高新技術制造企業的財務危機預警研究

耿東　付亭　曹文彬

【摘 要】 作為具有高技術含量和高附加值的高新技術制造企業是制造業的主力軍，研究其財務預警對于促進我國經濟發展具有重要的意義。通過選取深滬A股高新技術制造企業為樣本，充分考慮不同歷史時期的財務狀況對當前企業財務狀況的影響，提出了基于Logistic-BP神經網絡的動態財務預警模型。實證結果表明，基于面板數據的動態預警模型能更好地體現財務危機狀況，具備良好的預警精度。動態BP神經網絡模型的預測性能優于Logistic回歸分析模型和傳統的BP神經網絡模型。

【關鍵詞】 高新技術制造企業； 財務預警； 動態BP神經網絡模型

中圖分類號：F830 文獻標識碼：A 文章編號：1004-5937（2014）18-0044-05

引 言

高新技術制造企業作為高新技術制造業的實體是知識密集型、技術密集型和資金密集型的企業，其發展決定了現實生產力的轉化，對于促進整體制造業的快速發展具有重要意義。高新技術企業的高收益特性源于其高科技產品和服務的高增長和高附加值，而與之對應的便是企業的高風險性，據統計20%～30%的高新技術制造業的巨大成功是以70%～80%的企業失敗為代價。企業財務風險的擴散和深化將直接導致企業陷入財務困境，從而影響正常的生產經營活動。所以，建立和完善高新技術制造企業的財務風險預警機制，提高企業有效預測和應對風險的能力，對于高新技術制造業的經營者和投資者具有一定的借鑒意義。

財務危機預警的研究由傳統的統計研究方法發展到人工智能算法。最早是由Fitzpatrick（1932）采用單變量分析方法對公司的財務危機進行預警研究，得出權益負債率和權益凈利率是判定企業財務風險的重要指標。Altman（1968）利用多元判別分析法建立基于Z-SCORE的財務預警模型。其后，回歸模型克服了線性模型的假設局限性，常用的有Probit模型和Logistic模型。Ohlson（1980）使用Probit和Logistic回歸方法建立邏輯回歸模型，得出公司規模、資本結構、業績和變現能力是影響公司破產的重要因素。上述以統計類方法為基礎的模型是在樣本滿足合理的統計假設條件下才能有效，否則可能沒有意義，由此許多學者相繼將非統計的方法引入財務風險預警研究，其中應用最多的是神經網絡分析法。Lapedes和Fyaber（1987）首次運用神經網絡模型對銀行的信用風險進行預測和分析，并取得了較好的預測效果。Odom和Sharda（1990）通過Z值模型中的5個財務比率構建了人工神經網絡財務預警模型成功地對企業的財務危機進行了預測，證明了人工神經網絡模型不但準確率高，而且魯棒性也更好。Feng Yu Lin和Sally McClean（2001）以Logistic回歸法、判別分析法、決策樹方法和神經網絡方法為基礎，通過這些方法的組合運用，采用了三種混合模型，再分別對這些方法進行檢驗分析，分析結果表明同等條件下，混合模型在準確率方面優于單個方法模式。國內財務風險預警研究起步較晚，陳靜（1999）對上市公司財務數據進行了單變量分析并建立Fisher線性判別分析模型，得出越臨近企業被ST的日期，模型的預測準確率越高。吳世農、盧賢義（2001）驗證了Logistic回歸分析方法在預測財務困境的效果上比單變量判別模型更好。柳炳祥、盛昭翰（2002）劃分了財務危機等級并驗證了基于粗神經網絡的財務預警方法的有效性。周敏，王新宇（2002）提出了模糊優選和神經網絡模型，范靜（2008）選擇因子分析法—BP神經網絡等評價方法。陳偉等（2010）主要分析了不同成長階段高新技術企業的融資特點，提出了有效防范財務風險的具體措施。楊淑娥引入面板數據，構建BP神經網絡模型對上市公司的財務狀況進行預測，提高了預警精度。張曉琦（2010）證明了支持向量機（SVM）方法在高新技術企業財務危機預警建模方面的有效性。綜上所述，現階段對于高新技術企業的財務危機預警研究集中與理論分析階段，大多數都是基于t-1期與t期的數據建立靜態數據模型，忽略了企業財務比率的時間序列特點，企業財務危機的出現是一個逐漸演變的過程且不同行業的高新技術企業特點也不盡相同，這些因素將對企業財務狀況的演化產生偏差，從而影響預警模型的有效性和精準度。

