基于神经网络与违约距离融合的新能源企业财务预警研究开题报告

中国逐渐成为世界能源生产和消费大国，中国经济快速发展可以归功于能源产业的迅猛发展，可以说能源产业占据了我国经济发展的重要位置。而能源问题早已成为各个国家经济发展的重点问题，面对如此激烈的竞争形势，能源企业也出现了种种财务问题导致企业发生财务危机。

我国的能源企业具有高成长性、高风险的特点，这就决定了能源市场在运营过程中存在较大的风险，多数风险在前期可以通过企业的财务数据体现出来。因而出现了财务风险预警这一概念，利用反映企业经营情况的各种资料，如财务报告、年度审计报告和公司信息披露等以财务指标数据为基础建立模型，对财务风险进行预测并及时告知管理者。虽然学术方面对于财务预警的研究较多，然而针对传统能源企业的研究并不完善，希望本文的研究可以为能源类企业的财务预警提供一些参考。

本文将违约距离和神经网络引入到财务风险预警中，应用财务数据与非财务数据建立财务风险预警模型，以期能够对财务风险进行有效的识别，进而可以提前做好防御准备。其可能存在的意义归纳如下：

理论意义。违约距离的实现依赖信用主体资本市场的动态数据，资产市场价值，资产市场价值波动率，股权价值，股权价值波动率，和违约点等因素；但是，传统KMV模型在进行信用风险度量分析时，并未考虑信用主体前景相关的基本面、财务数据及一致性预测数据等信息与违约距离存在的“特殊”关系。基于此，本文在采用具有较高准确性的BP神经网络模型的基础上将违约距离引入对财务风险的预警模型中，使预警的准确性增加，增加了有效的财务风险预警指标，为以后进行预警准确性较高的预警指标的选取增加了选择。

现实意义。一方面，对于进行财务风险预警的企业，能够发现自身财务风险的状况，从而可以在风险加剧前找到风险，避免因财务风险而衰落。对于银行而言，进行财务风险预警在一定程度上能够对贷款的安全性进行保障，进而也就可以保证银行自身的经营秩序，避免陷入危险。对于投资人而言，可以提高自己投资的有效性，增加自己资金的安全。另一方面，文本将基于违约距离的神经网络引入更多企业家以及应用者的视野，为以后实现自动化、智能化奠定基础。

本文以BP神经网络为基础建立财务风险预警模型，引入违约距离，通过对模型的仿真测试来检验模型的有效性，进而提高预测的准确性和模型的适用性，使之成为预测企业财务风险的有效工具。

本文主要内容如下：

第一章：绪论。介绍本文的研究背景及研究意义，简述本文研究方法、内容及技术路线图。

第二章：基础理论概述。首先，阅读国内外文献，分析我国能源行业的现状与特点，通过研读文献分析能源行业的基本特点和容易导致财务风险的因素。其次，介绍公司财务风险预警概念及主要内容，了解基本财务预警标准等。最后，从预警指标选取和预警模型选取两方面进行文献综述总结，对人工神经网络的原理、模型结构以及BP算法等进行说明，为第三章、第四章财务风险模型的设计奠定基础。

第三章：模型基础设计。首先，选择沪深交易所的能源板块的企业财务指标数据作为研究样本，确定预警程度划分的标准并将40家能源企业五年的数据分为训练样本和预测样本。其次，结合过往研究和指标选取原则，选择本文研究所需的财务指标，利用正态检验和显著检验对指标进一步筛选，得到最能体现我国能源企业财务问题的主要指标变量，将筛选后的指标变量作为建立模型的基础。最后，计算违约距离，重新实现违约距离方法理论基础Black-Scholes-Merton模型的推导过程，并阐述其具体计算过程。

第四章：建立神经网络预警模型。首先，介绍模型原理及在财务预警中的应用情况，简述神经网络算法和财务预警应用的基本步骤，对用于构建神经网络财务风险预警模型的样本和输入层的指标体系进行说明。其次，进行财务风险预警模型构建，主要包括进行建模的软件的确定，模型中神经网络结构的输入层、输出层、隐含层等相关参数的确定，选择拟合效果和预测效果最佳的参数组合，建立更加适合能源企业在财务状况预警中使用的BP神经网络模型。最后，对建立的财务风险预警模型进行训练以及仿真测试。

第六章为本文的结论与展望部分。总结研究结果，其次并结合能源企业的特点和建模预测的结果，最后提出本文的不足和展望。

本文需要解决的关键问题在于：

1)违约距离的计算。在应用Black-Scholes-Merton 定理推导计算违约距离之前需要对定理中参数的计算方法以及经济意义重新进行梳理，这样才能准确高效地实现违约距离的计算。

