论文部分内容阅读
一、引言
随着全球经济一体化进程的加快和欧洲债务危机的持续发展，让人们更加意识到财务风险威力的巨大。本文结合前人的研究成果，利用前沿的BP神经网络技术来测度湖南地区公司财务危机，旨在能够为企业财务风险控制得到一些启示。
二、研究设计
1.样本及指标选取。根据我国证监会的规定，上市公司连续亏损的将被进行处理，我们选取上市公司中st公司为财务风险高公司；而非st公司为正常公司。通过收集2010年上市公司主要财务数据，利用这些财务指标来反应企业特征。数据来源于国泰安数据库、中国证劵之星网等。通过采集湖南的51家上市公司，其中st公司有8家，非st公司43家。通过筛选出16个指标作为输入层节点。分为四大类：一偿付能力指标：X1资产负债率、X2速动比率、X3产权比率、X4流动比率；二营运能力：X5流动资产周转率、X6应收账款周转率、X7存货周转率；三盈利能力：X8总资产利润率、X9销售净利润；四成长能力：X10销售收入增长率、X11成本费用率、X12资本金利率。样本数据处理。在综合评价指标时，不同评价指标往往具有不同的量纲，为了消除由此带来的无法同一度量的问题，需要将各个评价指标进行无量纲处理。
2.研究方法简介。BP神经网络是基于误差反向传播算法（Back-Propagation）的多层前向神经网络。BP神经网络主要是由三个部分组成：输入层、输出层、隐含层。每层由若干个神经元节点构成，每个节点则由输出由输入、作用函数和阙值决定。在正向传播的过程中，从输入层经过隐含层处理，传向输出层。如图显示的是一个三层BP网络的结构。BP神经网络层与层之间通过权值相连，可以通过学习来调节各层神经元之间的关系；每层的基本处理单元（输入层单元除外）为非线性输入，输出关系。
设给定的输入为x（i=1，2，…，m）和输出为，y（j=l，2，…，n）。通过隐层神经元与输入神经元关系得出隐层神经元个数。对于第n个输入，（xn，yn）（n=1，2….m），其中x=（x，x，x，…，x） yn=（y，y，y，…，y），对第j个输入单元yj的加权和为Ayf=wb，则单元的实际输出为yf=f（Ayf）=，（j=1，2…m），第k个隐层单元bk的加权输入和为Abk= wb，该单元的实际输出为 bk f（Abk） （k=1，2…p）。其中Wjk为第j个输出单元与第k个隐层的连接权值，Vki是第k个隐层单元与第i个输入单元的连接权值。f（）为sigmoid函数。
3.BP神经网络设计。（1）输入层。由于样本数据不多，如果筛选数据可能会引起缺失，故输入向量采用12个财务指标作为预测变量，所以输入层的神经单元数目为12。（2）输出层。输出层的单元数目为1，取值为0和1，分别代表上市公司财务无风险和有风险。（3）隐含层。隐神经元的个数与输入输出神经元的多少有直接关系，根据以下公式确定：p=（m+n）/2+a（a为1～10间的常数）。（4）传递函数。这里采用最常用的sigmoidal型函数。通常形式为：logasig（x）=1/（1+exp（-x）），这个函数使整个网络的输出限制在一个较小的范围之内（0～1）之间的任意值。输出值大于0.9，认为输出1，输出值小于0.1，认为输出0。网络参数：目标误差0.0001，学习速率为0.01，训练循环20000次。通过观察计算结果，发现神经网络只有两个数据有一定误差，神经网络得到的输出结果具有很高的正确率，考虑到样本不是很大的情况下，能够得到如此正确率已经是非常难得。
三、结论
当前我国评价公司财务状况的方法还不能很好的适应需求，而评估成本高且不能有效甄别风险等问题。建立合适的财务风险预警体系是企业和政府部门能够有效把握因為财务风险带来的社会问题。本文研究存在一些不足，主要是在以下几个方面。首先，BP神经网络模型需要大量的学习样本，且样本的数量和质量很大程度上决定了最终评价结果，本文从湖南上市公司中选取样本，样本的合适性还有待考量。其次，在选着输入指标时选用12个指标的合理性还有待考虑，而且选用的数据公司处于同一区域，当运用到其他地区时，需要进行不同的分析，对指标的合理性也要做深入探讨。因此对企业财务风险的预警还需要进一步深入研究计算。
