人工神经网络在企业盈利能力评价与预测中的应用.docVIP

人工神经网络在企业盈利能力评价与预测中的应用 　　摘要：人工神经网络具有计算原理简单、可操作性强、运行速度快、模拟精度高、客观性强、应用面广等众多优点，近年来，随着以MATLAB为代表的数学软件的进步与会计电算化的推广，人工神经网络在企业财务管理领域的运用越来越广泛。本文以沪市52家上市公司2013年第一季度的财务数据为样本，针对人工神经网络在企业盈利能力的评价与预测的方法方面的应用进行了演示与说明。 　　关键词：人工神经网络 盈利能力 评价 预测 上市公司 　　一、人工神经网络简介 　　人工神经网络（Artificial Neural Network，以下简称ANN），是一种对生物神经网络的结构与功能进行模仿的数学计算模型。神经网络依靠大量的人工“神经元”联结组合而成，每个“神经元”代表一种激励函数，它属于一种特定的输出函数。对每两个“神经元”间的连接都赋予一个权重（Weight），它代表通过该连接信号的加权值，这与活体生物的神经网络相类似。网络的激励函数、连接方式与权重值的不同决定了网络输出的不同。同时，ANN是一种自适应系统，它能根据外界信息的变化改变自身的内部结构，通过对输入、输出变量的不同关系的分析，掌握其中的内在规律，建立不同的非线性统计性数据模型，这一建模的过程也被称为“训练”。 　　如图1所示，a1、a2、……、an为输入向量的各个分量；W1、W2、……、Wn为神经元各个连接的权重，b为偏置，f为非线性传递函数，t为神经元输出，t=f（WA′+b），其中，W为权向量，A为输入向量，A′为A向量的转置。 　　盈利能力是衡量企业经营业绩的重要指标，是为维持企业生存、推动企业发展的根本动力，备受企业的管理者、所有者、债权人、政府监管部门等利益相关者的关注。因此，必须对企业的盈利能力进行准确、合理的评价与预测。由于企业的盈利能力不仅涉及到一系列定量的指标，还包括了大量定性的指标，这些指标本身就非常复杂，再加上会计信息本身所特有的模糊性，对盈利能力的评价与预测造成了很大的难度。ANN具备大量公式同时运行、大量数据同时计算、运算程序分布式存储、运算结果综合式处理、自我适应、自我组织与自我学习的能力，它自从被提出以来就在实务界得到广泛的运用，特别是随着近年来计算机电子技术的发展与进步，ANN逐步完成了软件模拟与硬件实现的无缝对接，在信号处理、模式识别、专家系统、优化组合、知识控制、机器人控制等领域发挥着越来越重要的作用。ANN非常适合应用于拥有很多不同的输入向量（即所要处理的问题需要同时考虑多种条件与因素），且输入向量具备不精确、模糊性特征的信息处理问题。笔者根据衡量企业盈利能力的各项评价指标的特征，结合ANN的优点，构建了一个ANN企业盈利能力综合评价与预测模型。 　　二、基于人工神经网络的企业盈利能力评价与预测模型设计 　　（一）指标的选择 　　企业盈利能力指标从不同的角度出发可以分为以下几个方面：第一类是应用最广泛的商品经营盈利能力分析指标，在计算时以企业的利润表为分析基础，包括收入利润率分析与成本利润率分析；第二类为资本经营盈利能力分析指标，在计算时不仅要运用企业的利润表，还涉及到资产负债表，主要是对净资产收益率的计算、分析与评价；第三类为资产经营盈利能力分析指标，主要是指企业的总资产报酬率指标进行分析和评价。盈利能力评价指标的选取是否科学、合理，与最终所建立的ANN企业盈利能力综合评价模型的有效性直接相关，因此，评价指标的选择应坚持科学性、全面性、可行性、可比性、客观性、重点性等原则。笔者在建立ANN企业盈利能力综合评价模型时将运用以下几个指标：销售净利率X0，销售毛利率X1，总资产报酬率X2，净资产报酬率X3，每股收益X4。 　　（二）模型设计的原理 　　将笔者已选择的几项企业盈利能力评价指标相应数值作为ANN的输入矢量：X=（X0，X1，X2，X3，X4）T，网络的期望输出t表示企业盈利能力综合评价结果的相应的分值。发挥ANN所特有的自适应、自组织、自学习能力对该网络运用大量的样本进行训练与学习，不断降低相对误差，最终使之符合预定精度，以完成ANN企业盈利能力综合评价模型的构造。 　　（三）模型的建立 　　第一步，选取合适的ANN结构。著名ANN基础理论专家S.K.Doherty的研究表明，只含有一个隐含层的三层（输入层、隐含层、输出层）前馈ANN具备以任意精度逼近任何非线性函数关系的特点。因此本文在对企业的盈利能力进行综合评价时将建立一个三层前馈型ANN模型，由于笔者选取了5个企业盈利能力综合评价指标，则输入层神经元个数就是5。虽然到目前为止，隐含层神经元个数的确定方法在理论界尚未形成统一的意见，但根据以往学者研究的经验，隐含层神经元个数n与输入层神经元个数m应满足如下关系：