基于BP神经网络的电力上市公司财务预警实证研究
开篇：润墨网以专业的文秘视角，为您筛选了一篇基于BP神经网络的电力上市公司财务预警实证研究范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！
一、引言
随着电力体制改革的深入，电力企业面临的风险越来越多。财务活动作为经营活动的关键环节，其风险应是众多风险中最需要关注的，因此电力企业的财务风险预警是一个非常值得探讨的课题。财务预警的研究始于20世纪30年代，我国最早由吴世农、黄世忠（1986）引入，他们根据我国《企业破产法》构建出企业破产的的财务指标体系：资产变现能力、负债状况、资产使用效率，以及盈利能力。周首华、杨济华（1996）引进Altman的Z-Score模型，并且在Z模型的基础上加入现金流这一预测变量构建了F模型。
20世纪90年代，国外研究人员开始运用人工神经网络、专家系统、遗传算法等非统计类方法进行财务危机的预测研究。从现有的资料来看，Odom和Sharda （1990）是最早把神经网络技术应用于财务危机的预测研究中的，他们构建的 BP 神经网络财务预警模型优于当时的判别分析模型，能更好地解决分类问题。Tam 和 Kiang （1992）运用多元判别分析、Logistic 回归分析、k―近邻法、决策树法和神经网络技术分别进行建模分析之后，得出了神经网络技术的预测精度要高于其他方法的结论。朱敏（2007）选取沪深两市2004至2006年间28家被实施ST的制造业，以及相对应的同行业、同等规模的28家非ST公司作为控制样本，应用MATLAB神经网络工具箱建立BP神经模型，经过训练之后，神经网络的误判率为0.01786。韩彦峰和樊峰（2008）构建出一套针对电力企业简单可行的风险评价体系，他们根据因素内涵大小和相关程度，将指标系统划分为目标层、准则层、和指标层三级，共提出14个指标。以上学者对财务风险预警研究作出了巨大贡献，推动了相关技术的发展，但是他们的样本大多是针对所有上市公司，没有对某一行业进行细分财务预警的研究。不同行业之间的财务评价标准是有区别的，因此本文以期通过对电力企业财务风险的细致分析，建立一个针对电力行业的更完善的财务预警模型。
二、实证结果与分析
（一）数据来源 本文的财务数据来自沪、深两市56家上市电力公司2009年12月31日至2011年9月30日的财务报表，全部是发电企业，不包括电力设备制造企业。首先需要将电力上市公司中“存在财务危机”的公司辨识出来，2011年被实施ST的公司有ST能山、ST东热、ST梅雁，无疑这三家是“存在财务危机的公司”。有些公司虽然没有被实施ST，但是实际上存在着财务异常，例如经常处于亏损状态，但通过调节利润、粉饰报表、出售资产等各种手段逃避ST的公司，也应该把它们归类为“存在财务危机”的公司。此类公司可以通过分析公司的各个季报能加以辨别，比如季报经常处于大额亏损，到了年报的时候有微小的盈利。所以，在建立预警模型前，就“存在财务危机的企业”做以下假设：假设“被实施 ST 的上市公司”和“虽然在两年内只发生过一次年度亏损，但在该期间内各季度的净利润率平均值小于零的上市公司”都为“存在财务危机的企业”。根据假设，深南电A、富龙热电、漳泽电力、赣能股份、长源电力、豫能控股、涪陵电力、华电能源、华银电力等9家上市公司也应归类为“存在财务危机的企业”。加上前面提到的3家被实施ST的公司，存在财务危机的电力企业共有12家，其余44家财务正常。本文识别存在财务危机的企业依据的是2010和 2011年度内的企业财务状况。因为本文要构建的是财务风险预警模型，所以预测企业财务状况时，依据的财务数据应当早于2010年，因此本文选取各样本2009 年12月31日之前的财务数据作为研究数据。
