基于BP神經(jīng)網(wǎng)絡(luò)挖掘方法的高校財(cái)務(wù)預(yù)警分析

摘要：隨著教育投入增加及高校資金來(lái)源多元化和高校辦學(xué)規(guī)模進(jìn)一步發(fā)展，高校財(cái)務(wù)管理由傳統(tǒng)核算型向管理型轉(zhuǎn)變。高校財(cái)務(wù)數(shù)據(jù)是高校最基本、最有決策價(jià)值的數(shù)據(jù)。大數(shù)據(jù)時(shí)代如何利用數(shù)據(jù)挖掘方法從龐大的財(cái)務(wù)數(shù)據(jù)中分析高校財(cái)務(wù)信息，建立可操作性強(qiáng)的分析模型，為高校利益相關(guān)者提供全方位、高相關(guān)性和高準(zhǔn)確性的決策信息，為高?？茖W(xué)發(fā)展提供高質(zhì)量的會(huì)計(jì)信息，是當(dāng)代高校財(cái)務(wù)管理工作的一個(gè)非常重要的問(wèn)題。本文選取償債能力、經(jīng)營(yíng)能力、發(fā)展能力3項(xiàng)一級(jí)指標(biāo)和資產(chǎn)負(fù)債率等15項(xiàng)二級(jí)指標(biāo)構(gòu)建高校財(cái)務(wù)預(yù)警分析指標(biāo)體系，采集16所高校（SH1-SH16）2018年的財(cái)務(wù)數(shù)據(jù)進(jìn)行建模，并應(yīng)用反向傳播神經(jīng)網(wǎng)絡(luò)（BP神經(jīng)網(wǎng)絡(luò)）數(shù)據(jù)挖掘方法對(duì)其中2所高校（SH15、SH16）2018年財(cái)務(wù)狀況進(jìn)行預(yù)警分析，結(jié)果顯示網(wǎng)絡(luò)輸出和高校實(shí)際風(fēng)險(xiǎn)等級(jí)一致，表明BP 神經(jīng)網(wǎng)絡(luò)在高校財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警分析中預(yù)警結(jié)果精度高（98%），可信度較強(qiáng)，是一種可用于高校財(cái)務(wù)預(yù)警分析的有效量化方法。

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò);數(shù)據(jù)挖掘方法;財(cái)務(wù)預(yù)警分析;高校財(cái)務(wù)管理

1 引言

隨著教育投入增加及高校資金來(lái)源多元化和高校辦學(xué)規(guī)模進(jìn)一步發(fā)展，高校經(jīng)濟(jì)活動(dòng)日益復(fù)雜，財(cái)務(wù)管理由傳統(tǒng)核算型向管理型轉(zhuǎn)變。高校財(cái)務(wù)數(shù)據(jù)是高校最基本、最有決策價(jià)值的數(shù)據(jù)。高校傳統(tǒng)的財(cái)務(wù)分析主要是圍繞財(cái)務(wù)報(bào)告進(jìn)行的諸如比較分析法、比率分析法、趨勢(shì)分析法和因素分析法等定量分析，難以對(duì)海量財(cái)務(wù)數(shù)據(jù)潛在的、深層次的信息進(jìn)行深入了解。隨著理論與算法的成熟及計(jì)算機(jī)運(yùn)算能力的大幅提升，基于大數(shù)據(jù)的數(shù)據(jù)挖掘技術(shù)能夠快速?gòu)暮Ａ繑?shù)據(jù)中抓取有效信息從而得到這些數(shù)據(jù)背后獨(dú)特的規(guī)律和預(yù)測(cè)未來(lái)的發(fā)展趨勢(shì)。通過(guò)數(shù)據(jù)挖掘可以幫助決策者尋找規(guī)律，發(fā)現(xiàn)被忽略的要素和人們不易覺(jué)察的、隱含的模式，預(yù)測(cè)趨勢(shì)，進(jìn)行決策。

數(shù)據(jù)挖掘方法作為一種新興的數(shù)據(jù)分析技術(shù)己經(jīng)在許多領(lǐng)域成功地應(yīng)用。大數(shù)據(jù)時(shí)代如何利用數(shù)據(jù)挖掘方法從龐大的財(cái)務(wù)數(shù)據(jù)中分析高校財(cái)務(wù)信息，建立可操作性強(qiáng)的分析模型，為高校利益相關(guān)者提供全方位、高相關(guān)性和高準(zhǔn)確性的決策信息，為高?？茖W(xué)發(fā)展提供高質(zhì)量的會(huì)計(jì)信息，是當(dāng)下高校財(cái)務(wù)管理工作的一個(gè)非常重要的課題。本文旨在將BP神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)挖掘方法應(yīng)用于高校財(cái)務(wù)預(yù)警分析，為高校財(cái)務(wù)分析提供有效的量化方法。

