上市公司财务预警模型的研究评述

【摘要】本文首先给出了财务预警模型的研究背景和意义，然后对财务危机的含义进行了界定。在系统梳理国内外研究上市公司财务预警模型的基础上，对使用BP人工神经网络模型来进行财务预警的思想及其在Matlab中的编程进行了简要介绍。

【关键词】财务预警；财务危机；逻辑回归

一、研究背景及意义

伴随着我国社会主义市场经济体制改革的不断深化，激烈的市场竞争不仅给我国上市公司带来了磨练的机遇，也带来了诸多新的挑战。由于存在这种激烈的市场竞争氛围，不可避免地会使一批实力不够强大的上市公司陷入财务危机，这就会给与该上市公司有利益关联的投资者、债权人、其他企业以及国家造成不利的影响。所以，构造财务危机预警模型已成为世界各国学者争相研究的热门课题。由于所有预警模型的预测效果均受来自样本容量和误差的影响，而且在现实的经济世界中总会发生这样或那样的对上市公司生产经营造成不利影响的偶然事件，因此人们建立的财务危机预警模型不是百分之百的准确。但是，一个判断准确率较高的预警模型还是很有价值的，这对于保护与该上市公司有利益关联的投资者、债权人、其他企业以及国家的利益具有重大意义。

二、关于财务危机含义的界定

财务危机（Financial Crisis）又称财务困境（Financial Distress），破产是最为严重的财务危机，大多数国外学者的研究着眼点都是从企业破产着手的。在Beaver（1966）的研究中，79家“财务困境公司”包括59家破产公司、16家拖欠优先股股利公司和3家拖欠债务的公司。由此可见，Beaver把破产、拖欠优先股股利、拖欠债务界定为财务困境。Altman（1968）定义的财务困境是“进入法定破产的企业”。Deakin（1972）则认为财务困境公司“仅包括已经经历破产、无力偿债或为债权人利益而已经进行清算的公司”。Carmichael（1972）认为财务困境是企业履行义务时受阻，具体表现为流动性不足、权益不足、债务拖欠及资金不足四种形式。国内学者对财务危机的界定并多不，一般认为“财务危机是指企业因财务运作不善而导致财务状况恶化的一系列动态结果”，将被ST的上市公司定义为陷入财务危机。

三、文献回顾

（一）国外文献回顾

最早进行财务预警模型研究的是Fitzpatrick（1932）所做的单变量破产预测模型，他以19家企业为样本，运用单个财务比率将样本分为破产和非破产两组，结果发现判别能力最高的是净利润/股东权益和股东权益/负债两个比率，而且在经营失败之前三年这些比率呈现出显著差异。

Beaver（1966）选取了30个财务比率进行研究，在排除行业因素和公司资产规模因素的前提下，通过对30个比率进行单个检验，研究发现现金流量/债务总额，净收益/资产总额，债务总额/资产总额对预测财务危机是有效的，其中现金流量/债务总额指标表现最好。

Altman（1968）提出的了多元判别模型—Z-score判别模型。他以1946年至1965年期间提出破产申请的33家公司和相对应的33家非破产公司作为样本，运用逐步多元区别分析法提炼最具有代表性的财务比率，通过统计技术筛选出在两组间差别尽可能大而在两组内部的离散度最小的变量，从而将多个标志变量在最小信息损失下转换为分类变量，获得能有效提高预测精度的多元线性判别方程。用其财务比率拟合出一个多元线性函数方程，求出Z值，对其经营状况进行预测或判断，发现模型的预测力在破产前一年的成功率明显超过了一元判定模型。

Ohlson（1980）采用Logistic回归方法建立财务预警模型，分析样本公司在破产概率区间上的分布以及两类判别错误和分割点的关系。Logistic回归模型对于变量的分布不再有具体要求，而且在回归时通过概率值进行预测，具有较好的实用性。

Coats和Fant（1993）使用BP神经网络理论，以Altman构建的5个财务比率为研究变量建立财务预警模型，对财务失败公司进行判别分析，结果表明Z值模型对破产当年具有很好的判断效果，但不具有很好的提前预测效果，而神经网络模型能够较好解决这一问题。

