随着经济高质量发展,饲料上市公司实施多元化战略促使业务范围扩宽,市场占有率稳步扩大。外部环境竞争日益激烈的当下,饲料上市公司受多方面因素影响,面临资金链断裂和资本负债率提高等潜在的财务风险[1-5]。因此,建立财务风险预警评价机制,强化财务风险防范管理尤为重要[6]。为推动饲料公司持续健康发展,学界针对如何识别和防范饲料公司财务风险展开探讨。杨静波[7]针对饲料公司在并购时面临的财务风险进行系统研究,提出了完善并购体系等防范策略。李大伟[8]基于实用性等原则,在构建饲料公司财务风险评价模型的基础上,对2019—2020年23家饲料公司财务风险状况加以分析,结果表明,财务风险评价模型具有较强可靠性。鞠伟[9]以六和饲料公司为例,深入探析饲料行业面临的财务风险来源,提出一系列应对策略。上述文献成果为饲料上市公司识别和应对财务风险提供借鉴,但仍有补充空间。与其他预警模型相比,BP神经网络模型具有适应性更强、准确率更高等优势,对监测和预警财务风险具有重要作用。现阶段鲜有学者将BP神经网络模型应用于饲料上市公司财务风险预警中。因此,本文利用BP神经网络模型,对饲料上市公司财务风险进行预警分析,进一步拓宽相关领域的研究,以期为促进饲料上市公司健康发展提供参考。1饲料上市公司财务风险预警指标体系构建1.1指标选取财务预警指标选取决定BP神经网络模型的实际预警效果。为构建合理的饲料上市公司BP神经网络财务风险预警模型,需要基于可获得性、全面性等原则,合理选择BP神经网络模型的财务预警指标。文章结合现有研究成果[10-15],从盈利、营运、偿债、发展、现金流五大能力指标中选取13个财务指标,选取政府补贴等2个非财务指标,建立饲料上市公司财务风险预警指标体系。饲料上市公司财务风险预警指标体系见表1。10.13557/j.cnki.issn1002-2813.2022.07.025.T001表1饲料上市公司财务风险预警指标体系一级指标二级指标符号盈利能力营业利润率X1净资产收益率X2资产报酬率X3营运能力固定资产周转率X4应付账款周转率X5资产周转率X6偿债能力资产负债率X7流动比率X8现金流量债务比率X9发展能力营业收入增长率X10每股经营活动现金流量净额X11现金流能力营业收入现金比率X12净利润现金含量比率X13非财务指标政府补贴X14股权结构X151.1.1盈利能力盈利能力主要衡量饲料公司经营与利润获取能力,对公司是否能够继续经营进行客观判断[16],选取营业利润率、净资产收益率以及资产报酬率3个指标。营业利润率为营业利润与公司营业总收入之比;净资产收益率为公司税后利润在净资产中所占比重;资产报酬率为公司财务费用与利润总额之和与总资产之比。1.1.2营运能力营运能力是指公司通过合理配置各类资源实现财务目标的能力,可有效反映公司资源管理和利用效率[17]。选取固定资产周转率、应付账款周转率以及资产周转率等3个指标,对饲料上市公司营运能力进行衡量。固定资产周转率采用企业营业收入与固定资产期初余额和期末余额之和一半的比值进行测算;应付账款周转率为营业成本与应付账款期初值和期末值相加的一半之比;资产周转率为营业总额与总资产的比值。1.1.3偿债能力偿债能力主要指在借款到期后饲料公司按期偿还债务的资金承受能力,可以直观反映公司经营现状及财务能力[18]。选取资产负债率、流动比率和现金流量债务比率等3个指标衡量饲料上市公司债务偿还能力。资产负债率为负债总额与公司全部资产之比;流动比率为流动资产总额与流动负债总额比重;现金流量债务比率为饲料上市公司生产经营过程中产生的现金流量净额与负债总额之比。1.1.4发展能力发展能力是指公司通过开展各类生产经营活动、扩大市场占有规模等方式所释放的潜在经营能力[19]。文章选取营业收入增长率、每股经营活动现金流量净额等2个指标,反映饲料上市公司发展能力。营业收入增长率采用公司当期和上期营收增长总额之比表示,每股经营活动现金流量净额采用公司现金净流量与总股本之比进行测算。1.1.5现金流能力现金流能力主要指企业现金流转水平,可以直接体现饲料上市公司生产经营情况,衡量公司是否能够按期足额清还债务[20]。