BP神经网络在运输企业经济效益评价中的应用

黄先军

摘要：本文选取50家运输企业作为样本，采用主成分分析法对常用的财务指标进行降维，消除指标间的共线性，筛选出具有代表性的指标，构建评价指标体系。采用BP神经网络训练，对企业经济效益进行综合评价分析并得出各指标对综合评价的权重影响。

Abstract： In this paper， 50 transport enterprises are selected as samples， and the principal component analysis is used to reduce the dimensions of the commonly used financial indicators， eliminate the collinearity between the indicators， select representative indicators， and build an evaluation index system. The BP neural network training is used to analyze the economic benefits of enterprises and get the weight influence of each index on the comprehensive evaluation.

关键词：BP神经网络;运输企业;经济效益

Key words： BP neural network;transportation enterprise;economic efficiency

中图分类号：F120                                           文献标识码：A                                  文章编号：1006-4311（2019）16-0004-04

0  引言

根据国家统计局数据，2017年第三产业GDP增加值427032亿元，增长8.0%，增速高于年GDP增速。交通运输、仓储和邮政业增加值更是增长了9%[1]，十三五规划也提出要完善现代综合交通运输体系。2018年政府工作报告提出的2019年政府工作任务中，很重要的一点就是减税降费，而交通运输业现行10%的税率将降至9%，同时强调降低过路过桥费。在政府的支持和大好的经济形势下，运输企业应该好好审视自身的优劣势，提高企业的经济效益。因此，对运输企业经济效益进行评价是必不可少的。

1  评价指标体系的建立

企业是以盈利为目的的经济组织。从运行方式来看，企业就是一个投入产出系统，企业通过投入资金、人力等资源，运用调整配合组织等方法，最后收获经济效益[2]。一般通过五个维度的能力反映企业经济效益，分别是市场价值、盈利能力、偿债能力、营运能力及成长能力[3]。体现企业该五个维度能力的具体常用财务指标如表1。

本文选用50家运输企业作为分析对象，样本数据来自于中财网2017年该50家企业的财务报表数据。由于反映企业某项能力的各指标中存在着共线性，因此运用主成分分析通过spss软件提取各维度能力的代表性指标，达到降维的效果。

通过对五个维度能力指标进行主成分分析选取，筛选出由特征向量所组成的主成分方程中系数较大的原始指标作为该维度的代表性指标[4]。以市场能力指标筛选为例：将样本数据的50家运输业企业表示市场能力的每股收益、每股留存收益等六个指标导入spss22系统，计算各指标之间的相关系数矩阵及特征值和主成分载荷矩阵，分别如表2、表3、表4所示，其中X1表示每股收益，X2表示每股净资产，X3表示每股营业利润，X4表示每股未分配利润，X5表示每股留存收益，X6表示每股现金流量净额。

2  BP神经网络

2.1 BP神经网络的工作原理

神经网络起源于生物学，是一种非线性的数据建模工具，其本质上就是一种模式识别系统。神经网络根据训练数据来调整神经元之间的“连接权”以及每个功能神经元的阈值。目前神经网络已经广泛用于数据挖掘数据分析及综合评价中。运用最为广泛的就是BP神经网络。BP神经网络使用的是误差逆传播（Back Propagation，简称BP）算法，通常说BP神经网络指的就是用BP算法训练的多层前馈神经网络。BP神经网络就是基于前馈神经网络而增加了反馈调节机制，通过不断调整权值及阈值，来使神经网络的输出更接近预期的输出结果。

2.2 BP神经网络的算法及组成

①BP算法的基本工作流程：将输入数据提供给输入层神经元，然后逐层将信号前传，直到产生输出层的结果，然后计算输出层的误差，再将误差逆向传播至隐含层神经元，最后根据隐含层神经元的误差来对连接权和阈值进行调整，直到满足条件后停止，并输出[5]。

②BP神经网络的组成：常用的BP神经网络包含输入层、隐含层及输出层，本文采用单隐含层的网络结构，拓扑图如图1所示。

3  实证分析

3.1 数据归一化处理

在指标评价中，由于各指标的量纲不同，所以需要对指标进行归一化处理：

3.4 仿真结果与分析

根据主成分分析构建的企业经济效益评价指标体系，使用matlab2016a对样本数据进行仿真运算，得出如下结果。

由图2可知网络在训练1524步后训练结束，样本均方误差为0.00099952，网络具有良好的收敛性。

图3表示网络输出值与期望值之间的相似度R=0.99517，具有良好的相似性。由此可知，本文使用的BP神经网络的构建是成功的，可以运用BP神經网络对企业的经济效益进行综合评价。

根据表7，我们可以发现，网络的输出值与期望值之间的误差基本上均在10%以下，说明BP神经网络有较强的适应和泛化能力。可以发现，各个企业之间的有很大的差距，对于排在下位圈的如编号为31、32、44的企业应该分析自己处于劣势的原因，扭转局面，提升企业的经济效益。

4  各指标权重分析

5  建议及对策

本文选取的样本都是占据着市场主要份额的上市公司，采用BP神经网络进行企业的经济效益综合评价，选用横截面数据，从微观的角度分析影响运输企业经济效益的因素，可知提高企业对总资产的处理和运用可以有效提高企业的综合能力，以此在市场中占有属于自己的份额，提升自己在行业中的影响力。样本数据来自于各个省市，当地的经济发展政策与环境不尽一致。对于企业自身来说，也应该结合当地的实际经济大环境的影响，将宏观因素也考虑进去，实现企业自身持续不断地发展和正利润。这也会是在进一步的研究中，所要考虑的方向。

参考文献：

[1]许宪春.2017年中国经济运行情况分析[J].全球化，2018（03）：5-20，134.

[2]胡湘洪.基于数据包络分析的质量管理人才投入产出效率研究[D].合肥工业大学，2017.

[3]吴冲，刘佳明，郭志达.基于改进粒子群算法的模糊聚类-概率神经网络模型的企业财务危机预警模型研究[J].运筹与管理，2018，27（02）：106-114，132.

[4]孙奕驰.上市公司财务绩效评价及其影响因素研究[D].辽宁大学，2011.

[5]周志华.机器学习[M].清华大学出版社，2016.

[6]武强，王志强，赵增敏，刘东海.油气田区承压含水层地下水污染机理及其脆弱性评价[J].水利学报，2006（07）：851-857.