上市公司中的掏空行為神經網絡分析①

內蒙古工業大學管理學院 李一鳴 李長青

內蒙古財經大學會計學院 鄭燕

1 掏空(Tunneling)綜述

控股股東為了自身利益，將資產和利潤轉移出公司的行為，Johnson et al(2000)最早將其命名為“掏空”(Tunneling，又稱隧道挖掘)。由于掏空行為在本質上是控股股東將上市公司的資產轉移出去，其手段或為關聯交易，或為長期借款，最終的表現都是上市公司財務報表貨幣資金異動。因此，掏空行為的發生可以從上市公司貨幣資金的變化中反映出來。可實現的算法主要有判別分析、回歸和人工神經網絡。實踐證明，人工神經網絡在預測、評價等方面，其準確性明顯優于回歸與判別分析。本文應用神經網絡進行掏空行為的發現與預測，是人工神經網絡應用的又一領域。

2 人工神經網絡算法

BP網絡，由Rumelhart 等人于1985年首次提出。BP網絡是一種具有三層或三層以上神經元的層次結構網絡，一個典型的三層BP網絡分為輸入層、隱蔽層和輸出層。同層節點間無關聯，異層節點間前向連接。其中，輸入層A含m個節點，對應于BP網絡可感知的m個輸入，輸出層C含n個節點，與3BP網絡n種輸出響應相對應，隱蔽層B所含節點個數根據需要設定。

記A層節點 的輸出為 ，到B層節點 的連接權為 ，B層節點 到C層節點 的連接權為 ，B層節點 的閾值為 ，C層節點的閾值為 ，則：

B層節點 的輸出函數為

C層節點 的輸出函數為

2.1 模型確立

本文采用經典的三層人工神經網絡模型。

輸入層：根據現有文獻成果，與掏空行為的發生有相關關系的企業財務及公司治理指標主要有：企業的資金狀況(貨幣資金)、關聯交易、長期借款、股權集中度、股權性質、投資者預期以及會計業績。其中，企業的關聯交易、長期借款和投資者預期較難觀察，從外部人角度較難了解這些指標的真實狀況。而企業會計業績與企業被掏空的實證關系已被國內外大量研究所證實。因此本文主要考察企業貨幣資金(F)、股權集中度(C)與股權性質(S)與企業被掏空(T)的對應關系。其中，貨幣資金變量是一個時間序列，以反映時間變化下企業貨幣資金的異動；股權集中度用第一大股東所占股權比例表示；股權形式為0-1變量，1表示企業為國有控股，0表示非國有控股。

隱藏層：我們根據經驗關系式：N=1+n1*(n2+n3+1)/n3來確定隱藏層單元的適宜個數。其中，N為樣本量，n1為隱藏層單元數，n2為輸入層單元數，n3為輸出層單元數。將相應數值代入求解，同時在減小誤差的前提下，我們選取隱藏層的適宜單元數為10。

輸出層：輸出層單元只有一個，即企業是否被掏空。我們采用0-1變量來表示企業被掏空的情況，1表示存在掏空現象；0表示不存在掏空現象。掏空的判斷主要以對企業掏空的報道為依據。比如，在本文選取的數據中，600215與600667被相關報道證實存在大股東的掏空行為。

實質上，本模型就是通過企業貨幣資金、股權集中度與股權性質這三類因素來判斷企業被掏空的情況：

2.2 數據選取與運算

數據隨機選取了28個未有任何掏空報道的上市公司財務報表中2003～2011年末貨幣資金余額(F03,F04,…,F11，單位為百萬元)、股權集中度(即C，用第一大股東持股比例表示)、股權性質(即S，國有控股為1，非國有控股為0)；兩個有掏空報道的上市公司(股票代碼為600215、600667)的同類數據。

