BP模型与Fisher函数在高校风险识别中差异.docVIP

BP模型与Fisher函数在高校风险识别中的差异 　　摘 要:如何采用适当的方法对高校财务风险进行预测,一直是学术界关注的热点问题之一,已有学者利用Fisher判别模型衡量高校财务风险#65377;BP人工神经网络方法是近年来出现的一种新的预警方法,它与Fisher判别模型相比,两者在高校财务风险识别中有何差异,这一问题需要我们进行深入地探讨#65377; 　　关键词:BP人工神经网络;Fisher判别函数;财务风险;高校 　　中图分类号:F069.9 文献标志码:A 文章编号:1673-291X(2007)07-0123-03 　　 　　加快高等教育的发展步伐,加大高校对社会的人才供给,是我国高等教育事业发展的迫切需求#65377;近年来,越来越多的高校在发展过程中,通过金融市场筹集资金以缓解发展过程中的资金瓶颈问题#65377;举债办学反映了高校理财观念的更新#65377;然而,机遇与风险总是相伴而生的,举债的同时也使高校面临还本付息的压力#65377;目前,部分学校对举债的风险认识不足,贷款的规模大大超过自身的经济偿还能力,出现短期资金链的断裂,如不能及时发放员工工资#65377;这些问题引起了社会的广泛关注#65377; 　　钟冲在《高等学校财务风险预警分析与应用》(2004)一文中,以教育部部属72所高校为样本数据,用7个财务指标,利用Fisher判别函数建立了高等学校财务风险预警多元判别模型,对72所高校的风险程度进行了分类#65377;本文在其数据和财务指标的基础上,利用BP人工神经网络方法建立判别模型,从而比较这两种方法在高校财务风险运用中的实用性,并对高校的财务状况进行重新分类#65377; 　　 　　一#65380;高校财务风险预警方法 　　 　　(一)Fisher判别函数 　　Fisher判别分析法的基本思想是通过将多维数据投影到某个方向上,投影的原则是将总体与总体之间尽可能地分开,然后再选择合适的判别规则,将待定的样本进行分类判别#65377;Fisher判别的基本表达式为: 　　判别函数为: 　　F(X)=X＇(W+W)(X-X) 　　判别规则: 　　F(X)≥n,n∈财务风险企业 　　F(X)≤n,n∈非财务风险企业 　　其中:n=[F(X)+F(X)]/2; 　　 X,X为两组的均值向量; 　　 W,W为两组的协方差矩阵#65377; 　　对多个总体的费歇判别法的基本思???: 　　对于k个总体(G,G,……,G),我们假定它们具有相同的协方差矩阵∑,u,u,……u分别为总体G,G,……,G的均值,每一个总体含有P个样本点,任给出一个样本点X,要判别x属于哪一个总体,这样得到x的线性判别函数: 　　F(x)=bx=bx+bx+…+bx 　　费歇判别法就是要寻找一个由P个变量组成的线性函数F(x),使得每一个总体内样本点的函数值尽量接近,其他总体之间的函数值尽量疏远#65377; 　　(二)BP人工神经网络方法及算法的优化 　　BP人工神经网络又称为多层前馈神经网络,被认为是最适用于模拟输入和输出的近似关系,是算法最成熟#65380;运用最广泛的人工神经网络#65377;它通常由输入层#65380;输出层和隐含层组成,其信息处理分为前向传播和后向学习两步进行,网络的学习是一种误差从输出层到输入层向后传播并修正数值的过程,其目的是使网络的实际输出逼近某个给定的期望输出#65377; 　　神经网络运用于财务状况的判别包括学习和预警两个过程#65377;首先,用训练集的数据训练这个网络,使不同的输入向量得出相应的输出值,当误差降到一个指定的范围内时,神经网络所持有的那组权数值就是网络通过自学习得到的权数值,即完成了神经网络的自学习过程#65377;然后,输入测试样本数据,让训练好的神经网络输出高等学校财务风险程度的标志,即实现神经网络的财务预警操作#65377; 　　由于传统的BP算法主要的缺点是:收敛速度慢#65380;局部极值#65380;难以确定隐含层和隐含层的节点个数#65377;在实际应用中,BP算法很难胜任#65377;因此,本文采取了一种更有效的优化算法――Levenberg―Marquart方法(网络训练函数为trainlm)#65377; 　　 　　二#65380;样本数据的选取 　　 　　为了比较Fisher判别函数和BP神经网络方法在高校财务预警中的实用性,本文选取了与《高等学校财务风险预警分析与应用》一文中相同的建模样本数据,即教育部部属72所高校的财务数据#65377;其中,64所高校为建模样本数据(已知分类样本空间),8所高校为待判样本数据,参加判别分析的高校数占88.9%,待判的包含缺失值或分类变量范围之外的高校