基于BP神经网络的“互联网+农业”上市公司绩效评价

张蒙 韩於憬

摘 要：“互联网+农业”可加快农业产业化进程，缩短农产品流通渠道，能够解决农业经营的融资难题，客观评价“互联网+农业”上市公司绩效对农业的转型升级和公司的可持续发展尤为重要。借鉴农业上市公司绩效评价指标，择取15个指标构建“互联网+农业”上市公司绩效评价指标体系，通过层次分析法确定指标权重，并基于BP神经网络构建“互联网+农业”上市公司绩效评价模型。结果表明，绩效评价模型具有良好的泛化能力，能够有效评价农业上市公司绩效，且“互联网+农业”上市公司整体绩效水平差。

关键词：“互联网+农业”;绩效评价;层次分析法;BP神經网络

中图分类号：F830.91        文献标志码：A      文章编号：1673-291X（2019）12-0071-05

引言

农业是国民经济建设和发展的支柱产业，其发展关乎国家经济命脉。作为农业产出的农产品，其流通连接着广大农民和众多的消费者，直接影响农民和消费者的切身利益。由于流通环节多、效率低下、损耗严重等，导致“菜贱伤农”“菜贵伤民”时有发生，农产品流通陷入困局。流通环节多、效率低下、损耗严重等问题，与农业公司专业性弱、大而不优、多而不强密切相关。随着互联网时代的到来，互联网技术的不断更新，催生了电子商务，为农业公司创新和转型升级提供了新的思路。农业上市公司是支撑农业发展的龙头企业，对推进农业产业化、发展现代农业起引领作用。目前，许多农业上市公司已着手布局“互联网+”领域，抢占“互联网+农业”先机[1]。所谓“互联网+农业”，是指依托互联网技术，实现生产要素的合理配置，以及人力、物力和资金的优化调度，提高生产效率，推动农业生产方式和运营方式的变革，从而促进农业的转型升级。“互联网+”背景下，“互联网+农业”上市公司绩效如何，应如何加强自身绩效管理，对其可持续性发展和整个农业的转型升级起重要作用。

目前，农业上市公司的绩效评价主要采用平衡记分卡、因子分析法、EVA分析法等线性回归方法。彭晓洁、高梦捷（2014）运用因子分析法对我国农业上市公司进行绩效评价，结果表明，农业上市公司绩效差距较大[2]。蕾娜、邓淑红（2016）基于EVA构建农业上市公司绩效评价模型，结果表明，我国农业上市公司运营状况差[3]。线性回归方法只能评价指标间的线性关系，不能判定指标间非线性关系。而BP神经网络具有自学习和自适应能力，其非线性映射能以任意精度逼近非线性函数[4]，因此能够评价指标间的非线性关系。目前BP神经网络以其独特性在医药企业、商业银行等不同领域得到广泛运用，但尚未涉足农业公司绩效评价。褚淑贞、杨家欣（2015）基于BP神经网络构建了医药企业绩效评价模型，研究表明，BP神经网络能准确评价医药企业绩效[4]。蔡艳萍、孙夏（2016）综合运用BP神经网络和灰色关联度对上市商业银行绩效进行评价，结果表明，BP神经网络评价模型具有很好的泛化能力[5]。

因此，本文以“互联网+农业”上市公司为研究对象，拟借鉴农业上市公司绩效评价指标，运用层次分析法确定指标权重，基于BP神经网络构建“互联网+农业”上市公司绩效模型，并根据评价结果提出绩效优化建议，对“互联网+农业”上市公司改善经营管理水平和促进农业产业化具有重要意义。

一、“互联网+农业”上市公司绩效评价指标体系构建

（一）绩效评价指标选取

对农业上市公司的绩效评价主要采取传统的财务绩效指标，从“会计收益状况”“资产运营情况”“偿债能力”“发展能力”四个方面进行。赵景芬、戴蓬军（2013）采用净资产收益率和总资产收益率两个反映会计收益的指标，评价农业上市公司绩效[6]。吉生保、席艳玲、赵祥（2012）以主营业务收入和利润总额两个反映资产运营的指标、度量农业上市公司绩效[7]。彭晓洁、高梦捷（2014）从获利能力、营运能力、偿债能力和发展能力四个维度评价农业上市公司绩效，以销售净利润率、净资产收益率和每股收益反映获利能力，以存货周转率、应收账款周转率和总资产周转率反映营运能力，以速动比率、资产负债率和已获利息倍数反映偿债能力，以营业收入增长率、净利润增长率和总资产增长率反映发展能力。传统绩效评价指标能有效评价上市公司绩效，但存在过分注重利润指标不足[2]。故，张平心、陈琳、李补喜（2006）在传统绩效评价指标基础上，增加了每股经营现金流量以反映公司盈利质量[8]。

