基于FN-ANN-MLP模型的財(cái)務(wù)危機(jī)預(yù)警模型研究

陳夢(mèng)嬌

摘要：經(jīng)濟(jì)環(huán)境的不斷變化導(dǎo)致企業(yè)面臨的財(cái)務(wù)風(fēng)險(xiǎn)日益增大，因此對(duì)于企業(yè)財(cái)務(wù)預(yù)警模型的研究具有重要意義。文章隨機(jī)選取了一家在近二十年內(nèi)存在過財(cái)務(wù)危機(jī)的上市公司，首先建立了多層次的指標(biāo)體系，利用獨(dú)立樣本t檢驗(yàn)和因子分析進(jìn)行降維，然后利用SPSS中的MLP神經(jīng)網(wǎng)絡(luò)構(gòu)建財(cái)務(wù)危機(jī)預(yù)警模型。模型兼顧財(cái)務(wù)與非財(cái)務(wù)因素，利用數(shù)據(jù)進(jìn)行模型構(gòu)建和重要程度分析，使得財(cái)務(wù)危機(jī)預(yù)測(cè)更加準(zhǔn)確，提醒管理者關(guān)注盈利能力、償債能力和非財(cái)務(wù)指標(biāo)三個(gè)方面。

關(guān)鍵詞：預(yù)警模型;企業(yè)財(cái)務(wù)危機(jī);因子分析;MLP神經(jīng)網(wǎng)絡(luò);SPSS

一、引言

企業(yè)在經(jīng)營過程中不僅要善于抓住機(jī)遇，更要謹(jǐn)慎應(yīng)對(duì)各種風(fēng)險(xiǎn)和挑戰(zhàn)。財(cái)務(wù)危機(jī)是其風(fēng)險(xiǎn)之一，一般指企業(yè)處于連續(xù)會(huì)計(jì)年度虧損、現(xiàn)金流量不足以抵償現(xiàn)有債務(wù)的狀況。建立合適的企業(yè)財(cái)務(wù)危機(jī)預(yù)警模型能夠幫助管理者做出有效決策、擺脫困境。目前已成為財(cái)務(wù)管理研究的熱門方向之一。

此前，已有很多學(xué)者進(jìn)行了相關(guān)研究。例如，姚芳利用模糊綜合評(píng)價(jià)法，考慮企業(yè)的內(nèi)、外部風(fēng)險(xiǎn)構(gòu)建了企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)評(píng)價(jià)模型。吳沖等人基于改進(jìn)粒子群算法的模糊聚類-概率神經(jīng)網(wǎng)絡(luò)提高了企業(yè)財(cái)務(wù)危機(jī)預(yù)警的長期預(yù)測(cè)能力。李慧等人基于盈利質(zhì)量構(gòu)建DANP變權(quán)財(cái)務(wù)危機(jī)預(yù)警模型。張培榮利用XGBoost模型對(duì)企業(yè)的財(cái)務(wù)危機(jī)預(yù)警進(jìn)行研究。

大部分模型采用上市公司一年前的指標(biāo)數(shù)據(jù)作為樣本，然而被特別處理和退市預(yù)警的公司發(fā)生財(cái)務(wù)危機(jī)的年限不同，若只選取一年前的數(shù)據(jù)會(huì)高估模型的預(yù)測(cè)精度。本文選取2000～2019年間，T-2年前的財(cái)務(wù)數(shù)據(jù)作為預(yù)測(cè)T年財(cái)務(wù)狀況的樣本，進(jìn)行因子分析降維后構(gòu)建MLP神經(jīng)網(wǎng)絡(luò)財(cái)務(wù)危機(jī)預(yù)警模型，利用當(dāng)年的數(shù)據(jù)進(jìn)行重要程度分析，使得預(yù)測(cè)結(jié)果和指標(biāo)解釋更加準(zhǔn)確。

二、評(píng)價(jià)對(duì)象、數(shù)據(jù)來源與體系構(gòu)建

（一）評(píng)價(jià)對(duì)象與數(shù)據(jù)來源

本文以2015年、2012年、2011年被ST或*ST過的恒天海龍上市公司作為評(píng)價(jià)對(duì)象，選取2000～2019年的財(cái)務(wù)指標(biāo)數(shù)據(jù)作為樣本。所有數(shù)據(jù)來源于東方財(cái)富、新浪財(cái)經(jīng)。

