基于BP神經網絡的上市公司財務困境預警模型實證研究

鞏 斌

（安徽財經大學統計與應用數學學院,安徽蚌埠 233030）

基于BP神經網絡的上市公司財務困境預警模型實證研究

鞏 斌

（安徽財經大學統計與應用數學學院,安徽蚌埠 233030）

正確公允的認識和評價上市公司的財務狀況和經營業績已成為有關各方的共識。然而有些公司惡意造假、包裝上市,給投資者和債權人造成巨大損失,擾亂經濟市場。這使得有關上市公司財務困境預警的研究日益迫切。就如何運用BP網絡神經算法來提高財務困境預警能力進行了分析。

財務困境;預警;模型評估

財務困境又稱為財務危機,其最為嚴重的情況就是破產。對于“財務困境”的定義國內外學者有很多不同的看法,Altman（1993）綜合了學術界對財務困境的定義,將財務困境分為四種情形:（1）失敗（Failure）:典型代表是商業統計公司Dun&Bradstreet采用的“經營失敗”（Business Failure）概念,指公司經營因為破產而停止,或者處置抵押品后仍對債權人造成損失;無法按期償付債務,由于法律糾紛被接管重組等情況。（2）無償付能力（Insolvency）,包括技術上的無力償付和破產意義上的無力償付。前者是指企業缺乏流動性,不能償付到期債務,主要用凈現金流是否能滿足流動負債的支付需要作為判別技術上是否無償付能力的標準;而后者是指企業資不抵債,凈資產為負等情況。（3）違約（Default）。違約可以是技術上的或法律上的,前者是指債務人違反合同規定并可能招致法律糾紛,后者則指債務人到期無法還債。（4）破產（Bankruptcy）,指企業提交破產申請后被接管清算[1]（P202-216）。

隨著資本市場的不斷發展,我國上市公司中陷入財務困境的企業也不斷增多。究其原因,國家宏觀經濟環境的變化、行業不景氣、市場競爭激烈、會計準則的變更等客觀原因會在一定程度上影響企業的業績,但根本原因還是企業自身的問題。所以正確公允地認識和評價上市公司的財務狀況和經營業績已成為有關各方的共識,同時通過上市公司財務狀況和經營業績的橫向和縱向比較,可以讓上市公司清楚地了解自己在本行業、本地區上市公司中所處的位置以及在所有上市公司中所處的位置,這樣可以對上市公司經營者起到一定的鞭策作用。

1 樣本設計

本文以滬深兩市A股上市公司作為研究對象,將公司因財務狀況異常而被特別處理（ST）作為企業陷入財務困境的標志,從中選取了2005-2008年間108家ST公司作為財務困境公司樣本①,樣本的行業分布特征如下:

農、林、牧、漁業1家,制造業59家,建筑業1家,交通運輸、倉儲業3家,信息技術業5家,批發和零售貿易9家,房地產業7家,社會服務業5家,傳播與文化產業3家,綜合15家,合計108家。

由于證監會是根據上市公司前兩年的年報所公布的業績判斷其是否出現財務狀況異常并決定是否要對其進行特別處理的,所以采用上市公司前兩年的年報預測其是否會被ST顯然會夸大模型的預測能力。畢竟在公司已經虧損一年的情況下其被ST的幾率自然大于沒有出現虧損的公司;而在公司已經虧損兩年的情況下其被ST已成定局,所以更沒有任何預測意義。因此,本文選擇在上市公司被ST的前三年進行預測,判斷其最終是否會陷入財務困境,即如果某上市公司在2008年被特別處理,我們采用2005年的年報數據進行預測[2]（43-51）。

為了剔除不同年份、行業和資產規模因素對財務困境預測的影響,我們根據以下原則按1:1的比例選擇財務健康的上市公司作為配對樣本:

1、研究期間一致,如財務困境企業采用的是2005年的數據,則財務正常公司也同樣采用2005年的數據。

2、配對樣本與財務困境企業行業類型相同或相近。

3、配對樣本與財務困境企業的總資產規模相當。

據此,本文確定了216個研究樣本,其中3/4作為估計樣本,1/4作為預測樣本,具體情況如下:估計樣本162家,其中財務困境公司81家,財務健康公司81家;預測樣本54家,其中財務困境公司27家,財務健康公司27家。

