上市公司財務危機預警指標的預處理方法體系建立與應用

摘 要：預警指標選擇的質量，直接影響預警結果的準確性。采用層次化處理的定性手段，與粗集理論中知識約簡方法的定量手段有機結合，建立了預警指標的預處理方法體系。通過采用ANN預警模型進行實證，表明該預處理方法體系是有效的。

關鍵詞：財務危機；預處理；粗集；財務數據結構；預警

中圖分類號：F275．5文獻標識碼：A

The Establishment and Application of Financial Alarm Index Pretreatment System

in Listed Companies

WANG Lu，WANG Hui-min

(Business School，Hehai University， Nanjing 210098， China)

Abstract: The veracity of early-warning result is influenced directly by the quality of early warning ratios. The ratios pretreatment is established by integrating means of administrative level and rough set. The results of demonstration by ANN early warning model show the feasibility and validity of the pretreatment method.

Key words:financial crisis;pretreatment;rough set;financial data structure；alarming

收稿日期：2006-09-28

作者簡介：王璐(1969-)，男，河海大學商學院博士研究生，中審會計師事務所副所長，中國注冊會計師。研究方向：財務報表分析，企業危機預警。王慧敏(1963-)，女，河海大學商學院教授，博士生導師。研究方向：宏觀經濟預警、水資源系統工程。

基金項目：教育部青年骨干教師資助項目，項目編號：200384。

一、引言

預警財務指標選擇的質量，直接影響預警結果的準確性。企業財務危機預警指標體系構建的基本原則之一是系統性與層次性相結合，即在設計時要充分考慮各指標之間的內在聯系，不能顧此失彼，也不應使各指標所評價的內容相互重復^[1]。

相關的文獻有，如楊淑娥與徐偉剛（2003）^[2]、劉紅霞與張心林（2004）^[3]等人利用主成分法進行指標約簡，李曉峰與徐玖平（2004）^[4]利用粗集(ROUGH set)方法對指標信息冗余進行處理，張玲與陳收（2005）^[5]通過建立相關矩陣對指標進行統計分析，剔除相關系數較高的指標。目前基本采用定量的單一指標預處理方法，而對定性與定量方法有機結合進行預處理方法，尚缺乏深入探討。

筆者結合財務指標的數據結構特點與粗集理論的相關方法，構建上市公司財務危機預警指標預處理方法體系，旨在約簡預警指標的信息冗余，以提高模型預測的準確度。

二、預處理方法體系的構建

（一）財務數據結構下的層次化處理

1．財務數據結構

數據結構是指數據及其相互之間的聯系。在數據結構中，每個數據元素有且僅有一個直接前驅元素，有且僅有一個直接后繼元素，這種數據結構為線性結構。數據結構的特點是數據元素之間的1對N聯系（N0），即層次關系。若節點之間的聯系是M對N聯系（M0，N0），即網狀關系。這種數據結構稱為圖結構^[6]。

財務數據結構是指財務數據及其相互之間的聯系。財務數據具有極強的層次性。在會計學中，存在著“資產=負債 + 所有者權益”的平衡關系。上述項目又有不同層次的下屬科目。如資產包括流動資產與長期資產。而流動資產包括貨幣資金、存貨、應收賬款與短期投資等科目。長期資產包括固定資產凈值、長期投資、無形及遞延資產和其它長期資產等科目。

另外，杜邦體系也進一步說明在指標間的層次性。它以權益凈利率為核心指標，從影響權益凈利率的因素著手，將償債能力、資產營運能力與盈利能力有機地結合起來，層層分解，逐步深入，構建企業業績考核評價指標體系。

不同層次指標信息含量不同，其層次越高，綜合性越強，差異性愈弱。如果在不同層次下同時作為預測指標，會出現信息重復的現象。比如“權益凈利率 = 銷售凈利率*資產周轉率*權益乘數”，若同時選擇權益凈利率與其下屬層次的資產周轉率等指標，甚至同時選擇存貨周轉率、應收賬款周轉率等更下一層次的指標共同作為預警指標，將會出現信息冗余、相關的現象。

