基于BP神經(jīng)網(wǎng)絡(luò)算法的企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測方法研究

賴茂濤

(閩西職業(yè)技術(shù)學(xué)院 財(cái)經(jīng)商貿(mào)學(xué)院, 福建 龍巖 364000)

0 引言

目前，我國經(jīng)濟(jì)獲得了快速的發(fā)展，企業(yè)財(cái)務(wù)數(shù)量逐年增加，但是陷入危機(jī)的企業(yè)數(shù)量較多，企業(yè)財(cái)務(wù)缺乏有效的風(fēng)險(xiǎn)預(yù)測機(jī)制。因此，針對企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)問題，許多專家學(xué)者做了相關(guān)研究，部分學(xué)者從分析企業(yè)財(cái)務(wù)危機(jī)的特點(diǎn)出發(fā)，建立因素分析模型，判定影響企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的因素[1]。還有部分學(xué)者建立單變量企業(yè)財(cái)務(wù)預(yù)測分析模型，預(yù)測不同時(shí)間節(jié)點(diǎn)下的財(cái)務(wù)風(fēng)險(xiǎn)的主要影響因素[2]。還有部分學(xué)者將人工智能方法應(yīng)用到企業(yè)財(cái)務(wù)領(lǐng)域，初步利用決策樹算法建立預(yù)測模型，預(yù)測企業(yè)財(cái)務(wù)存在的問題[3-5]。還有部分學(xué)者利用統(tǒng)計(jì)方法建立預(yù)測模型，但是統(tǒng)計(jì)方法對數(shù)據(jù)的要求較高，要求數(shù)據(jù)服從多元正態(tài)分布，實(shí)用性要考量[6-7]。

綜上所述，目前專家學(xué)者在企業(yè)財(cái)務(wù)預(yù)測方面的研究主要集中在因素分析方面，判定影響企業(yè)財(cái)務(wù)運(yùn)轉(zhuǎn)的因素，從危險(xiǎn)因素出發(fā)判定風(fēng)險(xiǎn)，整體對于企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的預(yù)測較少。由此可知，通過對組合預(yù)測方法和BP神經(jīng)網(wǎng)絡(luò)的分析建立了預(yù)測模型，對企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行預(yù)測，從而規(guī)避企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)所致的損失。

1 預(yù)測方法分析

組合預(yù)測最根本的目的就是將得到的單個(gè)預(yù)測信息進(jìn)行整合，得到組合后整體的預(yù)測數(shù)值，組合預(yù)測方法的優(yōu)勢和特點(diǎn)是弱化主觀性，使結(jié)果更加客觀有效[8]。

設(shè)N為事件個(gè)數(shù)，m為預(yù)測方法類型，令i表示第i種預(yù)測方法，X表示當(dāng)前事件，y表示預(yù)測值，θ表示度量值，θ(X)表示事件X的度量值，深入分析可以得到非線性組合函數(shù)公式為y=θ(X)=θ(θ1，θ2，…，θm)，在某種情況之下，θ(X)度量優(yōu)于θi(X)(i=1,2,3，…，M)。而在神經(jīng)網(wǎng)絡(luò)中，BP神經(jīng)網(wǎng)絡(luò)是最常見的預(yù)測算法之一。

BP神經(jīng)網(wǎng)絡(luò)代表的是非線性的映射關(guān)系，BP神經(jīng)網(wǎng)絡(luò)的內(nèi)部結(jié)構(gòu)對映射關(guān)系并不構(gòu)成影響，需要通過樣本的學(xué)習(xí)來達(dá)到對研究內(nèi)容內(nèi)部結(jié)構(gòu)的模擬[9]。BP神經(jīng)網(wǎng)絡(luò)中是對一組單一的單元進(jìn)行并行處理的過程，各單元之間通過許多簡單而復(fù)雜的網(wǎng)絡(luò)相互連接而形成，具有高度的非線性，系統(tǒng)之間可以實(shí)現(xiàn)復(fù)雜而非線性的邏輯運(yùn)算關(guān)系。實(shí)際工作過程中的神經(jīng)網(wǎng)絡(luò)在確定用戶輸入層所需參數(shù)后，隱層網(wǎng)絡(luò)根據(jù)其規(guī)則自動(dòng)產(chǎn)生一定的輸出樣本數(shù)據(jù)并進(jìn)行功能總結(jié)，該過程既不是簡單的樣本數(shù)據(jù)插值操作，也不是高度智能化的擬合操作，神經(jīng)網(wǎng)絡(luò)的整體就是不斷輸入和輸出的過程。

BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程包括正向傳播和反向傳播。正向傳播是根據(jù)輸入信息，經(jīng)過權(quán)值、激活函數(shù)、隱藏層，最后獲得輸出結(jié)果；反向傳播是根據(jù)輸出信息，經(jīng)過和期望值的比較，再經(jīng)過算法、修改權(quán)值，最終使輸出和期望值差距變小的過程。

2 基于BP神經(jīng)網(wǎng)絡(luò)的企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測模型

神經(jīng)網(wǎng)絡(luò)風(fēng)險(xiǎn)預(yù)測模型的整體是將企業(yè)日常財(cái)務(wù)信息參數(shù)作為輸入數(shù)據(jù)，再利用組合神經(jīng)網(wǎng)絡(luò)的方法輸出當(dāng)前企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的狀態(tài)。利用企業(yè)財(cái)務(wù)的歷史數(shù)據(jù)對案例進(jìn)行訓(xùn)練，最終使得不同輸入向量均得到相應(yīng)的輸出數(shù)值。企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測算法流程如圖1所示。

圖1 企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測算法流程

圖1所示的主要流程如下。

Step1：設(shè)Q為樣本數(shù)量，m為存在的多種預(yù)測方法，輸入向量Xki(k=1,2，…，Q；i=1,2，…，m)，tk作為輸出的實(shí)際神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)，若數(shù)據(jù)的樣本量不夠大時(shí)可重復(fù)執(zhí)行步驟3至步驟5；

Step2：實(shí)際情況狀態(tài)的計(jì)算，設(shè)j為事件下的第j種狀態(tài)，計(jì)算得到隱含層中單元的狀態(tài)；

Step4：對模型中的權(quán)值和閾值進(jìn)行修正分析。設(shè)W為修正值，η為系數(shù)，Wji(t+1)=Wji(t)+ηδkjOki+a[wji(t)-wji(t-1)],θj(t+1)=θj(t)+ηδj+a[θj(t)-θj](t-1)；

Step6：企業(yè)財(cái)務(wù)狀態(tài)預(yù)測。

3 應(yīng)用結(jié)果分析

本研究搜集整理158家企業(yè)財(cái)務(wù)，將因財(cái)務(wù)異常被處理的企業(yè)設(shè)定為危險(xiǎn)企業(yè)，將數(shù)據(jù)組合在一起構(gòu)成樣本集合，以2019年數(shù)據(jù)為基礎(chǔ)，利用模型實(shí)現(xiàn)預(yù)測。同時(shí)本研究采用的預(yù)測指標(biāo)體系是以目前公司普遍采用的預(yù)測變量為基礎(chǔ)進(jìn)行匯總整理[10]，以部分因素輸入模型的整體結(jié)構(gòu)中，由于Fisher分析模型和Logistic回歸模型也是在預(yù)測中效果較好，比較常見的預(yù)測模型，所以將本研究提出的模型與Fisher分析模型和Logistic回歸模型對比分析，驗(yàn)證不同模型的優(yōu)勢和劣勢。

(1)時(shí)間效率

在模型輸入因素中，實(shí)際情況、盈利情況、經(jīng)營情況和成長情況與時(shí)間效率的關(guān)系較強(qiáng)，預(yù)測的時(shí)間效率較快，能及時(shí)了解企業(yè)財(cái)務(wù)的整體情況，從而使企業(yè)快速做出風(fēng)險(xiǎn)防控措施。所以在時(shí)間效率分析上主要針對這4種因素進(jìn)行預(yù)測模型輸入。

