BP神經(jīng)網(wǎng)絡(luò)模型在我國環(huán)保類上市公司財務(wù)危機預(yù)警中的應(yīng)用

吳欣萌 廖濤

【摘? 要】隨著我國市場經(jīng)濟進程的不斷深化，激烈的競爭環(huán)境使得企業(yè)可能面臨較大的財務(wù)危機，而良好的財務(wù)狀況對于一個公司的發(fā)展尤為重要。因此，為了企業(yè)的健康發(fā)展，有必要對其進行財務(wù)危機預(yù)警。論文選取93家環(huán)保類上市公司作為研究樣本，以被特殊處理（ST或*ST）的前3年（t-3年）的相關(guān)財務(wù)與非財務(wù)指標(biāo)作為數(shù)據(jù)來源，將BP神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于此類上市公司的財務(wù)危機預(yù)警。結(jié)果顯示該模型預(yù)測準(zhǔn)確率較高，達到83.9%。因此，將BP神經(jīng)網(wǎng)絡(luò)模型引入財務(wù)危機預(yù)警研究具有一定的應(yīng)用價值。

【關(guān)鍵詞】財務(wù)危機預(yù)警;BP神經(jīng)網(wǎng)絡(luò);環(huán)保類上市公司

【中圖分類號】X324;F426;F406.7? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?【文獻標(biāo)志碼】A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?【文章編號】1673-1069（2022）08-0110-03

1 引言

在環(huán)境問題日益嚴(yán)峻與國家政策扶持的時代背景下，環(huán)保行業(yè)逐漸成為市場的焦點。其次，我國大力支持綠色環(huán)保產(chǎn)業(yè)的發(fā)展，使我國環(huán)保上市企業(yè)迎來了新發(fā)展浪潮，同時也對環(huán)保企業(yè)發(fā)展提出了新的要求。一些企業(yè)由于過于依賴國家相關(guān)環(huán)保政策，加上外部市場環(huán)境的激烈競爭，極大可能會引起財務(wù)風(fēng)險的發(fā)生。近年來，不少環(huán)保類上市公司存在財務(wù)危機，因此有必要構(gòu)建環(huán)保類上市公司財務(wù)危機預(yù)警模型，為環(huán)保行業(yè)的財務(wù)危機預(yù)警提供一定的參考。

2 相關(guān)概念及理論基礎(chǔ)

2.1 相關(guān)概念

2.1.1 財務(wù)危機

財務(wù)危機的概念定義：Fitzpartrick首次提出財務(wù)危機，他將“破產(chǎn)”定義為財務(wù)危機[1]。Altman將財務(wù)危機定義為企業(yè)的失敗，具體指企業(yè)在法律上被接管、重整和破產(chǎn)等[2]。國外學(xué)者基本上把這兩個方面作為財務(wù)危機的定義：依法破產(chǎn)和財務(wù)失敗。國內(nèi)學(xué)者[3-6]將是否被特別處理（ST或*ST）作為發(fā)生財務(wù)危機的標(biāo)準(zhǔn)。為此，綜合國內(nèi)外學(xué)者的相關(guān)研究，結(jié)合我國環(huán)保類上市公司的特點，本文將發(fā)生財務(wù)危機定義為被特別處理的公司。

2.1.2 BP神經(jīng)網(wǎng)絡(luò)

20世紀(jì)80年代，David Runelhart等學(xué)者提出BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)，它是一種根據(jù)誤差反向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)。同時，BP神經(jīng)網(wǎng)絡(luò)是目前使用最廣泛的神經(jīng)網(wǎng)絡(luò)。

2.1.3 財務(wù)危機預(yù)警模型

財務(wù)危機預(yù)警是一種利用預(yù)警方法對企業(yè)的相關(guān)財務(wù)信息展開分析的技術(shù)方法。在對財務(wù)危機預(yù)警模型的研究中，經(jīng)歷了3個階段：一是統(tǒng)計方法，主要包括單變量預(yù)警模型、多變量和邏輯回歸模型等;二是結(jié)合人工智能技術(shù)生成神經(jīng)網(wǎng)絡(luò)模型;三是運用多種方法結(jié)合進行財務(wù)危機預(yù)警的研究[7]。

