基于BP神經(jīng)網(wǎng)絡(luò)的上市公司財(cái)務(wù)困境預(yù)警模型實(shí)證研究

鞏 斌

（安徽財(cái)經(jīng)大學(xué)統(tǒng)計(jì)與應(yīng)用數(shù)學(xué)學(xué)院,安徽蚌埠 233030）

基于BP神經(jīng)網(wǎng)絡(luò)的上市公司財(cái)務(wù)困境預(yù)警模型實(shí)證研究

鞏 斌

（安徽財(cái)經(jīng)大學(xué)統(tǒng)計(jì)與應(yīng)用數(shù)學(xué)學(xué)院,安徽蚌埠 233030）

正確公允的認(rèn)識(shí)和評(píng)價(jià)上市公司的財(cái)務(wù)狀況和經(jīng)營(yíng)業(yè)績(jī)已成為有關(guān)各方的共識(shí)。然而有些公司惡意造假、包裝上市,給投資者和債權(quán)人造成巨大損失,擾亂經(jīng)濟(jì)市場(chǎng)。這使得有關(guān)上市公司財(cái)務(wù)困境預(yù)警的研究日益迫切。就如何運(yùn)用BP網(wǎng)絡(luò)神經(jīng)算法來(lái)提高財(cái)務(wù)困境預(yù)警能力進(jìn)行了分析。

財(cái)務(wù)困境;預(yù)警;模型評(píng)估

財(cái)務(wù)困境又稱(chēng)為財(cái)務(wù)危機(jī),其最為嚴(yán)重的情況就是破產(chǎn)。對(duì)于“財(cái)務(wù)困境”的定義國(guó)內(nèi)外學(xué)者有很多不同的看法,Altman（1993）綜合了學(xué)術(shù)界對(duì)財(cái)務(wù)困境的定義,將財(cái)務(wù)困境分為四種情形:（1）失敗（Failure）:典型代表是商業(yè)統(tǒng)計(jì)公司Dun&Bradstreet采用的“經(jīng)營(yíng)失敗”（Business Failure）概念,指公司經(jīng)營(yíng)因?yàn)槠飘a(chǎn)而停止,或者處置抵押品后仍對(duì)債權(quán)人造成損失;無(wú)法按期償付債務(wù),由于法律糾紛被接管重組等情況。（2）無(wú)償付能力（Insolvency）,包括技術(shù)上的無(wú)力償付和破產(chǎn)意義上的無(wú)力償付。前者是指企業(yè)缺乏流動(dòng)性,不能償付到期債務(wù),主要用凈現(xiàn)金流是否能滿(mǎn)足流動(dòng)負(fù)債的支付需要作為判別技術(shù)上是否無(wú)償付能力的標(biāo)準(zhǔn);而后者是指企業(yè)資不抵債,凈資產(chǎn)為負(fù)等情況。（3）違約（Default）。違約可以是技術(shù)上的或法律上的,前者是指?jìng)鶆?wù)人違反合同規(guī)定并可能招致法律糾紛,后者則指?jìng)鶆?wù)人到期無(wú)法還債。（4）破產(chǎn)（Bankruptcy）,指企業(yè)提交破產(chǎn)申請(qǐng)后被接管清算[1]（P202-216）。

隨著資本市場(chǎng)的不斷發(fā)展,我國(guó)上市公司中陷入財(cái)務(wù)困境的企業(yè)也不斷增多。究其原因,國(guó)家宏觀經(jīng)濟(jì)環(huán)境的變化、行業(yè)不景氣、市場(chǎng)競(jìng)爭(zhēng)激烈、會(huì)計(jì)準(zhǔn)則的變更等客觀原因會(huì)在一定程度上影響企業(yè)的業(yè)績(jī),但根本原因還是企業(yè)自身的問(wèn)題。所以正確公允地認(rèn)識(shí)和評(píng)價(jià)上市公司的財(cái)務(wù)狀況和經(jīng)營(yíng)業(yè)績(jī)已成為有關(guān)各方的共識(shí),同時(shí)通過(guò)上市公司財(cái)務(wù)狀況和經(jīng)營(yíng)業(yè)績(jī)的橫向和縱向比較,可以讓上市公司清楚地了解自己在本行業(yè)、本地區(qū)上市公司中所處的位置以及在所有上市公司中所處的位置,這樣可以對(duì)上市公司經(jīng)營(yíng)者起到一定的鞭策作用。

