楊 旭，黃雪梅

（重慶財(cái)經(jīng)職業(yè)學(xué)院，重慶市 402160）

近年來(lái)，隨著飼料產(chǎn)業(yè)推動(dòng)農(nóng)業(yè)及畜牧業(yè)發(fā)展速度的加快，飼料產(chǎn)業(yè)在推動(dòng)我國(guó)社會(huì)經(jīng)濟(jì)發(fā)展方面起著重要作用。但隨著全球貿(mào)易一體化進(jìn)程的加快，飼料行業(yè)受外部市場(chǎng)環(huán)境等客觀因素造成的競(jìng)爭(zhēng)壓力也逐漸增加，飼料企業(yè)面臨著融資渠道單一化、資金擴(kuò)大產(chǎn)能不足等一系列問(wèn)題，為此，飼料企業(yè)只有拓寬渠道運(yùn)營(yíng)、提高產(chǎn)業(yè)生產(chǎn)規(guī)模、完善飼料產(chǎn)品質(zhì)量才能提升自身市場(chǎng)競(jìng)爭(zhēng)力。但在持續(xù)化經(jīng)營(yíng)過(guò)程中，飼料企業(yè)的發(fā)展又會(huì)受到國(guó)內(nèi)經(jīng)濟(jì)體制地限制，賬款回收不到位、匯率上下波動(dòng)、商貸利息上調(diào)及政策變動(dòng)等因素都會(huì)給飼料企業(yè)運(yùn)營(yíng)帶來(lái)一定的風(fēng)險(xiǎn)（杜英等，2011）。如何借助高效的運(yùn)算程序?qū)崿F(xiàn)飼料企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警分析，為飼料企業(yè)的持續(xù)化運(yùn)營(yíng)提供良好的監(jiān)測(cè)是當(dāng)前需要解決的重要問(wèn)題。本文將LSTM神經(jīng)網(wǎng)絡(luò)算法運(yùn)用到飼料企業(yè)財(cái)務(wù)預(yù)警模型構(gòu)建中，借助LSTM在處理歷史時(shí)間序列層面的優(yōu)勢(shì)來(lái)激活飼料企業(yè)財(cái)務(wù)預(yù)警數(shù)據(jù)值，為衡量飼料企業(yè)財(cái)務(wù)預(yù)警準(zhǔn)確度奠定基礎(chǔ)（董妍慧，2008）。

1 飼料企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型樣本指標(biāo)選取

1.1 飼料企業(yè)樣本的選取 當(dāng)前，很多中小飼料企業(yè)對(duì)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警的重視程度不夠，不但防范意識(shí)不足，更重要的是不能及時(shí)采取有效化防范措施及應(yīng)對(duì)方案去降低財(cái)務(wù)風(fēng)險(xiǎn)。飼料企業(yè)發(fā)展運(yùn)營(yíng)數(shù)據(jù)冗雜，飼料企業(yè)傳統(tǒng)式的財(cái)務(wù)梳理模式需要耗費(fèi)大量的時(shí)間和人力，財(cái)務(wù)數(shù)據(jù)正確率不但得不到有效保障，還極大降低了員工的工作效率（方瑞，2008）。當(dāng)前，大數(shù)據(jù)分析在飼料企業(yè)財(cái)務(wù)的應(yīng)用逐漸普遍化，不但有效保障飼料企業(yè)財(cái)務(wù)數(shù)據(jù)指標(biāo)的歷史時(shí)間序列，還在一定程度上提升了財(cái)務(wù)預(yù)警的時(shí)效性，為飼料企業(yè)運(yùn)營(yíng)模式的升級(jí)優(yōu)化提供了有效借鑒。

