首页 > 论文范文 > 社会科学论文 > 经济学论文 > 企业经济论文 > 企业财务风险预警方法应用探究

企业财务风险预警方法应用探究

2021-08-25 112 上传者：管理员

摘要：本文首先详细探讨了企业财务风险,例如融资风险、投资风险和资金收回风险,从财务风险预警方法的应用角度出发,运用BP神经网络进行财务风险的预警评估,最后以A企业为例进行企业财务风险评估的应用,提出BP神经网络的物流企业财务预警方法,旨在为企业财务风险管理的良好运作提供重要参考。

关键词：
BP神经网络
物流企业
财务风险
风险预警
加入收藏

一、引言

随着市场经济竞争日益激烈，我国企业必须以强有力的姿态来面对复杂而多变的各种风险。企业改制深入和公司治理结构的改革是企业高效发展的一把利刃，部分企业以新的机制、新的理险预警进行了不断深入探索和研究。

现阶段，各种财务预警模型不断地建立，实现了对财务模型运用准确性和规范性质的提升。从单一变量分析到多变量综合分析念、新的管理方式迎接风云变幻的经济市场，加剧了物流企业的竞争。企业应不断提高对财务风险预警管理的重视程度。随着财务风险预警研究的广泛运用，我国也开始对企业财务风险进行了不断的探索。本文提出采用BP人工神经网络对企业财务风险进行评估预警，为企业的财务风险预警提供新思路。

二、物流企业财务风险分析

物流企业将客户的需求作为对物资进行运输、储备、装卸等操作任务的依据，合理地运用各种组织和管理手段进行经营活动。能够满足自身需求的信息管理与信息系统是物流企业实现高效运作的一把利刃，随着信息管理与信息系统的推广和落实，其已经成为物流企业独立面对核算任务，承担民事责任等重大事项不可或缺的重要手段。现如今，许多上市物流企业面临的资金短缺、账目混乱、会计制度不完善的诸多问题在很大程度上影响了其正常运转，有效对财务风险，例如融资风险、投资风险以及资金回笼风险等进行预警和评估，已经成为物流企业亟待解决的问题。

1.融资风险

由于证券市场在我国起步较晚，且通过发行股票进行融资的方式难度系数较大，因此债券融资和权益融资构成了企业融资的主要形式。物流公司只有很少一部分能够实现顺利上市，且这些上市物流公司主要集中在沿海经济圈附近，因此借贷融资成为其筹措资金的首选。但是由于融资的各种行为受到财产抵押担保制度的制约，造成了抵押过程中存在登记困难、评估费用过高和贷款抵押较难的种种问题。

物流企业主要利用专用设备完成市场经营活动，因此专用设备成了其主要的资产构成。在此情况下，由于专用设备存在抵押率较低的问题从而使得物流企业在进行融资时往往面临额度受限的困难。加上物流企业在运作过程中由于效率低下和负债率高带来的种种经营问题，使得物流企业不堪高额利息的重负，由此带来了物流企业债务偿还率低的现状。总言之，债务拖延和融资困难的双重苦难成为限制物流企业健康发展的重要障碍。

2.投资风险

当下一些企业为抢占市场份额，将大量资金投入物流企业的建设，盲目购入物流设备。由此带来了物流企业在进行经营活动过程中资金流的短缺。加之物流设备在生产过程中不可避免地要进行定期维护，由此产生的人工费用、管理费用等让物流企业不堪重负，财务风险的加大甚至让物流企业面临倒闭的可能性大大提高。如果资金充足，物流公司也能够进行资本市场的融资行为。但由于缺乏专业的金融运作能力，物流企业往往无法完成本金和利息的顺利回收。

3.资金回收风险

资金回收风险意味着物流企业在完成服务型经营活动后，由于各种因素带来的利润回收拖延和拖欠的不确定性。目前阶段，物流企业为了有效笼络客户群体，达到抢占市场的目的，往往采取先服务后定期结账的方式来进行运作，由此带来了其服务费用不能如期收回，导致其面临的资金回收风险大大增加。

