張恒

基于PCA-BP神經(jīng)網(wǎng)絡(luò)算法的企業(yè)資產(chǎn)預(yù)測與分析

張恒

（安徽信息工程學(xué)院 通識教育與外國語學(xué)院，安徽 蕪湖 241199）

采用主成分分析法，對2010—2019年我國規(guī)模以上工業(yè)企業(yè)資產(chǎn)總額以及相關(guān)數(shù)據(jù)進(jìn)行分析，得出我國規(guī)模以上工業(yè)企業(yè)自2010年以后總資產(chǎn)及其他指標(biāo)發(fā)展?fàn)顩r．將2010—2018年資產(chǎn)總額的時(shí)間序列數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，建立神經(jīng)網(wǎng)絡(luò)預(yù)測模型，利用BP神經(jīng)網(wǎng)絡(luò)分析方法對2019年資產(chǎn)總額進(jìn)行預(yù)測，最終得到較為準(zhǔn)確的估計(jì)結(jié)果，為我國規(guī)模以上工業(yè)企業(yè)資產(chǎn)總額預(yù)測提供了合理化、科學(xué)化理論支持．

規(guī)模以上工業(yè)企業(yè)；資產(chǎn)總額；主成分分析；BP神經(jīng)網(wǎng)絡(luò)

工業(yè)企業(yè)發(fā)展一直是社會關(guān)注的焦點(diǎn)[1]，也是反映中國經(jīng)濟(jì)發(fā)展的重要指標(biāo)，其相關(guān)數(shù)據(jù)也是我國統(tǒng)計(jì)年鑒中的重要組成部分．國家統(tǒng)計(jì)局定期發(fā)布我國規(guī)模以上工業(yè)企業(yè)主要經(jīng)濟(jì)指標(biāo)數(shù)據(jù)，并在《中國經(jīng)濟(jì)景氣月報(bào)》中有所體現(xiàn)，足以說明其重要性．我國規(guī)模以上工業(yè)企業(yè)的資產(chǎn)運(yùn)營情況在一定程度上主導(dǎo)國家經(jīng)濟(jì)走勢，因此分析并預(yù)測我國規(guī)模以上工業(yè)企業(yè)資產(chǎn)成為學(xué)者研究的熱點(diǎn)．

2010年以來，我國經(jīng)濟(jì)取得飛速發(fā)展，逐步擺脫2009年世界經(jīng)濟(jì)危機(jī)的影響[2]．單純從《中國統(tǒng)計(jì)年鑒》的數(shù)據(jù)來看，我國規(guī)模以上工業(yè)企業(yè)的資產(chǎn)整體上呈現(xiàn)逐年遞增趨勢，但每項(xiàng)指標(biāo)對于工業(yè)企業(yè)資產(chǎn)運(yùn)營情況的影響不盡相同，因此本文選取了影響企業(yè)資產(chǎn)的８個(gè)重要指標(biāo)，基于主成分分析的神經(jīng)網(wǎng)絡(luò)資產(chǎn)預(yù)測方法（PCA-BPNN），對包含各種因素的輸出變量進(jìn)行篩選，提取有效且具有代表性的因子，減少了最終BP神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)，節(jié)省了預(yù)測時(shí)間，也提升了預(yù)測精度[3-4]．

1　模型分析方法

1.1　主成分分析基本原理

1.2　BP神經(jīng)網(wǎng)絡(luò)預(yù)測

神經(jīng)網(wǎng)絡(luò)是借鑒人腦的結(jié)構(gòu)和特點(diǎn)，通過神經(jīng)元或節(jié)點(diǎn)互連組成的大規(guī)模并行分布式信息處理和非線性動(dòng)力學(xué)系統(tǒng)[7]，是一種類似于大腦神經(jīng)連接的結(jié)構(gòu)進(jìn)行信息處理的數(shù)學(xué)模型，其有著巨量并行性、結(jié)構(gòu)可變性、高度非線性、自學(xué)習(xí)性和自組織性等突出優(yōu)點(diǎn)．BP神經(jīng)網(wǎng)絡(luò)在當(dāng)今國民經(jīng)濟(jì)與國防建設(shè)中有著廣泛的應(yīng)用，三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)見圖1．

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

2　數(shù)據(jù)的處理與分析

2.1　主成分分析

主成分分析主要思想是進(jìn)行降維分析[8]．本文選取了2010—2019年我國規(guī)模以上工業(yè)企業(yè)相關(guān)數(shù)據(jù)，包括企業(yè)單位數(shù)、資產(chǎn)總計(jì)、負(fù)債合計(jì)、主營業(yè)務(wù)收入、主營業(yè)務(wù)成本、利潤總額、虧損總額和存貨等8個(gè)指標(biāo)，通過SPSS共線性分析發(fā)現(xiàn)各個(gè)變量間存在相關(guān)性，因此有必要進(jìn)行主成分分析，以消除數(shù)據(jù)間的多重共線性，同時(shí)剔除一些代表性差的變量．

