基于BP神经网络的娱乐业财务风险预警研究

魏敏

摘要：随着娱乐业的迅猛发展，其财务风险变得日益突出，对娱乐业的财务风险进行监管已势在必行，目前对于娱乐业财务风险预警的研究存在严重不足。为了有效防范娱乐业的财务风险，现通过对娱乐行业财务风险分析选取财务预警指标，构建基于BP神经网络的娱乐业财务风险预警模型，摆脱了人为在确定权重时的困难，以及随机性和模糊性的影响，并利用SPSS数学分析软件对样本进行训练以及仿真验证，预测娱乐业的财务风险。

关键词：财务预警;BP神经网络;娱乐业

中图分类号：F275    文献标识码：A

文章编号：1005-913X（2019）12-0102-04

一、引言

随着娱乐业的不断拓展，其面临的风险也变得越来越多，传统的财务理论，如持续经营的假设早已不能够满足现在企业实际情况，当今企业的发展面临的不确定性因素越来越多，所以企业需要进行必要财务风险预警以便能够制订合理的发展策略。良好的风险预警能够在风险到来之际，预测给企业带来损失的严重性，使企业及时做好防范措施，加强管理，并且进行正确的识别与评估收益以及风险成本，在最大程度上降低财务风险带来的损失。

BP神经网络是目前为止我国使用比较多的数据挖掘手段之一，它最本质的作用就是调整每个层之间的权值即参数值，从而使其本身能够对样本集进行记忆。BP神经网络的算法结构总体来说比较简单，易于被使用者接受，大多数神经网络所面临的问题它基本上都可以解决，是一种比较优秀的运算模型。研究基于BP神经网络构建了娱乐业的财务风险预警模型，并利用 SPSS 软件对建立的模型进行训练以及验证，期望所建模型能够解决逻辑回归模型、单变量以及多变量模型等存在的缺陷，进而得出比较准确的且令人满意的财务风险预警效果。

二、娱乐业财务风险

（一）流动性风险

流动性风险通俗的讲就是娱乐业资金在流转过程中存在的风险。如：不能准时付现、不能正常现金转移等。从这个层面上来讲，我们可以把娱乐业的流动性风险分为两种，即偿付能力以及变现能力带来的风险。变现能力造成的风险是由于娱乐业的资产在转移的过程中不能实现明确有效的结果，则带来一定的风险;偿债能力和支付能力导致的风险是因为娱乐业现金不够充足或者现金不能够清偿债务带来的问题。

（二）投资风险

一般情况下，市场的商品供给数量、购买者的需求结构、市场供求等各种因素的变化都是无法准确预测的，甚至根本没有预料到。所以，投资活动就会给娱乐业的公司带来无法预测的风险，例如，最终的收益偏离预期的收益。

（三）经营风险

经营风险又可以称为营业风险，主要是由于意料之外的汇率变动或者经营的各个环节中存在的不确定性因素导致企业经营性的现金流运动发生迟滞、产品价值变动等问题。娱乐业在经营过程中容易存在销售假冒产品，违约行为，发生不正当竞争行为以及虚假宣传行为等，这些错误的行为都会给企业的财务带来不同程度的影响。因此，要加强娱乐业的财务风险管理首先要从企业经营过程中每一个细小的环节进行管理。

（四）资金回收风险

娱乐业在经营过程中会有大量的资金用于投放，那么资金的回收就会成为问题，成品资金不一定能够完全的转化成结算资金，如：制作一部电影、建立娱乐场所等，但是后期的收益如何无从知晓，或者结算资金不一定能够转化成货币资金。

（五）筹资风险

企业的筹资风险主要是由债务和权益两种筹资带来的风险。因为宏观经济的变化以及资金供求和需求市场的改变，娱乐业在筹措资金的时候会给公司的财务成果带来不确定的影响，所以，无论企业采用哪种筹资方式都会带来一定的财务风险。

三、研究设计

（一）建立娱乐业财务风险预警指标体系

1.娱乐业财务风险预警指标的选取原则

第一，相关性原则。选取的指标要与娱乐业实际经济活动的财务风险具有紧密的联系，管理者能够依据该指标发现财务风险的异动，并及时作出防范措施。

第二，可比性原则。在选取指标时不仅要能使各个娱乐业企业之间具有可比性，而且还要使指标能够反映娱乐行业整体的财务风险情况，同时能够进行科学合理的转换。

第三，重要性原则。所选的指标在一定程度上对于衡量娱乐业的财务风险具有重要性，同时能够反映娱乐业实际的经济活动，当选取多个指标时能够综合地体现出娱乐业财务活动的主要矛盾。

