前言：本站為你精心整理了綜合類公司財(cái)務(wù)危機(jī)管理范文，希望能為你的創(chuàng)作提供參考價(jià)值，我們的客服老師可以幫助你提供個(gè)性化的參考范文，歡迎咨詢。

關(guān)鍵詞：綜合類上市公司財(cái)務(wù)危機(jī)判別分析邏輯回歸神經(jīng)網(wǎng)絡(luò)

摘要：以1998—2004年滬深兩市首次被特別處理的A股綜合類上市公司為研究對(duì)象，通過均值比較、配對(duì)樣本T檢驗(yàn)和Z檢驗(yàn)，從9個(gè)方面的27個(gè)研究變量中選取了9個(gè)差異顯著的變量，建立了危機(jī)前(t-2)年的判別分析模型、邏輯回歸模型和人工神經(jīng)網(wǎng)絡(luò)模型。各種模型均取得較高的預(yù)測(cè)效果，尤其是判別分析模型，判正率高達(dá)89.29%。

中圖分類號(hào)：F234.4文獻(xiàn)標(biāo)識(shí)碼：A

Tentativeresearchforforecastingmodel

ofFinancialCrisisforComprehensivelistedcompanies

YANGhua

(AccountingSchool,ShandongUniversityofFinance,Jinan250014,China)

keywords：Comprehensivelistedcompanies;financialcrisis;discriminateanalysis;logisticregression;neuralnetwork

Abstract：ThispaperregardsAShareComprehensivelistedcompaniesasitsresearchobjects,whichwerespeciallytradedforthefirsttimefrom1998to2004ofShanghaiandShenzhenstockexchanges.9outstandingvariablesarechosenfrom27about9facetsthroughmeansCompare,paired-samplesTtestandZtest.Fisher’twoLinearDiscriminantAnalysis,TwoLogisticRegressionandArtificialNeuralNetworkareusedtosetupthemodelstoforecastfinancialcrisisofComprehensivelistedcompaniesinthelasttwoyears.Thesemodelsallobtainhigherestimateresults,especially,thepositiverateofDiscriminantAnalysisisupto89.29%.

現(xiàn)代企業(yè)制度中最典型的是現(xiàn)代公司制，而上市公司又是現(xiàn)代公司制的最高形式。與非上市公司和有限責(zé)任公司相比，上市公司的最大特點(diǎn)就是可以通過證券市場(chǎng)籌集資金。有了充足的資金，公司可以增加產(chǎn)品生產(chǎn)、加速產(chǎn)品開發(fā)與市場(chǎng)開拓，從而提高經(jīng)營(yíng)業(yè)績(jī)，更好地回報(bào)投資者和債權(quán)人等利益相關(guān)者。但隨著證券市場(chǎng)的快速發(fā)展，市場(chǎng)競(jìng)爭(zhēng)日益變得激烈，部分上市公司經(jīng)營(yíng)業(yè)績(jī)不容樂觀，出現(xiàn)了虧損、財(cái)務(wù)狀況異常甚至更為嚴(yán)重的情形，最終受到特別處理甚至面臨退市危險(xiǎn)，使利益相關(guān)者遭受到巨大損失。為防范、化解這些風(fēng)險(xiǎn)，國(guó)內(nèi)外學(xué)者已經(jīng)進(jìn)行了許多有效的探索，并已取得豐碩的研究成果。但大多數(shù)學(xué)者只是研究適用于每個(gè)行業(yè)的通用模型，忽略了行業(yè)之間的不同。HarlanDPlatt和MatjorieBPlatt(1990)檢驗(yàn)與產(chǎn)業(yè)相關(guān)的財(cái)務(wù)指標(biāo)、營(yíng)運(yùn)指標(biāo)和產(chǎn)出的變化與公司經(jīng)營(yíng)失敗的關(guān)系時(shí)發(fā)現(xiàn)，用產(chǎn)業(yè)因素調(diào)整后的模型事前和事后的分析效果較佳。

