會(huì)計(jì)基礎(chǔ)模型在財(cái)務(wù)危機(jī)預(yù)測(cè)中的應(yīng)用研究

文/王楠

會(huì)計(jì)基礎(chǔ)模型在財(cái)務(wù)危機(jī)預(yù)測(cè)中的應(yīng)用研究

文/王楠

會(huì)計(jì)基礎(chǔ)模型在企業(yè)財(cái)務(wù)危機(jī)預(yù)測(cè)中具有十分重要的應(yīng)用，但其本身也存在一定的不足，在使用上有諸多事項(xiàng)需要注意。在這種背景下，本文首先分析了會(huì)計(jì)基礎(chǔ)模型在財(cái)務(wù)危機(jī)中的應(yīng)用理念，進(jìn)而探討了會(huì)計(jì)基礎(chǔ)模型應(yīng)用的不足，最后給出了會(huì)計(jì)基礎(chǔ)模型在財(cái)務(wù)危機(jī)預(yù)測(cè)中的應(yīng)用展望。

會(huì)計(jì)基礎(chǔ)模型；財(cái)務(wù)危機(jī)；預(yù)測(cè)；應(yīng)用

早期財(cái)務(wù)危機(jī)預(yù)測(cè)模型是針對(duì)所有產(chǎn)業(yè)，很少專門針對(duì)建筑產(chǎn)業(yè)研究，其最主要的原因是，集中于單一的行業(yè)的研究很難搜集足夠的樣本，尤其是財(cái)務(wù)危機(jī)公司的樣本數(shù)與財(cái)務(wù)正常公司的樣本數(shù)相比較更是稀少。然而，Chava和Jarrow指出，不同產(chǎn)業(yè)面臨不同的競(jìng)爭(zhēng)環(huán)境，也使用不同的會(huì)計(jì)原則，即使財(cái)務(wù)報(bào)表數(shù)據(jù)相同，破產(chǎn)概率仍然是不一樣的。

一、會(huì)計(jì)基礎(chǔ)模型在財(cái)務(wù)危機(jī)中的應(yīng)用理念

(一)基本理念

傳統(tǒng)財(cái)務(wù)危機(jī)預(yù)測(cè)的相關(guān)研究，會(huì)采用大量的會(huì)計(jì)信息并以這些信息為基礎(chǔ)而建立模型，被稱作“會(huì)計(jì)基礎(chǔ)模型”。這些研究多建立在“發(fā)生財(cái)務(wù)危機(jī)公司與財(cái)務(wù)正常公司，在會(huì)計(jì)報(bào)表的信息中應(yīng)含有一些不同之處”的假設(shè)上，并試著應(yīng)用一些回歸分析或資料探勘技術(shù)(Data Mining)來找出這些不同之處。過去研究中學(xué)者所用過的方法如：?jiǎn)巫兞繀^(qū)別分析、多變量區(qū)別分析、LPM模型、Logistic模型、機(jī)率模型、及CUSUM模型等。

從1980年代后期開始，一些新的人工智能技術(shù)，像是“類神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks, ANN)”成功的被應(yīng)用在公司財(cái)務(wù)危機(jī)預(yù)測(cè)模型上。而倒傳遞類神經(jīng)網(wǎng)絡(luò)模型(Back-Propagation Neural Network, BPN)則是ANN中最被廣泛應(yīng)用的一種。研究指出，相較傳統(tǒng)的回歸模型，ANN模型有著更好的預(yù)測(cè)能力。到了1990年代晚期，一種更新的技術(shù)“支撐向量機(jī)制(Support Vector Machine, SVM)”也開始被廣泛的應(yīng)用在各個(gè)領(lǐng)域中。

(二)基本類型

1.單變量區(qū)別分析(Univariate Discriminant Analysis)。相關(guān)文獻(xiàn)回顧早期研究公司財(cái)務(wù)危機(jī)預(yù)測(cè)，將焦點(diǎn)放在選定最佳區(qū)別指標(biāo)以分辨財(cái)務(wù)危機(jī)與財(cái)務(wù)正常公司，最早的做法即為單變量區(qū)別分析，以Beaver的研究為代表。Beaver的研究對(duì)財(cái)務(wù)危機(jī)預(yù)測(cè)的影響包含：界定財(cái)務(wù)危機(jī)公司的定義；應(yīng)用配對(duì)抽樣方法；運(yùn)用二分類檢驗(yàn)法(Dichotomous Classification Test)來求取最佳預(yù)測(cè)正確率；采用驗(yàn)證樣本分類檢驗(yàn)法(Calibration sample approach)求取最佳的分類點(diǎn)。

