李茜 唐恒書

【摘 要】 危機預(yù)測研究主要涉及建模研究和指標(biāo)體系構(gòu)建。傳統(tǒng)BP-NNs存在收斂速度慢、局部最優(yōu)等局限。為此，文章提出基于附加動量法、共軛梯度法以及L-M優(yōu)化算法的三種BP改進算法，通過對這三種方法的網(wǎng)絡(luò)訓(xùn)練、仿真與回歸分析結(jié)果比較，發(fā)現(xiàn)L-M算法收斂速度最快且誤差最小。另外，創(chuàng)新性地將財務(wù)指標(biāo)與EVA、股權(quán)結(jié)構(gòu)以及管理結(jié)構(gòu)等內(nèi)部控制理論的非傳統(tǒng)財務(wù)指標(biāo)有效耦合，經(jīng)多重指標(biāo)篩選分別構(gòu)建財務(wù)LM-BP模型和綜合LM-BP模型進行實證檢驗，研究結(jié)果表明非財務(wù)指標(biāo)的引入能顯著提高預(yù)測精度。

【關(guān)鍵詞】 危機預(yù)測; 附加動量法; 共軛梯度法; L-M優(yōu)化算法

【中圖分類號】 F275? 【文獻標(biāo)識碼】 A? 【文章編號】 1004-5937（2019）06-0055-08

一、問題提出與文獻簡述

探尋和構(gòu)建預(yù)測上市公司經(jīng)營風(fēng)險的系統(tǒng)和方法，是當(dāng)前理論界與實務(wù)界關(guān)注的重點與焦點。在目前經(jīng)濟下行態(tài)勢仍未出現(xiàn)顯著上升拐點，公司競爭日益加劇，企業(yè)經(jīng)營風(fēng)險不斷上升的大格局下，建立健全上市公司危機預(yù)測系統(tǒng)，提前揭示公司的經(jīng)營問題已成為公司異常關(guān)注的問題。危機預(yù)測研究主要包括預(yù)測建模構(gòu)建和預(yù)測指標(biāo)設(shè)定。國內(nèi)外學(xué)者提出了不少財務(wù)預(yù)測模型，如單變量預(yù)測模型[ 1 ]、多元線性判別模型[ 2 ]、主成分分析[ 3 ]、因子分析[ 4 ]、logistic回歸模型[ 5-6 ]、因子分析與Logistic回歸相結(jié)合[ 7-8 ]、聚類分析[ 9 ]、決策樹、Probit回歸模型以及Y分?jǐn)?shù)模型等。上述預(yù)測方法，確實具有一定的預(yù)測功能，但存在一定缺陷，如單變量預(yù)測采用的財務(wù)信息較片面，且財務(wù)指標(biāo)本身在評價公司真實收益時存在局限，所以該預(yù)測結(jié)果的精確度有待考察。多元線性判別模型對預(yù)測用的數(shù)據(jù)要求較嚴(yán)苛，缺乏廣泛應(yīng)用性。隨著計算機科學(xué)的發(fā)展，學(xué)者們提出基于數(shù)據(jù)挖掘技術(shù)的改良預(yù)測模型，比如BP神經(jīng)網(wǎng)絡(luò)[ 10 ]、智能神經(jīng)網(wǎng)絡(luò)[ 11 ]、遞歸劃分算法（Recursive Partitioning Algorithm，RPA）[ 12 ]、人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)模型（Artificial NeuralNetworks Systems Model， ANN）[ 13 ]、支持向量機預(yù)測模型（Support Vector Machines，SVM）[ 14 ]。以上模型雖然采用系統(tǒng)科學(xué)和信息學(xué)的最新研究成果，具有一定的科學(xué)性，但實操難度大，不具備普遍性。