本文以我國(guó)1998—2004年滬深兩市首次被特別處理的A股綜合類上市公司作為研究對(duì)象，探討對(duì)其陷入財(cái)務(wù)危機(jī)具有重要作用的因素，以建立具有較高預(yù)測(cè)率的模型，為證券市場(chǎng)上的利益相關(guān)者作為決策時(shí)的參考。

一、文獻(xiàn)回顧

(一)國(guó)外學(xué)者的行業(yè)財(cái)務(wù)危機(jī)預(yù)警研究狀況

Altman和Loris(1976)利用凈收入/總資產(chǎn)、(總債務(wù)+次級(jí)債務(wù))/股本、總資產(chǎn)/調(diào)整后的凈資產(chǎn)、(期末資本－本期資本增加額)/期初資本、調(diào)整后的企業(yè)歷史年限、綜合評(píng)分等6個(gè)指標(biāo)組成多因素模型對(duì)全美證券商協(xié)會(huì)(NASD)的40個(gè)經(jīng)營(yíng)失敗公司和113個(gè)正常公司構(gòu)成的樣本進(jìn)行分析，成功率高達(dá)90%以上。

Ward(1994)選擇了1988—1989年385個(gè)企業(yè)的數(shù)據(jù)，發(fā)現(xiàn)現(xiàn)金流量指標(biāo)尤其是投資活動(dòng)產(chǎn)生的現(xiàn)金流在預(yù)測(cè)采掘、石油和天然氣行業(yè)中的財(cái)務(wù)危機(jī)方面作用明顯，而經(jīng)營(yíng)活動(dòng)產(chǎn)生的現(xiàn)金流在預(yù)測(cè)非資源性行業(yè)中較為重要。

Pottier(1998)使用1990—1992年48家破產(chǎn)的壽險(xiǎn)公司數(shù)據(jù)，比較了評(píng)級(jí)和評(píng)級(jí)變化與總資產(chǎn)、財(cái)務(wù)比率、財(cái)務(wù)比率結(jié)合評(píng)級(jí)和評(píng)級(jí)變化在預(yù)測(cè)破產(chǎn)方面的作用，結(jié)果發(fā)現(xiàn)結(jié)合財(cái)務(wù)比率、評(píng)級(jí)和評(píng)級(jí)變化的方法比單獨(dú)使用財(cái)務(wù)指標(biāo)能更為有效地預(yù)測(cè)破產(chǎn)。

(二)國(guó)內(nèi)學(xué)者的行業(yè)財(cái)務(wù)危機(jī)預(yù)警研究狀況

國(guó)內(nèi)許多學(xué)者都指出，行業(yè)財(cái)務(wù)危機(jī)預(yù)警研究是財(cái)務(wù)危機(jī)預(yù)警未來的發(fā)展趨勢(shì)之一。但到目前，由于樣本量的不足，國(guó)內(nèi)學(xué)者對(duì)這一方面做的研究較少。

張祥，陳梅(2004)選取1998—2003年間55家制造業(yè)被特別處理(ST)的公司，通過對(duì)單變量模型、多元判別分析模型和Logistic回歸模型的分析和比較，發(fā)現(xiàn)行業(yè)模型的變量選取和預(yù)測(cè)準(zhǔn)確性均有所不同，其模型擬合程度和預(yù)測(cè)準(zhǔn)確性明顯高于通用模型，主營(yíng)業(yè)務(wù)利潤(rùn)/稅前利潤(rùn)和主營(yíng)業(yè)務(wù)利潤(rùn)/總資產(chǎn)是具有較強(qiáng)預(yù)測(cè)性的比率。

