基于SOM的汽车制造业上市公司财务绩效分析

安徽农业大学经济管理学院 李雪晴

随着我国经济的跨跃式增长，汽车制造业经历了从无到有的发展，并已在国民经济的发展中占据举足轻重的地位。2013年，我国汽车产销量双双突破2000万辆，全面超越美国成为全球第一大市场。但是，从汽车的研发制造水平看，我们距离国际先进水平还有很大的差距，随着人民生活水平的日益提高，汽车已不再是高消费奢侈品，而是成为了寻常百姓的生活必需品，汽车的制造和销售仍然有广阔的前景，同时，对汽车板块的股票投资也引起了越来越多的机构和个人关注。

使用成熟有效的方法对汽车制造业的上市公司进行财务绩效分析，不仅可以帮助政府监督部门加强宏观调控，同时为在证券投资市场的投资者提供一定的参考信息，以降低收益损失的风险。迄今为止，纵观国内外关于企业财务绩效评价的文献，大多采用层次分析法、因子分析法、熵权法，而鲜有学者通过自组织竞争型神经网络的方法对上市公司的财务绩效进行现状分析及趋势预测。而面向类型众多的汽车行业，如何对其进行有效的聚类分析，已成为亟须解决的问题。

1 SOM神经网络模型

自组织竞争型神经网络是一种无监督学习，具有自动组织功能的神经网络，作为其中重要的一种，自组织特征映射(SOM)网络是一种稳健有效的方法，具有极高的学习能力，糖度高，无监督以及优秀的聚类能力。亦称为KOHONEN网络，是由芬兰学者KOHONENT于1981年根据人脑的自组织特性提出的一种无监督学习的神经网络模型。SOM神经网络共有两层，输入层为模拟和感知外界输入信息的视膜，输出层模拟做出大脑皮层的反应，其聚类分析可以使得输入模式智能化聚集分类，并能形象生动地通过二维三维图像显示出聚类结果，为人们的分析提供有力的参考，避免了人为分析操作而造成的错误。

SOM神经网络模型含有输入层和输出层，两层的神经元之间以权进行全连接，输入层中的神经元一般以一维的方式分布，而输出通常采用二维进行陈列。一个SOM神经网络接收外在的输入模式，将产生形式各异的反映域，而各域对于该输入模式都有着不一样的特征。当我们输入数据向量集合的时候，经过学习会产生以权值向量为中心的相关数据。随着训练学习的连接执行，相互有联系的数据自行地组织聚焦到一起形成输出层的聚类效果。SOM神经网络结构如图1所示。

图1 SOM神经网络结构

SOM神经网络算法的按如下五个步骤进行：

(1)将要学习的数据样本建立网络，将各神经元间相互连接的权值初始化为一个小的权值，同时形成权重矩阵W；

(2)假设输入层的训练向量是m维的

该神经网络算法在学习训练的时候，各神经元相互竞争，竞争的胜者是最大节点神经元。取胜节点能有效地抵制其他的竞争者，只有取胜节点才可以进行输出。只有在竞争中取胜的节点才是输入图形的最佳的匹配。根据以上的算法原理，对于学习好的SOM神经网络，其聚类结果可以很好地反映输入数据的统计特征，能有效地进行聚类。

2 上市公司绩效指标的选取

由于汽车制造业的技术门槛高，研发成本高，生产销售推广不易，市场竞争相当激烈，一个公司的生产规模和自动化程度对该公司的销量业绩影响重大。这里我们选择偿债能力指标、营运能力指标、盈利能力指标、发展能力指标、现金流量这五个方面的指标来评价该行业的财务绩效。

(1)偿债能力是指偿还债务的能力，包括短期债务和长期债务。可以用流动比率反映短期偿债能力，用资产负债率，利息保障倍数反映长期偿债能力。

(2)营运能力指公司赢得利润的能力，运营能力当然与公司的资产周转效率、周转速度、应收账款的变现效率以及存货质量流动性等指标息息相关，所以这里我们选取了总资产周转率、应收账款周转率和存货周转率来反映企业的营运能力。

(3)盈利能力指标反映的是企业获取利润的能力。选取每股收益作为衡量指标。每股收益反映了普通股的获利水平及投资风险。销售净利率的高低，反映企业经营者能否创造足够的营业收入和能否控制好成本费用，该数值的高低反映企业的盈利能力。

(4)企业的发展能力反映企业自身的发展潜能，这里选取总资产增长率指标。

(5)现金流量。每股经营现金流是最具实质的财务指标。

根据上述绩效指标，本文选取了汽车制造行业29个在沪深上市公司的相关数据，数据日期2013年12月31日，来源于东方财富网(http://data.eastmoney.com/bkzj/hy.html)。

