基于BP神经网络的高校暂付款预测研究

来源:用户上传      作者:

　　【摘 要】 高校暂付款管理水平关系着资金使用效率与财务风险防范能力，甚至影响着高校会计信息的真实性。高校财务管理的精细化这一目标直接对暂付款管理提出了更高要求。文章根据A省30所省属本科高校2014年暂付款及影响暂付款规模的本年收入、本年支出、差旅费、专用材料费、其他商品服务支出与设备购置费6个主要因素数据，建立BP人工神经网络预测模型，仿真拟合历史数据，并利用仿真模型预测暂付款规模，与主成分回归模型比较，验证其预测精度。数据实证研究结果表明BP神经网络能捕捉到暂付款与其影响因素之间的非线性特性规律，能更好地预测暂付款规模。
　　【关键词】 高校暂付款； BP神经网络； 主成分回归； 预测
　　中图分类号：F272.1；G647 文献标识码：A 文章编号：1004-5937（2016）10-0111-05
　　引 言
　　随着政府对高等教育事业投入的加大，高校暂付款项所占用资金的规模逐步增加，仅江苏南京8所省属本科高校“应收及暂付款”总额2013年就达到2.5亿元。这造成大量财政资金长期占用，不利于正确反映高校财务收支状况，虚增债权，影响资产评价指标，降低资金使用效率，加大高校财务风险。合理预测高校暂付款规模是高校在财务管理方面从粗放型向精细化的一次转变，对于高校实现教育经费规范化、科学化与精细化管理具有重要现实意义。
　　一、研究综述
　　高校暂付款管理越来越引起专家和高校财务管理者重视。李智敏、李敏（2012）[ 1 ]分析了高校暂付款长期挂账客观与主观原因，强调通过技术手段与财务结算创新达到控制暂付款的目的。徐耀琪（2011）研究了辅助编码在应收及暂付款账务处理中的设置，以及在核销过程中的实际应用。陈丽红（2012）通过具体案例分析了某高校暂付款具体成因，并明确清账规则，规范会计基础，加强监督，实现对暂付款的有效控制。刘从兵（2013）[ 2 ]从实务角度利用Excel完成了高校暂付款管理系统的构建，该系统加速了暂付款项占用资金周转率，提升了暂付款的管理层次与效果。陈茜、梁勇（2013）[ 3 ]研究了高职院校暂付款管理特点，探讨了内控视角下高校暂付款管理的对策，应从内控环境、预算管理、审批责任控制、会计核算、信息沟通、审计监督等方面加强控制，为学校持续健康发展提供一个良好的资金环境。
　　目前学者对于高校暂付款侧重于形成内外因、内部控制以及管理策略等方面的研究，而在暂付款预测领域的研究还非常少，预测是高校科学决策的基础，是高校财务管理精细化的飞跃。BP神经网络理论在预测领域的非线性映射能力与容错性具有良好表现。因此，本文研究BP神经网络的高校暂付款预测是有一定学术价值的。
　　二、BP人工神经网络
　　1985年美国加州大学PDP研究小组提出向后传播算法，形成BP神经网络理论。该方法通过误差反向传播与自学习，使用梯度搜索等优化技术，不断与预设精度对比，适应调整实际输出与实际值之间的均方差，实现其最小化并修正网络连接权值。王惠文、孟洁（2007）[ 4 ]的研究表明：通过选择适当的连接权值和传递函数，一个有足够神经元的单隐藏层的神经网络，可以逼近任意一个输入和输出之间的光滑的、可测量的函数。
　　BP神经网络具有良好的非线性映射逼近能力与容错性，被广泛应用于分类、预测等领域。在经济领域中，孙伟、周潮等学者运用BP神经网络实现了对GDP与CPI预测；郭庆春、肖国荣等实现了在农民收入、基金价格、企业成本等微观经济领域的预测。在社会学领域，尹春华及众多学者运用该方法实现对人口数量、生育率的预测。在管理领域，王文富实现了对微观企业人力资源结构的预测，胡泽文实现了对科技产出的预测。综上，BP神经网络由于其独特的自学习、自适应、非线性拟合的特性，在经济、社会、管理等诸多领域预测方面得到广泛使用。因此，本研究运用BP神经网络预测高校暂付款具有理论与现实基础。
　　三、高校暂付款预测模型建立
　　（一）指标确定
