湖南上市公司財務風險預警研究

一、引言

隨著全球經濟一體化進程的加快和歐洲債務危機的持續發展，讓人們更加意識到財務風險威力的巨大。本文結合前人的研究成果，利用前沿的BP神經網絡技術來測度湖南地區公司財務危機，旨在能夠為企業財務風險控制得到一些啟示。

二、研究設計

1.樣本及指標選取。根據我國證監會的規定，上市公司連續虧損的將被進行處理，我們選取上市公司中st公司為財務風險高公司；而非st公司為正常公司。通過收集2010年上市公司主要財務數據，利用這些財務指標來反應企業特征。數據來源于國泰安數據庫、中國證劵之星網等。通過采集湖南的51家上市公司，其中st公司有8家，非st公司43家。通過篩選出16個指標作為輸入層節點。分為四大類：一償付能力指標：X1資產負債率、X2速動比率、X3產權比率、X4流動比率；二營運能力：X5流動資產周轉率、X6應收賬款周轉率、X7存貨周轉率；三盈利能力：X8總資產利潤率、X9銷售凈利潤；四成長能力：X10銷售收入增長率、X11成本費用率、X12資本金利率。樣本數據處理。在綜合評價指標時，不同評價指標往往具有不同的量綱，為了消除由此帶來的無法同一度量的問題，需要將各個評價指標進行無量綱處理。

2.研究方法簡介。BP神經網絡是基于誤差反向傳播算法（Back-Propagation）的多層前向神經網絡。BP神經網絡主要是由三個部分組成：輸入層、輸出層、隱含層。每層由若干個神經元節點構成，每個節點則由輸出由輸入、作用函數和闕值決定。在正向傳播的過程中，從輸入層經過隱含層處理，傳向輸出層。如圖顯示的是一個三層BP網絡的結構。BP神經網絡層與層之間通過權值相連，可以通過學習來調節各層神經元之間的關系；每層的基本處理單元（輸入層單元除外）為非線性輸入，輸出關系。

設給定的輸入為x（i=1，2，…，m）和輸出為，y（j=l，2，…，n）。通過隱層神經元與輸入神經元關系得出隱層神經元個數。對于第n個輸入，（xn，yn）（n=1，2….m），其中x=（x，x，x，…，x） yn=（y，y，y，…，y），對第j個輸入單元yj的加權和為Ayf=wb，則單元的實際輸出為yf=f（Ayf）=，（j=1，2…m），第k個隱層單元bk的加權輸入和為Abk= wb，該單元的實際輸出為 bk f（Abk） （k=1，2…p）。其中Wjk為第j個輸出單元與第k個隱層的連接權值，Vki是第k個隱層單元與第i個輸入單元的連接權值。f（）為sigmoid函數。

3.BP神經網絡設計。（1）輸入層。由于樣本數據不多，如果篩選數據可能會引起缺失，故輸入向量采用12個財務指標作為預測變量，所以輸入層的神經單元數目為12。（2）輸出層。輸出層的單元數目為1，取值為0和1，分別代表上市公司財務無風險和有風險。（3）隱含層。隱神經元的個數與輸入輸出神經元的多少有直接關系，根據以下公式確定：p=（m+n）/2+a（a為1～10間的常數）。（4）傳遞函數。這里采用最常用的sigmoidal型函數。通常形式為：logasig（x）=1/（1+exp（-x）），這個函數使整個網絡的輸出限制在一個較小的范圍之內（0～1）之間的任意值。輸出值大于0.9，認為輸出1，輸出值小于0.1，認為輸出0。網絡參數：目標誤差0.0001，學習速率為0.01，訓練循環20000次。通過觀察計算結果，發現神經網絡只有兩個數據有一定誤差，神經網絡得到的輸出結果具有很高的正確率，考慮到樣本不是很大的情況下，能夠得到如此正確率已經是非常難得。

三、結論

當前我國評價公司財務狀況的方法還不能很好的適應需求，而評估成本高且不能有效甄別風險等問題。建立合適的財務風險預警體系是企業和政府部門能夠有效把握因為財務風險帶來的社會問題。本文研究存在一些不足，主要是在以下幾個方面。首先，BP神經網絡模型需要大量的學習樣本，且樣本的數量和質量很大程度上決定了最終評價結果，本文從湖南上市公司中選取樣本，樣本的合適性還有待考量。其次，在選著輸入指標時選用12個指標的合理性還有待考慮，而且選用的數據公司處于同一區域，當運用到其他地區時，需要進行不同的分析，對指標的合理性也要做深入探討。因此對企業財務風險的預警還需要進一步深入研究計算。