王娟 楊雪

摘 要：本文以30家房地產(chǎn)業(yè)上市公司為研究對(duì)象，以凈資產(chǎn)收益率、市盈率等6項(xiàng)指標(biāo)為評(píng)價(jià)指標(biāo)，在matlab環(huán)境下構(gòu)建了基于BP神經(jīng)網(wǎng)絡(luò)的財(cái)務(wù)績效評(píng)價(jià)模型，并對(duì)模型進(jìn)行了優(yōu)化和驗(yàn)證。實(shí)驗(yàn)表明，所建模型克服了傳統(tǒng)財(cái)務(wù)評(píng)價(jià)方法的局限性，在既定條件下具有很好的適用性和動(dòng)態(tài)性。

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò);財(cái)務(wù)績效評(píng)價(jià);房地產(chǎn);上市公司

一、引言

對(duì)上市公司財(cái)務(wù)績效進(jìn)行傳統(tǒng)的人工評(píng)價(jià)難以擺脫人為因素和模糊隨機(jī)性的影響，進(jìn)而影響到評(píng)價(jià)的客觀性、準(zhǔn)確性。建立適合的BP神經(jīng)網(wǎng)絡(luò)財(cái)務(wù)績效評(píng)價(jià)模型不僅能夠減少人為因素的影響，其所使用的非線性函數(shù)更貼近于復(fù)雜的非線性動(dòng)態(tài)經(jīng)濟(jì)系統(tǒng)，比人工評(píng)價(jià)更具有適用性[1]。

二、模型構(gòu)建與成型

（一）BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)分析

1989年Robert Hecht–Nielson證明了對(duì)于任何在閉區(qū)間的一個(gè)連續(xù)函數(shù)都可以用具有1個(gè)隱含層的BP網(wǎng)絡(luò)來逼近，因而一個(gè)3層的BP網(wǎng)絡(luò)可以完成任意的N維到M維的映射，所以本文先采用3層BP神經(jīng)網(wǎng)絡(luò)來建立評(píng)價(jià)模型。

（二）指標(biāo)選取與無量綱化處理

1.評(píng)價(jià)指標(biāo)選取。房地產(chǎn)業(yè)上市公司開發(fā)周期長，投資大，受中央和地方政府政策影響大，這些特點(diǎn)都要求房地產(chǎn)業(yè)上市公司具有良好的盈利能力。因此，本文建立了以盈利能力為重點(diǎn)的財(cái)務(wù)績效評(píng)價(jià)指標(biāo)體系。該體系包括反映盈利能力的凈資產(chǎn)收益率、主營業(yè)務(wù)成本率和市盈率，以及反映其他三項(xiàng)能力的基本指標(biāo)資產(chǎn)負(fù)債率、存貨周轉(zhuǎn)率、主營業(yè)務(wù)收入增長率。

2.指標(biāo)無量綱化處理。本文選擇極差法[2]對(duì)財(cái)務(wù)績效評(píng)價(jià)指標(biāo)進(jìn)行無量綱化處理。首先，將六項(xiàng)指標(biāo)分為三類，分別為正向型指標(biāo)：凈資產(chǎn)收益率、存貨周轉(zhuǎn)率（由于所有樣本的存貨周轉(zhuǎn)率都小于1，可以判斷為越大越好）、主營業(yè)務(wù)收入增長率;負(fù)向型指標(biāo)：主營業(yè)務(wù)成本率;區(qū)間型指標(biāo)：資產(chǎn)負(fù)債率（最優(yōu)區(qū)間為60%-70%）、市盈率（最優(yōu)區(qū)間為14-20），然后，用matlab語句對(duì)正向型指標(biāo)和負(fù)向型指標(biāo)進(jìn)行處理，對(duì)區(qū)間型指標(biāo)的處理采用for循環(huán)語句和matlab條件語句來實(shí)現(xiàn)。

經(jīng)過無量綱化處理，30個(gè)樣本的財(cái)務(wù)指標(biāo)數(shù)據(jù)如表2.1所示：

表2.1 無量綱化處理后的樣本數(shù)據(jù)

