王積田，孫婷婷

（東北農(nóng)業(yè)大學(xué)經(jīng)濟(jì)管理學(xué)院，哈爾濱 150030）

一、前言

1.問題的提出

Wind資訊中單行業(yè)數(shù)據(jù)輸出——石油加工、煉焦及燃料加工業(yè)版塊數(shù)據(jù)顯示，2008年5月至2011年2月累積虧損能源消耗型企業(yè)由18%上升至24%，截至2011年2月，累計(jì)應(yīng)收賬款凈額比去年同期增長23.62%，累計(jì)財(cái)務(wù)費(fèi)用比去年同期增長23.93%，我國能源消耗型企業(yè)存在重大的應(yīng)收賬款回收困難和財(cái)務(wù)費(fèi)用激增的財(cái)務(wù)風(fēng)險(xiǎn)問題，因此，研究其財(cái)務(wù)預(yù)警具有重大的現(xiàn)實(shí)意義。

研究財(cái)務(wù)預(yù)警問題開始于20世紀(jì)30年代的定性分析，當(dāng)時(shí)實(shí)用的有標(biāo)準(zhǔn)化調(diào)查法、“四階段癥狀”分析法、流程圖分析法、“三個(gè)月資金周轉(zhuǎn)表”分析法以及管理評分法，由于定性分析具有較強(qiáng)的主觀性，因此引進(jìn)了定量分析。Beaver（1966）提出單變量預(yù)警模型，Altman（1968）提出多變量Z值模型，Ohlson（1980）第一次使用多變量邏輯回歸模型研究企業(yè)的財(cái)務(wù)預(yù)警問題，Tam（1991）選取了神經(jīng)網(wǎng)絡(luò)模型進(jìn)行財(cái)務(wù)預(yù)警的研究，但發(fā)現(xiàn)其搜索全局最優(yōu)值能力較差，Clarence Tan（2006）較早地將遺傳算法與神經(jīng)網(wǎng)絡(luò)模型結(jié)合起來，應(yīng)用于銀行財(cái)務(wù)預(yù)警方面，并對其進(jìn)行了驗(yàn)證，證明遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)具有更強(qiáng)的實(shí)際操作性。由于神經(jīng)網(wǎng)絡(luò)具有收斂速度慢，容易陷入局部最小值，因此引進(jìn)了遺傳算法來克服神經(jīng)網(wǎng)絡(luò)的缺陷。

2.能源消耗型企業(yè)的概念

2010年我國能源消費(fèi)量為32.5億噸標(biāo)準(zhǔn)煤，同比增長了6%，能源消耗是日本的5倍，我國已成為全球名副其實(shí)的第一能源消耗大國。我國主要以消耗煤炭、石油和電力等能源為主，資料顯示，我國能源消耗型對GDP的增長貢獻(xiàn)率達(dá)到70%，也就是說，我國的財(cái)政收入70%都來自于能源消耗型企業(yè)的貢獻(xiàn)。

能源消耗型企業(yè)一直是國內(nèi)外重點(diǎn)關(guān)注類企業(yè)，是普遍存在的，翻閱資料對能源消耗型企業(yè)作一個(gè)歸納，能源消耗型企業(yè)作為資金和技術(shù)密集型企業(yè)，以不可再生性自然能源的開采和初級加工為生產(chǎn)方式，以自然能源的擁有或獨(dú)占為其競爭優(yōu)勢，指的是在生產(chǎn)經(jīng)營過程中以消耗電力、能源，石油加工、煉焦及燃料加工、木材、冶金、熱力等能源，并且主營業(yè)務(wù)項(xiàng)目必須以這些不可避免消耗為基礎(chǔ)，因此生產(chǎn)過程中對自然能源破壞巨大。如黑龍江省的上市公司寶泰隆、恒豐紙業(yè)，吉林省的上市公司吉林化纖、利源鋁業(yè)等。

