基于BP神經(jīng)網(wǎng)絡的融資需求預測研究

［摘 要］資金是企業(yè)的血液，資金管理貫穿于企業(yè)經(jīng)濟活動的始終，資金管理水平直接影響企業(yè)的發(fā)展水平。制造業(yè)是中國經(jīng)濟的重要組成部分，其發(fā)展水平代表了我國的核心競爭力，因此，研究制造業(yè)企業(yè)的融資需求問題尤為重要。BP神經(jīng)網(wǎng)絡具有非線性、動態(tài)性、自適應、自組織、自學習等特點，被廣泛應用到各個領域。文章以傳統(tǒng)銷售百分比法為理論基礎，構建制造業(yè)企業(yè)融資需求預測指標體系，選取

3 537家制造業(yè)上市公司2013年至2022年的樣本數(shù)據(jù)，利用MATLAB數(shù)學分析軟件對模型進行訓練和仿真實驗，構建基于BP神經(jīng)網(wǎng)絡的制造業(yè)企業(yè)融資需求預測模型，利用MATLAB編寫代碼，同時與RBF神經(jīng)網(wǎng)絡和CNN神經(jīng)網(wǎng)絡兩種回歸預測模型進行對比，實驗結果表明，BP神經(jīng)網(wǎng)絡模型對制造業(yè)企業(yè)融資需求的預測效果較好。

［關鍵詞］制造業(yè)企業(yè)；BP神經(jīng)網(wǎng)絡；融資需求預測

0" " "引 言

世界經(jīng)濟發(fā)展史表明，制造業(yè)興，則經(jīng)濟興、國家強；制造業(yè)衰，則經(jīng)濟衰、國家弱。制造業(yè)是立國之本、強國之基，是實體經(jīng)濟的重要組成部分。經(jīng)過新中國成立70多年特別是改革開放40多年以來的努力奮斗，我國制造業(yè)發(fā)展取得舉世矚目的成就。我國是全世界唯一擁有聯(lián)合國產(chǎn)業(yè)分類中全部工業(yè)門類的國家，制造業(yè)規(guī)模居全球首位。以強大制造能力為基礎，我國在全球商品貿(mào)易市場中所占份額不斷提升，成為制造業(yè)第一大國、貨物貿(mào)易第一大國。我國用幾十年的時間走完了發(fā)達國家?guī)装倌曜哌^的工業(yè)化歷程，制造業(yè)和實體經(jīng)濟發(fā)展所取得的巨大成就，有力支撐了我國經(jīng)濟快速發(fā)展、綜合國力不斷提高、人民生活不斷改善。黨的十八大以來，以習近平同志為核心的黨中央高度重視制造業(yè)和實體經(jīng)濟發(fā)展。隨著我國發(fā)展的內(nèi)外部環(huán)境發(fā)生變化，當前我國正處于制造業(yè)要素成本不斷升高以及制造業(yè)轉型升級壓力過大的關鍵階段，為了實現(xiàn)推動中國制造業(yè)轉型升級，由制造業(yè)大國轉變?yōu)橹圃鞓I(yè)強國的戰(zhàn)略目標，需確保在制造業(yè)轉型升級過程中做好資金配置。財務預測是融資計劃的前提，它主要用來估計企業(yè)未來的融資需求。企業(yè)融資需求預測是企業(yè)財務管理中的重要內(nèi)容，對于任何企業(yè)而言，充足的資金是維持其自身生產(chǎn)經(jīng)營的必要條件。企業(yè)銷售增加時，要相應增加流動資產(chǎn)，甚至還需增加固定資產(chǎn)。為取得擴大銷售所需增加的資產(chǎn)，企業(yè)要籌措資金。企業(yè)只有提前了解自身的融資需求，才能制訂科學合理的融資計劃，做到未雨綢繆，否則很可能出現(xiàn)現(xiàn)金短缺或者資金周轉不靈的問題，甚至導致企業(yè)陷入財務危機。

目前，很多企業(yè)在進行融資需求預測時使用的是因素分析法、資金習性預測法、銷售百分比法等。因素分析法是以基期年度的平均融資需求為基礎，根據(jù)預測年度的生產(chǎn)經(jīng)營情況和資金周轉速度的要求，進行分析調(diào)整，來預測融資需求量的一種方法。這種方法計算簡便，容易掌握，但預測結果不太精確。資金習性預測法是指根據(jù)資金習性預測未來融資需求的一種方法，所謂資金習性，是指融資需求的變動同產(chǎn)銷量變動之間的依存關系。按照融資需求同產(chǎn)銷量之間的依存關系，可以把資金區(qū)分為不變資金、變動資金和半變動資金，然后結合預計的銷售量來預測融資需求。銷售百分比法是一種在分析報告年度資產(chǎn)負債表有關資產(chǎn)、負債項目與銷售額關系的基礎上，假設經(jīng)營性的資產(chǎn)和經(jīng)營性的負債與銷售額存在穩(wěn)定的百分比關系的基礎上，預計未來收入的增長率，來預測計劃期融資需求的方法。實際上，銷售百分比法是資金習性預測法的具體運用。本文主要基于銷售百分比法，確定企業(yè)融資需求的影響因素，嘗試運用BP神經(jīng)網(wǎng)絡構建制造業(yè)企業(yè)的融資需求預測模型。

