上市公司財務實證比較

［摘 要］ 企業之間的財務比較，往往通過財務指標來反映，而僅僅比較財務指標有時并不一定能真實反映兩企業之間的財務差異。這是因為企業所屬的行業不同，行業間的資金流動、資產運作狀況的差異，都可能使得同樣的財務指標反映出不同的財務信息。本文擬通過神經網絡方法，對房地產行業和汽車行業的財務數據建立預警模型，并將一個公司的數據分別代入兩個模型預警，比較不同行業財務指標在反映財務狀況方面的差異。

［關鍵詞］ 神經網絡；行業；財務狀況；流動性；模型

［中圖分類號］F275［文獻標識碼］A［文章編號］1673-0194（2008）20-0049-07

在投資中，投資者希望能從眾多的上市公司中選擇財務狀況好的公司進行投資，公司的財務狀況可以通過財務指標來反映。在會計中，對財務指標的分析僅僅是針對單個財務指標的數值進行分析，主要觀察財務指標在不同時間的數值變化來對財務狀況進行判斷。例如在對償債能力的分析中用到的流動比和速動比兩個指標，會計分析中認為流動比為2，速動比為1時，企業償債能力較好。然而，所處的行業不同，公司的資金流轉情況、資產的運作狀況都有較大差別，即使兩家公司的流動比都為2，也不能說明兩家公司的償債能力一樣。

一、 實證比較的研究設計

（一）研究思路和方法

在上市公司財務對比分析中，公司所屬行業不同是其財務狀況差異的一個重要影響因素。本文中將選擇房地產板塊和汽車制造業板塊的上市公司作為比較研究的對象，在這兩個不同行業中分別選擇一部分公司作為研究樣本，從反映4類財務狀況——經營效益、償債能力、盈利能力和成長能力的指標中選取一部分財務指標作為財務分析指標，用神經網絡對兩個行業分別建立兩個財務評價模型。檢驗所建模型的信度和效度，通過檢驗后，用同樣的財務指標，在兩個模型中分別進行評價，比較評價結果在兩個行業中是否存在不同，從而反映出行業因素對于財務狀況的影響。

模型建立運用神經網絡方法，所建立的神經網絡模型表現為一個多輸入、單輸出的非線性結構，由輸入層、輸出層和若干隱層組成的前向連接模型，同層神經元互不連接，相鄰層的神經元通過權重連接。然后用足夠的樣本模式訓練這個神經網絡，通過神經網絡的自適應學習，使不同的輸入向量得到不同的輸出值。這樣，神經網絡所具有的連接權值，便是網絡經過學習所得到的內部表示，訓練好的神經網絡便可以作為一種定性與定量相結合的有效工具進行預測。

模型檢驗運用SPSS統計分析軟件進行，主要檢驗模型的信度和效度。信度和效度是在模型檢驗中通常使用的兩個技術性指標。所謂信度就是指測量、預測數據和結論的可靠性程度。效度是指測量工具測出變量的準確程度。換言之，效度指的是測量的有效性，即測量工具能準確、真實、客觀地度量事物屬性的程度，效度越高，即表示測量結果越能顯示出所要測量的對象的真正特征。

（二）樣本選擇

按照以上研究思路，我們選取了深圳和上海市場房地產板塊的70家上市公司和汽車制造業板塊的59家上市公司（按照上交所和深交所行業劃分辦法），剔除數據不全以及上市年份少于3年的公司，共獲取了30家房地產板塊公司和30家汽車制造業板塊公司作為樣本，并且從深交所網站獲取這些公司的2006年公司年報數據及行業評級結果（深交所網站的行業評級主要參考企業每股收益數據）。

