【作 者】
王 藝1，姚正海2（教授）
【作者單位】
江蘇師范大學商學院，江蘇徐州221116
【摘 要】
【摘要】本文以2015年A 股制造業(yè)上市公司為研究對象，選取反映企業(yè)償債能力、經營能力等六個方面的27個指標構建預警指標體系，并運用T值顯著性檢驗和因子分析法對預警指標進行約簡。在此基礎上，本文利用Logistic回歸、決策樹和 BP神經網(wǎng)絡分別構建財務預警模型，并對各個模型的優(yōu)缺點及預測結果進行比較分析。研究結果表明：隨著ST發(fā)生時間的臨近，預警準確率總體呈上升趨勢；從中長期來看，決策樹和 BP神經網(wǎng)絡模型的預測能力優(yōu)于Logistic回歸模型；從短期來看，三種模型的預測能力沒有顯著差異。
【關鍵詞】財務預警；因子分析；Logistic回歸；決策樹；BP神經網(wǎng)絡
【中圖分類號】F224 【文獻標識碼】A 【文章編號】1004-0994（2016）21-0049-7一、引言
隨著國際經濟一體化的步伐加快，上市公司在把握改革和發(fā)展機遇的同時，也面臨著更加激烈的競爭和更大的風險。多數(shù)企業(yè)往往面臨的是生存問題，然后才是發(fā)展問題。因此，企業(yè)有必要建立財務預警系統(tǒng)，在危機到來之前向企業(yè)經營者發(fā)出警告，把危機消滅在萌芽狀態(tài)。但是，如何從企業(yè)經營管理產生的大量業(yè)務數(shù)據(jù)中挖掘出對企業(yè)財務危機有預警作用的信息呢？這是上市公司亟待解決的一個重要問題。數(shù)據(jù)挖掘技術的不斷發(fā)展和成熟運用正好解決了這一問題，它能夠從企業(yè)大量的業(yè)務數(shù)據(jù)中提取并高度自動化地分析數(shù)據(jù)，進而幫助決策者做出正確的決策。
本文以制造業(yè)上市公司為研究對象，利用傳統(tǒng)的Logistic回歸方法及數(shù)據(jù)挖掘技術中常用于預測模型的決策樹和 BP神經網(wǎng)絡分別構建財務預警模型，并對不同預測模型的優(yōu)缺點以及預測結果進行比較分析，以期為制造業(yè)上市公司提供切實可行的財務預警方法。
二、文獻綜述
（一）財務危機的界定
國外的研究通常將財務危機定義為破產，如 Altman（1968）、Tzong-Huei Lin（2009）、Jia-Jane Shuai（2005）。國內對于財務危機的界定絕大多數(shù)以被ST 為標準。這主要是由于我國特殊的國情，上市公司鮮有破產者，如果以此作為危機的標準，難以獲取樣本數(shù)據(jù)。對此，不少學者提出了質疑，吳興澤（2011）認為，被特別處理不能等同于財務危機，公司被ST只是公司經營不善的一個信號。本文認為，在現(xiàn)有以財務指標對財務危機進行預警研究的大框架下，使用ST和非ST作為區(qū)分財務危機樣本與非財務危機樣本的標準也未嘗不可。因為，無論被ST還是破產，都是企業(yè)希望避免的。
（二）財務預警模型研究現(xiàn)狀
用于建立財務預警模型的方法可分為兩大類：統(tǒng)計分析方法和數(shù)據(jù)挖掘技術。Altman（1968）最早將多元線性判別方法引入財務風險預警領域創(chuàng)立了Z值模型，預測準確率高達95%。但是，Z值模型要求預警變量符合聯(lián)合正態(tài)分布，而現(xiàn)實中大多數(shù)企業(yè)的財務指標難以滿足這一要求。為克服這一缺陷，以Ohlson（1980）為代表的學者提出采用Logistic回歸判別方法來提高財務風險的預警能力。
國內學者陳靜（1999）最先致力于財務困境預測的研究，為考察國外的預測模型是否能夠有效地應用于國內市場，文章同時建立了一元判定模型和多元線性判定模型。吳世農、盧賢義（2001）分別使用單變量判定模型、多元線性判定模型和Logistic回歸分析三種方法建立預測模型，結果發(fā)現(xiàn)Logistic回歸模型的誤判率最低，在前一年僅為6.47%。
