基于BP神經網絡算法的企業財務風險預測方法研究

賴茂濤

(閩西職業技術學院 財經商貿學院, 福建 龍巖 364000)

0 引言

目前，我國經濟獲得了快速的發展，企業財務數量逐年增加，但是陷入危機的企業數量較多，企業財務缺乏有效的風險預測機制。因此，針對企業財務風險問題，許多專家學者做了相關研究，部分學者從分析企業財務危機的特點出發，建立因素分析模型，判定影響企業財務風險的因素[1]。還有部分學者建立單變量企業財務預測分析模型，預測不同時間節點下的財務風險的主要影響因素[2]。還有部分學者將人工智能方法應用到企業財務領域，初步利用決策樹算法建立預測模型，預測企業財務存在的問題[3-5]。還有部分學者利用統計方法建立預測模型，但是統計方法對數據的要求較高，要求數據服從多元正態分布，實用性要考量[6-7]。

綜上所述，目前專家學者在企業財務預測方面的研究主要集中在因素分析方面，判定影響企業財務運轉的因素，從危險因素出發判定風險，整體對于企業財務風險的預測較少。由此可知，通過對組合預測方法和BP神經網絡的分析建立了預測模型，對企業財務風險進行預測，從而規避企業財務風險所致的損失。

1 預測方法分析

組合預測最根本的目的就是將得到的單個預測信息進行整合，得到組合后整體的預測數值，組合預測方法的優勢和特點是弱化主觀性，使結果更加客觀有效[8]。

設N為事件個數，m為預測方法類型，令i表示第i種預測方法，X表示當前事件，y表示預測值，θ表示度量值，θ(X)表示事件X的度量值，深入分析可以得到非線性組合函數公式為y=θ(X)=θ(θ1，θ2，…，θm)，在某種情況之下，θ(X)度量優于θi(X)(i=1,2,3，…，M)。而在神經網絡中，BP神經網絡是最常見的預測算法之一。

BP神經網絡代表的是非線性的映射關系，BP神經網絡的內部結構對映射關系并不構成影響，需要通過樣本的學習來達到對研究內容內部結構的模擬[9]。BP神經網絡中是對一組單一的單元進行并行處理的過程，各單元之間通過許多簡單而復雜的網絡相互連接而形成，具有高度的非線性，系統之間可以實現復雜而非線性的邏輯運算關系。實際工作過程中的神經網絡在確定用戶輸入層所需參數后，隱層網絡根據其規則自動產生一定的輸出樣本數據并進行功能總結，該過程既不是簡單的樣本數據插值操作，也不是高度智能化的擬合操作，神經網絡的整體就是不斷輸入和輸出的過程。

BP神經網絡的學習過程包括正向傳播和反向傳播。正向傳播是根據輸入信息，經過權值、激活函數、隱藏層，最后獲得輸出結果；反向傳播是根據輸出信息，經過和期望值的比較，再經過算法、修改權值，最終使輸出和期望值差距變小的過程。

2 基于BP神經網絡的企業財務風險預測模型

神經網絡風險預測模型的整體是將企業日常財務信息參數作為輸入數據，再利用組合神經網絡的方法輸出當前企業財務風險的狀態。利用企業財務的歷史數據對案例進行訓練，最終使得不同輸入向量均得到相應的輸出數值。企業財務風險預測算法流程如圖1所示。

圖1 企業財務風險預測算法流程

圖1所示的主要流程如下。

Step1：設Q為樣本數量，m為存在的多種預測方法，輸入向量Xki(k=1,2，…，Q；i=1,2，…，m)，tk作為輸出的實際神經網絡數據，若數據的樣本量不夠大時可重復執行步驟3至步驟5；

Step2：實際情況狀態的計算，設j為事件下的第j種狀態，計算得到隱含層中單元的狀態；

Step4：對模型中的權值和閾值進行修正分析。設W為修正值，η為系數，Wji(t+1)=Wji(t)+ηδkjOki+a[wji(t)-wji(t-1)],θj(t+1)=θj(t)+ηδj+a[θj(t)-θj](t-1)；

Step6：企業財務狀態預測。

3 應用結果分析

本研究搜集整理158家企業財務，將因財務異常被處理的企業設定為危險企業，將數據組合在一起構成樣本集合，以2019年數據為基礎，利用模型實現預測。同時本研究采用的預測指標體系是以目前公司普遍采用的預測變量為基礎進行匯總整理[10]，以部分因素輸入模型的整體結構中，由于Fisher分析模型和Logistic回歸模型也是在預測中效果較好，比較常見的預測模型，所以將本研究提出的模型與Fisher分析模型和Logistic回歸模型對比分析，驗證不同模型的優勢和劣勢。

(1)時間效率

在模型輸入因素中，實際情況、盈利情況、經營情況和成長情況與時間效率的關系較強，預測的時間效率較快，能及時了解企業財務的整體情況，從而使企業快速做出風險防控措施。所以在時間效率分析上主要針對這4種因素進行預測模型輸入。

在實驗過程中，將企業財務的數據進行分組整理，分為10組，利用測試數據對比分析3種模型在預測企業財務危機所花費的時間，如表1和圖2所示。

表1 時間效率分析表

圖2 時間效率分析圖

根據實驗結果可知，本研究提出的模型執行效率較高，在一定程度上可以提高算法的執行效率。

(2)預測準確率

在模型輸入因素中，實際情況、盈利情況等6個因素均關乎預測效果的準確性，從多因素分析預測效果可提升預測的精確度，預測準確性較高可以使企業有效控制財務風險。所以在預測準確率分析上主要針對多因素進行預測模型輸入。

在實驗過程中，將企業財務的數據進行分組整理，分為10組，利用測試數據對比分析3種模型在預測企業財務危機的準確率(與實際情況進行對比分析)，如表2和圖3所示。

表2 預測準確率分析表

圖3 預測準確率分析圖

根據實驗結果可知，本研究提出的模型預測準確率較高，在一定程度上可以保證預測的結果和準確率。

(3)安全性

在模型輸入因素中，實際情況、成長情況和現金流量與企業財務風險的安全性關系較強，因為企業財務數據存在涉密性，模型要最大程度減少安全問題的發生。所以在安全性分析上可從這3種因素進行預測模型輸入。

在實驗過程中，將企業財務的數據進行分組整理，分為10組，利用測試數據對比分析3種模型出現的問題情況，如表3和圖4所示。

表3 安全性分析表

圖4 安全性分析圖

根據實驗結果可知，本研究提出的模型在預測的過程中發生的安全性問題較少，比其他模型的性能好，在一定程度上可以降低安全性問題的發生。

通過對本研究提出的方法進行深入的分析可知，基于BP神經網絡的企業財務風險組合預測模型具有一定的優勢，但是由于企業財務的實際情況具有多變性，因此對模型實際效果的檢驗需要有持續性的研究，后續可針對企業財務實際情況的變化，不斷對模型輸入的參數進行調整，檢驗模型的可靠性。

4 總結

本研究通過對企業財務風險的分析，建立風險預測模型，并與其他模型的優勢和劣勢進行對比，可知本研究提出的模型在時間效率、預測準確率和安全問題方面均優于其他的方法，具有一定的實際應用性。