张恒

基于PCA-BP神经网络算法的企业资产预测与分析

张恒

（安徽信息工程学院 通识教育与外国语学院，安徽 芜湖 241199）

采用主成分分析法，对2010—2019年我国规模以上工业企业资产总额以及相关数据进行分析，得出我国规模以上工业企业自2010年以后总资产及其他指标发展状况．将2010—2018年资产总额的时间序列数据作为训练数据，建立神经网络预测模型，利用BP神经网络分析方法对2019年资产总额进行预测，最终得到较为准确的估计结果，为我国规模以上工业企业资产总额预测提供了合理化、科学化理论支持．

规模以上工业企业；资产总额；主成分分析；BP神经网络

工业企业发展一直是社会关注的焦点[1]，也是反映中国经济发展的重要指标，其相关数据也是我国统计年鉴中的重要组成部分．国家统计局定期发布我国规模以上工业企业主要经济指标数据，并在《中国经济景气月报》中有所体现，足以说明其重要性．我国规模以上工业企业的资产运营情况在一定程度上主导国家经济走势，因此分析并预测我国规模以上工业企业资产成为学者研究的热点．

2010年以来，我国经济取得飞速发展，逐步摆脱2009年世界经济危机的影响[2]．单纯从《中国统计年鉴》的数据来看，我国规模以上工业企业的资产整体上呈现逐年递增趋势，但每项指标对于工业企业资产运营情况的影响不尽相同，因此本文选取了影响企业资产的８个重要指标，基于主成分分析的神经网络资产预测方法（PCA-BPNN），对包含各种因素的输出变量进行筛选，提取有效且具有代表性的因子，减少了最终BP神经网络的输入参数，节省了预测时间，也提升了预测精度[3-4]．

1　模型分析方法

1.1　主成分分析基本原理

1.2　BP神经网络预测

神经网络是借鉴人脑的结构和特点，通过神经元或节点互连组成的大规模并行分布式信息处理和非线性动力学系统[7]，是一种类似于大脑神经连接的结构进行信息处理的数学模型，其有着巨量并行性、结构可变性、高度非线性、自学习性和自组织性等突出优点．BP神经网络在当今国民经济与国防建设中有着广泛的应用，三层BP神经网络结构见图1．

图1 BP神经网络结构

2　数据的处理与分析

2.1　主成分分析

主成分分析主要思想是进行降维分析[8]．本文选取了2010—2019年我国规模以上工业企业相关数据，包括企业单位数、资产总计、负债合计、主营业务收入、主营业务成本、利润总额、亏损总额和存货等8个指标，通过SPSS共线性分析发现各个变量间存在相关性，因此有必要进行主成分分析，以消除数据间的多重共线性，同时剔除一些代表性差的变量．

利用SPSS22.0对数据进行KMO和巴特利特球形检验，结果见表1．

表1 KMO和巴特利特球形检验

进行主成分分析，总方差解释结果见表2．

表2 总方差解释

图2 碎石图

旋转后的成分矩阵见表3．

表3 旋转后的成分矩阵

主成分1主要反映了资产总计、负债合计、主营业收入、主营业务成本、利润总额、亏损总额和存货

的基本信息，主成分2主要反映了企业单位数的信息．为了分析更加精确，将主成分1定义为工业企业资金运营因子，将主成分2定义为相关工业企业次率变化因子．

计算因子得分，结果见表4．

表4 因子得分

将资金运营因子得分与次率变化因子得分分别与对应的方差贡献率相乘求和后除以累计方差贡献率，得到最终的因子得分，具体计算公式为

利用式（2）计算得到综合得分（见表5）．

表5综合得分

由表5可以看出，2010—2013年综合因子得分为负值，2014—2019年为正值．2013年前资产运营得分为负值，呈现逐步增长的趋势，2013后得分趋于正值，2011—2017年资产运营得分增长速度较为均匀，2018—2019年因子得分为负增长．从得分变化来看，2011年我国规模以上工业企业资产运营得分增长幅度最大，2012年后呈现波动趋势，2018—2019年为负增长，增幅逐渐减慢．从整体分析上来看，我国规模以上工业企业资产运营相关情况反映了当期国家经济水平，此数据基本符合实际发展现状，在经历2008年汶川地震以及2009年世界经融危机的影响后，政府迅速出台相关政策维护工业企业发展，特别是规模以上工业企业，使经济在2010年后迅速恢复，此后经济持续发展，但2017年后增速放缓．