梁飛媛(2005)從現(xiàn)金流角度出發(fā)，選擇機(jī)械設(shè)備行業(yè)為實(shí)證對(duì)象，從19個(gè)現(xiàn)金流指標(biāo)中用多元逐步判別分析法選擇出具有顯著預(yù)測(cè)能力的現(xiàn)金流指標(biāo)建立典則判定模型和Fisher線性判定模型，模型均取得較高的判正率。

我國(guó)學(xué)者雖然在該領(lǐng)域的研究起步較晚，但都注重借鑒國(guó)外已有模型的優(yōu)點(diǎn)，通過比較研究的方法建立預(yù)測(cè)準(zhǔn)確率較高的模型。本文也汲取這一經(jīng)驗(yàn)，分別用Fisher二類線性判別分析、二元Logistic回歸和人工神經(jīng)網(wǎng)絡(luò)建立模型。

二、財(cái)務(wù)危機(jī)界定和樣本選取

(一)財(cái)務(wù)危機(jī)界定

財(cái)務(wù)危機(jī)的形成并不是短期的，而是有較長(zhǎng)的潛伏期，要經(jīng)歷從量變到質(zhì)變、漸變到突變的過程。國(guó)外學(xué)者對(duì)財(cái)務(wù)危機(jī)的界定大都使用破產(chǎn)標(biāo)準(zhǔn)，但破產(chǎn)實(shí)質(zhì)上是一種法律現(xiàn)象，除主要受經(jīng)濟(jì)因素影響以外，還要受政治及其他非市場(chǎng)因素的影響。我國(guó)企業(yè)《破產(chǎn)法》雖然在1988年11月1日就已執(zhí)行，但迄今為止還沒有一家上市公司破產(chǎn)，所以國(guó)外學(xué)者的做法在我國(guó)目前階段是行不通的。

早在1993年頒布的《公司法》就規(guī)定了上市公司暫停上市和終止上市的條件，1997年滬深《證券交易所上市規(guī)則》再次提出退市問題。1998年3月16日，證監(jiān)會(huì)了《關(guān)于上市公司狀況異常期間的股票特別處理方式的通知》，通知規(guī)定“上市公司連續(xù)兩年虧損或者每股凈資產(chǎn)低于股票面值，將實(shí)施特別處理，簡(jiǎn)稱ST(SpecialTreatment)”。為了給暫停上市股票提供合法流通渠道，1999年7月證監(jiān)會(huì)對(duì)連續(xù)虧損三年以上的企業(yè)實(shí)施“特別轉(zhuǎn)讓服務(wù)”，簡(jiǎn)稱PT(ParticularTransfer)。這兩個(gè)制度在初期曾對(duì)上市公司起過制約和鞭策作用，但是資產(chǎn)重組的魅力和上市公司“殼資源”的稀缺反而使得ST、PT公司逐漸成為市場(chǎng)的“寵兒”，不僅沒有減弱市場(chǎng)的投機(jī)氣氛，而且投資者的風(fēng)險(xiǎn)意識(shí)也沒有明顯增強(qiáng)。2001年2月24日，證監(jiān)會(huì)正式了《虧損上市公司暫停上市和終止上市實(shí)施辦法》，這是我國(guó)證券市場(chǎng)有關(guān)退市機(jī)制首份具體操作性文件。

本文就以1998—2004年滬深兩市在上述文獻(xiàn)背景下因財(cái)務(wù)狀況異常(ST)或退市風(fēng)險(xiǎn)警示(*ST)而首次被特別處理的綜合類A股上市公司為研究對(duì)象。

(二)樣本選取

按照證監(jiān)會(huì)于2001年4月公布了《上市公司行業(yè)分類指引》規(guī)定的行業(yè)分類，1998—2004年綜合類上市公司被施以ST的共計(jì)31家。

