上市公司典型財(cái)務(wù)危機(jī)預(yù)警模型比較研究

　　本文以我國(guó)滬深兩市2005年90家上市公司作為研究對(duì)象，以其被ST前一年的截面數(shù)據(jù)建立一套財(cái)務(wù)指標(biāo)體系，應(yīng)用Logistic 回歸和BP神經(jīng)網(wǎng)絡(luò)方法建立財(cái)務(wù)危機(jī)預(yù)警模型， 進(jìn)行了實(shí)證研究。

　　一、筆者對(duì)財(cái)務(wù)危機(jī)的界定

　　如何界定財(cái)務(wù)危機(jī)是進(jìn)行財(cái)務(wù)預(yù)警研究考慮的首要問(wèn)題。國(guó)外大部分研究將企業(yè)在破產(chǎn)法下提出破產(chǎn)申請(qǐng)的行為作為確定企業(yè)進(jìn)入財(cái)務(wù)危機(jī)的標(biāo)志，Altman （1968）指出財(cái)務(wù)危機(jī)分4種類(lèi)型：經(jīng)營(yíng)失敗、無(wú)償付能力、違約、破產(chǎn)；Deakin （1972）認(rèn)為財(cái)務(wù)危機(jī)公司是指已經(jīng)破產(chǎn)、無(wú)力償還債務(wù)而已經(jīng)進(jìn)行清算的公司；ROSS等人（1999）認(rèn)為可從4個(gè)方面定義企業(yè)的財(cái)務(wù)危機(jī)：企業(yè)失敗、法定破產(chǎn)、技術(shù)破產(chǎn)和會(huì)計(jì)破產(chǎn)。由于我國(guó)證券市場(chǎng)發(fā)育不夠成熟，缺乏健全的退市機(jī)制，上市資格一直受到證監(jiān)會(huì)的嚴(yán)格控制，巨大的需求使業(yè)績(jī)差的“殼資源”上市公司炙手可熱，即便處于破產(chǎn)的邊緣，也會(huì)被完全吸收。故而，結(jié)合我國(guó)的實(shí)際情況，筆者把公司被特別處理（ST）作為陷入財(cái)務(wù)困境的標(biāo)志，ST制度是對(duì)“狀況異常”的上市公司實(shí)行股票交易的特別處理。筆者在研究中將財(cái)務(wù)危機(jī)確切界定為公司財(cái)務(wù)狀況異常而被“特別處理”。

　　二、國(guó)內(nèi)外文獻(xiàn)綜述

　　目前，研究財(cái)務(wù)預(yù)警的模型主要集中于以下幾類(lèi)模型：?jiǎn)巫兞磕Ｐ�、多變量統(tǒng)計(jì)分析模型和人工神經(jīng)網(wǎng)絡(luò)模型。

　�。ㄒ唬﹩巫兞磕Ｐ�

　　該模型研究的先驅(qū)者美國(guó)芝加哥大學(xué)教授WilliamBeaver （1966）提出了較為成熟的單變量模式，他以79家失敗企業(yè)和相同數(shù)量、同等規(guī)模成功企業(yè)為樣本，通過(guò)研究個(gè)別財(cái)務(wù)比率長(zhǎng)期走勢(shì)預(yù)測(cè)企業(yè)面臨危機(jī)情況；我國(guó)學(xué)者陳靜（1999）以1998年的27家ST和27家非ST公司，利用1995－1997年的財(cái)務(wù)報(bào)表數(shù)據(jù)進(jìn)行了單變量分析，提出流動(dòng)比率和負(fù)債比率誤判率最低；吳世農(nóng)、盧賢義（2001）以70家ST和70家非ST上市公司為樣本，應(yīng)用單變量分析研究財(cái)務(wù)困境出現(xiàn)前五年內(nèi)這兩類(lèi)公司21個(gè)財(cái)務(wù)指標(biāo)各年的差異，最后確定了6個(gè)預(yù)測(cè)指標(biāo)。

