康彩丽

（山西大同大学 浑源师范分校，山西 浑源 037400）

财务失败又叫财务困境、财务危机，是指企业没有按时履行合同，清偿到期息金而产生的困难和危机，其具体表现包括持续性亏损、无偿付能力、违约和破产等。实际上，很多企业的财务危机是一个循序渐进的过程，都是随着财务状况从异常到恶化，最终产生财务失败的。中国加入世界贸易组织以来，金融银行业的竞争也逐渐激烈，中国证券市场逐步开放，并与世界金融业市场接轨。国内证券市场监管的不完善、上市公司的坑蒙拐骗，给金融业投资者的信念以严重打击。由此可见，帮助投资者避免风险，对不同上市公司企业财务状况进行判别，是迫切需要解决的问题。

2 LVQ神经网络概述

学习矢量量化 LVQ（Learning Vector Quantization）神经网络由芬兰学者Teuvo Kohonen提出，属于前向神经网络，在模型判别和优化领域有着广泛的应用。

2.1 LVQ神经网络结构

LVQ神经收集是由输入层、隐含层与输出层三层构成。其中，在网络的输入层和隐含层之间是完全连接的，在隐含层与输出层间是部分连接，每个隐含层神经元和输出层神经元的不同组相连接。LVQ神经网络结构如图1所示。

图1 LVQ神经网络布局图

2.2 学习矢量量化网络算法流程

LVQ算法的训练过程如图2所示。

由图可见，首先初始化网络设定变量和参量。令

为输入向量或称训练样本。令

为权值向量，i=1，2，…，M。选择学习速率的函数η（n），设n为迭代次数，N为迭代总次数，令学习速率为η（0），权值向量为Wi（0），再从训练集合中选取输入向量。通过欧氏距离最小准则为

图2 LVQ的训练过程图

最后，寻找得出获胜的神经元，从而实现了神经元的竞争过程。根据前面学习原则调动获胜神经元权值向量，可以鉴定分类是否正确。鉴定迭代次数是否超出跨越N，再改变学习速率η（n），如果n≤N就转到输入向量作为输出，否则完成迭代过程。

2 财务失败预测模型的建立

在构建分析财务失败预测模型时，建构破产预测模型的财务数据均来自我国上市公司的可靠数据，其中选用的财务破产公司是指持续两年亏本（即为净利润＜0）或每股纯财产小于股票面值，并将选中行业的其他公司为一般公司，以财务状况异常第一次发作日为基准日，选取这些公司在基准日前两年的财务报表数据。共选取了财务状况异常的102家公司，正常的481家公司，共583家公司构建了样板的集合。这里选取了14个公司作为样本，其中8个是非ST公司，6个是ST公司。

2.1 练习和尝试集合的割据

把全部样板数据分成训练集与测试集。讨论结果显示，在分类模型的构建过程中，要想所建模型具有较强的健壮性，就必须让训练集合中两类样本数据的数目相同，所以本次实践的练习集是由ST和非ST公司各自的5个样本组成。测验集中1个为ST公司，3个为非ST公司，用于预测评估在训练集上构建的LVQ网络模型的预测精度。

2.2 财务指标的选取

利用LVQ算法进行财务失败预测时，首先应该提出有关财务失败的重要指标确定网络结构。财政预测指标的选取在很大程度上在很大程度上决定了预测模型的预测精度。Altman在成立企业破产预测的Zeta模型时，最早的财务标准选用遵循了两个准则：一是该目标在以前的研究中出现的频率；二是目标和要研究问题的潜在相关性。文章中财务指标的采取主要结合以下几个原则：（1）显示公司偿还本息能力的原则；（2）反映公司运营收益原则；（3）结合以往倒闭预警研究采取的财务标准；（4）可实践性原则；（5）可比性原则。

本着全面反应企业的财务状况、增长可操作性、下降预测成本的原则，概括并借鉴前人的研究成果，考虑上述原则后，LVQ预测模型的特征向量是以下五个财务指标。

（1）净资产收益率，可衡量公司对股东投入资本的利用效率，净资产收益率=税后利润/所有者权益。它弥补了每股税后利润指标的不足。

（2）流动比率＝流动资产/流动负债，它是反映企业变现能力的重要指标。

（3）股本权益比率从不同的侧面来反映企业长期财务状况，股本权益比率=股本权益总额/资产总额，这个比率越大，资产负债比率就越小，相应的企业财务风险就越小，该企业偿还长期债务的能力就越强。

（4）总资产增长率越高，表明企业一定时期内资产经营规模扩张的速度越快。总资产增长率=本年总资产增长额/年初资产总额×100%，其中，本年总资产增长额＝年末资产总额-年初资产总额。

