基于神经网络的旅游业上市公司财务危机预警研究

　　【摘 要】本文综合考虑导致我国旅游业上市公司产生财务危机的因素，以神经网络理论为基础，运用BP神经网路模型构建了旅游业公司财务危机预警模型，并以14家旅游上市公司为例进行实证研究，验证了该财务危机预警的方法和模型。　　【关键词】旅游上市公司；财务危机预警；BP神经网络　　一、引言　　随着经济的不断发展，人民的物质生活水平得到很大的改善，当前就旅游业这样第三产业，已成为一种支柱型产业。首先，旅游业在国家实施应对危机、扩大内需、促进增长的战略中，发挥了巨大的发展潜力和起到了强大的关联带动作用，受到前所未有的重视；其次，对我国的经济发展有着举足轻重的作用，对经济的推动效果也是十分的显著，因为旅游业作为一个劳动密集型行业无论是在在解决劳动就业方面，还是在刺激消费、平衡社会财富方面，甚至对我们创建和谐社会都做出了应有的显著贡献。　　受全球金融危机冲击和甲型H1N1流感疫情的影响，2009年中国旅游业企业面临前所未有的挑战，然而在旅游投资领域，全国却出现了近年来的新一轮旅游投资高潮。这是中央政府和地方政府大力推动、积极主导的结果，特别是目前正处于“十二五”时期，这将是旅游业公司发展的最佳时机，是高速增长的新阶段。但是，因为现在存在很多可能导致旅游公司产生财务危机的不确定因素，这将严重影响旅游业的发展，让其难以适应现在的发展趋势，因此应适时的研究一些解决旅游公司财务危机的方法。　　因为财务危机在爆发之前是有一些“预兆”的，我们可以根据这些“预兆”来采取相应的措施预防其发生，以“预兆”为研究对象预测财务危机的方法是提醒关联方的预警器，能起到很好的预警作用。　　然而，目前我国有关旅游业企业财务危机预警的研究相对缺乏，这与市场经济发展的趋势是很难适应的，因此笔者认为很有必要从旅游这一行业出发对财务危机预警进行进一步的研究。　　以往关于其他行业的财务危机预警模型大多依赖于统计数据以及数量经济模型，例如，Z-Score模型、判别分析以及Logistic模型等,这些方法虽然能够根据样本的历史数据建立预测模型,但它们不能动态地归纳新的数据,从而也就影响了其预测的准确性。近年来，随着人工智能技术的发展和数据挖掘技术的成熟,神经网络模型等也被应用到各行业的财务预警上来。因此本文拟将基于神经网络模型来判别和分析旅游上市公司的财务状况。　　二、研究对象的确定　　目前我国旅游业上市公司总体数量有限共20家，其中在2007-2011年度之间被ST处理的企业共4家。首先，本文以ST公司界定为财务失败的企业，选取被ST处理的4家企业并相应的选择相同年份、同行业的10家非ST公司作为研究样本，总样本为14家旅游企业，研究范围覆盖了大部分的旅游业，因此相对其他行业同类型研究更具说服力；其次，本文并按照1：1的比例随机将总体样本分为两组：训练组和测试组，每组分别由5家非ST公司和2家ST公司组成。总样本为14家，如表1所示：　　三、财务指标的选取　　神经网络模型是一种自然的非线性模型,它能以任意精度逼近任意复杂的非线性映射,而不需要对多变量正态分布或事先概率进行假定。因此,本文研究从是否与企业危机预测相关、在国内外研究成果中出现的频率、中国上市公司的实际情况三个角度出发，并在遵循尽可能全面反映上市公司财务特征的原则下,选择了五类财务指标：每股指标、营运能力、盈利能力、成长性以及现金流量。　　因为涉及本文选择的五大类指标下有将近100个指标，这五大类所覆盖的全部指标，能不能有效地区分ST公司与非ST公司，现在还不能确定。如果某项指标在ST和非ST公司间没有明显的区分度，而作为BP神经网络输入，将会降低BP神经网络的准确度。因此，为了保证财务危机预警指标体系能有效地判别财务危机，需要对财务指标进行双样本t检验，判别它们是否存在显著性差异。利用SPSS软件对原始数据做指标显著性t检验，得到14家公司的均值、标准差、t值，从检验结果中可以看出：非ST公司和ST公司在其中的23个指标上存在显著性差距，能够作为区别非ST公司和ST公司的财务指标。