　�。ǘ�）多變量統(tǒng)計(jì)分析模型

　　多變量統(tǒng)計(jì)分析模型同單變量模型相比，更全面地反映了企業(yè)的財(cái)務(wù)狀況。由于建模使用的統(tǒng)計(jì)方法不同，又分為多元回歸分析模型、多元判別分析模型、主成分分析模型和Logisitic回歸模型。美國(guó)學(xué)者Edward Altman教授率先將多元線(xiàn)性判別方法引入財(cái)務(wù)預(yù)警領(lǐng)域，開(kāi)創(chuàng)了多變量預(yù)警模型的先河，提出Z－score模型；張玲（2000）選取滬深兩市14個(gè)行業(yè)120家上市公司為樣本，從償債能力、盈利能力、資本結(jié)構(gòu)狀況和營(yíng)運(yùn)狀況4個(gè)方面15個(gè)相關(guān)財(cái)務(wù)比率中篩選出4個(gè)變量構(gòu)建了二分類(lèi)線(xiàn)性判定模型；周首華（1996）構(gòu)建了F分?jǐn)?shù)模型。其中Logisitic回歸模型已經(jīng)引起人們的高度關(guān)注。

　�。ㄈ�） 人工神經(jīng)網(wǎng)絡(luò)模型

　　人工神經(jīng)網(wǎng)絡(luò)（ANN）的發(fā)展始于20世紀(jì)40年代，它利用大量非線(xiàn)性并行處理關(guān)系來(lái)模擬眾多的人腦神經(jīng)元的運(yùn)作，具有較好的模式識(shí)別、學(xué)習(xí)、訓(xùn)練和容錯(cuò)能力，克服了傳統(tǒng)統(tǒng)計(jì)方法的局限。M.Odom（1990）最早把人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于財(cái)務(wù)危機(jī)預(yù)測(cè)研究；由Rumelhart和McClelland（1986）提出的一種多層前饋網(wǎng)反向傳播BP神經(jīng)網(wǎng)絡(luò)方法，適用于模擬輸入、輸出的近似關(guān)系，而且具有無(wú)限隱含層節(jié)點(diǎn)的三層BP網(wǎng)絡(luò)可以實(shí)現(xiàn)任意從輸入到輸出的非線(xiàn)性映射，同時(shí)也是近年來(lái)應(yīng)用最廣泛最成熟的ANN模型；Lapedes和Fayber（1987）首次運(yùn)用神經(jīng)網(wǎng)絡(luò)模型對(duì)銀行信用風(fēng)險(xiǎn)進(jìn)行了預(yù)測(cè)和分析；Trippi和Turban（1992）對(duì)美國(guó)銀行財(cái)務(wù)危機(jī)進(jìn)行了分析；我國(guó)學(xué)者楊保安（2001）選取15個(gè)財(cái)務(wù)指標(biāo)，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)方法建立了供銀行進(jìn)行授信評(píng)價(jià)的預(yù)警系統(tǒng)。

　　三、實(shí)證研究

　　筆者主要根據(jù)Logisitic回歸模型和BP神經(jīng)網(wǎng)絡(luò)模型理論，搜集上市公司的財(cái)務(wù)數(shù)據(jù)，建立不同的實(shí)證模型進(jìn)行比較，分析財(cái)務(wù)預(yù)警的效果。

　�。ㄒ唬┭芯繕颖镜脑O(shè)計(jì)

　　筆者將我國(guó)上市公司中的ST公司界定為“財(cái)務(wù)失敗”。選取了2005年滬深上市的30家ST公司和同行業(yè)相近規(guī)模的30家非ST公司作為估計(jì)樣本組，另外選取同時(shí)期的30家ST公司和非ST公司作為測(cè)試樣本組。估計(jì)樣本組的數(shù)據(jù)用于構(gòu)建預(yù)警模型，而測(cè)試樣本組用于檢驗(yàn)預(yù)警模型的有效程度。鑒于研究的需要，所選取的財(cái)務(wù)指標(biāo)數(shù)據(jù)是ST公司被宣布特別處理前一年（2004）的年報(bào)數(shù)據(jù)，樣本公司的財(cái)務(wù)數(shù)據(jù)主要來(lái)自巨潮咨訊網(wǎng)站和中國(guó)上市公司咨訊網(wǎng)站統(tǒng)計(jì)年鑒。

