高新技术企业资金控制效果评价*——基于PSO-BP神经网络

哈尔滨理工大学经济学院 王玉冬 朱红

高新技术企业资金控制效果评价*
——基于PSO-BP神经网络

哈尔滨理工大学经济学院 王玉冬 朱红

高新技术企业资金控制效果的评价十分复杂，并受到多种因素影响。如何科学有效地对资金控制效果进行评价是控制环节中的关键问题。本文基于高新技术企业资金运动过程的视角进行控制效果的评价，从四个层面构建企业资金控制效果评价指标体系，建立基于粒子群的BP神经网络的高新技术企业资金控制效果评价模型，引入粒子群学习算法，提高学习效率。研究表明，该模型能够有效地对资金控制的效果进行评价，为企业资金控制提供有效的评判。

高新技术企业 资金控制 效果评价 PSO-BP 神经网络

一、引言

作为科技创新的主体，高新技术企业越来越受到大家的青睐。强大的创新能力是其有利的竞争要素，良好的资金供给能力是企业创新能力的根本保障，有效的资金控制为高新技术企业拥有良好的资金供给能力打下基础。而如何对资金控制的效果进行科学的评价是资金控制的过程中必须认真考虑并加以解决的问题。纵观国内外文献研究发现评价结果的科学合理性主要取决于评价内容的合理性和评价方法的科学性。在评价内容方面，关于财务管理评价内容的研究主要集中于财务分析研究，Anonymous（2010）对戈达德企业有限公司财务分析进行实证研究。关于管控评价内容的研究，大多数集中于绩效和内部控制评价研究，杜鹃等（2010）对知识型企业进行了绩效评价研究并进行实证分析。陈关亭等（2013）基于COSO及内控的规范对内部控制的评价指标进行设计，采用定性分析和定量研究的方法对内控进行评价研究。在评价方法的应用上，肖玲诺等（2011）应用BP神经网络对产学研知识创新联盟风险进行了评价研究。彭张林等（2015）在对综合评价的方法进行研究时指出常用的定性评价方法有专家会议法、直接评分法和德尔菲法等；常用的定量评价方法有AHP、模糊数学方法、GIA、ER、EA以及人工神经网络方法等。

综上所述，现有的文献研究在控制评价领域已取得了大量研究成果，为高新技术企业资金控制效果评价研究提供了理论支撑。但高新技术企业本身是一个集研究、开发、生产和销售等多种经济活动于一体的营利性组织，其资金运动与其他经济组织具有差异性。此外，在评价方法的选取上由于BP神经网络具有避免了人为主观臆断和操作简便的优点。因此，本文采用BP神经网络并以资金运动的视角对高新技术企业的资金控制进行效果评价，这对高新技术企业而言具有重要的理论与现实意义。

二、高新技术企业资金控制效果评价指标体系构建

（一）高新技术企业资金控制效果评价的概念界定

（1）资金控制概念界定。在早期的研究中，管控是指根据既定的计划和控制规则来检验结果是否与其相符的闭环化管理。随着管理控制研究的不断深入发展，出现了不同的研究范式。在本文的研究中，控制的客体是基于企业资金运动的一系列价值活动。因此，本文的资金控制是对企业资金运动的几个环节进行控制。资金运动具体包括三个环节：资金筹集、资金运用以及收益分配。但是由于高新技术企业的高风险性，需要对收益分配环节进行细化，将其拆分为资金偿还和利润分配两个方面。基于此，本文研究的资金控制是指企业对资金在筹集、运用、偿还及分配环节进行的控制。

（2）资金控制效果评价的内涵。资金控制是企业有效利用资金采取的必要措施，而效果评价则是企业评判控制效果的依据。因此，对资金控制效果进行评价是企业必要的管理工作。然而，大多数研究关注的都是内控层面的效果评价。但是大多数高新技术企业规模都较小，企业组织结构不完善，如果仅从内控层面对资金控制进行评价，容易导致评价结果不准确等问题。因此，本文依据资金运动的各个环节进行资金控制效果评价。

（二）高新技术企业资金控制效果影响因素分析对高新技术企业资金控制效果的影响因素进行分析时，主要从资金运动过程的视角进行分析，包括筹集资金控制效果影响因素、投放资金控制效果影响因素、偿还资金控制效果影响因素以及分配资金控制效果影响因素。

