
上市公司財(cái)務(wù)危機(jī)預(yù)警機(jī)制如何建立呢,本文以財(cái)務(wù)數(shù)據(jù)為基礎(chǔ),構(gòu)建財(cái)務(wù)危機(jī)預(yù)警模式機(jī)制。
鑒于預(yù)測上市公司財(cái)務(wù)狀況對(duì)企業(yè)管理者及投資者等利益相關(guān)者的重要意義,近幾十年來,對(duì)財(cái)務(wù)危機(jī)預(yù)警問題的探討一直是國內(nèi)外學(xué)者研究的熱點(diǎn)。然而,大多數(shù)研究均將全行業(yè)作為研究對(duì)象,或單獨(dú)對(duì)制造業(yè)進(jìn)行研究,而沒有考慮制造業(yè)中各個(gè)細(xì)分行業(yè)的特點(diǎn)?;诖耍疚倪x取了制造業(yè)中機(jī)械、設(shè)備、儀表行業(yè)這一單獨(dú)行業(yè)作為研究對(duì)象,分別用兩種傳統(tǒng)方法和兩種人工智能方法對(duì)同一樣本數(shù)據(jù)集構(gòu)建模型,通過對(duì)模型結(jié)果的比較分析,得到對(duì)機(jī)械、設(shè)備、儀表行業(yè)更有針對(duì)性的結(jié)論。
一、研究設(shè)計(jì)
(一)樣本的選取
本文將因財(cái)務(wù)狀況異常而被特別處理界定為財(cái)務(wù)危機(jī),而將沒有被實(shí)施特別處理的公司界定為健康公司。對(duì)于危機(jī)樣本,選取深、滬兩市2001年至2012年間首次被實(shí)施特別處理的A股機(jī)械、設(shè)備、儀表行業(yè)的49家上市公司為財(cái)務(wù)危機(jī)樣本。對(duì)于健康樣本,根據(jù)被實(shí)施特別處理的方法可知,用被實(shí)施特別處理前一年或兩年的數(shù)據(jù)來預(yù)測第T年是否被實(shí)施特別處理缺乏意義,因此本文選?。═-3)年的數(shù)據(jù)建模。按照1︰1的配比,對(duì)第T年被實(shí)施ST的危機(jī)樣本,從T-3年非ST的機(jī)械、設(shè)備、儀表行業(yè)的上市公司中挑選與該ST樣本上市時(shí)間相近、資產(chǎn)總額接近的公司作為選取的配對(duì)健康樣本,共選出49家健康公司作為配對(duì)樣本。進(jìn)而,將2001年至2008年選取的74個(gè)樣本作為建模樣本,2009年至2012年選定的24個(gè)樣本作為檢驗(yàn)樣本。
(二)財(cái)務(wù)指標(biāo)的選擇
根據(jù)全面性、易得性等原則,從盈利能力指標(biāo)、償債能力指標(biāo)、成長能力指標(biāo)、營運(yùn)能力指標(biāo)、現(xiàn)金流量指標(biāo)和資本結(jié)構(gòu)指標(biāo)中,共選取了28個(gè)財(cái)務(wù)指標(biāo)作為初始指標(biāo),分別記為X1、X2……X28。
(三)財(cái)務(wù)危機(jī)預(yù)警方法
通過對(duì)選取的樣本用四種方法建模進(jìn)行實(shí)證研究。其中,多元判別和邏輯回歸兩種方法屬于傳統(tǒng)建模方法,BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)屬于人工智能建模方法。
二、實(shí)證結(jié)果與分析
首先利用SPSS 16.0統(tǒng)計(jì)軟件對(duì)建模指標(biāo)進(jìn)行篩選,然后利用數(shù)據(jù)挖掘軟件SPSS Clementine 12.0構(gòu)建多元判別和邏輯回歸兩種傳統(tǒng)模型以及BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)兩種人工智能模型。
(一)建模指標(biāo)的篩選
