基于BP神經(jīng)網(wǎng)絡(luò)的上市公司財(cái)務(wù)預(yù)警模型研究

楊鈺晨，丁元耀

（寧波大學(xué) 商學(xué)院，浙江 寧波 315211）

一、引言

經(jīng)查詢(xún)，截止到2020 年6 月30 日，一共有3 897家上市公司在滬交所和深交所掛牌交易，流通市值和股票市價(jià)總值也分別達(dá)到了545 787.95 億元和678 212.83 億元。隨著經(jīng)濟(jì)的快速發(fā)展，上市公司逐漸成為市場(chǎng)的重要組成部分，影響著市場(chǎng)的穩(wěn)定和發(fā)展，但同時(shí)也帶來(lái)了一些隱藏的風(fēng)險(xiǎn)。實(shí)質(zhì)上，投資者就是通過(guò)在資本市場(chǎng)中對(duì)資本進(jìn)行市場(chǎng)運(yùn)作來(lái)獲取收益的。因此，對(duì)公司財(cái)務(wù)狀況進(jìn)行預(yù)測(cè)，也變成了投資者是否進(jìn)行這項(xiàng)投資行為的決策參考。理論意義上，一方面企業(yè)的財(cái)務(wù)預(yù)警問(wèn)題已經(jīng)隨著市場(chǎng)經(jīng)濟(jì)的發(fā)展發(fā)生了一系列的轉(zhuǎn)變，從指標(biāo)化的分析轉(zhuǎn)變?yōu)榱私⒛Ｐ蛠?lái)對(duì)企業(yè)進(jìn)行檢測(cè)分析；另一方面，再次對(duì)企業(yè)危機(jī)預(yù)警這些問(wèn)題的研究，可以對(duì)已有的企業(yè)理論和風(fēng)險(xiǎn)管理理論進(jìn)行完善和發(fā)展?，F(xiàn)實(shí)意義上，選取這個(gè)研究主題，可以對(duì)上市公司的財(cái)務(wù)預(yù)警研究進(jìn)行更加深入的理論研究，還可以結(jié)合我國(guó)市場(chǎng)實(shí)際情況對(duì)上市公司的潛在風(fēng)險(xiǎn)進(jìn)行檢測(cè)和預(yù)測(cè)，來(lái)判斷該企業(yè)是否存在財(cái)務(wù)危機(jī)或即將發(fā)生財(cái)務(wù)危機(jī)的可能，以此來(lái)對(duì)危機(jī)進(jìn)行防范。

二、文獻(xiàn)綜述

（一）財(cái)務(wù)危機(jī)的界定

許多偶然因素都有可能給某個(gè)企業(yè)帶來(lái)危機(jī)，例如市場(chǎng)環(huán)境和決策者失策。但從整個(gè)行業(yè)來(lái)看，企業(yè)群體一般危機(jī)和財(cái)務(wù)危機(jī)的發(fā)生則存在著一定的客觀性和必然性，國(guó)外的學(xué)者們一般在企業(yè)的某項(xiàng)指標(biāo)發(fā)生變化時(shí)對(duì)財(cái)務(wù)危機(jī)進(jìn)行界定。

Beaver（1966）[1]在研究中認(rèn)為，當(dāng)一家企業(yè)開(kāi)始拖延支付股息、透支銀行存款金，并且沒(méi)有能力償還債券，就可以認(rèn)為其存在財(cái)務(wù)危機(jī)。Odom 和Sharda（1990）[2]則認(rèn)為當(dāng)一個(gè)企業(yè)的現(xiàn)金流能力出現(xiàn)無(wú)法修復(fù)的情況時(shí)，財(cái)務(wù)危機(jī)便開(kāi)始形成。Ross 等（1995）[3]則認(rèn)為財(cái)務(wù)危機(jī)不能從某些單個(gè)方面去界定，他們分別從四個(gè)方面對(duì)財(cái)務(wù)危機(jī)進(jìn)行了相對(duì)全面的研究。

