基于PSO-BP和FOA-BP神經網絡的財務危機預警模型比較

王玉冬，王 迪，王珊珊

（哈爾濱理工大學 經濟與管理學院，哈爾濱 150040）

0 引言

在眾多的財務危機預警模型中，BP神經網絡因其預測準確率較高的優勢被廣泛采用，同時，BP也具有收斂速度慢，易導致局部最優解的缺點，因此國內采取一些優化算法對BP的權值和閾值進行優化，經過多次試驗可知PSO算法的優化效果和效率良好，因此使用率較高。果蠅優化算法作為一種比較新的智能優化算法，還未被應用在高新技術企業財務危機預警中。本文將FOA-BP神經網絡模型用于高新技術企業財務危機預警，選取高新技術企業財務數據，根據PSO-BP模型與FOA-BP模型的預測結果，對兩種模型的預測準確率和錯誤類型及概率進行比較分析。

1 財務危機預警模型

1.1 BP神經網絡模型

BP神經網絡模型分為輸入層、輸出層和隱含層。輸入層用來接收外部信息，信息的最終處理結果通過輸出層傳輸到系統外部，隱含層是連接輸入層和輸出層的橋梁[1]。BP神經網絡是由正向傳播和反向傳播組成的，正向傳播指外部信息由輸入層傳入到隱含層再到輸出層，若輸出結果符合網絡期望，則算法結束，若輸出結果不符合網絡期望，則算法會將誤差信息按原路反向計算，就是所謂的反向傳播[2]。本文運用BP神經網絡進行財務危機預警分析時，將經過篩選處理后的財務危機預警指標作為輸入值，將評價結果作為輸出值（發生財務危機，則輸出值為2；財務正常，則輸出值為1）。

1.2 PSO-BP神經網絡模型

BP學習算法大多采用梯度下降對權值進行調整，因其具有收斂速度緩慢，全局搜索最優值的能力較差和容易引起振蕩的缺點，本文采用粒子群優化算法對BP進行優化[3]。其基本思想是：運用PSO算法對神經網絡的權值和閾值反復進行優化，將得到的網絡參數代入BP算法進行再一次優化，用最終得到的最優參數對樣本進行預測[4]。設置粒子群優化算法參數為：maxgen=100，sizepop=30，C1和C2均為1.49，Vmax=1，popmax=1。將訓練樣本作為粒子群BP神經網絡的訓練集，將得到的全局最優粒子的位置映射為BP神經網絡的初始權值和閾值，通過BP算法訓練網絡，直到網絡達到期望狀態。經過18次訓練后，網絡誤差達到要求。PSO優化BP神經網絡流程如圖1所示。

圖1 PSO-BP神經網絡流程圖

1.3 FOA-BP神經網絡模型

運用FOA優化BP神經網絡，第一步要確定BP的拓撲結構，第二步利用FOA優化算法對BP的權值和閾值進行優化迭代。將BP神經網絡中每一組權值和閾值視為一個果蠅個體，給每一只果蠅賦予到原點之間距離和隨機的飛行方向，按照算法步驟進行迭代，迭代過程也是一個循環過程。在這個過程中不斷尋找最優的方向和到原點之間的距離，找到最優味道濃度的果蠅，根據其位置坐標對BP的權值和閾值進行賦值，進行BP訓練與預測[5]。果蠅優化算法參數為：maxgen=100，sizepop=10，1b=0.00000001*ones（1,N），ub=15*ones（1,N）。FOA優化BP神經網絡流程如圖2所示。

圖2 FOA優化BP神經網絡流程圖

2 財務預警模型的應用與檢驗

2.1 樣本選取

本文從滬、深交易所A股市場選擇高新技術上市公司作為研究對象，將其中30家ST企業作為財務危機樣本，按照1:1的比例選擇所處行業和資產規模均相似的非ST企業作為配對樣本，總計得到60個樣本。選取了信息較為連續可比，同時具有時效性的2015年的數據，所有樣本數據均來自WIND資訊。

