基于遺傳BP神經網絡的能源消耗型企業(yè)財務預警研究

王積田，孫婷婷

（東北農業(yè)大學經濟管理學院，哈爾濱 150030）

一、前言

1.問題的提出

Wind資訊中單行業(yè)數據輸出——石油加工、煉焦及燃料加工業(yè)版塊數據顯示，2008年5月至2011年2月累積虧損能源消耗型企業(yè)由18%上升至24%，截至2011年2月，累計應收賬款凈額比去年同期增長23.62%，累計財務費用比去年同期增長23.93%，我國能源消耗型企業(yè)存在重大的應收賬款回收困難和財務費用激增的財務風險問題，因此，研究其財務預警具有重大的現實意義。

研究財務預警問題開始于20世紀30年代的定性分析，當時實用的有標準化調查法、“四階段癥狀”分析法、流程圖分析法、“三個月資金周轉表”分析法以及管理評分法，由于定性分析具有較強的主觀性，因此引進了定量分析。Beaver（1966）提出單變量預警模型，Altman（1968）提出多變量Z值模型，Ohlson（1980）第一次使用多變量邏輯回歸模型研究企業(yè)的財務預警問題，Tam（1991）選取了神經網絡模型進行財務預警的研究，但發(fā)現其搜索全局最優(yōu)值能力較差，Clarence Tan（2006）較早地將遺傳算法與神經網絡模型結合起來，應用于銀行財務預警方面，并對其進行了驗證，證明遺傳算法優(yōu)化的神經網絡具有更強的實際操作性。由于神經網絡具有收斂速度慢，容易陷入局部最小值，因此引進了遺傳算法來克服神經網絡的缺陷。

2.能源消耗型企業(yè)的概念

2010年我國能源消費量為32.5億噸標準煤，同比增長了6%，能源消耗是日本的5倍，我國已成為全球名副其實的第一能源消耗大國。我國主要以消耗煤炭、石油和電力等能源為主，資料顯示，我國能源消耗型對GDP的增長貢獻率達到70%，也就是說，我國的財政收入70%都來自于能源消耗型企業(yè)的貢獻。

能源消耗型企業(yè)一直是國內外重點關注類企業(yè)，是普遍存在的，翻閱資料對能源消耗型企業(yè)作一個歸納，能源消耗型企業(yè)作為資金和技術密集型企業(yè)，以不可再生性自然能源的開采和初級加工為生產方式，以自然能源的擁有或獨占為其競爭優(yōu)勢，指的是在生產經營過程中以消耗電力、能源，石油加工、煉焦及燃料加工、木材、冶金、熱力等能源，并且主營業(yè)務項目必須以這些不可避免消耗為基礎，因此生產過程中對自然能源破壞巨大。如黑龍江省的上市公司寶泰隆、恒豐紙業(yè)，吉林省的上市公司吉林化纖、利源鋁業(yè)等。

3.財務預警的概念

胡汝銀（2003）認為，預警是一種超前的概念，是企業(yè)管理人員對產生的財務活動將來會導致企業(yè)經歷衰敗或破產的預兆的情形下的一種事先預測活動。財務危機預警系統(tǒng)的研究，在我國目前還處在探索的階段。財務危機預警的含義也有各種各樣的觀點，整體上總結有代表性的觀點為:財務危機預警是在財務會計信息的基礎上，通過建立一些具有敏感性預警指標，同時觀察這些指標的變化趨勢，對企業(yè)未來可能或將面臨的財務危機進行準確的監(jiān)控和預測。因此，財務危機預警主要是指在財務危機發(fā)生以前，詳細記錄財務危機產生的原因，從而采取措施，最終產生處理結果等，把事后控制變?yōu)槭虑翱刂啤⑹轮锌刂疲阑计髽I(yè)財務危機于未然。

