基于灰色BP神经网络的企业财务风险预警研究

摘 要：企业在整个生产经营过程中不可避免地会面临财务风险，风险的准确预警能够帮助企业提前做好防范措施，降低风险的影响。为了提高企业财务风险预警的准确性，本文提出了一种基于灰色预测与BP神经网络的组合预测模型，能够互补并发挥两者各自的优点。以H公司2014年-2021年的财务报表数据为样本，构建灰色BP神经网络组合模型，并进行实例验证分析。结果表明：相较于单一的灰色模型，组合模型的平均相对误差更小，也即预测准确性更高。

关键词：财务风险；灰色BP神经网络；组合模型

一、引言

随着我国经济的快速发展以及国家政策的不断调整，各企业的经营环境、管理模式及经济效益都将随之发生较大改变，使得企业面临的财务风险进一步增加。若企业未引起足够重视、未能精准识别风险并及时做出防范措施，最终很可能导致企业陷入财务危机，影响其正常生产经营活动。传统的利用几个财务指标数据来识别、评估风险的方法已经不能满足企业发展要求。有必要建立一个准确、有效的财务风险预警模型，帮助企业财务管理部门以及管理人员了解未来的财务风险状况，并及时做出防范措施。

国内外学者对财务风险做了大量研究，并建立了多种预警模型，提出了有效的防范措施。朱琴等人构建了灰色GM（1，1）预测模型，并验证了该模型在企业财务风险预测方面的有效性。张国富等人以财务指标为输入值、预警等级为输出值，建立BP神经网络模型并对物流企业的财务风险进行了预测。欧阳歆以2013年ST的84家上市企业为样本建立了Z值模型，结果表明该模型能够较好地识别财务风险。郑建国等人提出了一种基于粒子群算法和BP神经网络的组合模型，结果表明组合模型的预测精度更高。范俊明等人采用熵权TOPSIS和K均值聚类的方法对上市企业财务风险进行了评价预警，结果表明该模型具有较高的准确性。杨旭等人利用LSTM神经网络模型对饲料企业的财务风险进行了预警。

因此，可以建立有效的预测模型对企业财务风险进行预警，并且运用组合模型能够提高财务风险预测的准确性。本文采用灰色GM（1，1）和BP神经网络构建财务风险组合预测模型，并以H公司为样本进行验证分析。

二、灰色BP神经网络预警模型

财务风险是客观存在的，即任何企业在生产经营过程中都会面临财务风险，只是风险大小存在差异。最常用的方法就是比较分析长期或短期财务指标数值的变化来判断企业所处的财务状况，其结果往往因为指标选取不全面而具有较大的误差。本文则是构建预警模型对企业财务状况进行综合分析，其过程主要包括三个：指标选取、预警值计算以及财务状况预测。

1.财务风险预警指标选取

各财务指标都是通过企业财务数据的数学混合计算得到的，因此部分指标之间具有较强的关联性。对关联性较强的指标进行筛选，不仅可以大大简化计算过程，而且对最终结果的影响也微乎其微。常用的筛选方法有灰色关联分析法与Pearson相关性分析法。灰色关联分析法是将净利润等直接反映企业财务状况的指标作为参考序列，其他指标作为比较序列进行关联度分析，关联度高的指标作为最终筛选指标。Pearson相关性分析法则是利用spss等软件对各项指标进行相关性分析，对于相关性较大的两个指标，从其中任选一个指标，剔除另外一个指标，以此来降低指标的重复度。

企业财务风险分析过程中不能只考虑财务指标的作用，非财务指标如国家政策、法律法规、资源环境、管理决策等也会对企业生产经营效益产生重大影响，因此在财务风险评价时也需要考虑企业典型非财务因素的影响。只有综合分析财务指标与非财务指标，才能保证预警模型更加贴近企业实际状况。

2.指标权重及预警值计算

各指标对财务风险的影响程度不同，权重越大其影响程度越大，因此首先需要确定各指标的权重，并且财务指标与非财务指标权重的计算方法不一样。对于财务指标，一般运用熵权法来确定各指标的权重；非财务指标属于定性指标，通过向专业人员发放调查问卷，对各指標进行打分，根据评分构建判断矩阵，运用层次分析法来确定权重。只有一致性满足检验要求才可使用层次分析法。

以历年《企业绩效评价标准值》中的评价系数以及对应行业的标准值为参考，将财务风险评价标准划分为优秀、良好、平均、较低、较差五个档次，对应评价标准的标准系数分别为1.0、0.8、0.6、0.4、0.2，运用改进的功效系数法计算财务指标的预警值，利用调查问卷获得的分值和权重计算出非财务指标的预警值。根据财务指标与非财务指标的权重，计算出企业财务风险的综合预警值（0～100），通过该预警值即可判断企业财务风险所处的预警程度，预警级别分为巨警（＜60）、重警（60～70）、中警（70～80）、轻警（80～90）和无警（＞90）。

3.财务风险预警值预测

只有进行财务风险预测才可帮助企业了解未来可能的财务状况，并提前做出防范措施。GM（1，1）模型是灰色预测模型中最基本、最常用的模型，属于“小样本”模型，只需要少量数据就可进行有效预测，但其具有局限性，即只适用于指数规律较强的数据预测。BP神经网络是一种基于误差反向传播来训练的前馈神经网络，有着对非线性数据具有较强的拟合能力以及容错性较好的优点。将两者进行组合，正好能够互补发挥各自的优势，提高预测模型的准确性。

