基于神經(jīng)網(wǎng)絡(luò)模型的上市公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警研究*——來(lái)自山東省制造業(yè)數(shù)據(jù)

曹 彤 郭亞軍

（西北農(nóng)林科技大學(xué)經(jīng)濟(jì)管理學(xué)院 陜西 楊凌 712100）

一、引言

改革開放以來(lái)，中國(guó)的制造業(yè)快速發(fā)展，成為拉動(dòng)國(guó)家經(jīng)濟(jì)發(fā)展的重要力量。在滬深兩市的上市公司中超過(guò)半數(shù)是制造業(yè)上市公司，而制造業(yè)上市公司發(fā)生財(cái)務(wù)危機(jī)的比例也較其他行業(yè)偏高。在山東省的上市公司中，有74.68%的上市公司是制造業(yè)公司。在所有發(fā)生財(cái)務(wù)危機(jī)的山東省上市公司中，制造業(yè)上市公司占57.14%。有效的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警系統(tǒng)能及時(shí)發(fā)現(xiàn)財(cái)務(wù)管理中存在的各種問(wèn)題，進(jìn)而積極的采取補(bǔ)救措施，對(duì)公司持續(xù)、健康的經(jīng)營(yíng)和發(fā)展有著重要的意義。因此，建立一套有效的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警系統(tǒng)顯得十分必要。Beaver（1966年）在單變量破產(chǎn)預(yù)測(cè)方面的研究被視為財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警領(lǐng)域的里程碑。他對(duì)財(cái)務(wù)比率進(jìn)行一元線性判定，但是選擇不同的比率預(yù)測(cè)同一企業(yè)的風(fēng)險(xiǎn)，可能會(huì)得到不同的結(jié)果。為了改進(jìn)單變量模型的缺陷，美國(guó)學(xué)者Edward Altman于1968年提出了多元變量Z-score模型。1980年，Oh1son第一個(gè)采用Logistic方法對(duì)公司的財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行了預(yù)測(cè)，該方法預(yù)測(cè)的準(zhǔn)確率有所提高。隨著計(jì)算機(jī)技術(shù)的普及，人工神經(jīng)網(wǎng)絡(luò)（Odom&Sharda，1990）開始運(yùn)用于財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)中。隨后，支持向量機(jī)（Vapnik，1995）、期權(quán)定價(jià)模型（Charitou&Trigeorgis，2000）等新方法逐漸運(yùn)用到財(cái)務(wù)風(fēng)險(xiǎn)的預(yù)警中。國(guó)內(nèi)的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警研究起步較晚。周首華、楊濟(jì)華（1996）提出了F分?jǐn)?shù)模型，楊淑娥（2003）在借鑒Z-score模型的基礎(chǔ)上提出了Y分?jǐn)?shù)模型，姜秀華、孫錚（2001）則運(yùn)用Logistic建立回歸判別模型，隨后相繼出現(xiàn)了前饋神經(jīng)網(wǎng)絡(luò)（楊保安等，2001）、人工神經(jīng)網(wǎng)絡(luò)（劉洪等，2004）、因子分析—BP神經(jīng)網(wǎng)絡(luò)（范靜，2008）等一系列以神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警的研究。目前，進(jìn)行財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警研究的文獻(xiàn)比較多，但是大多數(shù)學(xué)者在選取樣本時(shí)未考慮行業(yè)差異；同時(shí)各省份的經(jīng)濟(jì)發(fā)展?fàn)顩r、經(jīng)濟(jì)結(jié)構(gòu)的不同也會(huì)對(duì)模型的構(gòu)建產(chǎn)生影響。因此，需要分行業(yè)、分地區(qū)來(lái)構(gòu)建財(cái)務(wù)預(yù)警模型?；谝陨犀F(xiàn)狀，本文針對(duì)山東省制造業(yè)上市公司財(cái)務(wù)風(fēng)險(xiǎn)狀況進(jìn)行分析，建立適合山東省實(shí)際發(fā)展情況的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型。

二、研究設(shè)計(jì)