2 高校財(cái)務(wù)預(yù)警分析指標(biāo)系統(tǒng)

高校財(cái)務(wù)風(fēng)險(xiǎn)主要包括籌資的風(fēng)險(xiǎn)、投資過(guò)程中的風(fēng)險(xiǎn)、資金流動(dòng)性的風(fēng)險(xiǎn)和學(xué)校財(cái)務(wù)內(nèi)部管理的風(fēng)險(xiǎn)。當(dāng)代，財(cái)務(wù)風(fēng)險(xiǎn)管理已成為高校財(cái)務(wù)管理的新內(nèi)容。

財(cái)務(wù)預(yù)警分析屬于外部財(cái)務(wù)分析，適用性廣、理論成熟。以現(xiàn)有的財(cái)務(wù)比率為基礎(chǔ)，通過(guò)建立數(shù)學(xué)模型預(yù)警其財(cái)務(wù)風(fēng)險(xiǎn)的高校財(cái)務(wù)預(yù)警分析是保證高校正常運(yùn)轉(zhuǎn)、合理發(fā)展的關(guān)鍵環(huán)節(jié)之一。本文根據(jù)經(jīng)濟(jì)管理科學(xué)中的技術(shù)經(jīng)濟(jì)分析方法，從償債能力、經(jīng)營(yíng)能力、發(fā)展能力設(shè)置3項(xiàng)一級(jí)指標(biāo)和資產(chǎn)負(fù)債率等15項(xiàng)二級(jí)指標(biāo)（詳見(jiàn)表1），并依據(jù)高校財(cái)務(wù)運(yùn)行實(shí)際狀況設(shè)置臨界比率。探索可精益、高效地開(kāi)展財(cái)務(wù)預(yù)警分析的指標(biāo)體系，使財(cái)務(wù)運(yùn)行處于一定的安全區(qū)間，防范財(cái)務(wù)風(fēng)險(xiǎn)發(fā)生。

3 BP神經(jīng)網(wǎng)絡(luò)挖掘方法在高校財(cái)務(wù)預(yù)警分析中的應(yīng)用

財(cái)務(wù)預(yù)警的傳統(tǒng)分析方法包括比率分析法、單變量分析法及多元線性回歸分析法。比率分析法是財(cái)務(wù)預(yù)警的基礎(chǔ)，單變量分析法及多元線性回歸分析法應(yīng)用于財(cái)務(wù)預(yù)警有其特點(diǎn)，也有其不可避免的局限性。20世紀(jì)80年后，數(shù)據(jù)挖掘的復(fù)雜算法逐漸用于財(cái)務(wù)預(yù)警分析。目前，數(shù)據(jù)挖掘是最主要的財(cái)務(wù)預(yù)警分析方法，其中利用神經(jīng)網(wǎng)絡(luò)挖掘方法進(jìn)行財(cái)務(wù)預(yù)警分析是當(dāng)前最有發(fā)展前景的一種方法。文章結(jié)合數(shù)據(jù)挖掘的基本流程，探究BP神經(jīng)網(wǎng)絡(luò)挖掘方法在財(cái)務(wù)預(yù)警分析中的應(yīng)用。

3.1 神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介

神經(jīng)網(wǎng)絡(luò)是通過(guò)對(duì)進(jìn)入模型的數(shù)據(jù)（包括輸入字段和輸出字段）進(jìn)行學(xué)習(xí)，通過(guò)權(quán)值的調(diào)整，分析掌握輸入字段和輸出字段之間潛在的規(guī)律，最終利用這些規(guī)律對(duì)樣本進(jìn)行訓(xùn)練（就是可以用來(lái)對(duì)新的輸入字段推算新的輸出字段），即預(yù)測(cè)挖掘的過(guò)程。隨著計(jì)算機(jī)運(yùn)算速度越來(lái)越快，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時(shí)間可以大大縮短，加上神經(jīng)網(wǎng)絡(luò)對(duì)輸入變量的要求很低，可以接受不同種類的變量輸入，適應(yīng)性強(qiáng)，允許輸出輸入變量具有模糊性，所以神經(jīng)網(wǎng)絡(luò)方法已經(jīng)廣泛用于各領(lǐng)域的數(shù)據(jù)挖掘。

