基于BP神经网络模型的我国航空公司财务风险预警实证研究论文

基于BP神经网络模型的我国航空公司财务风险预警实证研究

孙新宪，李夏琳

（中国民航大学经济与管理学院，天津 300300）

［摘 要］ 随着国内经济体制改革不断深化和航权的不断开放，我国航空公司以其自身航线网络的覆盖为全国乃至世界的经济联络和交流做出了突出的贡献，然而，错综复杂的经济环境决定了航空公司更需防范潜在的财务风险，避免陷入财务危机。本文将采取主成分分析方法来对所选取的预警指标降低维度进行优化，运用优化后的预警指标构建基于BP神经网络模型的航空公司财务风险预警模型。本文选取2004年至2016年（剔除数据不全年份）四大航空公司共49个样本的财务和非财务数据，对2005年至2017年航空公司的财务风险进行预测。其中，38个样本作为训练样本，11个作为检测样本，检测结果表明：基于 BP神经网络模型的航空公司财务风险预警模型具有较好的预测效果，可以进行有效的财务预警。

［关键词］ 财务预警 航空公司 BP神经网络

引言

航空运输业作为全国乃至世界各地经济联络与交流的纽带，为我国经济蓬勃发展和世界经济一体化起到了重要的推动作用。也正是由于航空公司的国际化程度高，并且具有前期投入大、回报周期长等特点，航空公司面临的财务环境才愈加复杂。导致航空公司陷入财务危机的原因有很多，内因诸如过度利用经营和财务杠杆，航材库存、机队规模比例不合理，衍生品风险意识不足等；外因诸如国际油价的波动，利率汇率的调整，国内国外的政策颁布等。这些原因造成的连锁反应都有可能引发财务危机。如何能在财务危机事前洞悉先机先发制人？构建科学合理、行之有效的财务预警模型，第一时间识别出航空公司在经营过程中可能发生的财务风险，才能避免陷入财务危机，从而引导航空公司健康发展，在激烈国际竞争中屹立不倒。

一、研究现状及目的

从最初Fitzpatrick (1932)的一元判定模型开财务预警模型之先河到现在，国内外对于财务预警模型的探索在不断深入，模型的形式也在不断的优化演变。最为普遍的财务预警模型共有4类：一元判定模型、多元判定模型、逻辑回归模型和人工神经网络模型。

（一）一元判定模型多用于财务预警模型研究的萌芽阶段，Fitzpatrick(1932)选取了19组企业为样本进行分析，分析结果表示用净利润/股东权益和股东权益/负债这两个财务指标来判别企业是否会破产比其他财务指标准确；William Beaver(1966)是首位明确提出一元财务预警模型的学者，通过对158家企业两两配对分组研究，选出了5个最具代表性的财务预警指标，其中债务保障率的预警能力最强。

（二）对财务预警模型的探索阶段，人们不再满足于一元模型精度的局限性，开启了对多元判定模型的探索之门，Altman（1968）以33家申请破产和非申请破产企业为样本，最终筛选出5个重要的指标建立 ZScore模型；周首华、杨济华（1996）在对 ZScore模型改进的同时引入现金流变量，构建F- Score模型。

（三）在财务预警模型研究的发展成熟阶段，学者们开始将更科学的研究方法引入财务预警模型，Ohlson（2003）运用逻辑回归分析法建立财务预警模型；吴世农、卢贤义（2001）采用多元逻辑回归模型构建财务预警模型，并与多元线性回归模型、Fisher线性判定分析对比，得出前者预测精度最高；R.Sharda、Odom M.D.（1990）是首位在财务预警模型中利用人工神经网络模型的学者；杨淑娥、黄礼（2005）构建BP人工神经网络模型进行财务预测并实现了90% 的高预测准精度。