隨著數(shù)據(jù)挖掘技術的發(fā)展，部分學者開始把知識發(fā)現(xiàn)類數(shù)據(jù)挖掘技術應用到財務預警領域。 例如，Wilson 和 Sharda（1994）運用神經網(wǎng)絡模型對意大利企業(yè)的財務危機進行判斷，準確率高達97%。馬若微（2005）運用粗糙集與信息熵原理分行業(yè)建立了上市公司財務困境模型，并將現(xiàn)金流量指標引入預警模型。姚靠華、蔣艷輝（2005）應用決策樹技術建立了中國上市公司的財務風險預警系統(tǒng)，結果表明該模型具有較好的預測性。李艷玲、宋喜蓮（2014）在Z-SCORE財務預警模型的基礎上，利用數(shù)據(jù)挖掘時序分析方法，對預測結果進行數(shù)據(jù)分析，結果表明該方法的判斷正確率達到80%。
張亮、張玲玲（2015）引入信息融合技術對不同數(shù)據(jù)挖掘方法得到的結果進行融合處理，發(fā)現(xiàn)該方法下的預測準確率要高于單獨的支持向量機和Logistic回歸兩種方法。
綜觀國內外研究成果，在構建財務預警模型的過程中，還存在以下兩方面的問題：①在選取樣本上沒有劃分行業(yè)。由于我國市場經濟的區(qū)域和行業(yè)發(fā)展并不平衡，各行業(yè)的市場競爭程度存在差異，各類企業(yè)的會計處理方法和會計政策選擇也不同，因此建立財務預警模型應區(qū)別行業(yè)的類型分別進行研究。②建模方法單一。國內的研究大部分使用的是傳統(tǒng)統(tǒng)計分析方法，近年來也有學者致力于將數(shù)據(jù)挖掘技術引入財務預警領域，但是鮮有學者利用傳統(tǒng)統(tǒng)計分析方法與數(shù)據(jù)挖掘技術同時建模。
為了克服以上缺陷，本文以制造業(yè)上市公司為研究對象，利用傳統(tǒng)的Logistic 回歸方法及數(shù)據(jù)挖掘技術中常用于預測模型的決策樹和 BP神經網(wǎng)絡分別構建財務預警模型，以期為公司提供最優(yōu)的財務預警方法。
三、研究樣本與財務預警指標體系構建
（一）研究樣本
1. 數(shù)據(jù)樣本的選取。本文選取2015年A 股中制造業(yè)上市公司為研究對象。之所以選擇制造業(yè)，是因為截至2015年12月，全部A股上市公司中制造業(yè)上市公司占公司總數(shù)的63.2%，據(jù)此建立的財務預警模型適用范圍較廣。本文在原始樣本的基礎上，剔除因其他狀況異常被特別處理的公司和前五年數(shù)據(jù)缺失的上市公司，最終得到39家被ST公司和922家正常公司。
2. 時間跨度的選擇。為了從中長期和短期的角度全面探討預警模型的預測能力，本文在選擇預警時段時，將樣本數(shù)據(jù)的收集時間延伸至公司被ST的前5年，定義上市公司被 ST 當年為T年。根據(jù)我國上市公司信息披露制度，ST公司發(fā)生財務危機的實際年份應該是其被ST的前一年?？梢?，用T-1 年的財務數(shù)據(jù)來預測 T 年是否發(fā)生財務危機沒有實踐價值。因此，本文最終確定的數(shù)據(jù)時間跨度為 T-6年至T-2年，即利用2009 ~ 2013年的數(shù)據(jù)對公司2015年是否會被特別處理進行預測。
（二）財務預警指標體系的建立
為全面反映企業(yè)的財務狀況，本文選取了反映企業(yè)償債能力、經營能力、盈利能力、現(xiàn)金流水平、風險水平及發(fā)展能力這六個方面的 27個指標構建初始預警指標體系，具體如表1所示。
四、制造業(yè)上市公司財務預警的實證檢驗
（一）財務預警指標體系的約簡
1. 制造業(yè)上市公司財務預警指標的顯著性檢驗。本文通過T值顯著性檢驗，分析被特別處理的公司與正常公司之間各年度財務指標的平均值是否存在顯著差異，進而對所選擇的財務預測指標進行篩選。T檢驗建立的原假設（H0）為：被ST公司與正常公司在該財務指標上沒有差別。各預測年度T檢驗結果如表2所示：
當P值（Sig.）顯示為0.000或小于0.05時，檢驗結果有統(tǒng)計學意義，統(tǒng)計結論為按α=0.05的標準拒絕原假設，即被ST公司與正常公司在該財務指標上存在顯著性差異。
（1）總體來看，被ST 公司與正常公司在 T-6年至T-2 年分別有11、12、13、16、15個財務指標有顯著差異?？梢姡S著距離上市公司被特別處理的時間臨近，具有顯著性差異的預測指標數(shù)量呈上升趨勢。有四項指標在五個預測年度均沒有通過顯著性檢驗，表明這四項預測指標在兩類公司之間始終沒有差異，分別為：X4（利息保障倍數(shù)）、X7（應收賬款周轉率）、X9（流動資產周轉率）、X27（每股凈資產增長率）。因此，將這四項指標從預測指標體系中剔除。
