摘 要:企業(yè)在整個生產(chǎn)經(jīng)營過程中不可避免地會面臨財務(wù)風(fēng)險,風(fēng)險的準(zhǔn)確預(yù)警能夠幫助企業(yè)提前做好防范措施,降低風(fēng)險的影響。為了提高企業(yè)財務(wù)風(fēng)險預(yù)警的準(zhǔn)確性,本文提出了一種基于灰色預(yù)測與BP神經(jīng)網(wǎng)絡(luò)的組合預(yù)測模型,能夠互補(bǔ)并發(fā)揮兩者各自的優(yōu)點。以H公司2014年-2021年的財務(wù)報表數(shù)據(jù)為樣本,構(gòu)建灰色BP神經(jīng)網(wǎng)絡(luò)組合模型,并進(jìn)行實例驗證分析。結(jié)果表明:相較于單一的灰色模型,組合模型的平均相對誤差更小,也即預(yù)測準(zhǔn)確性更高。
關(guān)鍵詞:財務(wù)風(fēng)險;灰色BP神經(jīng)網(wǎng)絡(luò);組合模型
一、引言
隨著我國經(jīng)濟(jì)的快速發(fā)展以及國家政策的不斷調(diào)整,各企業(yè)的經(jīng)營環(huán)境、管理模式及經(jīng)濟(jì)效益都將隨之發(fā)生較大改變,使得企業(yè)面臨的財務(wù)風(fēng)險進(jìn)一步增加。若企業(yè)未引起足夠重視、未能精準(zhǔn)識別風(fēng)險并及時做出防范措施,最終很可能導(dǎo)致企業(yè)陷入財務(wù)危機(jī),影響其正常生產(chǎn)經(jīng)營活動。傳統(tǒng)的利用幾個財務(wù)指標(biāo)數(shù)據(jù)來識別、評估風(fēng)險的方法已經(jīng)不能滿足企業(yè)發(fā)展要求。有必要建立一個準(zhǔn)確、有效的財務(wù)風(fēng)險預(yù)警模型,幫助企業(yè)財務(wù)管理部門以及管理人員了解未來的財務(wù)風(fēng)險狀況,并及時做出防范措施。
國內(nèi)外學(xué)者對財務(wù)風(fēng)險做了大量研究,并建立了多種預(yù)警模型,提出了有效的防范措施。朱琴等人構(gòu)建了灰色GM(1,1)預(yù)測模型,并驗證了該模型在企業(yè)財務(wù)風(fēng)險預(yù)測方面的有效性。張國富等人以財務(wù)指標(biāo)為輸入值、預(yù)警等級為輸出值,建立BP神經(jīng)網(wǎng)絡(luò)模型并對物流企業(yè)的財務(wù)風(fēng)險進(jìn)行了預(yù)測。歐陽歆以2013年ST的84家上市企業(yè)為樣本建立了Z值模型,結(jié)果表明該模型能夠較好地識別財務(wù)風(fēng)險。鄭建國等人提出了一種基于粒子群算法和BP神經(jīng)網(wǎng)絡(luò)的組合模型,結(jié)果表明組合模型的預(yù)測精度更高。范俊明等人采用熵權(quán)TOPSIS和K均值聚類的方法對上市企業(yè)財務(wù)風(fēng)險進(jìn)行了評價預(yù)警,結(jié)果表明該模型具有較高的準(zhǔn)確性。楊旭等人利用LSTM神經(jīng)網(wǎng)絡(luò)模型對飼料企業(yè)的財務(wù)風(fēng)險進(jìn)行了預(yù)警。
因此,可以建立有效的預(yù)測模型對企業(yè)財務(wù)風(fēng)險進(jìn)行預(yù)警,并且運(yùn)用組合模型能夠提高財務(wù)風(fēng)險預(yù)測的準(zhǔn)確性。本文采用灰色GM(1,1)和BP神經(jīng)網(wǎng)絡(luò)構(gòu)建財務(wù)風(fēng)險組合預(yù)測模型,并以H公司為樣本進(jìn)行驗證分析。
二、灰色BP神經(jīng)網(wǎng)絡(luò)預(yù)警模型
財務(wù)風(fēng)險是客觀存在的,即任何企業(yè)在生產(chǎn)經(jīng)營過程中都會面臨財務(wù)風(fēng)險,只是風(fēng)險大小存在差異。最常用的方法就是比較分析長期或短期財務(wù)指標(biāo)數(shù)值的變化來判斷企業(yè)所處的財務(wù)狀況,其結(jié)果往往因為指標(biāo)選取不全面而具有較大的誤差。本文則是構(gòu)建預(yù)警模型對企業(yè)財務(wù)狀況進(jìn)行綜合分析,其過程主要包括三個:指標(biāo)選取、預(yù)警值計算以及財務(wù)狀況預(yù)測。
