龔小鳳

(中南財經(jīng)政法大學(xué) 會計學(xué)院，湖北 武漢 430073)

一、引 言

隨著世界經(jīng)濟(jì)一體化步伐的加快，我國企業(yè)面臨的經(jīng)營環(huán)境越來越復(fù)雜，風(fēng)險也越來越大，有的企業(yè)因經(jīng)營出現(xiàn)困難，缺乏持續(xù)性現(xiàn)金流來支撐而破產(chǎn)，也有為數(shù)眾多的企業(yè)由于無力償還債務(wù)等財務(wù)方面原因而停止?fàn)I業(yè)。當(dāng)財務(wù)出現(xiàn)嚴(yán)重問題時往往也意味著企業(yè)經(jīng)營的終結(jié)，如何提前預(yù)知財務(wù)危機的發(fā)生，及時防范風(fēng)險成為企業(yè)面臨的一項亟待解決的重大難題。財務(wù)危機又稱財務(wù)困境，是指企業(yè)現(xiàn)金流量不足以償還到期負(fù)債而導(dǎo)致的困境。一般而言，企業(yè)經(jīng)營一般經(jīng)歷四個階段:穩(wěn)健經(jīng)營、不穩(wěn)健經(jīng)營、財務(wù)危機和破產(chǎn)，也就是說，當(dāng)企業(yè)的財務(wù)危機無法順利解決時，會直接面臨破產(chǎn)。因此，只有在危機發(fā)生之前就及時采取措施加以避免，對企業(yè)而言更有意義，這也是財務(wù)危機預(yù)警的意義所在。

在眾多財務(wù)危機預(yù)警的研究中，輸入變量的選擇并沒有什么變化，一般是將篩選后的財務(wù)指標(biāo)直接代入模型，此種方式未考慮到行業(yè)差異的影響。本文擬對模型的輸入變量進(jìn)行改進(jìn)，采用BP神經(jīng)網(wǎng)絡(luò)模型來預(yù)測財務(wù)風(fēng)險，用功效系數(shù)法將財務(wù)指標(biāo)轉(zhuǎn)化為單項功效系數(shù)，以此作為模型的輸入變量，和直接將財務(wù)指標(biāo)作為輸入變量進(jìn)行對比，分析何種方式的誤判率更低，為輸入變量的有效選取提供思路。

二、BP神經(jīng)網(wǎng)絡(luò)

(一)神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò) (Artifical Neural NetW0rks簡稱ANNs)是20世紀(jì)40年代提出的，并于80年代復(fù)興的一門交叉學(xué)科。該項技術(shù)以生物大腦的結(jié)構(gòu)和功能為基礎(chǔ)、以網(wǎng)絡(luò)結(jié)點模仿大腦的神經(jīng)細(xì)胞、以網(wǎng)絡(luò)連接權(quán)模仿大腦的激勵電平、以簡單的數(shù)學(xué)方法完成復(fù)雜的智能分析，能有效地處理問題的非線性、模糊性和不確定性關(guān)系。由于神經(jīng)網(wǎng)絡(luò)方法能使模型具備隨不斷變化的復(fù)雜環(huán)境自學(xué)習(xí)能力，使企業(yè)財務(wù)動態(tài)預(yù)警成為可能。

目前應(yīng)用較廣的是BP神經(jīng)網(wǎng)絡(luò)模型。BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，一般含輸入層、隱含層和輸出層，每一層由若干節(jié)點組成。其主要特點為信號前向傳遞，誤差反向傳播。在前向傳遞過程中，輸入信號會從輸入層經(jīng)隱含層逐層處理直到傳遞到輸出層。每一層神經(jīng)元狀態(tài)只會影響到下一層神經(jīng)元狀態(tài)?？蓪P神經(jīng)網(wǎng)絡(luò)看做是一個非線性函數(shù)，網(wǎng)絡(luò)的輸入值和預(yù)測值分別是該非線性函數(shù)的自變量和因變量。