經對2004年上市公司43家商業與零售業企業，截面數據統計顯示，凈資產收益率與資產周轉率和資產負債率的相關系數RY，12為0．3464；資產周轉率與存貨周轉率和應收賬款周轉率的相關系數RY，12為0．3074，驗證了同時選擇不同層次指標會出現信息相關。

2．層次化處理

層次化處理是反映同一目標的不同層次指標，指根據企業財務數據結構的特點進行分類與判斷的一種財務處理方法。若高、低層次指標均為單一指標，則選擇信息含量較完整的高層次指標作為備選預警指標；若低層次指標為一類指標，則選擇兼顧信息的完整性與差異性的同一類低層次指標為備選預警指標。選擇一類指標時，則將指標限定在同層次內進行選擇，以減少信息冗余。

（二）粗集知識約簡方法的概述

通常將多個指標化為少數指標的方法，可以采用多元統計分析中的主成分分析方法^[7]，但其計算量比較大，不便于應用^[8]。而采用粗集（Roughset）理論中的知識約簡方法來挑選關鍵特征參數較為便捷。

Roughset^[9]理論是20世紀80年代初由波蘭數學家Z．Pawlak首先提出的一種分析數據的數學理論。其主要思想是保持分類能力不變的前提下，通過知識約簡導出問題的決策和分類規則。知識庫中知識(屬性)并不是同等重要的，甚至其中某些知識是冗余的^[10]。所謂知識約簡就是保持知識庫分類能力不變的條件下，刪除其中不相關或不重要的知識。

（三）預處理方法體系的基本算法

依據上述兩種方法的特點，將其有機的結合，它的基本步驟如下:

第一，根據國家的有關規定與前人經驗所選出的指標，結合財務數據結構的自身特點，運用層次化方法，進行指標分類。

第二，通過知識約簡方法，對指標的信息冗余進行測量與簡化的一次預處理。

第三，對通過知識約簡預處理的指標，采用層次化方法的定性判斷選擇，進行指標的二次預處理。

第四，將經過兩次預處理的指標作為神經網絡的輸入變量，進行訓練。

第五，根據輸出并結合企業財務危機等級評價集，對企業做出財務危機預警。

三、預處理方法體系的應用

（一）樣本的選取與數據來源

本研究選取滬深兩市A股市場上2005年被進行特別處理的ST商業公司，共13家ST公司作為財務困境公司研究樣本。同時隨機選取了43家非ST商業公司作為控制樣本。財務報表數據選取ST公司財務困境前1- 4年的資產負債表、利潤表、現金流量表數據。文章所指的財務危機前的年份，是指ST的當年往前追溯所得的會計年度數，把ST當年定義為財務危機前的第0年。例如，財務危機前1年，是指實施ST當年的前1年，計為T-1，即若2005年實施ST，則S-1年指2004年。數據主要來源于證券之星網站和深圳國泰安信息技術有限公司提供的財務指標數據。

（二）指標預處理

常用財務預警指標體系的建立，首先是結合1999年財政部、國家經貿委、人事部和國家計委聯合發布的《國有資本金效績評價規則》與中國證券網上市公司年報財務評價指標體系的主要內容。其次考慮到，雖然使用的統計模型和相關財務報表比率在眾多的研究中會有不同，但也會有一些共同點。對于在各種研究中都最能解釋企業財務危機的因素，Stickney總結為^[11]：投資因素、融資因素、經營因素與增長因素。這些指標與通過CNKI網站進行檢索，在中文核心期刊2003年至2006年4月期間，檢索到主題為\"企業財務危機預警\"的相關文獻，所采用的主要財務預警指標范圍基本一致。

