公司運(yùn)營(yíng)危機(jī)預(yù)警模型的比較研究
——以中國(guó)上市公司為例

李同正，孫林巖，馮泰文

（西安交通大學(xué) 管理學(xué)院，陜西 西安 710004）

公司運(yùn)營(yíng)危機(jī)預(yù)警模型的比較研究
——以中國(guó)上市公司為例

李同正1，孫林巖2，馮泰文3

（西安交通大學(xué) 管理學(xué)院，陜西 西安 710004）

研究當(dāng)前國(guó)內(nèi)外公司運(yùn)營(yíng)危機(jī)預(yù)警問(wèn)題的現(xiàn)狀，首先要尋找一套適合于我國(guó)上市公司的財(cái)務(wù)狀況識(shí)別指標(biāo)體系，然后依據(jù)該指標(biāo)體系采用不同方法建立運(yùn)營(yíng)危機(jī)預(yù)警模型，最后利用樣本公司實(shí)際指標(biāo)數(shù)據(jù)對(duì)各個(gè)模型的短期及中期預(yù)警效果進(jìn)行比較分析與實(shí)證研究。結(jié)果表明，分類樹(shù)模型的三年期預(yù)警準(zhǔn)確率都在80%以上。

運(yùn)營(yíng)危機(jī)預(yù)警；判別分析；logistic回歸；BP神經(jīng)網(wǎng)絡(luò)；分類樹(shù)

公司經(jīng)營(yíng)狀況的好壞往往是企業(yè)經(jīng)營(yíng)者、投資者、債權(quán)人和審計(jì)師關(guān)注的焦點(diǎn)。致使公司陷入經(jīng)營(yíng)困境的原因是多方面的，既可能是企業(yè)經(jīng)營(yíng)者決策失誤，也可能是管理失控，還可能是外部環(huán)境變化等。由于影響企業(yè)出現(xiàn)運(yùn)營(yíng)危機(jī)的因素很多，大多企業(yè)管理當(dāng)局局限于各種主客觀因素，對(duì)出現(xiàn)危機(jī)的潛在信息不能及時(shí)發(fā)覺(jué)。對(duì)于預(yù)警模型的構(gòu)建，目前采用較多的方法是判別分析、logistic回歸和神經(jīng)網(wǎng)絡(luò)。本文將在比較運(yùn)營(yíng)危機(jī)預(yù)警模型構(gòu)建方法的基礎(chǔ)上，對(duì)各個(gè)模型的短期及中期預(yù)警效果進(jìn)行比較分析與實(shí)證研究。

一、分類樹(shù)與回歸樹(shù)介紹

分類樹(shù)是一種基于統(tǒng)計(jì)理論的非參數(shù)識(shí)別技術(shù)，其特點(diǎn)在于既保持了多元參數(shù)、非參數(shù)統(tǒng)計(jì)的一些優(yōu)點(diǎn)，又克服了其不足。其表現(xiàn)為：自動(dòng)進(jìn)行變量的選取，降低維數(shù)；充分利用先驗(yàn)信息處理數(shù)據(jù)間非同質(zhì)的關(guān)系；分類結(jié)果表達(dá)形式簡(jiǎn)單易于解釋，并可有效地用于對(duì)數(shù)據(jù)的分類［1，2］。分類樹(shù)分析的一般性思路：在整體樣本數(shù)據(jù)的基礎(chǔ)上，生成一個(gè)層次多、葉結(jié)點(diǎn)多的大樹(shù)，以充分反映數(shù)據(jù)之間的聯(lián)系，然后對(duì)其進(jìn)行刪減，產(chǎn)生一系列子樹(shù)，參照一定規(guī)則從中選擇適當(dāng)大小的樹(shù)，用于對(duì)新數(shù)據(jù)進(jìn)行分類［3，4］。

