楊禮斌　劉蘭芳　王爽英

摘 要：提出將灰色數(shù)學、遺傳算法與BP網(wǎng)絡(luò)模型結(jié)合起來，構(gòu)建一個灰色-遺傳BP網(wǎng)絡(luò)綜合評價模型，并將其應(yīng)用于上市公司投資價值的綜合評價，取得了較好的效果。

關(guān)鍵詞：灰色數(shù)學；遺傳算法；BP網(wǎng)絡(luò)；上市公司

1 上市公司投資價值評價指標體系的構(gòu)建

上市公司的經(jīng)營活動表現(xiàn)為運用一定的資金以取得盈利，因此對上市公司的投資價值的綜合評價就包括經(jīng)營成果的評價和實現(xiàn)這一成果的資產(chǎn)運用狀況的評價.這兩個方面相互聯(lián)系，但并不一定表現(xiàn)出變動的一致性.因此，在基礎(chǔ)財務(wù)指標體系中，主要應(yīng)包括三類財務(wù)指標，一是反映企業(yè)資金運用狀況的，二是反映企業(yè)盈利能力的，三是反映這二者的聯(lián)接關(guān)系的。對上市公司通常使用的考核指標，它包括現(xiàn)期財務(wù)指標和增長率指標。

（1)股東權(quán)益比率。該指標為股東投入資金(凈資產(chǎn))占全部資產(chǎn)的比重，反映企業(yè)營運資金的來源結(jié)構(gòu)，也反映企業(yè)的長期償債能力。

（2)流動比率.該指標為流動資產(chǎn)與流動負債的比率，反映企業(yè)的短期償債能力.

（3)速動比率.亦稱酸性測試比率.該指標為速動資產(chǎn)與流動負債的比率，反映企業(yè)流動資產(chǎn)中可以立即用于償付流動負債的能力，用來測定資金流動性的大小.

（4)資產(chǎn)利潤率.該指標為營業(yè)利潤總額與資產(chǎn)總額的比率，反映企業(yè)總資產(chǎn)的盈利水平.

（5)凈資產(chǎn)收益率.亦稱凈值報酬率.該指標為凈收益與股東權(quán)益的比率，反映股東權(quán)益的收益水平.

（6)資產(chǎn)應(yīng)收帳款率.該指標為應(yīng)收帳款凈額與資產(chǎn)總額的比率，反映應(yīng)收帳款占總資產(chǎn)的比重.

以上為現(xiàn)期財務(wù)指標.投資者不僅關(guān)心企業(yè)目前的生產(chǎn)經(jīng)營實績，還應(yīng)考慮企業(yè)的發(fā)展趨勢.因此，有必要構(gòu)建以下趨勢財務(wù)指標:

（7)資產(chǎn)利潤率增長率X7.

（8)凈資產(chǎn)收益率增長率X8.

（9)凈資產(chǎn)增長率X9.

（10)資產(chǎn)增長率X10.

這些增長率指標，均為原指標的當期值與對比期值的差與對比期值的比值.

2 灰色—遺傳BP網(wǎng)絡(luò)評價模型

2.1 灰色—遺傳BP網(wǎng)絡(luò)評價模型的基本結(jié)構(gòu)

灰色—遺傳BP網(wǎng)絡(luò)評價模型結(jié)構(gòu)由灰色數(shù)據(jù)處理器和基于遺傳算法的BP網(wǎng)絡(luò)組成?；疑珨?shù)據(jù)處理器的功能是將各個指標特征值化成無量綱的能被BP網(wǎng)絡(luò)接受的數(shù)據(jù)向量。

在本文中采用具有單隱含層的BP網(wǎng)絡(luò)，即由輸入層、隱含層和輸出層組成。輸入層神經(jīng)元的個數(shù)由訓(xùn)練的評價體系指標向量的維數(shù)決定，輸出層神經(jīng)元的個數(shù)為1，隱含層神經(jīng)元的個數(shù)利用實驗湊試法確定。

