论文部分内容阅读
中图分类号：F29333 文献标识码：A
摘要：本文基于2011至2013年我国44家房地产上市公司财务数据，以其每股收益和每股净资产数值为标准将企业财务风险划分为财务健康、轻度财务危机和重度财务危机三类等级。结合房地产公司以及行业的经营方式和财务特点，构建了财务风险评价指标体系。通过因子分析，提取能较好反映企业财务风险的公共因子。利用matlab实现BP神经网络模型的构建，评价企业财务风险状况并与之前的分类进行对比分析。最后对房地产公司的发展和财务状况提出了结论和建议。
关键词：房地产公司;财务状况;因子分析;BP神经网络
一、引言
我国房地产行业起步于上世纪80年代中期，在起近三十年的探索过程中已经迅速发展成我国国民经济的支柱产业之一，与我国经济发展、国民社会生活息息相关。近年来国内房价居高不下，房地产行业持续火热，但是受国家宏观调控累积效应、居民收入增速缓慢、房价高居不下等诸多因素影响，房地产业的发展并不容乐观。房地产业高负债、高回报、高风险的特点，进一步加剧了房地产上市公司潜在的财务风险。
最先将人工神经网络应用于企业财务风险研究的是国外学者Odom M.D和Sharda R（1990年），国内学者杨保安、季海于2001年建立了三层BP神经网络研究企业财务风险。自此国内学者应用BP神经网络研究企业财务风险的较多，但是却很少学者区分房地产行业特点进行研究分析。但是国家宏观经济政策和行业自身特点对企业财务风险具有较大影响，因此区分行业，在房地产行业内研究其企业财务风险具有较大意义。
二、研究设计
（一）研究方法
BP神经网络又叫前馈神经网络，以非线性映射和并行处理方式模拟不同层次和程度上人脑神经运动。BP神经网络由三部分组成：输入层、隐含层和输出层，每层都包含若干节点，同层上节点相互独立，不同层次上节点全互联方式联接。BP神经网络每个节点都有一个传输函数，传输函数是反应下层输入对上层节点刺激脉冲强度的函数。传输函数一般有三种：S型传输函数（sigmoid），双极S型传输函数和线性函数purelin。BP神经网络的学习过程包含信息的正向传播和误差的反向传播两个过程。信息的正向传播：输入信息经过输入层、隐含层传向输出层，在权值、阈值和传输函数共同作用下，从输出层取得输出值。误差的反向传播：将输出值与预期值进行比较，如果误差超过了规定范围，则把误差逐层反向传播，由输出层传向隐含层，逐层修改各层阈值和权值以减少误差。如此循环直到输出误差达到期望结果为止。
BP神经网络的构建步骤如下：初始构建网络。确定各层节点数，设定权值和反应网络预测误差的阈值;将训练样本从输入输入层节点，计算各层输出;计算误差，通过更改权值和阈值向后传播误差;求误差函数。判断其是否收敛在给定的精度以内，如果满足则学习结束，否则继续训练样本的学习。
（二）选取样本
本文随机抽取国内44家房地产上市公司为研究样本，从其披露的年度财务报告中收集了2011至2013年上市公司样本数据。
（三）财务风险状况分类
引用前人所采用的标准，划分44家房地产企业三年财务风险状况，分类标准见表1。分类后财务健康状态111个，轻度财务危机状态12个，重度财务危机状态9个。
表一上市公司财务状况分类标准
（四）指标选取
考虑能综合反映房地产企业各方面财务状况的指标，共选取了28个指标。28个指标反映了企业的偿债能力、营运能力、获利能力、发展能力和现金周转能力。分别计算44家公司2011至2013年各指标的值。选取指标见表2。
表2选取指标
三、实证检验分析
（一）因子分析
本文综合选取房地产企业28个财务指标，但并不是所有指标都能准确反映企业财务状况。此外，当BP神经网络的输入变量过多时，会使网络结构变得极为复杂，网络训练负担过重，学习速度下降，因此需要在输入神经网络前通过因子分析来减少输入变量的个数。首先是因子分析前对所选指标的适用性检验，本文采用KMO检验和Bartlett’s检验。本文利用SPSS21.0得出的检验结果：KMO值为0.715，适合做因子分析;巴特利球形检验统计量为1335.765，显著性为0.000，呈现较高的相关性和显著性。本文运用SPSS21.0软件，对上述28个预警指标进行因子分析，公共因子提取如表3。
表3方差总解释表
如表3所示，在对28个指标的因子分析后共提取八个公共因子，累计方差贡献率达82.671%，即八个公共因子可以解释房地产业上市公司财务风险的大部分信息。由因子载荷矩阵可以得出各个公共因子在28个指标上的载荷程度，进一步旋转后可以得到成分得分系数矩阵，即可以把八个公共因子表示成28个指标的线性组合。本文将提取的八个公共因子作为神经网络的输入变量。
（二）BP神经网络
