基于多層感知器的財務(wù)風(fēng)險預(yù)警研究

張漫漫+盧靜

摘要：本文以北京市45家已上市的工業(yè)企業(yè)作為研究樣本，選取2012—2014年的18項(xiàng)財務(wù)指標(biāo)和非財務(wù)指標(biāo)，在主成分分析的基礎(chǔ)上，提取了7項(xiàng)主成分因子，構(gòu)建財務(wù)風(fēng)險預(yù)警的指標(biāo)體系，最后運(yùn)用多層感知器神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練、測試。實(shí)證結(jié)果表明，該種預(yù)警方式對中等風(fēng)險的樣本預(yù)測準(zhǔn)確，總體上能提供可靠的預(yù)警信息，并對北京市上市的工業(yè)企業(yè)進(jìn)行有效的財務(wù)風(fēng)險預(yù)警。

關(guān)鍵詞：企業(yè)管理 財務(wù)風(fēng)險預(yù)警 多層感知器 主成分分析

一、引言

工業(yè)企業(yè)從事的是工業(yè)性生產(chǎn)或勞務(wù)的經(jīng)營活動，在國家的生產(chǎn)、流通、服務(wù)等經(jīng)濟(jì)活動中起到了重要作用，但在知識經(jīng)濟(jì)迅猛發(fā)展的時代，高新技術(shù)企業(yè)和第三企業(yè)的崛起，使得工業(yè)企業(yè)在投資融資甚至生產(chǎn)經(jīng)營上都受到了較大的財務(wù)威脅，因此要加強(qiáng)對工業(yè)企業(yè)的財務(wù)預(yù)警，從而為企業(yè)的信息使用者提供及時有效的財務(wù)信息，預(yù)防企業(yè)可能出現(xiàn)的風(fēng)險，保障股東的權(quán)益和市場穩(wěn)定。

首先在財務(wù)風(fēng)險預(yù)警領(lǐng)域樹立里程碑的是Beaver（1966），他利用單變量對企業(yè)破產(chǎn)進(jìn)行預(yù)測，局限性是對同一企業(yè)的風(fēng)險進(jìn)行預(yù)測時，選擇的比率不同，得到的結(jié)果也可能有所不同。美國學(xué)者Edward Altman在1968年提出了多元變量Z-score模型，突破了單變量的研究。之后學(xué)者們紛紛利用多變量財務(wù)預(yù)警模型進(jìn)行研究，但在1980年學(xué)者Ohlson首次采用Logistic方法預(yù)測財務(wù)風(fēng)險。進(jìn)入20世紀(jì)90年代，出現(xiàn)了基于神經(jīng)網(wǎng)絡(luò)的財務(wù)風(fēng)險預(yù)警模型，得到的結(jié)果比較理想。隨后一些新的方法如：支持向量機(jī)、期權(quán)定價模型也被運(yùn)用到財務(wù)風(fēng)險預(yù)警的分析中。我國的財務(wù)風(fēng)險預(yù)警研究起步較晚，周首華、楊濟(jì)華（1996）把現(xiàn)金流量指標(biāo)引入到Z分?jǐn)?shù)模型中，提出了新的模型—— F分?jǐn)?shù)模型。陳瑜（2000）運(yùn)用二元線性回歸和主成分分析對上市公司財務(wù)預(yù)警模型的構(gòu)建進(jìn)行實(shí)證研究。姜秀華、孫錚（2001）則運(yùn)用Logistic建立回歸判別模型。隨后的財務(wù)風(fēng)險預(yù)警研究采用了新的方法——神經(jīng)網(wǎng)絡(luò)，如： BP神經(jīng)網(wǎng)絡(luò)（楊淑娥、黃禮，2005），模糊神經(jīng)網(wǎng)絡(luò)混合模型（梁杰，2006），遺傳神經(jīng)網(wǎng)絡(luò)（蔡志岳、吳世農(nóng)，2006），RBF神經(jīng)網(wǎng)絡(luò)對物流企業(yè)財務(wù)風(fēng)險預(yù)警的評價（劉磊、郭巖，2012）等。隨著多學(xué)科的交流融合，也出現(xiàn)了其他的模型，如2015年藍(lán)莎運(yùn)用系統(tǒng)動力學(xué)對財務(wù)系統(tǒng)進(jìn)行結(jié)構(gòu)—功能模擬，建立了財務(wù)風(fēng)險預(yù)警體系。

