經(jīng)濟(jì)新常態(tài)下企業(yè)財(cái)務(wù)危機(jī)預(yù)警實(shí)證研究

符剛　曾萍　陳冠林

[內(nèi)容摘要]在新常態(tài)下外部宏觀經(jīng)濟(jì)對企業(yè)內(nèi)部經(jīng)營管理的不利影響顯著，建立動態(tài)、實(shí)時(shí)預(yù)報(bào)功能的企業(yè)財(cái)務(wù)危機(jī)預(yù)警對利益相關(guān)者加強(qiáng)風(fēng)險(xiǎn)管理有重要意義。本文運(yùn)用全局主成分分析法，構(gòu)建了融合神經(jīng)網(wǎng)絡(luò)與kalman.濾波法的財(cái)務(wù)預(yù)警模型，并以89家上市公司為樣本進(jìn)行實(shí)證分析，結(jié)果發(fā)現(xiàn)：融合了神經(jīng)網(wǎng)絡(luò)和Kalman濾波法的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型對企業(yè)的風(fēng)險(xiǎn)有良好的預(yù)判效果；企業(yè)財(cái)務(wù)危機(jī)的產(chǎn)生具有一個(gè)積累過程，企業(yè)可以運(yùn)用財(cái)務(wù)危機(jī)發(fā)生前的財(cái)務(wù)指標(biāo)數(shù)據(jù)對財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行預(yù)警。

[關(guān)鍵詞]經(jīng)濟(jì)新常態(tài)；財(cái)務(wù)預(yù)警；主成分分析；神經(jīng)網(wǎng)絡(luò)；Kalman濾波

以“速度變化、結(jié)構(gòu)優(yōu)化、動力轉(zhuǎn)換”為特征的經(jīng)濟(jì)新常態(tài)，是“當(dāng)前和今后一個(gè)時(shí)期我國經(jīng)濟(jì)發(fā)展的大邏輯”。在新常態(tài)下，一方面我國經(jīng)濟(jì)發(fā)展整體向好，潛力大，韌性強(qiáng)；另一方面也面臨嚴(yán)重的結(jié)構(gòu)性產(chǎn)能過剩、庫存過量、風(fēng)險(xiǎn)過大等問題。2015年中央經(jīng)濟(jì)工作會議提出，推進(jìn)供給側(cè)結(jié)構(gòu)性改革，將“去產(chǎn)能、去庫存、去杠桿、降成本、補(bǔ)短板”作為2016年的五大任務(wù)。這對我國企業(yè)而言，機(jī)遇與挑戰(zhàn)并存，風(fēng)險(xiǎn)與收益同在。但是，新常態(tài)下宏觀政策、產(chǎn)業(yè)政策、微觀政策和改革政策都在變化，很多企業(yè)面臨挑戰(zhàn)大于機(jī)遇，因財(cái)務(wù)危機(jī)導(dǎo)致企業(yè)經(jīng)營陷入困境甚至破產(chǎn)清算的現(xiàn)象時(shí)有發(fā)生。因此，為避免或減弱新常態(tài)下企業(yè)的不利影響，加強(qiáng)企業(yè)財(cái)務(wù)運(yùn)營的監(jiān)控，及早發(fā)出預(yù)警信號，將企業(yè)面臨的潛在財(cái)務(wù)危機(jī)告知利益相關(guān)者是十分必要的。本文在回顧已有的財(cái)務(wù)預(yù)警研究文獻(xiàn)的基礎(chǔ)上，運(yùn)用全局主成分分析法，構(gòu)建了融合神經(jīng)網(wǎng)絡(luò)和Kalman濾波法的財(cái)務(wù)預(yù)警模型，并以我國上市公司為樣本進(jìn)行實(shí)證研究，這既改變了單一方法的預(yù)警模型，又提高了財(cái)務(wù)預(yù)警的準(zhǔn)確性，并對經(jīng)濟(jì)新常態(tài)下的風(fēng)險(xiǎn)管理有參考價(jià)值。