目前我國(guó)國(guó)內(nèi)文獻(xiàn)一般不將破產(chǎn)清算作為界定的標(biāo)準(zhǔn)，因?yàn)槠飘a(chǎn)清算就意味著企業(yè)已經(jīng)破產(chǎn)，那么對(duì)其的預(yù)測(cè)將不能產(chǎn)生一系列補(bǔ)救的手段。同時(shí)，由于某些數(shù)據(jù)問(wèn)題，我國(guó)國(guó)內(nèi)大部分學(xué)者在進(jìn)行實(shí)證研究時(shí)，仍然將上市公司被特別處理（ST）作為發(fā)生財(cái)務(wù)危機(jī)的一個(gè)標(biāo)志。但也有少部分人認(rèn)為只僅僅將ST 作為財(cái)務(wù)危機(jī)的標(biāo)志是不全面的。陳凱凡和陳英（2004）[4]認(rèn)為從債權(quán)人的角度預(yù)測(cè)企業(yè)財(cái)務(wù)危機(jī)更有現(xiàn)實(shí)意義，也更加符合我國(guó)國(guó)情。吳星澤（2011）[5]認(rèn)為當(dāng)企業(yè)的相關(guān)利益者受到損害的情況下，并且企業(yè)支付能力不足就會(huì)導(dǎo)致財(cái)務(wù)危機(jī)。朱兆珍（2016）[6]從企業(yè)生命周期的角度觀察財(cái)務(wù)預(yù)警，她認(rèn)為根據(jù)生命周期理論，當(dāng)企業(yè)處于不同的生命周期時(shí)，判斷企業(yè)是否發(fā)生財(cái)務(wù)危機(jī)所要觀察的指標(biāo)是不同的。因此財(cái)務(wù)危機(jī)的界定應(yīng)該從各方面進(jìn)行研究，僅依賴(lài)于單一指標(biāo)測(cè)定的財(cái)務(wù)危機(jī)缺乏準(zhǔn)確性。

（二）財(cái)務(wù)預(yù)警模型研究現(xiàn)狀

根據(jù)對(duì)國(guó)外文獻(xiàn)的研究，最早的財(cái)務(wù)危機(jī)預(yù)測(cè)開(kāi)始于20 世紀(jì)30 年代，F(xiàn)itzpatrick 用破產(chǎn)和非破產(chǎn)公司的19 組數(shù)據(jù)作為研究樣本，最終結(jié)果表明，破產(chǎn)和沒(méi)有破產(chǎn)的企業(yè)，其財(cái)務(wù)比率存在著顯著的區(qū)別，同時(shí)擁有相對(duì)來(lái)說(shuō)最高的預(yù)測(cè)能力的兩個(gè)指標(biāo)是凈利潤(rùn)/股東權(quán)益和股東權(quán)益/負(fù)債[7]。

1966 年，芝加哥大學(xué)教授Beaver 用某一單個(gè)財(cái)務(wù)比率來(lái)建立模型，研究表明，當(dāng)樣本發(fā)生的時(shí)間與實(shí)際中所產(chǎn)生的危機(jī)時(shí)間段之間的關(guān)系與模型的準(zhǔn)確度是呈正相關(guān)關(guān)系的[1]。1977 年，Altman、Haldeman 和Naravanan 首創(chuàng)性地選取樣本，將Z 模型進(jìn)行修整，并且新增了兩個(gè)變量[8]。同年，Martin第一次在Z 模型的研究基礎(chǔ)之上，將Logistic 回歸模型和財(cái)務(wù)危機(jī)問(wèn)題進(jìn)行結(jié)合，以58 家來(lái)自美聯(lián)儲(chǔ)眾多銀行發(fā)生危機(jī)的銀行為樣本，進(jìn)行了預(yù)測(cè)[9]。相較于Z 模型，Logistic 回歸模型的錯(cuò)判率明顯較低，但隨著當(dāng)前技術(shù)的飛速發(fā)展，它已經(jīng)不能滿(mǎn)足財(cái)務(wù)預(yù)警機(jī)制所要求的精準(zhǔn)性。1990 年，Odom 和Sharda 第一次創(chuàng)造性地將神經(jīng)網(wǎng)絡(luò)模型運(yùn)用到財(cái)務(wù)危機(jī)預(yù)警中去，并將65 家企業(yè)按照一定的比例劃分為訓(xùn)練組和檢測(cè)組，最后發(fā)現(xiàn)，研究結(jié)論是該型比其他模型更加準(zhǔn)確[10]。