（一）研究方法 BP神經(jīng)網(wǎng)絡(luò)是一種單向傳播的多層前向神經(jīng)網(wǎng)絡(luò)，在運(yùn)算過(guò)程中使用了梯度下降的算法，用迭代運(yùn)算法求解，把一組樣本的輸入輸出變成一個(gè)非線性優(yōu)化的問(wèn)題。BP神經(jīng)網(wǎng)絡(luò)通常包括輸入層、隱含層和輸出層，同層節(jié)點(diǎn)間無(wú)任何聯(lián)結(jié)。BP網(wǎng)絡(luò)的每個(gè)神經(jīng)元都有一個(gè)傳遞函數(shù)，傳遞函數(shù)是反映下層輸入對(duì)上層節(jié)點(diǎn)刺激脈沖強(qiáng)度的函數(shù)，一般為（0，l）內(nèi)連續(xù)取值的Sigmoid型函數(shù)。網(wǎng)絡(luò)的學(xué)習(xí)包括輸入數(shù)據(jù)的正向傳播和誤差反向傳播兩個(gè)子過(guò)程。正向傳播過(guò)程中，數(shù)據(jù)從輸入層輸入經(jīng)過(guò)隱含層逐層處理傳到輸出層，再經(jīng)非線性傳遞函數(shù)運(yùn)算后得到輸出值，將其與期望值比較；若有誤差，則誤差反向傳播，沿原來(lái)的聯(lián)結(jié)路徑返回，并通過(guò)逐層修改各層節(jié)點(diǎn)的權(quán)值和閾值減少誤差，如此循環(huán)直到輸出的誤差達(dá)到期望結(jié)果為止。最基本的BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖（1）所示。圖（1）中，x、z是BP神經(jīng)網(wǎng)絡(luò)的輸入、輸出向量，隱含層是單層，前層至后層節(jié)點(diǎn)之間通過(guò)權(quán)系數(shù)相聯(lián)結(jié)，同一層節(jié)點(diǎn)之間無(wú)聯(lián)結(jié)。BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)步驟簡(jiǎn)述如下:初始構(gòu)建網(wǎng)絡(luò)。確定各層節(jié)點(diǎn)的個(gè)數(shù)，將各個(gè)權(quán)值和閥值的值初始為比較小的隨機(jī)數(shù)；將訓(xùn)練樣本值輸入至輸入層節(jié)點(diǎn)，計(jì)算各層輸出；計(jì)算誤差，并通過(guò)更新權(quán)重和反映網(wǎng)絡(luò)預(yù)測(cè)誤差的閥值，向后傳播誤差；求誤差函數(shù)。判斷其是否收斂在給定的精度以內(nèi)，如果滿足，則學(xué)習(xí)結(jié)束；否則，繼續(xù)步驟2的訓(xùn)練。

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

（二）樣本選取 本文選取2009年2011年山東省制造業(yè)A股上市公司為研究樣本，主要包括154家制造業(yè)公司。選取的樣本中有87家公司因在研究期內(nèi)數(shù)據(jù)不全，故將其剔除。將剩余的67家公司共201個(gè)樣本數(shù)據(jù)作為此次研究的分析樣本。樣本數(shù)據(jù)主要來(lái)源于各上市公司披露的年度財(cái)務(wù)報(bào)告。

（三）選取樣本預(yù)警指標(biāo) 結(jié)合山東省制造業(yè)的實(shí)際基本情況，選取的預(yù)警指標(biāo)包括財(cái)務(wù)指標(biāo)和非財(cái)務(wù)指標(biāo)。財(cái)務(wù)指標(biāo)從盈利能力、償債能力、營(yíng)運(yùn)能力、發(fā)展能力、現(xiàn)金流動(dòng)能力和風(fēng)險(xiǎn)水平等六個(gè)方面共選取23個(gè)指標(biāo)，非財(cái)務(wù)指標(biāo)選取股權(quán)集中度和獨(dú)立董事比例2個(gè)指標(biāo)。樣本預(yù)警指標(biāo)見(jiàn)表（1）。