F₅=-0.1280X₁+0.0430X₂-0.1640X₃-0.1640X₄-0.1620X₅+0.2520X₆-0.0070X₇+0.1310X₈-0.4990X₉-0.0040X₁₀+0.0100X₁₁+0.0170X₁₂-0.0180X₁₃+0.1110X₁₄+0.3540X₁₅-0.0050X₁₆+0.0620X₁₇+0.0570X₁₈-0.0140X₁₉+0.0180X₂₀-0.1000X₂₁-0.3420X₂₂

（2）主成分选取

本文将采用 BP神经网络用于构建财务预警模型，这种前向型多层神经网络的构建是基于人脑的神经运作原理，将信息处理分为前向传播和后向学习，通过对数据的反复学习、训练缩小误差使实际输出逼近期望输出，从而对未来的财务状况进行预测。相较于其他方法，BP神经网络具有高度的容错能力和强大的非线性映射能力，对数据的分布和完整程度的要求并不十分严格，使更多的数据样本具有分析的可行性；同时BP神经网络突出的学习能力使模型能更加灵活的适应并分析表示不同财务环境的财务数据，做出更加精准的预警。本文将运用主成分分析方法对所选取的财务预警指标进行优化，利用优化后的预警指标建立基于 BP神经网络模型的航空公司财务预警模型，一是为深入探索更为科学有效的航空公司财务预警模型，二是丰富 BP神经网络在航空公司财务预警模型方面的运用。

二、实证研究设计与结果

（一）财务危机的界定

F₄=-0.0740X₁-0.0150X₂-0.1150X₃-0.0950X₄+0.1420X₅+0.0930X₆+0.0370X₇+0.0560X₈+0.0030X₉+0.0390X₁₀+0.0320X₁₁+0.1180X₁₂+0.4570X₁₃-0.0490X₁₄+0.3130X₁₅+0.458-0X₁₆-0.0430X₁₇-0.0300X₁₈-0.0470X₁₉-0.0520X₂₀+0.0050X₂₁+0.0190X₂₂

根据2016年国资委新修订的《中央企业负责人经营业绩考核办法》规定，EVA的计算公式为：EVA=NOPAT－调整后资本×KWACC。其中，NOPAT=净利润+（利息支出+研究开发费用调整项）×（1－25%），调整后资本=平均所有者权益+平均带息负债合计－平均在建工程；KWACC=KD×平均带息负债/（平均带息负债+平均所有者权益）×（1－25%）+KS×平均所有者权益/（平均带息负债+平均所有者权益）。其中，NOPAT表示税后净利润，KWACC表示平均资本成本率，KD表示债权资本成本率，KS表示股权资本成本率。原则上，主营业务处于重要行业，属于国家安全和国民经济命脉的重点领域的商业企业股权资本成本定为5.5%；债权资本成本=利息支出总额/平均带息负债；资产负债率高于上年的非工业企业，资产负债率在75%（含）到80%的平均资本成本率上浮0.2个百分点，高于80%（含）的平上浮0.5个百分点。

（二）样本选取及数据来源

本文运用2004年至2016年（剔除数据不全年份）四大航空公司共49个样本的财务数据和非财务数据来对2005年至2017年四大航空公司的财务状况进行预测。其中，中国国航由于2006年才上市，选择2006年到2016年的数据；东方航空选择2004年到2016年的数据，由于2008年数据不全，不予选取；海航控股和南方航空分别选择各自2004年到2016年的数据。总计共49个航空公司样本中38个做训练，11个做检测。t－1年样本指标数据可以对航空公司t年是否陷入财务危机进行预测，故我们将t－1年作为预测的数据命名为t年样本数据。其中，11个检验样本分别为中国国航2016年、2017年样本，海航控股、东方航空和南方航空2005年、2016年、2017年样本，其余38个为训练样本。本文所有数据均来自wind资讯数据库，运用软件有SPSS20.0、MATLAB R2014a。