选取营业收入现金比、净利润现金含量比率等2个指标衡量饲料上市公司现金流能力。营业收入现金比率为公司在生产经营活动中产生的现金流量净额与营业收入总额之比;净利润现金含量采用现金流量净额与营业利润总额之比表示。1.2样本选择及指标筛选文章研究样本为2019—2020年23家饲料上市公司,所选数据来源于饲料行业信息网、《2019中国饲料市场年度报告》《2020中国饲料市场年度报告》,个别缺失数据信息参照公司年对标信息进行补足。鉴于所选取财务预警指标可直接影响BP神经网络模型预警效果,需要对所选预警指标进行筛选,验证指标间是否存在相关性,以提高饲料上市公司BP神经网络财务风险模型适用率及准确性。因此,采用因子分析法验证选定预警指标间数据相关性,具体处理步骤如下。1.2.1相关性检验由于财务指标通常是以企业财务数据为基础,相关指标之间具有信息交叉或隐含关系,而信息重叠一定程度上会对预测结果产生较大影响。因此,为进一步提升饲料上市公司BP神经网络财务风险模型的准确性和运行效率,需对所选预警指标进行KMO和Bartlett检验,检验结果见表2。若通过两项测试,可进行因子分析。10.13557/j.cnki.issn1002-2813.2022.07.025.T002表2KMO检验和Bartlett检验项目数值KMO检验0.574Bartlett球形检验近似卡方1 276.443自由度149.000显著性0由表2可知,KMO检验值为0.574,大于0.500,表明样本饲料上市公司15个财务预警指标间具有相关性,满足因子分析法要求;Bartlett检验中P值为0.000,小于0.050,表明预警指标具有统计意义。各项指标数据均通过KMO和Bartlett检验,各变量间符合正态分布。因此,可利用因子分析法筛选上述预警指标。1.2.2因子分析由KMO和Bartlett检验结果可知,样本数据适合进行因子分析。为更有效地开展BP神经网络分析,需借助因子分析法减少输入变量个数。若输入过多变量时,不仅会导致BP神经网络结构愈加复杂化,还可进一步加重BP神经网络负担,致使学习速度下降。运用SPSS 26.0软件,将23家饲料上市公司15个预警指标导入因子分析程序,提取样本指标数据主成分,得到完全变量总方差解释表,见表3。确定主成分因子需要满足两个条件,即因子累积贡献率达到75%,且因子初始特征值大于1。10.13557/j.cnki.issn1002-2813.2022.07.025.T003表3总方差解释成分初始特征值提取载荷平方和总计方差百分比累积贡献率总计方差百分比累积贡献率16.26423.59423.5946.26423.59423.59424.30918.43742.0314.30918.43742.03132.57410.58252.6132.57410.58252.61341.8688.26660.8791.8688.26660.87951.4517.52768.4061.4517.52768.40661.0636.75875.1641.0636.75875.164由表3可知,共有6个满足条件的特征值,样本方差累积贡献率为75.164%,表示成分1~6为公共因子,能够表示饲料上市公司财务风险的大部分信息,可作为饲料上市公司财务风险预警指标。确定6个公共因子后,为进一步分析变量与主成分因子间的关联性,文章对主成分因子进行描述统计,得到样本饲料上市公司15个预警指标成分矩阵,因子成分矩阵见表4。