以上市時(shí)間在同一年或相差一年為配對(duì)原則，挑選非ST綜合類上市公司作對(duì)照樣本。如果不滿足配對(duì)原則，將ST綜合類公司剔除。符合配對(duì)原則的有28對(duì)綜合類公司，其中上市時(shí)間在同一年的21對(duì)，占75%；相差一年的7對(duì)，占25%。28家ST綜合類上市公司組成危機(jī)樣本組S1，28家非ST綜合類上市公司組成對(duì)照樣本組S2。采用(t－2)年的數(shù)據(jù)和指標(biāo)建立模型來預(yù)測(cè)公司在第t年是否因財(cái)務(wù)危機(jī)而被特別處理。

三、研究變量挑選及檢驗(yàn)

(一)研究變量選取

2002年，財(cái)政部等五部門共同頒布了《企業(yè)效績(jī)?cè)u(píng)價(jià)操作細(xì)則(修訂)》。該細(xì)則由反映企業(yè)財(cái)務(wù)效益狀況、資產(chǎn)營(yíng)運(yùn)狀況、償債能力狀況和發(fā)展能力狀況四方面內(nèi)容的指標(biāo)構(gòu)成。借鑒該財(cái)務(wù)評(píng)價(jià)體系，并結(jié)合我國(guó)上市公司的財(cái)務(wù)特點(diǎn)，初步選擇與這四個(gè)方面有關(guān)的19個(gè)財(cái)務(wù)指標(biāo)組成研究變量。

另外，借鑒國(guó)內(nèi)外學(xué)者的研究經(jīng)驗(yàn)，選擇部分與上市公司資本結(jié)構(gòu)、股權(quán)結(jié)構(gòu)、股權(quán)擴(kuò)張有關(guān)的變量及與注冊(cè)會(huì)計(jì)師審計(jì)有關(guān)的變量。本研究未將資產(chǎn)規(guī)模作為選取配對(duì)樣本的標(biāo)準(zhǔn)，而是取總資產(chǎn)的對(duì)數(shù)作為一個(gè)變量引入(研究變量及其評(píng)價(jià)內(nèi)容詳見表1)。

(二)研究變量顯著性檢驗(yàn)

1均值檢驗(yàn)

危機(jī)樣本組S1與對(duì)照樣本組S2的研究變量的均值都存在顯著的差異，以利息保障倍數(shù)X3的差異最為顯著。

2配對(duì)樣本T檢驗(yàn)和Z檢驗(yàn)

根據(jù)S1與S2的同一研究變量的配對(duì)，進(jìn)行配對(duì)樣本T檢驗(yàn)和Z檢驗(yàn)。零假設(shè)H0均為：S1與S2的研究變量間不存在顯著差異。如果顯著性水平相應(yīng)P值小于或等于設(shè)定的值α，則應(yīng)拒絕H0，即認(rèn)為兩者的研究變量間有顯著差異。本文中設(shè)定的α=0.05。

S1與S2的T檢驗(yàn)有10個(gè)變量差異顯著，Z檢驗(yàn)有14個(gè)變量差異顯著(表1)。具體分析如下：

(1)反映成長(zhǎng)能力的研究變量作用非常顯著

投資者對(duì)上市公司投資，無非是期望能夠獲得公司股票未來豐厚的現(xiàn)金股利和誘人的股價(jià)上漲空間。現(xiàn)金分紅、股價(jià)上漲都離不開公司的成長(zhǎng)。一家沒有成長(zhǎng)性的公司除了勉強(qiáng)維持現(xiàn)有的狀態(tài)以外，是無法抽出資金回報(bào)股東的。配對(duì)樣本Z檢驗(yàn)顯示，所選的體現(xiàn)成長(zhǎng)能力的3個(gè)變量均在1％水平上作用顯著。

(2)反映股權(quán)擴(kuò)張能力的變量作用非常顯著

對(duì)上市公司來說，每股收益和每股凈資產(chǎn)是兩個(gè)非常重要的指標(biāo)，尤其是每股凈資產(chǎn)在理論上提供了股票的最低價(jià)值。每股凈資產(chǎn)決定著上市公司是否會(huì)成為ST，即當(dāng)上市公司的每股凈資產(chǎn)低于股票面值時(shí)，就會(huì)被ST。

