【導(dǎo)讀】企業(yè)評價(jià)是檢驗(yàn)企業(yè)經(jīng)營效果、校正發(fā)展方向的重要手段，對企業(yè)的成敗具有決定意義。概率神經(jīng)網(wǎng)絡(luò)是一種可用于模式分類的神經(jīng)網(wǎng)絡(luò)，本文將利用概率神經(jīng)網(wǎng)絡(luò)。對企業(yè)進(jìn)行評價(jià)，將企業(yè)分為“好”和“差”兩類。顯著相關(guān)的4個(gè)指標(biāo)。據(jù)建立并訓(xùn)練PNN神經(jīng)網(wǎng)絡(luò)。分類評價(jià)的是一種非常有效的方法。在結(jié)論中，對本文內(nèi)容進(jìn)行了總結(jié),并對今后的工作做了更進(jìn)一步的展望。

　　

【正文】 營收入同比 , 每股凈資產(chǎn) , 固定資產(chǎn)比 , 銷售毛利率。 e. 因變量 : 每股收益 西安 **大學(xué)本科畢業(yè)設(shè)計(jì) (論文 ) 19 從輸出結(jié)果可以看 出 ，逐步回歸的四個(gè)模型中模型 d 殘差最小，是最優(yōu)模型。 d 模型選擇的指標(biāo)為：主營收入同比 ， 每股凈資產(chǎn) ， 固定資產(chǎn)比 ， 銷售毛利率 。所以選取 主營收入同比 ， 每股凈資產(chǎn) ， 固定資產(chǎn)比 ， 銷售毛利率作為概率神經(jīng)網(wǎng)絡(luò)的輸入指標(biāo)。 PNN 網(wǎng)絡(luò)模型仿真 網(wǎng)絡(luò)層數(shù)的確定 構(gòu)造一個(gè)具有輸入層，隱層，輸出層的 3 層 PNN 網(wǎng)絡(luò) 來解決 兩類模式分類問題，一類為 經(jīng)營 “好 ”的 企業(yè)，一類為 經(jīng)營 “差 ”的 企業(yè)。 輸入個(gè)數(shù)、輸出層結(jié)點(diǎn)的確定 財(cái)指標(biāo)選取 4 個(gè)指標(biāo) ： 1x 主營收入同比， 2x 每股凈資產(chǎn)， 3x 凈固定資產(chǎn)比， 4x 固定資產(chǎn)比 ， 所以選取 4 個(gè)輸入 。 由于是 兩類模式分類， 所以 用 “1”代表 經(jīng)營 “好 ”的 企業(yè)，用 “2”代表經(jīng)營 “差 ”的 企業(yè)， 而 概率神經(jīng)網(wǎng)絡(luò) 輸出層 神經(jīng)元個(gè)數(shù)等 于訓(xùn)練樣本數(shù)據(jù)的種類數(shù)，輸出形式是單值矢量組，所以 選取 2 個(gè)結(jié)點(diǎn)。 概率神經(jīng)網(wǎng)絡(luò) 隱層神經(jīng)元的個(gè)數(shù)與輸入樣本矢量的個(gè)數(shù)相同，由于 訓(xùn)練 樣本 集由 60 個(gè) 企業(yè)組成，所以 隱層神經(jīng)元選取 60 個(gè)節(jié)點(diǎn)。 網(wǎng)絡(luò)模型 根據(jù)圖 31 網(wǎng)絡(luò)結(jié)構(gòu)，建立基于 PNN 的兩類 模式分類的 企業(yè)評價(jià)模型如下： 2211e x p 2h i p iiy w x c????? ? ?????? (31) 式中 ? ?1 2 3 4, , , Tp p p ppx x x x x? ——第 個(gè)輸入樣本 。 1, 2 60p ? ， … , ， 西安 **大學(xué)本科畢業(yè)設(shè)計(jì) (論文 ) 20 ic ——網(wǎng)絡(luò)隱節(jié)點(diǎn)的中心 ， iw ——隱層到輸出層的鏈接權(quán)值 ， 1,2,3,i??——隱層節(jié)點(diǎn)數(shù) ， y ——輸出節(jié)點(diǎn)的實(shí)際輸出。 圖 31 PNN網(wǎng)絡(luò)結(jié)構(gòu) 訓(xùn)練樣本的 網(wǎng)絡(luò) 仿真 [2223] 利用 60 個(gè)訓(xùn)練樣本 （ 見附錄一：原始數(shù)據(jù)的訓(xùn)練樣本）對 PNN 神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。再利用上述訓(xùn)練好的 PNN 網(wǎng)絡(luò)對訓(xùn)練樣本進(jìn)行兩類模式分類，運(yùn)行 matlab 程序（見附錄二），仿真輸出結(jié)果見表 32。 