基于改进BP神经网络的企业财务预警模型及应用

JournalofInnerMongoliaAgriculturalUniversity(SocialScienceEdition)

2007年第5期(第9卷󰀁总第35期)

No.5󰀁2007(Vol.9󰀁SumNo.35)

*

基于改进BP神经网络的企业财务预警模型及应用

󰀁󰀂郑丕谔1,刘󰀁颖2

(1.天津大学系统工程研究所;2.天津大学管理学院,天津300072)

摘󰀁要:本文选取了158家在深沪两地上市的制造业企业的财务数据作为样本,通过对样本的抽取以及标准化处理,建立了利用BP网络和统计方法相结合的模型对企业财务状况进行分析,实现了对企业的财务预警。研究结果表明,该模型仿真结果可靠,在提高预警精度的同时,较大地降低了犯第II类错误(即将破产企业判断为正常企业)的概率,更加满足商业银行识别不良贷款准确度的要求。

关键词:BP神经网络;财务预警;因子分析;Logistic回归;第二类错误

中图分类号:F275󰀁󰀁文献标识码:A󰀁󰀁文章编号:1009-4458(2007)05-0099-03

󰀁󰀁随着我国经济的发展,企业贷款也相应不断增多,对企业的

财务状况做出客观的评估已经成为各商业银行降低不良贷款率的有效手段。那么如何建立预测精度高且符合实际需要的财务预警模型从而使得各商业银行能快速有效地分析企业的财务状况,对于商业银行降低贷款风险有着极为重要的现实意义。

普遍使用,并证明是有效的;(2)数据能从资产负债表,损益表以及现金流量表中获得;(3)选取相对指标,排除企业规模的影响;(4)考虑现金流量指标的重要性。

按照以上原则,本文选取了以下财务指标进行分析:X1为每股收益,表明企业普通股每股所享有的利润。通常这个指标越大越好;

X2为总资产利润率,反映企业总资产能够获得利润的能力,该指标越高,表明资产利用越好;

X3为主营业务利润率,反映企业主营业务的收入带来净利润的能力;

X4为权益净利率,表明企业所有者的投资能够获得净收益的能力;

X5为流动比率,反映企业短期偿债能力;X6为速动比率,反映企业未来的偿债能力;X7为资产负债率,反映企业的长期偿债能力;

X8为负债权益率,反映企业的所有者权益对债权益的保障程度;

X9为每股营业现金流量,反映了企业利用权益资本获得经营活动净流量的能力;

X10为主营业务现金比率,反映了企业完成销售中获得现金的能力。

一、研究现状

神经网络在企业财务风险分析的应用最初是由Odom和Sharda(1990),Tam(1991),Tam和Kiang(1992)用于银行破产预测,Tam在其1991年研究的基础上又于1992年和Kiang合作,利用三层BP神经网络来训练预测模型,根据输入到网络的样本训练出神经网络的一套权值,网络训练之后,可将任何新输入的有关企业财务运作状况的数据进行正确的分类,破产或非破产。

国内近几年耿克红、杨保安等也在借鉴国外研究的基础上将神经网络用于企业财务预警研究,但都是以总体错分率作为评价模型的唯一指标。以总错误分类率为评价标准是将两类错误造成的损失平等对待。实际上对于商业银行来说,犯第II类错误(即将破产企业判断为正常企业)的损失要远远大于犯第I类错误(即将正常企业判断为破产企业)的损失。

为了克服现有的缺陷,在相关研究的基础上,本文提出一种新模型,将BP神经网络模型与Logistic回归模型结合起来的复合模型。该模型能在提高预测精度的同时,大大降低了模型犯第II类错误的概率,更加满足商业银行识别不良贷款的准确度。

二、财务指标体系的确定

由于企业财务预警研究的指标选取缺乏具体的经济理论做指导,所以本文尝试从不同的侧面选取指标,以反映企业财务状况的各个方面。指标选取主要遵循的基本原则:(1)以往研究中

三、改进的神经网络模型的建立

1.样本的选取

本文选取的样本是在我国深圳、上海两地证券交易所上市的制造业公司,原始数据均来自华泰证券网站(www.htzq.com.cn),

*收稿日期:2007-05-21

󰀁󰀁作者简介:郑丕谔(1942-),男,福建莆田人,天津大学系统工程研究所,教授,博士生导师,主要从事神经网络理论及应用;管理科学

理论及应用;优化与决策;经济系统管理与决策研究。

内蒙古农业大学学报(社会科学版)󰀁󰀁󰀁󰀁󰀁󰀁󰀁󰀁󰀁󰀁󰀁󰀁󰀁󰀁󰀁󰀁󰀁󰀁󰀁󰀁󰀁󰀁󰀁󰀁󰀁󰀁󰀁󰀁󰀁󰀁2007年第5期(第9卷󰀁总第35期)

