模糊神经网络在企业财务风险评价中的应用

【摘 要】 文章运用模糊系统和神经网络的基本原理，根据现有的数据和指标建立了判断企业财务风险的模糊神经网络模型，通过实证研究证明了其具有较高的正确性，在使用上也极其方便。

【关键词】 模糊系统； 神经网络； 财务风险

引 言

从世界范围内看，最近二十年，日本的山一证券、八佰伴国际集团等大型企业集团，韩国的韩宝集团、三美集团等大财阀，美国的雷曼兄弟都先后破产。而从国内的情况看，郑百文、银广夏等一度辉煌的企业都因为各种原因而先后倒闭。在全球化的趋势下，中国的企业也势必面临着更多的市场竞争以及更多的宏观不确定性，企业的整个发展必将受到更多的威胁，企业的生存也面临着巨大的挑战。在这种背景下，企业的财务风险问题已经成为企业内外利益相关者共同关注的问题，及时准确地预测和评价企业的财务风险，成为当前研究的一个重要课题，本文正是在这个背景下提出了用模糊神经网络来研究企业财务风险问题。

一、数据选取

本文以上市公司为研究对象，将ST公司界定为财务风险较大的企业。所有样本选自沪深两个交易所的上市公司，时间段为2010年1月1日到2010年12月31日，行业选择根据中国证监会《上市公司行业分类指引》，选择其中的制造业行业，样本数据来源于国泰安信息技术有限公司的CSMAR数据库。使用软件为Excel2007、SPSS14.0和MATLAB7.0。

2010年A股上市公司中属于制造业的企业一共有1 314家，剔除数据不完整公司以及个别指标异常值之后，再根据配对的ST企业与非ST企业总资产相差不超过10%为原则，最终剩下76组企业，其中，ST企业38家，非ST企业38家。

二、模糊处理

（一）处理步骤

第一步，确定评价标准集合。根据中国证券市场的基本原则，一般认为ST公司是财务稳健性差、风险比较大的企业，非ST企业的财务风险相对较小。因而本文选取的评价指标只有一个，即V={财务风险较小}={非ST企业}。

第二步，根据显著性和相关性检验之后的指标作为影响评价对象的因素集合。U={现金比率；营运资金比；权益对负债比；固定资产比；总资产增长率；资产报酬率；流动资产净利率；净资产收益率；长期资产周转率}。

第三步，确立隶属度。本文选取的方法是隶属函数法，由第二步可知，影响评价对象的因素都属于正向指标，根据经验，选取隶属函数计算隶属度。将附录数据代入之后，可以得到各公司每个指标对应的隶属度矩阵。

第四步，确定各影响因素的权重。权重的确定有主观和客观两种方法。考虑到本文已经具有了翔实的数据，因而本文选择客观权重法中的变异系数法。变异系数法的主要计算公式为：C.V=σ/μ。变异系数法的主要依据是样本的标准偏差越大，则该项财务指标的区分度则越好。所以，通过变异系数的大小来确定权重是基于已有数据本身的内部规律特点，消除了主观赋权法中人为因素的干扰。因而本文采了变异系数法确定权重。先计算每一项影响因素的变异系数，然后将上述9个影响因素的变异系数累加，获得每一个单项因素的比重就是该项影响因素的模糊权重，具体数值如表1。

第五步，计算各样本的各因素模糊值。用隶属度矩阵乘以模糊权重。

第六步，累加各个影响因素之后得出最终的模糊评价值，见表2。

从表2中可以看出，ST企业的评价值明显低于非ST企业，说明非ST企业与ST企业在根据上述步骤计算评分之后，区分是比较明显的。

（二）模糊评价分析

从表2可以得到表3的结果，其中B的值是根据上文ST企业与非ST企业的模糊评价值比较之后得出。

从上述结果可以看到，对于ST公司具有非常好的评价判断，正确判断率达到92.11%，只有3家ST企业被误判；对非ST企业而言，正确判断率为84.21%，虽然低于ST公司的判断率，但是判断效果依然很好。由此得出结论，采用模糊评价方法对于区分财务风险有很好的效果，证明该判断方法是可行的。