在表 32 中， 序號 130 的網(wǎng)絡(luò)輸出值是 經(jīng)營“好” 的企業(yè) 的 網(wǎng)絡(luò)輸出 ，即類 1 所對應(yīng)的網(wǎng)絡(luò)輸出，從網(wǎng)絡(luò)輸出值上看， 序號 130 的網(wǎng)絡(luò)輸出值等于 1； 序號 3160 的網(wǎng)絡(luò)輸出值是是 經(jīng)營“差” 的企業(yè) 的 網(wǎng)絡(luò)輸出 ,即類 2 所對應(yīng)的網(wǎng)絡(luò)輸出，從網(wǎng)絡(luò)輸出值上看， 序號 31601234xxxx y t （期望輸出 ） e 西安 **大學(xué)本科畢業(yè)設(shè)計(jì) (論文 ) 21 的網(wǎng)絡(luò)輸出值都等于 2。 訓(xùn)練 樣本的正確識別個(gè)數(shù)及識別率見表 33，從表 33 可 以 看出 ， 上面所建立的基于 PNN網(wǎng)絡(luò)的企業(yè)評價(jià)模型對訓(xùn)練樣本集的 正 確 識別 率達(dá)到 100%。 表 32訓(xùn)練樣本 的 網(wǎng)絡(luò)輸出值 序號 網(wǎng)絡(luò)輸出值 序號 網(wǎng)絡(luò)輸出值 序號 網(wǎng)絡(luò)輸出值 1 1 21 1 41 2 2 1 22 1 42 2 3 1 23 1 43 2 4 1 24 1 44 2 5 1 25 1 45 2 6 1 26 1 46 2 7 1 27 1 47 2 8 1 28 1 48 2 9 1 29 1 49 2 10 1 30 1 50 2 11 1 31 2 51 2 12 1 32 2 52 2 13 1 33 2 53 2 14 1 34 2 54 2 15 1 35 2 55 2 16 1 36 2 56 2 17 1 37 2 57 2 18 1 38 2 58 2 19 1 39 2 59 2 20 1 40 2 60 2 表 33：訓(xùn)練樣本的識別率 經(jīng)營“好” 的企業(yè) 經(jīng)營“差” 的企業(yè) 總計(jì) 訓(xùn)練樣本 30 30 60 正確識別數(shù) 30 30 60 正確識別率 100% 100% 100% 西安 **大學(xué)本科畢業(yè)設(shè)計(jì) (論文 ) 22 測試樣本的網(wǎng)絡(luò)仿真 為了檢驗(yàn)網(wǎng)絡(luò)的推廣能力，下面我們將 2020 年第二季度滬市交易所 20 家 上市 企業(yè) 作為測試 樣本，（原始數(shù)據(jù)的 測試 樣本見附錄二， 經(jīng)營“好” 的企業(yè) 10 個(gè)， 經(jīng)營“差” 的企業(yè) 10個(gè)），利用上述訓(xùn)練好的 PNN 網(wǎng)絡(luò)對 測試 樣本進(jìn)行兩類模式分類 。 測試樣本的網(wǎng)絡(luò)輸出結(jié)果如下：（見表 34） 表 34 測試樣本的網(wǎng)絡(luò)輸出值 序號 1 2 3 4 5 6 7 8 9 10 網(wǎng)絡(luò)輸出值 1 1 1 1 1 1 1 1 1 1 序號 11 12 13 14 15 16 17 18 19 20 網(wǎng)絡(luò)輸出值 2 2 1 2 2 2 2 1 2 2 表 35：測試樣本的識別率 經(jīng)營“好” 的企業(yè) 經(jīng)營“差” 的企業(yè) 總計(jì) 測試樣本 10 10 20 正確識別數(shù) 10 8 18 正確識別率 100% 80% 90% 在表 34 中， 序號 110 的網(wǎng)絡(luò)輸出值是 測試 樣本為 經(jīng)營“好” 的企業(yè) 的 網(wǎng)絡(luò)輸出，即類1 所對應(yīng)的網(wǎng)絡(luò)輸出；序號 1120 的網(wǎng)絡(luò)輸出值是 測試 樣本為 經(jīng)營“差” 的企業(yè) 的 網(wǎng)絡(luò)輸出 ,即類 2 所對應(yīng)的網(wǎng)絡(luò)輸出 。 測試 樣本的正確識別個(gè)數(shù)及識別率見表 35，從表 35 可 以 看出 ， 上面所建立的基于 PNN網(wǎng)絡(luò)的 企業(yè)評價(jià) 模型對 測試 樣本集的分類準(zhǔn)確率達(dá)到 90%。 