劉梅

摘要：文章以2014～2017年制造業(yè)上市公司ST企業(yè)為研究對(duì)象，并以1：2比例選取配對(duì)樣本，針對(duì)T-3年的財(cái)務(wù)數(shù)據(jù)指標(biāo)進(jìn)行模型的構(gòu)建與分析。結(jié)果表明雖然人工神經(jīng)網(wǎng)絡(luò)與邏輯回歸都有不錯(cuò)的預(yù)測(cè)效果，但邏輯回歸分析的結(jié)果準(zhǔn)確率更高，可解釋性更強(qiáng)。

關(guān)鍵詞：邏輯回歸；神經(jīng)網(wǎng)絡(luò)；財(cái)務(wù)預(yù)警

一、引言

關(guān)于財(cái)務(wù)危機(jī)預(yù)警的定量研究，一直是近幾十年來國(guó)內(nèi)外財(cái)務(wù)界學(xué)者的熱點(diǎn)話題。20世紀(jì)30年代Fitzpatrick首次提出單變量FDP模型，之后由Beaver提出單變量判定模型正式興起。

隨著信息技術(shù)和數(shù)據(jù)庫(kù)技術(shù)的發(fā)展，數(shù)據(jù)挖掘技術(shù)成為了構(gòu)建財(cái)務(wù)危機(jī)預(yù)警的主要工具。Odom首次將人工神經(jīng)網(wǎng)絡(luò)引入FDP領(lǐng)域，結(jié)果發(fā)現(xiàn)利用神經(jīng)網(wǎng)絡(luò)構(gòu)建的財(cái)務(wù)預(yù)警模型有較好的預(yù)測(cè)能力。我國(guó)學(xué)者吳世農(nóng)、盧賢義運(yùn)用Fisher線性判定分析、多元線性回歸分析和Logistic回歸分析三種方法，分別建立三種財(cái)務(wù)困境預(yù)測(cè)模型并進(jìn)行比較分析，結(jié)果表明Logistic模型的判定準(zhǔn)確性最高。

為了消除傳統(tǒng)財(cái)務(wù)指標(biāo)的片面性，后有不少學(xué)者將一些非財(cái)務(wù)指標(biāo)引入財(cái)務(wù)危機(jī)預(yù)警模型中。Beaver在研究中提出了反映股價(jià)的信息變量；劉小淇等在預(yù)警模型中引入股權(quán)結(jié)構(gòu)等非財(cái)務(wù)變量；張婉君、羅威將董事會(huì)規(guī)模等非財(cái)務(wù)因素引入到傳統(tǒng)的財(cái)務(wù)預(yù)警模型中，并進(jìn)行Logistic回歸分析，在一定程度上提高了預(yù)警準(zhǔn)確率。李樹根闡述了人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于財(cái)務(wù)危機(jī)預(yù)警的理論依據(jù)與基本構(gòu)想，建立了BP神經(jīng)網(wǎng)絡(luò)模型，為財(cái)務(wù)預(yù)警提供了有效參考。

本文在前人研究的基礎(chǔ)上，運(yùn)用Logistic回歸和人工神經(jīng)網(wǎng)絡(luò)對(duì)制造業(yè)上市公司進(jìn)行預(yù)警研究。

二、研究設(shè)計(jì)

（一）樣本選取和數(shù)據(jù)來源

1. 樣本的選取。本文研究的樣本選用2014～2017年度首次被特別處理的上市公司，包括*ST公司和ST公司。選取深滬證券交易所A股制造業(yè)上市公司作為樣本組，對(duì)數(shù)據(jù)預(yù)處理后最終選取財(cái)務(wù)危機(jī)企業(yè)42家，同時(shí)按照1：2的比例選取正常經(jīng)營(yíng)的制造業(yè)A股上市公司作為配對(duì)樣本組，最終確定總樣本數(shù)量126家。

2. 數(shù)據(jù)來源。本文的研究數(shù)據(jù)主要來自深、滬證券交易所官網(wǎng)和國(guó)泰安數(shù)據(jù)庫(kù)（CSMAR）。設(shè)定被特殊處理當(dāng)年為T年，本文選取上市公司被ST或*ST之前的T-3年度的截面數(shù)據(jù)進(jìn)行預(yù)測(cè)研究，能使企業(yè)在出現(xiàn)危機(jī)前兆時(shí)提高警惕，防患于未然，故更具有現(xiàn)實(shí)意義和應(yīng)用價(jià)值。

（二）預(yù)測(cè)指標(biāo)的選取

本文在反映企業(yè)盈利能力、償債能力等這些傳統(tǒng)的財(cái)務(wù)指標(biāo)的基礎(chǔ)上，選取了反映上市公司資本狀況、現(xiàn)金流量狀況和股東獲利能力的指標(biāo)，共選取了28個(gè)指標(biāo)變量。

（三）模型設(shè)計(jì)

1. Logistic回歸模型的設(shè)計(jì)

Logistic回歸是廣義線性回歸的一種統(tǒng)計(jì)方法，具有廣泛且實(shí)用的用途。它數(shù)度快、便于理解，對(duì)于二分類模擬性好。Logistic回歸模型為：

其構(gòu)造的財(cái)務(wù)危機(jī)預(yù)警預(yù)測(cè)模型為：

將企業(yè)是否財(cái)務(wù)危機(jī)設(shè)為因變量，企業(yè)財(cái)務(wù)危機(jī)設(shè)為1，財(cái)務(wù)健康設(shè)為0，進(jìn)行Logistic模型的測(cè)試與檢驗(yàn)。