仿真運算：運算過程利用Matlab11.0的人工神經網絡算法，訓練的樣本包括28個未發現掏空企業數據與1個被發現掏空企業的數據：

在BP網絡的訓練中, 確定BP網絡的輸入層、輸出層和隱含層的節點數分別為11、10和1。學習速率設為0.01, 沖量因子設為0.6,最小允許誤差為0.001。根據建立的BP 神經網絡, 輸入上表訓練樣本對BP網絡進行訓練。下圖為訓練次數與輸出誤差的關系圖。

圖2

可以看出, 當訓練次數約為277次時, BP網絡已進入穩定狀態,此時BP網絡的學習過程結束。

2.3 預測判斷

BP網絡學習完畢后, 就可以用來對待檢驗的上市公司掏空狀況進行預測。我們收集股票代碼為600215的上市公司2003～2011年末貨幣資金、股權集中度與股權性質相關數據，得到下表：

表1

將上述各因素輸入訓練好的BP網絡, 得到相應的輸出結果為0.6964。據此可判斷股票代碼為600215的上市公司存在掏空行為。根據上市公司相關報道查閱結果，我們發現股票代碼為600215的股票長春經開被報道存在掏空行為(詳見：t.stock.sohu.com 2012/8/9)，這與預測結果完全一致，說明基于BP神經網絡的上市公司掏空判斷方法是有效的。

圖3表示了預測結果與訓練模擬結果的比較。其中綠色波動線條上的空心圓點代表29個訓練樣本的模擬結果，星號連成的水平線為預測結果水平線，其值為0.6964。

圖3

3 結語

本文采用人工神經網絡算法，證明了企業貨幣資金時間序列、企業股權集中度、股權性質與企業是否存在掏空行為的對應關系，找到了一個解決掏空判別這一公司治理與財務審計領域重要問題的有效途徑。人工神經網絡系統的主要優點在于速度快，預測精度高，同時也避免了人為確定因子權重的影響，是一種較為有效的預測模擬方法。

[1]Grossman & Hart.An Analysis of the Principal-Agent Problem[J].Micro theory reading group.1983.

[2]Marks Mizruchi.Berle and Means revisited: the governance and power of large U.S.corporations[J].Theory and Society.2004.

[3]Michael C.Jensen&William H.Meckling, Theory of the Firm: Managerial Behavior，Agency Costs and Ownership Structure[J].Journal of Financial Economics.1976.

[4]La Porta et.Corporate Owership Around the World[J].the Journal of Financial.1999.

[5]Eric Friedman, Simon Johnson and Todd Mitton.Propping and Tunneling[J].Journal of Comparative Economics.2003.

[6]劉峰,鐘瑞慶,金天.弱法律風險下的上市公司控制權轉移與“搶劫”——三利化工掏空通化金馬案例分析[J].管理世界.2007(12).

[7]賀建剛,劉峰.大股東控制、利益輸送與投資者保護一基于上市公司資產收購關聯交易的實證研究[J].中國會計與財務研究.2005,7(3).

[8]劉啟亮,李增泉,姚易偉.投資者保護、控制權私利與金字塔結構——以格林柯爾為例[J].管理世界.2008(12).

[9]劉峰,向凱.公司并購何以成為打劫上市公司的手段?市場角度的分析[J].中國會計評論,2009,7(1).

[10]賀建剛,孫錚,李增泉.難以抑制的控股股東行為:理論解釋與案例分析[J].會計研究,2010.

[11]盛征.后股權分置時代控股股東“支持”和“掏空”行為與上市公司價值的研究[D].上海:復旦大學,2009.

[12]余明桂.中國上市公司控股股東的代理問題研究[D].湖北:華中科技大學,2004.

[13]胡小剛.家族企業治理模式影響因素的實證研究——基于杭州樣本的分析[D].浙江:浙江工商大學,2008.

[14]潘林.控股股東的掏空與支持——來自中國民營上市公司的經驗證據[D].山東:山東大學,2007.

[15]查路.大股東侵占研究——基于關聯交易的分析[D].重慶:西南財經大學,2008.

[16]戴志敏.上市公司關聯交易與大股東掏空行為問題研究[D].浙江:浙江大學,2005.