基于BP神經(jīng)網(wǎng)絡(luò)挖掘方法的高校財務(wù)預(yù)警分析

摘要：隨著教育投入增加及高校資金來源多元化和高校辦學規(guī)模進一步發(fā)展，高校財務(wù)管理由傳統(tǒng)核算型向管理型轉(zhuǎn)變。高校財務(wù)數(shù)據(jù)是高校最基本、最有決策價值的數(shù)據(jù)。大數(shù)據(jù)時代如何利用數(shù)據(jù)挖掘方法從龐大的財務(wù)數(shù)據(jù)中分析高校財務(wù)信息，建立可操作性強的分析模型，為高校利益相關(guān)者提供全方位、高相關(guān)性和高準確性的決策信息，為高校科學發(fā)展提供高質(zhì)量的會計信息，是當代高校財務(wù)管理工作的一個非常重要的問題。本文選取償債能力、經(jīng)營能力、發(fā)展能力3項一級指標和資產(chǎn)負債率等15項二級指標構(gòu)建高校財務(wù)預(yù)警分析指標體系，采集16所高校（SH1-SH16）2018年的財務(wù)數(shù)據(jù)進行建模，并應(yīng)用反向傳播神經(jīng)網(wǎng)絡(luò)（BP神經(jīng)網(wǎng)絡(luò)）數(shù)據(jù)挖掘方法對其中2所高校（SH15、SH16）2018年財務(wù)狀況進行預(yù)警分析，結(jié)果顯示網(wǎng)絡(luò)輸出和高校實際風險等級一致，表明BP 神經(jīng)網(wǎng)絡(luò)在高校財務(wù)風險預(yù)警分析中預(yù)警結(jié)果精度高（98%），可信度較強，是一種可用于高校財務(wù)預(yù)警分析的有效量化方法。

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò);數(shù)據(jù)挖掘方法;財務(wù)預(yù)警分析;高校財務(wù)管理

1 引言

隨著教育投入增加及高校資金來源多元化和高校辦學規(guī)模進一步發(fā)展，高校經(jīng)濟活動日益復(fù)雜，財務(wù)管理由傳統(tǒng)核算型向管理型轉(zhuǎn)變。高校財務(wù)數(shù)據(jù)是高校最基本、最有決策價值的數(shù)據(jù)。高校傳統(tǒng)的財務(wù)分析主要是圍繞財務(wù)報告進行的諸如比較分析法、比率分析法、趨勢分析法和因素分析法等定量分析，難以對海量財務(wù)數(shù)據(jù)潛在的、深層次的信息進行深入了解。隨著理論與算法的成熟及計算機運算能力的大幅提升，基于大數(shù)據(jù)的數(shù)據(jù)挖掘技術(shù)能夠快速從海量數(shù)據(jù)中抓取有效信息從而得到這些數(shù)據(jù)背后獨特的規(guī)律和預(yù)測未來的發(fā)展趨勢。通過數(shù)據(jù)挖掘可以幫助決策者尋找規(guī)律，發(fā)現(xiàn)被忽略的要素和人們不易覺察的、隱含的模式，預(yù)測趨勢，進行決策。

數(shù)據(jù)挖掘方法作為一種新興的數(shù)據(jù)分析技術(shù)己經(jīng)在許多領(lǐng)域成功地應(yīng)用。大數(shù)據(jù)時代如何利用數(shù)據(jù)挖掘方法從龐大的財務(wù)數(shù)據(jù)中分析高校財務(wù)信息，建立可操作性強的分析模型，為高校利益相關(guān)者提供全方位、高相關(guān)性和高準確性的決策信息，為高校科學發(fā)展提供高質(zhì)量的會計信息，是當下高校財務(wù)管理工作的一個非常重要的課題。本文旨在將BP神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)挖掘方法應(yīng)用于高校財務(wù)預(yù)警分析，為高校財務(wù)分析提供有效的量化方法。

2 高校財務(wù)預(yù)警分析指標系統(tǒng)

高校財務(wù)風險主要包括籌資的風險、投資過程中的風險、資金流動性的風險和學校財務(wù)內(nèi)部管理的風險。當代，財務(wù)風險管理已成為高校財務(wù)管理的新內(nèi)容。

財務(wù)預(yù)警分析屬于外部財務(wù)分析，適用性廣、理論成熟。以現(xiàn)有的財務(wù)比率為基礎(chǔ)，通過建立數(shù)學模型預(yù)警其財務(wù)風險的高校財務(wù)預(yù)警分析是保證高校正常運轉(zhuǎn)、合理發(fā)展的關(guān)鍵環(huán)節(jié)之一。本文根據(jù)經(jīng)濟管理科學中的技術(shù)經(jīng)濟分析方法，從償債能力、經(jīng)營能力、發(fā)展能力設(shè)置3項一級指標和資產(chǎn)負債率等15項二級指標（詳見表1），并依據(jù)高校財務(wù)運行實際狀況設(shè)置臨界比率。探索可精益、高效地開展財務(wù)預(yù)警分析的指標體系，使財務(wù)運行處于一定的安全區(qū)間，防范財務(wù)風險發(fā)生。

