摘要：在Logistic模型和BP神經(jīng)網(wǎng)絡(luò)兩種單一預(yù)測模型的基礎(chǔ)上，將Logistic模型輸出的違約概率引入到BP神經(jīng)網(wǎng)絡(luò)中，從而構(gòu)建一種非線性組合預(yù)測模型，并將其應(yīng)用于上市公司財(cái)務(wù)預(yù)警。實(shí)證結(jié)果表明，該組合預(yù)測模型能有效提高預(yù)測精度，具有良好的應(yīng)用前景。
　　關(guān)鍵詞：上市公司；財(cái)務(wù)預(yù)警；Logistic模型；BP神經(jīng)網(wǎng)絡(luò)；組合預(yù)測
　　
　　建立上市公司財(cái)務(wù)預(yù)警系統(tǒng)，能對公司的財(cái)務(wù)風(fēng)險(xiǎn)起到未雨綢繆的作用，它能以財(cái)務(wù)指標(biāo)數(shù)據(jù)形式將公司面臨的潛在危險(xiǎn)預(yù)先告知經(jīng)營者，促使管理層通過全面分析公司內(nèi)部經(jīng)營、外部環(huán)境的各種資料，尋找財(cái)務(wù)危機(jī)發(fā)生的原因和公司財(cái)務(wù)管理體系中隱藏的問題，并制定解決問題的有效措施，以避免或降低公司的財(cái)務(wù)危機(jī)。同時(shí)，建立上市公司財(cái)務(wù)預(yù)警系統(tǒng)還有利于投資者的決策和證券市場的規(guī)范。
　　
　　　一、組合預(yù)測的優(yōu)勢及應(yīng)用思路
　　
　　　現(xiàn)有的上市公司財(cái)務(wù)預(yù)警方法可大致分為定性預(yù)警分析和定量預(yù)警模式兩類。定性預(yù)警方法主要包括：災(zāi)害理論、專家調(diào)查法、“四階段癥狀”分析法等。定量預(yù)警方法主要包括：單變量判定模型、多變量線性判定模型、多元邏輯(Logistic)模型、多元概率比(Probit)回歸模型、神經(jīng)網(wǎng)絡(luò)(NN)分析模型、支持向量機(jī)(SVM)等。然而，單一預(yù)測方法所用到的信息是有限的，對同一問題只采用一種方法進(jìn)行預(yù)測。其預(yù)測精度往往不高，預(yù)測風(fēng)險(xiǎn)較大。由于不同的預(yù)測方法所用到的信息是不相同的，因此，可以將各種單一的預(yù)測結(jié)果進(jìn)行組合得到一種組合預(yù)測結(jié)果，以達(dá)到改善預(yù)測效果的目的。自Bates J.M和GrangerC.W.J(1969)首次提出組合預(yù)測方法以來，由于組合預(yù)測方法利用了更多的信息，其精度要比單一的某種預(yù)測方法得到的結(jié)果好，因而受到國內(nèi)外預(yù)測工作者的重視。Clemen R.T(1989)曾指出，組合預(yù)測將成為預(yù)測研究的主流之一。目前，組臺預(yù)測研究正從定權(quán)向變權(quán)、線性組合向非線性組臺的方向發(fā)展。近年來，組臺預(yù)測技術(shù)已被成功引入到信用風(fēng)險(xiǎn)評估中，并取得了較好的預(yù)測精度。有鑒于此，本文嘗試將組合預(yù)測應(yīng)用于上市公司財(cái)務(wù)預(yù)警。
　　神經(jīng)網(wǎng)絡(luò)是20世紀(jì)40年代發(fā)展起來的一種預(yù)決策技術(shù)，神經(jīng)網(wǎng)絡(luò)模型除了具備自組織與自適應(yīng)能力外還能有效地對非線性問題進(jìn)行處理，分類能力較高，因而被廣泛應(yīng)用于企業(yè)信用評估、財(cái)務(wù)預(yù)警等問題的研究中。組合預(yù)測的核心問題是組合機(jī)理和權(quán)值的確定，在對各類參數(shù)方法的組臺中，困難之一就是在將各種不同預(yù)測的結(jié)果加權(quán)重組時(shí)權(quán)值的確定問題。