(3)反映營(yíng)運(yùn)能力、年報(bào)批露的研究變量作用較為顯著

反映營(yíng)運(yùn)能力的3個(gè)變量中有2個(gè)檢驗(yàn)顯著，值得注意的是在張祥關(guān)于制造業(yè)財(cái)務(wù)危機(jī)預(yù)警中發(fā)現(xiàn)存貨周轉(zhuǎn)率在(t－2)年顯著但在綜合類上市公司中，S1和S2的差異不明顯。

(t－2)年，S1共有15家被出具非標(biāo)準(zhǔn)審計(jì)意見，占樣本總量的54％；而S2僅有4家公司被出具了非標(biāo)審計(jì)意見，僅占14％。

(4)反映償債能力、盈利能力的研究變量作用不太顯著

這兩類變量在張祥的研究中差異普遍顯著，但在本研究的T檢驗(yàn)中都僅有一個(gè)變量通過檢驗(yàn)。說明S1與S2相比而言，償債能力和盈利能力，特別是償債能力沒有很大的差別?？梢姡C合類上市公司與制造業(yè)公司相比，對(duì)其陷入財(cái)務(wù)危機(jī)具有重要作用的變量是不同的，也反映出研究行業(yè)財(cái)務(wù)危機(jī)預(yù)警的必要性。

(5)反映資本結(jié)構(gòu)、股權(quán)結(jié)構(gòu)和資產(chǎn)規(guī)模的變量作用不顯著

固定資產(chǎn)凈值率反映固定資產(chǎn)的新舊程度和生產(chǎn)能力，S1與S2的該指標(biāo)間不存在顯著差異；股權(quán)是否集中對(duì)所選綜合類上市公司也沒有影響，因?yàn)榈谝淮蠊蓶|持股比率在50％以上的公司，S1有3家、S2有2家；大多數(shù)研究都將資產(chǎn)規(guī)模作為選擇配對(duì)樣本的標(biāo)準(zhǔn)，本文將總資產(chǎn)取對(duì)數(shù)后作為一個(gè)變量引入，但檢驗(yàn)中未發(fā)現(xiàn)S1和S2有顯著差異。

表1配對(duì)樣本T檢驗(yàn)和Z檢驗(yàn)

配對(duì)研究變量T值顯著性Z值顯著性評(píng)價(jià)內(nèi)容

1資產(chǎn)負(fù)債率X11.60960.1191-1.38130.1672償債能力

2股東權(quán)益比率X21.77030.088-0.7970.4255

3利息保障倍數(shù)X3-1.17390.2507-3.27910.0010*

4長(zhǎng)期負(fù)債權(quán)益比率X4-0.14330.8871-0.09110.9274

5產(chǎn)權(quán)比率X51.82640.0789-1.26930.2043

6流動(dòng)比率X6-1.25510.2202-1.91280.0558

7速動(dòng)比率X7-1.61690.1175-1.79890.072

8現(xiàn)金比率X8-2.99950.0058*-3.02860.0025*

9固定資產(chǎn)周轉(zhuǎn)率X9-2.7860.0096*-3.4840.0005*營(yíng)運(yùn)能力

10存貨周轉(zhuǎn)率X10-1.29950.2048-1.27520.2022

11應(yīng)收帳款周轉(zhuǎn)率X11-2.44170.0215**-2.52760.0115**

12凈資產(chǎn)收益率X12-1.46290.155-4.07610.0000*盈利能力

13資產(chǎn)收益率X13-3.6150.0012*-4.23550.0000*

14毛利率X14-1.87380.0718-2.20880.0272**

15凈利潤(rùn)率X15-1.71390.098-4.14440.0000*

16主營(yíng)利潤(rùn)比重X160.42060.6774-0.97920.3275

17銷售增長(zhǎng)率X17-2.1690.0391**-2.61870.0088*成長(zhǎng)能力

18資本積累率X18-4.89640.0000*-4.00780.0001*

19資產(chǎn)擴(kuò)張率X19-5.37750.0000*-4.16720.0000*

20固定資產(chǎn)凈值率X20-0.96340.3439-1.22970.2188資本結(jié)構(gòu)