宁夏十年九旱，是我国极度干旱缺水的地区之一。多年平均降水量289 mm，蒸发量1 250 mm。当地水资源量少质差、时空分布不均。全区水资源总量11.63亿m3，其中地表水资源量9.49亿m3。经济社会发展主要依赖于国家限量分配的黄河水，全区水资源可利用量41.5亿m3，人均占有量687m3，不足全国平均值的1/3。按自然地理特点、经济状况，全区大体分为北部引黄灌区、中部干旱带和南部山区。

（三）预警指标的选取与优化

股骨颈骨折作为一种常见的骨折形式，在老年患者群体中具有较高的发病率，临床中多采取手术治疗的形式，但是由于骨折位置的特殊性，有效的术前骨折分型能够在根本上改善手术治疗效果，成为临床治疗中的必要环节之一。68例老年股骨颈骨折患者均来源于在我院治疗，将其作为此次样本数据研究资料，现对16排螺旋CT三维成像与X线检验老年股骨颈骨折患者的分型情况加以明确说明。

2.预警指标优化

过多的神经网络输入节点会造成神经网络的收敛性和稳定性变差，甚至会呈现出过分拟合的现象，所以，运用主成分分析的方法进行降维，将上述22个简单指标纳入若干综合指标。

（1）KMO检验和Bartlett球度检验

根据上文对财务和非财务预警指标的初步选取，将所获数据导入SPSS20.0统计工具，对该样本数据做KMO检验和 Bartlett球度检验，以判断指标之间的相关性是否适合做因子分析。通常情况下，KMO接近1的程度高，变量之间的相关性高，用以做因子分析的效果较好。检验成果如表2所示，初选指标的KMO检验值为0.607，意味着初选指标适合做因子分析。Bartlett球度检验的近似卡方显著性为0.000，表明可以拒绝球形假设且初选指标之间具有相关性。通过以上分析可以得出，本文所采用的样本数据做因子分析效果较好。

1.预警指标初选考虑到航空公司财务状况的国际复杂性和高财务杠杆、高经营杠杆，结合构建模型选取数据的全面性和可操作性，从六个大类即：表示航空公司获取利润资本增值的盈利能力、表示资产运营效率的营运能力、表示航空公司用资产偿还债务的偿债能力、表示航空公司扩大企业规模能力的成长能力、表示企业流动性的现金流量和其他指标中进行预警指标的初选并进行更进一步的研究，具体初选指标共22个（见表1）。

表1 财务预警指标

表2 KMO和Bartlett的检验

【11】吕天成《曲品》，见中国戏曲研究院编《中国古典戏曲论著集成（六）》，中国戏剧出版社1959年版，第230页。

企业重建立项目门户网站，可以将项目进行分类，在某类别下进行点击，可以显示出所有该类别下的项目信息，便于项目的管理和发展。通过门户网站，将项目的信息以文字、图片、音频的形式进行展现，不仅仅能表现出项目的特点，以及项目的相关内容，同时也能体现项目的相关思想。项目门户网站，对项目进行精细化的管理，便于查找进程中的问题，对发现的问题能够及时的进行解决和采取补救措施，便于随时查看项目信息，在无形中推动了项目的发展。