1．常用財務預警指標體系

考慮指標間內在的財務關系，將常用指標分為A、B、C三個層次，具體列示如表1。

2.知識約簡方法的信息冗余約簡與層次化處理

首先，通過求指標的平均數來給樣本指標確定閾值。然后，把各指標值轉換成Rough Set的數據格式，如表2所示。

其次，進行編程檢驗，刪除信息冗余指標。

最后，根據層次化處理的原則，即若高、低層次指標均為單一指標，則選擇信息含量較完整的高層次指標作為備選預警指標；若低層次指標為一類指標，則選擇兼顧信息的完整性與差異性的同一類低層次指標為備選預警指標。其處理結果如表3。

（三）神經網絡預警模型的訓練與檢驗

把56家樣本分為訓練樣本43家，其中34家為非ST公司，9家為ST公司；檢驗樣本13家，其中9家為非ST公司，4家為ST公司。網絡的輸出為0或1。0說明公司運營正常，而輸出1說明企業存在危機。采用BP算法訓練神經網絡，其隱含層個數為一層。隱層節點采用試算法，學習函數采用logsig函數，取誤差上限為1e-023，最大迭代次數為10 000，取目標梯度值為1e-050，學習速率為0．5，慣性參數為0．1。

1．采用粗集知識約簡與層次化處理后神經網絡的訓練與檢驗結果

根據指標預處理的結果，T-1至T-4各期神經網絡分別采用10-7-1（即輸入層取10個節點，隱層取7個節點，輸出層為1個節點）、10-7-1、17-13-1與17-13-1形式。將44家訓練樣本各年的財務指標分別輸入神經網絡，按BP算法訓練網絡，得到最優化的網絡權值和閾值矩陣。把13家檢驗樣本企業帶入已訓練網絡中，通過計算得出其輸出值進行判別，完成第一次神經網絡的訓練與檢驗。共計訓練五次。神經網絡訓練的誤差曲線如圖1所示。

2．檢驗結果的準確率對比

同樣通過BP神經網絡，分別求出指標未經過預處理、僅經過單一的粗集知識約簡及單一的層次化預處理，各自檢驗樣本預測準確率，見表4。

T-1年至T-4年的四期平均預測準確率為：未采用指標預處理82．70%、粗集預處理86．54%、層次化預處理88．46%、集成預處理89．40%。

四、 結束語

通過比較，指標單一預處理后的預警準確率高于指標未作預處理的；采用層次化處理的定性手段與粗集定量手段結合的集成預處理方法，較單一指標預處理的預測效果理想。可見，建立指標預處理方法體系是必要的也是可行的。

參考文獻：

［1］ 王慧敏.流域可持續發展系統理論與方法［M］．南京.河海大學出版社，2000.

［2］ 楊淑娥，徐偉剛.上市公司財務預警模型-Y分數模型的實證研究［J］．中國軟科學，2003（1）.

［3］ 劉紅霞，張心林. 基于主成分分析的核Fisher方法財務危機的組合判別研究［J］．中央財經大學，2004(4).

［4］ 李曉峰，徐玖平.企業財務危機預警ROUGH_ANN模型的建立及其應用［J］．系統工程理論與實踐，2004(10).

［5］ 張玲，陳收，張昕.基于多元判別分析和神經網絡技術的公司財務困境預警［J］．系統工程，2005（11）.

［6］ 徐孝凱.數據結構［M］．北京，電子工業出版社，2004:3-6.

［7］ 高尚.航天型號參數——費用模型分析［J］．軍事系統工程，1995(3):19-22.

［8］ 高尚. 基于Rough集理論和神經網絡的武器系統參數費用模型［J］．系統工程理論與實踐，2003(4).

［9］ 張文修，吳偉志，梁吉業.粗糙集理論與方法［M］．北京:科學出版社，2001：12-19.

［10］Arrow K J. Social Choice and Individual Values［M］．NewHaven， Yale University， 1963.

［11］（美）Clyde P. Stickney/張志強譯.財務報告與報表分析［M］．北京：中信出版社，2004.

（責任編輯：張淑蓮）

“本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文”。