2)确实违约距离和传统财务指标的函数关系。两者所度量的属性不一致但又有联系，因此理清这两者之间的区别与联系，并分别输入神经网络模型尤为重要。

3)能源企业财务预警的评价指标的选择以及有效性验证。在选择计算能源企业财务风险的指标时，参照有效因子的概念，探寻对企业前景有显著影响的指标，并验证这些候选指标对财务状况影响的显著性。

企业财务风险度量一直以来都是商业银行、债市及股票市场的研究重点，是企业信用风险监管体系的关键组成。财务风险的度量方法经历了从以专家分析法为基础的定性分析到后来的定量运算与定性分析相结合、从静态描述到动态风险预警与监测的过程。

因素分析法是早期出现的一种风险状况分析方法，主要包含财务因素分析法和信用要素分析法。财务因素分析法主要是以企业财务报告为基础，对企业财务状况和经营成果、信用状况等进行分析。财务报表主要由财务项目构成，因此财务报表分析主要是针对财务项目的数字变动和各项目之间的数量关系进行分析。分析方法主要包含比较分析法、财务比率分析法、趋势分析法等。单独分析一项财务指标或者报表，很难全面评价企业的信用风险，因此需要选择适当的标准对财务指标之间的相互关系进行分析，于是有了后来杜邦公司采用的杜邦财务分析体系和亚历山大沃尔提出的沃尔比重评分法等。 随着研究的深入，人们发现专家分析法的主观性与局限性，对于财务状况的度量开始由“定性”向“定量”转变。

模型分析法。在财务预警研究中对于财务指标的选择，许多学者不断地进行着尝试，在己有模型中不断的增加或减少财务指标，从而提升模型的预测准确度。针对财务问题的预警模型研宄经过众多专家学者的讨论研究发展至今，得到认可的并实际应用的模型具体有以下几类：

一、单变量预警模型。Fitzpatrick(1932)首先提出财务预警模型，他选择了19家企业作为研究对象，通过单一的财务比率作为变量，将被选择的企业分为破产组和非破产组作为对比研究的两个样本组，通过研究结果表明净资产收益率和产权比率这两个财务指标可以较为准确的反映预警效果。Beaver（1966）参考Fitzpatrick的成果进行深入研究，通过单个检验的方式，从30个财务比率中筛选出５个对财务危机预测最有效的财务指标。陈静（1999）针对我国企业财务情况，选取四类财务指标利用单变量模型分析，得到误判率最低的指标，构建判别方程。

二、多变量预警模型。在实践过程中，许多学者发现仅仅利用单一变量的预测效果并不是最优的，通过一组或多组比率，预测效果的准确率明显增大，后期多变量模型开始成为研究的重点。最早同样也是最有名的多变量模型就是Altman（1968）提出的Z-score分析法。Z-score模型来源于美国，在美国得到了认可并被广泛应用，而中国的经济状况与市场形势与美国存在很大的差异性，因此中国许多的研宄沿用模型的思路，在原有模型上进行改进建立新的模型。周首华等人（1996）最先在我国研究出Ｆ分数模型的表达式，Ｆ分数模型判别标准：F=0.0274是模型的临界点，，相较于Z-score模型在企业财务风险的预测能力更优秀。陶源（2015）选择对中国和美国的企业利用Z-score模型进行研究对比并得到改进的Z-score模型适合我国企业使用。

三、多元逻辑回归模型。Ohlson（1980）首次提出了Logistic模型，为财务预警研究开创了新思路，他对2000多家企业财务状况进行研究，对发现四类指标对公司破产概率影响显著。后续有学者在Logistic模型研宄基础上，增加新的判断方法，创建样本数据并将样本划分为不同预警区域，证明该模型预测财务潜在风险的能力较为准确。吴应宇、袁陵（2004）结合因子分析和Logistic模型的优势，并利用上市公司财务数据验证预警效果更准确。Ciarlone和Trebeschi（2005）引入经济学概念并采用Logistic方法建立预警模型并验证有效。

四、KMV模型。KMV模型对企业的财务预警系统也做出了重要的贡献，熊菲菲（2014）利用KMV模型的得到的信用风险指标、数据包络分析原理（Data Envelopment Analysis，DEA）得到的投入产出指标、主成分分析法提取到的反映公司盈利能力、偿债能力、成长能力和营运能力的主成分，建立支持向量分类机模型（Support Vector Machine，SVM）作为财务预警模型；潘洁（2010）将KMV模型中的违约距离指标、DEA方法得到的投入产出效率指标、市场行情指标、财务数据纳入预警模型中，建立BP神经网络进行预测；黄吉、蒋正祥（2012）使用主成分分析提取的５个因子与KMV模型得到的违约指标相结合，建立财务预警的Logistic模型。

