【摘 要】本文首先论述了神经网络的结构和学习原理，接着在阐述基于神经网络的财务困境预警方法的基础上，构建了基于神经网络的企业财务困境预警模型，最后，对模型的有效性进行了检验。实验结果表明，该方法应用于财务困境预警中是有效的，不仅能发现企业是否存在风险以及企业是否会陷入财务困境，向经营者提出警示，以便及时采取相应管理对策，而且还为广大的投资者和包括银行在内的债权人判定上市公司质量和经营业绩提供科学的手段和可靠的依据，该方法具有预测精度高，学习和泛化能力强，适应性广等优点，为财务困境的动态预警提供了新的研究思路和方法。

　　【关键词】神经网络；财务困境；指标体系；预警

　　一、 引 言

　　在国外，企业陷入财务困境的标志被认为是企业破产，这是因为国外的破产企业与其他企业之间存在着明显的划分。而我国市场机制还不成熟，尤其在证券市场中存在着“能上不能下”的普遍现象，导致我国的破产企业非常有限。因此，国内的许多研究者把上市公司因财务状况异常而被特殊处理作为陷入财务困境的标志。为了与国内研究保持一致，本文也将上市公司因财务状况异常而被ST作为陷入财务困境的标志。考虑到神经网络适合处理具有残缺结构和含有错误成分的模式，能够在信息源信息含糊、不确定、不完整、存在矛盾及假象等复杂环境中工作，因此本文将神经网络应用于建立财务困境预警模型。

　　国内用神经网络方法来构建财务困境预警的相关研究较少。财务困境预警是选取具有强预测性的财务比率为基础，建立数学模型，预测企业财务困境发生的可能性。本文根据我国企业性质并在借鉴国外研究成果的基础上，提出构建基于神经网络的企业财务困境预警模型的新方法。

　　二、 神经网络方法

　　人工神经网络（ANN，Artificial Neural Networks）是在人类对大脑神经网络认识理解的基础上，人工构造的能够实现某种功能的神经网络，是将算法和结构统一为一体的系统，是一种软件和硬件的混合体，在某种程度上模拟大脑的结构，所以更有智慧，可有更快的计算速度。它是理论化的人脑神经网络的数学模型，是基于模仿大脑神经网络结构和功能而建立起来的一种信息处理系统。人工神经网络实际上是由大量简单神经元相互连接而成的复杂网络，具有以下特点：高度的非线性；分布存储和容错性，信息不完整或损坏，仍可恢复原来的信息；自学习、自组织和自适应性；大规模并行处理各种智能处理能力；可以不同程度地模仿人脑的信息处理、存储及检索功能。

　　BP网络是由分层网络逐层模式变换处理的方向而得名的，它由输入层、隐含层、输出层构成。输入层是网络与外部环境打交道的地方，它接受外部输入模式；隐含层是网络的内部处理单元层；输出层是网络产生输出模式并与显示设备或执行机构打交道的地方。其信息处理分前向传播和后向学习两步进行，网络的学习是一种误差从输出层到输入层向后传播并修正数值的过程，学习的目的是使网络的实际输出逼近某个给定的期望输出。本文采用3层BP网络进行建模，其网络功能层次与网络拓扑结构如图1和图2所示。

　　三、 企业财务困境预警指标选择

　　本文采用反映企业盈利能力、偿债能力、经营能力、负债能力、成长能力的8个财务指标作为预警模型的警情指标，包括：总资产收益率、流动比率、速动比率、总资产周转率、应收账款周转率、资产负债率、经营净现金比率、净利润增长率等。

　　四、 基于ANN的企业财务困境预警模型的新构思

　　本文构建一个3层BP网络，输入层的神经元数为8个，输出层定义了2个节点，即训练结果的目标函数ST公司输出（1，0），非ST公司输出（0，1），分别对应于报警、正常。在理论上，并没有搞清楚隐含层神经元个数究竟取多少，只能通过对不同的神经元数进行训练对比，适当加一点余量进行选取（在能够解决问题的前提下，增加1~2个神经元，加快误差下降速度）。根据共轭梯度优化法，隐含层神经单元个数可由下式求出：

　　（S_i+1）S_h-（S_h-1）S_o=n_pS_o

　　式中，S_i：输入单元数；S_h：隐单元数；S_o：输出单元数；n_p：训练样本数。

　　由此可以计算出本文中即神经网络隐含层的神经元个数为14。

　　在前向3层BP网络算法中，对网络性能影响较大的是权值修正方法，为改进BP网络，减少训练时间，并改善收敛特性，本文选用BP网络误差修正学习法，即δ学习规则，由以下4步描述：

