ZHl 年第25卷第3期
基于EMCP 神经网络的财务绩效
评价模型的构建与检验
壬艾娟
(湖南工业大学经济与贸易学院，湖南株洲412004)
摘 要：目前,BP 神经网络模型多数是用于财务危机的预测，也可用于财务绩效的评价。运用2010—2019年上市公司
家电行业的财务数据，结合熵值法进行BP -神经网络模型的训练以及仿真测试。结果表明，经过迭代训练后，财务绩效
评价模型的评价能力较高，仿真测试的准确率能达到86.7%。这为财务绩效评价的模型方法提供了新思路，并且为BP
神经网络的财务绩效评价可行性提供了新证据。
关键词：熵值法；BP 神经网络；财务绩效
Constroction and Test oO Financial Performance Eveluation Model Bad
on EM-BP Neerol Network
WANG Afuac
(S c U oo I of E conomics and TraWe
, Hunua University of TechcoWcy , Zhuzaon 419024 , China )
Abstroct : Most oC the BP aenral aetworO moCeW are uX foo the preXicUon oC financial crisis - and we u it foo the evaWation oC
financial peOormaace. BaX on the financial data oC the WsteX home anpWaace industry from 2217 to 2219,combmen w:ith the ex-
W opc methon foo BP-Nenral aetwory mopvi training and simulation testing. The results show that aftco ferative training , the evaWy- dop anility oC the financial performance evaWaWoa mopvi is excellent , ana the accuracy oC the simulation test can reach 86. 6% ■
We proviUc a new ifea foo the moCei methon oC fiaaaciai performance evaluaWop, anC proviUc new eviUexco foo the feasifility oC
BP aenrai aetworO fiaaaciai performance “81x 81100.
Key wordt : Entropy methop ; BP aenrai aetworO ; Finaaciai performance
dot : I0. 3969/j. ima. 1906 - 8554. 022L 03.004
0引言
中国经济自2008年以来就长期承受着结构性调整和周期 性调整的冲击。一方面，中国决策层开始系统性地修正传统守
旧经济发展所积累的深度结构性问题；另一方面，中国的货币
供给、产能利用和债务负担的周期性问题也在2019年达到警 戒线。且在此背景下，公司潜在地面临着长短期的财务危机， 如过分扩张、关联交易、利润造假等。很多情况下，其中造成财
务危机的主源性原因是缺乏客观科学的财务绩效评价体系，内
外部利益相关主体无法对公司的财务状况进行高效准确的评 估，以致于不能及时反应作岀补救。
基于此现状，本文结合熵值法，并运用目前最为广泛的BP 神经网络模型，利用其强大的函数逼近能力，建立高效率、高精
度的财务绩效评价模型。
1 EM-BP 神经网络模型
o型血和a型血生的孩子BP 神经网络模型全称是基于BP 算法的多层前馈神经网 络，是由输入层、隐含层和输岀层构成。输入层是用于识别外 部信息，再对信息进行权值阙值连接，一步步从隐含层，再到输
岀层，通过对比正向传播至输岀层的信息和实际输岀层数值的 误差程度，再利用BP 算法进行学习。其中，BP 算法应用于模
型建立的优势来自于其特有的多层前馈神经网络结构，这也决 定了网络训练分成两个阶段：第一步是特征信号的正方向传播
和第二步的误差信号的反方向传播。且这两个阶段并不是一 次就结束，需要进行多次迭代运算，根据学习规则和训练函数
不断的更新权值阙值，已达到误差不断降低，直至迭代收敛。
BP 神经网络运用于财务绩效评价是属于有监督学习，而 本文熵值法的运用主要目的是在于使BP 神经网络的有监督学 习行为更为规范，历年由中国国资委岀台的《企业绩效评价标
准值》有着较高的权威性，据此构建岀的输岀层数据，更能保证
模型学习信号的高质量，以保证更优异能力的训练结果。
2输入、输出层数据来源
2. 8数据样本来源
通过运用CSMAR 经济金融数据库，选取2019—2019年
53家A 股家电行业上市公司的年报数据，再将其放置入Maw