(二)BP神經(jīng)網(wǎng)絡(luò)的優(yōu)勢

關(guān)于財務(wù)危機預(yù)警的研究，更多的是探討危機預(yù)警模型的建立和比較。財務(wù)危機預(yù)警的研究方法經(jīng)歷了單變量分析模型、多元判定分析模型、主成分分析法以及概率回歸模型 (如Logistic模型等)，這些方法各有缺陷。

1.單變量分析模型

單個變量往往很難說明企業(yè)財務(wù)狀況的各個方面，而且一個變量很容易被操縱、粉飾，該方法已不適用。

2.多元判定分析模型

多元判定分析法是對研究對象所屬類別進(jìn)行判別的一種統(tǒng)計方法。將該模型用于財務(wù)危機分析的最有代表性的是Altman［1］創(chuàng)立的多元變量判定模型——Z計分模型和ZETA模型，在已確定的臨界值基礎(chǔ)上，根據(jù)判別的分值確定企業(yè)是否陷入財務(wù)危機當(dāng)中。該模型的使用有兩個假設(shè)條件:第一，要求自變量服從多元正態(tài)分布。第二，假設(shè)協(xié)方差矩陣相等。這兩條假設(shè)有時不一定能成立。因此，由于多元判定分析模型假設(shè)條件的限制，其使用有一定局限性。

3.線性判定模型

線性概率模型可用來判定財務(wù)危機發(fā)生的可能性，可表示為:

P代表財務(wù)危機發(fā)生可能性的估計值。該方法的缺陷在于P不是介于0和1之間的數(shù)值，無法判定其概率大小。

4.Logistic回歸模型

Logistic回歸模型要求因變量為連續(xù)的，是二分類模式。其模型可表示為:

對于Yi值用指數(shù)模型進(jìn)行修正，就可使得p的結(jié)果介于0和1之間。pi和1－pi分別代表兩種可能性。盡管解決了p值可直接體現(xiàn)發(fā)生財務(wù)危機概率的問題，但Logistic回歸模型無法解決多重共線性問題，若多個變量間存在多重共線性問題，會造成奇異矩陣，使判別的誤差加大。

5.BP神經(jīng)網(wǎng)絡(luò)模型

近年來，BP神經(jīng)網(wǎng)絡(luò)模型的應(yīng)用越來越廣泛。其主要優(yōu)點在于:第一，非線性映射能力;第二，自學(xué)習(xí)和自適應(yīng)能力;第三，泛化能力，具有將學(xué)習(xí)成果應(yīng)用于新知識的能力;第四，容錯能力。由于其沒有線性概率模型需要的假設(shè)條件以及多重共線性問題，在財務(wù)危機預(yù)警中越來越受到重視。經(jīng)實證研究發(fā)現(xiàn)，與其他流行的研究方法相比，BP神經(jīng)網(wǎng)絡(luò)模型用于財務(wù)危機預(yù)警有更高的準(zhǔn)確率。Odom和 Sharda［2］開拓了用BP神經(jīng)網(wǎng)絡(luò)預(yù)測財務(wù)困境的新方法，認(rèn)為該方法提高了預(yù)測的準(zhǔn)確度。楊淑娥和黃禮［3］也以上市公司的財務(wù)指標(biāo)直接作為模型數(shù)據(jù)，將BP神經(jīng)網(wǎng)絡(luò)模型和主成分預(yù)測模型進(jìn)行對比，發(fā)現(xiàn)使用BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測相對準(zhǔn)確。因此，BP神經(jīng)網(wǎng)絡(luò)模型在財務(wù)危機預(yù)警模型中是預(yù)測精度較高的模型。