随着全球经济一体化进程的加快和欧洲债务危机的持续发展，让人们更加意识到财务风险威力的巨大。本文结合前人的研究成果，利用前沿的BP神经网络技术来测度湖南地区公司财务危机，旨在能够为企业财务风险控制得到一些启示。
二、研究设计
1.样本及指标选取。根据我国证监会的规定，上市公司连续亏损的将被进行处理，我们选取上市公司中st公司为财务风险高公司；而非st公司为正常公司。通过收集2010年上市公司主要财务数据，利用这些财务指标来反应企业特征。数据来源于国泰安数据库、中国证劵之星网等。通过采集湖南的51家上市公司，其中st公司有8家，非st公司43家。通过筛选出16个指标作为输入层节点。分为四大类：一偿付能力指标：X1资产负债率、X2速动比率、X3产权比率、X4流动比率；二营运能力：X5流动资产周转率、X6应收账款周转率、X7存货周转率；三盈利能力：X8总资产利润率、X9销售净利润；四成长能力：X10销售收入增长率、X11成本费用率、X12资本金利率。样本数据处理。在综合评价指标时，不同评价指标往往具有不同的量纲，为了消除由此带来的无法同一度量的问题，需要将各个评价指标进行无量纲处理。
2.研究方法简介。BP神经网络是基于误差反向传播算法（Back-Propagation）的多层前向神经网络。BP神经网络主要是由三个部分组成：输入层、输出层、隐含层。每层由若干个神经元节点构成，每个节点则由输出由输入、作用函数和阙值决定。在正向传播的过程中，从输入层经过隐含层处理，传向输出层。如图显示的是一个三层BP网络的结构。BP神经网络层与层之间通过权值相连，可以通过学习来调节各层神经元之间的关系；每层的基本处理单元（输入层单元除外）为非线性输入，输出关系。
设给定的输入为x（i=1，2，…，m）和输出为，y（j=l，2，…，n）。通过隐层神经元与输入神经元关系得出隐层神经元个数。对于第n个输入，（xn，yn）（n=1，2….m），其中x=（x，x，x，…，x） yn=（y，y，y，…，y），对第j个输入单元yj的加权和为Ayf=wb，则单元的实际输出为yf=f（Ayf）=，（j=1，2…m），第k个隐层单元bk的加权输入和为Abk= wb，该单元的实际输出为 bk f（Abk） （k=1，2…p）。其中Wjk为第j个输出单元与第k个隐层的连接权值，Vki是第k个隐层单元与第i个输入单元的连接权值。f（）为sigmoid函数。
3.BP神经网络设计。（1）输入层。由于样本数据不多，如果筛选数据可能会引起缺失，故输入向量采用12个财务指标作为预测变量，所以输入层的神经单元数目为12。（2）输出层。输出层的单元数目为1，取值为0和1，分别代表上市公司财务无风险和有风险。（3）隐含层。隐神经元的个数与输入输出神经元的多少有直接关系，根据以下公式确定：p=（m+n）/2+a（a为1～10间的常数）。（4）传递函数。这里采用最常用的sigmoidal型函数。通常形式为：logasig（x）=1/（1+exp（-x）），这个函数使整个网络的输出限制在一个较小的范围之内（0～1）之间的任意值。输出值大于0.9，认为输出1，输出值小于0.1，认为输出0。网络参数：目标误差0.0001，学习速率为0.01，训练循环20000次。通过观察计算结果，发现神经网络只有两个数据有一定误差，神经网络得到的输出结果具有很高的正确率，考虑到样本不是很大的情况下，能够得到如此正确率已经是非常难得。
三、结论
当前我国评价公司财务状况的方法还不能很好的适应需求，而评估成本高且不能有效甄别风险等问题。建立合适的财务风险预警体系是企业和政府部门能够有效把握因為财务风险带来的社会问题。本文研究存在一些不足，主要是在以下几个方面。首先，BP神经网络模型需要大量的学习样本，且样本的数量和质量很大程度上决定了最终评价结果，本文从湖南上市公司中选取样本，样本的合适性还有待考量。其次，在选着输入指标时选用12个指标的合理性还有待考虑，而且选用的数据公司处于同一区域，当运用到其他地区时，需要进行不同的分析，对指标的合理性也要做深入探讨。因此对企业财务风险的预警还需要进一步深入研究计算。