本研究綜合了主成分分析方法、Logistic回歸方法與BP神經網絡機制，引入面板數據為研究樣本，建立動態的高新技術制造企業財務危機預警模型。從理論分析而言，面板數據提供了多層面的數據信息，充分發掘企業財務信息，同時結合高新技術制造業的特點，從不同的側面選取指標來反映企業財務狀況的各個方面，所以能夠深入全面地反映財務危機前的狀況和趨勢并作出及時合理的判斷，采取相應措施。從實踐結果而言，解決了一般企業由于數據缺乏帶來的技術問題，擴大預警模型的適用性，為更多的高新技術制造企業服務。實證結果表明，基于Logistic-BP神經網絡模型的預警能力明顯優于傳統Logistic回歸分析方法和BP神經網絡預警機制。

一、研究方法

（一）Logistic回歸

二、數據和預警指標

（一）樣本選取和數據來源

本研究考慮到時間因素和指標可比性兩方面，選擇高新技術制造企業作為研究對象，利用多期歷史財務數據建立財務危機動態預警模型。本文以我國2008年至2012年深滬A股高新技術制造上市公司（通過2008《高新技術企業認定管理辦法》的制造行業企業）為研究對象，數據源于CCER經濟金融研究數據庫以及巨潮資訊數據庫，使用Excel、SPSS16.0和Matlab2010數據分析軟件對數據進行分析。沿用國內研究習慣，以ST作為出現財務危機的標志，選取2012年ST和非ST高新技術制造業上市公司為待測樣本。為了符合上市公司ST與非ST的實際比例，確保數據的真實性和可比性，參照Beaver（1966）的方法，采取1：3的配對方式，選擇規模（總資產）相近的ST、非ST公司120家為訓練樣本，所有50家ST和150家非ST公司為分析樣本。

由于上市公司在t年被特別處理是由其t-1年財務報告的公布所決定的。根據以往分析，t-1年財務數據的時效性較強，預測度很高，但是，其與正常樣本相差很大，有失模型構建的真實性和可比性，實際預測的應用價值不高。財務風險的形成并非一朝一夕，而是一個連續的動態過程，越早洞察出財務風險，越有可能避免再次虧損。據此，選定t-2和t-3作為財務預警年度。

（二）預警指標的設計

在參照現有財務風險研究文獻的基礎上，同時結合高新技術企業本身高投入、高風險、高收益的特點以及新型制造業的運營特點進行綜合評估，從公司的償債能力、盈利能力、成長能力、運營能力指標和現金流量五個方面初步選定18個變量作為備選指標，如表1所示。基于識別財務風險的及時性和準確性，挑選的變量必須在ST公司與非ST公司之間顯著不同。通過對指標進行顯著水平5%的K-S檢驗得出財務比率均不服從正態分布特征，因此采用Mann-Whitney-U檢驗來預警指標在ST公司與非ST公司之間是否存在顯著差異，在95%的置信區間內接受原假設，最終選取在2009年和2010年均存在顯著差異的14個變量作為最佳評估指標，剔除4個不顯著指標：營業利潤增長率、應收賬款周轉率、流動資產周轉率和存貨周轉率。

三、基于Logistic-BP神經網絡的實證研究

（一）建立財務危機預警模型

由于財務指標之間相關性較強，信息重疊不利于后續預警模型的構建，首先分別對t-2和t-3年的14個財務指標進行因子分析，得到t-2和t-3年的KMO值分別為0.681和0.724，Bartlett球度檢驗給出的相伴概率均為0，小于顯著性水平0.05，因此拒絕Bartlett球度檢驗的零假設，認為適合于因子分析。

本文在累計貢獻率85%以上的基礎上，采取正交旋轉法提取5個主成分F1—F5。第一主因子F1由流動比率、速動比率、股東權益比率、資產負債率組成；第二主因子F2由凈資產收益率、運營資金比率、主營業務利潤率組成；第三主因子F3由凈資產增長率、總資產增長率、主營業務收入增長率組成；第四主因子F4由資產周轉率、固定資產周轉率組成；第五主因子F5由現金流動負債比率和每股經營性現金流組成。通過上述因子分析所提取的五個財務指標包含了公司財務危機的主要信息，能夠比較全面地反映公司的財務狀況。

在靜態BP神經網絡模型中，同樣選擇訓練樣本的五個因子變量作為網絡層的輸入，經過反復試驗，構建出5x24x1的基于因子分析的靜態BP神經網絡財務預警模型，模型收斂情況如圖2所示，通過對所有上市公司樣本進行預測，得到如表4的預測結果。

