基于BP神经网络的上市公司财务危机预警研究

摘要：本文将公司因财务状况异常而被特别处理（ST）作为企业陷入财务困境的标志，以2007年度沪市近三年首次被ST的非金融类上市公司和配对公司为研究对象，选取了2005年度80家上市公司作为建模的训练样本，并使用同期22家公司作为检验样本，分别建立了Logistic回归模型和BP神经网络模型，进行财务预警模型的实证研究。

关键词：财务危机；神经网络；财务指标

一、国内外模型研究文献综述

财务危机又称“财务困境”，国外有关此问题的研究大多数将“财务危机”界定为“企业破产”。 在我国，几乎所有的研究都将因“状况异常”而被实行“特别处理”（ST）的上市公司界定为财务危机公司。本文中同样将财务危机确切界定为公司财务状况异常而被“特别处理”。

财务危机预警模型分为统计类财务危机预警模型和非统计类财务危机预警模型。统计类财务危机预警模型主要包括:一元判别模型、多元线性判别模型、多元逻辑回归模型、多元概率比回归模型等。目前，研究财务预警的模型主要集中于以下几类模型：单变量模型、多变量统计分析模型和人工神经网络模型。

（一）单变量模型

该模型研究的先驱者美国芝加哥大学教授WilliamBeaver（1966）提出了较为成熟的单变量模式，他以79家失败企业和相同数量、同等规模成功企业为样本，通过研究个别财务比率长期走势预测企业面临危机情况；国内采用一元判定模型进行财务预警研究的不多。其中，我国学者陈静（1999）以1998年的27家ST和27家非sT公司，利用1995―1997年的财务报表数据进行了单变量分析.提出流动比率和负债比率误判率最低；吴世农、卢贤义（2001）以7O家ST和7O家非ST上市公司为样本。应用单变量分析研究财务困境出现前五年内这两类公司21个财务指标各年的差异，最后确定了6个预测指标。

（二）多变量统计分析模型

多变量统计分析模型同单变量模型相比，更全面地反映了企业的财务状况。由于建模使用的统计方法不同，又分为多元回归分析模型、多元判别分析模型、主成分分析模型和Logisitic回归模型。美国学者Edward Altman教授率先将多元线性判别方法引入财务预警领域。开创了多变量预警模型的先河。提出Z―score模型；周首华等（1996）在Z分数模型的基础上进行改进构建了F分数模型；张玲（2000）选取沪深两市14个行业12O家上市公司为样本，从偿债能力、盈利能力、资本结构状况和营运状况4个方面15个相关财务比率中筛选出4个变量构建了二分类线性判定模型。从2000年开始，Logisitic回归模型已经引起人们的高度关注。姜秀华与孙铮（2001）、吴世农、卢贤义（2001）等多位学者均采用了Logisitic回归模型进行了财务危机预警的实证研究。

（三）人工神经网络模型

人工神经网络（ANN）的发展始于20世纪40年代，它利用大量非线性并行处理关系来模拟众多的人脑神经元的运作。具有较好的模式识别、学习、训练和容错能力，克服了传统统计方法的局限。M・Odom（1990）最早把人工神经网络应用于财务危机预测研究；由Rumelhart和McClelland（1986）提出的一种多层前馈反向传播BP神经网络方法，适用于模拟输入、输出的近似关系，而且具有无限隐含层节点的三层BP网络可以实现任意从输八到输出的非线性映射，同时也是近年来应用最广泛最成熟的ANN模型；Lapedes和Fayber（1987）首次运用神经网络模型对银行信用风险进行了预测和分析；杨保安等（2002）针对判别分析方法在构建财务危机判别模型中存在的问题，引入神经网络分析方法应用于企业财务危机判定与预测。

二、实证研究

本文主要根据Logisitic回归模型和BP神经网络模型理论，搜集上市公司的财务数据，建立两种实证模型进行比较，分析财务危机预警的效果。

（一）研究样本的设计

根据我国的具体情况，本文将我国上市公司中的因“财务状况异常”而被ST的公司界定为“财务危机”公司。相应地，其他企业为正常公司。从沪市选取2007年度近三年首次被ST的公司34家和同期非ST公司68家，样本总量达到102家，其中ST公司在总样本中所占比例为33. 3%，这一比例显然与按照行业和资产规模进行配对抽样的比例（即ST公司和非ST公司各占50%）有所不同，根据Zmijewski研究可知，采用这样的选样方法，可以避免高估预警模型的预警能力。

