基于BP神经网络的财务预警方法探究，本文主要内容关键词为：神经网络论文,财务论文,方法论文,BP论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
企业因财务危机导致经营陷入困境，甚至宣告破产的例子一直屡见不鲜。任何财务危机都有一个逐步显现、不断恶化的过程。因此，应对企业的财务运营过程进行跟踪、监控，及早地发现财务危机信号，预测企业可能出现的财务失败，从而采取相应的有效措施，来避免或减少对企业的破坏。财务信息是企业危机的载体，它是由一系列财务指标组成的会计报表进行传递的。源于此，需要对财务相关因素进行定量的、科学的评估。目前，财务预警的定量评价侧重于对传统评价方法的运用，如模糊综合评价和灰色综合评价等，而这些方法无法从根本上克服财务预警中建模及求解的困难。为解决此问题，本文引入人工神经网络的有关理论，结合财务要素的特点，提出了一种财务预警方法——财务预警的反向误差传播(back-propagation，BP)模型。
一、财务预警及其指标的描述
(一)财务预警的内涵
财务预警是以企业的财务报表、经营计划及其他相关会计资料为依据，利用财会、统计、金融、企业管理、市场营销理论，采用比率分析、比较分析、因素分析及多种统计方法与非统计方法，对企业的经营活动、财务活动等进行分析预测，以发现企业在经营管理活动中潜在的经营风险和财务风险，并在危机发生之前向企业经营者发出警告，督促企业管理当局采取有效措施，避免潜在的风险演变成损失。由此可知财务预警具有如下功能：
1.监测功能。监测即跟踪企业的生产经营过程，将企业生产经营的实际情况同企业预定的目标、计划、标准进行对比，对企业营运状况作出预测，找出偏差，进行核算、考核，从中发现产生偏差的原因或存在的问题。当危害企业的财务关键因素出现时，可以提出警告，让企业经营者早日寻求对策，以减少财务损失。
2.诊断功能。诊断是预警体系的重要功能之一。它根据跟踪、监测的结果对比分析，运用现代企业管理技术、企业诊断技术对企业营运状况的优劣做出判断，找出企业运行中的弊病所在。例如，某家企业的流动比率恶化，导致财务经理疲于调动资金以应付日常财务周转。
3.治疗功能。通过监测、诊断，判断企业存在的弊病，找出病根后，应对症下药，更正企业营运中的偏差或过失，使企业回到正常运转的轨道。一旦发现财务危机，经营者既要阻止财务危机继续恶化下去，也要寻求内部资金的创造渠道，还要积极寻求外部财源。
4.健身功能。通过预警分析，企业能系统而详细地记录财务危机发生的原因、处理过程、解除危机的各项措施，以及处理反馈与改进建议，作为未来类似情况的前车之鉴。这样，将企业纠正偏差与过失的一些经验、教训转化成企业管理活动的规范，以免重犯同样或类似的错误，不断增强企业的免疫能力。
(二)财务预警指标的描述
根据财务预警的内涵，可以建立财务预警的递阶层次指标体系，现对其描述如下：
1.财务预警的目标层指标——企业的财务状态。由财务预警的内涵可知，财务预警不是一个或几个方面的简单叠加，而是一个综合的、集成的概念；财务预警也是一个多层次、多因素、多目标的综合评价。为此，我们根据财务预警内涵，将反映和影响财务状态的多种指标有机结合起来，将复杂评价对象——财务指标量化，提出度量财务优劣的概念——财务状态，用以表达财务优劣和财务活动的综合效果。它具有如下特征：①它是财务预警指标体系的第一层，也可称为目标层；②它是财务状态的定量化表示，是一个无量纲的明确值，可以用(1,0,0)、(0,1,0)、(0,0,1)分别对应于正常、关注和报警；③它是一个动态概念，随着时间的推移，其通过自我学习、训练会进行自我调整。因此，对财务状态进行评价，找出敏感因素，施以相应的控制是非常必要的。
