本文以我國滬深兩市2005年90家上市公司作為研究對象，以其被ST前一年的截面數(shù)據(jù)建立一套財務(wù)指標(biāo)體系，應(yīng)用Logistic 回歸和BP神經(jīng)網(wǎng)絡(luò)方法建立財務(wù)危機預(yù)警模型， 進行了實證研究。
一、筆者對財務(wù)危機的界定
如何界定財務(wù)危機是進行財務(wù)預(yù)警研究考慮的首要問題。國外大部分研究將企業(yè)在破產(chǎn)法下提出破產(chǎn)申請的行為作為確定企業(yè)進入財務(wù)危機的標(biāo)志，Altman （1968）指出財務(wù)危機分4種類型：經(jīng)營失敗、無償付能力、違約、破產(chǎn)；Deakin （1972）認為財務(wù)危機公司是指已經(jīng)破產(chǎn)、無力償還債務(wù)而已經(jīng)進行清算的公司；ROSS等人（1999）認為可從4個方面定義企業(yè)的財務(wù)危機：企業(yè)失敗、法定破產(chǎn)、技術(shù)破產(chǎn)和會計破產(chǎn)。由于我國證券市場發(fā)育不夠成熟，缺乏健全的退市機制，上市資格一直受到證監(jiān)會的嚴(yán)格控制，巨大的需求使業(yè)績差的“殼資源”上市公司炙手可熱，即便處于破產(chǎn)的邊緣，也會被完全吸收。故而，結(jié)合我國的實際情況，筆者把公司被特別處理（ST）作為陷入財務(wù)困境的標(biāo)志，ST制度是對“狀況異�！钡纳鲜泄緦嵭�股票交易的特別處理。筆者在研究中將財務(wù)危機確切界定為公司財務(wù)狀況異常而被“特別處理”。
二、國內(nèi)外文獻綜述
目前，研究財務(wù)預(yù)警的模型主要集中于以下幾類模型：單變量模型、多變量統(tǒng)計分析模型和人工神經(jīng)網(wǎng)絡(luò)模型。
�。ㄒ唬﹩巫兞磕Ｐ�
該模型研究的先驅(qū)者美國芝加哥大學(xué)教授WilliamBeaver （1966）提出了較為成熟的單變量模式，他以79家失敗企業(yè)和相同數(shù)量、同等規(guī)模成功企業(yè)為樣本，通過研究個別財務(wù)比率長期走勢預(yù)測企業(yè)面臨危機情況；我國學(xué)者陳靜（1999）以1998年的27家ST和27家非ST公司，利用1995－1997年的財務(wù)報表數(shù)據(jù)進行了單變量分析，提出流動比率和負債比率誤判率最低；吳世農(nóng)、盧賢義（2001）以70家ST和70家非ST上市公司為樣本，應(yīng)用單變量分析研究財務(wù)困境出現(xiàn)前五年內(nèi)這兩類公司21個財務(wù)指標(biāo)各年的差異，最后確定了6個預(yù)測指標(biāo)。
�。ǘ┒嘧兞拷y(tǒng)計分析模型
多變量統(tǒng)計分析模型同單變量模型相比，更全面地反映了企業(yè)的財務(wù)狀況。由于建模使用的統(tǒng)計方法不同，又分為多元回歸分析模型、多元判別分析模型、主成分分析模型和Logisitic回歸模型。美國學(xué)者Edward Altman教授率先將多元線性判別方法引入財務(wù)預(yù)警領(lǐng)域，開創(chuàng)了多變量預(yù)警模型的先河，提出Z－score模型；張玲（2000）選取滬深兩市14個行業(yè)120家上市公司為樣本，從償債能力、盈利能力、資本結(jié)構(gòu)狀況和營運狀況4個方面15個相關(guān)財務(wù)比率中篩選出4個變量構(gòu)建了二分類線性判定模型；周首華（1996）構(gòu)建了F分數(shù)模型。其中Logisitic回歸模型已經(jīng)引起人們的高度關(guān)注。
�。ㄈ� 人工神經(jīng)網(wǎng)絡(luò)模型
人工神經(jīng)網(wǎng)絡(luò)（ANN）的發(fā)展始于20世紀(jì)40年代，它利用大量非線性并行處理關(guān)系來模擬眾多的人腦神經(jīng)元的運作，具有較好的模式識別、學(xué)習(xí)、訓(xùn)練和容錯能力，克服了傳統(tǒng)統(tǒng)計方法的局限。M.Odom（1990）最早把人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于財務(wù)危機預(yù)測研究；由Rumelhart和McClelland（1986）提出的一種多層前饋網(wǎng)反向傳播BP神經(jīng)網(wǎng)絡(luò)方法，適用于模擬輸入、輸出的近似關(guān)系，而且具有無限隱含層節(jié)點的三層BP網(wǎng)絡(luò)可以實現(xiàn)任意從輸入到輸出的非線性映射，同時也是近年來應(yīng)用最廣泛最成熟的ANN模型；Lapedes和Fayber（1987）首次運用神經(jīng)網(wǎng)絡(luò)模型對銀行信用風(fēng)險進行了預(yù)測和分析；Trippi和Turban（1992）對美國銀行財務(wù)危機進行了分析；我國學(xué)者楊保安（2001）選取15個財務(wù)指標(biāo)，運用BP神經(jīng)網(wǎng)絡(luò)方法建立了供銀行進行授信評價的預(yù)警系統(tǒng)。