首先,對(duì)建模樣本的28個(gè)原始指標(biāo)進(jìn)行正態(tài)性K-S檢驗(yàn)。然后,對(duì)符合正態(tài)分布的指標(biāo)進(jìn)行兩獨(dú)立樣本的T檢驗(yàn),而對(duì)不符合正態(tài)分布的指標(biāo)進(jìn)行曼-惠特尼U檢驗(yàn)。從T檢驗(yàn)和曼-惠特尼U檢驗(yàn)的結(jié)果可知,28個(gè)原始指標(biāo)中共有13個(gè)指標(biāo)通過了顯著性檢驗(yàn),可用于構(gòu)建財(cái)務(wù)危機(jī)預(yù)警模型。這13個(gè)指標(biāo)如表1所示。
(二)財(cái)務(wù)危機(jī)預(yù)警模型的建立
首先對(duì)上述得到的13個(gè)指標(biāo)進(jìn)行標(biāo)準(zhǔn)化處理,記Xi標(biāo)準(zhǔn)化處理后的變量為ZXi,以這13個(gè)標(biāo)準(zhǔn)化處理后的變量作為建模變量構(gòu)建財(cái)務(wù)危機(jī)預(yù)警模型。
1.多元判別模型的建立。定義Y為因變量,若樣本為財(cái)務(wù)危機(jī)公司,則Y=1;若樣本為健康公司,則Y=0。構(gòu)建邏輯回歸模型和神經(jīng)網(wǎng)絡(luò)模型時(shí)也采用這種因變量定義方式。利用SPSS 16.0軟件,對(duì)上述經(jīng)過篩選后得到的13個(gè)指標(biāo),采用Stepwise逐步進(jìn)入法建立貝葉斯多元判別模型,得到正常組和危機(jī)組的判別函數(shù)分別為:
Y0=0.452×ZX14+0.287×ZX20-0.828
Y1=-0.452×ZX14-0.287×ZX20-0.828
可見,只有營業(yè)收入增長率X14和流動(dòng)資金周轉(zhuǎn)率X20兩個(gè)變量被選入了模型,且營業(yè)收入增長率對(duì)模型的貢獻(xiàn)率更大。將各樣本的這兩個(gè)財(cái)務(wù)指標(biāo)值代入以上兩式,若Y0大于Y1,則判定該樣本屬于健康公司;否則,屬于財(cái)務(wù)危機(jī)公司。
2.邏輯回歸模型的建立。建立邏輯回歸模型時(shí),變量進(jìn)入模型的策略有強(qiáng)制進(jìn)入、向前篩選和向后篩選三種方式。本文選擇向后篩選策略構(gòu)建邏輯回歸模型,結(jié)果如表2所示。(表略)
從表2可以發(fā)現(xiàn)最終的模型中包含了四個(gè)財(cái)務(wù)比率。另外,從得到的變量重要性結(jié)果可知,對(duì)構(gòu)建邏輯回歸模型最重要的兩個(gè)變量依次是資產(chǎn)凈利率X3和營業(yè)收入增長率X14。由表2可以得到邏輯回歸模型表達(dá)式為:
ln[(P/(1-P))=1.475×ZX1-1.818×ZX3-0.980×ZX14-1.317×ZX18-0.307
即:P=1/[1+exp(-1.475×ZX1+1.818×ZX3+0.980×ZX14+1.317×ZX18+0.307)]
其中,P代表財(cái)務(wù)危機(jī)發(fā)生的概率,將各樣本ZX1、ZX3、ZX14和ZX18的值帶入上式可得到概率P。設(shè)定0.5為最佳分割點(diǎn),若P大于0.5,則判定樣本為財(cái)務(wù)危機(jī)公司;否則,判定為健康公司。
由回歸方程的Hosmer and Lemeshow檢驗(yàn)結(jié)果可知,在最終模型中,Hosmer and Lemeshow統(tǒng)計(jì)量的觀測值為9.213,觀測概率P值為0.325,遠(yuǎn)大于顯著性水平0.05,因此可認(rèn)為由建模樣本實(shí)際得到的分布與預(yù)測值得到的分布沒有顯著差異,模型的擬合度較好。
3.BP神經(jīng)網(wǎng)絡(luò)模型的建立。本文采用快速訓(xùn)練法進(jìn)行建模,輸入層節(jié)點(diǎn)個(gè)數(shù)為13,輸出層節(jié)點(diǎn)個(gè)數(shù)為1。設(shè)置隱含層節(jié)點(diǎn)個(gè)數(shù)為3,指定沖量項(xiàng)Alpha為0.95,高Eta為0.05,其他學(xué)習(xí)率參數(shù)為默認(rèn)設(shè)置。此時(shí),訓(xùn)練樣本的總體判別準(zhǔn)確率為94.60%,預(yù)測樣本總體判別準(zhǔn)確率為70.83%,且該模型對(duì)預(yù)測樣本中危機(jī)樣本的判定準(zhǔn)確率可達(dá)75%,詳見表3。