（一）分類樹(shù)的建立

分類樹(shù)的目標(biāo)是產(chǎn)生一系列規(guī)則，對(duì)那些只知道屬性變量值的樣本進(jìn)行正確分類。分類樹(shù)的算法：按照特定規(guī)則逐個(gè)檢驗(yàn)每個(gè)屬性變量，看它們對(duì)不同類別樣本的判別情況，之后選擇對(duì)正確分類提供信息量最大的變量將樣本集合分為2個(gè)子集。這個(gè)過(guò)程遞歸地應(yīng)用于每個(gè)子集，直到達(dá)到止停點(diǎn)（如每個(gè)樣本都被正確分類）。在對(duì)樣本進(jìn)行分類時(shí)，分類規(guī)則采用二叉樹(shù)形式，對(duì)于連續(xù)變量Xi：表示為｛Xi|Xj＞C嗎？C為樣本空間中變量Xii的取值范圍內(nèi)的一個(gè)常數(shù)，i= 1，…，m，m為連續(xù)變量個(gè)數(shù)｝；而對(duì)于離散變量Xij：表示為｛Xij|Xij∈V？V為樣本空間中變量Xii所有可能取值集合U的某個(gè)子集，，j=1，…，n，n為離散變量個(gè)數(shù)｝。據(jù)此樣本對(duì)分類規(guī)則“是”或“否”的回答將這個(gè)節(jié)點(diǎn)分為左右2個(gè)子節(jié)點(diǎn)。

圖1中X為樣本集合，大寫(xiě)字母A、B、C表示不同的樣本類別，（ ）為非葉節(jié)點(diǎn)，［ ］為葉節(jié)點(diǎn)，Si表示分類規(guī)則，最終結(jié)果：XA=X7∪X9∪X5，XB=X4∪X11，XC=X10∪X12。樹(shù)上表現(xiàn)出的變量通常只是變量指標(biāo)集中的一部分。分類樹(shù)的一個(gè)優(yōu)點(diǎn)是它能提供易于理解的分類規(guī)則。每個(gè)葉子相當(dāng)于一個(gè)分類規(guī)則。

圖1 分類樹(shù)模型的一般表示形式

（二）分類樹(shù)的刪減和選擇

現(xiàn)實(shí)生活中的數(shù)據(jù)會(huì)含有一些噪聲，故訓(xùn)練樣本所確定的分類樹(shù)結(jié)構(gòu)不能完全正確判別所有類別的樣本。另外，當(dāng)分類樹(shù)的層數(shù)和葉節(jié)點(diǎn)較多時(shí)，其可讀性比較差，不易理解。因此需要對(duì)原始樹(shù)進(jìn)行刪減，去掉那些僅反映數(shù)據(jù)間特殊關(guān)系的樹(shù)枝。分類樹(shù)刪減算法包括漸進(jìn)刪減算法、最優(yōu)刪減算法（OPT）及其變形。

其中OPT算法是基于動(dòng)態(tài)規(guī)劃的一種遞歸刪減算法，其主要用于實(shí)現(xiàn)概念簡(jiǎn)化的功能，同時(shí)減少噪聲影響；它能夠產(chǎn)生一系列比較密集的刪減子樹(shù)從而擴(kuò)大選擇的范圍。OPT算法或類似變形的目的是產(chǎn)生Tmax的最優(yōu)刪減樹(shù)序列S0。此算法首先生成幾乎為葉節(jié)點(diǎn)的很小的子樹(shù)序列，之后這些小的子樹(shù)被一步步結(jié)合起來(lái)，產(chǎn)生越來(lái)越大的子樹(shù)，由之繼續(xù)構(gòu)成T0的子樹(shù)序列。直到最終形成大樹(shù)Tmax。因?yàn)槊恳粋€(gè)T的子樹(shù)又都是由它自己的最優(yōu)刪減序列構(gòu)成，因此這類算法在尋求全局最優(yōu)。其缺點(diǎn)在于它的時(shí)間復(fù)雜度仍然比較高。

二、樣本公司和指標(biāo)變量的選擇

（一）樣本公司的選擇

本文的研究對(duì)象是中國(guó)上市公司，為研究方便將滬深兩地證券市場(chǎng)的ST公司界定為處于運(yùn)營(yíng)危機(jī)中的公司。

本文選擇樣本時(shí)，從2005年被宣布特別處理的公司中選取了32家ST公司及與之相對(duì)應(yīng)（與ST公司同行業(yè)、資產(chǎn)總額大體相等）的32家非ST公司共64家公司作為研究樣本。樣本被分為訓(xùn)練樣本和檢驗(yàn)樣本兩組，訓(xùn)練樣本包含16家ST公司和對(duì)應(yīng)的16家非ST公司，檢驗(yàn)樣本包含16家ST公司和對(duì)應(yīng)的16家非ST公司。研究所選取的財(cái)務(wù)數(shù)據(jù)是這些公司被宣布特別處理前三年的財(cái)務(wù)數(shù)據(jù)，32家非ST公司的數(shù)據(jù)按照對(duì)應(yīng)的ST公司財(cái)務(wù)數(shù)據(jù)選取的年度選取，因?yàn)镾T公司是在2005年被宣布特別處理的，其選取數(shù)據(jù)的年份為2004年、2003年和2002年，其對(duì)應(yīng)的非ST公司選取數(shù)據(jù)的年份也為2004年、2003年和2002年。數(shù)據(jù)來(lái)源于深圳市國(guó)泰安（GTA）信息技術(shù)有限公司中國(guó)上市公司財(cái)務(wù)數(shù)據(jù)庫(kù)。