二、基于遺傳算法的BP神經網絡方法

1.BP神經網絡方法

BP（Back－Propagation Neural Network）理論，是無前饋的前向網絡結構，由輸入層、隱含層和輸出層構成，根據Widrow－h(huán)off理論，利用多重隱含層從后往前更新權重，并最終達到減少運行結果誤差的理論模型，其原理就是模擬人腦運作機制組成的人工智能技術，由神經元、連接神經元的權值和閾值，非線性的神經網絡組成，通過外界的事物特點結合自己的功能對結果呈現興奮或抑制的狀態(tài)，從而自我調節(jié)達到最好輸出狀態(tài)的非線性模型。其隱含層存在多層的網絡結構如圖1所示。

圖1 BP神經網絡構成

BP神經網絡類似于有導師的指引，一步步的進行。通過樣本Xn（n=1，2，3……）構成輸入層C1，通過權值和閾值連接到隱含層C2，之后傳播到輸出層C3，如果輸出結果與期望結果有誤差，BP神經網絡就會發(fā)揮它的功效，將結果通過隱含層返回到輸入層的各個神經元，神經元自我調節(jié)后再次以第一步進行傳播，直到達到期望結果。

BP神經網絡在運行時，初始權值和閾值是MATLAB隨機賦予的，但是輸入層、隱含層和輸出層激活函數是需要設定的，根據經驗，文章設定‘tansig’，‘tansig’，‘purelin’為各層激活函數，‘trainlm’為LM優(yōu)化神經網絡算法，認賬沒有采用梯度‘traingd’算法，是因為在實際運用到‘traingd’算法時收斂速度較慢。BP神經網絡有如下缺陷:其一，訓練時間較長;其二，容易陷入局部最小值，而非全局最優(yōu)值。

2.遺傳算法優(yōu)化BP神經網絡方法

遺傳算法（Genetic Algorithm）是一種進化算法，其基本原理是仿效生物界中的“物競天擇、適者生存”的演化法則，先把問題參數編碼為染色體，生成初始群體，利用適應度評估，再利用迭代的方式進行選擇操作、交叉操作以及變異等運算來交換種群中染色體的信息，最終升成符合優(yōu)化目標的染色體。基于遺傳算法優(yōu)化BP神經網絡結構是人工智能與神經網絡的有效結合，BP神經網絡劣勢是其初始閾值和權值的隨機性，使其在進行全局搜索時，較慢或較難地尋找全局最優(yōu)值，而且會很可能陷入局部最優(yōu)值，而遺傳算法有效地避免了BP神經網絡所擔心的問題，利用其全局搜索能力恰好能為BP神經網絡找到較優(yōu)的初始閾值和權值，而BP神經網絡反過來又巧妙運用其算法回避了遺傳算法中的衡量函數。

遺傳算法優(yōu)化BP神經網絡主要步驟為:其一，保證優(yōu)化拓撲結構與BP神經網絡結構參數相同、這樣才能夠保持口徑一致，如:文章實證部分BP神經網絡結構為8－15－1，遺傳算法優(yōu)化時拓撲結構需要保持一致，這樣才具有可比性;其二，確定遺傳算法優(yōu)化參數，如種群規(guī)模、學習速率、最大迭代次數等;最后，利用遺傳算法計算出該個體的適應度值，通過選擇、交叉、變異等過程尋求最優(yōu)個體，得到最佳的神經網絡優(yōu)化權值和閾值。其中，參數編碼采用的是實數（浮點數）編碼，非二進制編碼，算法編碼長度公式為:

其中，R為輸入神經元個數，S1為隱含層神經元個數，S2為輸出層神經元個數，如表1所示。

表1 基本控制要素列表

三、實證分析

1.實驗設計步驟

通過研究分析，文章將我國能源消耗型企業(yè)2009年的財務指標數據作為研究樣本，2010年作為測試樣本，其設計步驟如下:

