導(dǎo)語：BP神經(jīng)網(wǎng)絡(luò)在城投公司財務(wù)預(yù)警的應(yīng)用一文來源于網(wǎng)友上傳，不代表本站觀點，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

摘要：近年來，城投公司由于債務(wù)規(guī)模增長較快，導(dǎo)致地方政府性債務(wù)的系統(tǒng)性風(fēng)險開始積聚。因此，財務(wù)預(yù)警對于城投公司具有重要的意義。本文以人工神經(jīng)網(wǎng)絡(luò)中的bp神經(jīng)網(wǎng)絡(luò)作為主要工具，構(gòu)建出一個適合我國城投公司且具有實用價值的財務(wù)預(yù)警模型。同時，模型對總體樣本預(yù)測的正確率為78.15%，說明模型的整體預(yù)測效果比較理想，可以為城投公司管理人員提供一種合理有效的解決方案。

關(guān)鍵詞：人工智能；BP神經(jīng)網(wǎng)絡(luò)；城投公司；財務(wù)預(yù)警

一、BP神經(jīng)網(wǎng)絡(luò)概述

BP神經(jīng)網(wǎng)絡(luò)，全稱誤差反向傳播的前饋型神經(jīng)網(wǎng)絡(luò)（ErrorBackpropagationNeuralNetwork，是目前應(yīng)用最廣泛、發(fā)展最成熟的人工神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)最重要的特點是采用誤差反向傳播算法進行學(xué)習(xí)。模型通過正反兩個方向進行信息傳遞，其中，數(shù)據(jù)的傳播路徑是正向的，即從輸入層經(jīng)過隱含層到輸出層，但訓(xùn)練結(jié)果與目標的誤差是反向傳播的，即輸出層反向經(jīng)過隱含層到輸入層。隨著學(xué)習(xí)的不斷深入，可以實現(xiàn)不斷減少輸出誤差的目的。

二、財務(wù)預(yù)警體系的構(gòu)建

（一）預(yù)警指標的選擇和優(yōu)化

本文根據(jù)城投公司的經(jīng)營特點和財務(wù)特色，從償債能力、盈利能力、資產(chǎn)營運能力、發(fā)展能力四個評價維度選擇了25個財務(wù)指標。將全國范圍內(nèi)650家城投公司2019年度的25個財務(wù)指標數(shù)據(jù)導(dǎo)入SPSS進行KMO和巴特利特球形檢驗，得到KMO值為0.637、巴特利特球形檢驗的Sig值為0，符合因子分析的條件進一步的，將上述財務(wù)指標數(shù)據(jù)進行主成分分析后，確定了預(yù)警體系評價指標的主成分數(shù)量為9個。隨后，通過三輪因子分析，可以確定9個主成分的構(gòu)成方法（見表1），實現(xiàn)了企業(yè)的償債能力、盈利能力、營運能力、發(fā)展能力四個評價維度的全覆蓋，具有一定的科學(xué)性、合理性。

（二）樣本與預(yù)測周期

本文分析采用的數(shù)據(jù)樣本為全國范圍內(nèi)隨機篩選出的650家城投公司2019年和2018年的各項財務(wù)指標數(shù)據(jù)。財務(wù)風(fēng)險預(yù)警屬于信用風(fēng)險評價的一個分支，信用風(fēng)險評價一般注重于短期的評估，通過以一年為評估的時間段。同時，由于城投公司短期流動資金規(guī)模和按年付息壓力的存在，以短期一年的跨度來界定預(yù)測周期較為合理。因此，本文的預(yù)測周期為1年。

