我国高校债务风险动态预警模型研究

王宏宇++秘丽霞

【摘 要】 目前，高校负债日趋严重，所面临的债务风险受到广泛关注，如何对高校债务风险进行动态预警尤为重要。文章综合考虑影响高校债务风险的各种因素，选取了10个财务指标和4个非财务指标，利用样本数据，运用主成分分析法算出主成分的综合得分，分别运用模糊隶属度与BP-神经网络分析法，对高校债务风险综合评价比较。实例验证主成分-BP-神经网络分析模型更优。

【关键词】 高校财务; 债务风险; 主成分分析; 模糊隶属度; BP-神经网络分析

中图分类号：G475  文献标识码：A  文章编号：1004-5937（2015）01-0075-04

一、引言

随着高校规模的扩大，政府资金投入不足，教育经费紧张问题凸显，为解决这一问题，我国许多高校巨额负债办学，日复一日，年复一年，随之而来的债务风险增大，高校负债呈现恶性循环的发展趋势。面对巨大的负债压力，如何对债务风险进行动态预警是目前高校考虑的重点问题。

本文分别采用主成分-模糊隶属度模型和主成分-BP-神经网络模型确定高校债务风险等级，以比较两者的优越性，为动态监控预警高校债务风险提供合理模型。

二、基本原理

（一）主成分分析基本原理

主成分分析是考虑各指标之间的相互关系，利用降维的方法将多个指标转换为少数几个互不相关的指标，从而使进一步研究变得简单的一种统计方法。其统计原理如下：

1.选取n个样本，p个指标，其矩阵为X

X=x11 x12 … x1px21 x22 … x2p… … … …xn1 xn2 … xnp

2.计算各主成分得分F，算法如下：

F=Mx·T=x11 x12 … x1 px21 x22 … x2 p… … … …xn1 xn 2 … xn p·t11 t12 … t1 rt21 t22 … t2 r… … … …tp1 tp2 … tp r

（1）

其中：F为主成分得分，Mx为X标准化后矩阵，T为旋转前的因子载荷矩阵，r为主成分个数。

3.计算主成分综合得分Z，算法如下：

Z=λ1F1+λ2F2+…+λrFr   （2）

其中：λr为主成分各个主成分分析的方差百分比，Z为主成分综合得分。

（二）模糊隶属度

本文将主成分分析方法得到的再经过归一化后样本数据的综合得分通过模糊数学的隶属度函数进行模糊化，使指标在表现形式和主观意义上得到统一，即合理确定债务风险等级。本文结合实际综合考虑，将高校的债务风险等级划分为四类：0—0.2为重度风险，0.2—0.5为轻度风险，0.5—0.8为良好，0.8—1为健康。本文所采用的模糊隶属度函数为y=sin（ωx+ψ），见图1。

■

（三）BP-神经网络基本原理

BP-神经网络通常是指基于误差反向传播算法（BP算法）的多层前向神经网络。典型的神经网络结构如图2所示。

BP-神经网络的学习规则，即权值和阈值的调节采用的是误差反向传播算法，本文采用Matlab神经网络工具箱中的Trainlm学习算法，具有收敛快、收敛误差小、占用存储空间大和性能随网络规模增大而变差等特点。

三、动态预警模型指标体系构建

本文通过综合考虑选取影响债务风险的10个财务指标，即，影响运营绩效的经营资产现金回收率X1和招生计划现金比率X2两个指标，影响偿债能力的流动比率X3、资产负债率X4和负债自有资金率X5三个指标，影响支付能力的净现金增长率X6、利息保障数X7、支付保障比X8、债务依存率X9和债务承受率X10五个指标;4个非财务指标，即外部风险因素的政府信用X11和银行政策X12，内部风险因素的高校风险控制能力X13和经济责任制度X14。各指标的具体内容见表1和表2。

