【摘 要】本文首先論述了神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和學(xué)習(xí)原理，接著在闡述基于神經(jīng)網(wǎng)絡(luò)的財務(wù)困境預(yù)警方法的基礎(chǔ)上，構(gòu)建了基于神經(jīng)網(wǎng)絡(luò)的企業(yè)財務(wù)困境預(yù)警模型，最后，對模型的有效性進(jìn)行了檢驗。實驗結(jié)果表明，該方法應(yīng)用于財務(wù)困境預(yù)警中是有效的，不僅能發(fā)現(xiàn)企業(yè)是否存在風(fēng)險以及企業(yè)是否會陷入財務(wù)困境，向經(jīng)營者提出警示，以便及時采取相應(yīng)管理對策，而且還為廣大的投資者和包括銀行在內(nèi)的債權(quán)人判定上市公司質(zhì)量和經(jīng)營業(yè)績提供科學(xué)的手段和可靠的依據(jù)，該方法具有預(yù)測精度高，學(xué)習(xí)和泛化能力強，適應(yīng)性廣等優(yōu)點，為財務(wù)困境的動態(tài)預(yù)警提供了新的研究思路和方法。

　　【關(guān)鍵詞】神經(jīng)網(wǎng)絡(luò)；財務(wù)困境；指標(biāo)體系；預(yù)警

　　一、 引 言

　　在國外，企業(yè)陷入財務(wù)困境的標(biāo)志被認(rèn)為是企業(yè)破產(chǎn)，這是因為國外的破產(chǎn)企業(yè)與其他企業(yè)之間存在著明顯的劃分。而我國市場機(jī)制還不成熟，尤其在證券市場中存在著“能上不能下”的普遍現(xiàn)象，導(dǎo)致我國的破產(chǎn)企業(yè)非常有限。因此，國內(nèi)的許多研究者把上市公司因財務(wù)狀況異常而被特殊處理作為陷入財務(wù)困境的標(biāo)志。為了與國內(nèi)研究保持一致，本文也將上市公司因財務(wù)狀況異常而被ST作為陷入財務(wù)困境的標(biāo)志�？紤]到神經(jīng)網(wǎng)絡(luò)適合處理具有殘缺結(jié)構(gòu)和含有錯誤成分的模式，能夠在信息源信息含糊、不確定、不完整、存在矛盾及假象等復(fù)雜環(huán)境中工作，因此本文將神經(jīng)網(wǎng)絡(luò)應(yīng)用于建立財務(wù)困境預(yù)警模型。

　　國內(nèi)用神經(jīng)網(wǎng)絡(luò)方法來構(gòu)建財務(wù)困境預(yù)警的相關(guān)研究較少。財務(wù)困境預(yù)警是選取具有強預(yù)測性的財務(wù)比率為基礎(chǔ)，建立數(shù)學(xué)模型，預(yù)測企業(yè)財務(wù)困境發(fā)生的可能性。本文根據(jù)我國企業(yè)性質(zhì)并在借鑒國外研究成果的基礎(chǔ)上，提出構(gòu)建基于神經(jīng)網(wǎng)絡(luò)的企業(yè)財務(wù)困境預(yù)警模型的新方法。

　　二、 神經(jīng)網(wǎng)絡(luò)方法

　　人工神經(jīng)網(wǎng)絡(luò)（ANN，Artificial Neural Networks）是在人類對大腦神經(jīng)網(wǎng)絡(luò)認(rèn)識理解的基礎(chǔ)上，人工構(gòu)造的能夠?qū)崿F(xiàn)某種功能的神經(jīng)網(wǎng)絡(luò)，是將算法和結(jié)構(gòu)統(tǒng)一為一體的系統(tǒng)，是一種軟件和硬件的混合體，在某種程度上模擬大腦的結(jié)構(gòu)，所以更有智慧，可有更快的計算速度。它是理論化的人腦神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型，是基于模仿大腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能而建立起來的一種信息處理系統(tǒng)。人工神經(jīng)網(wǎng)絡(luò)實際上是由大量簡單神經(jīng)元相互連接而成的復(fù)雜網(wǎng)絡(luò)，具有以下特點：高度的非線性；分布存儲和容錯性，信息不完整或損壞，仍可恢復(fù)原來的信息；自學(xué)習(xí)、自組織和自適應(yīng)性；大規(guī)模并行處理各種智能處理能力；可以不同程度地模仿人腦的信息處理、存儲及檢索功能。

