论文题目：基于BP神经网络模型的财务风险评估与预警方法研究 ——以电子信息制造业为例
摘要：计算机、通信和其他电子设备制造业（以下简称电子信息制造业）是我国高新技术领域的重要产业。经过多年的发展,我国电子信息产业内生力显著增强,增长态势稳定,一批具有国际竞争力的电子信息制造企业应运而生。随着企业间竞争的愈演愈烈,电子信息制造业也面临着巨大的风险。为了缓解这种状况,有必要对企业的财务状况进行预警。如果能够建立一个有效的电子信息制造行业的财务风险预警机制,企业就可以提前知道未来的财务风险等级,为此就可以对相应的风险等级采取对应的财务风险管理措施,大大减少企业破产的可能性。因此,建立电子信息制造业财务风险预警模型迫在眉睫。本文以电子信息制造业为研究对象,采用文献研究和实证研究的方法,首先对样本数据和财务预警指标进行了选取,然后通过财务指标和非财务指标的初选和筛选,进行了指标体系的构建,对企业面临的财务风险进行了评估并建立了财务风险的预警模型。本文选取熵值法和改进的功效系数法对样本企业的财务风险水平进行划分,然后利用BP神经网络模型建立适合我国电子信息制造业的财务风险预警模型。本文共分为五章:第一章为绪论。首先,阐述了本文的研究背景,论述了构建电子信息制造业财务风险预警模型的理论意义和实践意义;接着梳理了几十年来国内外前人们曾经使用过的财务数据预警模型,从单变量判别模型到智能财务风险预警模型的发展过程,通过对比多个模型的优缺点,确定了本文最终的主要预测模型;然后说明了本文进行财务风险预警的研究方法和研究思路;最后,阐述了本文的主要创新点和不足之处。第二章是财务风险理论和财务风险预警理论的概述。主要介绍了财务风险的定义、特点和财务风险因子;财务风险评价定义,财务风险预警的定义、功能和方法,并对单变量预警模型、多变量预警模型和智能财务预警模型进行了优缺点的对比分析;接着对本文使用的主要模型熵值法、改进的功效系数法和BP神经网络进行了理论概述;最后介绍了评价模型性能的指标。第三章是样本数据的选取和指标体系的构建。介绍了本文研究数据的数据来源以及指标的选取,选取了电子信息制造业上市公司2017-2020年的数据,初步选取了 22个财务指标,以及根据研究行业的特点和上市公司的特征选取了6个非财务指标;最后根据数据的缺失和指标的缺失情况留下了 25个指标,每年368条的数据。第四章是基于BP神经网络的财务风险预警模型的构建与应用。首先基于熵值法对2017-2020年每年的企业数据进行权重计算,然后利用相关性分析对存在重复信息的指标进行二次剔除,接着根据每年的指标评价标准值,利用改进的功效系数法确定每年每个企业的财务风险评分,最后,根据国务院发布的《中央企业综合绩效评价实施细则》,将财务风险进行分级处理,分别为:无风险、轻度风险、中度风险、较大风险和重大风险五个等级;本文预计用T-1年的数据预测T年的风险等级,以达到一定的预测效果。但是考虑到无风险类别的数据严重缺少,最终考虑将该类别进行剔除,最后将数据代入到构建的15-41-41-4四层的BP神经网络模型,得到的整体准确率为84.40%,AUC值为0.891,说明可以对模型进行一定程度的预测及预警。第五章为结论与建议。对实验研究的结果进行了总结,主要得出以下三点结论:一是改进的功效系数法可有效评估电子信息制造业的财务风险程度;二是BP神经网络模型可有效进行电子信息制造业的财务风险预警;三是在进行风险预警时应重点关注非财务指标中的诉讼次数和违规处罚次数。也针对本文的不足之处提出了展望,为他人的研究做好铺垫,希望在今后的研究中能够积极改进。通过对比前人的文献研究和本文的实例论证总结了两个方面的创新之处:第一,考虑到行业、政策、环境等外界因素的干扰,最终确定了电子信息制造业为研究对象,这样更加细致的研究对象分类对于预警结果也更加具有针对性;第二,考虑到二分类的时效性以及无法解释企业财务状况逐渐变差的事实,本文划分了五个风险类别并做出风险预测。
关键词：财务风险;财务风险预警;功效系数法;BP神经网络
学科专业：应用统计（专业学位）
摘要
ABSTARCT
1 绪论
1.1 选题背景和选题意义
1.1.1 选题背景
1.1.2 选题意义
1.2 文献综述
1.2.1 国外文献综述
1.2.2 国内文献综述
1.2.3 文献述评
1.3 研究内容、研究方法和研究思路
1.3.1 研究内容
1.3.2 研究方法
1.3.3 研究思路
1.4 创新与不足
1.4.1 创新点
1.4.2 不足点
2 企业财务风险评估与财务风险预警理论介绍
2.1 财务风险理论概述
2.1.1 财务风险定义
2.1.2 财务风险特点
2.1.3 财务风险因子
2.2 财务风险评价与预警理论概述
2.2.1 财务风险评价与预警定义
2.2.2 财务风险预警功能
2.2.3 财务风险预警方法
2.3 主要模型理论概述
2.3.1 熵值法
2.3.2 改进的功效系数法
2.3.3 BP神经网络
2.4 模型效果评估指标
3 样本数据选取及指标体系构建
3.1 样本数据的选取
3.2 财务预警指标的初选
3.2.1 指标选取原则
3.2.2 财务指标选取
3.2.3 非财务指标选取
3.3 财务预警指标的筛选
4 基于BP神经网络的财务风险预警模型构建及应用
4.1 基于熵值法和功效系数法的财务风险程度评估
4.1.1 熵值法计算权重
4.1.2 相关性分析
4.1.3 功效系数法结果
4.2 基于BP神经网络模型的财务风险预警模型构建
4.2.1 BP神经网络模型的设计
4.2.2 划分训练集与测试集
4.2.3 预警模型训练及结果分析
4.3 本章小结
5 结论与建议
5.1 主要结论
5.2 应用建议
参考文献