而神經(jīng)網(wǎng)絡(luò)是一種非參數(shù)的方法，所以避免了傳統(tǒng)組合預(yù)測技術(shù)對權(quán)值設(shè)定的困難。Logistic模型無需假定任何概率分布，也不要求等協(xié)方差性，因而在企業(yè)財(cái)務(wù)預(yù)警中得到了廣泛應(yīng)用?；诖?，本文借鑒文獻(xiàn)的研究思路，在Logistic模型和BP神經(jīng)網(wǎng)絡(luò)兩種單一預(yù)測模型的基礎(chǔ)上，將Logistic模型輸出的違約概率引入到BP神經(jīng)網(wǎng)絡(luò)中，從而構(gòu)建一種非線性組合預(yù)測模型，并將其應(yīng)用于上市公司財(cái)務(wù)預(yù)警。實(shí)證結(jié)果表明，該組合預(yù)測模型的預(yù)測精度高于任何一種單一預(yù)測模型，具有良好的應(yīng)用前景。
　　
　　二、實(shí)證分析
　　
　　　(一)指標(biāo)體系與樣本數(shù)據(jù)
　　企業(yè)財(cái)務(wù)危機(jī)的跡象通常都將直接或間接地在一些敏感性財(cái)務(wù)指標(biāo)的變化上反映出來，本文參考國內(nèi)外有關(guān)文獻(xiàn)提出的企業(yè)財(cái)務(wù)預(yù)警指標(biāo)體系，遵循指標(biāo)選取的系統(tǒng)性、科學(xué)性、客觀性、可操作性及敏感-性等原則，從償債能力、營運(yùn)能力和盈利能力等三個(gè)方面，選取流動(dòng)比率、速動(dòng)比率、資產(chǎn)負(fù)債率、利息保障倍數(shù)、應(yīng)收賬款周轉(zhuǎn)率、存貨周轉(zhuǎn)率、固定資產(chǎn)周轉(zhuǎn)率、總資產(chǎn)周轉(zhuǎn)率、凈資產(chǎn)報(bào)酬率、總資產(chǎn)報(bào)酬率、銷售凈利率、股本報(bào)酬率等12項(xiàng)財(cái)務(wù)比率指標(biāo)建立上市公司財(cái)務(wù)預(yù)警初始指標(biāo)體系。
　　本文選取滬、深股市中的信息產(chǎn)業(yè)上市公司(包括涉足信息產(chǎn)業(yè)的上市公司)作為研究對象，數(shù)據(jù)來源于國泰安數(shù)據(jù)庫和CCER數(shù)據(jù)庫。將上市公司因財(cái)務(wù)狀況出現(xiàn)異常而被特別處理(ST)作為企業(yè)財(cái)務(wù)預(yù)警的標(biāo)志，定義ST企業(yè)為財(cái)務(wù)危機(jī)公司，非ST企業(yè)為財(cái)務(wù)健康公司。樣本區(qū)間選定為2006-2008年，其中，ST企業(yè)采用被ST前兩年的年報(bào)數(shù)據(jù)進(jìn)行試驗(yàn)，最終取得的樣本總數(shù)為104個(gè)。將實(shí)驗(yàn)樣本集分為訓(xùn)練樣本和測試樣本。采用分層抽樣方法，從104個(gè)樣本中，分別對非ST企業(yè)和ST企業(yè)，隨機(jī)抽取70％(共72個(gè)樣本)作為訓(xùn)練樣本建立模型(其中：非ST企業(yè)36家，ST企業(yè)36家)；剩余的30％(共32個(gè)樣本)作為測試樣本檢驗(yàn)?zāi)Ｐ?其中：非ST企業(yè)16家，ST企業(yè)16家)。
　　考慮到上市公司財(cái)務(wù)預(yù)警初始指標(biāo)體系中可能存在冗余指標(biāo)，本文還借助ROSEtTA分析軟件，運(yùn)用粗糙集屬性約簡遺傳算法對初始指標(biāo)進(jìn)行約簡，從12個(gè)初始指標(biāo)中剔除了6個(gè)冗余指標(biāo)。由此得到流動(dòng)比率、資產(chǎn)負(fù)債率、應(yīng)收賬款周轉(zhuǎn)率、固定資產(chǎn)周轉(zhuǎn)率、凈資產(chǎn)報(bào)酬率、總資產(chǎn)報(bào)酬率等6個(gè)對信息產(chǎn)業(yè)上市公司財(cái)務(wù)風(fēng)險(xiǎn)識別具有重要影響的指標(biāo)。
