朱清香　徐琳琳　謝姝琳　谷秋月

【摘 要】 財務(wù)風(fēng)險伴隨著企業(yè)自初創(chuàng)、成熟直至衰退的整個過程，經(jīng)濟新常態(tài)下中國經(jīng)濟增速放緩，中小板上市公司在此宏觀環(huán)境下面臨著比以往更大的財務(wù)風(fēng)險。財務(wù)預(yù)警是根據(jù)企業(yè)的經(jīng)營狀況和財務(wù)指標(biāo)等因素的變化，對企業(yè)財務(wù)管理活動中存在的財務(wù)風(fēng)險進行檢測、診斷和報警的方法。文章利用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建了新常態(tài)背景下適用于我國中小板上市公司的財務(wù)預(yù)警模型，并對模型的預(yù)測準(zhǔn)確率進行了檢驗，認(rèn)為模型達到了較好的預(yù)警效果。最后針對新常態(tài)下中小板上市公司的特點提出了財務(wù)風(fēng)險的應(yīng)對措施。

【關(guān)鍵詞】 新常態(tài)； 中小板上市公司； 財務(wù)風(fēng)險； 財務(wù)預(yù)警； BP神經(jīng)網(wǎng)絡(luò)

中圖分類號：F275.5 文獻標(biāo)識碼：A 文章編號：1004-5937（2016）04-0055-04

一、引言

財務(wù)風(fēng)險是每一個企業(yè)從初創(chuàng)、成熟直至衰退的整個過程都無法消除的，企業(yè)的存在始終伴隨著財務(wù)風(fēng)險。若企業(yè)長期存在過高的財務(wù)風(fēng)險，不僅會增加企業(yè)的經(jīng)營負(fù)擔(dān)，也會使投資者失去信心，形成惡性循環(huán)，最終導(dǎo)致企業(yè)資金鏈斷裂，財務(wù)危機爆發(fā)。因此，如何及早地發(fā)現(xiàn)企業(yè)的財務(wù)風(fēng)險并合理應(yīng)對，是企業(yè)良性運轉(zhuǎn)的必要條件。

時下，新常態(tài)已是中國經(jīng)濟發(fā)展的現(xiàn)狀與趨勢。新常態(tài)下，中國經(jīng)濟增速放緩，企業(yè)面臨轉(zhuǎn)型升級，這一宏觀環(huán)境可能會增加企業(yè)的財務(wù)風(fēng)險。中小板上市公司是流通股本規(guī)模較小的公司，由于受到自身規(guī)模及管理水平的限制，對于經(jīng)濟新常態(tài)的宏觀影響的反映更為敏感。因此，在經(jīng)濟新常態(tài)背景下建立適用于中小板企業(yè)的財務(wù)預(yù)警模型，使企業(yè)在財務(wù)危機到來之前預(yù)先察覺，并及時采取措施，是中小板上市公司健康發(fā)展過程中需要解決的重要問題。

二、概念界定及文獻回顧

（一）經(jīng)濟新常態(tài)的含義和特點

經(jīng)濟新常態(tài)一詞是習(xí)近平主席2014年5月在河南考察時首次提出的，所謂“新”，就是有異于舊質(zhì)；“常態(tài)”，就是時常發(fā)生的狀態(tài)。新常態(tài)，就是一種不同于以往的、相對穩(wěn)定的狀態(tài)，經(jīng)濟新常態(tài)意味著中國經(jīng)濟已經(jīng)進入了一個與過去三十多年高速增長期不同的新的階段。

中國經(jīng)濟呈現(xiàn)新常態(tài)有以下主要特點，一是從高速增長轉(zhuǎn)為中高速增長，經(jīng)濟增長更趨平穩(wěn)；二是經(jīng)濟結(jié)構(gòu)不斷優(yōu)化升級，發(fā)展前景更為穩(wěn)定，第三產(chǎn)業(yè)消費需求正逐步成為主體，城鄉(xiāng)區(qū)域差距逐漸縮小，居民收入占比上升，發(fā)展成果惠及更廣民眾；三是從要素驅(qū)動、投資驅(qū)動轉(zhuǎn)向創(chuàng)新驅(qū)動。中國經(jīng)濟新常態(tài)揭示了中國經(jīng)濟增長率的新變化，體現(xiàn)了未來經(jīng)濟發(fā)展的新趨勢。

