【作 者】
张晓燕
【作者单位】
广东机电职业技术学院，广州510515
【摘 要】
【摘要】鉴于大部分企业缺乏有效的危机预警模型，本文提出了一种CVFOA-GRNN财务预警模型。首先对104家企业近三年财务数据进行T检验和主成分分析，选出代表性指标。随后基于修正的FOA初始值和步长值，提出了混沌变步长果蝇算法（CVFOA）。这种方法提高了果蝇算法在GRNN网络优化中的性能，并将果蝇算法的全局优化性和GRNN的非线性相结合，建立了CVFOA-GRNN模型。研究结果表明：CVFOA-GRNN模型预警准确率高于GRNN模型和传统的BP模型，可以较好地拟合复杂财务数据。
【关键词】财务预警；果蝇算法；广义回归神经网络；网络优化
【中图分类号】F275 【文献标识码】A 【文章编号】1004-0994（2016）30-0091-4业财务危机预警的研究可分为两种：一是财务指标的选取；二是财务危机预警方法的使用。在尽量选择涵盖信息范围广的财务指标的同时，应结合财务数据特征选择有效的方法进行处理分析。国内研究的预警模型建立较晚，郑惠萍（2011）应用Fisher判别分析法、多元线性回归分析法、Logit回归分析法建立了三种财务危机预警模型，并认为Logit回归模型的判定能力较强。潘文超（2011）在BP神经网络模型的基础上引入了面板数据进行分析研究。本文考虑到财务数据的复杂性和非线性，建立了CVFOA-GRNN模型用于财务预警。
一、算法理论介绍
1. GRNN网络架构。1991年，Donald F. Specht提出了广义回归神经网络（GRNN），其是径向基函数神经网络（RBF）的一种特殊形式。GRNN是一种基于非线性回归理论的前馈式神经网络模型，能够很好地处理非线性或线性的回归问题，通过激活神经元来逼近函数。广义回归神经网络由三层构成，由q个线性神经元输出层、p个径向基神经元隐含层和m个神经元输入层组成，中间层选用非线性Gauss函数R（x）作为基函数。其结构如图1所示。
广义回归神经网络无须训练，其网络链接权重值是由训练样本的输出与输入来决定，不需要对网络隐藏层数和隐藏单元个数进行估算和猜测。其由RBF推导而来，因此有且只有一个自由参数，即RBF平滑参数。可见，数据挖掘的目的就是寻找最佳平滑参数σ和网络神经元数。
2. CVFOA-GRNN模型。果蝇算法参数少且改良简单，具备较好的整合全局功能。但其本身存在一定缺陷，尤其是初始值选取时只运用了简单随机函数，从原理上缺乏说服力。若初始值选择不当，易陷入局部最优，呈现不稳定的状态。因此，本文引入Logistic混沌映射，使得初始值在一个看似无序实则有序的混沌环境中搜索，并在相应混沌范围内寻找最优初始值，取代原有随机初始值。为了进一步提高收敛速率和精度，笔者改进了果蝇算法飞行步长。改进步长如下：
[xi=±Si-2-yi2] （1）
xi变动范围为［-0.1/Si，10/Si］。研究表明：当步长h取0.8/Si时，算法收敛效果最好。混沌映射状态下，在最优初始值的基础上修正算法步长，提高了精度和速度，该算法即为CVFOA算法。与FOA算法相比，CVFOA算法具有更好的全局优化和快速收敛能力，从而提高了果蝇算法在GRNN网络中的性能。CVFOA-GRNN的流程如图2所示。
具体步骤如下：
Step1：对果蝇种群规模、迭代次数、二维随机数A_axis随机初始化。Step2：将A_axis变换成［0，1］范围的混沌变量，然后进行如（3）式所示的混沌映射。
[Cxi=xi-aibi-ai] （2）
Cx（n+1）i=4Cxni（1-4Cxni） （3）
Step3：通过（2）式的反变换，将混沌变量变换成普通变量，代入适应度函数并选取最小值。
Step4：重复迭代Step2和Step3，当满足以下条件时：
|f （A_axis"i）-f （A_axis"i+1）|<ε （4）
则得到最佳初始值，中止循环。
Step5：给每只果蝇附上寻找目标的飞行长度与方向（Xi，Yi）。
[xi=X_axis+2h×randomvalue-hyi=Y_axis+2h×randomvalue-h] （5）
其中：动态步长h=[kSi]， k取0.8。
Step6：求出坐标起点到个体间长度Dist（i）和稠度断定函数Si。采用广义网络模型中的均方误差（MSE）作为smell稠度断定函数。
Dist（i）=[(xi2+yi2 )] （6）
[Si=1 ] （7）
Smell（i）=Function（Si）=MSE（i）=[1n]（y_output-y）2 （8）
式中，y_output为输出值，y为目标值。
Step7：为了求出果蝇个体的Smell稠度Smell（i），将Si代入Smell稠度断定函数，从中找到每只果蝇最优Smell稠度Smell（i）个例。
Step8：保存最优Si和相应个例的坐标值，由于独有的视力和嗅觉优点，果蝇群体将飞往目标地点。