1" " "文獻回顧

1.1" "企業(yè)融資需求預測相關理論研究

國外對企業(yè)資金融資需求方面的研究起步較早，研究數(shù)量和對象也比較廣泛，單純研究銷售百分比法和線性回歸法等財務預測方法的文獻比較少，研究融資效率方面的文獻較多。Wang，et al通過建立LightGBM模型來預測186家企業(yè)的融資風險狀況，為了比較LightGBM對企業(yè)融資風險的預測性能，在同一數(shù)據(jù)集上使用k-近鄰算法、決策樹算法和隨機森林算法進行了比較實驗，實驗表明，LightGBM在企業(yè)融資風險預測的幾個指標上都比其他三種算法有更好的預測結果，從而使企業(yè)能有效提高融資效率、改善融資環(huán)境［1］。Pang，et al通過構建包括抗風險能力、內(nèi)部管理、財務制度、市場競爭力、短期債務、長期債務、實收資本產(chǎn)權比、綜合效率、純技術效率和規(guī)模效率等可變指標在內(nèi)的評價體系，運用DEA模型對企業(yè)的融資效率進行了分析［2］。國內(nèi)對企業(yè)融資需求預測方面的研究，是從不同角度對傳統(tǒng)銷售百分比法和線性回歸分析法進行了有益的探索，熊金糧等根據(jù)創(chuàng)業(yè)企業(yè)融資特點，在盈虧平衡分析原理的基礎上，探討了一種符合創(chuàng)業(yè)企業(yè)實際情況的融資需求預測方法和現(xiàn)金流量平衡分析法，同時運用這種方法對一個具體的創(chuàng)業(yè)企業(yè)融資預測的案例進行分析［3］。黃明卿、石松華根據(jù)預測期的銷售收入及基期相關銷售百分比計算出預測期的相關資產(chǎn)、負債和所有者權益等項目的金額，在此基礎上運用會計公式：“外部融資需求=預計總資產(chǎn)-預計總負債-預計股東權益”計算外部融資需求［4］。高凡修基于銷售百分比法和回歸分析法，提出了構建Excel模板自動測算資金需要量的方法，提高了企業(yè)制訂融資計劃的工作效率［5］。國內(nèi)也有學者嘗試新的方法對企業(yè)融資需求進行預測，韓丹運用GM（1，1）模型來預測企業(yè)融資需求，克服了傳統(tǒng)銷售百分比預測方法的缺陷，提高了企業(yè)財務預測的準確度［6］。