第一，將能反映能源消耗型企業(yè)的財務指標一一列示，見表2，其中有24個財務指標能如實反映每股指標、償債能力、資本結構、盈利能力、營運能力和成長能力。

第二，利用SPSS16.0軟件，篩選指標，進行F檢驗和T檢驗，總結出哪些財務指標具有顯著性。

第三，運用 MATLAB7.0軟件，將2009年和2010年篩選指標歸一化到［－1，1］之間，帶入設置好的BP神經網絡模型中，得出收斂圖并分析運行結果。

第四，運用遺傳算法優(yōu)化BP神經網絡模型，得出誤差較小的模型，從而得到優(yōu)化后的輸入層到隱含層的權值和閾值，隱含層到輸出層的權值和閾值。

第五，對比BP神經網絡模型與遺傳算法優(yōu)化的BP神經網絡分類誤差大小情況。

2.樣本選取

我國以財務危機為標準將上市企業(yè)分為非ST（Special Treat）企業(yè)和ST企業(yè)，其中，ST企業(yè)指的是證券交易所對經審計連續(xù)兩年兩個會計年度的凈利潤均為負值，或其它壯況出現異常的上市公司股票交易進行特別處理的企業(yè);反之為非ST企業(yè)。從中國證券會對ST公司進行特別處理的具體運作過程來看，滬深兩個證券交易所是根據上市公司（t－1）年的財務狀況來決定在第t年是否對該公司實施特別處理。而當年上市公司的財務報告一般在第二年的4月31日向社會公布，所以，本文選取的能源消耗型企業(yè)是2010年被認定為財務危機的企業(yè)。

為了使模型建立和檢驗更好的實用性，首先將企業(yè)范圍限定為黑龍江省。由已查數據可知，黑龍江省上市的能源消耗型企業(yè)較少，只有10多家，實證結論未必帶有普遍性;隨之將企業(yè)范圍擴大至東北三省，剔除缺失財務數據的39家上市企業(yè)建立模型并檢驗，實證結果也不夠典型;文章選取了全國范圍內寶泰龍、露天煤業(yè)、山西焦化等99個非ST企業(yè)，ST黑化、ST化工等57個ST企業(yè)。一般來說，ST企業(yè)與非ST企業(yè)的樣本數量應為1∶1，但在實際情況中，非ST企業(yè)遠遠少于ST企業(yè)，所以，將ST企業(yè)與非ST企業(yè)比例縮減為2∶1。文章以2009年156家上市能源消耗型企業(yè)為訓練樣本，2010年40家上市能源消耗型企業(yè)為檢驗樣本。

3.指標選取

選擇恰當的財務指標是判斷企業(yè)財務預警的根本標準，為了全面準確地反映能源消耗型企業(yè)的財務風險，本文指標的選擇是圍繞著企業(yè)每股指標、盈利能力、償債能力、成長能力、營運能力和資本結構進行的，具有科學性、客觀性、準確性和可操作性等特點。

第一，反映企業(yè)盈利能力的原則。企業(yè)盈利是其償還債務的主要資金來源，因此，企業(yè)的盈利能力越強，到期償還債務越有保障，發(fā)生財務風險的可能性會越小。

第二，體現企業(yè)償債能力的原則。能源消耗型企業(yè)的規(guī)模較大，投入資金大，項目周期較長，而這些項目的資金保證需要大規(guī)模、長期的資金支持。需要比其他的企業(yè)支出更多的初始成本，因此，能源消耗企業(yè)需要籌集更多的資金，償債能力可以體現其資金運營情況。

第三，可操作性原則。有些財務指標的數據很難獲得，需要耗費大量的人力和物力，所以選擇在數據庫中容易取得的指標。

財務數據來自瑞思（http://www.resset.cn/cn/）數據庫和齊魯證券通達信股票軟件，選取財務指標如表2所示。

4.數據預處理

數據預處理包括指標顯著性篩選和數據歸一化。由于選取指標具有經驗性，首先將，選24個指標進行顯著性檢驗，以0.05為顯著性區(qū)分標準，實驗結果如表3（結果運行來自SPSS16.0）所示。一般來說，將顯著性概率小于0.05的指標區(qū)分非ST企業(yè)和ST企業(yè)，從表1得到，顯著性小于等于0.05 的指標有 8 個，其中包括 X1、X2、X3、X4、X9、X17、X21、X23;也就是說，影響 ST 企業(yè)與非ST企業(yè)的財務指標有8個，剔除不具有顯著性的16個財務指標。