總體來看，多元判別分析、Logistic和人工神經(jīng)網(wǎng)絡(luò)是主要的預(yù)測方法，三者之中預(yù)測度最高的是人工神經(jīng)網(wǎng)絡(luò)，最差的是多元判別模型。目前文獻(xiàn)對工業(yè)企業(yè)的財務(wù)風(fēng)險預(yù)警研究較少，本文選取北京市工業(yè)企業(yè)與財務(wù)風(fēng)險有關(guān)的財務(wù)與非財務(wù)數(shù)據(jù)，并引入人工神經(jīng)網(wǎng)絡(luò)中相對完善、易于操作的多層次感知器，構(gòu)建財務(wù)風(fēng)險預(yù)警體系。

二、數(shù)據(jù)樣本的確定

（一）樣本預(yù)警指標(biāo)選取

本文研究對象是北京市45家在上海證券交易所上市的A股工業(yè)企業(yè)，并通過csmar數(shù)據(jù)庫收集2012—2014年這些公司的相關(guān)指標(biāo)。選取的指標(biāo)既包括了反映企業(yè)償債能力、盈利能力、經(jīng)營能力和發(fā)展能力四個方面的財務(wù)指標(biāo)，也涵蓋了相關(guān)非財務(wù)指標(biāo)，如股權(quán)集中度和獨(dú)立董事比例，總計18項(xiàng)預(yù)警指標(biāo)，如表1所示。

（二）財務(wù)風(fēng)險劃分

由于45家北京市工業(yè)企業(yè)被ST特殊處理的情況較少，且標(biāo)記為ST發(fā)生在出現(xiàn)財務(wù)危機(jī)之后，很難對企業(yè)風(fēng)險預(yù)警產(chǎn)生前瞻性影響，而且財務(wù)風(fēng)險的發(fā)生是一個漸進(jìn)的過程，上市公司的財務(wù)狀況在不加以控制的情況下會由輕度財務(wù)危機(jī)轉(zhuǎn)換為重度財務(wù)危機(jī)。所以本文將財務(wù)風(fēng)險按照以下標(biāo)準(zhǔn)將其細(xì)分為低風(fēng)險、中等風(fēng)險和重大風(fēng)險。如果當(dāng)年的凈利潤不為負(fù)時，表明上市公司的財務(wù)風(fēng)險為低風(fēng)險;當(dāng)年首次出現(xiàn)凈利潤為負(fù)，則表明上市公司為中等財務(wù)風(fēng)險水平;當(dāng)年為第二次出現(xiàn)凈利潤為負(fù)時，則表明財務(wù)風(fēng)險水平很高，歸類為重大風(fēng)險。根據(jù)上述標(biāo)準(zhǔn)，將2012—2014年45家公司共135個樣本劃分為三類，其中：低風(fēng)險有120個，中等風(fēng)險為10個，重大風(fēng)險為5個。

三、實(shí)證檢驗(yàn)

（一）KMO檢驗(yàn)與Bartlett球度檢驗(yàn)

在收集到以上45家工業(yè)上市公司近三年18項(xiàng)指標(biāo)數(shù)據(jù)后，對原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，以消除不同指標(biāo)間的量綱差異。在此基礎(chǔ)上為判斷135個樣本數(shù)據(jù)是否能進(jìn)行主成分分析，首先對標(biāo)準(zhǔn)化后的數(shù)據(jù)進(jìn)行KMO檢驗(yàn)與Bartlett球度檢驗(yàn)，如表2所示，其中KMO值為0.678，大于0.6，適合做主成分分析;Bartlett球度檢驗(yàn)的顯著性概率為0，說明變量具有統(tǒng)計學(xué)意義，而且表現(xiàn)出高度的相關(guān)性和顯著性。