2.多變量區(qū)別分析(Multivariate Discriminant Analysis)。相關(guān)文獻(xiàn)回顧不同于單變量區(qū)別分析僅采用單一變量，“多變量區(qū)別分析”是利用多個(gè)會(huì)計(jì)變量配合統(tǒng)計(jì)的方法去探討公司財(cái)務(wù)危機(jī)的預(yù)測(cè)。將多種重要的指標(biāo)變量各賦予一個(gè)權(quán)數(shù)，組成綜合的區(qū)別函數(shù)，用以評(píng)估公司財(cái)務(wù)狀況。運(yùn)用多變量區(qū)別分析法于財(cái)務(wù)危機(jī)預(yù)測(cè)的研究以Altman為代表。Altman以1946年至1965年間33家財(cái)務(wù)危機(jī)公司及相似規(guī)模33家財(cái)務(wù)正常公司為樣本，采用二十二個(gè)會(huì)計(jì)變量包含流動(dòng)性、獲利能力、財(cái)物杠桿、償還能力、周轉(zhuǎn)能力五大類，利用多變量區(qū)別分析(MDA)方法取得預(yù)測(cè)能力最高的會(huì)計(jì)變量組合構(gòu)成區(qū)別函數(shù)。

3.類神經(jīng)網(wǎng)絡(luò)模型(Artificial Neural Network Model)。Rumelhart所提出的倒傳遞類神經(jīng)(Back Propagation Neural，BPN)為目前應(yīng)用最廣泛的類神經(jīng)網(wǎng)絡(luò)類型，其學(xué)習(xí)能力強(qiáng)、精準(zhǔn)度高，適用于處理復(fù)非線性函數(shù)的問題。BPN 網(wǎng)絡(luò)的基本結(jié)構(gòu)包含三層：輸入層(input layer)、隱藏層(hidden layer)及輸出層(output layer)。輸入層的神經(jīng)元個(gè)數(shù)即為會(huì)計(jì)變量的數(shù)目；輸出層為判斷財(cái)務(wù)危機(jī)或財(cái)務(wù)正常的0與1二元變量；隱藏層則在描述輸入變量與輸出變量間復(fù)雜的非線性關(guān)系。

二、會(huì)計(jì)基礎(chǔ)模型應(yīng)用的不足

傳統(tǒng)財(cái)務(wù)危機(jī)預(yù)測(cè)的相關(guān)研究，會(huì)采用大量的會(huì)計(jì)信息并以這些信息為基礎(chǔ)而建立模型，被稱作“會(huì)計(jì)基礎(chǔ)模型”。雖然各種會(huì)計(jì)基礎(chǔ)模型均具有相當(dāng)?shù)念A(yù)測(cè)能力，但也因會(huì)計(jì)報(bào)表易受到人為操縱的影響而受到限制，一年公布四次的會(huì)計(jì)報(bào)表也無法立即顯示財(cái)務(wù)危機(jī)實(shí)際的狀況。

有別于傳統(tǒng)以會(huì)計(jì)信息為基礎(chǔ)的財(cái)務(wù)危機(jī)預(yù)測(cè)模型，Merton(1974)應(yīng)用了Black and Scholes(1973)的選擇權(quán)定價(jià)理論，來評(píng)估企業(yè)財(cái)務(wù)危機(jī)概率。這個(gè)模型被稱為選擇權(quán)模型或市場(chǎng)基礎(chǔ)模型。市場(chǎng)基礎(chǔ)模型并不需要仰賴龐大的歷史會(huì)計(jì)信息，而是直接通過選擇權(quán)評(píng)價(jià)方程式，描述公司發(fā)生財(cái)務(wù)危機(jī)的物理意義，只需要收集個(gè)別公司的股票價(jià)格，配合公司債務(wù)、無風(fēng)險(xiǎn)利率等信息，就可套用公式計(jì)算財(cái)務(wù)危機(jī)概率。在一個(gè)有效率的股票市場(chǎng)中，公司的股票價(jià)格是一個(gè)有力的信息來源，不僅反映了會(huì)計(jì)和經(jīng)濟(jì)信息，也反映了公司管理和技術(shù)等等其它影響公司財(cái)務(wù)健全與否的因素。因此，近年來已有些學(xué)者開始重視市場(chǎng)基礎(chǔ)模型，并以此建立其公司財(cái)務(wù)危機(jī)預(yù)測(cè)模型。

市場(chǎng)基礎(chǔ)模型在實(shí)際應(yīng)用上有一個(gè)較大的限制是，必須應(yīng)用在一個(gè)效率高的股票市場(chǎng)才能得到較準(zhǔn)確的預(yù)測(cè)結(jié)果。在我國(guó)，股票市場(chǎng)規(guī)模較小，股票價(jià)格較容易受有心人士操作，較難反應(yīng)所有真實(shí)的信息，其股票市場(chǎng)的效率性并不高。因此市場(chǎng)基礎(chǔ)模型在我國(guó)建筑產(chǎn)業(yè)財(cái)務(wù)危機(jī)預(yù)測(cè)上將遇到困難。

