BP神经网络模型在我国环保类上市公司财务危机预警中的应用

吴欣萌，廖涛

（1.成都大学商学院，成都 610106；2.成都大学旅游与文化产业学院，成都 610106）

1 引言

在环境问题日益严峻与国家政策扶持的时代背景下，环保行业逐渐成为市场的焦点。其次，我国大力支持绿色环保产业的发展，使我国环保上市企业迎来了新发展浪潮，同时也对环保企业发展提出了新的要求。一些企业由于过于依赖国家相关环保政策，加上外部市场环境的激烈竞争，极大可能会引起财务风险的发生。近年来，不少环保类上市公司存在财务危机，因此有必要构建环保类上市公司财务危机预警模型，为环保行业的财务危机预警提供一定的参考。

2 相关概念及理论基础

2.1 相关概念

2.1.1 财务危机

财务危机的概念定义：Fitzpartrick 首次提出财务危机，他将“破产”定义为财务危机[1]。Altman 将财务危机定义为企业的失败，具体指企业在法律上被接管、重整和破产等[2]。国外学者基本上把这两个方面作为财务危机的定义：依法破产和财务失败。国内学者[3-6]将是否被特别处理（ST 或*ST）作为发生财务危机的标准。为此，综合国内外学者的相关研究，结合我国环保类上市公司的特点，本文将发生财务危机定义为被特别处理的公司。

2.1.2 BP 神经网络

20世纪80年代，David Runelhart 等学者提出BP（Back Propagation）神经网络，它是一种根据误差反向传播算法训练的多层前馈神经网络。同时，BP 神经网络是目前使用最广泛的神经网络。

2.1.3 财务危机预警模型

财务危机预警是一种利用预警方法对企业的相关财务信息展开分析的技术方法。在对财务危机预警模型的研究中，经历了3 个阶段：一是统计方法，主要包括单变量预警模型、多变量和逻辑回归模型等；二是结合人工智能技术生成神经网络模型；三是运用多种方法结合进行财务危机预警的研究[7]。

Fitzpartrick 建立了单变量分析法，运用单个财务指标逐个验证研究对象，结果表明，以净利润/股东权益和股东权益/负债两个财务指标作为财务危机预测标准具有较好的效果；Altman 首次引用了多变量分析法——Z 值模型；Martin 被公认为是最早使用Logistic 模型来预测财务危机的学者。随着计算机及网络技术的不断完善发展，Odom 和Sharda 首次对人工神经网络分析模型进行分析，研究发现人工神经网络在财务危机预警中具有较好的预测效果[8]。吴世农、黄世忠是我国展开财务预警研究的第一批学者。随后，周首华、杨济华等将现金流量指标加入Altman 的Z 值模型上，提出了F 模型；陈静分别引用单变量预警模型与多变量预警模型对所选研究样本进行分析。吴世农和卢贤义选取ST 企业与非ST 企业作为研究样本，并采取Logistic 回归方法和其他方法建立预警模型。张现芹采用主成分分析法和Logistic 回归方法建立了针对创业板企业的财务预警模型，结果表明该模型财务危机的预测结果较为准确[9]。

在我国，对于神经网络模型在财务危机预警中的应用，最早是季海、杨保安引入神经网络方法建立了预警模型，结果表明，神经网络模型预测精度高[10]。近年来，随着人工智能以及相关信息技术的不断发展，越来越多的国内学者将神经网络应用于财务危机预警：黄晓波、高晓莹以98 家制造业上市公司为例，引入财务指标与非财务指标构建指标体系，运用神经网络模型进行预测，预测准确率达到75%，预测结果显示该模型具有一定的应用价值[11]；陈高健以我国42 家农业上市公司为例，从企业盈利能力、偿债能力、经营发展能力、营运能力、现金流能力因素5 个维度构建财务危机预警指标体系，最后创建了BP 神经网络预警模型进行实证研究，结果表明BP 神经网络预测模型具有良好的预测能力[12]；谭媛元、陈建英、孙健将主成分分析与神经网络结合构建出的财务危机预警模型具有较高的预测准确率，达到81.65%[13]。