與國(guó)外財(cái)務(wù)預(yù)警模型相比，國(guó)內(nèi)財(cái)務(wù)危機(jī)預(yù)測(cè)的研究尚處于起步狀態(tài)，這基本上是在驗(yàn)證現(xiàn)有的方法適不適合中國(guó)的市場(chǎng)環(huán)境，因此與國(guó)外有一定的差距。但在國(guó)外研究的基礎(chǔ)上，許多研究中，學(xué)者們已經(jīng)開(kāi)始基于中國(guó)國(guó)情對(duì)該問(wèn)題進(jìn)行研究，加入了許多中國(guó)特有的元素。

吳世農(nóng)和黃世忠（1986）[11]在他們的研究中用財(cái)務(wù)指標(biāo)分析并建立了預(yù)測(cè)模型。這之后，邢精平在深、滬兩市場(chǎng)選取了1998 年和1999 年中38 家ST公司和132 家正常健康的公司作為樣本，運(yùn)用多元邏輯回歸方法進(jìn)行財(cái)務(wù)危機(jī)預(yù)測(cè)[12]。鮑新中和何思婧（2012）[13]提出新思路，認(rèn)為以往的財(cái)務(wù)困境預(yù)警研究都忽略財(cái)務(wù)困境程度的度量這個(gè)問(wèn)題，因此提出一種基于集成聚類(lèi)、粗糙集、神經(jīng)網(wǎng)絡(luò)方法的財(cái)務(wù)預(yù)警思路。黃曉波和高曉瑩（2014）[14]將非財(cái)務(wù)指標(biāo)也引入到神經(jīng)網(wǎng)絡(luò)模型中，更加全面地對(duì)訓(xùn)練的指標(biāo)進(jìn)行分析。劉萍和張燕宇（2015）[15]通過(guò)Z-Score模型對(duì)制造業(yè)上市公司進(jìn)行預(yù)測(cè)，結(jié)果都顯示預(yù)警模型精度較高。

目前越來(lái)越多的學(xué)者開(kāi)始致力于提高財(cái)務(wù)預(yù)警模型精度，關(guān)于財(cái)務(wù)困境的研究也發(fā)展到了對(duì)集成算法的應(yīng)用階段，例如龐清樂(lè)和劉新允（2011）[16]創(chuàng)造性地將蟻群算法和神經(jīng)網(wǎng)絡(luò)放在一起用來(lái)對(duì)財(cái)務(wù)危機(jī)進(jìn)行研究。張培榮（2019）[17]將Xgboost 與財(cái)務(wù)危機(jī)預(yù)測(cè)結(jié)合。在預(yù)警變量篩選方法上，楊波（2017）[18]提出財(cái)務(wù)危機(jī)預(yù)警變量篩選新方法偏最小二乘方法，并通過(guò)實(shí)證來(lái)論證偏最小二乘方法在篩選財(cái)務(wù)危機(jī)預(yù)警變量中的優(yōu)勢(shì)。蔣晶晶等（2020）[19]選取盈利指標(biāo)，基于粒子群優(yōu)化算法來(lái)對(duì)企業(yè)財(cái)務(wù)危機(jī)進(jìn)行預(yù)測(cè)。

此外大部分對(duì)于財(cái)務(wù)危機(jī)預(yù)測(cè)的研究仍采用靜態(tài)均衡數(shù)據(jù)進(jìn)行建模，王魯（2017）[20]構(gòu)建了一種既能動(dòng)態(tài)選擇樣本又能處理非均衡數(shù)據(jù)的動(dòng)態(tài)預(yù)測(cè)模型，有效提高了預(yù)測(cè)精度。

這之后，畢明琪（2019）[21]、李鴻禧和宋宇（2020）[22]通過(guò)COX 模型與財(cái)務(wù)預(yù)警模型的動(dòng)態(tài)結(jié)合，研究宏觀因子下財(cái)務(wù)預(yù)警模型的精度。周夢(mèng)潔還通過(guò)同行業(yè)非平衡數(shù)據(jù)進(jìn)行了模型建立，同樣得出預(yù)警效果較好的結(jié)果[23]。