用BP神經(jīng)網(wǎng)絡(luò)建立財務(wù)危機預(yù)警模型的基本思想是將財務(wù)評價指標(biāo)作為輸入值，先給出一個權(quán)重，經(jīng)隱含層傳遞到輸出值，將經(jīng)過函數(shù)運算后的輸出值與期望值比較，若誤差較大，則誤差反向沿原路徑返回，在修改各層節(jié)點的權(quán)重后迭代計算，每次運算后都按照誤差結(jié)構(gòu)更新樣本數(shù)據(jù)的權(quán)重分布，當(dāng)經(jīng)過若干次迭代，達(dá)到誤差精度要求時，就得到一組最佳權(quán)重，這組權(quán)重即為預(yù)測模型的參數(shù)。本文采用BP神經(jīng)網(wǎng)絡(luò)作為財務(wù)預(yù)警模型，將改進(jìn)后的指標(biāo)作為輸入變量，并與傳統(tǒng)的將財務(wù)指標(biāo)直接作為輸入變量相比較，誤差率低說明改進(jìn)后的輸入變量更有效。

三、財務(wù)危機預(yù)警變量的改進(jìn)

(一)預(yù)警變量改進(jìn)的基礎(chǔ)——行業(yè)差異性

不同行業(yè)的財務(wù)指標(biāo)合理值差異較大。如償債能力指標(biāo)，對于連鎖超市行業(yè)來講，資金周轉(zhuǎn)較快，通常借債較少，而鋼鐵等制造行業(yè)資金周轉(zhuǎn)時間較長，通常有較高的負(fù)債率，但一般情況下仍能正常發(fā)展，因此，從這兩個行業(yè)的分析來看，兩個行業(yè)的差異較大時，償債能力指標(biāo)不必然具有可比性。另外，就盈利能力而言，由于行業(yè)的會計核算制度存在差異，使得不同行業(yè)的盈利能力指標(biāo)的可比性降低，如高新技術(shù)企業(yè)的毛利率較高，其主要費用為研發(fā)費用，一般是計入管理費用，毛利率指標(biāo)和其他行業(yè)不具有可比性。上述分析表明，行業(yè)差異可能導(dǎo)致財務(wù)指標(biāo)的差異較大，消除行業(yè)差異的財務(wù)指標(biāo)更具可比性，從而更有利于財務(wù)危機預(yù)警準(zhǔn)確性的提高。

一些學(xué)者通過實證分析也驗證了行業(yè)差異對財務(wù)危機影響的差異性。盧永艷［4］對上市公司財務(wù)危機的行業(yè)差異性的影響進(jìn)行了分析，以制造業(yè)中樣本量最大的兩個行業(yè)——機械、石油為研究對象，建立Cox比例風(fēng)險模型進(jìn)行實證分析，結(jié)果發(fā)現(xiàn)不同行業(yè)的上市公司面臨的財務(wù)風(fēng)險是不同的。陳志斌和譚瑞娟［5］在原Z模型的基礎(chǔ)上加進(jìn)了行業(yè)修正值，得到新的預(yù)測模型，經(jīng)實證檢驗發(fā)現(xiàn)模型的有效性得到提高。

在國外財務(wù)危機的研究中考慮過行業(yè)的影響。自Beaver［6］利用單一比率法，通過財務(wù)指標(biāo)來預(yù)測財務(wù)危機，拉開了財務(wù)指標(biāo)作為財務(wù)危機評價指標(biāo)的序幕，后來者在研究財務(wù)危機預(yù)測時，盡管分析方法各有不同，但在樣本選取上，均采用了Beaver的方法。Beaver是在選用樣本時考慮到了行業(yè)、規(guī)模的影響，先選出存在財務(wù)危機的企業(yè)，在此基礎(chǔ)上配對選出相近行業(yè)、規(guī)模的處于非財務(wù)危機的企業(yè)。盡管如此，若從所有樣本角度考慮，兩兩錯開，仍屬不同行業(yè)、不同規(guī)模，不同行業(yè)在同一時期會有不同的周期變化，宏觀經(jīng)濟(jì)對企業(yè)的影響至關(guān)重要，若不去除這些影響，對預(yù)測的有效性影響較大。

