【摘 要】 為實(shí)現(xiàn)高校財(cái)務(wù)風(fēng)險(xiǎn)的實(shí)時(shí)監(jiān)測及預(yù)警，文章在遵循全面性、科學(xué)性、可操作性等原則的基礎(chǔ)上，建立了高校財(cái)務(wù)風(fēng)險(xiǎn)識別指標(biāo)體系，并采用RBF神經(jīng)網(wǎng)絡(luò)構(gòu)建了高校財(cái)務(wù)風(fēng)險(xiǎn)識別模型，最后用實(shí)例驗(yàn)證了該模型用于高校財(cái)務(wù)風(fēng)險(xiǎn)識別的可行性。

【關(guān)鍵詞】 RBF神經(jīng)網(wǎng)絡(luò)； 高校； 財(cái)務(wù)風(fēng)險(xiǎn)識別

一、引言

近年來，我國高等教育事業(yè)快速發(fā)展，從1998年到2010年我國高校招生幅度顯著增長：到2010年，我國普通高校招生657萬人，是1998年的6倍，高等教育毛入學(xué)率達(dá)24.2%，在校生由不到700萬人上升到2 979萬人，居世界第一位。隨著我國教育體制改革的不斷深化，高校辦學(xué)自主權(quán)不斷擴(kuò)大，教育投入與教育需求之間的矛盾日益增長，許多高校選擇了銀校合作之路，這使得高校面臨著巨大的財(cái)務(wù)風(fēng)險(xiǎn)，而高校財(cái)務(wù)風(fēng)險(xiǎn)識別問題也愈來愈受到社會各界的關(guān)注。

一直以來，大多數(shù)高校財(cái)務(wù)風(fēng)險(xiǎn)識別主要依靠管理人員的經(jīng)驗(yàn)判斷，這種方法主觀性強(qiáng)，準(zhǔn)確性因人而異，且不容易發(fā)現(xiàn)潛在的財(cái)務(wù)風(fēng)險(xiǎn)問題，在推廣使用、識別結(jié)果公開化方面也遇到瓶頸。因此，研究一套高校財(cái)務(wù)風(fēng)險(xiǎn)識別模型是必要的。目前，國內(nèi)外學(xué)者在財(cái)務(wù)風(fēng)險(xiǎn)識別方面建立的模型主要有單變量模型、多元線性判別分析、邏輯回歸模型和人工神經(jīng)網(wǎng)絡(luò)模型四種，其中，人工神經(jīng)網(wǎng)絡(luò)模型因其對樣本沒有假設(shè)要求、模型具有很強(qiáng)的容錯能力、學(xué)習(xí)能力和糾錯能力而成為研究的熱點(diǎn)，尤其是在上市公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警領(lǐng)域得到較大的進(jìn)展。但是，對于高校財(cái)務(wù)風(fēng)險(xiǎn)識別的研究還處于起步階段。因此，本研究試圖從高校的特點(diǎn)出發(fā)，建立一套高校財(cái)務(wù)風(fēng)險(xiǎn)識別的指標(biāo)體系，并以RBF神經(jīng)網(wǎng)絡(luò)方法為基礎(chǔ)構(gòu)建高校財(cái)務(wù)風(fēng)險(xiǎn)識別模型，以達(dá)到高校財(cái)務(wù)風(fēng)險(xiǎn)的實(shí)時(shí)監(jiān)測及預(yù)警的目的。