（1）筹集资金控制效果的影响因素。在筹集资金过程中控制的关键点是看企业是否能够及时筹集满足需求的资金数量、筹集资金的成本是否最低及筹集资金的风险是否可控等。筹资不及时可能使企业错过最佳研发时机，对企业的最终利润产生影响；筹资规模过大会造成资金的闲置，增加使用成本；筹资的渠道选择不当会增加企业的筹资的风险；筹资的风险过大加大了资金链断裂的风险。因此，在效果评价时要着重考察关键点是否有效控制。

（2）投放资金控制效果的影响因素。对资金投放环节进行控制时，主要关注的是资金分配是否合理、是否有助于资金效率的提高。高新技术企业的核心是高技术和新技术，知识密集和技术创新是其最主要的特征，企业需不断的创新来保证企业的发展，资金的投入是企业创新能力的根本保障。因此在效果评价时应重点关注研究开发的资金的投入情况以及企业的投入产出效果。

（3）偿还资金控制效果的影响因素。在偿还资金过程中控制的关键点是看企业是否能够及时偿还借款。在控制过程中要时刻关注资金的流通情况，资金流通效果好，债务偿还出现风险的几率更小；在控制过程中还要关注应收账款的情况，对应收账款进行有效控制有利于企业资金回收，从而降低了还款难度。此外，还需要关注企业的负债情况，若企业负债率过高，到期无法偿还借款，就会面临严重的财务危机。因此，在效果评价时，企业应该重点关注资金的流动情况、应收账款的管理情况以及企业的负债情况。

（4）分配资金控制效果的影响因素。在分配资金过程中，控制的关键点是看企业资金分配是否合理以及是否有助于企业的长期发展。对资金进行分配时，分配控制存在问题影响企业的股东利益，也不利于企业吸引潜在的投资者。因此，在效果评价时，应重点关注其是否能够吸引潜在的投资者以及是否有助于管理层的稳定，能够吸引潜在的投资者才有利于企业进一步筹集资金，管理层的稳定有利于企业的治理。

（三）高新技术企业资金控制效果评价指标体系构建

（1）指标选取。为了科学系统地评价高新技术企业资金控制效果，本文采用多维度指标评价。在遵循科学性、合理性及数据可获取性等原则的前提下，以影响因素的分析为基础，本文从资金运动的视角，结合影响因素的重要作用，构建高新技术企业资金控制效果评价指标体系见表1。

（2）指标的内涵与计算。对高新技术企业资金控制效果评价指标体系中与财务表报中通用的指标在此不再重述。除定性指标外的其他指标内涵规定与计算公式如下：风险资本引入强度是指企业实际筹集到的风险资本规模和数量占企业需求资金的规模和数量的比。反映企业引入

（二）BP神经网络的算法优化粒子群优化算法（Particle Swarm Optimization，PSO）是一种新的进化算法，自提出以来得到了广泛应用。粒子群优化算法与遗传算法相似。两者比较而言，粒子群算法的优点是更为简便，没有遗传算法中的交叉与变异，大大节省了优化时间，提高了工作效率，通过当前的最优解来寻找全局的最优解。PSO算法还有一个优点就是不需要调整复杂的参数，容易实现和理解。而且PSO对于非线性的优化问题和增强泛化能力具有显著的效果，是一种很有潜力的神经网络训练算法，采用PSO对神经网络进行学习算法优化，可以增强网络的泛化效果。风险资本的相对强度。风险资本引入强度=（风险资本总额/企业需求资金总额+风险资本总额/资产总额）/2。

融资成本是指企业筹集资金的使用成本，反映企业筹集资金的占用成本。此数据根据企业财务报表分析计算得出。技术资产率是指企业无形资产占企业总资产的比率，反映高新技术企业投资研发的程度。

三、资金控制效果评价的PSO-BP神经网络模型设计

在神经网络的应用研究中，反向传播（back-propagation，BP）神经网络算法应用最为广泛。但由于其存在收敛速度较慢和容易陷入局部最小等问题，本文特引入PSO学习算法，以优化BP神经网络，提出了一种新的高新技术企业资金控制效果评价模型。由Kolmogorv法则可知，只要隐含层的节点设置合理，那么三层的BP神经网络结构就可以满足所研究问题的需要。因此，本文采用具有输入层、单隐含层、输出层的三层BP神经网络作为高新技术企业资金控制效果评价的基本结构。

（一）BP网络结构的设计

（1）输入层与输出层节点的确定。对输入层而言，其神经元节点数由评价指标体系中指标的个数决定，本文的资金控制效果评价指标体系中指标的个数为16，因此，该层的神经元节点为16。对输出层而言，本文以高新技术企业资金控制效果评价结果作为神经网络的输出。本文将评价结果划分为优、良、中、差四个级别，并用四维的单位向量表示。因此，输出层神经元的节点为4。