　　(二)Logistic模型
　　鑒于企業(yè)財(cái)務(wù)危機(jī)預(yù)測可歸于二值響應(yīng)變量(正常和危機(jī))預(yù)測問題，根據(jù)國內(nèi)外相關(guān)研究的使用頻率和效果，本文以上述6個(gè)指標(biāo)為自變量，二元變量0和1為因變量，運(yùn)用Logistic二元回歸模型構(gòu)建信息產(chǎn)業(yè)上市公司財(cái)務(wù)預(yù)警模型。利用SPSS16.0軟件對訓(xùn)練樣本進(jìn)行Loglstic回歸分析，分類臨界值設(shè)置為0.5，即預(yù)測值(可近似看成違約概率)大于0.5的取1，預(yù)測值小于0.5的取0。采用訓(xùn)練樣本對模型進(jìn)行內(nèi)部檢驗(yàn)，同時(shí)，采用測試樣本對模型進(jìn)行外部檢驗(yàn)。LogiStic模型預(yù)測結(jié)果見表1。其中，第一類錯(cuò)誤是指將ST企業(yè)誤判為非ST企業(yè)，第二類錯(cuò)誤是指將非ST企業(yè)誤判為ST企業(yè)。
　　(三)BP神經(jīng)網(wǎng)絡(luò)模型
　　神經(jīng)網(wǎng)絡(luò)的輸八層節(jié)點(diǎn)數(shù)對應(yīng)于財(cái)務(wù)預(yù)警的指標(biāo)數(shù)，即輸入層節(jié)點(diǎn)數(shù)n＝6。神經(jīng)網(wǎng)絡(luò)輸出層節(jié)點(diǎn)數(shù)取決于財(cái)務(wù)預(yù)警等級的評價(jià)結(jié)構(gòu)，本文將樣本公司分為兩個(gè)等級：財(cái)務(wù)危機(jī)和財(cái)務(wù)健康，因此，輸出層節(jié)點(diǎn)數(shù)m＝2，對應(yīng)輸出值為(1，0)和(0，1)。在三層BP神經(jīng)網(wǎng)絡(luò)中，隱含層節(jié)點(diǎn)數(shù)不是固定不變的。經(jīng)驗(yàn)公式顯示：隱含層神經(jīng)元數(shù)等于輸入層神經(jīng)元數(shù)乘以二再加上一。以經(jīng)驗(yàn)公式為參考，經(jīng)多次試算，根據(jù)誤差最小化原則，最終確定隱含層節(jié)點(diǎn)數(shù)為15。BP神經(jīng)網(wǎng)絡(luò)采用有一定閾值特性且連續(xù)可微的sigmoid函數(shù)作為神經(jīng)元的激發(fā)函數(shù)。目標(biāo)值為1.00E-06，學(xué)習(xí)率為0.91，最大學(xué)習(xí)次數(shù)為3000，系統(tǒng)每10步顯示一次訓(xùn)練誤差的變化曲線。經(jīng)過100次訓(xùn)練得到神經(jīng)網(wǎng)絡(luò)模型，逼近誤差為18774E-05，總體誤差達(dá)到要求。BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果見表1。
　　
　　(四)組合預(yù)測模型
　　組合預(yù)測模型將Logistic模型輸出的違約概率引入到BP神經(jīng)網(wǎng)絡(luò)中，這樣網(wǎng)絡(luò)的輸入就包括初始的6個(gè)財(cái)務(wù)指標(biāo)和1個(gè)表示上市公司違約概率的變量，共7個(gè)輸入。該模型采用與上述BP神經(jīng)網(wǎng)絡(luò)模型相同的算法，所不同的只是網(wǎng)絡(luò)的結(jié)構(gòu)和學(xué)習(xí)的參數(shù)。經(jīng)100坎訓(xùn)練之后得到一個(gè)具有7個(gè)輸入層節(jié)點(diǎn)、18個(gè)隱合層節(jié)點(diǎn)和2個(gè)輸出層節(jié)點(diǎn)的網(wǎng)絡(luò)，其中。目標(biāo)值為100E-06。學(xué)習(xí)率為0.86，逼近誤差為2.8869E-06。組合預(yù)測模型預(yù)測結(jié)果見表1。