为了进行预警分析，将上述102家公司分成训练样本和检验样本两个子样本，同时考虑到ST公司在总样本中所占的比例，对两个子样本中ST公司的比例作了适当分配。其中训练样本包括29家ST公司和51家正常公司，其作用是确定预警模型，而检验样本包括5家ST公司和17家正常公司，主要用来评估预警模型的预警能力。

样本公司的财务数据主要来自上海证券交易所网站和中国上市公司咨讯网站统计年鉴。

表1 备选财务预警指标

分类标识财务指标

偿债能力

X1流动比率

X2速动比率

X3资产负债率

X4利息保障倍数

营运能力

X5总资产周转率

X6应收账款周转率

盈利能力

X7净资产收益率

X8主营业务净利润率

成长能力

X9主营业务收入增长率

X10净利润增长率

现金流量

X11净利润现金含量

X12现金流动负债比

（二）财务指标体系的选择

财务比率的选取是构建财务危机预警模型极其重要的一步，选择的恰当与否关系到财务危机预警模型的有效性。本文借鉴国内外学者的实证研究成果并结合我国上市公司的实际情况，从企业的偿债能力、营运能力、盈利能力、成长能力、现金流量等5个方面，提供了12个备选财务指标，作为研究模型中使用的初始变量，如表1所示：

（三）Logistic回归分析模型

本文选取了沪市非金融类行业80家上市公司2005年的12个财务指标用于财务危机预警模型的建立。本文将选用软件SPSS 13.0 for windows，采用因子分析（主成分分析）进行财务预警分析研究。通过K一S检验和数据的频数分析，去处8个异常数据，前5个主成份的累计贡献率可以达到79.386%。于是最终取得速动比率、主营业务收入增长率、应收账款周转率、主营业务净利润率、净利润现金含量这5项财务指标（主因子）作为建模的初始自变量进行财务危机预警模型的构建。运用SPSS软件分析获得模型的系数及相关参数见表2：

表2 估计样本Logistic回归模型参数表

BS.E.WalddfSig.Exp（B）

Step 4（a）

X9-5.6641.8908.9781.003.003

X11-1.713.51011.2891.001.180

Constant1.569.6435.9501.0154.801

注：B为预警变量的回归系数：S.E.为回归系数的标准误差；Wald是检验偏回归系数的统计盈；df为自由度；Sig为显著水平。

根据公式：Yi=b1X1+b2X2+b3X3+b4X4+……+biXi+a=a+ biXi

将表5-10的分析结果分别代入上式，得到上市公司财务危机预警模型:

Yi=1.569-5.664X9-1.713X11

带入回归公式Pi=exp（Yi）/［1+exp（Yi）］ 就可以计算出上市公司发生财务危机的概率：

Pi=exp（1.569-5.664X9-1.713X11）/［1+exp（1.569-5.664X9-1.713X11）］

其中：X9代表主营业务收入增长率，反映公司的成长能力；X11代表经营活动现金净流量与净利润的百分比，反映公司的现金方面的能力。

大多数的研究样本中ST公司和非ST公司数量相同，比例为1：1，所以一般选择0.5作为临界点，即如果通过模型计算出来的某事件的概率大于或等于0.5，那么就判定该事件发生，否则就判定该事件不发生。本文选取的建模样本中ST公司和非ST公司数量分别为26和46，ST公司样本数占总样本数的比例为0.356，所以本文选取0.36作为临界点，即如果通过预测模型计算出来的概率大于或等于0.36，就将该公司判定为ST公司，而且数值越大，表明该公司未来发生财务危机的可能性就越大；如果计算出来的概率小于0.36，就将该公司判定为非TS公司，而且数值越小，表明企业未来发生财务危机的可能性就越小。

