基于BP算法的企業經營狀況評價模型

摘要:利用2008年的64家公司的數據構建了以每股收益、每股凈資產、凈資產收益率、主營利潤增長率為主的企業經營狀況的指標體系，并通過matlab 軟件建立了基于BP算法的企業經營狀況的評價模型。最后利用該模型對2009年的17家公司的經營狀況進行了評價，仿真結果表明，基于BP算法的企業經營狀況評價模型是一種非常有效的評價方法。

關鍵詞:BP算法;經營狀況;指標體系;評價模型

中圖分類號:F27文獻標志碼:A文章編號:1673-291X(2010)31-0036-03

前言

企業的經營狀況越來越多受到投資者的關注，它也是企業經濟活動中的很重要的問題，因此如何做企業的經營狀況評價問題也就是企業面臨的一個十分重要的問題。只有真正建立起適應企業經濟發展的評價模型，才能使企業在激烈的市場競爭中立于不敗之地。

常用的評價模型很多，主要有統計方法和神經網絡方法等。統計方法如層次分析法評價模型[1]、模糊綜合評價模型[2]、Logistic回歸模型[3]、Bayes判別信用評價模型[4]、因子分析法[5]、聚類分析法[6～7]和主成分分析法等，雖然這些方法已得到了廣泛的應用，但他們或多或少存在著一些欠缺:有些模型只能應用于線性場合，對于非線性場合不適用;有些模型對于數據的分布要求很嚴格;有些模型的建立依賴于個人經驗，有些模型難以應用于多因素場合。統計方法需要描述自變量與因變量之間的函數關系，當狀況較為復雜，用統計方法不易解決的時候，神經網絡可以成功的解決這一類問題。由于人工神經網絡具有并行處理、魯棒性和自組織等特點而被廣泛應用[8～9]。下面采用BP神經網絡建立企業經營狀況評價模型。

一、網絡設計與訓練

將中國2008年的64家公司作為訓練樣本，其中經營正常的公司有39家，經營差的公司有25家，測試樣本采用2009年的17家公司，其中經營正常的公司9家，經營差的公司有8家。

1.網絡層數的確定

構造一個2層的BP網絡來解決本節提出的兩類模式分類問題。

2.輸入維數、輸出層節點的確定

對兩類模式分類問題，財務指標選取4個財務指標x1=每股收益， x2=每股凈資產，x3 =凈資產收益率， x4=主營利潤增長率， 用“0” 代表經營差的企業，用“1” 代表經營正常的企業.所以輸入維數為4，輸出層選取1個節點。

3.隱層節點的確定

一般狀況下，隱含層的結點數較難確定，因而采用試湊法。在能正確反映、實現輸入輸出映射的基礎上，盡量選取較少的隱層結點數，從而使網絡模型盡可能的簡單。為了使數據更加精準，先將數據進行歸一化處理，隱層分別選取節點為3，4，5，利用上述訓練樣本對網絡進行訓練。當隱層選取3個節點時，訓練誤差變化曲線(如圖1);當隱層選取4個節點時，訓練誤差變化曲線(如圖2);當隱層選取5個節點時，訓練誤差變化曲線(如圖3)。

圖1

圖 2

圖 3

從訓練誤差曲線圖可以看出，當隱層選取3個節點時，當訓練到第11步時，訓練誤差達到0.001，當隱層選取4個節點時，當訓練到第5～6步時，訓練誤差達到0.001，當隱層選取5個節點時，當訓練到第10～11步時，訓練誤差達到0.001，因而，當隱節點為4時，所需要的訓練步驟最少，所以隱層節點選為4。

二、基于BP神經網絡的經營狀況評價模型

當隱層節點選為4時，各層的連接權值和閾值分別為:

w=3.33852.09120.1425- 0.3756- 0.1848 2.27941.5118- 2.85743.0057- 2.4902 0.5163- 0.4217- 1.0658 - 2.3104 - 0.8535 - 2.9116

