基于ＢＰ神經網絡的財務預警方法探究

[摘 要] 財務危機一直是困擾企業的一個痼疾，實務界和理論界也一直在尋找一種科學簡便的方法來對財務進行預警#65377;基于此，本文從財務預警的基本內涵出發，描述影響企業財務狀態的諸因素，闡述了人工神經網絡應用于財務預警的理論依據和基本構想，建立了財務預警的反向誤差傳播(back-propagation，BP)模型，提出了基于該模型的財務預警框架，以期對財務預警提供參考#65377;

[關鍵詞] BP神經網絡;財務預警;財務指標

[中圖分類號]F275;F224.0[文獻標識碼]A[文章編號]1673-0194(2007)11-0072-03

企業因財務危機導致經營陷入困境，甚至宣告破產的例子一直屢見不鮮#65377;任何財務危機都有一個逐步顯現#65380;不斷惡化的過程#65377;因此，應對企業的財務運營過程進行跟蹤#65380;監控，及早地發現財務危機信號，預測企業可能出現的財務失敗，從而采取相應的有效措施，來避免或減少對企業的破壞#65377;財務信息是企業危機的載體，它是由一些財務指標組成的會計報表進行傳遞的#65377;源于此，需要對財務相關因素進行定量的#65380;科學的評估#65377;目前，財務預警的定量評價側重于對傳統評價方法的運用，如模糊綜合評價和灰色綜合評價等，而這些方法無法從根本上克服財務預警中建模及求解的困難#65377;為解決此問題，本文引入人工神經網絡的有關理論，結合財務要素的特點，提出了一種財務預警方法——財務預警的反向誤差傳播(back-propagation，BP)模型#65377;

一#65380;財務預警及其指標的描述

(一)財務預警的內涵

財務預警是以企業的財務報表#65380;經營計劃及其他相關會計資料為依據，利用財會#65380;統計#65380;金融#65380;企業管理#65380;市場營銷理論，采用比率分析#65380;比較分析#65380;因素分析及多種統計方法與非統計方法，對企業的經營活動#65380;財務活動等進行分析預測，以發現企業在經營管理活動中潛在的經營風險和財務風險，并在危機發生之前向企業經營者發出警告，督促企業管理當局采取有效措施，避免潛在的風險演變成損失#65377;由此可知財務預警具有如下功能:

1. 監測功能#65377;監測即跟蹤企業的生產經營過程，將企業生產經營的實際情況同企業預定的目標#65380;計劃#65380;標準進行對比，對企業營運狀況作出預測，找出偏差，進行核算#65380;考核，從中發現產生偏差的原因或存在的問題#65377;當危害企業的財務關鍵因素出現時，可以提出警告，讓企業經營者早日尋求對策，以減少財務損失#65377;

2. 診斷功能#65377;診斷是預警體系的重要功能之一#65377;它根據跟蹤#65380;監測的結果對比分析，運用現代企業管理技術#65380;企業診斷技術對企業營運狀況的優劣做出判斷，找出企業運行中的弊病所在#65377;例如，某家企業的流動比率惡化，導致財務經理疲于調動資金以應付日常財務周轉#65377;

3. 治療功能#65377;通過監測#65380;診斷，判斷企業存在的弊病，找出病根后，應對癥下藥，更正企業營運中的偏差或過失，使企業回到正常運轉的軌道#65377;一旦發現財務危機，經營者既要阻止財務危機繼續惡化下去，也要尋求內部資金的創造渠道，還要積極尋求外部財源#65377;

4. 健身功能#65377;通過預警分析，企業能系統而詳細地記錄財務危機發生的原因#65380;處理過程#65380;解除危機的各項措施，以及處理反饋與改進建議，作為未來類似情況的前車之鑒#65377;這樣，將企業糾正偏差與過失的一些經驗#65380;教訓轉化成企業管理活動的規范，以免重犯同樣或類似的錯誤，不斷增強企業的免疫能力#65377;

(二)財務預警指標的描述

根據財務預警的內涵，可以建立財務預警的遞階層次指標體系，現對其描述如下:

1. 財務預警的目標層指標——企業的財務狀態#65377;由財務預警的內涵可知，財務預警不是一個或幾個方面的簡單疊加，而是一個綜合的#65380;集成的概念;財務預警也是一個多層次#65380;多因素#65380;多目標的綜合評價#65377;為此，我們根據財務預警內涵，將反映和影響財務狀態的多種指標有機結合起來，將復雜評價對象——財務指標量化，提出度量財務優劣的概念——財務狀態，用以表達財務優劣和財務活動的綜合效果#65377;它具有如下特征:①它是財務預警指標體系的第一層，也可稱為目標層;②它是財務狀態的定量化表示，是一個無量綱的明確值，可以用(1，0，0)#65380;(0，1，0)#65380;(0，0，1)分別對應于正常#65380;關注和報警;③它是一個動態概念，隨著時間的推移，其通過自我學習#65380;訓練會進行自我調整#65377;因此，對財務狀態進行評價，找出敏感因素，施以相應的控制是非常必要的#65377;