其中BP神經(jīng)網(wǎng)絡(luò)因其可操作性強以及預(yù)測精度高尤為受到廣泛關(guān)注，國內(nèi)學(xué)者對其展開了不同方向的深入，將遞階遺傳算法與BP網(wǎng)絡(luò)相結(jié)合[ 15 ]、灰色理論和神經(jīng)網(wǎng)絡(luò)相結(jié)合[ 16 ]、基于鄰域粗糙集與神經(jīng)網(wǎng)絡(luò)構(gòu)建財務(wù)預(yù)警等。但標(biāo)準(zhǔn)BP-NNs也存在局部最優(yōu)、網(wǎng)絡(luò)訓(xùn)練速度緩慢等缺陷。對于危機預(yù)測的指標(biāo)選取，目前主要停留在傳統(tǒng)財務(wù)層面，非傳統(tǒng)財務(wù)信息幾乎沒有在危機預(yù)警中得到重視，以純傳統(tǒng)財務(wù)指標(biāo)構(gòu)建的預(yù)測模型將因時間的改變而失效，因為財務(wù)指標(biāo)僅僅是公司陷入危機的表象，而不是陷入危機的原因。有學(xué)者研究指出公司陷入危機與一些非財務(wù)因素有關(guān)，如治理結(jié)構(gòu)[ 17 ]、股權(quán)結(jié)構(gòu)[ 18 ]等。國內(nèi)學(xué)者試圖豐富財務(wù)指標(biāo)體系，在盈利、發(fā)展、償債、營運性能的財務(wù)指標(biāo)基礎(chǔ)上引入現(xiàn)金流進行預(yù)測[ 19 ]等，但多數(shù)還沒能脫離財務(wù)指標(biāo)的框架。純財務(wù)指標(biāo)構(gòu)建預(yù)測模型不僅不能揭示公司陷入危機的原因，而且預(yù)測準(zhǔn)確性也有待提高。

綜上所述，在傳統(tǒng)預(yù)測模型上，即使是應(yīng)用性最強的標(biāo)準(zhǔn)BP-NNs也存在局部最優(yōu)、網(wǎng)絡(luò)訓(xùn)練速度緩慢等局限。在預(yù)測指標(biāo)的選取上，純傳統(tǒng)財務(wù)指標(biāo)過于狹窄，不能準(zhǔn)確預(yù)測危機且不能揭示公司陷入危機的原因?；谝陨戏治?，本文在預(yù)測模型的構(gòu)建和預(yù)測指標(biāo)設(shè)定兩個方面皆進行了新的探索。針對標(biāo)準(zhǔn)BP-NNs模型學(xué)習(xí)速度慢這一“短板”，嘗試提出三種改進算法，即附加動量法、共軛梯度法以及L-M（Levenberg-Marquardt）優(yōu)化法，構(gòu)建預(yù)測速度更快、訓(xùn)練誤差更小的公司危機預(yù)測模型。關(guān)于預(yù)測指標(biāo)體系的甄選，著力于選擇更全面、更具預(yù)測功能的指標(biāo)，旨在提升預(yù)測精度。本文在充分吸收既有研究指標(biāo)的優(yōu)點基礎(chǔ)上，創(chuàng)新性引入經(jīng)濟增加值（EVA）、股權(quán)結(jié)構(gòu)及管理結(jié)構(gòu)等非傳統(tǒng)財務(wù)特征指標(biāo)，分別構(gòu)建純財務(wù)預(yù)測模型和綜合預(yù)測模型，利用上市公司樣本數(shù)據(jù)，對以上兩種模型的預(yù)測精度檢驗和比較，并提出分析和評價指標(biāo)方法的標(biāo)準(zhǔn)，為風(fēng)險預(yù)警指標(biāo)篩選提供判斷標(biāo)準(zhǔn)，對公司相關(guān)利益者提前預(yù)測并及時采取有效預(yù)警具有很強的理論價值和實踐意義。

二、研究設(shè)計

經(jīng)濟指標(biāo)是測度和量化經(jīng)濟組織運行狀態(tài)的外顯變量，科學(xué)客觀地選擇經(jīng)濟指標(biāo)是做出有價值研究的基本保證，以下將闡述研究指標(biāo)的選定過程和方法。

