基于AHP與信息熵的制造企業財務風險預警研究

李赫 呂文岱 張雁 郭明累

[摘 要] 以上市制造企業被特別處理作為出現財務風險的標志，選取滬深兩市2010年和2011年首次被特別處理的制造企業為研究對象，以其被特別處理前一年的數據為依據，同時隨機選取相同數量的非特別處理制造企業作為配對樣本進行相應實證分析，提出了新的制造企業的財務風險預警指標體系。通過層次分析法與信息熵方法，借助Yaahp及SAS軟件確定了各指標的主客觀權重并建立了制造企業財務風險預警模型，實證分析顯示模型的預測正確率可達86.7%。

[關鍵詞] 財務風險；層次分析法；信息熵；特別處理；制造業

doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2014 . 12. 001

[中圖分類號] F275 [文獻標識碼] A [文章編號] 1673 - 0194（2014）12- 0002- 05

1 引 言

制造業作為實體經濟的重要組成部分，成為一個國家經濟的基礎和支柱。對于許多國家而言，制造業對促進經濟發展的重要作用是其他行業無法代替的。尤其入世后，我國的制造業飛速發展并成為帶動社會發展及拉動經濟增長的重要動力，其相應總產值在國際市場中占有的份額不斷提高，于2009年達1.6萬億美元，居全球第二；于2010年達1.955萬億美元，在全球制造業總產值中所占的比例為19.8%，首次超過美國（19.4%），位列第一[1]。

截至2010年末，滬深兩市A股上市公司的數量己達2 041家，此類企業逐漸成為我國經濟發展的中堅力量。美國的次貸危機引發的金融海嘯及歐盟近年來的債務危機均嚴重影響了我國經濟市場環境的穩定，出現虧損或破產的上市公司數量急劇增加。財務風險關系到企業能否在殘酷的市場競爭中生存和發展，公司一旦存在嚴重的財務風險，則可能對股東、債權人等利益相關者造成巨大經濟損失。財務風險實質為企業財務狀況的不確定性，體現為企業資金收益下降或斷裂的可能性。財務風險具體指企業在一定時間內由于各種不可預測及控制的內外部不確定因素，使得企業資金收益下降或資金流斷裂，從而對企業的短期和長期目標產生負面影響的可能性。企業應具備預見性和危機意識，在日常經營過程中對企業的財務狀況進行跟蹤和監控，及時發現并將企業潛在的風險通知相關管理者以采取相應措施，消除或減弱財務風險對企業的破壞。因此，建立企業財務風險預警模型，對企業尤其是上市公司，有非常重要的實踐意義。

隨企業規模不斷擴大，企業財務環境也隨之發生變化。西方學者首先將研究重點轉移至財務風險管理方面的研究，其中Beaver[2]提出單變量模型，選取158家公司為研究對象的同時，選取30個變量并對其預測能力進行檢驗，最后確定判別效果最好的兩個變量——營運資本流/負債和凈利潤/總資產。Altman[3]在單變量模型的基礎上，選取66家公司作為樣本進行配對分析，據分析結果選擇了22個變量作為備選變量，依據正確率最大的原則，最終篩選出留存收益/資產總額、股東權益市場價值/總負債賬面價值等5個變量作為判別變量并構建了Z值模型。Ohlson[4]應用新的數據搜集方法和多元邏輯回歸模型進行企業破產預測的研究，發現4類變量顯著影響公司破產的概率，即企業規模、資產負債率、經營狀況和變現能力。

國內對財務風險預測研究起步相對較晚。向德偉[5]對Altman建立的Z值模型對我國經濟環境中企業的適用性進行實證研究，檢驗結果基本支持Z值模型在我國的有效性，但某些公司的Z值卻存在較大偏差。周首華 等[6]以Z值模型為基礎，加入現金流量指標，選擇1977-1990年的62家公司為樣本，通過兩兩配對分析建立了F值模型。為了能夠更加符合我國證券市場的實際情況，楊淑娥[7]基于Z值模型并應用主成分分析法選取134家公司進行配對分析并提出Y值模型；在后續研究中將上述樣本代回至建立的模型進行檢驗，發現模型的回判正確率高達86%。吳應宇 等[8]篩選出凈利潤率、應收賬款周轉率等15個分析指標，建立了Logistic回歸模型，運用因子分析法對相關研究進行修正，通過實證研究證明建立的財務風險預警模型的預測準確率為85%，具有較好的穩定性。