（二）財務(wù)預(yù)警的含義

財務(wù)預(yù)警是指根據(jù)企業(yè)的經(jīng)營狀況和財務(wù)指標(biāo)等因素的變化，對企業(yè)財務(wù)管理活動中存在的財務(wù)風(fēng)險進行檢測、診斷和報警的方法。具體而言，財務(wù)預(yù)警有廣義和狹義之分。廣義的財務(wù)預(yù)警是對所有可能引發(fā)企業(yè)財務(wù)風(fēng)險的因素進行研究，只要發(fā)現(xiàn)企業(yè)存在潛在風(fēng)險就會進行預(yù)警。而狹義的財務(wù)預(yù)警是企業(yè)財務(wù)危機預(yù)警，是對企業(yè)資金周轉(zhuǎn)不利、出現(xiàn)經(jīng)營虧損、甚至瀕臨破產(chǎn)等財務(wù)困境進行預(yù)警。本文采用廣義的財務(wù)預(yù)警。

財務(wù)預(yù)警是企業(yè)的一種診斷工具，對企業(yè)的財務(wù)風(fēng)險進行預(yù)測和診斷，防止?jié)撛诘呢攧?wù)風(fēng)險演變成為財務(wù)危機，起防患未然的作用。企業(yè)的管理者可以通過財務(wù)預(yù)警及時發(fā)現(xiàn)企業(yè)財務(wù)管理活動中存在的風(fēng)險隱患，從而及早采取措施，保障企業(yè)良性運轉(zhuǎn)；企業(yè)的投資者可以通過財務(wù)預(yù)警了解企業(yè)的風(fēng)險狀況，合理做出投資決策；債權(quán)人可以利用財務(wù)預(yù)警對企業(yè)的風(fēng)險狀況進行判斷，制定合理的信貸政策；政府監(jiān)督部門可以通過財務(wù)預(yù)警有效地監(jiān)督企業(yè)風(fēng)險，從而對市場進行引導(dǎo)和控制；企業(yè)的關(guān)聯(lián)方等其他利益相關(guān)者也可以通過財務(wù)預(yù)警來了解企業(yè)的財務(wù)風(fēng)險，從而作出科學(xué)的決策。綜上，有效的財務(wù)預(yù)警模型對于企業(yè)各利益相關(guān)者都具有重要的意義。

（三）財務(wù)預(yù)警模型

財務(wù)預(yù)警始于1932年Fitzpartrick的單變量破產(chǎn)預(yù)警研究，此后，Altman（1968）運用多元線性判定進行財務(wù)風(fēng)險預(yù)警，建立了Z-Score模型，該模型對財務(wù)風(fēng)險判斷具有很高的準(zhǔn)確率，至今仍有借鑒意義。多元線性判定模型要求破產(chǎn)和非破產(chǎn)兩組企業(yè)樣本自變量服從正態(tài)分布且協(xié)方差相等，為克服這些限制條件，Ohlson（1980）將多元邏輯回歸模型應(yīng)用于財務(wù)預(yù)警領(lǐng)域，通過條件概率來判斷企業(yè)的財務(wù)風(fēng)險。隨著信息技術(shù)的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)逐步被運用到企業(yè)財務(wù)預(yù)警中，Odom et al.（1990）運用神經(jīng)網(wǎng)絡(luò)對企業(yè)破產(chǎn)進行預(yù)測，結(jié)果發(fā)現(xiàn)利用神經(jīng)網(wǎng)絡(luò)構(gòu)建的財務(wù)預(yù)警模型有較好的預(yù)測能力。人工神經(jīng)網(wǎng)絡(luò)模型克服了統(tǒng)計方法上的局限性，并且有較強的容錯能力和糾錯能力，因此被很多學(xué)者認(rèn)可。