表1 樣本預(yù)警指標(biāo)

表2 上市公司財(cái)務(wù)狀況具體劃分的標(biāo)準(zhǔn)

表3 2009-2011年預(yù)警指標(biāo)的K-W檢驗(yàn)

表4 方差總解釋表

（四）風(fēng)險(xiǎn)識(shí)別警度劃分 在上市公司財(cái)務(wù)狀況的分類中，一般是將上市公司劃分為ST和非ST公司兩類。這種分類方法只能在財(cái)務(wù)危機(jī)發(fā)生后才能發(fā)現(xiàn)公司已處于資不抵債的狀況，而財(cái)務(wù)危機(jī)的發(fā)生是一個(gè)漸進(jìn)的過(guò)程，上市公司的財(cái)務(wù)狀況由最初的財(cái)務(wù)健康慢慢演變成輕度財(cái)務(wù)危機(jī)，如果不及時(shí)采取補(bǔ)救措施就會(huì)繼續(xù)惡化，直至演變成重度財(cái)務(wù)危機(jī)。為了能及時(shí)發(fā)現(xiàn)上市公司財(cái)務(wù)狀況中存在的風(fēng)險(xiǎn)，本文根據(jù)當(dāng)年上市公司的年度財(cái)務(wù)報(bào)告結(jié)果，將山東省制造業(yè)上市公司的財(cái)務(wù)狀況劃分為三個(gè)級(jí)別：財(cái)務(wù)健康、輕度財(cái)務(wù)危機(jī)和重度財(cái)務(wù)危機(jī)。劃分標(biāo)準(zhǔn)如表（2）所示。

根據(jù)上述分類標(biāo)準(zhǔn)，本文將研究樣本劃分為三類，其中：重度財(cái)務(wù)危機(jī)公司17個(gè)，輕度財(cái)務(wù)危機(jī)公司23個(gè)，財(cái)務(wù)健康公司161個(gè)。

三、實(shí)證檢驗(yàn)分析

（一）顯著性檢驗(yàn) 本文研究的步驟為：首先運(yùn)用SPSS18.0篩選預(yù)警指標(biāo)，保留對(duì)解釋變量影響顯著的指標(biāo)；其次對(duì)篩選出來(lái)的預(yù)警指標(biāo)進(jìn)行因子分析，提取出公共因子；最后運(yùn)用MATLAB7.0，將上述處理過(guò)的數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)模型中，得出并分析結(jié)果。由于預(yù)警指標(biāo)的選取具有主觀性，不能保證每個(gè)指標(biāo)對(duì)被解釋變量的影響都是顯著的。因此，需要對(duì)每個(gè)指標(biāo)的顯著性進(jìn)行檢驗(yàn)，保留對(duì)被解釋變量影響較為顯著的指標(biāo)。本文采用多個(gè)獨(dú)立樣本的Kruskal-WallisH檢驗(yàn)，顯著性小于0.05的視為通過(guò)顯著性檢驗(yàn)。檢驗(yàn)結(jié)果如表（3）所示。由表（3）可以看出，2009年通過(guò)顯著性檢驗(yàn)的指標(biāo)有X3，X4，X6，X8，X14，X15，X16，X17，X22，X23；2010年通過(guò)顯著性檢驗(yàn)的指標(biāo)有X3，X4，X14，X15，X16，X17，X23；2011年通過(guò)顯著性檢驗(yàn)的指標(biāo)有X3，X4，X5，X6，X7，X8，X9，X15，X16，X17，X22，X23。其中，連續(xù)三年通過(guò)顯著性檢驗(yàn)的指標(biāo)有X3，X4，X15，X16，X17，X23，連續(xù)兩年通過(guò)檢驗(yàn)的預(yù)警指標(biāo)有X6，X8，X14，X22，故將這10個(gè)指標(biāo)選入預(yù)警指標(biāo)體系?，F(xiàn)金比率（X7）只有2011年一年通過(guò)了顯著性檢驗(yàn)，流動(dòng)資產(chǎn)周轉(zhuǎn)率（X12）未通過(guò)顯著性檢驗(yàn)。但是現(xiàn)金比率是衡量公司資產(chǎn)流動(dòng)性的重要指標(biāo)，能反映企業(yè)直接償付流動(dòng)負(fù)債的能力；流動(dòng)資產(chǎn)周轉(zhuǎn)率是評(píng)價(jià)企業(yè)流動(dòng)資產(chǎn)利用率的重要指標(biāo)，揭示了企業(yè)的資產(chǎn)質(zhì)量。故將X7，X12列入預(yù)警指標(biāo)體系。股權(quán)集中度（X24）、獨(dú)立董事比例（X25）作為非財(cái)務(wù)指標(biāo)，對(duì)于判斷公司的財(cái)務(wù)風(fēng)險(xiǎn)狀況沒(méi)有直接關(guān)系，所以均未通過(guò)顯著性檢驗(yàn)。但是股權(quán)集中度是衡量公司穩(wěn)定性強(qiáng)弱的重要指標(biāo)，獨(dú)立董事比例是衡量獨(dú)立董事對(duì)公司經(jīng)營(yíng)管理監(jiān)督權(quán)的指標(biāo)，對(duì)公司的財(cái)務(wù)狀況具有潛在影響。故將X24，X25列入預(yù)警指標(biāo)體系。綜上所述，最終構(gòu)成預(yù)警指標(biāo)體系的指標(biāo)包括：X3，X4，X6，X7，X8，X12，X14，X15，X16，X17，X22，X23，X24，X25。

