基于SOM的汽车制造业上市公司财务绩效分析.docx

??

?

??

基于SOM的汽车制造业上市公司财务绩效分析

?

??

?

?

?

?

?

?

?

???

?

?

?

?

?

安徽农业大学经济管理学院李雪晴

摘要：面对急速发展的汽车行业，如何对其进行有效的财务绩效评价，已成为亟待解决的问题。很少有人会基于SOM利用聚类分析对上市公司的财务绩效进行评价。本文首先对SOM神经网络进行了理论阐述，然后利用SOM网络对高维、复杂数据的处理能力对数据进行处理，运用SOM神经网络的聚类功能，对我国在上海深圳上市的汽车制造业企业进行了聚类分析和对比，直观、综合反映了各个层次的汽车制造业的财务状况。结果表明,SOM神经网络应用到汽[来自www.lw5U.coM]车制造业的财务绩效评价是可行的。

关键词：汽车制造业财务绩效SOM神经网络聚类分析

F715.5：A：1005-5800(2015)03(c)-176-03

随着我国经济的跨跃式增长，汽车制造业经历了从无到有的发展，并已在国民经济的发展中占据举足轻重的地位。

2013年，我国汽车产销量双双突破2000万辆，全面超越美国成为全球第一大市场。但是，从汽车的研发制造水平看，我们距离国际先进水平还有很大的差距，随着人民生活水平的日益提高，汽车已不再是高消费奢侈品，而是成为了寻常百姓的生活必需品，汽车的制造和销售仍然有广阔的前景，同时，对汽车板块的股票投资也引起了越来越多的机构和个人关注。

使用成熟有效的方法对汽车制造业的上市公司进行财务绩效分析，不仅可以帮助政府监督部门加强宏观调控，同时为在证券投资市场的投资者提供一定的参考信息，以降低收益损失的风险。迄今为止，纵观国内外关于企业财务绩效评价的文献，大多采用层次分析法、因子分析法、熵权法，而鲜有学者通过自组织竞争型神经网络的方法对上市公司的财务绩效进行现状分析及趋势预测。而面向类型众多的汽车行业，如何对其进行有效的聚类分析，已成为亟须解决的问题。

1SOM神经网络模型

自组织竞争型神经网络是一种无监督学习，具有自动组织功能的神经网络，作为其中重要的一种，自组织特征映射(SOM)网络是一种稳健有效的方法，具有极高的学习能力，糖度高，无监督以及优秀的聚类能力。亦称为KOHONEN网络，是由芬兰学者KOHONENT于1981年根据人脑的自组织特性提出的一种无监督学习的神经网络模型。SOM神经网络共有[来自wwW.]两层，输入层为模拟和感知外界输入信息的视膜，输出层模拟做出大脑皮层的反应，其聚类分析可以使得输入模式智能化聚集分类，并能形象生动地通过二维三维图像显示出聚类结果，为人们的分析提供有力的参考，避免了人为分析操作而造成的错误。

SOM神经网络模型含有输入层和输出层，两层的神经元之间以权进行全连接，输入层中的神经元一般以一维的方式分布，而输出通常采用二维进行陈列。一个SOM神经网络接收外在的输入模式，将产生形式各异的反映域，而各域对于该输入模式都有着不一样的特征。当我们输入数据向量集合的时候，经过学习会产生以权值向量为中心的相关数据。随着训练学习的连接执行，相互有联系的数据自行地组织聚焦到一起形成输出层的聚类效果。SOM神经网络结构如图1所示。

该神经网络算法在学习训练的时候，各神经元相互竞争，竞争的胜者是最大节点神经元。取胜节点能有效地抵制其他的竞争者，只有取胜节点才可以进行输出。只有在竞争中取胜的节点才是输入图形的最佳的匹配。根据以上的算法原理，对于学习好的SOM神经网络，其聚类结果可以很好地反映输入数据的统计特征，能有效地进行聚类。

2上市公司绩效指标的选取

由于汽车制造业的技术门槛高，研发成本高，生产销售推广不易，市场竞争相当激烈，一个公司的生产规模和自动化程度对该公司的销量业绩影响重大。这里我们选择偿债能力指标、营运能力指标、盈利能力指标、发展能力指标、现金流量这五个方面的指标来评价该行业的财务绩效。

(1)偿债能力是指偿还债务的能力，包括短期债务和长期债务。可以用流动比率反映短期偿债能力，用资产负债率，利息保障倍数反映长期偿债能力。

(2)营运能力指公司赢得利润的能力，运营能力当然与公司的资产周转效率、周转速度、应收账款的变现效率以及存货质量流动性等指标息息相关，所以这里我们选取了总资产周转率、应收账款周转率和存货周转率来反映企业的营运能力。

(3)盈利能力指标反映的是企业获取利润的能力。选取每股收益作为衡量指标。每股收益反映了普通股的获利水平及投资风险。销售净利率的高低，反映企业经营者能否创造足够的营业收入和能否控制好成本费用，该数值的高低反映企业的盈利能力。

(4)企业的发展能力反映企业自身的发展潜能，这里选取总资产增长率指标。

(5)现金流量。每股经营现金流是最具实质的财务指标。根据上述绩效指标，本文选取了汽车制造行业29个在沪深上市公司的相关数据，