WW R2017b 中使用。之所以选择上市公司为样本的原因在于：
①数据的获得便利性,CSMAR 经济金融数据库财务报表子库
和财务指标分析子库中能充分且详细地提供上市公司公布的 基本公司信息和财务经济数据。②上市公司数据的规范性，上
市公司普遍都有义务进行年度报表的公布，并且有会计师事务
13二泉映月的作者
所进行外部审计，其数据的真实性是受多方监督的。③上市公司具有代表性，上市公司多数都是行业中具有一定市场地位的个体，其发展的稳定性不会岀现非正常波动。同时为了保证数据质量，数据还将被进行1%的缩尾处理，再结合归一化处理，以降低异常值的影响。
2.8输入层选取
输入层数据的选取，本文根据过往财务绩效神经网络模型的文献研究（徐胜男⑴等，2011；徐楠⑴等，2014；刘健[3], 2006），同时再依据指标选取的客观合理性原则，为样本公司选取能代表其财务绩效的特征变量，即偿债能力、营运能力、盈利能力、发展能力和比率结构五大方面，如表1所示。
表1特征指标体系表家园作文
指标代码指标名称
偿债能力X1流动比率X8速动比率X3现金比率X资产负债率X产权比率
营运能力X6应收账款周转率X7存货周转率X流动资产周转率X固定资产周转率X1总资产周转率
盈利能力X1资产报酬率
X1净资产收益率X1销售期间费用率X1成本费用利润率X1固定资产利润率
发展能力X1净资产收益率增长率X1基本每股收益增长率X1净利润增长率
X1营业利润增长率X28所有者权益增长率X21可持续增长率
比率结构X22营运指数
X资本支出与折旧摊销比
X2现金适合比率
X25企业自由现金流
X28留存收益资产比
Vol.20,No.8,2841
2.3输出层构造
过往研究中BP神经网络财务绩效模型的输岀层的选取都
存在一定缺陷,BP神经网络模型运用于财务绩效评价的核心
目的在于通过对企业特征变量进行识别，再结合具有权威性质
楚乔传锦烛的财务绩效输岀值，完成模型的拟合。因此,BP神经网络模型
输岀值的质量决定着模型是否能准确进行评估，本文决定运用
熵值法并基于历年《企业绩效评价标准值》，构建岀更为合理
的输岀层数据，具体计算过程如下。
1）计算第/项指标下第i年份指标值的比重匕
2）计算指标信息熵值勺
勺一吃y如心盘（2）
3）计算指标信息效用值兔
哲=1-勺,1W j W n（3）
4）可计算岀权重w,
叫=企-,W/W”（4）
通过式（（）~（4）计算岀各指标的权重，再经过加权求和
后构造岀输岀层数据。
3财务绩效评价模型的应用与检验
32模型构建
本文构建的BP神经网络中，隐含层设置的传递函数为传
递中应用最为广泛的双极性情况下sigmoid函数的变体即taa-
、g函数，输岀层则为tansig函数。实际上，传递函数可以是任
意可微函数，实践中大多选取sigmoid和线性函数，但本文之所
以选择tansig函数，是考虑到tansig函数既保留了sigmoid函数
的特点并且具有更丰富的值域，更加有助于财务绩效评价函数
的拟合。网络中设计的训练次数上限为1000，学习规则使用
打断念头traingdx函数，它综合了动量和自适应学习速率梯度下降算法
的优势，能加快模型的训练速度、增强其稳定性，并尽可能减少
结果岀现局部最小值的情况。训练误差函数使用常规的误差
均方和MSE计算，其他未在论文中具体说明的参数均使用
MATLAB初始默认数值。
BP神经网络模型的拓扑结构通常由输入层、隐含层、输岀
层搭建起来，这一结构具有简单优化、迭代速度快，这有助于函
数逼近的时间效率。相应的，这结构能保证BP神经网络能完
成X1维到X2维的函数映射，这也表明其泛化能力强。理论
上，如果将隐含层与神经元节点数无限制扩增，这能导致BP神
经网络的拟合输岀值以极高的精度接近测试集期望输岀值，但
cad圆这却是典型的“过拟合”现象。因此本文使用最简单且广泛应
用的三层式BP网络拓扑结构。
隐含层的神经元节点数的确定，当前还未有坚实的理论来
指导节点数应该如何确定，因而本文参照过往经验法则计算,
小孩掉头发怎么回事计算公式如下：
14
2021年第25卷第3期
k 二槡n + Z ,，二槡Z ,，二槡n + I + a （5）
其中，k 为隐含层神经元节点数,n 为输入层神经元节点 数，为输出层节点数,c 为1 ~10中的任意常数，并恪守以最
少节点的训练情况下，也能保持在学习效率、迭代次数、误差合
理等综合因素的达标的原则，最终得出本文BP 神经网络模型 的隐含层神经元数为5个，拓扑结构图如图1所示。
Hidden Layer
Output Later
W
26
5
A
In put
Output
图1拓扑结构图
3.0模型训练
由于反映公司财务绩效各个方面的不同指标通常具有不同的
量纲，为消除量纲差异所导致的指标的难比较性，本文对特征指标 数据进行归一化处理，设厶为第i 个指标在第/个企业中的值，处
理后的值记E 。归一化处理规则如下：对于指标值越大越好的 指标定义为正向指标；对于指标值越小越好的指标定义为负向 指标；对于指标值存在一定适度区间的指标定义为适度指标。