（2）在償債能力方面，ST公司短期和長期償債能力明顯不如非 ST 公司，尤其是反映短期償債能力的流動比率和速動比率，連續(xù)五年低于非ST公司。在經營能力方面，存貨周轉率在發(fā)生財務危機的早期并沒有表現(xiàn)出差異，而是在公司被ST處理的前兩年出現(xiàn)異常。在盈利能力方面，ST公司的盈利能力相對較差。綜合性比較強的資產報酬率和凈資產收益率兩個指標表現(xiàn)尤為明顯。在現(xiàn)金流方面，除距離被ST處理時間最長的T-6年（2009年），其余四年ST 公司現(xiàn)金流動性均低于非 ST 公司。在風險水平方面，除T-3年（2012年），其余各年反映風險水平的財務指標均沒有明顯差異。因此，將風險水平納入預警指標體系，可能并不具有理論上的可行。在發(fā)展能力方面，除凈利潤增長率外，其余預測指標均在多個年度存在顯著差異，說明發(fā)展能力不足是上市公司被特別處理的重要影響因素。
基于以上分析，本文剔除了五年中均沒有顯著差異的指標和反映風險水平的指標，最終保留X1、X2、X3、X5、X6、X8、X10、X11、X12、X13、X14、X15、X17、X18、X19、X23、X25、X26共計18個預測指標作為進一步分析的變量。
2. 因子分析提取模型自變量。經過顯著性檢驗，本文保留了18個預測指標。但是這些指標間存在較強的相關關系，如果直接作為自變量納入模型，不但模型復雜，還會因為變量間存在的多重共線性而引起較大的誤差。因此考慮利用因子分析法提取變量信息，減少分析維度，使問題更加簡單直觀。
（1）確定變量結構是否適合應用因子分析法。本文采用KMO檢驗和Bartlett球形檢驗來判斷變量結構是否適合采用因子分析法。各年度檢驗結果如表3所示：
由Bartlett球形檢驗可以看出，P值（Sig.）均小于0.05，說明變量間具有較強的相關性。但是KMO統(tǒng)計量均小于0.7，說明各變量間信息重疊程度可能不是特別高，仍然值得嘗試。綜合以上兩種檢驗結果，可認為本文的變量結構適合運用因子分析法。
（2）確定公因子。以樣本公司T-2年（2013年）的數(shù)據(jù)為例，運用主成分分析法，依據(jù)特征值大于1的原則，提取了6個公因子，6個主成分的累計方差貢獻率達到67.11%，基本包含了全部測量指標所具有的主要信息。具體結果如表4所示：
提取公共因子的同時，可得到初始因子載荷矩陣。但初始因子模型的載荷矩陣往往難以對公因子做出合理的解釋。此時，可以對初始因子載荷矩陣進行旋轉，旋轉后的因子載荷矩陣如表5所示。
為了使結果更清晰易懂，表格按照系數(shù)大小進行了排序，并且過小的系數(shù)（絕對值小于0.3）被抑制輸出。由表5可以看出：公因子F1在指標營業(yè)凈利率、資產報酬率、總資產凈利潤率上有較大的載荷，它們主要反映了上市公司的盈利能力，可以命名為盈利因子。同理，公因子F2至公因子F6可分別命名為短期償債因子、發(fā)展因子、長期償債因子、經營因子、現(xiàn)金流因子。提取結果表明，應用因子分析法所提取的公因子不僅包括原始的償債、經營、盈利、現(xiàn)金流和發(fā)展能力五個方面，而且將償債能力進一步區(qū)分為短期償債能力和長期償債能力。這樣既降低了分析維度，又使得提取的信息含義更加清晰。
基于上述分析結果，可得到用來代替27個原始變量的6個新變量，即最終取F1（盈利因子）、F2（短期償債因子）、F3（發(fā)展因子）、F4（長期償債因子）、F5（經營因子）、F6（現(xiàn)金流因子）作為財務預警模型的自變量。
（二）預警模型分析
本文以樣本公司是否為ST 公司為因變量，以因子分析模型提取的 6個公因子為自變量，以公司被特別處理前五年的數(shù)據(jù)為基礎，利用Logistic回歸、決策樹和BP神經網(wǎng)絡分別建模如下：
1. 二分類Logistic回歸模型。
（1）模型擬合優(yōu)度分析。Logistic模型可通過-2倍的對數(shù)似然值來表示模型的擬合效果，其值越小，說明模型的擬合效果越好。各個預測年度模型的擬合效果如表6所示。從模型的擬合優(yōu)度來看，在T-5年至T-2年，-2 對數(shù)似然值越來越小，說明隨著距離公司被ST的時間越短，Logistic模型的擬合效果越好。