一、文獻(xiàn)回顧

財(cái)務(wù)預(yù)警是借助企業(yè)提供的財(cái)務(wù)報(bào)表等資料，利用不同的分析方法，對企業(yè)的經(jīng)營活動、財(cái)務(wù)活動等進(jìn)行分析預(yù)測，以發(fā)現(xiàn)企業(yè)潛在的風(fēng)險(xiǎn)，并在危機(jī)發(fā)生之前向企業(yè)經(jīng)營者發(fā)出警告，促使企業(yè)管理層采取有效措施，避免潛在的風(fēng)險(xiǎn)演變成損失。最早的財(cái)務(wù)預(yù)警研究是Fitzpatrick（1932）開展的單變量破產(chǎn)預(yù)測研究。他首先將樣本公司分為破產(chǎn)和非破產(chǎn)兩組，再嘗試用不同的單一財(cái)務(wù)比率進(jìn)行對比，最終認(rèn)為股東權(quán)益/負(fù)債這個(gè)比率的判別能力最高。隨后，William Beaver（1966）提出單一比率模型，即利用單一的財(cái)務(wù)比率來預(yù)測企業(yè)的財(cái)務(wù)困境，發(fā)現(xiàn)營運(yùn)資本流/負(fù)債和凈利潤/總資產(chǎn)是最好的判別變量。但由于用單個(gè)指標(biāo)判別的方法本身存在缺陷，Altman（1968）重新選擇樣本進(jìn)行研究，確定出了判別效果最好的五個(gè)指標(biāo)，最終對每個(gè)指標(biāo)確定出權(quán)重，構(gòu)造出了一個(gè)綜合指標(biāo)由此進(jìn)行判別。Altman采用的多元線性的方法，對后來學(xué)者的產(chǎn)生了更深遠(yuǎn)的影響。Ohlson（1980）將Logit回歸模型引入財(cái)務(wù)預(yù)警的研究中。他首先確定出了一個(gè)非破產(chǎn)概率區(qū)間和破產(chǎn)的概率區(qū)間，然后根據(jù)落在此區(qū)間上的企業(yè)的概率分布來確定哪些指標(biāo)的判別效果較好，由此他也在logit回歸的基礎(chǔ)上，建立了多元概率模型。這兩種方法都在很大程度上克服了一元判別和多元判別中的諸多缺陷。隨著計(jì)算機(jī)技術(shù)的發(fā)展，利用人工神經(jīng)網(wǎng)絡(luò)這類黑箱模型的方法對財(cái)務(wù)預(yù)警的研究也逐漸增多，如Tam（1991），Coats和Fant（1991，1993），Ahman，Marco和Varetto（1995），Kevin，KarYanTan和MdodyY.Kiang（1992）采用人工神經(jīng)網(wǎng)絡(luò)模型對財(cái)務(wù)危機(jī)公司進(jìn)行預(yù)測。此外，Messier和Hansen（1988）將專家系統(tǒng)運(yùn)用于財(cái)務(wù)困境預(yù)測，結(jié)果證明分類效果最好；Charitou和Trige-orgis（2000）將B-s期權(quán)定價(jià)模型中的變量因子引入財(cái)務(wù)危機(jī)判別模型，發(fā)現(xiàn)到期債務(wù)面值、企業(yè)資產(chǎn)的當(dāng)期市價(jià)、企業(yè)價(jià)值變化的標(biāo)準(zhǔn)差等期權(quán)變量在預(yù)測破產(chǎn)方面作用顯著。