1.2" "BP神經(jīng)網(wǎng)絡應用的相關研究

以Rumelhart和McClelland為首的科學家提出了BP神經(jīng)網(wǎng)絡的概念，通過對人類大腦神經(jīng)系統(tǒng)信息處理機制的模仿，使其具有較好的自學習、自適應、聯(lián)想記憶、并行處理和非線性轉換的優(yōu)點，成為當前在各個領域內(nèi)使用最為廣泛的機器學習模型之一。近年來，國內(nèi)外關于BP神經(jīng)網(wǎng)絡的應用研究范圍十分廣泛，Xu，et al基于變電站工程數(shù)據(jù)空間的概念，研究了變電站工程靜態(tài)總投資智能預測的影響因素，構建了變電站工程的靜態(tài)總投資預測模型，在優(yōu)化BP神經(jīng)網(wǎng)絡參數(shù)的基礎上，以提高神經(jīng)網(wǎng)絡的預測精度和收斂速度，能夠更加準確預測變電站工程造價從而有效保證工程資金的精細化運行［7］。Han，et al選擇BA優(yōu)化BP神經(jīng)網(wǎng)絡的方法建立預測模型，研究庫存需求分析，通過對庫存需求影響因素數(shù)據(jù)的訓練，探索庫存需求與各影響因素之間的復雜關系，以獲得有效的庫存管理和控制措施。并利用實際數(shù)據(jù)進行模型測試，驗證模型的有效性［8］。Quan，et al在傳統(tǒng)反向傳播（BP）神經(jīng)網(wǎng)絡的基礎上，結合改進的粒子群優(yōu)化（PSO）算法，基于智能制造企業(yè)中供應商的背景，以供應商評價指標體系為基礎，構建了基于DPMPSO-BP神經(jīng)網(wǎng)絡的智能制造企業(yè)供應商效率評價模型。通過利用機器學習方法研究供應商效率的評價方法，促使企業(yè)不斷整合資源，提高供應鏈的競爭力［9］。吳東平等在CSF理論基礎上，建立基于BP神經(jīng)網(wǎng)絡的PPP項目績效評價方法，并利用仿真實驗測試其性能。仿真結果表明，該方法顯著提升了PPP項目績效評價的精確度和效率，具有較高的應用價值［10］。姚爽等基于制造業(yè)整體特征，在傳統(tǒng)BP神經(jīng)網(wǎng)絡模型的基礎上對輸入指標運用因子分析進行降維優(yōu)化處理，通過蝙蝠算法優(yōu)化傳統(tǒng)BP神經(jīng)網(wǎng)絡的隨機權值問題，構建制造業(yè)上市公司信用風險預警的FA-BA-BP模型，并且以60家制造業(yè)上市公司為樣本，進行實證研究［11］。高燕等以A股制造企業(yè)為樣本，構建BP神經(jīng)網(wǎng)絡模型預警財務風險，并以一汽夏利（現(xiàn)中國鐵物）為例進行分析，提出防范風險的建議［12］。鄭明貴等結合基于灰色關聯(lián)分析和ARIMA-GM-BP神經(jīng)網(wǎng)絡的組合模型，選取2002—2021年中國人均GDP、產(chǎn)業(yè)結構、城鎮(zhèn)化率、潤滑脂產(chǎn)量、陶瓷產(chǎn)量、玻璃產(chǎn)量、空調(diào)產(chǎn)量、鋰離子電池產(chǎn)量和新能源汽車產(chǎn)量作為需求情景預測的主要驅(qū)動變量，對中國2025—2035年碳酸鋰需求進行預測，在此基礎上提出了針對性的政策建議［13］。

1.3" "研究述評

綜上所述，BP神經(jīng)網(wǎng)絡模型無論是在工程領域還是在經(jīng)濟領域的應用都十分廣泛，取得了很多成果。BP神經(jīng)網(wǎng)絡是從非線性回歸的角度來建立模型，其結構相對于線性回歸來說比較復雜，主要包含輸入層、隱藏層和輸出層，通過改變隱藏層的權值建立輸入層和輸出層之間的關系。它利用生物學神經(jīng)元的思想以網(wǎng)絡拓撲結構對復雜信息進行非線性表示，分析相關變量間的相互作用關系，從而得出相關變量與預測結果間的因果關系，具備自適應學習能力。人工智能技術在會計行業(yè)中的應用有效提升了財務工作效率、質(zhì)量以及企業(yè)經(jīng)營決策水平，神經(jīng)網(wǎng)絡的應用能提升制造業(yè)企業(yè)融資需求預測的準確性，解決歷史數(shù)據(jù)不足問題，也能為企業(yè)的資金配置指明方向。銷售百分比法的不足之處是，經(jīng)營資產(chǎn)與經(jīng)營負債會隨著營業(yè)收入的變化而變化，但這種變化并不一定是固定比例。并且在使用傳統(tǒng)銷售百分比法的時候，也沒有說明如何做出或者如何得出預測的銷售收入，可見，在使用銷售百分比法時，預期銷售收入存在很大的隨意性和主觀性。企業(yè)融資需求測算一般會用到回歸分析法，回歸分析法運用的前提是敏感項目與銷售額之間基本保持線性關系，否則研究就沒有意義。一些學者嘗試在銷售百分比法和回歸分析法的基礎上進行修正，或者運用別的模型來嘗試測算企業(yè)的融資需求。在此背景下，本研究基于傳統(tǒng)銷售百分比法，在得到影響企業(yè)融資需求因素的基礎上，構建BP神經(jīng)網(wǎng)絡融資需求預測的模型，借助大數(shù)據(jù)技術對數(shù)據(jù)進行篩選、建模和分析，用于指導預測制造業(yè)企業(yè)融資需求的實務工作，是理論與實踐的高度融合，研究成果具有較強的客觀性和應用價值，充分挖掘和利用了大數(shù)據(jù)潛在的價值，具有一定的現(xiàn)實意義。