Step9：一直循环Step3到Step8，迭代寻找最优值，通过比较本次和上次的Si，确定是否重复运行Step8。
Step10：当达到迭代次数后，保存最佳spread值并代入广义网络中得到预警成果。
二、数据选取
1. 财务指标选取。笔者从企业偿还能力、盈利能力、运营能力、发展能力以及现金流量这五个方面出发确定初始的21个财务指标，各指标影响程度各不相同。为了提高预警模型的效率和实用性，本文对21个财务指标进行分析研究，筛选出代表性指标，使之能有效区分ST公司和非ST公司。采用显著性检验方法T检验对财务指标进行第一次筛选。使用SPSS统计软件对80家训练样本公司前两年数据进行显著性检验，假设ST公司与非ST公司指标无显著差异，结果见表1。
由表1可知：现金流量比率、流动资产周转率、总资产周转率、存货周转率、总资产增长率等共12个指标通过了显著性检验。各指标间显著性水平不同，为了保证精度，将这12个指标都入选作为第一次筛选结果。然后进行第二次筛选，利用SPSS软件进行主成分分析，图3为主成分分析结果。为了更充分地反映企业信息，选取了91.54%的累计贡献率，这时主成分因子为5个，包含原有信息量的91.54%。根据两次筛选结果，选取现金流量比率、总资产增长率、总资产周转率、每股收益和成本费用利润率五项指标构成企业财务预警指标体系。
2. 样本数据分类。为了真实反映模型的预警能力，将104家上市公司分为两组，其中以2010年、2011年首次被特别处理的40家ST公司与40家配对的健康公司作为训练样本组，提取首次ST公司的T-1年、T-2年数据用于模型建立与检测；其中以2012年首次被特别处理的12家上市公司和12家配对的健康公司作为预测样本，以便检验模型预测效果。将被特别处理的ST上市公司与非特别处理的健康公司分为两类，用1、0编码分组，其中ST公司类别为1，健康公司类别为0。财务预警部分数据如表2所示。
三、实验结果分析
1. CVFOA-GRNN模型预警结果。在仿真训练中，将选定的样本分为五组，交叉验证，运用CVFOA算法寻找GRNN参数。为了使CVFOA-GRNN预警模型最佳，实验中不断调整CVFOA的群体数量和循环次数，得到不同参数下最佳spread值，如表3所示。
由表3可知，当固定迭代次数为100、种群规模为6时，spread值达到最小值0.0806。当固定种群规模为6，变换迭代次数，也可得到最佳迭代次数100。当迭代次数达到200以上时，最佳spread值保持0.0812不变，此时，增加迭代次数只会增加搜索时间。迭代次数为100且种群规模为1时，均方误差收敛到0.3411，这说明迭代次数和种群规模的选取会影响全局最优值的寻找。
种群规模为6、迭代次数为100时的均方误差收敛情景和果蝇针对spread值寻优轨迹分别如图4、图5所示。
CVFOA优化GRNN时，MSE循环到22时趋于平稳，在极小偏差值为0.3410、果蝇坐标值是（12.0749，-2.1639）时得到0.0806的最优spread值，由此建立最佳模型。
2. 模型比较。为了检验CVFOA-GRNN模型效果，分别将CVFOA-GRNN模型、BP神经网络模型和GRNN网络模型同时用于训练财务预警的数据。BP神经网络和GRNN网络均采用神经网络工具箱来完成，其中BP模型参数设置为单隐含层的前馈神经网络，输入节点数为5，输出节点数为1，算结果表明：GRNN网络模型和BP神经网络模型预警准确率均低于本文模型。改进的果蝇算法使得果蝇算法在GRNN网络中的性能达到最优，充分激发了GRNN的非线性能力。建立的CVFOA-GRNN模型在训练过程中能够充分分析财务指标数据，构建良好的网络架构，使得预测准确率得到了提升。
四、结论
本文通过财务预警数据特征分析，选取了有代表性的指标。然后依据修正的果蝇初始值和步长提出了混沌变步长果蝇算法（CVFOA），提高了果蝇算法在GRNN网络优化中的性能，并将果蝇算法的全局优化性和GRNN的非线性相结合，最终建立了CVFOA-GRNN模型。与GRNN模型和BP模型相比，CVFOA-GRNN充分发挥了模型贴近非线性财务数据的能力，使其预警准确率基本达到了100%，具有很高的适用性。
主要参考文献：
袁丹．基于BP神经网络的制造业上市公司财务预警研究［D］．上海：上海交通大学，2010．
郑惠萍．基于人工神经网络方法的上市公司股票投资价值分析［D］．哈尔滨：哈尔滨工业大学，2011．
周平，白广忱．基于神经网络与果蝇优化算法的涡轮叶片低循环疲劳寿命健壮性设计［J］．航空动力学报，2013（5）．
潘文超．应用果蝇优化算法优化广义回归神经网络进行企业经营绩效评估［J］．太原理工大学学报，2011（4）．
崔晓玲，钟田丽，于连国．基于DEA粒子群优化算法的政策性信用担保运行效率分析——来自东北某省的数据［J］．财会通讯，2011（24）．