由于上市公司的財務數據公開，以上市公司為研究對象的財務風險研究近期已成為學術界的熱點問題。劉開瑞[9]以香梨股份有限公司為例，采用Z-Score 模型對上市公司進行財務預警分析，指出 Z值模型對上市企業財務預測的準確性會隨著時間的推移而降低。吳芃[10]利用統計分析方法預測上市公司財務風險。吳倩[11]在研究過程中加入非財務指標以提高預測風險的準確性，指出引入DEA 效率值并不能提高模型預警的準確性。劉俊奇[12]與馮月平[13]分別采用Logistic 回歸建立了我國物流業和制造業上市企業的財務風險預警模型。陶婭[14]對我國上市公司財務風險預警的理論發展進行了總結。

2 制造企業的財務風險預警模型

不同行業具有不同特征，相同財務指標對不同行業的財務風險預測有不同的重要性。因此，建立針對行業的財務風險預警模型具有顯著的實際意義。

2.1 財務指標的選擇

通過財務報告分析企業的財務風險，而財務報告建立在財務指標基礎上。因此，財務風險分析的基礎正是形成分析報告的財務指標。馮敏[15]在研究國內外關于財務風險預警指標體系相關文獻的基礎上構建了一個財務風險預警指標體系。何峰[16]以企業經營為切入點，從定性和定量兩個方面分析企業財務風險預警指標，建立了一個企業財務風險預警指標體系。沈亭[17]對我國信托行業的財務風險進行相關研究，建立了適合信托行業的財務風險預警指標體系，通過層次分析法獲取了各指標的權重進而分析和總結財務指標對信托行業財務風險預警的重要性。林艷紅[18]研究了財務風險指標的預測能力，提出如財務指標的均值在被特別處理（Special Treatment， 簡寫為ST）前3年中有顯著差異，則該指標具有較理想的預測能力；同時結合二元選擇模型確定出具有良好判別力的分析指標，該類指標可分為6類：短期償債能力、長期償債能力、盈利能力、現金流量、營運能力和發展能力。

基于以上研究，提出制造企業財務風險指標體系見表1。

其中正向指標表示該指標值越大則其財務風險越大，即財務狀況越差；負向指標表示該指標值越大則其財務風險越小，即財務狀況越好。為達到一致化效果，在最終的模型表達式中，正向指標前用負號，負向指標前用正號，綜合指標值越大說明企業的財務狀況越好，企業陷入財務危機的可能性越小；綜合指標值越小說明企業的財務狀況越差，企業陷入財務危機的可能性越大。

2.2 指標權重的確定

確定指標權重的方法主要分為主觀方法和客觀方法，無論主觀方法或客觀方法均存有某些缺點。主觀方法在根據指標本身含義確定權重方面具有優勢，但客觀性較差，易受評價者主觀態度的影響；客觀方法以實際數據為基礎，能夠避免主觀性的影響，但不能體現評價者對不同指標的重視程度，有時甚至出現確定的權重與實際重要程度相悖的情況。因此，本研究在確定制造企業財務風險評價指標權重時，引入主客觀相結合的方法[19-20]，發揮主客觀方法的各自優勢。在主觀方法方面選擇了比較成熟且應用較廣的層次分析法（Analytic Hierarchy Process， 簡寫為AHP），而客觀方法方面選擇了具有廣泛應用的信息熵方法。

2.2.1 AHP方法確定主觀權重

AHP方法由美國運籌學家Saaty首先提出，即將復雜系統分解為很多因素，各因素相互關聯，最后構成了一個樹形結構，通常包括目標層、準則層和方案層。同層因素通過兩兩比較構造判斷矩陣進而得出指標的相對權重。因此，運用AHP方法需得到指標的兩兩判斷矩陣。據研究需求設計用于層次分析法的調查問卷；對制造企業相關人員訪問以收集相關數據；通過Yaahp軟件建立層次結構模型并計算出各層指標的權重大小，各指標的權重見表2。

