王宏宇++秘麗霞

【摘 要】 目前，高校負(fù)債日趨嚴(yán)重，所面臨的債務(wù)風(fēng)險受到廣泛關(guān)注，如何對高校債務(wù)風(fēng)險進(jìn)行動態(tài)預(yù)警尤為重要。文章綜合考慮影響高校債務(wù)風(fēng)險的各種因素，選取了10個財務(wù)指標(biāo)和4個非財務(wù)指標(biāo)，利用樣本數(shù)據(jù)，運用主成分分析法算出主成分的綜合得分，分別運用模糊隸屬度與BP-神經(jīng)網(wǎng)絡(luò)分析法，對高校債務(wù)風(fēng)險綜合評價比較。實例驗證主成分-BP-神經(jīng)網(wǎng)絡(luò)分析模型更優(yōu)。

【關(guān)鍵詞】 高校財務(wù); 債務(wù)風(fēng)險; 主成分分析; 模糊隸屬度; BP-神經(jīng)網(wǎng)絡(luò)分析

中圖分類號：G475 ?文獻(xiàn)標(biāo)識碼：A ?文章編號：1004-5937（2015）01-0075-04

一、引言

隨著高校規(guī)模的擴(kuò)大，政府資金投入不足，教育經(jīng)費緊張問題凸顯，為解決這一問題，我國許多高校巨額負(fù)債辦學(xué)，日復(fù)一日，年復(fù)一年，隨之而來的債務(wù)風(fēng)險增大，高校負(fù)債呈現(xiàn)惡性循環(huán)的發(fā)展趨勢。面對巨大的負(fù)債壓力，如何對債務(wù)風(fēng)險進(jìn)行動態(tài)預(yù)警是目前高?？紤]的重點問題。

本文分別采用主成分-模糊隸屬度模型和主成分-BP-神經(jīng)網(wǎng)絡(luò)模型確定高校債務(wù)風(fēng)險等級，以比較兩者的優(yōu)越性，為動態(tài)監(jiān)控預(yù)警高校債務(wù)風(fēng)險提供合理模型。

二、基本原理

（一）主成分分析基本原理

主成分分析是考慮各指標(biāo)之間的相互關(guān)系，利用降維的方法將多個指標(biāo)轉(zhuǎn)換為少數(shù)幾個互不相關(guān)的指標(biāo)，從而使進(jìn)一步研究變得簡單的一種統(tǒng)計方法。其統(tǒng)計原理如下：

1.選取n個樣本，p個指標(biāo)，其矩陣為X

X=x11 x12 … x1px21 x22 … x2p… … … …xn1 xn2 … xnp

2.計算各主成分得分F，算法如下：

F=Mx·T=x11 x12 … x1 px21 x22 … x2 p… … … …xn1 xn 2 … xn p·t11 t12 … t1 rt21 t22 … t2 r… … … …tp1 tp2 … tp r

（1）

其中：F為主成分得分，Mx為X標(biāo)準(zhǔn)化后矩陣，T為旋轉(zhuǎn)前的因子載荷矩陣，r為主成分個數(shù)。

3.計算主成分綜合得分Z，算法如下：

Z=λ1F1+λ2F2+…+λrFr ? （2）

其中：λr為主成分各個主成分分析的方差百分比，Z為主成分綜合得分。

（二）模糊隸屬度

本文將主成分分析方法得到的再經(jīng)過歸一化后樣本數(shù)據(jù)的綜合得分通過模糊數(shù)學(xué)的隸屬度函數(shù)進(jìn)行模糊化，使指標(biāo)在表現(xiàn)形式和主觀意義上得到統(tǒng)一，即合理確定債務(wù)風(fēng)險等級。本文結(jié)合實際綜合考慮，將高校的債務(wù)風(fēng)險等級劃分為四類：0—0.2為重度風(fēng)險，0.2—0.5為輕度風(fēng)險，0.5—0.8為良好，0.8—1為健康。本文所采用的模糊隸屬度函數(shù)為y=sin（ωx+ψ），見圖1。

■

（三）BP-神經(jīng)網(wǎng)絡(luò)基本原理

BP-神經(jīng)網(wǎng)絡(luò)通常是指基于誤差反向傳播算法（BP算法）的多層前向神經(jīng)網(wǎng)絡(luò)。典型的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

BP-神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則，即權(quán)值和閾值的調(diào)節(jié)采用的是誤差反向傳播算法，本文采用Matlab神經(jīng)網(wǎng)絡(luò)工具箱中的Trainlm學(xué)習(xí)算法，具有收斂快、收斂誤差小、占用存儲空間大和性能隨網(wǎng)絡(luò)規(guī)模增大而變差等特點。