其中,所选取的破产公司是指在2003年内被股市特别处理(ST)的公司,共计27家。以财务状况异常最早发生日为基准日,选取这些公司在基准日前两年的财务报表数据,即2001年和2002年财务年报。同时在制造业行业内选取54家正常公司,同样采用2001年和2002年财务年报。本文内将不同年份的同一家公司也认为是不同的公司,除去财务数据缺失的公司后,最终实证分析所采用的样本总数为158家。其中训练样本总数为102家,泛化检验总数为56家。

2.样本的标准化处理

对选取的样本数据,采用等比例缩放的方法,使财务数据落入[0,1]区间,以便于神经网络对数据进行处理。计算公式如式(3-1):X󰀁ij=

Xij-Xmin

Xmax-Xmin

(3-1)

gistic回归的混合两阶段个人信用评分模型,其方法是:首先利用神经网络方法建立一个信用评分模型,然后将神经网络评分的结果作为解释变量之一,再加上其余的特征变量,最后建立一个基于logistic回归的信用评分模型。他们认为,这样的模型克服了单纯使用神经网络模型或单纯使用logistic回归模型的一些缺陷,如:神经网络模型的解释性较低,logistic回归模型预测精度较差等。经过实证分析,该混合模型在个人信用评分中取得了较好的效果,并且可以降低第II类错误判断率。故本文考虑将此混合模型用于上市公司财务预警,以期能降低单纯使用BP神经网络建立的公司财务预警模型中第II类错误判断率。

本文将BP神经网络预警模型的结果作为解释变量之一,再加上前面选取的10项财务指标作为其余解释变量,建立一个基于Logistic回归的财务预警模型。但是,由于神经网络具有很强的拟合能力,使得解释变量与因变量之间的关系在其输出结果中得到了较高程度的体现,这样使得其他特征变量变得不重要。将如此多不重要的变量加入到模型中,很可能产生多重共线性的问题。而Logistic回归对多重共线性很敏感,在多重共线性程度较高时,系数估计标准差将产生较大偏差[8]。因子分析在解决回归模型多重共线性问题上具有一定的可行性。故本文尝试用因子分析来解决这一问题。

(1)解释变量的因子分析。本文采用SPSS13.0实现因子分析。利用主成分法并进行最大方差化旋转后3个因子所解释的样本总方差的累积比率为80.1%。估计出的因子分析结果见表3-3。

表3-3

X1X2X3

3.BP网络模型的建立

(1)BP网络模型结构的确定。根据Bishop(1995),将激励函数设定为Logistic函数,这样其输出结果就可以看作企业发生破产的条件概率[6]。输入节点为上文所述的企业10个财务指标,输出节点只有1个,即企业破产发生概率。输出值以0.5为临界点,大于0.5被认为是正常企业,小于0.5则认为是破产企业。由于一个三层的BP神经网络可以完成任意的N维到M维的映射,故本文采用具有一个隐层的神经网络模型。隐层初选节点数按h=log2n估算,式中h为隐层节点数,n为输入层节点数[7]。最后,实际的隐层节点数根据训练和泛化性能的情况适当调整。

(2)BP网络模型训练与泛化。本文采用Matlab软件中的神经网络工具箱进行BP网络模型的仿真。通过对预警模型的训练、泛化性能及网络结构的调整,最终训练误差小于0.01,泛化误差小于0.07,隐层节点数确定为9。网络结构调整结果如表3-1。

表3-1

节点数训练误差泛化误差

30.020.21

旋转后的因子载荷矩阵

F1

0.8870.9400.7840.9090.0930.006-0.296-0.5170.2260.1710.795

F2

0.0680.1410.0980.1840.9430.933-0.850-0.618-0.1240.0940.199

F30.2020.1650.2550.0450.0440.00.0730.1280.8320.80.143

不同隐层节点数下的训练及泛化误差

40.020.16

50.010.13

60.010.19

70.010.13

80.010.1

90.010.07

100.010.13

110.020.16

X4X5X6X7X8X9X10NET

通过表3-1可以看出,当隐层节点数取9时,训练误差和泛化误差同时为最小,模型取得较好的预测效果。BP网络模型分类准确率如表3-2。

表3-2

训练样本

0

0

实际合计

1

0310

1170

正确分类比率(%)

