王玉冬，王 迪，王珊珊

（哈爾濱理工大學(xué) 經(jīng)濟(jì)與管理學(xué)院，哈爾濱 150040）

0 引言

在眾多的財(cái)務(wù)危機(jī)預(yù)警模型中，BP神經(jīng)網(wǎng)絡(luò)因其預(yù)測(cè)準(zhǔn)確率較高的優(yōu)勢(shì)被廣泛采用，同時(shí)，BP也具有收斂速度慢，易導(dǎo)致局部最優(yōu)解的缺點(diǎn)，因此國內(nèi)采取一些優(yōu)化算法對(duì)BP的權(quán)值和閾值進(jìn)行優(yōu)化，經(jīng)過多次試驗(yàn)可知PSO算法的優(yōu)化效果和效率良好，因此使用率較高。果蠅優(yōu)化算法作為一種比較新的智能優(yōu)化算法，還未被應(yīng)用在高新技術(shù)企業(yè)財(cái)務(wù)危機(jī)預(yù)警中。本文將FOA-BP神經(jīng)網(wǎng)絡(luò)模型用于高新技術(shù)企業(yè)財(cái)務(wù)危機(jī)預(yù)警，選取高新技術(shù)企業(yè)財(cái)務(wù)數(shù)據(jù)，根據(jù)PSO-BP模型與FOA-BP模型的預(yù)測(cè)結(jié)果，對(duì)兩種模型的預(yù)測(cè)準(zhǔn)確率和錯(cuò)誤類型及概率進(jìn)行比較分析。

1 財(cái)務(wù)危機(jī)預(yù)警模型

1.1 BP神經(jīng)網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)模型分為輸入層、輸出層和隱含層。輸入層用來接收外部信息，信息的最終處理結(jié)果通過輸出層傳輸?shù)较到y(tǒng)外部，隱含層是連接輸入層和輸出層的橋梁[1]。BP神經(jīng)網(wǎng)絡(luò)是由正向傳播和反向傳播組成的，正向傳播指外部信息由輸入層傳入到隱含層再到輸出層，若輸出結(jié)果符合網(wǎng)絡(luò)期望，則算法結(jié)束，若輸出結(jié)果不符合網(wǎng)絡(luò)期望，則算法會(huì)將誤差信息按原路反向計(jì)算，就是所謂的反向傳播[2]。本文運(yùn)用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行財(cái)務(wù)危機(jī)預(yù)警分析時(shí)，將經(jīng)過篩選處理后的財(cái)務(wù)危機(jī)預(yù)警指標(biāo)作為輸入值，將評(píng)價(jià)結(jié)果作為輸出值（發(fā)生財(cái)務(wù)危機(jī)，則輸出值為2；財(cái)務(wù)正常，則輸出值為1）。

1.2 PSO-BP神經(jīng)網(wǎng)絡(luò)模型

BP學(xué)習(xí)算法大多采用梯度下降對(duì)權(quán)值進(jìn)行調(diào)整，因其具有收斂速度緩慢，全局搜索最優(yōu)值的能力較差和容易引起振蕩的缺點(diǎn)，本文采用粒子群優(yōu)化算法對(duì)BP進(jìn)行優(yōu)化[3]。其基本思想是：運(yùn)用PSO算法對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值反復(fù)進(jìn)行優(yōu)化，將得到的網(wǎng)絡(luò)參數(shù)代入BP算法進(jìn)行再一次優(yōu)化，用最終得到的最優(yōu)參數(shù)對(duì)樣本進(jìn)行預(yù)測(cè)[4]。設(shè)置粒子群優(yōu)化算法參數(shù)為：maxgen=100，sizepop=30，C1和C2均為1.49，Vmax=1，popmax=1。將訓(xùn)練樣本作為粒子群BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集，將得到的全局最優(yōu)粒子的位置映射為BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，通過BP算法訓(xùn)練網(wǎng)絡(luò)，直到網(wǎng)絡(luò)達(dá)到期望狀態(tài)。經(jīng)過18次訓(xùn)練后，網(wǎng)絡(luò)誤差達(dá)到要求。PSO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)流程如圖1所示。