三、動態(tài)預(yù)警模型指標(biāo)體系構(gòu)建

本文通過綜合考慮選取影響債務(wù)風(fēng)險的10個財務(wù)指標(biāo)，即，影響運營績效的經(jīng)營資產(chǎn)現(xiàn)金回收率X1和招生計劃現(xiàn)金比率X2兩個指標(biāo)，影響償債能力的流動比率X3、資產(chǎn)負(fù)債率X4和負(fù)債自有資金率X5三個指標(biāo)，影響支付能力的凈現(xiàn)金增長率X6、利息保障數(shù)X7、支付保障比X8、債務(wù)依存率X9和債務(wù)承受率X10五個指標(biāo);4個非財務(wù)指標(biāo)，即外部風(fēng)險因素的政府信用X11和銀行政策X12，內(nèi)部風(fēng)險因素的高校風(fēng)險控制能力X13和經(jīng)濟(jì)責(zé)任制度X14。各指標(biāo)的具體內(nèi)容見表1和表2。

本文對上述量化指標(biāo)研究所用的統(tǒng)計分析和數(shù)據(jù)處理工具為Excel 2003、SPSS 19.0和Matlab 7.1。

四、實證分析

本文選取東北地區(qū)某省屬高校為例，對其2009—2013年共5年樣本數(shù)據(jù)的14個指標(biāo)進(jìn)行了描述統(tǒng)計分析，以直觀分析高校的債務(wù)風(fēng)險，整理后的數(shù)據(jù)如表3。

（一）主成分與模糊隸屬度分析模型

利用SPSS 19.0統(tǒng)計分析工具，分別對該高校5年的財務(wù)指標(biāo)和非財務(wù)指標(biāo)的樣本數(shù)據(jù)進(jìn)行因子分析，結(jié)果如表4所示。財務(wù)指標(biāo)提取了兩個主成分t1和t2，兩主成分的特征值均大于1，且方差累計貢獻(xiàn)率達(dá)到了87.005%，由于非財務(wù)指標(biāo)的一個因子的特征值大于1，方差貢獻(xiàn)率為77.891%，故只提取一個主成分t1'分析。

根據(jù)公式（1）、（2）得出主成分及綜合得分F、Z，如表5所示。

財務(wù)指標(biāo)與非財務(wù)指標(biāo)影響高校債務(wù)風(fēng)險，但影響程度不同。本文結(jié)合實際，設(shè)財務(wù)指標(biāo)在影響債務(wù)風(fēng)險上的權(quán)重為0.75，非財務(wù)指標(biāo)的權(quán)重0.25。利用兩者綜合得分，并使用模糊隸屬度函數(shù)，最后得出債務(wù)風(fēng)險等級。見表6。

由表6看出，采用主成分與模糊隸屬度模型得出該高校的2009年最后得分為0.9883，在這5年內(nèi)最高，其債務(wù)風(fēng)險等級為健康;而2011年得分最低0.0017，屬于重度的債務(wù)風(fēng)險;2010與2012年得分相近，處于輕度債務(wù)風(fēng)險;從2011年開始高校債務(wù)風(fēng)險慢慢得到化解，一直到2013年高校債務(wù)處于良好狀態(tài)。

（二）主成分與BP-神經(jīng)網(wǎng)絡(luò)分析模型

利用SPSS 19.0統(tǒng)計分析工具，對該高校5年的財務(wù)指標(biāo)和非財務(wù)指標(biāo)的樣本數(shù)據(jù)進(jìn)行因子分析，結(jié)果如表7所示。提取了三個主成分，其特征值均大于1，且方差累計貢獻(xiàn)率達(dá)到了93.782%。

根據(jù)公式（1）、（2）得出主成分得分F，再借用Matlab工具箱建立神經(jīng)網(wǎng)絡(luò)模型，其中模型的輸入層為主成分得分?jǐn)?shù)據(jù)，輸出層為高校債務(wù)風(fēng)險的四個等級。結(jié)合本文研究問題的實際，本模型采用隱含層的神經(jīng)元個數(shù)為3，傳輸函數(shù)為logsig函數(shù)導(dǎo)入數(shù)據(jù)，得結(jié)果如表8所示。

由表8可以看出，采用主成分-BP-神經(jīng)網(wǎng)絡(luò)模型與采用主成分-模糊隸屬度模型算出的高校債務(wù)風(fēng)險等級基本相同，而2013年的債務(wù)風(fēng)險等級采用主成分-BP-神經(jīng)網(wǎng)絡(luò)模型得出結(jié)果為健康，綜合考慮該高校的各衡量指標(biāo)數(shù)據(jù)及實際發(fā)展情況，更加符合該年度的債務(wù)風(fēng)險等級。

