基于因子分析ＢＰ神經網絡的上市公司財務業績綜合評價

摘要:為了克服傳統的主觀賦值的財務業績評價方法，將因子分析法和BP人工神經網絡相相結合，建立了評價模型，并用河南省31家上市公司數據加以驗證。實證分析表明，這種測評方法減少了評價過程中的隨機性和評價人員主觀上的不確定性及其認識上的模糊性，而且通過對參評樣本的不斷學習，使系統誤差達到預定的范圍內。

關鍵詞:財務業績;綜合評價;因子分析;BP神經網絡;上市公司

中圖分類號:F275.2文獻標志碼:A文章編號:1673-291X(2009)18-0088-02

前言

在決策理論中，理性投資者一般通過了解上市公司當前財務狀況，預測其發展趨勢，確定公司的成長潛力，選擇產生最大期望效用的投資行為。另外，由于證券市場存在著嚴重的信息不對稱以及證券市場異常現象的出現[1]，對于其他利益相關者，如債權人、經營管理者和有關政府主管部門，他們也必須對公司的財務業績進行綜合評價，以期作出正確的投資和管理決策。2006年2月財政部頒發的并自2007年1月1日起開始實施的新會計準則全面引入了公允價值作為計量屬性。

一、文獻回顧

近幾年，國內學者就如何對上市公司財務業績進行評價進行了廣泛的討論。陳孝新(2002)曾用層次分析法構造上市公司經營業績的多因素層次模糊分析結構模型，并以實例進行了應用分析[1];何有世，徐文芹(2003)對現行工業企業經濟效益指標體系進行分析，提出了改進建議，用改進后的指標體系結合幾十家企業進行了因子分析法的實證研究，旨在說明因子分析法在企業經濟效益綜合評價中的應用[2];姚梅芳、鄭雪冬、金玉石(2004)設計了基于BSC卡法的高科技網絡及軟件創業企業績效評價體系，以期為高科技創業企業在績效測評和戰略管理方面提供可操作性的管理工具[3];楊成、邢宗輝、郭新有(2005)采用了統計學中的因子分析模型，從眾多財務指標中提取了鋼鐵業上市公司贏利能力、股本擴張能力、資產使用效率等各層面因子，并對各層面因子得分進行排序，由此對企業的各個層面競爭力進行分析評價，同時利用客觀權重建立了綜合業績評價函數，對企業的綜合業績進行了評價[4];劉書慶，吳田(2006)通過結合上市公司六大類18個財務指標，在采用層次分析法對上市公司經營業績進行綜合評價的同時，借助灰色系統理論，構造出上市公司經營業績的定量評價模型[5];趙順娣(2007)采用了灰色關聯度對滬市鋼鐵行業上市公司2004年度的經營業績進行了評價[6];孫承飛(2008)以平衡記分卡理論為基礎，運用層次分析法確定指標權重，對農業上市公司績效進行了評價研究[7]。朱承亮、岳宏志(2008)運用主成分分析方法，對陜西省26家上市公司的十項財務指標進行了綜合評價[8]。

二、實證研究

(一)指標的選取與數據來源

上市公司財務指標是上市公司財務業績評價的主要信息來源，按照科學性、綜合性、全面性及可比性的原則，同了上市公司的盈利能力、償債能力、營運能力和發展能力四個方面的狀況，能充分說明上市公司的整體績效水平。

截至2006年12月31日，河南省在滬深上市的公司共32家，排除中原油氣(退市)，以巨潮資訊網用SPSS13.0軟件對其財務業績進行因子分析，并將提前的因子作為BP神經網絡的輸入層神經元。

(二)提取公共因子并計算因子得分

應用SPSS13.0軟件對數據進行KMO測度和巴特球體檢驗，其中KMO=0.612，同時Bartlett檢驗給出的相伴概率為0.0000，即Sig=0，小于顯著水平0.05，因此，拒絕其零假設，認為適合于因子分析。按照特征值大于1的標準以2.433，1.801，1.720，1.479，1.114，貢獻率分別是24.33%，18.006%，17.204%，14.786%，11.139%，累計貢獻率為85.465%，即這五個因子反映出了總體信息的85.465%，丟失信息較少，用它們來代替原有指標變量進行上市公司業績評價是可行的。