（二）因子分析 為了能夠更加有效地進(jìn)行BP神經(jīng)網(wǎng)絡(luò)分析，本文通過(guò)因子分析法來(lái)減少輸入變量的個(gè)數(shù)。對(duì)于神經(jīng)網(wǎng)絡(luò)而言，當(dāng)輸入變量過(guò)多時(shí)，將使網(wǎng)絡(luò)結(jié)構(gòu)變得極為復(fù)雜，網(wǎng)絡(luò)訓(xùn)練負(fù)擔(dān)加重、學(xué)習(xí)速度下降。在進(jìn)行因子分析前，對(duì)已篩選出的預(yù)警指標(biāo)進(jìn)行適用性檢驗(yàn)。本文采用KMO檢驗(yàn)和Bartlett’s檢驗(yàn)。檢驗(yàn)結(jié)果顯示：KMO值為0.705，較適合做因子分析；巴特利球形檢驗(yàn)統(tǒng)計(jì)量為1989.558，顯著性概率（sig）為0.000，表現(xiàn)出高度的相關(guān)性和顯著性?？梢?jiàn)，樣本數(shù)據(jù)適宜做因子分析。本文運(yùn)用SPSS18.0軟件，對(duì)上文選取的14個(gè)預(yù)警指標(biāo)進(jìn)行因子分析，公共因子提取結(jié)果如表（4）所示。表（4）中，將特征值和方差累計(jì)貢獻(xiàn)率綜合考慮分析后，共提取8個(gè)公共因子，累計(jì)方差貢獻(xiàn)率達(dá)到88.317%。這8個(gè)公共因子基本上可以表示出山東省制造業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的絕大部分信息。因子載荷矩陣如表（5）所示。由表（5）可知，公共因子F1在X6（流動(dòng)比率）、X7（速動(dòng)比率）、X8（現(xiàn)金比率）上有較大載荷，分別為0.960、0.966、0.955，F(xiàn)1可命名為償債能力因子；公共因子F2在X15（所有者權(quán)益增長(zhǎng)率）、X16（總資產(chǎn)增長(zhǎng)率）上有較大載荷，分別為0.879、0.841，F(xiàn)2可命名為發(fā)展能力因子；公共因子F3在X3（每股收益）、X4（每股凈資產(chǎn)）上有較大載荷，分別為0.919、0.898，F(xiàn)3可命名為盈利能力因子；公共因子F4在X22（經(jīng)營(yíng)凈現(xiàn)金比率）、X23（綜合杠桿）上有較大載荷，分別為0.846、0.832，F(xiàn)4可命名為風(fēng)險(xiǎn)水平因子；公共因子F5在X24（股權(quán)集中度）上的載荷為0.948，F(xiàn)5可命名為股權(quán)結(jié)構(gòu)因子；公共因子F6在X12（流動(dòng)資產(chǎn)周轉(zhuǎn)率）、X14（固定資產(chǎn)周轉(zhuǎn)率）上有較大載荷，分別為0.881、0.390，F(xiàn)6可命名為營(yíng)運(yùn)能力因子；公共因子F7在X25（獨(dú)立董事比例）上因子載荷為0.987，F(xiàn)7可命名為董事結(jié)構(gòu)因子；公共因子F8在X17（凈利潤(rùn)增長(zhǎng)率）上因子載荷為0.982，F(xiàn)8可命名為成長(zhǎng)能力因子。通過(guò)因子載荷矩陣，可進(jìn)一步得到旋轉(zhuǎn)后的因子得分矩陣，如表（6）所示。由表（6）可知，八個(gè)公共因子均可用原來(lái)的14個(gè)預(yù)警指標(biāo)的線性組合表示。我們將此八個(gè)因子納入神經(jīng)網(wǎng)絡(luò)的輸入變量中。