其次，進行數據歸一化。數據歸一化是指對搜集到的財務指標執(zhí)行相應標準進行統(tǒng)一化，譬如本文所選取的指標有相對數管理費用率和絕對數營運資金等，在進行結構訓練時由于數值類別不一樣會對實驗結果有較大影響，數據歸一化的可選范圍有［－1，1］和［0，1］等等，由于 ST 企業(yè)的財務指標涉及到負值，所以將范圍設定為［－1，1］之間，最大的數值為1，最小的數值為－1，其余的數值都在［－1，1］之間，其中歸一化的函數為:

表2 選取指標列表

本文運用的是MATLAB7.0程序，數據歸一化后得到矩陣為:

表3 獨立樣本檢驗

X23－2.439 0.017 Y 1.294 0.199 N X24

5.模型構建和實證分析

結果分析見表4。

圖2 BP神經網絡收斂圖

表4 BP神經網絡結果分析

為了便于遺傳算法優(yōu)化BP神經網絡的誤差率較小，所以仍舊沿用BP神經網絡的8－15－1的結構，運行MATLAB7.0，通過18次迭代，結果如圖3所示。

與BP神經網絡一樣，選擇0.5作為分割點，如果預測值小于0.5，則預測判為非ST企業(yè)，反之則為ST企業(yè)。

利用遺傳算法優(yōu)化的輸入層到隱含層的連接權值W1=

圖3 遺傳算法優(yōu)化收斂圖

隱含層到輸出層的連接權值W2=

［0.6779－0.6469 0.3408－0.4814 0.1510－0.4163－0.6165－0.2787－0.4084 0.3337－0.8999－0.0870 0.4345 0.7891 0.8887］

輸入層到隱含層的閾值B1=［0.8185 0.7801 0.3461 0.1599－0.3835－0.6820－0.6044－0.2623 0.628－0.9782－0.3127 0.2998－0.0161－0.1865 0.4418］

隱含層到輸出層的閾值B2=0.1916

運用優(yōu)化模型整理的結果如表5所示。

表5 遺傳算法優(yōu)化BP神經網絡結果分析

結果分析，非ST企業(yè)準確率達到了90%，ST企業(yè)也達到了55%，總體達到了80%，結果較好。

6.實證小結

結果表明，基于遺傳算法優(yōu)化的BP神經網絡誤判率減少了10%，迭代次數也由73次降到18次。這是利用了遺傳算法的特性，將財務指標編碼成染色體，通過選擇操作、交叉操作和變異操作最后得到優(yōu)化的權值與閾值，比BP神經網絡隨機初始的權值與閾值更具有可行性，因為隨機初始的權值與閾值不一定是最優(yōu)的，有可能是最差的，需要不斷的嘗試去尋找最適合的權值與閾值，而遺傳算法的優(yōu)化功能使BP神經網絡在訓練時直接達到較好的效果，容易找到全局最優(yōu)值，訓練速度更快，此方法優(yōu)于BP神經網絡模型進行企業(yè)財務風險識別，構建模型是具有可行性的。

文章運行效果較好，唯一不足的是誤判ST企業(yè)的比例一直較高，由于訓練樣本選取的數量較少，沒有得出特別好的非線性模型，導致結果會有一些不理想。因此，文章構建的基于遺傳算法的BP神經網絡模型的有效性仍需在實踐中進行檢驗與完善。

四、建議

能源消耗型企業(yè)是我國的傳統(tǒng)企業(yè)，也是我國最重視的企業(yè)，在我國經濟發(fā)展中占有舉足輕重的位置。根據本文的研究，得出以下預防財務風險的建議。