10.13557/j.cnki.issn1002-2813.2022.07.025.T004表4因子成分矩阵变量名称成分123456营业利润率0.044-0.0750.0830.0210.3840.024净资产收益率0.8670.2580.206-0.0730.0050.127资产报酬率0.364-0.2870.661-0.5940.7190.334固定资产周转率0.0690.0740.1260.9450.022-0.058应付账款周转率0.152-0.0730.785-0.0220.0340.053资产周转率0.305-0.0570.846-0.0930.032-0.044资产负债率-0.264-0.8370.028-0.0310.052-0.083流动比率0.1390.964-0.6550.0570.0050.014现金流量债务比率0.0540.0260.2670.6890.0080.149每股经营活动现金流量净额-0.257-0.0870.1180.917-0.671-0.361营业收入增长率0.591-0.3260.0050.0640.733-0.364营业收入现金比率-0.264-0.097-0.1730.373-0.049-0.654净利润现金含量比率-0.1630.142-0.1360.914-0.0510.607政府补贴-0.1560.1670.5970.316-0.2460.071股权结构0.8430.1280.2740.0590.057-0.041由表4可知,因子1由净资产收益率(X2)所支配,代表饲料上市公司的盈利能力;因子2、因子4分别由流动比率(X8)、固定资产周转率(X4)所支配,代表饲料上市公司的偿债能力;因子3由资产周转率(X6)所支配,代表饲料上市公司的营运能力;因子5由营业收入增长率(X10)所支配,代表饲料上市公司的发展能力;因子6由净利润现金含量比率(X13)所支配,代表饲料上市公司的现金流能力。综上所述,对饲料上市公司所选的15个预警指标进行筛选,得到6个公因子指标,用于构建最终的BP神经网络财务风险预警模型。2基于BP神经网络的饲料上市公司财务风险预警分析BP神经网络工作原理为将所筛选财务预警指标导入输入层,计算得出各神经元的误差及权重,利用反向传播的方式重新开始计算和调整,进而输出最终的预测值。在此基础上,对期望值与输出值加以对比[21]。为实现均方误差最小化,借助误差反向传播算法,对神经网络的阈值与权重进行更改。通过数次迭代,促使全局误差达到预期所设定的目标值,以实现拟合数据的目的。2.1BP神经网络模型的结构设计2.1.1输入层因子分析所筛选的财务预警指标决定输入层节点和BP神经网络模型的预测准确性。依据因子分析结果,进一步优化处理2019—2020年的财务预警指标。将前文确定的6个公共因子作为输入层节点,BP神经网络模型各输入层对应指标见表5。10.13557/j.cnki.issn1002-2813.2022.07.025.T005表5BP神经网络模型各输入层对应指标输入层财务指标名称节点1净资产收益率节点2流动比率节点3资产周转率节点4固定资产周转率节点5营业收入增长率节点6净利润现金含量比率2.1.2隐藏层隐含层节点数决定BP神经网络模型的复杂程度。若节点数过少,将影响模型训练精度;若节点数过多,极易产生“过拟合”现象。为进一步提升预警模型的准确度与计算效率,对BP神经网络进行反复调适,最终将隐含层节点数范围设置在5~15区间内。仿真过程中要对节点数的拟合程度与时间效率进行记录,在对比后最终确定最佳的隐含层节点数。2.1.3输出层二进制数是BP神经网络模型最常用分类公式,突出优势在于可以清晰地对不同模式的结果进行分类。具体操作过程如下:输出各模式的结果矩阵,得到输出值,将大于0.5的输出值设为1.0,小于0.5则设为0。文章为样本饲料上市公司财务预警程度划分为3类财务状态,即重度预警区、轻度预警区以及健康区间。在此基础上,依据评估结果设立三维单位矩阵,具体如下:100010001 (1)式中:向量(1,0,0)为饲料上市公司为财务健康状况;向量(0,1,0)为饲料上市公司处于轻度财务危急状态;向量(0,0,1)为饲料上市公司处于重度财务危急状态;将上述向量设为BP神经网络的输出层。2.1.4传递函数传递函数可直接影响神经网络的学习效率。基于输出值的实际情况,将Sigmiod作为传递函数,其公式为:fx=11+e-x (2)2.1.5设置训练参数为获取更好的拟合效果,预警模型学习次数调至最大值50 000次,预警模型在误差降至0.000 01时停止训练。