我國學(xué)者20世紀(jì)90年代開始對財(cái)務(wù)預(yù)警進(jìn)行研究，目前已有一些成果。如周首華、楊濟(jì)華和王平（1996）通過建立F分?jǐn)?shù)模式對Compustat Pc Plus會計(jì)數(shù)據(jù)庫中1990年以來4160家公司進(jìn)行驗(yàn)證，發(fā)現(xiàn)準(zhǔn)確率高達(dá)近70%。陳靜（1999）采用單變量分析法和二類線性判定分析法進(jìn)行財(cái)務(wù)危機(jī)預(yù)警分析，發(fā)現(xiàn)流動比率和負(fù)債比率的判別效果最好。宋秋萍（2000年）采用美國Ahman的z計(jì)分模型對中國6家公司進(jìn)行了預(yù)測分析，發(fā)現(xiàn)直接使用美國公司財(cái)務(wù)數(shù)據(jù)建立的模型并不適用于對中國公司的預(yù)測。吳世農(nóng)、盧賢義（2001）以多元線性回歸分析、判別分析和逐步邏輯回歸三種方法構(gòu)建了相應(yīng)的財(cái)務(wù)預(yù)警模型，研究結(jié)果表明這三種模型都可以在財(cái)務(wù)危機(jī)前做出相對較為準(zhǔn)確的預(yù)警，并發(fā)現(xiàn)logistic預(yù)測模型的誤判率最低。進(jìn)入21世紀(jì)以后，各種智能算法應(yīng)用到財(cái)務(wù)分析當(dāng)中。劉洪、何光軍（2004）用傳統(tǒng)的判別分析方法、邏輯回歸分析方法、人工神經(jīng)網(wǎng)絡(luò)方法進(jìn)行比較研究，認(rèn)為人工神經(jīng)網(wǎng)絡(luò)方法的預(yù)測精度遠(yuǎn)高于兩種傳統(tǒng)的統(tǒng)計(jì)方法。李健、劉翔（2011）將遺傳算法與BP神經(jīng)網(wǎng)絡(luò)結(jié)合起來，對我國制造業(yè)上市公司進(jìn)行實(shí)證分析，結(jié)果發(fā)現(xiàn)遺傳神經(jīng)網(wǎng)絡(luò)準(zhǔn)確度高于logistic回歸模型和BP神經(jīng)網(wǎng)絡(luò)模型。

因此，過去對財(cái)務(wù)預(yù)警的研究已經(jīng)形成一些成果，但面對瞬息萬變的市場情況，這些預(yù)警模型的運(yùn)用都有較強(qiáng)的適用條件。從現(xiàn)實(shí)案例和財(cái)務(wù)理論來看，公司財(cái)務(wù)危機(jī)都具有三大特點(diǎn)：一是越臨近財(cái)務(wù)危機(jī)的發(fā)生，財(cái)務(wù)指標(biāo)中所包含的危機(jī)信號就越多；二是財(cái)務(wù)數(shù)據(jù)的時(shí)間序列性，當(dāng)期財(cái)務(wù)數(shù)據(jù)會對下一期造成影響；三是財(cái)務(wù)危機(jī)具有歷史累積性，財(cái)務(wù)危機(jī)是長時(shí)間的經(jīng)營不善所導(dǎo)致的最終結(jié)果。而現(xiàn)有研究成果大部分（楊華，2009；吳啟富，耿霄，2010；李建，劉翔，2011）只是從其中一方面進(jìn)行考慮，所構(gòu)建的財(cái)務(wù)預(yù)警模型的適用性大大減弱，預(yù)警的準(zhǔn)確性不高。本文中融合神經(jīng)網(wǎng)絡(luò)和Kalman濾波法的財(cái)務(wù)預(yù)警模型較好地解決了這些問題。

二、研究設(shè)計(jì)

（一）樣本選擇和數(shù)據(jù)來源

國內(nèi)學(xué)者（劉洪，何光軍，2004；劉際陸，2011；魏春梅，蔡通，2011）在過去的研究中常把是否被sT作為劃分財(cái)務(wù)危機(jī)公司和財(cái)務(wù)良好公司的界限。這樣非黑即白的劃分方式存在兩個(gè)缺陷：一是研究中忽視了企業(yè)財(cái)務(wù)危機(jī)的發(fā)生是一個(gè)逐步累積的過程；二是如果臨近財(cái)務(wù)危機(jī)的發(fā)生才對企業(yè)做出預(yù)報(bào)，企業(yè)就沒有充足的時(shí)間應(yīng)對危機(jī)，這就喪失了預(yù)警的意義。所以，為延長企業(yè)財(cái)務(wù)危機(jī)的應(yīng)對時(shí)間，從財(cái)務(wù)狀況良好到發(fā)生財(cái)務(wù)危機(jī)，應(yīng)該再劃分一個(gè)過渡狀態(tài)。本文將企業(yè)財(cái)務(wù)狀況分成三個(gè)狀態(tài)：財(cái)務(wù)狀況良好、輕度財(cái)務(wù)危機(jī)和重度財(cái)務(wù)危機(jī)。以前的研究顯示，企業(yè)被sT當(dāng)期的財(cái)務(wù)數(shù)據(jù)，與該企業(yè)之前7～8年的財(cái)務(wù)數(shù)據(jù)呈現(xiàn)顯出著性關(guān)系，所以本文將企業(yè)在T期至T-7期之內(nèi)凈利潤均大零的情況，定義為財(cái)務(wù)狀況良好；若在第T期企業(yè)被sT，則第T期的財(cái)務(wù)狀態(tài)則被定義為重度財(cái)務(wù)危機(jī)，T-1期至T-5期的財(cái)務(wù)狀況被定義為輕度財(cái)務(wù)危機(jī)。