為驗(yàn)證LSTM神經(jīng)網(wǎng)絡(luò)對(duì)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警的性能，在中國(guó)飼料行業(yè)信息網(wǎng)上，中國(guó)飼料排榜前30名家的飼料企業(yè)中選取了20家作為飼料企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的訓(xùn)練樣本，具體為企業(yè)編號(hào)1～20，分別為山東六和集團(tuán)有限公司、廣東恒興集團(tuán)有限公司、湖南正虹科技發(fā)展股份有限公司、中牧實(shí)業(yè)股份有限公司、北京大北農(nóng)飼料科技有限責(zé)任公司、江西正邦科技股份有限公司、順德華星實(shí)業(yè)股份有限公司、江蘇正昌集團(tuán)有限公司、岳陽(yáng)岳泰集團(tuán)有限公司、陜西石羊（集團(tuán)）股份有限公司、河北凱特飼料集團(tuán)有限公司、四川新希望集團(tuán)有限公司、四川龍蟒集團(tuán)有限責(zé)任公司、金河集團(tuán)實(shí)業(yè)有限公司、遼寧禾豐牧業(yè)股份有限公司、廣東海大實(shí)業(yè)有限公司、河北興達(dá)飼料集團(tuán)有限公司、浙江新和成股份有限公司、河南牧鶴飼料添加劑有限公司、廣東溢多利生物科技股份有限公司。

1.2 飼料企業(yè)財(cái)務(wù)預(yù)警指標(biāo)的選取 基于選取的20家飼料企業(yè)樣本的財(cái)務(wù)運(yùn)營(yíng)真實(shí)指標(biāo)體系構(gòu)建飼料企業(yè)預(yù)警模型才具有一定的可行性。對(duì)飼料企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警指標(biāo)因素進(jìn)行變量描述，分別用x1-x20表示，速動(dòng)比率、流動(dòng)比率、產(chǎn)權(quán)比率、資產(chǎn)負(fù)債率、存貨周轉(zhuǎn)率、負(fù)債與有形資產(chǎn)比率、總資產(chǎn)周轉(zhuǎn)率、固定資產(chǎn)周轉(zhuǎn)率、營(yíng)業(yè)增長(zhǎng)率、資本積累率、業(yè)務(wù)利潤(rùn)率、資產(chǎn)凈利率、銷售毛利率、凈資產(chǎn)收益率、總資產(chǎn)增長(zhǎng)率、資產(chǎn)保值增值率、固定資產(chǎn)成新率、應(yīng)收款增長(zhǎng)率、應(yīng)付款增長(zhǎng)率、利潤(rùn)總額增長(zhǎng)率，這些指標(biāo)數(shù)據(jù)不僅在一定程度上代表著飼料企業(yè)運(yùn)營(yíng)狀況，還能以實(shí)時(shí)數(shù)據(jù)更新的形式對(duì)飼料企業(yè)財(cái)務(wù)進(jìn)行動(dòng)態(tài)化監(jiān)管（李莎和陳暄，2021）。

飼料企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警指標(biāo)因素的選取及篩查是建立其財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的第一步，財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警指標(biāo)因素確認(rèn)后要根據(jù)預(yù)警模型算法的時(shí)間效應(yīng)對(duì)飼料企業(yè)歷史財(cái)務(wù)數(shù)據(jù)進(jìn)行比對(duì)分析，選擇出適合飼料企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警評(píng)估的算法體系，以此更好地評(píng)估飼料企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警所處的等級(jí)（林丹楠等，2021）。LSTM神經(jīng)網(wǎng)絡(luò)算法不僅在處理歷史時(shí)間序列方面有獨(dú)特的優(yōu)勢(shì)，還能有效過(guò)濾掉干擾無(wú)效因素的影響，是飼料企業(yè)在財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型構(gòu)建中不錯(cuò)的選擇。

2 基于LSTM神經(jīng)網(wǎng)絡(luò)的飼料企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型構(gòu)建