（二）主成分因子的提取

為了對財務(wù)風(fēng)險預(yù)警進(jìn)行更加有效的分析，需要減少變量的個數(shù)，分析2012—2014年共135個樣本數(shù)據(jù)的18項(xiàng)預(yù)警指標(biāo)，利用SPSS軟件進(jìn)行因子分析，提取主成分因子，如表3所示。在特征值大于1時，共提取7個主成分因子，這7個主成分因子的累計方差貢獻(xiàn)率達(dá)到75.9%，能反映18個變量四分之三的信息。設(shè)主成分因子為Fi（i=1，2， …，7），做成分矩陣（如表4所示），可以進(jìn)一步分析主成分Fi所代表的能力和它反映的有關(guān)上市公司的財務(wù)信息。

主成分因子F1中資產(chǎn)報酬率、每股收益、營業(yè)凈利率的比重較大，說明F1主要反映公司的盈利能力;F2中所有者權(quán)益增長率和凈利潤增長率所占的比重大，代表公司的發(fā)展能力;F3中反映償債能力的指標(biāo)比重較大，說明F3主要變現(xiàn)為償債能力;F4中非財務(wù)指標(biāo)的獨(dú)立董事比例比重最大，則把公共因子看成股權(quán)結(jié)構(gòu)因子;F5中總資產(chǎn)周轉(zhuǎn)率的比重最大，代表整體營運(yùn)能力;F6中綜合杠桿的比重最大，反映了風(fēng)險水平能力;F7中營運(yùn)能力的應(yīng)收賬款周轉(zhuǎn)率和存貨周轉(zhuǎn)率指標(biāo)所占的比重大，F(xiàn)7代表日常營運(yùn)能力因子。這7個因子涉及到財務(wù)和非財務(wù)的相關(guān)信息，比較全面地反映出財務(wù)風(fēng)險的各種因素。

（三） MLP風(fēng)險預(yù)警模型的構(gòu)建及實(shí)證結(jié)果

多層感知器（MLP）是一種多層前饋網(wǎng)絡(luò)模型，具有高度的非線性映射能力，它由三部分組成：一層為感知單元組成的輸入層;一層為（或多層）計算節(jié)點(diǎn)的隱藏層;一層為計算節(jié)點(diǎn)的輸出層。

本文運(yùn)用SPSS軟件，首先將七個主成分因子代表初始的18項(xiàng)指標(biāo)，代入神經(jīng)網(wǎng)絡(luò)的多層感知器，作為協(xié)變量，風(fēng)險程度作為因變量。其次在分區(qū)中，按照七比三的比例隨機(jī)分配個案，即135個樣本中70%作為訓(xùn)練變量，30%作為測試變量。其中訓(xùn)練變量中重大風(fēng)險的樣本為3個，中等風(fēng)險的樣本數(shù)為8個，低風(fēng)險的樣本數(shù)為86個;測試變量中包含重大風(fēng)險的樣本2個，中等風(fēng)險的樣本數(shù)為2個，低風(fēng)險的樣本數(shù)為34個。然后在體系結(jié)構(gòu)中，設(shè)置最低的隱藏層數(shù)為1，分批進(jìn)行培訓(xùn)操作時，選擇調(diào)整的共軛梯度對算法進(jìn)行優(yōu)化。最后可以輸出ROC曲線分析準(zhǔn)確性和特異性，判斷對財務(wù)風(fēng)險的預(yù)警能力。