（二）財(cái)務(wù)危機(jī)評(píng)價(jià)體系的建立

大部分已有文獻(xiàn)利用財(cái)務(wù)比率數(shù)據(jù)進(jìn)行公司財(cái)務(wù)狀況的評(píng)價(jià)。本文在盈利能力、成長能力、償債能力、營運(yùn)能力4個(gè)一級(jí)指標(biāo)的基礎(chǔ)上增加了現(xiàn)金流量指標(biāo)和非財(cái)務(wù)指標(biāo)。初步建立了6個(gè)一級(jí)指標(biāo)和23個(gè)二級(jí)指標(biāo)的全方位財(cái)務(wù)危機(jī)評(píng)價(jià)體系，如表 1所示。

（三）指標(biāo)的篩選

考慮到有的指標(biāo)不能明顯區(qū)分公司被宣布ST與非ST時(shí)的財(cái)務(wù)情況，本文先將公司的財(cái)務(wù)指標(biāo)數(shù)據(jù)分為ST與非ST兩部分，利用SPSS軟件進(jìn)行獨(dú)立樣本t檢驗(yàn)分析。本文選取95%的置信區(qū)間，檢驗(yàn)結(jié)果中，Levene檢驗(yàn)中顯著性大于0.05代表該指標(biāo)不能明顯區(qū)分ST與非ST。最終指標(biāo)如圖 1所示。

（四）因子分析

因子分析是從眾多變量中提取共性因子的技術(shù)，將一些具有重疊關(guān)系的變量歸結(jié)為幾個(gè)不相關(guān)的因子，用因子得分替換原始變量，從而避免因輸入節(jié)點(diǎn)過多而導(dǎo)致神經(jīng)網(wǎng)絡(luò)的收斂性降低，穩(wěn)定性下降的不良結(jié)果。因子分析的數(shù)學(xué)模型簡(jiǎn)記為

用矩陣表示為

三、基于FA-ANN-MLP的模型下的財(cái)務(wù)危機(jī)預(yù)警模型研究

（一）ANN-MLP理論

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，簡(jiǎn)稱ANN）是一種模擬人腦神經(jīng)系統(tǒng)工作機(jī)制而建立的算法模型。通過機(jī)器的自我學(xué)習(xí)掌握輸入和輸出數(shù)據(jù)之間的潛在規(guī)律，最終利用這種規(guī)律預(yù)測(cè)其他輸入數(shù)據(jù)的結(jié)果，幫助企業(yè)有效實(shí)現(xiàn)財(cái)務(wù)危機(jī)預(yù)警。

MLP（Multi-layer Perceptron）稱為多層感知器，是人工神經(jīng)網(wǎng)絡(luò)的一種前向結(jié)構(gòu)，由輸入層、隱含層和輸出層三部分構(gòu)成，每層都有大量的神經(jīng)節(jié)點(diǎn)，不同層的神經(jīng)節(jié)點(diǎn)通過賦有權(quán)重的有向弧連接，除了輸入節(jié)點(diǎn)外的其他節(jié)點(diǎn)都是帶有非線性可微激活函數(shù)的神經(jīng)元。

本文選取雙曲正切函數(shù)為隱藏層激活函數(shù)，選取為Logistic函數(shù)為輸出層激活函數(shù)：

式中Ii為輸入值，Op為輸出值，Wij和Wjk均為連接點(diǎn)的權(quán)重，εj和εp是節(jié)點(diǎn)j和p的偏差項(xiàng)。

（二）基于FN-ANN-MLP模型下的財(cái)務(wù)危機(jī)預(yù)警模型研究

首先，將篩選后的指標(biāo)變量進(jìn)行因子分析。

根據(jù)表2可知，KMO統(tǒng)計(jì)量=0.6090.5，說明變量之間的重疊度不高。最終，利用主成分分析的提取方法，以特征值大于1為標(biāo)準(zhǔn)將變量減少到3個(gè)，因子累計(jì)貢獻(xiàn)達(dá)到75.431%。根據(jù)旋轉(zhuǎn)因子載荷矩陣和變量所對(duì)應(yīng)的一級(jí)指標(biāo)，將3個(gè)主成分分別命名為：償債能力因子，盈利能力因子，非財(cái)務(wù)指標(biāo)因子。其中現(xiàn)金流量比率可以衡量企業(yè)的短期償債能力，因此主成分一有長短期償債能力的經(jīng)濟(jì)含義。

最終誤差最小時(shí)得到的結(jié)果如表 3所示。

模型對(duì)訓(xùn)練樣本和檢驗(yàn)樣本的分類結(jié)果全部預(yù)測(cè)正確，可見模型的準(zhǔn)確率極高，能夠有效實(shí)現(xiàn)企業(yè)的財(cái)務(wù)危機(jī)預(yù)警。

