基于ＡＮＮ理论的企业现金流预测模型构建

　　内容摘要：本文分析了预测现金流对于运营的重要性，并在对现金流量预测的传统方法分析基础上，提出了神经预测法的适用性。由此建立了神经网络的现金流预测模型，并进行了实证分析。
　　关键词：神经网络 BP算法 现金流 预测
　　
　　近年来，国内外一系列公司破产事件让人们发现一个事实：公司能否持续经营下去并不在于资产规模的大小，不在于账面上利润的高低，而在于是否有足够的现金流支撑维系下去。从史玉柱巨人大厦的倒闭到安然“不沉的航母”的神话破灭，无数惨痛的教训使人们终于深刻体验到“现金为王”的道理。流动性相对一个公司的重要性甚至超过了盈利能力。
　　决策者如果能对企业未来的现金流量作出较为准确的预测，则有重大而深远的意义：企业经营管理层可以对本企业未来经营业绩作出完整客观的综合评价，了解企业的潜力和实力，尤其是企业资产管理能力、变现能力、盈利能力等方面是否存在问题、与水平相比是否有所改善等情况；企业进行并购决策时，只有对现金流进行准确的预测，才能通过自由现金流量法，对被并购的企业准确估价，为企业的并购决策提供依据；决策者可以尽早对预计流动资金的缺口的解决方案进行安排，或者从往年的利润中全部提取或部分提取，或者提前联系银行及其他投资机构来争取贷款或他方的投资，实现自有资金与债务的最优资本结构，既降低财务风险又充分利用较低的资金成本，取得最佳的效益。
　　
　　预测现金流的方法概述
　　
　　目前已有的测算方法主要有：趋势分析法、销售收入资金率法及资金习性法。但是趋势分析法应用的前提是假定企业发展变化的趋势已定。销售收入资金率法的局限性主要是假设资产、负债、收入、成本与销售额成正比例，资金习性法的缺陷在于根据资金数量与产销量关系的测算资金需要量时建立的数学模型为线性关系。在市场经济条件下，这些模型通常不符合实际情况，由于存在规模经济现象和批量购销等问题，现金流与各影响因素之间的关系十分复杂，因此存在难用线性函数来定量分析的局限性。
　　神经网络(Artificial Neural Network，简称ANN)是运用样本学习，在输入和输出结点建立非线形映射关系，它通过各种输入信息做出反应而完成信息处理并具有自学习、自组织、自适应和非线性动态处理等特性。所以具有以往方法一些不曾具有的独特优点，如具有很强的非线性映射能力，具有较强的自学习能力，系统可以在学习的过程中不断的更新和完善知识；神经网络可以以分布式方式存储信息，所以容错能力强，网络中少量单元的局部缺损不会造成网络的瘫痪，影响全局，反映了神经网络的鲁棒性；具有大规模的集体运算的能力。
　　
　　神经网络BP算法模型分析
　　
　　本文采用神经网络中的ＢＰ算法 (Back-propagation Learning Algorithm，简称BP算法)，是目前人工神经网络中最完善并且应用最为广泛的一种网络。
　　
　　其中η为学习率，是控制算法收敛速度的参数。在第一阶段得到的总误差平方和又在第二阶段被一层一层地反向传播回去，从输出单元到输入单元，权值的调整决定于传播过程中的每一步。如果，E≤ε（给定的收敛值）则结束，否则重新迭代。
　　
　　神经在现金流预测中的应用
　　
　　预测现金流量的指标体系设计
　　基于简明性、性、数据易得性原则的基础上，将不同角度影响某现金流的指标按隶属关系、层次原则有序的组成集合。对影响现金流的因素加以系统分析和合理综合，提出三层次综合评价指标体系：整个指标体系结构如图1所示。
　　本文构建的指标体系中，某企业预测现金流量指标（O）是由企业资产管理能力指标（O₁）、企业变现能力指标（O₂）、企业盈利能力指标（O₃）三方面决定， 即有：O=fo(O₁，O₂，O₃)其中，设f_i(i=0，1，2，3)分别表示企业现金流、企业资产管理能力、企业变现能力、企业盈利能力的预测函数，而这三个中间层指标又各自分别通过最能反映该方面状况的细化基础层指标进行测定。例如，对于O₁它可以通过U1：流动资产周转率；U₂：总资产周转率；U₃：应收账款周转率；U₄：存货占总资产比率4个具体的基础层指标来衡量，即有：O₁=f₁{U₁：流动资产周转率；U₂：总资产周转率；U₃：应收账款周转率；U₄：存货占总资产比率}。同理，对于O₂、O₃可以分别通过指标集中的具体指标决定：
　　
　　O₂=f₂（U₄：流动比率；U₅：速动比率）， O₃= f₃（U₆：销售净利率；U₇：资产净利率）。
　　由于该指标体系具有前瞻性和先行性且简单明了，能较全面完整的反映某企业现金流的水平。不仅起到前瞻决策的作用，而且体现企业现有经营管理能力、未来发展潜力等。
　　神经网络预测模型的机实现过程
　　一旦网络模型确定以后，为了检验模型的实际效果，可以对企业发展 “拐点”进行模拟预测。
　　步骤1：现分别对某公司2000-2003年季度现金流进行网络训练。按前所述方法把数据正规化作为输入矢量输入神经网络BP算法模型。
　　步骤2：启动神经网络进行训练，具体运算原理如上所述。利用MATLAB软件计算，计算机在反复叠代的学习过程中找到一个逼近优化的映射利用训练模型。本文中学习率α取0.01；Ｎ为调整次数；Δｗ_jk为样本输出层单元调整量的积累；Δｗ_ij为样本隐含层单元调整量的积累。ｋ=1；共6组样本，ｎ=6，误差判断原则是：当Ｅ<ｅ时，判定系统达到稳定状态，ｅ的值依计算精度而定，这里取ｅ=0.1。经过反复迭代直至收敛，便可得到具有较为准确的内部表示的神经网络，训练后的神经网络，输出结果见表1。
　　对照表1可知，神经网络给出的结果与真实值几乎完全一致（最大相对误差仅为0.02361）。
　　步骤3：将训练好的神经网络存入知识库，这样该网络就可以推广到其他年份或者季度现金流预测问题，只需输入2004年基础层指标特征值矩阵，便可立即得到现金流的预测值。在确定预测年份输入变量时，根据企业实际生产、供应、销售情况，确定2004年各基础层指标的季度目标值。结果见表2。
　　上述结果表明，用神经网络进行企业现金流测定的训练，并用训练后的网络对未来年份现金流进行预测是完全可行的，相对误差控制在0.1以内。预测结果2004年各季度企业现金流量较平稳，比上一年略有减少，主要原因是由于该企业同业竞争日趋激烈以及2003年非典疫情的影响，销售售入有所下降；而且企业的资产管理能力不强，例如存货占总资产的比率较高，应收账款数额较大。
　　企业领导者应该加强企业变现能力和资产管理能力，到2003年年末时就应对预计流动资金的缺口的解决方案进行安排，或从2003年的利润中全部提取或部分提取，也可提前联系银行及其他投资机构来争取贷款或他方的投资，实现自有资金与债务的最佳组合，既降低财务风险又充分利用较低的资金成本，取得最佳的效益。实践也证明上述预测结果对实际生产是有益的，可与另外三种方法结合使用，取长补短，使定量分析技术发挥最佳的预测功能。
　　
　　：
　　1.焦李成.神经网络的应用与研究[Ｍ].西安科技出版社,1995
　　2.财政部注册师办公室.财务成本管理[Ｍ].东北财经大学出版社,2002