我國資本市場起步較晚，國內(nèi)對于財務(wù)預(yù)警的研究也相對較晚，研究方法大多是從借鑒國外相關(guān)研究開始。周首華等（1996）最早對Altman的Z分?jǐn)?shù)模型進行了改進，建立了F分?jǐn)?shù)模型，此后，也有學(xué)者利用Z計分模型對我國不同行業(yè)的財務(wù)預(yù)警進行研究。朱洪婷（2015）、王宗勝等（2015）分別運用Logistic模型對我國制造業(yè)上市公司進行財務(wù)預(yù)警研究，具有較好的預(yù)測效果。在我國首次提出建立神經(jīng)網(wǎng)絡(luò)預(yù)警系統(tǒng)的是黃小原等（1995），研究結(jié)果表明基于神經(jīng)網(wǎng)絡(luò)的預(yù)警系統(tǒng)構(gòu)造簡潔，使用方便，具有廣闊的應(yīng)用前景。此后，一些學(xué)者分別將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于我國不同行業(yè)上市公司的財務(wù)預(yù)警中，均得到了較高的預(yù)測準(zhǔn)確率。

綜上所述，國內(nèi)外對財務(wù)預(yù)警的研究已經(jīng)取得了不小的成果，而隨著證券市場的不斷發(fā)展和完善，對財務(wù)預(yù)警的研究也越來越受到國內(nèi)外學(xué)者的重視。綜合國內(nèi)外學(xué)者的研究現(xiàn)狀，目前研究主要存在著以下不足：一是相關(guān)研究主要集中在機械制造業(yè)、房地產(chǎn)行業(yè)等主板上市公司，而對于中小企業(yè)的研究較少；二是學(xué)者在財務(wù)預(yù)警的研究中，大多數(shù)將研究對象分為ST公司和非ST公司進行研究，而企業(yè)財務(wù)危機的形成是一個過程，簡單地將企業(yè)分為此兩類來表示其財務(wù)狀況健康與否會略顯粗糙，可能會降低預(yù)警效果。鑒于此，本文將中小板企業(yè)的財務(wù)風(fēng)險作為研究對象，在新常態(tài)背景下利用神經(jīng)網(wǎng)絡(luò)對中小板企業(yè)的財務(wù)狀況進行財務(wù)預(yù)警。

三、BP神經(jīng)網(wǎng)絡(luò)概述

根據(jù)以往學(xué)者的研究經(jīng)驗，利用BP神經(jīng)網(wǎng)絡(luò)進行財務(wù)預(yù)警不要求樣本服從特定分布，克服了統(tǒng)計上的局限性，具有較強的容錯性和糾錯能力，并且對企業(yè)財務(wù)狀況預(yù)測的準(zhǔn)確率較高，具有較好的預(yù)警效果，因此本文采用BP神經(jīng)網(wǎng)絡(luò)進行財務(wù)預(yù)警。

BP神經(jīng)網(wǎng)絡(luò)是一種按照誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)模型之一，由信息的正向傳播和誤差的反向傳播兩個過程組成。BP神經(jīng)網(wǎng)絡(luò)包括輸入層、中間層和輸出層，輸入層的神經(jīng)元負(fù)責(zé)接受外界的輸入信息，并傳遞給中間層，中間層負(fù)責(zé)內(nèi)部信息的處理，中間層的最后一個隱含層的信息經(jīng)進一步處理后傳遞到輸出層，完成一次信息的正向傳播，由輸出層向外界輸出信息處理結(jié)果。當(dāng)實際輸出值與期望輸出不符時，則進入誤差的反向傳播階段。誤差通過輸出層，按照誤差梯度下降的方式來修正各層的權(quán)值，向中間層、輸入層逐層反向傳播。如此循環(huán)往復(fù)的信息正向傳播和誤差的反向傳播過程，是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練的過程，通過學(xué)習(xí)使各層權(quán)值不斷調(diào)整，此循環(huán)過程一直進行到網(wǎng)絡(luò)輸出的誤差減少到可以接受的水平，或者達到預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止。BP神經(jīng)網(wǎng)絡(luò)模型如圖1所示。

