财务危机预警系统实证研究

提要随着粗糙集和神经网络技术的出现和发展，财务危机的动态预警研究已成为可能和发展趋势。本文在借鉴国内外学者研究成果的基础上，以沪深两市A股上市公司为样本进行实证研究，构建适合我国国情的粗糙集神经网络财务危机预警模型。样本的检验结果显示，模型具有一定的有效性和可行性。

一、引言

随着全球经济一体化的逐步推进，企业之间竞争日益激烈，因财务危机导致企业经营陷入困境甚至宣告破产的例子屡见不鲜。任何财务危机都有一个逐步显现、不断恶化的过程。因此，我们要防微杜渐，在财务系统的正常运作中，就应对企业的财务运营过程进行跟踪、监控，及早发出预警信号，将企业面临的潜在风险告知经营者，从而使其早做准备或采取对策，以避免或减弱对企业的破坏程度。建立财务预警模型，对企业特别是上市公司是十分必要的。

财务危机预警研究始于20世纪六十年代，时至今日，许多研究成果已软件化并付诸商业应用，有力地支撑了实际经济活动的决策。总的来说，财务危机预警的研究主要有单变量分析、多元线性分析、Logistic分析等方法，但由于神经网络在处理非线性系统所表现出来的强大能力，使其成为近年来财务危机预警研究的首选。本文的研究希望通过粗糙集理论与神经网络技术相结合构建一个组合模型，利用粗糙集理论的知识约简技术首先对神经网络的输入进行预处理，既可以去除神经网络的冗余信息，降低神经网络的复杂程度，提高神经网络的预测效率，还可以有效规避神经网络在结构选取上的主观性和盲目性，提高网络的解释能力。然后，通过神经网络的训练算法采用动量添加法和自适应参数调整法对样本进行训练仿真，从而有效地规避神经网络在规则提取上的“黑箱操作”，提高网络的训练速度。

二、研究样本及财务指标的选取

（一）选取样本。选取沪深两市2006年和2007年两个会计年度的98家A股上市公司构成总样本，其中包括49家ST公司以及49家配对的非ST公司。我们随机将这98家公司分为估计样本组和检验样本组，估计样本组50家（25家ST公司和25家非ST公司），检验样本组48家（24家ST公司和24家非ST公司）。

（二）财务指标的选取。本文根据T-3年的年度财务数据来预测第t年是否会成为ST公司，即以2003年及2004年的财务数据分别预测公司2006年及2007年是否被ST。在参考了以往研究文献的基础上，共选取了31个财务指标，特别是增加了反映流动性的现金流量指标，无论是从短期因素还是从长期因素方面考虑，希望能比较全面地反映企业的财务状况。另外，考虑到上市公司股权结构的独特性，本文分别计算了总股本市值/总负债和流通股市值/总负债两个指标，以便真实地反映我国公司资本结构与资本市场以及绩效之间的关系。具体各财务指标计算公式如表1所示。（表1）

在选定各个样本公司的财务指标之后，首先采用统计方法对初选的财务指标进行初步筛选。先用独立样本的T检验方法检验各个变量在两组的均值是否存在显著性差异，将差异不显著的变量剔除。本文使用SPSS统计软件进行独立样本T检验。T检验的执行结果如表2所示。（表2）

根据T检验的执行结果，在初选的31个指标当中有12个财务指标对于ST公司和正常公司存在显著性差异，这12个财务指标为：X1资产净利润率、X2投资报酬率、X3净资产收益率、X4销售净利润率、X6每股经营现金流、X7每股收益、X8资产周转率、X16现金流量比率、X26资产负债率、X27产权比率、X28负债股本账面值比、X31股本账面值市值比。

然后，为了避免指标的多重共线性，对选出的变量进行相关性分析，我们根据专业知识进行判断，去掉与研究问题相对次要的相关系数大于0.8的财务指标。对上述两次筛选后的预测变量，再次应用粗糙集的指标约简算法进行变量筛选，用得到的变量建立预测模型。对于财务指标相关性的分析依然采用SPSS统计软件进行。