1.財務(wù)風(fēng)險預(yù)警指標(biāo)選取
各財務(wù)指標(biāo)都是通過企業(yè)財務(wù)數(shù)據(jù)的數(shù)學(xué)混合計算得到的,因此部分指標(biāo)之間具有較強(qiáng)的關(guān)聯(lián)性。對關(guān)聯(lián)性較強(qiáng)的指標(biāo)進(jìn)行篩選,不僅可以大大簡化計算過程,而且對最終結(jié)果的影響也微乎其微。常用的篩選方法有灰色關(guān)聯(lián)分析法與Pearson相關(guān)性分析法?;疑P(guān)聯(lián)分析法是將凈利潤等直接反映企業(yè)財務(wù)狀況的指標(biāo)作為參考序列,其他指標(biāo)作為比較序列進(jìn)行關(guān)聯(lián)度分析,關(guān)聯(lián)度高的指標(biāo)作為最終篩選指標(biāo)。Pearson相關(guān)性分析法則是利用spss等軟件對各項指標(biāo)進(jìn)行相關(guān)性分析,對于相關(guān)性較大的兩個指標(biāo),從其中任選一個指標(biāo),剔除另外一個指標(biāo),以此來降低指標(biāo)的重復(fù)度。
企業(yè)財務(wù)風(fēng)險分析過程中不能只考慮財務(wù)指標(biāo)的作用,非財務(wù)指標(biāo)如國家政策、法律法規(guī)、資源環(huán)境、管理決策等也會對企業(yè)生產(chǎn)經(jīng)營效益產(chǎn)生重大影響,因此在財務(wù)風(fēng)險評價時也需要考慮企業(yè)典型非財務(wù)因素的影響。只有綜合分析財務(wù)指標(biāo)與非財務(wù)指標(biāo),才能保證預(yù)警模型更加貼近企業(yè)實際狀況。
2.指標(biāo)權(quán)重及預(yù)警值計算
各指標(biāo)對財務(wù)風(fēng)險的影響程度不同,權(quán)重越大其影響程度越大,因此首先需要確定各指標(biāo)的權(quán)重,并且財務(wù)指標(biāo)與非財務(wù)指標(biāo)權(quán)重的計算方法不一樣。對于財務(wù)指標(biāo),一般運(yùn)用熵權(quán)法來確定各指標(biāo)的權(quán)重;非財務(wù)指標(biāo)屬于定性指標(biāo),通過向?qū)I(yè)人員發(fā)放調(diào)查問卷,對各指標(biāo)進(jìn)行打分,根據(jù)評分構(gòu)建判斷矩陣,運(yùn)用層次分析法來確定權(quán)重。只有一致性滿足檢驗要求才可使用層次分析法。
以歷年《企業(yè)績效評價標(biāo)準(zhǔn)值》中的評價系數(shù)以及對應(yīng)行業(yè)的標(biāo)準(zhǔn)值為參考,將財務(wù)風(fēng)險評價標(biāo)準(zhǔn)劃分為優(yōu)秀、良好、平均、較低、較差五個檔次,對應(yīng)評價標(biāo)準(zhǔn)的標(biāo)準(zhǔn)系數(shù)分別為1.0、0.8、0.6、0.4、0.2,運(yùn)用改進(jìn)的功效系數(shù)法計算財務(wù)指標(biāo)的預(yù)警值,利用調(diào)查問卷獲得的分值和權(quán)重計算出非財務(wù)指標(biāo)的預(yù)警值。根據(jù)財務(wù)指標(biāo)與非財務(wù)指標(biāo)的權(quán)重,計算出企業(yè)財務(wù)風(fēng)險的綜合預(yù)警值(0~100),通過該預(yù)警值即可判斷企業(yè)財務(wù)風(fēng)險所處的預(yù)警程度,預(yù)警級別分為巨警(<60)、重警(60~70)、中警(70~80)、輕警(80~90)和無警(>90)。
3.財務(wù)風(fēng)險預(yù)警值預(yù)測
只有進(jìn)行財務(wù)風(fēng)險預(yù)測才可幫助企業(yè)了解未來可能的財務(wù)狀況,并提前做出防范措施。GM(1,1)模型是灰色預(yù)測模型中最基本、最常用的模型,屬于“小樣本”模型,只需要少量數(shù)據(jù)就可進(jìn)行有效預(yù)測,但其具有局限性,即只適用于指數(shù)規(guī)律較強(qiáng)的數(shù)據(jù)預(yù)測。BP神經(jīng)網(wǎng)絡(luò)是一種基于誤差反向傳播來訓(xùn)練的前饋神經(jīng)網(wǎng)絡(luò),有著對非線性數(shù)據(jù)具有較強(qiáng)的擬合能力以及容錯性較好的優(yōu)點。將兩者進(jìn)行組合,正好能夠互補(bǔ)發(fā)揮各自的優(yōu)勢,提高預(yù)測模型的準(zhǔn)確性。