（二）指標(biāo)變量的選取

根據(jù)企業(yè)破產(chǎn)理論和數(shù)據(jù)可得性原則，同時(shí)借鑒前人相關(guān)的研究成果，本文分別從短期償債能力、營(yíng)運(yùn)能力、長(zhǎng)期償債能力、盈利能力、風(fēng)險(xiǎn)水平、股東獲利能力、現(xiàn)金流量分析和發(fā)展能力等八個(gè)方面選擇了42個(gè)財(cái)務(wù)指標(biāo)（見(jiàn)表1）。這些指標(biāo)的選取原則以能全面、準(zhǔn)確地反映公司財(cái)務(wù)狀況為基礎(chǔ)，充分借鑒了國(guó)內(nèi)外這一領(lǐng)域的前期研究成果，如A ltman的Z-Score模型采用的預(yù)測(cè)變量，Robert、Mark、張玲[5]和姚靠華[6]等在其研究中采用的指標(biāo)。

三、分類樹(shù)模型的建立與比較

分類樹(shù)分析在計(jì)算過(guò)程中自動(dòng)選取變量，避免了主觀因素的影響。在公司運(yùn)營(yíng)危機(jī)預(yù)警過(guò)程中存在兩類錯(cuò)分成本：第一類錯(cuò)誤是將有運(yùn)營(yíng)困難的公司預(yù)測(cè)為正常，第二類是將正常公司預(yù)測(cè)為處于運(yùn)營(yíng)困境中的公司。分類樹(shù)分析可以將兩類成本設(shè)置成不同的數(shù)值，以滿足不同利益相關(guān)者的需要。分類樹(shù)分析的這些優(yōu)點(diǎn)保證了其在構(gòu)建運(yùn)營(yíng)危機(jī)預(yù)警模型時(shí)的有效性。

在本文的研究中，令ST公司為1，非ST公司為0，得到目標(biāo)變量（Target Variable）；將選定的42個(gè)變量作為預(yù)測(cè)變量（Predicator Variable）全部納入模型，分類方法采用Gini法，兩類錯(cuò)分成本的數(shù)值相等。

（一）短期預(yù)警

所謂短期預(yù)警是指根據(jù)2003年或2004年的公司財(cái)務(wù)數(shù)據(jù)對(duì)公司2005年的經(jīng)營(yíng)狀況進(jìn)行預(yù)警，預(yù)警期限為1年或2年。

表1 預(yù)警指標(biāo)集

表2 2004年判別分析模型結(jié)果

表3 2004年logistic回歸模型結(jié)果

表4 2004年BP神經(jīng)網(wǎng)絡(luò)模型結(jié)果

表5 2004年分類樹(shù)模型結(jié)果

四種模型的1年期預(yù)警準(zhǔn)確率分別為87.50%、65.63%、84.37%和96.88%，判別分析模型、BP神經(jīng)網(wǎng)絡(luò)模型和分類樹(shù)模型的預(yù)警準(zhǔn)確率都達(dá)到了80%以上。

四種模型的2年期預(yù)警準(zhǔn)確率分別為62.50%、65.63%、68.75%和90.63%，分類樹(shù)模型的預(yù)警準(zhǔn)確率遠(yuǎn)高于其他三個(gè)模型。

（二）中期預(yù)警

所謂中期預(yù)警是指根據(jù)2002年的公司財(cái)務(wù)數(shù)據(jù)對(duì)公司2005年的經(jīng)營(yíng)狀況進(jìn)行預(yù)警，預(yù)警期限為3年。

表6 2002年判別分析模型結(jié)果

表7 2002年logistic回歸模型結(jié)果

表8 2002年BP神經(jīng)網(wǎng)絡(luò)模型結(jié)果

表9 2002年分類樹(shù)模型結(jié)果

四種模型的中期預(yù)警準(zhǔn)確率分別為62.50%、62.50%、 68.75%和84.38%，分類樹(shù)模型的預(yù)警準(zhǔn)確率仍在80%以上，表現(xiàn)出較好的中期預(yù)警效果。