本文对上述量化指标研究所用的统计分析和数据处理工具为Excel 2003、SPSS 19.0和Matlab 7.1。

四、实证分析

本文选取东北地区某省属高校为例，对其2009—2013年共5年样本数据的14个指标进行了描述统计分析，以直观分析高校的债务风险，整理后的数据如表3。

（一）主成分与模糊隶属度分析模型

利用SPSS 19.0统计分析工具，分别对该高校5年的财务指标和非财务指标的样本数据进行因子分析，结果如表4所示。财务指标提取了两个主成分t1和t2，两主成分的特征值均大于1，且方差累计贡献率达到了87.005%，由于非财务指标的一个因子的特征值大于1，方差贡献率为77.891%，故只提取一个主成分t1'分析。

根据公式（1）、（2）得出主成分及综合得分F、Z，如表5所示。

财务指标与非财务指标影响高校债务风险，但影响程度不同。本文结合实际，设财务指标在影响债务风险上的权重为0.75，非财务指标的权重0.25。利用两者综合得分，并使用模糊隶属度函数，最后得出债务风险等级。见表6。

由表6看出，采用主成分与模糊隶属度模型得出该高校的2009年最后得分为0.9883，在这5年内最高，其债务风险等级为健康;而2011年得分最低0.0017，属于重度的债务风险;2010与2012年得分相近，处于轻度债务风险;从2011年开始高校债务风险慢慢得到化解，一直到2013年高校债务处于良好状态。

（二）主成分与BP-神经网络分析模型

利用SPSS 19.0统计分析工具，对该高校5年的财务指标和非财务指标的样本数据进行因子分析，结果如表7所示。提取了三个主成分，其特征值均大于1，且方差累计贡献率达到了93.782%。

根据公式（1）、（2）得出主成分得分F，再借用Matlab工具箱建立神经网络模型，其中模型的输入层为主成分得分数据，输出层为高校债务风险的四个等级。结合本文研究问题的实际，本模型采用隐含层的神经元个数为3，传输函数为logsig函数导入数据，得结果如表8所示。

由表8可以看出，采用主成分-BP-神经网络模型与采用主成分-模糊隶属度模型算出的高校债务风险等级基本相同，而2013年的债务风险等级采用主成分-BP-神经网络模型得出结果为健康，综合考虑该高校的各衡量指标数据及实际发展情况，更加符合该年度的债务风险等级。

五、结语

通过上述两种高校债务风险预警模型，得出的风险等级基本相同。但在整个算法过程中，主成分-BP-神经网络模型综合考虑了财务指标与非财务指标因素，而不是将两指标分别计算，同时，主成分-BP-神经网络模型在运用的过程中还剔除了人为主观因素（确定财务与非财务指标权重）的影响，其算法更简单合理。综合考虑，BP-神经网络分析模型更优。

但在如何选择模糊隶属度函数，以及如何更加合理确定财务与非财务指标权重和划分风险等级还需进一步研究和探讨。●

【参考文献】

[1] 曾繁荣，戴东，刘小淇.西部地区地方高校债务风险动态监控模型[J].财会通讯，2013（8）：120-122.

[2] 孙晓琳.财务危机动态预警模型研究[M].上海交通大学出版社，2011.

[3] 屈凯萍，陈力，等.欠发达地区地方高校财务风险防范机制研究[J].财会通讯，2011（10）：139-140.

[4] Hana Polackova Brixi， Anita Papp and Allen Schick. Fiscal Risk and the Quality of Fiscal Adjustment in Hungary[D]. Working Papper No.2176， The World Bank， 1999.

[5] Hana Polackova Brixi and Allen Schick.Govemmentatrisk： Contingent Liabilities and Fiseal Risk[D].The World Bank， 2002.

[6] 史良军.浅议高校债务风险问题[J].商业时代，2010（36）：64-65.

[7] 潘力.基于政府视角谈高校债务风险的化解[J].会计之友，2013（28）：111-112.

[8] 林莉.美国高校贷款的历史演变及启示[J].清华大学教育研究，2009（4）：89-94.

