導(dǎo)語(yǔ)：BP神經(jīng)網(wǎng)絡(luò)在城投公司財(cái)務(wù)預(yù)警的應(yīng)用一文來(lái)源于網(wǎng)友上傳，不代表本站觀點(diǎn)，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

摘要：近年來(lái)，城投公司由于債務(wù)規(guī)模增長(zhǎng)較快，導(dǎo)致地方政府性債務(wù)的系統(tǒng)性風(fēng)險(xiǎn)開(kāi)始積聚。因此，財(cái)務(wù)預(yù)警對(duì)于城投公司具有重要的意義。本文以人工神經(jīng)網(wǎng)絡(luò)中的bp神經(jīng)網(wǎng)絡(luò)作為主要工具，構(gòu)建出一個(gè)適合我國(guó)城投公司且具有實(shí)用價(jià)值的財(cái)務(wù)預(yù)警模型。同時(shí)，模型對(duì)總體樣本預(yù)測(cè)的正確率為78.15%，說(shuō)明模型的整體預(yù)測(cè)效果比較理想，可以為城投公司管理人員提供一種合理有效的解決方案。

關(guān)鍵詞：人工智能；BP神經(jīng)網(wǎng)絡(luò)；城投公司；財(cái)務(wù)預(yù)警

一、BP神經(jīng)網(wǎng)絡(luò)概述

BP神經(jīng)網(wǎng)絡(luò)，全稱誤差反向傳播的前饋型神經(jīng)網(wǎng)絡(luò)（ErrorBackpropagationNeuralNetwork，是目前應(yīng)用最廣泛、發(fā)展最成熟的人工神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)最重要的特點(diǎn)是采用誤差反向傳播算法進(jìn)行學(xué)習(xí)。模型通過(guò)正反兩個(gè)方向進(jìn)行信息傳遞，其中，數(shù)據(jù)的傳播路徑是正向的，即從輸入層經(jīng)過(guò)隱含層到輸出層，但訓(xùn)練結(jié)果與目標(biāo)的誤差是反向傳播的，即輸出層反向經(jīng)過(guò)隱含層到輸入層。隨著學(xué)習(xí)的不斷深入，可以實(shí)現(xiàn)不斷減少輸出誤差的目的。

二、財(cái)務(wù)預(yù)警體系的構(gòu)建

（一）預(yù)警指標(biāo)的選擇和優(yōu)化

本文根據(jù)城投公司的經(jīng)營(yíng)特點(diǎn)和財(cái)務(wù)特色，從償債能力、盈利能力、資產(chǎn)營(yíng)運(yùn)能力、發(fā)展能力四個(gè)評(píng)價(jià)維度選擇了25個(gè)財(cái)務(wù)指標(biāo)。將全國(guó)范圍內(nèi)650家城投公司2019年度的25個(gè)財(cái)務(wù)指標(biāo)數(shù)據(jù)導(dǎo)入SPSS進(jìn)行KMO和巴特利特球形檢驗(yàn)，得到KMO值為0.637、巴特利特球形檢驗(yàn)的Sig值為0，符合因子分析的條件進(jìn)一步的，將上述財(cái)務(wù)指標(biāo)數(shù)據(jù)進(jìn)行主成分分析后，確定了預(yù)警體系評(píng)價(jià)指標(biāo)的主成分?jǐn)?shù)量為9個(gè)。隨后，通過(guò)三輪因子分析，可以確定9個(gè)主成分的構(gòu)成方法（見(jiàn)表1），實(shí)現(xiàn)了企業(yè)的償債能力、盈利能力、營(yíng)運(yùn)能力、發(fā)展能力四個(gè)評(píng)價(jià)維度的全覆蓋，具有一定的科學(xué)性、合理性。

