论文部分内容阅读
摘要:为了克服传统的主观赋值的财务业绩评价方法,将因子分析法和BP人工神经网络相相结合,建立了评价模型,并用河南省31家上市公司数据加以验证。实证分析表明,这种测评方法减少了评价过程中的随机性和评价人员主观上的不确定性及其认识上的模糊性,而且通过对参评样本的不断学习,使系统误差达到预定的范围内。
关键词:财务业绩;综合评价;因子分析;BP神经网络;上市公司
中图分类号:F275.2文献标志码:A文章编号:1673-291X(2009)18-0088-02
前言
在决策理论中,理性投资者一般通过了解上市公司当前财务状况,预测其发展趋势,确定公司的成长潜力,选择产生最大期望效用的投资行为。另外,由于证券市场存在着严重的信息不对称以及证券市场异常现象的出现[1],对于其他利益相关者,如债权人、经营管理者和有关政府主管部门,他们也必须对公司的财务业绩进行综合评价,以期作出正确的投资和管理决策。2006年2月财政部颁发的并自2007年1月1日起开始实施的新会计准则全面引入了公允价值作为计量属性。
一、文献回顾
近几年,国内学者就如何对上市公司财务业绩进行评价进行了广泛的讨论。陈孝新(2002)曾用层次分析法构造上市公司经营业绩的多因素层次模糊分析结构模型,并以实例进行了应用分析[1];何有世,徐文芹(2003)对现行工业企业经济效益指标体系进行分析,提出了改进建议,用改进后的指标体系结合几十家企业进行了因子分析法的实证研究,旨在说明因子分析法在企业经济效益综合评价中的应用[2];姚梅芳、郑雪冬、金玉石(2004)设计了基于BSC卡法的高科技网络及软件创业企业绩效评价体系,以期为高科技创业企业在绩效测评和战略管理方面提供可操作性的管理工具[3];杨成、邢宗辉、郭新有(2005)采用了统计学中的因子分析模型,从众多财务指标中提取了钢铁业上市公司赢利能力、股本扩张能力、资产使用效率等各层面因子,并对各层面因子得分进行排序,由此对企业的各个层面竞争力进行分析评价,同时利用客观权重建立了综合业绩评价函数,对企业的综合业绩进行了评价[4];刘书庆,吴田(2006)通过结合上市公司六大类18个财务指标,在采用层次分析法对上市公司经营业绩进行综合评价的同时,借助灰色系统理论,构造出上市公司经营业绩的定量评价模型[5];赵顺娣(2007)采用了灰色关联度对沪市钢铁行业上市公司2004年度的经营业绩进行了评价[6];孙承飞(2008)以平衡记分卡理论为基础,运用层次分析法确定指标权重,对农业上市公司绩效进行了评价研究[7]。朱承亮、岳宏志(2008)运用主成分分析方法,对陕西省26家上市公司的十项财务指标进行了综合评价[8]。
二、实证研究
(一)指标的选取与数据来源
上市公司财务指标是上市公司财务业绩评价的主要信息来源,按照科学性、综合性、全面性及可比性的原则,同了上市公司的盈利能力、偿债能力、营运能力和发展能力四个方面的状况,能充分说明上市公司的整体绩效水平。
截至2006年12月31日,河南省在沪深上市的公司共32家,排除中原油气(退市),以巨潮资讯网用SPSS13.0软件对其财务业绩进行因子分析,并将提前的因子作为BP神经网络的输入层神经元。
(二)提取公共因子并计算因子得分
应用SPSS13.0软件对数据进行KMO测度和巴特球体检验,其中KMO=0.612,同时Bartlett检验给出的相伴概率为0.0000,即Sig=0,小于显著水平0.05,因此,拒绝其零假设,认为适合于因子分析。按照特征值大于1的标准以2.433,1.801,1.720,1.479,1.114,贡献率分别是24.33%,18.006%,17.204%,14.786%,11.139%,累计贡献率为85.465%,即这五个因子反映出了总体信息的85.465%,丢失信息较少,用它们来代替原有指标变量进行上市公司业绩评价是可行的。
的信息量,根据公式
(三)BP神经网络模型的建立