竝= -「「山""
））（正向指标） ⑹
mcx （AJ - mif （AJ
竝=mm ）
" -u ：
）
（逆向指标）⑺
mcx （厶”）-m in （厶”） mcx （人）一厶几〉/mcx （厶”）-I ，”
1,” = I
（适度指标）
m -01”）-I ” ”” < ”mi f （厶”）-1，，
（8）
其次先将样本随机分配成训练集与测试集，根据二八法
则，训练集占总样本80%，剩余2。％为测试集。为保证样本特 征多样性，事先按照该比例，将前80%分位数输出值定义为正
例，后2。％分位数输出值定位反例，正反例同样按照二八比例
分别放入训练集与测试集之中。
3.3 测试集验证及结果分析
完成上述步骤后，开始进行BP 神经网络模型的训练和测
试。当在神经网络模型迭代19次后，模型的误差函数MSE 达 到了目标误差值附近，说明网络的模拟效果良好，其中当迭代
到第4次时，模型的精度最高，此时由于再继续迭代被模型程 序识别为过拟合情况，此时误差函数值九九重阳节手抄报
也能达到0. 011 767，更
能说明本模型具有较强泛化的能力（见图2），且模型经过训练 后的输出值与期望值非常接近，达到精度要求，即可利用该网
络进行仿真模拟。
W
1
1
1
1
USUIHOXIH
p a m n b s
UEUN
丄
0123456789
10
10 Epochs
图2训练过程图
75
从图3中可以看岀，测试集的真实值与预测值之间的可决系数为0.29977，这表明两者相关程度较高，同时也证明BP神经网络模型的函数拟合效果较高，可以较好地对公司特征的识别，再完成财务绩效的评价。通过对比预测值与真实值的相对
Vol.28,No.3,2921
误差可以发现，本模型的预测准确率能达到86.7%，再次充分表明本文通过熵值法-BP神经网络建立的模型是完全能够用于财务绩效评价。
图3测试结果对比图
4结语
企业财务绩效评价体系涵盖众多影响要素，本文根据《企业绩效评价标准值》使用熵值法，构建岀更有效的BP神经网络输岀层数据，使得具有较强函数拟合能力的BP神经网络能更准确发现企业特征中的规律。因此，本文将熵值法与BP神经网络算法相结合的做法，使得人为主观的财务绩效评价，转化成客观存在的数据统计上的信息识别工作，使财务绩效评价结果更具有合理性、科学性和可信度。从本文的模型输岀结果来看，熵值法-BP神经网络模型能在合理误差范围内对企业财务绩效进行评价，
准确率达到了86.7%，这表明该模型具有较完备的实用性和可操性，同时也能为利益相关部门提供一定参考价值和应用价值，而且也更有助于机器学习技术在财务绩效领域的丰富与拓展。
参考文献：
[1]徐胜男，梅强，陈燕，等.基于LMBP神经网络的创业板企
业财务绩效评价研究[J].科技管理研究,2011,31(2):
88-90+94.
[2]徐楠，谢瑞峰.基于BP神经网络的物流上市公司财务绩
效评价[J]财会通讯,20/(29)：33-39•
[3]刘健.基于RBFNN的制药类企业重组财务绩效评价模
型及应用[D].沈阳：东北大学,2006.
[4]Xiaobin Y.T/e Early Warning RearcC of Enter// Fi-
naacial Crisis Bad on BP Neural Network]J].1nternatiob-
al Journal of u-and e-Service,Scieucc and TecCnology，
2210,9(9)：267-27&
[5]Zhaaa H M.Financial Crisis Warning Analysis for Compa
nies BaU on BP Neural Network]J],computer and infora
mation technoloyy,2014(2)：1529-1939•
[0]关欣，王征.基于Logistic回归和BP神经网络的财务预
警模型比较[J].统计与决策,20/(/)279-/1•[7]耿东，付亭，曹文彬.高新技术制造企业的财务危机预警
研究[J]会计之友,20/(/)：44-48•
[8]尤璞，武戈.基于PCA-CP神经网络的上市公司财务预警
策略[J].统计与决策,2010(20)781-H.
[9]蒋盛益，汪珊，蔡余冲.基于机器学习的上市公司财务预
警模型的构建[J].统计与决策,2010(9)766-167. [10]刘新允，庞清乐.基于粗糙集神经网络的财务危机预警
方法[J].统计与决策,2008(13)：307-109
[11]罗良清，吴家宇.基于BP神经网络的电子政务绩效评价
方法[J].统计与决策,20/(/)：73-77•
[10]王玉冬，王迪，王珊珊.基于PSO-CP和FOA-CP神经网络
的财务危机预警模型比较[J]•统计与决策，2018，34
(15)：357-157•
作者简介：
王艾娟(1996-)，女，河南信阳人，硕士研究生在读，研究方向：财务管理与企业创新。
16