（一）指標(biāo)選擇

1.財務(wù)指標(biāo)選取

企業(yè)的基本經(jīng)營活動要同時規(guī)避經(jīng)營與財務(wù)風(fēng)險，且考慮財務(wù)指標(biāo)特征與可獲性，文中盡力擴展財務(wù)指標(biāo)的覆蓋面。參照國泰安“中國上市公司財務(wù)指標(biāo)分析數(shù)據(jù)庫”“中國上市公司EVA專題研究數(shù)據(jù)庫”的指標(biāo)結(jié)構(gòu)，共遴選財務(wù)指標(biāo)25項，涉及公司盈利能力、償債能力、經(jīng)營能力、發(fā)展能力和經(jīng)濟增加值五個層級面的一級指標(biāo)，見表1。

2.非財務(wù)指標(biāo)選取

導(dǎo)致上市公司陷入危機除財務(wù)因素外，同時還受到非財務(wù)變量的影響，實施危機預(yù)警應(yīng)適當(dāng)選擇非財務(wù)指標(biāo)。與財務(wù)指標(biāo)不同，非財務(wù)指標(biāo)的類型、計算方法都存在較大的模糊度。借鑒國內(nèi)外學(xué)者研究方法，本文從上市公司微觀層面選取股權(quán)結(jié)構(gòu)與管理結(jié)構(gòu)兩類指標(biāo)，具體見表2。

（二）研究樣本

為了研究結(jié)果具有可比性，本文采用配對方法選擇實驗樣本。具體方法：按照ST：非ST=1：2的比例選取180家非金融上市公司作為研究樣本，即2007—2016年35家ST公司及與其同行業(yè)、同年上市的70家非ST公司。參照張玲（2000）財務(wù)危機公司樣本選取方法，本文選擇ST公司被特別處理（Specially treament）前三年（T-3）為備選樣本，得到訓(xùn)練樣本75家（25家ST、50家非ST），檢驗樣本30家（10家ST、20家非ST）。

三、改進BP神經(jīng)網(wǎng)絡(luò)的實證分析

（一）預(yù)測指標(biāo)篩選

為降低實證分析中的計算復(fù)雜程度并確保模型顯著性，對樣本公司T-3年的盈利、償債、經(jīng)營、發(fā)展、EVA、股權(quán)結(jié)構(gòu)、管理結(jié)構(gòu)等37項預(yù)測指標(biāo)作篩選處理。樣本篩選程序：首先，計算Kolmogorov Smirnov Z值，對各指標(biāo)變量進行正態(tài)分布檢驗;其次，若變量符合正態(tài)分布，對其進行方差方程的Levene檢驗以及均值方程的T檢驗，若變量不符合正態(tài)分布，計算其Wilcoxon秩，并進行非參數(shù)檢驗;最后，對各變量作相關(guān)性分析，剔除顯著互為相關(guān)的變量，確定最終的預(yù)測指標(biāo)體系。數(shù)據(jù)處理軟件包括Excel、SPSS19和MATLAB。

1.單樣本K-S檢驗

K-S檢驗用來檢驗實驗數(shù)據(jù)是否符合正態(tài)分布，而Kolmogorov Smirnov Z值則反映分布函數(shù)F（Y）在特定范圍內(nèi)滿足正態(tài)分布標(biāo)準(zhǔn)的概率。檢驗顯著性水平判定基準(zhǔn)為0.05（下同），表3為K-S檢驗及顯著性檢驗結(jié)果。從表3可知營業(yè)毛利率、總資產(chǎn)增長率、基本每股收益增長率、流動資產(chǎn)周轉(zhuǎn)率、第一大股東持股比例、股權(quán)集中度、高管人數(shù)這7個指標(biāo)的P值大于顯著性水平0.05，服從正態(tài)分布，而其他指標(biāo)檢驗的P均小于0.05，不滿足正態(tài)分布。

