基于BP神經網絡的企業財務危機預警變量改進探索

龔小鳳

(中南財經政法大學 會計學院，湖北 武漢 430073)

一、引 言

隨著世界經濟一體化步伐的加快，我國企業面臨的經營環境越來越復雜，風險也越來越大，有的企業因經營出現困難，缺乏持續性現金流來支撐而破產，也有為數眾多的企業由于無力償還債務等財務方面原因而停止營業。當財務出現嚴重問題時往往也意味著企業經營的終結，如何提前預知財務危機的發生，及時防范風險成為企業面臨的一項亟待解決的重大難題。財務危機又稱財務困境，是指企業現金流量不足以償還到期負債而導致的困境。一般而言，企業經營一般經歷四個階段:穩健經營、不穩健經營、財務危機和破產，也就是說，當企業的財務危機無法順利解決時，會直接面臨破產。因此，只有在危機發生之前就及時采取措施加以避免，對企業而言更有意義，這也是財務危機預警的意義所在。

在眾多財務危機預警的研究中，輸入變量的選擇并沒有什么變化，一般是將篩選后的財務指標直接代入模型，此種方式未考慮到行業差異的影響。本文擬對模型的輸入變量進行改進，采用BP神經網絡模型來預測財務風險，用功效系數法將財務指標轉化為單項功效系數，以此作為模型的輸入變量，和直接將財務指標作為輸入變量進行對比，分析何種方式的誤判率更低，為輸入變量的有效選取提供思路。

二、BP神經網絡

(一)神經網絡

人工神經網絡 (Artifical Neural NetW0rks簡稱ANNs)是20世紀40年代提出的，并于80年代復興的一門交叉學科。該項技術以生物大腦的結構和功能為基礎、以網絡結點模仿大腦的神經細胞、以網絡連接權模仿大腦的激勵電平、以簡單的數學方法完成復雜的智能分析，能有效地處理問題的非線性、模糊性和不確定性關系。由于神經網絡方法能使模型具備隨不斷變化的復雜環境自學習能力，使企業財務動態預警成為可能。

目前應用較廣的是BP神經網絡模型。BP神經網絡是一種多層前饋神經網絡，一般含輸入層、隱含層和輸出層，每一層由若干節點組成。其主要特點為信號前向傳遞，誤差反向傳播。在前向傳遞過程中，輸入信號會從輸入層經隱含層逐層處理直到傳遞到輸出層。每一層神經元狀態只會影響到下一層神經元狀態。可將BP神經網絡看做是一個非線性函數，網絡的輸入值和預測值分別是該非線性函數的自變量和因變量。

(二)BP神經網絡的優勢

關于財務危機預警的研究，更多的是探討危機預警模型的建立和比較。財務危機預警的研究方法經歷了單變量分析模型、多元判定分析模型、主成分分析法以及概率回歸模型 (如Logistic模型等)，這些方法各有缺陷。

1.單變量分析模型

單個變量往往很難說明企業財務狀況的各個方面，而且一個變量很容易被操縱、粉飾，該方法已不適用。

2.多元判定分析模型

多元判定分析法是對研究對象所屬類別進行判別的一種統計方法。將該模型用于財務危機分析的最有代表性的是Altman［1］創立的多元變量判定模型——Z計分模型和ZETA模型，在已確定的臨界值基礎上，根據判別的分值確定企業是否陷入財務危機當中。該模型的使用有兩個假設條件:第一，要求自變量服從多元正態分布。第二，假設協方差矩陣相等。這兩條假設有時不一定能成立。因此，由于多元判定分析模型假設條件的限制，其使用有一定局限性。

3.線性判定模型

線性概率模型可用來判定財務危機發生的可能性，可表示為:

P代表財務危機發生可能性的估計值。該方法的缺陷在于P不是介于0和1之間的數值，無法判定其概率大小。

4.Logistic回歸模型

Logistic回歸模型要求因變量為連續的，是二分類模式。其模型可表示為:

對于Yi值用指數模型進行修正，就可使得p的結果介于0和1之間。pi和1－pi分別代表兩種可能性。盡管解決了p值可直接體現發生財務危機概率的問題，但Logistic回歸模型無法解決多重共線性問題，若多個變量間存在多重共線性問題，會造成奇異矩陣，使判別的誤差加大。