三、財務(wù)預(yù)警模型的設(shè)計

（一）網(wǎng)絡(luò)拓撲結(jié)構(gòu)設(shè)計

1.輸入層節(jié)點數(shù)輸入層神經(jīng)元節(jié)點數(shù)的確定方法相對較為簡單，一般采用樣本的屬性個數(shù)作為節(jié)點數(shù)。由于本文的研究對象為650家城投公司的9個具有代表性的主成分，因此本次建模輸入層節(jié)點數(shù)為9。2.輸出層節(jié)點數(shù)輸出層神經(jīng)元節(jié)點數(shù)取決于輸出數(shù)據(jù)的定義屬性或標簽。根據(jù)作者從業(yè)中的實際經(jīng)驗來看，一般公司管理者對公司是否出現(xiàn)財務(wù)風(fēng)險的判斷分為兩種，一種為正常，意味著公司經(jīng)營穩(wěn)健，短期內(nèi)不會發(fā)生顯著的財務(wù)風(fēng)險，暫時不需要采取相應(yīng)的措施；另一種為預(yù)警，意味著公司的各項財務(wù)指標出現(xiàn)了明顯的惡化或發(fā)生了風(fēng)險事件，比如公司自身的財務(wù)數(shù)據(jù)發(fā)生的重大變動、被評級公司下調(diào)信用評級、被證監(jiān)會等監(jiān)管機構(gòu)提示暫停上市交易的警告或者了相關(guān)負面新聞等，當然，有些事件可能最終對公司不會造成實質(zhì)性的影響，但是從公司管理者的角度來說，有必要對相關(guān)事件高度重視，深入分析事件發(fā)生的原因，以便于采取進一步的行動來控制財務(wù)風(fēng)險，避免出現(xiàn)財務(wù)風(fēng)險。因此，本文建模輸出層節(jié)點數(shù)為2，對應(yīng)“正?！?、“預(yù)警”兩種情況。輸出層除了需要確定節(jié)點數(shù)，還需要將期望輸出結(jié)果錄入模型，以便于模型將實際輸出與期望輸出的誤差進行前向反饋從而提高模型預(yù)測的準確率。作者將輸出為正常的樣本輸出值定義為0，將輸出為預(yù)警的樣本輸出值定義為1。由于財務(wù)預(yù)警模型是針對未來的預(yù)警，而樣本是城投公司2018年度和2019年度的主成分，因此，輸出值應(yīng)采用次年度（即2019年度和2020年度）是否發(fā)生財務(wù)預(yù)警事項來進行分類。財務(wù)預(yù)警事項一般分為內(nèi)部因素和外部因素，內(nèi)部因素一般通過各類財務(wù)指標反映。通過上文確定的9個主成分F1～F9，根據(jù)各成分中組成部分的各項財務(wù)指標代表的經(jīng)濟意義可以分析出，F(xiàn)1、F2、F8、F9與財務(wù)風(fēng)險呈負相關(guān)，即數(shù)值越低，財務(wù)風(fēng)險越大，經(jīng)濟學(xué)上的意義為流動資產(chǎn)覆蓋負債的水平、投資盈利能力、利潤對利息費用的覆蓋程度、資產(chǎn)營運能力越低，財務(wù)風(fēng)險越高；F3、F5、F6與財務(wù)風(fēng)險呈正相關(guān)，即數(shù)值越高，財務(wù)風(fēng)險越大，經(jīng)濟學(xué)上的意義為負債與資產(chǎn)的比重、間接費用對利潤的侵蝕程度、投資支出的現(xiàn)金流量越大，財務(wù)風(fēng)險越高；F4、F7比較特殊，如果值為負數(shù)，表示業(yè)務(wù)發(fā)展呈現(xiàn)負增長或者現(xiàn)金不足以支付到期債務(wù)，這些都是財務(wù)風(fēng)險的潛在表現(xiàn)。外部因素一般通過信用評級機構(gòu)等外部機構(gòu)的信息反映。比如評級機構(gòu)下調(diào)公司的信用評級等級將或評級展望調(diào)整為負面、跟蹤評級報告因故延期揭露、監(jiān)管機構(gòu)了暫停上市的風(fēng)險提示公告、公司被司法機關(guān)列入失信被執(zhí)行人名單，這些負面事件的出現(xiàn)都反映了公司發(fā)生風(fēng)險隱患的可能性大幅提高。本文采用內(nèi)部因素和外部因素相結(jié)合的方法來判斷公司是否會出現(xiàn)財務(wù)風(fēng)險，只要出現(xiàn)內(nèi)部因素或外部因素任何一種因素即認定次年會出現(xiàn)財務(wù)風(fēng)險，其中內(nèi)部因素的判斷依據(jù)為：F4、F7同時小于0且F1、F2、F3、F5、F6、F8、F9中同時有5個及以上數(shù)值排名在50%以下；外部因素的判斷依據(jù)為：次年評級下調(diào)或評級展望為負面、跟蹤評級報告因故延期揭露、被監(jiān)管機構(gòu)暫停上市的風(fēng)險提示公告、被司法機關(guān)列入失信被執(zhí)行人名單四種情況出現(xiàn)任何一種情形。具體分類標準見表2。3.隱含層層數(shù)對于一般簡單的數(shù)據(jù)集，通常采用一或兩層隱含層；對于涉及時間序列或計算機視覺的復(fù)雜數(shù)據(jù)集，則需要額外增加隱含層數(shù)。因此，本文模型的隱含層層數(shù)設(shè)為1。4.隱含層節(jié)點數(shù)根據(jù)確定隱含層神經(jīng)元節(jié)點數(shù)的經(jīng)驗公式（其中為輸入層節(jié)點數(shù)）：Nh＝log2Ni可以確定，Nh的取值為4，因此，輸入層節(jié)點數(shù)確定為4。5.傳遞函數(shù)傳遞函數(shù)是BP網(wǎng)絡(luò)的重要組成部分，實踐中通常采用Sigmoid函數(shù)或線性函數(shù)作為傳遞函數(shù)。Log-Sigmoid函數(shù)（簡稱logsig函數(shù)）的輸入值可取整個實數(shù)集，輸出值在0和1之間。Log-Sigmoid函數(shù)公式定義為：線性函數(shù)則比較簡單，輸出值與輸入值相等，函數(shù)圖像是一條直線。由于本次財務(wù)預(yù)警模型的期望輸出結(jié)果為0或1，因此，選擇Sigmoid函數(shù)將輸出結(jié)果映射在-1到1的區(qū)間內(nèi)比較合適。經(jīng)過作者的多次實踐，隱含層的傳遞函數(shù)選擇logsig函數(shù)，輸出層的傳遞函數(shù)選擇tansig函數(shù)，可以盡可能實現(xiàn)準確的期望輸出。6.訓(xùn)練函數(shù)BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練函數(shù)比較豐富，常用的有trainbgf（BFGS擬牛頓法）、traingdm（帶動量的最速梯度下降算法）、trainlm（Levenberg-Marquardt算法的變梯度反向傳播算法）、trainscg（采用量化共軛梯度算法的變梯度反向傳播算法）等。由于Levenberg-Marquardt算法收斂速度最快，均方誤差也較小，因此，trainlm函數(shù)的使用最為廣泛。本文模型的訓(xùn)練函數(shù)也選擇trainlm函數(shù)。7.其他參數(shù)BP神經(jīng)網(wǎng)絡(luò)各種參數(shù)的設(shè)定沒有固定的規(guī)則可循，只能參照專家意見或個人經(jīng)驗。經(jīng)過多次實踐，本文模型各項參數(shù)設(shè)定的值見表3。