四、實證研究

（一）樣本選取與分類

1.樣本的選擇

財務(wù)風(fēng)險預(yù)警的意義在于預(yù)測公司未來的財務(wù)風(fēng)險，因此對于預(yù)警數(shù)據(jù)的選擇既應(yīng)當(dāng)具有前瞻性，又要保證預(yù)測的準(zhǔn)確度。鑒于此，本文利用2012年和2013年的財務(wù)指標(biāo)分別來預(yù)測中小企業(yè)板上市公司2014年的財務(wù)狀況。

本文研究的對象為中小企業(yè)板上市公司，截至2014年12月31日，在深圳證券交易所中小企業(yè)板塊上市的公司共有732家。鑒于本文在構(gòu)建模型時需要使用2012和2013年的數(shù)據(jù)，因此選擇2012年12月31日及以前上市的公司，共計701家，剔除金融業(yè)（3家）和數(shù)據(jù)不完整的公司（3家），本文選取695家中小企業(yè)板上市公司作為研究樣本。

2.樣本的分類

在以往關(guān)于財務(wù)預(yù)警的研究中，研究者通常將研究對象分成兩類，即根據(jù)公司是否被特殊處理來分類。這樣的分類方式意味著研究中認(rèn)為企業(yè)的財務(wù)狀況只有健康和危機兩種狀態(tài)，而實際上企業(yè)財務(wù)風(fēng)險的變化是一個漸變的過程?；诖?，本文不采用將樣本企業(yè)分為ST公司和非ST公司兩類的配對分類方法，而是選擇采用聚類分析方法對樣本數(shù)據(jù)進行處理，將企業(yè)的財務(wù)狀況分為從健康到重警五個等級。

根據(jù)中小板上市公司2014年的財務(wù)指標(biāo)數(shù)據(jù)，運用SPSS軟件進行兩步聚類分析，將聚類數(shù)量分成五類，統(tǒng)計結(jié)果見表1。

本文將中小企業(yè)板上市公司的財務(wù)狀況分成五個等級，分別為健康、良好、一般、輕警和重警，其中健康和良好狀況下公司面臨的財務(wù)風(fēng)險較小，需要繼續(xù)保持；處于一般狀況下公司可能存在風(fēng)險隱患，應(yīng)給予適當(dāng)?shù)年P(guān)注；處于輕警狀況下公司存在一定的財務(wù)風(fēng)險，公司應(yīng)提高警惕，及時發(fā)現(xiàn)問題并采取適當(dāng)措施；而處于重警狀態(tài)下的公司可能即將面臨或者已經(jīng)面臨財務(wù)危機，公司應(yīng)當(dāng)立即采取應(yīng)對措施。

（二）指標(biāo)確定

預(yù)警模型中選用哪些指標(biāo)作為變量，對模型的預(yù)測效率和準(zhǔn)確率有很大的影響，本文從企業(yè)的償債能力、經(jīng)營能力、盈利能力和發(fā)展能力四個方面來選取預(yù)警體系中的財務(wù)指標(biāo)，構(gòu)建財務(wù)預(yù)警指標(biāo)體系，詳見表2。

（三）參數(shù)確定

BP神經(jīng)網(wǎng)絡(luò)的參數(shù)影響了網(wǎng)絡(luò)的運行效率和預(yù)測誤差，不同性質(zhì)的樣本適用的函數(shù)也不盡相同。本文根據(jù)神經(jīng)網(wǎng)絡(luò)相關(guān)設(shè)計的理論經(jīng)驗和實際運行時的不斷修正，最終選擇以下參數(shù)構(gòu)建適用于中小板上市公司財務(wù)預(yù)警的神經(jīng)網(wǎng)絡(luò)模型。本文構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置如表3所示。

