基于RBF神经网络的高校财务风险识别

【摘 要】 为实现高校财务风险的实时监测及预警，文章在遵循全面性、科学性、可操作性等原则的基础上，建立了高校财务风险识别指标体系，并采用RBF神经网络构建了高校财务风险识别模型，最后用实例验证了该模型用于高校财务风险识别的可行性。

【关键词】 RBF神经网络； 高校； 财务风险识别

一、引言

近年来，我国高等教育事业快速发展，从1998年到2010年我国高校招生幅度显著增长：到2010年，我国普通高校招生657万人，是1998年的6倍，高等教育毛入学率达24.2%，在校生由不到700万人上升到2 979万人，居世界第一位。随着我国教育体制改革的不断深化，高校办学自主权不断扩大，教育投入与教育需求之间的矛盾日益增长，许多高校选择了银校合作之路，这使得高校面临着巨大的财务风险，而高校财务风险识别问题也愈来愈受到社会各界的关注。

一直以来，大多数高校财务风险识别主要依靠管理人员的经验判断，这种方法主观性强，准确性因人而异，且不容易发现潜在的财务风险问题，在推广使用、识别结果公开化方面也遇到瓶颈。因此，研究一套高校财务风险识别模型是必要的。目前，国内外学者在财务风险识别方面建立的模型主要有单变量模型、多元线性判别分析、逻辑回归模型和人工神经网络模型四种，其中，人工神经网络模型因其对样本没有假设要求、模型具有很强的容错能力、学习能力和纠错能力而成为研究的热点，尤其是在上市公司财务风险预警领域得到较大的进展。但是，对于高校财务风险识别的研究还处于起步阶段。因此，本研究试图从高校的特点出发，建立一套高校财务风险识别的指标体系，并以RBF神经网络方法为基础构建高校财务风险识别模型，以达到高校财务风险的实时监测及预警的目的。

二、高校财务风险识别指标体系构建

构建与高校财务风险状况相符的指标体系是建立高校财务风险识别模型的基础和关键。从财务风险的概念和内涵来看，财务风险是指在财务活动的各个环节中，由于各种难以或无法预料的因素，而使得组织的实际财务收益和预测财务收益发生背离，从而使组织有蒙受经济损失的机会或者可能性。由此可见，财务风险具有客观必然性、综合性、复杂性和不确定性的特征。为了保证指标体系能科学、客观、有效地反映高校财务风险，本研究在构建高校财务风险识别指标体系时严格遵循全面性、科学性、可操作性的原则。本研究选择了广东省教育厅直属的6所高校进行实地调研，对比分析各高校的财务现状，并借鉴现有的高校财务风险识别研究成果，从偿债能力、营运能力、收益能力、发展潜力4个方面选取了18项具有共同特征的指标来建立高校财务风险识别指标体系，具体的二级指标如表1所示。

三、RBF神经网络

针对高校财务风险的客观存在性、综合性、复杂性及不确定性特征，本研究选取人工神经网络这种非线性、自适应信息处理系统来构建财务风险识别模型。其工作原理是根据所提供的数据，通过学习和训练，找出输入与输出之间的内在联系，从而求取问题的解。

径向基（Radical Basis Function，简称RBF）神经网络是一种性能良好的前向神经网络，与其他网络相比，它具有以下优点：第一，目前已经证明，RBF神经网络能够以任意精度逼近任意连续函数，且不存在局部最小问题；第二，RBF神经网络具有结构自适应确定、输出与初始权值无关的优良特性；第三，RBF神经网络训练速度快；第四，RBF神经网络具有良好的容错性能和泛化能力。因此，本研究选取RBF神经网络作为识别方法。

RBF神经网络的典型结构如图1所示，它包括输入层、隐含层和输出层，各层又由若干个神经元（节点）构成，隐含层的神经元数目由具体问题的情况而定。每一个神经元的输出值由输入值、隐含层中的激励函数和阈值决定。隐含层的激励函数有多种形式，通常取高斯函数。

