上市公司財務危機預警指標多層次篩選研究

[摘 要]本文初步選擇43個財務及非財務指標作為預警指標，先后應用正態性分布檢驗、兩獨立樣本的T檢驗、兩獨立樣本的非參數檢驗及粗糙集約簡等技術多層次剔除多余的屬性。通過多層次篩選，最終確定6個敏感指標可用于財務危機預警系統實證研究，可提高系統的判別能力。

[關鍵詞]上市公司 財務危機預警 指標篩選 多層次

一、前言

隨著我國市場經濟的迅速發展，證券市場已成為影響我國國民經濟的重要組成部分。雖然近年來，我國上市公司的數量不斷增漲，規模也在不斷擴大，但大多數上市公司都較普遍地存在企業經營業績不佳和抗御風險能力不強等問題。如何利用信息技術建立有效的財務危機預警系統來預防財務危機的到來，對企業、投資者和政府都具有重大的現實意義。財務危機預警指標的選定對預警系統的運行速度及預測精度的影響較大，因此，本文將建立多層次篩選的方法去確定最敏感的指標屬性，從而保證預警系統的實用性。

二、初選財務危機預警指標

為了全面的反映企業的財務狀況，在進行財務指標初選時應全面了解企業各方面的綜合情況，保證所選指標能全面揭示企業的財務狀況和發展趨勢。本文借鑒國內外學者的研究成果的基礎上，選取包括了企業償債能力、成長能力、盈利能力、營運能力和現金能力等方面的財務指標，除此外，還選擇了包括審計報告類型、獨立董事比例等方面的非財務指標，這樣能有效地結合了審計及宏觀經濟指標等信息構建了綜合指標體系，共選取43個指標作為研究初始變量來構建上市公司財務危機預警的指標體系，其中包括財務指標29個，非財務指標14個。

三、多層次篩選財務危機預警指標

本文先后采用統計學中的顯著性檢驗和粗糙集約簡等技術對預警指標進行多層次地篩選。顯著性檢驗一種可根據樣本數據推斷樣本總體的特征的統計方法，是用來反映差異的產生是真實的差異還是偶然的波動。顯著性檢驗包括參數檢驗和非參數檢驗，參數檢驗的方法是在總體分布已知的情況，推斷總體特征以及對兩個或多個總體參數進行比較分析，而非參數檢驗的方法可在總體分布未知的情況，根據樣本數據對總體的分布形式或特征進行推斷。本文選取了相關指標構建預警模型的指標體系，由于模型的預警指標較多（財務及非財務指標共計43個），因此，應對指標進行相關的約簡，去掉存在較大相關性的指標，這樣可方便信息的收集、整理和分析，提高模型的工作效率及預測精度。

首先，通過K-S檢驗對樣本指標總體分布狀態進行推斷，根據所樣本指標是否為正態分布，分別再采用參數及非參數檢驗方法對43個預警指標進行初步地篩選，剔除顯著性較差的指標。

1.正態性分布檢驗

本文先對43個財務指標及非財務指標進行正態分布檢驗。根據其檢驗結果再確定指標顯著性的檢驗方法。K統計量公式如下：

K=max（丨S(xi)-F(xi)丨）

本文利用SPSS統計分析軟件提供的K-S檢驗，對120家訓練樣本上市公司2006年至2009年的43個財務指標進行正態分布進行檢驗。在a=0.05的顯著性水平下，X3（資產報酬率）、X4（總資產凈利潤率）、X14（總資產周轉率）、X15（流動資產周轉率）、X17（總資產增長率）、X18（凈利潤增長率）、X21（現金流量對流動債務比率）、X22（現金流量對債務總額比率）、X25（每股經營現金流量）的K統計量的概率P值大于0.05。除以上9個指標的樣本總體符合正態分布，將采用T獨立樣本檢驗的方法，其余35個指標樣本總體不符合正態分布，將采用兩獨立樣本的非參數檢驗顯著性差異。

2.兩獨立樣本的T檢驗

根據兩樣本均值差的T統計量，對X3（資產報酬率）、X4（總資產凈利潤率）、X14（總資產周轉率）、X15（流動資產周轉率）、X17（總資產增長率）、X18（凈利潤增長率）、X21（現金流量對流動債務比率）、X22（現金流量對債務總額比率）、X25（每股經營現金流量）等9個預警指標變量進行獨立樣本T檢驗。在a=0.05的顯著水平下，X3（資產報酬率）、X14（總資產周轉率）、X17（總資產增長率）、X18（凈利潤增長率）、X21（現金流量對流動債務比率）、X22（現金流量對債務總額比率）、X25（每股經營現金流量）這7個預警指標變量通過了T檢驗的顯著性水平。X4（總資產凈利潤率）和X15（流動資產周轉率）由于概率值P都大于0.05，因此，該兩個變量未通過顯著性檢驗，應該剔除。

3.兩獨立樣本的非參數檢驗

兩種獨立樣本非參數檢驗的方法包括曼-惠特尼（Mann-Whitney）U檢驗和K-S檢驗等，借鑒前人此兩種檢驗方法后K-S檢驗效果是最好的最穩定的。因此，本文選擇使用■D統計量的K-S檢驗方法。