將計算得到的風(fēng)險綜合預(yù)警值作為原始數(shù)據(jù)代入灰色GM(1,1)的數(shù)學(xué)公式中,計算出發(fā)展系數(shù)與灰色作用量,建立灰色預(yù)測模型,并以此模型算出對應(yīng)年份財務(wù)風(fēng)險的預(yù)測值。將預(yù)測值作為BP神經(jīng)網(wǎng)絡(luò)的目標(biāo)輸入,原始數(shù)據(jù)作為目標(biāo)輸出,設(shè)置合適的隱含層神經(jīng)元個數(shù),使得擬合出來的數(shù)據(jù)誤差最小,此時的輸出值即為組合模型的財務(wù)風(fēng)險預(yù)測值。對灰色BP神經(jīng)網(wǎng)絡(luò)組合模型的誤差進(jìn)行驗算,并對未來年份的財務(wù)風(fēng)險進(jìn)行預(yù)測,以此來幫助企業(yè)提前做好防范措施。
三、實例分析
本文以H公司2014年-2021年的財務(wù)報表數(shù)據(jù)為樣本,參考國資委發(fā)布的《企業(yè)績效評價標(biāo)準(zhǔn)值》,并結(jié)合公司自身經(jīng)營特點,共選取了19個財務(wù)指標(biāo),以驗證灰色BP神經(jīng)網(wǎng)絡(luò)預(yù)警模型的準(zhǔn)確性,如表1所示。
選取凈利潤為參考序列,利用灰色關(guān)聯(lián)分析法篩選出財務(wù)分析指標(biāo),并運(yùn)用熵權(quán)法計算出各財務(wù)指標(biāo)的權(quán)重。召集H公司10位財務(wù)專家,以座談討論的方式篩選出典型的非財務(wù)指標(biāo),進(jìn)行指標(biāo)影響度排名,并運(yùn)用層次分析法計算出非財務(wù)指標(biāo)的權(quán)重。眾專家認(rèn)為非財務(wù)指標(biāo)重要程度排名如下:自然資源=國家政策>經(jīng)濟(jì)發(fā)展>安全生產(chǎn)>生態(tài)環(huán)保>管理決策。財務(wù)與非財務(wù)指標(biāo)篩選結(jié)果及各自權(quán)重如表2所示。
參考2014年-2021年《企業(yè)績效評價標(biāo)準(zhǔn)值》中的電力生產(chǎn)行業(yè)數(shù)據(jù),利用改進(jìn)的功效系數(shù)法計算各年度的財務(wù)風(fēng)險預(yù)警分值。以專家打分的方式獲得各年度非財務(wù)指標(biāo)的分?jǐn)?shù)值,并利用層次分析法計算出非財務(wù)指標(biāo)預(yù)警分值。最后,根據(jù)財務(wù)與非財務(wù)指標(biāo)權(quán)重計算出H公司各年度的風(fēng)險綜合預(yù)警值。2014年-2021年預(yù)警值計算結(jié)果如下:77.64、88.08、89.35、91.39、77.82、89.57、80.77、73.39,對應(yīng)的風(fēng)險等級依次為:中警、輕警、輕警、無警、中警、輕警、輕警、中警。由以上計算可知,H公司2017年面臨較小的財務(wù)風(fēng)險,2015年、2016年、2019年以及2020年的財務(wù)風(fēng)險有所上升,2014年、2018年以及2021年此三年所面臨的財務(wù)風(fēng)險比較嚴(yán)重。通過查詢2014年、2018年以及2021年的年報,發(fā)現(xiàn)在此三年H公司都經(jīng)歷了生產(chǎn)成本上漲或者是生產(chǎn)資料短缺現(xiàn)象,致使經(jīng)營效益大幅度降低,財務(wù)風(fēng)險加劇。