本文以我國深、滬兩市的上市公司作為樣本，選擇標(biāo)準(zhǔn)為：（1）2012年或2013年首次因連續(xù)兩年虧損被ST的30家公司，其T期數(shù)據(jù)作為重度財(cái)務(wù)危機(jī)企業(yè)的判別樣本。由于sT企業(yè)從其前7～8年的數(shù)據(jù)開始才與發(fā)生sT當(dāng)期的數(shù)據(jù)呈顯著性相關(guān)，所以本文選擇企業(yè)T-1期至T-7期數(shù)據(jù)作為預(yù)測T期財(cái)務(wù)數(shù)據(jù)的預(yù)測樣本。（2）2012年或2013年首次因連續(xù)兩年虧損被ST的29家公司，其T-5期數(shù)據(jù)作為輕度財(cái)務(wù)危機(jī)企業(yè)的判別樣本，其T-1期至T-7期數(shù)據(jù)作為預(yù)測T期財(cái)務(wù)數(shù)據(jù)的預(yù)測樣本。（3）2012年或2013年非ST公司，并且十年之內(nèi)均未出現(xiàn)凈利潤為負(fù)值情況的30家公司，其第T期數(shù)據(jù)作為財(cái)務(wù)狀況良好企業(yè)的判別樣本。為滿足配對原則，同樣選擇其T-1期至T-7期數(shù)據(jù)作為預(yù)測T期財(cái)務(wù)數(shù)據(jù)的預(yù)測樣本。此外，剔除有以下情況之一的sT公司：純B股的sT公司，因其他狀況異常而被sT的公司，存在嚴(yán)重假賬的公司，上市兩年內(nèi)就被sT的公司，這類公司存在虛假包裝上市的嫌疑，有嚴(yán)重?cái)?shù)據(jù)缺失或數(shù)據(jù)不合理的公司。根據(jù)上述標(biāo)準(zhǔn)，本文從CSMAR數(shù)據(jù)庫中選擇了89家公司（見表5），選擇的對象均為工業(yè)企業(yè)，時(shí)間分別為2006-2013年、2005-2012年，共11392個(gè)數(shù)據(jù)，滿足客觀性、可比性和可獲得性等基本特征。

（二）預(yù)警指標(biāo)分析與選取

1.基本預(yù)警指標(biāo)的選擇

為了更全面地反映企業(yè)的財(cái)務(wù)狀況，本文參考了吳世農(nóng)和黃世忠（1986）、孫曉琳（2010）、劉際陸（2011）關(guān)于財(cái)務(wù)危機(jī)預(yù)警的指標(biāo)體系，同時(shí)遵循全面性原則、系統(tǒng)性原則、動態(tài)性原則，在滿足數(shù)據(jù)可獲得性的條件下，通過相關(guān)性分析后，從償債能力、市場價(jià)值、現(xiàn)金流量、盈利能力、營運(yùn)能力五個(gè)方面初步選取了12個(gè)財(cái)務(wù)指標(biāo)（見表1）。