原有研究對行業(yè)差異的去除方法有待改善，為提高BP神經(jīng)網(wǎng)絡(luò)模型的有效性，本文考慮行業(yè)差異因素，對財務(wù)危機預(yù)警變量進(jìn)行改進(jìn)。

(二)變量改進(jìn)的具體方法——功效系數(shù)法

功效系數(shù)法是指根據(jù)多目標(biāo)規(guī)劃原理，把所要評價的各項指標(biāo)分別對照各自的標(biāo)準(zhǔn)，并根據(jù)各項指標(biāo)的權(quán)重，通過功效函數(shù)轉(zhuǎn)化為可以度量的評價分?jǐn)?shù)，再對各項指標(biāo)的單項指標(biāo)分?jǐn)?shù)進(jìn)行加總，求得綜合評價分?jǐn)?shù)。采用功效系數(shù)法將財務(wù)指標(biāo)轉(zhuǎn)化為單項功效系數(shù)，實際上已將不同行業(yè)的影響因素去掉，對風(fēng)險預(yù)測應(yīng)有提高作用。

本文采用功效系數(shù)法將財務(wù)指標(biāo)轉(zhuǎn)化為單項功效系數(shù)，作為預(yù)測模型的輸入變量。由于各類財務(wù)指標(biāo)具有不同特點，采用的指標(biāo)分別代表企業(yè)的盈利能力、償債能力、發(fā)展能力和營運能力，一般而言是指標(biāo)數(shù)值越大，表示企業(yè)該方面能力較強。具體改進(jìn)做法如下:

第一，將財務(wù)指標(biāo)分為5檔。

將各樣本的功效系數(shù)得分記為Ni。首先將各財務(wù)指標(biāo)按行業(yè)排列，在各行業(yè)中又按規(guī)模分組，同等規(guī)模下各指標(biāo)k的行業(yè)最大值記為Ymax，最小值記為Ymin，對于企業(yè)而言，經(jīng)營達(dá)到行業(yè)平均值即為滿意，可將平均值三等分，每份為Yave/3，記為Ya。因此，超過平均值的企業(yè)可打4分，達(dá)到最大值的打最高分即5分。具體分檔如下:

當(dāng)Yi=Ymax時，該指標(biāo)歸為優(yōu)秀檔，打5分，即Ni=5;當(dāng)時，歸為良好檔，打4分，Ni=4;當(dāng)時，歸為一般檔，打 3分，Ni=3;當(dāng) Yi∈時，歸為較差檔，打2分，Ni=2;當(dāng)時，歸為差檔，打1分，Ni=1。

第二，將估計樣本的單項功效系數(shù)作為輸入變量代入BP網(wǎng)絡(luò)模型，得到誤判率。

第三，將財務(wù)指標(biāo)直接作為輸入變量代入BP網(wǎng)絡(luò)模型，得到誤判率。

第四，對兩種輸入變量得到的結(jié)果進(jìn)行比較分析。

四、樣本選擇和指標(biāo)篩選

(一)研究假設(shè)

由于行業(yè)差異對財務(wù)指標(biāo)的影響，采用對財務(wù)指標(biāo)用功效系數(shù)法轉(zhuǎn)換的方式，將行業(yè)差異的影響去除，相對于直接將財務(wù)指標(biāo)作為輸入變量而言有更高的預(yù)測精度。假設(shè)各行業(yè)的財務(wù)指標(biāo)有較大的數(shù)量差異，通過功效系數(shù)法修正過的指標(biāo)作為輸入變量，要好于直接將財務(wù)指標(biāo)作為輸入變量。