2.财务预警评价的准则层和基础层指标。准则层和基础层——财务指标预警方法是常用的预警方法，本文主要涉及财务状况预警，而未考虑公司企业的非财务因素部分。有关财务状况的预警信号主要运用财务分析手段进行定量提取，以便使用BP模型来处理。目前，对企业财务分析的方法一般是选定一些有代表意义的两两相关的重要财务指标以比率的形式列出，称其为比率指标，本文根据上市公司报表必须提供的财务比率为基本要素，即4类财务比率的15项指标：
①盈利能力比率——营业毛利率、营业利润率、净利润率、资产收益率、股东权益收益率、成本费用率；
②营运能力比率——应收账款周转率、存货周转率、总资产周转率、固定资产周转率；
③短期偿债能力比率——流动比率、速动比率；
④长期偿债能力比率——资产负债率、负债与所有者权益比率、利息保障倍数。
在判断以上比率指标优劣时，将以行业平均值为标准，称为比率标准。
二、基于BP模型的财务预警方法
(一)基于人工神经网络的财务预警思路
财务状态与其众多影响因素间的关系是一种时变性、高度非线性的关系，影响因素集或指标集到财务预警状态集之间是复杂的非线性映射，不存在确定的函数关系表达式，并且各指标权重的确定也相当复杂。而人工神经网络(Artificial Neural Network,ANN)模型是从学习样本集中，通过学习规则隐式地抽象出所研究系统各因素间的相互影响和关系，而所谓的学习规则就是神经元间的连接权值的修改规则。人工神经网络可以实现任意形式的映射，为财务预警提供了一种新的思路。
ANN是近年来发展起来的一种处理复杂系统的理论，其特有的信息处理能力和独到的解算能力引起了人们的极大关注，呈现出广阔的应用前景。ANN基于并行处理机制从结构上对人类的思维过程进行模拟，从而能实现人类思维的某些功能，如学习、逻辑推想、联想记忆和自组织等。1944年，Hebb根据心理学条件反射机制提出了神经元间连接强度变化规律的Hebb学习规则，奠定了人工神经网络的研究基础；1957年前苏联数学家A.N.Kolmogorov提出的多层神经网络映射存在定理，在理论上证明了一个任意的连续函数都能与一个3层神经网络建立映射关系。其后，Rumelthart和Maclelland等提出了反向传播模型(Error Back Propagation)，Grossberg等又提出了自适应共振理论模型(Adaptive Resonance Theory)。其中反向误差传播模型(BP)是目前应用最广泛的一种模型，这里的讨论都以BP模型为基础。
如前所述，财务预警的本质是确定影响财务状态的各指标的权重。基于BP模型的财务预警的基本思路为：将财务预警的基础指标作为人工神经网络的输入单元向量，将财务状态作为输出单元向量，组成响应的神经网络，称为财务预警的反向误差传播模型(简称财务预警BP模型)。然后，以足够的样本，以BP模型学习算法来训练这个神经网络，训练好的网络所持有的那组权系数就是所要确定的财务预警指标权重。这是网络经过自适应学习得到的网络内部信息的一种本质的、集成的表示，也是财务预警系统信息的一种全息式的、分布式的存储方式。最后，将目标企业财务预警指标的具体值作为训练好的生存风险BP模型的输入，可得目标企业的财务状态。
(二)基于BP模型的财务预警步骤
根据人工神经网络BP模型及其算法，结合财务预警内涵及其识别指标体系，可将基于BP模型的财务预警步骤概括如下：
步骤1：财务预警BP模型，其拓扑结构如图1。模型由3层神经元组成：输入层、隐含层和输出层。其中输入层神经元是经过标准化处理的财务预警基础指标，输出层神经元是财务预警系统的输出——财务状态，所以财务预警BP模型有3个输出神经元(1,0,0)、(0,1,0)、(0,0,1)，分别对应于正常、关注和报警。
图1 财务预警的ANN拓扑图
步骤2：对财务预警BP模型神经元的连接权值和其他参数赋初值。