3.財(cái)務(wù)預(yù)警的概念

胡汝銀（2003）認(rèn)為，預(yù)警是一種超前的概念，是企業(yè)管理人員對產(chǎn)生的財(cái)務(wù)活動將來會導(dǎo)致企業(yè)經(jīng)歷衰敗或破產(chǎn)的預(yù)兆的情形下的一種事先預(yù)測活動。財(cái)務(wù)危機(jī)預(yù)警系統(tǒng)的研究，在我國目前還處在探索的階段。財(cái)務(wù)危機(jī)預(yù)警的含義也有各種各樣的觀點(diǎn)，整體上總結(jié)有代表性的觀點(diǎn)為:財(cái)務(wù)危機(jī)預(yù)警是在財(cái)務(wù)會計(jì)信息的基礎(chǔ)上，通過建立一些具有敏感性預(yù)警指標(biāo)，同時(shí)觀察這些指標(biāo)的變化趨勢，對企業(yè)未來可能或?qū)⒚媾R的財(cái)務(wù)危機(jī)進(jìn)行準(zhǔn)確的監(jiān)控和預(yù)測。因此，財(cái)務(wù)危機(jī)預(yù)警主要是指在財(cái)務(wù)危機(jī)發(fā)生以前，詳細(xì)記錄財(cái)務(wù)危機(jī)產(chǎn)生的原因，從而采取措施，最終產(chǎn)生處理結(jié)果等，把事后控制變?yōu)槭虑翱刂?、事中控制，防患企業(yè)財(cái)務(wù)危機(jī)于未然。

二、基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)方法

1.BP神經(jīng)網(wǎng)絡(luò)方法

BP（Back－Propagation Neural Network）理論，是無前饋的前向網(wǎng)絡(luò)結(jié)構(gòu)，由輸入層、隱含層和輸出層構(gòu)成，根據(jù)Widrow－h(huán)off理論，利用多重隱含層從后往前更新權(quán)重，并最終達(dá)到減少運(yùn)行結(jié)果誤差的理論模型，其原理就是模擬人腦運(yùn)作機(jī)制組成的人工智能技術(shù)，由神經(jīng)元、連接神經(jīng)元的權(quán)值和閾值，非線性的神經(jīng)網(wǎng)絡(luò)組成，通過外界的事物特點(diǎn)結(jié)合自己的功能對結(jié)果呈現(xiàn)興奮或抑制的狀態(tài)，從而自我調(diào)節(jié)達(dá)到最好輸出狀態(tài)的非線性模型。其隱含層存在多層的網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 BP神經(jīng)網(wǎng)絡(luò)構(gòu)成

BP神經(jīng)網(wǎng)絡(luò)類似于有導(dǎo)師的指引，一步步的進(jìn)行。通過樣本Xn（n=1，2，3……）構(gòu)成輸入層C1，通過權(quán)值和閾值連接到隱含層C2，之后傳播到輸出層C3，如果輸出結(jié)果與期望結(jié)果有誤差，BP神經(jīng)網(wǎng)絡(luò)就會發(fā)揮它的功效，將結(jié)果通過隱含層返回到輸入層的各個(gè)神經(jīng)元，神經(jīng)元自我調(diào)節(jié)后再次以第一步進(jìn)行傳播，直到達(dá)到期望結(jié)果。

BP神經(jīng)網(wǎng)絡(luò)在運(yùn)行時(shí)，初始權(quán)值和閾值是MATLAB隨機(jī)賦予的，但是輸入層、隱含層和輸出層激活函數(shù)是需要設(shè)定的，根據(jù)經(jīng)驗(yàn)，文章設(shè)定‘tansig’，‘tansig’，‘purelin’為各層激活函數(shù)，‘trainlm’為LM優(yōu)化神經(jīng)網(wǎng)絡(luò)算法，認(rèn)賬沒有采用梯度‘traingd’算法，是因?yàn)樵趯?shí)際運(yùn)用到‘traingd’算法時(shí)收斂速度較慢。BP神經(jīng)網(wǎng)絡(luò)有如下缺陷:其一，訓(xùn)練時(shí)間較長;其二，容易陷入局部最小值，而非全局最優(yōu)值。