Cox & Snell R2和Nagelkerke R2從不同的角度反映了當前模型中自變量解釋的因變量變異占因變量總變異的比例，類似線性回歸模型中的決定系數(shù)，從表6中可以看出，Cox & Snell R2和Nagelkerke R2值 T-2>T-3>T-4>T-5，說明在T-2年，自變量對因變量的解釋能力最強。
（2）模型檢驗結果。模型檢驗結果如表7所示。
2. 基于C&RT算法的決策樹模型。（1）模型的建立。C&RT是目前應用最廣泛的決策樹模型算法，適用于任意類型的變量。本文首先采用C&RT算法將樣本公司分成多個亞群。以T-2年的數(shù)據(jù)為例，生成的決策樹模型如圖1所示：可見，根節(jié)點中ST公司所占比例為4%。模型的第一層是按照短期償債因子進行拆分，拆分點為是否超過-4.07，短期償債因子低于-4.07的上市公司，全部為ST公司，超過-4.07的余下公司中，ST公司占比下降為3.7%。以此類推，不斷重復分枝，獲得越來越純的節(jié)點樣本。利用決策樹模型進行預測時，可歸納出希望預測的目標類別的特征屬性。例如，節(jié)點1、節(jié)點6、節(jié)點7中ST公司占比均為100%，那么該節(jié)點即代表了ST類公司，沿著樹的路徑走回根節(jié)點，沿路所經過的節(jié)點的屬性即為大多數(shù) ST 公司所共有的屬性。
（2）模型的預測結果。決策樹模型的預測結果如表8所示：
3. BP神經網(wǎng)絡模型。在結構上，神經網(wǎng)絡包括輸入層、輸出層和隱含層：輸入層的每個節(jié)點對應各預測變量，相當于統(tǒng)計學中的自變量；輸出層節(jié)點對應目標變量，其信號強弱相當于因變量預測結果；在輸入層和輸出層之間是隱含層，相當于統(tǒng)計學中采用的統(tǒng)計模型（對神經網(wǎng)絡使用者不可見）。信息由輸入層向輸出層不斷傳遞，中間神經元根據(jù)某種不可知的準則不斷調整對接收信號的處理方式，最終使輸出層得到想要的信息。以T-2年（2013年）為例，圖2為所建立的BP神經網(wǎng)絡模型：
該模型輸入層納入了6個神經元，即因子分析提取的6個公因子，隱含層中包括了三個隱單元，相應的兩分類因變量以兩個節(jié)點的形式構成了輸出層。圖中相鄰兩個節(jié)點兩兩鏈接，連接線的粗細代表權重絕對值的大小，從圖中可以看出，自變量F1、F3對模型的貢獻明顯比較大，并且通過隱含層的H（1∶1）節(jié)點和輸出層的ST=0有較強的鏈接權重，這提示自變量F1、F3對應的盈利因子和發(fā)展因子在兩類企業(yè)中區(qū)分度較大。
為防止過度擬合，本文按照7∶3的比例將總樣本拆分成訓練集和驗證集，并重點關注驗證集的預測結果。樣本的預測分類結果如表9所示：
4. 模型評價。
（1）模型比較。由上述分析可知，Logistic 回歸、決策樹和BP神經網(wǎng)絡在實際應用中各有優(yōu)缺點，具體如表10所示：
從預測模型固有的優(yōu)缺點來看，具體選擇哪個模型要根據(jù)研究目的而定。如果研究目的是深入探討企業(yè)發(fā)生財務危機的原因，可選擇Logistic回歸模型，自動篩選出對企業(yè)陷入財務困境有影響作用的自變量；如果研究目的是探討發(fā)生財務危機企業(yè)共有的特征，可以考慮決策樹模型，從目標類別所在節(jié)點，沿著樹的路徑走回根節(jié)點，沿路所經過的節(jié)點的屬性即為大多數(shù) ST 公司所共有的屬性；如果企業(yè)只是想預測是否會發(fā)生財務危機這個結果，而不關心中間的過程，可以選擇BP神經網(wǎng)絡模型。
（2）模型預測結果對比分析。根據(jù)上述研究結果，可匯總三種模型預測的準確率，如表11所示：
整體來看，采用 Logistic 回歸、決策樹和BP神經網(wǎng)絡構建的預警模型對ST發(fā)生前2 ~ 6年的數(shù)據(jù)進行財務預警具有一定的正確性，并且隨著ST發(fā)生時間的臨近，預警準確率呈上升趨勢。