基于现有绩效评价研究，本文综合考虑传统绩效指标和盈利质量指标，从会计收益、资本运营、偿债能力、发展能力和盈利质量五个方面评价“互联网+农业”上市公司，以求全面反映其绩效水平。

（二）绩效评价体系构建

本文以“互联网+农业”上市公司绩效为总的测评目标，即目标层;以会计收益、资产运营、偿债能力、发展能力和盈利质量作为达到总目标所涉及的中间层指标，即一级指标;准则层为直接评价“互联网+农业”上市公司绩效的具体指标，即二级指标。用U表示“互联网+农业”上市公司绩效，U1，U2，U3，U4，U5表示二级指标，即U={U1，U2，U3，U4，U5}={会计收益，资产运营，偿债能力，发展能力，盈利质量}。Uij表示具体二级指标（i=1，2，3，4，5;j=1，2，3，4）。“互联网+农业”上市公司绩效评价体系（见表1）。

二、基于BP神经网络的绩效评价模型构建

BP神经网络是单向传播的前向神经网路，由输入层、隐含层和输出层3个层次构成。研究表明，隐含层个数会影响神经网络学习速率，3层神经网络可以逼近任意连续函数[9]。因此，本文选择结构相对简单的3层BP网络构建“互联网+农业”上市公司绩效评价模型，具体步骤如下：

步骤一，确定输入层、输出层神经元个数。根据绩效评价指标体系，影响“互联网+农业”上市公司绩效的主要是二级指标，共15个，则输入层的神经元个数为15，即m=15;以评价结果作为网络输出，则输出层神经元个数是1，即n=1。

步骤二，确定隐含层神经元个数。研究表明，隐含层神经元个数是由网络收敛性能的好坏来确定的，本文采取高大启（1998）在大量网络结构基础上得到经验公式[10]：

这里m=15，n=1，因此可以得到隐含层神经元个数为L=7。

步骤三，确定神经元转换公式。通常，输入层到隐含层的转换函数为tan sig，隐含层到输出层的转换函数为purelin。

步骤四，确定期望输出。本文通过专家访谈，利用层次分析法得到各一级、二级指标的权重，各二级指标和对应的一级指标权重相乘得到各二级指标的最终权重，具体（见下页表2）。以最终权重和各二级指标数值的乘积之和作为BP神经网络的期望输出。

步骤五，确定评价标准。根据计算结果將绩效水平分为三个等级，分别为优、良、差，对应的取值范围分别为0.6—1、0.4—0.6、0—0.4（见下页表2）。

三、实证分析

（一）样本选取及数据来源

本文研究对象为以农产品生产、销售、流通为主的农业上市公司，且这些公司实施了“互联网+”战略，数据来源于中国财富网上相关公司的财务报告。中国财富网上农牧饲渔板块共71家公司，其中部分公司以农业生产资料的生产、销售为主，与本文研究对象不相符，且部分公司财务报表存在数据缺失。因此，剔除不相符和财务报告数据缺失的公司，最终选取了40家农业上市公司2016—2017年的财务数据。选取的40家上市公司中，有8家公司采取“互联网+”战略，包括大湖股份、大康农业、好想你、宏辉果蔬、农产品、青怡股份、盛盈汇、獐子岛。本文以8家“互联网+农业”上市公司为测试样本，以剩余32家上市公司为训练样本，探究“互联网+农业”上市公司绩效水平。

（二）数据预处理

本文数据来源于上市公司财务报表，为了避免因指标单位不一和数据差距较大而造成的网络麻痹，需要对数据进行归一化处理。本文所选15个指标中，有11个为正向指标，4个为适中指标，对不同的指标采用不同的归一化处理方式。

（三）网络模型训练及结果分析

以32个训练样本的数据作为样本的输入，采用Matlab软件进行网络训练，具体代码如下：

net=newff（P，T，[7]，{'tansig'，'purelin'}，'traingd'）;

net.trainParam.show=50;%每隔50步显示一次训练结果

net.trainParam.lr=0.05;%学习率为0.05

net.trainParam.epochs=5 000;%允许最大训练次数为5 000

net.trainParam.goal=1e-3;%训练目标最小误差为1e-3

[net，tr]=train（net，P，T）

A=sim（net，P）

在网络训练2 273步之后，训练误差达到目标误差（如下页图所示）。训练样本模型输出结果（如下页表3所示），从期望输出与模型输出对比看，误差在可接受的范围之内，模型评价结果符合实际，说明构建的神经网络模型具有较强的泛化能力，可广泛用于农业上市公司绩效的识别和评价。