（三）研究述評(píng)

企業(yè)財(cái)務(wù)危機(jī)預(yù)警開(kāi)始于20 世紀(jì)30 年代，目前，在該領(lǐng)域的研究越來(lái)越成熟。在回顧總結(jié)這些研究時(shí)，我們發(fā)現(xiàn)這個(gè)歷程可以根據(jù)研究方法分為四個(gè)階段：對(duì)趨勢(shì)的分析、對(duì)危機(jī)的判別、人工智能的加入分析和前沿技術(shù)的引入。這些階段是財(cái)務(wù)預(yù)警研究的一步一步發(fā)展的過(guò)程，那么投資者如何判斷預(yù)警模型的預(yù)測(cè)能力以及如何選擇不同的預(yù)警模型就成了我們主要研究的問(wèn)題。因此本文選取2019 年首次被公開(kāi)處理的上市公司為樣本，結(jié)合神經(jīng)網(wǎng)絡(luò)算法，對(duì)2016 年樣本公司的財(cái)務(wù)數(shù)據(jù)進(jìn)行判別和預(yù)測(cè)。另外本文還將通過(guò)不同模型的對(duì)比分析基于人工神經(jīng)網(wǎng)絡(luò)建立的財(cái)務(wù)預(yù)警模型是否存在其優(yōu)勢(shì)。

三、模型設(shè)計(jì)

在研究了市場(chǎng)環(huán)境和會(huì)計(jì)的相關(guān)準(zhǔn)則之后，由于我國(guó)對(duì)財(cái)務(wù)危機(jī)的界定還沒(méi)有進(jìn)一步的發(fā)展，所以本文認(rèn)為財(cái)務(wù)危機(jī)的界定還仍然延續(xù)以往學(xué)者的建議，認(rèn)定是被公開(kāi)特別處理或被退市風(fēng)險(xiǎn)警示的上市公司。首先研究對(duì)象是2019 年首次被公開(kāi)ST 或*ST 的上市公司，在除去了因?qū)徲?jì)未通過(guò)以及因重大訴訟被處理的公司之后，對(duì)樣本數(shù)據(jù)進(jìn)行處理，總計(jì)40 家。另外在數(shù)據(jù)處理過(guò)程中剔除重復(fù)的B 股數(shù)據(jù)以及缺少個(gè)別數(shù)據(jù)的公司，最終樣本數(shù)為36家；其次，又以訓(xùn)練樣本：檢測(cè)樣本以7∶3 的比例，檢驗(yàn)樣本數(shù)則為11；然后隨機(jī)抽取40 家非ST 樣本，選取與ST 公司相對(duì)應(yīng)的數(shù)量。剔除缺少數(shù)據(jù)及重復(fù)的公司，具體樣本數(shù)量如表6 樣本統(tǒng)計(jì)表所示。

在時(shí)間的選擇上，根據(jù)觀察，這些公司都是由于2017 年度和2018 年度連續(xù)兩年的凈利潤(rùn)均為負(fù)值才被特別處理的，但由于其名稱(chēng)全部改為了*ST，因此應(yīng)當(dāng)選取2016 會(huì)計(jì)年度的相關(guān)指標(biāo)進(jìn)行預(yù)測(cè)。如表1 樣本統(tǒng)計(jì)表所示。

表1 樣本統(tǒng)計(jì)表

（一）模型指標(biāo)的選擇

在參考了現(xiàn)有的研究之后，我們發(fā)現(xiàn)在危機(jī)預(yù)警指標(biāo)的選擇上有兩大類(lèi)，分別是財(cái)務(wù)指標(biāo)和非財(cái)務(wù)指標(biāo)，但由于非財(cái)務(wù)指標(biāo)的量化過(guò)于復(fù)雜，且代表性未知，因此仍然選擇財(cái)務(wù)指標(biāo)進(jìn)行分析。在參考已有文獻(xiàn)和獨(dú)立研究的基礎(chǔ)上，本文認(rèn)為應(yīng)從企業(yè)各個(gè)方面的能力來(lái)選擇指標(biāo)，最后決定選擇表2財(cái)務(wù)指標(biāo)中所整理的13 個(gè)財(cái)務(wù)指標(biāo)（見(jiàn)表2）。