2.2 灰色—遺傳BP網(wǎng)絡(luò)評價模型的算法

本模型首先采用灰色數(shù)據(jù)處理器對被評對象的各指標的特征值進行量化處理；在此基礎(chǔ)上，隨機產(chǎn)生M組不同的權(quán)值初始值，采用實數(shù)編碼方案對該組中的每個權(quán)值（或域值）進行編碼，該碼鏈（染色體）就是對應(yīng)一個權(quán)值和域值取特定值的一個神經(jīng)網(wǎng)絡(luò)；將染色體表示的各權(quán)值分配到給定的網(wǎng)絡(luò)結(jié)構(gòu)中，網(wǎng)絡(luò)以訓(xùn)練集樣本作為輸出輸入，運行后返回誤差平方和倒數(shù)作為染色體的適應(yīng)度函數(shù)，從而確定染色體的適應(yīng)度函數(shù)值；對染色體組進行遺傳操作，即利用遺傳算法反復(fù)優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)值，使初始確定的一組權(quán)值分布得到不斷得進化，直至群體適應(yīng)度趨于穩(wěn)定或誤差e小于某一給定值或達到已預(yù)定的進化代數(shù)為止。此時解碼得到的權(quán)值組合已經(jīng)充分接近最佳權(quán)值組合；然后利用BP神經(jīng)網(wǎng)絡(luò)方法對網(wǎng)絡(luò)的權(quán)值和閾值進行微調(diào)，使網(wǎng)絡(luò)的輸出盡可能達到教師值。最后用訓(xùn)練好的網(wǎng)絡(luò)對待評價的體系進行評價。其具體步驟如下：

（1）確定遺傳算法及BP神經(jīng)網(wǎng)絡(luò)有關(guān)參數(shù)。設(shè)定遺傳算法的群體容量為M，交叉率、變異率采用自適應(yīng)交叉率和變異率，BP神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元素由被評對象的指標向量決定，輸出層神經(jīng)元數(shù)為1，隱含層神經(jīng)元數(shù)采用實驗湊試法確定。

（2）初始化群體。隨機產(chǎn)生一組權(quán)值分布，采用實數(shù)編碼方案對該組中的每個權(quán)值（或域值）進行編碼，進而構(gòu)造出一個個碼鏈（每個碼鏈代表網(wǎng)絡(luò)的一種權(quán)值分布），在網(wǎng)絡(luò)結(jié)構(gòu)和學習規(guī)則已定的條件下，該碼鏈就是對應(yīng)一個權(quán)值和域值取特定值的一個神經(jīng)網(wǎng)絡(luò)。

（3）指標向量采用灰色數(shù)據(jù)處理方法進行無量綱處理。

設(shè)有n個單元(x1,x2,x3 ,…,xn)，m個指標（y1,y2,y3,…,ym），第i個單元第 j個指標的值為aij，每個單元的各個指標之間沒有統(tǒng)一的度量標準，每個單元之間無法作統(tǒng)一的比較，無法滿足神經(jīng)網(wǎng)絡(luò)對樣本輸入值的要求。因此為了構(gòu)造網(wǎng)絡(luò)的輸入樣本值，必須對數(shù)據(jù)進行初始化。

（4）染色體適應(yīng)度函數(shù) 的確定。

f（x）=1/e 其中e=∑m ∑k(y﹎k-﹎k)

y﹎k及﹎k分別為第m個訓(xùn)練樣本的第k個輸出節(jié)點的實際輸出與期望輸出（教師信號），e的計算過程（即神經(jīng)網(wǎng)絡(luò)的信號正向處理過程）。

（5）把某一個學習模式的值作為輸入層單元的輸出{Ii}，用輸入層到隱含層的權(quán)值{v﹋i獇和隱含層單元的閾值θj求出隱含層單元j的輸出Hj：

Hj=f(∑iw﹋i狪i-θj)

