竞争定位下的我国建筑业上市公司绩效评价

在激烈市场竞争环境下,绩效分析对建筑业企业至关重要。首先对我国建筑业上市公司进行竞争定位,明确绩效评价的可比范围;然后针对同一竞争定位下的企业,运用P-DEA模型,基于财务视角对无效企业进行绩效分析;最后通过构造新的"生产可能性前沿"即新的最优企业,对原有效企业进行绩效分析。     

基于遗传神经网络的非等时距加权灰色线性组合模型在变形监测中的应用

针对非等时距以及BP神经网络会陷入局部极小值的问题,本文提出了基于非等时距加权灰色组合GA-BP模型的新方法。首先对原始变形监测数据采用非等时距的加权灰色组合线性模型处理,然后利用处理后的数据求出残差进而建立GA-BP神经网络模型进行残差修正。通过对比非等时距GM(1,1)以及非等时距加权灰色线性组合模型的结果,发现基于非等加权灰色线性组合GA-BP神经网络模型可以有效地提高模型精度,具有一定的应用价值。     

基于改进型BP神经网络的大型CCHP系统负荷预测研究

为了解决BP神经网络在预测空调负荷时存在的学习速度慢、维数灾难、容易陷入局部收敛及无法保证全局收敛最优解等问题,首先采用Spearman秩相关系数分析冷负荷的主要影响因素,确定了动态冷负荷预测模型的输入参数,然后构建复合遗传算法的改进型GA-BP神经网络预测模型,并分别利用BP和GA-BP神经网络模型对位于上海的某大型...     

遗传算法优化BP神经网络的保障房工程项目管理绩效评价

为了提高BP神经网络算法对项目管理绩效评价的准确性,提出一种基于遗传算法优化BP神经网络的项目管理绩效评价方法。该方法将遗传算法引入到BP神经网络中,搜索最佳的初始网络权植和阈值,在此基础上通过训练得出最优解,并利用该方法对保障房工程项目管理绩效评价进行可行性验证。结果表明,利用该方法对保障房工程项目管理绩效评价具有强大的非线性拟合能力和更高的准确性。     

中小企业板上市公司退市风险预警研究——基于因子分析的Rprop神经网络模型分析

以我国中小企业板上市公司退市风险预警为例,利用弹性反向传播算法(resilient back propagation,Rprop)和因子分析法相结合,建立一种基于因子分析的Rprop神经网络模型。首先利用因子分析法构建包含财务变量和非财务变量的预警体系;其次运用Rprop神经网络模型对我国160家中小企业板上市公司进行退市风险预警实证分析;最后对该模型的有效性进行实证分析,结果表明,该模型对上市公司退市风险预警的准确性比标准的BP神经网络模型和支持向量机模型分别提高2.91%和6.09%。因此,该模型可为投资者决策提供较好的参考依据。     

新环境下财务共享服务中心绩效评价体系设计——基于层次分析法

文章从财务共享服务中心如何应对"中国制造2025"这一新环境入手,以财务共享服务中心未来如何更好地从企业的成本中心向利润中心转变,以及如何更好地解决"个性化"定制与财务共享服务规模经济之间的矛盾为战略目标,基于平衡计分卡建立财务共享服务中心绩效评价体系,并通过层次分析法对指标权重进行分析。通过A公司对该绩效评价体系的应用实例,说明其应用方法,以期为公司在财务共享服务中心绩效评价方面提供可操作性的管理工具。     

房地产上市公司财务预警实证研究

准确预测房地产公司的财务风险并及时预警有助于房地产企业的健康稳定发展。根据房地产企业的现实情况,通过BP神经网络模型和Logistic模型分别对房地产上市公司的财务状况进行了实证研究。结果表明:BP神经网络模型的预测准确率要高于Logistic模型,同时综合使用多种方法预测房地产公司的财务状况更加准确。     

基于BP和GA-BP神经网络的混凝土抗压强度预测研究

由于影响混凝土抗压强度的因素众多，且抗压强度与各影响因素之间的关系是一种复杂的非线性问题，采用了机器学习的方法较好地对混凝土抗压强度做出预测，研究采用BP和GA-BP两种神经网络分别对混凝土28 d抗压强度进行预测并进行分析，其中输入层的参数为水泥、炉渣、粉煤灰、水、减水剂、粗骨料和细骨料的用量。结果表明：与BP神经网络式相比，GA-BP神经网络预测值与实测值更为吻合，平均误差率减少了43%，有更好的预测能力。同时研究采用灰色关联算法对输入层进行敏感性分析，表明粗骨料用量的改变对28 d混凝土抗压强度的影响最大，并且在输入层删除敏感性较低的参数后，神经网络的预测效果有进一步提高。研究还通过GA-BP神经网络寻最优值对当混凝土强度达到最大值时，输入层各影响因素的数值进行了预测，为混凝土的抗压强度预测和配合比设计提供了分析方法且该神经网络对试验有较好的导向作用。     

新常态背景下中小板企业财务预警模型构建

财务风险伴随着企业自初创、成熟直至衰退的整个过程,经济新常态下中国经济增速放缓,中小板上市公司在此宏观环境下面临着比以往更大的财务风险。财务预警是根据企业的经营状况和财务指标等因素的变化,对企业财务管理活动中存在的财务风险进行检测、诊断和报警的方法。文章利用BP神经网络构建了新常态背景下适用于我国中小板上市公司的财务预警模型,并对模型的预测准确率进行了检验,认为模型达到了较好的预警效果。最后针对新常态下中小板上市公司的特点提出了财务风险的应对措施。     

LSTM循环神经网络与企业盈利预测研究

在人工智能蓬勃发展的时代背景下,为提高会计信息有用性,本文采用LSTM神经网络模型以及财务报表信息对上市公司的盈利进行预测,并与分析师预测的结果进行对比。在来自沪深300的企业的盈利预测任务中,LSTM模型的平均正确率为88.60%比分析师预测的平均正确率高13.52%,并且在正确率分布中,LSTM模型的结果不存在厚尾现象,其峰度明显高于分析师预测结果,且方差显著低于分析师预测结果。揭示了人工智能模型应用在财务预测方面的现实意义。