21每股凈資產(chǎn)X21-4.52340.0001*-3.6890.0002*股權(quán)擴(kuò)張

22每股收益X22-5.26060.0000*-4.09890.0000*

23第一大股東持股比率X230.40750.6868-0.52370.6005股權(quán)結(jié)構(gòu)

24前三大股東持股比率X240.84250.4069-0.88810.3745

25審計(jì)意見X253.03360.0053*-2.66790.0076*年報(bào)批露

26變更事務(wù)所X260.62550.5369-0.63250.5271

27資產(chǎn)規(guī)模X27-1.2970.2056-1.27520.2022資產(chǎn)規(guī)模

注：*、**分別表示在1％和5％的水平下統(tǒng)計(jì)顯著(雙尾檢驗(yàn))

(三)相關(guān)系數(shù)檢驗(yàn)

對(duì)在配對(duì)樣本T檢驗(yàn)和Z檢驗(yàn)中作用均非常明顯的10個(gè)研究變量的相關(guān)系數(shù)進(jìn)行檢驗(yàn)。

在5%的顯著性水平下，銷售增長(zhǎng)率X17與資產(chǎn)擴(kuò)張率X19的相關(guān)系數(shù)為0.622，資產(chǎn)擴(kuò)張率X19與每股凈資產(chǎn)X21的相關(guān)系數(shù)為0.681。他們的相關(guān)系數(shù)均超過0.6，為消除多重共線性的影響，按變量間相關(guān)性較小為優(yōu)原則，經(jīng)比較，剔除變量X19。經(jīng)上述研究過程后，最初選的27個(gè)研究變量縮減為9個(gè)(表2)。

表2篩選后取得的研究變量

研究變量評(píng)價(jià)內(nèi)容研究變量評(píng)價(jià)內(nèi)容

現(xiàn)金比率X8償債能力銷售增長(zhǎng)率X17成長(zhǎng)能力

固定資產(chǎn)周轉(zhuǎn)率X9營(yíng)運(yùn)能力資本積累率X18

應(yīng)收帳款周轉(zhuǎn)率X11營(yíng)運(yùn)能力每股凈資產(chǎn)X21股權(quán)擴(kuò)張

資產(chǎn)收益率X13盈利能力每股收益X22

審計(jì)意見X25年報(bào)批露

四、實(shí)證分析

財(cái)務(wù)危機(jī)預(yù)警模型按照是否具有自我學(xué)習(xí)功能，可以劃分為靜態(tài)和動(dòng)態(tài)兩大類。前者包括Beaver的單變量判定模型、Altman的多元線性判定模型及Olhson的多元邏輯回歸模型等。動(dòng)態(tài)財(cái)務(wù)預(yù)警主要使用人工智能技術(shù)，其中具有代表性的是神經(jīng)網(wǎng)絡(luò)模型和案例推理模型。

本文分別使用靜態(tài)模型中的Fisher二類線性判別分析、二元Logistic回歸和動(dòng)態(tài)模型中的人工神經(jīng)網(wǎng)絡(luò)方法建立模型。因變量Y為虛擬變量，表示上市公司是否出現(xiàn)財(cái)務(wù)危機(jī)，出現(xiàn)財(cái)務(wù)危機(jī)設(shè)為1，沒有出現(xiàn)財(cái)務(wù)危機(jī)設(shè)為0。

