基于PSO-BP和FOA-BP神经网络的财务危机预警模型比较

王玉冬，王 迪，王珊珊

（哈尔滨理工大学 经济与管理学院，哈尔滨 150040）

0 引言

在众多的财务危机预警模型中，BP神经网络因其预测准确率较高的优势被广泛采用，同时，BP也具有收敛速度慢，易导致局部最优解的缺点，因此国内采取一些优化算法对BP的权值和阈值进行优化，经过多次试验可知PSO算法的优化效果和效率良好，因此使用率较高。果蝇优化算法作为一种比较新的智能优化算法，还未被应用在高新技术企业财务危机预警中。本文将FOA-BP神经网络模型用于高新技术企业财务危机预警，选取高新技术企业财务数据，根据PSO-BP模型与FOA-BP模型的预测结果，对两种模型的预测准确率和错误类型及概率进行比较分析。

1 财务危机预警模型

1.1 BP神经网络模型

BP神经网络模型分为输入层、输出层和隐含层。输入层用来接收外部信息，信息的最终处理结果通过输出层传输到系统外部，隐含层是连接输入层和输出层的桥梁[1]。BP神经网络是由正向传播和反向传播组成的，正向传播指外部信息由输入层传入到隐含层再到输出层，若输出结果符合网络期望，则算法结束，若输出结果不符合网络期望，则算法会将误差信息按原路反向计算，就是所谓的反向传播[2]。本文运用BP神经网络进行财务危机预警分析时，将经过筛选处理后的财务危机预警指标作为输入值，将评价结果作为输出值（发生财务危机，则输出值为2；财务正常，则输出值为1）。

1.2 PSO-BP神经网络模型

BP学习算法大多采用梯度下降对权值进行调整，因其具有收敛速度缓慢，全局搜索最优值的能力较差和容易引起振荡的缺点，本文采用粒子群优化算法对BP进行优化[3]。其基本思想是：运用PSO算法对神经网络的权值和阈值反复进行优化，将得到的网络参数代入BP算法进行再一次优化，用最终得到的最优参数对样本进行预测[4]。设置粒子群优化算法参数为：maxgen=100，sizepop=30，C1和C2均为1.49，Vmax=1，popmax=1。将训练样本作为粒子群BP神经网络的训练集，将得到的全局最优粒子的位置映射为BP神经网络的初始权值和阈值，通过BP算法训练网络，直到网络达到期望状态。经过18次训练后，网络误差达到要求。PSO优化BP神经网络流程如图1所示。

图1 PSO-BP神经网络流程图

1.3 FOA-BP神经网络模型

运用FOA优化BP神经网络，第一步要确定BP的拓扑结构，第二步利用FOA优化算法对BP的权值和阈值进行优化迭代。将BP神经网络中每一组权值和阈值视为一个果蝇个体，给每一只果蝇赋予到原点之间距离和随机的飞行方向，按照算法步骤进行迭代，迭代过程也是一个循环过程。在这个过程中不断寻找最优的方向和到原点之间的距离，找到最优味道浓度的果蝇，根据其位置坐标对BP的权值和阈值进行赋值，进行BP训练与预测[5]。果蝇优化算法参数为：maxgen=100，sizepop=10，1b=0.00000001*ones（1,N），ub=15*ones（1,N）。FOA优化BP神经网络流程如图2所示。

图2 FOA优化BP神经网络流程图

2 财务预警模型的应用与检验

2.1 样本选取

本文从沪、深交易所A股市场选择高新技术上市公司作为研究对象，将其中30家ST企业作为财务危机样本，按照1:1的比例选择所处行业和资产规模均相似的非ST企业作为配对样本，总计得到60个样本。选取了信息较为连续可比，同时具有时效性的2015年的数据，所有样本数据均来自WIND资讯。