（二）樣本與預(yù)測(cè)周期

本文分析采用的數(shù)據(jù)樣本為全國(guó)范圍內(nèi)隨機(jī)篩選出的650家城投公司2019年和2018年的各項(xiàng)財(cái)務(wù)指標(biāo)數(shù)據(jù)。財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警屬于信用風(fēng)險(xiǎn)評(píng)價(jià)的一個(gè)分支，信用風(fēng)險(xiǎn)評(píng)價(jià)一般注重于短期的評(píng)估，通過(guò)以一年為評(píng)估的時(shí)間段。同時(shí)，由于城投公司短期流動(dòng)資金規(guī)模和按年付息壓力的存在，以短期一年的跨度來(lái)界定預(yù)測(cè)周期較為合理。因此，本文的預(yù)測(cè)周期為1年。

三、財(cái)務(wù)預(yù)警模型的設(shè)計(jì)

（一）網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)設(shè)計(jì)

1.輸入層節(jié)點(diǎn)數(shù)輸入層神經(jīng)元節(jié)點(diǎn)數(shù)的確定方法相對(duì)較為簡(jiǎn)單，一般采用樣本的屬性個(gè)數(shù)作為節(jié)點(diǎn)數(shù)。由于本文的研究對(duì)象為650家城投公司的9個(gè)具有代表性的主成分，因此本次建模輸入層節(jié)點(diǎn)數(shù)為9。2.輸出層節(jié)點(diǎn)數(shù)輸出層神經(jīng)元節(jié)點(diǎn)數(shù)取決于輸出數(shù)據(jù)的定義屬性或標(biāo)簽。根據(jù)作者從業(yè)中的實(shí)際經(jīng)驗(yàn)來(lái)看，一般公司管理者對(duì)公司是否出現(xiàn)財(cái)務(wù)風(fēng)險(xiǎn)的判斷分為兩種，一種為正常，意味著公司經(jīng)營(yíng)穩(wěn)健，短期內(nèi)不會(huì)發(fā)生顯著的財(cái)務(wù)風(fēng)險(xiǎn)，暫時(shí)不需要采取相應(yīng)的措施；另一種為預(yù)警，意味著公司的各項(xiàng)財(cái)務(wù)指標(biāo)出現(xiàn)了明顯的惡化或發(fā)生了風(fēng)險(xiǎn)事件，比如公司自身的財(cái)務(wù)數(shù)據(jù)發(fā)生的重大變動(dòng)、被評(píng)級(jí)公司下調(diào)信用評(píng)級(jí)、被證監(jiān)會(huì)等監(jiān)管機(jī)構(gòu)提示暫停上市交易的警告或者了相關(guān)負(fù)面新聞等，當(dāng)然，有些事件可能最終對(duì)公司不會(huì)造成實(shí)質(zhì)性的影響，但是從公司管理者的角度來(lái)說(shuō)，有必要對(duì)相關(guān)事件高度重視，深入分析事件發(fā)生的原因，以便于采取進(jìn)一步的行動(dòng)來(lái)控制財(cái)務(wù)風(fēng)險(xiǎn)，避免出現(xiàn)財(cái)務(wù)風(fēng)險(xiǎn)。因此，本文建模輸出層節(jié)點(diǎn)數(shù)為2，對(duì)應(yīng)“正常”、“預(yù)警”兩種情況。