二、高校財(cái)務(wù)風(fēng)險(xiǎn)識別指標(biāo)體系構(gòu)建

構(gòu)建與高校財(cái)務(wù)風(fēng)險(xiǎn)狀況相符的指標(biāo)體系是建立高校財(cái)務(wù)風(fēng)險(xiǎn)識別模型的基礎(chǔ)和關(guān)鍵。從財(cái)務(wù)風(fēng)險(xiǎn)的概念和內(nèi)涵來看，財(cái)務(wù)風(fēng)險(xiǎn)是指在財(cái)務(wù)活動的各個(gè)環(huán)節(jié)中，由于各種難以或無法預(yù)料的因素，而使得組織的實(shí)際財(cái)務(wù)收益和預(yù)測財(cái)務(wù)收益發(fā)生背離，從而使組織有蒙受經(jīng)濟(jì)損失的機(jī)會或者可能性。由此可見，財(cái)務(wù)風(fēng)險(xiǎn)具有客觀必然性、綜合性、復(fù)雜性和不確定性的特征。為了保證指標(biāo)體系能科學(xué)、客觀、有效地反映高校財(cái)務(wù)風(fēng)險(xiǎn)，本研究在構(gòu)建高校財(cái)務(wù)風(fēng)險(xiǎn)識別指標(biāo)體系時(shí)嚴(yán)格遵循全面性、科學(xué)性、可操作性的原則。本研究選擇了廣東省教育廳直屬的6所高校進(jìn)行實(shí)地調(diào)研，對比分析各高校的財(cái)務(wù)現(xiàn)狀，并借鑒現(xiàn)有的高校財(cái)務(wù)風(fēng)險(xiǎn)識別研究成果，從償債能力、營運(yùn)能力、收益能力、發(fā)展?jié)摿?個(gè)方面選取了18項(xiàng)具有共同特征的指標(biāo)來建立高校財(cái)務(wù)風(fēng)險(xiǎn)識別指標(biāo)體系，具體的二級指標(biāo)如表1所示。

三、RBF神經(jīng)網(wǎng)絡(luò)

針對高校財(cái)務(wù)風(fēng)險(xiǎn)的客觀存在性、綜合性、復(fù)雜性及不確定性特征，本研究選取人工神經(jīng)網(wǎng)絡(luò)這種非線性、自適應(yīng)信息處理系統(tǒng)來構(gòu)建財(cái)務(wù)風(fēng)險(xiǎn)識別模型。其工作原理是根據(jù)所提供的數(shù)據(jù)，通過學(xué)習(xí)和訓(xùn)練，找出輸入與輸出之間的內(nèi)在聯(lián)系，從而求取問題的解。

徑向基（Radical Basis Function，簡稱RBF）神經(jīng)網(wǎng)絡(luò)是一種性能良好的前向神經(jīng)網(wǎng)絡(luò)，與其他網(wǎng)絡(luò)相比，它具有以下優(yōu)點(diǎn)：第一，目前已經(jīng)證明，RBF神經(jīng)網(wǎng)絡(luò)能夠以任意精度逼近任意連續(xù)函數(shù)，且不存在局部最小問題；第二，RBF神經(jīng)網(wǎng)絡(luò)具有結(jié)構(gòu)自適應(yīng)確定、輸出與初始權(quán)值無關(guān)的優(yōu)良特性；第三，RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練速度快；第四，RBF神經(jīng)網(wǎng)絡(luò)具有良好的容錯性能和泛化能力。因此，本研究選取RBF神經(jīng)網(wǎng)絡(luò)作為識別方法。

RBF神經(jīng)網(wǎng)絡(luò)的典型結(jié)構(gòu)如圖1所示，它包括輸入層、隱含層和輸出層，各層又由若干個(gè)神經(jīng)元（節(jié)點(diǎn)）構(gòu)成，隱含層的神經(jīng)元數(shù)目由具體問題的情況而定。每一個(gè)神經(jīng)元的輸出值由輸入值、隱含層中的激勵函數(shù)和閾值決定。隱含層的激勵函數(shù)有多種形式，通常取高斯函數(shù)。

四、高校財(cái)務(wù)風(fēng)險(xiǎn)識別及分析

本研究采集廣東省教育廳直屬的6所高校2009

—2011年的財(cái)務(wù)報(bào)表數(shù)據(jù)作為原始資料，以表1的高校財(cái)務(wù)風(fēng)險(xiǎn)識別指標(biāo)體系作為分析對象，共獲得18組數(shù)據(jù)。

