Verhulst与BP神经网络模型预警企业财务状况

2014-12-18董静

现代商贸工业 2014年10期

董静

摘要：通过t检验和相关性检验合理选择财务指标，基于灰色理论中Verhulst模型和神经网络建立了Verhulst与BP神经网络预测模型对企业财务状况进行预警分析。实证研究结果表明，该模型能够有效反映企业财务状况的发展趋势，从而为财务风险预警提供了新的研究方法。

关键词：灰色理论；神经网络；财务预警

中图分类号：F23

文献标识码：A

文章编号：1672—3198（2014）10—0134—01

1引言

随着我国的经济技术的不断发展，对于企业的财务预警也得到了更多人的重视，为了加强对企业的财务监管，做好内部控制工作，出现了大量的财务预警模型。根据国内已有的文献资料研究表明，迄今为止，财务预警模型研究涉及的模型类型极为丰富，经历了从单变量到多变量、从统计方法到非统计方法、从单一模式到混合模式的发展过程。基于上述考虑，本文运用灰系统理论中Verhulst模型结合BP神经网络模型构建出的预测模型，对四川省矿产资源类企业的财务状况作出及时有效的预警。

2模型建立

2.1指标选取

本文对以上16个指标中选取变量指标进行t检验和相关性检验相关性检验，以0.05作为t检验标准，去掉大于005的指标，以0.7作为各变量指标间多重共线性评估的标准，去掉具有高度共线的变量指标。

综合各种分析，本文最终选取每股净资产、每股收益、每股现金含量以及流动比率作为预警模型采用指标。

2.2样本的选取

为了更好的获取数据，本文选取两类样本，一类是用于训练BP神经网络的训练样本，这类样本选取了全国20家上市公司（其中20家为st企业，20家为非st）。另一类是预测样本，选取的是四川省6家矿产资源型上市公司（3家st公司和3家非st公司）。所有训练样本中st公司选择其被特殊处理的前一年的数据，即t-1年的数据。而预测样本中st公司的数据为其被特殊处理前一年即t-1年的前四个季度的数据，若数据缺失则向前顺延。

2.3Verhulst与BP神经网络预测模型

本文构建Verhulst与BP神经网络预测模型具体步骤如下：

建立一个三层BP神经网络模型模型，其中由于指标为四个，则输入层神经元个数由财务预警指标确定为4个，输出层神经元只有1个即企业财务状况的综合评分，由于输入神经元是4个，本文选取了9个节点。对于传递函数，其中中间层本文采用S型正切函数tansig，而输出层本文则采用了S型对数函数logsig，目的是满足输出值映射到0，1之间。对于BP神经网络的训练函数，本文采用trainlm函数，设置训练次数为1000次，训练目标为0.01。为了更好，更方便的实现其预警能力，本文利用训练样本训练BP神经网络。其中网络训练样本的输入即建模样本中上市公司的4种财务预警指标数据，目标输出即当前上市公司的实际财务状况。由于本文所选的上市公司分为ST与非ST两大类别，因此将其分为两个判别组，即安全与危机。为了便于建模，需要对安全与危机概念进行量化处理，建设各训练样本的目标输出为y，则有：当y=0，输入样本为ST公司；当y=1，输入样本为非ST公司。

利用灰系统理论中Verhulst模型对四川省6家矿产资源型企业的t-1年财务指标做动态预测。

将灰色系统模型动态预测的结果作为训练完毕的BP神经网络的输入，获得企业的综合评分，完成对企业的财务预警。如果输出值越接近0，表示财务危机程度越严重，即财务状况越危机；如果输出值越接近1，表示财务危机程度越轻微，即财务状况越健康。

3实证分析

3.1训练好的BP神经网络模型

通过训练样本训练出的BP神经网络。

建立一个三层BP神经网络模型模型，让训练样本训练这个网络，得出训练好的神经网络模型。通过Matlab 7.0 得出图1所示的结果。

从图1可以看出训练到第6步时，网络的目标误差达到要求。

3.2灰系统Verhulst模型的预测结果

利用灰系统理论中Verhulst模型对四川省6家矿产资源型企业的t-1年财务指标做动态预测。表2为预测的结果。

3.3预测样本的预警结果

将灰色模型的动态预测结果作为训练好的BP神经网络模型的输入，从而建立企业财务危机的动态预警模型，模型所得预测结果如表所示。

从结果可以看出，ST公司财务状况都被判定为危机，而非ST公司的财务状况都被判定为健康，无一错判。因此本文多建立的财务危机预警模型是有效的，可以对上市公司财务状况进行动态预警。