反向傳播神經(jīng)網(wǎng)絡(luò)（Back Propagation Net，即BP神經(jīng)網(wǎng)絡(luò)）是一種采用反向傳播學(xué)習(xí)算法（即BP學(xué)習(xí)算法）的多層前饋神經(jīng)網(wǎng)絡(luò)，由模型訓(xùn)練、模型檢測(cè)、模型反饋學(xué)習(xí)三個(gè)部分組成。將BP學(xué)習(xí)算法的映射能力和泛化能力用于財(cái)務(wù)預(yù)警分析，在經(jīng)過(guò)一定數(shù)量的帶噪聲的樣本的訓(xùn)練后，網(wǎng)絡(luò)可以提取樣本所隱含的特征關(guān)系，并對(duì)新情況下的數(shù)據(jù)進(jìn)行內(nèi)插和外推以推斷其屬性[1，2]。為了得到具有較好泛化能力的BP神經(jīng)網(wǎng)絡(luò)，就要有訓(xùn)練樣本集，根據(jù)訓(xùn)練樣本，系統(tǒng)從中學(xué)習(xí)，不斷調(diào)整各個(gè)權(quán)值，進(jìn)而訓(xùn)練出分類模型;同時(shí)還要有測(cè)試集，即利用第一步已被訓(xùn)練的神經(jīng)網(wǎng)絡(luò)對(duì)檢測(cè)樣本進(jìn)行分類評(píng)估的系統(tǒng)應(yīng)用環(huán)節(jié);模型反饋學(xué)習(xí)是系統(tǒng)將通過(guò)反饋學(xué)習(xí)來(lái)不斷提高系統(tǒng)性能。當(dāng)隨著網(wǎng)絡(luò)學(xué)習(xí)次數(shù)的增加，訓(xùn)練集的目標(biāo)函數(shù)（測(cè)試數(shù)據(jù)）有可能不減少或增加，即泛化能力減弱時(shí)可取測(cè)試集的極小點(diǎn)對(duì)應(yīng)的訓(xùn)練權(quán)系數(shù)，以使網(wǎng)絡(luò)具有較好的泛化能力。泛化能力還與網(wǎng)絡(luò)的隱含層和隱含點(diǎn)數(shù)有關(guān)，因此應(yīng)選擇結(jié)構(gòu)盡量簡(jiǎn)單，且泛化能力較強(qiáng)的[3，4]。

3.2 實(shí)證研究

采集16所高校（SH1-SH16）2018年的財(cái)務(wù)數(shù)據(jù)構(gòu)造神經(jīng)網(wǎng)絡(luò)模型，并應(yīng)用BP神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)挖掘方法對(duì)其中2所高校（SH15、SH16）2018年財(cái)務(wù)狀況進(jìn)行預(yù)警分析。

3.1.l 問(wèn)題描述

BP網(wǎng)絡(luò)的輸入和輸出層的神經(jīng)元數(shù)目，是由輸入和輸出向量的維數(shù)確定的。輸入向量的維數(shù)也就是影響因素的個(gè)數(shù)。文章通過(guò)對(duì)影響高校財(cái)務(wù)狀況的因素分析，選取償債能力、經(jīng)營(yíng)能力、發(fā)展能力3項(xiàng)一級(jí)指標(biāo)及資產(chǎn)負(fù)債率等15項(xiàng)二級(jí)指標(biāo)，因此輸入層神經(jīng)元個(gè)數(shù)為15。為了細(xì)化財(cái)務(wù)風(fēng)險(xiǎn)等級(jí)，將風(fēng)險(xiǎn)等級(jí)分為巨警、重警、中警、輕警和無(wú)警5級(jí)，因此，目標(biāo)輸出模式為（0O001）、（00010）、（00100）、（01000）和（10000），分別為巨警、重警、中警、輕警和無(wú)警[2，5]。由此可知，輸出層神經(jīng)元的個(gè)數(shù)為5。

3.1.2 建模

以16所高校（SH1-SH16）2018年數(shù)據(jù)為例建立模型（見(jiàn)圖1）。

3.1.3學(xué)習(xí)訓(xùn)練[2，5]

確定網(wǎng)絡(luò)結(jié)構(gòu)后，就利用樣本數(shù)據(jù)通過(guò)學(xué)習(xí)規(guī)則進(jìn)行訓(xùn)練，提高網(wǎng)絡(luò)的適應(yīng)能力。學(xué)習(xí)速率決定每一次循環(huán)中的權(quán)值變化量，是訓(xùn)練過(guò)程的重要因子。一般傾向于選擇較小的學(xué)習(xí)速率保證學(xué)習(xí)的穩(wěn)定性，本文取學(xué)習(xí)速率為0.05。

