基于BP神經網絡的高校暫付款預測研究

岳喜馬　魏微

【摘 要】 高校暫付款管理水平關系著資金使用效率與財務風險防范能力，甚至影響著高校會計信息的真實性。高校財務管理的精細化這一目標直接對暫付款管理提出了更高要求。文章根據A省30所省屬本科高校2014年暫付款及影響暫付款規模的本年收入、本年支出、差旅費、專用材料費、其他商品服務支出與設備購置費6個主要因素數據，建立BP人工神經網絡預測模型，仿真擬合歷史數據，并利用仿真模型預測暫付款規模，與主成分回歸模型比較，驗證其預測精度。數據實證研究結果表明BP神經網絡能捕捉到暫付款與其影響因素之間的非線性特性規律，能更好地預測暫付款規模。

【關鍵詞】 高校暫付款； BP神經網絡； 主成分回歸； 預測

中圖分類號：F272.1；G647 文獻標識碼：A 文章編號：1004-5937（2016）10-0111-05

引 言

隨著政府對高等教育事業投入的加大，高校暫付款項所占用資金的規模逐步增加，僅江蘇南京8所省屬本科高校“應收及暫付款”總額2013年就達到2.5億元。這造成大量財政資金長期占用，不利于正確反映高校財務收支狀況，虛增債權，影響資產評價指標，降低資金使用效率，加大高校財務風險。合理預測高校暫付款規模是高校在財務管理方面從粗放型向精細化的一次轉變，對于高校實現教育經費規范化、科學化與精細化管理具有重要現實意義。

一、研究綜述

高校暫付款管理越來越引起專家和高校財務管理者重視。李智敏、李敏（2012）[ 1 ]分析了高校暫付款長期掛賬客觀與主觀原因，強調通過技術手段與財務結算創新達到控制暫付款的目的。徐耀琪（2011）研究了輔助編碼在應收及暫付款賬務處理中的設置，以及在核銷過程中的實際應用。陳麗紅（2012）通過具體案例分析了某高校暫付款具體成因，并明確清賬規則，規范會計基礎，加強監督，實現對暫付款的有效控制。劉從兵（2013）[ 2 ]從實務角度利用Excel完成了高校暫付款管理系統的構建，該系統加速了暫付款項占用資金周轉率，提升了暫付款的管理層次與效果。陳茜、梁勇（2013）[ 3 ]研究了高職院校暫付款管理特點，探討了內控視角下高校暫付款管理的對策，應從內控環境、預算管理、審批責任控制、會計核算、信息溝通、審計監督等方面加強控制，為學校持續健康發展提供一個良好的資金環境。

目前學者對于高校暫付款側重于形成內外因、內部控制以及管理策略等方面的研究，而在暫付款預測領域的研究還非常少，預測是高校科學決策的基礎，是高校財務管理精細化的飛躍。BP神經網絡理論在預測領域的非線性映射能力與容錯性具有良好表現。因此，本文研究BP神經網絡的高校暫付款預測是有一定學術價值的。

二、BP人工神經網絡

1985年美國加州大學PDP研究小組提出向后傳播算法，形成BP神經網絡理論。該方法通過誤差反向傳播與自學習，使用梯度搜索等優化技術，不斷與預設精度對比，適應調整實際輸出與實際值之間的均方差，實現其最小化并修正網絡連接權值。王惠文、孟潔（2007）[ 4 ]的研究表明：通過選擇適當的連接權值和傳遞函數，一個有足夠神經元的單隱藏層的神經網絡，可以逼近任意一個輸入和輸出之間的光滑的、可測量的函數。

BP神經網絡具有良好的非線性映射逼近能力與容錯性，被廣泛應用于分類、預測等領域。在經濟領域中，孫偉、周潮等學者運用BP神經網絡實現了對GDP與CPI預測；郭慶春、肖國榮等實現了在農民收入、基金價格、企業成本等微觀經濟領域的預測。在社會學領域，尹春華及眾多學者運用該方法實現對人口數量、生育率的預測。在管理領域，王文富實現了對微觀企業人力資源結構的預測，胡澤文實現了對科技產出的預測。綜上，BP神經網絡由于其獨特的自學習、自適應、非線性擬合的特性，在經濟、社會、管理等諸多領域預測方面得到廣泛使用。因此，本研究運用BP神經網絡預測高校暫付款具有理論與現實基礎。