利用SPSS22.0對數(shù)據(jù)進(jìn)行KMO和巴特利特球形檢驗(yàn)，結(jié)果見表1．

表1 KMO和巴特利特球形檢驗(yàn)

進(jìn)行主成分分析，總方差解釋結(jié)果見表2．

表2 總方差解釋

圖2 碎石圖

旋轉(zhuǎn)后的成分矩陣見表3．

表3 旋轉(zhuǎn)后的成分矩陣

主成分1主要反映了資產(chǎn)總計(jì)、負(fù)債合計(jì)、主營業(yè)收入、主營業(yè)務(wù)成本、利潤總額、虧損總額和存貨

的基本信息，主成分2主要反映了企業(yè)單位數(shù)的信息．為了分析更加精確，將主成分1定義為工業(yè)企業(yè)資金運(yùn)營因子，將主成分2定義為相關(guān)工業(yè)企業(yè)次率變化因子．

計(jì)算因子得分，結(jié)果見表4．

表4 因子得分

將資金運(yùn)營因子得分與次率變化因子得分分別與對應(yīng)的方差貢獻(xiàn)率相乘求和后除以累計(jì)方差貢獻(xiàn)率，得到最終的因子得分，具體計(jì)算公式為

利用式（2）計(jì)算得到綜合得分（見表5）．

表5綜合得分

由表5可以看出，2010—2013年綜合因子得分為負(fù)值，2014—2019年為正值．2013年前資產(chǎn)運(yùn)營得分為負(fù)值，呈現(xiàn)逐步增長的趨勢，2013后得分趨于正值，2011—2017年資產(chǎn)運(yùn)營得分增長速度較為均勻，2018—2019年因子得分為負(fù)增長．從得分變化來看，2011年我國規(guī)模以上工業(yè)企業(yè)資產(chǎn)運(yùn)營得分增長幅度最大，2012年后呈現(xiàn)波動(dòng)趨勢，2018—2019年為負(fù)增長，增幅逐漸減慢．從整體分析上來看，我國規(guī)模以上工業(yè)企業(yè)資產(chǎn)運(yùn)營相關(guān)情況反映了當(dāng)期國家經(jīng)濟(jì)水平，此數(shù)據(jù)基本符合實(shí)際發(fā)展現(xiàn)狀，在經(jīng)歷2008年汶川地震以及2009年世界經(jīng)融危機(jī)的影響后，政府迅速出臺相關(guān)政策維護(hù)工業(yè)企業(yè)發(fā)展，特別是規(guī)模以上工業(yè)企業(yè)，使經(jīng)濟(jì)在2010年后迅速恢復(fù)，此后經(jīng)濟(jì)持續(xù)發(fā)展，但2017年后增速放緩．

2.2　神經(jīng)網(wǎng)絡(luò)模擬預(yù)測

主成分分析消除了各個(gè)自變量之間的多重共線性，根據(jù)主成分分析得到的結(jié)果，得出2個(gè)主成分并將其作為神經(jīng)網(wǎng)絡(luò)[9]的輸入，神經(jīng)網(wǎng)絡(luò)的輸出（模型的預(yù)測值）為下一年資產(chǎn)總額．模型采用五層神經(jīng)網(wǎng)絡(luò)，即1個(gè)輸入層、3個(gè)隱含層和1個(gè)輸出層[10]．模型數(shù)據(jù)分為２部分，2010—2018年的數(shù)據(jù)作為訓(xùn)練集，2019年的數(shù)據(jù)作為測試集，將最終預(yù)測的資產(chǎn)總額與實(shí)際真值進(jìn)行對比，具體結(jié)果見表6．