圖1 PSO-BP神經(jīng)網(wǎng)絡(luò)流程圖

1.3 FOA-BP神經(jīng)網(wǎng)絡(luò)模型

運(yùn)用FOA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，第一步要確定BP的拓?fù)浣Y(jié)構(gòu)，第二步利用FOA優(yōu)化算法對(duì)BP的權(quán)值和閾值進(jìn)行優(yōu)化迭代。將BP神經(jīng)網(wǎng)絡(luò)中每一組權(quán)值和閾值視為一個(gè)果蠅個(gè)體，給每一只果蠅賦予到原點(diǎn)之間距離和隨機(jī)的飛行方向，按照算法步驟進(jìn)行迭代，迭代過程也是一個(gè)循環(huán)過程。在這個(gè)過程中不斷尋找最優(yōu)的方向和到原點(diǎn)之間的距離，找到最優(yōu)味道濃度的果蠅，根據(jù)其位置坐標(biāo)對(duì)BP的權(quán)值和閾值進(jìn)行賦值，進(jìn)行BP訓(xùn)練與預(yù)測(cè)[5]。果蠅優(yōu)化算法參數(shù)為：maxgen=100，sizepop=10，1b=0.00000001*ones（1,N），ub=15*ones（1,N）。FOA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)流程如圖2所示。

圖2 FOA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)流程圖

2 財(cái)務(wù)預(yù)警模型的應(yīng)用與檢驗(yàn)

2.1 樣本選取

本文從滬、深交易所A股市場(chǎng)選擇高新技術(shù)上市公司作為研究對(duì)象，將其中30家ST企業(yè)作為財(cái)務(wù)危機(jī)樣本，按照1:1的比例選擇所處行業(yè)和資產(chǎn)規(guī)模均相似的非ST企業(yè)作為配對(duì)樣本，總計(jì)得到60個(gè)樣本。選取了信息較為連續(xù)可比，同時(shí)具有時(shí)效性的2015年的數(shù)據(jù)，所有樣本數(shù)據(jù)均來自WIND資訊。

2.2 預(yù)警指標(biāo)選取

在設(shè)計(jì)預(yù)警指標(biāo)時(shí)，充分考慮高新技術(shù)企業(yè)特點(diǎn)，結(jié)合市場(chǎng)環(huán)境，透析其在經(jīng)營過程中潛藏的財(cái)務(wù)危機(jī)[6]。本文參考國內(nèi)外高新技術(shù)企業(yè)財(cái)務(wù)危機(jī)預(yù)警相關(guān)文獻(xiàn)中的指標(biāo)構(gòu)建，依據(jù)科學(xué)性、全面性、可操作性、靈敏性和動(dòng)態(tài)性原則初步選取28個(gè)預(yù)警指標(biāo)進(jìn)行分析。具體指標(biāo)如表1所示。

2.3 指標(biāo)數(shù)據(jù)歸一化處理

本文采用T檢驗(yàn)法對(duì)初步選取的28個(gè)指標(biāo)進(jìn)行篩選。基于樣本企業(yè)2015年的指標(biāo)數(shù)據(jù)，用SPSS統(tǒng)計(jì)軟件，對(duì)樣本企業(yè)28個(gè)指標(biāo)進(jìn)行置信水平為95%的顯著性檢驗(yàn)。檢驗(yàn)結(jié)果，從這28個(gè)指標(biāo)中篩選出R&D投入強(qiáng)度、研發(fā)人員占比、新產(chǎn)品銷售收入增長率、總資產(chǎn)增長率、凈利潤增長率、每股經(jīng)營現(xiàn)金凈流量、每股投資現(xiàn)金凈流量、現(xiàn)金比率、資產(chǎn)報(bào)酬率、凈資產(chǎn)收益率、主營業(yè)務(wù)利潤率、資產(chǎn)周轉(zhuǎn)率、固定資產(chǎn)周轉(zhuǎn)率、利息保證倍數(shù)、資產(chǎn)負(fù)債率、固定資產(chǎn)比率、股東權(quán)益比率共17個(gè)具有顯著性的指標(biāo)。因此神經(jīng)網(wǎng)絡(luò)輸入層節(jié)點(diǎn)數(shù)為17，經(jīng)過若干次試驗(yàn)，確定隱含層為14，若企業(yè)處于財(cái)務(wù)危機(jī)狀態(tài)，輸出值為2；若財(cái)務(wù)狀況正常，輸出值為1，則輸出層節(jié)點(diǎn)數(shù)為1。因此本文采用的模型結(jié)構(gòu)為17-14-1。神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

表1 預(yù)警指標(biāo)體系

圖3網(wǎng)絡(luò)結(jié)構(gòu)圖

因不同指標(biāo)具有不同的性質(zhì)和量綱，若直接將其帶入網(wǎng)絡(luò)訓(xùn)練，則易造成不可忽視的誤差，所以在代入模型之前，對(duì)其進(jìn)行標(biāo)準(zhǔn)化處理。具體處理方法為：