五、結(jié)語

通過上述兩種高校債務(wù)風(fēng)險預(yù)警模型，得出的風(fēng)險等級基本相同。但在整個算法過程中，主成分-BP-神經(jīng)網(wǎng)絡(luò)模型綜合考慮了財務(wù)指標(biāo)與非財務(wù)指標(biāo)因素，而不是將兩指標(biāo)分別計算，同時，主成分-BP-神經(jīng)網(wǎng)絡(luò)模型在運用的過程中還剔除了人為主觀因素（確定財務(wù)與非財務(wù)指標(biāo)權(quán)重）的影響，其算法更簡單合理。綜合考慮，BP-神經(jīng)網(wǎng)絡(luò)分析模型更優(yōu)。

但在如何選擇模糊隸屬度函數(shù)，以及如何更加合理確定財務(wù)與非財務(wù)指標(biāo)權(quán)重和劃分風(fēng)險等級還需進(jìn)一步研究和探討。●

【參考文獻(xiàn)】

[1] 曾繁榮，戴東，劉小淇.西部地區(qū)地方高校債務(wù)風(fēng)險動態(tài)監(jiān)控模型[J].財會通訊，2013（8）：120-122.

[2] 孫曉琳.財務(wù)危機(jī)動態(tài)預(yù)警模型研究[M].上海交通大學(xué)出版社，2011.

[3] 屈凱萍，陳力，等.欠發(fā)達(dá)地區(qū)地方高校財務(wù)風(fēng)險防范機(jī)制研究[J].財會通訊，2011（10）：139-140.

[4] Hana Polackova Brixi， Anita Papp and Allen Schick. Fiscal Risk and the Quality of Fiscal Adjustment in Hungary[D]. Working Papper No.2176， The World Bank， 1999.

[5] Hana Polackova Brixi and Allen Schick.Govemmentatrisk： Contingent Liabilities and Fiseal Risk[D].The World Bank， 2002.

[6] 史良軍.淺議高校債務(wù)風(fēng)險問題[J].商業(yè)時代，2010（36）：64-65.

[7] 潘力.基于政府視角談高校債務(wù)風(fēng)險的化解[J].會計之友，2013（28）：111-112.

[8] 林莉.美國高校貸款的歷史演變及啟示[J].清華大學(xué)教育研究，2009（4）：89-94.

根據(jù)公式（1）、（2）得出主成分得分F，再借用Matlab工具箱建立神經(jīng)網(wǎng)絡(luò)模型，其中模型的輸入層為主成分得分?jǐn)?shù)據(jù)，輸出層為高校債務(wù)風(fēng)險的四個等級。結(jié)合本文研究問題的實際，本模型采用隱含層的神經(jīng)元個數(shù)為3，傳輸函數(shù)為logsig函數(shù)導(dǎo)入數(shù)據(jù)，得結(jié)果如表8所示。

由表8可以看出，采用主成分-BP-神經(jīng)網(wǎng)絡(luò)模型與采用主成分-模糊隸屬度模型算出的高校債務(wù)風(fēng)險等級基本相同，而2013年的債務(wù)風(fēng)險等級采用主成分-BP-神經(jīng)網(wǎng)絡(luò)模型得出結(jié)果為健康，綜合考慮該高校的各衡量指標(biāo)數(shù)據(jù)及實際發(fā)展情況，更加符合該年度的債務(wù)風(fēng)險等級。

五、結(jié)語

通過上述兩種高校債務(wù)風(fēng)險預(yù)警模型，得出的風(fēng)險等級基本相同。但在整個算法過程中，主成分-BP-神經(jīng)網(wǎng)絡(luò)模型綜合考慮了財務(wù)指標(biāo)與非財務(wù)指標(biāo)因素，而不是將兩指標(biāo)分別計算，同時，主成分-BP-神經(jīng)網(wǎng)絡(luò)模型在運用的過程中還剔除了人為主觀因素（確定財務(wù)與非財務(wù)指標(biāo)權(quán)重）的影響，其算法更簡單合理。綜合考慮，BP-神經(jīng)網(wǎng)絡(luò)分析模型更優(yōu)。

但在如何選擇模糊隸屬度函數(shù)，以及如何更加合理確定財務(wù)與非財務(wù)指標(biāo)權(quán)重和劃分風(fēng)險等級還需進(jìn)一步研究和探討?！?/p>

【參考文獻(xiàn)】

[1] 曾繁榮，戴東，劉小淇.西部地區(qū)地方高校債務(wù)風(fēng)險動態(tài)監(jiān)控模型[J].財會通訊，2013（8）：120-122.