2.全局主成分分析

因?yàn)槭褂玫臄?shù)據(jù)是多維時(shí)序立體數(shù)據(jù)，過去很多研究并未考慮指標(biāo)的時(shí)序因素對其產(chǎn)生的影響。為克服這一問題，本文使用全局主成分分析法降低指標(biāo)維度，用較少的綜合指標(biāo)來代替原來較多的單一指標(biāo)。主成分分析法要求數(shù)據(jù)滿足正態(tài)分布，根據(jù)以往文獻(xiàn)得出的結(jié)論，我國的財(cái)務(wù)比率總體不符合正態(tài)分布假設(shè)。但由于在SPSS軟件中做主成分時(shí)，軟件會自動將數(shù)據(jù)轉(zhuǎn)換為服從標(biāo)準(zhǔn)正態(tài)分布，所以數(shù)據(jù)的正態(tài)化處理在這里就不再贅述。具體分析結(jié)果見表2。

為得到保留大部分信息的同時(shí)又完全正交的主成分因子，從而得到了最優(yōu)的輸入集，選擇的主成分的累計(jì)貢獻(xiàn)率一般必須達(dá)到85%以上，從而可以確定提取主成分的個(gè)數(shù)。雖然主成分個(gè)數(shù)提取原則上為主成分對應(yīng)的特征值大于1的前m個(gè)主成分。但是其累計(jì)貢獻(xiàn)率并未達(dá)到85%，所以本文考慮提取前9個(gè)主成分，累計(jì)貢獻(xiàn)率為91.41%。

表3中的各數(shù)據(jù)代表各指標(biāo)在主成分上的載荷。由于軟件自動運(yùn)行時(shí)，自動將原始數(shù)據(jù)進(jìn)行過標(biāo)準(zhǔn)化處理，所以為得出各主成分的系數(shù)需要結(jié)合表2中各主成分對應(yīng)的特征值。用各載荷值除以特征值開平方根之后，得到表4。

表4中各列的數(shù)據(jù)即是各主成的特征向量，將得到特征向量與標(biāo)準(zhǔn)化后的數(shù)據(jù)相乘，就可以得出各主成分線性表達(dá)式。

三、基于神經(jīng)網(wǎng)絡(luò)與Kalman濾波法的財(cái)務(wù)預(yù)警模型構(gòu)建

（一）基于神經(jīng)網(wǎng)絡(luò)的判別模型構(gòu)建

根據(jù)上文主成分?jǐn)?shù)據(jù)，利用神經(jīng)網(wǎng)絡(luò)模式識別的方法構(gòu)建判別模型。選取前30家公司第T年的橫截面數(shù)據(jù)，將樣本公司按70%、15%、15%的比例，分為訓(xùn)練組、驗(yàn)證組和測試組。誤差反向傳播（BP）神經(jīng)網(wǎng)絡(luò)的構(gòu)建包括輸入層、隱含層、輸出層、傳遞函數(shù)、訓(xùn)練函數(shù)等網(wǎng)絡(luò)結(jié)構(gòu)和網(wǎng)絡(luò)參數(shù)的設(shè)置。對于本文模型的具體設(shè)置如下：

1.輸入層。輸入變量決定輸入層神經(jīng)元個(gè)數(shù)，本文輸入層節(jié)點(diǎn)數(shù)為提取的主成分個(gè)數(shù)。

2.隱含層。本文用兩個(gè)隱含層的神經(jīng)網(wǎng)絡(luò)訓(xùn)練相對有助于提高預(yù)測的準(zhǔn)確率。關(guān)于隱含層的神經(jīng)元個(gè)數(shù)，一般只能根據(jù)經(jīng)驗(yàn)，通過反復(fù)試驗(yàn)。

3.輸出層。輸出值代表模型要實(shí)現(xiàn)的目標(biāo)功能，輸出層采用pruelin函數(shù)，本文的輸出層為3個(gè)輸出節(jié)點(diǎn)，001代表“重度財(cái)務(wù)危機(jī)”，010代表“輕度財(cái)務(wù)危機(jī)”，011代表“財(cái)務(wù)狀況良好”。

4.傳遞函數(shù)。隱含層到輸出層之間的傳遞函數(shù)確定為tan-sigmoid傳遞函數(shù)。

5.學(xué)習(xí)函數(shù)。本文選取了基于快速誤差反向傳播（BP）算法的學(xué)習(xí)函數(shù)learngdm，該算法在學(xué)習(xí)規(guī)則上選取了梯度下降動量學(xué)習(xí)函數(shù)。