1 樣本設(shè)計(jì)

本文以滬深兩市A股上市公司作為研究對(duì)象,將公司因財(cái)務(wù)狀況異常而被特別處理（ST）作為企業(yè)陷入財(cái)務(wù)困境的標(biāo)志,從中選取了2005-2008年間108家ST公司作為財(cái)務(wù)困境公司樣本①,樣本的行業(yè)分布特征如下:

農(nóng)、林、牧、漁業(yè)1家,制造業(yè)59家,建筑業(yè)1家,交通運(yùn)輸、倉(cāng)儲(chǔ)業(yè)3家,信息技術(shù)業(yè)5家,批發(fā)和零售貿(mào)易9家,房地產(chǎn)業(yè)7家,社會(huì)服務(wù)業(yè)5家,傳播與文化產(chǎn)業(yè)3家,綜合15家,合計(jì)108家。

由于證監(jiān)會(huì)是根據(jù)上市公司前兩年的年報(bào)所公布的業(yè)績(jī)判斷其是否出現(xiàn)財(cái)務(wù)狀況異常并決定是否要對(duì)其進(jìn)行特別處理的,所以采用上市公司前兩年的年報(bào)預(yù)測(cè)其是否會(huì)被ST顯然會(huì)夸大模型的預(yù)測(cè)能力。畢竟在公司已經(jīng)虧損一年的情況下其被ST的幾率自然大于沒(méi)有出現(xiàn)虧損的公司;而在公司已經(jīng)虧損兩年的情況下其被ST已成定局,所以更沒(méi)有任何預(yù)測(cè)意義。因此,本文選擇在上市公司被ST的前三年進(jìn)行預(yù)測(cè),判斷其最終是否會(huì)陷入財(cái)務(wù)困境,即如果某上市公司在2008年被特別處理,我們采用2005年的年報(bào)數(shù)據(jù)進(jìn)行預(yù)測(cè)[2]（43-51）。

為了剔除不同年份、行業(yè)和資產(chǎn)規(guī)模因素對(duì)財(cái)務(wù)困境預(yù)測(cè)的影響,我們根據(jù)以下原則按1:1的比例選擇財(cái)務(wù)健康的上市公司作為配對(duì)樣本:

1、研究期間一致,如財(cái)務(wù)困境企業(yè)采用的是2005年的數(shù)據(jù),則財(cái)務(wù)正常公司也同樣采用2005年的數(shù)據(jù)。

2、配對(duì)樣本與財(cái)務(wù)困境企業(yè)行業(yè)類(lèi)型相同或相近。

3、配對(duì)樣本與財(cái)務(wù)困境企業(yè)的總資產(chǎn)規(guī)模相當(dāng)。

據(jù)此,本文確定了216個(gè)研究樣本,其中3/4作為估計(jì)樣本,1/4作為預(yù)測(cè)樣本,具體情況如下:估計(jì)樣本162家,其中財(cái)務(wù)困境公司81家,財(cái)務(wù)健康公司81家;預(yù)測(cè)樣本54家,其中財(cái)務(wù)困境公司27家,財(cái)務(wù)健康公司27家。

2 神經(jīng)網(wǎng)絡(luò)模型概述

神經(jīng)網(wǎng)絡(luò)模型是由大量的簡(jiǎn)單處理單元相互聯(lián)結(jié)組成的復(fù)雜網(wǎng)絡(luò)系統(tǒng)[3]（P152-156）。它的許多功能和特性是對(duì)人腦神經(jīng)網(wǎng)絡(luò)系統(tǒng)的模擬,是一種自然的非線(xiàn)性建模過(guò)程,也被稱(chēng)為人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network）。作為非參數(shù)的預(yù)測(cè)模型,它克服了選擇模型函數(shù)形式的困難,同時(shí)對(duì)樣本及變量的分布特征沒(méi)有限制。其主要分析模型如下:

它的神經(jīng)元一般包括三種處理單元,也稱(chēng)為節(jié)點(diǎn)（Node）:輸入神經(jīng)元,隱層神經(jīng)元和輸出神經(jīng)元。輸入神經(jīng)元接受外界環(huán)境信息的輸入;輸出神經(jīng)元?jiǎng)t將經(jīng)過(guò)神經(jīng)網(wǎng)絡(luò)處理后的信息送到外界;而隱層神經(jīng)元?jiǎng)t處于前兩種神經(jīng)元之間,不直接與外界環(huán)境發(fā)生聯(lián)系,它接受輸入神經(jīng)元的信息,經(jīng)過(guò)多層次的網(wǎng)絡(luò)內(nèi)部運(yùn)算,把數(shù)據(jù)結(jié)果轉(zhuǎn)移給輸出神經(jīng)元[4]。隱層神經(jīng)元可以有多個(gè)層次（Layer）。總體來(lái)說(shuō),神經(jīng)網(wǎng)絡(luò)具有一些其他方法無(wú)法比擬的優(yōu)點(diǎn),體現(xiàn)在:

1、它根據(jù)所提供的數(shù)據(jù)進(jìn)行學(xué)習(xí)和訓(xùn)練,找出輸入與輸出之間的內(nèi)在聯(lián)系,通過(guò)改變每個(gè)節(jié)點(diǎn)上的加權(quán)系數(shù)來(lái)求取問(wèn)題的解,從而具有自適應(yīng)的功能;

2、能夠處理那些有噪聲或不完全的數(shù)據(jù),具有泛化功能和很強(qiáng)的容錯(cuò)能力;

3、神經(jīng)網(wǎng)絡(luò)對(duì)于非獨(dú)立因素組成的總體依然適用,并能夠處理其中復(fù)雜的非線(xiàn)性關(guān)系。

目前,在神經(jīng)網(wǎng)絡(luò)模型的實(shí)際應(yīng)用中,多層前向神經(jīng)網(wǎng)絡(luò)中的反向傳播（Back-Propagation）算法在諸如函數(shù)逼近、模式識(shí)別等領(lǐng)域得到廣泛的應(yīng)用,因此本文采用BP算法進(jìn)行財(cái)務(wù)困境預(yù)測(cè)。

3 預(yù)警模型構(gòu)建

BP算法的學(xué)習(xí)過(guò)程可以簡(jiǎn)單地描述如下:

1、工作信號(hào)正向傳播:輸入信號(hào)從輸入層經(jīng)過(guò)隱層傳到輸出層,在輸出端產(chǎn)生輸出信號(hào)。在信號(hào)的正向傳遞過(guò)程中網(wǎng)絡(luò)的權(quán)值是固定不變的,每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。如果在輸出層得不到期望的輸出,則轉(zhuǎn)入誤差信號(hào)反向傳播[5]（P194-197）。

2、誤差信號(hào)反向傳播:網(wǎng)絡(luò)的實(shí)際輸出與期望輸出之間的差值即為誤差信號(hào),誤差信號(hào)從輸出端開(kāi)始逐層向前傳播。在誤差信號(hào)的反向傳播過(guò)程中,網(wǎng)絡(luò)的權(quán)值由誤差反饋進(jìn)行調(diào)節(jié),通過(guò)權(quán)值的不斷修正使網(wǎng)絡(luò)的實(shí)際輸出更接近期望輸出。

BP神經(jīng)網(wǎng)絡(luò)可以有一個(gè)或多個(gè)隱層[6]。但單隱層的BP神經(jīng)網(wǎng)絡(luò)可以以高精度逼近任意映射關(guān)系,而且與一個(gè)隱層相比,用兩個(gè)隱層進(jìn)行網(wǎng)絡(luò)訓(xùn)練并不能顯著提高預(yù)測(cè)的準(zhǔn)確率。因此本文采用單隱層的BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu),如圖2所示:

圖2 單隱層的BP神經(jīng)網(wǎng)絡(luò)

BP算法的詳細(xì)步驟如下:

（1）設(shè)置變量和參量。輸入變量Xk=[Xk1, Xk2,…,XkM],（k=1,2,…,N）,N為訓(xùn)練樣本的個(gè)數(shù);輸出節(jié)點(diǎn)的期望輸出為tl。輸入層和隱層之間的連接權(quán)重為Wij,節(jié)點(diǎn)閾值為θi;隱層和輸出層之間的連接權(quán)重為T(mén)ij,節(jié)點(diǎn)閾值為θl。

（2）初始化權(quán)值和閾值,隨機(jī)給出一個(gè)非零的初始值。

輸出節(jié)點(diǎn)的輸出為:Ol=

（4）判斷實(shí)際輸出和期望輸出（真實(shí)值）之間的誤差是否達(dá)到精度要求。判斷標(biāo)準(zhǔn):

（5）修正權(quán)值。根據(jù)誤差信號(hào)先后修正隱層和輸出層之間、輸入層和隱層之間的權(quán)值。

輸出節(jié)點(diǎn)輸出的誤差為:

權(quán)值修正:Tli（k+1）=Tli（k）+ηδl yi;其中k為迭代次數(shù)

閾值修正:θl（k+1）=θl（k）+η′δ′l

隱層節(jié)點(diǎn)輸出的誤差為:

權(quán)值修正:Wij（k+1）=Wij（k）+η′δ′i X j

閾值修正:θi（k+1）=θi（k）+η′δ′i

如果誤差達(dá)到精度要求或者循環(huán)次數(shù)足夠大,則結(jié)束網(wǎng)絡(luò)訓(xùn)練,否則則繼續(xù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)。

BP神經(jīng)網(wǎng)絡(luò)的輸入層與隱層之間通常采用S型的傳遞函數(shù)（如對(duì)數(shù)函數(shù)、正切函數(shù)）[7]（P312-316）,而隱層和輸出層之間則采用線(xiàn)性傳遞函數(shù)。由于正切函數(shù)關(guān)于原點(diǎn)對(duì)稱(chēng),學(xué)習(xí)速度較快,因而在本文中,輸入層和隱層之間的傳遞函數(shù)取正切函數(shù):

a和b分別取經(jīng)驗(yàn)值1.7159和2/3。

隱層節(jié)點(diǎn)個(gè)數(shù)的選擇比較復(fù)雜,通常認(rèn)為隱層節(jié)點(diǎn)個(gè)數(shù)應(yīng)介于輸入和輸出節(jié)點(diǎn)個(gè)數(shù)之間,而且與樣本大小有關(guān)。則隱層的節(jié)點(diǎn)個(gè)數(shù)=樣本個(gè)數(shù)/（10×（輸入層節(jié)點(diǎn)個(gè)數(shù)+輸出層節(jié)點(diǎn)個(gè)數(shù)））。

由于在BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練中,訓(xùn)練次數(shù)過(guò)多往往會(huì)出現(xiàn)對(duì)數(shù)據(jù)的過(guò)度擬和,為了提高網(wǎng)絡(luò)的泛化能力,本文采取了下列兩個(gè)解決辦法:

（1）對(duì)輸入數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理,即均值為0、標(biāo)準(zhǔn)差為1。

（2）規(guī)則化調(diào)整,即通過(guò)調(diào)整網(wǎng)絡(luò)的性能函數(shù)來(lái)增強(qiáng)網(wǎng)絡(luò)泛化能力。

4 預(yù)警模型評(píng)估

本文將所有樣本分成訓(xùn)練集和預(yù)測(cè)集,其中訓(xùn)練集有162個(gè)樣本,其中財(cái)務(wù)困境公司81家,財(cái)務(wù)健康公司81家;預(yù)測(cè)集有54個(gè)樣本,其中財(cái)務(wù)困境公司27家,財(cái)務(wù)健康公司27家。采用單隱層的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,輸入層的輸入變量為多元判別分析和Logistic回歸使用的預(yù)測(cè)變量X5、X7、X18、X28、X32、X34和X45,共有7個(gè)節(jié)點(diǎn);輸出層有一個(gè)節(jié)點(diǎn),輸出的導(dǎo)師信號(hào)為-1代表財(cái)務(wù)困境公司,1代表財(cái)務(wù)健康公司;隱層的節(jié)點(diǎn)個(gè)數(shù)為208/（10＊（7+1））≈3。迭代次數(shù)為80000次。