BP网络模型处理信息的基本原理是:输入信号Xi通过中间节点(隐层点)作用于输出节点,经过非线形变换,产生输出信号Yk,网络训练的每个样本包括输入向量X和期望输出量t,网络输出值Y与期望输出值t之间的偏差,通过调整输入节点与隐层节点的联接强度取值Wij和隐层节点与输出节点之间的联接强度Tjk以及阈值,使误差沿梯度方向下降,经过反复学习训练,确定与最小误差相对应的网络参数(权值和阈值),训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息,自行处理输出误差最小的经过非线性转换的信息。
在此模型中,唯一存在主观性隐患的就在于所选择的期望值。在目前的很多应用中,有一些学者是选择专家评价系统的结果作为训练神经网络的期望值,这种做法对消除主观性的贡献很小。为了消除主观性影响,本文将因子分析结果的综合得分作为训练神经网络的期望值,将因子分析得到的因子作为输入节点。
本文采用因子分析中31家上市公司作为一个样本集,选取其中25家上市公司作为训练集,6家上市公司为测试集(预测样本)。在Matlab7.0中,建立一个5个输入节点、4个隐含层节点、1个输出节点的BP网络,隐含层和输出层转移函数分别为tansig和purelin,训练函数选择trainParam函数,学习率为0.9,精度选为0.001,训练步数设为1000步。
从测试样本预测训练结果比较可以看出,应用BP神经网络进行拟合,其预测值与期望值(F)的最大误差为0.0390,最小误差为0.0091,平均误差为0.0226。可见,运用此模型对上市公司的财务业绩进行预测误差较小,满足评价要求。调用sim函数,利用训练好的神经网络对河南省31家上市公司2007年的财务业绩状况分别进行评价,向经过训练的神经网络输入指标向量,得到网络输出值,从而得出各企业财务业绩评价结果。
从计算的评价结果能够看出,河南省31家上市公司中排名前十名的分别是双汇发展、瑞贝卡、平煤天安、焦作万方、中原环保、安阳钢铁、神火煤电、中孚实业、华兰生物、羚锐制药。排在后十名的分别是同力水泥、焦作鑫安、中原高速、思达高科、莲花味精、冰熊保鲜、豫能控股、安彩高科、天方药业、洛阳玻璃。通过对比其2007年的公司发展状况,本文通过建立因子分析BP神经网络模型得出来的结论与实际情况基本相符合。
结论
本文对所选取的财务指标采用因子分析法对原始信息进行筛选,实现了降维,既保证了原始资料信息的完整,又避免了原始信息的重叠,形成新的训练样本集,减少了BP网络建模时的网络结构,能大大提高网络的学习速率与泛化能力。另外,本文将因子分析评价结果作为神经网络的期望值,使主观性影响得到了更好的消除。同时,本文采用的BP神经网络克服了感知神经网络和线性神经网络的局限性,可以实现任意线性和非线性的函数映射,避免了人为的确定权重,克服了以往缺乏自学习能力的缺点,减少了评价过程中的随机性和评价人员主观上的不确定性及其认识上的模糊性;通过对参评样本的不断学习,能使系统误差达到任何精度要求,且有收敛性,提高了评价的可靠性,使评价结果更有效、更客观。
参考文献:
[1]陈孝新.多因素层次模糊综合评价在上市公司经营业绩分析中的应用[J].财经理论与实践,2002,(4):50-52.
[2]何有世,徐文芹.因子分析法在工业企业经济效益综合评价中的应用[J].数理统计与管理,2003,(1):19-22.
[3]姚梅芳,郑雪冬,金玉石.基于Kaplan-NortonBSC法的高科技网络及软件创业企业绩效评价体系研究[J].工业技术经济,2004,(12):103-105.
[4]杨成,邢宗辉,郭新有.钢铁业上市公司的业绩评价[J].统计与决策,2005,(10):156-157.
[5]刘书庆,吴田.基于灰色理论的上市公司经营绩效综合评价[J].生产力研究,2006,(12):259-263.
[6]赵顺娣.基于灰色关联度分析的综合绩效评价方法与应用[J].财会通讯,2007,(3):6-9.
[7]孙承飞.基于BSC的农业上市公司绩效评价研究[J].特区经济,2008,(4):111-112.
