基于LSTM神經(jīng)網(wǎng)絡(luò)的飼料企業(yè)財務(wù)風(fēng)險預(yù)警模型構(gòu)建

楊 旭，黃雪梅

（重慶財經(jīng)職業(yè)學(xué)院，重慶市 402160）

近年來，隨著飼料產(chǎn)業(yè)推動農(nóng)業(yè)及畜牧業(yè)發(fā)展速度的加快，飼料產(chǎn)業(yè)在推動我國社會經(jīng)濟發(fā)展方面起著重要作用。但隨著全球貿(mào)易一體化進程的加快，飼料行業(yè)受外部市場環(huán)境等客觀因素造成的競爭壓力也逐漸增加，飼料企業(yè)面臨著融資渠道單一化、資金擴大產(chǎn)能不足等一系列問題，為此，飼料企業(yè)只有拓寬渠道運營、提高產(chǎn)業(yè)生產(chǎn)規(guī)模、完善飼料產(chǎn)品質(zhì)量才能提升自身市場競爭力。但在持續(xù)化經(jīng)營過程中，飼料企業(yè)的發(fā)展又會受到國內(nèi)經(jīng)濟體制地限制，賬款回收不到位、匯率上下波動、商貸利息上調(diào)及政策變動等因素都會給飼料企業(yè)運營帶來一定的風(fēng)險（杜英等，2011）。如何借助高效的運算程序?qū)崿F(xiàn)飼料企業(yè)財務(wù)風(fēng)險預(yù)警分析，為飼料企業(yè)的持續(xù)化運營提供良好的監(jiān)測是當前需要解決的重要問題。本文將LSTM神經(jīng)網(wǎng)絡(luò)算法運用到飼料企業(yè)財務(wù)預(yù)警模型構(gòu)建中，借助LSTM在處理歷史時間序列層面的優(yōu)勢來激活飼料企業(yè)財務(wù)預(yù)警數(shù)據(jù)值，為衡量飼料企業(yè)財務(wù)預(yù)警準確度奠定基礎(chǔ)（董妍慧，2008）。

1 飼料企業(yè)財務(wù)風(fēng)險預(yù)警模型樣本指標選取

1.1 飼料企業(yè)樣本的選取 當前，很多中小飼料企業(yè)對財務(wù)風(fēng)險預(yù)警的重視程度不夠，不但防范意識不足，更重要的是不能及時采取有效化防范措施及應(yīng)對方案去降低財務(wù)風(fēng)險。飼料企業(yè)發(fā)展運營數(shù)據(jù)冗雜，飼料企業(yè)傳統(tǒng)式的財務(wù)梳理模式需要耗費大量的時間和人力，財務(wù)數(shù)據(jù)正確率不但得不到有效保障，還極大降低了員工的工作效率（方瑞，2008）。當前，大數(shù)據(jù)分析在飼料企業(yè)財務(wù)的應(yīng)用逐漸普遍化，不但有效保障飼料企業(yè)財務(wù)數(shù)據(jù)指標的歷史時間序列，還在一定程度上提升了財務(wù)預(yù)警的時效性，為飼料企業(yè)運營模式的升級優(yōu)化提供了有效借鑒。

為驗證LSTM神經(jīng)網(wǎng)絡(luò)對企業(yè)財務(wù)風(fēng)險預(yù)警的性能，在中國飼料行業(yè)信息網(wǎng)上，中國飼料排榜前30名家的飼料企業(yè)中選取了20家作為飼料企業(yè)財務(wù)風(fēng)險預(yù)警模型的訓(xùn)練樣本，具體為企業(yè)編號1～20，分別為山東六和集團有限公司、廣東恒興集團有限公司、湖南正虹科技發(fā)展股份有限公司、中牧實業(yè)股份有限公司、北京大北農(nóng)飼料科技有限責(zé)任公司、江西正邦科技股份有限公司、順德華星實業(yè)股份有限公司、江蘇正昌集團有限公司、岳陽岳泰集團有限公司、陜西石羊（集團）股份有限公司、河北凱特飼料集團有限公司、四川新希望集團有限公司、四川龍蟒集團有限責(zé)任公司、金河集團實業(yè)有限公司、遼寧禾豐牧業(yè)股份有限公司、廣東海大實業(yè)有限公司、河北興達飼料集團有限公司、浙江新和成股份有限公司、河南牧鶴飼料添加劑有限公司、廣東溢多利生物科技股份有限公司。