2. 財務預警評價的準則層和基礎層指標#65377;準則層和基礎層——財務指標預警方法是常用的預警方法，本文主要涉及財務狀況預警，而未考慮公司企業的非財務因素部分#65377;有關財務狀況的預警信號主要運用財務分析手段進行定量提取，以便使用BP模型來處理#65377;目前，對企業財務分析的方法一般是選定一些有代表意義的兩兩相關的重要財務指標以比率的形式列出，稱其為比率指標，本文根據上市公司報表必須提供的財務比率為基本要素，即4類財務比率的15項指標:

①盈利能力比率——營業毛利率#65380;營業利潤率#65380;凈利潤率#65380;資產收益率#65380;股東權益收益率#65380;成本費用率;

②營運能力比率——應收賬款周轉率#65380;存貨周轉率#65380;總資產周轉率#65380;固定資產周轉率;

③短期償債能力比率——流動比率#65380;速動比率;

④長期償債能力比率——資產負債率#65380;負債與所有者權益比率#65380;利息保障倍數#65377;

在判斷以上比率指標優劣時，將以行業平均值為標準，稱為比率標準#65377;

二#65380;基于BP模型的財務預警方法

(一)基于人工神經網絡的財務預警思路

財務狀態與其眾多影響因素間的關系是一種時變性#65380;高度非線性的關系，影響因素集或指標集到財務預警狀態集之間是復雜的非線性映射，不存在確定的函數關系表達式，并且各指標權重的確定也相當復雜#65377;而人工神經網絡(Artificial Neural Network，ANN)模型是從學習樣本集中，通過學習規則隱式地抽象出所研究系統各因素間的相互影響和關系，而所謂的學習規則就是神經元間的連接權值的修改規則#65377;人工神經網絡可以實現任意形式的映射，為財務預警提供了一種新的思路#65377;

ANN是近年來發展起來的一種處理復雜系統的理論，其特有的信息處理能力和獨到的解算能力引起了人們的極大關注，呈現出廣闊的應用前景#65377;ANN基于并行處理機制從結構上對人類的思維過程進行模擬，從而能實現人類思維的某些功能，如學習#65380;邏輯推想#65380;聯想記憶和自組織等#65377;1944年，Hebb根據心理學條件反射機制提出了神經元間連接強度變化規律的Hebb學習規則，奠定了人工神經網絡的研究基礎;1957年前蘇聯數學家A.N.Kolmogorov提出的多層神經網絡映射存在定理在理論上證明了一個任意的連續函數都能與一個3層神經網絡建立映射關系#65377;其后，Rumelthart和Maclelland等提出了反向傳播模型(Error Back Propagation)，Grossberg等又提出了自適應共振理論模型(Adaptive Resonance Theory)#65377;其中反向誤差傳播模型(BP)是目前應用最廣泛的一種模型，這里的討論都以BP模型為基礎#65377;

如前所述，財務預警的本質是確定影響財務狀態的各指標的權重#65377;基于BP模型的財務預警的基本思路為:將財務預警的基礎指標作為人工神經網絡的輸入單元向量，將財務狀態作為輸出單元向量，組成響應的神經網絡，稱為財務預警的反向誤差傳播模型(簡稱財務預警BP模型)#65377;然后，以足夠的樣本，以BP模型學習算法來訓練這個神經網絡，訓練好的網絡所持有的那組權系數就是所要確定的財務預警指標權重#65377;這是網絡經過自適應學習得到的網絡內部信息的一種本質的#65380;集成的表示，也是財務預警系統信息的一種全息式的#65380;分布式的存儲方式#65377;最后，將目標企業財務預警指標的具體值作為訓練好的生存風險BP模型的輸入，可得目標企業的財務狀態#65377;

(二)基于BP模型的財務預警步驟

根據人工神經網絡BP模型及其算法，結合財務預警內涵及其識別指標體系，可將基于BP模型的財務預警步驟概括如下:

步驟1:財務預警BP模型，其拓撲結構如圖1#65377;模型由3層神經元組成:輸入層#65380;隱含層和輸出層#65377;其中輸入層神經元是經過標準化處理的財務預警基礎指標，輸出層神經元是財務預警系統的輸出——財務狀態，所以財務預警BP模型有3個輸出神經元(1，0，0)#65380;(0，1，0)#65380;(0，0，1)，分別對應于正常#65380;關注和報警#65377;