(一)靜態(tài)方法建模

1Fisher二類線性判別分析建模

Fisher二類線性判別分析是一種采用Fisher線形判別函數(shù)系數(shù)、考慮只有兩個(gè)變量的判別分析方法。即：Z=c1X1＋c2X2＋c3X3+…＋cnXn，其中Z為判別值，X1、X2、X3、…、Xn為研究變量，c1，c2，c3，…，cn是待求的判別函數(shù)系數(shù)。

利用SPSS軟件，得到的(t-2)年綜合類上市公司財(cái)務(wù)危機(jī)預(yù)警模型和財(cái)務(wù)健康模型分別為：

Zs1=－9.6599＋0.4149X8＋0.7521X9＋0.2683X11－3.5073X13－0.3936X17－13.1698X18＋7.3110X21＋2.3022X22＋4.514X25

Zs2=－15.7149＋0.7719X8＋1.0342X9＋0.3585X11－9.3332X13－0.2608X17－14.5654X18＋9.7383X21＋8.1403X22＋3.8693X25

以0為分割點(diǎn)，通過對(duì)模型的回代判定預(yù)測(cè)檢驗(yàn)發(fā)現(xiàn)，財(cái)務(wù)健康公司的預(yù)測(cè)準(zhǔn)確率為85.71%，財(cái)務(wù)危機(jī)公司的預(yù)測(cè)準(zhǔn)確率為89.29%。

2二元邏輯回歸建模

由二元邏輯回歸擬合的方程可表示為：ln[p/(1-p)]=a+∑biXi，其中p是上市公司發(fā)生財(cái)務(wù)危機(jī)的概率；Xi是影響財(cái)務(wù)危機(jī)的第i個(gè)因素，i=1，2，…，m；a，bi(i=1，2，…，m)是待估參數(shù)。F值的選擇標(biāo)準(zhǔn)是：相應(yīng)p值小于0.05時(shí)引進(jìn)，大于0.10時(shí)剔除。

(t-2)年綜合類上市公司財(cái)務(wù)危機(jī)預(yù)警模型為：

以0.5為分割點(diǎn)，模型對(duì)危機(jī)公司的回代判定預(yù)測(cè)準(zhǔn)確率為82.14%。

3靜態(tài)財(cái)務(wù)危機(jī)預(yù)警方法建?？偨Y(jié)

(1)靜態(tài)預(yù)警方法對(duì)危機(jī)樣本組S1的預(yù)測(cè)正確率均超過80％，說明預(yù)測(cè)效果較好。

(2)Fisher二類線性判別分析比二元邏輯回歸建模的預(yù)測(cè)準(zhǔn)確率高3.6個(gè)百分點(diǎn)，即在危機(jī)前(t-2)年，F(xiàn)isher二類線性判別分析對(duì)綜合類危機(jī)公司的預(yù)測(cè)效果更好。

(二)動(dòng)態(tài)方法建模

人工神經(jīng)網(wǎng)絡(luò)(ArtificialNeuralNetwork，簡(jiǎn)稱ANN)是對(duì)生理上真實(shí)的人腦神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和功能及基本特征進(jìn)行理論抽象、簡(jiǎn)化和模擬而構(gòu)成的一種信息系統(tǒng)，具有非線性映射、自適應(yīng)學(xué)習(xí)和較強(qiáng)容錯(cuò)性的特點(diǎn)。BP人工神經(jīng)網(wǎng)絡(luò)是其中一種比較典型的學(xué)習(xí)算法，主要結(jié)構(gòu)是由一個(gè)輸入層，一個(gè)或多個(gè)隱含層和一個(gè)輸出層組成，各層由若干個(gè)神經(jīng)元(節(jié)點(diǎn))構(gòu)成。

以表2的9個(gè)研究變量作為輸入點(diǎn)P1，輸出點(diǎn)P3只有一個(gè)，即因變量Y。隱藏層P2根據(jù)公式(2P1+P3)1/2<P2<2P1+1并結(jié)合實(shí)際試算結(jié)果確定為5個(gè)，得到的BP網(wǎng)絡(luò)模型結(jié)構(gòu)是9×5×1。選取學(xué)習(xí)率η=0.1，動(dòng)態(tài)參數(shù)α＝0.8，系統(tǒng)誤差ε=0.006，經(jīng)過上千次運(yùn)算得到相關(guān)矩陣。