将计算得到的风险综合预警值作为原始数据代入灰色GM（1，1）的数学公式中，计算出发展系数与灰色作用量，建立灰色预测模型，并以此模型算出对应年份财务风险的预测值。将预测值作为BP神经网络的目标输入，原始数据作为目标输出，设置合适的隐含层神经元个数，使得拟合出来的数据误差最小，此时的输出值即为组合模型的财务风险预测值。对灰色BP神经网络组合模型的误差进行验算，并对未来年份的财务风险进行预测，以此来帮助企业提前做好防范措施。

三、实例分析

本文以H公司2014年-2021年的财务报表数据为样本，参考国资委发布的《企业绩效评价标准值》，并结合公司自身经营特点，共选取了19个财务指标，以验证灰色BP神经网络预警模型的准确性，如表1所示。

选取净利润为参考序列，利用灰色关联分析法筛选出财务分析指标，并运用熵权法计算出各财务指标的权重。召集H公司10位财务专家，以座谈讨论的方式筛选出典型的非财务指标，进行指标影响度排名，并运用层次分析法计算出非财务指标的权重。众专家认为非财务指标重要程度排名如下：自然资源=国家政策>经济发展>安全生产>生态环保>管理决策。财务与非财务指标筛选结果及各自权重如表2所示。

参考2014年-2021年《企业绩效评价标准值》中的电力生产行业数据，利用改进的功效系数法计算各年度的财务风险预警分值。以专家打分的方式获得各年度非财务指标的分数值，并利用层次分析法计算出非财务指标预警分值。最后，根据财务与非财务指标权重计算出H公司各年度的风险综合预警值。2014年-2021年预警值计算结果如下：77.64、88.08、89.35、91.39、77.82、89.57、80.77、73.39，对应的风险等级依次为：中警、轻警、轻警、无警、中警、轻警、轻警、中警。由以上计算可知，H公司2017年面临较小的财务风险，2015年、2016年、2019年以及2020年的财务风险有所上升，2014年、2018年以及2021年此三年所面临的财务风险比较严重。通过查询2014年、2018年以及2021年的年報，发现在此三年H公司都经历了生产成本上涨或者是生产资料短缺现象，致使经营效益大幅度降低，财务风险加剧。

已经确定H公司当前的财务运营状况，有必要进一步探究该公司未来潜在的财务风险，对财务风险进行合理预测，并做出适当的调整。将2014年-2021年计算出的综合预警值作为原始数据，运用灰色建模软件V7.0中的GM（1，1）模型，得到灰色预测模型的发展系数为0.0212，灰色作用量为92.4176，构建灰色预测模型并计算出对应年份的风险预测值。运用MATLAB中的BP神经网络工具箱，将风险预测值作为目标输入值，原始数据作为目标输出值，调整隐含层神经元个数进行数据拟合。通过测试，当隐含层神经元个数为8时，数据拟合的误差最小，其结果如表3所示。

通过实例计算，求得单一灰色预测模型的平均相对误差为3.81%，组合模型的平均相对误差为1.09%，这充分说明将灰色预测GM（1，1）模型与BP神经网络模型相结合，可以提高预测的精度，使得预测结果更加精准。此外，通过该组合模型预测得到：H公司2022年的财务风险预警值为76.52，财务风险相较于2021年有所降低，但依然处于中警区。为进一步加强对H公司的财务风险管控能力，需要从价值链构成的整个角度出发，加强上游生产资料采购管理，确保采购价格控制在合理范畴，加强对资源的调配利用；在生产管理环节则需要提高管理效率、降低管理成本；在下游则需要加强市场营销与价格维护，从而提高营收与利润率。

四、结论

为了帮助企业准确了解未来的财务风险状况，本文利用灰色GM（1，1）和BP神经网络构建出灰色BP神经网络组合预警模型，该模型能够互补发挥两者“小样本、非线性”的优势。以H公司财务数据为样本，将灰色BP神经网络组合模型与单一灰色预测模型的预测结果进行对比分析。结果表明：灰色BP神经网络预警模型相对于灰色预测模型，误差有了极大的降低，预测结果更加准确。最后依据预测结果，给H公司提出了合理有效的风险应对措施。

参考文献：

[1]朱琴，邱玉莲，项琳娜，等.灰色预测模型在企业财务风险中的应用[J].科技创业月刊，2007（07）：47-48.

[2]张国富，范亚东.基于BP神经网络的物流企业财务风险预警研究[J].生产力研究，2012（11）：219-220.

[3]欧阳歆.基于Z模型的财务风险预警模型运用[J].财会通讯，2013（32）：117-119.

[4]郑建国，冯珍慧.基于PSO-BP神经网络的上市公司财务风险预测研究[J].信息技术与信息化，2016（08）：43-47.

[5]范俊明，刘洪久，胡彦蓉.基于熵权TOPSIS和K均值聚类的企业财务风险评价预警研究[J].上海商学院学报， 2020，21（05）：13-27.

[6]杨旭，黄雪梅.基于LSTM神经网络的饲料企业财务风险预警模型构建[J].中国饲料，2022（14）：135-138.

作者简历：陈晓静（1989.02- ），女，土家族，籍贯：湖北恩施，研究生在读，职称：会计师，研究方向：财务管理