2. 人工神經(jīng)網(wǎng)絡(luò)模型的設(shè)計(jì)

人工神經(jīng)網(wǎng)絡(luò)是模仿人腦神經(jīng)結(jié)構(gòu)的一種技術(shù)，近年來常被應(yīng)用于企業(yè)危機(jī)預(yù)警方面。一個(gè)基本的神經(jīng)網(wǎng)絡(luò)模型由輸入層、隱含層和輸出層三個(gè)結(jié)構(gòu)組成，分別對(duì)應(yīng)警兆、警情和警度。三層網(wǎng)絡(luò)結(jié)構(gòu)的特點(diǎn)符合預(yù)警體系，因此適合用于進(jìn)行財(cái)務(wù)預(yù)警模型構(gòu)建。

三、實(shí)證分析

本文運(yùn)用SPSS Modeler統(tǒng)計(jì)軟件中的Logistic模型和神經(jīng)網(wǎng)絡(luò)模型分別對(duì)制造業(yè)上市公司T-3年的財(cái)務(wù)指標(biāo)數(shù)據(jù)進(jìn)行分析，將樣本數(shù)據(jù)按7：3比例分為訓(xùn)練集和測(cè)試集。將企業(yè)是否財(cái)務(wù)危機(jī)設(shè)為目標(biāo)變量，財(cái)務(wù)狀況異常的企業(yè)取值為1，財(cái)務(wù)狀況正常的企業(yè)取值為0。

（一）基于Logistic回歸的財(cái)務(wù)危機(jī)預(yù)警模型構(gòu)建

用SPSS Modeler軟件運(yùn)行Logistic算法進(jìn)行主效應(yīng)分析，經(jīng)邏輯模型檢驗(yàn)后結(jié)果顯示模型的擬合效果很好。Logistic回歸財(cái)務(wù)預(yù)警模型的分析結(jié)果如表2所示。

表2中，B為變量系數(shù)；S.E為標(biāo)準(zhǔn)差；Wald為Wald得分；df為自由度；Sig為伴隨概率。從表2可以看出，與企業(yè)是否陷入財(cái)務(wù)危機(jī)的主要因素為X1、X2、X4、X5、X9和X10，由此可以得到Logistic預(yù)警模型為：

由表3可知，運(yùn)用Logistic回歸模型對(duì)上市公司T-3年的財(cái)務(wù)數(shù)據(jù)進(jìn)行分析得到預(yù)測(cè)準(zhǔn)確率為84.27%，測(cè)試正確準(zhǔn)確率也達(dá)到了78.38%，具有較好的預(yù)測(cè)效果。

（二）人工神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建與Logistic回歸模型的比較

由表4可知，人工神經(jīng)網(wǎng)絡(luò)模型進(jìn)行財(cái)務(wù)危機(jī)預(yù)警預(yù)測(cè)的準(zhǔn)確率為78.65%，測(cè)試集準(zhǔn)確率也只有75.68%，都低于用Logistic回歸方法預(yù)測(cè)的準(zhǔn)確率，因此Logistic回歸比神經(jīng)網(wǎng)絡(luò)具有更好的擬合度和預(yù)測(cè)準(zhǔn)確度，在預(yù)測(cè)企業(yè)財(cái)務(wù)危機(jī)準(zhǔn)確性、運(yùn)行效率以及可解釋性方面都具有一定的優(yōu)勢(shì)。

四、結(jié)論

本文在傳統(tǒng)的財(cái)務(wù)指標(biāo)的基礎(chǔ)上引入反映企業(yè)資本狀況、現(xiàn)金流量狀況和股東獲利能力的指標(biāo)進(jìn)行綜合分析，使得指標(biāo)體系更具有預(yù)測(cè)性。運(yùn)用經(jīng)典的Logistic回歸方法和人工神經(jīng)網(wǎng)絡(luò)方法建立制造業(yè)上市公司財(cái)務(wù)預(yù)警模型，選取T-3年的指標(biāo)數(shù)據(jù)進(jìn)行分析使得研究更具有現(xiàn)實(shí)意義。通過對(duì)比分析，得出Logistic回歸方法更適合二分類下企業(yè)財(cái)務(wù)危機(jī)預(yù)警的結(jié)論。因此本文的研究在現(xiàn)實(shí)中有一定的應(yīng)用價(jià)值。

參考文獻(xiàn)：

[1]FITZPATRICK P. J. A Comparison of The Ratios of Successful Industrial Enterprises with Those of Failed Firms[J]. Certifies Public Accountant，1932（05）.

[2]BEAVER W H.Financial rations as predictors of failures[J].Journal of Accounting Research，1966（01）.

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

[4]吳世農(nóng)，盧賢義.我國(guó)上市公司財(cái)務(wù)困境的預(yù)測(cè)模型研究[J].經(jīng)濟(jì)研究，2001（06）.

[5]劉小淇，曾繁榮，周鴻.基于非財(cái)務(wù)視角的上市公司財(cái)務(wù)困境預(yù)警研究——基于主成分邏輯回歸的方法[J].財(cái)會(huì)通訊，2015（06）.

[6]張婉君，羅威.引入非財(cái)務(wù)指標(biāo)的財(cái)務(wù)危機(jī)預(yù)警研究——以我國(guó)制造業(yè)上市公司為例[J].財(cái)政監(jiān)督，2016（01）.

[7]李樹根.基于BP神經(jīng)網(wǎng)絡(luò)的財(cái)務(wù)預(yù)警方法探究[J].中國(guó)管理信息化（會(huì)計(jì)版），2007（11）.

（作者單位：上海工程技術(shù)大學(xué)）