[8]朱承亮,岳宏志.主成分分析在我国上市公司财务评价中的应用——基于陕西省26家上市公司的实证分析[J].技术经济与管理研究,2008,(5):9-12.
关键词:财务业绩;综合评价;因子分析;BP神经网络;上市公司
中图分类号:F275.2文献标志码:A文章编号:1673-291X(2009)18-0088-02
前言
在决策理论中,理性投资者一般通过了解上市公司当前财务状况,预测其发展趋势,确定公司的成长潜力,选择产生最大期望效用的投资行为。另外,由于证券市场存在着严重的信息不对称以及证券市场异常现象的出现[1],对于其他利益相关者,如债权人、经营管理者和有关政府主管部门,他们也必须对公司的财务业绩进行综合评价,以期作出正确的投资和管理决策。2006年2月财政部颁发的并自2007年1月1日起开始实施的新会计准则全面引入了公允价值作为计量属性。
一、文献回顾
近几年,国内学者就如何对上市公司财务业绩进行评价进行了广泛的讨论。陈孝新(2002)曾用层次分析法构造上市公司经营业绩的多因素层次模糊分析结构模型,并以实例进行了应用分析[1];何有世,徐文芹(2003)对现行工业企业经济效益指标体系进行分析,提出了改进建议,用改进后的指标体系结合几十家企业进行了因子分析法的实证研究,旨在说明因子分析法在企业经济效益综合评价中的应用[2];姚梅芳、郑雪冬、金玉石(2004)设计了基于BSC卡法的高科技网络及软件创业企业绩效评价体系,以期为高科技创业企业在绩效测评和战略管理方面提供可操作性的管理工具[3];杨成、邢宗辉、郭新有(2005)采用了统计学中的因子分析模型,从众多财务指标中提取了钢铁业上市公司赢利能力、股本扩张能力、资产使用效率等各层面因子,并对各层面因子得分进行排序,由此对企业的各个层面竞争力进行分析评价,同时利用客观权重建立了综合业绩评价函数,对企业的综合业绩进行了评价[4];刘书庆,吴田(2006)通过结合上市公司六大类18个财务指标,在采用层次分析法对上市公司经营业绩进行综合评价的同时,借助灰色系统理论,构造出上市公司经营业绩的定量评价模型[5];赵顺娣(2007)采用了灰色关联度对沪市钢铁行业上市公司2004年度的经营业绩进行了评价[6];孙承飞(2008)以平衡记分卡理论为基础,运用层次分析法确定指标权重,对农业上市公司绩效进行了评价研究[7]。朱承亮、岳宏志(2008)运用主成分分析方法,对陕西省26家上市公司的十项财务指标进行了综合评价[8]。
二、实证研究
(一)指标的选取与数据来源
上市公司财务指标是上市公司财务业绩评价的主要信息来源,按照科学性、综合性、全面性及可比性的原则,同了上市公司的盈利能力、偿债能力、营运能力和发展能力四个方面的状况,能充分说明上市公司的整体绩效水平。
截至2006年12月31日,河南省在沪深上市的公司共32家,排除中原油气(退市),以巨潮资讯网用SPSS13.0软件对其财务业绩进行因子分析,并将提前的因子作为BP神经网络的输入层神经元。
(二)提取公共因子并计算因子得分
应用SPSS13.0软件对数据进行KMO测度和巴特球体检验,其中KMO=0.612,同时Bartlett检验给出的相伴概率为0.0000,即Sig=0,小于显著水平0.05,因此,拒绝其零假设,认为适合于因子分析。按照特征值大于1的标准以2.433,1.801,1.720,1.479,1.114,贡献率分别是24.33%,18.006%,17.204%,14.786%,11.139%,累计贡献率为85.465%,即这五个因子反映出了总体信息的85.465%,丢失信息较少,用它们来代替原有指标变量进行上市公司业绩评价是可行的。
的信息量,根据公式
(三)BP神经网络模型的建立