資產(chǎn)負(fù)債率 存貨周轉(zhuǎn)率 主營收入增長率 凈資產(chǎn)收益率 市盈率 主營成本率

1 0.2853 0.7189 0.246 0.0809 0.3655 0.0794

2 0.8087 0.2077 0.0591 0.0307 0 0.2975

3 0.2942 0.3535 0.0733 0.1657 0.9637 0.2046

4 0.9424 0.2782 0.0464 0.0692 0.7513 0.6133

5 1 1 0.0275 0.2151 0.987 0.2781

6 0.6196 0.2904 0.0642 0.1176 0.8346 0

7 0.8334 0.0263 0.0205 0.2016 1 0.8171

… … … … … … …

25 1 0.0891 0 0.2347 0.986 0.8743

26 0 0.4128 1 0.1759 0.9769 0.3008

27 0.9274 0.8399 0.0583 0.2552 0.9825 0.2553

28 0.694 0.504 0.1556 0.8926 0.9469 1

29 0.6514 0.0097 0.0678 0.3293 0.9872 0.6681

30 0.8809 0.54 0.1605 0.9162 0.9897 0.3642

（三）模型訓(xùn)練與成型

筆者邀請(qǐng)專家按照相同的思維和判斷對(duì)30個(gè)樣本數(shù)據(jù)進(jìn)行了評(píng)分，然后將前20組數(shù)據(jù)作為訓(xùn)練樣本，后10組作為測試樣本。本文用newff函數(shù)激活網(wǎng)絡(luò)，選擇能夠?qū)⑤敵隹刂圃赱0-1]的tansig函數(shù)作為傳遞函數(shù)，將允許誤差設(shè)為le-5，最大訓(xùn)練次數(shù)設(shè)為50000次，學(xué)習(xí)速率設(shè)為0.01，初始權(quán)值和閾值由網(wǎng)絡(luò)隨機(jī)生成。在實(shí)驗(yàn)中，將前20組樣本數(shù)據(jù)以6行20列的矩陣形式作為輸入值，再分別以traingdx、trainlm、trainbfg、traingd、traingdm等5種不同的訓(xùn)練函數(shù)和3到13的隱含層單元數(shù)進(jìn)行學(xué)習(xí)，訓(xùn)練后用10組訓(xùn)練樣本數(shù)據(jù)進(jìn)行驗(yàn)證，各種不同組合得到的輸出值與測試數(shù)據(jù)對(duì)應(yīng)的期望值的平均相對(duì)誤差。

實(shí)驗(yàn)發(fā)現(xiàn)，當(dāng)以traingd和traingdm為訓(xùn)練函數(shù)時(shí)，不論隱含層為多少，均不能在訓(xùn)練50000次之內(nèi)達(dá)到允許的誤差le-5，因此表2.2沒有列出其對(duì)應(yīng)誤差平均數(shù)。在以traingdx、trainlm和trainbfg為訓(xùn)練函數(shù)時(shí)，均可以在訓(xùn)練次數(shù)內(nèi)達(dá)到允許誤差。

當(dāng)訓(xùn)練函數(shù)為trainbfg，隱含層單元數(shù)為3時(shí)得到的輸出值與期望值的趨勢最為接近，據(jù)表2.2又知，這種組合的相對(duì)誤差平均值為1.71%，是4種組合中最小的，我們就將評(píng)價(jià)模型的訓(xùn)練函數(shù)確定為trainbfg，隱含層單元數(shù)確定為3個(gè)，這樣評(píng)價(jià)模型就基本成型了，是一個(gè)6-3-1的BP神經(jīng)網(wǎng)絡(luò)模型。

三、模型優(yōu)化與定型

以上成型的網(wǎng)絡(luò)模型用于房地產(chǎn)業(yè)上市公司的財(cái)務(wù)績效評(píng)價(jià)能夠?qū)⒄`差控制在1.71%左右，但是財(cái)務(wù)績效評(píng)價(jià)對(duì)誤差的要求是越小越好，為得到更準(zhǔn)確的評(píng)價(jià)，本文從改變傳遞函數(shù)、調(diào)整精度要求、增加隱含層數(shù)三個(gè)方面進(jìn)行了探索，對(duì)這個(gè)模型作了進(jìn)一步優(yōu)化，結(jié)果如下。

改變傳遞函數(shù)：由于傳遞函數(shù)屬性的差異，更改傳遞函數(shù)使得輸出值溢出[0-1]的可能大大增加，得到更小的相對(duì)誤差平均值都源于局部最優(yōu)的結(jié)果。