如表3所示，特征值比1大的可作为主成分的共有6个，这6个成分的累积贡献率为81.768%，说明这6个主成分因子可以解释原变量81.768%的信息。

6个主成分进行因子载荷旋转后得到初始成分矩阵，运用最大方差法对因子载荷矩阵进行正交旋转后得到旋转成分矩阵，观察表4，可以对6个主成分因子进行解释：在主成分1中，流动、速动比率的系数绝对值较大，两者主要反映了航空公司的偿还债务的能力，主成分1可以解释为偿债能力主成分。在主成分2中，总资产回报率、净资产回报率、销售净利率、成本费用利润率的系数绝对值较大，主要反映了企业资本增值获取利润能力，主成分2可以解释为盈利能力主成分。在主成分3中，现金流量比率、每股经营现金流量的系数绝对值较大，主要反映了企业的现金流量，主成分3可以解释为现金流量主成分。在主成分4中，营业收入增长率、总资产扩张率、净资产增长率的系数绝对值较大，主要反映了扩大企业规模的成长能力，主成分4可以解释为成长能力主成分。在主成分5中，应付账款周转率、应收账款周转率的系数绝对值相对较大，主要反映了航空公司的资产运营效率和营业运转能力，主成分5可以解释为营运能力主成分。在主成分6中，企业规模、Z指数的系数绝对值相对较大，主成分6可以解释为其他指标的主成分。本文最初对指标的筛选也是从偿债能力、盈利能力、现金流量、成长能力、营运能力、其他指标6个方面选取，可以看出，主成分分析后的指标与最初所选指标所代表的能力相吻合，即所选指标具有代表性。

SPSS分析结果得到了表5，根据该矩阵由最初选取的22个变量的标准化值可计算出6个主成分得分数，表和算式如下：

伏击能乘犯罪分子不备，以突然勇猛的攻击行动，将犯罪分子迅速捕获或直接歼灭，以出奇制胜为目的。以往无数次的边防战斗证实，伏击这种作战形式，非常适用于边防作战的特点，已被广泛采用，并取得了良好的战斗效果。伏击战法是边境捕歼战斗基本战法之一，是边防作战常用的一种战法。在战斗中能运用好伏击战法，可在取得战斗胜利的同时，又可将伤亡降到最低，国家利益和人民生命财产安全又能得到很好的保护。

F₁=0.0070X₁-0.0660X₂+0.0290X₃+0.0320X₄+0.0610X₅+0.0130X₆+0.1310X₇-0.2170X₈+0.0670X₉+0.1980X₁₀+0.1960X₁₁-0.0620X₁₂+0.0050X₁₃-0.0620X₁₄-0.0870X₁₅+0.0130X₁₆+0.0320X₁₇+0.1620X₁₈-0.0030X₁₉-0.0730X₂₀+0.1740X₂₁-0.0500X₂₂

表3 解释的总方差

表4 旋转成份矩阵 a

表5 成份得分系数矩阵

F₂=0.2630X₁+0.2580X₂+0.2610X₃+0.2500X₄-0.0680X₅-0.0680X₆-0.0490X₇-0.0030X₈+0.0470X₉-0.0080X₁₀-0.0100X₁₁-0.0640X₁₂-0.0710X₁₃+0.2250X₁₄+0.0390X₁₅-0.0940X₁₆-0.0450X₁₇-0.0520X₁₈-0.0660X₁₉-0.0330X₂₀-0.0190X₂₁+0.0450X₂₂

测定丁香酚微乳(pH=7.0)及海藻酸钠修饰丁香酚微乳(pH=4.5)在25 ℃环境下储藏0，1，3，5，7，14，21，28 d的粒径分布，表征其储藏稳定性。

F₃=-0.0450X₁-0.0800X₂-0.0530X₃-0.0470X₄+0.2270X₅-0.0080X₆-0.0330X₇+0.0210X₈+0.0540X₉+0.0130X₁₀+0.0090X₁₁+0.2610X₁₂+0.0040X₁₃-0.0920X₁₄-0.0500X₁₅+0.0660X₁₆+0.2950X₁₇+0.2270X₁₈+0.2900X₁₉+0.0970X₂₀-0.0570X₂₁-0.0690X₂₂

国外通常将该公司提请破产与否作为判定公司是否陷入财务危机的标准，而国内多数判断财务危机的标准是上市公司是否被证券交易所特别处理被冠以“*ST”头衔。然而，我国上市航空公司到目前为止被特别处理的只有2009年的东方航空和上海航空，因此，采用这种方法并不合理。本文将继续沿用刑有洪（2011）的界定方法，EVA为正值表示企业价值的增加，划分为财务正常（EVA＞0）；EVA为负则表示企业价值的减少，即企业陷入了财务危机（EVA＜0）。