三、高校暫付款預測模型建立

（一）指標確定

影響高校暫付款規模的因素很多，如高校不同發展時期、內部控制環境、管理水平等。在高校會計實務中，購買設備的合同預付款、與單位結算的工程款項、相對于個人占用資金額度較大的因公差旅費、材料費、資料費、版面費及其他商品服務支出的預支款項是形成高校暫付款的主要原因，與李智敏、李敏（2012）[ 1 ]分析暫付款成因的結論相同。因此，本研究選取本年收入、本年支出、差旅費、專用材料費、其他商品服務支出、設備購置費相對關鍵的六個因素作為考察變量，定量分析這六個因素對高校暫付款規模的影響。

（二）BP人工神經網絡模型

本研究通過編程，調用Matlab7.13后臺自帶BP神經網絡工具箱建立模型。首先，讀取矩陣形式的自變量（本年收入、本年支出、差旅費、專用材料費、其他商品服務支出、設備購置費）與因變量（暫付款規模）。其次，設定中間層初始神經元個數。再次，為避免過分擬合，隨機將樣本數據分成訓練組、檢驗組與驗證組。70%樣本采用trainlm函數的馬夸特法則訓練BP神經網絡，學習規則采用learngdm函數；20%樣本檢驗網絡的適應能力，當網絡適應能力滿足預設條件時，停止訓練；10%樣本用于驗證所訓練網絡能力。最后，通過不斷調節中間層神經元個數，多次運行程序，反復訓練網絡，達到最優結果。

（三）主成分回歸模型

模型選擇變量如下：被解釋變量為暫付款規模Y，解釋變量為本年收入（X1）、本年支出（X2）、差旅費（X3）、專用材料費（X4）、其他商品服務支出（X5）、設備購置費（X6）。

由于財務數據各指標之間相互影響[ 5-6 ]，容易出現同增或同降近似線性現象，在建立多元回歸方程中，易出現共線性、增加參數方差、剔除主要解釋變量等問題。主成分回歸是利用了多元線性回歸的思想，只是在自變量處理上不同，因此本文利用SPSS20，采用主成分回歸分析的方法[ 7 ]，先對所有變量進行標準化，其次對標準化后自變量提取主成分，然后建立主成分標準回歸方程，最后還原成原始變量的回歸方程，并與人工神經網絡進行比較。

四、高校暫付款預測分析實證研究

（一）數據來源與描述性統計

本研究通過高校財務網站公開、實地調研收集了A省30所本科高校2014年暫付款規模、本年收入、本年支出、差旅費支出、專用材料費支出、其他商品服務支出及設備購置費支出等樣本數據。樣本描述性統計如表1所示。

（二）與主成分回歸結果比較分析

首先，對所有變量進行Pearson相關性檢驗，判斷共線性程度，如表2所示。由表2可知，本年收入與本年支出、差旅費、材料費、其他商品服務支出之間相關系數均大于0.75，這表明自變量之間存在嚴重共線性問題。此外，利用方差膨脹系數以及最后一個特征值（等于0.002，近似為0），進一步驗證了多元線性回歸模型中存在多重共線性問題。因此，本研究采用主成分回歸模型進行樣本數據擬合。

對回歸模型進行檢驗，結論如下：（1）擬合度。R=0.965，R2=0.932，調整R2=0.917，且接近于1，說明擬合度很好。自變量解釋了因變量93.2%的變化。（2）回歸方程整體線性檢驗。根據Anova方差分析，F=63.17，顯著性Sig=0.00，說明Z1、Z4、Z5從整體上對Y*有十分顯著的影響，即回歸方程高度顯著。（3）變量顯著性檢驗。表4中Z2、Z3的t值均大于0.05，不能引入回歸方程，故被剔除。

由最終原始變量構成的預測模型中回歸系數及符號可以看出：首先，專用材料費對暫付款規模影響最為重要且負相關，主要是因為A省加大對高校學科、品牌專業、高教研究投入且在經費使用方向給予了明確規定，因此表現為在經費支出中實驗購置材料費的金額和業務數量都比較大，在報銷時沖抵暫付款，對暫付款規模產生負向主要影響。其次，影響較大的是差旅費，因為高校經濟事項中調研、交流、開會、學習業務量是非常大的，教職工借款的金額一般是比較充足的，這就導致暫付款不能有足夠支出完全沖抵，造成了差旅費支出與暫付款規模同增的現象。再次，影響較大的是設備購置費，由于高校設備采購單筆一般占用資金量較大，調試周期較長，采購招標、付款、入庫等環節手續也比較復雜，導致了大量資金占用。另外，本年收入、本年支出與暫付款規模正向相關，主要是：（1）財政投入與其他收入增加，導致了高校經濟業務增量，帶來了暫付款規模自然增長；（2）當本年支出較大時，一方面是由于高校本身各類支出規模自然增長，另一方面是以前年度的暫付款在當年形成支出，而本年投入經費形成的暫付款超過了結清以前年度暫付款，因此呈現正向相關關系。最后，其他商品服務支出與暫付款規模呈負向相關，主要是高校逐步在學生實習實踐環節投入加大，實習實踐費用、廣告宣傳、版面費等費用增加，此類暫付款一般金額較小，及時沖抵，導致與暫付款規模的負向變化。