Fitzpartrick建立了單變量分析法，運用單個財務(wù)指標(biāo)逐個驗證研究對象，結(jié)果表明，以凈利潤/股東權(quán)益和股東權(quán)益/負債兩個財務(wù)指標(biāo)作為財務(wù)危機預(yù)測標(biāo)準(zhǔn)具有較好的效果;Altman首次引用了多變量分析法——Z值模型;Martin被公認為是最早使用Logistic模型來預(yù)測財務(wù)危機的學(xué)者。隨著計算機及網(wǎng)絡(luò)技術(shù)的不斷完善發(fā)展，Odom和Sharda首次對人工神經(jīng)網(wǎng)絡(luò)分析模型進行分析，研究發(fā)現(xiàn)人工神經(jīng)網(wǎng)絡(luò)在財務(wù)危機預(yù)警中具有較好的預(yù)測效果[8]。吳世農(nóng)、黃世忠是我國展開財務(wù)預(yù)警研究的第一批學(xué)者。隨后，周首華、楊濟華等將現(xiàn)金流量指標(biāo)加入Altman的Z值模型上，提出了F模型;陳靜分別引用單變量預(yù)警模型與多變量預(yù)警模型對所選研究樣本進行分析。吳世農(nóng)和盧賢義選取ST企業(yè)與非ST企業(yè)作為研究樣本，并采取Logistic回歸方法和其他方法建立預(yù)警模型。張現(xiàn)芹采用主成分分析法和Logistic回歸方法建立了針對創(chuàng)業(yè)板企業(yè)的財務(wù)預(yù)警模型，結(jié)果表明該模型財務(wù)危機的預(yù)測結(jié)果較為準(zhǔn)確[9]。

在我國，對于神經(jīng)網(wǎng)絡(luò)模型在財務(wù)危機預(yù)警中的應(yīng)用，最早是季海、楊保安引入神經(jīng)網(wǎng)絡(luò)方法建立了預(yù)警模型，結(jié)果表明，神經(jīng)網(wǎng)絡(luò)模型預(yù)測精度高[10]。近年來，隨著人工智能以及相關(guān)信息技術(shù)的不斷發(fā)展，越來越多的國內(nèi)學(xué)者將神經(jīng)網(wǎng)絡(luò)應(yīng)用于財務(wù)危機預(yù)警：黃曉波、高曉瑩以98家制造業(yè)上市公司為例，引入財務(wù)指標(biāo)與非財務(wù)指標(biāo)構(gòu)建指標(biāo)體系，運用神經(jīng)網(wǎng)絡(luò)模型進行預(yù)測，預(yù)測準(zhǔn)確率達到75%，預(yù)測結(jié)果顯示該模型具有一定的應(yīng)用價值[11];陳高健以我國42家農(nóng)業(yè)上市公司為例，從企業(yè)盈利能力、償債能力、經(jīng)營發(fā)展能力、營運能力、現(xiàn)金流能力因素5個維度構(gòu)建財務(wù)危機預(yù)警指標(biāo)體系，最后創(chuàng)建了BP神經(jīng)網(wǎng)絡(luò)預(yù)警模型進行實證研究，結(jié)果表明BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型具有良好的預(yù)測能力[12];譚媛元、陳建英、孫健將主成分分析與神經(jīng)網(wǎng)絡(luò)結(jié)合構(gòu)建出的財務(wù)危機預(yù)警模型具有較高的預(yù)測準(zhǔn)確率，達到81.65%[13]。

目前，越來越多的學(xué)者已經(jīng)嘗試將人工智能技術(shù)與神經(jīng)網(wǎng)絡(luò)模型相結(jié)合，并應(yīng)用于財務(wù)危機預(yù)警的研究中。同時，研究結(jié)果表明，在預(yù)測財務(wù)狀況時，神經(jīng)網(wǎng)絡(luò)模型比傳統(tǒng)的統(tǒng)計學(xué)方法具有更好的效果。

2.2 理論基礎(chǔ)

2.2.1 系統(tǒng)論

系統(tǒng)論的核心思想是以整體觀念出發(fā)。本文通過運用系統(tǒng)論，可以更好地在整體層面建立財務(wù)危機預(yù)警模型并進行研究。例如，在指標(biāo)的篩選上，可以從不同角度進行選取，除了財務(wù)指標(biāo)外，也應(yīng)涉及非財務(wù)指標(biāo)，使指標(biāo)體系的構(gòu)建更完整，從而使建立的預(yù)警模型更加合理。因此，系統(tǒng)論的應(yīng)用有利于構(gòu)建財務(wù)危機預(yù)警模型。

2.2.2 委托代理理論

委托代理理論建立在所有權(quán)和經(jīng)營權(quán)相分離的基礎(chǔ)上。本文運用委托代理理論，旨在促使企業(yè)提高自身的管理能力，同時讓企業(yè)的相關(guān)管理者制定有關(guān)財務(wù)風(fēng)險的防范措施，主動了解有關(guān)財務(wù)危機預(yù)警的內(nèi)容，增強預(yù)防財務(wù)危機的意識，以構(gòu)建出合理、規(guī)范的財務(wù)危機預(yù)警模型。