輸出層除了需要確定節(jié)點(diǎn)數(shù)，還需要將期望輸出結(jié)果錄入模型，以便于模型將實(shí)際輸出與期望輸出的誤差進(jìn)行前向反饋從而提高模型預(yù)測(cè)的準(zhǔn)確率。作者將輸出為正常的樣本輸出值定義為0，將輸出為預(yù)警的樣本輸出值定義為1。由于財(cái)務(wù)預(yù)警模型是針對(duì)未來(lái)的預(yù)警，而樣本是城投公司2018年度和2019年度的主成分，因此，輸出值應(yīng)采用次年度（即2019年度和2020年度）是否發(fā)生財(cái)務(wù)預(yù)警事項(xiàng)來(lái)進(jìn)行分類。財(cái)務(wù)預(yù)警事項(xiàng)一般分為內(nèi)部因素和外部因素，內(nèi)部因素一般通過(guò)各類財(cái)務(wù)指標(biāo)反映。通過(guò)上文確定的9個(gè)主成分F1～F9，根據(jù)各成分中組成部分的各項(xiàng)財(cái)務(wù)指標(biāo)代表的經(jīng)濟(jì)意義可以分析出，F(xiàn)1、F2、F8、F9與財(cái)務(wù)風(fēng)險(xiǎn)呈負(fù)相關(guān)，即數(shù)值越低，財(cái)務(wù)風(fēng)險(xiǎn)越大，經(jīng)濟(jì)學(xué)上的意義為流動(dòng)資產(chǎn)覆蓋負(fù)債的水平、投資盈利能力、利潤(rùn)對(duì)利息費(fèi)用的覆蓋程度、資產(chǎn)營(yíng)運(yùn)能力越低，財(cái)務(wù)風(fēng)險(xiǎn)越高；F3、F5、F6與財(cái)務(wù)風(fēng)險(xiǎn)呈正相關(guān)，即數(shù)值越高，財(cái)務(wù)風(fēng)險(xiǎn)越大，經(jīng)濟(jì)學(xué)上的意義為負(fù)債與資產(chǎn)的比重、間接費(fèi)用對(duì)利潤(rùn)的侵蝕程度、投資支出的現(xiàn)金流量越大，財(cái)務(wù)風(fēng)險(xiǎn)越高；F4、F7比較特殊，如果值為負(fù)數(shù)，表示業(yè)務(wù)發(fā)展呈現(xiàn)負(fù)增長(zhǎng)或者現(xiàn)金不足以支付到期債務(wù)，這些都是財(cái)務(wù)風(fēng)險(xiǎn)的潛在表現(xiàn)。外部因素一般通過(guò)信用評(píng)級(jí)機(jī)構(gòu)等外部機(jī)構(gòu)的信息反映。比如評(píng)級(jí)機(jī)構(gòu)下調(diào)公司的信用評(píng)級(jí)等級(jí)將或評(píng)級(jí)展望調(diào)整為負(fù)面、跟蹤評(píng)級(jí)報(bào)告因故延期揭露、監(jiān)管機(jī)構(gòu)了暫停上市的風(fēng)險(xiǎn)提示公告、公司被司法機(jī)關(guān)列入失信被執(zhí)行人名單，這些負(fù)面事件的出現(xiàn)都反映了公司發(fā)生風(fēng)險(xiǎn)隱患的可能性大幅提高。