根据公式（1）、（2）得出主成分得分F，再借用Matlab工具箱建立神经网络模型，其中模型的输入层为主成分得分数据，输出层为高校债务风险的四个等级。结合本文研究问题的实际，本模型采用隐含层的神经元个数为3，传输函数为logsig函数导入数据，得结果如表8所示。

由表8可以看出，采用主成分-BP-神经网络模型与采用主成分-模糊隶属度模型算出的高校债务风险等级基本相同，而2013年的债务风险等级采用主成分-BP-神经网络模型得出结果为健康，综合考虑该高校的各衡量指标数据及实际发展情况，更加符合该年度的债务风险等级。

五、结语

通过上述两种高校债务风险预警模型，得出的风险等级基本相同。但在整个算法过程中，主成分-BP-神经网络模型综合考虑了财务指标与非财务指标因素，而不是将两指标分别计算，同时，主成分-BP-神经网络模型在运用的过程中还剔除了人为主观因素（确定财务与非财务指标权重）的影响，其算法更简单合理。综合考虑，BP-神经网络分析模型更优。

但在如何选择模糊隶属度函数，以及如何更加合理确定财务与非财务指标权重和划分风险等级还需进一步研究和探讨。●

【参考文献】

[1] 曾繁荣，戴东，刘小淇.西部地区地方高校债务风险动态监控模型[J].财会通讯，2013（8）：120-122.

[2] 孙晓琳.财务危机动态预警模型研究[M].上海交通大学出版社，2011.

[3] 屈凯萍，陈力，等.欠发达地区地方高校财务风险防范机制研究[J].财会通讯，2011（10）：139-140.

[4] Hana Polackova Brixi， Anita Papp and Allen Schick. Fiscal Risk and the Quality of Fiscal Adjustment in Hungary[D]. Working Papper No.2176， The World Bank， 1999.

[5] Hana Polackova Brixi and Allen Schick.Govemmentatrisk： Contingent Liabilities and Fiseal Risk[D].The World Bank， 2002.

[6] 史良军.浅议高校债务风险问题[J].商业时代，2010（36）：64-65.

[7] 潘力.基于政府视角谈高校债务风险的化解[J].会计之友，2013（28）：111-112.

[8] 林莉.美国高校贷款的历史演变及启示[J].清华大学教育研究，2009（4）：89-94.

根据公式（1）、（2）得出主成分得分F，再借用Matlab工具箱建立神经网络模型，其中模型的输入层为主成分得分数据，输出层为高校债务风险的四个等级。结合本文研究问题的实际，本模型采用隐含层的神经元个数为3，传输函数为logsig函数导入数据，得结果如表8所示。

由表8可以看出，采用主成分-BP-神经网络模型与采用主成分-模糊隶属度模型算出的高校债务风险等级基本相同，而2013年的债务风险等级采用主成分-BP-神经网络模型得出结果为健康，综合考虑该高校的各衡量指标数据及实际发展情况，更加符合该年度的债务风险等级。

五、结语

通过上述两种高校债务风险预警模型，得出的风险等级基本相同。但在整个算法过程中，主成分-BP-神经网络模型综合考虑了财务指标与非财务指标因素，而不是将两指标分别计算，同时，主成分-BP-神经网络模型在运用的过程中还剔除了人为主观因素（确定财务与非财务指标权重）的影响，其算法更简单合理。综合考虑，BP-神经网络分析模型更优。

但在如何选择模糊隶属度函数，以及如何更加合理确定财务与非财务指标权重和划分风险等级还需进一步研究和探讨。●

【参考文献】

[1] 曾繁荣，戴东，刘小淇.西部地区地方高校债务风险动态监控模型[J].财会通讯，2013（8）：120-122.

[2] 孙晓琳.财务危机动态预警模型研究[M].上海交通大学出版社，2011.

[3] 屈凯萍，陈力，等.欠发达地区地方高校财务风险防范机制研究[J].财会通讯，2011（10）：139-140.

[4] Hana Polackova Brixi， Anita Papp and Allen Schick. Fiscal Risk and the Quality of Fiscal Adjustment in Hungary[D]. Working Papper No.2176， The World Bank， 1999.

[5] Hana Polackova Brixi and Allen Schick.Govemmentatrisk： Contingent Liabilities and Fiseal Risk[D].The World Bank， 2002.

[6] 史良军.浅议高校债务风险问题[J].商业时代，2010（36）：64-65.

[7] 潘力.基于政府视角谈高校债务风险的化解[J].会计之友，2013（28）：111-112.

[8] 林莉.美国高校贷款的历史演变及启示[J].清华大学教育研究，2009（4）：89-94.