第四，先行性原则。娱乐业的运营状况要与所选取的指标特征量大体上具有一致性，或者指标特征量要对于娱乐业运营情况略有超前，从而能够敏感地反映出娱乐业财务风险的发展方向以及发生情况。

第五，可操作性原则。所选取的指标不仅要与国际上的规章条例相符，而且还要符合我国娱乐业自身的发展水平现状，并且要求数据来源可靠，能够从众多的经济数据中提取出有关联的可靠信息，获取时不需要消耗大量的人力与物力，指标与指标之间相关性较弱，易于量化，推理计算过程科学合理。

2.选取娱乐业财务风险预警指标

依据上述的指标选取原则，通过阅读相关文献，并结合娱乐业的实际基本情况，综合选取了如表1所示的20个财务风险预警指标。

（二）风险预警模型构建

研究选取了58家娱乐业A股上市公司作为研究对象，抽取以上公司2009年到2018年披露的年度财务报告数据作为研究样本，关于数据缺失的部分，采取算数平均法将其补充完整，所有有效数据来自于国泰安数据库。运用的是BP神经网络，它是由输入层、隐藏层、输出层三部分构成。一般情况下，三个层次的BP神经网络足够得到比较精确的结果，虽然增加网络的层数在一定程度上可以降低誤差，表现能力强，但是网络层次变多会导致网络结构庞大，同时也会增加其训练时间。综合考虑之后，研究选取由一个输入层、一个隐藏层和一个输出层组成的BP神经网络模型。

1.因子分析

对于BP神经网络来说，如果输入的变量过多，会使得网络结构变得很复杂，效率下降。因此，研究采取因子分析的方法来达到减少变量的目的。选用KMO检验和Bartlett s检验，通过表2可以看出KMO的检测值为0.547，Bartlett s的显著度概率为0.000，说明抽取的数据样本符合做因子分析的条件。研究将选取的20个财务风险预警指标进行因子分析，使用的工具是SPSS21.0，最后一共选取了8个公共因子（如表3），累计方差贡献率为75.898%，理论上娱乐业财务风险的绝大部分信息是可以被这8个公共因子所覆盖的。通过因子旋转成分矩阵（如表4）可以得到。在D1中有三个指标载荷较大：m10总资产增长率为0.962、m11净利润增长率为0.963、m12利润总额增长率为0.978，D1可命名为发展能力因子;在D2中有两个指标载荷较大：m13速动比率为0.942、m15流动比率为0.938，D2可以命名为偿债能力因子;在D3中有一个指标载荷较大：m14资产负债率为0.995，D3可以命名为资产负债因子;在D4中有两个指标载荷较大：m3总资产周转率为0.855、m4流动资产周转率为0.921，D4可以命名为营运能力因子;在D5中有两个指标载荷较大：m18公司现金流为0.914、m19股权现金流为0.903，D5可以命名为现金流动能力因子;在D6中有两个指标载荷较大：m6营业利润率为0.839、m17营业收入现金净含量为0.847，D6可以命名为营业能力因子;在D7中有两个指标载荷较大：m7投入资本回报率为0.760、m8成本费用利润率为0.808，D7可以命名为盈利能力因子;D8于m16现金流利息保障倍数上载荷为0.840，D8可以命名为现金流因子。将选取的8个因子作为BP神经网络的输入变量。

2.输入层设计

神经网络的输入数据应该是全面描述娱乐业财务风险的指标，已经对财务风险的预警指标进行了选取，并且对样本数据进行了因子分析，不同的娱乐业财务风险指标会形成不同的节点数对应不同的网络模型，因子分析中筛选的12个风险指标的个数其实也就是输入节点的个数。因为评价体系中数据单位不一致，所以为了使所有数据在系统中具有可比性，就需要在输入前对选取的指标数据进行标准化的处理。

3.隐藏层设计

隐藏层节点的作用就是在大样本数据中发现他们之间存在的规律并同时把這种规律储存起来。因此，当隐藏层的节点过多时，存在把研究样本中没有规律的东西学会记牢的情况，并且训练效率不高，学习时间过长，泛化能力下降;但是隐藏层的节点过少，神经网络从研究样本中提取信息的能力很有可能无法体现以及概括训练样本中的规律。在结合企业实际的情况，并且多次训练后发现，节点数为6时收敛速度最快，因此，研究确定的隐藏层节点数为6个。