本文采用內(nèi)部因素和外部因素相結(jié)合的方法來(lái)判斷公司是否會(huì)出現(xiàn)財(cái)務(wù)風(fēng)險(xiǎn)，只要出現(xiàn)內(nèi)部因素或外部因素任何一種因素即認(rèn)定次年會(huì)出現(xiàn)財(cái)務(wù)風(fēng)險(xiǎn)，其中內(nèi)部因素的判斷依據(jù)為：F4、F7同時(shí)小于0且F1、F2、F3、F5、F6、F8、F9中同時(shí)有5個(gè)及以上數(shù)值排名在50%以下；外部因素的判斷依據(jù)為：次年評(píng)級(jí)下調(diào)或評(píng)級(jí)展望為負(fù)面、跟蹤評(píng)級(jí)報(bào)告因故延期揭露、被監(jiān)管機(jī)構(gòu)暫停上市的風(fēng)險(xiǎn)提示公告、被司法機(jī)關(guān)列入失信被執(zhí)行人名單四種情況出現(xiàn)任何一種情形。具體分類標(biāo)準(zhǔn)見(jiàn)表2。3.隱含層層數(shù)對(duì)于一般簡(jiǎn)單的數(shù)據(jù)集，通常采用一或兩層隱含層；對(duì)于涉及時(shí)間序列或計(jì)算機(jī)視覺(jué)的復(fù)雜數(shù)據(jù)集，則需要額外增加隱含層數(shù)。因此，本文模型的隱含層層數(shù)設(shè)為1。4.隱含層節(jié)點(diǎn)數(shù)根據(jù)確定隱含層神經(jīng)元節(jié)點(diǎn)數(shù)的經(jīng)驗(yàn)公式（其中為輸入層節(jié)點(diǎn)數(shù)）：Nh＝log2Ni可以確定，Nh的取值為4，因此，輸入層節(jié)點(diǎn)數(shù)確定為4。5.傳遞函數(shù)傳遞函數(shù)是BP網(wǎng)絡(luò)的重要組成部分，實(shí)踐中通常采用Sigmoid函數(shù)或線性函數(shù)作為傳遞函數(shù)。Log-Sigmoid函數(shù)（簡(jiǎn)稱logsig函數(shù)）的輸入值可取整個(gè)實(shí)數(shù)集，輸出值在0和1之間。Log-Sigmoid函數(shù)公式定義為：線性函數(shù)則比較簡(jiǎn)單，輸出值與輸入值相等，函數(shù)圖像是一條直線。由于本次財(cái)務(wù)預(yù)警模型的期望輸出結(jié)果為0或1，因此，選擇Sigmoid函數(shù)將輸出結(jié)果映射在-1到1的區(qū)間內(nèi)比較合適。經(jīng)過(guò)作者的多次實(shí)踐，隱含層的傳遞函數(shù)選擇logsig函數(shù)，輸出層的傳遞函數(shù)選擇tansig函數(shù)，可以盡可能實(shí)現(xiàn)準(zhǔn)確的期望輸出。6.訓(xùn)練函數(shù)BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練函數(shù)比較豐富，常用的有trainbgf（BFGS擬牛頓法）、traingdm（帶動(dòng)量的最速梯度下降算法）、trainlm（Levenberg-Marquardt算法的變梯度反向傳播算法）、trainscg（采用量化共軛梯度算法的變梯度反向傳播算法）等。由于Levenberg-Marquardt算法收斂速度最快，均方誤差也較小，因此，trainlm函數(shù)的使用最為廣泛。本文模型的訓(xùn)練函數(shù)也選擇trainlm函數(shù)。7.其他參數(shù)BP神經(jīng)網(wǎng)絡(luò)各種參數(shù)的設(shè)定沒(méi)有固定的規(guī)則可循，只能參照專家意見(jiàn)或個(gè)人經(jīng)驗(yàn)。經(jīng)過(guò)多次實(shí)踐，本文模型各項(xiàng)參數(shù)設(shè)定的值見(jiàn)表3。