　　（二）財(cái)務(wù)指標(biāo)體系的選擇

　　財(cái)務(wù)比率的選取是構(gòu)建財(cái)務(wù)危機(jī)預(yù)警模型極其重要的一步，選擇的恰當(dāng)與否關(guān)系到財(cái)務(wù)危機(jī)預(yù)警模型的有效性。筆者采用定性分析和定量分析相結(jié)合的方法， 借鑒國(guó)內(nèi)外學(xué)者的實(shí)證研究成果并結(jié)合我國(guó)上市公司的實(shí)際情況， 從企業(yè)的市場(chǎng)價(jià)值指標(biāo)、盈利能力、償債能力、經(jīng)營(yíng)能力、成長(zhǎng)能力、資本結(jié)構(gòu)等6個(gè)方面， 提供了17個(gè)備選財(cái)務(wù)指標(biāo)，作為研究模型中使用的初始變量，如表1所示：

表1        備選財(cái)務(wù)預(yù)警指標(biāo)

　　然而，模型中包括如此多的指標(biāo)是不經(jīng)濟(jì)的，同時(shí)由于財(cái)務(wù)指標(biāo)之間的相關(guān)性比較強(qiáng)，結(jié)構(gòu)錯(cuò)綜復(fù)雜，因此在建立模型前有必要對(duì)初始變量進(jìn)行篩選。ST公司和非ST公司之間應(yīng)該具有顯著差別，進(jìn)入預(yù)警模型的變量至少能有效、顯著地區(qū)別ST公司和非ST公司，這是入選變量的必要條件。所以筆者采用統(tǒng)計(jì)分析法中的顯著性檢驗(yàn)方法（T檢驗(yàn)）對(duì)預(yù)警指標(biāo)進(jìn)行第一次篩選。使用SPSS統(tǒng)計(jì)分析軟件，對(duì)財(cái)務(wù)危機(jī)企業(yè)被處理前一年（2004）的數(shù)據(jù)進(jìn)行顯著性檢驗(yàn)。從T檢驗(yàn)結(jié)果可以看出，選取顯著性水平為0.05，在備選的17個(gè)財(cái)務(wù)預(yù)警指標(biāo)中， 總資產(chǎn)報(bào)酬率（X1）、凈資產(chǎn)收益率（X2）、流動(dòng)比率（X3）、速動(dòng)比率（X4）、資產(chǎn)負(fù)債率（X5）、股東權(quán)益比率（X6）、總資產(chǎn)周轉(zhuǎn)率（X7）、總資產(chǎn)增長(zhǎng)率（X8）、每股收益（X9）、每股凈資產(chǎn)（X10）的雙尾檢驗(yàn)的顯著概率均小于0.05，通過(guò)了顯著性檢驗(yàn)，說(shuō)明這些指標(biāo)變量在ST公司和非ST公司之間是有顯著差異的，因此選取這10個(gè)變量進(jìn)入預(yù)測(cè)模型。

　�。ㄈ�）Logistic回歸分析模型

　　以60家估計(jì)樣本財(cái)務(wù)危機(jī)發(fā)生前一年的數(shù)據(jù)為基礎(chǔ)，使用篩選的10個(gè)指標(biāo)為自變量，構(gòu)建Logistic回歸分析模型，運(yùn)用SPSS軟件分析獲得模型的系數(shù)及相關(guān)參數(shù)見(jiàn)表2.

表2    估計(jì)樣本Logistic回歸模型參數(shù)表

		B	S.E.	Wald	df	Sig.	Exp（B）
Step 1（a）	每股凈資產(chǎn)	1.779	.487	13.348	1	.000	5.921
	Constant	－2.326	.723	10.353	1	.001	.098
Step 2（b）	總資產(chǎn)周轉(zhuǎn)率	.051	.024	4.368	1	.037	1.052
	每股凈資產(chǎn)	1.674	.560	8.922	1	.003	5.333
	Constant	－2.496	.902	7.664	1	.006	.082

　　a Variable（s） entered on step 1：每股凈資產(chǎn)  b Variable（s） entered on step 2：總資產(chǎn)周轉(zhuǎn)率

　　注：B為預(yù)警變量的回歸系數(shù)：S.E. 為回歸系數(shù)的標(biāo)準(zhǔn)誤差；Wald是檢驗(yàn)偏回歸系數(shù)的統(tǒng)計(jì)盈；df為自由度；Sig.為顯著水平。

　　從表中可以看出，X7和X10變量的顯著水平均小于0.05，說(shuō)明預(yù)測(cè)能力較強(qiáng)，現(xiàn)構(gòu)建Logistic回歸模型，其方程表示為： Logit（Y）=Ln（P/1－P）=－2.496 + 0.051X7+1.674X10.