本章小結(jié) 本章利用 SPSS 中的 逐步回歸法對 我國 2020 年 第二季度 公布的滬市交易所 的 80 家 企業(yè)的 12 個(gè)指標(biāo) —— 每股凈資產(chǎn)、凈資產(chǎn)收益率、每股經(jīng)營現(xiàn)金、每股公積金、每股未分配、股西安 **大學(xué)本科畢業(yè)設(shè)計(jì) (論文 ) 23 東權(quán)益比、凈利潤同比、主營收入同比、銷售毛利率、 固定資產(chǎn)比、負(fù)債比、資本公積金比 進(jìn)行篩選，最終得到 4 個(gè)指標(biāo)： 主營收入同比 , 每股凈資產(chǎn) , 固定資產(chǎn)比 , 銷售毛利率 。通過 概率神經(jīng) 網(wǎng)絡(luò) 建立 兩類模式分類的企業(yè) 評價(jià)模型。 以 其中的 60 家 企業(yè) 數(shù)據(jù)作為訓(xùn)練樣本，訓(xùn)練 后的網(wǎng)絡(luò)模型對訓(xùn)練樣本的正確識別率為 100%，最后，為了檢驗(yàn)網(wǎng)絡(luò)的推廣能力，用 20 家公司數(shù)據(jù)作為測試樣本，仿真結(jié)果表明：對測試樣本的正確識別率為 90%，因此 建立的 概率神經(jīng)網(wǎng)絡(luò) 的企業(yè) 評價(jià) 模型 是一種非常有效的分類方法。 西安 **大學(xué)本科畢業(yè)設(shè)計(jì) (論文 ) 24 第四章 結(jié)論 對企業(yè)的正確評價(jià)可以為我們的投資決策起指導(dǎo)作用，還可以為我們提前預(yù)警可能的風(fēng)險(xiǎn)。本文第一章 介紹 了 評價(jià)的 基本 方法， 第二章對 概率 神經(jīng)網(wǎng)絡(luò)的原理進(jìn)行了闡述， 第三章應(yīng)用 PNN 來對企業(yè)做出評價(jià)。首先，利用逐步回歸方法從 60 家上市公司的 12 個(gè)財(cái)務(wù)指標(biāo)進(jìn)行篩選得到與企業(yè)收益率顯著相關(guān)的 4 個(gè)指 標(biāo)。 其次，以這 4 個(gè)財(cái)務(wù)指標(biāo)為輸入向量，以企業(yè)的好差情況為輸出向量，利用 60 家上市數(shù)據(jù)建立并訓(xùn)練概率神經(jīng)網(wǎng)絡(luò)。最后，對訓(xùn)練樣本和測試樣本進(jìn)行了仿真，仿真結(jié)果表明：利用概率神經(jīng)網(wǎng)絡(luò)進(jìn)行企業(yè)分類評價(jià)的是一種非常有效的方法。 概率神經(jīng)網(wǎng)絡(luò)常用來解決分類問題。當(dāng)訓(xùn)練樣本數(shù)據(jù)足夠多時(shí)，概率神經(jīng)網(wǎng)絡(luò)收斂于一個(gè)貝葉斯分類器，而且推廣性良好。概率神經(jīng)網(wǎng)絡(luò)的分類準(zhǔn)確率雖然比較高，但是也有自己的局限性，當(dāng)輸入樣本數(shù)目過多時(shí)，計(jì)算將變的復(fù)雜， 耗時(shí)較長，因此運(yùn)算速度比較緩慢。因此，后面的研究可以嘗試與其他方法相結(jié)合來達(dá)到更省時(shí)、更精 確的目的。 西安 **大學(xué)本科畢業(yè)設(shè)計(jì) (論文 ) 25 參考文獻(xiàn) [1] 沈世鎰 .神經(jīng)網(wǎng)絡(luò)系統(tǒng)理論及其應(yīng)用 [M]，北京：科學(xué)出版社， 1998： 11， 534. [2] 徐勇，荊濤等譯 .神經(jīng)網(wǎng)絡(luò)模式識別及其實(shí)現(xiàn) [M]，北京：電子工業(yè)出版社， 1996： 8794. [3] 焦李成 .神經(jīng)網(wǎng)絡(luò)系統(tǒng)理論 [M]，西安：西安電子科技人學(xué)出版社， 1990： 12， 115. [4] 楊 克磊，高婷 .關(guān)于企業(yè)文化評價(jià)方法的建立 [J]，沈陽理工大學(xué)學(xué)報(bào)， 2020， 7(2)： 6770. [5] 王春秀 .AHP模糊綜合評價(jià)法在崗位評價(jià)與績效評估中的應(yīng)用研究 [D]，碩 士 ， 2020： 110. [6] 李忠紅 .用綜合指數(shù)法測評《編輯學(xué)報(bào)》的核心著者 [J]，寶雞文理學(xué)院學(xué)報(bào)， 2020， 2（ 1） ：9195. [7] 楊 俊峰 .