BP网络模型处理信息的基本原理是:输入信号Xi通过中间节点(隐层点)作用于输出节点,经过非线形变换,产生输出信号Yk,网络训练的每个样本包括输入向量X和期望输出量t,网络输出值Y与期望输出值t之间的偏差,通过调整输入节点与隐层节点的联接强度取值Wij和隐层节点与输出节点之间的联接强度Tjk以及阈值,使误差沿梯度方向下降,经过反复学习训练,确定与最小误差相对应的网络参数(权值和阈值),训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息,自行处理输出误差最小的经过非线性转换的信息。
在此模型中,唯一存在主观性隐患的就在于所选择的期望值。在目前的很多应用中,有一些学者是选择专家评价系统的结果作为训练神经网络的期望值,这种做法对消除主观性的贡献很小。为了消除主观性影响,本文将因子分析结果的综合得分作为训练神经网络的期望值,将因子分析得到的因子作为输入节点。
本文采用因子分析中31家上市公司作为一个样本集,选取其中25家上市公司作为训练集,6家上市公司为测试集(预测样本)。在Matlab7.0中,建立一个5个输入节点、4个隐含层节点、1个输出节点的BP网络,隐含层和输出层转移函数分别为tansig和purelin,训练函数选择trainParam函数,学习率为0.9,精度选为0.001,训练步数设为1000步。
从测试样本预测训练结果比较可以看出,应用BP神经网络进行拟合,其预测值与期望值(F)的最大误差为0.0390,最小误差为0.0091,平均误差为0.0226。可见,运用此模型对上市公司的财务业绩进行预测误差较小,满足评价要求。调用sim函数,利用训练好的神经网络对河南省31家上市公司2007年的财务业绩状况分别进行评价,向经过训练的神经网络输入指标向量,得到网络输出值,从而得出各企业财务业绩评价结果。
从计算的评价结果能够看出,河南省31家上市公司中排名前十名的分别是双汇发展、瑞贝卡、平煤天安、焦作万方、中原环保、安阳钢铁、神火煤电、中孚实业、华兰生物、羚锐制药。排在后十名的分别是同力水泥、焦作鑫安、中原高速、思达高科、莲花味精、冰熊保鲜、豫能控股、安彩高科、天方药业、洛阳玻璃。通过对比其2007年的公司发展状况,本文通过建立因子分析BP神经网络模型得出来的结论与实际情况基本相符合。
结论
本文对所选取的财务指标采用因子分析法对原始信息进行筛选,实现了降维,既保证了原始资料信息的完整,又避免了原始信息的重叠,形成新的训练样本集,减少了BP网络建模时的网络结构,能大大提高网络的学习速率与泛化能力。另外,本文将因子分析评价结果作为神经网络的期望值,使主观性影响得到了更好的消除。同时,本文采用的BP神经网络克服了感知神经网络和线性神经网络的局限性,可以实现任意线性和非线性的函数映射,避免了人为的确定权重,克服了以往缺乏自学习能力的缺点,减少了评价过程中的随机性和评价人员主观上的不确定性及其认识上的模糊性;通过对参评样本的不断学习,能使系统误差达到任何精度要求,且有收敛性,提高了评价的可靠性,使评价结果更有效、更客观。
参考文献:
[1]陈孝新.多因素层次模糊综合评价在上市公司经营业绩分析中的应用[J].财经理论与实践,2002,(4):50-52.
[2]何有世,徐文芹.因子分析法在工业企业经济效益综合评价中的应用[J].数理统计与管理,2003,(1):19-22.
[3]姚梅芳,郑雪冬,金玉石.基于Kaplan-NortonBSC法的高科技网络及软件创业企业绩效评价体系研究[J].工业技术经济,2004,(12):103-105.
[4]杨成,邢宗辉,郭新有.钢铁业上市公司的业绩评价[J].统计与决策,2005,(10):156-157.
[5]刘书庆,吴田.基于灰色理论的上市公司经营绩效综合评价[J].生产力研究,2006,(12):259-263.
[6]赵顺娣.基于灰色关联度分析的综合绩效评价方法与应用[J].财会通讯,2007,(3):6-9.
[7]孙承飞.基于BSC的农业上市公司绩效评价研究[J].特区经济,2008,(4):111-112.
[8]朱承亮,岳宏志.主成分分析在我国上市公司财务评价中的应用——基于陕西省26家上市公司的实证分析[J].技术经济与管理研究,2008,(5):9-12.