　

　　P（Y=1）代表公司發(fā)生財(cái)務(wù)危機(jī)的概率， P（Y=0）代表公司不發(fā)生財(cái)務(wù)危機(jī)的概率，因此筆者以P=0.5為最佳判別點(diǎn)，以期能使預(yù)警模型在實(shí)際中有更好的預(yù)測(cè)效果。當(dāng)P大于0.5時(shí)，判別為ST公司，數(shù)值越大，表明該公司未來(lái)一年內(nèi)發(fā)生財(cái)務(wù)危機(jī)的可能性越大；當(dāng)P小于0.5時(shí)，判別為非ST公司，數(shù)值越小，表明該公司財(cái)務(wù)狀況越安全；當(dāng)P等于0.5時(shí)，說(shuō)明該公司的財(cái)務(wù)狀況不太明顯，但也判別為ST公司。

　　（四）BP神經(jīng)網(wǎng)絡(luò)模型

　　筆者采用三層BP網(wǎng)絡(luò)，由輸入層、隱含層、輸出層組成。輸入層至隱含層以及隱含層至輸出層的傳輸函數(shù)均選用非線(xiàn)性S 型Sigmoid 函數(shù)，這個(gè)算法的學(xué)習(xí)過(guò)程由正向和反向傳播過(guò)程組成。

　　運(yùn)用軟件Matlab 6.5， 構(gòu)建了10－16－1的三層BP網(wǎng)絡(luò)，并選取了60個(gè)訓(xùn)練樣本和30個(gè)測(cè)試樣本進(jìn)行實(shí)驗(yàn)。另外，由于輸入是連續(xù)變量，輸出是布爾型離散向量， 訓(xùn)練或測(cè)試前使用Matlab的Premnmx函數(shù)對(duì)樣本進(jìn)行歸一化處理，作為網(wǎng)絡(luò)的輸入數(shù)據(jù)。BP神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)包括輸入層、隱含層、輸出層、傳遞函數(shù)、訓(xùn)練函數(shù)等網(wǎng)絡(luò)結(jié)構(gòu)和網(wǎng)絡(luò)參數(shù)的設(shè)置，具體到文本的研究，設(shè)置如下：

　　1.輸入層：輸入層神經(jīng)元個(gè)數(shù)由輸入量決定，確定了10個(gè)輸入節(jié)點(diǎn)。

　　2.輸出層：輸出層神經(jīng)元的個(gè)數(shù)由輸出類(lèi)別決定。具體到本文，網(wǎng)絡(luò)的輸出層定義為一個(gè)節(jié)點(diǎn)，即上市公司的實(shí)際財(cái)務(wù)狀況。在訓(xùn)練樣本集中，樣本的輸出向量為T(mén)（當(dāng)為ST公司時(shí)，T=1；當(dāng)為非ST公司時(shí)，T=0）。

　　3.隱含層：關(guān)于隱節(jié)點(diǎn)數(shù)的選取至今尚未找到一個(gè)很好的解析式來(lái)表示，過(guò)少，將影響到網(wǎng)絡(luò)的有效性；過(guò)多，則會(huì)大幅度增加網(wǎng)絡(luò)訓(xùn)練的時(shí)間，用于模式識(shí)別的BP網(wǎng)絡(luò)，根據(jù)經(jīng)驗(yàn)，可以參照以下公式進(jìn)行設(shè)計(jì)：n=n1+0.618×（n1－ n2）其中，n為隱節(jié)點(diǎn)數(shù)，n1為輸入節(jié)點(diǎn)數(shù)，n2為輸出節(jié)點(diǎn)數(shù)。由此公式選取隱含層節(jié)點(diǎn)數(shù)為16.筆者采用隱含層神經(jīng)元個(gè)數(shù)為16個(gè)。