五、人工神经网络模型。神经网络的最大特点就是其自身具有自学习和自适应的能力，许多学者将其应用于财务预警研究中并获得了很好的预测效果。Odom（1990）作为第一个将神经网络应用到财务预警研究中，将数据样本分为训练样本和测试样本，用五类财务指标作为变量构建神经网络预警模型，Coats和Fants（1993）以94家破产企业与188家非破产企业的财务数据作为研宄样本，将神经网络预警与Ｚ值预警作对比神经网络的预测准确率达到91%。

我国针对能源资源领域的神经网络模型研究也都取得了一定成果，例如石化、电力、煤炭和清洁能源等方面都有所涉猎。吴煜（2006）使用改进的BP神经网络预测应用于城市用水需求这种复杂问题，证明该模型在预测城市用水需求量时准确高效。陶杰（2011）选取58家电力上市公司反映财务状况的指标，并运用自组织神经网络法等方法量度电力企业财务风险。王积田和孙婷婷（2012）利用遗传BP神经网络对能源消耗型企业进行预测优化预警。查道林、漆俊美（2016）结合清洁能源公司的自身特点，应用BP神经网络的相关理论，对清洁能源公司进行财务绩效评价。

人工神经网络具备强大的容错能力并且对数据的要求不高，能够完美的处理有噪声和不完全的数据，突破了传统统计方法的限制。利用神经网络自我学习、训练和仿真等特点，适应多变的企业环境，对于企业财务现状研究分析，判断某一家预测样本是否存在财务风险。

综上所述，目前国内外对于财务预警的研究呈多元化发展，对财务指标进行不断的优化，对算法模型不断的创新，通过大量的财务数据进行实证研究。由于不同的行业特点、会计期间、指标和模型选择，都会对研究结果产生很大的影响，而研究重点也各具特色，需要结合实际有针对性的分析。

[1]戴春兰. 杜邦分析法在我国企业管理中的应用研究[J]. 武汉理工大学学报, 2000, 22(4):118-121.

[2]武凯. 沃尔比重评分法对企业综合财务状况的评价效果的实证研究[J]. 江苏商论, 2007(13):58-59.

[3]Fitzpatrick.P.J. A Comparison of the Ratios of Successful Industrial Enterprises with those of Failed Companies[J]. Anlise Molecular Do Gene Wwox, 1932:598-605.

[4]William H. Beaver. Empirical Research in Accounting: Selected Studies 1966 || Financial Ratios As Predictors of Failure[J]. Journal of Accounting Research, 4:71-111.

[5]陈静.我国能源企业财务风险管理现状及应对措施[J].中国证券期货,2012(10):136.

[6]Altman E I . FINANCIAL RATIOS, DISCRIMINANT ANALYSIS AND THE PREDICTION OF CORPORATE BANKRUPTCY[J]. The Journal of Finance, 1968, 23(4):589-609.

[7]周首华,杨济华,王平.论财务危机的预警分析——F分数模式[J].会计研究,1996(08):8-11.

[8]陶源. 中美上市公司Z-score财务危机预警模型比较研究[D].兰州财经大学,2015.

[9]Ohlson J A . Financial Ratios and the Probabilistic Prediction of Bankruptcy[J]. Journal of Accounting Research, 1980, 18(1):109-131.

[10]吴应宇,袁陵.基于因子分析的上市公司财务危机预警研究的修正[J].东南大学学报(哲学社会科学版),2004(06):19-24 125.

[11]Alessio Ciarlone,Giorgio Trebeschi. Designing an early warning system for debt crises[J]. Emerging Markets Review,2005,6(4).

[12]熊菲菲. 基于KMV模型和支持向量机的上市公司财务危机预警研究[D].西南财经大学,2014.

[13]潘洁. 基于KMV模型和神经网络的上市公司财务危机预警研究[D].电子科技大学,2010.

[14]黄吉,蒋正祥.Logistic-KMV模型对广西上市公司的信用风险评估[J].广西经济管理干部学院学报,2012,24(03):50-54 102.

[15]M.D. Odom, Sharda R . A Neural Network Model for Bankruptcy Prediction[C]// Neural Networks, 1990. 1990 IJCNN International Joint Conference on. IEEE, 1990.

[16]P. K. Coats, L. F. Fant. Recognizing Financial Distress Patterns Using a Neural Network Tool[J]. 22(3):142-155.

[17]吴煜,张保银,王文.基于人工神经网络的城市用水需求组合预测[J].城市环境与城市生态,2006(01):4-6.

[18]陶杰. 电力企业财务风险预警研究[D].华北电力大学（北京）,2011.

[19]王积田,孙婷婷.基于遗传BP神经网络的能源消耗型企业财务预警研究[J].哈尔滨商业大学学报(社会科学版),2012(05):110-116.

[20]查道林,漆俊美.清洁能源上市公司财务绩效评价——基于BP神经网络[J].财会通讯,2016(07):24-26.