我国大健康产业在国家利好政策和消费者与日俱增的健康需求的推动下,产业规模不断扩大,产业利润不断走高,市场前景一片广阔,大健康产业还因其产业下的企业在资本市场的股价涨幅较大受到广大投资者和证券机构的青睐,成为牛股的摇篮。云南白药企业自2011年起开始实施“新白药、大健康”产业战略,从传统医药企业逐步发展成为我国大健康产业领军企业之一,在盈余预测方面具有较高的研究价值。本文将云南白药企业置于大健康产业中,在了解了大健康产业的相关特点后,对云南白药企业的盈余预测现状和盈余预测财务信息影响因素进行分析,并建立起符合大健康产业和云南白药企业自身特点的盈余预测模型以提高盈余预测准确度。本文首先使用聚类—灰色关联分析法对盈余预测财务信息影响关键因素进行筛选,在消除指标相关性的同时保留了指标的重要性,以保证筛选出的关键指标更具科学性,为进一步的盈余预测研究提供了指标体系基础;其次使用健康中国板块下118家2007年—2018年的数据,运用RBF神经网络构建盈余预测模型,对云南白药企业2008年—2019年的盈余进行预测,检查基于RBF神经网络构建的盈余预测模型的精度,并根据云南白药企业的盈余预测结果和企业自身的特点,优化盈余预测模型,提高盈余预测模型的预测准确度;最后从盈余预测模型的角度出发,结合云南白药企业盈余预测现状和盈余预测财务信息影响因素,找出云南白药盈余预测中存在的问题并给出相应的对策建议。本文通过对云南白药企业盈余预测的研究,为云南白药企业提供一种基于聚类—灰色关联分析法的盈余预测关键财务指标筛选的新方法,还为其提供一种基于RBF神经网络盈余预测的新方法,为企业管理者、证券分析师提供了可参考的高精度且有针对性的盈余预测模型,更提高了云南白药企业盈余预测的准确性。本文应用于云南白药企业的盈余预测关键财务指标筛选的方法和盈余预测模型构建的方法对大健康产业下其他企业盈余预测的研究和盈余预测模型的构建有一定的借鉴意义。
基本信息
题目 | 基于RBF神经网络的大健康产业盈余预测研究 ——以云南白药为例 |
文献类型 | 硕士论文 |
作者 | 张意 |
作者单位 | 南京邮电大学 |
导师 | 周晓剑 |
文献来源 | 南京邮电大学 |
发表年份 | 2020 |
学科分类 | 经济与管理科学 |
专业分类 | 工业经济,工业经济,会计 |
分类号 | F426.72;F406.7 |
关键词 | 盈余预测,大健康产业,聚类灰色关联分析,神经网络 |
总页数: | 103 |
文件大小: | 3014K |
论文目录
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景及目的意义 |
1.1.1 研究背景 |
1.1.2 研究目的 |
1.1.3 研究意义 |
1.2 文献综述 |
1.2.1 盈余预测影响因素研究 |
1.2.2 盈余预测模型研究 |
1.2.3 盈余预测准确性研究 |
1.2.4 文献研究述评 |
1.3 研究内容与方法 |
1.3.1 研究内容 |
1.3.2 研究方法 |
1.4 本文创新点 |
第二章 盈余预测的相关概念和理论基础 |
2.1 盈余预测的相关理论 |
2.1.1 盈余的定义 |
2.1.2 盈余预测的内涵及分类 |
2.1.3 盈余预测的决策有用性 |
2.1.4 财务信息对盈余预测的影响 |
2.2 盈余预测关键财务指标筛选的理论基础 |
2.2.1 聚类—灰色关联分析法基本概念 |
2.2.2 聚类—灰色关联分析法的基本原理 |
2.2.3 聚类—灰色关联分析法的优点 |
2.3 盈余预测模型构建的理论基础 |
2.3.1 RBF神经网络的基本概念 |
2.3.2 RBF神经网络的基本原理 |
2.3.3 RBF神经网络的优点 |
2.4 本章小结 |