(二)樣本選擇

究竟企業(yè)處于何種程度的財務(wù)危機當(dāng)中才需要重點注意及防范?為此，需要建立一個統(tǒng)一的標(biāo)準(zhǔn)才可進(jìn)行有效的實證分析。對于財務(wù)危機的界定國內(nèi)外沒有統(tǒng)一標(biāo)準(zhǔn)。在國外研究中，一般將陷入財務(wù)危機的與財務(wù)失敗等同起來，認(rèn)為嚴(yán)重程度相當(dāng)。Beaver［6］認(rèn)為“破產(chǎn)、拖欠償還債務(wù)、透支銀行賬戶或無力支付優(yōu)先股股利四項中的任何一項的企業(yè)，列為失敗企業(yè)”，實際上，這已經(jīng)是企業(yè)經(jīng)營的終止，為財務(wù)失敗。而Altman［1］主要是依據(jù)美國破產(chǎn)法界定破產(chǎn)企業(yè)，認(rèn)為是“進(jìn)入法定破產(chǎn)的企業(yè)”，以此為基礎(chǔ)研究企業(yè)財務(wù)危機。從概念上來看，財務(wù)失敗是指企業(yè)已經(jīng)陷入無可挽回的境地，一般是經(jīng)營終止，而財務(wù)危機應(yīng)是有挽救余地的，兩者不應(yīng)等同看待。然而，在西方國家，認(rèn)定陷入財務(wù)危機的企業(yè)是不可能再有能力繼續(xù)經(jīng)營的，因此認(rèn)為財務(wù)危機就是財務(wù)失敗。在我國，很少有上市公司因無力償還債務(wù)而破產(chǎn)的，財務(wù)危機與財務(wù)失敗區(qū)別明顯。我國資本市場由于存在制度性缺陷和公司治理結(jié)構(gòu)問題，屬弱勢有效市場 (滕春強，2005)，而且上市公司只融資卻很少分紅，造成上市公司是殼資源的一種現(xiàn)象，很少有上市公司破產(chǎn)退市，只是在盈利出現(xiàn)嚴(yán)重問題時冠以ST而已。因此，我國學(xué)者在做財務(wù)危機實證分析時，均將ST企業(yè)作為陷入財務(wù)危機的表現(xiàn)，本文也將采取該方式。

本文從2010年1—7月間被冠以ST的上市公司中選取樣本作為陷入財務(wù)危機企業(yè)，去除財務(wù)指標(biāo)數(shù)據(jù)不全的，有68家上市公司，將其按行業(yè)和資產(chǎn)規(guī)模進(jìn)行分類。同時，選出與這些ST企業(yè)的行業(yè)和資產(chǎn)規(guī)模相近的68家非ST企業(yè)。這136家上市公司前三年 (即2007—2009年)財務(wù)數(shù)據(jù)均可獲取。從中隨機選取100家上市公司作為估計樣本 (50家非ST企業(yè)和50家ST企業(yè))，其余36家上市公司作為檢驗樣本，樣本統(tǒng)計情況如表1所示。建立BP神經(jīng)網(wǎng)絡(luò)模型，用MATLAB7.0做軟件編程。

表1 樣本統(tǒng)計表

(三)指標(biāo)篩選

關(guān)于財務(wù)危機預(yù)警指標(biāo)的確定并沒有相應(yīng)的經(jīng)濟(jì)理論支撐，僅通過幾個財務(wù)指標(biāo)很難對導(dǎo)致財務(wù)危機發(fā)生的原因和生成條件進(jìn)行描述。本文主要對變量的改進(jìn)進(jìn)行探討，借鑒其他學(xué)者研究，利用財務(wù)指標(biāo)評價體系做預(yù)警指標(biāo)分析。

財務(wù)風(fēng)險包括籌資風(fēng)險、投資風(fēng)險、經(jīng)營風(fēng)險、存貨管理風(fēng)險和流動性風(fēng)險。其中，籌資風(fēng)險主要包括利率風(fēng)險、再融資風(fēng)險、財務(wù)杠桿效應(yīng)、匯率風(fēng)險和購買力風(fēng)險等;投資風(fēng)險包括利率風(fēng)險、再投資風(fēng)險、匯率風(fēng)險、通貨膨脹風(fēng)險、金融衍生工具風(fēng)險、道德風(fēng)險和違約風(fēng)險等;經(jīng)營風(fēng)險包括采購風(fēng)險、生產(chǎn)風(fēng)險、存貨變現(xiàn)風(fēng)險和應(yīng)收賬款變現(xiàn)風(fēng)險等;流動性風(fēng)險主要從企業(yè)的變現(xiàn)力和償付能力兩方面分析與評價。

