林佳鑫

摘要：經(jīng)過幾十年的發(fā)展，企業(yè)財(cái)務(wù)困境預(yù)警研究已經(jīng)發(fā)展為國內(nèi)外學(xué)術(shù)界所廣泛關(guān)注的課題之一。公司的財(cái)務(wù)困境預(yù)警研究不但具有較高的學(xué)術(shù)價值，并且還有著巨大的應(yīng)用價值，能夠成為公司管理者及其利益相關(guān)者進(jìn)行決策的參考依據(jù)。

關(guān)鍵詞：企業(yè)財(cái)務(wù)困境預(yù)警；人工神經(jīng)網(wǎng)絡(luò)

中圖分類號：F23

文獻(xiàn)標(biāo)識碼：A

doi：10.19311/j.cnki.16723198.2016.21.066

1人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是基于理論化的人腦神經(jīng)網(wǎng)絡(luò)，是通過模仿大腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能模擬建立起來的一種信息處理系統(tǒng)，此類人工神經(jīng)網(wǎng)絡(luò)由大量較簡單的人工神經(jīng)元根據(jù)一定的規(guī)律連接起來形成復(fù)雜網(wǎng)絡(luò)，具有高度的非線性，在系統(tǒng)功能上能夠滿足復(fù)雜的邏輯操作和非線性關(guān)系實(shí)現(xiàn)。在網(wǎng)絡(luò)中信息的轉(zhuǎn)播、存儲方式以及信息存儲在各個神經(jīng)元的連接權(quán)上都與生物神經(jīng)網(wǎng)絡(luò)進(jìn)行信息傳播存儲相似。兩者都是運(yùn)用并行式的“集體”工作方式。這種信息處理系統(tǒng)是通過人工模仿人腦神經(jīng)網(wǎng)絡(luò)而建立的，因此被人稱為人工神經(jīng)網(wǎng)絡(luò)。

設(shè)輸入模式向量為Xk=（xk1，xk2，…，xkn）T（k=1，2，…，m），對應(yīng)輸入模式的期望輸出向量為Yk=（yk1，yk2，…，ykq）T；中間隱含層凈輸入向量Sk=（sk1，sk2，…，skp）T，輸出向量Bk=（bk1，bk2，…，bkp）T；輸出層凈輸入向量Lk=（lk1，lk2，…，lkq）T，實(shí)際輸出向量為Ck=（ck1，ck2，…，ckq）T。

2財(cái)務(wù)預(yù)警指標(biāo)體系的構(gòu)建與模型設(shè)計(jì)

（1）財(cái)務(wù)數(shù)據(jù)的確定。

財(cái)務(wù)數(shù)據(jù)選取為2015會計(jì)年度報(bào)表中的財(cái)務(wù)數(shù)據(jù)，數(shù)據(jù)來源于東方財(cái)富網(wǎng)和巨潮資訊網(wǎng)。其中滬市A股上市公司代碼60XXXX。

（2）基于BP神經(jīng)網(wǎng)絡(luò)的財(cái)務(wù)預(yù)警模型的構(gòu)建從常規(guī)來看，BP網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)主要包括隱含層、確定輸入層、輸出層及各層之間的傳遞函數(shù)。事實(shí)上，網(wǎng)絡(luò)的應(yīng)用往往轉(zhuǎn)化為如何確定網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)和網(wǎng)絡(luò)模型的最終連接權(quán)值。在實(shí)驗(yàn)過程中，模型的具體設(shè)置如下。

①網(wǎng)絡(luò)層數(shù)的設(shè)計(jì)。神經(jīng)網(wǎng)絡(luò)主要由出入層、隱含層和可以加強(qiáng)網(wǎng)絡(luò)映射精度的隱含層組成。在模型設(shè)置中對于多層神經(jīng)網(wǎng)絡(luò)而言最重要的是要確定隱含層的具體數(shù)目。在模型設(shè)置中，通過采用單隱含層BP神經(jīng)網(wǎng)絡(luò)，即僅利用一個輸入層、一個輸出層和一個隱含層就能夠?qū)崿F(xiàn)將財(cái)務(wù)危機(jī)良好分類。

②輸入層的設(shè)計(jì)。在模型設(shè)計(jì)過程中通過輸入相關(guān)變量決定輸入層的神經(jīng)元個數(shù)，使輸入節(jié)點(diǎn)與網(wǎng)絡(luò)的逼近效果呈正相關(guān)。但是在模型設(shè)計(jì)過程中，一味盲目的擴(kuò)大節(jié)點(diǎn)數(shù)也會加大網(wǎng)絡(luò)的負(fù)擔(dān)，從而對網(wǎng)絡(luò)的訓(xùn)練時間和訓(xùn)練效果進(jìn)而影響網(wǎng)絡(luò)的訓(xùn)練時間和訓(xùn)練效果，此次研究的輸入層節(jié)點(diǎn)數(shù)為財(cái)務(wù)預(yù)警指標(biāo)的個數(shù)，即9個。

