基于LSTM神经网络的饲料企业财务风险预警模型构建

杨 旭，黄雪梅

（重庆财经职业学院，重庆市 402160）

近年来，随着饲料产业推动农业及畜牧业发展速度的加快，饲料产业在推动我国社会经济发展方面起着重要作用。但随着全球贸易一体化进程的加快，饲料行业受外部市场环境等客观因素造成的竞争压力也逐渐增加，饲料企业面临着融资渠道单一化、资金扩大产能不足等一系列问题，为此，饲料企业只有拓宽渠道运营、提高产业生产规模、完善饲料产品质量才能提升自身市场竞争力。但在持续化经营过程中，饲料企业的发展又会受到国内经济体制地限制，账款回收不到位、汇率上下波动、商贷利息上调及政策变动等因素都会给饲料企业运营带来一定的风险（杜英等，2011）。如何借助高效的运算程序实现饲料企业财务风险预警分析，为饲料企业的持续化运营提供良好的监测是当前需要解决的重要问题。本文将LSTM神经网络算法运用到饲料企业财务预警模型构建中，借助LSTM在处理历史时间序列层面的优势来激活饲料企业财务预警数据值，为衡量饲料企业财务预警准确度奠定基础（董妍慧，2008）。

1 饲料企业财务风险预警模型样本指标选取

1.1 饲料企业样本的选取 当前，很多中小饲料企业对财务风险预警的重视程度不够，不但防范意识不足，更重要的是不能及时采取有效化防范措施及应对方案去降低财务风险。饲料企业发展运营数据冗杂，饲料企业传统式的财务梳理模式需要耗费大量的时间和人力，财务数据正确率不但得不到有效保障，还极大降低了员工的工作效率（方瑞，2008）。当前，大数据分析在饲料企业财务的应用逐渐普遍化，不但有效保障饲料企业财务数据指标的历史时间序列，还在一定程度上提升了财务预警的时效性，为饲料企业运营模式的升级优化提供了有效借鉴。

为验证LSTM神经网络对企业财务风险预警的性能，在中国饲料行业信息网上，中国饲料排榜前30名家的饲料企业中选取了20家作为饲料企业财务风险预警模型的训练样本，具体为企业编号1～20，分别为山东六和集团有限公司、广东恒兴集团有限公司、湖南正虹科技发展股份有限公司、中牧实业股份有限公司、北京大北农饲料科技有限责任公司、江西正邦科技股份有限公司、顺德华星实业股份有限公司、江苏正昌集团有限公司、岳阳岳泰集团有限公司、陕西石羊（集团）股份有限公司、河北凯特饲料集团有限公司、四川新希望集团有限公司、四川龙蟒集团有限责任公司、金河集团实业有限公司、辽宁禾丰牧业股份有限公司、广东海大实业有限公司、河北兴达饲料集团有限公司、浙江新和成股份有限公司、河南牧鹤饲料添加剂有限公司、广东溢多利生物科技股份有限公司。

1.2 饲料企业财务预警指标的选取 基于选取的20家饲料企业样本的财务运营真实指标体系构建饲料企业预警模型才具有一定的可行性。对饲料企业财务风险预警指标因素进行变量描述，分别用x1-x20表示，速动比率、流动比率、产权比率、资产负债率、存货周转率、负债与有形资产比率、总资产周转率、固定资产周转率、营业增长率、资本积累率、业务利润率、资产净利率、销售毛利率、净资产收益率、总资产增长率、资产保值增值率、固定资产成新率、应收款增长率、应付款增长率、利润总额增长率，这些指标数据不仅在一定程度上代表着饲料企业运营状况，还能以实时数据更新的形式对饲料企业财务进行动态化监管（李莎和陈暄，2021）。

饲料企业财务风险预警指标因素的选取及筛查是建立其财务风险预警模型的第一步，财务风险预警指标因素确认后要根据预警模型算法的时间效应对饲料企业历史财务数据进行比对分析，选择出适合饲料企业财务风险预警评估的算法体系，以此更好地评估饲料企业财务风险预警所处的等级（林丹楠等，2021）。LSTM神经网络算法不仅在处理历史时间序列方面有独特的优势，还能有效过滤掉干扰无效因素的影响，是饲料企业在财务风险预警模型构建中不错的选择。