2.2 预警指标选取

在设计预警指标时，充分考虑高新技术企业特点，结合市场环境，透析其在经营过程中潜藏的财务危机[6]。本文参考国内外高新技术企业财务危机预警相关文献中的指标构建，依据科学性、全面性、可操作性、灵敏性和动态性原则初步选取28个预警指标进行分析。具体指标如表1所示。

2.3 指标数据归一化处理

本文采用T检验法对初步选取的28个指标进行筛选。基于样本企业2015年的指标数据，用SPSS统计软件，对样本企业28个指标进行置信水平为95%的显著性检验。检验结果，从这28个指标中筛选出R&D投入强度、研发人员占比、新产品销售收入增长率、总资产增长率、净利润增长率、每股经营现金净流量、每股投资现金净流量、现金比率、资产报酬率、净资产收益率、主营业务利润率、资产周转率、固定资产周转率、利息保证倍数、资产负债率、固定资产比率、股东权益比率共17个具有显著性的指标。因此神经网络输入层节点数为17，经过若干次试验，确定隐含层为14，若企业处于财务危机状态，输出值为2；若财务状况正常，输出值为1，则输出层节点数为1。因此本文采用的模型结构为17-14-1。神经网络结构如图3所示。

表1 预警指标体系

图3网络结构图

因不同指标具有不同的性质和量纲，若直接将其带入网络训练，则易造成不可忽视的误差，所以在代入模型之前，对其进行标准化处理。具体处理方法为：

（1）逆向指标正向化处理方法为：

（2）适度指标正向化处理方法为：

其中，k为样本均值。

（3）全部指标标准化处理方法为：

2.4 模型训练和检验

将60家企业分为训练样本和检验样本（其中25家ST公司和15家非ST公司为训练样本，其余20家作为检验样本），运用MATLAB程序对构建的PSO-BP模型和FOA-BP模型进行训练，训练以及预测结果如下页图4至图7所示。

图4 PSO-BP训练效果图

图5 PSO-BP测试效果图

图6 FOA-BP训练效果图

图7 FOA-BP测试效果图

由图4和图5可以看出，在训练样本中，有5家ST企业被误判成正常企业，有2家正常企业被误判成ST企业，误判率为17.5%；在测试样本中，正常企业全部预测准确，有3家ST企业被误判成正常企业，误判率为15%。由图6和图7可以看出，在训练样本中，有3家ST企业被误判成正常企业，有2家正常企业被误判成ST企业，误判率为12.5%；在测试样本中，有1家正常企业被误判成ST企业，有1家ST企业被误判成正常企业，误判率为10%。

3 两种模型的比较

本文选取60家高新技术上市公司2015年的财务数据作为研究样本，其中包括30家ST公司（危机型企业）和30家非ST公司（正常性企业），分别代入到两个模型中，对PSO-BP模型与FOA-BP模型测试结果进行比较分析，测试结果如表2所示。

表2 模型比较

检验结果表明，PSO-BP和FOA-BP模型的总体准确率分别为83.33%和88.33%，说明在总体预测上，FOA-BP的准确度较高；对于ST企业的预测，FOA-BP的预测效果更好，正确率为86.67%高于PSO-BP的正确率（73.33%）；对于正常企业，PSO-BP的预测正确率（93.33%）略优于FOA-BP的正确率（90%）。

4 结论

本文通过构建PSO-BP神经网络和FOA-BP神经网络预警模型对我国高新技术企业财务状况进行实证检验。本文首次将FOA-BP神经网络模型用于高新技术企业财务危机预警，通过预测结果可以看出FOA-BP模型的预测效果良好。将两个模型的检验结果进行对比，PSO-BP神经网络模型在判别正常企业时，准确率高于FOA-BP，但总体准确度和判别ST企业的准确度都低于FOA-BP。此结论可以作为高新技术企业预测财务状况的参考，在日后的财务预警中，可以采用多种模型相结合的方法进行预测，集合每种模型的优势，使得预测效果更加准确。