回带72个建模样本验证果（临界点取0.36）：

ST数量非ST数量ST判STST判非ST非ST判ST非ST判非ST判错总数精度

26462336411875%

检验样本22个验证结果（临界点取0.23）：

ST数量非ST数量ST判STST判非ST非ST判ST非ST判非ST判错总数精度

51750314672.7%

总样本验证结果（临界点取0.33）：

ST数量非ST数量ST判STST判非ST非ST判ST非ST判非ST判错总数精度

31632837572078.7%

（四）BP神经网络模型

本文采用三层BP网络，由输入层 隐含层、输出层组成。输入层至隐含层以及隐含层至输出层的传输函数均选用非线性S型Sigmoid函数，这个算法的学习过程由正向和反向传播过程组成。运用软件Matlab7.0，构建了三层BP网络。另外，由于输入是连续变量，输出是布尔型离散向量，训练或测试前使用Matlab的Premnm函数对样本进行归一化处理，作为网络的输入数据。BP神经网络的设计包括输入层、隐含层、输出层、传递函数、训练函数等网络结构和网络参数的设置。具体到文本的研究。设置如下：

1.输入层：输入层接受输入向量，因为采用12个财务指标作为预测变量，所以输入层的神经单元数目为12。

2.输出层：本文输出层神经单元数目为1，取值为0和1，代表上市公司的实际财务状况，在训练样本集中，如果第i个样本公司被ST，则第i个样本的目标输出为1，如果第i个样本公司没有被ST，则第i个样本的目标输出为0。

3.隐含层：隐含层的神经元个数目前没有统一的权威公式可以采用，但人工神经网络领域存在着经验公式2x＞N，x为隐含层神经元个数，N为样本总数，另外的一个经验公式是2n＞m，其中n为隐含层节点数，m为输入层节点数，据此本文初步选定隐含层神经单元数目为10。

4.传递函数：传递函数的好坏对个神经网络的训练效率至关重要。考虑到输出层的期望输出数据为0或1。本文隐含层和输出层节点的的传递函数都为（sigmoida1）型函数，通常为:Logsig（x）=l/（1+exp（-x）），整个网络的输出就限制在一个较小的范围内（0一1）之间的任意值。输出值大于0.9，认为输出为1，输出值小于0.1，认为输出为0。输出在0.1～0.9之间的，可以认为该输出为模型预测失效点。

5.网络参数：目标误差0.0001，学习速率为O.01，训练循环次数5000次。学习率通常在0.01，动量系数0.9。一般来说，学习率越小，训练次数越多，但学习率过大，会影响网络结构的稳定性。误差通常需要根据输出要求来定。e越低，说明要求的精度越高。

6.训练结果：

结果样本

三种网络结构下的五次实验平均结果

12-10-112-9-112-8-1

判别准确率

检验样本86.4%84.5%89.1%

训练样本98%96%99%

从上表本文所选的12-10-1、12-9-1、12-8-1三种网络

结构实证结果来看，在达到相同误差水平的情况下，虽然12-8-1

的网络结构迭代次数最高，但训练样本和检验样本的判别准确率均高于12-10-1和12-9-1的结构，所以根据本文所选样本选择12-8-1的网络结构是最适宜的。

（五）不同模型结果比较

从上述两种模型之间的判别准确率比较表可以明显看出，检验样本和训练样本方面BP神经网络判别效果均高于Logisitic模型。

三、研究的结论

1.我国上市公司的财务指标包含着预测财务困境的信息含量，因此利用公司的财务比率可以预测其是否陷入财务困境。

2.中国证监会对上市公司中ST的定义是有效的。因为本文证明了上市公司的ST板块与非ST板块有显著的区别，能用各种判别模型加以区分。

3.研究采用的两种模型方法都可以进行公司财务困境预测研究，但判定效果存在差异。

参考文献：

［1］ 陈晓，陈治鸿.中国上市公司的财务困境预测［J］.中国会计与财务研究，2000 （9）:55-72.

［2］ 张玲.财务危机顶警分析判别模型及其应用［J］. 预测，2000（6）:38-40.

［3］ 杨怡光.神经网络在经济信息竹理中的应用［J］.中南财经大学学报，2000（2）: s0-s3.

［4］ 吴世农，卢贤义.我国上市公司财务困境的预测模型研究［J］.经济研究，2001 （6）:46-48.

［5］ 曾繁荣，徐旭 上市公司典型财务危机预警模型比较研究［J］. 会计之友，2007（2）:89-90.

（作者单位：山东财政学院）