2" " "制造業(yè)企業(yè)融資需求預測指標體系和模型構建

2.1" "指標體系構建與數(shù)據(jù)預處理

2.1.1" "指標構建與數(shù)據(jù)來源

本文基于傳統(tǒng)銷售百分比法，將制造業(yè)企業(yè)融資需求影響因素劃分為：本年凈經(jīng)營性資產(chǎn)影響因素、本年收入及收入增長因素兩個方面，基于收入可持續(xù)增長率計算公式（可持續(xù)增長率=營業(yè)凈利率×期末總資產(chǎn)周轉率×期末總資產(chǎn)期初權益乘數(shù)×本期利潤留存率），將收入增長因素細化為營業(yè)凈利率、總資產(chǎn)周轉率、權益乘數(shù)以及利潤留存率等4個指標。影響制造業(yè)企業(yè)融資需求（下一年凈經(jīng)營性資產(chǎn)-本年凈經(jīng)營性資產(chǎn)）預測的主要指標有7個，分別是：經(jīng)營性資產(chǎn)、經(jīng)營性負債、營業(yè)收入、營業(yè)凈利率、總資產(chǎn)周轉率、權益乘數(shù)以及利潤留存率（如表1所示）。

2.1.2" "數(shù)據(jù)的預處理

本文選取3 537家制造業(yè)上市公司2013至2022年的樣本數(shù)據(jù)并對下載的數(shù)據(jù)進行整理，刪除存在缺失值和異常值的數(shù)據(jù)，一共整理出7 114條數(shù)據(jù)，其中訓練集有4 800條數(shù)據(jù)，測試集有2 314條數(shù)據(jù)。以上述7個指標作為輸入，制造業(yè)企業(yè)的融資需求作為輸出，采用MATLAB的內(nèi)置函數(shù)mapminmax進行歸一化處理。

其中，P_train 為訓練集輸入層數(shù)據(jù)，p_train為訓練集輸入層數(shù)據(jù)歸一化結果，P_test為訓練集輸出層數(shù)據(jù)，p_test 為訓練集輸出層數(shù)據(jù)歸一化結果；同理，T_train 為訓練集輸入層數(shù)據(jù)，t_train為訓練集輸入層數(shù)據(jù)歸一化結果，T_test為訓練集輸出層數(shù)據(jù)，t_test 為訓練集輸出層數(shù)據(jù)歸一化結果。ps_input和ps_output內(nèi)分別保存訓練集和測試集歸一化的轉換規(guī)則。通過神經(jīng)網(wǎng)絡進行預測時，預測的誤差使用均方誤差來表示。均方誤差MSE（MeanSquare Error）是一種常見的誤差函數(shù)表示方法，在均方誤差中，yi為實際值，為預測值，其公式為：

（1）

2.2" "BP神經(jīng)網(wǎng)絡原理和預測模型構建

2.2.1" "BP神經(jīng)網(wǎng)絡原理

BP神經(jīng)網(wǎng)絡是一個多層前饋神經(jīng)網(wǎng)絡，BP神經(jīng)網(wǎng)絡包括兩個過程，一個是數(shù)據(jù)信息的正向傳播過程，另一個是誤差的反向傳播過程。輸入層接收到來自數(shù)據(jù)的輸入向量，將信息正向傳播給下一層，隱藏層接收到數(shù)據(jù)信息通過非線性變換，將信息傳遞給輸出層。輸出層通過計算實際值與預測值間的誤差，按誤差梯度下降的方式修正各層權值，向隱藏層、輸入層逐層反傳，從而修改權值，擬合正確數(shù)據(jù)。BP神經(jīng)網(wǎng)絡通過信息流的正向傳播和誤差流的反向傳播不斷地交替，在計算過程中逐漸達到穩(wěn)定狀態(tài)，從而更好地反映輸入層和輸出層之間的關系。BP神經(jīng)網(wǎng)絡的三層感知器結構如圖1所示。

BP神經(jīng)網(wǎng)絡突出優(yōu)點就是具有很強的非線性映射能力和柔性的網(wǎng)絡結構，網(wǎng)絡的中間層數(shù)、各層的神經(jīng)元個數(shù)可根據(jù)具體情況任意設定，并且隨著結構的變化，其性能也有所不同，常應用于函數(shù)逼近、模式識別、數(shù)據(jù)分類和數(shù)據(jù)壓縮等。對于許多技術領域中存在的無法用數(shù)學方法描述某一輸入輸出系統(tǒng)內(nèi)部規(guī)律的問題，多層前饋神經(jīng)網(wǎng)絡具有無可比擬的優(yōu)勢。

2.2.2" "BP神經(jīng)網(wǎng)絡預測模型構建

基于BP神經(jīng)網(wǎng)絡的制造業(yè)企業(yè)融資需求預測MATLAB代碼如圖2所示。

將經(jīng)過歸一化處理后的7個指標的數(shù)據(jù)放入輸入層，利用企業(yè)融資需求實際數(shù)據(jù)進行訓練。通過反復測試比較各種不同隱藏層節(jié)點個數(shù)及其他參數(shù)影響下對輸出結果的目標偏差率，最后確認了隱藏層層數(shù)為3，每層節(jié)點個數(shù)為3，目標偏差率為10-6，學習率為0.8，訓練循環(huán)頻次為1 000次，函數(shù)為trainlm時的BP神經(jīng)網(wǎng)絡模型是目前最佳的預測模型，BP神經(jīng)網(wǎng)絡的訓練界面如圖3所示。BP神經(jīng)網(wǎng)絡包括3個隱藏層，每個隱藏層的單元個數(shù)為2，輸出層只有一個節(jié)點，即企業(yè)融資需求的預測結果。訓練過程中樣本數(shù)據(jù)的劃分方式為隨機劃分，訓練采用Levenberg-Marquardt算法，使用均方誤差評價預測結果。