三、實證研究
筆者主要根據(jù)Logisitic回歸模型和BP神經(jīng)網(wǎng)絡(luò)模型理論，搜集上市公司的財務(wù)數(shù)據(jù)，建立不同的實證模型進行比較，分析財務(wù)預(yù)警的效果。
�。ㄒ唬┭芯繕颖镜脑O(shè)計
筆者將我國上市公司中的ST公司界定為“財務(wù)失敗”。選取了2005年滬深上市的30家ST公司和同行業(yè)相近規(guī)模的30家非ST公司作為估計樣本組，另外選取同時期的30家ST公司和非ST公司作為測試樣本組。估計樣本組的數(shù)據(jù)用于構(gòu)建預(yù)警模型，而測試樣本組用于檢驗預(yù)警模型的有效程度。鑒于研究的需要，所選取的財務(wù)指標(biāo)數(shù)據(jù)是ST公司被宣布特別處理前一年（2004）的年報數(shù)據(jù)，樣本公司的財務(wù)數(shù)據(jù)主要來自巨潮咨訊網(wǎng)站和中國上市公司咨訊網(wǎng)站統(tǒng)計年鑒。
�。ǘ┴攧�(wù)指標(biāo)體系的選擇
財務(wù)比率的選取是構(gòu)建財務(wù)危機預(yù)警模型極其重要的一步，選擇的恰當(dāng)與否關(guān)系到財務(wù)危機預(yù)警模型的有效性。筆者采用定性分析和定量分析相結(jié)合的方法， 借鑒國內(nèi)外學(xué)者的實證研究成果并結(jié)合我國上市公司的實際情況， 從企業(yè)的市場價值指標(biāo)、盈利能力、償債能力、經(jīng)營能力、成長能力、資本結(jié)構(gòu)等6個方面， 提供了17個備選財務(wù)指標(biāo)，作為研究模型中使用的初始變量，如表1所示：
表1 備選財務(wù)預(yù)警指標(biāo)
| 市場價值指標(biāo) | 盈利能力 | 償債能力 | 經(jīng)營能力 | 成長能力 | 資本結(jié)構(gòu) |
| 每股收益 每股凈資產(chǎn) |
總資產(chǎn)報酬率 凈資產(chǎn)收益率 主營業(yè)務(wù)利潤率 銷售毛利率 銷售凈利率 |
流動比率 速動比率 |
總資產(chǎn)周轉(zhuǎn)率 應(yīng)收賬款周轉(zhuǎn)率 股東權(quán)益周轉(zhuǎn)率 存貨周轉(zhuǎn)率 |
總資產(chǎn)增長率 主營業(yè)務(wù) 收入增長率 |
資產(chǎn)負債率 股東權(quán)益比率 |
然而，模型中包括如此多的指標(biāo)是不經(jīng)濟的，同時由于財務(wù)指標(biāo)之間的相關(guān)性比較強，結(jié)構(gòu)錯綜復(fù)雜，因此在建立模型前有必要對初始變量進行篩選。ST公司和非ST公司之間應(yīng)該具有顯著差別，進入預(yù)警模型的變量至少能有效、顯著地區(qū)別ST公司和非ST公司，這是入選變量的必要條件。所以筆者采用統(tǒng)計分析法中的顯著性檢驗方法（T檢驗）對預(yù)警指標(biāo)進行第一次篩選。使用SPSS統(tǒng)計分析軟件，對財務(wù)危機企業(yè)被處理前一年（2004）的數(shù)據(jù)進行顯著性檢驗。從T檢驗結(jié)果可以看出，選取顯著性水平為0.05，在備選的17個財務(wù)預(yù)警指標(biāo)中， 總資產(chǎn)報酬率（X1）、凈資產(chǎn)收益率（X2）、流動比率（X3）、速動比率（X4）、資產(chǎn)負債率（X5）、股東權(quán)益比率（X6）、總資產(chǎn)周轉(zhuǎn)率（X7）、總資產(chǎn)增長率（X8）、每股收益（X9）、每股凈資產(chǎn)（X10）的雙尾檢驗的顯著概率均小于0.05，通過了顯著性檢驗，說明這些指標(biāo)變量在ST公司和非ST公司之間是有顯著差異的，因此選取這10個變量進入預(yù)測模型。
（三）Logistic回歸分析模型
以60家估計樣本財務(wù)危機發(fā)生前一年的數(shù)據(jù)為基礎(chǔ)，使用篩選的10個指標(biāo)為自變量，構(gòu)建Logistic回歸分析模型，運用SPSS軟件分析獲得模型的系數(shù)及相關(guān)參數(shù)見表2.