本文采集16所高校（SH1-SH16）2018年的財(cái)務(wù)數(shù)據(jù)作為研究樣本，對(duì)其中前14所高校（SH1-SH14）2018年的財(cái)務(wù)指標(biāo)共14組數(shù)據(jù)及財(cái)務(wù)風(fēng)險(xiǎn)等級(jí)作為網(wǎng)絡(luò)訓(xùn)練樣本，后2所高校（SH15、SH16）2018年的財(cái)務(wù)數(shù)據(jù)作為預(yù)測(cè)樣本運(yùn)用BP神經(jīng)網(wǎng)絡(luò)對(duì)高校財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行預(yù)警分析。

3.1.4 模型結(jié)果分析

從網(wǎng)絡(luò)輸出結(jié)果可以看出，網(wǎng)絡(luò)經(jīng)過(guò)13次訓(xùn)練后即達(dá)到了誤差要求。網(wǎng)絡(luò)輸出和高校實(shí)際風(fēng)險(xiǎn)等級(jí)見(jiàn)表2。

研究結(jié)果表明BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)精度98%，對(duì)模型越重要的變量，訓(xùn)練效果越好。由此可見(jiàn)，BP神經(jīng)網(wǎng)絡(luò)成功地對(duì)2所高校（SH15、SH16） 2018年的財(cái)務(wù)狀況進(jìn)行了預(yù)警。

4 結(jié)束語(yǔ)

隨著高等教育由“精英教育”向“大眾教育”轉(zhuǎn)變，自2000年后，高校全面“升級(jí)”，辦學(xué)規(guī)模的擴(kuò)大和集中，一定程度上增強(qiáng)了高校的綜合實(shí)力和科研實(shí)力，有一定的積極意義。但我國(guó)高校管理普遍缺失成本效益，在計(jì)劃和實(shí)際使用經(jīng)費(fèi)時(shí)只看重目標(biāo)的實(shí)現(xiàn)而很少考慮成本，因此隨著高校規(guī)模的擴(kuò)張，高校負(fù)債規(guī)模也在擴(kuò)大，使高校正常運(yùn)行存在一定風(fēng)險(xiǎn)。通過(guò)建立高校財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警系統(tǒng)模型對(duì)財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行定量分析是財(cái)務(wù)風(fēng)險(xiǎn)管理的關(guān)鍵環(huán)節(jié)，在使高校樹(shù)立風(fēng)險(xiǎn)意識(shí)的同時(shí)，可通過(guò)預(yù)警指標(biāo)值的變化，隨時(shí)捕捉高校財(cái)務(wù)風(fēng)險(xiǎn)信息，以便采取應(yīng)對(duì)措施，及時(shí)防范和化解財(cái)務(wù)風(fēng)險(xiǎn)。

神經(jīng)網(wǎng)絡(luò)通過(guò)對(duì)一定量的歷史數(shù)據(jù)的訓(xùn)練，網(wǎng)絡(luò)可以學(xué)習(xí)到數(shù)據(jù)中隱含的知識(shí)。神經(jīng)網(wǎng)絡(luò)可用作分類、聚類、預(yù)測(cè)等。文章研究結(jié)果顯示BP 神經(jīng)網(wǎng)絡(luò)在高校財(cái)務(wù)預(yù)警分析中預(yù)警結(jié)果精度高，可信度較強(qiáng)，是一種可用于高校財(cái)務(wù)預(yù)警分析的有效量化方法。

參考文獻(xiàn)：

[1]張一童.我國(guó)上市公司財(cái)務(wù)預(yù)警指標(biāo)體系構(gòu)建機(jī)制研究 [J].現(xiàn)代商貿(mào)工業(yè)，2009（5）：214-215.

[2]尹中曉.高校財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警實(shí)證研究[D].西安：西安建筑科技大學(xué)，2006.

[3]張?jiān)?基于BP神經(jīng)網(wǎng)絡(luò)的高?？蒲心芰υu(píng)價(jià)研究[J].科技管理研究，2011（18）：54-57.

[4]張?jiān)?基于主成分分析BP神經(jīng)網(wǎng)絡(luò)的高校財(cái)務(wù)預(yù)警研究[C].2011-07-09.

[5]張國(guó)富，范亞?wèn)|.基于BP神經(jīng)網(wǎng)絡(luò)的物流企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警研究[J].生產(chǎn)力研究，2012（11）：219-220.

項(xiàng)目基金：滬江哲社基金專項(xiàng)一般項(xiàng)目資助（項(xiàng)目編號(hào)：19HJ-DSSG-00-015）

作者簡(jiǎn)介：梁立文（1992—），女，江西九江人，會(huì)計(jì)學(xué)碩士，ACCA會(huì)員，注冊(cè)會(huì)計(jì)師，研究方向：高校財(cái)務(wù)管理。