將樣本數據按因變量（暫付款規模）從小到大排列，采用本文BP神經網絡模型流程進行仿真。圖1所示為人工神經網絡模型與主成分回歸擬合優度，表5所示為部分A省高校暫付款規模采用主成分回歸擬合值、神經網絡仿真值與真實值之間的對比。

為比較兩種方法預測精度，構造主成分回歸擬合值絕對誤差與BP仿真值絕對誤差兩個統計量，通過非參數檢驗驗證這兩個統計量均服從正態分布，并進行了配對樣本的t檢驗，置信區間水平設置為95%。原假設：H0=BP仿真值絕對誤差-主成分回歸擬合值絕對誤差≥0。從表6雙側顯著性Sig指標可知：左側檢測時p=0.077/2=0.0385<0.05，因此拒絕原假設，認為BP仿真值絕對誤差明顯小于主成分回歸擬合值絕對誤差。由圖1、表5和表6可以看出：即使在樣本數據量較小的情況下，人工神經網絡模型仿真值與實際值擬合程度也較高，優于主成分回歸方程的擬合值。說明造成高校暫付款規模較大的原因較多，影響因素與暫付款規模之間存在非線性的模糊映射關系，而不是簡單的線性關系。

（三）暫付款預測精度比較分析

為了進一步驗證BP神經網絡的預測精度，對檢測樣本暫付款規模分別運用上述兩種模型進行預測，比較與實際值之間的差異，如表7所示。

由表7可知：BP神經網絡對檢測樣本預測誤差為2.58%，預測精度為97.42%；而主成分回歸預測模型的誤差為12.88%，預測精度為87.12%。因此，在高校暫付款規模預測研究上，BP神經網絡模型具有更高的預測精度。

五、結論

本文通過A省高校暫付款及影響因素分析，建立BP人工神經網絡預測模型，仿真擬合歷史數據，并利用仿真模型預測暫付款規模，與主成分回歸模型比較。同時，構造了主成分回歸擬合值絕對誤差與BP仿真值絕對誤差兩個統計量，進行了配對樣本的t檢驗，從統計學角度論證了BP仿真值絕對誤差明顯小于主成分回歸擬合值絕對誤差，證明了BP神經網絡對高校暫付款規模擬合及預測精度優于主成分回歸擬合及預測精度。

通過對A省高校暫付款及影響因素主成分回歸分析可知：專用材料費、差旅費、設備費是影響高校暫付款形成的主要事項。在高校財務管理過程中，應積極推進公務卡結算制度，避免占用大量資金。在財務精細化管理中側重于對設備購置形成的暫付款進行及時催報。此外，充分關注專用材料費、差旅費、設備費與暫付款規模同期變化幅度，對暫付款規模趨勢形成預判，更好地采取有效措施，降低暫付款規模。

本研究驗證了高校暫付款規模與其影響因素之間存在非線性的模糊映射關系。高校在控制暫付款規模過程中，可以通過利用BP人工神經網絡對暫付款及其影響因素的歷史數據進行擬合與仿真，并根據新的數據，對高校的暫付款規模進行預測，提前做好積極應對措施，降低暫付款規模，提高各類資金的使用效率，降低財務風險，實現教育經費規范化、科學化與精細化管理。

【參考文獻】

[1] 李智敏，李敏.高校經費精細化管理之暫付款管理[J].教育財會研究，2012（10）：14-16.

[2] 劉從兵.應用EXCEL構建高校暫付款管理系統[J].財會月刊，2013（4）：102-104.

[3] 陳茜，梁勇.基于財務內控建設的高職學院暫付款管理思考[J].財會通訊（綜合版），2013（5）：58-59.

[4] 王惠文，孟潔.多元線性回歸的預測建模方法[J].北京航空航天大學學報，2007（4）：501-504.

[5] 黃新建，王一惠，趙偉.管理者特征、過度自信與股價崩盤風險：基于上市公司的經驗證據[J].會計之友，2015（20）：76-81.

[6] 羅如芳，周運蘭，潘澤江.債務融資結構對財務績效的影響研究：以我國民族地區上市公司為例[J].會計之友，2015（10）：64-68.

[7] 郭呈全，陳希鎮.主成分回歸的SPSS實現[J].統計與決策，2011（5）：157-159.