2 神經網絡模型概述

神經網絡模型是由大量的簡單處理單元相互聯結組成的復雜網絡系統[3]（P152-156）。它的許多功能和特性是對人腦神經網絡系統的模擬,是一種自然的非線性建模過程,也被稱為人工神經網絡（Artificial Neural Network）。作為非參數的預測模型,它克服了選擇模型函數形式的困難,同時對樣本及變量的分布特征沒有限制。其主要分析模型如下:

它的神經元一般包括三種處理單元,也稱為節點（Node）:輸入神經元,隱層神經元和輸出神經元。輸入神經元接受外界環境信息的輸入;輸出神經元則將經過神經網絡處理后的信息送到外界;而隱層神經元則處于前兩種神經元之間,不直接與外界環境發生聯系,它接受輸入神經元的信息,經過多層次的網絡內部運算,把數據結果轉移給輸出神經元[4]。隱層神經元可以有多個層次（Layer）。總體來說,神經網絡具有一些其他方法無法比擬的優點,體現在:

1、它根據所提供的數據進行學習和訓練,找出輸入與輸出之間的內在聯系,通過改變每個節點上的加權系數來求取問題的解,從而具有自適應的功能;

2、能夠處理那些有噪聲或不完全的數據,具有泛化功能和很強的容錯能力;

3、神經網絡對于非獨立因素組成的總體依然適用,并能夠處理其中復雜的非線性關系。

目前,在神經網絡模型的實際應用中,多層前向神經網絡中的反向傳播（Back-Propagation）算法在諸如函數逼近、模式識別等領域得到廣泛的應用,因此本文采用BP算法進行財務困境預測。

3 預警模型構建

BP算法的學習過程可以簡單地描述如下:

1、工作信號正向傳播:輸入信號從輸入層經過隱層傳到輸出層,在輸出端產生輸出信號。在信號的正向傳遞過程中網絡的權值是固定不變的,每一層神經元的狀態只影響下一層神經元的狀態。如果在輸出層得不到期望的輸出,則轉入誤差信號反向傳播[5]（P194-197）。

2、誤差信號反向傳播:網絡的實際輸出與期望輸出之間的差值即為誤差信號,誤差信號從輸出端開始逐層向前傳播。在誤差信號的反向傳播過程中,網絡的權值由誤差反饋進行調節,通過權值的不斷修正使網絡的實際輸出更接近期望輸出。

BP神經網絡可以有一個或多個隱層[6]。但單隱層的BP神經網絡可以以高精度逼近任意映射關系,而且與一個隱層相比,用兩個隱層進行網絡訓練并不能顯著提高預測的準確率。因此本文采用單隱層的BP神經網絡模型結構,如圖2所示:

圖2 單隱層的BP神經網絡

BP算法的詳細步驟如下:

（1）設置變量和參量。輸入變量Xk=[Xk1, Xk2,…,XkM],（k=1,2,…,N）,N為訓練樣本的個數;輸出節點的期望輸出為tl。輸入層和隱層之間的連接權重為Wij,節點閾值為θi;隱層和輸出層之間的連接權重為Tij,節點閾值為θl。

（2）初始化權值和閾值,隨機給出一個非零的初始值。

輸出節點的輸出為:Ol=

（4）判斷實際輸出和期望輸出（真實值）之間的誤差是否達到精度要求。判斷標準:

（5）修正權值。根據誤差信號先后修正隱層和輸出層之間、輸入層和隱層之間的權值。

輸出節點輸出的誤差為:

權值修正:Tli（k+1）=Tli（k）+ηδl yi;其中k為迭代次數

閾值修正:θl（k+1）=θl（k）+η′δ′l

隱層節點輸出的誤差為:

權值修正:Wij（k+1）=Wij（k）+η′δ′i X j

閾值修正:θi（k+1）=θi（k）+η′δ′i

如果誤差達到精度要求或者循環次數足夠大,則結束網絡訓練,否則則繼續訓練神經網絡。

BP神經網絡的輸入層與隱層之間通常采用S型的傳遞函數（如對數函數、正切函數）[7]（P312-316）,而隱層和輸出層之間則采用線性傳遞函數。由于正切函數關于原點對稱,學習速度較快,因而在本文中,輸入層和隱層之間的傳遞函數取正切函數:

a和b分別取經驗值1.7159和2/3。

隱層節點個數的選擇比較復雜,通常認為隱層節點個數應介于輸入和輸出節點個數之間,而且與樣本大小有關。則隱層的節點個數=樣本個數/（10×（輸入層節點個數+輸出層節點個數））。

由于在BP神經網絡的訓練中,訓練次數過多往往會出現對數據的過度擬和,為了提高網絡的泛化能力,本文采取了下列兩個解決辦法:

（1）對輸入數據進行標準化處理,即均值為0、標準差為1。

（2）規則化調整,即通過調整網絡的性能函數來增強網絡泛化能力。

4 預警模型評估

本文將所有樣本分成訓練集和預測集,其中訓練集有162個樣本,其中財務困境公司81家,財務健康公司81家;預測集有54個樣本,其中財務困境公司27家,財務健康公司27家。采用單隱層的BP神經網絡進行訓練,輸入層的輸入變量為多元判別分析和Logistic回歸使用的預測變量X5、X7、X18、X28、X32、X34和X45,共有7個節點;輸出層有一個節點,輸出的導師信號為-1代表財務困境公司,1代表財務健康公司;隱層的節點個數為208/（10＊（7+1））≈3。迭代次數為80000次。

當m se=104.66,m sw=3.5時達到誤差精度要求,BP神經網絡自動結束訓練。神經網絡的判別結果如表2所示:

表2 BP神經網絡的判別結果

從表2我們可以看出,BP神經網絡模型估計樣本的I類錯誤率為16.05%,II類錯誤率為27.16%,綜合準確率為78.4%;而預測樣本的I類錯誤率為14.81%,II類錯誤率為 11.11%,綜合準確率為87.04%。

由于BP神經網絡是一種非線性映射模式,這種網絡算法具有穩定性、收斂性、容錯性、魯棒性等性能,因而在指標間相關度較高、呈非線性變化或數據不全等情況下仍可得到比較滿意的結果,所以用BP神經網絡能大大提高財務困境模型的預測能力。

注釋

①數據源網址為:http://www.cstsc.com/stock/info/ statistic/finance.jsp.

[1]王又莊.上市公司財務會計報告分析與評價[M].上海:立信會計出版社,2002.

[2]朱明.數據挖掘[M].合肥:中國科學技術大學出版社,2002.

[3]易丹輝.統計預測——方法與應用[M].北京:中國統計出版社,2001.

[4]宋新平,丁永生,曾月明.基于遺傳算法的同步優化方法在財務困境預警中的應用[J].預測,2009,（1）:34-36.

[5]韓力群.人工神經網絡理論、設計及應用[M].北京:化學工業出版社,2002.

[6]吳健梅.上市公司財務困境預警模型簡評[J].齊魯珠壇, 2009,（2）:23-26.

[7]Mehmed Kantadzic.Data Mining:Concepts,Modes Methods And Algorithms[M].New York:IEEE Press,2002.

A Study on the Listed Company’s Financial Distress of Early-Warning Model by Empirical Research Based on BP Neural Network

GONG Bin

（School of Statistics&Applied Mathematics,Anhui University of Finance&Economics,BengBu233030,China）

Correct understanding and evaluation of fair market a company’s financial condition and results of operations has become the consensus of the parties concerned.Some companies malicious fabrication and packaging market,however,have caused tremendous losses to investors and creditors,disrupted economic market.This makes the listed company’s financial distress of the increasing urgency of early warning research.This article on the use of BP neural network algorithm s to improve the capacity of early warning of financial difficulties.

financial distress;warning;model assessment

F230

A

1009-9735（2010）02-0011-03

2010-03-01

2009年安徽省高等學校自然科學研究項目“基于BP神經網絡的上市公司財務困境預警模型實證研究”（KJ2009B130Z）。

鞏斌（1975-）,男,安徽利辛人,碩士,安徽財經大學統計與應用數學學院講師,研究方向:經濟數量分析。