三、物流企业财务风险预警实证研究

1.物流企业财务风险预警指标构建

本文在国内外学者对物流企业财务风险的预警进行建模分析的基础上，从物流企业财务风险预警的本身特点出发，结合其敏感性、可行性、针对性、对比性、系统性及动态性等预警特征，从筹资预警、投资预警及运营预警的角度，完成了对物流企业风险预警指标的选择。

A物流企业2013—2018年财务指标值表下载原表

A物流企业2013—2018年财务指标值表

2. BP神经网络模型介绍

1986年，Rumelhart首先提出一种利用网络权值分析的方法进行向后传播学习的算法，被称为BP神经网络算法。BP神经网络作为一种多层前馈的神经网络，以其自身特有的映射能力和泛化能力，能够通过在冗杂历史样本训练中提取出样本中所隐含特征关系，在此基础上，利用内插与外推的方法能够对新数据进行分类和评估。

3.基于BP神经网络的物流企业财务风险预警应用

(1）预警模型输入输出参数的选取。在BP神经网络预警中，输入和输出向量的维数决定BP网络的输入和输出层的神经元数目。BP神经网络预警模型的复杂性由其输入和输出变量的维数来决定，可以通过控制输入输出层的神经元个数来改变其维数。在输出层，将对物流企业的财务风险等级进行划分，主要划分为超强预警、强度预警、一般重预警、轻度预警和无预警5个等级。

(2）传递函数的选择。本文对物流企业的财务风险进行建模时，BP神经网络采用单隐层。由于隐含层神经网络个数对BP神经管网络的预测性能起着至关重要的作用，因此，根据Kol-mogorov定理，本文在设定BP神经网络的网络隐含层数目时综合考虑预测性能将神经元数目定为25个。输出层和隐含层神经元的传递函数分别采用logsig函数和tansig函数。

(3）创建网络与训练。输入输出参数的选择和传递函数的选取是构建BP神经网络的基础。采用BP神经网络建立好财务预警模型后，可采用利用样本数据对BP神经网络训练的方式，来达到提高预警模型的适应度的目标。BP神经网络的学习速率由于决定着循环过程中的权值偏离度，因此它是预测过程中的重要考虑因素。较大的学习速率会加大BP神经网络的学习不稳定性。本文为保证BP神经网络的稳定运行，选择学习速率为0.05。

(4)BP神经网络预警实现。本文选用上市A物流企业2013年到2018年的上述9种财务指标及财务风险等级作为网络训练样本。其中2013年到2016年的数据作为训练样本，2017年和2018年的数据做观测样本。通过对上市物流企业财务数据的调查及计算，得出A物流企业2013年到2018年相关财务指标如表1所示。采用MATLAB软件编程，通过计算机运算分析，从网络输出结果可以看出，网络经过23次训练后即可达到误差要求。通过仿真实验可以看出，采用BP神经网络构建的财务风险预警模型能够对A物流企业的财务实现有效和可靠预警。

本文首先对物流企业面临的财务风险，包括融资风险、投资风险和资金收回风险进行了阐述，说明了构建物流企业的财务风险预警模型的必要性。在此基础上提出利用BP神经网络构建物流企业的财务风险预警模型，并对BP神经网络构建财务风险预警模型的过程进行了详细设定。最后通过实例的形式对BP神经网络在财务风险预警模型上的应用进行了验证。通过仿真实验表明本文提出的通过BP神经网络构建的物流公司财务风险预警模型能够可靠完成财务的预警工作，为物流企业的财务风险管控工作提供了重要参考。

参考文献：

[1]闵剑,李佳颖生命周期视角下中小企业财务风险评估研究一于生存分析模型财会通讯,2021(04).

[2]颜美瑛大数据时代的企业财务风险预警研究.中国乡镇企业会计,2021(02).

[3]李昱达于创新视角下的制造业财务预警模型研究现代商业, 2021(02).

[4]王梦瑶,孙伟琪,陈冰冰,王啸婷.贝叶斯判别分析在财务预警中的应用.品牌与标准化,2021(01).

文章来源：杨水燕.企业财务风险预警方法应用浅析[J].行政事业资产与财务,2021(16):100-101.