（三）數據收集及分析指標選取

反映財務狀況的指標有4類：經營效益、償債能力、盈利能力和成長能力。反映經營效益的財務指標有存貨周轉率、應收賬款周轉率、主營成本比例、營業費用比例、管理費用比例、財務費用比例和總資產周轉率等7個指標。反映償債能力的財務指標有流動比率、速動比率、現金流動負債比、股東權益比、流動負債率和負債權益比等6個指標。反映盈利能力的財務指標有經營凈利率、經營毛利率、資產利潤率、資產凈利率、凈利潤率、凈資產收益率、稅前利潤增長率和凈資產收益率增長率等8個指標。反映成長能力的財務指標有主營收入增長率、凈利潤增長率、總資產增長率、股東權益增長率和主營利潤增長率5個指標。

由于企業的財務指標較多，分析時不可能全部采用，為了保證使用的財務指標有效性，只能選用有代表性的幾個指標。本文所選取的分析指標為：速動比、應收賬款周轉率、資產利潤率、總資產增長率。

根據樣本確定情況，分別收集房地產行業和汽車制造業的財務數據資料（見表1、表2）。

二、實證比較

（一）模型建立

模型建立步驟：

步驟1網絡的初始化，確定各層節點的個數，將各個權值和閾值的初始值設為比較小的隨機數；

步驟2確定的4個財務指標作為輸入樣本，公司行業評級作為相應的輸出，對每一個樣本進行學習，即對每一個樣本數據進行步驟3到步驟5的過程；

步驟3根據輸入樣本算出實際的輸出及其隱含層神經元的輸出；

步驟4計算實際輸出與期望輸出之間的差值，求輸出層的誤差和隱含層的誤差；

步驟5根據步驟4得出的誤差來更新輸入層-隱含層節點之間、隱含層-輸出層節點之間的連接權值；

步驟6求誤差函數E，判斷E是否收斂到給定的學習精度以內(E≤擬定誤差ε)，如果滿足，則學習結束，否則，轉向步驟2繼續進行。

（二）模型訓練

提取的速動比、應收賬款周轉率、資產利潤率、總資產增長率數據作為輸入樣本，將行業評級進行量化，“優”量化為“1”，“中等”量化為“2”，“差”量化為“3”，量化后行業評級作為輸出樣本，創建廣義回歸神經網絡，進行訓練。將收集到的行業財務數據輸入神經網絡模型進行訓練。

將房地產行業30家企業中的后10家作為訓練樣本并預測。圖1為訓練樣本的訓練誤差圖，從圖中可以看出，經過500次訓練后，誤差已很接近0，最大誤差小于1.5×10-6，達到要求，表明訓練結果精確程度高。10家企業的行業評級預測結果為：

分別為：差，差，中等，差，中等，中等，優，差，差，差。與實際評級結果一致。

將汽車制造業30家企業中的后9家作為訓練樣本并預測。圖2為訓練樣本的訓練誤差圖，從圖中可以看出，經過500次訓練后，誤差已很接近0，最大誤差小于3×10-5，達到要求，表明訓練結果精確程度高。9家企業的行業評級預測結果為：

分別為：差、中等、優、中等、差、差、差、差、差。與實際評級結果一致。

（三）模型檢驗

1. 結構效度檢驗

在建立模型時用到了速動比、應收賬款周轉率、資產利潤率、總資產增長率這些財務指標，這4個財務指標分別反映了償債能力、企業經營效益、盈利能力和成長能力，而反映這些能力的財務指標有很多，選用這4個指標是否有效，是結構效度的檢驗內容。結構效度的檢驗采用的是極大方差正交旋轉的因子分析法。以下是結構效度的檢驗。表3~表6是收集A公司（屬汽車制造業）的速動比、應收賬款周轉率、資產利潤率、總資產增長率指標。

因子分析法提取因子結果如下：

經營效率提取因子分析結果即旋轉后因子載荷矩陣見表7。

從表7中可以看出，存貨周轉率、應收賬款周轉率和總資產周轉率的因子載荷較大，考慮到應收賬款在財務分析中的重要地位，提取應收賬款周轉率作為經營效率分析指標。

償債能力提取因子分析即旋轉后因子載荷矩陣見表8。

從表8中可以看出，在第一主要因子中流動負債率的因子載荷較大，在第二主要因子中速動比的因子載荷較大，考慮到流動負債比在一定程度上可以通過速動比反映，所以提取速動比作為償債能力分析指標。