（二）數(shù)據(jù)訓(xùn)練與測(cè)試

由于隱含層和輸出層的傳遞函數(shù)均為Sigmoid函數(shù)，取值為-1到1的區(qū)間內(nèi)，Matlab軟件采集到的樣本所包含的9個(gè)特征值（具體為9個(gè)與財(cái)務(wù)指標(biāo)相關(guān)的主成分）的各數(shù)據(jù)單位存在不一致，如果直接把樣本輸入模型，過(guò)大或者過(guò)小的極端值很可能會(huì)導(dǎo)致Sigmoid函數(shù)進(jìn)入平坦區(qū)，全部趨近于-1或者1，最終造成隱含層和輸出層的輸出全部趨向相同的值，因此，需要對(duì)所有樣本的輸入數(shù)據(jù)進(jìn)行歸一化處理。另外，由于期望輸出值為0或1，因此，樣本的輸出數(shù)據(jù)無(wú)須進(jìn)行歸一化處理。Matlab軟件內(nèi)置的神經(jīng)網(wǎng)絡(luò)工具箱使用最大最小法進(jìn)行數(shù)據(jù)歸一化，通過(guò)Matlab軟件提供的最新版本的歸一化函數(shù)mapminmax對(duì)數(shù)據(jù)進(jìn)行歸一化后，減少了BP神經(jīng)網(wǎng)絡(luò)的運(yùn)行時(shí)間，同時(shí)網(wǎng)絡(luò)更容易收斂到正確的最優(yōu)解。函數(shù)公式定義如下：其中：Inputi為輸入的任一樣本值，Inputmax為輸入樣本中的最大值，Inputmin為輸入樣本中的最小值。Matlab軟件在R2007b版本之后對(duì)神經(jīng)網(wǎng)絡(luò)工具箱進(jìn)行了更新，將BP神經(jīng)網(wǎng)絡(luò)的調(diào)用函數(shù)由過(guò)去的newff函數(shù)更換成了feedforwardnet函數(shù)，newff函數(shù)雖然仍可以調(diào)用，但是已經(jīng)不被Matlab官方所推薦，feedforwardnet函數(shù)調(diào)用格式如下：net=feedforwardnet(hiddenSizes,trainFcn)其中，hiddenSizes為隱含層節(jié)點(diǎn)數(shù)，默認(rèn)值為10，trainFcn為訓(xùn)練函數(shù)，默認(rèn)值為trainlm。BP神經(jīng)網(wǎng)絡(luò)的算法決定網(wǎng)絡(luò)運(yùn)行時(shí)第一次迭代使用的連接權(quán)值是隨機(jī)生成的，造成模型的運(yùn)行結(jié)果具有隨機(jī)性和不可重現(xiàn)性，為了避免極端的隨機(jī)值造成模型的輸出結(jié)果出現(xiàn)偏差，可以通過(guò)循環(huán)語(yǔ)句進(jìn)行模型的重復(fù)多次運(yùn)行，統(tǒng)計(jì)出平均正確率。得力于現(xiàn)代計(jì)算機(jī)的極高的運(yùn)行速度和計(jì)算效率，作者將模型的重復(fù)運(yùn)行次數(shù)設(shè)定為30次。實(shí)現(xiàn)的代碼見(jiàn)附錄。值得注意的是，由于BP神經(jīng)網(wǎng)絡(luò)的輸出值是傳遞函數(shù)區(qū)間內(nèi)的實(shí)數(shù)集中的任一實(shí)數(shù)，因此，需要將實(shí)際輸出結(jié)果量化為期望的輸出結(jié)果0或1，作者以0.5為界，小于0.5的輸出值歸類為0，大于0.5的輸出值歸類為1，以便于統(tǒng)計(jì)模型輸出的正確率。

四、模型驗(yàn)證分析

（一）正確率矩陣

由于BP神經(jīng)網(wǎng)絡(luò)的算法決定網(wǎng)絡(luò)運(yùn)行時(shí)第一次迭代使用的連接權(quán)值是隨機(jī)生成的，造成模型的運(yùn)行結(jié)果具有隨機(jī)性和不可重現(xiàn)性，作者將建立的財(cái)務(wù)預(yù)警模型重復(fù)運(yùn)行30次的輸出結(jié)果作了整理。通過(guò)圖1和表4可以看出，模型重復(fù)運(yùn)行30次的正確率均處于較高的水平，最高正確率為77.85%，最低正確率為71.85%，平均正確率為75.24%。為了進(jìn)一步驗(yàn)證模型的錯(cuò)判程度，作者手工檢驗(yàn)了測(cè)試樣本中被模型錯(cuò)判比例，表5反映了模型實(shí)際輸出的正確率統(tǒng)計(jì)情況。從表中可以看出，650個(gè)測(cè)試樣本中，期望輸出的0（即無(wú)財(cái)務(wù)風(fēng)險(xiǎn)）的樣本數(shù)為380個(gè)，其中，有337個(gè)模型判斷正確，43個(gè)判斷錯(cuò)誤，正確率為88.68%；期望輸出的1（即出現(xiàn)財(cái)務(wù)預(yù)警）的樣本數(shù)為270個(gè)，其中，有171個(gè)模型判斷正確，99個(gè)判斷錯(cuò)誤，正確率為63.33%；模型對(duì)總體樣本預(yù)測(cè)的正確率為78.15%，說(shuō)明模型的整體預(yù)測(cè)效果比較理想。