第一，建立財務危機意識。企業(yè)如果想較好地預防財務風險，首先，需要建立財務危機意識，建立財務危機意識培訓系統(tǒng)，有專業(yè)的培訓講師對目前我國由于財務風險處理不當導致能源消耗型企業(yè)破產的例子進行分析，讓企業(yè)人員充分意識到財務危機意識的重要性，讓企業(yè)人員明白財務預警并不是空談，而是與企業(yè)的經營密切相關的。其次，較為重要的一點是針對企業(yè)的管理層，對管理層的要求需要更多一些，管理人員需要對企業(yè)的財務預警系統(tǒng)有充分的了解并積累實戰(zhàn)經驗，對于預警系統(tǒng)有充分的了解和認知。

第二，建立指標性預警系統(tǒng)。預警系統(tǒng)是企業(yè)在發(fā)展過程中防止偏離預期經營目標而建立的報警系統(tǒng)，主要是對將來可能發(fā)生的財務風險進行預測與防范的一種措施。能源消耗型企業(yè)在經營過程中稍有一個環(huán)節(jié)出現紕漏都會引發(fā)財務風險問題，所以，充分發(fā)揮財務預警功能已成為各企業(yè)管理當局、投資者、債權人等利益相關者共同關注的問題。能源消耗型企業(yè)要時刻關注影響財務風險的財務指標，如本文所選數據剔除后的8個財務指標，如經營活動現金流量、資產凈利率、管理費用率、存貨周轉率和固定資產周轉率等，這些具有顯著性的指標，一旦發(fā)生異常，必然會引起企業(yè)財務風險甚至導致企業(yè)破產。因此，其他能源消耗型企業(yè)可以借鑒本文提出的遺傳算法優(yōu)化的BP神經網絡非線性模型，為各自企業(yè)建立指標性預警系統(tǒng)。企業(yè)管理者在經營過程中，需要對所選財務指標制定標準系數，一旦與標準系數不符就需要提高警惕，制定相應措施，保持企業(yè)的健康發(fā)展。

［1］BeaverW.Financial ratios as predict ors of failure［J］.Journal of Accounting Research.1966，（4）:71－111.

［2］Altman E.Financial Ratios，Discriminant analysis and the prediction of corporate bankruptcy［J］.Journal of Finance.1968，（4）:589－609.

［3］Olson J.Financial ratios and the probabilistic predict ion of bankruptcy［J］.Journal of Accounting Research.1980，（1）:109－131.

［4］Tam K Y and Kiang MY.Management applications of neural networks:the case of bankfailurepredictions［J］.ManagementScience.1992，（7）:926－947.

［5］Clarence Tan.Soft Computing Applications in Finance:A Hybird Financial Trading System Proposal and Using Artificial Neural NetworksforBankruptcy Predictions［J］.Journal of Accounting，Auditing＆Finance，2006:1－20.

［6］李 健，劉 翔.借助遺傳神經網絡開展上市公司財務危機預警［J］.財會月刊，2011，（1）:56－59.

［7］周輝仁，唐萬生，任仙玲.基于遞階遺傳算法和BP網絡的財務預警［J］.系統(tǒng)管理學報，2010，（2）:2－6.

［8］熊志斌.運用遺傳神經網絡模型對我國上市公司財務危機的預測［J］.統(tǒng)計與決策，2008，（14）:32－34.

［9］劉新允，龐清樂，劉愛國.基于遺傳神經網絡的財務危機預警研究［J].商業(yè)研究，2007，（9）:6－9.

［10］屈和平.淺談強化石油企業(yè)財務管理的對策［J］.財會研究，2010:218－220.

［11］路 露.建立能源企業(yè)財務管理體系的構想［J］.財會研究，2011:253.

［12］施化艷.對石油企業(yè)財務風險管理提出的若干建議［J］.財稅統(tǒng)計，2010，（9）:193.

［13］胡汝銀.中國上市公司成敗實證研究［M］.上海:復旦大學出版社，2003.