圖4展示了使用BP神經(jīng)網(wǎng)絡對制造業(yè)企業(yè)融資需求進行預測中選取的指標和總體預測結果的相關性分析，其中訓練集和測試集的預測結果相關程度值R分別為0.903 17、0.877 07，總體的預測結果相關程度值R為0.887 6，說明構建的BP神經(jīng)網(wǎng)絡企業(yè)融資需求模型能較好表現(xiàn)出樣本數(shù)據(jù)間的非線性映射關系。圖5展示了BP神經(jīng)網(wǎng)絡計算得到的融資需求預測值與真實值的對比結果以及均方誤差值。

3" " "RBF和CNN神經(jīng)網(wǎng)絡模型預測對比分析

3.1" "RBF神經(jīng)網(wǎng)絡原理和預測模型構建

3.1.1" "RBF神經(jīng)網(wǎng)絡原理

RBF神經(jīng)網(wǎng)絡是以徑向基函數(shù)作為激活函數(shù)的一種前饋式神經(jīng)網(wǎng)絡，每個基函數(shù)對應一個數(shù)據(jù)。徑向基函數(shù)指取值僅依賴于離原點距離的實值函數(shù)，即

φ（x）=φ（||x||），也可定義為空間中任一點x到某一中

心ci之間歐氏距離的單調(diào)函數(shù)，即φ（x， ci）=φ（||x-ci||），

也可以是離任意點的距離，一般使用歐氏距離，也可以是其他距離函數(shù)，任何滿足該特性的函數(shù)φ都叫作徑向基函數(shù)。常見的徑向基函數(shù)包括高斯函數(shù)、反演S型函數(shù)和擬多二次函數(shù)等：

（2）

（3）

（4）

其中r=||x-ci||，σ稱為徑向基函數(shù)的擴展函數(shù)（方差），它反映了函數(shù)圖像的寬度，σ越小，寬度越窄，函數(shù)越具有選擇性。該神經(jīng)網(wǎng)絡的三層結構中，主要用RBF作為隱單元的“基”構成隱藏層空間，將低維空間的輸入向量變換到高維空間中，不需要通過權連接，使低維空間線性不可分的問題在高維空間內(nèi)線性可分，即核函數(shù)的思想，然后用輸出層進行線性劃分，完成任務功能。以高斯函數(shù)為例，RBF神經(jīng)網(wǎng)絡的三層感知器結構如圖6所示。

RBF神經(jīng)網(wǎng)絡的優(yōu)點在于從輸入層到隱藏層的變換是非線性的，而從隱藏層到輸出層的變換是線性的，即網(wǎng)絡的輸出是隱單元輸出的線性加權和，此處的權即為網(wǎng)絡可調(diào)參數(shù)，可由線性方程組直接解出。其次RBF神經(jīng)網(wǎng)絡的隱節(jié)點采用輸入向量與中心向量的距離作為函數(shù)的自變量，使用徑向基函數(shù)作為激活函數(shù)，因此RBF神經(jīng)網(wǎng)絡具有“局部映射”特性，從而大大加快學習速度并避免局部極小問題。與BP神經(jīng)網(wǎng)絡相比，BP神經(jīng)網(wǎng)絡可以有多個隱藏層，但是RBF只有一個隱藏層，且RBF的訓練速度快，一方面是因為隱藏層較少，另一方面，局部逼近可以減少計算量。

RBF網(wǎng)絡能夠逼近任意的非線性函數(shù)，可以處理系統(tǒng)內(nèi)的難以解析的規(guī)律性，具有良好的泛化能力，并有很快的學習收斂速度，已成功應用于非線性函數(shù)逼近、時間序列分析、數(shù)據(jù)分類、模式識別、信息處理、圖像處理、系統(tǒng)建模、控制和故障診斷等。