2.遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)方法

遺傳算法（Genetic Algorithm）是一種進(jìn)化算法，其基本原理是仿效生物界中的“物競天擇、適者生存”的演化法則，先把問題參數(shù)編碼為染色體，生成初始群體，利用適應(yīng)度評估，再利用迭代的方式進(jìn)行選擇操作、交叉操作以及變異等運(yùn)算來交換種群中染色體的信息，最終升成符合優(yōu)化目標(biāo)的染色體?；谶z傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)是人工智能與神經(jīng)網(wǎng)絡(luò)的有效結(jié)合，BP神經(jīng)網(wǎng)絡(luò)劣勢是其初始閾值和權(quán)值的隨機(jī)性，使其在進(jìn)行全局搜索時(shí)，較慢或較難地尋找全局最優(yōu)值，而且會很可能陷入局部最優(yōu)值，而遺傳算法有效地避免了BP神經(jīng)網(wǎng)絡(luò)所擔(dān)心的問題，利用其全局搜索能力恰好能為BP神經(jīng)網(wǎng)絡(luò)找到較優(yōu)的初始閾值和權(quán)值，而BP神經(jīng)網(wǎng)絡(luò)反過來又巧妙運(yùn)用其算法回避了遺傳算法中的衡量函數(shù)。

遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)主要步驟為:其一，保證優(yōu)化拓?fù)浣Y(jié)構(gòu)與BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)相同、這樣才能夠保持口徑一致，如:文章實(shí)證部分BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為8－15－1，遺傳算法優(yōu)化時(shí)拓?fù)浣Y(jié)構(gòu)需要保持一致，這樣才具有可比性;其二，確定遺傳算法優(yōu)化參數(shù)，如種群規(guī)模、學(xué)習(xí)速率、最大迭代次數(shù)等;最后，利用遺傳算法計(jì)算出該個(gè)體的適應(yīng)度值，通過選擇、交叉、變異等過程尋求最優(yōu)個(gè)體，得到最佳的神經(jīng)網(wǎng)絡(luò)優(yōu)化權(quán)值和閾值。其中，參數(shù)編碼采用的是實(shí)數(shù)（浮點(diǎn)數(shù)）編碼，非二進(jìn)制編碼，算法編碼長度公式為:

其中，R為輸入神經(jīng)元個(gè)數(shù)，S1為隱含層神經(jīng)元個(gè)數(shù)，S2為輸出層神經(jīng)元個(gè)數(shù)，如表1所示。

表1 基本控制要素列表

三、實(shí)證分析

1.實(shí)驗(yàn)設(shè)計(jì)步驟

通過研究分析，文章將我國能源消耗型企業(yè)2009年的財(cái)務(wù)指標(biāo)數(shù)據(jù)作為研究樣本，2010年作為測試樣本，其設(shè)計(jì)步驟如下:

第一，將能反映能源消耗型企業(yè)的財(cái)務(wù)指標(biāo)一一列示，見表2，其中有24個(gè)財(cái)務(wù)指標(biāo)能如實(shí)反映每股指標(biāo)、償債能力、資本結(jié)構(gòu)、盈利能力、營運(yùn)能力和成長能力。

第二，利用SPSS16.0軟件，篩選指標(biāo)，進(jìn)行F檢驗(yàn)和T檢驗(yàn)，總結(jié)出哪些財(cái)務(wù)指標(biāo)具有顯著性。

第三，運(yùn)用 MATLAB7.0軟件，將2009年和2010年篩選指標(biāo)歸一化到［－1，1］之間，帶入設(shè)置好的BP神經(jīng)網(wǎng)絡(luò)模型中，得出收斂圖并分析運(yùn)行結(jié)果。