三、神经网络处理

从上文可以确认，模糊评价方法可以有效地评价企业的财务风险，并进行合理的区分。但是模糊评价方法中隶属度以及权重都不能够随着样本或者检验数据的增加而自行更新，因而在做财务风险预测时不能够随着数据的增加而自学习，这样就增加了模糊评价法的使用。因而，在这里，根据模糊评价法的结果，通过建立神经网络来学习模糊评价的基本原理以及结果，利用神经网络能够自学习以的特点，一方面简化理解模糊评价方法，另一方面扩大模糊评价法的应用。

（一）数据选择

为了检验神经网络的正确性，将上述76组数据分为训练组和检验组两部分，其中训练组70组，用来训练神经网络；检验组6组，用来检验神经网络学习结果的正确性。

（二）神经网络模型建立

1.神经网络参数设置

Ruck（1999）的研究成果已经表明，三层的BP神经网络已经可以逼近任意函数。因此本文选择三层BP神经网络，分别为输入层一个，隐藏层一个，输出层一个。

（1）输入层。从指标筛选之后，留下9个财务指标作为原始输入，因此输入层神经元个数为9个。

（2）隐藏层。按照一般的经验判断，隐藏层神经元个数=（x+y）^0.5+a，

x为输出个数，y为输入个数，a为1-10之间的常数，根据该标准，本文选取隐藏层个数为6个。

（3）输出层。本文的输出层是确定的，即最后的模糊评价值，也就是对企业风险最终评价结果，因而输出层个数为1个。

（4）学习速率。学习速率的选择主要影响神经网络的收敛速度，确保MATLAB软件在运行时能够迅速地收敛到指定的数值。根据文章的需要以及软件的测算，本文选取的学习速率为0.5。

（5）输出传递函数。默认选取S型函数。

2.训练结果分析

将70组训练数据输入MATLAB软件，进行软件处理。通过软件运行，在0.5的学习速率下，得到结果如图1所示。

显而易见，在经过150次左右的训练之后迅速收敛，收敛速度很快，在经过1 000次训练后，最后的错误率为0.000067056，而训练仿真值与实际值之间的误差如图2。

3.神经网络模型检验

利用MATLAB程序，通过6组检验数据对上述神经网络模型进行检验，可以得到如表4的结果。

（三）实证结果

表3和表4的数据表明，本文基于模糊神经网络模型对上市公司的财务风险评价具有很高的正确性，通过对9个财务指标的分析和判断，可以明显区分ST企业与非ST企业，证明了本文建立的模糊神经网络模型具有很高的实用性。

四、结论

通过将上文的指标数据进行模糊处理之后，从实际数据中计算出了样本公司的财务风险评价值，具有较高的精确度。同时将相关数据输入神经网络，建立了比较方便但是准确度较高的程序模型，为实践应用带来便利。

【参考文献】

[1] K.Pochan，C.Lin.An Evolution-ba-

sed Approach with Modularized Evaluations to Forecast Financial Distress[J].Knowledge-based Systems，2006，19（3）：84-91.

[2] 李湘滇.商业银行信贷风险的模糊神经网络预警模型的构建方法[J].商场现代化，2008（14）：334-335.

[3] 李阳旭.基于模糊神经网络的综合评判方法研究[D].重庆：西南师范大学硕士学位论文，2005.

[4] 颜铭.基于模糊算法的神经网络研究[D].河北：河北农业大学硕士学位论文，2010.

[5] 张华华.基于模糊综合评价的企业财务预警研究[D].湖北：武汉理工大学硕士学位论文，2007.

[6] 张华伦，孙毅.企业财务危机评价Rough-Fuzzy-ANN模型的建立及应用[J].运筹与管理，2006（2）：8-14.