基于BP神经网络挖掘方法的高校财务预警分析

摘要：随着教育投入增加及高校资金来源多元化和高校办学规模进一步发展，高校财务管理由传统核算型向管理型转变。高校财务数据是高校最基本、最有决策价值的数据。大数据时代如何利用数据挖掘方法从庞大的财务数据中分析高校财务信息，建立可操作性强的分析模型，为高校利益相关者提供全方位、高相关性和高准确性的决策信息，为高校科学发展提供高质量的会计信息，是当代高校财务管理工作的一个非常重要的问题。本文选取偿债能力、经营能力、发展能力3项一级指标和资产负债率等15项二级指标构建高校财务预警分析指标体系，采集16所高校（SH1-SH16）2018年的财务数据进行建模，并应用反向传播神经网络（BP神经网络）数据挖掘方法对其中2所高校（SH15、SH16）2018年财务状况进行预警分析，结果显示网络输出和高校实际风险等级一致，表明BP 神经网络在高校财务风险预警分析中预警结果精度高（98%），可信度较强，是一种可用于高校财务预警分析的有效量化方法。

关键词：BP神经网络;数据挖掘方法;财务预警分析;高校财务管理

1 引言

随着教育投入增加及高校资金来源多元化和高校办学规模进一步发展，高校经济活动日益复杂，财务管理由传统核算型向管理型转变。高校财务数据是高校最基本、最有决策价值的数据。高校传统的财务分析主要是围绕财务报告进行的诸如比较分析法、比率分析法、趋势分析法和因素分析法等定量分析，难以对海量财务数据潜在的、深层次的信息进行深入了解。随着理论与算法的成熟及计算机运算能力的大幅提升，基于大数据的数据挖掘技术能够快速从海量数据中抓取有效信息从而得到这些数据背后独特的规律和预测未来的发展趋势。通过数据挖掘可以帮助决策者寻找规律，发现被忽略的要素和人们不易觉察的、隐含的模式，预测趋势，进行决策。

数据挖掘方法作为一种新兴的数据分析技术己经在许多领域成功地应用。大数据时代如何利用数据挖掘方法从庞大的财务数据中分析高校财务信息，建立可操作性强的分析模型，为高校利益相关者提供全方位、高相关性和高准确性的决策信息，为高校科学发展提供高质量的会计信息，是当下高校财务管理工作的一个非常重要的课题。本文旨在将BP神经网络数据挖掘方法应用于高校财务预警分析，为高校财务分析提供有效的量化方法。

2 高校财务预警分析指标系统

高校财务风险主要包括筹资的风险、投资过程中的风险、资金流动性的风险和学校财务内部管理的风险。当代，财务风险管理已成为高校财务管理的新内容。

财务预警分析属于外部财务分析，适用性广、理论成熟。以现有的财务比率为基础，通过建立数学模型预警其财务风险的高校财务预警分析是保证高校正常运转、合理发展的关键环节之一。本文根据经济管理科学中的技术经济分析方法，从偿债能力、经营能力、发展能力设置3项一级指标和资产负债率等15项二级指标（详见表1），并依据高校财务运行实际状况设置临界比率。探索可精益、高效地开展财务预警分析的指标体系，使财务运行处于一定的安全区间，防范财务风险发生。

3 BP神经网络挖掘方法在高校财务预警分析中的应用

财务预警的传统分析方法包括比率分析法、单变量分析法及多元线性回归分析法。比率分析法是财务预警的基础，单变量分析法及多元线性回归分析法应用于财务预警有其特点，也有其不可避免的局限性。20世纪80年后，数据挖掘的复杂算法逐渐用于财务预警分析。目前，数据挖掘是最主要的财务预警分析方法，其中利用神经网络挖掘方法进行财务预警分析是当前最有发展前景的一种方法。文章结合数据挖掘的基本流程，探究BP神经网络挖掘方法在财务预警分析中的应用。

3.1 神经网络简介

神经网络是通过对进入模型的数据（包括输入字段和输出字段）进行学习，通过权值的调整，分析掌握输入字段和输出字段之间潜在的规律，最终利用这些规律对样本进行训练（就是可以用来对新的输入字段推算新的输出字段），即预测挖掘的过程。随着计算机运算速度越来越快，神经网络的训练时间可以大大缩短，加上神经网络对输入变量的要求很低，可以接受不同种类的变量输入，适应性强，允许输出输入变量具有模糊性，所以神经网络方法已经广泛用于各领域的數据挖掘。