成長能力提取因子分析即旋轉后因子載荷矩陣見表9。

從表9中可以看出，凈利潤增長率為第一主要因子，總資產增長率為第二主要因子，考慮到成長能力在財務分析的重要程度及盈利能力中有利潤指標，選用總資產增長率作為成長能力分析指標。

盈利能力提取因子分析即旋轉后因子載荷矩陣見表10。

從表10中可以看出，資產凈利率為第一主要因子，資產利潤率、經營毛利率為第二主要因子，其因子載荷接近1，是較為有效的分析指標。考慮到指標資料可獲取性，選用資產利潤率作為分析指標。

2. 模型效度檢驗

模型有效性檢驗，關鍵是考察預測值與實際值之間有無顯著差別，方差分析就是實現這一功能的方法。方差分析的基本思想是：通過將總變異平方和（SST）分解為控制因素引起的離差SSA（組間離差平方和）和隨機變量引起的離差SSE（組內離差平方和），計算檢驗統計量F及相伴概率值p，若相伴概率值p小于顯著性水平α，則認為控制變量不同水平下樣本間有顯著差異；反之，則認為控制變量不同水平下樣本間沒有顯著差異。

其中k為水平數，n為第i個水平下的樣本容量。

檢驗統計量

F =。（5）

從F的計算公式可以看出，若控制變量不同水平對觀察變量有顯著影響，那么觀察變量的組間離差平方和必然大，F值也大；相反，若控制變量不同水平對觀察變量沒有顯著影響，那么觀察變量的組內離差平方和必然大，F值就小。

以房地產行業模型中后10個樣本作為訓練樣本，將實際評級量化，代入建立的模型得預測評級結果如下：

用SPSS中方差分析模塊對房地產行業模型進行檢驗，結果見表11。

從表11中可以看出，F值接近0，相伴概率接近1，遠遠大于顯著性水平0.05，表明預測值與實際值之間沒有顯著差別，房地產行業模型評級預測有效性高。

以汽車行業模型中后9個樣本作為訓練樣本，將實際評級量化，代入建立的模型得預測評級結果如下：

量化實際評級Y =

用SPSS中方差分析模塊對汽車行業模型進行檢驗，結果見表12。

從表12中可以看出，F值接近0，相伴概率接近1，遠遠大于顯著性水平0.05，表明預測值與實際值之間沒有顯著差別，汽車行業模型評級預測有效性高。

3. 量表信度檢驗

量表信度檢驗主要測驗所用分析指標的可靠性。常用的指標有相關系數rij和內部一致性系數α。

r=；（6）

α=1

-。（7）

式中，K為變量數目，S為某變量變異數，S為所有變量總變異數。SPSS量表信度檢驗分別見表13~表16。

表13是變量間的相關系數矩陣。其中應收賬款周轉率與資產利潤率的相關密切程度第一高（r = 0.731 9），資產利潤率與總資產增長率相關密切程度第二高（r = 0.648 3）。

表14是顯示變量與量表得分的關系。從表中可以看出 CorrectedItem-TotalCorrelation中資產利潤率最大，為0.859 1，表明該變量與其他各變量的關系最密切。對于R2值（SquaredMultipleCorrelation），各變量得分都較大，表明每個變量都能被其他變量很好地解釋。內部一致性α值，最大的是流動負債率的，為0.253 6，其他各變量的α值都不大，這是因為各變量是反映財務的各不同狀況所造成的。

表15是量表的重復度量的方差分析表，表中顯示F=187.753 7，P<0.000 1，表明該量表的重復度量效果良好。

表16是量表內變量間內在相關性的HotellingT檢驗結果，F=304.120 3，P<0.000 1，表明該量表中各變量具有良好的內在相關性。

（四）行業比較

兩個行業的財務評價模型經過檢驗，可信度及有效度高。行業比較，筆者將通過用同樣的財務數據放入模型進行分別評價，通過模型評價結果比較行業差別。現有一家房地產行業企業，財務指標及行業評級結果見表17。