本文采用的23个财务指标具体见表2。　　四、神经网络模型的构建　　1、神经网络　　神经网络是一种旨在模仿人脑结构及其功能的信息处理系统，它能够通过预先存储的信息或自适应学习机制，从不完整的信息和噪声干扰中恢复原始的完整信息；此外，它还能通过对系统输入输出样本对的学习自动提取蕴含其中的映射规律，从而以任意精度拟合任意复杂的非线性函数。本文采用最常用的三层BP前馈神经网络,网络各层之间完全连接，包括输入层、隐藏层与输出层，如图1所示：　　2、模型构建　　本文模型的输入变量为的23个财务指标，输出变量是企业财务危机程度，用Y表示：Y=0表示ST公司，Y=1表示非ST公司，因此最终建立的BP神经网络模型共有23个输入神经元，16个隐层神经元，2个输出神经元，得到的神经网络拓扑结构为23＊16＊2。　　（1）网络训练时采用快速训练方法，即采用traingdx训练函数来训练，利用编写的Matlab语言程序，经过反复试验，确定采用如下参数进行训练：循环间隔数100，目标误差0.05，学习速率0.205，学习速率增加的比率1.05，动量因子0.1，最大循环次数1000。　　（2）用训练组样本值对神经网络模型进行训练，训练过程中得到了BP神经网络误差曲线，如图2所示：　　（3）用测试组对训练好的模型进行测试，得到相关测试组的输出结果如表3所示：　　五、结论　　从图5我们可以明显地看到：公司代号从1-25之间神经网络输出值基本保持在（-0.5，0.5）这个区间进行波动，而从25-35之间大部分输出数值则在（-1.5,-0.5）U（0.5,1.5）这个区间波动，数据表明了桂林旅游、丽江旅游、云南旅游、西藏旅游、中国国旅这5个旅游上市公司2007-2011年度的输出值绝对值接近0，ST东海A、ST金马上市公司2007-2011年度的输出值绝对值接近1，因为本文在前面设置输出值用Y表示：Y=1表示ST公司，Y=0表示非ST公司，神经网络的输出结果基本符合设置值，即输出值接近0的桂林旅游、丽江旅游、云南旅游、西藏旅游、中国国旅是正常的公司未发生财务危机；而输出值接近1的东海和金马上市公司则发生了财务危机。　　图3　　从准确度上来看，经过具体计算得到BP神经网络模型的准确度为86.84%，而前面的学者用logistic回归模型同类预测结果为76.67%，显而易见本文采用神经网络输出的预测结果高于用logistic回归模型的预测结果，并且相差很大，更为主要的是：后者模型的建立非常复杂，不容易应用；而神经网络模型程序实现只需借助于MATLAB语言非常简单；并且因为企业进行财务危机预警的目标就是要以最小的出错率、最高的效率将财务危机公司和正常公司分开，本文运用神经网络对旅游业上市公司财务危机预测的结果到达了企业预定的目标和要求。　　因此，笔者建议旅游业上市公司在进行财务危机预警时应多尝试使用神经网络模型，并且可以将其使用范围延伸到对投资对象的分析和对企业经营业绩的评价等诸多方面。这是企业运用人工智能技术开发各种风险评测模型，有效发现潜在财务风险，提高企业经营管理准确性、科学性和有效性的重要途径。　　参考文献：　　[1]李健,刘翔.借助遗传神经网络开展上市公司财务危机预警[J].财会月刊,2011,1.　　[2]甘敬义,黄明和,袁晶.中国金融风险预警模型分析[J].商业时代,2011,27.　　[3]韩力群.人工神经网络理论、设计及应用[M].化学工业出版社,2002,1.　　[4]刘兆峰.神经网络在公司财务风险预警中的应用[J].水运科学研究所学报,2001,4.　　[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,2010,10.　　作者简介：曾柳燕（1988—），女，湖南邵阳人，大学本科，2010年毕业于湖南农业大学，现供职于煤炭科学研究总院矿山安全技术研究分院。