當(dāng)m se=104.66,m sw=3.5時(shí)達(dá)到誤差精度要求,BP神經(jīng)網(wǎng)絡(luò)自動(dòng)結(jié)束訓(xùn)練。神經(jīng)網(wǎng)絡(luò)的判別結(jié)果如表2所示:

表2 BP神經(jīng)網(wǎng)絡(luò)的判別結(jié)果

從表2我們可以看出,BP神經(jīng)網(wǎng)絡(luò)模型估計(jì)樣本的I類(lèi)錯(cuò)誤率為16.05%,II類(lèi)錯(cuò)誤率為27.16%,綜合準(zhǔn)確率為78.4%;而預(yù)測(cè)樣本的I類(lèi)錯(cuò)誤率為14.81%,II類(lèi)錯(cuò)誤率為 11.11%,綜合準(zhǔn)確率為87.04%。

由于BP神經(jīng)網(wǎng)絡(luò)是一種非線(xiàn)性映射模式,這種網(wǎng)絡(luò)算法具有穩(wěn)定性、收斂性、容錯(cuò)性、魯棒性等性能,因而在指標(biāo)間相關(guān)度較高、呈非線(xiàn)性變化或數(shù)據(jù)不全等情況下仍可得到比較滿(mǎn)意的結(jié)果,所以用BP神經(jīng)網(wǎng)絡(luò)能大大提高財(cái)務(wù)困境模型的預(yù)測(cè)能力。

注釋

①數(shù)據(jù)源網(wǎng)址為:http://www.cstsc.com/stock/info/ statistic/finance.jsp.

[1]王又莊.上市公司財(cái)務(wù)會(huì)計(jì)報(bào)告分析與評(píng)價(jià)[M].上海:立信會(huì)計(jì)出版社,2002.

[2]朱明.數(shù)據(jù)挖掘[M].合肥:中國(guó)科學(xué)技術(shù)大學(xué)出版社,2002.

[3]易丹輝.統(tǒng)計(jì)預(yù)測(cè)——方法與應(yīng)用[M].北京:中國(guó)統(tǒng)計(jì)出版社,2001.

[4]宋新平,丁永生,曾月明.基于遺傳算法的同步優(yōu)化方法在財(cái)務(wù)困境預(yù)警中的應(yīng)用[J].預(yù)測(cè),2009,（1）:34-36.

[5]韓力群.人工神經(jīng)網(wǎng)絡(luò)理論、設(shè)計(jì)及應(yīng)用[M].北京:化學(xué)工業(yè)出版社,2002.

[6]吳健梅.上市公司財(cái)務(wù)困境預(yù)警模型簡(jiǎn)評(píng)[J].齊魯珠壇, 2009,（2）:23-26.

[7]Mehmed Kantadzic.Data Mining:Concepts,Modes Methods And Algorithms[M].New York:IEEE Press,2002.

A Study on the Listed Company’s Financial Distress of Early-Warning Model by Empirical Research Based on BP Neural Network

GONG Bin

（School of Statistics&Applied Mathematics,Anhui University of Finance&Economics,BengBu233030,China）

Correct understanding and evaluation of fair market a company’s financial condition and results of operations has become the consensus of the parties concerned.Some companies malicious fabrication and packaging market,however,have caused tremendous losses to investors and creditors,disrupted economic market.This makes the listed company’s financial distress of the increasing urgency of early warning research.This article on the use of BP neural network algorithm s to improve the capacity of early warning of financial difficulties.

financial distress;warning;model assessment

F230

A

1009-9735（2010）02-0011-03

2010-03-01

2009年安徽省高等學(xué)校自然科學(xué)研究項(xiàng)目“基于BP神經(jīng)網(wǎng)絡(luò)的上市公司財(cái)務(wù)困境預(yù)警模型實(shí)證研究”（KJ2009B130Z）。

鞏斌（1975-）,男,安徽利辛人,碩士,安徽財(cái)經(jīng)大學(xué)統(tǒng)計(jì)與應(yīng)用數(shù)學(xué)學(xué)院講師,研究方向:經(jīng)濟(jì)數(shù)量分析。