通常三层神经网络是应用最普遍的结构，已经能得出较高的准确程度，本文选取由一个输入层、一个隐含层和一个输出层构成的三层BP神经网络模型。输入层的节点数以因子分析后提取的公共因子数为准，为八个;输出变量为一个，取值为-1，0，1。其分别代表企业的财务风险状况为：重度财务危机、轻度财务危机、财务健康;隐含层节点数据公式（M为隐含层节点数，N为输入层节点数，I为输出变量数）计算。本文在在多次试验后选取隐含层节点数为3;输出层神经元的传递函数选为Logsig函数，训练函数为Trainlm函数。
本文在44家房地产上市公司三年数据中选取三分之二数据作为训练样本，包括财务健康状态74个，轻度财务危机状态8个，重度财务危机状态4个，其余数据作为测试样本。本文根据标准化方程对数据进行标准化处理。利用Matlab7.1软件对标准化后数据进行训练，网络训练次数为1000，目标误差为0.1。网络训练过程及收敛结果经训练后，输出目标与训练目标误差为0.08214，证明训练后网络可以较准确的反应输入值与训练目标间相关关系。将测试样本输入神经网络模型，判定结果如表4所示。
表4测试样本判断结果
从实证分析结果可以看出本文神经网络模型的综合预测准确率是较高的，为86.96%。轻度财务危机公司准确率为75%，重度财务危机公司准确率为80%。从单项准确率来看，本文的BP神经网络模型在轻度财务危机公司判别上仍有不足，原因是本文轻度财务危机所选取指标较少，神经网络的训练不充分，导致预测结果准确率不高。
四、结论与不足
本文借由2011年至2013年房地产上市公司数据建立了房地产上市公司财务风险预警模型，其测试结果正确率是较好的，综合正确率为86.96%，可以较准确的反应企业财务风险状况。但是本文在以下方面仍有不足：模型没有反应出非财务指标对财务状况影响;选取数据有限，尤其是轻度财务危机和重度财务危机公司样本数据不够充足;财务状况的分类有限，在样本数据和分类标准的限制下，本文只对企业财务状况分为三类，但企业实际所处经济环境复杂，财务状况难以用此三类完整准确的概括，希望在以后的研究中对以上问题进一步探讨与改进。
参考文献：
[1]曹彤.基于神经网络模型的上市公司财务风险预警研究_来自山东省制造业数据.财会通讯，2014年第三期下
[2]郑茂.我国上市公司财务风险预警模型的构建及实证分析.金融论坛，2003-10-20
[3]张艳凤.基于BP神经网络的钢铁行业上市公司财务风险预警研究.燕山大学，2013-12-01
摘要：本文基于2011至2013年我国44家房地产上市公司财务数据，以其每股收益和每股净资产数值为标准将企业财务风险划分为财务健康、轻度财务危机和重度财务危机三类等级。结合房地产公司以及行业的经营方式和财务特点，构建了财务风险评价指标体系。通过因子分析，提取能较好反映企业财务风险的公共因子。利用matlab实现BP神经网络模型的构建，评价企业财务风险状况并与之前的分类进行对比分析。最后对房地产公司的发展和财务状况提出了结论和建议。
关键词：房地产公司;财务状况;因子分析;BP神经网络
一、引言
我国房地产行业起步于上世纪80年代中期，在起近三十年的探索过程中已经迅速发展成我国国民经济的支柱产业之一，与我国经济发展、国民社会生活息息相关。近年来国内房价居高不下，房地产行业持续火热，但是受国家宏观调控累积效应、居民收入增速缓慢、房价高居不下等诸多因素影响，房地产业的发展并不容乐观。房地产业高负债、高回报、高风险的特点，进一步加剧了房地产上市公司潜在的财务风险。
最先将人工神经网络应用于企业财务风险研究的是国外学者Odom M.D和Sharda R（1990年），国内学者杨保安、季海于2001年建立了三层BP神经网络研究企业财务风险。自此国内学者应用BP神经网络研究企业财务风险的较多，但是却很少学者区分房地产行业特点进行研究分析。但是国家宏观经济政策和行业自身特点对企业财务风险具有较大影响，因此区分行业，在房地产行业内研究其企业财务风险具有较大意义。
二、研究设计
（一）研究方法
BP神经网络又叫前馈神经网络，以非线性映射和并行处理方式模拟不同层次和程度上人脑神经运动。BP神经网络由三部分组成：输入层、隐含层和输出层，每层都包含若干节点，同层上节点相互独立，不同层次上节点全互联方式联接。BP神经网络每个节点都有一个传输函数，传输函数是反应下层输入对上层节点刺激脉冲强度的函数。传输函数一般有三种：S型传输函数（sigmoid），双极S型传输函数和线性函数purelin。BP神经网络的学习过程包含信息的正向传播和误差的反向传播两个过程。信息的正向传播：输入信息经过输入层、隐含层传向输出层，在权值、阈值和传输函数共同作用下，从输出层取得输出值。误差的反向传播：将输出值与预期值进行比较，如果误差超过了规定范围，则把误差逐层反向传播，由输出层传向隐含层，逐层修改各层阈值和权值以减少误差。如此循环直到输出误差达到期望结果为止。