四、結(jié)論

通過(guò)以上42個(gè)指標(biāo)體系建立分類樹(shù)模型來(lái)進(jìn)行中國(guó)上市公司運(yùn)營(yíng)危機(jī)預(yù)警分析是可行的。分類樹(shù)模型與其他模型相比預(yù)警的準(zhǔn)確率都比較高，說(shuō)明分類樹(shù)模型更有效；預(yù)警準(zhǔn)確率都隨時(shí)間長(zhǎng)度的增加而降低；在建立分類樹(shù)模型時(shí)，對(duì)分類結(jié)果起決定作用的指標(biāo)主要有利息保障倍數(shù)、營(yíng)業(yè)收入凈利潤(rùn)率、總資產(chǎn)凈利潤(rùn)率、財(cái)務(wù)杠桿系數(shù)、經(jīng)營(yíng)杠桿系數(shù)和每股收益。

對(duì)于公司預(yù)警模型的研究還可以在以下幾方面進(jìn)行深入探討：

（1）建立有效的指標(biāo)體系。國(guó)內(nèi)企業(yè)預(yù)警研究用到的指標(biāo)來(lái)自定性研究，一般都沒(méi)有經(jīng)過(guò)主成分分析或時(shí)差檢驗(yàn)，很難符合最小完備集的要求。

（2）加入非財(cái)務(wù)變量。Lee等證明，臺(tái)灣上市公司治理結(jié)構(gòu)與經(jīng)營(yíng)困境相關(guān)。姜秀華等認(rèn)為，弱化的公司治理是中國(guó)上市公司陷入危機(jī)的重要因素?？梢?jiàn)，公司治理與經(jīng)營(yíng)困境關(guān)系的研究備受關(guān)注，但有關(guān)治理變量的選擇及其他因素的影響尚值得研究。

（3）分析企業(yè)陷入經(jīng)營(yíng)困境的影響因素，為中國(guó)公司避免經(jīng)營(yíng)困境提供建議。

（4）定性研究與定量研究相結(jié)合。目前，大部分研究集中于指標(biāo)處理方法和預(yù)警模型等定量研究，少數(shù)關(guān)于預(yù)警原理的研究缺乏深度。尚玉釩和席酉民研究了企業(yè)文化管理與企業(yè)預(yù)警的關(guān)系，為研究財(cái)務(wù)預(yù)警提供了新思路。

（5）開(kāi)展對(duì)預(yù)警系統(tǒng)的評(píng)價(jià)研究。大部分研究忽視對(duì)預(yù)警模型或預(yù)警系統(tǒng)結(jié)論的檢驗(yàn)，尚缺乏關(guān)于預(yù)警系統(tǒng)評(píng)價(jià)的研究。

[1]Altmen E.，F(xiàn)raydman H.，Kao E.D.Introducing recursive partitioning for financial classification： the case of financial distress［J］.Journal of Banking and Finance，1985，（2）：269—291.

[2]Breiman L.Technical note：some properties of splitting criteria［J］.Machine Learning，1996，（1）：41—47.

[3]Bohance M.，Bratko I.Trading accuracy for simplicity in decision tree［J］.Machine Learning，1994，（3）：233—250.

[4]Mark E. Z. Methodological Issues Related to the Estimation ofFinancialDistressPrediction Models［J］. Journal of Accounting Research，1984，（22）：59—82.

[5]張玲.財(cái)務(wù)危機(jī)預(yù)警分析判別模型及其應(yīng)用［J］.預(yù)測(cè)，2000，（6）：38—40.

[6]姚靠華，蔣艷輝.基于決策樹(shù)的財(cái)務(wù)預(yù)警［J］.系統(tǒng)工程，2005，（10）：102—106.

F83

A

1007－905X（2012）06－0052－03

2012-03-07

1.李同正，男，河南人，西安交通大學(xué)管理學(xué)院博士研究生；2.孫林巖（1955— ），男，河北景縣人，管理學(xué)博士，西安交通大學(xué)管理學(xué)院副院長(zhǎng)，教授，博士生導(dǎo)師，研究方向?yàn)橹圃鞈?zhàn)略、工業(yè)工程。

責(zé)任編輯 姚佐軍