我是多么厌恶这些伪装成白天鹅的长舌妇。这时，在我眼里倏地闪过一道奇异的光彩：“是的，你可以相信我，我和他们不一样。”

孩子患上肺炎一般不需要特别忌口，但是由于疾病期间，孩子的消化系统功能也会有暂时性的降低，所以尽量给孩子吃一些清淡的容易消化的食物。母乳喂养的婴儿可以适当增加喂奶的次数；喝配方奶的小婴儿可以适当将奶粉冲泡得稀释一些，并适当多喝水；大一些的孩子，除了饮食上注意清淡易消化，要多喝水，增加新鲜蔬果的摄入。

按《水利水电工程地质勘察规范》（GB 50287—99）规定，饱和砂或饱和少黏性土的N63.5值小于按公式算出的液化临界击数Ncr时，可判为液化土。

对于航空公司财务预警模型的探索也与上文所述四类模型有诸多对应。卢丽娟（2010）构建财务预警综合指数模型，并根据指数对航空公司财务恶化程度进行分类；邢有洪（2011），选取盈利、发展、偿债和现金流量四方面财务指标对 Z- Score模型修正并做实证分析，并将 EVA是否大于0作为界定企业是否面临财务危机；孙新宪（2013）通过构建 BP神经网络财务预警模型对19家上市物流运输公司（其中包括6家航空公司）的财务风险进行评价，并财务风险的规避和防范提出建议；李春玲（2015）选取与企业财务状况相关的五个方面的指标，建立航空公司逻辑回归分析财务预警模型，并运用该模型对航空公司财务危机进行了实证检验。

F₆=-0.0440X₁-0.0790X₂+0.0290X₃+0.0440X₄+0.2380X₅+0.3840X₆+0.3320X₇+0.1330X₈-0.0410X₉-0.0240X₁₀-0.0110X₁₁+0.0400X₁₂+0.1900X₁₃-0.1560X₁₄-0.0480X₁₅+0.0360X₁₆-0.1610X₁₇-0.3500X₁₈-0.0790X₁₉+0.3850X₂₀+0.2330X₂₁+0.1020X₂₂

将 F₁、F₂、F₃、F₄、F₅、F₆这6个主成分因子作为下文BP神经网络的输入层变量对财务预警模型进行训练与检验。

（四）BP神经网络设计

搭建一个完整的BP神经网络一般需要对六个方面明确：输入层、输入层和隐含层之间的传递函数、隐含层、隐含层和输出层之间的传递函数、输出层和网络参数。本文采用输入层、输出层、中间隐含层都是一个的最简单的三层BP神经网络。输入层：BP神经网络的输入层节点个数一般等于输入向量的维数，即前文所提取的6个主成分因子，因此输入层节点设定为6。输出层：如前文所述，本文将航空公司财务状况划分为财务正常（EVA＞0）、财务危机（EVA＜0）两种状态，故将输出层的节点数目设定为1，输出“1”代表航空公司存在财务危机，输出“0”代表航空公司财务正常。隐含层：隐含层单元数并没有统一的理论指导，只能通过反复调试最终确定。节点太少，不能体现样本中的规律；节点过多，又可能出现“过度吻合”的现象。对BP神经网络反复调试最终决定将隐含层最优节点个数设为7。传递函数：因本文输出期望数据是0和1，故确定输入层和隐含层之间的传递函数为tansig函数，确定隐含层和输出层之间的传递函数为logsig函数。网络参数：目标误差0.000001，学习速率0.01，训练最大循环迭代次数为500次。故本文将用MATLAB语言构建一个6—7—1的BP神经网络结构作为财务预警模型。