第四，運(yùn)用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型，得出誤差較小的模型，從而得到優(yōu)化后的輸入層到隱含層的權(quán)值和閾值，隱含層到輸出層的權(quán)值和閾值。

第五，對比BP神經(jīng)網(wǎng)絡(luò)模型與遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)分類誤差大小情況。

2.樣本選取

我國以財(cái)務(wù)危機(jī)為標(biāo)準(zhǔn)將上市企業(yè)分為非ST（Special Treat）企業(yè)和ST企業(yè)，其中，ST企業(yè)指的是證券交易所對經(jīng)審計(jì)連續(xù)兩年兩個(gè)會計(jì)年度的凈利潤均為負(fù)值，或其它壯況出現(xiàn)異常的上市公司股票交易進(jìn)行特別處理的企業(yè);反之為非ST企業(yè)。從中國證券會對ST公司進(jìn)行特別處理的具體運(yùn)作過程來看，滬深兩個(gè)證券交易所是根據(jù)上市公司（t－1）年的財(cái)務(wù)狀況來決定在第t年是否對該公司實(shí)施特別處理。而當(dāng)年上市公司的財(cái)務(wù)報(bào)告一般在第二年的4月31日向社會公布，所以，本文選取的能源消耗型企業(yè)是2010年被認(rèn)定為財(cái)務(wù)危機(jī)的企業(yè)。

為了使模型建立和檢驗(yàn)更好的實(shí)用性，首先將企業(yè)范圍限定為黑龍江省。由已查數(shù)據(jù)可知，黑龍江省上市的能源消耗型企業(yè)較少，只有10多家，實(shí)證結(jié)論未必帶有普遍性;隨之將企業(yè)范圍擴(kuò)大至東北三省，剔除缺失財(cái)務(wù)數(shù)據(jù)的39家上市企業(yè)建立模型并檢驗(yàn)，實(shí)證結(jié)果也不夠典型;文章選取了全國范圍內(nèi)寶泰龍、露天煤業(yè)、山西焦化等99個(gè)非ST企業(yè)，ST黑化、ST化工等57個(gè)ST企業(yè)。一般來說，ST企業(yè)與非ST企業(yè)的樣本數(shù)量應(yīng)為1∶1，但在實(shí)際情況中，非ST企業(yè)遠(yuǎn)遠(yuǎn)少于ST企業(yè)，所以，將ST企業(yè)與非ST企業(yè)比例縮減為2∶1。文章以2009年156家上市能源消耗型企業(yè)為訓(xùn)練樣本，2010年40家上市能源消耗型企業(yè)為檢驗(yàn)樣本。

3.指標(biāo)選取

選擇恰當(dāng)?shù)呢?cái)務(wù)指標(biāo)是判斷企業(yè)財(cái)務(wù)預(yù)警的根本標(biāo)準(zhǔn)，為了全面準(zhǔn)確地反映能源消耗型企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)，本文指標(biāo)的選擇是圍繞著企業(yè)每股指標(biāo)、盈利能力、償債能力、成長能力、營運(yùn)能力和資本結(jié)構(gòu)進(jìn)行的，具有科學(xué)性、客觀性、準(zhǔn)確性和可操作性等特點(diǎn)。

第一，反映企業(yè)盈利能力的原則。企業(yè)盈利是其償還債務(wù)的主要資金來源，因此，企業(yè)的盈利能力越強(qiáng)，到期償還債務(wù)越有保障，發(fā)生財(cái)務(wù)風(fēng)險(xiǎn)的可能性會越小。

第二，體現(xiàn)企業(yè)償債能力的原則。能源消耗型企業(yè)的規(guī)模較大，投入資金大，項(xiàng)目周期較長，而這些項(xiàng)目的資金保證需要大規(guī)模、長期的資金支持。需要比其他的企業(yè)支出更多的初始成本，因此，能源消耗企業(yè)需要籌集更多的資金，償債能力可以體現(xiàn)其資金運(yùn)營情況。