調(diào)整精度要求：使得網(wǎng)絡(luò)的收斂速度發(fā)生變化，但對(duì)改進(jìn)輸出值的準(zhǔn)確性影響很小。

增加隱含層數(shù)：增加1個(gè)隱含層，新增隱含層單元數(shù)與原有隱含層單元數(shù)越接近越好，我們將其確定為3個(gè)單元數(shù)，這樣就將原有模型拓展為4層網(wǎng)絡(luò)，然后對(duì)新網(wǎng)絡(luò)進(jìn)行訓(xùn)練，再用測試樣本測試。數(shù)據(jù)表明，增加隱含層進(jìn)一步提高了模型的預(yù)測精度，平均相對(duì)誤差由1.71%降為1.28%，對(duì)每個(gè)測試樣本的相對(duì)誤差也沒有出現(xiàn)局部最優(yōu)的情況。

人們在運(yùn)用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行經(jīng)濟(jì)評(píng)價(jià)時(shí)，往往默認(rèn)地使用3層網(wǎng)絡(luò)，認(rèn)為沒有必要使用雙隱含層網(wǎng)絡(luò)，這種思路并不是完全正確的，神經(jīng)網(wǎng)絡(luò)隱含層數(shù)的確定需要具體問題具體分析，比如本文建立的雙隱含層模型就可以獲得比單隱含層模型更精確的結(jié)果。

為體現(xiàn)雙隱含層模型的效果，本文再用1個(gè)新樣本對(duì)該模型進(jìn)行二次驗(yàn)證。新樣本的6個(gè)指標(biāo)分別為0.53、0.26、0.46、0.13、39、0.46，專家打分為0.5475，用優(yōu)化后的模型進(jìn)行評(píng)價(jià)，得到的輸出值為0.5461，相對(duì)誤差僅為0.2561%，增加隱含層提高精度的作用得以證實(shí)。本文運(yùn)用BP神經(jīng)網(wǎng)絡(luò)對(duì)房地產(chǎn)業(yè)上市公司財(cái)務(wù)績效進(jìn)行評(píng)價(jià)的模型就最終定型了，是一個(gè)6-3-3-1形式的雙隱層網(wǎng)絡(luò)模型。

BP神經(jīng)網(wǎng)絡(luò)模型一經(jīng)訓(xùn)練結(jié)束，就有固定的權(quán)值和閾值。訓(xùn)練好的net經(jīng)保存就可以在以后任何時(shí)候調(diào)用，調(diào)用時(shí)會(huì)具備已經(jīng)學(xué)習(xí)的能力。如果不保存net，在代碼相同的情況下，只要以已有的權(quán)值和閾值進(jìn)行初始化，也能得到相同的評(píng)價(jià)結(jié)果。

四、總結(jié)

本文從房地產(chǎn)業(yè)上市公司的特點(diǎn)出發(fā)，確立了以盈利能力為重點(diǎn)的財(cái)務(wù)績效評(píng)價(jià)指標(biāo)體系，采用極差法對(duì)樣本數(shù)據(jù)進(jìn)行無量綱化處理，建立了6-3-3-1形式的BP神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)模型，克服了傳統(tǒng)方法受人為和隨機(jī)因素影響的缺點(diǎn)，能夠?qū)Ψ康禺a(chǎn)業(yè)上市公司財(cái)務(wù)績效進(jìn)行有效評(píng)價(jià)，本文進(jìn)行的二次驗(yàn)證表明，該模型具有較強(qiáng)的動(dòng)態(tài)性，能夠有效應(yīng)用于同行業(yè)其他公司的評(píng)價(jià)。（作者單位：西南石油大學(xué)經(jīng)濟(jì)管理學(xué)院）

項(xiàng)目資助：西南石油大學(xué)開放實(shí)驗(yàn)基金資助

參考文獻(xiàn)：

[1] 杜棟，龐慶華等.現(xiàn)代綜合評(píng)價(jià)方法與案例精選[M].第2版.北京：清華大學(xué)出版社，2008：102-104.

[2] 于鵬飛，王麗娜.財(cái)務(wù)預(yù)警中樣本數(shù)據(jù)無量綱化方法的選擇[J].會(huì)計(jì)之友，2005（12）：43-44.