在實(shí)驗(yàn)過程中，將企業(yè)財(cái)務(wù)的數(shù)據(jù)進(jìn)行分組整理，分為10組，利用測試數(shù)據(jù)對比分析3種模型在預(yù)測企業(yè)財(cái)務(wù)危機(jī)所花費(fèi)的時(shí)間，如表1和圖2所示。

表1 時(shí)間效率分析表

圖2 時(shí)間效率分析圖

根據(jù)實(shí)驗(yàn)結(jié)果可知，本研究提出的模型執(zhí)行效率較高，在一定程度上可以提高算法的執(zhí)行效率。

(2)預(yù)測準(zhǔn)確率

在模型輸入因素中，實(shí)際情況、盈利情況等6個(gè)因素均關(guān)乎預(yù)測效果的準(zhǔn)確性，從多因素分析預(yù)測效果可提升預(yù)測的精確度，預(yù)測準(zhǔn)確性較高可以使企業(yè)有效控制財(cái)務(wù)風(fēng)險(xiǎn)。所以在預(yù)測準(zhǔn)確率分析上主要針對多因素進(jìn)行預(yù)測模型輸入。

在實(shí)驗(yàn)過程中，將企業(yè)財(cái)務(wù)的數(shù)據(jù)進(jìn)行分組整理，分為10組，利用測試數(shù)據(jù)對比分析3種模型在預(yù)測企業(yè)財(cái)務(wù)危機(jī)的準(zhǔn)確率(與實(shí)際情況進(jìn)行對比分析)，如表2和圖3所示。

表2 預(yù)測準(zhǔn)確率分析表

圖3 預(yù)測準(zhǔn)確率分析圖

根據(jù)實(shí)驗(yàn)結(jié)果可知，本研究提出的模型預(yù)測準(zhǔn)確率較高，在一定程度上可以保證預(yù)測的結(jié)果和準(zhǔn)確率。

(3)安全性

在模型輸入因素中，實(shí)際情況、成長情況和現(xiàn)金流量與企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的安全性關(guān)系較強(qiáng)，因?yàn)槠髽I(yè)財(cái)務(wù)數(shù)據(jù)存在涉密性，模型要最大程度減少安全問題的發(fā)生。所以在安全性分析上可從這3種因素進(jìn)行預(yù)測模型輸入。

在實(shí)驗(yàn)過程中，將企業(yè)財(cái)務(wù)的數(shù)據(jù)進(jìn)行分組整理，分為10組，利用測試數(shù)據(jù)對比分析3種模型出現(xiàn)的問題情況，如表3和圖4所示。

表3 安全性分析表

圖4 安全性分析圖

根據(jù)實(shí)驗(yàn)結(jié)果可知，本研究提出的模型在預(yù)測的過程中發(fā)生的安全性問題較少，比其他模型的性能好，在一定程度上可以降低安全性問題的發(fā)生。

通過對本研究提出的方法進(jìn)行深入的分析可知，基于BP神經(jīng)網(wǎng)絡(luò)的企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)組合預(yù)測模型具有一定的優(yōu)勢，但是由于企業(yè)財(cái)務(wù)的實(shí)際情況具有多變性，因此對模型實(shí)際效果的檢驗(yàn)需要有持續(xù)性的研究，后續(xù)可針對企業(yè)財(cái)務(wù)實(shí)際情況的變化，不斷對模型輸入的參數(shù)進(jìn)行調(diào)整，檢驗(yàn)?zāi)Ｐ偷目煽啃浴?/p>

4 總結(jié)

本研究通過對企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的分析，建立風(fēng)險(xiǎn)預(yù)測模型，并與其他模型的優(yōu)勢和劣勢進(jìn)行對比，可知本研究提出的模型在時(shí)間效率、預(yù)測準(zhǔn)確率和安全問題方面均優(yōu)于其他的方法，具有一定的實(shí)際應(yīng)用性。