　　（1）选择一组初始权值W_ji （0）;

　　（2）计算某一输入模式对应的实际输出与期望输出的误差；

　　（3）更新权值（阈值可视为输入恒为－1的一个权值）：

　　W_ji（t + 1） =W_ji （t） + η[ d_j－ y_j（t）] x_i（t）

　　式中，η为学习因子；d_j、y_j分别表示第j个神经元的期望输出与实际输出；x_i为第j个神经元的输入。

　　（4）返回步骤（2），直到对所有训练模式网络输出均能满足要求。

　　因此，与以往研究不同，本文的BP网络模型结构是8×14×2。为了避免网络没有足够的能量跳过低“谷”，本文中学习因子选择η＝0.1，期望误差为0.000 2，神经元函数为Tansig特征函数，权值矩阵初值分别为8×14阶和14×2阶矩阵，它们服从正态分布随机数，运算间隔次数为50次，最大循环次数为20 000次。

　　五、 实证研究

　　本文共选取沪深两市A股上市公司2006年被ST和正常的公司共50个样本，其中40个为训练样本，10为个测试样本，隐含层神经元数为14个。数据来源于深圳证券交易所和中国股票上市公司财务数据库查询系统，选取样本2002-2004年的财务数据来计算财务指标，用以预测公司在未来3～5年内是否会出现危机。50个学习样本中有25个ST公司，25个非ST公司，每类随机选出10个样本作为测试样本，所选数据中的前20组数据都为建模样本，其余的为测试样本（见表1）。

本文选用Matlab 6.5进行神经网络系统分析与设计，首先新建一个M-File文件，然后在编辑栏中编写程序， 因为此网络模型的输入是连续变量，故训练前使用Matlab的Premnux函数对网络的输出进行归一化处理。然后运用共轭梯度法训练算法，在pentuim 2.0上需要15 117个学习周期，耗时约为4min，即达到期望误差。最终的网络误差性能曲线如图3所示。

　　从图3中可以看出此网络的误差性能曲线是收敛的，最终误差小于期望误差0.000 1，因此此模型是合理的。而此网络的学习速率在迭代2 500次时与迭代15 117次训练结束后如图4与图5所示。

　　通过训练得到了网络各层最终的权值与阈值，其中输入层到隐含层的权值矩阵为W1（见表2），隐含层到输出层的权值矩阵为W2（见表3），输入层到隐含层的阈值矩阵为B1= [-2.063 1 -0.444 3 -0.372 9 -1.098 3 0.608 9 -1.348 6 0.792 9 0.777 3 -0.345 4 0.556 5 -0.140 3 -0.913 9 0.532 2 -0.990 3] T，隐含层到输出层的阈值矩阵为B2= [0.072 3 0.078 0] T。

　　然后用测试样本进行测试，训练与测试结果见表4。从表4中可以看出本文建立的神经网络模型具有很好的预测效果。

　　六、 结束语

　　人工神经网络模型是基于模仿大脑神经网络结构和功能而建立起来的一种信息处理系统，它是一种自然的非线性建模过程，不需要了解它们之间存在何种非线性关系，因此神经网络方法克服了传统的预测模型的复杂性以及模型选择的困难，给预测模型的构建与分析带来了很大的方便。本文构建了一个3层BP神经网络模型，并根据共轭梯度优化法确定了隐含层的神经元个数为14个，神经网络在公司企业财务危机预警上的应用，显示出神经网络是进行财务评估的一种比较好的应用工具，它不仅能够有效地预测企业的财务困境，能发现企业是否存在风险以及企业是否会陷入财务困境，向经营者提出警示，以便及时采取相应管理对策，而且能为银行贷款授信提供有效决策，为广大的投资者和包括银行在内的债权人判定上市公司质量和经营业绩提供可靠的依据。该方法预测精度高，学习和泛化能力强，适应性广，为财务困境的动态预警提供了新的研究思路和方法。

　　主要参考文献：

　　[1] 马德喜. 基于神经网络模型的财务困境预测实证分析[J]. 山西财经大学学报，2005，（2）：124-128.

　　[2] 田伟福，周红晓. 基于神经网络的企业财务危机预警系统的构建[J]. 广州大学学报，2004，（6）：219-221.

　　[3] 李晓峰，刘光中. 人工神经网络BP算法的改进及其应用[J]. 四川大学学报，2000，（3）：105-109.