（2）隐含层节点的确定。根据现有的研究可知，神经网络隐含层节点的确定还存在一些理论没有解决的问题。对于神经网络而言，隐含层节点数过大容易出现过度拟合的现象，过小会导致学习误差偏大。因此，本文的隐含层节点数通过网络的逼近能力和泛化能力对比选优确定。

（3）激活函数的选取。常用的激活函数有线性和非线性之分。由于本文研究问题的特殊性，因此采用非线性的激活函数。非线性的激活函数有两类，一类是对数函数，一类是正切函数。但正切函数将输出数据映射到（-1，1）之间。因此，本文激活函数为Sigmoid函数。其表达式为：

PSO是在对一群粒子进行初始化设置后，粒子通过不断的迭代寻找最优解。在粒子进行迭代的过程中，是通过追踪个体极值Pbest和群体极值Gbest来不断更新自身的位置，其中Pbest是指个体所经历位置中计算得到的适应度值最优位置，也就是个体最优解，Gbest是指种群中的所有粒子搜索得到的适应度最优位置，也就是种群的最优解。找到这两个最优值后，每个粒子根据表达式（2）和（3）来更新自己的速度和位置。

其中，ω为惯性权重，ν为粒子的速度，k为当前粒子的迭代次数，c1和c2为加速因子，通常c1=c2=2，r1和r2是介于[0，1]之间的随机数，Pp和Pg分别表示个体极值和全局极值，X为当前粒子的位置。

四、实证结果与分析

（一）样本选取由于生物制药行业的数据信息披露全面，因此，本文选取wind行业分类中的生物制药行业进行实证研究。客观性数据来源于wind数据库和各公司的2015年财务报表，计算过程中所涉及的年报数据来源于新浪网。主观性数据由于数据信息不全面的原因难以直接获取，因此本文采用专家打分法获取相关数据。经过搜集和整理，剔除数据缺失的企业后剩余50家。因此，本文将这50家生物制药公司的数据作为样本数据进行实证研究。

（二）PSO-BP网络的学习过程本文样本数据中既有客观性数据又有主观性数据，而且客观性数据的计量单位不同，因此，需要对样本数据进行无量纲化。运用PSO-BP神经网络对无量纲化后的50份样本数据进行训练和测试。根据经验，按照7：3的比例将数据进行划分。因此，本文选取35份作为训练数据，将其余的15份作为测试数据。依据建立的PSO-BP神经网络，在MATLAB2010平台实现前35组数据的训练，训练过程如图1所示。测试得到的PSO-BP网络输出和期望结果对比见表2。

图1 训练过程图

表2 PSO-BP网络输出结果与期望结果对比表

（三）结果分析从表2可以看出，利用PSO-BP神经网络输出结果进行资金控制效果评价的等级和模糊综合评价法评价出来的等级是一致的，这证明了PSO-BP神经网络评价模型的有效性。该模型的等级评价准确性为100％。也说明了该模型具有良好的泛化能力。

五、结论

高新技术企业资金控制效果评价的最终目的是对资金控制进行事后反馈，通过效果评价完善资金控制，提高资金控制的效率。本文以资金运动的视角构建高新技术企业资金控制效果评价的指标体系，并运用PSO学习算法改进BP神经网络对其进行效果评价，提高了运算的效率和评价结果的准确率。同时，实证研究表明，PSO-BP神经网络的评价模型避免了人为主观因素，评价更为客观，同时也说明了模型的合理可靠性。因此，本文研究的内容对高新技术企业资金控制效果评价具有重要的理论与现实意义。

*本文系黑龙江省科技公安重点项目（项目编号：GB14 D201）阶段性研究成果。

[1]杜娟、黄蕴洁.《基于因子聚类分析的知识型企业绩效评价方法研究》，《科学学与科学技术管理》2010年第11期。

[2]陈关亭、黄小琳、章甜：《基于企业风险管理框架的内部控制评价模型及应用》，《审计研究》2013年第6期。

[3]肖玲诺、史建锋、孙玉忠：《基于BP神经网络的产学研知识创新联盟风险评价研究》，《中国软科学》2011年第12期。

[4]彭张林、张强、杨善林：《综合评价理论与方法研究综述》，《情报科学》2015年第11期。

[5]Anonymous.Companies and Markets:Goddard Enterprises Limited-financial Analysis Review[M].M2 Presswire，2010：34～39.

（编辑 朱珊珊）