步驟2:對財務預警BP模型神經元的連接權值和其他參數賦初值#65377;

步驟3:輸入財務預警樣本集，每個樣本點包括經過標準化處理的財務預警的基礎指標值和對應的期望輸出——理想的財務狀態，前者為輸入樣本，后者為理想輸出#65377;

步驟4:按下列公式計算財務預警樣本點的輸出誤差

其中p表示第p個樣本點，tpj為財務預警神經網絡的神經元uj在第p個樣本點下的理想輸出(理想財務狀態)，opj為神經元uj在第p個樣本點下的實際輸出(實際財務狀態)，Ep為第p個樣本點下的財務預警BP網絡的輸出誤差#65377;

其中netpj表示財務預警BP網絡的神經元uj在第p個樣本點下的輸入，f為非線性#65380;可微#65380;非遞減函數，一般取S型函數，即

其中opi為財務預警BP網絡的神經元ui在第p個樣本點下的輸入——經標準處理的財務預警基礎指標，wji為從神經元ui到神經元uj的連接權值#65377;

若EP小于給定的收斂值，轉入步驟6，否則轉入步驟5#65377;

步驟5:從財務預警BP模型的輸出層開始，按下列公式調整權值并轉步驟4#65377;

其中Δwji(n+1)為每次權的調整值，α是一個確定財務預警BP網絡過去學習效果的常數，α∈(0，1)，Δwji(n)是一個動量項，反映網絡過去學習的影響，能加速財務預警BP網絡學習的過程，η為表示學習速率的常數，η∈(0，1)，δpj為財務預警BP模型在第p個樣本點下神經元uj輸出端的誤差#65377;

對輸出神經元，有

對隱含神經元，有

其中wkj為財務預警BP模型隱含神經元uj相連到輸出神經元uk的連接權值#65377;

步驟6:財務預警BP神經網絡學習結束，得到一個訓練好的網絡#65377;

步驟7:確定財務預警指標的權重#65377;設訓練好的財務預警BP網絡對應的不同層神經元間的連接權為wkj，結合財務預警指標體系和財務預警BP網絡的對應關系，即可確定各指標的權重，明確目標企業財務狀態的主要影響因素，為企業財務的控制提供主要依據#65377;

步驟8:將目標企業財務預警指標的具體值作為訓練好的BP模型的輸入，可得目標企業的財務狀態，再與預警時規定的狀態標準比較，即可確定目標企業財務狀態的類別#65377;在這一預警過程中，也可以求得影響財務狀態各指標的權重，這樣，既可進行財務預警，也可比較容易得到各指標中對于企業財務影響最大的因素，即敏感性因素或者主導性因素，將它作為企業財務控制的工作重點之一，或者為財務狀態的最佳控制提供理論依據#65377;

基于人工神經網絡的財務預警，能夠充分利用樣本財務的有關信息，通過高度的非線性映射，揭示企業財務狀態與其相關影響因素之間的內在作用機制，從而從根本上克服了財務預警中建模及求解的困難#65377;該方法與灰色綜合識別和模糊綜合識別相比，不僅具有自學習性#65380;自適應性和很強的容錯性，而且對整個預警過程和步驟非常容易編程并在計算機上實現，因而具有較高的合理性和使用前景#65377;另外，人工神經網絡具有“相似性輸入，相似性輸出”的特征，所以該方法的預警精度和科學性不僅取決于訓練樣本的數量，也決定于訓練樣本的質量#65377;因此，應用中的主要不足在于難以一次得到足夠的理想樣本，這需要在使用過程中逐步積累學習經驗和有效樣本，使財務預警的BP網絡日漸完善#65377;需要進一步研究的問題包括:基于人工神經網絡的財務預警系統的開發，本文所提出的預警方法的實證分析，以及本文所提出的預警方法和其他預警方法的比較研究等#65377;

主要參考文獻

[1] 周首華，陸正飛，湯谷良等編. 現代財務理論前沿專題[M]. 大連:東北財經大學出版社，2002.

[2] 王建成，高大啟等. 改進的遺傳和BP雜交算法及神經網絡經濟預警系統設計[J]. 系統工程理論與實踐，1998，18(4):136-141.

[3] 吳世農，盧賢義. 我國上市公司的財務困境的預測模型研究[J]. 經濟研究，2001，(6).

[4] 向德偉. 運用“Z計分法”評價上市公司經營風險的實證研究[J]. 會計研究，2002，(11).

[5] 徐建中，鞠家迅. BP神經網絡在數據通信業務經濟預測中的應用[J]. 預測，2000，(6).

[6] 張玲. 財務危機預警分析判別模型及其應用[J]. 預測，2000，(6).

[7] 張曉紅. 神經網絡經濟預測法研究[J]. 預測，2001，(6).

注：“本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文。”