（二）国内文献回顾

受证券市场发展的影响，国内对财务预警的研究起步较晚。吴世农和黄世忠（1986）首次介绍了企业破产的分析指标和预测模型。周首华等（1996）选用1977-1990年31家国外破产公司和另外相对应的同一行业、同一年度及相近净销售额的31家非破产公司作为研究样本，提出了F分数模型，在充分考虑了企业现金流量的变动等方面的情况后，通过调整和更新指标对Z值模型进行修正。

我国直到1999年4月才真正开始了以我国企业数据为基础，建立适合我国国情的预警模型的实证研究。陈静（1999）以1998年27个ST公司和27个非ST公司为样本，最终选定资产负债率、净资产收益率、总资产报酬率等6个财务指标，分别以公司被ST的前1年、前2年、前3年的财务数据为基础，用判别分析方法做了实证分析。在单变量判定分析中，选取了资产负债率、净资产收益率、总资产收益率、流动比率4个财务指标进行了研究，发现在这4个财务指标中，流动比率与负债比率的误判率最低；在多元判别分析中，选取了负债比率、净资产收益率、净利润/年末总资产、流动比率、营运资本/总资产、总资产周转率6个财务指标，构建了Fisher判别分析模型，发现这个模型在ST发生的前3年能较好地预测ST。

张玲（2000）以120家公司为研究对象，使用其中60家公司（其中有30家1998或1999年戴帽的ST公司，30家绩优公司）的财务数据估计二类线性判别模型，并使用另外60家公司（其中有21家ST公司和随机选择的39家非ST公司）进行模型检验，经过判别分析过程，从原来的15个特征财务比率变量中最后推导出只有4个变量：资产负债比率、营运资金与总资产比率、总资产利润率、留成收益与资产总额的判别函数，发现判别模型具有超前4年的预测结果。

吴世农、卢贤义（2001）分别采用了剖面分析法、单变量判定分析方法、多变量判定方法进行财务危机预警研究。通过验证比较最终得出结论：多变量判定模型优于单变量模型，并且三种多变量判定模型的效果表明，Logit回归模型的判定准确性最高。Logit回归模型选取的预测变量有盈利增长指数、资产报酬率、流动比率、长期负债股东权益比率、营运资本/总资产、资产周转率。

张爱民等（2001）在借鉴奥特曼（Altman）的多元Z值判定模型的基础上，采用主成分分析方法，建立了一种新的预测企业财务失败的模型——主成分预测模型，并把沪深两地证券市场的ST公司界定为“财务失败企业”，选取40家ST公司及与之相对应的40家非ST公司共80家企业作为研究样本，对上市公司财务失败的主成分预测模型进行实证检验。5个提取的主成分分别为：成长能力、偿债能力、收益能力之总资产报酬率、收益能力之销售（营业）利润率、收益能力之净资产收益率。检测结果显示：特别处理前一、二、三年40家测试企业分别有37、35、31家判断正确，正确率分别达92.5%、87.5%、77.5%。

随着统计技术和计算机技术的不断发展，人工智能及人工神经元网络等技术也逐渐被引入到财务危机预警模型中，刘洪、何光辉（2004）选取每股净资产、净资产收益率、每股经营现金流量、现金获利指数、主营业务净收益率、利息保障倍数、应收账款周转率、流动资产周转率、主营业务收人增长率、净资产增长率10个财务指标，在用传统的判别分析方法和逻辑回归分析方法对公司经营失败建立预警模型的基础上，探索应用人工神经网络方法对该问题进行了比较研究。结果表明，人工神经网络方法的预测精度远高于两种传统的统计方法。

四、BP人工神经网络技术的简介

人工神经网络是一种平行分散处理模式，其构建理念基于人类大脑神经运作的模拟。人工神经网络除具有较好的模式识别能力外，还可以克服传统统计方法的局限，因它具有容错能力，对数据的分布要求不严格，具备处理资料遗漏或是错误的能力。最可贵的一点是人工神经网络具有学习能力，可随时依据新准备的数据资料进行自我学习、训练，调整其内部的储存权重参数以对应多变的企业运作环境。前向三层BP神经网络方法被认为是最适用于模拟输入、输出的近似关系，它是在人工神经网络中算法最成熟、应用最广泛的一种。BP神经网络方法摆脱了一般回归方法的局限，突破了依赖线性函数来建立统计模型的限制，用非线性函数更好地拟合实际资料数据，实现了方法上的创新。