表2 財(cái)務(wù)指標(biāo)

（二）對(duì)財(cái)務(wù)危機(jī)的預(yù)判別

財(cái)務(wù)危機(jī)預(yù)判別說(shuō)的就是通過(guò)某些指標(biāo)對(duì)其進(jìn)行預(yù)判別，判定該企業(yè)現(xiàn)在處于什么預(yù)警狀態(tài)，即健康、輕度危機(jī)和重度危機(jī)。在研讀了眾多國(guó)內(nèi)外文獻(xiàn)之后，本文將從兩方面對(duì)財(cái)務(wù)危機(jī)的判別進(jìn)行劃分，一個(gè)是風(fēng)險(xiǎn)，另一個(gè)是收益。財(cái)務(wù)危機(jī)需要進(jìn)行預(yù)判別的原因是，在神經(jīng)網(wǎng)絡(luò)中，對(duì)訓(xùn)練樣本進(jìn)行訓(xùn)練時(shí)需要讓他們先學(xué)習(xí)，這樣之后的檢測(cè)樣本才能進(jìn)行預(yù)測(cè)，再將預(yù)測(cè)的結(jié)果與實(shí)際結(jié)果進(jìn)行比對(duì)。

本文在對(duì)進(jìn)行預(yù)判別時(shí)的標(biāo)準(zhǔn)有兩個(gè)，分別是凈利潤(rùn)和資產(chǎn)負(fù)債率，最后的判別標(biāo)準(zhǔn)有三個(gè)，即健康（a）、輕度危機(jī)（b）和重度危機(jī)（c）。具體劃分依據(jù)為：當(dāng)某公司凈利潤(rùn)為負(fù)或資產(chǎn)負(fù)債率大于0.7時(shí)，判定該公司存在輕度財(cái)務(wù)危機(jī)；當(dāng)公司的凈利潤(rùn)為負(fù)且資產(chǎn)負(fù)債率大于0.7 時(shí)，判定該公司存在重度財(cái)務(wù)危機(jī)；當(dāng)公司的凈利潤(rùn)為正且資產(chǎn)負(fù)債率小于0.7 時(shí)，則判定該公司為健康。

（三）樣本數(shù)據(jù)的處理

為了財(cái)務(wù)危機(jī)預(yù)警的準(zhǔn)確性，我們選擇增加指標(biāo)數(shù)量。但在選取的13 個(gè)財(cái)務(wù)指標(biāo)中，發(fā)現(xiàn)在公司的資產(chǎn)負(fù)債表中，各個(gè)指標(biāo)之間的相關(guān)性很強(qiáng)，因此選擇對(duì)指標(biāo)進(jìn)行主成分提取，以簡(jiǎn)化指標(biāo)。

從表3KMO 與Bartlett 檢驗(yàn)中可以看出Bartlett球形檢驗(yàn)的Sig.取值是0.000，也就是說(shuō)其間存在相關(guān)性，可以進(jìn)行因子分析，且KMO 檢驗(yàn)的結(jié)果是0.527，表明可以推動(dòng)下一步的進(jìn)行（見(jiàn)表3）。

表3 KMO 與Bartlett 檢驗(yàn)

表4 主成分列表中列出了所有的13 個(gè)主成分，并且是按照特征值由大到小的次序進(jìn)行排列，選取的主成分的累計(jì)貢獻(xiàn)率超過(guò)70%，表示可以進(jìn)行提取研究，所以本文選取了前4 個(gè)因子。

表5 特征向量矩陣是變量前4 個(gè)主成分的特征向量矩陣，各個(gè)變量均已在SPSS 中進(jìn)行過(guò)標(biāo)準(zhǔn)化處理。根據(jù)表5，可以得出4 個(gè)主成分的表達(dá)式，例如F1 的表達(dá)公式為（1）：

表4 主成分列表

表5 特征向量矩陣

四、實(shí)證分析

（一）BP 神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)

