论文部分内容阅读
摘要:利用2008年的64家公司的数据构建了以每股收益、每股净资产、净资产收益率、主营利润增长率为主的企业经营状况的指标体系,并通过matlab 软件建立了基于BP算法的企业经营状况的评价模型。最后利用该模型对2009年的17家公司的经营状况进行了评价,仿真结果表明,基于BP算法的企业经营状况评价模型是一种非常有效的评价方法。
关键词:BP算法;经营状况;指标体系;评价模型
中图分类号:F27文献标志码:A文章编号:1673-291X(2010)31-0036-03
前言
企业的经营状况越来越多受到投资者的关注,它也是企业经济活动中的很重要的问题,因此如何做企业的经营状况评价问题也就是企业面临的一个十分重要的问题。只有真正建立起适应企业经济发展的评价模型,才能使企业在激烈的市场竞争中立于不败之地。
常用的评价模型很多,主要有统计方法和神经网络方法等。统计方法如层次分析法评价模型[1]、模糊综合评价模型[2]、Logistic回归模型[3]、Bayes判别信用评价模型[4]、因子分析法[5]、聚类分析法[6～7]和主成分分析法等,虽然这些方法已得到了广泛的应用,但他们或多或少存在着一些欠缺:有些模型只能应用于线性场合,对于非线性场合不适用;有些模型对于数据的分布要求很严格;有些模型的建立依赖于个人经验,有些模型难以应用于多因素场合。统计方法需要描述自变量与因变量之间的函数关系,当状况较为复杂,用统计方法不易解决的时候,神经网络可以成功的解决这一类问题。由于人工神经网络具有并行处理、鲁棒性和自组织等特点而被广泛应用[8～9]。下面采用BP神经网络建立企业经营状况评价模型。
一、网络设计与训练
将中国2008年的64家公司作为训练样本,其中经营正常的公司有39家,经营差的公司有25家,測试样本采用2009年的17家公司,其中经营正常的公司9家,经营差的公司有8家。
1.网络层数的确定
构造一个2层的BP网络来解决本节提出的两类模式分类问题。
2.输入维数、输出层节点的确定
对两类模式分类问题,财务指标选取4个财务指标x1=每股收益, x2=每股净资产,x3 =净资产收益率, x4=主营利润增长率, 用“0” 代表经营差的企业,用“1” 代表经营正常的企业.所以输入维数为4,输出层选取1个节点。
3.隐层节点的确定
一般状况下,隐含层的结点数较难确定,因而采用试凑法。在能正确反映、实现输入输出映射的基础上,尽量选取较少的隐层结点数,从而使网络模型尽可能的简单。为了使数据更加精准,先将数据进行归一化处理,隐层分别选取节点为3,4,5,利用上述训练样本对网络进行训练。当隐层选取3个节点时,训练误差变化曲线(如图1);当隐层选取4个节点时,训练误差变化曲线(如图2);当隐层选取5个节点时,训练误差变化曲线(如图3)。
图1
图 2
图 3
从训练误差曲线图可以看出,当隐层选取3个节点时,当训练到第11步时,训练误差达到0.001,当隐层选取4个节点时,当训练到第5～6步时,训练误差达到0.001,当隐层选取5个节点时,当训练到第10～11步时,训练误差达到0.001,因而,当隐节点为4时,所需要的训练步骤最少,所以隐层节点选为4。
二、基于BP神经网络的经营状况评价模型
当隐层节点选为4时,各层的连接权值和阈值分别为:
w=3.33852.09120.1425- 0.3756- 0.1848 2.27941.5118- 2.85743.0057- 2.4902 0.5163- 0.4217- 1.0658 - 2.3104 - 0.8535 - 2.9116
B1=- 3.9598 1.3199 1.3199- 3.9598
V=[- 1.6817 2.9964 2.2098 3.8302] B2=- 3.6774
则由此得到BP神经网络的信用评价模型为:
y=gVjgXjixi+B1j+B2
其中:第一个g为logsig函数,第二个g为logsig函数,Vj为输出权值,Wj为输入权值,B1为输入阈值,B2为输出阈值。
三、网络的仿真
1.训练样本的网络仿真
利用所建立的信用评价模型对64个训练样本(经营差的企业25个,序号为1-25,经营正常的企业39个,序号为26-64)进行两类模式分类。仿真结果(见表1),从表1可以看出有25个网络输出值接近于0,序号为1-25,有39个网络输出值接近于1,序号为26-64,这表明在训练样本中经营正常的企业的正确识别个数为39,经营差的企业正确识别个数为25(见表2),因此该评价模型对训练样本的正确识别率达到100%。
2.测试样本的网络仿真
推广能力是衡量神经网络性能好坏的重要标志,因而,为了检验网络的推广能力,将2009年第一季度的17家上市公司作为测试样本,经营差的企业有8家,经营正常的企业有9家,测试样本的网络输出结果如下(见表3):
从表3可以看出序号为1-8的网络输出值接近于0(<0.1576),所以经营差的企业正确识别了8家;序号为9-17的网络输出值接近于1(>0.9924),所以经营正常的企业正确识别了9家,从表4可以看出,该评价模型对测试样本的正确识别率也达到了100%。
总结
采用中国2008年的64家上市公司和2009年的17家公司的财务数据,考虑上市公司经营状况的4 个主要财务指标:每股收益、每股净资产、净资产收益率、主营利润增长率。通过matlab 软件,利用2008年的64家公司的数据建立了基于BP算法的经营状况评价模型,并利用该模型对2009年的17家公司的经营状况进行了评价。仿真结果表明,训练后的网络模型对训练样本和测试样本的正确识别率为100%。因此,基于BP算法的经营状况评价模型能够正确的对两类模式进行分类,具有潜在的应用价值。
参考文献:
[1]汪勇,魏巍.电子商务网站的层次分析法评价模型构建[J].湖北大学学报,2010,(1):50-61.