2.2　神经网络模拟预测

主成分分析消除了各个自变量之间的多重共线性，根据主成分分析得到的结果，得出2个主成分并将其作为神经网络[9]的输入，神经网络的输出（模型的预测值）为下一年资产总额．模型采用五层神经网络，即1个输入层、3个隐含层和1个输出层[10]．模型数据分为２部分，2010—2018年的数据作为训练集，2019年的数据作为测试集，将最终预测的资产总额与实际真值进行对比，具体结果见表6．

表6 资产总额预测值与真值对比结果

3　结语

对我国规模以上工业企业资产运营环节进行主成分分析时可以发现，2010—2019年资产总额呈现逐步上升的趋势．基于PCA-BP神经网络模型将输入变量减少到2个，显著降低了输入变量的数量，提高了预测速度．从预测效果上来看，整体相对误差小于0.1，除2010年和2012年以外，其余年份资产总额预测值与实际值的相对误差小于0.01，2016年资产总额实际值为1 085 865.94，此模型预测值为1 086 126.98，相对误差仅为0.000 240 398（小于0.000 5）．总体来看，预测结果与实际值基本保持一致，因此可以认为，PCA-BPNN模型预测我国规模以上工业企业资产总额走势是相对可靠的，相对误差较小，而且对于数据的保存和计算提供了较为准确的拟合性．

虽然本文针对我国规模以上工业企业的资产相关数据进行PCA-BP神经网络分析得到了精确的结果，但是是否具有偶然性还是需要进一步验证．

[1] 周宏山，吴诣民．中国通货膨胀、通货膨胀波动与产出增长：基于MGARCH模型分析[J]．统计与信息论坛，2008（12）：53-58．

[2] 刘军．工业企业固定资产投资项目财务评价指标体系初探[J]．今日财富，2021（10）：139-140．

[3] 徐刚，王磊，金洪伟，等．因子分析法与BP神经网络耦合模型对回采工作面瓦斯涌出量预测[J]．西安科技大学学报，2019（6）：965-971．

[4] 陈辉，周圆圆．基于PCA-BP神经网络的设备故障预测研究[J]．物流工程与管理，2021（6）：150-153．

[5] 胡书文，徐建武．主成分分析和因子分析在中国股票评价体系中的应用[J]．重庆理工大学学报（自然科学版），2017（5）：192-202．

[6] 林卉，李楠，黄伯当，等．基于主成分分析的南流江水质评价[J]．广东化工，2020（4）：144-146，148．

[7] 王春娟，冯利华，罗伟．基于主成分分析的BP神经网络对南京市水资源需求量预测[J]．水资源与水工程学报，2012（6）：6-9．

[8] 王春萍．基于BP的顾客价值预测模型研究[J]．社会科学辑刊，2013（5）：112-116．

[9] 颜佳华，宁国良，盛明科．基于BP神经网络的电子政务绩效评价研究[J]．中国管理科学，2005（6）：125-130．

[10] 刘合兵，韩晶晶，席磊．小波变换：BP神经网络的农产品价格预测研究[J]．中国农业信息，2019（6）：85-92．

Prediction and analysis of enterprise assets based on PCA-BP neural network algorithm

Zhang Heng

（School of General Education and Foreign Languages，Anhui Institute of Information Engineering，Wuhu 241199，China）

Using the principal component analysis method，the total assets and relevant data of Chinese industrial enterprises above designated size from 2010 to 2019 were analyzed，and the development status of total assets and other indicators of Chinese industrial enterprises above designated size since 2010 was obtained．Taking the time series data of total assets from 2010 to 2018 as the training data，the neural network prediction model is established， and the BP neural network analysis method is used to predict the total assets in 2019，a more accurate estimation result was obtained，which provides a reasonable and scientific theoretical support for the prediction of total assets of industrial enterprises above designated size in China.

industrial enterprises above designated size；total asset；principal component analysis；BP neural network

1007-9831（2022）04-0030-05

O213∶F42

A

10.3969/j.issn.1007-9831.2022.04.006

2021-11-24

安徽省教学研究重点项目（2019jxtd144）；安徽省高校科学研究重点项目（kj2019A1299）

张恒（1993-），男，安徽安庆人，助教，硕士，从事应用概率统计研究．E-mail：562257523@qq.com