基于灰色BP神經網絡的企業(yè)財務風險預警研究

摘 要：企業(yè)在整個生產經營過程中不可避免地會面臨財務風險，風險的準確預警能夠幫助企業(yè)提前做好防范措施，降低風險的影響。為了提高企業(yè)財務風險預警的準確性，本文提出了一種基于灰色預測與BP神經網絡的組合預測模型，能夠互補并發(fā)揮兩者各自的優(yōu)點。以H公司2014年-2021年的財務報表數據為樣本，構建灰色BP神經網絡組合模型，并進行實例驗證分析。結果表明：相較于單一的灰色模型，組合模型的平均相對誤差更小，也即預測準確性更高。

關鍵詞：財務風險；灰色BP神經網絡；組合模型

一、引言

隨著我國經濟的快速發(fā)展以及國家政策的不斷調整，各企業(yè)的經營環(huán)境、管理模式及經濟效益都將隨之發(fā)生較大改變，使得企業(yè)面臨的財務風險進一步增加。若企業(yè)未引起足夠重視、未能精準識別風險并及時做出防范措施，最終很可能導致企業(yè)陷入財務危機，影響其正常生產經營活動。傳統(tǒng)的利用幾個財務指標數據來識別、評估風險的方法已經不能滿足企業(yè)發(fā)展要求。有必要建立一個準確、有效的財務風險預警模型，幫助企業(yè)財務管理部門以及管理人員了解未來的財務風險狀況，并及時做出防范措施。

國內外學者對財務風險做了大量研究，并建立了多種預警模型，提出了有效的防范措施。朱琴等人構建了灰色GM（1，1）預測模型，并驗證了該模型在企業(yè)財務風險預測方面的有效性。張國富等人以財務指標為輸入值、預警等級為輸出值，建立BP神經網絡模型并對物流企業(yè)的財務風險進行了預測。歐陽歆以2013年ST的84家上市企業(yè)為樣本建立了Z值模型，結果表明該模型能夠較好地識別財務風險。鄭建國等人提出了一種基于粒子群算法和BP神經網絡的組合模型，結果表明組合模型的預測精度更高。范俊明等人采用熵權TOPSIS和K均值聚類的方法對上市企業(yè)財務風險進行了評價預警，結果表明該模型具有較高的準確性。楊旭等人利用LSTM神經網絡模型對飼料企業(yè)的財務風險進行了預警。

因此，可以建立有效的預測模型對企業(yè)財務風險進行預警，并且運用組合模型能夠提高財務風險預測的準確性。本文采用灰色GM（1，1）和BP神經網絡構建財務風險組合預測模型，并以H公司為樣本進行驗證分析。

二、灰色BP神經網絡預警模型

財務風險是客觀存在的，即任何企業(yè)在生產經營過程中都會面臨財務風險，只是風險大小存在差異。最常用的方法就是比較分析長期或短期財務指標數值的變化來判斷企業(yè)所處的財務狀況，其結果往往因為指標選取不全面而具有較大的誤差。本文則是構建預警模型對企業(yè)財務狀況進行綜合分析，其過程主要包括三個：指標選取、預警值計算以及財務狀況預測。

1.財務風險預警指標選取

各財務指標都是通過企業(yè)財務數據的數學混合計算得到的，因此部分指標之間具有較強的關聯性。對關聯性較強的指標進行篩選，不僅可以大大簡化計算過程，而且對最終結果的影響也微乎其微。常用的篩選方法有灰色關聯分析法與Pearson相關性分析法。灰色關聯分析法是將凈利潤等直接反映企業(yè)財務狀況的指標作為參考序列，其他指標作為比較序列進行關聯度分析，關聯度高的指標作為最終篩選指標。Pearson相關性分析法則是利用spss等軟件對各項指標進行相關性分析，對于相關性較大的兩個指標，從其中任選一個指標，剔除另外一個指標，以此來降低指標的重復度。