3.1.2" "RBF神經(jīng)網(wǎng)絡預測模型構建

基于RBF神經(jīng)網(wǎng)絡的制造業(yè)企業(yè)融資需求預測MATLAB代碼如圖7所示。

rbf_spread表示徑向基函數(shù)的擴展速度，spread越大函數(shù)擬合越平滑，但是逼近誤差會變大，需要的隱藏神經(jīng)元也越多，計算量也越大；spread越小，函數(shù)的逼近會越精確，但是逼近過程會不平滑，網(wǎng)絡的性能差，會出現(xiàn)過適應現(xiàn)象。在本次實驗中rbf_spread的值設為100時效果最佳。通過使用MATLAB 編程，得到RBP神經(jīng)網(wǎng)絡預測值和實際目標值的對比結果如圖8所示。

3.2" "CNN神經(jīng)網(wǎng)絡原理和預測模型構建

3.2.1" "CNN神經(jīng)網(wǎng)絡原理

CNN主要是用于圖像識別領域，也可用于自然語言處理或回歸預測等，是一種包含輸入層、卷積層、池化層、全連接層和輸出層等多層網(wǎng)絡的經(jīng)典深度學習模型，主要通過多個卷積核提取輸入變量間的特征，網(wǎng)絡前向傳播中，每個卷積核在輸入層上按一定方向移動，與其覆蓋區(qū)域進行卷積運算，并經(jīng)過激活函數(shù)激活，得到一個輸出，然后利用池化層在卷積結果的寬度上進行降維，用窗口中的總體特征來代替該位置的輸出，即對卷積層二次采樣。其核心的卷積操作可由下式給出：

（5）

其中y為輸出張量，x為輸入張量，w為卷積核張量，*為卷積運算符號。二維情況下可以簡化為：

（6）

其中i，j，k，l為元素索引號。如圖9所示，卷積核w在輸入數(shù)據(jù)x上按照一定的順序移動并對當前投影區(qū)域數(shù)據(jù)進行卷積計算。

CNN神經(jīng)網(wǎng)絡結構示意圖如圖10所示。CNN中每個卷積核可以自動進行特征提取，權值共享，且為局部連接，可以有效降低計算量與模型復雜度。但池化層會丟失大量有價值信息，忽略局部與整體之間關聯(lián)性，采用梯度下降模型很容易使訓練結果收斂于局部最小值而非全局最小值。

3.2.2" "CNN神經(jīng)網(wǎng)絡預測模型構建

基于CNN神經(jīng)網(wǎng)絡的制造業(yè)企業(yè)融資需求預測MATLAB代碼如圖11所示。

由于在本次任務中將CNN用于數(shù)據(jù)預測問題，因此將輸入數(shù)據(jù)設為[7，1，1]大小的矩陣，CNN網(wǎng)絡層如圖中代碼所示。在參數(shù)設置上，將最大訓練次數(shù)設為100，初始學習率為0.01，并設定50次訓練后學習率為0.01×0.1，利用SGDM梯度下降模型求最小值。通過使用MATLAB編程，得到CNN神經(jīng)網(wǎng)絡預測值和實際目標值之間的對比結果（如圖12所示）。

3.2.3" "三種神經(jīng)網(wǎng)絡預測模型對比分析

將BP神經(jīng)網(wǎng)絡、RBF神經(jīng)網(wǎng)絡和CNN神經(jīng)網(wǎng)絡的預測結果值統(tǒng)一放在表2中進行比較，可以看到BP神經(jīng)網(wǎng)絡無論是在訓練集還是測試集上的相關程度值都優(yōu)于RBF神經(jīng)網(wǎng)絡和CNN神經(jīng)網(wǎng)絡，說明BP神經(jīng)網(wǎng)絡更適合處理制造業(yè)融資需求預測問題，相對應的BP神經(jīng)網(wǎng)絡在訓練集和測試集上的預測誤差也較低。

3.3" "在實例中運用三種神經(jīng)網(wǎng)絡預測模型預測結果對比分析

3.3.1" "珠海格力電器股份有限公司

珠海格力電器股份有限公司成立于1991年，1996年11月在深交所掛牌上市。公司在國內(nèi)外建有77個生產(chǎn)基地，坐落于廣東、重慶、安徽、河北、河南、湖北、湖南、江蘇、浙江、天津、四川、江西、山東以及巴西、巴基斯坦；同時建有長沙、鄭州、石家莊、蕪湖、天津、珠海6個再生資源基地，覆蓋從上游生產(chǎn)到下游回收全產(chǎn)業(yè)鏈，實現(xiàn)了綠色、循環(huán)、可持續(xù)發(fā)展。2013年起，格力進軍智能裝備、通信設備、模具等領域，已經(jīng)從專業(yè)空調(diào)生產(chǎn)延伸至多元化的高端技術產(chǎn)業(yè)。先進準確的融資需求預測對企業(yè)的資金管理活動的細化分析具有重要意義，精確的預測能夠幫助企業(yè)更好地進行資金支配，從而更好地落實供給側結構性改革，調(diào)整優(yōu)化產(chǎn)業(yè)布局，積極推進智能制造升級，努力實現(xiàn)高質(zhì)量發(fā)展。