2.2 預警指標選取

在設計預警指標時，充分考慮高新技術企業特點，結合市場環境，透析其在經營過程中潛藏的財務危機[6]。本文參考國內外高新技術企業財務危機預警相關文獻中的指標構建，依據科學性、全面性、可操作性、靈敏性和動態性原則初步選取28個預警指標進行分析。具體指標如表1所示。

2.3 指標數據歸一化處理

本文采用T檢驗法對初步選取的28個指標進行篩選。基于樣本企業2015年的指標數據，用SPSS統計軟件，對樣本企業28個指標進行置信水平為95%的顯著性檢驗。檢驗結果，從這28個指標中篩選出R&D投入強度、研發人員占比、新產品銷售收入增長率、總資產增長率、凈利潤增長率、每股經營現金凈流量、每股投資現金凈流量、現金比率、資產報酬率、凈資產收益率、主營業務利潤率、資產周轉率、固定資產周轉率、利息保證倍數、資產負債率、固定資產比率、股東權益比率共17個具有顯著性的指標。因此神經網絡輸入層節點數為17，經過若干次試驗，確定隱含層為14，若企業處于財務危機狀態，輸出值為2；若財務狀況正常，輸出值為1，則輸出層節點數為1。因此本文采用的模型結構為17-14-1。神經網絡結構如圖3所示。

表1 預警指標體系

圖3網絡結構圖

因不同指標具有不同的性質和量綱，若直接將其帶入網絡訓練，則易造成不可忽視的誤差，所以在代入模型之前，對其進行標準化處理。具體處理方法為：

（1）逆向指標正向化處理方法為：

（2）適度指標正向化處理方法為：

其中，k為樣本均值。

（3）全部指標標準化處理方法為：

2.4 模型訓練和檢驗

將60家企業分為訓練樣本和檢驗樣本（其中25家ST公司和15家非ST公司為訓練樣本，其余20家作為檢驗樣本），運用MATLAB程序對構建的PSO-BP模型和FOA-BP模型進行訓練，訓練以及預測結果如下頁圖4至圖7所示。

圖4 PSO-BP訓練效果圖

圖5 PSO-BP測試效果圖

圖6 FOA-BP訓練效果圖

圖7 FOA-BP測試效果圖

由圖4和圖5可以看出，在訓練樣本中，有5家ST企業被誤判成正常企業，有2家正常企業被誤判成ST企業，誤判率為17.5%；在測試樣本中，正常企業全部預測準確，有3家ST企業被誤判成正常企業，誤判率為15%。由圖6和圖7可以看出，在訓練樣本中，有3家ST企業被誤判成正常企業，有2家正常企業被誤判成ST企業，誤判率為12.5%；在測試樣本中，有1家正常企業被誤判成ST企業，有1家ST企業被誤判成正常企業，誤判率為10%。

3 兩種模型的比較

本文選取60家高新技術上市公司2015年的財務數據作為研究樣本，其中包括30家ST公司（危機型企業）和30家非ST公司（正常性企業），分別代入到兩個模型中，對PSO-BP模型與FOA-BP模型測試結果進行比較分析，測試結果如表2所示。

表2 模型比較

檢驗結果表明，PSO-BP和FOA-BP模型的總體準確率分別為83.33%和88.33%，說明在總體預測上，FOA-BP的準確度較高；對于ST企業的預測，FOA-BP的預測效果更好，正確率為86.67%高于PSO-BP的正確率（73.33%）；對于正常企業，PSO-BP的預測正確率（93.33%）略優于FOA-BP的正確率（90%）。

4 結論

本文通過構建PSO-BP神經網絡和FOA-BP神經網絡預警模型對我國高新技術企業財務狀況進行實證檢驗。本文首次將FOA-BP神經網絡模型用于高新技術企業財務危機預警，通過預測結果可以看出FOA-BP模型的預測效果良好。將兩個模型的檢驗結果進行對比，PSO-BP神經網絡模型在判別正常企業時，準確率高于FOA-BP，但總體準確度和判別ST企業的準確度都低于FOA-BP。此結論可以作為高新技術企業預測財務狀況的參考，在日后的財務預警中，可以采用多種模型相結合的方法進行預測，集合每種模型的優勢，使得預測效果更加準確。