（二）指标筛选 进行BP神经网络训练之前，需要提取输入和输出的数据。输入数据一般是样本企业的财务指标，输出是财务状况，用“1”表示存在财务危机，用“0”表示财务状况正常。财务危机预警指标体系中的指标可分为盈利能力指标、偿债能力指标、成长能力指标、营运能力指标、现金流量指标、表外信息等六大类财务指标，每一类指标下又包含若干小指标。本文采用显著性分析和主成分分析筛选指标。显著性分析是通过T检验法在财务指标中找出差别较大、能明显区分两类公司的财务指标。然后使用SPSS12.0对样本进行主成分分析，找到因子贡献大的、解释能力强的财务指标。通过显著性和主成分分析，本文最终筛选出每股收益、息税前利润率、流动比率、利息保障倍数、资产负债率、总资产周转率、每股经营现金流量等7项指标作为预警指标，该7项指标能够较全面的反映公司财务状况。
（三）神经网络设计 BP 神经网络的结构设计主要包括确定输入层、输出层、隐含层及各层之间的传递函数等四方面。单隐层的网络能够映射所有的连续函数，只有学习不连续的函数时才需要两个隐层，所以本文采用三层的BP神经网络，即一个输入层、一个输出层，一个中间隐含层。
（1）输入层设计。BP 网络的输入层节点个数都是根据具体问题来决定的，等于输入向量的维数。根据本文要求，对财务危机预警有显著判断力的指标共7个，因此输入层一共设立7个节点。输入层节点相对应的财务指标如表1所示。
（2）输出层的设计。本文将企业财务状况划分为正常、危机两种状态。故此，本文采用输出为一个节点的 BP 网络，定义输出“1”表示存在财务危机的公司，“0”表示财务正常的公司。
（3）隐含层节点设计。隐含层节点的作用是从样本中提取并存储其内在的规律。如果隐节点太少，网络从样本中获取的信息能力不足以概括和体现训练样本中的规律；隐节点过多，又可能把样本中非规律的东西也学会记牢，从而出现“过度吻合”的问题。本文用试凑法确定最佳隐节点个数。先用较少的隐节点训练网络，然后逐渐增加隐节点，并用同一样本集进行训练，从中确定误差最小时的隐节点数。本文通过反复实验最终决定采用8个隐节。因此本文选择 7-8-1 的 BP 网络结构作为财务危机预警模型。
（四）神经网络训练 本文把56家电力上市企业样本分成两部分，40家训练样本，16家检测样本，先用40个训练样本训练神经网络，再用该网络对其余16家进行检测。
经反复尝试，本文设置训练网络参数如下：目标误差 0.05，学习速率为 0.05，训练循环次数5000 次。应用 MATLAB 7.0 的神经网络工具箱编写程序进行模型的创建、初始化和训练。
（五）神经网络测试 训练结果表明，一层隐节点的神经网络模型能达到理想的输出结果。按照模型检验程序，将训练样本数据输入 BP 神经网络模型，对训练样本的 40家上市公司进行判定，同时，为了进一步检验模型的应用准确性，将作为检验样本的 16家上市公司的数据输入同一网络，网络对训练样本和检验样本的判定结果如表2。
BP 神经网络模型样本的误判分两类：I 类误判是将“有财务危机的公司”判定为“财务正常的公司”， II 类误判是将“财务正常的公司”判定为有“财务危机的公司”。实验结果表明，对训练样本来说，样本误判个数为 3，I 类和 II 类误判个数为 2 和 1，误判率为 7.5%，判定准确率达到 92.5%；对检验样本来说，样本误判个数为 2，I 类和 II 类误判个数分为 1 和 1，误判率为 12.5%，判定准确率达到 87.5%。
三、结论
通过运用BP神经网络对我国电力上市公司进行财务风险预警的实证研究可以清楚地看到，BP神经网络模型对财务危机的预测准确率高，误判率较小，采用BP神经网络对电力上市公司进行财务危机预警确实可行。这是因为BP神经网络具有强大的非线性映射能力、泛化能力和容错能力，通过对网络的反复训练能找出输人和输出对应的内在联系，弱化了人为主观因素的影响，提高了预测的准确度。
参考文献：