3.3.2" "BP神經(jīng)網(wǎng)絡融資需求預測結果

基于BP神經(jīng)網(wǎng)絡的企業(yè)融資需求預測全程通過計算機系統(tǒng)進行，數(shù)字化的預測方式可以極大地減少融資需求預測流程中的主觀因素。實驗中利用3 537家制造業(yè)企業(yè)真實數(shù)據(jù)訓練BP神經(jīng)網(wǎng)絡以形成誤差最小的融資需求預測模型，將其運用至珠海格力電器股份有限公司融資需求預測中。將收集有關格力的與融資需求結果預測相關的各項數(shù)據(jù)資料輸入BP神經(jīng)網(wǎng)絡模型中，利用其具有很強的非線性映射能力將融資需求結果與預測指標之間建立聯(lián)系，通過simulink仿真測試函數(shù)對樣本數(shù)據(jù)進行訓練，再經(jīng)過reverse反歸一化函數(shù)得出最后對格力公司融資需求的預測結果。

3.3.3" "RBF、CNN神經(jīng)網(wǎng)絡融資需求預測結果

同時，將收集的有關格力的各項數(shù)據(jù)資料，利用RBF和CNN神經(jīng)網(wǎng)絡模型建立融資需求結果與預測指標之間的非線性關系。在RBF神經(jīng)網(wǎng)絡模型中通過newrb函數(shù)搭建神經(jīng)網(wǎng)絡并利用simulink仿真測試函數(shù)對樣本數(shù)據(jù)進行訓練，再經(jīng)過reverse反歸一化函數(shù)得出RBF神經(jīng)網(wǎng)絡模型最后對格力公司融資需求的預測結果。在CNN神經(jīng)網(wǎng)絡模型中通過svmtrain函數(shù)搭建神經(jīng)網(wǎng)絡并利用svmpredict仿真測試函數(shù)對樣本數(shù)據(jù)進行訓練，再經(jīng)過reverse反歸一化函數(shù)得出RBF神經(jīng)網(wǎng)絡模型最后對格力公司融資需求的預測結果。

將BP神經(jīng)網(wǎng)絡與RBF、CNN神經(jīng)網(wǎng)絡對格力公司融資需求預測結果相比較，從表3可以看出，使用BP神經(jīng)網(wǎng)絡對珠海格力電器股份有限公司2014年融資需求進行預測所得到的誤差值及誤差率要遠遠小于RBF預測模型和CNN預測模型的結果，說明BP神經(jīng)網(wǎng)絡模型在融資需求預測領域有著良好的適應性，并且可以證明BP神經(jīng)網(wǎng)絡在融資需求預測方面具有更高的準確性。利用BP神經(jīng)網(wǎng)絡對制造業(yè)企業(yè)融資需求進行預測，能較好表現(xiàn)出樣本數(shù)據(jù)間的非線性映射關系，而這種關系正是融資需求的各項影響因素與融資需求預測結果之間的關系，進一步證明了BP神經(jīng)網(wǎng)絡模型在對制造業(yè)企業(yè)融資需求預測應用上的有效性及精度。

4" " "研究結論與啟示

4.1" "研究結論

企業(yè)融資預測是企業(yè)財務管理的重要內(nèi)容，做好企業(yè)融資需求預測是企業(yè)做好長期財務規(guī)劃的前提。本文探討的制造業(yè)企業(yè)融資需求是企業(yè)整體的融資需求，包括外部融資需求和內(nèi)部融資需求，企業(yè)基于對自身資金情況了解的基礎上，企業(yè)預測出總體融資需求，也就能夠更好地規(guī)劃融資活動。但是，傳統(tǒng)的銷售百分比法在預測企業(yè)融資需求時存在一些缺陷，使企業(yè)融資需求預測的精度不高。本文基于傳統(tǒng)銷售百分比法，構建了制造業(yè)企業(yè)融資需求的指標體系，通過使用BP神經(jīng)網(wǎng)絡構建制造業(yè)企業(yè)融資需求預測模型，與RBF神經(jīng)網(wǎng)絡、CNN神經(jīng)網(wǎng)絡兩種神經(jīng)網(wǎng)絡建立對制造業(yè)企業(yè)融資需求預測模型進行比較分析，結果表明：第一，利用BP神經(jīng)網(wǎng)絡模型對樣本進行訓練與仿真，得到了可靠的制造業(yè)企業(yè)融資需求預測模型，相比RBF神經(jīng)網(wǎng)絡模型和CNN神經(jīng)網(wǎng)絡模型，BP神經(jīng)網(wǎng)絡的預測模型預測準確性較高，誤差較小。第二，鑒于制造業(yè)企業(yè)融資需求的預測結果與指標選取存在強關聯(lián)性，預測值的準確性受到樣本企業(yè)指標數(shù)值與年份的影響，綜合考慮企業(yè)自身因素和外部環(huán)境因素能有效地提高預測模型的精度。