2.獨立樣本T檢驗

對符合正態(tài)分布的7個變量按照“ST”和“非ST”進行分組，再對其進行方差方程的Levene檢驗以及均值方程的T檢驗，以判斷“ST”和“非ST”公司組間的這些指標(biāo)有無顯著差異，檢驗結(jié)果見表4。經(jīng)檢驗，營業(yè)毛利率、流動資產(chǎn)周轉(zhuǎn)率、第一大股東持股比例、股權(quán)集中度的概率P小于0.05，兩組總體均值存在顯著差異，說明這4項指標(biāo)具有很強的區(qū)分能力，本次研究予以保留。而總資產(chǎn)增長率、基本每股收益增長率、高管人數(shù)的概率P值均大于0.05，兩組總體均值無顯著差異，故認(rèn)為以上3項指標(biāo)不能明顯區(qū)分“ST”與“非ST”實驗組，本次研究予以剔除。

3.獨立樣本Mann-Whitney U檢驗

對不符合正態(tài)分布的變量，計算其Wilcoxon秩，并進行非參數(shù)檢驗，檢驗結(jié)果見表5。根據(jù)檢驗結(jié)果，固定資產(chǎn)增長率、凈利潤增長率、凈資產(chǎn)收益增長率、存貨周轉(zhuǎn)率、股東權(quán)益周轉(zhuǎn)率、實際控制人持股比例、機構(gòu)投資者持股比例、兩權(quán)分離度、董事長與總經(jīng)理兼任情況、董事人數(shù)、監(jiān)事總規(guī)模，這11個指標(biāo)Mann-Whitney U檢驗的概率P值皆大于顯著性水平0.05，即以上11個指標(biāo)在“ST”和“非ST”組間不存在顯著差異，本次研究予以剔除;其余19個指標(biāo)P小于0.05，拒絕原假設(shè)，認(rèn)為兩組總體之間存在顯著差異，予以保留，作為危機預(yù)測模型變量。

4.相關(guān)性分析

經(jīng)以上篩選，從備選37項指標(biāo)中剔除14項，現(xiàn)保留23項進入相關(guān)性檢驗。經(jīng)檢驗，最終保留總資產(chǎn)凈利潤率（X3）、營業(yè)毛利率（X4）、投資收益率（X5）、流動比率（X6）、資產(chǎn)負(fù)債率（X8）、應(yīng)收賬款周轉(zhuǎn)率（X12）、固定資產(chǎn)周轉(zhuǎn)率（X14）、EVA（X21）8項財務(wù)指標(biāo)構(gòu)建財務(wù)預(yù)測模型。另選取第一大股東股權(quán)性質(zhì)（Y1）、第一大股東持股比例（Y2）、實際控制人股權(quán)性質(zhì)（Y3）、股權(quán)制衡度（Y8）、董事長與總經(jīng)理兼任情況（Y9）5項非財務(wù)指標(biāo)并同以上8項財務(wù)指標(biāo)作為綜合預(yù)測模型的輸入指標(biāo)。

（二）改進BP神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建

BP-NNs作為目前應(yīng)用最廣泛的人工神經(jīng)網(wǎng)絡(luò)之一，其算法原理是最速下降法（又稱梯度法），屬于單向傳播的多層前饋網(wǎng)絡(luò)，通過反向傳播來不斷修正網(wǎng)絡(luò)權(quán)值和閾值，使誤差減小直至滿足目標(biāo)誤差。其具體訓(xùn)練算法過程見圖1。

該模型的拓?fù)浣Y(jié)構(gòu)包含三層，即輸入層、隱含層和輸出層。本文應(yīng)用BP神經(jīng)網(wǎng)絡(luò)進行公司危機預(yù)測，初始化輸入項為各項預(yù)測指標(biāo)（純財務(wù)網(wǎng)絡(luò)預(yù)測模型輸入層節(jié)點數(shù)為8，綜合網(wǎng)絡(luò)預(yù)測模型輸入層節(jié)點數(shù)為13），輸出項為預(yù)測結(jié)果（節(jié)點數(shù)取2，輸出1表示判別結(jié)果為ST，輸出0表示非ST），根據(jù)隱含層相關(guān)經(jīng)驗公式（k=log2N，N為研究樣本數(shù)），本文樣本數(shù)為105，因此隱含層節(jié)點數(shù)確定為8。輸入層到隱含層的激活函數(shù)選取log sigmoid（·），可將神經(jīng)元的范圍為整個實數(shù)集映射到區(qū)間（0，1）中，因此非常適合訓(xùn)練BP-NNs。隱含層到輸出層的激活函數(shù)選取tan sigmoid（·），學(xué)習(xí)速率設(shè)為0.05，訓(xùn)練次數(shù)1 000次，目標(biāo)誤差為0.001，其他參數(shù)采用默認(rèn)值。