（五）BP神经网络的训练与检验

本文将四大航空公司总计共49个样本中38个样本用于训练，11个样本用于检测。四大航空公司EVA值与因变量Y值（财务正常取0，财务危机取1）见表6。

(1) 在三点弯曲试验中，花岗岩的载荷峰值比大理岩的载荷峰值大，同类岩石中预制裂纹试样和完整试样的载荷峰值与峰值位移比值差别不大，而花岗岩的载荷峰值与峰值位移比值大于大理岩的。

如图1所示，模型的均方根误差不断变小，直至达到所设定的0.000001的目标误差。

输入检测样本，得到如表7结果：

该模型或许会有以下两种错误的判断：误判1是误把“有财务危机的公司”断定为“财务正常的公司”，即实际Y值=1，预测Y值=0；误判2是误把“财务正常的公司”断定为有“财务危机的公司”，即实际Y值=0，预测Y值=1。在11个检验样本中，仅有海航控股2005年的预测产生了第一类误判，即其中的10个检验样本预测准确，BP神经网络模型判断准确率高达90.91%。

表6 训练样本EVA值与Y值

图1

表7 检验样本检验结果

结论

本文构建的基于BP神经网络模型的航空公司财务预警模型，通过对四大航空公司49个样本的分析检验，验证了基于BP神经网络模型的航空公司财务预警模型的科学有效性。本文所构建的模型的优越性在于以下三方面：第一，对初选指标降维优化，既囊括了比较全面的财务指标又不至于输入变量过多对BP神经网络造成负担；第二，BP神经网络可以反复的训练学习，将误差从输入层向输出层后向传播，修正数值减小误差，因而预测结果准确率较高；第三，该模型并不是机械的输入输出，模型的网络参数随训练样本和检测样本的更新而变化，模型依据更新后的样本数据进行新的训练学习，可调整的网络参数使模型能够适应更加多变的航空公司财务环境。尽管BP神经网络模型在航空公司财务风险预警方面比较准确，航空公司的管理者仍应保持对财务风险管理的关注，警钟长鸣，健全风险管理体制和风险监控系统，避免陷入财务危机，促进航空公司持续健康发展。本文的不足之处在于目前所能利用的航空公司样本较少，假以时日，随着样本的增多，BP神经网络模型可能得到进一步优化。

参考文献

[1]杨保安,季海,徐晶,温金祥.BP神经网络在企业财务危机预警之应用[J].预测,2001(2)：49-54+68.

[2]杨淑娥,黄礼.基于BP神经网络的上市公司财务预警模型[J].系统工程理论与实践,2005(1)：12-18+26.

[3]卢丽娟.航空公司财务预警体系刍议[J].财会通讯,2010(8)：139-140.

[4]邢有洪,张静.航空公司财务预警实证研究[J].财会通讯,2011(36)：80-82.

[5]赵德丰等.MATLAB神经网络应用设计（第2版）[M].北京：北京机械工业出版社,2012.

[6]梁美健,闫蔚.企业财务预警的国内外研究综述[J].财会月刊,2014(12)：105-107.

[7]孙新宪.民航企业会计模式研究[D].天津：天津财经大学,2014.

[8]刘义龙,郝青,李松.财务预警模型研究综述与展望[J].财会通讯,2015(25)：59-61.

[9]李春玲,刘梁.航空公司财务危机预警模型研究[J].财会通讯，2015(1)：51-54.

[10]国务院国有资产监督管理委员会.中央企业负责人经营业绩考核办法[Z].2016.

[11]李恩晨.基于神经网络的创业板上市公司财务预警研究[D].上海：华东师范大学,2017.

［中图分类号］ F285［文献标识码］B［文章编号］1005-9016（2019）06-52-08

［作者简介］ 孙新宪（1965～），现为中国民航大学经济与管理学院教授、管理学博士，主要研究方向为会计理论、财务管理、民航财经政策等。

李夏琳（1992～），中国民航大学经济与管理学院会计学硕士研究生。

标签：财务预警论文;  航空公司论文;  bp神经网络论文;  中国民航大学经济与管理学院论文;