[2]林斌,吴贵生,王剑.地方政府投融资管理体制发展趋势探析——基于模糊综合评价法[J].运筹与管理,2010,(l):139-144.
[3]陈立文,孟苓阁.房地产上市公司Logistic预警模型研究[J].价值工程,2010,(8):34-36.
[4]林杰新,罗伟其,庞素琳.Bayes判别信用评价模型及其应用研究[J].统计与决策,2005,(1):22-25.[5]毛春元,张月,黄萍.基于因子分析法的小康社会综合评价模型[J].淮海工学院学报,2010,(1):67-70.
[6]巩芳,常青,白布赫,等.基于聚类分析的内蒙古草原生态经济系统综合评价[J].内蒙古大学学报:哲学社会科学版,2010,(2):27-32.
[7]高新才,魏丽莉.中国区域城乡协调发展评价模型与案例分析[J].西北师大学报,2010,(1):91-96.
[8]朱国强,刘厚泉.基于聚类的神经网络分类模型研究[J].微计算机信息,2008,(3):223-224.
[9]柳平,赵岩,王军.基于非线性特征提取的EEG信号支持向量分类器[J].汕头大学学报,2009,(1):69-74.
An Evaluation Model of Enterprises’s Business Status Based on BP Algorithm
WANG Xiao-dong1,XUE Hong-zhi2,YANG Wen1
(1. School of Science, Xi’an Polytechnic University,Xi’an 710048,China;2. School of Science, Chang’an University Xi’an 710064,China)
Abstract: Indicator system of enterprises’ business status is mainly made up of earnings per share, net assets per share , the yield of net assets and main business income growth rate by using the data coming form 64 companies in 2008, and an An evaluation model of enterprises’s business status based on BP algorithm is set up by matlab. Finally, the business status of 17 companies in 2009 is evaluated by the model, and the simulation results show that the evaluation model based on BP algorithm is a very effective method.
Key words: BP algorithm;business status;indicator system;evaluation model
[責任编辑 吴高君]
关键词:BP算法;经营状况;指标体系;评价模型
中图分类号:F27文献标志码:A文章编号:1673-291X(2010)31-0036-03
前言
企业的经营状况越来越多受到投资者的关注,它也是企业经济活动中的很重要的问题,因此如何做企业的经营状况评价问题也就是企业面临的一个十分重要的问题。只有真正建立起适应企业经济发展的评价模型,才能使企业在激烈的市场竞争中立于不败之地。
常用的评价模型很多,主要有统计方法和神经网络方法等。统计方法如层次分析法评价模型[1]、模糊综合评价模型[2]、Logistic回归模型[3]、Bayes判别信用评价模型[4]、因子分析法[5]、聚类分析法[6～7]和主成分分析法等,虽然这些方法已得到了广泛的应用,但他们或多或少存在着一些欠缺:有些模型只能应用于线性场合,对于非线性场合不适用;有些模型对于数据的分布要求很严格;有些模型的建立依赖于个人经验,有些模型难以应用于多因素场合。统计方法需要描述自变量与因变量之间的函数关系,当状况较为复杂,用统计方法不易解决的时候,神经网络可以成功的解决这一类问题。由于人工神经网络具有并行处理、鲁棒性和自组织等特点而被广泛应用[8～9]。下面采用BP神经网络建立企业经营状况评价模型。
一、网络设计与训练
将中国2008年的64家公司作为训练样本,其中经营正常的公司有39家,经营差的公司有25家,測试样本采用2009年的17家公司,其中经营正常的公司9家,经营差的公司有8家。
1.网络层数的确定
构造一个2层的BP网络来解决本节提出的两类模式分类问题。
2.输入维数、输出层节点的确定
对两类模式分类问题,财务指标选取4个财务指标x1=每股收益, x2=每股净资产,x3 =净资产收益率, x4=主营利润增长率, 用“0” 代表经营差的企业,用“1” 代表经营正常的企业.所以输入维数为4,输出层选取1个节点。
3.隐层节点的确定
一般状况下,隐含层的结点数较难确定,因而采用试凑法。在能正确反映、实现输入输出映射的基础上,尽量选取较少的隐层结点数,从而使网络模型尽可能的简单。为了使数据更加精准,先将数据进行归一化处理,隐层分别选取节点为3,4,5,利用上述训练样本对网络进行训练。当隐层选取3个节点时,训练误差变化曲线(如图1);当隐层选取4个节点时,训练误差变化曲线(如图2);当隐层选取5个节点时,训练误差变化曲线(如图3)。
图1
图 2
图 3
从训练误差曲线图可以看出,当隐层选取3个节点时,当训练到第11步时,训练误差达到0.001,当隐层选取4个节点时,当训练到第5～6步时,训练误差达到0.001,当隐层选取5个节点时,当训练到第10～11步时,训练误差达到0.001,因而,当隐节点为4时,所需要的训练步骤最少,所以隐层节点选为4。