　　表1顯示，組合預(yù)測模型在訓(xùn)練樣本集中的預(yù)測準(zhǔn)確率達(dá)到89.34％，高于其余兩種模型，其中，第一類錯(cuò)誤率略高于BP神經(jīng)網(wǎng)絡(luò)，但遠(yuǎn)低于Logistic模型，第二類錯(cuò)誤率均低于其余兩種模型；在測試樣本集中的預(yù)測準(zhǔn)確率達(dá)到87.80％，高于其余兩種模型，其中，第一類錯(cuò)誤率略高于BP神經(jīng)網(wǎng)絡(luò)，但遠(yuǎn)低于Logistic模型，第二類錯(cuò)誤率均低于其余兩種模型。由此可見，組合預(yù)測模型的預(yù)測精度總體上較優(yōu)。此外，本文還考察了三種模型的魯棒性，比較測試樣本集與訓(xùn)練樣本集的預(yù)測準(zhǔn)確率。BP神經(jīng)網(wǎng)絡(luò)模型下降了0.98％，組臺預(yù)測模型下降了1.72％，Logistic模型下降了7.61％，顯然，組合預(yù)測模型的魯棒性較好，能夠滿足實(shí)際應(yīng)用的需要。
　　
　　三、結(jié)　語
　　
　　在Logistic模型和BP神經(jīng)網(wǎng)絡(luò)兩種單一預(yù)測模型的基礎(chǔ)上，將Logistic模型輸出的違約概率引入到BP神經(jīng)網(wǎng)絡(luò)中，從而構(gòu)建一種非線性組合預(yù)測模型，并將其應(yīng)用于上市公司財(cái)務(wù)預(yù)警。由于組合預(yù)測模型利用了更多的信息。因而其預(yù)測精度總體上較優(yōu)，魯棒性較好，具有良好的應(yīng)用前景。神經(jīng)網(wǎng)絡(luò)雖然對樣本數(shù)據(jù)的分布沒有嚴(yán)格要求。且具有處理非線性問題的能力，但其缺點(diǎn)也較為明顯，主要表現(xiàn)在：一是存在“黑箱性”問題，無法獲知其運(yùn)行方式，不具備解釋性，缺乏堅(jiān)實(shí)的統(tǒng)計(jì)理論和基礎(chǔ)；二是算法容易形成局部極小，而得不到全局最優(yōu)；三是算法迭代次數(shù)多，且收斂速度緩慢。因此，選擇更為完備的非參數(shù)方法進(jìn)行組合預(yù)測有待于進(jìn)一步研究。
　　
　　參考文獻(xiàn)：
　　[1]王平心，楊冬花，基于熵值法的我國上市公司財(cái)務(wù)預(yù)警系統(tǒng)研究，商業(yè)研究，2005(15)：86-88
　　[2]李志強(qiáng)，上市公司財(cái)務(wù)預(yù)警研究述評[J]金融理論與實(shí)踐
　　[3]王春峰，萬海暉，張維，組合預(yù)測在商業(yè)銀行信用風(fēng)險(xiǎn)評估中的應(yīng)用，管理工程學(xué)報(bào)，1999，13(1)：5-8
　　[4]韓平，席酉民，基于模糊神經(jīng)網(wǎng)絡(luò)的信貸風(fēng)險(xiǎn)組合預(yù)測，數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究，2001(5)：107-110
　　[5]姜明輝，袁緒川，基于GP的個(gè)人信用評估非線性組合預(yù)測模型，電子科技大學(xué)學(xué)報(bào)(社科版)，2008，10(1)：1-5
　　[6]王國胤，Rough集理論與知識獲取[M]西安：西安交通大學(xué)出版社，2001
　　[7]陳曉，陳治鴻，中國上市公司的財(cái)務(wù)困境預(yù)測，中國財(cái)務(wù)與會(huì)計(jì)研究，2000，3(9)7-