在SPSS 的主成分分析之后，13 個(gè)財(cái)務(wù)指標(biāo)可以被4 個(gè)主要成分所取代，所以一共有4 個(gè)主成分進(jìn)入模型中。BP 神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)需要確定的是各層的節(jié)點(diǎn)數(shù)以及隱藏層的個(gè)數(shù)。因此節(jié)點(diǎn)的數(shù)量設(shè)置為4，隱藏層和輸出層節(jié)點(diǎn)的數(shù)量均為3。同時(shí)輸出有三個(gè)目標(biāo)值，取0 為兩年后正常經(jīng)營(yíng)的公司的標(biāo)記數(shù)，取1 為兩年后發(fā)生重度財(cái)務(wù)危機(jī)的標(biāo)記數(shù)，取-1 為輕度財(cái)務(wù)危機(jī)的標(biāo)記數(shù)。當(dāng)輸出值越接近1，則企業(yè)是健康的企業(yè)可能性越大，越接近0 則越有可能發(fā)生重度財(cái)務(wù)危機(jī)，越接近-1 則越有可能發(fā)生輕度財(cái)務(wù)危機(jī)。

（二）BP 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練及預(yù)測(cè)

1.訓(xùn)練的結(jié)果

在模型中，我們對(duì)發(fā)生財(cái)務(wù)危機(jī)的上市公司和未發(fā)生財(cái)務(wù)危機(jī)的上市公司運(yùn)用R 語(yǔ)言軟件一起進(jìn)行訓(xùn)練，按7∶3的比例劃分，將總樣本分為訓(xùn)練樣本和測(cè)試樣本。先對(duì)51 家上市公司進(jìn)行訓(xùn)練，然后再對(duì)23 家測(cè)試樣本進(jìn)行仿真。

通過(guò)R 語(yǔ)言的各種輸入輸出，得出神經(jīng)網(wǎng)絡(luò)模型的結(jié)果矩陣（見(jiàn)表6）：

表6 神經(jīng)網(wǎng)絡(luò)模型的結(jié)果矩陣

通過(guò)R 語(yǔ)言得到的另一部分輸出結(jié)果，神經(jīng)網(wǎng)絡(luò)模型的輸出結(jié)果（見(jiàn)表7），從輸出結(jié)果看，訓(xùn)練執(zhí)行了1 870 步，終止條件為誤差函數(shù)的絕對(duì)偏導(dǎo)數(shù)小于8.767813e-03（reached.Threshold），誤差值為2.603 124，還有待調(diào)整（見(jiàn)表7）。

表7 神經(jīng)網(wǎng)絡(luò)模型的輸出結(jié)果

2.BP 神經(jīng)網(wǎng)絡(luò)模型的可視化

圖1 為神經(jīng)網(wǎng)絡(luò)模型的拓?fù)浣Y(jié)構(gòu)圖，圖中的粗線表示每一層與其相關(guān)權(quán)重直接的關(guān)系，而細(xì)線表示擬合過(guò)程中，每一步被添加到細(xì)線上的誤差項(xiàng)，這些誤差可以表示一個(gè)線性模型的誤差區(qū)間。在本文中可以看到，該模型需要1 870 個(gè)步驟才能達(dá)到期望誤差之下，且最后的總體方差為2.60（見(jiàn)圖1）。

圖1 神經(jīng)網(wǎng)絡(luò)模型的拓?fù)浣Y(jié)構(gòu)圖

另外圖2 泛化權(quán)值圖分別展示了每個(gè)協(xié)變量F1、F2、F3 和F4 對(duì)分類(lèi)的響應(yīng)，圖2 顯示，所有泛化的權(quán)值都接近于0，即這個(gè)協(xié)變量對(duì)分類(lèi)結(jié)果的影響并不大，并且本文總體方差大于1，則說(shuō)明協(xié)變量對(duì)分類(lèi)結(jié)果存在非線性影響。

圖2 泛化權(quán)值圖

3.模型的類(lèi)標(biāo)號(hào)預(yù)測(cè)（基于neuralnet 包）

由表8 可知，總共23 個(gè)測(cè)試樣本中，將靠近a和b 以及b 和c 的樣本歸為輕度財(cái)務(wù)危機(jī)。一共有13 家企業(yè)是健康的，剩下的10 家中是有輕度財(cái)務(wù)的。結(jié)合上文中財(cái)務(wù)的預(yù)判別，經(jīng)合計(jì)，樣本數(shù)據(jù)危機(jī)程度中健康、輕度財(cái)務(wù)危機(jī)的個(gè)數(shù)占總樣本的比例分別為73%和27%，檢測(cè)樣本中這三者占檢測(cè)樣本數(shù)的比例分別為65.3%、34.7%。從總數(shù)的比例來(lái)看各個(gè)狀態(tài)的公司占比相差不大，但健康和輕度危機(jī)的公司都存在一些誤判。