　　BP網(wǎng)絡(luò)是由分層網(wǎng)絡(luò)逐層模式變換處理的方向而得名的，它由輸入層、隱含層、輸出層構(gòu)成。輸入層是網(wǎng)絡(luò)與外部環(huán)境打交道的地方，它接受外部輸入模式；隱含層是網(wǎng)絡(luò)的內(nèi)部處理單元層；輸出層是網(wǎng)絡(luò)產(chǎn)生輸出模式并與顯示設(shè)備或執(zhí)行機(jī)構(gòu)打交道的地方。其信息處理分前向傳播和后向?qū)W習(xí)兩步進(jìn)行，網(wǎng)絡(luò)的學(xué)習(xí)是一種誤差從輸出層到輸入層向后傳播并修正數(shù)值的過程，學(xué)習(xí)的目的是使網(wǎng)絡(luò)的實際輸出逼近某個給定的期望輸出。本文采用3層BP網(wǎng)絡(luò)進(jìn)行建模，其網(wǎng)絡(luò)功能層次與網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖1和圖2所示。

　　三、 企業(yè)財務(wù)困境預(yù)警指標(biāo)選擇

　　本文采用反映企業(yè)盈利能力、償債能力、經(jīng)營能力、負(fù)債能力、成長能力的8個財務(wù)指標(biāo)作為預(yù)警模型的警情指標(biāo)，包括：總資產(chǎn)收益率、流動比率、速動比率、總資產(chǎn)周轉(zhuǎn)率、應(yīng)收賬款周轉(zhuǎn)率、資產(chǎn)負(fù)債率、經(jīng)營凈現(xiàn)金比率、凈利潤增長率等。

　　四、 基于ANN的企業(yè)財務(wù)困境預(yù)警模型的新構(gòu)思

　　本文構(gòu)建一個3層BP網(wǎng)絡(luò)，輸入層的神經(jīng)元數(shù)為8個，輸出層定義了2個節(jié)點，即訓(xùn)練結(jié)果的目標(biāo)函數(shù)ST公司輸出（1，0），非ST公司輸出（0，1），分別對應(yīng)于報警、正常。在理論上，并沒有搞清楚隱含層神經(jīng)元個數(shù)究竟取多少，只能通過對不同的神經(jīng)元數(shù)進(jìn)行訓(xùn)練對比，適當(dāng)加一點余量進(jìn)行選取（在能夠解決問題的前提下，增加1~2個神經(jīng)元，加快誤差下降速度）。根據(jù)共軛梯度優(yōu)化法，隱含層神經(jīng)單元個數(shù)可由下式求出：

　�。⊿_i+1）S_h-（S_h-1）S_o=n_pS_o

　　式中，S_i：輸入單元數(shù)；S_h：隱單元數(shù)；S_o：輸出單元數(shù)；n_p：訓(xùn)練樣本數(shù)。

　　由此可以計算出本文中即神經(jīng)網(wǎng)絡(luò)隱含層的神經(jīng)元個數(shù)為14。

　　在前向3層BP網(wǎng)絡(luò)算法中，對網(wǎng)絡(luò)性能影響較大的是權(quán)值修正方法，為改進(jìn)BP網(wǎng)絡(luò)，減少訓(xùn)練時間，并改善收斂特性，本文選用BP網(wǎng)絡(luò)誤差修正學(xué)習(xí)法，即δ學(xué)習(xí)規(guī)則，由以下4步描述：

　�。�1）選擇一組初始權(quán)值W_ji （0）;

　�。�2）計算某一輸入模式對應(yīng)的實際輸出與期望輸出的誤差；

　�。�3）更新權(quán)值（閾值可視為輸入恒為－1的一個權(quán)值）：

　　W_ji（t + 1） =W_ji （t） + η[ d_j－ y_j（t）] x_i（t）

　　式中，η為學(xué)習(xí)因子；d_j、y_j分別表示第j個神經(jīng)元的期望輸出與實際輸出；x_i為第j個神經(jīng)元的輸入。

　�。�4）返回步驟（2），直到對所有訓(xùn)練模式網(wǎng)絡(luò)輸出均能滿足要求。

　　因此，與以往研究不同，本文的BP網(wǎng)絡(luò)模型結(jié)構(gòu)是8×14×2。為了避免網(wǎng)絡(luò)沒有足夠的能量跳過低“谷”，本文中學(xué)習(xí)因子選擇η＝0.1，期望誤差為0.000 2，神經(jīng)元函數(shù)為Tansig特征函數(shù)，權(quán)值矩陣初值分別為8×14階和14×2階矩陣，它們服從正態(tài)分布隨機(jī)數(shù)，運算間隔次數(shù)為50次，最大循環(huán)次數(shù)為20 000次。

　　五、 實證研究

　　本文共選取滬深兩市A股上市公司2006年被ST和正常的公司共50個樣本，其中40個為訓(xùn)練樣本，10為個測試樣本，隱含層神經(jīng)元數(shù)為14個。數(shù)據(jù)來源于深圳證券交易所和中國股票上市公司財務(wù)數(shù)據(jù)庫查詢系統(tǒng)，選取樣本2002-2004年的財務(wù)數(shù)據(jù)來計算財務(wù)指標(biāo)，用以預(yù)測公司在未來3～5年內(nèi)是否會出現(xiàn)危機(jī)。50個學(xué)習(xí)樣本中有25個ST公司，25個非ST公司，每類隨機(jī)選出10個樣本作為測試樣本，所選數(shù)據(jù)中的前20組數(shù)據(jù)都為建模樣本，其余的為測試樣本（見表1）。