從各年預測準確率來看，基于數(shù)據(jù)挖掘技術的決策樹和BP神經網(wǎng)絡模型準確率要優(yōu)于傳統(tǒng)統(tǒng)計分析的 Logistic回歸模型，尤其是在預測的早期。在T-6年，BP神經網(wǎng)絡模型的準確率最高，為85%；其次是決策樹模型，為76.3%；Logistic回歸模型準確率最低，僅為70.1%。隨著ST發(fā)生時間的臨近，決策樹和BP神經網(wǎng)絡模型在準確率上的優(yōu)勢逐漸消退，在T-2年，甚至低于 Logistic回歸模型的準確率。這說明BP神經網(wǎng)絡和決策樹方法適合應用于長期預警，Logistic回歸則更適合應用于短期預警。
五、結論
本文以制造業(yè)上市公司為研究對象，利用Logistic 回歸、決策樹和 BP神經網(wǎng)絡分別構建了財務預警模型，根據(jù)預測結果得出以下研究結論：
從適用范圍來講，Logistic回歸模型適用于深入探討企業(yè)發(fā)生財務危機的原因；決策樹模型適用于研究發(fā)生財務危機企業(yè)共有的特征；BP神經網(wǎng)絡模型適用于直接判斷企業(yè)是否會發(fā)生財務危機。
從預測能力來看，決策樹和 BP神經網(wǎng)絡模型早期的預測能力優(yōu)于Logistic回歸模型，隨著ST發(fā)生時間的臨近，這種優(yōu)勢逐漸弱化。短期內，三種模型的預測能力不相上下，在企業(yè)被特別處理的前兩年，三者準確率均在85%以上。
綜上可知，Logistic回歸、決策樹和BP神經網(wǎng)絡在判斷制造業(yè)上市公司的財務狀況方面，均具有一定的應用價值。企業(yè)在實際建立財務預警系統(tǒng)時，可根據(jù)預警模型的特點和本企業(yè)的預警偏好，選擇合適的模型。
主要參考文獻：
Altman E. I.．Financial Ratios Discriminant Analysis and the Prediction of Corporate Bankruptcy［J］．The Journal of Finance，1968（9）．
Tzong-Huei Lin. A Cross Model Study of Corporate Financial Distress Prediction in Taiwan： Multiple Discriminant Analysis， Logit， Probit and Neural Networks Models［J］． Neurocomputing，2009（16）．
Jia-Jane Shuai， Han-Lin Li. Using Rough Set and Worst Practice DEA in Business Failure Prediction［J］．Lecture Notes in Computer Science，2005（10）．
吳星澤．財務預警的非財務觀［J］．當代財經，2010（4）．
Ohlson J. A.．Financial Ratios and the Probabilistic Prediction of Bankruptcy［J］．Journal of Accounting Research，1980（19）．
陳靜．上市公司財務惡化預測的實證分析［J］．會計研究，1999（4）．
吳世農，盧賢義．我國上市公司財務風險的預測模型研究［J］．經濟研究，2001（6）．
Wilson R. L.， Sharda R.．Bankruptcy Prediction Using Neural Networks ［J］．Decision Support System，1994（11）．
馬若微．基于粗糙集與信息熵的上市公司財務困境警指標的確立［J］．當代經濟科學，2005（2）．
姚靠華，蔣艷輝．基于決策樹的財務預警［J］．系統(tǒng)工程，2005（10）．
李艷玲，宋喜蓮．基于數(shù)據(jù)挖掘的上市公司財務危機預警研究［J］．沈陽師范大學學報（自然科學版），2014（2）．
張亮，張玲玲，陳懿冰，騰偉麗．基于信息融合的數(shù)據(jù)挖掘方法在公司財務預警中的應用［J］．中國管理科學，2015（10）．
王宗勝，尚嬌嬌．我國制造業(yè)上市公司財務困境預警分析［J］．統(tǒng)計與決策，2015（3）．