綜合來看，通過財務(wù)指標(biāo)來體現(xiàn)財務(wù)風(fēng)險主要涉及償債能力、盈利能力、營運能力和企業(yè)發(fā)展能力。其他財務(wù)風(fēng)險均為定性指標(biāo)，需通過專家打分方式確定，而且本文的目的主要是比較單項功效系數(shù)與財務(wù)指標(biāo)分別作為神經(jīng)網(wǎng)絡(luò)模型的輸入變量到底哪個更有效，因此，暫不考慮定性指標(biāo)。

對于財務(wù)指標(biāo)的選擇，主要從企業(yè)財務(wù)分析所使用的指標(biāo)中篩選。一般而言分為短期償債能力、長期償債能力、企業(yè)發(fā)展能力、現(xiàn)金流量能力、盈利能力和營運能力等六個方面指標(biāo)，提供了14個備選指標(biāo) (如表2所示)。

表2 備選財務(wù)指標(biāo)

當(dāng)財務(wù)指標(biāo)過多時，使得網(wǎng)絡(luò)結(jié)構(gòu)變得更加復(fù)雜，會加大神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練負(fù)擔(dān)，一般采取一定方法對財務(wù)指標(biāo)進(jìn)行篩選。使用較多的方法有主成分分析法和t檢驗法。主成分分析法主要采用降維的思想，將為數(shù)較多的財務(wù)指標(biāo)轉(zhuǎn)化為影響較大的幾類變量，可將輸入變量的數(shù)量大為減少，提高效率和預(yù)測精度。t檢驗法是對兩類樣本的均數(shù)進(jìn)行顯著性檢驗的方法，主要用于區(qū)分兩類公司的差異性。本文的目的是預(yù)測財務(wù)風(fēng)險，首先要區(qū)分ST公司和非ST公司的指標(biāo)要有顯著差異，能明顯區(qū)分兩類公司，因此選用t檢驗法較為合適。

為了分析所選取的財務(wù)比率是否能有效區(qū)別ST公司與非 ST公司，就136家上市公司對2007—2009年的14個財務(wù)指標(biāo)做單邊t檢驗，檢驗效果顯著的財務(wù)指標(biāo)作為下一步研究的變量。檢驗結(jié)果見表3所示。

表3 估計樣本t檢驗和Wilcoxon檢驗

從表3可看出，通過對估計樣本做Wilcoxon檢驗，發(fā)現(xiàn)ST樣本公司和非ST樣本公司所屬總體具有相同分布，統(tǒng)計檢驗顯著，可采用t檢驗篩選指標(biāo)。從t檢驗的結(jié)果來看，在10%的顯著性水平上有明顯差異的指標(biāo)有6個，即利息保障倍數(shù)、產(chǎn)權(quán)比率、流動比率、總資產(chǎn)增長率、現(xiàn)金流量比率和營業(yè)利潤率，具體分析如下:

1.利息保障倍數(shù)和產(chǎn)權(quán)比率

非ST公司的長期償債能力明顯高于ST公司，尤其是產(chǎn)權(quán)比率具有1%的顯著性水平，說明ST公司經(jīng)營出現(xiàn)問題會導(dǎo)致負(fù)債明顯增加。盡管利息保障倍數(shù)僅通過10%的顯著性檢驗，但非ST公司均值為19.741，而ST公司的均值為－9.905二者差異達(dá)到29.646，表明兩類公司的該項指標(biāo)差異明顯。

