導(dǎo)語(yǔ)：神經(jīng)網(wǎng)絡(luò)下的企業(yè)財(cái)務(wù)預(yù)警論文一文來源于網(wǎng)友上傳，不代表本站觀點(diǎn)，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

1引言

公司財(cái)務(wù)預(yù)警系統(tǒng)是一種具有預(yù)測(cè)性與針對(duì)性的警報(bào)系統(tǒng)，其目的就是為了防止企業(yè)的財(cái)務(wù)系統(tǒng)在項(xiàng)目運(yùn)行過程中偏離了原來目標(biāo)后給企業(yè)造成重大經(jīng)濟(jì)損失現(xiàn)象的發(fā)生。一般來說，它主要是利用一定的數(shù)學(xué)模型對(duì)企業(yè)的財(cái)務(wù)、運(yùn)行等各項(xiàng)指標(biāo)進(jìn)行綜合評(píng)價(jià)，根據(jù)模型預(yù)測(cè)的結(jié)果給出一定的理論結(jié)果供企業(yè)決策者參考。它具有監(jiān)測(cè)、診斷、冶療及健身功能［1］。一些研究人員對(duì)財(cái)務(wù)預(yù)警系統(tǒng)進(jìn)行了分析。文獻(xiàn)［2］采用邏輯回歸法對(duì)公司財(cái)務(wù)預(yù)警系統(tǒng)進(jìn)行了分析；文獻(xiàn)［3］運(yùn)用主成分分析法建立了公司財(cái)務(wù)的通用預(yù)警模型并給出了一些意見與建議。文獻(xiàn)［4］采用GA算法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，建立了優(yōu)化后的基于BP神經(jīng)網(wǎng)絡(luò)的上市公司財(cái)務(wù)危機(jī)預(yù)警模型。本文采用BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)與Adaboost算法相合的分析方法，對(duì)采集的樣本數(shù)據(jù)建立強(qiáng)分類器并進(jìn)行分類誤差研究，完成公司財(cái)務(wù)預(yù)警系統(tǒng)的分析，并取得較好的效果。

2預(yù)警系統(tǒng)的體系指標(biāo)及數(shù)學(xué)模型

2．1預(yù)警系統(tǒng)的體系指標(biāo)的篩選

公司財(cái)務(wù)系統(tǒng)涉到公司運(yùn)營(yíng)的各個(gè)環(huán)節(jié)，對(duì)于其風(fēng)險(xiǎn)防范的內(nèi)容也涉及很多體系指標(biāo)。從經(jīng)營(yíng)過程及內(nèi)容來看，這些指標(biāo)一般可以歸納為以下幾個(gè)方面：財(cái)務(wù)報(bào)表內(nèi)的各項(xiàng)信息指標(biāo)，企業(yè)盈利及償還能力指標(biāo)、企業(yè)發(fā)展與成長(zhǎng)能力指標(biāo)，企業(yè)的線性流量指標(biāo)和財(cái)務(wù)報(bào)表外信息指標(biāo)。在每一個(gè)指標(biāo)內(nèi)，又可以找到很多小項(xiàng)的評(píng)價(jià)指標(biāo)，如果將這些都納入公司財(cái)務(wù)預(yù)警系統(tǒng)的綜合評(píng)價(jià)指標(biāo)范疇，則預(yù)警模型會(huì)相當(dāng)龐大且復(fù)雜，不利于得到正確的預(yù)警結(jié)論。因此，在進(jìn)行財(cái)務(wù)預(yù)警系統(tǒng)的分析前，應(yīng)先對(duì)這些相關(guān)性較強(qiáng)的評(píng)價(jià)指標(biāo)進(jìn)行理論性的篩選，然后才能將這些篩選后的指標(biāo)納入至預(yù)警的數(shù)學(xué)模型中，從而使該預(yù)測(cè)模型能較快較全面地真實(shí)反應(yīng)企業(yè)財(cái)務(wù)狀況并能實(shí)現(xiàn)預(yù)警功能。

2．2BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的實(shí)現(xiàn)

BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法是近些年來應(yīng)用較為廣泛的一種預(yù)測(cè)方法，對(duì)于離散性的數(shù)據(jù)預(yù)測(cè)具有良好的自適應(yīng)性及容錯(cuò)性。它一般分為輸入層、中間隱含層及輸出層三層，各層之間通過神經(jīng)元相互連接。而Adaboost算法的核心思想就是將多個(gè)弱的分類器的輸出值進(jìn)行合并，再利用每個(gè)分類函數(shù)的權(quán)重及迭代計(jì)算加權(quán)得到強(qiáng)分類函數(shù)，從而產(chǎn)生有效分類，形成一個(gè)強(qiáng)分類器。其基本實(shí)現(xiàn)過程如圖1所示。首先，對(duì)采集的數(shù)據(jù)樣本進(jìn)行歸一化的預(yù)處理并進(jìn)行分組劃分，然后對(duì)每組預(yù)處理的樣本使用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，每個(gè)預(yù)測(cè)都會(huì)形成一個(gè)迭代誤差，這些不同組的弱分類組成一個(gè)大的弱分類器。根據(jù)預(yù)測(cè)分類序列的預(yù)測(cè)誤差值來計(jì)算預(yù)測(cè)序列權(quán)重，然后根據(jù)這個(gè)序列權(quán)重來調(diào)整下一次迭代的訓(xùn)練樣本的權(quán)重。當(dāng)網(wǎng)絡(luò)訓(xùn)練多次后，通過各組的弱分類函數(shù)組合就可以得到強(qiáng)分類函數(shù)，形成一個(gè)強(qiáng)分類器，提高預(yù)測(cè)的精度，然后這些較高精度的理論計(jì)算結(jié)果再提交給決策者進(jìn)行相關(guān)決策。

3具體算例

根據(jù)調(diào)研，選擇十項(xiàng)參數(shù)指標(biāo)來描述某公司財(cái)務(wù)狀況，這十項(xiàng)能較為全面地反映了企業(yè)的財(cái)務(wù)狀況。表2為預(yù)測(cè)序列權(quán)重at和迭代計(jì)算的誤差et的計(jì)算結(jié)果表。表中，在各個(gè)弱分類器的迭代中，預(yù)測(cè)序列權(quán)重at的分布不均衡，第一個(gè)弱分類器的序列權(quán)重最大，其余的依次呈交替變化。而迭代計(jì)算的誤差et都控制在0．35以下，說明本計(jì)算的精度較高。圖2為A，B和J體系指標(biāo)的計(jì)算數(shù)據(jù)的序列權(quán)重分布，從圖中可以看出：三個(gè)體系指標(biāo)的序列權(quán)重都是呈波動(dòng)跳躍變化，但波動(dòng)范圍不大。相對(duì)而言，在20個(gè)數(shù)據(jù)樣本中，體系指標(biāo)A的權(quán)重最大，其次為體系指標(biāo)B，最后是體系指標(biāo)J。表3為兩種分類器的誤差率值。其中，強(qiáng)分類器分類誤差率為4％，而弱分類器分類平均誤差率為5．57％，前者比后者低，這說明采用BP＿Adaboost算法取得了較好的效果。4結(jié)語(yǔ)根據(jù)前述分析與討論，可以得到如下結(jié)論：（1）用BP＿Adaboost分類算法建立的強(qiáng)分類器的分類誤差率低于僅用BP算法建立的弱分類器的分類誤差率，這說明采用BP＿Adaboost算法具有較好的效果，利用組合算法對(duì)企業(yè)財(cái)務(wù)進(jìn)行預(yù)警具有可行性和一定的計(jì)算精度，這些能為企業(yè)財(cái)務(wù)預(yù)警提供一定的理論指導(dǎo)。（2）企業(yè)應(yīng)該充分利用現(xiàn)有的一些預(yù)測(cè)方法，加強(qiáng)自身財(cái)務(wù)體系的預(yù)警研究，建立其內(nèi)部的預(yù)警控制體系及配套措施，從而對(duì)可能產(chǎn)生的對(duì)企業(yè)造成重大損失的財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行防范。（3）本方所采用的方法簡(jiǎn)單易行，對(duì)于同類的預(yù)警分類方法都具有較強(qiáng)的適用性與推廣性。

作者:肖嵐單位:武漢船舶職業(yè)技術(shù)學(xué)院經(jīng)濟(jì)與管理學(xué)院