四、高校财务风险识别及分析

本研究采集广东省教育厅直属的6所高校2009

—2011年的财务报表数据作为原始资料，以表1的高校财务风险识别指标体系作为分析对象，共获得18组数据。

在选取的18个相对财务指标中，有8个正向指标（现实支付能力、潜在支付能力、资产收入比率、净资产收入比率、职工人均贡献能力、生均非财政贡献、事业基金可用率、项目支出占总支出比率）、1个逆向指标（收入负债比率）、9个适度指标（资产负债率、流动比率、经费自给率、生均收支比率、公用支出比率、固定资产增长率、自筹收入能力比率、资产权益率、银行存款保障率）。本研究首先采用式（1）对逆向指标正向化处理；其次，对适度指标按照对应合理的指标区间进行正向化处理；最后，为了避免量纲影响，对数据进行归一化处理，归一化处理的方法见式（2）。

RBF神经网络的输出层定义了一个节点，数值1、2、3分别对应正常、关注和预警三个风险等级，数值越大说明风险越高。在归一化处理后的样本集中，随机选取第1—15组作为训练样本，用来对神经网络进行训练；第16—18组作为测试样本，用来检验网络。归一化后的样本集数据如表2所示。

本研究采用MATLAB软件实现RBF神经网络，经过反复训练对比，确定最佳隐含层节点数为10。设定训练误差目标为0.01，对神经网络模型进行训练，经过10次训练，总误差小于给定值。RBF的扩展速度SPREAD越大，函数的拟合就越平滑，但是过大的SPREAD意味着需要非常多的神经元以适应函数的快速变化。因此，本研究采取多次测试法，当SPREAD=1.5时，拟和效果最佳。得到的RBF神经网络的识别结果及相对误差如表3所示。

从表3可以看出随机抽取的样本数据的财务风险分类结果，从而判断出财务风险的高低：第16组为正常风险等级，第17组为关注风险等级，第18组为预警风险等级。其中最大识别误差为25%，平均识别误差为12%，识别结果与专家评定结果一致。

五、结语

本文在建立高校财务风险识别指标体系的基础上，采用RBF神经网络构建了高校财务风险识别模型，并对广东省教育厅直属6所高校2009 —2011年的财务风险状况进行了识别，识别结果与专家评定结果一致，平均识别误差为12%。

此外，研究结果显示：作为测试集的第16、17、18组数据分别属于3所不同高校的不同年份，其中第16组数据为所属F校2011年的财务风险状况；第17组数据为所属B校2010年的财务风险状况；第18组数据为所属E校2009年的财务风险状况。即F校的财务风险状况由报警状态逐渐向正常状态过渡；B校的财务风险状况由正常状态向关注状态过渡；E校的财务风险状况一直处于报警状态。基于此，建议B校管理者充分关注学校的收益能力及发展潜力，尤其是财务风险识别指标体系中的生均非财政贡献（X14）、银行存款保障率（X17），不断提高学校自筹收入，减少负债，逐步降低学校的财务风险；建议E校管理者高度重视学校的偿债能力和收益能力情况，尤其是财务风险识别指标体系中的收入负债比率（X5）、资产收入比率（X11）、净资产收入比率（X12）。只有解决了债务问题，才能摆脱目前的财务风险状况。

总体而言，本文建立的高校财务风险模型克服了管理人员经验评价所带来的主观因素及随机性的影响，保证了识别结果的客观性、准确性、实时性，为实现高校财务风险的实时监测及预警提供了新的思路。

【参考文献】

[1] 国家统计局.中国统计年鉴2011[M].北京：中国统计出版社，2011.

[2] 王艳玲，王汉保.上市公司财务风险预警模型研究的文献综述[J].中国集体经济，2011（24）：72-73.

[3] 孙晓然，徐思云，杨伟静.基于RBF神经网络的上市公司系统风险评价研究[J].会计之友，2009（8）：109-110.

[4] 刘磊，郭岩.基于RBF神经网络的物流企业财务风险预警评价[J].财会月刊，2012（3）下：59-61.

[5] Whitaker，R.B. The early Stages of Financial Distress. Journal of Economics and Finance.1995（2）：23-33.

[6] 刘小娴.高校财务风险预警指标体系构建[J].财会月刊，2010（3）中：67-68.

[7] 董军.普通高校财务风险的评价和控制研究[D].山东师范大学，2009.

[8] 吴洪侠.基于神经网络模型的供水供气上市公司财务风险预警研究[D].燕山大学，2010.

[9] 飞思科技产品研发中心.神经网络理论与MATLAB7实现[M].北京：电子工业出版社，2006.