)44家房地產(chǎn)上市公司為研究樣本，從其披露的年度財務(wù)報告中收集了2011至2013年上市公司樣本數(shù)據(jù)。

（三）財務(wù)風險狀況分類

引用前人所采用的標準，劃分44家房地產(chǎn)企業(yè)三年財務(wù)風險狀況，分類標準見表1。分類后財務(wù)健康狀態(tài)111個，輕度財務(wù)危機狀態(tài)12個，重度財務(wù)危機狀態(tài)9個。

表一上市公司財務(wù)狀況分類標準

（四）指標選取

考慮能綜合反映房地產(chǎn)企業(yè)各方面財務(wù)狀況的指標，共選取了28個指標。28個指標反映了企業(yè)的償債能力、營運能力、獲利能力、發(fā)展能力和現(xiàn)金周轉(zhuǎn)能力。分別計算44家公司2011至2013年各指標的值。選取指標見表2。

表2選取指標

三、實證檢驗分析

（一）因子分析

本文綜合選取房地產(chǎn)企業(yè)28個財務(wù)指標，但并不是所有指標都能準確反映企業(yè)財務(wù)狀況。此外，當BP神經(jīng)網(wǎng)絡(luò)的輸入變量過多時，會使網(wǎng)絡(luò)結(jié)構(gòu)變得極為復雜，網(wǎng)絡(luò)訓練負擔過重，學習速度下降，因此需要在輸入神經(jīng)網(wǎng)絡(luò)前通過因子分析來減少輸入變量的個數(shù)。首先是因子分析前對所選指標的適用性檢驗，本文采用KMO檢驗和Bartlett’s檢驗。本文利用SPSS21.0得出的檢驗結(jié)果：KMO值為0.715，適合做因子分析;巴特利球形檢驗統(tǒng)計量為1335.765，顯著性為0.000，呈現(xiàn)較高的相關(guān)性和顯著性。本文運用SPSS21.0軟件，對上述28個預(yù)警指標進行因子分析，公共因子提取如表3。

表3方差總解釋表

如表3所示，在對28個指標的因子分析后共提取八個公共因子，累計方差貢獻率達82.671%，即八個公共因子可以解釋房地產(chǎn)業(yè)上市公司財務(wù)風險的大部分信息。由因子載荷矩陣可以得出各個公共因子在28個指標上的載荷程度，進一步旋轉(zhuǎn)后可以得到成分得分系數(shù)矩陣，即可以把八個公共因子表示成28個指標的線性組合。本文將提取的八個公共因子作為神經(jīng)網(wǎng)絡(luò)的輸入變量。

（二）BP神經(jīng)網(wǎng)絡(luò)

通常三層神經(jīng)網(wǎng)絡(luò)是應(yīng)用最普遍的結(jié)構(gòu)，已經(jīng)能得出較高的準確程度，本文選取由一個輸入層、一個隱含層和一個輸出層構(gòu)成的三層BP神經(jīng)網(wǎng)絡(luò)模型。輸入層的節(jié)點數(shù)以因子分析后提取的公共因子數(shù)為準，為八個;輸出變量為一個，取值為-1，0，1。其分別代表企業(yè)的財務(wù)風險狀況為：重度財務(wù)危機、輕度財務(wù)危機、財務(wù)健康;隱含層節(jié)點數(shù)據(jù)公式（M為隱含層節(jié)點數(shù)，N為輸入層節(jié)點數(shù)，I為輸出變量數(shù)）計算。本文在在多次試驗后選取隱含層節(jié)點數(shù)為3;輸出層神經(jīng)元的傳遞函數(shù)選為Logsig函數(shù)，訓練函數(shù)為Trainlm函數(shù)。

本文在44家房地產(chǎn)上市公司三年數(shù)據(jù)中選取三分之二數(shù)據(jù)作為訓練樣本，包括財務(wù)健康狀態(tài)74個，輕度財務(wù)危機狀態(tài)8個，重度財務(wù)危機狀態(tài)4個，其余數(shù)據(jù)作為測試樣本。本文根據(jù)標準化方程對數(shù)據(jù)進行標準化處理。利用Matlab7.1軟件對標準化后數(shù)據(jù)進行訓練，網(wǎng)絡(luò)訓練次數(shù)為1000，目標誤差為0.1。網(wǎng)絡(luò)訓練過程及收斂結(jié)果經(jīng)訓練后，輸出目標與訓練目標誤差為0.08214，證明訓練后網(wǎng)絡(luò)可以較準確的反應(yīng)輸入值與訓練目標間相關(guān)關(guān)系。將測試樣本輸入神經(jīng)網(wǎng)絡(luò)模型，判定結(jié)果如表4所示。

表4測試樣本判斷結(jié)果

從實證分析結(jié)果可以看出本文神經(jīng)網(wǎng)絡(luò)模型的綜合預(yù)測準確率是較高的，為86.96%。輕度財務(wù)危機公司準確率為75%，重度財務(wù)危機公司準確率為80%。從單項準確率來看，本文的BP神經(jīng)網(wǎng)絡(luò)模型在輕度財務(wù)危機公司判別上仍有不足，原因是本文輕度財務(wù)危機所選取指標較少，神經(jīng)網(wǎng)絡(luò)的訓練不充分，導致預(yù)測結(jié)果準確率不高。

四、結(jié)論與不足

本文借由2011年至2013年房地產(chǎn)上市公司數(shù)據(jù)建立了房地產(chǎn)上市公司財務(wù)風險預(yù)警模型，其測試結(jié)果正確率是較好的，綜合正確率為86.96%，可以較準確的反應(yīng)企業(yè)財務(wù)風險狀況。但是本文在以下方面仍有不足：模型沒有反應(yīng)出非財務(wù)指標對財務(wù)狀況影響;選取數(shù)據(jù)有限，尤其是輕度財務(wù)危機和重度財務(wù)危機公司樣本數(shù)據(jù)不夠充足;財務(wù)狀況的分類有限，在樣本數(shù)據(jù)和分類標準的限制下，本文只對企業(yè)財務(wù)狀況分為三類，但企業(yè)實際所處經(jīng)濟環(huán)境復雜，財務(wù)狀況難以用此三類完整準確的概括，希望在以后的研究中對以上問題進一步探討與改進。

參考文獻：

[1]曹彤.基于神經(jīng)網(wǎng)絡(luò)模型的上市公司財務(wù)風險預(yù)警研究_來自山東省制造業(yè)數(shù)據(jù).財會通訊，2014年第三期下

[2]鄭茂.我國上市公司財務(wù)風險預(yù)警模型的構(gòu)建及實證分析.金融論壇，2003-10-20

[3]張艷鳳.基于BP神經(jīng)網(wǎng)絡(luò)的鋼鐵行業(yè)上市公司財務(wù)風險預(yù)警研究.燕山大學，2013-12-01