2.1 LSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) LSTM神經(jīng)網(wǎng)絡(luò)算法結(jié)構(gòu)是依據(jù)神經(jīng)網(wǎng)絡(luò)循環(huán)結(jié)構(gòu)圖演變而來(lái)的。在圖1中，sigmoid函數(shù)采用字母σ來(lái)表示，t時(shí)刻的記憶節(jié)點(diǎn)數(shù)值為Ct，t時(shí)刻的隱藏?cái)?shù)據(jù)輸出為ht（孫嶸，2008）。LSTM神經(jīng)網(wǎng)絡(luò)是在神經(jīng)網(wǎng)絡(luò)循環(huán)結(jié)構(gòu)的基礎(chǔ)上進(jìn)行優(yōu)化升級(jí)，相對(duì)神經(jīng)網(wǎng)絡(luò)循環(huán)結(jié)構(gòu)講，LSTM神經(jīng)網(wǎng)絡(luò)將記憶及遺忘節(jié)點(diǎn)進(jìn)行了介入引進(jìn)，如下所示：

圖1 LSTM 神經(jīng)網(wǎng)絡(luò)算法結(jié)構(gòu)圖

遺忘門（Forget gate）ft的表示方法（王婷和吳建軍，2021）為

式中：Wf表示遺忘門權(quán)重矩陣，bf表示遺忘門偏置。

輸入門（Input gate）it的表達(dá)方式為

式中：Wi表示輸入門權(quán)重，bi表示輸入門偏置。

Ct表示記憶節(jié)點(diǎn)值（王菲菲，2018）

式中：WC表示記憶節(jié)點(diǎn)的權(quán)重，bC表示記憶節(jié)點(diǎn)偏置。

借助Ct－1時(shí)刻經(jīng)過(guò)記憶節(jié)點(diǎn)的遺忘數(shù)值及下一時(shí)刻的候選數(shù)值來(lái)確定新時(shí)刻記憶節(jié)點(diǎn)Ct，表示方法（余璐，2021）為

輸出門（Output gate）ot的表示方法為

式中：Wo表示輸出門的權(quán)重，bo表示輸出門偏置。

依據(jù)傳播路徑進(jìn)行反向輸出，將各權(quán)重及偏置進(jìn)行最優(yōu)化處理，以此得到LSTM神經(jīng)網(wǎng)絡(luò)模型的精準(zhǔn)預(yù)測(cè)結(jié)果。

2.2 基于LSTM的飼料企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型流程 選擇飼料企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警數(shù)據(jù)指標(biāo)，將篩選的樣本數(shù)據(jù)進(jìn)行定量分析優(yōu)化，借助LSTM神經(jīng)網(wǎng)絡(luò)算法進(jìn)行飼料企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型構(gòu)建預(yù)估，依據(jù)傳播路徑進(jìn)行反向輸出比對(duì)，將各權(quán)重及偏置進(jìn)行最優(yōu)化處理，最終得到LSTM神經(jīng)網(wǎng)絡(luò)模型的精準(zhǔn)預(yù)測(cè)結(jié)果（張國(guó)富和范亞?wèn)|，2021）。具體流程呈現(xiàn)如圖2所示。

圖2 LSTM神經(jīng)網(wǎng)絡(luò)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警流程圖

3 LSTM神經(jīng)網(wǎng)絡(luò)對(duì)飼料企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警的性能分析

3.1 LSTM神經(jīng)網(wǎng)絡(luò)對(duì)飼料企業(yè)固定資產(chǎn)周轉(zhuǎn)率及速動(dòng)資產(chǎn)比率預(yù)測(cè)分析 選擇20個(gè)飼料企業(yè)訓(xùn)練樣本，借助LSTM神經(jīng)網(wǎng)絡(luò)算法對(duì)飼料企業(yè)的固定資產(chǎn)周轉(zhuǎn)率及速動(dòng)比率進(jìn)行比對(duì)分析，圖3-1可以發(fā)現(xiàn)企業(yè)編號(hào)3、12、18在速動(dòng)比率上出現(xiàn)了較小的偏差，在圖3-2中發(fā)現(xiàn)，企業(yè)編號(hào)為4、8的飼料企業(yè)在固定資產(chǎn)周轉(zhuǎn)率上存在較小的偏差，其他飼料企業(yè)財(cái)務(wù)預(yù)警模型在速動(dòng)比率上評(píng)估出的預(yù)測(cè)值與實(shí)際的閾值幾乎一致。