反向传播神经网络（Back Propagation Net，即BP神经网络）是一种采用反向传播学习算法（即BP学习算法）的多层前馈神经网络，由模型训练、模型检测、模型反馈学习三个部分组成。将BP学习算法的映射能力和泛化能力用于财务预警分析，在经过一定数量的带噪声的样本的训练后，网络可以提取样本所隐含的特征关系，并对新情况下的数据进行内插和外推以推断其属性[1，2]。为了得到具有较好泛化能力的BP神经网络，就要有训练样本集，根据训练样本，系统从中学习，不断调整各个权值，进而训练出分类模型;同时还要有测试集，即利用第一步已被训练的神经网络对检测样本进行分类评估的系统应用环节;模型反馈学习是系统将通过反馈学习来不断提高系统性能。当随着网络学习次数的增加，训练集的目标函数（测试数据）有可能不减少或增加，即泛化能力减弱时可取测试集的极小点对应的训练权系数，以使网络具有较好的泛化能力。泛化能力还与网络的隐含层和隐含点数有关，因此应选择结构尽量简单，且泛化能力较强的[3，4]。

3.2 实证研究

采集16所高校（SH1-SH16）2018年的财务数据构造神经网络模型，并应用BP神经网络数据挖掘方法对其中2所高校（SH15、SH16）2018年财务状况进行预警分析。

3.1.l 问题描述

BP网络的输入和输出层的神经元数目，是由输入和输出向量的维数确定的。输入向量的维数也就是影响因素的个数。文章通过对影响高校财务状况的因素分析，选取偿债能力、经营能力、发展能力3项一级指标及资产负债率等15项二级指标，因此输入层神经元个数为15。为了细化财务风险等级，将风险等级分为巨警、重警、中警、轻警和无警5级，因此，目标输出模式为（0O001）、（00010）、（00100）、（01000）和（10000），分别为巨警、重警、中警、轻警和无警[2，5]。由此可知，输出层神经元的个数为5。

3.1.2 建模

以16所高校（SH1-SH16）2018年数据为例建立模型（见图1）。

3.1.3学习训练[2，5]

确定网络结构后，就利用样本数据通过学习规则进行训练，提高网络的适应能力。学习速率决定每一次循环中的权值变化量，是训练过程的重要因子。一般倾向于选择较小的学习速率保证学习的稳定性，本文取学习速率为0.05。

本文采集16所高校（SH1-SH16）2018年的财务数据作为研究样本，对其中前14所高校（SH1-SH14）2018年的财务指标共14组数据及财务风险等级作为网络训练样本，后2所高校（SH15、SH16）2018年的财务数据作为预测样本运用BP神经网络对高校财务风险进行预警分析。

3.1.4 模型结果分析

从网络输出结果可以看出，网络经过13次训练后即达到了误差要求。网络输出和高校实际风险等级见表2。

研究结果表明BP神经网络模型预测精度98%，对模型越重要的变量，训练效果越好。由此可见，BP神经网络成功地对2所高校（SH15、SH16） 2018年的财务状况进行了预警。

4 结束语

随着高等教育由“精英教育”向“大众教育”转变，自2000年后，高校全面“升级”，办学规模的扩大和集中，一定程度上增强了高校的综合实力和科研实力，有一定的积极意义。但我国高校管理普遍缺失成本效益，在计划和实际使用经费时只看重目标的实现而很少考虑成本，因此随着高校规模的扩张，高校负债规模也在扩大，使高校正常运行存在一定风险。通过建立高校财务风险预警系统模型对财务风险进行定量分析是财务风险管理的关键环节，在使高校树立风险意识的同时，可通过预警指标值的变化，随时捕捉高校财务风险信息，以便采取应对措施，及时防范和化解财务风险。

神经网络通过对一定量的历史数据的训练，网络可以学习到数据中隐含的知识。神经网络可用作分类、聚类、预测等。文章研究结果显示BP 神经网络在高校财务预警分析中预警结果精度高，可信度较强，是一种可用于高校财务预警分析的有效量化方法。

參考文献：

[1]张一童.我国上市公司财务预警指标体系构建机制研究 [J].现代商贸工业，2009（5）：214-215.

[2]尹中晓.高校财务风险预警实证研究[D].西安：西安建筑科技大学，2006.

[3]张曾莲.基于BP神经网络的高校科研能力评价研究[J].科技管理研究，2011（18）：54-57.

[4]张曾莲.基于主成分分析BP神经网络的高校财务预警研究[C].2011-07-09.

[5]张国富，范亚东.基于BP神经网络的物流企业财务风险预警研究[J].生产力研究，2012（11）：219-220.

项目基金：沪江哲社基金专项一般项目资助（项目编号：19HJ-DSSG-00-015）

作者简介：梁立文（1992—），女，江西九江人，会计学硕士，ACCA会员，注册会计师，研究方向：高校财务管理。