2 基于LSTM神经网络的饲料企业财务风险预警模型构建

2.1 LSTM神经网络结构 LSTM神经网络算法结构是依据神经网络循环结构图演变而来的。在图1中，sigmoid函数采用字母σ来表示，t时刻的记忆节点数值为Ct，t时刻的隐藏数据输出为ht（孙嵘，2008）。LSTM神经网络是在神经网络循环结构的基础上进行优化升级，相对神经网络循环结构讲，LSTM神经网络将记忆及遗忘节点进行了介入引进，如下所示：

图1 LSTM 神经网络算法结构图

遗忘门（Forget gate）ft的表示方法（王婷和吴建军，2021）为

式中：Wf表示遗忘门权重矩阵，bf表示遗忘门偏置。

输入门（Input gate）it的表达方式为

式中：Wi表示输入门权重，bi表示输入门偏置。

Ct表示记忆节点值（王菲菲，2018）

式中：WC表示记忆节点的权重，bC表示记忆节点偏置。

借助Ct－1时刻经过记忆节点的遗忘数值及下一时刻的候选数值来确定新时刻记忆节点Ct，表示方法（余璐，2021）为

输出门（Output gate）ot的表示方法为

式中：Wo表示输出门的权重，bo表示输出门偏置。

依据传播路径进行反向输出，将各权重及偏置进行最优化处理，以此得到LSTM神经网络模型的精准预测结果。

2.2 基于LSTM的饲料企业财务风险预警模型流程 选择饲料企业财务风险预警数据指标，将筛选的样本数据进行定量分析优化，借助LSTM神经网络算法进行饲料企业财务风险预警模型构建预估，依据传播路径进行反向输出比对，将各权重及偏置进行最优化处理，最终得到LSTM神经网络模型的精准预测结果（张国富和范亚东，2021）。具体流程呈现如图2所示。

图2 LSTM神经网络企业财务风险预警流程图

3 LSTM神经网络对饲料企业财务风险预警的性能分析

3.1 LSTM神经网络对饲料企业固定资产周转率及速动资产比率预测分析 选择20个饲料企业训练样本，借助LSTM神经网络算法对饲料企业的固定资产周转率及速动比率进行比对分析，图3-1可以发现企业编号3、12、18在速动比率上出现了较小的偏差，在图3-2中发现，企业编号为4、8的饲料企业在固定资产周转率上存在较小的偏差，其他饲料企业财务预警模型在速动比率上评估出的预测值与实际的阈值几乎一致。

图3 LSTM神经网络算法对饲料企业财务风险预警估值

在此次算法评估中分别将饲料企业预警指标的速动比率、资产周转率的阈值设置为2与6，将饲料企业财务风险预警指标的实际数据录入算法程序，通过将预测结果与阈值的比对差异来为饲料企业财务提供预警信号。

3.2 LSTM神经网络对饲料企业财务风险预测准确率 将选取的20家饲料企业训练样本的数据导入LSTM神经网络算法，依据LSTM神经网络企业财务预警流程进行反复比对，以获取均值的形式将得出的预测值与前期设定的阈值进行对比。将其财务实际预警数据与LSTM神经网络算法得出的评估结果进行比对分析发现，该财务风险预警模型预测的准确率最高达100%，而在企业编号9的预测值相对较差，但其准确率也达到85.73%，因此，从对比数据可知，LSTM神经网络对饲料企业财务风险预测的准确率较高，具有一定的推广价值。

3.3 LSTM神经网络算法在饲料企业财务风险预警准确率上更占优势 为了更好地验证LSTM神经网络算法在饲料企业财务风险预警中的可行性，将选取的20个饲料企业财务预警样本随机分成3组，分别使用BP神经网络算法、卷积神经网络算法与LSTM神经网络算法程序进行分析，分析结果见图4。

由图4可知，与BP神经网络算法、卷积神经网络算法相比，LSTM神经网络算法在饲料行业上市企业中的财务风险预警准确率最高。因此，借助LSTM神经网络算法对饲料企业财务风险预警在可行性上更占优势。

图4 不同算法对饲料企业财务风险预警性能对比

4 结语

采用LSTM神经网络算法对饲料企业财务风险预警的性能分析具有一定的可行性。借助LSTM神经网络算法将选取的饲料企业财务风险预警因素指标进行相关样本训练，同时将设置的阈值与预测值相比发现，相对于其他通用的预警模式，基于LSTM神经网络的饲料企业财务风险预警模型更具准确性。