其中，輸入層到隱含層的權(quán)值矩陣Wjh(9×5)、隱含層到輸出層的權(quán)值矩陣Whi(5×1)及最終的BP網(wǎng)絡(luò)結(jié)構(gòu)分別為：

-2.3319-0.20772.6769-1.73581.8744-4.9816

2.7675-0.42671.14160.99482.267-61.1174

4.504-0.05713.499-1.1188-3.3428-9.6837-35.9874

0.77091.1794-1.84640.40050.8552-2.178-4.8566

Wjh(9×5)=-4.3374-0.3962-1.01510.47254.8495Whi(5×1)=-8.1793BP網(wǎng)絡(luò)結(jié)構(gòu)＝5.6451

1.83551.2923-0.38913.7484.9813-5.9814-83.6816

-1.56180.55896.79491.5336-0.5487-8.8043-46.013

4.27970.0622-2.00311.30712.5699-55.6393

2.29450.7257-0.1975-0.6595-0.6956-12.1154

通過回代判定發(fā)現(xiàn)，5家非ST被預(yù)測(cè)為ST，模型的預(yù)測(cè)正確率為82.14%，與二元邏輯回歸的正確率一樣，但低于Fisher二類線性判別分析的預(yù)測(cè)效果。

五、結(jié)論

本文選用9個(gè)方面的27個(gè)研究變量，通過均值比較、配對(duì)樣本T檢驗(yàn)和Z檢驗(yàn)，發(fā)現(xiàn)綜合類公司的財(cái)務(wù)危機(jī)預(yù)警中，效果最明顯的是反映成長(zhǎng)能力的變量，這不同于制造業(yè)公司，也說明進(jìn)行某一行業(yè)的財(cái)務(wù)危機(jī)預(yù)警是非常有必要的。在研究方法上，既采用了判別分析、邏輯回歸等靜態(tài)建模方法，又采用了人工神經(jīng)網(wǎng)絡(luò)等動(dòng)態(tài)建模方法。各種方法均取得了較高的預(yù)測(cè)準(zhǔn)確率，但相比而言，F(xiàn)isher二類線性判別分析的預(yù)測(cè)準(zhǔn)確率最高。由于我國(guó)1998年才開始編制現(xiàn)金流量表，而本研究的跨度較長(zhǎng)，研究樣本涉及的數(shù)據(jù)須從1996—2002年，因此并未選取有關(guān)現(xiàn)金流量的指標(biāo)。

參考文獻(xiàn)

[1]EdwardIAltmanandBettingLoris.AFinancialEarlyWarningSystemforOver-the-CounterBroker-Dealer[J].JournalofFinance,1976,(4):1201–1217

[2]TerryJWard.AnEmpiricalStudyoftheIncrementalPredictiveAbilityofBeaver''''sNaiveOperatingFlowMeasureUsingFour-StateOrdinalModelsofFinancialDistress[J].JournalofBusinessFinanceandAccounting,1994,(6):547–561

[3]StevenWPottier.LifeInsurerFinancialDistress,Best''''sRatingsandFinancialRatios[J].TheJournalofRiskandInsurance,1998,(2):275–288

[4]張祥,陳梅.制造業(yè)財(cái)務(wù)預(yù)警模型研究[J].華中科技大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版),2004,(3):61–64

[5]梁飛媛.基于現(xiàn)金流的財(cái)務(wù)危機(jī)預(yù)警系統(tǒng)實(shí)證研究—以機(jī)械設(shè)備行業(yè)為例[J].財(cái)貿(mào)經(jīng)濟(jì),2005,(2):23–27