（四）模型訓(xùn)練及檢驗

本文運用MATLAB程序?qū)σ陨蠘?gòu)建的BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練和檢驗，將每一預(yù)測年度的695個樣本分成學(xué)習(xí)樣本和檢驗樣本，其中由程序隨機選擇100個樣本作為檢驗樣本，而用其余的595個樣本進行訓(xùn)練。

由于神經(jīng)網(wǎng)絡(luò)工具箱的自身特性，每一次初始化網(wǎng)絡(luò)時都是隨機的，并且在訓(xùn)練完成時的權(quán)值和閾值也不完全相同，網(wǎng)絡(luò)的誤差也會有所不同，因此每次運行網(wǎng)絡(luò)得到的結(jié)果也會有所差異。為了避免網(wǎng)絡(luò)運行結(jié)果的偶然性，本文將2012年和2013年兩個預(yù)測年度的程序分別運行了20次，并對每一次的預(yù)測準(zhǔn)確率進行了統(tǒng)計，統(tǒng)計結(jié)果見表4和表5。

根據(jù)表4及表5提供的神經(jīng)網(wǎng)絡(luò)模型運行結(jié)果統(tǒng)計可知，利用2012年的財務(wù)指標(biāo)構(gòu)建的預(yù)警模型，對檢驗樣本檢驗的準(zhǔn)確率基本上在64%至75%的區(qū)間浮動，20次運行的平均檢驗準(zhǔn)確率為69.15%。利用2013年的財務(wù)指標(biāo)構(gòu)建的預(yù)警模型對檢驗樣本財務(wù)狀況預(yù)測的準(zhǔn)確率在75%至82%的區(qū)間浮動，20次運行的平均檢驗準(zhǔn)確率為78.2%?？梢娎帽疚臉?gòu)建的BP神經(jīng)網(wǎng)絡(luò)對公司財務(wù)狀況的預(yù)測具有較高的準(zhǔn)確率，且利用2013年財務(wù)指標(biāo)對2014年公司財務(wù)狀況預(yù)測的準(zhǔn)確率要高于利用2012年財務(wù)指標(biāo)的預(yù)測準(zhǔn)確率。

對比兩個模型的預(yù)測情況，利用2013年財務(wù)指標(biāo)預(yù)測的準(zhǔn)確率高于2012年的預(yù)測準(zhǔn)確率，在對公司的財務(wù)狀況進行預(yù)測時，使用第（t-1）年的財務(wù)數(shù)據(jù)可以比使用第（t-2）年的財務(wù)數(shù)據(jù)得到更為準(zhǔn)確的公司財務(wù)狀況。而在實際運用該模型進行公司財務(wù)狀況的預(yù)測時，可以分別使用預(yù)測年度前1年和前2年的財務(wù)指標(biāo)來進行預(yù)測。即在提前2年時可以首先對公司2年后的財務(wù)狀況進行預(yù)判，若預(yù)測出潛在風(fēng)險可以提早予以關(guān)注，之后在提前1年時再次使用（t-1）年的預(yù)測模型對公司的預(yù)警進行修正，對公司財務(wù)狀況進行更為準(zhǔn)確的判斷，因此兩個模型結(jié)合使用可以達到更好的預(yù)警效果。

五、結(jié)論

本文運用BP神經(jīng)網(wǎng)絡(luò)對我國中小企業(yè)板上市公司財務(wù)狀況預(yù)測的準(zhǔn)確率較高，表明這一預(yù)測模型對中小板上市公司具有較好的預(yù)測效果，模型具備一定的預(yù)測能力。雖然每一次運行結(jié)果的準(zhǔn)確率不盡相同，但是結(jié)果準(zhǔn)確率的浮動水平基本維持在一個可以接受的區(qū)間內(nèi)，因此該預(yù)測模型具有一定的穩(wěn)定性。綜上，本文構(gòu)建的財務(wù)預(yù)警模型對企業(yè)的管理者、投資者和其他利益相關(guān)者都具有一定的參考意義。