3 BP神經(jīng)網(wǎng)絡(luò)挖掘方法在高校財務(wù)預(yù)警分析中的應(yīng)用

財務(wù)預(yù)警的傳統(tǒng)分析方法包括比率分析法、單變量分析法及多元線性回歸分析法。比率分析法是財務(wù)預(yù)警的基礎(chǔ)，單變量分析法及多元線性回歸分析法應(yīng)用于財務(wù)預(yù)警有其特點，也有其不可避免的局限性。20世紀80年后，數(shù)據(jù)挖掘的復(fù)雜算法逐漸用于財務(wù)預(yù)警分析。目前，數(shù)據(jù)挖掘是最主要的財務(wù)預(yù)警分析方法，其中利用神經(jīng)網(wǎng)絡(luò)挖掘方法進行財務(wù)預(yù)警分析是當前最有發(fā)展前景的一種方法。文章結(jié)合數(shù)據(jù)挖掘的基本流程，探究BP神經(jīng)網(wǎng)絡(luò)挖掘方法在財務(wù)預(yù)警分析中的應(yīng)用。

3.1 神經(jīng)網(wǎng)絡(luò)簡介

神經(jīng)網(wǎng)絡(luò)是通過對進入模型的數(shù)據(jù)（包括輸入字段和輸出字段）進行學習，通過權(quán)值的調(diào)整，分析掌握輸入字段和輸出字段之間潛在的規(guī)律，最終利用這些規(guī)律對樣本進行訓練（就是可以用來對新的輸入字段推算新的輸出字段），即預(yù)測挖掘的過程。隨著計算機運算速度越來越快，神經(jīng)網(wǎng)絡(luò)的訓練時間可以大大縮短，加上神經(jīng)網(wǎng)絡(luò)對輸入變量的要求很低，可以接受不同種類的變量輸入，適應(yīng)性強，允許輸出輸入變量具有模糊性，所以神經(jīng)網(wǎng)絡(luò)方法已經(jīng)廣泛用于各領(lǐng)域的數(shù)據(jù)挖掘。

反向傳播神經(jīng)網(wǎng)絡(luò)（Back Propagation Net，即BP神經(jīng)網(wǎng)絡(luò)）是一種采用反向傳播學習算法（即BP學習算法）的多層前饋神經(jīng)網(wǎng)絡(luò)，由模型訓練、模型檢測、模型反饋學習三個部分組成。將BP學習算法的映射能力和泛化能力用于財務(wù)預(yù)警分析，在經(jīng)過一定數(shù)量的帶噪聲的樣本的訓練后，網(wǎng)絡(luò)可以提取樣本所隱含的特征關(guān)系，并對新情況下的數(shù)據(jù)進行內(nèi)插和外推以推斷其屬性[1，2]。為了得到具有較好泛化能力的BP神經(jīng)網(wǎng)絡(luò)，就要有訓練樣本集，根據(jù)訓練樣本，系統(tǒng)從中學習，不斷調(diào)整各個權(quán)值，進而訓練出分類模型;同時還要有測試集，即利用第一步已被訓練的神經(jīng)網(wǎng)絡(luò)對檢測樣本進行分類評估的系統(tǒng)應(yīng)用環(huán)節(jié);模型反饋學習是系統(tǒng)將通過反饋學習來不斷提高系統(tǒng)性能。當隨著網(wǎng)絡(luò)學習次數(shù)的增加，訓練集的目標函數(shù)（測試數(shù)據(jù)）有可能不減少或增加，即泛化能力減弱時可取測試集的極小點對應(yīng)的訓練權(quán)系數(shù)，以使網(wǎng)絡(luò)具有較好的泛化能力。泛化能力還與網(wǎng)絡(luò)的隱含層和隱含點數(shù)有關(guān)，因此應(yīng)選擇結(jié)構(gòu)盡量簡單，且泛化能力較強的[3，4]。

3.2 實證研究

采集16所高校（SH1-SH16）2018年的財務(wù)數(shù)據(jù)構(gòu)造神經(jīng)網(wǎng)絡(luò)模型，并應(yīng)用BP神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)挖掘方法對其中2所高校（SH15、SH16）2018年財務(wù)狀況進行預(yù)警分析。