雖然BP-NNs因較高的預(yù)測準(zhǔn)確度受到廣泛關(guān)注，但該模型也存在一些缺陷：網(wǎng)絡(luò)學(xué)習(xí)過程較長，學(xué)習(xí)效率低以及訓(xùn)練次數(shù)過于龐大;可能存在局部最優(yōu)解，從而降低收斂效果等。本文針對該模型學(xué)習(xí)速度慢這一缺陷，提出三種不同訓(xùn)練函數(shù)的改進BP網(wǎng)絡(luò)算法，分別為附加動量法、共軛梯度法以及L-M（Levenberg-Marquardt）優(yōu)化法，構(gòu)建相應(yīng)的上市公司危機預(yù)測模型對樣本數(shù)據(jù)進行試驗。因原始數(shù)據(jù)數(shù)量級不同，若直接代入模型可能會導(dǎo)致預(yù)測結(jié)果出現(xiàn)偏差進而影響預(yù)測模型的精確度，因此先對訓(xùn)練數(shù)據(jù)進行無綱量歸一化處理，使數(shù)據(jù)經(jīng)轉(zhuǎn)換映射到位于[0，1]之間。

1.基于附加動量的改進算法

附加動量法是在標(biāo)準(zhǔn)BP網(wǎng)絡(luò)算法最后一次權(quán)值（或閾值）調(diào)整時加入動量項，以達到加速算法收斂、提高模型學(xué)習(xí)效率的改進算法。帶有附加動量因子的權(quán)值調(diào)節(jié)公式為：

？駐w（k+1）=（1-mc）？濁？駐 f（w（k））+mc（w（k）-w（k-1））

（1）

其中，w表示權(quán)值向量，k為訓(xùn)練次數(shù)，mc（0≤mc≤1）為動量因子一般取值0.95，？濁為學(xué)習(xí)效率，？駐 f（w（k））表示誤差函數(shù)的梯度。附加動量法的訓(xùn)練函數(shù)為traingdm（·），函數(shù)功能是以動量BP算法修正權(quán)值和閾值，算法原理為梯度下降動量BP，其訓(xùn)練過程與結(jié)果見圖3。

圖3（a）給出了相應(yīng)的誤差變化曲線顯示，基于附加動量的改進算法訓(xùn)練速度依舊緩慢，訓(xùn)練效率低且誤差較大。為了進一步檢驗訓(xùn)練后網(wǎng)絡(luò)的性能，對訓(xùn)練結(jié)果作進一步的仿真分析，得到網(wǎng)絡(luò)輸出與目標(biāo)輸出間的線性回歸分析結(jié)果曲線圖（c）?？梢姛o論是訓(xùn)練輸出，還是驗證和測試輸出與目標(biāo)輸出的相關(guān)系數(shù)都接近0.8，檢測結(jié)果還是比較理想。因此，可得出結(jié)論：基于附加動量的改進算法經(jīng)過網(wǎng)絡(luò)訓(xùn)練后，能得到較為滿意的輸出結(jié)果，但較之標(biāo)準(zhǔn)BP算法其訓(xùn)練速度并沒有明顯提高。

（3）用算法的權(quán)值調(diào)整公式求出？駐w。

（4）用w+？駐w重復(fù)計算誤差的平方和。如果新的和小于目標(biāo)誤差平方和，則用？滋除以？茲（？茲>1），并有w=w+？駐w，轉(zhuǎn)（1）;否則，用？滋乘以？茲，轉(zhuǎn)（3）。當(dāng)誤差平方和減小到某一目標(biāo)誤差時，算法即為收斂。