綜合Logistic模型的回歸分析結果pt-2和pt-3，將訓練樣本的w1pt-2和w2pt-3作為網絡輸入變量，建立動態BP神經網絡財務危機預警模型，其中w1+w2=1，經過反復試驗取中間層8，將所有樣本作為驗證樣本帶入模型，通過選取不同權重系數w1=0.4，w2=0.6時，模型呈現較高的預警精度，模型收斂情況如圖3所示，預測結果如表4所示。

（二）三種模型的預測結果比較分析

由表4可知，在這三種模型中，t-2期的預測效果要明顯高于t-3期的，即離目標預警期越近，預測準確率越高。但是t-3期的預測結果仍與t期財務狀況存在緊密聯系，如果忽視t-3期數據將會降低t期的預測結果。對于單期財務數據的Logistic回歸模型和基于因子分析的BP神經網絡模型預警分析結果，均有較好的預測能力。其中BP神經網絡模型綜合預測效果要優于Logistic模型，但BP神經網絡模型中ST的誤判率高于Logistic模型中ST的誤判率。而基于動態BP神經網絡模型無論是從ST公司和非ST方面均提高了預測的準確率，其總體預測準確率為94%，明顯優于第一種和第二種模型。由此可見傳統的預測模型僅僅體現了某一時期對目標時期的預測效果，難以實現不同時期的最優預測，通過將二者相結合，綜合考慮t-2期和t-3期歷史數據來建立基于面板數據的動態BP神經網絡模型，且其預測結果優于前兩種方法，第三種模型充分結合了BP神經網絡和統計方法的優點。

四、結論

本文采用高新技術制造業上市公司的多期歷史面板財務數據，利用因子分析對指標進行降維，采用多期數據建立動態Logistic-BP神經網絡模型，提高了模型的縱向長期預測能力，實現多時段預警。通過實證研究得出以下結論：首先，高新技術制造企業財務危機的出現是循序漸進的過程，距離被ST時間越近，模型的預測準確率越高。其次，通過采用財務面板數據，從數據的截面和空間隨時間變化兩個方面研究，深入體現了企業財務狀況發展機理的漸變特性，體現企業財務危機發生的連續動態特點，提高了樣本中關鍵財務指標變化的特征信息，有利于建立更精確的模型，提高預警精度。最后，綜合模型結合了Logistic非線性分析方法和BP神經網絡的容錯性、自我學習性特點，具有更強大的財務預警建模和預測能力，降低了ST公司的誤判率，在實際應用中有助于經營者預防和監控財務危機，促進企業持續健康發展，也有利于投資者債權人規避財務風險，減少經濟損失。

【參考文獻】

[1] Fitzpatrick P J. A Comparison of Ratios of Successful Industrial Enterprises with Those of Failed Firms[M]// Certified Public Accountant，1932（2）：656-662，727-731.

[2] Altman，Edward I. Financial Ratios，Discriminant Analysis and the Prediction of Corporate Bankruptcy[J].Journal of Finance，1968（9）：589-609.

[3] Ohlson，James A. Financial Ratios and the Pr-

obabilistic Prediction of Bankruptcy [J].Journal of Accounting Research，1980（18）：109-131.

[4] Lapedes A，Farber R. Nonlinear signal processing using neural networks： Prediction and System Modeling[R]. Tech.Rep.LA-UR-87-2662 Los Alamos，Los Alamos National Laboratory，1987.

[5] Wilson R.L，Sharda R. Bankruptcy prediction using neural networks[J]. Decision Support System，1994（11）：545-557.

[6] Odour M. D. R. Sharda. A Neural Network Model for Bankruptcy Prediction .In Proceedings of the International Joint Conference on Neural Networks，1990（6）：136-138.

[7] Feng Yu Lin，Sally Mc Clean. A data mining approach to the prediction of corporate failure [J].Knowledge-Based Systems，2001（14）：189-195.

[8] 陳靜.上市公司財務惡化預測的實證分析[J].會計研究，1994（4）： 31-38.

[9] 吳世農，盧賢義.我國上市公司財務困境的預測模型研究[J].經濟研究，2001（6）：46-55.

[10] 柳炳祥，盛昭翰.基于粗神經網絡的企業財務危機預警方法[J].中國工程科學，2002（8）：58-63.

[11] 周敏，王新宇.基于模糊優選和神經網絡的財務危機預警[J].管理科學學報，2002（3）：86-91.