　　影响高校暂付款规模的因素很多，如高校不同发展时期、内部控制环境、管理水平等。在高校会计实务中，购买设备的合同预付款、与单位结算的工程款项、相对于个人占用资金额度较大的因公差旅费、材料费、资料费、版面费及其他商品服务支出的预支款项是形成高校暂付款的主要原因，与李智敏、李敏（2012）[ 1 ]分析暂付款成因的结论相同。因此，本研究选取本年收入、本年支出、差旅费、专用材料费、其他商品服务支出、设备购置费相对关键的六个因素作为考察变量，定量分析这六个因素对高校暂付款规模的影响。
　　（二）BP人工神经网络模型
　　本研究通过编程，调用Matlab7.13后台自带BP神经网络工具箱建立模型。首先，读取矩阵形式的自变量（本年收入、本年支出、差旅费、专用材料费、其他商品服务支出、设备购置费）与因变量（暂付款规模）。其次，设定中间层初始神经元个数。再次，为避免过分拟合，随机将样本数据分成训练组、检验组与验证组。70%样本采用trainlm函数的马夸特法则训练BP神经网络，学习规则采用learngdm函数；20%样本检验网络的适应能力，当网络适应能力满足预设条件时，停止训练；10%样本用于验证所训练网络能力。最后，通过不断调节中间层神经元个数，多次运行程序，反复训练网络，达到最优结果。
　　（三）主成分回归模型
　　模型选择变量如下：被解释变量为暂付款规模Y，解释变量为本年收入（X1）、本年支出（X2）、差旅费（X3）、专用材料费（X4）、其他商品服务支出（X5）、设备购置费（X6）。
　　由于财务数据各指标之间相互影响[ 5-6 ]，容易出现同增或同降近似线性现象，在建立多元回归方程中，易出现共线性、增加参数方差、剔除主要解释变量等问题。主成分回归是利用了多元线性回归的思想，只是在自变量处理上不同，因此本文利用SPSS20，采用主成分回归分析的方法[ 7 ]，先对所有变量进行标准化，其次对标准化后自变量提取主成分，然后建立主成分标准回归方程，最后还原成原始变量的回归方程，并与人工神经网络进行比较。 　　四、高校暂付款预测分析实证研究
　　（一）数据来源与描述性统计
　　本研究通过高校财务网站公开、实地调研收集了A省30所本科高校2014年暂付款规模、本年收入、本年支出、差旅费支出、专用材料费支出、其他商品服务支出及设备购置费支出等样本数据。样本描述性统计如表1所示。
　　（二）与主成分回归结果比较分析
　　首先，对所有变量进行Pearson相关性检验，判断共线性程度，如表2所示。由表2可知，本年收入与本年支出、差旅费、材料费、其他商品服务支出之间相关系数均大于0.75，这表明自变量之间存在严重共线性问题。此外，利用方差膨胀系数以及最后一个特征值（等于0.002，近似为0），进一步验证了多元线性回归模型中存在多重共线性问题。因此，本研究采用主成分回归模型进行样本数据拟合。
　　对回归模型进行检验，结论如下：（1）拟合度。R=0.965，R2=0.932，调整R2=0.917，且接近于1，说明拟合度很好。自变量解释了因变量93.2%的变化。（2）回归方程整体线性检验。根据Anova方差分析，F=63.17，显著性Sig=0.00，说明Z1、Z4、Z5从整体上对Y*有十分显著的影响，即回归方程高度显著。（3）变量显著性检验。表4中Z2、Z3的t值均大于0.05，不能引入回归方程，故被剔除。
　　由最终原始变量构成的预测模型中回归系数及符号可以看出：首先，专用材料费对暂付款规模影响最为重要且负相关，主要是因为A省加大对高校学科、品牌专业、高教研究投入且在经费使用方向给予了明确规定，因此表现为在经费支出中实验购置材料费的金额和业务数量都比较大，在报销时冲抵暂付款，对暂付款规模产生负向主要影响。其次，影响较大的是差旅费，因为高校经济事项中调研、交流、开会、学习业务量是非常大的，教职工借款的金额一般是比较充足的，这就导致暂付款不能有足够支出完全冲抵，造成了差旅费支出与暂付款规模同增的现象。再次，影响较大的是设备购置费，由于高校设备采购单笔一般占用资金量较大，调试周期较长，采购招标、付款、入库等环节手续也比较复杂，导致了大量资金占用。另外，本年收入、本年支出与暂付款规模正向相关，主要是：（1）财政投入与其他收入增加，导致了高校经济业务增量，带来了暂付款规模自然增长；（2）当本年支出较大时，一方面是由于高校本身各类支出规模自然增长，另一方面是以前年度的暂付款在当年形成支出，而本年投入经费形成的暂付款超过了结清以前年度暂付款，因此呈现正向相关关系。最后，其他商品服务支出与暂付款规模呈负向相关，主要是高校逐步在学生实习实践环节投入加大，实习实践费用、广告宣传、版面费等费用增加，此类暂付款一般金额较小，及时冲抵，导致与暂付款规模的负向变化。