4.输出层设计

研究将娱乐业财务风险状况划分为财务正常和财务有风险两种情况，主要判断依据有公司的股票是否被冠以ST的头衔，公司是否有退市预警，公司是否受到处罚以及公司的年度报告财务结果等。输出节点其实就是对应的评价的结果，输出为[-1]时代表重度财务风险预警，[0]代表轻度财务风险预警，[1]代表无财务风险预警。输出的节点一共是3个。

5.神经网络训练与测试

将58家娱乐业上市公司的样本数据分为两个部分，其中70%的数据作为训练基，剩下的30%作为检测基，得到样本判定结果表5所示，在223个无财务风险的数据样本中，没有任何一个数据样本得到误判的结果，正确判定率达到了100%，这样的结果是比较理想的，然而对于重度风险以及轻度财务风险的正确判定率只有68.8%、30.0%。相比较无财务风险的训练结果这两种结果较为不理想，但是整体正确判定率为95.2%。测试样本的整体确定判定率为93.8%，从综合的角度来看，训练和测试正确率都很高。对于重度财务风险和轻度财务风险正确判定率比较低，之所以存在这种误差除了一些系统上的误差外，主要还有样本本身的一些限制，出现财务问题的企业比较少，较少的样本造成BP神经网络无法得到充分的训练以及学习，到最后影响到测试样本的准确率，但是对于财务健康的样本数据比较充足，103个无风险测试样本正确判定率为99%。

四、结论

研究成功地构建了娱乐业的财务风险预警模型，预测结果的综合正确率高达93.8%，可以为娱乐业上市公司提供比较准确的信息，采用计算机的数据运算以及算法设计不仅非常的方便快捷，而且在一定程度上消除了人为的影响因素，因此，可以保证结果的真实性，缩小误差，增加客观性，具有动态跟踪比较的优点。模型能够为娱乐业在实际运营的过程中提供比较可靠的依据和科学的手段，使经营者尽一切可能将损失控制在较小的范围内。建立有效的财务风险预警机制，能够在一定程度上提升企业的竞争力，而且提高了财务工作人员的风险意识，从而保证企业资产的安全。企业应该结合自身实际状况，科学合理的选取财务风险预警指标，正确地选取进行财务风险预警的工作人员，建立一个高效实用的财务风险预警机制，从而能够及时监测到企业的财务风险，并采取有效的方法加以防范，从而促进公司在激烈的市场竞争中谋求更好的发展。

研究也存在一些不足之处：选取的样本数据只有58家上市娱乐公司，并且由于有些年份缺失，数据不够齐全，特别是出现财务危机的公司较少，因此对轻度财务风险和重度财务风险的公司训练程度不够，导致预测结果不够准确。除此之外，随着时间的变化，娱乐业的财务风险因素应该也是在变动的，对于预警指标选取后应该进行显著性分析，但是只进行了因子分析。财务风险预警指标体系不仅要包含财务指标，还要包含一些非财务指标，会使预测结果更加准确。

参考文献：

[1] Alessio Ciarlone， Giorgio Trebeschi. Designing  an  Early Warning System for Debt Crises[J].Journal of Accounting Research，2005 （9）.

[2] William  H.  Beaver.” Financial  ratios  as  predictors   of failure”，[J].Empirical Research in Accounting Selected Studies，Supplement to Journal of Accounting Research，1996（41）.

[3] 姜雨杉.基于BP神经网络的节能环保行业上市公司财务风险预警研究[D].南京：南京航空航天大学，2018.

[4] 赵海燕，李 娟.上市公司财务风险预警模型研究——基于未确知测度模型[J].财会通讯，2015（4）.

[5] 王 颖，马 亮，白 居，张云霞.基于神经网络的大型国际工程财务风险控制评价[J].同济大学学报：自然科学版，2015（7）.

[6] 曹 彤，郭亚军.基于神经网络模型的上市公司财务风险预警研究——来自山东省制造业数据[J].财会通讯，2014（9）.

[7] 尤 璞，武 戈.基于 PCA- BP 神经网络的上市公司财务预警策略[J].统计与决策，2012（22）.

[责任编辑：王 旸]