王敏玉

摘要：本文首先分析了财务危机与财务预警的关系，阐述了建立企业财务预警系统的必要性，以南京中山大厦有限公司财务状况为研究样本，得出10个指标的企业财务预警体系，提出了基于BP神经网络的强分类器的模型，并在Matlab环境下进行实践，结果表明采用基于强分类器的企业财务预警模型具有分类精度高等特点，对于建立企业财务预警系统具有很强的应用价值。关键词：财务危机；财务预警；强分类；BP神经网络中图分类号：D412.67

文献标志码：A

文章编号：1674-9324（2018）20-0193-02 一、引言市场给企业的发展带来发展机遇的同时，也给企业带来了风险，如果企业的经营者不能正确有效的应对市场风险，把握企业的财务状况，及时作出正确的风险判断从而采取相应的措施，其结果将给企业带来了不确定的风险与损失，在这种背景下进行企业财务预警方面的研究，对于企业的经营无疑具有重大的价值。二、财务危机与财务预警关于财务危机概念的认识，文献[1]认为企业财务危机是企业在运营过程中出现的资金困境的一种现象，是企业管理中出现的资金管理失败的一种表现，从文献[1]可以发现，从企业资金管理的角度看，企业一旦出现财务危机对企业来说是致命的，企业失去了利用自身资金偿还到期债务的能力，很多企业就是由于出现了财务危机而走向了破产。正是由于企业财务危机对企业经营的危害性，企业财务预警的研究就显得十分重要，企业财务预警就是对企业财务的情况进行分析，第一时间识别出企业财务状况出现恶化的情况。三、企业财务预警系统的分析企业财务预警属于企业财务管理范畴，建立公司财务预警系统是为了预防公司财务运行偏离正确的方向而建立的报警分析报警系统，它首先采集公司的财务指标，具体为：盈利能力指标、偿还能力指标等大指标，每项大指标又分为若干个小指标，如盈利能力指标又分为净资产收益率、总资产报酬率、主营业务利润率等，通过公司的各项财务指标进行分析评价，识别出公司的财务状况、发展趋势，为企业决策者提供决策支撑。企业财务指标十分复杂，如果对所有的指标都进行评价后综合，预警模型就过于复杂，因此在模型建立前需要筛选指标。首先是在财务指标中找出特征性强的指标、能够明显区分公司情况的财务指标，在此基础上再进行细化，最终找出应收账款周转率、成分费用利润率、资产营运能力、公司总资产、总资产增长率、营业现金流量等指标作为评价指标，这些指标也比较全面地反映出了企业的财务情况。四、企业主要财务指标的计算1.应收账款周转率的计算。应收账款周转率是指在一定的时期内（一般指一年）应收账款变为现金的次数，它是衡量一个企业应收账款流动的指标，应收账款周转率是销售收入与平均应收账款的比值，可以表明应收账款周期流动的速度，一般来说应收账款周转率越高，应收账款收回越快，否则，企业营运资金过多的停滞在应收账款上，会影响正常的资金周转。以南京中山大厦有限公司为例，南京中山大厦有限公司商场批发业务2014—2015年应收账款周转率分别为9.28次、9.05次，高于行业平均周转率8.9次，表明南京中山大厦对收账款实施了严格管理。2.存货周转率的计算。存货周转率是指在一定时期主营业务成本与平均存货余额的比率，它是反映存货周转速度，企业营运能力的重要指标之一。存货周转率不仅可以用来衡量企业的经营环节中存货的营运效率，还可以用来评价企业的经营业绩。一般情况下，该指标越高，存货的周转次数越高，表明企业的存货资产变现能力越强，说明企业由于销售顺畅而具有较高的流动性，偿债能力较强，反映了企业具有较高的存货管理水平。南京中山大厦有限公司商场批发业务2014—2015年存货周转率分别为6.15次、6.11次，远高于行业平均水平11.63次，表明企业销售顺畅而具有较高的流动性，存货转变为现金或应收账款的速度快，存货的占用水平低。五、基于财务预警分析强分类器模型强分类器的思想是整合多个“弱分类器”以产生有效的分类，其步骤如下。首先设计出弱分类算法和样本（X，Y），从样本空间中找出训练数据，用弱学习分类运算，每次运算后都按照分類结果更新训练数据，弱分类器通过反复迭代得到一个分类，最终强分类函数由弱分类函数加权得到。本文采用的强分类模型是把BP神经网络作为弱分类器，反复训练BP神经网络预测样本输出，通过算法把多个BP神经网络分类器叠加的分类器就是强分类器，如图1所示。算法如下：步骤1：数据选择和网络初始化，从样本空间随机选择m组的训练数据，根据样本设计BP神经网络的结构。步骤2：弱分类器预测，当训练第i个弱分类器时，用训练数据训练BP神经网步骤。步骤3：测试数据权重权重。步骤4：将几个弱分类组合得到强分类函数进行分类。六、实验分析采集到若干组公司财务状况数据，从每组数据的输入10个指标，输出为1时表示财务良好，-1时表示财务状况出现问题。在Matlab环境下进行编程测试，具体如下。1.数据集的选择。从样本中选择训练样本，测试样本权重，流程如图2。2.弱分类器学习分类。把BP神经网络看作弱分类器，对样本进行归一化处理，搭建BP神经网络，选择前70%的样本数据作为训练数据，后30%的样本数据作为测试数据，进行BP神经网络的训练，最后对训练数据进行预测，其流程如图3。3.强分类器分类。由10组弱分类器BP网络叠加强分类器对分析样本进行分类训练，计算出分类结果与误差，其流程如图4。4.结果分析。采用了10个BP弱分类器组成的强分类器分类公司的财务运行状况，分类误差发现，强分类器的误差率低于弱分类器的误差率，表明强分类器取得良好的效果。七、结语激烈的市场竞争中，财务风险和危机对企业的生存是致命的，建立企业财务预警系统就显得非常重要，财务预警系统是对企业财务指标的综合分析，反映出企业的财务状况，基于强分类模型是整合若干个弱分类器以得到有效的分类，也就是把BP神经网络作为弱分类器，反复训练BP神经网络预测样本输出，通过把几个BP神经网络合并得到强分类器，在MATLAB实践中，这种强分类器分类误差率低，对建立财务预警系统具有良好的应用价值。参考文献：[1]潘颖.企业财务预警系统构建研究[J].商业研究，2009，（8）：78-80.[2]李心合.财务失败及其预警[J].财务与会计，2007，（24）：57-59.[3]李秉祥.基于资本市场信息的上市公司财务危化动态预测模型研究[J].管理工程学报，2005，（4）：49-52.[4]李贺，单锦雨.企业财务预警系统分析与设计研究[J].情报科学，2005，（3）：437-450.[5]李芳.基于BP神经网络的我国制造业上市公司财务危机预警[J].金融领域，2010，（40）：63-64.