（6）用隱含層的輸出{ Hj}，隱含層到輸出層的權(quán)值{w﹌j獇以及輸出層單元k的閾值γk，求出輸出層單元k的輸出y﹎k：

y﹎k=f(∑iv﹌j狧j-γk)

（7）由學習模式的教師信號和輸出層的輸出得到第m個模式的第k各節(jié)點的誤差e﹎k：

e﹎k=y﹎k-﹎k e=∑m∑me﹎k

在計算誤差的過程中，將閾值看成是輸入為-1的權(quán)值。

（8）重復(fù)4），5），6），7）用GA反復(fù)優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)值，使初始確定的一組權(quán)值分布得到不斷得進化，直至群體適應(yīng)度趨于穩(wěn)定或誤差e小于某一給定值或達到已預(yù)定的進化代數(shù)為止。此時得到的權(quán)值組合已經(jīng)充分接近最佳權(quán)值組合。

（9）然后利用3.2節(jié)所講的BP網(wǎng)絡(luò)逆?zhèn)鞑W習算法對權(quán)值和閾值繼續(xù)進行優(yōu)化,微調(diào)，直到e<ε為止，ε為給定的精度。

（10）對的評價的對象的指標向量進行數(shù)據(jù)處理，達到網(wǎng)絡(luò)的要求。

（11）將處理好的指標向量輸入訓(xùn)練好的網(wǎng)絡(luò)，計算其輸出值。

（12）比較各輸出值的大小，將其排序，則其排序的結(jié)果就是我們要評價的結(jié)果。

3 多級灰色—遺傳BP網(wǎng)絡(luò)的上市公司投資價值測算

由于上市公司投資價值指標體系包含多個層次，所以本文首先分別根據(jù)B1、B2中包含的三級指標個數(shù)，各自建立自己的灰色—遺傳BP網(wǎng)絡(luò)評價模型，分別稱為M1、M2，然后根據(jù)二級指標的個數(shù)建立灰色—遺傳BP網(wǎng)絡(luò)評價模型M0，將M1、M2模型的輸出作為M0輸入，這樣建立了多級灰色—遺傳BP網(wǎng)絡(luò)綜合評價模型。

選取9家軟件類上市公司的各指標數(shù)據(jù)（如表1）和灰色評價結(jié)果值（如文獻［4］）作為訓(xùn)練多級灰色—遺傳BP網(wǎng)絡(luò)評價模型的樣本和教師參數(shù)，對多級灰色—遺傳BP網(wǎng)絡(luò)評價模型進行反復(fù)學習訓(xùn)練，直至達到預(yù)定的模型精度為止，然后，利用多級灰色—遺傳BP網(wǎng)絡(luò)評價模型和BP網(wǎng)絡(luò)評價模型對9家軟件類上市公司分別進行綜合評價，并與灰色評價結(jié)果相比較，見表2。