第三，可操作性原則。有些財(cái)務(wù)指標(biāo)的數(shù)據(jù)很難獲得，需要耗費(fèi)大量的人力和物力，所以選擇在數(shù)據(jù)庫中容易取得的指標(biāo)。

財(cái)務(wù)數(shù)據(jù)來自瑞思（http://www.resset.cn/cn/）數(shù)據(jù)庫和齊魯證券通達(dá)信股票軟件，選取財(cái)務(wù)指標(biāo)如表2所示。

4.數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理包括指標(biāo)顯著性篩選和數(shù)據(jù)歸一化。由于選取指標(biāo)具有經(jīng)驗(yàn)性，首先將，選24個(gè)指標(biāo)進(jìn)行顯著性檢驗(yàn)，以0.05為顯著性區(qū)分標(biāo)準(zhǔn)，實(shí)驗(yàn)結(jié)果如表3（結(jié)果運(yùn)行來自SPSS16.0）所示。一般來說，將顯著性概率小于0.05的指標(biāo)區(qū)分非ST企業(yè)和ST企業(yè)，從表1得到，顯著性小于等于0.05 的指標(biāo)有 8 個(gè)，其中包括 X1、X2、X3、X4、X9、X17、X21、X23;也就是說，影響 ST 企業(yè)與非ST企業(yè)的財(cái)務(wù)指標(biāo)有8個(gè)，剔除不具有顯著性的16個(gè)財(cái)務(wù)指標(biāo)。

其次，進(jìn)行數(shù)據(jù)歸一化。數(shù)據(jù)歸一化是指對搜集到的財(cái)務(wù)指標(biāo)執(zhí)行相應(yīng)標(biāo)準(zhǔn)進(jìn)行統(tǒng)一化，譬如本文所選取的指標(biāo)有相對數(shù)管理費(fèi)用率和絕對數(shù)營運(yùn)資金等，在進(jìn)行結(jié)構(gòu)訓(xùn)練時(shí)由于數(shù)值類別不一樣會對實(shí)驗(yàn)結(jié)果有較大影響，數(shù)據(jù)歸一化的可選范圍有［－1，1］和［0，1］等等，由于 ST 企業(yè)的財(cái)務(wù)指標(biāo)涉及到負(fù)值，所以將范圍設(shè)定為［－1，1］之間，最大的數(shù)值為1，最小的數(shù)值為－1，其余的數(shù)值都在［－1，1］之間，其中歸一化的函數(shù)為:

表2 選取指標(biāo)列表

本文運(yùn)用的是MATLAB7.0程序，數(shù)據(jù)歸一化后得到矩陣為:

表3 獨(dú)立樣本檢驗(yàn)

X23－2.439 0.017 Y 1.294 0.199 N X24

5.模型構(gòu)建和實(shí)證分析

結(jié)果分析見表4。

圖2 BP神經(jīng)網(wǎng)絡(luò)收斂圖

表4 BP神經(jīng)網(wǎng)絡(luò)結(jié)果分析

為了便于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的誤差率較小，所以仍舊沿用BP神經(jīng)網(wǎng)絡(luò)的8－15－1的結(jié)構(gòu)，運(yùn)行MATLAB7.0，通過18次迭代，結(jié)果如圖3所示。

與BP神經(jīng)網(wǎng)絡(luò)一樣，選擇0.5作為分割點(diǎn)，如果預(yù)測值小于0.5，則預(yù)測判為非ST企業(yè)，反之則為ST企業(yè)。

利用遺傳算法優(yōu)化的輸入層到隱含層的連接權(quán)值W1=

圖3 遺傳算法優(yōu)化收斂圖

隱含層到輸出層的連接權(quán)值W2=

［0.6779－0.6469 0.3408－0.4814 0.1510－0.4163－0.6165－0.2787－0.4084 0.3337－0.8999－0.0870 0.4345 0.7891 0.8887］