（三）財(cái)務(wù)指標(biāo)的重要程度分析

本文再次利用同一年份的數(shù)據(jù)和財(cái)務(wù)狀況進(jìn)行財(cái)務(wù)指標(biāo)的重要程度分析。如圖2所示，當(dāng)誤差最小時(shí)，財(cái)務(wù)指標(biāo)的重要程度從大到小依次排序?yàn)橛芰?、非?cái)務(wù)指標(biāo)、償債能力，分別為100%、83.1%、69.3%。首先，盈利能力是衡量企業(yè)經(jīng)營業(yè)績的重要方面，其大小是眾多利益相關(guān)者關(guān)心的中心問題。其次，非財(cái)務(wù)指標(biāo)著眼于企業(yè)內(nèi)部控制和公司發(fā)展前景，能夠更加全面地預(yù)測(cè)企業(yè)整體情況。最后，償債能力是企業(yè)能否健康發(fā)展的重要標(biāo)志，良好的債務(wù)清償能力能夠保證企業(yè)的穩(wěn)健運(yùn)行。根據(jù)以上三個(gè)指標(biāo)，管理者應(yīng)積極調(diào)整營銷策略，在追求多元化經(jīng)營的同時(shí)穩(wěn)定提高主營業(yè)務(wù)的利潤，擴(kuò)大市場(chǎng)份額，嚴(yán)格控制內(nèi)部管理費(fèi)用，制定具有正向影響的研發(fā)投資計(jì)劃，平衡財(cái)務(wù)杠桿以保證有相對(duì)穩(wěn)定的現(xiàn)金流入。

四、結(jié)語

本文針對(duì)恒天海龍上市公司，在t檢驗(yàn)和因子分析降維的基礎(chǔ)上，運(yùn)用MLP神經(jīng)網(wǎng)絡(luò)構(gòu)建了企業(yè)財(cái)務(wù)危機(jī)預(yù)警模型。結(jié)果顯示模型具有較高的預(yù)測(cè)精度，能夠幫助管理人員在企業(yè)危機(jī)發(fā)生前期作出正確的決策。另外，財(cái)務(wù)指標(biāo)的重要程度分析提醒管理者要積極拉動(dòng)企業(yè)經(jīng)濟(jì)增長，拓寬融資渠道，改善企業(yè)內(nèi)部管理和控制。本文的不足之處是僅針對(duì)一家上市公司進(jìn)行了實(shí)證研究，結(jié)果可能沒有較高的普遍性，但是在指標(biāo)的選取方面作出了新的探索，為大多數(shù)企業(yè)的財(cái)務(wù)管理提出了新的方法，具有一定的實(shí)用價(jià)值。

參考文獻(xiàn)：

[1]姚芳.企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)管理的評(píng)價(jià)研究——基于模糊綜合評(píng)價(jià)法視角[J].河南工程學(xué)院學(xué)報(bào)（社會(huì)科學(xué)版），2020，35（03）：12-16.

[2]吳沖，劉佳明，郭志達(dá).基于改進(jìn)粒子群算法的模糊聚類-概率神經(jīng)網(wǎng)絡(luò)模型的企業(yè)財(cái)務(wù)危機(jī)預(yù)警模型研究[J].運(yùn)籌與管理，2018，27（02）：106-114+132.

[3]李慧，溫素彬，焦然.基于盈利質(zhì)量的DANP變權(quán)財(cái)務(wù)預(yù)警模型[J].系統(tǒng)工程理論與實(shí)踐，2019，39（07）：1651-1668.

[4]張培榮.基于XGBoost模型的企業(yè)財(cái)務(wù)危機(jī)預(yù)警研究[J].財(cái)會(huì)通訊，2019（35）：109-112.

[5]袁文昱.企業(yè)財(cái)務(wù)危機(jī)預(yù)警研究綜述[J].合作經(jīng)濟(jì)與科技，2021（02）：142-143.

[6]溫小霓，韓鑫蕊.我國科技型中小企業(yè)信用風(fēng)險(xiǎn)評(píng)價(jià)模型——基于MLP神經(jīng)網(wǎng)絡(luò)的實(shí)證分析[J].科技和產(chǎn)業(yè)，2017，17（12）：159-166.

[7]汪馨妮.基于因子分析法的互聯(lián)網(wǎng)上市企業(yè)的財(cái)務(wù)績效評(píng)價(jià)[J].行政事業(yè)資產(chǎn)與財(cái)務(wù)，2020（16）：20-22.

（作者單位：北京交通大學(xué)經(jīng)濟(jì)管理學(xué)院）