2.2.3 危機管理理論

危機管理理論是為了更好地應(yīng)對企業(yè)突發(fā)的危機事件而提出的。該理論的核心主要是預(yù)防可能出現(xiàn)的危機和解決已經(jīng)出現(xiàn)的危機，避免重蹈覆轍。本文所研究的財務(wù)危機預(yù)警屬于危機管理的一種，其中財務(wù)危機的預(yù)測以及危機出現(xiàn)后的應(yīng)對措施可以借鑒危機管理理論，并結(jié)合企業(yè)的實際財務(wù)狀況，更好地對財務(wù)危機預(yù)警進行研究。

3 研究設(shè)計

3.1 樣本選擇和數(shù)據(jù)來源

本文參考相關(guān)文獻，并結(jié)合證監(jiān)局對環(huán)保行業(yè)的板塊細分，最終將涉及大氣治理、水務(wù)及水治理、固廢治理、環(huán)保設(shè)備、綜合環(huán)境治理5個子板塊的公司定義為環(huán)保行業(yè)，共計選取2017-2022年中國A股市場93家環(huán)保類上市公司進行實證研究。其中包括13家被特別處理的公司和80家財務(wù)健康公司，記此類上市公司被特別處理的年份為第t年，收集在被特別處理的前3年數(shù)據(jù)，即t-3年的相關(guān)指標(biāo)信息構(gòu)建模型。

本文相關(guān)數(shù)據(jù)均源于國泰安（CSMAR）數(shù)據(jù)庫。

3.2 預(yù)警指標(biāo)的篩選

在構(gòu)建指標(biāo)體系時，相對于已有的涉及財務(wù)指標(biāo)的體系，豐富非財務(wù)指標(biāo)的應(yīng)用[14]。其中，財務(wù)指標(biāo)主要涉及公司償債、發(fā)展、盈利、營運和現(xiàn)金流5個方面。非財務(wù)指標(biāo)涉及審計意見類型、是否存在關(guān)聯(lián)交易、對外擔(dān)保以及違法行為。

在對財務(wù)指標(biāo)進行初選后，還需進一步對指標(biāo)進行篩選以保留具有顯著性的指標(biāo)。因此，本文運用SPSS軟件對所選的指標(biāo)數(shù)據(jù)分別進行正態(tài)分布檢驗和顯著性檢驗，最后將通過檢驗的指標(biāo)保留下來，最終選取了6類一級指標(biāo)、20個二級指標(biāo)（見表1）。

3.3 模型設(shè)計

根據(jù)BP神經(jīng)網(wǎng)絡(luò)模型的原理和本文需求，將該模型結(jié)構(gòu)主要分為5個部分：輸入層、輸出層、隱含層、傳遞函數(shù)、訓(xùn)練函數(shù)。本文采用了一種比較簡便、實用性強的三層網(wǎng)絡(luò)結(jié)構(gòu)，即輸入層、輸出層和隱含層為一層的網(wǎng)絡(luò)結(jié)構(gòu)。將93家環(huán)保行業(yè)上市公司的樣本數(shù)據(jù)分為兩組，一組作為預(yù)警模型的訓(xùn)練樣本，一組作為測試樣本以驗證該模型的效果（訓(xùn)練樣本62家，測試樣本為31家）。

3.3.1 輸入層設(shè)計

當(dāng)訓(xùn)練集確定之后，輸入層節(jié)點數(shù)也就隨之確定，眾多神經(jīng)元（Neuron）接受大量非線性輸入信息。輸入的信息稱為輸入向量，即輸入原始的數(shù)據(jù)。本文在第二部分研究設(shè)計中從6個方面選取20個變量指標(biāo)，所以t-3年輸入層節(jié)點數(shù)為20。

3.3.2 隱含層設(shè)計

如何優(yōu)化隱含層中的節(jié)點成為整個模型運行速度和性能體現(xiàn)的關(guān)鍵所在，根據(jù)隱含層計算的經(jīng)驗公式，可以計算得到本模型t-3年樣本隱含層的最佳神經(jīng)元個數(shù)在4～17個。按照這個范圍從小到大依次訓(xùn)練，經(jīng)過測試得到，t-3年樣本隱含層最佳神經(jīng)元數(shù)為12個。