表8 神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果

經(jīng)過(guò)對(duì)實(shí)際樣本的觀測(cè)，實(shí)際樣本中健康狀態(tài)的公司有15 家，輕度危機(jī)的公司有8 家，重度危機(jī)的公司有0 家，因此本文危機(jī)公司為輕度危機(jī)的公司。而根據(jù)表8，健康狀態(tài)的公司預(yù)測(cè)正確的有13家，有兩家健康公司被誤判給了輕度危機(jī)公司。輕度危機(jī)的公司預(yù)測(cè)正確的有6 家，有兩家公司被錯(cuò)誤預(yù)測(cè)成了健康公司。因此預(yù)測(cè)樣本有4 家與實(shí)際情況不符，健康公司預(yù)測(cè)準(zhǔn)確率為86.67%，危機(jī)公司的準(zhǔn)確率為75%。從整體來(lái)看，誤判率只有近17%，即總體準(zhǔn)確率達(dá)到了83%。因此該模型的預(yù)測(cè)還是較為準(zhǔn)確的。

五、對(duì)比其他預(yù)警模型的分析

為了評(píng)價(jià)模型預(yù)測(cè)能力，本文另外選取隨機(jī)森林算法模型對(duì)上市公司財(cái)務(wù)狀況進(jìn)行比較分析。隨機(jī)森林算法是Breiman（2001）提出的一種組合分類(lèi)算法。此算法基于訓(xùn)練數(shù)據(jù)的不同子集構(gòu)建多棵決策樹(shù)，每棵樹(shù)的預(yù)測(cè)結(jié)果都視為一張投票，獲得投票數(shù)最多的類(lèi)別就是預(yù)測(cè)的類(lèi)別，并組合成一個(gè)新的模型，預(yù)測(cè)結(jié)果是所有決策樹(shù)輸出的組合。

首先是對(duì)測(cè)試集進(jìn)行判別，構(gòu)建隨機(jī)森林時(shí)，需要設(shè)定隨機(jī)森林的兩個(gè)參數(shù)：一是分類(lèi)決策樹(shù)數(shù)量，二是決策樹(shù)節(jié)點(diǎn)的特征變量，模型過(guò)程的默認(rèn)節(jié)點(diǎn)個(gè)數(shù)為2，決策樹(shù)的數(shù)量為100。表9 訓(xùn)練集的分類(lèi)效率是對(duì)訓(xùn)練集進(jìn)行分類(lèi)訓(xùn)練的結(jié)果，模型將訓(xùn)練集中的“輕度危機(jī)”誤判為“健康”的錯(cuò)誤率較高，對(duì)“健康”的判斷則較為準(zhǔn)確，達(dá)到82%。由于危機(jī)公司分類(lèi)的準(zhǔn)確率較低，這也將導(dǎo)致訓(xùn)練集中危機(jī)公司的誤判率增加。

表9 訓(xùn)練集的分類(lèi)效率

通過(guò)上一步的分類(lèi)模型對(duì)測(cè)試集進(jìn)行預(yù)測(cè)，根據(jù)表10 測(cè)試集的預(yù)測(cè)效果可以看出，預(yù)測(cè)結(jié)果顯示健康公司的預(yù)測(cè)率準(zhǔn)確率很高，只有一家誤判成危機(jī)公司，而危機(jī)公司預(yù)測(cè)的準(zhǔn)確率很低，有4 家危機(jī)公司誤判為健康公司，誤判率達(dá)到80%。整體上來(lái)看，總體預(yù)測(cè)準(zhǔn)確率達(dá)到77.78%。