目前，越来越多的学者已经尝试将人工智能技术与神经网络模型相结合，并应用于财务危机预警的研究中。同时，研究结果表明，在预测财务状况时，神经网络模型比传统的统计学方法具有更好的效果。

2.2 理论基础

2.2.1 系统论

系统论的核心思想是以整体观念出发。本文通过运用系统论，可以更好地在整体层面建立财务危机预警模型并进行研究。例如，在指标的筛选上，可以从不同角度进行选取，除了财务指标外，也应涉及非财务指标，使指标体系的构建更完整，从而使建立的预警模型更加合理。因此，系统论的应用有利于构建财务危机预警模型。

2.2.2 委托代理理论

委托代理理论建立在所有权和经营权相分离的基础上。本文运用委托代理理论，旨在促使企业提高自身的管理能力，同时让企业的相关管理者制定有关财务风险的防范措施，主动了解有关财务危机预警的内容，增强预防财务危机的意识，以构建出合理、规范的财务危机预警模型。

2.2.3 危机管理理论

危机管理理论是为了更好地应对企业突发的危机事件而提出的。该理论的核心主要是预防可能出现的危机和解决已经出现的危机，避免重蹈覆辙。本文所研究的财务危机预警属于危机管理的一种，其中财务危机的预测以及危机出现后的应对措施可以借鉴危机管理理论，并结合企业的实际财务状况，更好地对财务危机预警进行研究。

3 研究设计

3.1 样本选择和数据来源

本文参考相关文献，并结合证监局对环保行业的板块细分，最终将涉及大气治理、水务及水治理、固废治理、环保设备、综合环境治理5 个子板块的公司定义为环保行业，共计选取2017-2022年中国A 股市场93 家环保类上市公司进行实证研究。其中包括13 家被特别处理的公司和80 家财务健康公司，记此类上市公司被特别处理的年份为第t年，收集在被特别处理的前3年数据，即t-3年的相关指标信息构建模型。

本文相关数据均源于国泰安（CSMAR）数据库。

3.2 预警指标的筛选

在构建指标体系时，相对于已有的涉及财务指标的体系，丰富非财务指标的应用[14]。其中，财务指标主要涉及公司偿债、发展、盈利、营运和现金流5 个方面。非财务指标涉及审计意见类型、是否存在关联交易、对外担保以及违法行为。

在对财务指标进行初选后，还需进一步对指标进行筛选以保留具有显著性的指标。因此，本文运用SPSS 软件对所选的指标数据分别进行正态分布检验和显著性检验，最后将通过检验的指标保留下来，最终选取了6 类一级指标、20 个二级指标（见表1）。

表1 预警指标选择

3.3 模型设计

根据BP 神经网络模型的原理和本文需求，将该模型结构主要分为5 个部分：输入层、输出层、隐含层、传递函数、训练函数。本文采用了一种比较简便、实用性强的三层网络结构，即输入层、输出层和隐含层为一层的网络结构。将93 家环保行业上市公司的样本数据分为两组，一组作为预警模型的训练样本，一组作为测试样本以验证该模型的效果（训练样本62 家，测试样本为31 家）。

3.3.1 输入层设计

当训练集确定之后，输入层节点数也就随之确定，众多神经元（Neuron）接受大量非线性输入信息。输入的信息称为输入向量，即输入原始的数据。本文在第二部分研究设计中从6个方面选取20 个变量指标，所以t-3年输入层节点数为20。

3.3.2 隐含层设计

如何优化隐含层中的节点成为整个模型运行速度和性能体现的关键所在，根据隐含层计算的经验公式，可以计算得到本模型t-3年样本隐含层的最佳神经元个数在4～17个。按照这个范围从小到大依次训练，经过测试得到，t-3年样本隐含层最佳神经元数为12 个。