企業(yè)財務風險分析過程中不能只考慮財務指標的作用，非財務指標如國家政策、法律法規(guī)、資源環(huán)境、管理決策等也會對企業(yè)生產經營效益產生重大影響，因此在財務風險評價時也需要考慮企業(yè)典型非財務因素的影響。只有綜合分析財務指標與非財務指標，才能保證預警模型更加貼近企業(yè)實際狀況。

2.指標權重及預警值計算

各指標對財務風險的影響程度不同，權重越大其影響程度越大，因此首先需要確定各指標的權重，并且財務指標與非財務指標權重的計算方法不一樣。對于財務指標，一般運用熵權法來確定各指標的權重；非財務指標屬于定性指標，通過向專業(yè)人員發(fā)放調查問卷，對各指標進行打分，根據評分構建判斷矩陣，運用層次分析法來確定權重。只有一致性滿足檢驗要求才可使用層次分析法。

以歷年《企業(yè)績效評價標準值》中的評價系數以及對應行業(yè)的標準值為參考，將財務風險評價標準劃分為優(yōu)秀、良好、平均、較低、較差五個檔次，對應評價標準的標準系數分別為1.0、0.8、0.6、0.4、0.2，運用改進的功效系數法計算財務指標的預警值，利用調查問卷獲得的分值和權重計算出非財務指標的預警值。根據財務指標與非財務指標的權重，計算出企業(yè)財務風險的綜合預警值（0～100），通過該預警值即可判斷企業(yè)財務風險所處的預警程度，預警級別分為巨警（＜60）、重警（60～70）、中警（70～80）、輕警（80～90）和無警（＞90）。

3.財務風險預警值預測

只有進行財務風險預測才可幫助企業(yè)了解未來可能的財務狀況，并提前做出防范措施。GM（1，1）模型是灰色預測模型中最基本、最常用的模型，屬于“小樣本”模型，只需要少量數據就可進行有效預測，但其具有局限性，即只適用于指數規(guī)律較強的數據預測。BP神經網絡是一種基于誤差反向傳播來訓練的前饋神經網絡，有著對非線性數據具有較強的擬合能力以及容錯性較好的優(yōu)點。將兩者進行組合，正好能夠互補發(fā)揮各自的優(yōu)勢，提高預測模型的準確性。

將計算得到的風險綜合預警值作為原始數據代入灰色GM（1，1）的數學公式中，計算出發(fā)展系數與灰色作用量，建立灰色預測模型，并以此模型算出對應年份財務風險的預測值。將預測值作為BP神經網絡的目標輸入，原始數據作為目標輸出，設置合適的隱含層神經元個數，使得擬合出來的數據誤差最小，此時的輸出值即為組合模型的財務風險預測值。對灰色BP神經網絡組合模型的誤差進行驗算，并對未來年份的財務風險進行預測，以此來幫助企業(yè)提前做好防范措施。

三、實例分析

本文以H公司2014年-2021年的財務報表數據為樣本，參考國資委發(fā)布的《企業(yè)績效評價標準值》，并結合公司自身經營特點，共選取了19個財務指標，以驗證灰色BP神經網絡預警模型的準確性，如表1所示。

選取凈利潤為參考序列，利用灰色關聯分析法篩選出財務分析指標，并運用熵權法計算出各財務指標的權重。召集H公司10位財務專家，以座談討論的方式篩選出典型的非財務指標，進行指標影響度排名，并運用層次分析法計算出非財務指標的權重。眾專家認為非財務指標重要程度排名如下：自然資源=國家政策>經濟發(fā)展>安全生產>生態(tài)環(huán)保>管理決策。財務與非財務指標篩選結果及各自權重如表2所示。