调用训练好的模型，将8家“互联网+农业”上市公司数据输入模型进行绩效评价，模型输出结果（如表4所示）。结果表明，8家上市公司绩效水平均衡，均表现不好。在8家公司中，宏辉果蔬绩效表现最好，为0.393，几乎达到良好水平。

（四）优化建议

根据模型输出结果，宏辉果蔬绩效表现最好。宏辉果蔬是一家专业从事生鲜农产品生产、加工和流通服务的公司，产品涵盖全国南北和进口的特色果蔬。其运营具有两个特点：一是采用一体化的现代农业服务模式，建有天津、上海果蔬加工配送基地，集果蔬种植、采购、仓储、配送为一体，实现从基地到客户的直接供应。二是聚焦于中高端消费者，积极拓展国内外大型连锁超市，目前与多家大型连锁超市建立良好的合作关系。

基于宏辉果蔬的特点，本文提出两点绩效优化建议：首先，构建一体化服务模式。一体化模式能够有效减少中间环节、降低流通成本，并能够促进农业规模化。构建一体化服务模式，一方面，应加强生产基地建设与管理，从源头把控产品质量。另一方面，积极利用互联网技术，实现精准营销和产销精准对接。其次，客户精准定位。“互联网+农业”上市公司应根据自身产品特点，细分目标客户群，做到精确销售。

结语

本文以“互联网+农业”上市公司为研究对象，从会计收益、资产运营、偿债能力、发展能力和盈利质量五个维度选择合适的指标，构建“互联网+农业”上市公司绩效评价模型，并实证研究“互联网+农业”上市公司绩效水平，为完善农业上市公司绩效评价体系提供了理论和现实依据。本文研究结论概括如下：

第一，通过专家访谈，利用层次分析法确定了绩效评价指标权重。结果表明，资产运营所占比重最大，为0.2739，而资产运营下的二级指标权重最高的是存货周转率。也就是说，对“互联网+农业”上市公司绩效影响最大的是资产运营指标，而对资产运营影响最大的是存货周转率。

第二，构建了BP神经网络绩效评价模型，以32家农业上市公司作为训练样本进行网络训练。训练结果显示，期望输出与实际输出的误差较小，达到目标误差要求，表明所构建的网络模型具有很好的泛化能力，能有效评价农业上市公司绩效。

第三，利用调试好的网络模型，评价8家“互联网+农业”上市公司绩效水平。结果表明，“互联网+农业”上市公司绩效水平均衡，整体表现差。

参考文献：

[1]  寇光涛，卢凤君.“互联网+农业产业链”的实践总结与创新路径[J].农村经济，2016，（8）：30-34.

[2]  彭晓洁，高梦捷.基于因子分析法的农业类上市公司经营绩效评价[J].财经问题研究，2014，（11）：68-73.

[3]  蕾娜，邓淑红.基于EVA视角的中国农业上市公司绩效评价[J].现代农业，2016，（5）：98-100.

[4]  褚淑贞，杨家欣.BP神经网络在医药企业绩效评价中的应用——以我国中成药上市企业为例[J].中国新药杂志，2015，（17）.

[5]  蔡艳萍，孙夏.基于BP神经网络的上市商业银行绩效评价体系[J].系统工程，2016，（12）：24-30.

[6]  赵景芬，戴蓬军.农业类上市公司多元化经营对绩效的影响研究[J].农业技术经济，2013，（12）：118-124.

[7]  吉生保，席艳玲，赵祥.中国农业上市公司绩效评价——基于SORM-BCC超效率模型和Malmquist的DEA-Tobit分析[J].农业技术经济，2012，（3）：114-127.

[8]  王平心，陈琳，李补喜.整合EVA的上市公司绩效评价模型研究[J].数理统计与管理，2006，（2）：186-194.

[9]  周庆梅，王柯淇.图书馆数字资源服务绩效模糊神经网络评价研究[J].情报科学，2015，（2）：41-45.

[10]  高大启.有教师的线性基本函数前向三层神经网络结构研究[J].计算机学报，1998，（1）：80-86.