③輸出層的設(shè)計(jì)。輸出值代表模型要實(shí)現(xiàn)的目標(biāo)功能，這種網(wǎng)絡(luò)結(jié)構(gòu)同一般指標(biāo)預(yù)警有著共同點(diǎn)，輸入層和隱含層分別為預(yù)警指標(biāo)和警情指標(biāo)。

④隱含層的設(shè)計(jì)。在模型系統(tǒng)中，對網(wǎng)絡(luò)的性能產(chǎn)生重要影響的因素是算法的神經(jīng)網(wǎng)絡(luò)中各層節(jié)點(diǎn)數(shù)。實(shí)驗(yàn)要達(dá)到預(yù)定的映射關(guān)系必須克服單隱含層網(wǎng)絡(luò)的非線性映射能力較弱這一缺點(diǎn)。實(shí)驗(yàn)中在設(shè)計(jì)隱含層節(jié)點(diǎn)時，進(jìn)行反復(fù)測算，當(dāng)隱含層神經(jīng)元個數(shù)為18個時選擇預(yù)測結(jié)果最為理想。

⑤傳遞函數(shù)。傳遞函數(shù)又稱為激活函數(shù)，對輸入層到隱含層的傳遞函數(shù)為tan Sigmoid函數(shù)。隱含層到輸出層之間的傳遞函數(shù)確定為Purelin型線性傳遞函數(shù)。

⑥網(wǎng)絡(luò)參數(shù)。此論文在研究過程中設(shè)置如下網(wǎng)絡(luò)參數(shù)：目標(biāo)誤差0.0000001，學(xué)習(xí)速率為0.1，訓(xùn)練循環(huán)次數(shù)200次。通過測試，得出最優(yōu)學(xué)習(xí)速率為0.03。

（3）預(yù)警模型的檢驗(yàn)與測試。

利用BP神經(jīng)網(wǎng)絡(luò)的財(cái)務(wù)預(yù)警模型設(shè)計(jì)，將實(shí)驗(yàn)所需的樣本集分為訓(xùn)練樣本和測試樣本2組。從樣本集中隨機(jī)抽取10家企業(yè)作為測試樣本，剩下的ST企業(yè)和非ST企業(yè)作為訓(xùn)練樣本。將上述對應(yīng)樣本輸入程序，通過計(jì)算機(jī)程序運(yùn)算就得到了測試樣本模型演算的輸出值。程序運(yùn)行情況表明該BP網(wǎng)絡(luò)模型的誤差曲線是收斂的，通過24步訓(xùn)練，該程序的網(wǎng)絡(luò)性能達(dá)標(biāo)，符合初始化均方差的要求。此程序模型對訓(xùn)練樣本和測試樣本的判定結(jié)果如表1所示。

將財(cái)務(wù)困境公司判定為財(cái)務(wù)健康公司和將財(cái)務(wù)健康公司判定為財(cái)務(wù)困境公司是BP神經(jīng)網(wǎng)絡(luò)模型樣本誤判的兩種類別。實(shí)驗(yàn)結(jié)果表明，從訓(xùn)練樣本的角度來看，誤判的樣本個數(shù)為0個，也就意味著其判定準(zhǔn)確率達(dá)到100%。從測試樣本的角度來看，被誤判的樣本個數(shù)為2，兩種誤判類型的樣本個數(shù)各占一個，以上實(shí)驗(yàn)結(jié)果表明誤判率為20%，判定準(zhǔn)確率為80%，總的判定準(zhǔn)確率為96%。

3研究結(jié)果

每個企業(yè)可能會有不同的財(cái)務(wù)狀況短板，但是利用以上系統(tǒng)進(jìn)行直觀的數(shù)據(jù)分析，能夠從宏觀方面看出存在財(cái)務(wù)危機(jī)可能性的企業(yè)的整體財(cái)務(wù)狀況要比非ST企業(yè)差很多。也進(jìn)一步說明了在該模型的測試下，隨機(jī)抽樣的方式選擇樣本數(shù)據(jù)，依然具有較高的準(zhǔn)確率。

參考文獻(xiàn)

[1]楊淑娥，黃禮.基于BP神經(jīng)網(wǎng)絡(luò)的上市公司財(cái)務(wù)預(yù)警模型[J].系統(tǒng)工程理論與實(shí)踐，2005，（01）：1218，26.

[2]秦秀秀.基于BP神經(jīng)網(wǎng)絡(luò)的創(chuàng)業(yè)板上市公司財(cái)務(wù)預(yù)警研究[D].淮南：安徽理工大學(xué)，2015.

[3]高喆.基于BP神經(jīng)網(wǎng)絡(luò)模型的制造業(yè)上市公司財(cái)務(wù)預(yù)警研究[D].北京：北京交通大學(xué)，2015.