5.BP神經網絡模型

近年來，BP神經網絡模型的應用越來越廣泛。其主要優點在于:第一，非線性映射能力;第二，自學習和自適應能力;第三，泛化能力，具有將學習成果應用于新知識的能力;第四，容錯能力。由于其沒有線性概率模型需要的假設條件以及多重共線性問題，在財務危機預警中越來越受到重視。經實證研究發現，與其他流行的研究方法相比，BP神經網絡模型用于財務危機預警有更高的準確率。Odom和 Sharda［2］開拓了用BP神經網絡預測財務困境的新方法，認為該方法提高了預測的準確度。楊淑娥和黃禮［3］也以上市公司的財務指標直接作為模型數據，將BP神經網絡模型和主成分預測模型進行對比，發現使用BP神經網絡模型的預測相對準確。因此，BP神經網絡模型在財務危機預警模型中是預測精度較高的模型。

用BP神經網絡建立財務危機預警模型的基本思想是將財務評價指標作為輸入值，先給出一個權重，經隱含層傳遞到輸出值，將經過函數運算后的輸出值與期望值比較，若誤差較大，則誤差反向沿原路徑返回，在修改各層節點的權重后迭代計算，每次運算后都按照誤差結構更新樣本數據的權重分布，當經過若干次迭代，達到誤差精度要求時，就得到一組最佳權重，這組權重即為預測模型的參數。本文采用BP神經網絡作為財務預警模型，將改進后的指標作為輸入變量，并與傳統的將財務指標直接作為輸入變量相比較，誤差率低說明改進后的輸入變量更有效。

三、財務危機預警變量的改進

(一)預警變量改進的基礎——行業差異性

不同行業的財務指標合理值差異較大。如償債能力指標，對于連鎖超市行業來講，資金周轉較快，通常借債較少，而鋼鐵等制造行業資金周轉時間較長，通常有較高的負債率，但一般情況下仍能正常發展，因此，從這兩個行業的分析來看，兩個行業的差異較大時，償債能力指標不必然具有可比性。另外，就盈利能力而言，由于行業的會計核算制度存在差異，使得不同行業的盈利能力指標的可比性降低，如高新技術企業的毛利率較高，其主要費用為研發費用，一般是計入管理費用，毛利率指標和其他行業不具有可比性。上述分析表明，行業差異可能導致財務指標的差異較大，消除行業差異的財務指標更具可比性，從而更有利于財務危機預警準確性的提高。

一些學者通過實證分析也驗證了行業差異對財務危機影響的差異性。盧永艷［4］對上市公司財務危機的行業差異性的影響進行了分析，以制造業中樣本量最大的兩個行業——機械、石油為研究對象，建立Cox比例風險模型進行實證分析，結果發現不同行業的上市公司面臨的財務風險是不同的。陳志斌和譚瑞娟［5］在原Z模型的基礎上加進了行業修正值，得到新的預測模型，經實證檢驗發現模型的有效性得到提高。

在國外財務危機的研究中考慮過行業的影響。自Beaver［6］利用單一比率法，通過財務指標來預測財務危機，拉開了財務指標作為財務危機評價指標的序幕，后來者在研究財務危機預測時，盡管分析方法各有不同，但在樣本選取上，均采用了Beaver的方法。Beaver是在選用樣本時考慮到了行業、規模的影響，先選出存在財務危機的企業，在此基礎上配對選出相近行業、規模的處于非財務危機的企業。盡管如此，若從所有樣本角度考慮，兩兩錯開，仍屬不同行業、不同規模，不同行業在同一時期會有不同的周期變化，宏觀經濟對企業的影響至關重要，若不去除這些影響，對預測的有效性影響較大。

原有研究對行業差異的去除方法有待改善，為提高BP神經網絡模型的有效性，本文考慮行業差異因素，對財務危機預警變量進行改進。

(二)變量改進的具體方法——功效系數法

功效系數法是指根據多目標規劃原理，把所要評價的各項指標分別對照各自的標準，并根據各項指標的權重，通過功效函數轉化為可以度量的評價分數，再對各項指標的單項指標分數進行加總，求得綜合評價分數。采用功效系數法將財務指標轉化為單項功效系數，實際上已將不同行業的影響因素去掉，對風險預測應有提高作用。