　　将样本数据按因变量（暂付款规模）从小到大排列，采用本文BP神经网络模型流程进行仿真。图1所示为人工神经网络模型与主成分回归拟合优度，表5所示为部分A省高校暂付款规模采用主成分回归拟合值、神经网络仿真值与真实值之间的对比。
　　为比较两种方法预测精度，构造主成分回归拟合值绝对误差与BP仿真值绝对误差两个统计量，通过非参数检验验证这两个统计量均服从正态分布，并进行了配对样本的t检验，置信区间水平设置为95%。原假设：H0=BP仿真值绝对误差-主成分回归拟合值绝对误差≥0。从表6双侧显著性Sig指标可知：左侧检测时p=0.077/2=0.0385<0.05，因此拒绝原假设，认为BP仿真值绝对误差明显小于主成分回归拟合值绝对误差。由图1、表5和表6可以看出：即使在样本数据量较小的情况下，人工神经网络模型仿真值与实际值拟合程度也较高，优于主成分回归方程的拟合值。说明造成高校暂付款规模较大的原因较多，影响因素与暂付款规模之间存在非线性的模糊映射关系，而不是简单的线性关系。
　　（三）暂付款预测精度比较分析
　　为了进一步验证BP神经网络的预测精度，对检测样本暂付款规模分别运用上述两种模型进行预测，比较与实际值之间的差异，如表7所示。
　　由表7可知：BP神经网络对检测样本预测误差为2.58%，预测精度为97.42%；而主成分回归预测模型的误差为12.88%，预测精度为87.12%。因此，在高校暂付款规模预测研究上，BP神经网络模型具有更高的预测精度。
　　五、结论
　　本文通过A省高校暂付款及影响因素分析，建立BP人工神经网络预测模型，仿真拟合历史数据，并利用仿真模型预测暂付款规模，与主成分回归模型比较。同时，构造了主成分回归拟合值绝对误差与BP仿真值绝对误差两个统计量，进行了配对样本的t检验，从统计学角度论证了BP仿真值绝对误差明显小于主成分回归拟合值绝对误差，证明了BP神经网络对高校暂付款规模拟合及预测精度优于主成分回归拟合及预测精度。
　　通过对A省高校暂付款及影响因素主成分回归分析可知：专用材料费、差旅费、设备费是影响高校暂付款形成的主要事项。在高校财务管理过程中，应积极推进公务卡结算制度，避免占用大量资金。在财务精细化管理中侧重于对设备购置形成的暂付款进行及时催报。此外，充分关注专用材料费、差旅费、设备费与暂付款规模同期变化幅度，对暂付款规模趋势形成预判，更好地采取有效措施，降低暂付款规模。
　　本研究验证了高校暂付款规模与其影响因素之间存在非线性的模糊映射关系。高校在控制暂付款规模过程中，可以通过利用BP人工神经网络对暂付款及其影响因素的历史数据进行拟合与仿真，并根据新的数据，对高校的暂付款规模进行预测，提前做好积极应对措施，降低暂付款规模，提高各类资金的使用效率，降低财务风险，实现教育经费规范化、科学化与精细化管理。
　　【参考文献】
　　[1] 李智敏，李敏.高校经费精细化管理之暂付款管理[J].教育财会研究，2012（10）：14-16.
　　[2] 刘从兵.应用EXCEL构建高校暂付款管理系统[J].财会月刊，2013（4）：102-104.
　　[3] 陈茜，梁勇.基于财务内控建设的高职学院暂付款管理思考[J].财会通讯（综合版），2013（5）：58-59.
　　[4] 王惠文，孟洁.多元线性回归的预测建模方法[J].北京航空航天大学学报，2007（4）：501-504.
　　[5] 黄新建，王一惠，赵伟.管理者特征、过度自信与股价崩盘风险：基于上市公司的经验证据[J].会计之友，2015（20）：76-81.
　　[6] 罗如芳，周运兰，潘泽江.债务融资结构对财务绩效的影响研究：以我国民族地区上市公司为例[J].会计之友，2015（10）：64-68.
　　[7] 郭呈全，陈希镇.主成分回归的SPSS实现[J].统计与决策，2011（5）：157-159.
转载注明来源:https://www.xzbu.com/3/view-11290657.htm