[2] 孫曉琳.財務(wù)危機(jī)動態(tài)預(yù)警模型研究[M].上海交通大學(xué)出版社，2011.

[3] 屈凱萍，陳力，等.欠發(fā)達(dá)地區(qū)地方高校財務(wù)風(fēng)險防范機(jī)制研究[J].財會通訊，2011（10）：139-140.

[4] Hana Polackova Brixi， Anita Papp and Allen Schick. Fiscal Risk and the Quality of Fiscal Adjustment in Hungary[D]. Working Papper No.2176， The World Bank， 1999.

[5] Hana Polackova Brixi and Allen Schick.Govemmentatrisk： Contingent Liabilities and Fiseal Risk[D].The World Bank， 2002.

[6] 史良軍.淺議高校債務(wù)風(fēng)險問題[J].商業(yè)時代，2010（36）：64-65.

[7] 潘力.基于政府視角談高校債務(wù)風(fēng)險的化解[J].會計之友，2013（28）：111-112.

[8] 林莉.美國高校貸款的歷史演變及啟示[J].清華大學(xué)教育研究，2009（4）：89-94.

根據(jù)公式（1）、（2）得出主成分得分F，再借用Matlab工具箱建立神經(jīng)網(wǎng)絡(luò)模型，其中模型的輸入層為主成分得分?jǐn)?shù)據(jù)，輸出層為高校債務(wù)風(fēng)險的四個等級。結(jié)合本文研究問題的實際，本模型采用隱含層的神經(jīng)元個數(shù)為3，傳輸函數(shù)為logsig函數(shù)導(dǎo)入數(shù)據(jù)，得結(jié)果如表8所示。

由表8可以看出，采用主成分-BP-神經(jīng)網(wǎng)絡(luò)模型與采用主成分-模糊隸屬度模型算出的高校債務(wù)風(fēng)險等級基本相同，而2013年的債務(wù)風(fēng)險等級采用主成分-BP-神經(jīng)網(wǎng)絡(luò)模型得出結(jié)果為健康，綜合考慮該高校的各衡量指標(biāo)數(shù)據(jù)及實際發(fā)展情況，更加符合該年度的債務(wù)風(fēng)險等級。

五、結(jié)語

通過上述兩種高校債務(wù)風(fēng)險預(yù)警模型，得出的風(fēng)險等級基本相同。但在整個算法過程中，主成分-BP-神經(jīng)網(wǎng)絡(luò)模型綜合考慮了財務(wù)指標(biāo)與非財務(wù)指標(biāo)因素，而不是將兩指標(biāo)分別計算，同時，主成分-BP-神經(jīng)網(wǎng)絡(luò)模型在運用的過程中還剔除了人為主觀因素（確定財務(wù)與非財務(wù)指標(biāo)權(quán)重）的影響，其算法更簡單合理。綜合考慮，BP-神經(jīng)網(wǎng)絡(luò)分析模型更優(yōu)。

但在如何選擇模糊隸屬度函數(shù)，以及如何更加合理確定財務(wù)與非財務(wù)指標(biāo)權(quán)重和劃分風(fēng)險等級還需進(jìn)一步研究和探討?！?/p>

【參考文獻(xiàn)】

[1] 曾繁榮，戴東，劉小淇.西部地區(qū)地方高校債務(wù)風(fēng)險動態(tài)監(jiān)控模型[J].財會通訊，2013（8）：120-122.

[2] 孫曉琳.財務(wù)危機(jī)動態(tài)預(yù)警模型研究[M].上海交通大學(xué)出版社，2011.

[3] 屈凱萍，陳力，等.欠發(fā)達(dá)地區(qū)地方高校財務(wù)風(fēng)險防范機(jī)制研究[J].財會通訊，2011（10）：139-140.

[4] Hana Polackova Brixi， Anita Papp and Allen Schick. Fiscal Risk and the Quality of Fiscal Adjustment in Hungary[D]. Working Papper No.2176， The World Bank， 1999.

[5] Hana Polackova Brixi and Allen Schick.Govemmentatrisk： Contingent Liabilities and Fiseal Risk[D].The World Bank， 2002.

[6] 史良軍.淺議高校債務(wù)風(fēng)險問題[J].商業(yè)時代，2010（36）：64-65.

[7] 潘力.基于政府視角談高校債務(wù)風(fēng)險的化解[J].會計之友，2013（28）：111-112.

[8] 林莉.美國高校貸款的歷史演變及啟示[J].清華大學(xué)教育研究，2009（4）：89-94.