96.910099

实际合计

01

0161

BP网络模型分类准确率

泛化样本

1336

正确分类比率(%)

84.2197.392.9

从表3-3中可以看出F1中系数绝对值较大的是每股收益X1、总资产利润率X2、主营业务利润率X3、权益净利率X4以及BP网络预警模型的结果NET。X1、X2、X3、X4主要反映了企业的盈利能力。企业的盈利能力在财务预警分析中较为重要,是衡量企业长足发展能力的重要指标。本文将F1称为󰀁盈利因子󰀁。

F2中系数绝对值较大的变量有流动比率X5、速动比率X6、资产负债率X7、负债权益率X8,这四个因子分别反映了企业的长、短期偿债能力,本文将F2称为󰀁偿债因子󰀁。

F3中系数最大的是每股营业现金流量X9以及主营业务现金比率X10,两个比率均反映了企业现金流量情况。可以称为󰀁现金流量因子󰀁。

(2)Logistic回归模型。根据上述因子分析的结果,可以得到各样本的因子得分。为了既能解决多重共线性的问题,同时又不过多损失有关信息,本文选取因子得分作为解释变量,采用极大似然法估计模型进行回归,结果见表3-4。

从表中可看出BP神经网络具有较高的预测精度,其总体预测精度高达92.9%,但同时也可看出其第II类错判率较高。对于商业银行来说,较高的第II类错判率带来的损失要比第I类错判率带来的损失大得多。后者的损失只是潜在的资金回报即贷款利息的损失,而前者的损失却是部分甚至是全部贷款资金的损失。为了改善神经网络的预测精度,本文采用一种如下介绍的改进的网络模型。

4.BP神经网络模型的改进

石庆焱等人[6]在2005年提出了一种基于神经网络󰀁󰀁󰀁lo-

100󰀁󰀂郑丕谔,刘󰀁颖󰀁基于改进BP神经网络的企业财务预警模型及应用󰀁󰀁󰀁󰀁󰀁󰀁󰀁󰀁󰀁󰀁󰀁󰀁󰀁󰀁󰀁󰀁󰀁󰀁󰀁󰀁󰀁󰀁󰀁󰀁󰀁经󰀁󰀁济

表3-4

B

F1F2F3

-8.128-2.743-2.083

Logistic回归模型的估计

S.E.1.583

.455.658

Wald26.36211.50910.017

df111

Sig..000.001.002

Exp(B).000.214.125

地降低了第II类错误分类率,较好地满足商业银行识别不良贷款率准确度的要求。其方法是先建立BP神经网络模型,然后将其输出结果即企业破产概率与其输入即企业10项财务指标一起进行因子分析,采用因子得分建立Logistic回归模型,实现对企业的财务预警。

实证以制造业158家上市公司为分析样本,结果表明,改进的BP神经网络模型具有以下优点:

(1)本文样本采用的均是制造业上市公司,而分行业使得神经网络财务预警模型的正确率有了较大的提高。

(2)保留了BP神经网络模型预测精度高、自学习能力强、容错性强等特点,使得财务预警模型结果更加客观准确。

(3)采用因子分析方法解决了Logistic回归模型的多重共线性问题,使得回归模型系数估计较为准确。

(4)较大地降低了BP神经网络模型犯第II类错误的概率。为商业银行以及经营投资者提供了风险相对较低的参考依据。

因此基于改进的BP神经网络的财务预警模型保留了BP神经网络的优势,弥补了其劣势,更具优越性。󰀁参考文献:

[1]M.OdomandR.Sharda.Aneutralnetworkmodelforbankruptcypre-diction[J].inProc.IntJointConf.NeuralNetworks,SanDiego.CA,1990,(2):163-167.

[2]K.Tam,Neuralnetworkmodelsandthepredictionofbankbankruptcy

[J].Omega,1991(19):429-445.

[3]K.TamandM.Kiang,Managerialapplicationsoftheneuralnetworks:

Thecaseofbankfailurepredictions[J].ManagementScience,1992(38):416-430.

[4]吴文庆.基于BP神经网络的企业财务风险评价模型[J].电脑与电信,

2006(8):12-17.

[5]杨保安,季󰀁海.BP神经网络在企业财务危机预警之应用[J].预测,2001

(2):49-54.

[6]石庆焱.一个基于神经网络󰀁󰀁󰀁logistic回归的混合两阶段个人信用评

分模型研究[J].统计研究,2005(5):45-49.