非參數統計方法由于不假定特定的總體概率分布，盡量從數據本身獲取所需信息，有著廣泛的適用范圍。特別是在數據由于某種原因被污染，有著許多離群值（Outlier)，或者在分析定性數據時，非參數方法更具有天然的優勢。因此，本文將對所有不符合正態分布的樣本指標采用曼-惠特尼U檢驗方法進行顯著性檢驗。

U統計量的計算公式為：

根據T檢驗和非參數U檢驗的結果可以得出被確定的預警指標為X1（每股收益）、X3（資產報酬率）、X5（銷售凈利率）、X10（資產負債率）、X14（總資產周轉率）、X17（總資產增長率）、X18（凈利潤增長率）、X21（現金流量對流動債務比率）、X22（現金流量對債務總額比率）、X25（每股經營現金流量）、K13（審計意見類型）等11個預警指標。

最后，利用粗糙集簡約技術進一步篩選財務危機預警指標。粗糙集理論是用于處理不確定、不完全和不精確數據的數學計算理論，能有效地處理各種不確定信息，并從中發現隱含知識，揭示事物和實踐的內在規律。粗糙集理論具有以下特點：不需要先驗知識、強大的數據分析功能和粗糙集與模糊集描述了不完備信息的兩個方面等。將粗糙集知識約簡技術與BP神經網絡技術相結合的方法，該方法的理論基礎就是采用粗糙集知識約簡技術先對訓練樣本參數進行知識提煉與約簡，再通過BP神經網絡技術進行數據判別與分類。由粗糙集優化神經網絡財務危機預警模型的原理得出，粗糙集優化模型的數據判別過程主要包含以下兩步：

（1）樣本數據的知識約簡處理

在實際訓練樣本中包含若干屬性，這些屬性并非都會對系統的判別與分類處理有影響，對于那些不會影響分類結果的屬性，則視其為冗余屬性，可以通過粗糙集的知識約簡技術對其進行約簡處理，以提高系統的效率。因此，粗糙集優化神經網絡財務危機預警模型處理的第一步是對樣本數據進行知識約簡處理。即將粗糙集的屬性約簡置為整個模型的前置裝置，負責對訓練樣本的屬性進行冗余消減的預處理。具體約簡步驟又分為離散化處理與冗余屬性的約簡兩步。

①離散化處理，為了使樣本屬性符合粗糙集約簡技術的要求，我們需要對樣本屬性進行離散化處理。具體操作為：先采用Matlab的競爭性學習網絡工具箱中的提供的函數對樣本屬性進行聚類操作；然后將決策表中的每個屬性的各個連續數值組成的賂量作為網絡的輸入；最后設置相應的參數，Number of meurons（神經網絡經元的個數）為3、Kohonen learning rate(Kohonen 學習率)取默認數值0.01、Conscience Learning Rate（閾值學習率）取默認值0.001。通過以上操作，我們可以得到訓練樣本屬性的離散結果。

②冗余屬性的約簡，通過對訓練樣本屬性的離散化處理，我們得到了所有樣本屬性的離散結果，將離散結果作為粗糙集約簡的輸入，即可對樣本屬性進行冗余消減處理。在對冗余屬性的約簡處理時，本文采用的是粗糙集工程軟件Rosetta的RSESGeneticReducer遺傳運算規則對離散樣本屬性進行冗余消減。標準BP神經網絡財務預警模型的輸入屬性為11個，粗糙集優化神經網絡模型屬性約簡后的輸入屬性為6個。

（2）約簡后數據的訓練判決

粗糙集優化神經網絡模型的前置裝置已經對訓練樣本屬性進行了冗余消減，消減后的樣本屬性確定為6個。BP神經網絡作為粗糙集優化神經網絡模型的訓練判決模塊，將約簡的6個樣本屬性作為輸入層的神經元節點數。神經網絡的模型結構仍采用原有的三層基本結構，隱含層的神經元節點數為11個，輸出層神經元節點數為1個。

通過多層次的指標篩選后，確定最終預警指標為X1（每股收益）、X10（資產負債率）、X14（總資產周轉率）、X17（總資產增長率）、X21（現金流量對流動債務比率）、K13（審計意見類型）等6個預警指標。

四、總結

本文初步選擇43個財務及非財務指標作為預警指標，先后應用正態性分布檢驗、兩獨立樣本的T檢驗、兩獨立樣本的非參數檢驗及粗糙集約簡等技術多層次剔除了多余的屬性。通過多層次地財務指標篩選，最終確定6個敏感指標用于財務危機預警系統研究，既減少了系統的“噪聲”干擾，又提高系統的預測精度。

參考文獻:

[1]E．Altman．Corporte Finaneial Distress and Bankruptey[J]．John Wiley Logitsons，2000，124（6）：242～244

[2]Li Longfu，Cheng Huixia，Lu Bingyuan．Study on data reduction and rules discovery based on convex rough set[J]．Joural of Southeast University，2002，32（6）：201～206

[3]Malhotra R，Malhotra DK．Differentiating between good credits and bad credits using neuro fuzzy system[J]．Computing Artificial Intelligence and Information Teehnology，2002，136（5）：191～198

[4]Meng JE，Wu SHQ，Lu JW．Face recognition with basis fuction neural networks．IEEE Trans．Neural Networks，2002，93（3）：697～710