表2 估計樣本Logistic回歸模型參數(shù)表
| B | S.E. | Wald | df | Sig. | Exp（B） | ||
| Step 1（a） | 每股凈資產(chǎn) | 1.779 | .487 | 13.348 | 1 | .000 | 5.921 |
| Constant | －2.326 | .723 | 10.353 | 1 | .001 | .098 | |
| Step 2（b） | 總資產(chǎn)周轉(zhuǎn)率 | .051 | .024 | 4.368 | 1 | .037 | 1.052 |
| 每股凈資產(chǎn) | 1.674 | .560 | 8.922 | 1 | .003 | 5.333 | |
| Constant | －2.496 | .902 | 7.664 | 1 | .006 | .082 | |
a Variable（s） entered on step 1：每股凈資產(chǎn) b Variable（s） entered on step 2：總資產(chǎn)周轉(zhuǎn)率
注：B為預(yù)警變量的回歸系數(shù)：S.E. 為回歸系數(shù)的標(biāo)準(zhǔn)誤差；Wald是檢驗偏回歸系數(shù)的統(tǒng)計盈；df為自由度；Sig.為顯著水平。
從表中可以看出，X7和X10變量的顯著水平均小于0.05，說明預(yù)測能力較強，現(xiàn)構(gòu)建Logistic回歸模型，其方程表示為： Logit（Y）=Ln（P/1－P）=－2.496 + 0.051X7+1.674X10.
P（Y=1）代表公司發(fā)生財務(wù)危機的概率， P（Y=0）代表公司不發(fā)生財務(wù)危機的概率，因此筆者以P=0.5為最佳判別點，以期能使預(yù)警模型在實際中有更好的預(yù)測效果。當(dāng)P大于0.5時，判別為ST公司，數(shù)值越大，表明該公司未來一年內(nèi)發(fā)生財務(wù)危機的可能性越大；當(dāng)P小于0.5時，判別為非ST公司，數(shù)值越小，表明該公司財務(wù)狀況越安全；當(dāng)P等于0.5時，說明該公司的財務(wù)狀況不太明顯，但也判別為ST公司。
�。ㄋ模〣P神經(jīng)網(wǎng)絡(luò)模型
筆者采用三層BP網(wǎng)絡(luò)，由輸入層、隱含層、輸出層組成。輸入層至隱含層以及隱含層至輸出層的傳輸函數(shù)均選用非線性S 型Sigmoid 函數(shù)，這個算法的學(xué)習(xí)過程由正向和反向傳播過程組成。
運用軟件Matlab 6.5， 構(gòu)建了10－16－1的三層BP網(wǎng)絡(luò)，并選取了60個訓(xùn)練樣本和30個測試樣本進行實驗。另外，由于輸入是連續(xù)變量，輸出是布爾型離散向量， 訓(xùn)練或測試前使用Matlab的Premnmx函數(shù)對樣本進行歸一化處理，作為網(wǎng)絡(luò)的輸入數(shù)據(jù)。BP神經(jīng)網(wǎng)絡(luò)的設(shè)計包括輸入層、隱含層、輸出層、傳遞函數(shù)、訓(xùn)練函數(shù)等網(wǎng)絡(luò)結(jié)構(gòu)和網(wǎng)絡(luò)參數(shù)的設(shè)置，具體到文本的研究，設(shè)置如下：
1.輸入層：輸入層神經(jīng)元個數(shù)由輸入量決定，確定了10個輸入節(jié)點。
2.輸出層：輸出層神經(jīng)元的個數(shù)由輸出類別決定。具體到本文，網(wǎng)絡(luò)的輸出層定義為一個節(jié)點，即上市公司的實際財務(wù)狀況。在訓(xùn)練樣本集中，樣本的輸出向量為T（當(dāng)為ST公司時，T=1；當(dāng)為非ST公司時，T=0）。
3.隱含層：關(guān)于隱節(jié)點數(shù)的選取至今尚未找到一個很好的解析式來表示，過少，將影響到網(wǎng)絡(luò)的有效性；過多，則會大幅度增加網(wǎng)絡(luò)訓(xùn)練的時間，用于模式識別的BP網(wǎng)絡(luò)，根據(jù)經(jīng)驗，可以參照以下公式進行設(shè)計：n=n1+0.618×（n1－ n2）其中，n為隱節(jié)點數(shù)，n1為輸入節(jié)點數(shù)，n2為輸出節(jié)點數(shù)。由此公式選取隱含層節(jié)點數(shù)為16.筆者采用隱含層神經(jīng)元個數(shù)為16個。
