張漫漫+盧靜

摘要：本文以北京市45家已上市的工業(yè)企業(yè)作為研究樣本，選取2012—2014年的18項財務指標和非財務指標，在主成分分析的基礎上，提取了7項主成分因子，構建財務風險預警的指標體系，最后運用多層感知器神經網絡模型進行訓練、測試。實證結果表明，該種預警方式對中等風險的樣本預測準確，總體上能提供可靠的預警信息，并對北京市上市的工業(yè)企業(yè)進行有效的財務風險預警。

關鍵詞：企業(yè)管理 財務風險預警 多層感知器 主成分分析

一、引言

工業(yè)企業(yè)從事的是工業(yè)性生產或勞務的經營活動，在國家的生產、流通、服務等經濟活動中起到了重要作用，但在知識經濟迅猛發(fā)展的時代，高新技術企業(yè)和第三企業(yè)的崛起，使得工業(yè)企業(yè)在投資融資甚至生產經營上都受到了較大的財務威脅，因此要加強對工業(yè)企業(yè)的財務預警，從而為企業(yè)的信息使用者提供及時有效的財務信息，預防企業(yè)可能出現的風險，保障股東的權益和市場穩(wěn)定。

首先在財務風險預警領域樹立里程碑的是Beaver（1966），他利用單變量對企業(yè)破產進行預測，局限性是對同一企業(yè)的風險進行預測時，選擇的比率不同，得到的結果也可能有所不同。美國學者Edward Altman在1968年提出了多元變量Z-score模型，突破了單變量的研究。之后學者們紛紛利用多變量財務預警模型進行研究，但在1980年學者Ohlson首次采用Logistic方法預測財務風險。進入20世紀90年代，出現了基于神經網絡的財務風險預警模型，得到的結果比較理想。隨后一些新的方法如：支持向量機、期權定價模型也被運用到財務風險預警的分析中。我國的財務風險預警研究起步較晚，周首華、楊濟華（1996）把現金流量指標引入到Z分數模型中，提出了新的模型—— F分數模型。陳瑜（2000）運用二元線性回歸和主成分分析對上市公司財務預警模型的構建進行實證研究。姜秀華、孫錚（2001）則運用Logistic建立回歸判別模型。隨后的財務風險預警研究采用了新的方法——神經網絡，如： BP神經網絡（楊淑娥、黃禮，2005），模糊神經網絡混合模型（梁杰，2006），遺傳神經網絡（蔡志岳、吳世農，2006），RBF神經網絡對物流企業(yè)財務風險預警的評價（劉磊、郭巖，2012）等。隨著多學科的交流融合，也出現了其他的模型，如2015年藍莎運用系統(tǒng)動力學對財務系統(tǒng)進行結構—功能模擬，建立了財務風險預警體系。

總體來看，多元判別分析、Logistic和人工神經網絡是主要的預測方法，三者之中預測度最高的是人工神經網絡，最差的是多元判別模型。目前文獻對工業(yè)企業(yè)的財務風險預警研究較少，本文選取北京市工業(yè)企業(yè)與財務風險有關的財務與非財務數據，并引入人工神經網絡中相對完善、易于操作的多層次感知器，構建財務風險預警體系。

二、數據樣本的確定

（一）樣本預警指標選取

本文研究對象是北京市45家在上海證券交易所上市的A股工業(yè)企業(yè)，并通過csmar數據庫收集2012—2014年這些公司的相關指標。選取的指標既包括了反映企業(yè)償債能力、盈利能力、經營能力和發(fā)展能力四個方面的財務指標，也涵蓋了相關非財務指標，如股權集中度和獨立董事比例，總計18項預警指標，如表1所示。

（二）財務風險劃分

由于45家北京市工業(yè)企業(yè)被ST特殊處理的情況較少，且標記為ST發(fā)生在出現財務危機之后，很難對企業(yè)風險預警產生前瞻性影響，而且財務風險的發(fā)生是一個漸進的過程，上市公司的財務狀況在不加以控制的情況下會由輕度財務危機轉換為重度財務危機。所以本文將財務風險按照以下標準將其細分為低風險、中等風險和重大風險。如果當年的凈利潤不為負時，表明上市公司的財務風險為低風險;當年首次出現凈利潤為負，則表明上市公司為中等財務風險水平;當年為第二次出現凈利潤為負時，則表明財務風險水平很高，歸類為重大風險。根據上述標準，將2012—2014年45家公司共135個樣本劃分為三類，其中：低風險有120個，中等風險為10個，重大風險為5個。

三、實證檢驗

（一）KMO檢驗與Bartlett球度檢驗

在收集到以上45家工業(yè)上市公司近三年18項指標數據后，對原始數據進行標準化處理，以消除不同指標間的量綱差異。在此基礎上為判斷135個樣本數據是否能進行主成分分析，首先對標準化后的數據進行KMO檢驗與Bartlett球度檢驗，如表2所示，其中KMO值為0.678，大于0.6，適合做主成分分析;Bartlett球度檢驗的顯著性概率為0，說明變量具有統(tǒng)計學意義，而且表現出高度的相關性和顯著性。