3.1.l 問題描述

BP網(wǎng)絡(luò)的輸入和輸出層的神經(jīng)元數(shù)目，是由輸入和輸出向量的維數(shù)確定的。輸入向量的維數(shù)也就是影響因素的個數(shù)。文章通過對影響高校財務(wù)狀況的因素分析，選取償債能力、經(jīng)營能力、發(fā)展能力3項一級指標及資產(chǎn)負債率等15項二級指標，因此輸入層神經(jīng)元個數(shù)為15。為了細化財務(wù)風險等級，將風險等級分為巨警、重警、中警、輕警和無警5級，因此，目標輸出模式為（0O001）、（00010）、（00100）、（01000）和（10000），分別為巨警、重警、中警、輕警和無警[2，5]。由此可知，輸出層神經(jīng)元的個數(shù)為5。

3.1.2 建模

以16所高校（SH1-SH16）2018年數(shù)據(jù)為例建立模型（見圖1）。

3.1.3學習訓練[2，5]

確定網(wǎng)絡(luò)結(jié)構(gòu)后，就利用樣本數(shù)據(jù)通過學習規(guī)則進行訓練，提高網(wǎng)絡(luò)的適應(yīng)能力。學習速率決定每一次循環(huán)中的權(quán)值變化量，是訓練過程的重要因子。一般傾向于選擇較小的學習速率保證學習的穩(wěn)定性，本文取學習速率為0.05。

本文采集16所高校（SH1-SH16）2018年的財務(wù)數(shù)據(jù)作為研究樣本，對其中前14所高校（SH1-SH14）2018年的財務(wù)指標共14組數(shù)據(jù)及財務(wù)風險等級作為網(wǎng)絡(luò)訓練樣本，后2所高校（SH15、SH16）2018年的財務(wù)數(shù)據(jù)作為預(yù)測樣本運用BP神經(jīng)網(wǎng)絡(luò)對高校財務(wù)風險進行預(yù)警分析。

3.1.4 模型結(jié)果分析

從網(wǎng)絡(luò)輸出結(jié)果可以看出，網(wǎng)絡(luò)經(jīng)過13次訓練后即達到了誤差要求。網(wǎng)絡(luò)輸出和高校實際風險等級見表2。

研究結(jié)果表明BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測精度98%，對模型越重要的變量，訓練效果越好。由此可見，BP神經(jīng)網(wǎng)絡(luò)成功地對2所高校（SH15、SH16） 2018年的財務(wù)狀況進行了預(yù)警。

4 結(jié)束語

隨著高等教育由“精英教育”向“大眾教育”轉(zhuǎn)變，自2000年后，高校全面“升級”，辦學規(guī)模的擴大和集中，一定程度上增強了高校的綜合實力和科研實力，有一定的積極意義。但我國高校管理普遍缺失成本效益，在計劃和實際使用經(jīng)費時只看重目標的實現(xiàn)而很少考慮成本，因此隨著高校規(guī)模的擴張，高校負債規(guī)模也在擴大，使高校正常運行存在一定風險。通過建立高校財務(wù)風險預(yù)警系統(tǒng)模型對財務(wù)風險進行定量分析是財務(wù)風險管理的關(guān)鍵環(huán)節(jié)，在使高校樹立風險意識的同時，可通過預(yù)警指標值的變化，隨時捕捉高校財務(wù)風險信息，以便采取應(yīng)對措施，及時防范和化解財務(wù)風險。

神經(jīng)網(wǎng)絡(luò)通過對一定量的歷史數(shù)據(jù)的訓練，網(wǎng)絡(luò)可以學習到數(shù)據(jù)中隱含的知識。神經(jīng)網(wǎng)絡(luò)可用作分類、聚類、預(yù)測等。文章研究結(jié)果顯示BP 神經(jīng)網(wǎng)絡(luò)在高校財務(wù)預(yù)警分析中預(yù)警結(jié)果精度高，可信度較強，是一種可用于高校財務(wù)預(yù)警分析的有效量化方法。

參考文獻：

[1]張一童.我國上市公司財務(wù)預(yù)警指標體系構(gòu)建機制研究 [J].現(xiàn)代商貿(mào)工業(yè)，2009（5）：214-215.

[2]尹中曉.高校財務(wù)風險預(yù)警實證研究[D].西安：西安建筑科技大學，2006.

[3]張曾蓮.基于BP神經(jīng)網(wǎng)絡(luò)的高校科研能力評價研究[J].科技管理研究，2011（18）：54-57.

[4]張曾蓮.基于主成分分析BP神經(jīng)網(wǎng)絡(luò)的高校財務(wù)預(yù)警研究[C].2011-07-09.

[5]張國富，范亞東.基于BP神經(jīng)網(wǎng)絡(luò)的物流企業(yè)財務(wù)風險預(yù)警研究[J].生產(chǎn)力研究，2012（11）：219-220.

項目基金：滬江哲社基金專項一般項目資助（項目編號：19HJ-DSSG-00-015）

作者簡介：梁立文（1992—），女，江西九江人，會計學碩士，ACCA會員，注冊會計師，研究方向：高校財務(wù)管理。