表5 旋轉(zhuǎn)后的因子載荷矩陣

表6 因子得分系數(shù)矩陣

表7 BP神經(jīng)網(wǎng)絡(luò)判定結(jié)果

（三）BP神經(jīng)網(wǎng)絡(luò)測(cè)度 一般來(lái)講，三層的神經(jīng)網(wǎng)絡(luò)已經(jīng)能夠得到足夠精確的結(jié)果。增加層數(shù)雖然可以進(jìn)一步地降低誤差，但同時(shí)也會(huì)使網(wǎng)絡(luò)復(fù)雜化，增加了網(wǎng)絡(luò)的訓(xùn)練時(shí)間。綜合考慮后，本文選擇由一個(gè)輸入層、一個(gè)輸出層和一個(gè)隱含層構(gòu)成的三層BP神經(jīng)網(wǎng)絡(luò)模型。（1）輸入節(jié)點(diǎn)數(shù)。BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)性能直接受到輸入變量的影響，因此選取對(duì)系統(tǒng)最具強(qiáng)解釋力的變量能夠提高預(yù)測(cè)的準(zhǔn)確性。因子分析法提取的8個(gè)因子對(duì)整個(gè)系統(tǒng)具有最佳解釋力，可以作為BP神經(jīng)網(wǎng)絡(luò)的輸入變量。此外，將時(shí)間變量作為控制變量加入輸入變量，可以在一定程度上提高對(duì)系統(tǒng)的解釋力。故取輸入節(jié)點(diǎn)數(shù)為9。（2）輸出變量。輸出變量代表要實(shí)現(xiàn)的目標(biāo)功能，即網(wǎng)絡(luò)訓(xùn)練的期望輸出值。本文的輸出變量個(gè)數(shù)為1個(gè)，輸出變量的取值為1，0，-1，其中：1代表財(cái)務(wù)健康公司，0代表輕度財(cái)務(wù)危機(jī)公司，-1代表重度財(cái)務(wù)危機(jī)公司。（3）隱含層節(jié)點(diǎn)數(shù)。通過(guò)公式含層節(jié)點(diǎn)數(shù)，n為輸入層節(jié)點(diǎn)數(shù)，l為輸出變量數(shù)，a取1—10之間的常數(shù)）來(lái)決定隱含層節(jié)點(diǎn)數(shù)。經(jīng)反復(fù)試驗(yàn)，m=3時(shí)收斂速度最快，故隱含層節(jié)點(diǎn)數(shù)取3。（4）確定神經(jīng)網(wǎng)絡(luò)的訓(xùn)練、測(cè)試樣本。本文在17個(gè)重度危機(jī)公司、23個(gè)輕度危機(jī)公司、161個(gè)健康公司中，選取3/4的樣本公司作為訓(xùn)練樣本，1/4的樣本公司作為測(cè)試樣本，即訓(xùn)練樣本中包括13個(gè)重度危機(jī)公司、17個(gè)輕度危機(jī)公司、121個(gè)健康公司，測(cè)試樣本中包括4個(gè)重度危機(jī)公司、6個(gè)輕度危機(jī)公司、40個(gè)健康公司。（5）數(shù)據(jù)分析。BP神經(jīng)網(wǎng)絡(luò)隱含層的轉(zhuǎn)換函數(shù)為自動(dòng)增益的非線性函數(shù)，因此在建立BP神經(jīng)網(wǎng)絡(luò)之前，我們需要對(duì)原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化，標(biāo)準(zhǔn)化方程為