表10 隨機(jī)森林測(cè)試集的預(yù)測(cè)結(jié)果

通過(guò)表11 的對(duì)比分析可知，針對(duì)本文所用樣本數(shù)據(jù)，基于神經(jīng)網(wǎng)絡(luò)預(yù)警模型的總體準(zhǔn)確率較高，但對(duì)風(fēng)險(xiǎn)公司的預(yù)測(cè)準(zhǔn)確率卻只有75%，選擇隨機(jī)森林算法模型時(shí)，對(duì)健康公司樣本的準(zhǔn)確率較高，達(dá)到了92.3%，但是此時(shí)對(duì)風(fēng)險(xiǎn)公司的預(yù)測(cè)準(zhǔn)確率卻只有20%，這是犧牲了對(duì)正類(lèi)的準(zhǔn)確率而換來(lái)的負(fù)類(lèi)準(zhǔn)確率的提升，這也再次驗(yàn)證了在隨機(jī)森林訓(xùn)練樣本中危機(jī)公司分類(lèi)準(zhǔn)確率不高會(huì)導(dǎo)致預(yù)測(cè)能力較低的說(shuō)法；相較于隨機(jī)森林算法模型，神經(jīng)網(wǎng)絡(luò)模型的總準(zhǔn)確率、風(fēng)險(xiǎn)公司預(yù)測(cè)準(zhǔn)確率、健康公司預(yù)測(cè)準(zhǔn)確率都達(dá)到了一個(gè)相對(duì)的平衡水平，且都在72.23%的預(yù)測(cè)精度以上。

表11 兩種模型的預(yù)警效果比較分析

六、結(jié)論及建議

本文在以往學(xué)者相關(guān)研究的基礎(chǔ)上，利用神經(jīng)網(wǎng)絡(luò)模型對(duì)上市公司的財(cái)務(wù)狀況進(jìn)行了分析和檢驗(yàn)。得出結(jié)論為：首先，從財(cái)務(wù)指標(biāo)的主成分分析上來(lái)看，可以通過(guò)主成分提取的方式，計(jì)算得到綜合得分來(lái)對(duì)公司財(cái)務(wù)進(jìn)行判別分析，從四個(gè)主成分因子中可以發(fā)現(xiàn)流動(dòng)資產(chǎn)、總資產(chǎn)周轉(zhuǎn)率等得分較高；其次，本文基于t-3 期的數(shù)據(jù)進(jìn)行分析，從模型預(yù)測(cè)準(zhǔn)確度來(lái)看，基于BP 神經(jīng)網(wǎng)絡(luò)的財(cái)務(wù)危機(jī)預(yù)警模型在短期內(nèi)的預(yù)警能力是較強(qiáng)的，總體準(zhǔn)確率較高，達(dá)到82.6%，而隨機(jī)森林算法的總體準(zhǔn)確率只有72.23%；且劃分出的兩個(gè)判別指標(biāo)（即凈利潤(rùn)和資產(chǎn)負(fù)債率）可以在一定程度上幫助我們提前預(yù)知企業(yè)是否存在危機(jī)可能。

根據(jù)以上結(jié)論以及財(cái)務(wù)預(yù)警模型的最終目的，以下是關(guān)于對(duì)上市公司在合理規(guī)避以及消除財(cái)務(wù)風(fēng)險(xiǎn)上提出的一些建議：第一，根據(jù)各財(cái)務(wù)指標(biāo)的得分情況，上市公司應(yīng)該更關(guān)注公司營(yíng)運(yùn)能力以及償債能力，具備足夠的現(xiàn)金流。第二，上市公司發(fā)生風(fēng)險(xiǎn)，并不是風(fēng)險(xiǎn)因素才發(fā)生，而是已經(jīng)出現(xiàn)的風(fēng)險(xiǎn)因素再次爆發(fā)。因此上市公司只有完善內(nèi)部控制制度，有清晰明確的內(nèi)部控制標(biāo)準(zhǔn)、規(guī)范，加強(qiáng)對(duì)財(cái)務(wù)部門(mén)的監(jiān)督，才能正確反映企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)，提高預(yù)警能力。同時(shí)，當(dāng)前市場(chǎng)要健全信息披露懲罰機(jī)制，從法律上防范和打擊違規(guī)信息披露，中國(guó)證監(jiān)會(huì)應(yīng)當(dāng)加強(qiáng)執(zhí)法力度，形成應(yīng)有的震懾力。