L-M算法對應(yīng)的訓(xùn)練函數(shù)為trainlm，該函數(shù)算法原理為采用Levenberg-Marquardt算法的變梯度反向傳播，其訓(xùn)練過程與結(jié)果如圖5所示。

由圖5（a）可見，當(dāng)網(wǎng)絡(luò)訓(xùn)練至第11—12步時，訓(xùn)練誤差與目標(biāo)誤差重合，此時網(wǎng)絡(luò)性能達標(biāo)。從圖（c）仿真與回歸分析結(jié)果可見，其與目標(biāo)輸出的相關(guān)系數(shù)皆高于0.9，各指標(biāo)的檢測輸出結(jié)果是十分滿意的。將本訓(xùn)練結(jié)果與圖3、圖4對比可見，L-M算法的收斂速度明顯優(yōu)于附加動量法和共軛梯度法，且能得到更小的訓(xùn)練誤差，具有較好的診斷效率和精度。

因此本文選取LM-BP改進算法構(gòu)建財務(wù)LM-BP網(wǎng)絡(luò)模型和加入非財務(wù)指標(biāo)后的綜合LM-BP，利用這兩種神經(jīng)網(wǎng)絡(luò)模型分別對75家訓(xùn)練樣本（25家ST，50家非ST）和30家檢驗樣本（10家ST，20家非ST）進行試驗，判別結(jié)果見表6。

本文構(gòu)建的財務(wù)LM-BP神經(jīng)網(wǎng)絡(luò)模型對于企業(yè)財務(wù)危機具有很好的預(yù)測力。從表6的實驗樣本運算結(jié)果可見，采用純財務(wù)指標(biāo)預(yù)測模型對ST公司、非ST公司進行財務(wù)危機預(yù)警的判別準(zhǔn)確率分別為65.7%、75.7%;綜合預(yù)警模型對ST公司、非ST公司財務(wù)危機預(yù)警的判別準(zhǔn)確率分別為80.0%、84.3%。與純財務(wù)指標(biāo)模型相比，綜合指標(biāo)模型對ST公司、非ST公司的危機預(yù)警能力分別提升14.30%、8.60%。由此可得出研究結(jié)論，預(yù)測模型中融入非財務(wù)指標(biāo)能顯著提高模型的預(yù)測精度。

同時，研究還發(fā)現(xiàn)ST公司與非ST公司在財務(wù)指標(biāo)、股權(quán)結(jié)構(gòu)以及管理結(jié)構(gòu)上存在差異，在實際應(yīng)用中，公司控制人、管理者以及投資者等各方利益相關(guān)者可以重點關(guān)注這些指標(biāo)的變動，再結(jié)合其他應(yīng)當(dāng)考慮的因素，及時作出判斷并采取措施，進而減少甚至避免損失。具體差異：（1）財務(wù)指標(biāo)方面，ST公司普遍存在營業(yè)毛利率、凈利潤等盈利性指標(biāo)為負(fù)，虧損嚴(yán)重以及投資收益率持續(xù)不足的境況，且資產(chǎn)負(fù)債率偏高、償債能力較差，風(fēng)險較大。（2）營運周轉(zhuǎn)能力方面較差，表現(xiàn)為應(yīng)收賬款周轉(zhuǎn)率等指標(biāo)明顯偏低。（3）相比傳統(tǒng)財務(wù)指標(biāo)，EVA指標(biāo)能更客觀、完整地反映上市公司較長期的營運成果，ST企業(yè)的EVA均值為負(fù)，遠(yuǎn)遠(yuǎn)落后于正常運營企業(yè)，呈現(xiàn)負(fù)增長。（4）就股權(quán)結(jié)構(gòu)而言，ST公司發(fā)生在非國有控制的上市公司概率更高。究其原因，非國有上市公司其控股股東與外部投資者間普遍存在不同程度的代理矛盾，而這無疑會阻礙公司績效的改善。ST大股東持股比例均值普遍低于非ST，控股股東的控制權(quán)有負(fù)的侵占效應(yīng)，在控股股東控制權(quán)較低的階段，侵占效應(yīng)更強，在控制權(quán)較高的階段，激勵效應(yīng)更強。（5）股權(quán)制衡度反映中小股東對大股東控制權(quán)的制約，制約的強弱直接影響大股東的行為，進而影響企業(yè)績效。通過檢驗，ST公司股權(quán)制衡度均值普遍高于非ST，過高的股權(quán)制衡度對公司價值為負(fù)向作用。股權(quán)制衡度越高，意味著大股東控制權(quán)被削弱，從而影響其工作積極性并增加了代理成本。（6）管理結(jié)構(gòu)方面，ST公司中董事長與總經(jīng)理兼任情況更嚴(yán)重，某種意義上說明高管權(quán)力過大會阻礙公司的發(fā)展，因為過高的高管權(quán)力會使得高管謀私而不顧公司整體價值。