本文運(yùn)用MATLAB7.0軟件，隱含層神經(jīng)元的傳遞函數(shù)為tansig函數(shù)，輸出層神經(jīng)元的傳遞函數(shù)為logsig函數(shù)，訓(xùn)練函數(shù)為trainlm。網(wǎng)絡(luò)最大訓(xùn)練次數(shù)為1000，目標(biāo)誤差為0.1。網(wǎng)絡(luò)的訓(xùn)練過(guò)程及收斂結(jié)果經(jīng)訓(xùn)練后，網(wǎng)絡(luò)輸出與訓(xùn)練目標(biāo)之間的誤差僅為0.0620261，因此訓(xùn)練后的網(wǎng)絡(luò)能較好地反映網(wǎng)絡(luò)輸入與訓(xùn)練目標(biāo)間的相關(guān)關(guān)系。將2009—2011年的樣本數(shù)據(jù)帶入神經(jīng)網(wǎng)絡(luò)模型，得到樣本的判定結(jié)果如表（7）所示。由表（7）可知，訓(xùn)練樣本的總體正確判定率為96.67%：13個(gè)重度財(cái)務(wù)危機(jī)的數(shù)據(jù)單元中沒(méi)有數(shù)據(jù)單元被誤判，正確判定率為100%；17個(gè)輕度財(cái)務(wù)危機(jī)的數(shù)據(jù)單元中有1個(gè)數(shù)據(jù)單元被誤判，正確判定率為93.33%；121個(gè)財(cái)務(wù)健康的數(shù)據(jù)單元有4個(gè)被誤判，正確判定率為96.69%。測(cè)試樣本的總體正確判定率為88%：4個(gè)重度財(cái)務(wù)危機(jī)的數(shù)據(jù)單元中沒(méi)有數(shù)據(jù)單元被誤判，正確判定率為100%；6個(gè)輕度財(cái)務(wù)危機(jī)的數(shù)據(jù)單元中有1個(gè)數(shù)據(jù)單元被誤判，正確判定率為83.33%；40個(gè)財(cái)務(wù)健康的數(shù)據(jù)單元有5個(gè)被誤判，正確判定率為87.5%。

從實(shí)證分析的結(jié)果看，預(yù)測(cè)結(jié)果是令人滿意的，每個(gè)類別的預(yù)測(cè)準(zhǔn)確率都達(dá)到了80%以上，綜合準(zhǔn)確率更是接近90%。其中，對(duì)重度財(cái)務(wù)危機(jī)的公司預(yù)測(cè)準(zhǔn)確率最高，達(dá)到了100%；而對(duì)輕度財(cái)務(wù)危機(jī)公司和財(cái)務(wù)健康公司均出現(xiàn)了過(guò)度預(yù)測(cè)的問(wèn)題，即把輕度財(cái)務(wù)危機(jī)公司判定為重度財(cái)務(wù)危機(jī)公司，把財(cái)務(wù)健康公司判定為輕度財(cái)務(wù)危機(jī)公司。出現(xiàn)這種誤差除了系統(tǒng)誤差之外，還有一部分原因在于樣本本身的限制。本文所取樣本由于地域、行業(yè)、年份的三重限制，導(dǎo)致了樣本數(shù)量較少，尤其是出現(xiàn)財(cái)務(wù)問(wèn)題的樣本公司較少。小樣本導(dǎo)致了神經(jīng)網(wǎng)絡(luò)模型不能得到充分的訓(xùn)練、學(xué)習(xí)，進(jìn)而影響到測(cè)試樣本的準(zhǔn)確率。