二、基于BP神经网络的经营状况评价模型
当隐层节点选为4时,各层的连接权值和阈值分别为:
w=3.33852.09120.1425- 0.3756- 0.1848 2.27941.5118- 2.85743.0057- 2.4902 0.5163- 0.4217- 1.0658 - 2.3104 - 0.8535 - 2.9116
B1=- 3.9598 1.3199 1.3199- 3.9598
V=[- 1.6817 2.9964 2.2098 3.8302] B2=- 3.6774
则由此得到BP神经网络的信用评价模型为:
y=gVjgXjixi+B1j+B2
其中:第一个g为logsig函数,第二个g为logsig函数,Vj为输出权值,Wj为输入权值,B1为输入阈值,B2为输出阈值。
三、网络的仿真
1.训练样本的网络仿真
利用所建立的信用评价模型对64个训练样本(经营差的企业25个,序号为1-25,经营正常的企业39个,序号为26-64)进行两类模式分类。仿真结果(见表1),从表1可以看出有25个网络输出值接近于0,序号为1-25,有39个网络输出值接近于1,序号为26-64,这表明在训练样本中经营正常的企业的正确识别个数为39,经营差的企业正确识别个数为25(见表2),因此该评价模型对训练样本的正确识别率达到100%。
2.测试样本的网络仿真
推广能力是衡量神经网络性能好坏的重要标志,因而,为了检验网络的推广能力,将2009年第一季度的17家上市公司作为测试样本,经营差的企业有8家,经营正常的企业有9家,测试样本的网络输出结果如下(见表3):
从表3可以看出序号为1-8的网络输出值接近于0(<0.1576),所以经营差的企业正确识别了8家;序号为9-17的网络输出值接近于1(>0.9924),所以经营正常的企业正确识别了9家,从表4可以看出,该评价模型对测试样本的正确识别率也达到了100%。
总结
采用中国2008年的64家上市公司和2009年的17家公司的财务数据,考虑上市公司经营状况的4 个主要财务指标:每股收益、每股净资产、净资产收益率、主营利润增长率。通过matlab 软件,利用2008年的64家公司的数据建立了基于BP算法的经营状况评价模型,并利用该模型对2009年的17家公司的经营状况进行了评价。仿真结果表明,训练后的网络模型对训练样本和测试样本的正确识别率为100%。因此,基于BP算法的经营状况评价模型能够正确的对两类模式进行分类,具有潜在的应用价值。
参考文献:
[1]汪勇,魏巍.电子商务网站的层次分析法评价模型构建[J].湖北大学学报,2010,(1):50-61.
[2]林斌,吴贵生,王剑.地方政府投融资管理体制发展趋势探析——基于模糊综合评价法[J].运筹与管理,2010,(l):139-144.
[3]陈立文,孟苓阁.房地产上市公司Logistic预警模型研究[J].价值工程,2010,(8):34-36.
[4]林杰新,罗伟其,庞素琳.Bayes判别信用评价模型及其应用研究[J].统计与决策,2005,(1):22-25.[5]毛春元,张月,黄萍.基于因子分析法的小康社会综合评价模型[J].淮海工学院学报,2010,(1):67-70.
[6]巩芳,常青,白布赫,等.基于聚类分析的内蒙古草原生态经济系统综合评价[J].内蒙古大学学报:哲学社会科学版,2010,(2):27-32.
[7]高新才,魏丽莉.中国区域城乡协调发展评价模型与案例分析[J].西北师大学报,2010,(1):91-96.
[8]朱国强,刘厚泉.基于聚类的神经网络分类模型研究[J].微计算机信息,2008,(3):223-224.
[9]柳平,赵岩,王军.基于非线性特征提取的EEG信号支持向量分类器[J].汕头大学学报,2009,(1):69-74.
An Evaluation Model of Enterprises’s Business Status Based on BP Algorithm
WANG Xiao-dong1,XUE Hong-zhi2,YANG Wen1
(1. School of Science, Xi’an Polytechnic University,Xi’an 710048,China;2. School of Science, Chang’an University Xi’an 710064,China)
Abstract: Indicator system of enterprises’ business status is mainly made up of earnings per share, net assets per share , the yield of net assets and main business income growth rate by using the data coming form 64 companies in 2008, and an An evaluation model of enterprises’s business status based on BP algorithm is set up by matlab. Finally, the business status of 17 companies in 2009 is evaluated by the model, and the simulation results show that the evaluation model based on BP algorithm is a very effective method.
Key words: BP algorithm;business status;indicator system;evaluation model
[責任编辑 吴高君]