基于BP神经网络的企业财务危机预警变量改进探索

第12期（总第349期）

2012年12月

财经问题研究

ResearchonFinancialandEconomicIssues

Number12（GeneralSerialNo.349）

December，2012

基于BP神经网络的

企业财务危机预警变量改进探索

龚小凤

（中南财经政法大学会计学院，湖北

摘

武汉430073）

要：考虑到行业差异的财务指标对预警效果的影响，本文建立BP神经网络模型预测财务危

机，采用功效系数法将财务指标转化后的单项功效系数作为输入变量，与直接将财务指标作为输入变量进行对比，实证结果发现标准化后的变量产生的误差率小于直接将财务指标作为输入变量。通过使用BP神经网络模型并消除行业差异，财务危机预警的准确性得到有效提高。关键词：BP神经网络；财务危机预警；变量改进中图分类号：F275

文献标识码：A

176X（2012）12-0111-06文章编号：1000-

一、引言

随着世界经济一体化步伐的加快，我国企业

面临的经营环境越来越复杂，风险也越来越大，有的企业因经营出现困难，缺乏持续性现金流来支撑而破产，也有为数众多的企业由于无力偿还债务等财务方面原因而停止营业。当财务出现严重问题时往往也意味着企业经营的终结，如何提前预知财务危机的发生，及时防范风险成为企业面临的一项亟待解决的重大难题。财务危机又称财务困境，是指企业现金流量不足以偿还到期负债而导致的困境。一般而言，企业经营一般经历四个阶段：稳健经营、不稳健经营、财务危机和破产，也就是说，当企业的财务危机无法顺利解决时，会直接面临破产。因此，只有在危机发生之前就及时采取措施加以避免，对企业而言更有意义，这也是财务危机预警的意义所在。

在众多财务危机预警的研究中，输入变量的选择并没有什么变化，一般是将筛选后的财务指标直接代入模型，此种方式未考虑到行业差异的

影响。本文拟对模型的输入变量进行改进，采用BP神经网络模型来预测财务风险，用功效系数法将财务指标转化为单项功效系数，以此作为模型的输入变量，和直接将财务指标作为输入变量进行对比，分析何种方式的误判率更低，为输入变量的有效选取提供思路。

二、BP神经网络（一）神经网络

人工神经网络（ArtificalNeuralNetW0rks简称ANNs）是20世纪40年代提出的，并于80年代复兴的一门交叉学科。该项技术以生物大脑的结构和功能为基础、以网络结点模仿大脑的神经细胞、以网络连接权模仿大脑的激励电平、以简单的数学方法完成复杂的智能分析，能有效地处理问题的非线性、模糊性和不确定性关系。由于神经网络方法能使模型具备随不断变化的复杂环境自学习能力，使企业财务动态预警成为可能。目前应用较广的是BP神经网络模型。BP神经网络是一种多层前馈神经网络，一般含输入

09-01收稿日期：2012-mail：ji-作者简介：龚小凤（1973－），女，湖北宜都人，博士研究生，讲师，主要从事盈余管理和企业并购等方面的研究。E-ufengmine@http://doc.guandang.net

112

层、隐含层和输出层，每一层由若干节点组成。其主要特点为信号前向传递，误差反向传播。在前向传递过程中，输入信号会从输入层经隐含层逐层处理直到传递到输出层。每一层神经元状态只会影响到下一层神经元状态。可将BP神经网络看做是一个非线性函数，网络的输入值和预测值分别是该非线性函数的自变量和因变量。

（二）BP神经网络的优势关于财务危机预警的研究，更多的是探讨危机预警模型的建立和比较。财务危机预警的研究方法经历了单变量分析模型、多元判定分析模型、主成分分析法以及概率回归模型（如Logistic模型等），这些方法各有缺陷。

1．单变量分析模型

单个变量往往很难说明企业财务状况的各个方面，而且一个变量很容易被操纵、粉饰，该方法已不适用。

2．多元判定分析模型

多元判定分析法是对研究对象所属类别进行判别的一种统计方法。将该模型用于财务危机分

［1］

创立的多元变量析的最有代表性的是Altman

财经问题研究2012年第12期总第349期

多重共线性问题，若多个变量间存在多重共线性

问题，会造成奇异矩阵，使判别的误差加大。

5．BP神经网络模型

近年来，BP神经网络模型的应用越来越广泛。其主要优点在于：第一，非线性映射能力；第二，自学习和自适应能力；第三，泛化能力，具有将学习成果应用于新知识的能力；第四，容错能力。由于其没有线性概率模型需要的假设条件以及多重共线性问题，在财务危机预警中越来越受到重视。经实证研究发现，与其他流行的研究方法相比，BP神经网络模型用于财务危机预

［2］

警有更高的准确率。Odom和Sharda开拓了用BP神经网络预测财务困境的新方法，认为该

［3］

也方法提高了预测的准确度。杨淑娥和黄礼以上市公司的财务指标直接作为模型数据，将

BP神经网络模型和主成分预测模型进行对比，发现使用BP神经网络模型的预测相对准确。因此，BP神经网络模型在财务危机预警模型中是预测精度较高的模型。

用BP神经网络建立财务危机预警模型的基本思想是将财务评价指标作为输入值，先给出一个权重，经隐含层传递到输出值，将经过函数运算后的输出值与期望值比较，若误差较大，则误差反向沿原路径返回，在修改各层节点的权重后迭代计算，每次运算后都按照误差结构更新样本数据的权重分布，当经过若干次迭代，达到误差精度要求时，就得到一组最佳权重，这组权重即为预测模型的参数。本文采用BP神经网络作为财务预警模型，将改进后的指标作为输入变量，并与传统的将财务指标直接作为输入变量相比较，误差率低说明改进后的输入变量更有效。

三、财务危机预警变量的改进（一）预警变量改进的基础———行业差异性不同行业的财务指标合理值差异较大。如偿债能力指标，对于连锁超市行业来讲，资金周转较快，通常借债较少，而钢铁等制造行业资金周转时间较长，通常有较高的负债率，但一般情况下仍能正常发展，因此，从这两个行业的分析来看，两个行业的差异较大时，偿债能力指标不必然具有可比性。另外，就盈利能力而言，由于行业的会计核算制度存在差异，使得不同行业的盈利能力指标的可比性降低，如高新技术企业的毛利率较高，其主要费用为研发费用，一般是计入管理费用，毛利率指标和其他行业不具有可比

——Z计分模型和ZETA模型，在已确判定模型—

定的临界值基础上，根据判别的分值确定企业是否陷入财务危机当中。该模型的使用有两个假设条件：第一，要求自变量服从多元正态分布。第二，假设协方差矩阵相等。这两条假设有时不一定能成立。因此，由于多元判定分析模型假设条件的限制，其使用有一定局限性。

3．线性判定模型

线性概率模型可用来判定财务危机发生的可能性，可表示为：

P=a0+a1X1+a2X2+a3X3+ε

P代表财务危机发生可能性的估计值。该方法的缺陷在于P不是介于0和1之间的数值，无法判定其概率大小。

4．Logistic回归模型

Logistic回归模型要求因变量为连续的，是二分类模式。其模型可表示为：

ln

()pi

=Yi=b0+b1X1+b2X2+b3X3+ε1－pi

对于Yi值用指数模型进行修正，就可使得p的结果介于0和1之间。pi和1－pi分别代表两种可能性。尽管解决了p值可直接体现发生财务危机概率的问题，但Logistic回归模型无法解决

基于BP神经网络的企业财务危机预警变量改进探索 …… 此处隐藏：8986字，全部文档内容请下载后查看。喜欢就下载吧 ……