6.訓(xùn)練函數(shù)。為了提高訓(xùn)練速度，避免陷入局部最小和改善概括能力，函數(shù)tminlm具有較強(qiáng)的優(yōu)勢，因此本文選用trairdm作為訓(xùn)練函數(shù)。

7.網(wǎng)絡(luò)參數(shù)。目標(biāo)誤差為0.01，學(xué)習(xí)速率為0.005，訓(xùn)練循環(huán)次數(shù)為1000次。

按要求訓(xùn)練后，得到的結(jié)果如圖2所示的混淆矩陣。從訓(xùn)練組和測試組的混淆矩陣中可以看出，網(wǎng)絡(luò)的判別結(jié)果都達(dá)到了100%。在驗(yàn)證組中，因一個(gè)財(cái)務(wù)狀況良好的公司被判定為了輕度財(cái)務(wù)危機(jī)，致使驗(yàn)證組的誤判率為1.12%，網(wǎng)絡(luò)的總體判別正確率達(dá)到了98.88%。因此，可以認(rèn)為所訓(xùn)練好的網(wǎng)絡(luò)達(dá)到了很好的判斷效果，可以用此網(wǎng)絡(luò)對后期預(yù)測出的數(shù)據(jù)進(jìn)行判別。

（二）基于Kalman濾波法的預(yù)測模型構(gòu)建

Kalman濾波是一種高效率的遞歸濾波法，它能夠從一系列的不完全及包含噪聲的測量中，估計(jì)動態(tài)系統(tǒng)的狀態(tài)。本文把樣本公司各年的財(cái)務(wù)數(shù)據(jù)視為濾波器所處理的隨機(jī)信號，利用系統(tǒng)噪聲和觀察噪聲的特性，以每年的財(cái)務(wù)數(shù)據(jù)即觀測值作為系統(tǒng)的輸入，以系統(tǒng)的狀態(tài)即財(cái)務(wù)數(shù)據(jù)的預(yù)測值作為濾波器的輸出值，輸入量和輸出量通過時(shí)間更新和觀測更新聯(lián)系在一起，根據(jù)Kalman濾波的系統(tǒng)方程估計(jì)出所處理的財(cái)務(wù)數(shù)據(jù)。

設(shè)一個(gè)公司在t年的真實(shí)財(cái)務(wù)狀況為Xt，它是由xt組成的隨機(jī)變量。Yt代表計(jì)算出的主成分?jǐn)?shù)據(jù)，即代表某樣本公司在t年提取主成分后的財(cái)務(wù)數(shù)據(jù)，由N維隨機(jī)向量yt組成。

首先，本文將企業(yè)各年的財(cái)務(wù)狀況視為一個(gè)離散控制過程系統(tǒng)。該系統(tǒng)可用一個(gè)線性隨機(jī)微分方程來描述。

根據(jù)89家樣本公司的T-1到T-7期主成分?jǐn)?shù)據(jù)，預(yù)測出了T-7期至T期的主成分?jǐn)?shù)據(jù)。因預(yù)測結(jié)果數(shù)據(jù)量大，在此，隨機(jī)選擇一家公司（證券代碼為000605）的預(yù)測結(jié)果，繪制出其各主成分逐年預(yù)測值與觀測值的圖形（圖4至圖12）。從圖示可以看出，T期的預(yù)測值能夠與觀測值基本吻合，該模型具有良好的預(yù)測效果。并且，即使短暫財(cái)務(wù)數(shù)據(jù)發(fā)生顯著變化，都不會對整個(gè)系統(tǒng)的預(yù)測產(chǎn)生較大影響（如圖11和圖12），這與企業(yè)短期財(cái)務(wù)狀況波動并不會對其長期財(cái)務(wù)狀況造成影響的現(xiàn)實(shí)相吻合。

最后，將預(yù)測出的所有樣本司第T期主成分?jǐn)?shù)據(jù)代入神經(jīng)網(wǎng)絡(luò)判別模型中，得到表5所示結(jié)果。