在選取的18個(gè)相對財(cái)務(wù)指標(biāo)中，有8個(gè)正向指標(biāo)（現(xiàn)實(shí)支付能力、潛在支付能力、資產(chǎn)收入比率、凈資產(chǎn)收入比率、職工人均貢獻(xiàn)能力、生均非財(cái)政貢獻(xiàn)、事業(yè)基金可用率、項(xiàng)目支出占總支出比率）、1個(gè)逆向指標(biāo)（收入負(fù)債比率）、9個(gè)適度指標(biāo)（資產(chǎn)負(fù)債率、流動比率、經(jīng)費(fèi)自給率、生均收支比率、公用支出比率、固定資產(chǎn)增長率、自籌收入能力比率、資產(chǎn)權(quán)益率、銀行存款保障率）。本研究首先采用式（1）對逆向指標(biāo)正向化處理；其次，對適度指標(biāo)按照對應(yīng)合理的指標(biāo)區(qū)間進(jìn)行正向化處理；最后，為了避免量綱影響，對數(shù)據(jù)進(jìn)行歸一化處理，歸一化處理的方法見式（2）。

RBF神經(jīng)網(wǎng)絡(luò)的輸出層定義了一個(gè)節(jié)點(diǎn)，數(shù)值1、2、3分別對應(yīng)正常、關(guān)注和預(yù)警三個(gè)風(fēng)險(xiǎn)等級，數(shù)值越大說明風(fēng)險(xiǎn)越高。在歸一化處理后的樣本集中，隨機(jī)選取第1—15組作為訓(xùn)練樣本，用來對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；第16—18組作為測試樣本，用來檢驗(yàn)網(wǎng)絡(luò)。歸一化后的樣本集數(shù)據(jù)如表2所示。

本研究采用MATLAB軟件實(shí)現(xiàn)RBF神經(jīng)網(wǎng)絡(luò)，經(jīng)過反復(fù)訓(xùn)練對比，確定最佳隱含層節(jié)點(diǎn)數(shù)為10。設(shè)定訓(xùn)練誤差目標(biāo)為0.01，對神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，經(jīng)過10次訓(xùn)練，總誤差小于給定值。RBF的擴(kuò)展速度SPREAD越大，函數(shù)的擬合就越平滑，但是過大的SPREAD意味著需要非常多的神經(jīng)元以適應(yīng)函數(shù)的快速變化。因此，本研究采取多次測試法，當(dāng)SPREAD=1.5時(shí)，擬和效果最佳。得到的RBF神經(jīng)網(wǎng)絡(luò)的識別結(jié)果及相對誤差如表3所示。

從表3可以看出隨機(jī)抽取的樣本數(shù)據(jù)的財(cái)務(wù)風(fēng)險(xiǎn)分類結(jié)果，從而判斷出財(cái)務(wù)風(fēng)險(xiǎn)的高低：第16組為正常風(fēng)險(xiǎn)等級，第17組為關(guān)注風(fēng)險(xiǎn)等級，第18組為預(yù)警風(fēng)險(xiǎn)等級。其中最大識別誤差為25%，平均識別誤差為12%，識別結(jié)果與專家評定結(jié)果一致。

五、結(jié)語

本文在建立高校財(cái)務(wù)風(fēng)險(xiǎn)識別指標(biāo)體系的基礎(chǔ)上，采用RBF神經(jīng)網(wǎng)絡(luò)構(gòu)建了高校財(cái)務(wù)風(fēng)險(xiǎn)識別模型，并對廣東省教育廳直屬6所高校2009 —2011年的財(cái)務(wù)風(fēng)險(xiǎn)狀況進(jìn)行了識別，識別結(jié)果與專家評定結(jié)果一致，平均識別誤差為12%。