在經(jīng)濟新常態(tài)背景下，我國中小板上市公司面臨更多的機遇和挑戰(zhàn)，管理者應(yīng)當(dāng)根據(jù)財務(wù)預(yù)警的結(jié)果，從以下方面防范企業(yè)的財務(wù)風(fēng)險：第一，適應(yīng)新常態(tài)的發(fā)展特征，重視企業(yè)的創(chuàng)新能力，逐步實現(xiàn)轉(zhuǎn)型升級；第二，將對企業(yè)財務(wù)風(fēng)險的檢查和預(yù)警視為企業(yè)財務(wù)管理的常態(tài)化活動，提高中小板企業(yè)的財務(wù)管理水平；第三，完善中小板上市公司的治理結(jié)構(gòu)，盡量避免家族式控股的狀況，保證企業(yè)決策的科學(xué)性；第四，提高管理人員的風(fēng)險意識，對于企業(yè)存在的潛在風(fēng)險能夠盡早發(fā)現(xiàn)，并及時采取應(yīng)對措施。中小板上市公司只有科學(xué)地防范財務(wù)風(fēng)險，才可以在經(jīng)濟新常態(tài)背景下實現(xiàn)健康、可持續(xù)的發(fā)展。

【參考文獻】

[1] FITZPATRICK P. J. A Comparison of The Ratios of Successful Industrial Enterprises with Those of Failed Firms [J]. Certifies Public Accountant，1932（5）：46-51.

[2] ALTMAN E I. Financial Ratios， Discriminant Analysis and the Prediction of Corporate Bankruptcy[J]. The Journal of Finance， 1968，23（4）：589-609.

[3] OHLSON J A. Financial Ratios and the Probabilistic Prediction of Bankruptcy[J].Journal of Accounting Research，1980，18（1）： 109-131.

[4] ODOM M D， SHARDA R. A Neural Network Model for Bankruptcy Prediction[C]. International Joint Conference on Neural Networks. IEEE， 1990：163-168.

[5] 周首華，楊濟華，王平.論財務(wù)危機的預(yù)警分析——F分?jǐn)?shù)模式[J].會計研究，1996（8）：8-11.

[6] 朱洪婷. 基于Logistic模型的機械制造業(yè)上市公司財務(wù)預(yù)警應(yīng)用與分析[J].時代金融，2015（2）：228-229.

[7] 王宗勝，尚姣姣.我國制造業(yè)上市公司財務(wù)困境預(yù)警分析[J].統(tǒng)計與決策，2015（3）：174-177.

[8] 黃小原，肖四漢，樊治平.神經(jīng)網(wǎng)絡(luò)預(yù)警系統(tǒng)及其應(yīng)用[C].中國控制與決策學(xué)術(shù)年會，1995.

[9] 楊淑娥，黃禮.基于BP神經(jīng)網(wǎng)絡(luò)的上市公司財務(wù)預(yù)警模型[J].系統(tǒng)工程理論與實踐，2005，25（1）：12-18.

[10] 張根明，向曉驥，孫敬宜.基于BP神經(jīng)網(wǎng)絡(luò)的制造業(yè)上市公司財務(wù)預(yù)警[J].山東工商學(xué)院學(xué)報，2006，20（4）：56-61.

[11] 王新利， 陳敏. 基于偏最小二乘BP神經(jīng)網(wǎng)絡(luò)的財務(wù)預(yù)警研究——以農(nóng)業(yè)上市公司為例[J]. 農(nóng)業(yè)技術(shù)經(jīng)濟， 2011（11）： 122-128.

[12] 丁真真.基于BP神經(jīng)網(wǎng)絡(luò)的快速消費品上市公司財務(wù)風(fēng)險預(yù)警系統(tǒng)研究[D].東北林業(yè)大學(xué)碩士學(xué)位論文，2012.