步骤3：输入财务预警样本集，每个样本点包括经过标准化处理的财务预警的基础指标值和对应的期望输出——理想的财务状态，前者为输入样本，后者为理想输出。
步骤4：按下列公式计算财务预警样本点的输出误差。
(1)E[,P]=1/2∑[,j](t[,pj]-o[,pj])[2]
其中p表示第p个样本点，t[,pj]为财务预警神经网络的神经元u[,j]在第p个样本点下的理想输出(理想财务状态)，o[,pj]为神经元u[,j]在第p个样本点下的实际输出(实际财务状态)，E[,p]为第p个样本点下的财务预警BP网络的输出误差。
(2)o[,pj]=f(net[,pj])
其中net[,pj]表示财务预警BP网络的神经元u[,j]在第p个样本点下的输入，f为非线性、可微、非递减函数，一般取S型函数，即f(x)=1/(1+e[-x])。
(3)net[,pj]=∑[,j]w[,ji]o[,pi]
其中o[,pi]为财务预警BP网络的神经元u[,i]在第p个样本点下的输入——经标准处理的财务预警基础指标，w[,ji]为从神经元u[,i]到神经元u[,j]的连接权值。
若E[,P]小于给定的收敛值，转入步骤6，否则转入步骤5。
步骤5：从财务预警BP模型的输出层开始，按下列公式调整权值并转步骤4。
(1)△w[,ji](n+1)ηδ[,pi]o[,pi]+α△w[,ji](n)
其中△w[,ji](n+1)为每次权的调整值，α是一个确定财务预警BP网络过去学习效果的常数，α∈(0，1)，△w[,ji](n)是一个动量项，反映网络过去学习的影响，能加速财务预警BP网络学习的过程，η为表示学习速率的常数，η∈(0，1)，δ[,pj]为财务预警BP模型在第p个样本点下神经元u[,j]输出端的误差。
(2)对输出神经元，有：
δ[,pj]=o[,pj](1-o[,pi])(t[,pi]-o[,pi])
对隐含神经元，有：
δ[,pj]=o[,pj](1-o[,pi])∑[,k]w[,kj]δ[,pk]
其中w[,kj]为财务预警BP模型隐含神经元u[,j]相连到输出神经元u[,k]的连接权值。
步骤6：财务预警BP神经网络学习结束，得到一个训练好的网络。
步骤7：确定财务预警指标的权重。设训练好的财务预警BP网络对应的不同层神经元间的连接权为w[,kj]，结合财务预警指标体系和财务预警BP网络的对应关系，即可确定各指标的权重，明确目标企业财务状态的主要影响因素，为企业财务的控制提供主要依据。
步骤8：将目标企业财务预警指标的具体值作为训练好的BP模型的输入，可得目标企业的财务状态，再与预警时规定的状态标准比较，即可确定目标企业财务状态的类别。在这一预警过程中，也可以求得影响财务状态各指标的权重，这样，既可进行财务预警，也可比较容易得到各指标中对于企业财务影响最大的因素，即敏感性因素或者主导性因素，将它作为企业财务控制的工作重点之一，或者为财务状态的最佳控制提供理论依据。
基于人工神经网络的财务预警，能够充分利用样本财务的有关信息，通过高度的非线性映射，揭示企业财务状态与其相关影响因素之间的内在作用机制，从而从根本上克服了财务预警中建模及求解的困难。该方法与灰色综合识别和模糊综合识别相比，不仅具有自学习性、自适应性和很强的容错性，而且对整个预警过程和步骤非常容易编程并在计算机上实现，因而具有较高的合理性和使用前景。另外，人工神经网络具有“相似性输入，相似性输出”的特征，所以该方法的预警精度和科学性不仅取决于训练样本的数量，也决定于训练样本的质量。因此，应用中的主要不足在于难以一次得到足够的理想样本，这需要在使用过程中逐步积累学习经验和有效样本，使财务预警的BP网络日渐完善。需要进一步研究的问题包括：基于人工神经网络的财务预警系统的开发，本文所提出的预警方法的实证分析，以及本文所提出的预警方法和其他预警方法的比较研究等。