本文采用功效系數法將財務指標轉化為單項功效系數，作為預測模型的輸入變量。由于各類財務指標具有不同特點，采用的指標分別代表企業的盈利能力、償債能力、發展能力和營運能力，一般而言是指標數值越大，表示企業該方面能力較強。具體改進做法如下:

第一，將財務指標分為5檔。

將各樣本的功效系數得分記為Ni。首先將各財務指標按行業排列，在各行業中又按規模分組，同等規模下各指標k的行業最大值記為Ymax，最小值記為Ymin，對于企業而言，經營達到行業平均值即為滿意，可將平均值三等分，每份為Yave/3，記為Ya。因此，超過平均值的企業可打4分，達到最大值的打最高分即5分。具體分檔如下:

當Yi=Ymax時，該指標歸為優秀檔，打5分，即Ni=5;當時，歸為良好檔，打4分，Ni=4;當時，歸為一般檔，打 3分，Ni=3;當 Yi∈時，歸為較差檔，打2分，Ni=2;當時，歸為差檔，打1分，Ni=1。

第二，將估計樣本的單項功效系數作為輸入變量代入BP網絡模型，得到誤判率。

第三，將財務指標直接作為輸入變量代入BP網絡模型，得到誤判率。

第四，對兩種輸入變量得到的結果進行比較分析。

四、樣本選擇和指標篩選

(一)研究假設

由于行業差異對財務指標的影響，采用對財務指標用功效系數法轉換的方式，將行業差異的影響去除，相對于直接將財務指標作為輸入變量而言有更高的預測精度。假設各行業的財務指標有較大的數量差異，通過功效系數法修正過的指標作為輸入變量，要好于直接將財務指標作為輸入變量。

(二)樣本選擇

究竟企業處于何種程度的財務危機當中才需要重點注意及防范?為此，需要建立一個統一的標準才可進行有效的實證分析。對于財務危機的界定國內外沒有統一標準。在國外研究中，一般將陷入財務危機的與財務失敗等同起來，認為嚴重程度相當。Beaver［6］認為“破產、拖欠償還債務、透支銀行賬戶或無力支付優先股股利四項中的任何一項的企業，列為失敗企業”，實際上，這已經是企業經營的終止，為財務失敗。而Altman［1］主要是依據美國破產法界定破產企業，認為是“進入法定破產的企業”，以此為基礎研究企業財務危機。從概念上來看，財務失敗是指企業已經陷入無可挽回的境地，一般是經營終止，而財務危機應是有挽救余地的，兩者不應等同看待。然而，在西方國家，認定陷入財務危機的企業是不可能再有能力繼續經營的，因此認為財務危機就是財務失敗。在我國，很少有上市公司因無力償還債務而破產的，財務危機與財務失敗區別明顯。我國資本市場由于存在制度性缺陷和公司治理結構問題，屬弱勢有效市場 (滕春強，2005)，而且上市公司只融資卻很少分紅，造成上市公司是殼資源的一種現象，很少有上市公司破產退市，只是在盈利出現嚴重問題時冠以ST而已。因此，我國學者在做財務危機實證分析時，均將ST企業作為陷入財務危機的表現，本文也將采取該方式。

本文從2010年1—7月間被冠以ST的上市公司中選取樣本作為陷入財務危機企業，去除財務指標數據不全的，有68家上市公司，將其按行業和資產規模進行分類。同時，選出與這些ST企業的行業和資產規模相近的68家非ST企業。這136家上市公司前三年 (即2007—2009年)財務數據均可獲取。從中隨機選取100家上市公司作為估計樣本 (50家非ST企業和50家ST企業)，其余36家上市公司作為檢驗樣本，樣本統計情況如表1所示。建立BP神經網絡模型，用MATLAB7.0做軟件編程。

表1 樣本統計表

(三)指標篩選

關于財務危機預警指標的確定并沒有相應的經濟理論支撐，僅通過幾個財務指標很難對導致財務危機發生的原因和生成條件進行描述。本文主要對變量的改進進行探討，借鑒其他學者研究，利用財務指標評價體系做預警指標分析。