3.3.3 輸出層設(shè)計

神經(jīng)網(wǎng)絡(luò)的輸出層節(jié)點數(shù)就是被解釋變量的個數(shù)。因此，本文將網(wǎng)絡(luò)訓(xùn)練的輸出層節(jié)點數(shù)目設(shè)為1：若是輸出數(shù)字1，則表示該公司是財務(wù)危機公司;若是輸出數(shù)字0，則表示該公司的財務(wù)的狀況是健康的。

因為在實際訓(xùn)練中，BP神經(jīng)網(wǎng)絡(luò)樣本數(shù)據(jù)的輸出結(jié)果不一定是整數(shù)。因此，本文將輸出值小于0.5的標(biāo)記為財務(wù)健康公司，輸出結(jié)果大于0.5的標(biāo)記為財務(wù)危機公司。

3.3.4 函數(shù)選擇

神經(jīng)網(wǎng)絡(luò)的傳遞函數(shù)有很多種，如果想要輸出結(jié)果為幾個固定值可以選hardlim函數(shù)，而根據(jù)本文的要求和實際神經(jīng)網(wǎng)絡(luò)模型運轉(zhuǎn)，最后的輸出結(jié)果為不定值，考慮各個函數(shù)的計算精度和運算速度，選擇tanhsig——雙曲正切S型傳輸函數(shù);根據(jù)前期篩選的財務(wù)預(yù)警指標(biāo)數(shù)據(jù)，因此，本文選用適合中等網(wǎng)絡(luò)規(guī)模且訓(xùn)練速度較快的LM優(yōu)化算法。

3.3.5 網(wǎng)絡(luò)參數(shù)設(shè)計

神經(jīng)網(wǎng)絡(luò)模型的運轉(zhuǎn)速度和輸出結(jié)果受最大訓(xùn)練次數(shù)、學(xué)習(xí)速率、目標(biāo)誤差等條件的影響。經(jīng)過相關(guān)仿真訓(xùn)練后，選擇最佳參數(shù)：最大訓(xùn)練次數(shù)1 000次，設(shè)定學(xué)習(xí)速度0.01，目標(biāo)誤差0.000 01，其余參數(shù)無需設(shè)定，采用系統(tǒng)默認值。

據(jù)此，本文選定93家環(huán)保行業(yè)上市公司作為樣本分析，其中選取62家公司作為訓(xùn)練樣本，31家公司作為測試神經(jīng)網(wǎng)絡(luò)模型樣本。文本所設(shè)定的神經(jīng)網(wǎng)絡(luò)模型網(wǎng)絡(luò)結(jié)構(gòu)輸入層為20個，隱含層經(jīng)過計算得到最佳神經(jīng)元數(shù)為12個，輸出層為1個。根據(jù)輸出結(jié)果（大于0.5記為財務(wù)危機公司，小于0.5記為健康公司）結(jié)合實際公司財務(wù)狀況即可獲得通過該神經(jīng)網(wǎng)絡(luò)模型預(yù)測得到的正確率，以此來檢驗該模型在財務(wù)危機預(yù)警中的效果。

4 實證分析

本文的實證分析主要運用MATLAB軟件，用此軟件中的神經(jīng)網(wǎng)絡(luò)工具進行模型的初始化、創(chuàng)建和訓(xùn)練仿真。根據(jù)前文的初步設(shè)計，本文選擇以三層BP神經(jīng)網(wǎng)絡(luò)（t-3年為20-12-1）為基礎(chǔ)財務(wù)危機預(yù)警模型，訓(xùn)練結(jié)果以及測試結(jié)果如表2和表3所示。

由表2可知，在62家訓(xùn)練樣本中，53家財務(wù)健康公司訓(xùn)練正確數(shù)為51，準(zhǔn)確率為96.2%;9家財務(wù)危機公司訓(xùn)練正確數(shù)為9，準(zhǔn)確率達到100%;62家訓(xùn)練樣本中正確數(shù)達到60，該預(yù)警模型的訓(xùn)練正確率達到96.8%，效果較好，準(zhǔn)確率較高。由表3可知，在31家訓(xùn)練樣本中，27家財務(wù)健康公司訓(xùn)練正確數(shù)為24，準(zhǔn)確率為88.9%;4家財務(wù)危機公司訓(xùn)練正確數(shù)為2，準(zhǔn)確率達到50%;31家訓(xùn)練樣本中正確數(shù)達到26，該預(yù)警模型的訓(xùn)練正確率達到83.9%，準(zhǔn)確率較高。