2.流動比率

ST公司在短期償債能力上出現(xiàn)明顯差異，流動比率在5%顯著性水平上通過檢驗，說明ST公司短期內(nèi)也會出現(xiàn)財務(wù)危機。

3.總資產(chǎn)增長率

相比較而言，ST公司在公司發(fā)展能力上也出現(xiàn)增長乏力。總資產(chǎn)增長率通過了1%的顯著性檢驗，說明ST公司已明顯無增長潛力。

4.現(xiàn)金流量比率

現(xiàn)金流量是最無法粉飾的，其說明問題的能力遠(yuǎn)高于盈利能力指標(biāo)，在說明企業(yè)財務(wù)狀況中發(fā)揮著越來越重要的作用。現(xiàn)金流量比率通過1%的檢驗，ST公司和非ST公司的現(xiàn)金流量比率的明顯差異性說明ST公司靠自身經(jīng)營創(chuàng)造現(xiàn)金的能力較差。

5.營業(yè)利潤率

ST公司的盈利能力與非ST公司也有著明顯差異，營業(yè)利潤率在10%的水平上通過顯著性檢驗。

五、預(yù)警模型及實證分析

(一)模型建立

本文采用BP神經(jīng)網(wǎng)絡(luò)模型先對估計樣本進(jìn)行訓(xùn)練。經(jīng)t檢驗篩選出的財務(wù)指標(biāo)有6個，輸入變量為6維，輸出為1維，代表公司的財務(wù)狀況，0表示ST財務(wù)狀況出現(xiàn)問題，1表示非ST財務(wù)狀況良好。經(jīng)過若干次試驗，得到網(wǎng)絡(luò)模型的隱含層為6，則本文采用的BP神經(jīng)網(wǎng)絡(luò)模型的機構(gòu)為6—6—1，即輸入層有6個節(jié)點，隱含層有6個節(jié)點，輸出層有1個節(jié)點。選擇的樣本有136家，即共有136組上市公司的財務(wù)數(shù)據(jù)，從中選取100組數(shù)據(jù)作為估計樣本，其余36組作為檢驗數(shù)據(jù)用來測試模型的預(yù)測能力。

(二)判定結(jié)果及檢驗

用功效系數(shù)法將估計樣本的財務(wù)指標(biāo)轉(zhuǎn)化為功效系數(shù)，得到了1—5之間的數(shù)字，將轉(zhuǎn)化后的單項功效系數(shù)代入模型，對100家估計樣本公司進(jìn)行判定，同時，為說明改進(jìn)后的變量提高了模型的預(yù)測準(zhǔn)確度，另建立一個網(wǎng)絡(luò)模型，將財務(wù)指標(biāo)直接作為輸入變量代入，兩模型進(jìn)行對比，其判定結(jié)果如表4所示。

為驗證模型對財務(wù)危機預(yù)警的準(zhǔn)確性，分別各自的36家檢驗樣本代入模型，得到檢驗樣本的判定結(jié)果如表5所示。

表4 兩類輸入變量對估計樣本的判定情況

表5 兩類輸入變量對檢驗樣本的判定情況

從表4和表5對比分析來看，分別將財務(wù)指標(biāo)和單項功效系數(shù)作為輸入變量來預(yù)測財務(wù)危機的實證結(jié)果表明:

首先，采用BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行財務(wù)危機預(yù)警，輸入變量改進(jìn)前后的誤判率都很低，說明采用BP神經(jīng)網(wǎng)絡(luò)模型用于財務(wù)危機預(yù)警準(zhǔn)確性較高。

其次，比較改進(jìn)前后的輸入變量的模型訓(xùn)練結(jié)果發(fā)現(xiàn)，改進(jìn)后的誤判率更低，表明考慮了行業(yè)差異的輸入變量更能有效提高判別精度。

最后，從檢驗樣本的判別情況來看，單項功效系數(shù)的誤判率較低，表明采用功效系數(shù)法轉(zhuǎn)化后的財務(wù)指標(biāo)其預(yù)測財務(wù)危機的能力增強。