財務風險包括籌資風險、投資風險、經營風險、存貨管理風險和流動性風險。其中，籌資風險主要包括利率風險、再融資風險、財務杠桿效應、匯率風險和購買力風險等;投資風險包括利率風險、再投資風險、匯率風險、通貨膨脹風險、金融衍生工具風險、道德風險和違約風險等;經營風險包括采購風險、生產風險、存貨變現風險和應收賬款變現風險等;流動性風險主要從企業的變現力和償付能力兩方面分析與評價。

綜合來看，通過財務指標來體現財務風險主要涉及償債能力、盈利能力、營運能力和企業發展能力。其他財務風險均為定性指標，需通過專家打分方式確定，而且本文的目的主要是比較單項功效系數與財務指標分別作為神經網絡模型的輸入變量到底哪個更有效，因此，暫不考慮定性指標。

對于財務指標的選擇，主要從企業財務分析所使用的指標中篩選。一般而言分為短期償債能力、長期償債能力、企業發展能力、現金流量能力、盈利能力和營運能力等六個方面指標，提供了14個備選指標 (如表2所示)。

表2 備選財務指標

當財務指標過多時，使得網絡結構變得更加復雜，會加大神經網絡模型的訓練負擔，一般采取一定方法對財務指標進行篩選。使用較多的方法有主成分分析法和t檢驗法。主成分分析法主要采用降維的思想，將為數較多的財務指標轉化為影響較大的幾類變量，可將輸入變量的數量大為減少，提高效率和預測精度。t檢驗法是對兩類樣本的均數進行顯著性檢驗的方法，主要用于區分兩類公司的差異性。本文的目的是預測財務風險，首先要區分ST公司和非ST公司的指標要有顯著差異，能明顯區分兩類公司，因此選用t檢驗法較為合適。

為了分析所選取的財務比率是否能有效區別ST公司與非 ST公司，就136家上市公司對2007—2009年的14個財務指標做單邊t檢驗，檢驗效果顯著的財務指標作為下一步研究的變量。檢驗結果見表3所示。

表3 估計樣本t檢驗和Wilcoxon檢驗

從表3可看出，通過對估計樣本做Wilcoxon檢驗，發現ST樣本公司和非ST樣本公司所屬總體具有相同分布，統計檢驗顯著，可采用t檢驗篩選指標。從t檢驗的結果來看，在10%的顯著性水平上有明顯差異的指標有6個，即利息保障倍數、產權比率、流動比率、總資產增長率、現金流量比率和營業利潤率，具體分析如下:

1.利息保障倍數和產權比率

非ST公司的長期償債能力明顯高于ST公司，尤其是產權比率具有1%的顯著性水平，說明ST公司經營出現問題會導致負債明顯增加。盡管利息保障倍數僅通過10%的顯著性檢驗，但非ST公司均值為19.741，而ST公司的均值為－9.905二者差異達到29.646，表明兩類公司的該項指標差異明顯。

2.流動比率

ST公司在短期償債能力上出現明顯差異，流動比率在5%顯著性水平上通過檢驗，說明ST公司短期內也會出現財務危機。

3.總資產增長率

相比較而言，ST公司在公司發展能力上也出現增長乏力?？傎Y產增長率通過了1%的顯著性檢驗，說明ST公司已明顯無增長潛力。

4.現金流量比率

現金流量是最無法粉飾的，其說明問題的能力遠高于盈利能力指標，在說明企業財務狀況中發揮著越來越重要的作用。現金流量比率通過1%的檢驗，ST公司和非ST公司的現金流量比率的明顯差異性說明ST公司靠自身經營創造現金的能力較差。

5.營業利潤率

ST公司的盈利能力與非ST公司也有著明顯差異，營業利潤率在10%的水平上通過顯著性檢驗。

五、預警模型及實證分析

(一)模型建立

本文采用BP神經網絡模型先對估計樣本進行訓練。經t檢驗篩選出的財務指標有6個，輸入變量為6維，輸出為1維，代表公司的財務狀況，0表示ST財務狀況出現問題，1表示非ST財務狀況良好。經過若干次試驗，得到網絡模型的隱含層為6，則本文采用的BP神經網絡模型的機構為6—6—1，即輸入層有6個節點，隱含層有6個節點，輸出層有1個節點。選擇的樣本有136家，即共有136組上市公司的財務數據，從中選取100組數據作為估計樣本，其余36組作為檢驗數據用來測試模型的預測能力。