四、研究結(jié)論與建議

本文以標(biāo)準(zhǔn)BP-NNs預(yù)測模型為基準(zhǔn)，利用三種不同訓(xùn)練函數(shù)為技術(shù)路線改進BP網(wǎng)絡(luò)算法，即附加動量法、共軛梯度法以及L-M（Levenberg-Marquardt）優(yōu)化法，對105家滬深A(yù)股非金融類上市公司樣本數(shù)據(jù)進行實證分析。通過對三種改進算法的訓(xùn)練過程以及仿真與回歸結(jié)果進行比較，研究發(fā)現(xiàn)無論是網(wǎng)絡(luò)收斂速度、訓(xùn)練誤差還是輸出結(jié)果的滿意度，LM-BP都明顯優(yōu)于附加動量改進法和共軛梯度改進法。通過比較財務(wù)指標(biāo)預(yù)測模型和綜合預(yù)測模型，預(yù)測結(jié)果顯示非財務(wù)指標(biāo)的引入顯著提高了模型的診斷效率和預(yù)測精度，在實際應(yīng)用中能更好地滿足公司財務(wù)危機預(yù)警的目的。

依據(jù)上述研究結(jié)論，針對我國上市公司危機預(yù)警現(xiàn)狀，本文提出如下建議：

1.提高上市公司危機意識，健全危機預(yù)警系統(tǒng)

當(dāng)上市公司出現(xiàn)財務(wù)異常時，預(yù)警系統(tǒng)能在企業(yè)陷入財務(wù)危機之前及時地予以警示，協(xié)助公司控制人提前采取有效措施，進而規(guī)避潛在財務(wù)問題進一步惡化。建立健全有效的預(yù)警系統(tǒng)，提升危機意識是前提，同時還要不斷完善預(yù)測指標(biāo)體系，優(yōu)化預(yù)測模型，及時收集信息并進行預(yù)測，發(fā)現(xiàn)公司生產(chǎn)經(jīng)營過程中存在的問題并對癥下藥，及時阻止財務(wù)危機的發(fā)生，維持企業(yè)正常運轉(zhuǎn)。

2.正確認(rèn)識EVA，加強其在危機預(yù)測中的應(yīng)用

傳統(tǒng)財務(wù)體系在計算公司盈利時沒有扣除機會成本，可能會導(dǎo)致利潤被高估的嚴(yán)重后果。與之對應(yīng)，EVA指標(biāo)恰好彌補了傳統(tǒng)財務(wù)指標(biāo)體系的不足，在計算公司經(jīng)濟價值時充分考慮債務(wù)資本與權(quán)益資本，并將其作為企業(yè)獲得凈利潤的代價進行扣除。所以，在財務(wù)預(yù)警中引入EVA指標(biāo)體系能加強預(yù)警系統(tǒng)的預(yù)測能力，使上市公司更好地對財務(wù)問題進行防范。