通过相关系数的计算，我们知道，资产净利润率和投资报酬率及每股收益都存在较强的相关性，而其本身与其他财务指标也存在比较强的相关性，因此我们分别选择了资产净利润率和每股收益，而剔除资产净利润率；每股经营现金流与现金流量比率存在较强的相关性，按照专业知识，我们选择了现金流量比率；资产负债率与产权比率存在较强的相关性，由于资产负债率是衡量企业财务危机的最基本的指标，因此选择资产负债率。

通过上述分析和判断，考虑变量间是否存在差异和指标的相关系数计算，最终保留下来的财务指标有9个，即X2投资报酬率、X3净资产收益率、X4销售净利润率、X6每股经营现金流、X7每股收益、X8资产周转率、X26资产负债率、X28负债股本账面值比、X31股本账面值市值比。

三、粗糙集――神经网络的财务预警实证建模

（一）模型的建立。首先，为了消除影响预测结果的噪声，消除不同因素之间由于数值大小的差异而造成的误差，使学习过程顺利进行，本文将数据进行归一化预处理，将神经网络输入的变量规范在［0，1］之间。因此，本研究对输入数据进行标准化处理，其公式如下：

计算在Excel上完成。

然后，利用竞争学习神经网络对输入数据进行离散化处理，用matlab的竞争性学习网络工具箱中的函数进行聚类。将决策表中每个属性的各个连续数值组成的向量作为网络的输入，设定Number of neurons（神经网络神经元的个数）为3；Kohonen learning rate（Kohonen学习率）取默认数值为0.01；Conscience Learning Rate（阈值学习率）取默认值0.001。根据训练以后得到的神经网络的输出即为各个连续数值的离散结果。

离散化处理之后，将上述数据作为输入，采用Rosetta软件进行属性约简，有22个约简结果，无核值。

（二）模型的训练及检验。粗糙集的处理结果即为神经网络输入端的约简结果。因此，在神经网络输入层单元节点数的选择上，是依据粗糙集对本文初选的9个财务指标作约简后的5个财务指标为基准。因此，本模型输入层节点数确定为5个。

神经网络仍然采用三层BP神经网络，输出层神经元个数为1个；隐含层经多次实验确定为11个。

传递函数采用Sigmoid型函数，即：

网络训练函数选取基于快速BP算法的前向反馈型神经网络的训练函数，学习规则上选取动量因子算法规则，学习速率上采用了自适应学习速率。训练时参数确定如下：目标误差为0.0001；学习速率增加的比率为1.05；学习速率减少的比率为0.7；动量因子为0.95。

在Matlab软件上经过2797次迭代生成权值矩阵，神经网络训练完毕。将获得的权值矩阵和阈值用于对估计样本组的仿真，将估计样本组企业的T-3年财务数据作为神经网络的输入端，输入到已经构建好的神经网络模型中，经过MATLAB软件的处理，最终可以得到基于粗糙集――神经网络的财务危机预警模型的回判仿真预测准确率如表3所示：

再将前面训练好的神经网络用于对检验样本的仿真，以判断模型的预测仿真能力，得到基于粗糙集――神经网络的财务危机预警模型的仿真预测准确率如表4所示：

由上可知，基于粗糙集――神经网络的财务危机预警模型的回判仿真准确率达到了100%，而模型对于检验样本的判断ST企业为75%，非ST企业也达到了90%以上，总体样本的判断准确率为83.33%，说明模型的仿真效果很好。在模型的训练过程中，不仅减少了财务指标的数量，提取了主要的特征属性，而且也降低了神经网络的复杂性和训练时间，达到了建模的预期效果。

四、结语

企业财务危机预警是管理科学与工程领域研究中的一个前沿和热点问题，是一项多学科交叉的边缘性研究课题，难度较大。本文基于粗糙集理论和人工神经网络方法建立了企业财务危机预警的粗糙集――神经网络模型，不仅减少了财务指标的数量，提取了主要的特征属性，而且降低了神经网络的复杂性和训练时间，提高了神经网络学习能力、推理能力和分类能力，实现对企业财务危机状态的测定和动态预警，比传统的多元统计分析方法、Z计分模型及比率法等具有更大的优势。实验结果表明，该模型有效、可行，为企业财务危机的动态预警提供了一条新的途径。