基于主成分和BP神经网络创业板企业财务绩效评价.docVIP

基于主成分和BP神经网络创业板企业财务绩效评价 　　内容摘要：本文从盈利能力、资产质量、债务风险和经营成长能力四个方面选取创业板企业财务绩效的评价指标，基于主成分分析法构建了其评价指标体系，通过BP神经网络建立了财务绩效的评价模型，最后对创业板企业财务绩效进行了实证分析，验证了模型的有效性。 　　关键词：创业板企业 财务绩效 主成分分析 BP神经网络 　　引言 　　创业板企业财务绩效评价是对上市公司的获利情况、可持续发展能力和成长能力的评估，对减少投资风险、保证资金安全、获得预期收益起着重要的作用（徐胜男等，2011）。 　　关于企业财务绩效评价的研究主要包括评价指标体系和评价方法两个方面。关于财务绩效评价指标体系的研究，夏秋（2007）从盈利能力、管理能力和风险控制能力三个方面衡量商业银行的财务绩效水平。李庆东（2006）选取投资者获利能力、盈利能力、企业发展能力、经营效率、偿债能力等五个一级指标作为石油化工类上市公司综合财务绩效的评价指标体系。赵息等（2012）采用代表盈利能力、偿债能力、营运能力、发展能力共计9项指标检验上市公司的并购绩效。 　　关于绩效评价方法，孙立成等（2012）运用因子分析模型对我国石油行业上市公司的财务绩效进行了综合评价。徐胜男等（2011）基于LMBP神经网络对创业板企业财务绩效进行了评价。张水英（2012）对指标进行综合评分，并对综合评分进行正态性检验，比较创业板上市公司与沪市A股的财务绩效。 　　杨自业和尹开国（2009）采用行为评估问卷调查方法来测度我国上市公司的社会绩效水平。杨洪波（2012）等集成熵权法与改进的层次分析法对上市公司财务绩效进行评价。李巍巍和吴冲（2012）通过集成层次分析法、灰色关联度法、因子分析法对上市运输类公司进行聚类分析。 　　目前的研究中，指标体系主要是通过主观经验建立，指标之间可能存在关联性。绩效评价方法中对指标的评分也存在主观性因素。因此，本文从盈利能力、资产质量、债务风险和经营成长能力四个方面，选取了销售净利率、流动资产周转率、速动比率等14个反映创业板企业财务绩效的指标，通过主成分分析法确定了创业板企业财务绩效的评价指标体系，并基于BP神经网络构建了创业板企业财务绩效的评价模型。 　　评价指标体系建立 　　（一）原始指标选取 　　创业板企业财务绩效评价指标主要包括盈利能力、资产质量、债务风险和经营成长能力4个一级指标，14个二级指标。具体的指标体系如表1所示。 　　（二）基于主成分分析法的指标筛选 　　1.指标筛选原理。为了消除指标间可能存在的关联性，本文运用主成分分析法对这些指标进行压缩。首先对样本数据进行标准化处理，再根据需要选取前几个最大的主成分反应原始指标的大部分信息，这样既避免了各指标之间相关性的影响，又提高了评价的准确性。 　　2.数据标准化。在主成分分析之前，需要对指标数据进行标准化处理，消除不同指标之间量纲不同的问题。原则如下： 　　当指标值越大，评价目标越好时： 　　Fi=（Xi-Ximin）/（Ximax-Ximin） （1） 　　当目标越小，评价目标越好时： 　　Fi=1-（Xi-Ximin）/（Ximax-Ximin） （2） 　　其中，Fi是第i个指标经过归一化处理后的标准值，Xi是第i个指标的值，Ximax和Ximin分别是第i个指标的最大值和最小值。 　　3.指标筛选。根据主成分分析的基本原理（迟国泰等，2009），指标筛选的步骤如下： 　　第一步：计算样本相关系数矩阵。设R为评价指标的相关系数矩阵；rij为第i个评价指标与第j个评价指标的相关性；m为评价指标的个数。则有： 　　R=（rij）mxm （3） 　　第二步：计算相关系数矩阵R的特征值λ1、λ2、…、λm（λ≥0）及相应的特征向量c1、c2、…、cm。 　　第三步：计算各主成分的贡献率。设υi是第i个主成分的贡献率；λi是第i个特征值。则有： 　　（4） 　　第四步：根据主成分的贡献率筛选主成分。将各主成分贡献率由高到低排列，当前s个主成分的累计贡献率达到85%以上时，取这s个主成分作为财务绩效的评价指标。 　　第五步：构造新的样本矩阵。根据： 　　Zi=X×ci，（i=1，2，3，…，s） （5） 　　计算每一个主成分的各样本值，构成新的n×s维样本矩阵Z，作为BP神经网络模型的输入。其中X为标准化的样本矩阵，即有： 　　（6） 　　BP神经网络评价模型 　　（一）模型原理 　　BP神经网络（Error Back Propagation Network）通常是指基于误差反向传播算法的多层前向神经网络。该网络的主要特点是信号前向传递，误差反向传播。在前向传递的过程中，输入信号从输入层经隐含层逐层处