參考2014年-2021年《企業(yè)績效評價標準值》中的電力生產行業(yè)數據，利用改進的功效系數法計算各年度的財務風險預警分值。以專家打分的方式獲得各年度非財務指標的分數值，并利用層次分析法計算出非財務指標預警分值。最后，根據財務與非財務指標權重計算出H公司各年度的風險綜合預警值。2014年-2021年預警值計算結果如下：77.64、88.08、89.35、91.39、77.82、89.57、80.77、73.39，對應的風險等級依次為：中警、輕警、輕警、無警、中警、輕警、輕警、中警。由以上計算可知，H公司2017年面臨較小的財務風險，2015年、2016年、2019年以及2020年的財務風險有所上升，2014年、2018年以及2021年此三年所面臨的財務風險比較嚴重。通過查詢2014年、2018年以及2021年的年報，發(fā)現在此三年H公司都經歷了生產成本上漲或者是生產資料短缺現象，致使經營效益大幅度降低，財務風險加劇。

已經確定H公司當前的財務運營狀況，有必要進一步探究該公司未來潛在的財務風險，對財務風險進行合理預測，并做出適當的調整。將2014年-2021年計算出的綜合預警值作為原始數據，運用灰色建模軟件V7.0中的GM（1，1）模型，得到灰色預測模型的發(fā)展系數為0.0212，灰色作用量為92.4176，構建灰色預測模型并計算出對應年份的風險預測值。運用MATLAB中的BP神經網絡工具箱，將風險預測值作為目標輸入值，原始數據作為目標輸出值，調整隱含層神經元個數進行數據擬合。通過測試，當隱含層神經元個數為8時，數據擬合的誤差最小，其結果如表3所示。

通過實例計算，求得單一灰色預測模型的平均相對誤差為3.81%，組合模型的平均相對誤差為1.09%，這充分說明將灰色預測GM（1，1）模型與BP神經網絡模型相結合，可以提高預測的精度，使得預測結果更加精準。此外，通過該組合模型預測得到：H公司2022年的財務風險預警值為76.52，財務風險相較于2021年有所降低，但依然處于中警區(qū)。為進一步加強對H公司的財務風險管控能力，需要從價值鏈構成的整個角度出發(fā)，加強上游生產資料采購管理，確保采購價格控制在合理范疇，加強對資源的調配利用；在生產管理環(huán)節(jié)則需要提高管理效率、降低管理成本；在下游則需要加強市場營銷與價格維護，從而提高營收與利潤率。

四、結論

為了幫助企業(yè)準確了解未來的財務風險狀況，本文利用灰色GM（1，1）和BP神經網絡構建出灰色BP神經網絡組合預警模型，該模型能夠互補發(fā)揮兩者“小樣本、非線性”的優(yōu)勢。以H公司財務數據為樣本，將灰色BP神經網絡組合模型與單一灰色預測模型的預測結果進行對比分析。結果表明：灰色BP神經網絡預警模型相對于灰色預測模型，誤差有了極大的降低，預測結果更加準確。最后依據預測結果，給H公司提出了合理有效的風險應對措施。

參考文獻：

[1]朱琴，邱玉蓮，項琳娜，等.灰色預測模型在企業(yè)財務風險中的應用[J].科技創(chuàng)業(yè)月刊，2007（07）：47-48.

[2]張國富，范亞東.基于BP神經網絡的物流企業(yè)財務風險預警研究[J].生產力研究，2012（11）：219-220.

[3]歐陽歆.基于Z模型的財務風險預警模型運用[J].財會通訊，2013（32）：117-119.

[4]鄭建國，馮珍慧.基于PSO-BP神經網絡的上市公司財務風險預測研究[J].信息技術與信息化，2016（08）：43-47.

[5]范俊明，劉洪久，胡彥蓉.基于熵權TOPSIS和K均值聚類的企業(yè)財務風險評價預警研究[J].上海商學院學報， 2020，21（05）：13-27.

[6]楊旭，黃雪梅.基于LSTM神經網絡的飼料企業(yè)財務風險預警模型構建[J].中國飼料，2022（14）：135-138.

作者簡歷：陳曉靜（1989.02- ），女，土家族，籍貫：湖北恩施，研究生在讀，職稱：會計師，研究方向：財務管理