基于強分類器的企業財務預警分析研究

王敏玉

摘要：本文首先分析了財務危機與財務預警的關系，闡述了建立企業財務預警系統的必要性，以南京中山大廈有限公司財務狀況為研究樣本，得出10個指標的企業財務預警體系，提出了基于BP神經網絡的強分類器的模型，并在Matlab環境下進行實踐，結果表明采用基于強分類器的企業財務預警模型具有分類精度高等特點，對于建立企業財務預警系統具有很強的應用價值。關鍵詞：財務危機；財務預警；強分類；BP神經網絡中圖分類號：D412.67

文獻標志碼：A

文章編號：1674-9324（2018）20-0193-02 一、引言市場給企業的發展帶來發展機遇的同時，也給企業帶來了風險，如果企業的經營者不能正確有效的應對市場風險，把握企業的財務狀況，及時作出正確的風險判斷從而采取相應的措施，其結果將給企業帶來了不確定的風險與損失，在這種背景下進行企業財務預警方面的研究，對于企業的經營無疑具有重大的價值。二、財務危機與財務預警關于財務危機概念的認識，文獻[1]認為企業財務危機是企業在運營過程中出現的資金困境的一種現象，是企業管理中出現的資金管理失敗的一種表現，從文獻[1]可以發現，從企業資金管理的角度看，企業一旦出現財務危機對企業來說是致命的，企業失去了利用自身資金償還到期債務的能力，很多企業就是由于出現了財務危機而走向了破產。正是由于企業財務危機對企業經營的危害性，企業財務預警的研究就顯得十分重要，企業財務預警就是對企業財務的情況進行分析，第一時間識別出企業財務狀況出現惡化的情況。三、企業財務預警系統的分析企業財務預警屬于企業財務管理范疇，建立公司財務預警系統是為了預防公司財務運行偏離正確的方向而建立的報警分析報警系統，它首先采集公司的財務指標，具體為：盈利能力指標、償還能力指標等大指標，每項大指標又分為若干個小指標，如盈利能力指標又分為凈資產收益率、總資產報酬率、主營業務利潤率等，通過公司的各項財務指標進行分析評價，識別出公司的財務狀況、發展趨勢，為企業決策者提供決策支撐。企業財務指標十分復雜，如果對所有的指標都進行評價后綜合，預警模型就過于復雜，因此在模型建立前需要篩選指標。首先是在財務指標中找出特征性強的指標、能夠明顯區分公司情況的財務指標，在此基礎上再進行細化，最終找出應收賬款周轉率、成分費用利潤率、資產營運能力、公司總資產、總資產增長率、營業現金流量等指標作為評價指標，這些指標也比較全面地反映出了企業的財務情況。四、企業主要財務指標的計算1.應收賬款周轉率的計算。應收賬款周轉率是指在一定的時期內（一般指一年）應收賬款變為現金的次數，它是衡量一個企業應收賬款流動的指標，應收賬款周轉率是銷售收入與平均應收賬款的比值，可以表明應收賬款周期流動的速度，一般來說應收賬款周轉率越高，應收賬款收回越快，否則，企業營運資金過多的停滯在應收賬款上，會影響正常的資金周轉。以南京中山大廈有限公司為例，南京中山大廈有限公司商場批發業務2014—2015年應收賬款周轉率分別為9.28次、9.05次，高于行業平均周轉率8.9次，表明南京中山大廈對收賬款實施了嚴格管理。2.存貨周轉率的計算。存貨周轉率是指在一定時期主營業務成本與平均存貨余額的比率，它是反映存貨周轉速度，企業營運能力的重要指標之一。存貨周轉率不僅可以用來衡量企業的經營環節中存貨的營運效率，還可以用來評價企業的經營業績。一般情況下，該指標越高，存貨的周轉次數越高，表明企業的存貨資產變現能力越強，說明企業由于銷售順暢而具有較高的流動性，償債能力較強，反映了企業具有較高的存貨管理水平。南京中山大廈有限公司商場批發業務2014—2015年存貨周轉率分別為6.15次、6.11次，遠高于行業平均水平11.63次，表明企業銷售順暢而具有較高的流動性，存貨轉變為現金或應收賬款的速度快，存貨的占用水平低。五、基于財務預警分析強分類器模型強分類器的思想是整合多個“弱分類器”以產生有效的分類，其步驟如下。首先設計出弱分類算法和樣本（X，Y），從樣本空間中找出訓練數據，用弱學習分類運算，每次運算后都按照分類結果更新訓練數據，弱分類器通過反復迭代得到一個分類，最終強分類函數由弱分類函數加權得到。本文采用的強分類模型是把BP神經網絡作為弱分類器，反復訓練BP神經網絡預測樣本輸出，通過算法把多個BP神經網絡分類器疊加的分類器就是強分類器，如圖1所示。算法如下：步驟1：數據選擇和網絡初始化，從樣本空間隨機選擇m組的訓練數據，根據樣本設計BP神經網絡的結構。步驟2：弱分類器預測，當訓練第i個弱分類器時，用訓練數據訓練BP神經網步驟。步驟3：測試數據權重權重。步驟4：將幾個弱分類組合得到強分類函數進行分類。六、實驗分析采集到若干組公司財務狀況數據，從每組數據的輸入10個指標，輸出為1時表示財務良好，-1時表示財務狀況出現問題。在Matlab環境下進行編程測試，具體如下。1.數據集的選擇。從樣本中選擇訓練樣本，測試樣本權重，流程如圖2。2.弱分類器學習分類。把BP神經網絡看作弱分類器，對樣本進行歸一化處理，搭建BP神經網絡，選擇前70%的樣本數據作為訓練數據，后30%的樣本數據作為測試數據，進行BP神經網絡的訓練，最后對訓練數據進行預測，其流程如圖3。3.強分類器分類。由10組弱分類器BP網絡疊加強分類器對分析樣本進行分類訓練，計算出分類結果與誤差，其流程如圖4。4.結果分析。采用了10個BP弱分類器組成的強分類器分類公司的財務運行狀況，分類誤差發現，強分類器的誤差率低于弱分類器的誤差率，表明強分類器取得良好的效果。七、結語激烈的市場競爭中，財務風險和危機對企業的生存是致命的，建立企業財務預警系統就顯得非常重要，財務預警系統是對企業財務指標的綜合分析，反映出企業的財務狀況，基于強分類模型是整合若干個弱分類器以得到有效的分類，也就是把BP神經網絡作為弱分類器，反復訓練BP神經網絡預測樣本輸出，通過把幾個BP神經網絡合并得到強分類器，在MATLAB實踐中，這種強分類器分類誤差率低，對建立財務預警系統具有良好的應用價值。參考文獻：[1]潘穎.企業財務預警系統構建研究[J].商業研究，2009，（8）：78-80.[2]李心合.財務失敗及其預警[J].財務與會計，2007，（24）：57-59.[3]李秉祥.基于資本市場信息的上市公司財務危化動態預測模型研究[J].管理工程學報，2005，（4）：49-52.[4]李賀，單錦雨.企業財務預警系統分析與設計研究[J].情報科學，2005，（3）：437-450.[5]李芳.基于BP神經網絡的我國制造業上市公司財務危機預警[J].金融領域，2010，（40）：63-64.