表6 資產(chǎn)總額預(yù)測值與真值對比結(jié)果

3　結(jié)語

對我國規(guī)模以上工業(yè)企業(yè)資產(chǎn)運(yùn)營環(huán)節(jié)進(jìn)行主成分分析時(shí)可以發(fā)現(xiàn)，2010—2019年資產(chǎn)總額呈現(xiàn)逐步上升的趨勢．基于PCA-BP神經(jīng)網(wǎng)絡(luò)模型將輸入變量減少到2個(gè)，顯著降低了輸入變量的數(shù)量，提高了預(yù)測速度．從預(yù)測效果上來看，整體相對誤差小于0.1，除2010年和2012年以外，其余年份資產(chǎn)總額預(yù)測值與實(shí)際值的相對誤差小于0.01，2016年資產(chǎn)總額實(shí)際值為1 085 865.94，此模型預(yù)測值為1 086 126.98，相對誤差僅為0.000 240 398（小于0.000 5）．總體來看，預(yù)測結(jié)果與實(shí)際值基本保持一致，因此可以認(rèn)為，PCA-BPNN模型預(yù)測我國規(guī)模以上工業(yè)企業(yè)資產(chǎn)總額走勢是相對可靠的，相對誤差較小，而且對于數(shù)據(jù)的保存和計(jì)算提供了較為準(zhǔn)確的擬合性．

雖然本文針對我國規(guī)模以上工業(yè)企業(yè)的資產(chǎn)相關(guān)數(shù)據(jù)進(jìn)行PCA-BP神經(jīng)網(wǎng)絡(luò)分析得到了精確的結(jié)果，但是是否具有偶然性還是需要進(jìn)一步驗(yàn)證．

[1] 周宏山，吳詣民．中國通貨膨脹、通貨膨脹波動(dòng)與產(chǎn)出增長：基于MGARCH模型分析[J]．統(tǒng)計(jì)與信息論壇，2008（12）：53-58．

[2] 劉軍．工業(yè)企業(yè)固定資產(chǎn)投資項(xiàng)目財(cái)務(wù)評價(jià)指標(biāo)體系初探[J]．今日財(cái)富，2021（10）：139-140．

[3] 徐剛，王磊，金洪偉，等．因子分析法與BP神經(jīng)網(wǎng)絡(luò)耦合模型對回采工作面瓦斯涌出量預(yù)測[J]．西安科技大學(xué)學(xué)報(bào)，2019（6）：965-971．

[4] 陳輝，周圓圓．基于PCA-BP神經(jīng)網(wǎng)絡(luò)的設(shè)備故障預(yù)測研究[J]．物流工程與管理，2021（6）：150-153．

[5] 胡書文，徐建武．主成分分析和因子分析在中國股票評價(jià)體系中的應(yīng)用[J]．重慶理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2017（5）：192-202．

[6] 林卉，李楠，黃伯當(dāng)，等．基于主成分分析的南流江水質(zhì)評價(jià)[J]．廣東化工，2020（4）：144-146，148．

[7] 王春娟，馮利華，羅偉．基于主成分分析的BP神經(jīng)網(wǎng)絡(luò)對南京市水資源需求量預(yù)測[J]．水資源與水工程學(xué)報(bào)，2012（6）：6-9．

[8] 王春萍．基于BP的顧客價(jià)值預(yù)測模型研究[J]．社會科學(xué)輯刊，2013（5）：112-116．

[9] 顏佳華，寧國良，盛明科．基于BP神經(jīng)網(wǎng)絡(luò)的電子政務(wù)績效評價(jià)研究[J]．中國管理科學(xué)，2005（6）：125-130．

[10] 劉合兵，韓晶晶，席磊．小波變換：BP神經(jīng)網(wǎng)絡(luò)的農(nóng)產(chǎn)品價(jià)格預(yù)測研究[J]．中國農(nóng)業(yè)信息，2019（6）：85-92．

Prediction and analysis of enterprise assets based on PCA-BP neural network algorithm

Zhang Heng

（School of General Education and Foreign Languages，Anhui Institute of Information Engineering，Wuhu 241199，China）

Using the principal component analysis method，the total assets and relevant data of Chinese industrial enterprises above designated size from 2010 to 2019 were analyzed，and the development status of total assets and other indicators of Chinese industrial enterprises above designated size since 2010 was obtained．Taking the time series data of total assets from 2010 to 2018 as the training data，the neural network prediction model is established， and the BP neural network analysis method is used to predict the total assets in 2019，a more accurate estimation result was obtained，which provides a reasonable and scientific theoretical support for the prediction of total assets of industrial enterprises above designated size in China.

industrial enterprises above designated size；total asset；principal component analysis；BP neural network

1007-9831（2022）04-0030-05

O213∶F42

A

10.3969/j.issn.1007-9831.2022.04.006

2021-11-24

安徽省教學(xué)研究重點(diǎn)項(xiàng)目（2019jxtd144）；安徽省高?？茖W(xué)研究重點(diǎn)項(xiàng)目（kj2019A1299）

張恒（1993-），男，安徽安慶人，助教，碩士，從事應(yīng)用概率統(tǒng)計(jì)研究．E-mail：562257523@qq.com