四、結(jié)論

本文研究得出如下結(jié)論：BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果的綜合正確率達(dá)到88%，可以為上市公司財(cái)務(wù)預(yù)警提供較為準(zhǔn)確的信息；通過(guò)對(duì)預(yù)警指標(biāo)的顯著性檢驗(yàn)可以看出，隨著時(shí)間的變化，影響上市公司財(cái)務(wù)風(fēng)險(xiǎn)的因素也是在變動(dòng)的；在山東省制造業(yè)上市公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警的指標(biāo)體系中引入部分可以量化的非財(cái)務(wù)指標(biāo)，得到了較為滿意的預(yù)測(cè)結(jié)果。同時(shí)本文也存在不足：限于山東省制造業(yè)上市公司的樣本數(shù)據(jù)較少，尤其是輕度財(cái)務(wù)風(fēng)險(xiǎn)和重度財(cái)務(wù)風(fēng)險(xiǎn)數(shù)據(jù)不夠充分，導(dǎo)致了神經(jīng)網(wǎng)絡(luò)訓(xùn)練不充分，進(jìn)而影響到測(cè)試樣本結(jié)果不夠精確；神經(jīng)網(wǎng)絡(luò)模型本身也存在缺陷，如隱含層的層數(shù)及節(jié)點(diǎn)個(gè)數(shù)的優(yōu)化選擇尚無(wú)理論上的指導(dǎo)。在進(jìn)一步的研究中，可以嘗試多種預(yù)測(cè)方法綜合對(duì)比，以達(dá)到更好的預(yù)測(cè)效果。

［1］ 錢愛(ài)民、張淑君、程幸：《基于自由現(xiàn)金流量的財(cái)務(wù)預(yù)警指標(biāo)體系的構(gòu)建與檢》，《中國(guó)軟科學(xué)》2008年第9期。

［2］ 龐清樂(lè)、劉新允：《基于蟻群神經(jīng)網(wǎng)絡(luò)的財(cái)務(wù)危機(jī)預(yù)警方法》，《數(shù)理統(tǒng)計(jì)與管理》2011年第5期。

［3］ 崔潔：《上市公司財(cái)務(wù)預(yù)警實(shí)證研究——來(lái)自制造業(yè)數(shù)據(jù)》，《財(cái)會(huì)通訊》2012年第3期。

［4］ 龔小鳳：《基于BP神經(jīng)網(wǎng)絡(luò)的企業(yè)財(cái)務(wù)危機(jī)預(yù)警變量改進(jìn)探索》，《財(cái)經(jīng)問(wèn)題研究》2012年第12期。

［5］ 焦少飛、張煒、楊選良：《技術(shù)體制、研發(fā)努力與創(chuàng)新績(jī)效：來(lái)自中國(guó)制造業(yè)的證據(jù)》，《中國(guó)軟科學(xué)》2010年第3期。

［6］ 李清、于萍：《財(cái)務(wù)危機(jī)預(yù)測(cè)主要方法比較研究》，《數(shù)理統(tǒng)計(jì)與管理》2012年第7期。

［7］ 田謐、鄢飛：《我國(guó)物流上市公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警實(shí)證研究——基于現(xiàn)金流量分析》，《西安建筑科技大學(xué)學(xué)報(bào)》2012年第10期。

［8］ 王思敏、朱玉杰：《公司危機(jī)的傳染效應(yīng)與競(jìng)爭(zhēng)效應(yīng)——以國(guó)美事件為例的小樣本實(shí)證研究》，《中國(guó)軟科學(xué)》2010年第3期。

［9］ Kim,McLeod,Jr.Expert Decision for Financial Distress Models,Journal of Banking and Finance,2009.