MLP對財務(wù)風(fēng)險預(yù)警識別結(jié)果如表5所示，已預(yù)測與已觀測的樣本相比，在訓(xùn)練變量中，有三個樣本其實(shí)屬于重大風(fēng)險，卻預(yù)測為中等風(fēng)險，準(zhǔn)確率為0，中等風(fēng)險和低風(fēng)險全部預(yù)測準(zhǔn)確，總體來看，訓(xùn)練變量的正確率為96.9%;在測試變量中，重大風(fēng)險有2個在預(yù)測的中等風(fēng)險水平中，總計的測試變量的準(zhǔn)確率為94.7%。由此得出綜合正確率為95.8%，其中低風(fēng)險預(yù)測準(zhǔn)確率為100%，說明多層感知器對低風(fēng)險能較好的預(yù)測;誤判均發(fā)生在將重大風(fēng)險歸類到中等風(fēng)險，究其原因可能是重大風(fēng)險與中等風(fēng)險劃分不明確，且在第一年出現(xiàn)凈利潤為負(fù)時，第二年要想轉(zhuǎn)虧為盈的難度也很大，或者即使利潤為正，為彌補(bǔ)去年差異最后的凈利潤數(shù)額也較小，這樣造成重度風(fēng)險和中度風(fēng)險的差異不大，利用多層感知器預(yù)測時會產(chǎn)生偏差。

四、結(jié)論

為了使工業(yè)企業(yè)對財務(wù)風(fēng)險進(jìn)行預(yù)先的測定和防范，減少風(fēng)險到來時企業(yè)的損失，本文根據(jù)45家北京市工業(yè)企業(yè)的財務(wù)數(shù)據(jù)，運(yùn)用多層感知器神經(jīng)網(wǎng)絡(luò)對工業(yè)企業(yè)財務(wù)風(fēng)險展開評價研究。

首先按照一定標(biāo)準(zhǔn)，劃分樣本所面臨的財務(wù)風(fēng)險大小，其次利用主成分分析，建立了較為全面的財務(wù)風(fēng)險預(yù)警評價體系，包含了盈利能力、償債能力、發(fā)展能力、風(fēng)險水平、股權(quán)結(jié)構(gòu)、整體和日常營運(yùn)能力等七個指標(biāo)，其中股權(quán)結(jié)構(gòu)等經(jīng)過量化的非財務(wù)指標(biāo)引入有利于全面反映財務(wù)信息。在此基礎(chǔ)上結(jié)合基于多層感知器的神經(jīng)網(wǎng)絡(luò)技術(shù)構(gòu)建財務(wù)風(fēng)險預(yù)警模型，實(shí)證結(jié)果表明，該模型綜合正確百分比較高，對中等風(fēng)險的公司財務(wù)風(fēng)險預(yù)測也較為準(zhǔn)確，可以為工業(yè)企業(yè)財務(wù)風(fēng)險預(yù)警提供借鑒信息。鑒于模型進(jìn)行實(shí)證分析，可以避免人工預(yù)測帶來的主觀影響，保證評價結(jié)果的客觀性、準(zhǔn)確性。

本文研究的不足是樣本只限于北京市在上海證券交易所上市的A股工業(yè)企業(yè)，樣本量較少，特別是按標(biāo)準(zhǔn)劃分后的重大風(fēng)險和中等風(fēng)險的公司數(shù)量較少，導(dǎo)致多層感知器訓(xùn)練不充分，影響到測試結(jié)果的準(zhǔn)確性。Z

參考文獻(xiàn)：

[1]郭文偉，陳澤鵬，鐘明.等.基于MLP神經(jīng)網(wǎng)絡(luò)構(gòu)建小企業(yè)信用風(fēng)險預(yù)警模型[J].財會月刊，2013，（3）.

[2]曹彤，郭亞軍. 基于神經(jīng)網(wǎng)絡(luò)模型的上市公司財務(wù)風(fēng)險預(yù)警研究[J].財會通訊，2014，（3）.

[3]郭華.關(guān)于國有企業(yè)建立財務(wù)風(fēng)險預(yù)警機(jī)制的探討[J].商業(yè)會計，2014，（17）.