圖3 LSTM神經(jīng)網(wǎng)絡(luò)算法對(duì)飼料企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警估值

在此次算法評(píng)估中分別將飼料企業(yè)預(yù)警指標(biāo)的速動(dòng)比率、資產(chǎn)周轉(zhuǎn)率的閾值設(shè)置為2與6，將飼料企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警指標(biāo)的實(shí)際數(shù)據(jù)錄入算法程序，通過(guò)將預(yù)測(cè)結(jié)果與閾值的比對(duì)差異來(lái)為飼料企業(yè)財(cái)務(wù)提供預(yù)警信號(hào)。

3.2 LSTM神經(jīng)網(wǎng)絡(luò)對(duì)飼料企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)準(zhǔn)確率 將選取的20家飼料企業(yè)訓(xùn)練樣本的數(shù)據(jù)導(dǎo)入LSTM神經(jīng)網(wǎng)絡(luò)算法，依據(jù)LSTM神經(jīng)網(wǎng)絡(luò)企業(yè)財(cái)務(wù)預(yù)警流程進(jìn)行反復(fù)比對(duì)，以獲取均值的形式將得出的預(yù)測(cè)值與前期設(shè)定的閾值進(jìn)行對(duì)比。將其財(cái)務(wù)實(shí)際預(yù)警數(shù)據(jù)與LSTM神經(jīng)網(wǎng)絡(luò)算法得出的評(píng)估結(jié)果進(jìn)行比對(duì)分析發(fā)現(xiàn)，該財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型預(yù)測(cè)的準(zhǔn)確率最高達(dá)100%，而在企業(yè)編號(hào)9的預(yù)測(cè)值相對(duì)較差，但其準(zhǔn)確率也達(dá)到85.73%，因此，從對(duì)比數(shù)據(jù)可知，LSTM神經(jīng)網(wǎng)絡(luò)對(duì)飼料企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)的準(zhǔn)確率較高，具有一定的推廣價(jià)值。

3.3 LSTM神經(jīng)網(wǎng)絡(luò)算法在飼料企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警準(zhǔn)確率上更占優(yōu)勢(shì) 為了更好地驗(yàn)證LSTM神經(jīng)網(wǎng)絡(luò)算法在飼料企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警中的可行性，將選取的20個(gè)飼料企業(yè)財(cái)務(wù)預(yù)警樣本隨機(jī)分成3組，分別使用BP神經(jīng)網(wǎng)絡(luò)算法、卷積神經(jīng)網(wǎng)絡(luò)算法與LSTM神經(jīng)網(wǎng)絡(luò)算法程序進(jìn)行分析，分析結(jié)果見圖4。

由圖4可知，與BP神經(jīng)網(wǎng)絡(luò)算法、卷積神經(jīng)網(wǎng)絡(luò)算法相比，LSTM神經(jīng)網(wǎng)絡(luò)算法在飼料行業(yè)上市企業(yè)中的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警準(zhǔn)確率最高。因此，借助LSTM神經(jīng)網(wǎng)絡(luò)算法對(duì)飼料企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警在可行性上更占優(yōu)勢(shì)。

圖4 不同算法對(duì)飼料企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警性能對(duì)比

4 結(jié)語(yǔ)

采用LSTM神經(jīng)網(wǎng)絡(luò)算法對(duì)飼料企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警的性能分析具有一定的可行性。借助LSTM神經(jīng)網(wǎng)絡(luò)算法將選取的飼料企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警因素指標(biāo)進(jìn)行相關(guān)樣本訓(xùn)練，同時(shí)將設(shè)置的閾值與預(yù)測(cè)值相比發(fā)現(xiàn)，相對(duì)于其他通用的預(yù)警模式，基于LSTM神經(jīng)網(wǎng)絡(luò)的飼料企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型更具準(zhǔn)確性。