（二）主成分因子的提取

為了對財務風險預警進行更加有效的分析，需要減少變量的個數，分析2012—2014年共135個樣本數據的18項預警指標，利用SPSS軟件進行因子分析，提取主成分因子，如表3所示。在特征值大于1時，共提取7個主成分因子，這7個主成分因子的累計方差貢獻率達到75.9%，能反映18個變量四分之三的信息。設主成分因子為Fi（i=1，2， …，7），做成分矩陣（如表4所示），可以進一步分析主成分Fi所代表的能力和它反映的有關上市公司的財務信息。

主成分因子F1中資產報酬率、每股收益、營業(yè)凈利率的比重較大，說明F1主要反映公司的盈利能力;F2中所有者權益增長率和凈利潤增長率所占的比重大，代表公司的發(fā)展能力;F3中反映償債能力的指標比重較大，說明F3主要變現為償債能力;F4中非財務指標的獨立董事比例比重最大，則把公共因子看成股權結構因子;F5中總資產周轉率的比重最大，代表整體營運能力;F6中綜合杠桿的比重最大，反映了風險水平能力;F7中營運能力的應收賬款周轉率和存貨周轉率指標所占的比重大，F7代表日常營運能力因子。這7個因子涉及到財務和非財務的相關信息，比較全面地反映出財務風險的各種因素。

（三） MLP風險預警模型的構建及實證結果

多層感知器（MLP）是一種多層前饋網絡模型，具有高度的非線性映射能力，它由三部分組成：一層為感知單元組成的輸入層;一層為（或多層）計算節(jié)點的隱藏層;一層為計算節(jié)點的輸出層。

本文運用SPSS軟件，首先將七個主成分因子代表初始的18項指標，代入神經網絡的多層感知器，作為協(xié)變量，風險程度作為因變量。其次在分區(qū)中，按照七比三的比例隨機分配個案，即135個樣本中70%作為訓練變量，30%作為測試變量。其中訓練變量中重大風險的樣本為3個，中等風險的樣本數為8個，低風險的樣本數為86個;測試變量中包含重大風險的樣本2個，中等風險的樣本數為2個，低風險的樣本數為34個。然后在體系結構中，設置最低的隱藏層數為1，分批進行培訓操作時，選擇調整的共軛梯度對算法進行優(yōu)化。最后可以輸出ROC曲線分析準確性和特異性，判斷對財務風險的預警能力。

MLP對財務風險預警識別結果如表5所示，已預測與已觀測的樣本相比，在訓練變量中，有三個樣本其實屬于重大風險，卻預測為中等風險，準確率為0，中等風險和低風險全部預測準確，總體來看，訓練變量的正確率為96.9%;在測試變量中，重大風險有2個在預測的中等風險水平中，總計的測試變量的準確率為94.7%。由此得出綜合正確率為95.8%，其中低風險預測準確率為100%，說明多層感知器對低風險能較好的預測;誤判均發(fā)生在將重大風險歸類到中等風險，究其原因可能是重大風險與中等風險劃分不明確，且在第一年出現凈利潤為負時，第二年要想轉虧為盈的難度也很大，或者即使利潤為正，為彌補去年差異最后的凈利潤數額也較小，這樣造成重度風險和中度風險的差異不大，利用多層感知器預測時會產生偏差。

四、結論

為了使工業(yè)企業(yè)對財務風險進行預先的測定和防范，減少風險到來時企業(yè)的損失，本文根據45家北京市工業(yè)企業(yè)的財務數據，運用多層感知器神經網絡對工業(yè)企業(yè)財務風險展開評價研究。

首先按照一定標準，劃分樣本所面臨的財務風險大小，其次利用主成分分析，建立了較為全面的財務風險預警評價體系，包含了盈利能力、償債能力、發(fā)展能力、風險水平、股權結構、整體和日常營運能力等七個指標，其中股權結構等經過量化的非財務指標引入有利于全面反映財務信息。在此基礎上結合基于多層感知器的神經網絡技術構建財務風險預警模型，實證結果表明，該模型綜合正確百分比較高，對中等風險的公司財務風險預測也較為準確，可以為工業(yè)企業(yè)財務風險預警提供借鑒信息。鑒于模型進行實證分析，可以避免人工預測帶來的主觀影響，保證評價結果的客觀性、準確性。

本文研究的不足是樣本只限于北京市在上海證券交易所上市的A股工業(yè)企業(yè)，樣本量較少，特別是按標準劃分后的重大風險和中等風險的公司數量較少，導致多層感知器訓練不充分，影響到測試結果的準確性。Z

參考文獻：

[1]郭文偉，陳澤鵬，鐘明.等.基于MLP神經網絡構建小企業(yè)信用風險預警模型[J].財會月刊，2013，（3）.

[2]曹彤，郭亞軍. 基于神經網絡模型的上市公司財務風險預警研究[J].財會通訊，2014，（3）.

[3]郭華.關于國有企業(yè)建立財務風險預警機制的探討[J].商業(yè)會計，2014，（17）.