(二)判定結果及檢驗

用功效系數法將估計樣本的財務指標轉化為功效系數，得到了1—5之間的數字，將轉化后的單項功效系數代入模型，對100家估計樣本公司進行判定，同時，為說明改進后的變量提高了模型的預測準確度，另建立一個網絡模型，將財務指標直接作為輸入變量代入，兩模型進行對比，其判定結果如表4所示。

為驗證模型對財務危機預警的準確性，分別各自的36家檢驗樣本代入模型，得到檢驗樣本的判定結果如表5所示。

表4 兩類輸入變量對估計樣本的判定情況

表5 兩類輸入變量對檢驗樣本的判定情況

從表4和表5對比分析來看，分別將財務指標和單項功效系數作為輸入變量來預測財務危機的實證結果表明:

首先，采用BP神經網絡模型進行財務危機預警，輸入變量改進前后的誤判率都很低，說明采用BP神經網絡模型用于財務危機預警準確性較高。

其次，比較改進前后的輸入變量的模型訓練結果發現，改進后的誤判率更低，表明考慮了行業差異的輸入變量更能有效提高判別精度。

最后，從檢驗樣本的判別情況來看，單項功效系數的誤判率較低，表明采用功效系數法轉化后的財務指標其預測財務危機的能力增強。

六、研究結論

本文通過實證研究表明:通過功效系數法對輸入變量進行改進之后，財務危機預警效果明顯高于傳統方法。財務危機對企業影響巨大，財務危機預警的研究給企業預測危機風險提供思路，對企業是否能持續經營具有重大意義。通過對輸入變量的改進，使得財務危機預警的效果更好，有利于企業更有效率地做好財務危機的防范工作，盡量減少企業陷入財務危機的風險。

將財務指標直接作為模型的輸入變量，是研究財務危機預警的通用做法，然而，由于行業的差異，使得預測精度存在較大誤差，不利于財務危機預警的有效實現。利用功效系數法對輸入變量進行改進，之所以能提高預測能力，在于考慮了行業差異。在計算單項功效系數時將行業平均值作為標準進行分檔，使得不同行業的財務指標轉化后具有可比性，在BP神經網絡模型基礎上，形成新的訓練和測試樣本集，與直接將財務指標作為輸入變量相比，提高了人工神經網絡模型的精度，預測準確率得到有效提高。

本文研究有諸多不足之處，還需進一步研究探討。首先，樣本量較小。BP神經網絡是模擬人腦，大樣本有助于其找到內在的規律。本文100個估計樣本可能會對實證分析結果造成影響。第二，財務危機企業的界定。我國上市公司被ST的條件或者是因為連續兩年凈利潤為負值，或者是最近一個會計年度審計的企業凈資產低于股票面值。一些上市公司為保殼，會對利潤進行盈余管理，陸建橋 (1999)經實證研究發現，上市公司在首次出現虧損的年份，存在著明顯的調減盈余的會計處理，而在扭虧為盈的年份，又明顯出現調增利潤的行為。由于盈余管理的存在，非ST公司也并不意味著未陷入財務危機，以是否ST來劃分企業是否陷入財務危機有一定缺陷，因條件所限，樣本的選擇并不一定具有代表性，有進一步改進的空間。

［1］Altman，E.I.Financial Fatios，Discriminant Analysis and Prediction of Corporate Bankruptcy［J］.Journal of Finance，1968，(9):589－609.

［2］Odom，M.D.，Sharda，R.A.Neural Network for Bankruptcy Prediction［A］.International Joint Conference on Neural Network［C］.1990.

［3］楊淑娥，黃禮.基于BP神經網絡的上市公司財務預警模型［J］.系統工程理論與實踐，2005，(1).

［4］盧永艷.上市公司財務困境風險的行業差異性研究［J］.宏觀經濟研究，2012，(3).

［5］陳志斌，譚瑞娟.財務預警的行業差異模型研究［J］. 南京師大學報(社科版)，2006，(5).

［6］Beaver，W.H.Market Prices，Financial Ratios，and Prediction of Failure［J］.Journal of Accounting Research，1968，6(2):67－92.