（二）數(shù)據(jù)訓(xùn)練與測試

由于隱含層和輸出層的傳遞函數(shù)均為Sigmoid函數(shù)，取值為-1到1的區(qū)間內(nèi)，Matlab軟件采集到的樣本所包含的9個特征值（具體為9個與財務(wù)指標相關(guān)的主成分）的各數(shù)據(jù)單位存在不一致，如果直接把樣本輸入模型，過大或者過小的極端值很可能會導(dǎo)致Sigmoid函數(shù)進入平坦區(qū)，全部趨近于-1或者1，最終造成隱含層和輸出層的輸出全部趨向相同的值，因此，需要對所有樣本的輸入數(shù)據(jù)進行歸一化處理。另外，由于期望輸出值為0或1，因此，樣本的輸出數(shù)據(jù)無須進行歸一化處理。Matlab軟件內(nèi)置的神經(jīng)網(wǎng)絡(luò)工具箱使用最大最小法進行數(shù)據(jù)歸一化，通過Matlab軟件提供的最新版本的歸一化函數(shù)mapminmax對數(shù)據(jù)進行歸一化后，減少了BP神經(jīng)網(wǎng)絡(luò)的運行時間，同時網(wǎng)絡(luò)更容易收斂到正確的最優(yōu)解。函數(shù)公式定義如下：其中：Inputi為輸入的任一樣本值，Inputmax為輸入樣本中的最大值，Inputmin為輸入樣本中的最小值。Matlab軟件在R2007b版本之后對神經(jīng)網(wǎng)絡(luò)工具箱進行了更新，將BP神經(jīng)網(wǎng)絡(luò)的調(diào)用函數(shù)由過去的newff函數(shù)更換成了feedforwardnet函數(shù)，newff函數(shù)雖然仍可以調(diào)用，但是已經(jīng)不被Matlab官方所推薦，feedforwardnet函數(shù)調(diào)用格式如下：net=feedforwardnet(hiddenSizes,trainFcn)其中，hiddenSizes為隱含層節(jié)點數(shù)，默認值為10，trainFcn為訓(xùn)練函數(shù)，默認值為trainlm。BP神經(jīng)網(wǎng)絡(luò)的算法決定網(wǎng)絡(luò)運行時第一次迭代使用的連接權(quán)值是隨機生成的，造成模型的運行結(jié)果具有隨機性和不可重現(xiàn)性，為了避免極端的隨機值造成模型的輸出結(jié)果出現(xiàn)偏差，可以通過循環(huán)語句進行模型的重復(fù)多次運行，統(tǒng)計出平均正確率。得力于現(xiàn)代計算機的極高的運行速度和計算效率，作者將模型的重復(fù)運行次數(shù)設(shè)定為30次。實現(xiàn)的代碼見附錄。值得注意的是，由于BP神經(jīng)網(wǎng)絡(luò)的輸出值是傳遞函數(shù)區(qū)間內(nèi)的實數(shù)集中的任一實數(shù)，因此，需要將實際輸出結(jié)果量化為期望的輸出結(jié)果0或1，作者以0.5為界，小于0.5的輸出值歸類為0，大于0.5的輸出值歸類為1，以便于統(tǒng)計模型輸出的正確率。