輸入層到隱含層的閾值B1=［0.8185 0.7801 0.3461 0.1599－0.3835－0.6820－0.6044－0.2623 0.628－0.9782－0.3127 0.2998－0.0161－0.1865 0.4418］

隱含層到輸出層的閾值B2=0.1916

運(yùn)用優(yōu)化模型整理的結(jié)果如表5所示。

表5 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)結(jié)果分析

結(jié)果分析，非ST企業(yè)準(zhǔn)確率達(dá)到了90%，ST企業(yè)也達(dá)到了55%，總體達(dá)到了80%，結(jié)果較好。

6.實(shí)證小結(jié)

結(jié)果表明，基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)誤判率減少了10%，迭代次數(shù)也由73次降到18次。這是利用了遺傳算法的特性，將財(cái)務(wù)指標(biāo)編碼成染色體，通過選擇操作、交叉操作和變異操作最后得到優(yōu)化的權(quán)值與閾值，比BP神經(jīng)網(wǎng)絡(luò)隨機(jī)初始的權(quán)值與閾值更具有可行性，因?yàn)殡S機(jī)初始的權(quán)值與閾值不一定是最優(yōu)的，有可能是最差的，需要不斷的嘗試去尋找最適合的權(quán)值與閾值，而遺傳算法的優(yōu)化功能使BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練時(shí)直接達(dá)到較好的效果，容易找到全局最優(yōu)值，訓(xùn)練速度更快，此方法優(yōu)于BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)識別，構(gòu)建模型是具有可行性的。

文章運(yùn)行效果較好，唯一不足的是誤判ST企業(yè)的比例一直較高，由于訓(xùn)練樣本選取的數(shù)量較少，沒有得出特別好的非線性模型，導(dǎo)致結(jié)果會有一些不理想。因此，文章構(gòu)建的基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)模型的有效性仍需在實(shí)踐中進(jìn)行檢驗(yàn)與完善。

四、建議

能源消耗型企業(yè)是我國的傳統(tǒng)企業(yè)，也是我國最重視的企業(yè)，在我國經(jīng)濟(jì)發(fā)展中占有舉足輕重的位置。根據(jù)本文的研究，得出以下預(yù)防財(cái)務(wù)風(fēng)險(xiǎn)的建議。

第一，建立財(cái)務(wù)危機(jī)意識。企業(yè)如果想較好地預(yù)防財(cái)務(wù)風(fēng)險(xiǎn)，首先，需要建立財(cái)務(wù)危機(jī)意識，建立財(cái)務(wù)危機(jī)意識培訓(xùn)系統(tǒng)，有專業(yè)的培訓(xùn)講師對目前我國由于財(cái)務(wù)風(fēng)險(xiǎn)處理不當(dāng)導(dǎo)致能源消耗型企業(yè)破產(chǎn)的例子進(jìn)行分析，讓企業(yè)人員充分意識到財(cái)務(wù)危機(jī)意識的重要性，讓企業(yè)人員明白財(cái)務(wù)預(yù)警并不是空談，而是與企業(yè)的經(jīng)營密切相關(guān)的。其次，較為重要的一點(diǎn)是針對企業(yè)的管理層，對管理層的要求需要更多一些，管理人員需要對企業(yè)的財(cái)務(wù)預(yù)警系統(tǒng)有充分的了解并積累實(shí)戰(zhàn)經(jīng)驗(yàn)，對于預(yù)警系統(tǒng)有充分的了解和認(rèn)知。