1.2 飼料企業(yè)財務(wù)預(yù)警指標的選取 基于選取的20家飼料企業(yè)樣本的財務(wù)運營真實指標體系構(gòu)建飼料企業(yè)預(yù)警模型才具有一定的可行性。對飼料企業(yè)財務(wù)風(fēng)險預(yù)警指標因素進行變量描述，分別用x1-x20表示，速動比率、流動比率、產(chǎn)權(quán)比率、資產(chǎn)負債率、存貨周轉(zhuǎn)率、負債與有形資產(chǎn)比率、總資產(chǎn)周轉(zhuǎn)率、固定資產(chǎn)周轉(zhuǎn)率、營業(yè)增長率、資本積累率、業(yè)務(wù)利潤率、資產(chǎn)凈利率、銷售毛利率、凈資產(chǎn)收益率、總資產(chǎn)增長率、資產(chǎn)保值增值率、固定資產(chǎn)成新率、應(yīng)收款增長率、應(yīng)付款增長率、利潤總額增長率，這些指標數(shù)據(jù)不僅在一定程度上代表著飼料企業(yè)運營狀況，還能以實時數(shù)據(jù)更新的形式對飼料企業(yè)財務(wù)進行動態(tài)化監(jiān)管（李莎和陳暄，2021）。

飼料企業(yè)財務(wù)風(fēng)險預(yù)警指標因素的選取及篩查是建立其財務(wù)風(fēng)險預(yù)警模型的第一步，財務(wù)風(fēng)險預(yù)警指標因素確認后要根據(jù)預(yù)警模型算法的時間效應(yīng)對飼料企業(yè)歷史財務(wù)數(shù)據(jù)進行比對分析，選擇出適合飼料企業(yè)財務(wù)風(fēng)險預(yù)警評估的算法體系，以此更好地評估飼料企業(yè)財務(wù)風(fēng)險預(yù)警所處的等級（林丹楠等，2021）。LSTM神經(jīng)網(wǎng)絡(luò)算法不僅在處理歷史時間序列方面有獨特的優(yōu)勢，還能有效過濾掉干擾無效因素的影響，是飼料企業(yè)在財務(wù)風(fēng)險預(yù)警模型構(gòu)建中不錯的選擇。

2 基于LSTM神經(jīng)網(wǎng)絡(luò)的飼料企業(yè)財務(wù)風(fēng)險預(yù)警模型構(gòu)建

2.1 LSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) LSTM神經(jīng)網(wǎng)絡(luò)算法結(jié)構(gòu)是依據(jù)神經(jīng)網(wǎng)絡(luò)循環(huán)結(jié)構(gòu)圖演變而來的。在圖1中，sigmoid函數(shù)采用字母σ來表示，t時刻的記憶節(jié)點數(shù)值為Ct，t時刻的隱藏數(shù)據(jù)輸出為ht（孫嶸，2008）。LSTM神經(jīng)網(wǎng)絡(luò)是在神經(jīng)網(wǎng)絡(luò)循環(huán)結(jié)構(gòu)的基礎(chǔ)上進行優(yōu)化升級，相對神經(jīng)網(wǎng)絡(luò)循環(huán)結(jié)構(gòu)講，LSTM神經(jīng)網(wǎng)絡(luò)將記憶及遺忘節(jié)點進行了介入引進，如下所示：

圖1 LSTM 神經(jīng)網(wǎng)絡(luò)算法結(jié)構(gòu)圖

遺忘門（Forget gate）ft的表示方法（王婷和吳建軍，2021）為

式中：Wf表示遺忘門權(quán)重矩陣，bf表示遺忘門偏置。

輸入門（Input gate）it的表達方式為

式中：Wi表示輸入門權(quán)重，bi表示輸入門偏置。

Ct表示記憶節(jié)點值（王菲菲，2018）

式中：WC表示記憶節(jié)點的權(quán)重，bC表示記憶節(jié)點偏置。

借助Ct－1時刻經(jīng)過記憶節(jié)點的遺忘數(shù)值及下一時刻的候選數(shù)值來確定新時刻記憶節(jié)點Ct，表示方法（余璐，2021）為

輸出門（Output gate）ot的表示方法為

式中：Wo表示輸出門的權(quán)重，bo表示輸出門偏置。

依據(jù)傳播路徑進行反向輸出，將各權(quán)重及偏置進行最優(yōu)化處理，以此得到LSTM神經(jīng)網(wǎng)絡(luò)模型的精準預(yù)測結(jié)果。

2.2 基于LSTM的飼料企業(yè)財務(wù)風(fēng)險預(yù)警模型流程 選擇飼料企業(yè)財務(wù)風(fēng)險預(yù)警數(shù)據(jù)指標，將篩選的樣本數(shù)據(jù)進行定量分析優(yōu)化，借助LSTM神經(jīng)網(wǎng)絡(luò)算法進行飼料企業(yè)財務(wù)風(fēng)險預(yù)警模型構(gòu)建預(yù)估，依據(jù)傳播路徑進行反向輸出比對，將各權(quán)重及偏置進行最優(yōu)化處理，最終得到LSTM神經(jīng)網(wǎng)絡(luò)模型的精準預(yù)測結(jié)果（張國富和范亞東，2021）。具體流程呈現(xiàn)如圖2所示。