2.2模型训练及检验BP神经网络模型训练包括以下几方面:通过网络初始化设置,明确学习率、权重、节点数和阈值;计算隐藏层输出值,借助经验公式对隐藏层节点数进行计算;计算输出层输出值,基于实际输入相关变量信息,利用隐藏层操作进而得到预测值;计算误差,在对期望值和实际计算输出值进行计算的基础上,能够得到输出层误差,以更新阈值与权重值。BP神经网络模型会自动根据上述所得误差值,重新调整各层之间权重和阈值;迭代算法,明确误差函数值是否达到预期所设定数值,若尚未达到则算法进行第二步。BP神经网络模型训练和检验的具体操作步骤为:(1)依据企业年报和国泰安数据库,收集23家饲料上市公司相关指标数据。将样本企业划分为训练样本和测试样本两种,样本数量分别为12和11个。如前文所述,将训练样本和测试样本分别下设财务健康、轻度危机以及重度危机等3种状态。训练样本3种状态样本数量分别为7、4、1,测试样本3种状态样本数量分别为7、3、1。借助MATLAB程序进行编程,输入12家样本饲料上市公司的6个预警指标进行BP神经网络模型训练。(2)设置模型参数进行测试,研究模型运行结果。比较隐藏层不同数目神经元形成的收敛速度与学习误差,最终发现神经元数量为30、10、5时模型最为精准。因此,BP神经网络模型最优网络结构得以确定,即输入层为30个神经元,隐含层为10个神经元,输出层则为5个神经元。(3)模型输出R值与期望输出数值是否相等,若相等则符合预期状况。文章测试所得R值为0.897 66,表明神经网络经过多次训练,功能已达到良好状态。BP神经网络预测结果与理想拟合结果接近,可有效预测饲料上市公司财务风险。2.3预警结果及分析经过模型训练后,借助MATLAB 8.4软件对模型进行检验,以此验证BP神经网络模型准确率。将检验所得结果整理后与实际情况进行对比,饲料上市公司BP神经网络模型检验结果见表6。10.13557/j.cnki.issn1002-2813.2022.07.025.T006表6饲料上市公司BP神经网络模型检验结果项目2020年2019年财务健康轻度财务危机重度财务危机财务健康轻度财务危机重度财务危机样本数731731误判数110210判断准确率/%85.766.7100.071.466.7100.0综合准确率/%81.872.7总体准确率/%81.8由表6可知,2019年BP神经网络模型预测准确率为72.7%,健康、轻度、重度等3种财务风险状态准确率分别为71.4%、66.7%、100.0%;2020年BP神经网络模型准确率为81.8%,3种财务风险状态准确率分别为85.7%、66.7%、100%。综上所述,BP神经网络模型整体准确率为81.8%,可对饲料上市公司起到财务风险预警作用。3结论文章从盈利、营运等五大能力中选取13项财务指标,选取2个非财务指标,运用因子分析法提取6个公因子指标,构建BP神经网络模型对饲料上市公司财务风险进行预警。研究得出:净资产收益率、流动比率、资产周转率、固定资产周转率、营业收入增长率、净利润现金含量比率方差累积贡献率达到75.164%,是评价饲料上市公司财务风险预警水平的重要因子。饲料上市公司在开展财务风险预警工作时,应重点关注上述指标;经BP神经网络模型训练和检验,模型整体准确率达到81.8%,可助力饲料上市公司有效推动财务风险预警工作。为提升财务风险预警管理水平,饲料上市公司可从以下方面着手:(1)加强成本费用管控力度,稳定企业资金流。饲料上市公司应结合自身基础财务信息,由财务人员、相关技术人员和管理层初步制定预算方案。在此基础上,通过实践不断完善预算方案,促使方案更契合企业成本费用结构,保障公司资金流长期处于稳定状态,以有效应对潜在财务风险。(2)完善内部控制与风险管理机制,全面防范财务风险。饲料上市公司应立足于内外部市场环境,针对资金循环、资本结构、负债结构等方面,健全企业内部控制制度,扎实推进不良资产管理工作,推动公司持续健康发展。

使用Chrome浏览器效果最佳,继续浏览,你可能不会看到最佳的展示效果,

确定继续浏览么?

复制成功,请在其他浏览器进行阅读