（一）BP神经网络的基本结构

典型的BP神经网络模型是一个由输入层、隐含层和输出层组成的阶层型神经网络。层间神经元实现全连接，层内神经元无连接，其中隐含层可以是一层，也可以是多层。BP神经网络构架如图1所示。

BP网络的产生归功于BP算法的获得。BP算法属于δ算法，是一种监督式的学习算法。其主要思想为：对于q个输入学习样本P1，P2，…，Pq，已知对应的输出样本为T1，T2，…，Tq。学习的目的是用网络的实际输出A1，A2，…，Aq与目标矢量T1，T2，…，Tq之间的误差来修改其权值，使Al（l=1，2，…q）与期望的Tl尽可能的接近，即使网络输出层的误差平方和最小。它是通过连续地在相对误差函数斜率下降的方向上计算网络权值和偏差的变化而逐渐逼近目标的。

（二）MATLAB中的BP网络的结构设计和编程

我们假定一个7-15-1结构的神经网络预测模型。其中7-15-1表示7个输入节点、15个隐层神经元、1个输出节点（定义：输出1为有财务危机，输出0为无财务危机，即矩阵[y]）。输入层到隐含层的传递函数确定tansig型传递函数，隐含层到输出层之间的传递函数都确定为logsig型传递函数，目标误差为0.00000001，学习速率为0.09，训练循环次数10000次。使用MATLAB编程语言，建立了一个前向三层BP网络，并运用若干个训练样本作为学习集进行训练。再将另外若干个个测试样本的7个同样指标的原始数据代入网络进行预测。则MATLAB编程语言如下：

通过运行上述程序，即可得出预测的矩阵[y]。将其与真实值进行对比，便可以求出预测的精确度。

参考文献

[1]Altman，E.I.Financial Raions，Discriminant Analysis and Prediction of Corporate Bankruptcy.Journal of Finance，1968（9）：589-609.

[2]Beaver，W.H.Financial Rations as Predictors of Failures.Journal of Accounting Research，Supplement，1966（4）：71-127.

[3]Carmichael，D.R.1972，“The Auditor’s Reporting Obligation”，Auditing Research Monograph No.1（New York：AICPA），pp：94.

[4]Coats P，L F Fant.Recognizing Financial Distress Patterns Using A Neural Network Tool[J].Financial Management，1993，（22）：142-155.

[5]Deakin，E.B.1972，“A Discriminant Analysis of Prediction of Business Failure”，Journal of Accounting Research（Spring）：pp：167-169.

[6]Fitzpatrick.P.J.A comparison of ratios of successful industrial enterprises with those of failed firms[J].Certified Public Account，1932，Oct：598-605.

[7]Ohlson.Financial Ratios and the Probabilistic Prediction of Bankruptcy[J].Journal of Accounting Research，1980（19）：109-131.

[8]陈静.上市公司财务恶化预测的实证分析[J].会计研究，1994（4）：31-38.

[9]丛爽.面向MATLAB工具箱的神经网络理论与应用（第3版）[M].中国科学技术大学出版社，2009.

[10]冯月平.Logistic财务预警回归模型的构建与检验—以我国制造业上市公司为例[M].青岛理工大学2010级硕士论文.

[11]刘洪，何光军.基于人工神经网络方法的上市公司经营失败预警研究[J].会计研究，2004（2）.

[12]吴世农，黄世忠.企业破产的预测指标和检测模型[J].中国经济问题，1986（6）：5-8.

[13]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）：46-55.

[14]张爱民，祝春山，许丹健.上市公司财务失败的主成分预测模型及其实证研究[J].金融研究，2001（3）：10-25.

[15]张玲.财务危机预警分析判别模型[J].数量经济技术经济研究，2000（3）：49-51.

[16]周首华，杨济华，王平.论财务危机的预警分析F分数模型[J].会计研究，1996（8）：8-11.