表5中的“實(shí)際狀況”反映企業(yè)真實(shí)的財(cái)務(wù)狀態(tài)，“預(yù)測結(jié)果”是根據(jù)企業(yè)各年數(shù)據(jù)預(yù)測的財(cái)務(wù)狀況。結(jié)果發(fā)現(xiàn)，有24個(gè)判斷結(jié)果出現(xiàn)了變化，總體預(yù)測的正確率為73.03%，這與張玲（2000）62%、吳世農(nóng)（2001）73.17%的預(yù)測效率相比，雖然本文所采用的方法的預(yù)測效率并沒有大幅度地提升，但結(jié)果也可以證明這種企業(yè)財(cái)務(wù)危機(jī)預(yù)警方法的適用性。

五、研究結(jié)論與啟示

本文研究發(fā)現(xiàn)：（1）融合了神經(jīng)網(wǎng)絡(luò)和Kalman濾波法的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型對企業(yè)的財(cái)務(wù)狀況有較好的預(yù)判效果。本文綜合運(yùn)用神經(jīng)網(wǎng)絡(luò)與濾波法以及Matlab和Python編程技術(shù)，從時(shí)間序列和橫截面兩個(gè)角度建立預(yù)警模型，通過對時(shí)序立體數(shù)據(jù)表進(jìn)行全局主成分分析，得到了保留大部分信息同時(shí)又完全正交的主成分因子，從而為神經(jīng)網(wǎng)絡(luò)和Kalman濾波器提供了最優(yōu)的輸入集，模型預(yù)測的正確率達(dá)到了73.03%，這表明將神經(jīng)網(wǎng)絡(luò)與Kalman濾波法有機(jī)結(jié)合是分析企業(yè)財(cái)務(wù)狀況、實(shí)現(xiàn)企業(yè)財(cái)務(wù)預(yù)警是一種有效路徑。（2）企業(yè)財(cái)務(wù)危機(jī)的產(chǎn)生有一個(gè)日積月累的過程，不是一朝一夕形成的，企業(yè)可以運(yùn)用財(cái)務(wù)危機(jī)出現(xiàn)之前的資產(chǎn)負(fù)債率、銷售利潤率、每股收益、現(xiàn)金流量比率、應(yīng)收賬款周轉(zhuǎn)率等財(cái)務(wù)指標(biāo)數(shù)據(jù)對財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行預(yù)測并發(fā)出預(yù)警信號。

本文研究結(jié)論對經(jīng)濟(jì)新常態(tài)下的投資者、企業(yè)管理層和證券監(jiān)管部門均有一定啟示意義。第一，融合了神經(jīng)網(wǎng)絡(luò)與Kalman濾波法的財(cái)務(wù)預(yù)警模型對預(yù)判企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)具有良好效果，投資者可以直接將該模型用于分析企業(yè)財(cái)務(wù)狀況，從而了解已投資或計(jì)劃投資企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)高低，以降低投資風(fēng)險(xiǎn)和提高投資收益。第二，企業(yè)管理層不僅可以通過該模型了解企業(yè)的財(cái)務(wù)狀況，還可以根據(jù)財(cái)務(wù)預(yù)警傳遞出來的綜合信息進(jìn)行相機(jī)管理，提出具體的、具有針對性的經(jīng)營管理策略，使新常態(tài)下的非系統(tǒng)風(fēng)險(xiǎn)可控、危機(jī)消除。第三，新常態(tài)下經(jīng)濟(jì)整體下行壓力大、企業(yè)面臨的系統(tǒng)風(fēng)險(xiǎn)大，證券監(jiān)管部門應(yīng)要求企業(yè)構(gòu)建有效的財(cái)務(wù)預(yù)警機(jī)制，根據(jù)上市公司整體情況按產(chǎn)業(yè)行業(yè)、按危機(jī)程度相機(jī)進(jìn)行風(fēng)險(xiǎn)管理，并鼓勵(lì)企業(yè)披露更多財(cái)務(wù)預(yù)警信息，有利于投資者充分了解上市公司財(cái)務(wù)狀況，從而做出相應(yīng)的決策。