第二，建立指標(biāo)性預(yù)警系統(tǒng)。預(yù)警系統(tǒng)是企業(yè)在發(fā)展過程中防止偏離預(yù)期經(jīng)營目標(biāo)而建立的報(bào)警系統(tǒng)，主要是對將來可能發(fā)生的財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行預(yù)測與防范的一種措施。能源消耗型企業(yè)在經(jīng)營過程中稍有一個(gè)環(huán)節(jié)出現(xiàn)紕漏都會引發(fā)財(cái)務(wù)風(fēng)險(xiǎn)問題，所以，充分發(fā)揮財(cái)務(wù)預(yù)警功能已成為各企業(yè)管理當(dāng)局、投資者、債權(quán)人等利益相關(guān)者共同關(guān)注的問題。能源消耗型企業(yè)要時(shí)刻關(guān)注影響財(cái)務(wù)風(fēng)險(xiǎn)的財(cái)務(wù)指標(biāo)，如本文所選數(shù)據(jù)剔除后的8個(gè)財(cái)務(wù)指標(biāo)，如經(jīng)營活動現(xiàn)金流量、資產(chǎn)凈利率、管理費(fèi)用率、存貨周轉(zhuǎn)率和固定資產(chǎn)周轉(zhuǎn)率等，這些具有顯著性的指標(biāo)，一旦發(fā)生異常，必然會引起企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)甚至導(dǎo)致企業(yè)破產(chǎn)。因此，其他能源消耗型企業(yè)可以借鑒本文提出的遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)非線性模型，為各自企業(yè)建立指標(biāo)性預(yù)警系統(tǒng)。企業(yè)管理者在經(jīng)營過程中，需要對所選財(cái)務(wù)指標(biāo)制定標(biāo)準(zhǔn)系數(shù)，一旦與標(biāo)準(zhǔn)系數(shù)不符就需要提高警惕，制定相應(yīng)措施，保持企業(yè)的健康發(fā)展。

［1］BeaverW.Financial ratios as predict ors of failure［J］.Journal of Accounting Research.1966，（4）:71－111.

［2］Altman E.Financial Ratios，Discriminant analysis and the prediction of corporate bankruptcy［J］.Journal of Finance.1968，（4）:589－609.

［3］Olson J.Financial ratios and the probabilistic predict ion of bankruptcy［J］.Journal of Accounting Research.1980，（1）:109－131.

［4］Tam K Y and Kiang MY.Management applications of neural networks:the case of bankfailurepredictions［J］.ManagementScience.1992，（7）:926－947.

［5］Clarence Tan.Soft Computing Applications in Finance:A Hybird Financial Trading System Proposal and Using Artificial Neural NetworksforBankruptcy Predictions［J］.Journal of Accounting，Auditing＆Finance，2006:1－20.

［6］李 健，劉 翔.借助遺傳神經(jīng)網(wǎng)絡(luò)開展上市公司財(cái)務(wù)危機(jī)預(yù)警［J］.財(cái)會月刊，2011，（1）:56－59.

［7］周輝仁，唐萬生，任仙玲.基于遞階遺傳算法和BP網(wǎng)絡(luò)的財(cái)務(wù)預(yù)警［J］.系統(tǒng)管理學(xué)報(bào)，2010，（2）:2－6.

［8］熊志斌.運(yùn)用遺傳神經(jīng)網(wǎng)絡(luò)模型對我國上市公司財(cái)務(wù)危機(jī)的預(yù)測［J］.統(tǒng)計(jì)與決策，2008，（14）:32－34.

［9］劉新允，龐清樂，劉愛國.基于遺傳神經(jīng)網(wǎng)絡(luò)的財(cái)務(wù)危機(jī)預(yù)警研究［J].商業(yè)研究，2007，（9）:6－9.

［10］屈和平.淺談強(qiáng)化石油企業(yè)財(cái)務(wù)管理的對策［J］.財(cái)會研究，2010:218－220.

［11］路 露.建立能源企業(yè)財(cái)務(wù)管理體系的構(gòu)想［J］.財(cái)會研究，2011:253.

［12］施化艷.對石油企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)管理提出的若干建議［J］.財(cái)稅統(tǒng)計(jì)，2010，（9）:193.

［13］胡汝銀.中國上市公司成敗實(shí)證研究［M］.上海:復(fù)旦大學(xué)出版社，2003.