表1 軟件類上市公司財務(wù)數(shù)據(jù)統(tǒng)計表

代碼X1X2X3X4X5X6X7X8X9X10

00078750.150.8540.5790.1749.870.1071.1720.8567.08842.84

60071870.763.1391.9940.292110.1571.280.66820.24133.893

60065769.622.4722.0280.21816.490.1231.2951.12532.68832.786

00058331.821.9261.5840.16824.450.3271.481.17822.80718.858

60010051.311.5151.0160.15912.230.1741.0860.74227.90689.813

60077065.642.4762.2170.15917.270.3611.2090.95325.07416.392

00094853.251.1760.9020.19110.40.1810.7310.3412015

00083659.512.2621.6660.10010.80.1381.2420.7238.05133.972

00074864.082.1371.470.1667.210.1551.010.537-2.46218.306

表2 BP網(wǎng)絡(luò)模型與多級灰色—遺傳BP網(wǎng)絡(luò)綜合評價模型評價值對照表

代碼灰色評價值BP網(wǎng)絡(luò)模型評價值相對誤差多級灰色—遺傳BP網(wǎng)絡(luò)綜合評價模型評價值相對誤差

0007870.5150.5221.36%0.5180.58%

6007180.5400.5282.22%0.5380.37%

6006570.6360.6212.36%0.6410.79%

0005830.6520.6743.37%0.6591.07%

6001000.6440.6351.09%0.6480.62%

6007700.5050.5121.39%0.5010.792%

0009480.5110.5021.76%0.5080.587%

0008360.5350.5523.18%0.5390.758%

0007480.5030.5131.99%0.5070.795%

基金項目：

湖北省教育廳重點項目（B20081805）。

作者簡介：

夏飛萊（1975-），女，講師，碩士研究生，研究方向：高能核物理，物理教學研究。

從表2中多級灰色—遺傳BP網(wǎng)絡(luò)綜合評價模型的評價值可以發(fā)現(xiàn)，在九家軟件類上市公司中，投資價值的綜合評估系數(shù)平均為0.560，反映了在其投資價值高于所有中國滬深A(yù)股上市公司整體水平。事實上，軟件產(chǎn)業(yè)是朝陽產(chǎn)業(yè)，具有很好的成長性。另外一方面，還可算出，上市公司600657、000583、600100三家公司的投資價值大于軟件類上市公司的平均投資價值。

4 結(jié)語

同其它評價方法相比，多級灰色—遺傳BP網(wǎng)絡(luò)綜合評價模型具有以下特點和意義：

（1）它主要根據(jù)所提供的數(shù)據(jù)，通過學習和訓(xùn)練，找出輸入和輸出之間的內(nèi)在聯(lián)系，從而求出問題的解，而不是依據(jù)對問題的經(jīng)驗知識和規(guī)則，因而具有自適應(yīng)能力，則對弱化權(quán)重確定中人為的因素是十分有益的；

（2）能夠處理那些由噪聲或不完全的數(shù)據(jù)，具有乏化功能和很強的容錯能力；

（3）同BP網(wǎng)絡(luò)綜合評價模型相比，多級灰色—遺傳BP網(wǎng)絡(luò)綜合評價模型具有更高的精度和更快的收斂速度。

（4）本文提出將灰色數(shù)學、遺傳算法、BP網(wǎng)絡(luò)建立多級灰色—遺傳BP網(wǎng)絡(luò)綜合評價模型對上市公司進行研究，即拓寬了多級灰色—遺傳BP網(wǎng)絡(luò)綜合評價模型的應(yīng)用范圍，也為上市

公司投資價值的研究提供了一種新的方法。

由于實際綜合評估往往是非常復(fù)雜的，各個因素之間相互影響，呈現(xiàn)出復(fù)雜的非線性關(guān)系，多級灰色—遺傳BP網(wǎng)絡(luò)綜合評價模型為處理這類問題非線性問題提供了強有力的工具。因此，與其它綜合評估方法相比，多級灰色—遺傳BP網(wǎng)絡(luò)綜合評價模型已越來越顯示它的優(yōu)越性。

參考文獻

［1］傅榮林,秦壽康,陳湛本. 兼容多個綜合評價方案及其分類的數(shù)學模型［J］.系統(tǒng)工程學報1999.14(2)：31-35.

［2］王愛民. 神經(jīng)網(wǎng)絡(luò)應(yīng)用于灰色綜合評價的研究［J］.系統(tǒng)工程理論與實踐. 1995.15(10)：37-42.

［3］楊海東, 俞守華, 李立輝,劉智華. 灰色SOFM分類方法及其在水稻機械化生產(chǎn)方案中的應(yīng)用［J］.農(nóng)業(yè)系統(tǒng)科學與綜合研究.1999.(增刊)：131-134.

［4］王爽英，上市公司復(fù)合財務(wù)系數(shù)的灰關(guān)聯(lián)算法［J］.系統(tǒng)工程理論與實踐，No.8,2003,p122-129.

注：本文中所涉及到的圖表、注解、公式等內(nèi)容請以PDF格式閱讀原文。