四、模型驗證分析

（一）正確率矩陣

由于BP神經(jīng)網(wǎng)絡(luò)的算法決定網(wǎng)絡(luò)運行時第一次迭代使用的連接權(quán)值是隨機生成的，造成模型的運行結(jié)果具有隨機性和不可重現(xiàn)性，作者將建立的財務(wù)預(yù)警模型重復(fù)運行30次的輸出結(jié)果作了整理。通過圖1和表4可以看出，模型重復(fù)運行30次的正確率均處于較高的水平，最高正確率為77.85%，最低正確率為71.85%，平均正確率為75.24%。為了進一步驗證模型的錯判程度，作者手工檢驗了測試樣本中被模型錯判比例，表5反映了模型實際輸出的正確率統(tǒng)計情況。從表中可以看出，650個測試樣本中，期望輸出的0（即無財務(wù)風(fēng)險）的樣本數(shù)為380個，其中，有337個模型判斷正確，43個判斷錯誤，正確率為88.68%；期望輸出的1（即出現(xiàn)財務(wù)預(yù)警）的樣本數(shù)為270個，其中，有171個模型判斷正確，99個判斷錯誤，正確率為63.33%；模型對總體樣本預(yù)測的正確率為78.15%，說明模型的整體預(yù)測效果比較理想。

（二）數(shù)學(xué)表達式

通過上文建立的模型重復(fù)運行30次后的平均正確率來看，該模型的輸出能夠達到預(yù)期的結(jié)果。但是，為了輸出更精確的結(jié)果，有必要選擇保存正確率較高時的機器學(xué)習(xí)網(wǎng)絡(luò)模型來進行模型的分析和后續(xù)的預(yù)測。作者在對訓(xùn)練樣本和測試樣本反復(fù)的學(xué)習(xí)測試中，得到的最高正確率為82.46%，將本次模型的算法導(dǎo)出后保存為單獨的網(wǎng)絡(luò)文件，供以后的預(yù)測工作使用。以下分析均以本次建模為基礎(chǔ)。圖2為財務(wù)預(yù)警模型的最終網(wǎng)絡(luò)結(jié)構(gòu)圖，可以看出輸入層神經(jīng)元節(jié)點數(shù)為9個，隱含層為1層，神經(jīng)元節(jié)點數(shù)為4個，傳遞函數(shù)為logsig，輸出層神經(jīng)元節(jié)點數(shù)為1個，傳遞函數(shù)為tansig。連接權(quán)值系數(shù)為w，閾值項為b。令w12為第1層（輸入層）到第2層（隱含層）的權(quán)值，b2為第2層（隱含層）的閾值，w23為第2層（隱含層）到第3層（輸出層）的權(quán)值，b3為第3層（輸出層）的閾值，根據(jù)模型的網(wǎng)絡(luò)結(jié)構(gòu)（圖2）以及連接權(quán)值系數(shù)w和閾值項b的輸出值，可以進一步得到模型的表達式。

五、結(jié)論

通過分析財務(wù)預(yù)警模型的表達式可以得出，F(xiàn)7、F8兩個主成分對模型的結(jié)果影響的權(quán)重值最高，其次為F1、F3兩個主成分權(quán)重值較高，F(xiàn)2、F4、F5、F6、F9五個主成分的權(quán)重值相對較低。F7、F8是已獲利息倍數(shù)和現(xiàn)金到期債務(wù)比，分別反映了公司償還債務(wù)利息和到期本金的能力，該項被BP神經(jīng)網(wǎng)絡(luò)模型賦予了最高的權(quán)重，F(xiàn)1、F3反映了公司的短期償債能力和長期償債能力，該項被BP神經(jīng)網(wǎng)絡(luò)模型賦予了較高的權(quán)重，從經(jīng)濟學(xué)的角度考慮，償還債務(wù)利息和到期本金的能力考察了公司即時償付債務(wù)的能力，短期償債能力和長期償債能力考察了公司潛在償付債務(wù)的能力。綜上所述，模型的賦值在經(jīng)濟學(xué)具有一定的價值和意義。

參考文獻：

[1]張曉萍,胡安琴.國內(nèi)外財務(wù)風(fēng)險預(yù)警模型實證研究文獻綜述[J].中國證券期貨,2013(03):109+111.

[2]劉驊,盧亞娟.地方政府融資平臺債務(wù)風(fēng)險預(yù)警模型與實證研究[J].經(jīng)濟學(xué)動態(tài),2014(08):63-69.

[3]李曉璐.基于BP神經(jīng)網(wǎng)絡(luò)的企業(yè)財務(wù)管理風(fēng)險預(yù)測實證分析[J].菏澤學(xué)院學(xué)報,2020,42(05):52-57.

作者：程寅驍 單位：浙江湖州交通集團