六、研究結(jié)論

本文通過實證研究表明:通過功效系數(shù)法對輸入變量進(jìn)行改進(jìn)之后，財務(wù)危機預(yù)警效果明顯高于傳統(tǒng)方法。財務(wù)危機對企業(yè)影響巨大，財務(wù)危機預(yù)警的研究給企業(yè)預(yù)測危機風(fēng)險提供思路，對企業(yè)是否能持續(xù)經(jīng)營具有重大意義。通過對輸入變量的改進(jìn)，使得財務(wù)危機預(yù)警的效果更好，有利于企業(yè)更有效率地做好財務(wù)危機的防范工作，盡量減少企業(yè)陷入財務(wù)危機的風(fēng)險。

將財務(wù)指標(biāo)直接作為模型的輸入變量，是研究財務(wù)危機預(yù)警的通用做法，然而，由于行業(yè)的差異，使得預(yù)測精度存在較大誤差，不利于財務(wù)危機預(yù)警的有效實現(xiàn)。利用功效系數(shù)法對輸入變量進(jìn)行改進(jìn)，之所以能提高預(yù)測能力，在于考慮了行業(yè)差異。在計算單項功效系數(shù)時將行業(yè)平均值作為標(biāo)準(zhǔn)進(jìn)行分檔，使得不同行業(yè)的財務(wù)指標(biāo)轉(zhuǎn)化后具有可比性，在BP神經(jīng)網(wǎng)絡(luò)模型基礎(chǔ)上，形成新的訓(xùn)練和測試樣本集，與直接將財務(wù)指標(biāo)作為輸入變量相比，提高了人工神經(jīng)網(wǎng)絡(luò)模型的精度，預(yù)測準(zhǔn)確率得到有效提高。

本文研究有諸多不足之處，還需進(jìn)一步研究探討。首先，樣本量較小。BP神經(jīng)網(wǎng)絡(luò)是模擬人腦，大樣本有助于其找到內(nèi)在的規(guī)律。本文100個估計樣本可能會對實證分析結(jié)果造成影響。第二，財務(wù)危機企業(yè)的界定。我國上市公司被ST的條件或者是因為連續(xù)兩年凈利潤為負(fù)值，或者是最近一個會計年度審計的企業(yè)凈資產(chǎn)低于股票面值。一些上市公司為保殼，會對利潤進(jìn)行盈余管理，陸建橋 (1999)經(jīng)實證研究發(fā)現(xiàn)，上市公司在首次出現(xiàn)虧損的年份，存在著明顯的調(diào)減盈余的會計處理，而在扭虧為盈的年份，又明顯出現(xiàn)調(diào)增利潤的行為。由于盈余管理的存在，非ST公司也并不意味著未陷入財務(wù)危機，以是否ST來劃分企業(yè)是否陷入財務(wù)危機有一定缺陷，因條件所限，樣本的選擇并不一定具有代表性，有進(jìn)一步改進(jìn)的空間。

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

［2］Odom，M.D.，Sharda，R.A.Neural Network for Bankruptcy Prediction［A］.International Joint Conference on Neural Network［C］.1990.

［3］楊淑娥，黃禮.基于BP神經(jīng)網(wǎng)絡(luò)的上市公司財務(wù)預(yù)警模型［J］.系統(tǒng)工程理論與實踐，2005，(1).

［4］盧永艷.上市公司財務(wù)困境風(fēng)險的行業(yè)差異性研究［J］.宏觀經(jīng)濟(jì)研究，2012，(3).

［5］陳志斌，譚瑞娟.財務(wù)預(yù)警的行業(yè)差異模型研究［J］. 南京師大學(xué)報(社科版)，2006，(5).

［6］Beaver，W.H.Market Prices，F(xiàn)inancial Ratios，and Prediction of Failure［J］.Journal of Accounting Research，1968，6(2):67－92.