基于RBF神經網絡的高校財務風險識別

【摘 要】 為實現高校財務風險的實時監測及預警，文章在遵循全面性、科學性、可操作性等原則的基礎上，建立了高校財務風險識別指標體系，并采用RBF神經網絡構建了高校財務風險識別模型，最后用實例驗證了該模型用于高校財務風險識別的可行性。

【關鍵詞】 RBF神經網絡； 高校； 財務風險識別

一、引言

近年來，我國高等教育事業快速發展，從1998年到2010年我國高校招生幅度顯著增長：到2010年，我國普通高校招生657萬人，是1998年的6倍，高等教育毛入學率達24.2%，在校生由不到700萬人上升到2 979萬人，居世界第一位。隨著我國教育體制改革的不斷深化，高校辦學自主權不斷擴大，教育投入與教育需求之間的矛盾日益增長，許多高校選擇了銀校合作之路，這使得高校面臨著巨大的財務風險，而高校財務風險識別問題也愈來愈受到社會各界的關注。

一直以來，大多數高校財務風險識別主要依靠管理人員的經驗判斷，這種方法主觀性強，準確性因人而異，且不容易發現潛在的財務風險問題，在推廣使用、識別結果公開化方面也遇到瓶頸。因此，研究一套高校財務風險識別模型是必要的。目前，國內外學者在財務風險識別方面建立的模型主要有單變量模型、多元線性判別分析、邏輯回歸模型和人工神經網絡模型四種，其中，人工神經網絡模型因其對樣本沒有假設要求、模型具有很強的容錯能力、學習能力和糾錯能力而成為研究的熱點，尤其是在上市公司財務風險預警領域得到較大的進展。但是，對于高校財務風險識別的研究還處于起步階段。因此，本研究試圖從高校的特點出發，建立一套高校財務風險識別的指標體系，并以RBF神經網絡方法為基礎構建高校財務風險識別模型，以達到高校財務風險的實時監測及預警的目的。

二、高校財務風險識別指標體系構建

構建與高校財務風險狀況相符的指標體系是建立高校財務風險識別模型的基礎和關鍵。從財務風險的概念和內涵來看，財務風險是指在財務活動的各個環節中，由于各種難以或無法預料的因素，而使得組織的實際財務收益和預測財務收益發生背離，從而使組織有蒙受經濟損失的機會或者可能性。由此可見，財務風險具有客觀必然性、綜合性、復雜性和不確定性的特征。為了保證指標體系能科學、客觀、有效地反映高校財務風險，本研究在構建高校財務風險識別指標體系時嚴格遵循全面性、科學性、可操作性的原則。本研究選擇了廣東省教育廳直屬的6所高校進行實地調研，對比分析各高校的財務現狀，并借鑒現有的高校財務風險識別研究成果，從償債能力、營運能力、收益能力、發展潛力4個方面選取了18項具有共同特征的指標來建立高校財務風險識別指標體系，具體的二級指標如表1所示。

三、RBF神經網絡

針對高校財務風險的客觀存在性、綜合性、復雜性及不確定性特征，本研究選取人工神經網絡這種非線性、自適應信息處理系統來構建財務風險識別模型。其工作原理是根據所提供的數據，通過學習和訓練，找出輸入與輸出之間的內在聯系，從而求取問題的解。

徑向基（Radical Basis Function，簡稱RBF）神經網絡是一種性能良好的前向神經網絡，與其他網絡相比，它具有以下優點：第一，目前已經證明，RBF神經網絡能夠以任意精度逼近任意連續函數，且不存在局部最小問題；第二，RBF神經網絡具有結構自適應確定、輸出與初始權值無關的優良特性；第三，RBF神經網絡訓練速度快；第四，RBF神經網絡具有良好的容錯性能和泛化能力。因此，本研究選取RBF神經網絡作為識別方法。

RBF神經網絡的典型結構如圖1所示，它包括輸入層、隱含層和輸出層，各層又由若干個神經元（節點）構成，隱含層的神經元數目由具體問題的情況而定。每一個神經元的輸出值由輸入值、隱含層中的激勵函數和閾值決定。隱含層的激勵函數有多種形式，通常取高斯函數。