本文選用Matlab 6.5進(jìn)行神經(jīng)網(wǎng)絡(luò)系統(tǒng)分析與設(shè)計，首先新建一個M-File文件，然后在編輯欄中編寫程序， 因為此網(wǎng)絡(luò)模型的輸入是連續(xù)變量，故訓(xùn)練前使用Matlab的Premnux函數(shù)對網(wǎng)絡(luò)的輸出進(jìn)行歸一化處理。然后運用共軛梯度法訓(xùn)練算法，在pentuim 2.0上需要15 117個學(xué)習(xí)周期，耗時約為4min，即達(dá)到期望誤差。最終的網(wǎng)絡(luò)誤差性能曲線如圖3所示。

　　從圖3中可以看出此網(wǎng)絡(luò)的誤差性能曲線是收斂的，最終誤差小于期望誤差0.000 1，因此此模型是合理的。而此網(wǎng)絡(luò)的學(xué)習(xí)速率在迭代2 500次時與迭代15 117次訓(xùn)練結(jié)束后如圖4與圖5所示。

　　通過訓(xùn)練得到了網(wǎng)絡(luò)各層最終的權(quán)值與閾值，其中輸入層到隱含層的權(quán)值矩陣為W1（見表2），隱含層到輸出層的權(quán)值矩陣為W2（見表3），輸入層到隱含層的閾值矩陣為B1= [-2.063 1 -0.444 3 -0.372 9 -1.098 3 0.608 9 -1.348 6 0.792 9 0.777 3 -0.345 4 0.556 5 -0.140 3 -0.913 9 0.532 2 -0.990 3] T，隱含層到輸出層的閾值矩陣為B2= [0.072 3 0.078 0] T。

　　然后用測試樣本進(jìn)行測試，訓(xùn)練與測試結(jié)果見表4。從表4中可以看出本文建立的神經(jīng)網(wǎng)絡(luò)模型具有很好的預(yù)測效果。

　　六、 結(jié)束語

　　人工神經(jīng)網(wǎng)絡(luò)模型是基于模仿大腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能而建立起來的一種信息處理系統(tǒng)，它是一種自然的非線性建模過程，不需要了解它們之間存在何種非線性關(guān)系，因此神經(jīng)網(wǎng)絡(luò)方法克服了傳統(tǒng)的預(yù)測模型的復(fù)雜性以及模型選擇的困難，給預(yù)測模型的構(gòu)建與分析帶來了很大的方便。本文構(gòu)建了一個3層BP神經(jīng)網(wǎng)絡(luò)模型，并根據(jù)共軛梯度優(yōu)化法確定了隱含層的神經(jīng)元個數(shù)為14個，神經(jīng)網(wǎng)絡(luò)在公司企業(yè)財務(wù)危機(jī)預(yù)警上的應(yīng)用，顯示出神經(jīng)網(wǎng)絡(luò)是進(jìn)行財務(wù)評估的一種比較好的應(yīng)用工具，它不僅能夠有效地預(yù)測企業(yè)的財務(wù)困境，能發(fā)現(xiàn)企業(yè)是否存在風(fēng)險以及企業(yè)是否會陷入財務(wù)困境，向經(jīng)營者提出警示，以便及時采取相應(yīng)管理對策，而且能為銀行貸款授信提供有效決策，為廣大的投資者和包括銀行在內(nèi)的債權(quán)人判定上市公司質(zhì)量和經(jīng)營業(yè)績提供可靠的依據(jù)。該方法預(yù)測精度高，學(xué)習(xí)和泛化能力強，適應(yīng)性廣，為財務(wù)困境的動態(tài)預(yù)警提供了新的研究思路和方法。

　　主要參考文獻(xiàn)：

　　[1] 馬德喜. 基于神經(jīng)網(wǎng)絡(luò)模型的財務(wù)困境預(yù)測實證分析[J]. 山西財經(jīng)大學(xué)學(xué)報，2005，（2）：124-128.

　　[2] 田偉福，周紅曉. 基于神經(jīng)網(wǎng)絡(luò)的企業(yè)財務(wù)危機(jī)預(yù)警系統(tǒng)的構(gòu)建[J]. 廣州大學(xué)學(xué)報，2004，（6）：219-221.

　　[3] 李曉峰，劉光中. 人工神經(jīng)網(wǎng)絡(luò)BP算法的改進(jìn)及其應(yīng)用[J]. 四川大學(xué)學(xué)報，2000，（3）：105-109.