的信息量，根據公式

(三)BP神經網絡模型的建立

BP網絡模型處理信息的基本原理是:輸入信號Xi通過中間節點(隱層點)作用于輸出節點，經過非線形變換，產生輸出信號Yk，網絡訓練的每個樣本包括輸入向量X和期望輸出量t，網絡輸出值Y與期望輸出值t之間的偏差，通過調整輸入節點與隱層節點的聯接強度取值Wij和隱層節點與輸出節點之間的聯接強度Tjk以及閾值，使誤差沿梯度方向下降，經過反復學習訓練，確定與最小誤差相對應的網絡參數(權值和閾值)，訓練即告停止。此時經過訓練的神經網絡即能對類似樣本的輸入信息，自行處理輸出誤差最小的經過非線性轉換的信息。

在此模型中，唯一存在主觀性隱患的就在于所選擇的期望值。在目前的很多應用中，有一些學者是選擇專家評價系統的結果作為訓練神經網絡的期望值，這種做法對消除主觀性的貢獻很小。為了消除主觀性影響，本文將因子分析結果的綜合得分作為訓練神經網絡的期望值，將因子分析得到的因子作為輸入節點。

本文采用因子分析中31家上市公司作為一個樣本集，選取其中25家上市公司作為訓練集，6家上市公司為測試集(預測樣本)。在Matlab7.0中，建立一個5個輸入節點、4個隱含層節點、1個輸出節點的BP網絡，隱含層和輸出層轉移函數分別為tansig和purelin，訓練函數選擇trainParam函數，學習率為0.9，精度選為0.001，訓練步數設為1000步。

從測試樣本預測訓練結果比較可以看出，應用BP神經網絡進行擬合，其預測值與期望值(F)的最大誤差為0.0390，最小誤差為0.0091，平均誤差為0.0226。可見，運用此模型對上市公司的財務業績進行預測誤差較小，滿足評價要求。調用sim函數，利用訓練好的神經網絡對河南省31家上市公司2007年的財務業績狀況分別進行評價，向經過訓練的神經網絡輸入指標向量，得到網絡輸出值，從而得出各企業財務業績評價結果。

從計算的評價結果能夠看出，河南省31家上市公司中排名前十名的分別是雙匯發展、瑞貝卡、平煤天安、焦作萬方、中原環保、安陽鋼鐵、神火煤電、中孚實業、華蘭生物、羚銳制藥。排在后十名的分別是同力水泥、焦作鑫安、中原高速、思達高科、蓮花味精、冰熊保鮮、豫能控股、安彩高科、天方藥業、洛陽玻璃。通過對比其2007年的公司發展狀況，本文通過建立因子分析BP神經網絡模型得出來的結論與實際情況基本相符合。

結論

本文對所選取的財務指標采用因子分析法對原始信息進行篩選，實現了降維，既保證了原始資料信息的完整，又避免了原始信息的重疊，形成新的訓練樣本集，減少了BP網絡建模時的網絡結構，能大大提高網絡的學習速率與泛化能力。另外，本文將因子分析評價結果作為神經網絡的期望值，使主觀性影響得到了更好的消除。同時，本文采用的BP神經網絡克服了感知神經網絡和線性神經網絡的局限性，可以實現任意線性和非線性的函數映射，避免了人為的確定權重，克服了以往缺乏自學習能力的缺點，減少了評價過程中的隨機性和評價人員主觀上的不確定性及其認識上的模糊性;通過對參評樣本的不斷學習，能使系統誤差達到任何精度要求，且有收斂性，提高了評價的可靠性，使評價結果更有效、更客觀。

參考文獻:

[1]陳孝新.多因素層次模糊綜合評價在上市公司經營業績分析中的應用[J].財經理論與實踐，2002，(4):50-52.

[2]何有世，徐文芹.因子分析法在工業企業經濟效益綜合評價中的應用[J].數理統計與管理，2003，(1):19-22.

[3]姚梅芳，鄭雪冬，金玉石.基于Kaplan-NortonBSC法的高科技網絡及軟件創業企業績效評價體系研究[J].工業技術經濟，2004，(12):103-105.

[4]楊成，邢宗輝，郭新有.鋼鐵業上市公司的業績評價[J].統計與決策，2005，(10):156-157.

[5]劉書慶，吳田.基于灰色理論的上市公司經營績效綜合評價[J].生產力研究，2006，(12):259-263.

[6]趙順娣.基于灰色關聯度分析的綜合績效評價方法與應用[J].財會通訊，2007，(3):6-9.

[7]孫承飛.基于BSC的農業上市公司績效評價研究[J].特區經濟，2008，(4):111-112.

[8]朱承亮，岳宏志.主成分分析在我國上市公司財務評價中的應用——基于陜西省26家上市公司的實證分析[J].技術經濟與管理研究，2008，(5):9-12.