3.加強公司內(nèi)部管理力度，優(yōu)化股權(quán)配置

上市公司需切實結(jié)合自身實際，選取籌資方式，實現(xiàn)股權(quán)配置的優(yōu)化，積極引導(dǎo)大股東發(fā)揮正面作用，防止因過度負(fù)債，使現(xiàn)金流在某一環(huán)節(jié)出現(xiàn)斷裂，降低其支付能力，影響到期債務(wù)的支付，導(dǎo)致發(fā)生財務(wù)危機的可能性。另外，完善的內(nèi)部管理體系能為上市公司提供堅實的內(nèi)在基礎(chǔ)，在面臨財務(wù)問題時能及時采取措施，從而迅速擺脫危機。

【參考文獻】

[1] BEAVER W H.Financial ratios as predictors of failure[J].Supplement to Journal of Accounting esearch，1966（4）：71-111.

[2] 向德偉.運用“Z記分法”評價上市公司經(jīng)營風(fēng)險的實證研究[J].會計研究，2002（11）：53-57.

[3] 張愛民，祝春山，許丹健.上市公司財務(wù)失敗的主成分預(yù)測模型及其實證研究[J].金融研究，2001（3）：10-25.

[4] 陳艷嬌.基于因子分析的國有農(nóng)場財務(wù)危機預(yù)警實證研究[J].經(jīng)濟問題，2007（5）：109-111.

[5] OHLSON J.Financial ratios and the probabilistic prediction of bankruptcy[J]. Journal of Accounting Research，1980，8（1）：109-131.

[6] 吳世農(nóng)，盧賢義.我國上市公司財務(wù)困境的預(yù)測模型研究[J].經(jīng)濟研究，2001（6）：46-55.

[7] 賈明琪，辛江龍.上市公司財務(wù)困境預(yù)警系統(tǒng)模型及實證研究[J].華東經(jīng)濟管理，2008（5）：76-80.

[8] 葉柏青，王玲慧.基于管理用報表的高新技術(shù)企業(yè)財務(wù)預(yù)警研究[J].哈爾濱商業(yè)大學(xué)學(xué)報（社會科學(xué)版），2016（1）：104-111.

[9] GREEN B P，CHOI J H. Assessing the risk of management fraud through neural network technology[J].A journal of Practice and Theory，1997（1）：14-28.

[10] COATS P， FANT L F. Recognizing financial distress patterns using a neural network tool[J].Financial M anagement，1993（22）：142-155.

[11] FANNING K M， COGGER K O. Neural network detection of management fraud using published financial data[J].International Journal of Intelligent Systerms in Accounting，F(xiàn)inance and Management，1998（1）：21-41.

[12] 朱文.民營上市公司財務(wù)困境路徑分析[J].財政研究，2005（4）：50-52.

[13] ODOM M D， SHARDA R. A neural network for bank? ruptcy? prediction[J]. International? Joint? Con ference on Neural Networks，1990（2）：163-168.

[14] 張根明，向曉驥.基于支持向量機的上市公司財務(wù)預(yù)警模型研究[J].科技管理研究，2007（4）：234-235.

[15] 周輝仁，唐萬生，任仙玲.基于遞階遺傳算法和BP網(wǎng)絡(luò)的財務(wù)預(yù)警[J].系統(tǒng)管理學(xué)報，2010（1）：1-6.

[16] 秦小麗，田高良.基于灰色理論和神經(jīng)網(wǎng)絡(luò)的公司財務(wù)預(yù)警模型[J].統(tǒng)計與決策，2011（16）：176-178.

[17] TSUN SIOU LEE， YIN-HUA YEH.Corporate governance and financial distress：evidence from Taiwan[J]. Journal of Corporate Governance，2004（3）：378-388.

[18] WANG ZHEN，lIN LI，CHENG CHAO. Corporate governance，ownership and financial distress of Chinese publicly? listed? firms[J].Petroleum? Science，2004（1）：90-96.

[19] 孔寧寧，魏韶巍.基于主成分分析和Logistic回歸方法的財務(wù)預(yù)警模型比較：來自我國制造業(yè)上市公司的經(jīng)驗證據(jù)[J].經(jīng)濟問題，2010（6）：112-116.