BP神经网络的构建步骤如下：初始构建网络。确定各层节点数，设定权值和反应网络预测误差的阈值;将训练样本从输入输入层节点，计算各层输出;计算误差，通过更改权值和阈值向后传播误差;求误差函数。判断其是否收敛在给定的精度以内，如果满足则学习结束，否则继续训练样本的学习。
（二）选取样本
本文随机抽取国内44家房地产上市公司为研究样本，从其披露的年度财务报告中收集了2011至2013年上市公司样本数据。
（三）财务风险状况分类
引用前人所采用的标准，划分44家房地产企业三年财务风险状况，分类标准见表1。分类后财务健康状态111个，轻度财务危机状态12个，重度财务危机状态9个。
表一上市公司财务状况分类标准
（四）指标选取
考虑能综合反映房地产企业各方面财务状况的指标，共选取了28个指标。28个指标反映了企业的偿债能力、营运能力、获利能力、发展能力和现金周转能力。分别计算44家公司2011至2013年各指标的值。选取指标见表2。
表2选取指标
三、实证检验分析
（一）因子分析
本文综合选取房地产企业28个财务指标，但并不是所有指标都能准确反映企业财务状况。此外，当BP神经网络的输入变量过多时，会使网络结构变得极为复杂，网络训练负担过重，学习速度下降，因此需要在输入神经网络前通过因子分析来减少输入变量的个数。首先是因子分析前对所选指标的适用性检验，本文采用KMO检验和Bartlett’s检验。本文利用SPSS21.0得出的检验结果：KMO值为0.715，适合做因子分析;巴特利球形检验统计量为1335.765，显著性为0.000，呈现较高的相关性和显著性。本文运用SPSS21.0软件，对上述28个预警指标进行因子分析，公共因子提取如表3。
表3方差总解释表
如表3所示，在对28个指标的因子分析后共提取八个公共因子，累计方差贡献率达82.671%，即八个公共因子可以解释房地产业上市公司财务风险的大部分信息。由因子载荷矩阵可以得出各个公共因子在28个指标上的载荷程度，进一步旋转后可以得到成分得分系数矩阵，即可以把八个公共因子表示成28个指标的线性组合。本文将提取的八个公共因子作为神经网络的输入变量。
（二）BP神经网络
通常三层神经网络是应用最普遍的结构，已经能得出较高的准确程度，本文选取由一个输入层、一个隐含层和一个输出层构成的三层BP神经网络模型。输入层的节点数以因子分析后提取的公共因子数为准，为八个;输出变量为一个，取值为-1，0，1。其分别代表企业的财务风险状况为：重度财务危机、轻度财务危机、财务健康;隐含层节点数据公式（M为隐含层节点数，N为输入层节点数，I为输出变量数）计算。本文在在多次试验后选取隐含层节点数为3;输出层神经元的传递函数选为Logsig函数，训练函数为Trainlm函数。
本文在44家房地产上市公司三年数据中选取三分之二数据作为训练样本，包括财务健康状态74个，轻度财务危机状态8个，重度财务危机状态4个，其余数据作为测试样本。本文根据标准化方程对数据进行标准化处理。利用Matlab7.1软件对标准化后数据进行训练，网络训练次数为1000，目标误差为0.1。网络训练过程及收敛结果经训练后，输出目标与训练目标误差为0.08214，证明训练后网络可以较准确的反应输入值与训练目标间相关关系。将测试样本输入神经网络模型，判定结果如表4所示。
表4测试样本判断结果
从实证分析结果可以看出本文神经网络模型的综合预测准确率是较高的，为86.96%。轻度财务危机公司准确率为75%，重度财务危机公司准确率为80%。从单项准确率来看，本文的BP神经网络模型在轻度财务危机公司判别上仍有不足，原因是本文轻度财务危机所选取指标较少，神经网络的训练不充分，导致预测结果准确率不高。
四、结论与不足
本文借由2011年至2013年房地产上市公司数据建立了房地产上市公司财务风险预警模型，其测试结果正确率是较好的，综合正确率为86.96%，可以较准确的反应企业财务风险状况。但是本文在以下方面仍有不足：模型没有反应出非财务指标对财务状况影响;选取数据有限，尤其是轻度财务危机和重度财务危机公司样本数据不够充足;财务状况的分类有限，在样本数据和分类标准的限制下，本文只对企业财务状况分为三类，但企业实际所处经济环境复杂，财务状况难以用此三类完整准确的概括，希望在以后的研究中对以上问题进一步探讨与改进。
参考文献：
[1]曹彤.基于神经网络模型的上市公司财务风险预警研究_来自山东省制造业数据.财会通讯，2014年第三期下
[2]郑茂.我国上市公司财务风险预警模型的构建及实证分析.金融论坛，2003-10-20
[3]张艳凤.基于BP神经网络的钢铁行业上市公司财务风险预警研究.燕山大学，2013-12-01