（二）數(shù)學(xué)表達(dá)式

通過(guò)上文建立的模型重復(fù)運(yùn)行30次后的平均正確率來(lái)看，該模型的輸出能夠達(dá)到預(yù)期的結(jié)果。但是，為了輸出更精確的結(jié)果，有必要選擇保存正確率較高時(shí)的機(jī)器學(xué)習(xí)網(wǎng)絡(luò)模型來(lái)進(jìn)行模型的分析和后續(xù)的預(yù)測(cè)。作者在對(duì)訓(xùn)練樣本和測(cè)試樣本反復(fù)的學(xué)習(xí)測(cè)試中，得到的最高正確率為82.46%，將本次模型的算法導(dǎo)出后保存為單獨(dú)的網(wǎng)絡(luò)文件，供以后的預(yù)測(cè)工作使用。以下分析均以本次建模為基礎(chǔ)。圖2為財(cái)務(wù)預(yù)警模型的最終網(wǎng)絡(luò)結(jié)構(gòu)圖，可以看出輸入層神經(jīng)元節(jié)點(diǎn)數(shù)為9個(gè)，隱含層為1層，神經(jīng)元節(jié)點(diǎn)數(shù)為4個(gè)，傳遞函數(shù)為logsig，輸出層神經(jīng)元節(jié)點(diǎn)數(shù)為1個(gè)，傳遞函數(shù)為tansig。連接權(quán)值系數(shù)為w，閾值項(xiàng)為b。令w12為第1層（輸入層）到第2層（隱含層）的權(quán)值，b2為第2層（隱含層）的閾值，w23為第2層（隱含層）到第3層（輸出層）的權(quán)值，b3為第3層（輸出層）的閾值，根據(jù)模型的網(wǎng)絡(luò)結(jié)構(gòu)（圖2）以及連接權(quán)值系數(shù)w和閾值項(xiàng)b的輸出值，可以進(jìn)一步得到模型的表達(dá)式。

五、結(jié)論

通過(guò)分析財(cái)務(wù)預(yù)警模型的表達(dá)式可以得出，F(xiàn)7、F8兩個(gè)主成分對(duì)模型的結(jié)果影響的權(quán)重值最高，其次為F1、F3兩個(gè)主成分權(quán)重值較高，F(xiàn)2、F4、F5、F6、F9五個(gè)主成分的權(quán)重值相對(duì)較低。F7、F8是已獲利息倍數(shù)和現(xiàn)金到期債務(wù)比，分別反映了公司償還債務(wù)利息和到期本金的能力，該項(xiàng)被BP神經(jīng)網(wǎng)絡(luò)模型賦予了最高的權(quán)重，F(xiàn)1、F3反映了公司的短期償債能力和長(zhǎng)期償債能力，該項(xiàng)被BP神經(jīng)網(wǎng)絡(luò)模型賦予了較高的權(quán)重，從經(jīng)濟(jì)學(xué)的角度考慮，償還債務(wù)利息和到期本金的能力考察了公司即時(shí)償付債務(wù)的能力，短期償債能力和長(zhǎng)期償債能力考察了公司潛在償付債務(wù)的能力。綜上所述，模型的賦值在經(jīng)濟(jì)學(xué)具有一定的價(jià)值和意義。

參考文獻(xiàn)：

[1]張曉萍,胡安琴.國(guó)內(nèi)外財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型實(shí)證研究文獻(xiàn)綜述[J].中國(guó)證券期貨,2013(03):109+111.

[2]劉驊,盧亞娟.地方政府融資平臺(tái)債務(wù)風(fēng)險(xiǎn)預(yù)警模型與實(shí)證研究[J].經(jīng)濟(jì)學(xué)動(dòng)態(tài),2014(08):63-69.

[3]李曉璐.基于BP神經(jīng)網(wǎng)絡(luò)的企業(yè)財(cái)務(wù)管理風(fēng)險(xiǎn)預(yù)測(cè)實(shí)證分析[J].菏澤學(xué)院學(xué)報(bào),2020,42(05):52-57.

作者：程寅驍 單位：浙江湖州交通集團(tuán)