3 SOM聚类算法主要参数设置

(1)输入层：输入层为29家汽车制造行业的上市公司的10个指标数据，总计29*10＝290个数据，将公司依次编号为1～29。

(2)输出层：输出层是二维的，有2*2个神经元组成。

(3)学习参数的设定：我们设计初始的学习速率为0.1，最大学习次数为1000，通过在MATLAB2012下，调用工具箱进行聚类分析，其关键程序如下所示：

load p %加载存储于p.mat文件中的数据

P=P'

net=newsom(minmax(P),[2 2]) %网络建立与训练plotsom(net.layers{1}.positions)

net.trainparam.epochs=100； %进行训练,训练次数为1000次

net=train(net,P); %训练网络和查看分类

y=sim(net,P);

yc=vec2ind(y);

plotsom(net.IW{1,1},net.layers{1}.distances)

4 上市公司的分类结果和评价分析

首先打开MATLAB神经网络工具箱，输入29个公司的全部数据开始练习，经过收敛计算，产生了如下四类：第一类5 9 12 23 29；第二类2 6 17 20 21 26 27 28；第三类7 10 15 24；第四类1 3 4 8 11 13 14 16 18 19 22 25；其次，针对每一个指标算出其均值，以作为对比。聚类结果如表1所示。

表1 各类别各指标的比较

由表1可以看出，第1类公司发展较均衡，总体来说好于其他类公司，尤其是盈利能力最强。对现金流量的管理明显好于其他类别的企业。其财务结构安全稳健，不易发生财务危机。营运能力较强，对资产的管理和应用较好。其发展能力稍低于平均值，可能该类别公司已经进入稳定发展时期。流动性在正常范围。

第2类公司，财务结构较稳妥，资产的管理方面相对于其他类别的公司来说，表现较好，周转天数大大低于其他类别的公司，尤其是应收账款周转天数，盈利能力较好，对现金的管理也很合理，发展能力很强。

第3类公司，财务结构较合理，然而，其对资产的管理不理想，大大低于平均值，其中存货的周转天数大大高于行业平均值可能是主要的问题所在，该类公司应该加强对公司资产周转的管理，尤其是存货的周转，提高资产的利用效率。该类公司的盈利能力，虽然销售净利率很高，然而每股收益却不是很理想，这也有部分原因源于资产周转率偏低。该类公司现金的周转出现问题，很可能会使企业面临财务危机。该类公司的发展能力很强，增长较快。

第4类公司，盈利能力远远低于平均值，而且资产周转情况也很不理想，存货周转天数高于行业平均值，应收账款周转天数的情况更不乐观，大约是行业平均值的两倍多，该类公司应该注意信用政策方面的调整。资产负债率过高，可能会带来财务危机，应该努力寻求更加合理的筹资方式，以减轻财务压力。流动性有待加强。该类公司的发展能力最强，增速最快。然而，这一类公司的最大问题在于对于现金流量的管理，每股经营现金流过低，极易发生财务危机。

5 结语

基于自适应特征映射神经网络模型为聚类分析提供了一种新的方法。使用该方法能高效可靠地分析上市公司的财务绩效。由于SOM神经网络模型收敛和计算十分快速，有着优秀的自组织自适应性。基于本文对汽车制造业上市公司绩效的评价，得到的满意结果证明，SOM可以用于上市公司的绩效分析。

[1] 王宗军,杨琳.基于EVA的上市公司绩效评价的实证研究[J].武汉理工大学学报(信息与管理工程版),2005(01).

[2] 孙薇,袁广达,程龙生.基于模糊聚类方法的企业财务绩效评价[J].会计之友,2005(11).

[3] 陈利宁,杨昌明.基于熵值法的我国煤炭行业上市公司财务绩效评价[J].中国矿业,2010(01).

[4] 池国华,迟旭升.我国上市公司经营业绩评价系统研究[J].会计研究,2003(08).

[5] 霍春辉,刘力钢,魏永德.中国汽车制造企业规模与绩效关系的实证研究[J].社会科学辑刊,2009(1).

[6] 李姗娜.汽车行业上市公司财务指标综合评价的实证研究[J].现代管理科学,2005(1).

[7] 孟建民.我国企业效绩评价[M].北京中国财政经济出版社,2002.

[8] 吴聘奇,黄民生.SOM网络在福建省城市职能分类中的应用[J].经济地理,2005(1)

[9] 黄亦潇,李菁菁,邵培基.基于SOM人工神经网络的客户资源分类方法研究[J].重庆大学学报(社会科学版),2003(6).

[10] Douglas Clinton and Shimin Chen.Do New Performance Measures UP[J].Managment Accounting,1998(10).

[11] Liu Pingqing,Sui Huajie,Gu Qiang.The Global Value Chain and China Automotive Industry Upgrading Strategy[J].Management Science and Engineering,2008(3).