[7]张根明,向晓骥.基于BP神经网络的制造业上市公司财务预警[J].山东

工商学院学报,2006,20(4):56-61.

[8]王济川,郭志刚.Logistic回归模型󰀁󰀁󰀁方法与应用[M].高等教育出版

社,2001:191-193.

从表3-4中可以看出F1、F2和F3的系数均显著。说明盈利因子、偿债因子以及现金流量因子对公司财务破产行为的影响总体是显著的。最后,把上述结果还原成关于X的方程,最终结果如式(3.2)。

ln

p

=-7.31NET-7.82X1-8.37X2-7.17X3-7.99X4

1-p

(3-2)

-3.43X5-2.74X6+4.59X7+5.63X8-3.23X9-3.45X10

式中p表示企业破产的概率。从式(3-2)中可以看出,模型中各解释变量系数的意义是十分清晰的。NET的符号为负,这与它是用BP神经网络估计的企业发生破产概率的意义一致。而式中只有资产负债率(X7)、负债权益率(X8)的系数为正,说明较大的资产负债率、负债权益率将会增大企业破产的风险,与实际相吻合。

(3)模型的预测精度。改进的BP神经网络模型对预测样本的预测精度见表3-5。与改进前的BP网络模型相比,总体正确分类率由92.9%提高至98.2%,提高了5.3个百分点。其中第II类错判率降低了10.5个百分点,其分类正确率达到94.7%的预测精度。

表3-5

0

0

实际合计

1

0161

改进前后BP网络模型分类准确率比较

改进前BP网络

1336

正确分类比率(%)

84.297.392.9

实际合计

01

改进后BP网络0180

1137

正确分类比率(%)

94.710098.2

四、结语

本文构建了基于改进的BP神经网络的企业财务预警模型。与改进前相比,改进的BP网络模型在提高预警精度的同时,极大

(接第83页)

麻烦,但是一旦建立模型则可利用计算机程序方便地求得分摊率;即使数据发生变化,也可以借助计算机对判断矩阵做少量修改并且快速重新算得联合成本分摊率。󰀁参考文献:

[1]刘󰀁飞,李世新,刘󰀁胜.面向大批量定制的用户需求协同配置理论及其应用[J/OL].http://www.paper.edu.cn/scholar/known/liufei/liufei-7.pdf2004-11-15.

[2]叶文华,陈蔚芳.大规模定制技术[J].机械设计与制造工程,2001(4).[3]王海军,孙宝元,王吉军,等.面向大规模定制的产品模块化设计方法[J].

计算机集成制造系统,2004(10).

[4]冯󰀁涓,李和良,白立新,译.21世纪企业竞争前沿:大规模定制模式下的

敏捷产品开发[M].北京:机械工业出版社,1999.12.

[5]童时中.模块化原理设计方法及应用[M].北京:中国标准出版社,2000.[6]周晓东.大规模定制生产方式及其竞争优势[J].商业研究,2001(3).

[7]DobrescuGabriel,ReichYoram.Progressivesharingofmodulesamong

productvariants[J].Computer-AidedDesign,2003,35(9):791-806.[8]CharlesT.Horngren,GeorgeFoster,SrikantM.Datar.CostAccount-ing:AManagerial.Emphasis[M].PrenticeHall,February2005.

[9]BalaV.Balachandran,RamT.S.Ramakrishnan,JointCostAllocationforMultipleLots[J].ManagementScience,1996(2).

[10]LechKru,PiotrBronisz,Cooperativegamesolutionconceptstoacostallo-cationproblem[J].EuropeanJournalofOperationalResearch,2000.122,258-271.

[11]ShaneMoriarity,AnotherApproachtoAllocatingJointCosts[J].The

AccountingReview,October(1975),791-795.

[12]ShaneMoriarity,AnotherApproachtoAllocatingJointCosts:AReply.

TheAccountingReview[J].Vol.3,July(1976),686-687.[13]胡仕昱,刘大明.联产品成本分摊模型简介[J].财会月刊,2004(06B).

[14]陈兆勋,王丽亚.基于作业成本法的大规模定制多样化成本分析.计算机集成制造系统[J].2005(7).

[15]T.L.Saaty,DecisionMakingwithDependenceandFeedback[M].RWSPublication,Pittsburgh,PA,1996.

[16]王莲芬.网络分析法(ANP)的理论与算法[J].系统工程理论与实践,2001(3)

[17]T.L.Saaty,TheAnalyticNetworkProcess(ANP)forDecisionMakingandForecastingwithDependenceandFeedback(July2001)[J/OL].ht-tp://www.superdecisions.com.

101