圖2 LSTM神經(jīng)網(wǎng)絡(luò)企業(yè)財務(wù)風(fēng)險預(yù)警流程圖

3 LSTM神經(jīng)網(wǎng)絡(luò)對飼料企業(yè)財務(wù)風(fēng)險預(yù)警的性能分析

3.1 LSTM神經(jīng)網(wǎng)絡(luò)對飼料企業(yè)固定資產(chǎn)周轉(zhuǎn)率及速動資產(chǎn)比率預(yù)測分析 選擇20個飼料企業(yè)訓(xùn)練樣本，借助LSTM神經(jīng)網(wǎng)絡(luò)算法對飼料企業(yè)的固定資產(chǎn)周轉(zhuǎn)率及速動比率進行比對分析，圖3-1可以發(fā)現(xiàn)企業(yè)編號3、12、18在速動比率上出現(xiàn)了較小的偏差，在圖3-2中發(fā)現(xiàn)，企業(yè)編號為4、8的飼料企業(yè)在固定資產(chǎn)周轉(zhuǎn)率上存在較小的偏差，其他飼料企業(yè)財務(wù)預(yù)警模型在速動比率上評估出的預(yù)測值與實際的閾值幾乎一致。

圖3 LSTM神經(jīng)網(wǎng)絡(luò)算法對飼料企業(yè)財務(wù)風(fēng)險預(yù)警估值

在此次算法評估中分別將飼料企業(yè)預(yù)警指標的速動比率、資產(chǎn)周轉(zhuǎn)率的閾值設(shè)置為2與6，將飼料企業(yè)財務(wù)風(fēng)險預(yù)警指標的實際數(shù)據(jù)錄入算法程序，通過將預(yù)測結(jié)果與閾值的比對差異來為飼料企業(yè)財務(wù)提供預(yù)警信號。

3.2 LSTM神經(jīng)網(wǎng)絡(luò)對飼料企業(yè)財務(wù)風(fēng)險預(yù)測準確率 將選取的20家飼料企業(yè)訓(xùn)練樣本的數(shù)據(jù)導(dǎo)入LSTM神經(jīng)網(wǎng)絡(luò)算法，依據(jù)LSTM神經(jīng)網(wǎng)絡(luò)企業(yè)財務(wù)預(yù)警流程進行反復(fù)比對，以獲取均值的形式將得出的預(yù)測值與前期設(shè)定的閾值進行對比。將其財務(wù)實際預(yù)警數(shù)據(jù)與LSTM神經(jīng)網(wǎng)絡(luò)算法得出的評估結(jié)果進行比對分析發(fā)現(xiàn)，該財務(wù)風(fēng)險預(yù)警模型預(yù)測的準確率最高達100%，而在企業(yè)編號9的預(yù)測值相對較差，但其準確率也達到85.73%，因此，從對比數(shù)據(jù)可知，LSTM神經(jīng)網(wǎng)絡(luò)對飼料企業(yè)財務(wù)風(fēng)險預(yù)測的準確率較高，具有一定的推廣價值。

3.3 LSTM神經(jīng)網(wǎng)絡(luò)算法在飼料企業(yè)財務(wù)風(fēng)險預(yù)警準確率上更占優(yōu)勢 為了更好地驗證LSTM神經(jīng)網(wǎng)絡(luò)算法在飼料企業(yè)財務(wù)風(fēng)險預(yù)警中的可行性，將選取的20個飼料企業(yè)財務(wù)預(yù)警樣本隨機分成3組，分別使用BP神經(jīng)網(wǎng)絡(luò)算法、卷積神經(jīng)網(wǎng)絡(luò)算法與LSTM神經(jīng)網(wǎng)絡(luò)算法程序進行分析，分析結(jié)果見圖4。

由圖4可知，與BP神經(jīng)網(wǎng)絡(luò)算法、卷積神經(jīng)網(wǎng)絡(luò)算法相比，LSTM神經(jīng)網(wǎng)絡(luò)算法在飼料行業(yè)上市企業(yè)中的財務(wù)風(fēng)險預(yù)警準確率最高。因此，借助LSTM神經(jīng)網(wǎng)絡(luò)算法對飼料企業(yè)財務(wù)風(fēng)險預(yù)警在可行性上更占優(yōu)勢。

圖4 不同算法對飼料企業(yè)財務(wù)風(fēng)險預(yù)警性能對比

4 結(jié)語

采用LSTM神經(jīng)網(wǎng)絡(luò)算法對飼料企業(yè)財務(wù)風(fēng)險預(yù)警的性能分析具有一定的可行性。借助LSTM神經(jīng)網(wǎng)絡(luò)算法將選取的飼料企業(yè)財務(wù)風(fēng)險預(yù)警因素指標進行相關(guān)樣本訓(xùn)練，同時將設(shè)置的閾值與預(yù)測值相比發(fā)現(xiàn)，相對于其他通用的預(yù)警模式，基于LSTM神經(jīng)網(wǎng)絡(luò)的飼料企業(yè)財務(wù)風(fēng)險預(yù)警模型更具準確性。