三、會(huì)計(jì)基礎(chǔ)模型在財(cái)務(wù)危機(jī)預(yù)測(cè)中的應(yīng)用展望

(一)總體結(jié)論

1.選變量提升模型預(yù)測(cè)能力。一般情況下，在模型建立之中，通過Logistic逐步回歸分析選取變量之后，其財(cái)務(wù)危機(jī)的預(yù)測(cè)能力均有提升。過多的變量不見得能增加模型的預(yù)測(cè)能力，有時(shí)會(huì)因?yàn)槠渲邪脑肼暦炊沟妙A(yù)測(cè)能力下降，也增加模型的運(yùn)算時(shí)間。而 SVM 模型在較多的輸入變量時(shí)仍然能維持一定的預(yù)測(cè)能力，顯示其容忍噪聲的能力較好。

2.混合型模型具潛力。混合型模型在會(huì)計(jì)信息及市場(chǎng)信息中擁有截長(zhǎng)補(bǔ)短的長(zhǎng)處；而在我國(guó)的不同產(chǎn)業(yè)發(fā)展中，由于股票市場(chǎng)信息質(zhì)量較差，混合型模型并沒有明顯優(yōu)于會(huì)計(jì)基礎(chǔ)模型，但仍然具有一定的預(yù)測(cè)能力。本研究認(rèn)為混合型模型深具潛力，適合用于產(chǎn)業(yè)財(cái)務(wù)危機(jī)預(yù)測(cè)上使用。

3.重復(fù)取樣技術(shù)改善分類間不平衡。無論是美國(guó)或我國(guó)的產(chǎn)業(yè)樣本，重復(fù)取樣技術(shù)均能提升會(huì)計(jì)基礎(chǔ)模型的預(yù)測(cè)能力。在加入股票市場(chǎng)信息的混合型模型中亦然。這說明，重復(fù)取樣技術(shù)能改善分類間不平衡的問題，尤其于 SVM 模型中改善的幅度更大。整體來看，財(cái)務(wù)危機(jī)樣本數(shù)量約增加至正常樣本的1/4～1/3，模型即有穩(wěn)定的預(yù)測(cè)能力。

(二)應(yīng)用建議

1.收集培訓(xùn)財(cái)務(wù)危機(jī)模型所需的歷史財(cái)務(wù)資料，包括用于Merton模型的公司股價(jià)、在外流通股數(shù)及無風(fēng)險(xiǎn)利率等以及用于會(huì)計(jì)基礎(chǔ)模型的財(cái)務(wù)變量。對(duì)我國(guó)企業(yè)所推薦財(cái)務(wù)變量包括：保留盈余/銷貨凈額、負(fù)債比率、銷貨凈額占股東權(quán)益總額比率、ROA資產(chǎn)報(bào)酬率；針對(duì)跨國(guó)企業(yè)所推薦的財(cái)務(wù)變量：固定資產(chǎn)占凈資產(chǎn)比率、負(fù)債比率、應(yīng)收帳款周轉(zhuǎn)率、ROA 資產(chǎn)報(bào)酬率。

2.使用歷史樣本計(jì)算其Merton模型的PD。將從Merton模型所求得的PD視成第5個(gè)變量，與上述推薦的財(cái)務(wù)變量整理成正常取樣下的樣本集。

3.搭配重復(fù)取樣技術(shù)增加培訓(xùn)組中財(cái)務(wù)危機(jī)樣本數(shù)量。本研究推薦財(cái)務(wù)危機(jī)樣本與正常樣本比例為1:3。

4.用重復(fù)取樣后的樣本集培訓(xùn)混合型模型，培訓(xùn)完成后將欲預(yù)測(cè)的樣本數(shù)據(jù)代入模型中，即可得到其估計(jì)財(cái)務(wù)危機(jī)機(jī)率，可應(yīng)用于各種需求如營(yíng)造廠的評(píng)鑒或銀行的放款等。

[1]王克勤,曹培.公司財(cái)務(wù)危機(jī)研究[J].西南師范大學(xué)學(xué)報(bào)(人文社會(huì)科學(xué)版),2005(01).

[2]閆江,馬才華.上市公司財(cái)務(wù)危機(jī)實(shí)證研究[J].江蘇科技大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版), 2006(04).

[3]李月英,周晶晶.我國(guó)上市公司財(cái)務(wù)危機(jī)的風(fēng)險(xiǎn)防范研究[J].內(nèi)蒙古統(tǒng)計(jì),2009(06).

[4]趙秀芳,伍金林.我國(guó)上市公司財(cái)務(wù)危機(jī)的階段性研究[J].紹興文理學(xué)院學(xué)報(bào)(哲學(xué)社會(huì)科學(xué)),2014(02).

(作者單位：大連老虎灘海洋公園)