已經(jīng)確定H公司當(dāng)前的財務(wù)運(yùn)營狀況,有必要進(jìn)一步探究該公司未來潛在的財務(wù)風(fēng)險,對財務(wù)風(fēng)險進(jìn)行合理預(yù)測,并做出適當(dāng)?shù)恼{(diào)整。將2014年-2021年計算出的綜合預(yù)警值作為原始數(shù)據(jù),運(yùn)用灰色建模軟件V7.0中的GM(1,1)模型,得到灰色預(yù)測模型的發(fā)展系數(shù)為0.0212,灰色作用量為92.4176,構(gòu)建灰色預(yù)測模型并計算出對應(yīng)年份的風(fēng)險預(yù)測值。運(yùn)用MATLAB中的BP神經(jīng)網(wǎng)絡(luò)工具箱,將風(fēng)險預(yù)測值作為目標(biāo)輸入值,原始數(shù)據(jù)作為目標(biāo)輸出值,調(diào)整隱含層神經(jīng)元個數(shù)進(jìn)行數(shù)據(jù)擬合。通過測試,當(dāng)隱含層神經(jīng)元個數(shù)為8時,數(shù)據(jù)擬合的誤差最小,其結(jié)果如表3所示。
通過實例計算,求得單一灰色預(yù)測模型的平均相對誤差為3.81%,組合模型的平均相對誤差為1.09%,這充分說明將灰色預(yù)測GM(1,1)模型與BP神經(jīng)網(wǎng)絡(luò)模型相結(jié)合,可以提高預(yù)測的精度,使得預(yù)測結(jié)果更加精準(zhǔn)。此外,通過該組合模型預(yù)測得到:H公司2022年的財務(wù)風(fēng)險預(yù)警值為76.52,財務(wù)風(fēng)險相較于2021年有所降低,但依然處于中警區(qū)。為進(jìn)一步加強(qiáng)對H公司的財務(wù)風(fēng)險管控能力,需要從價值鏈構(gòu)成的整個角度出發(fā),加強(qiáng)上游生產(chǎn)資料采購管理,確保采購價格控制在合理范疇,加強(qiáng)對資源的調(diào)配利用;在生產(chǎn)管理環(huán)節(jié)則需要提高管理效率、降低管理成本;在下游則需要加強(qiáng)市場營銷與價格維護(hù),從而提高營收與利潤率。
四、結(jié)論
為了幫助企業(yè)準(zhǔn)確了解未來的財務(wù)風(fēng)險狀況,本文利用灰色GM(1,1)和BP神經(jīng)網(wǎng)絡(luò)構(gòu)建出灰色BP神經(jīng)網(wǎng)絡(luò)組合預(yù)警模型,該模型能夠互補(bǔ)發(fā)揮兩者“小樣本、非線性”的優(yōu)勢。以H公司財務(wù)數(shù)據(jù)為樣本,將灰色BP神經(jīng)網(wǎng)絡(luò)組合模型與單一灰色預(yù)測模型的預(yù)測結(jié)果進(jìn)行對比分析。結(jié)果表明:灰色BP神經(jīng)網(wǎng)絡(luò)預(yù)警模型相對于灰色預(yù)測模型,誤差有了極大的降低,預(yù)測結(jié)果更加準(zhǔn)確。最后依據(jù)預(yù)測結(jié)果,給H公司提出了合理有效的風(fēng)險應(yīng)對措施。
參考文獻(xiàn):
[1]朱琴,邱玉蓮,項琳娜,等.灰色預(yù)測模型在企業(yè)財務(wù)風(fēng)險中的應(yīng)用[J].科技創(chuàng)業(yè)月刊,2007(07):47-48.
[2]張國富,范亞東.基于BP神經(jīng)網(wǎng)絡(luò)的物流企業(yè)財務(wù)風(fēng)險預(yù)警研究[J].生產(chǎn)力研究,2012(11):219-220.
[3]歐陽歆.基于Z模型的財務(wù)風(fēng)險預(yù)警模型運(yùn)用[J].財會通訊,2013(32):117-119.
[4]鄭建國,馮珍慧.基于PSO-BP神經(jīng)網(wǎng)絡(luò)的上市公司財務(wù)風(fēng)險預(yù)測研究[J].信息技術(shù)與信息化,2016(08):43-47.
[5]范俊明,劉洪久,胡彥蓉.基于熵權(quán)TOPSIS和K均值聚類的企業(yè)財務(wù)風(fēng)險評價預(yù)警研究[J].上海商學(xué)院學(xué)報, 2020,21(05):13-27.
[6]楊旭,黃雪梅.基于LSTM神經(jīng)網(wǎng)絡(luò)的飼料企業(yè)財務(wù)風(fēng)險預(yù)警模型構(gòu)建[J].中國飼料,2022(14):135-138.
作者簡歷:陳曉靜(1989.02- ),女,土家族,籍貫:湖北恩施,研究生在讀,職稱:會計師,研究方向:財務(wù)管理