2.2.2 信息熵方法確定客觀權重

Shannon[21]于1948年提出信息熵的概念，用于解決信息的量化度量問題。信息熵描述了概率與信息冗余度的關系，其表達式為：

H（x）=-■p（xi）ln p（xi）

式中，xi表示第i個狀態值；p（xi）表示第i個狀態值出現的概率。

通過信息熵方法確定客觀權重，首先需收集制造企業的相關數據，其中行業劃分依據中國銀監會的分類標準。選擇滬深兩市2010年和2011年首次被ST的41家制造企業為研究樣本，其中公司被ST一般存在兩種情況：財務狀況異常或其他異常。鑒于探究制造企業的財務風險預警，剔除了由于其他異常而被ST的公司及數據不完整的樣本公司，最后得到30家被ST的樣本公司。另外，隨機選擇了30家非ST的制造企業作為配對樣本。

確定研究公司后，通過Wind資訊金融終端提取相應數據。軟件SAS中的IML過程通過計算指標數據間的差異給出指標的信息熵及其相對重要性（權重），運行結果見表3。

2.3 綜合模型的建立

由于AHP方法從專家的經驗與認識出發，因此主觀權重體現了一個指標對預測財務風險的重要程度，但偶爾出現以下情況：雖某指標非常重要，但該指標可能不具備良好的區別力，此時則無必要對此指標賦予較大權重。相對而言，信息熵方法以客觀數據為依據，而客觀權重能夠體現一個指標的區別力，但僅依靠客觀數據，可能導致具備良好區別力的指標對企業財務風險的重要性無法突顯，尤其當出現異常數據時，則需降低雖重要卻不具備良好區別力的指標所占有的權重，相應提高具備良好區別力的指標的權重。換而言之，將重要但區別力不顯著的指標所占有的權重轉移一部分至區別力顯著但重要性稍低的指標。

綜合主客觀方法得到的權重，不但彌補主客觀方法各自不足，而且在以重要程度為前提的基礎上提高模型的整體辨別力，構建制造企業財務風險綜合模型。以客觀權重對主觀權重進行調整的方法確定綜合權重，具體闡述為：以主觀權重為基礎，客觀權重體現了指標的區別力，再根據指標的區別力對主觀權重進行調整。根據以上方法最終得到制造企業財務風險指標的綜合權重，見表4。

通過對制造企業財務風險相關研究進行分析構建了相應指標體系；在AHP方法及信息熵方法的基礎上分析并確定了各財務指標的綜合權重。因此，制造企業財務風險預警的綜合模型為：

G=■（-1）kWinXn

式中，G為公司的得分；Win為第n個財務指標的綜合權重；Xn為第n個財務指標的標準化數據。當第n個財務指標為正向指標時，k=1；當第n個財務指標為負向指標時，k=2。

根據建立的制造企業財務風險預警模型并結合待分析公司的標準化財務指標數據，則可計算出公司得分即G值。G值越大，表明公司的財務狀況越好，其發生財務風險的概率越小；G值越小，表明公司的財務狀況越差，其發生財務風險的概率越大。

3 實證分析

實證分析的數據包括兩部分：被ST制造類公司數據和非ST制造類公司數據。該研究采用楊淑娥[7]在研究中所用的回溯方法，將表3中的公司數據回代到建立的模型中分析該模型的預測準確率。

為了消除量綱和數量級對預測的影響，首先需將數據進行標準化，之后將標準化后的各公司財務指標數據代入制造企業財務風險預警綜合模型，可得各公司的相應得分。在實證分析過程中，將主觀權重與客觀權重的乘積進行歸一化處理得到所要求的綜合權重。

根據之前關于模型得分的討論可知，一個公司的得分越高，表示此公司的財務風險越小；某公司的得分越低，表示此公司的財務風險越大。如果各公司按其得分的降序排列，根據直觀判斷，非ST公司由于財務風險小，得分應該高并排在前面；而ST公司由于財務風險大，得分應該低并排在后面。由于進行實證分析的ST公司和非ST公司各30家，從理論上預測，得分排名前30的公司應為非ST公司，而得分排名后30的公司應為ST公司。將此預測與實際結果進行比較，可判斷模型的有效性。根據制造企業財務風險預警綜合模型計算，各公司的G值和模型判斷結果見表5。表5中標有灰色背景的為非ST公司，其他為ST公司。通過計算可知，模型判斷正確率達到了86.7%，說明構建的制造企業財務風險預警綜合模型具有良好的效果。