[12] 陳偉，張曉琦，楊彩霞. 我國高新技術企業財務風險成因及防范研究[J].科技管理研究，2010（8）：228-229，220.

[13] 楊淑娥，王樂平. 基于BP 神經網絡和面板數據的上市公司財務危機預警[J].系統工程理論與實踐，2007（2）：61-68.

[14] 張曉琦. SVM 算法在高新技術企業財務危機預警模型中的應用研究[J]. 科技管理研究，2010（6）：147-149.

[15] 張德豐.MATLAB神經網絡應用設計[M]. 北京： 機械工業出版社，2009.

[3] Ohlson，James A. Financial Ratios and the Pr-

obabilistic Prediction of Bankruptcy [J].Journal of Accounting Research，1980（18）：109-131.

[4] Lapedes A，Farber R. Nonlinear signal processing using neural networks： Prediction and System Modeling[R]. Tech.Rep.LA-UR-87-2662 Los Alamos，Los Alamos National Laboratory，1987.

[5] Wilson R.L，Sharda R. Bankruptcy prediction using neural networks[J]. Decision Support System，1994（11）：545-557.

[6] Odour M. D. R. Sharda. A Neural Network Model for Bankruptcy Prediction .In Proceedings of the International Joint Conference on Neural Networks，1990（6）：136-138.

[7] Feng Yu Lin，Sally Mc Clean. A data mining approach to the prediction of corporate failure [J].Knowledge-Based Systems，2001（14）：189-195.

[8] 陳靜.上市公司財務惡化預測的實證分析[J].會計研究，1994（4）： 31-38.

[9] 吳世農，盧賢義.我國上市公司財務困境的預測模型研究[J].經濟研究，2001（6）：46-55.

[10] 柳炳祥，盛昭翰.基于粗神經網絡的企業財務危機預警方法[J].中國工程科學，2002（8）：58-63.

[11] 周敏，王新宇.基于模糊優選和神經網絡的財務危機預警[J].管理科學學報，2002（3）：86-91.

[12] 陳偉，張曉琦，楊彩霞. 我國高新技術企業財務風險成因及防范研究[J].科技管理研究，2010（8）：228-229，220.

[13] 楊淑娥，王樂平. 基于BP 神經網絡和面板數據的上市公司財務危機預警[J].系統工程理論與實踐，2007（2）：61-68.

[14] 張曉琦. SVM 算法在高新技術企業財務危機預警模型中的應用研究[J]. 科技管理研究，2010（6）：147-149.

[15] 張德豐.MATLAB神經網絡應用設計[M]. 北京： 機械工業出版社，2009.

[3] Ohlson，James A. Financial Ratios and the Pr-

obabilistic Prediction of Bankruptcy [J].Journal of Accounting Research，1980（18）：109-131.

[4] Lapedes A，Farber R. Nonlinear signal processing using neural networks： Prediction and System Modeling[R]. Tech.Rep.LA-UR-87-2662 Los Alamos，Los Alamos National Laboratory，1987.

[5] Wilson R.L，Sharda R. Bankruptcy prediction using neural networks[J]. Decision Support System，1994（11）：545-557.

[6] Odour M. D. R. Sharda. A Neural Network Model for Bankruptcy Prediction .In Proceedings of the International Joint Conference on Neural Networks，1990（6）：136-138.

[7] Feng Yu Lin，Sally Mc Clean. A data mining approach to the prediction of corporate failure [J].Knowledge-Based Systems，2001（14）：189-195.

[8] 陳靜.上市公司財務惡化預測的實證分析[J].會計研究，1994（4）： 31-38.

[9] 吳世農，盧賢義.我國上市公司財務困境的預測模型研究[J].經濟研究，2001（6）：46-55.

[10] 柳炳祥，盛昭翰.基于粗神經網絡的企業財務危機預警方法[J].中國工程科學，2002（8）：58-63.

[11] 周敏，王新宇.基于模糊優選和神經網絡的財務危機預警[J].管理科學學報，2002（3）：86-91.

[12] 陳偉，張曉琦，楊彩霞. 我國高新技術企業財務風險成因及防范研究[J].科技管理研究，2010（8）：228-229，220.

[13] 楊淑娥，王樂平. 基于BP 神經網絡和面板數據的上市公司財務危機預警[J].系統工程理論與實踐，2007（2）：61-68.

[14] 張曉琦. SVM 算法在高新技術企業財務危機預警模型中的應用研究[J]. 科技管理研究，2010（6）：147-149.

[15] 張德豐.MATLAB神經網絡應用設計[M]. 北京： 機械工業出版社，2009.