3.3.3 输出层设计

神经网络的输出层节点数就是被解释变量的个数。因此，本文将网络训练的输出层节点数目设为1：若是输出数字1，则表示该公司是财务危机公司；若是输出数字0，则表示该公司的财务的状况是健康的。

因为在实际训练中，BP 神经网络样本数据的输出结果不一定是整数。因此，本文将输出值小于0.5 的标记为财务健康公司，输出结果大于0.5 的标记为财务危机公司。

3.3.4 函数选择

神经网络的传递函数有很多种，如果想要输出结果为几个固定值可以选hardlim 函数，而根据本文的要求和实际神经网络模型运转，最后的输出结果为不定值，考虑各个函数的计算精度和运算速度，选择tanhsig——双曲正切S 型传输函数；根据前期筛选的财务预警指标数据，因此，本文选用适合中等网络规模且训练速度较快的LM 优化算法。

3.3.5 网络参数设计

神经网络模型的运转速度和输出结果受最大训练次数、学习速率、目标误差等条件的影响。经过相关仿真训练后，选择最佳参数：最大训练次数1 000 次，设定学习速度0.01，目标误差0.000 01，其余参数无需设定，采用系统默认值。

据此，本文选定93 家环保行业上市公司作为样本分析，其中选取62 家公司作为训练样本，31 家公司作为测试神经网络模型样本。文本所设定的神经网络模型网络结构输入层为20 个，隐含层经过计算得到最佳神经元数为12 个，输出层为1 个。根据输出结果（大于0.5 记为财务危机公司，小于0.5 记为健康公司）结合实际公司财务状况即可获得通过该神经网络模型预测得到的正确率，以此来检验该模型在财务危机预警中的效果。

4 实证分析

本文的实证分析主要运用MATLAB 软件，用此软件中的神经网络工具进行模型的初始化、创建和训练仿真。根据前文的初步设计，本文选择以三层BP 神经网络（t-3年为20-12-1）为基础财务危机预警模型，训练结果以及测试结果如表2和表3所示。

表2 BP 神经网络训练结果

表3 BP 神经网络测试结果

由表2可知，在62 家训练样本中，53 家财务健康公司训练正确数为51，准确率为96.2%；9 家财务危机公司训练正确数为9，准确率达到100%；62 家训练样本中正确数达到60，该预警模型的训练正确率达到96.8%，效果较好，准确率较高。由表3可知，在31 家训练样本中，27 家财务健康公司训练正确数为24，准确率为88.9%；4 家财务危机公司训练正确数为2，准确率达到50%；31 家训练样本中正确数达到26，该预警模型的训练正确率达到83.9%，准确率较高。

根据表2和表3的结果显示，本文所构建的神经网络财务预警模型效果较好。但由于测试样本中财务危机公司样本数量较少，对其预测结果存在一定误差，但根据整体的实验效果而言，该模型的正确率足以达到对财务危机预警的效果。

5 结论及建议

本文选取2017-2022年我国93 家环保类上市公司作为研究样本，以被特殊处理（ST 或*ST）的前3年（t-3年）的相关财务与非财务指标作为数据来源，运用SPSS 软件对相应指标进行显著性检验后，从34 个指标中得到20 个显著性指标。然后运用MATLAB 软件进行BP 神经网络模型训练，训练结果显示该模型的整体预测精准率较高，达到了83.9%。因此，将BP 神经网络模型应用于财务危机预警有一定的价值。

综上，在双碳发展的目标下，环保类上市公司在发展的过程中应及时关注国家环保政策变化，公司管理层更应该掌握与环保相关的法律法规，在经营过程中，不断运用环保技术，同时结合信息技术来促进其与环保技术的融合发展，加强风险防范意识，保障企业的健康发展。对于政府以及相关部门而言，需逐步完善环保行业相关风险机制，保证国民经济健康持续发展。