4 結 論

相同指標對于不同行業而言，其在預測財務風險方面有不同的重要性。因此，結合行業構建財務風險預警模型更具有實踐意義，模型的針對性和有效性也更加貼合實際。鑒于主客觀方法確定權重時存在的缺點，將主觀方法與客觀方法結合以彌補各自不足進而得到各指標的綜合權重，較為準確地反映制造行業的財務風險，提高了所構建模型的有效性。同時，指出了各指標在預測制造企業財務風險時的相對重要性。通過實證性檢驗，經由AHP和信息熵方法建立的制造企業財務風險預警模型獲得了86.7%的預測成功率，此效果相對而言較為理想。本文僅給出一種根據主客觀權重得到各指標綜合權重的方法，同時發現主客觀權重結合得到的綜合權重是一種有效的制造業財務風險預警方法。利用其他方法進一步依據主觀和客觀權重得到更合適的綜合權重將為后續研究工作。

主要參考文獻

[1]任峰. 打造西部制造業基地承接東部產業轉移[J]. 商場現代化，2011（665）：51-52.

[2]W H Beaver. Financial Ratios as Predictors of Failure[J]. Journal of Accounting Research， 1966 （5）： 71-111.

[3]E Altman. Financial Ratios，Discriminant Analysis and the Prediction of Corporate Bankruptcy[J]. Journal of Finance， 1968， 23 （4）： 589-609.

[4]J A Ohlson. Financial Ratios and the Probabilistic Prediction of Bankruptcy[J]. Journal of Accounting Research， 1980， 18 （1）： 109-131.

[5]向德偉. 運用“Z記分法”評價上市公司經營風險的實證研究[J]. 會計研究，2002，11 （10）：53-57.

[6]周首華，楊濟華，王平. 論財務危機的預警分析——F分數模式[J]. 會計研究，1996（8）：8-11.

[7]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 （8）： 56-60.

[8]吳應宇，袁陵.基于因子分析的上市公司財務危機預警研究的修正[J]. 東南大學學報，2004，6 （6）：19-24.

[9]劉開瑞， 彌瑩. 上市公司財務預警Z-Score 模型應用及修正——以“香梨股份”為例[J]. 技術與創新管理，2010（11）： 710-713.

[10]吳芃， 蔡秋萍， 吳應宇. 我國上市公司財務危機預警實證研究——基于主成分分析模型、線性判別模型和邏輯回歸模型的比較分析[J]. 河海大學學報：哲學社會科學版，2007 （12）：31-34.

[11]吳倩. Logistic 回歸與貝葉斯網絡在上市公司財務預警中的應用研究[D].長春：吉林大學，2011.

[12]劉俊奇， 郭苗苗， 姜寶山. 我國上市物流企業財務風險預警分析[J]. 中國管理科學，2011，19 （B）：118-123.

[13]馮月平. Logistic 財務預警回歸模型的構建與檢驗——以我國制造業上市公司為例[D].青島：青島理工大學，2010.

[14]陶婭.上市公司財務風險預警文獻綜述[J]. 中國管理信息化，2011，14 （24）：10-12.

[15]馮敏. 企業財務風險指標體系的構建[J]. 西部財會，2005（3）：25-26.

[16]何峰. 企業財務風險預警指標體系的構建： 基于經營視角的分析[J]. 商場現代化，2006（488）：229-229.

[17]沈亭. 我國信托公司財務風險評價的研究[D]. 北京： 北京化工大學，2010.

[18]林艷紅. 中國制造業上市公司財務風險評價實證研究[D]. 北京： 北京化工大學，2010.

[19]馮義，李洪東，田廓，等.基于熵權和層次分析法的電力客戶風險評估及其規避[J].繼電器，2007，35（24）：67-73.

[20]許葉軍， 達慶利. 基于理想點的多屬性決策主客觀賦權法[J]. 工業工程與管理，2005（4）：45-47.

[21]C E Shannon. A Mathematical Theory of Communication[J]. ACM SIGMOBIL Mobile Computing and Communications Review， 2001， 5 （1）： 3-55.