4.傳遞函數(shù)：傳遞函數(shù)的好壞對一個神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效率至關(guān)重要。考慮到輸出層的期望輸出數(shù)據(jù)為0或1，經(jīng)反復(fù)測試，筆者對輸入層到隱含層的傳遞函數(shù)確定為正切函數(shù)tansig（n），它將神經(jīng)元的輸入范圍從（－ ，+ ）映射到（1，－1），隱含層到輸出層之間的傳遞函數(shù)確定為對數(shù)函數(shù)logsig（n），它將神經(jīng)元的輸入范圍從（－ ，+ ）映射到（0， 1）。
5.網(wǎng)絡(luò)參數(shù)：目標(biāo)誤差0.001，學(xué)習(xí)速率為0.01，訓(xùn)練循環(huán)次數(shù)1000次。學(xué)習(xí)率通常在0.01～0.9之間。一般來說，學(xué)習(xí)率越小，訓(xùn)練次數(shù)越多， 但學(xué)習(xí)率過大，會影響網(wǎng)絡(luò)結(jié)構(gòu)的穩(wěn)定性。誤差通常需要根據(jù)輸出要求來定， e越低， 說明要求的精度越高。
6.訓(xùn)練函數(shù)：本文選取基于快速BP算法的訓(xùn)練函數(shù)trainlm借助Matlab6.5語言編程實現(xiàn)模型在PC上經(jīng)過75個訓(xùn)練周期后達到要求。
�。ㄎ澹┎煌Ｐ徒Y(jié)果比較
表3 不同模型的判別準(zhǔn)確率比較
| 模型名稱 | 估計樣本準(zhǔn)確率 | 測試樣本準(zhǔn)確率 | ||||
| 總 體 | ST | 非ST | 總 體 | ST | 非ST | |
| Logistic回歸模型 | 86.7% | 86.7% | 86.7% | 83.3% | 80% | 86.7% |
| BP神經(jīng)網(wǎng)絡(luò)模型 | 99% | 98% | 100% | 90% | 93.3% | 86.7% |
從上述兩種模型之間的判別準(zhǔn)確率比較表可以明顯看出，估計樣本方面BP神經(jīng)網(wǎng)絡(luò)判別效果高于Logisitic模型；測試樣本方面兩者相當(dāng)。
四、研究結(jié)論及局限性
筆者在回顧國內(nèi)外財務(wù)預(yù)警模型經(jīng)典文獻和研究成果的基礎(chǔ)上，以我國滬深90家上市公司為研究對象，利用Logisitic回歸模型和BP神經(jīng)網(wǎng)絡(luò)方法進行了實證研究。
（一）研究結(jié)論如下
1.我國上市公司的財務(wù)指標(biāo)包含著預(yù)測財務(wù)困境的信息含量，因此利用公司的財務(wù)比率可以預(yù)測其是否陷入財務(wù)困境。在上市公司陷入財務(wù)危機的前一年，筆者所選的17個財務(wù)指標(biāo)中10個具有判定和預(yù)測財務(wù)困境的信息含量，這些指標(biāo)涵蓋了反映公司財務(wù)狀況的各方面因素，說明建立指標(biāo)體系是合理恰當(dāng)?shù)摹?.中國證監(jiān)會對上市公司中ST的定義是有效的，因為筆者證明了上市公司的ST板塊與非ST板塊有顯著的區(qū)別，能用各種判別模型加以區(qū)分。3.研究采用的兩種模型方法都可以進行公司財務(wù)困境預(yù)測研究，但判定效果存在差異。
（二）研究存在著一定的局限性
1.鑒于數(shù)據(jù)收集的限制，筆者選取的都是上市公司的財務(wù)數(shù)據(jù)，不適用于大量的小型公司。
2.筆者的研究是以上市公司真實財務(wù)指標(biāo)為前提假設(shè)的，不能排除目前我國上市公司會計信息失真現(xiàn)象的存在。
3.由于反映公司財務(wù)狀況的指標(biāo)很多，可能漏掉一些重要的比率，得出的結(jié)果不夠完善。
4.筆者研究的是上市公司的截面數(shù)據(jù)，沒有考慮到ST前一年或兩年的情況，勢必會影響實證結(jié)果。