將財務指標代入兩個訓練好的神經網絡模型，預測行業評級。房地產行業模型預測結果為：

Y =

0.0000

0.0000

1.0000

即預測行業評級為差，與實際評級一致。

若代入汽車制造業模型，得出的預測結果為：

Y =

1.0000

0.0000

0.0000

即預測行業評級為優，行業間的差距是很明顯的。

三、實證比較結論

同樣的財務指標，用不同行業的模型進行預測，結果存在很大差異。究其原因，筆者認為：對于房地產行業而言，產品從生產到實現銷售的周期較汽車產品要長，其資金流轉周期自然要比汽車行業要久。而且，房地產企業產品的銷售方式與汽車產品的銷售方式有很大不同。房地產主要采用開發商直銷方式，基本沒有代理商，而汽車銷售主要采用代理商代理銷售的方式，因此，財務指標中對于應收賬款的比例觀察，房地產行業應較汽車行業要少。再者，就行業技術含量觀察，汽車行業的技術含量要較房地產行業的技術含量高些，因此，其在技術方面的投入也要比房地產行業的投入要多，財務指標中會有體現。因此，在投資分析進行財務比較時，只看財務指標的數值是遠遠不夠的，企業的所屬行業在財務指標分析中有重要影響，是不可忽略的因素。所以在選擇投資對象時，應首先選擇行業，再從同一行業中比較才能找到業績良好的投資對象。

在本文分析中用到了神經網絡方法來建立財務評價模型，筆者認為神經網絡模型的自適應特征，使其對非線性關系的分析具有其他模型不可比擬的優勢，但它也有一些缺陷。首先，神經網絡缺乏一個系統的建模過程，即對一個實際問題，如何快速有效地選擇和確定一個合適的神經網絡結構仍然是目前尚未解決的一個難題。所以，決定一個合適的網絡結構需做一些實驗。當神經網絡的結構不合適時，就要重新設計、重新訓練，建立一個神經網絡模型需要花費很多時間。其次，模型建立時的輸入樣本與輸出樣本的確定在一定程度上決定了模型預測的準確性，本文模型建立時用速動比、應收賬款周轉率、資產利潤率、總資產增長率這些財務指標作為輸入樣本，經過信度檢驗證明是有效的，但模型的輸出樣本——行業評級，并未經過檢驗，而且現在的行業評級的主要參考標準是上市公司的每股收益，這樣的評級顯然不夠公平，也給一些造假企業有可乘之機。若能夠在行業評級時多考慮其他因素，綜合比較分析，而不是僅僅憑企業每股收益水平來評判企業優劣，則模型對于行業的分析將會更準確。

主要參考文獻

［1］ 于曉霖，方淑芬. 基于聚類分析判別函數的神經網絡評價模型研究［J］. 數量經濟技術經濟研究，2003（1）：41-44.

［2］ 滿鳳. 企業管理中的定量化評價方法評析［J］. 當代財經，2003（5）：80-82.

［3］ 俞峰. 企業財務診斷指標體系初探［J］. 中國總會計師，2005（25）：76-77.

［4］ 范海鷗. 建立企業評價指標體系框架及應用前景初探［J］. 統計研究，1999（7）：20-23.

［5］ 張慧君，蘇寧，陳麗榮. 從財務指標的選用看財務預警系統的有效性［J］. 華東經濟管理，2004（2）：171-173.

［6］ 陳良維. 數據挖掘中聚類算法研究［J］. 微計算機信息（管控一體化），2006（22）：209-211.

［7］ 馬輝民，盧益清，尹漢斌. 基于客戶份額的客戶細分方法［J］. 武漢理工大學學報，2003（25）：84-87.

注：本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文