　　4.傳遞函數(shù)：傳遞函數(shù)的好壞對(duì)一個(gè)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效率至關(guān)重要�？紤]到輸出層的期望輸出數(shù)據(jù)為0或1，經(jīng)反復(fù)測(cè)試，筆者對(duì)輸入層到隱含層的傳遞函數(shù)確定為正切函數(shù)tansig（n），它將神經(jīng)元的輸入范圍從（－ ，+ ）映射到（1，－1），隱含層到輸出層之間的傳遞函數(shù)確定為對(duì)數(shù)函數(shù)logsig（n），它將神經(jīng)元的輸入范圍從（－ ，+ ）映射到（0， 1）。

　　5.網(wǎng)絡(luò)參數(shù)：目標(biāo)誤差0.001，學(xué)習(xí)速率為0.01，訓(xùn)練循環(huán)次數(shù)1000次。學(xué)習(xí)率通常在0.01～0.9之間。一般來(lái)說(shuō)，學(xué)習(xí)率越小，訓(xùn)練次數(shù)越多， 但學(xué)習(xí)率過(guò)大，會(huì)影響網(wǎng)絡(luò)結(jié)構(gòu)的穩(wěn)定性。誤差通常需要根據(jù)輸出要求來(lái)定， e越低， 說(shuō)明要求的精度越高。

　　6.訓(xùn)練函數(shù)：本文選取基于快速BP算法的訓(xùn)練函數(shù)trainlm借助Matlab6.5語(yǔ)言編程實(shí)現(xiàn)模型在PC上經(jīng)過(guò)75個(gè)訓(xùn)練周期后達(dá)到要求。

　　（五）不同模型結(jié)果比較

表3     不同模型的判別準(zhǔn)確率比較

　　從上述兩種模型之間的判別準(zhǔn)確率比較表可以明顯看出，估計(jì)樣本方面BP神經(jīng)網(wǎng)絡(luò)判別效果高于Logisitic模型；測(cè)試樣本方面兩者相當(dāng)。

　　四、研究結(jié)論及局限性

　　筆者在回顧國(guó)內(nèi)外財(cái)務(wù)預(yù)警模型經(jīng)典文獻(xiàn)和研究成果的基礎(chǔ)上，以我國(guó)滬深90家上市公司為研究對(duì)象，利用Logisitic回歸模型和BP神經(jīng)網(wǎng)絡(luò)方法進(jìn)行了實(shí)證研究。

　�。ㄒ唬┭芯拷Y(jié)論如下

　　1.我國(guó)上市公司的財(cái)務(wù)指標(biāo)包含著預(yù)測(cè)財(cái)務(wù)困境的信息含量，因此利用公司的財(cái)務(wù)比率可以預(yù)測(cè)其是否陷入財(cái)務(wù)困境。在上市公司陷入財(cái)務(wù)危機(jī)的前一年，筆者所選的17個(gè)財(cái)務(wù)指標(biāo)中10個(gè)具有判定和預(yù)測(cè)財(cái)務(wù)困境的信息含量，這些指標(biāo)涵蓋了反映公司財(cái)務(wù)狀況的各方面因素，說(shuō)明建立指標(biāo)體系是合理恰當(dāng)?shù)摹?.中國(guó)證監(jiān)會(huì)對(duì)上市公司中ST的定義是有效的，因?yàn)楣P者證明了上市公司的ST板塊與非ST板塊有顯著的區(qū)別，能用各種判別模型加以區(qū)分。3.研究采用的兩種模型方法都可以進(jìn)行公司財(cái)務(wù)困境預(yù)測(cè)研究，但判定效果存在差異。

　　（二）研究存在著一定的局限性

　　1.鑒于數(shù)據(jù)收集的限制，筆者選取的都是上市公司的財(cái)務(wù)數(shù)據(jù)，不適用于大量的小型公司。

　　2.筆者的研究是以上市公司真實(shí)財(cái)務(wù)指標(biāo)為前提假設(shè)的，不能排除目前我國(guó)上市公司會(huì)計(jì)信息失真現(xiàn)象的存在。

　　3.由于反映公司財(cái)務(wù)狀況的指標(biāo)很多，可能漏掉一些重要的比率，得出的結(jié)果不夠完善。

　　4.筆者研究的是上市公司的截面數(shù)據(jù)，沒(méi)有考慮到ST前一年或兩年的情況，勢(shì)必會(huì)影響實(shí)證結(jié)果。