第三章 大健康产业发展及盈余预测现状 |
3.1 大健康产业的界定及特点 |
3.1.1 大健康产业的界定 |
3.1.2 大健康产业的特点 |
3.2 大健康产业的发展及趋势 |
3.2.1 大健康产业发展现状 |
3.2.2 大健康产业发展趋势 |
3.3 大健康产业盈余预测现状 |
3.3.1 大健康产业近五年被跟踪预测现状 |
3.3.2 大健康产业近五年盈余预测准确度现状 |
3.4 本章小结 |
第四章 云南白药盈余预测现状及财务信息影响因素分析 |
4.1 云南白药概况 |
4.1.1 公司简介 |
4.1.2 发展过程 |
4.1.3 “新白药、大健康”战略布局 |
4.2 云南白药盈余预测现状 |
4.2.1 云南白药近五年被跟踪预测现状 |
4.2.2 云南白药近五年盈余预测准确度现状 |
4.3 云南白药盈余预测财务信息影响因素分析 |
4.3.1 偿债能力分析 |
4.3.2 营运能力分析 |
4.3.3 盈利能力分析 |
4.3.4 现金流量能力分析 |
4.3.5 股东获利能力分析 |
4.3.6 发展能力分析 |
4.3.7 风险水平分析 |
4.4 本章小结 |
第五章 基于RBF神经网络的云南白药盈余预测模型构建 |
5.1 盈余预测关键财务指标体系构建 |
5.1.1 盈余预测的指标设计 |
5.1.2 基于聚类—灰色关联分析法的盈余预测关键指标筛选 |
5.1.3 基于聚类—灰色关联分析法的盈余预测关键指标筛选结果 |
5.2 基于RBF神经网络的盈余预测模型构建 |
5.2.1 样本选取和数据来源 |
5.2.2 基于RBF神经网络的盈余预测模型的构建 |
5.2.3 基于RBF神经网络的盈余预测模型的测试 |
5.3 云南白药盈余预测 |
5.3.1 云南白药数据的选取及来源 |
5.3.2 基于RBF神经网络的云南白药盈余预测 |
5.3.3 云南白药盈余预测精度检验 |
5.4 本章小结 |
第六章 云南白药盈余预测存在的问题及建议对策 |
6.1 云南白药盈余预测存在的问题 |
6.1.1 管理层盈余预测可利用信息少 |
6.1.2 盈余预测关键财务信息影响因素不清晰 |
6.1.3 缺乏具有产业或企业针对性的盈余预测模型 |
6.2 云南白药盈余预测的建议对策 |
6.2.1 管理层可适当进行年度业绩预告披露 |
6.2.2 注重筛选盈余预测关键财务信息影响因素 |
6.2.3 构建具有产业或企业针对性的盈余预测模型 |
第七章 总结与展望 |
7.1 研究总结 |
7.2 研究局限 |
7.3 研究展望 |
参考文献 |
附录1 程序清单 |
附录2 攻读硕士学位期间取得的成果 |
致谢 |
参考文献
[1] 基于RBF神经网络的电磁轴承基础激励主动控制研究[J]. 机电工程 2020(12) |
[2] 基于K均值聚类算法与RBF神经网络的交通流预测方法[J]. 智能计算机与应用 2020(08) |
[3] 基于RBF神经网络的绞吸挖泥船施工产量预测研究及分析[J]. 中国港湾建设 2019(12) |
[4] 基于RBF神经网络的船舶自适应区域到达控制[J]. 计算机测量与控制 2020(04) |
[5] 采空区移动变形的径向基函数神经网络概率积分法(RBF)反演[J]. 矿产与地质 2020(01) |
[6] RBF网络的船舶电子信息设备状态识别[J]. 舰船科学技术 2020(16) |
[7] 基于多变量相空间重构和RBF神经网络的光伏功率预测方法[J]. 电子测量与仪器学报 2020(08) |
[8] 基于RBF神经网络的车内声品质预测及分析[J]. 控制工程 2019(11) |
[9] 基于RBF网络的手势识别装置设计[J]. 信息技术 2019(12) |