3 在MATLAB环境下实现财务失败预测

根据LVQ神经网络理论，在MATLAB软件中编写程序实现基于LVQ神经网络的财务失败预测。

3.1 财务失败预测的MATLAB实现

3.1.1 输入向量的目标向量设计

这里用5个ST公司与5个非ST公司的样板作为网络的训练样本。

p=[0.26 0.23 0.65 0.21 0.78 0.75 0.82 0.19 0.83 0.16;

0.12 0.11 0.50 0.14 0.52 0.49 0.51 0.13 0.57 0.16;

0.19 0.21 0.50 0.17 0.50 0.50 0.50 0.18 0.51 0.21;

0.32 0.29 0.61 0.27 0.61 0.60 0.60 0.30 0.60 0.23;

0.27 0.20 0.76 0.24 0.69 0.75 0.71 0.21 0.72 0.19];

这些样本的类别为：

表示第一第二第四第八与第十组样本属于一类，即ST公司，其余五组属于一类，即非ST公司。

将类型向量tc利用函数ind2vec改变为网络可以使用的目标向量t：

3.1.2 网络的创建

神经网络工具箱中作为建立LVQ收集的函数为newlvq，利用该函数创建一个LVQ网络。

上式中，竞争层神经元的数量为8，[0.5 0.5]表示输入样本中两类数据各占50%，学习速率与学习算法都取默认值，分别是0.01和learnlv1。

3.1.3 网络的训练

创建LVQ网络后就需要有效的对网络进行训练。训练是采取神经网络工具箱中的train函数，训练步数为1000。

图3 训练结果

训练结果为

可见，网络的训练函数为train，经过两次训练后，网络误差就达到了要求。训练结果如图3所示。

3.1.4 仿真

检查网络能否对训练组样板的输入向量进行正确分类，是利用仿真函数sim对训练好的网络进行仿真。

输出结果为

yc=tc，可见网络的分类是正确的。仿真结果表明，网络分类的精度非常高。

3.1.5 预测模型的建立

文章采取交织检验法对模型进行测试，即利用已构建的LVQ网络对测试组的数据（后1个ST公司和后3个正常公司）进行划分。

可见网络对输入向量进行了成功分类。

3.2 训练误差分析

通过逐步训练发现当竞争层神经元个数为8时，网络的收敛速度比较快，而当隐含层神经元的个数为10时网络的训练过程却变得缓慢了。并且将其个数增加到12时显得训练过程更为缓慢，表明收敛速度并没有明显地随着隐含层神经元数目的增加而加快的趋势，从而得出一个重要的结论：并非隐含层神经元的个数越多，网络的性能就越好。所以需要恰当选取竞争层神经元的个数，才能达到较好的训练效果，满足网络训练的要求。

4 财务失败预测的BP网络模型

4.1 财务失败预测的BP网络模型

利用BP算法进行财务失败预测时，首先应该确定有关财务失败的重要指标与BP网络的结构。同样选取和前面一样的5个指标作为输入向量。以公司是否为ST作为输出。在具体预测时0表示ST的公司的输出值，1表示非ST的公司的输出值，该公司财务状况越好时输出值越接近1，反之则越差。因输入样本为5个输入向量，输入层就一共需要5个神经元。中间隐含层选取11个神经元．输出层用1个神经元。BP网络即为5×11×1的结构。网络中间层的神经元传递函数采用的是S型正切函数tansig，输出层神经元传递函数采用的是纯线性函数purelin，网络参数如表2所示。

表2 网络参数

经过3次训练后。网络误差达到要求，训练结果如图4所示。

图4 BP网络的预测误差对比曲线

4.2 LVQ网络模型与BP网络模型的比较

对比LVQ网络训练误差曲线，虽然两种模型的训练次数都是1000，学习速率都是0.01，但明显地看出，BP网络模型的训练时间比较长，训练过程收敛速度也较缓慢。虽然 MSE=1.86335e-005/0.0001，即输出的均方误差已经很小了，但相对LVQ网络模型误差较大，网络的性能还没有为0，训练目标误差也没有达到0。实验结果表明，LVQ神经网络相对传统的BP网络方法有较高的预测准确率，对输入向量实现了成功分类，在这一领域有着良好的应用前景。

5 结束语

财务失败预测在财务界和实务界引起了极大的关注，它的判别方法和模型层出不穷。由此以来成为了财务管理研究的热点。企业财务失败预测有两个方面的重要性：一是作为早期警告系统，判断方法和模型可以提醒管理者企业是否在变坏，是否应当采用有针对性的法子避免失败；二是金融界的决定者能够对企业做出评估和挑选，是借助于它的判别方法和模型。