另外,變量重要性結(jié)果表明,對(duì)所構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型最重要的兩個(gè)變量是營業(yè)收入增長率X14和資產(chǎn)凈利率X3。
4.支持向量機(jī)模型的建立。定義Y為因變量,若樣本是財(cái)務(wù)危機(jī)公司,Y=1;若樣本為健康公司,Y=-1。使用RBF核函數(shù),本文設(shè)置RBFγ=0.15,懲罰系數(shù)C=90,其他參數(shù)為默認(rèn)設(shè)置,對(duì)建模樣本及檢驗(yàn)樣本進(jìn)行預(yù)測,結(jié)果見表4。(表略)
變量重要性結(jié)果表明,對(duì)得到的支持向量機(jī)模型最重要的兩個(gè)變量是資產(chǎn)凈利率X3和營業(yè)收入增長率X14。
(三)結(jié)果分析
本文從各模型對(duì)樣本預(yù)測精度和對(duì)構(gòu)建各模型最重要的指標(biāo)兩方面對(duì)模型進(jìn)行分析。
1.模型預(yù)測精度分析。以上所建四種模型對(duì)建模樣本和檢驗(yàn)樣本的預(yù)測準(zhǔn)確率匯總見表5。(表略)
比較四種模型對(duì)建模樣本預(yù)測準(zhǔn)確率可知,無論是對(duì)總體還是對(duì)單獨(dú)的每一類樣本來說,BP神經(jīng)網(wǎng)絡(luò)的預(yù)測準(zhǔn)確率都是最高的,可達(dá)到90%以上;其次是支持向量機(jī)模型,預(yù)測準(zhǔn)確率也可達(dá)80%;最后是兩種傳統(tǒng)建模方法所構(gòu)建的模型。
比較四種模型對(duì)檢驗(yàn)樣本預(yù)測準(zhǔn)確率,可知用支持向量機(jī)方法構(gòu)建的模型對(duì)檢驗(yàn)樣本的預(yù)測準(zhǔn)確率最高,可達(dá)80%,且該模型對(duì)危機(jī)樣本的預(yù)測準(zhǔn)確率可達(dá)83%,與其他幾種方法構(gòu)建的模型相比準(zhǔn)確率更高。其次,BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測準(zhǔn)確率達(dá)到了70%,而多元判別方法構(gòu)建模型預(yù)測準(zhǔn)確率只有60%。
所以,無論對(duì)建模樣本還是對(duì)檢驗(yàn)樣本,人工智能方法所構(gòu)建模型的預(yù)測準(zhǔn)確率均比傳統(tǒng)方法構(gòu)建模型的準(zhǔn)確率高。
2.重要建模指標(biāo)比較。由各模型變量重要性結(jié)果可知,資產(chǎn)凈利率X3和營業(yè)收入增長率X14這兩個(gè)變量對(duì)幾種模型的構(gòu)建均有重要作用,是判斷機(jī)械、設(shè)備、儀表行業(yè)上市公司財(cái)務(wù)狀況優(yōu)劣的重要指標(biāo)。
三、結(jié)論
本文針對(duì)機(jī)械、設(shè)備、儀表行業(yè)74家上市公司(T-3)年的財(cái)務(wù)數(shù)據(jù),分別用四種方法構(gòu)建了財(cái)務(wù)危機(jī)預(yù)警模型,并對(duì)所構(gòu)建模型的預(yù)警精度和建模變量進(jìn)行了比較分析。研究發(fā)現(xiàn):第一,人工智能方法所構(gòu)建模型的預(yù)測準(zhǔn)確率比傳統(tǒng)方法構(gòu)建模型的準(zhǔn)確率高。第二,資產(chǎn)凈利率X3和營業(yè)收入增長率X14這兩個(gè)變量對(duì)四種模型的構(gòu)建均有重要作用,是區(qū)分機(jī)械、設(shè)備、儀表行業(yè)上市公司財(cái)務(wù)狀況優(yōu)劣的重要指標(biāo)。