（1）逆向指標(biāo)正向化處理方法為：

（2）適度指標(biāo)正向化處理方法為：

其中，k為樣本均值。

（3）全部指標(biāo)標(biāo)準(zhǔn)化處理方法為：

2.4 模型訓(xùn)練和檢驗(yàn)

將60家企業(yè)分為訓(xùn)練樣本和檢驗(yàn)樣本（其中25家ST公司和15家非ST公司為訓(xùn)練樣本，其余20家作為檢驗(yàn)樣本），運(yùn)用MATLAB程序?qū)?gòu)建的PSO-BP模型和FOA-BP模型進(jìn)行訓(xùn)練，訓(xùn)練以及預(yù)測(cè)結(jié)果如下頁圖4至圖7所示。

圖4 PSO-BP訓(xùn)練效果圖

圖5 PSO-BP測(cè)試效果圖

圖6 FOA-BP訓(xùn)練效果圖

圖7 FOA-BP測(cè)試效果圖

由圖4和圖5可以看出，在訓(xùn)練樣本中，有5家ST企業(yè)被誤判成正常企業(yè)，有2家正常企業(yè)被誤判成ST企業(yè)，誤判率為17.5%；在測(cè)試樣本中，正常企業(yè)全部預(yù)測(cè)準(zhǔn)確，有3家ST企業(yè)被誤判成正常企業(yè)，誤判率為15%。由圖6和圖7可以看出，在訓(xùn)練樣本中，有3家ST企業(yè)被誤判成正常企業(yè)，有2家正常企業(yè)被誤判成ST企業(yè)，誤判率為12.5%；在測(cè)試樣本中，有1家正常企業(yè)被誤判成ST企業(yè)，有1家ST企業(yè)被誤判成正常企業(yè)，誤判率為10%。

3 兩種模型的比較

本文選取60家高新技術(shù)上市公司2015年的財(cái)務(wù)數(shù)據(jù)作為研究樣本，其中包括30家ST公司（危機(jī)型企業(yè)）和30家非ST公司（正常性企業(yè)），分別代入到兩個(gè)模型中，對(duì)PSO-BP模型與FOA-BP模型測(cè)試結(jié)果進(jìn)行比較分析，測(cè)試結(jié)果如表2所示。

表2 模型比較

檢驗(yàn)結(jié)果表明，PSO-BP和FOA-BP模型的總體準(zhǔn)確率分別為83.33%和88.33%，說明在總體預(yù)測(cè)上，F(xiàn)OA-BP的準(zhǔn)確度較高；對(duì)于ST企業(yè)的預(yù)測(cè)，F(xiàn)OA-BP的預(yù)測(cè)效果更好，正確率為86.67%高于PSO-BP的正確率（73.33%）；對(duì)于正常企業(yè)，PSO-BP的預(yù)測(cè)正確率（93.33%）略優(yōu)于FOA-BP的正確率（90%）。

4 結(jié)論

本文通過構(gòu)建PSO-BP神經(jīng)網(wǎng)絡(luò)和FOA-BP神經(jīng)網(wǎng)絡(luò)預(yù)警模型對(duì)我國高新技術(shù)企業(yè)財(cái)務(wù)狀況進(jìn)行實(shí)證檢驗(yàn)。本文首次將FOA-BP神經(jīng)網(wǎng)絡(luò)模型用于高新技術(shù)企業(yè)財(cái)務(wù)危機(jī)預(yù)警，通過預(yù)測(cè)結(jié)果可以看出FOA-BP模型的預(yù)測(cè)效果良好。將兩個(gè)模型的檢驗(yàn)結(jié)果進(jìn)行對(duì)比，PSO-BP神經(jīng)網(wǎng)絡(luò)模型在判別正常企業(yè)時(shí)，準(zhǔn)確率高于FOA-BP，但總體準(zhǔn)確度和判別ST企業(yè)的準(zhǔn)確度都低于FOA-BP。此結(jié)論可以作為高新技術(shù)企業(yè)預(yù)測(cè)財(cái)務(wù)狀況的參考，在日后的財(cái)務(wù)預(yù)警中，可以采用多種模型相結(jié)合的方法進(jìn)行預(yù)測(cè)，集合每種模型的優(yōu)勢(shì)，使得預(yù)測(cè)效果更加準(zhǔn)確。