4.2" "啟 示

基于本文的預測和分析結果，對制造業(yè)企業(yè)融資需求預測相關的資金管理工作提出如下建議：第一，機器學習算法為提取海量數(shù)據(jù)背后隱藏信息提供了有效技術手段，是數(shù)據(jù)挖掘技術的核心。本文基于實驗結果，考慮到BP神經(jīng)網(wǎng)絡具有較強的適用性，該模型還可推廣至其他類型的企業(yè)的融資需求預測。第二，加強現(xiàn)金流管理，現(xiàn)金流是維持企業(yè)健康運轉的“血液”，制造業(yè)屬于重資產(chǎn)行業(yè)，資產(chǎn)負債率往往處于較高水平，相應的財務風險也大，企業(yè)應在日常經(jīng)營中運用一些模型，基于自身現(xiàn)狀，對融資需求進行合理測算，進而積極關注自身現(xiàn)金流量變化趨勢，制定合理的資金預算管理體系，避免因現(xiàn)金流短缺使得企業(yè)陷入財務危機之中。第三，建立長效的現(xiàn)金流管理體系，提升現(xiàn)金流運營質(zhì)量，優(yōu)化內(nèi)部財務管理，提升公司治理能力。對企業(yè)資金進行合理預算，而現(xiàn)金的預算管理是資金集中管理的關鍵步驟，這就需要企業(yè)制定專門的現(xiàn)金預算制度，推動企業(yè)轉型升級，實現(xiàn)可持續(xù)發(fā)展。

主要參考文獻

［1］WANG D N，LI L，ZHAO D.Corporate finance risk prediction based on LightGBM［J］.Information Sciences：An International Journal，2022，602（C）：259-268.

［2］PANG C，GAI Y.Research on efficiency in financing of small and medium companies based on DEA method［J］.Discrete Dynamics in Nature and Society，2022（4）.

［3］熊金糧，孫璐，周繼紅.基于現(xiàn)金流量平衡的創(chuàng)業(yè)企業(yè)融資需求預測［J］.商場現(xiàn)代化，2005（29）：132.

［4］黃明卿，石松華.運用銷售百分比法預測企業(yè)短期外部融資需求［J］.商場現(xiàn)代化，2007（6）：368-369.

［5］高凡修.構建Excel模板預測企業(yè)資金需要量［J］.財會月刊，2008（18）：76-78.

［6］韓丹.基于GM（1，1）模型的企業(yè)融資需求預測［J］.財會月刊，2014（8）：97-99.

［7］XU X，PENG L，JI Z，et al.Research on substation project cost prediction based on sparrow search algorithm optimized BP neural network［J］.Sustainability，2021，13.

［8］HAN C，WANG Q. Research on commercial logistics inventory forecasting system based on neural network［J］.Neural Computing amp; Applications，2020（7）.

［9］QUAN Q，ZHANG Z. Supply capability evaluation of intelligent manufacturing enterprises based on improved BP neural network［J］. Journal of Mathematics，2022，21.

［10］吳東平，周志鵬，盧建新.基于BP神經(jīng)網(wǎng)絡的PPP項目績效評價［J］.建筑經(jīng)濟，2019，40（12）：51-54.

［11］姚爽，高江波，黃瑋強.制造業(yè)上市公司信用風險預警研究：基于FA-BA-BP神經(jīng)網(wǎng)絡模型［J］.財會通訊，2022

（12）：136-140.

［12］高燕，杜玥，曾森.基于BP神經(jīng)網(wǎng)絡的制造企業(yè)財務風險預警研究［J］.會計之友，2023（1）：62-70.

［13］鄭明貴，于明，范秋蓉，等.中國2025—2035年碳酸鋰需求預測：基于灰色關聯(lián)分析和ARIMA-GM-BP神經(jīng)網(wǎng)絡的組合模型［J］.地球科學進展，2023，38（4）：377-387.

［收稿日期］2023-09-30

［基金項目］河南省重點研發(fā)項目“基于國產(chǎn)芯片的多模態(tài)自訓練大模型關鍵技術研究及示范應用”（231111212000）；

河南省科技攻關項目（242102210150）；重慶自然科學基金（2023NSCQ-MSX4618）。

［作者簡介］李敏惠（1987— ），女，湖北鄂州人，中級會計師，主要研究方向：財務與會計；張彥山（1986— ），男，河南新鄉(xiāng)人，博士，副教授，主要研究方向：人工智能與信息處理（通信作者）；田鈺茹（1996— ），女，河南鄭州人，博士，主要研究方向：人工智能與信息處理。