我國(guó)中小企業(yè)融資難問(wèn)題成為熱點(diǎn)后,不少學(xué)者從企業(yè)的償債能力出發(fā)探索解決中小企業(yè)融資難的途徑和方法。而償債風(fēng)險(xiǎn)預(yù)警技術(shù)為客觀(guān)評(píng)價(jià)中小企業(yè)償債能力提高參考。中小企業(yè)的償債風(fēng)險(xiǎn)狀態(tài)的預(yù)警是判斷償債風(fēng)險(xiǎn)等級(jí)的前提和償債風(fēng)險(xiǎn)管理控制的起點(diǎn)。通過(guò)大量的文獻(xiàn)閱讀發(fā)現(xiàn),國(guó)內(nèi)外從償債風(fēng)險(xiǎn)角度進(jìn)行企業(yè)風(fēng)險(xiǎn)預(yù)警的研究少,并且缺乏對(duì)中小企業(yè)償債風(fēng)險(xiǎn)預(yù)警的定量研究。因此本文首先通過(guò)分析我國(guó)上市的中小企業(yè)償債風(fēng)險(xiǎn)現(xiàn)狀分析,并結(jié)合文獻(xiàn)研究,構(gòu)建中小企業(yè)償債風(fēng)險(xiǎn)預(yù)警指標(biāo)體系。之后運(yùn)用BP神經(jīng)網(wǎng)絡(luò)模型對(duì)我國(guó)中小企業(yè)的償債風(fēng)險(xiǎn)進(jìn)行預(yù)警研究。隨后對(duì)預(yù)警結(jié)果分析得到的決定性指標(biāo)進(jìn)行檢驗(yàn)。得出下面三個(gè)結(jié)論:—是本文構(gòu)建的中小企業(yè)償債風(fēng)險(xiǎn)模型能夠使中小企業(yè)償債風(fēng)險(xiǎn)預(yù)警效果最好;二是通過(guò)與大型企業(yè)的償債風(fēng)險(xiǎn)預(yù)警對(duì)比,本文構(gòu)建的中小企業(yè)償債風(fēng)險(xiǎn)模型能夠較為科學(xué)地為中小企業(yè)提供償債風(fēng)險(xiǎn)預(yù)警方法。三是本文模型結(jié)果分析發(fā)現(xiàn),凈資產(chǎn)收益率是影響我國(guó)中小企業(yè)償債風(fēng)險(xiǎn)預(yù)警模型預(yù)測(cè)準(zhǔn)確率的最重要的指標(biāo)。最后,為我國(guó)中小企業(yè)降低償債風(fēng)險(xiǎn)提出相應(yīng)地建議。 

【文章來(lái)源】：廣西大學(xué)廣西壯族自治區(qū) 211工程院校

【文章頁(yè)數(shù)】：57 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖１－１論文研究路線(xiàn)圖??Ｃｈａｒｔ?１￣１?Ｐａｐｅｒ?Ｒｅｓｅａｒｃｈ?Ｒｏａｄｍａｐ??１．５創(chuàng)新點(diǎn)??

改每?jī)蓪娱g的誤差反饋，來(lái)調(diào)整各層神經(jīng)元的權(quán)值和閾值。這一階段循環(huán)持續(xù)進(jìn)行，直??到神經(jīng)網(wǎng)絡(luò)輸出的誤差達(dá)到可接受程度或者最大學(xué)習(xí)次數(shù)而結(jié)束運(yùn)行，最后輸出預(yù)測(cè)結(jié)??果。ＢＰ神經(jīng)網(wǎng)絡(luò)模型如圖２－２所示。??１８??