B1=- 3.9598 1.3199 1.3199- 3.9598

V=[- 1.6817 2.9964 2.2098 3.8302] B2=- 3.6774

則由此得到BP神經網絡的信用評價模型為:

y=gVjgXjixi+B1j+B2

其中:第一個g為logsig函數，第二個g為logsig函數，Vj為輸出權值，Wj為輸入權值，B1為輸入閾值，B2為輸出閾值。

三、網絡的仿真

1.訓練樣本的網絡仿真

利用所建立的信用評價模型對64個訓練樣本(經營差的企業25個，序號為1-25，經營正常的企業39個，序號為26-64)進行兩類模式分類。仿真結果(見表1)，從表1可以看出有25個網絡輸出值接近于0，序號為1-25，有39個網絡輸出值接近于1，序號為26-64，這表明在訓練樣本中經營正常的企業的正確識別個數為39，經營差的企業正確識別個數為25(見表2)，因此該評價模型對訓練樣本的正確識別率達到100%。

2.測試樣本的網絡仿真

推廣能力是衡量神經網絡性能好壞的重要標志，因而，為了檢驗網絡的推廣能力，將2009年第一季度的17家上市公司作為測試樣本，經營差的企業有8家，經營正常的企業有9家，測試樣本的網絡輸出結果如下(見表3):

從表3可以看出序號為1-8的網絡輸出值接近于0(<0.1576)，所以經營差的企業正確識別了8家;序號為9-17的網絡輸出值接近于1(>0.9924)，所以經營正常的企業正確識別了9家，從表4可以看出，該評價模型對測試樣本的正確識別率也達到了100%。

總結

采用中國2008年的64家上市公司和2009年的17家公司的財務數據，考慮上市公司經營狀況的4 個主要財務指標:每股收益、每股凈資產、凈資產收益率、主營利潤增長率。通過matlab 軟件，利用2008年的64家公司的數據建立了基于BP算法的經營狀況評價模型，并利用該模型對2009年的17家公司的經營狀況進行了評價。仿真結果表明，訓練后的網絡模型對訓練樣本和測試樣本的正確識別率為100%。因此，基于BP算法的經營狀況評價模型能夠正確的對兩類模式進行分類，具有潛在的應用價值。

參考文獻:

[1]汪勇，魏巍.電子商務網站的層次分析法評價模型構建[J].湖北大學學報，2010，(1):50-61.

[2]林斌，吳貴生，王劍.地方政府投融資管理體制發展趨勢探析——基于模糊綜合評價法[J].運籌與管理，2010，(l):139-144.

[3]陳立文，孟苓閣.房地產上市公司Logistic預警模型研究[J].價值工程，2010，(8):34-36.

[4]林杰新，羅偉其，龐素琳.Bayes判別信用評價模型及其應用研究[J].統計與決策，2005，(1):22-25.[5]毛春元，張月，黃萍.基于因子分析法的小康社會綜合評價模型[J].淮海工學院學報，2010，(1):67-70.

[6]鞏芳，常青，白布赫，等.基于聚類分析的內蒙古草原生態經濟系統綜合評價[J].內蒙古大學學報:哲學社會科學版，2010，(2):27-32.

[7]高新才，魏麗莉.中國區域城鄉協調發展評價模型與案例分析[J].西北師大學報，2010，(1):91-96.

[8]朱國強，劉厚泉.基于聚類的神經網絡分類模型研究[J].微計算機信息，2008，(3):223-224.

[9]柳平，趙巖，王軍.基于非線性特征提取的EEG信號支持向量分類器[J].汕頭大學學報，2009，(1):69-74.

An Evaluation Model of Enterprises’s Business Status Based on BP Algorithm

WANG Xiao-dong1，XUE Hong-zhi2，YANG Wen1

(1. School of Science， Xi’an Polytechnic University，Xi’an 710048，China;2. School of Science， Chang’an University Xi’an 710064，China)

Abstract: Indicator system of enterprises’ business status is mainly made up of earnings per share， net assets per share ， the yield of net assets and main business income growth rate by using the data coming form 64 companies in 2008， and an An evaluation model of enterprises’s business status based on BP algorithm is set up by matlab. Finally， the business status of 17 companies in 2009 is evaluated by the model， and the simulation results show that the evaluation model based on BP algorithm is a very effective method.

Key words: BP algorithm;business status;indicator system;evaluation model

[責任編輯 吳高君]