此外，研究結(jié)果顯示：作為測試集的第16、17、18組數(shù)據(jù)分別屬于3所不同高校的不同年份，其中第16組數(shù)據(jù)為所屬F校2011年的財(cái)務(wù)風(fēng)險(xiǎn)狀況；第17組數(shù)據(jù)為所屬B校2010年的財(cái)務(wù)風(fēng)險(xiǎn)狀況；第18組數(shù)據(jù)為所屬E校2009年的財(cái)務(wù)風(fēng)險(xiǎn)狀況。即F校的財(cái)務(wù)風(fēng)險(xiǎn)狀況由報(bào)警狀態(tài)逐漸向正常狀態(tài)過渡；B校的財(cái)務(wù)風(fēng)險(xiǎn)狀況由正常狀態(tài)向關(guān)注狀態(tài)過渡；E校的財(cái)務(wù)風(fēng)險(xiǎn)狀況一直處于報(bào)警狀態(tài)?；诖耍ㄗhB校管理者充分關(guān)注學(xué)校的收益能力及發(fā)展?jié)摿?，尤其是?cái)務(wù)風(fēng)險(xiǎn)識別指標(biāo)體系中的生均非財(cái)政貢獻(xiàn)（X14）、銀行存款保障率（X17），不斷提高學(xué)校自籌收入，減少負(fù)債，逐步降低學(xué)校的財(cái)務(wù)風(fēng)險(xiǎn)；建議E校管理者高度重視學(xué)校的償債能力和收益能力情況，尤其是財(cái)務(wù)風(fēng)險(xiǎn)識別指標(biāo)體系中的收入負(fù)債比率（X5）、資產(chǎn)收入比率（X11）、凈資產(chǎn)收入比率（X12）。只有解決了債務(wù)問題，才能擺脫目前的財(cái)務(wù)風(fēng)險(xiǎn)狀況。

總體而言，本文建立的高校財(cái)務(wù)風(fēng)險(xiǎn)模型克服了管理人員經(jīng)驗(yàn)評價(jià)所帶來的主觀因素及隨機(jī)性的影響，保證了識別結(jié)果的客觀性、準(zhǔn)確性、實(shí)時(shí)性，為實(shí)現(xiàn)高校財(cái)務(wù)風(fēng)險(xiǎn)的實(shí)時(shí)監(jiān)測及預(yù)警提供了新的思路。

【參考文獻(xiàn)】

[1] 國家統(tǒng)計(jì)局.中國統(tǒng)計(jì)年鑒2011[M].北京：中國統(tǒng)計(jì)出版社，2011.

[2] 王艷玲，王漢保.上市公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型研究的文獻(xiàn)綜述[J].中國集體經(jīng)濟(jì)，2011（24）：72-73.

[3] 孫曉然，徐思云，楊偉靜.基于RBF神經(jīng)網(wǎng)絡(luò)的上市公司系統(tǒng)風(fēng)險(xiǎn)評價(jià)研究[J].會計(jì)之友，2009（8）：109-110.

[4] 劉磊，郭巖.基于RBF神經(jīng)網(wǎng)絡(luò)的物流企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警評價(jià)[J].財(cái)會月刊，2012（3）下：59-61.

[5] Whitaker，R.B. The early Stages of Financial Distress. Journal of Economics and Finance.1995（2）：23-33.

[6] 劉小嫻.高校財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警指標(biāo)體系構(gòu)建[J].財(cái)會月刊，2010（3）中：67-68.

[7] 董軍.普通高校財(cái)務(wù)風(fēng)險(xiǎn)的評價(jià)和控制研究[D].山東師范大學(xué)，2009.

[8] 吳洪俠.基于神經(jīng)網(wǎng)絡(luò)模型的供水供氣上市公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警研究[D].燕山大學(xué)，2010.

[9] 飛思科技產(chǎn)品研發(fā)中心.神經(jīng)網(wǎng)絡(luò)理論與MATLAB7實(shí)現(xiàn)[M].北京：電子工業(yè)出版社，2006.