?反向傳播??圖２－１?ＢＰ神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)??Ｃｈａｒｔ２－１?Ｓｔｒｕｃｔｕｒｅ?ｏｆ?ＢＰ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ??資料來(lái)源：楊保安，季海等（２００１）?［２４］??２．２．２?ＢＰ神經(jīng)網(wǎng)絡(luò)的模型原理??ＢＰ神經(jīng)網(wǎng)絡(luò)模型過(guò)程：通過(guò)對(duì)輸入樣本數(shù)據(jù)，進(jìn)行訓(xùn)練，然后進(jìn)行預(yù)測(cè)。其訓(xùn)練??過(guò)程包含兩個(gè)階段即信息的正向傳播和誤差的反向傳播。正向傳播階段是數(shù)據(jù)的單向輸??入。輸入樣本數(shù)據(jù)從輸入層到隱含層再?gòu)妮敵鰧虞敵鲞\(yùn)行的結(jié)果，即逐層向前傳播信息。??當(dāng)輸出層的實(shí)際輸出與期望的輸出相符，則直接輸出結(jié)果。反之，則將該結(jié)果與實(shí)際結(jié)??果輸入直接的誤差逐層進(jìn)行反向傳播。反向傳播就是將誤差信號(hào)按輸出層到隱含層最后??到輸入層的反向運(yùn)行階段，即誤差的反向傳播階段。反向傳播過(guò)程中采用梯度下降法更??改每?jī)蓪娱g的誤差反饋，來(lái)調(diào)整各層神經(jīng)元的權(quán)值和閾值。這一階段循環(huán)持續(xù)進(jìn)行，直??到神經(jīng)網(wǎng)絡(luò)輸出的誤差達(dá)到可接受程度或者最大學(xué)習(xí)次數(shù)而結(jié)束運(yùn)行，最后輸出預(yù)?

【參考文獻(xiàn)】：
期刊論文
[1]基于PCA和AP的嵌套式KNN金融時(shí)間序列預(yù)測(cè)模型[J]. 唐黎,潘和平,姚一永.  預(yù)測(cè). 2019(01)
[2]基于Cox回歸的中小企業(yè)財(cái)務(wù)預(yù)警模型及實(shí)證[J]. 宋宇,秦學(xué)志,李鴻禧.  管理現(xiàn)代化. 2019(01)
[3]基于F計(jì)分值的上市公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警研究[J]. 熊毅,張友棠.  管理現(xiàn)代化. 2019(01)
[4]基于Logistic模型的我國(guó)房地產(chǎn)企業(yè)信用風(fēng)險(xiǎn)度量研究[J]. 胡勝,雷歡歡,胡華強(qiáng).  中國(guó)軟科學(xué). 2018(12)
[5]高新技術(shù)企業(yè)創(chuàng)新資金配置風(fēng)險(xiǎn)預(yù)警的FOA-SVM模型及實(shí)證[J]. 王玉冬,王迪,王珊珊.  系統(tǒng)工程理論與實(shí)踐. 2018(11)
[6]基于SA-SVM的眾籌違約風(fēng)險(xiǎn)預(yù)警模型[J]. 李杰,馬士豪,靳孟宇,Chao-hsien Chu.  統(tǒng)計(jì)與信息論壇. 2018(11)
[7]中小企業(yè)增值稅納稅評(píng)估模型的構(gòu)建——基于隨機(jī)森林技術(shù)的實(shí)證分析[J]. 于曉虹.  稅務(wù)研究. 2018(11)
[8]P2P網(wǎng)貸平臺(tái)風(fēng)險(xiǎn)甄別研究[J]. 師應(yīng)來(lái),張冰潔,姜昊.  統(tǒng)計(jì)與決策. 2018(16)
[9]企業(yè)債務(wù)違約風(fēng)險(xiǎn)Logistic回歸預(yù)警模型[J]. 潘澤清.  上海經(jīng)濟(jì)研究. 2018(08)
[10]SGL-SVM方法研究及其在財(cái)務(wù)困境預(yù)測(cè)中的應(yīng)用[J]. 方匡南,楊陽(yáng).  統(tǒng)計(jì)研究. 2018(08)

碩士論文
[1]基于隨機(jī)森林—人工神經(jīng)網(wǎng)絡(luò)企業(yè)財(cái)務(wù)預(yù)警研究[D]. 王元坤.山東大學(xué) 2017
[2]支持向量機(jī)方法及其在企業(yè)信用風(fēng)險(xiǎn)評(píng)級(jí)中的應(yīng)用[D]. 王敬宇.吉林大學(xué) 2010
[3]基于SVM的商業(yè)銀行信用風(fēng)險(xiǎn)模型研究[D]. 王艾婷.天津大學(xué) 2009



本文編號(hào)：3590198