基于灰色關(guān)聯(lián)聚類法的軟件可信性評估指標(biāo)選取方 [J]，中國電子商務(wù)， 2020， 7： 5253. [8] TingYu Chen， ChuehYung Tsao. The intervalvalued fuzzy TOPSIS method and experimental analysis[J], Fuzzy Sets and Systems, 2020， 159(11)： 4356. [9] 毛 曉敏，尚松浩 .基于數(shù)據(jù)包絡(luò)分析的統(tǒng)計(jì)預(yù)測模型有效性評價(jià) [D]， 碩士 ， 2020： 115. [10] WANG Zhengsuang. Optimization of Coarse Aggregate Content based on Efficacy Coefficient[J]， Journal of Wuhan University of Technology(Materials Science Edition)， 2020，2： 15. [11] 徐 夢丹 ， 黨麗娟 .線性加權(quán)綜合法在藥品供應(yīng)商評價(jià)中的應(yīng)用 [J]，廣東藥學(xué)院學(xué)報(bào) ， 2020，23(2)： 9094. [12] JP PastorFerrando， P AragonesBeltran， A HospitalerPerez. An ANPand AHPbased approach for weighting criteria in public works bidding [J]， The Journal of the Operational Research Society， 2020， 61(6)： 4041. [13] Wong WE， Qi Y. BP neural work based effective fault location[J]， International journal of software engineering and knowledge engineering， 2020， 19(4)： 7577. [14] 劉洪德，孫金柱 .基于 BP 神經(jīng)網(wǎng)絡(luò)的汽車工業(yè)企業(yè)自主創(chuàng)新力評價(jià) [J]，技術(shù)經(jīng)濟(jì)與管理研究， 2020， (5)： 2325. 西安 **大學(xué)本科畢業(yè)設(shè)計(jì) (論文 ) 26 [15] Tripathy， . Transformer Differential Protection Based On Optimal Probabilistic Neural Network [J]， IEEE Transactions on Power Delivery， 2020， 25(1)： 24 30. [16] Specht D neural works[J]， Neural Networks， 1990， 3： 109118. [17] 張海麗 .基于概率神經(jīng)網(wǎng)絡(luò)的出行方式選擇預(yù)測方法研究 [D]， 博士，北京交通大學(xué)， 2020：3035. [18] Gary W. Chang， ChengI Chen， YuFeng Teng. RadialBasisFunctionBased Neural Network for Harmonic Detection [J]， IEEE Transactions on Industrial Electronics， 2020， 57(6)： 89. [19] 何曉群，劉文卿 .應(yīng)用回歸分析 [M]，北京：中國人民大學(xué)出版社， 2020： 2， 159161. [20] Li DHW， Tang HL， Lee EWM， Muneer T. Classification of CIE standard skies using probabilistic neural works[J]， 2020， 30(2)： 4657. [21] Gang Yu， Changning Li， Sagar Kamarthi. Machine fault diagnosis using a clusterbased wavelet feature extraction and probabilistic neural works [J]， The International Journal of Advanced Manufacturing Technolog