神经网络算法在公司财务预警中的应用

　　摘 要：软件及信息服务业是国家大力扶持的战略新兴产业，行业竞争激烈，企业如何在激烈多变的市场环境中取得优势， 其良好的财务运行是必不可少的条件，我们财务预警模型的建立将有效避免相关企业陷入财务困境，为企业持续健康运营 提供保障。 在财务预警模型建立过程，我们首先划分企业财务预警级别，并利用神经网络方法训练相关行业公司的财务指 标，从而得到符合本行业特征的预警模型，并借助预警级别标准选取典型企业数据进行实证分析，检验模型合理性并改进 完善。

　　关键词：神经网络算法；财务预警；软件信息产业；财务比率

　　一、 模型建立的准备工作

　　（一）指标体系构建 所谓企业的财务风险即企业预期的经营目标与其实 际经营成果发生偏离的可能性，所以财务风险会存在于企 业财务活动的各个环节，比如筹资、投资、资金回收和收益 分配等方面。 我们需要通过财务报表选取的指标数据，计 算财务比率从而建立公司财务预警的指标体系，而构建的 指标体系需要顾及前述财务活动的各个方面，根据偿债能 力、营运能力、发展能力三个方面的财务指标建立对公司财务状况起到预警作用的体系。

　　（二）样本企业选取 为了在神经网络模型中对原始数据进行训练，我们从 沪深两市的交易所网站选取符合要求的 Ａ 股上市公司作 为我们的样本企业，并获取其 ２０１２ 年到 ２０１７ 年的财务报 表作为财务数据来源。 因为 Ａ 股类型采用国内统一的会 计政策，因而财务信息具有可比性，而且时间跨度为 ５ 到 ６ 年首先可以保证该企业的存续期间较长而且能够考虑到 较长时间跨度内财务状况的变化情况。 同时，为了保证实 验过程合理有效，我们将兼顾到 ＳＴ（特殊处理）和非 ＳＴ 企 业。 最终选取 １５ 家上市公司作为样本企业（其中三家于 ２０１７ 年被 ＳＴ 处理可以作为对照样本）。

　　（三）财务预警级别 按照通常做法可以将企业财务预警级别划分为健康， 亚健康和危机三个等级，当然为了定量处理这些指标，我 们将参考前人研究的 Ｆ 分数法或 Ｚ 分数法对每个级别设 定赋分区间，比如根据财务指标回代到建立的方程，得到 某企业具体的预警值，从而判断其落入哪一层级的范围 内。 虽然上述两种方法所选取的指标与我们的指标有出 入，但是可以借鉴其通过给各指标赋权重得到预警值的思 想来建立符合本文预警级别模型，具体方法如下。 将 １５ 家公司的财务指标进行整理计算得到各家公司 相应财务指标的标准差和平均值，相除得到变异系数，将 变异系数作为各指标对应权重，得到权重后与对应指标相 乘并加总，可得到该公司的财务得分，按同样方法可以得 到全部 １５ 家公司财务得分。 为了使得不同公司的财务的 分更具有可比性同时为了后续程序处理便利，我们需将财 务得分数据归一化。 某公司某年的预警得分公式如下。 通过与样本比对发现得分很低的年份与被 ＳＴ 年份基 本一致，行业表现良好的公司财务得分较为优异或稳健， 依据我们的财务预警层次划分方法，可以将得分小于 ０．１ 的当年公司财务情况划归为危机，０．１ 到 ０．１５ 划归为亚健 康，大于 ０．１５ 可归为健康。

　　二、 神经网络财务预警模型的设计与建立

　　（一）神经网络算法简介 神经网络算法是一种模仿动物神经网络行为特征，进 行分布式并行信息处理的算法模型，其结构包括输入层，隐含层和输出层。 将样本中的指标数据作为输入矩阵，进 行先前传播计算，在隐含层中利用传递函数加权得到下一 层的结果，直到输出层输出结果，并与样本期望值和设定 的阈值比较，以判断训练是否符合要求，符合要求则结束 训练，反之进行反向传播运算直至小于设定的阈值。

　　（二）具体操作过程 模式一：已知各公司财务得分预测下一年份各公司财 务得分。 为实现模型预测效果，需要将 ２０１２ 到 ２０１７ 年预 警值分为训练组和测试组两类，整理 ２０１２ 到 ２０１６ 年的各 公司财务得分，将其作为神经网络算法的训练组数据导入 程序中，并将 ２０１７ 年的数据作为测试组数据导入程序中， 运行程序后即可比较程序预测结果与实际结果，并得到 ＭＳＥ（均方误差）数据。 模式二：已知某公司财务指标预测其下一年财务得 分。 可以分别选取一家 ＳＴ 和非 ＳＴ 公司进行比较，我们可 以以乐视和科大讯飞为例进行演示，分别将其 ２０１２ 到 ２０１６ 年财务指标作为训练数组导入程序中，将 ２０１７ 年财 务数据作为测试组导入，预测这两家公司在下一年份财务得分。

　　比对预测结果，可以发现程序预测结果与实际值相差 比较小，说明我们神经网络在实践过程中具有一定优势。 可以通过设置不同参数进行调试，在不同的迭代次数下， 程序预测会出现不同的结果（表现为拟合不足和拟合过 度），通过训练收敛过程以及 ＭＳＥ 大小可以比较效果优劣。 当迭代次数达到 ３０００ 时，误差性能曲线收敛结果较好且 ＭＳＥ 值仅为 ６．２３×１０－４ 。 且传统方法得到的企业的财务得 分与神经网络风险预警结果基本一致。

　　三、 结果分析与建议 信息技术产业的行业特征决定了其本身具有的高风 险性，尤其处于行业前沿的企业产出收益周期跨度很大， 而且研发项目的失败风险还很大，这样对于面临财力不济 的企业来说将加速其进入危机区间的速度。 而且从财务 上来说，一次技术升级或迭代将迫使企业引进新的人才或 者设备，必定会使得固定资产的折旧费用或职工薪酬研发 投入等各项支出以及对外吸收资金大幅增加，由此投资和 筹资的风险会进一步加大。 对于信息技术产业来说项目投资前进行科学的项目 评估是很有必要的，如运用包括净现值法，内含报酬率的 技术测算可以带来的预期收益来对项目的财务可行性做 出判断。

　　四、 结束语 作为我国重要的战略新兴产业，软件及信息服务业将 在我国争夺“新一轮工业革命”制高点中发挥重要作用，但 是纵观我国资本市场，软件及信息服务业是仅次于制造业 的被特殊处理数量最多的行业，所以对上述行业的财务预 警机制的研究显得尤为重要，传统的财务预警模型在预测 时存在较大误差而且使用不够便捷，因此我们研究利用神 经网络方法建立财务风险预警模型（具有智能化，速度快， 精度高等优势），以加强相关行业风险识别与管理，实现公 司价值最大化，以利于建立健康持续的行业环境。

　　参考文献：

　　［１］ 黎 红． 信 息 技 术 业 上 市 公 司 财 务 风 险 管 理 研 究［Ｄ］．长沙：湖南农业大学，２０１３．

　　［２］支慧．基于 ＢＰ 神经网络的乐视网财务风险预警研 究［Ｄ］．石河子：石河子大学，２０１８．

　　［３］陈婧．重庆 ＡＳ 公司财务风险预警模型构建及应用 研究［Ｄ］．重庆：重庆理工大学，２０１８．

关注读览天下微信， 100万篇深度好文， 等你来看……