[10] 基于RBF神经网络知识的智能故障诊断系统研究与实践[J]. 科技资讯 2016(34) |
[11] 基于RBF神经网络在转炉炼钢终点预报中的应用研究[J]. 无线互联科技 2017(04) |
[12] 基于RBF神经网络的网络安全态势预测方法[J]. 西安邮电大学学报 2017(02) |
[13] 基于粗糙集RBF神经网络村镇山洪灾害损失预测研究——以神农架林区为例[J]. 灾害学 2017(02) |
[14] 中央制冷空调冷冻水系统模糊RBF控制研究[J]. 电机与控制学报 2017(05) |
[15] 基于RBF的模糊积分多传感器数据融合的刮板输送机电机故障诊断[J]. 西安科技大学学报 2016(02) |
[16] 基于RBF的安徽省资源环境压力动态预警[J]. 中国农学通报 2015(01) |
[17] 基于RBF神经网络的高校数字图书馆服务质量评价[J]. 金融理论与教学 2015(02) |
[18] 基于RBF神经网络代理模型的车辆/轨道参数多目标优化[J]. 机械强度 2021(02) |
[19] 基于RBF神经网络的某型装甲车辆散热器优化设计[J]. 兵器装备工程学报 2021(02) |
[20] 基于RBF神经网络间接求取运动学逆解的研究[J]. 机床与液压 2019(23) |
[21] RBF神经网络拟合高程异常的探讨[J]. 黑龙江科技信息 2017(15) |
[22] 基于RBF神经网络的短期负荷预测方法[J]. 自动化应用 2017(10) |
[23] 改进RBF鲁棒控制的机器人轨迹跟踪[J]. 科技创新与应用 2017(31) |
[24] 无刷直流电机RBF磁场定向控制及监控系统设计[J]. 现代电子技术 2016(20) |
[25] 基于RBF网络曲线拟合的研究[J]. 黑龙江工程学院学报 2015(01) |
[26] 基于RBF模型的广东省土地生态安全时空演变预警研究[J]. 水土保持研究 2015(03) |
[27] 基于RBF的湖南省土地生态安全动态预警[J]. 地理学报 2012(10) |
[28] 基于免疫聚类的RBF网络在说话人识别中的应用[J]. 声学技术 2010(02) |
[29] 改进粒子群优化RBF神经网络在短期电力负荷预测上的研究[J]. 电子测试 2020(03) |
[30] 汇率双向波动增强后的跨境资金流动风险评估与预测方法研究——基于RBF神经网络模型[J]. 区域金融研究 2020(S1) |
相似文献
[1]RBF的改进及在中国轿车市场预测中的应用研究[D]. 尹德武.大连理工大学2006 |
[2]基于RBF神经网络的高端装备制造业财务风险预警研究[D]. 何珊.湖南大学2016 |
[3]基于PSO算法的RBF神经网络在板形板厚综合控制中的应用[D]. 纪阳.东华大学2013 |
[4]基于ESN混沌时间序列的RBF神经网络对浮选经济指标的预测分析[D]. 佟曦.辽宁科技大学2016 |
[5]基于RBF神经网络的配电网建设工程造价估算模型研究[D]. 陈振虎.华北电力大学2015 |
[6]服装销售预测方法及RBF神经网络模型研究[D]. 池可.苏州大学2009 |
[7]基于RBF网络的原油价格短期波动预测及对我国经济影响的实证分析[D]. 雷晨.浙江大学2010 |
[8]基于RBF网络的OKP企业变型零件生产提前期估算[D]. 姜远扬.河北工业大学2006 |
[9]基于神经网络的工序能耗模型的研究[D]. 章鸿.南昌大学2007 |
[10]基于优化神经网络的上市公司财务危机预警研究[D]. 李玲燕.上海工程技术大学2017 |
基于RBF神经网络的大健康产业过剩预测研究-以云南白药为例
下载Doc文档