根據(jù)表2和表3的結(jié)果顯示，本文所構(gòu)建的神經(jīng)網(wǎng)絡(luò)財務(wù)預(yù)警模型效果較好。但由于測試樣本中財務(wù)危機公司樣本數(shù)量較少，對其預(yù)測結(jié)果存在一定誤差，但根據(jù)整體的實驗效果而言，該模型的正確率足以達到對財務(wù)危機預(yù)警的效果。

5 結(jié)論及建議

本文選取2017-2022年我國93家環(huán)保類上市公司作為研究樣本，以被特殊處理（ST或*ST）的前3年（t-3年）的相關(guān)財務(wù)與非財務(wù)指標(biāo)作為數(shù)據(jù)來源，運用SPSS軟件對相應(yīng)指標(biāo)進行顯著性檢驗后，從34個指標(biāo)中得到20個顯著性指標(biāo)。然后運用MATLAB軟件進行BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練，訓(xùn)練結(jié)果顯示該模型的整體預(yù)測精準(zhǔn)率較高，達到了83.9%。因此，將BP神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于財務(wù)危機預(yù)警有一定的價值。

綜上，在雙碳發(fā)展的目標(biāo)下，環(huán)保類上市公司在發(fā)展的過程中應(yīng)及時關(guān)注國家環(huán)保政策變化，公司管理層更應(yīng)該掌握與環(huán)保相關(guān)的法律法規(guī)，在經(jīng)營過程中，不斷運用環(huán)保技術(shù)，同時結(jié)合信息技術(shù)來促進其與環(huán)保技術(shù)的融合發(fā)展，加強風(fēng)險防范意識，保障企業(yè)的健康發(fā)展。對于政府以及相關(guān)部門而言，需逐步完善環(huán)保行業(yè)相關(guān)風(fēng)險機制，保證國民經(jīng)濟健康持續(xù)發(fā)展。

【參考文獻】

【1】Fitzpartrick， P.J.A Comparison of Successful Industrial Enterprise with those of Failed Firms[J].Certified Public Accountant，1932（2）：11-15.

【2】Altman， Edward I.， Financial ratios， discriminant analysis， and the prediction of corporate bankruptcy[J].Journal of Finance， 1968（23）：598-609.

【3】周首華，楊濟華.論財務(wù)危機的預(yù)警分析——F分數(shù)模式[J].會計研究，1996（08）：8-11.

【4】陳靜.上市公司財務(wù)惡化預(yù)測的實證分析[J].會計研究，1999（4）：31-38.

【5】吳世農(nóng)，盧賢義.我國上市公司財務(wù)困境的預(yù)測模型研究[J].經(jīng)濟研究，2001（06）：45-55+96.

【6】盧永艷.宏觀經(jīng)濟因素對企業(yè)財務(wù)困境風(fēng)險影響的實證分析[J].宏觀經(jīng)濟研究，2013（5）：53-58.

【7】夏秀芳，遲健心.企業(yè)財務(wù)困境預(yù)警研究綜述[J].會計之友，2018（13）：2-6.

【8】Odom M.D， Sharda R.A. Neural Network Model for Bankruptcy Prediction[J]. The International Joint Conference on Neural Networks， 1990（6）.

【9】張現(xiàn)芹.創(chuàng)業(yè)板企業(yè)財務(wù)預(yù)警模型構(gòu)建與檢驗研究[D].濟南：山東財經(jīng)大學(xué)，2015.

【10】季海，楊保安.BP神經(jīng)網(wǎng)絡(luò)在企業(yè)財務(wù)危機預(yù)警之應(yīng)用[J].預(yù)測，2001，20（2）：49-54.

【11】黃曉波，高曉瑩.基于神經(jīng)網(wǎng)絡(luò)的企業(yè)財務(wù)危機預(yù)警研究——以制造業(yè)上市公司為例[J].會計之友，2015（05）：30-34.

【12】陳高健.基于BP神經(jīng)網(wǎng)絡(luò)模型的農(nóng)業(yè)上市公司財務(wù)危機預(yù)警研究[D].杭州：浙江農(nóng)林大學(xué)，2020.

【13】譚媛元，陳建英，孫健.基于CNN的上市公司財務(wù)危機預(yù)警研究[J].西南師范大學(xué)學(xué)報（自然科學(xué)版），2021，46（5）：73-80.

【14】張婉君，羅威.引入非財務(wù)指標(biāo)的財務(wù)危機預(yù)警研究——以我國制造業(yè)上市公司為例[J].財政監(jiān)督，2016（01）：91-94.

【作者簡介】吳欣萌（1997-），女，四川眉山人，研究生在讀，從事財務(wù)管理研究。