四、高校財務風險識別及分析

本研究采集廣東省教育廳直屬的6所高校2009

—2011年的財務報表數據作為原始資料，以表1的高校財務風險識別指標體系作為分析對象，共獲得18組數據。

在選取的18個相對財務指標中，有8個正向指標（現實支付能力、潛在支付能力、資產收入比率、凈資產收入比率、職工人均貢獻能力、生均非財政貢獻、事業基金可用率、項目支出占總支出比率）、1個逆向指標（收入負債比率）、9個適度指標（資產負債率、流動比率、經費自給率、生均收支比率、公用支出比率、固定資產增長率、自籌收入能力比率、資產權益率、銀行存款保障率）。本研究首先采用式（1）對逆向指標正向化處理；其次，對適度指標按照對應合理的指標區間進行正向化處理；最后，為了避免量綱影響，對數據進行歸一化處理，歸一化處理的方法見式（2）。

RBF神經網絡的輸出層定義了一個節點，數值1、2、3分別對應正常、關注和預警三個風險等級，數值越大說明風險越高。在歸一化處理后的樣本集中，隨機選取第1—15組作為訓練樣本，用來對神經網絡進行訓練；第16—18組作為測試樣本，用來檢驗網絡。歸一化后的樣本集數據如表2所示。

本研究采用MATLAB軟件實現RBF神經網絡，經過反復訓練對比，確定最佳隱含層節點數為10。設定訓練誤差目標為0.01，對神經網絡模型進行訓練，經過10次訓練，總誤差小于給定值。RBF的擴展速度SPREAD越大，函數的擬合就越平滑，但是過大的SPREAD意味著需要非常多的神經元以適應函數的快速變化。因此，本研究采取多次測試法，當SPREAD=1.5時，擬和效果最佳。得到的RBF神經網絡的識別結果及相對誤差如表3所示。

從表3可以看出隨機抽取的樣本數據的財務風險分類結果，從而判斷出財務風險的高低：第16組為正常風險等級，第17組為關注風險等級，第18組為預警風險等級。其中最大識別誤差為25%，平均識別誤差為12%，識別結果與專家評定結果一致。

五、結語

本文在建立高校財務風險識別指標體系的基礎上，采用RBF神經網絡構建了高校財務風險識別模型，并對廣東省教育廳直屬6所高校2009 —2011年的財務風險狀況進行了識別，識別結果與專家評定結果一致，平均識別誤差為12%。

此外，研究結果顯示：作為測試集的第16、17、18組數據分別屬于3所不同高校的不同年份，其中第16組數據為所屬F校2011年的財務風險狀況；第17組數據為所屬B校2010年的財務風險狀況；第18組數據為所屬E校2009年的財務風險狀況。即F校的財務風險狀況由報警狀態逐漸向正常狀態過渡；B校的財務風險狀況由正常狀態向關注狀態過渡；E校的財務風險狀況一直處于報警狀態。基于此，建議B校管理者充分關注學校的收益能力及發展潛力，尤其是財務風險識別指標體系中的生均非財政貢獻（X14）、銀行存款保障率（X17），不斷提高學校自籌收入，減少負債，逐步降低學校的財務風險；建議E校管理者高度重視學校的償債能力和收益能力情況，尤其是財務風險識別指標體系中的收入負債比率（X5）、資產收入比率（X11）、凈資產收入比率（X12）。只有解決了債務問題，才能擺脫目前的財務風險狀況。

總體而言，本文建立的高校財務風險模型克服了管理人員經驗評價所帶來的主觀因素及隨機性的影響，保證了識別結果的客觀性、準確性、實時性，為實現高校財務風險的實時監測及預警提供了新的思路。

【參考文獻】

[1] 國家統計局.中國統計年鑒2011[M].北京：中國統計出版社，2011.

[2] 王艷玲，王漢保.上市公司財務風險預警模型研究的文獻綜述[J].中國集體經濟，2011（24）：72-73.

[3] 孫曉然，徐思云，楊偉靜.基于RBF神經網絡的上市公司系統風險評價研究[J].會計之友，2009（8）：109-110.

[4] 劉磊，郭巖.基于RBF神經網絡的物流企業財務風險預警評價[J].財會月刊，2012（3）下：59-61.

[5] Whitaker，R.B. The early Stages of Financial Distress. Journal of Economics and Finance.1995（2）：23-33.

[6] 劉小嫻.高校財務風險預警指標體系構建[J].財會月刊，2010（3）中：67-68.

[7] 董軍.普通高校財務風險的評價和控制研究[D].山東師范大學，2009.

[8] 吳洪俠.基于神經網絡模型的供水供氣上市公司財務風險預警研究[D].燕山大學，2010.

[9] 飛思科技產品研發中心.神經網絡理論與MATLAB7實現[M].北京：電子工業出版社，2006.