經濟新常態下企業財務危機預警實證研究
2016-12-01 15:47:21符剛曾萍陳冠林
財經科學 2016年9期
符剛 曾萍 陳冠林
[內容摘要]在新常態下外部宏觀經濟對企業內部經營管理的不利影響顯著，建立動態、實時預報功能的企業財務危機預警對利益相關者加強風險管理有重要意義。本文運用全局主成分分析法，構建了融合神經網絡與kalman.濾波法的財務預警模型，并以89家上市公司為樣本進行實證分析，結果發現：融合了神經網絡和Kalman濾波法的財務風險預警模型對企業的風險有良好的預判效果；企業財務危機的產生具有一個積累過程，企業可以運用財務危機發生前的財務指標數據對財務風險進行預警。
[關鍵詞]經濟新常態；財務預警；主成分分析；神經網絡；Kalman濾波
以“速度變化、結構優化、動力轉換”為特征的經濟新常態，是“當前和今后一個時期我國經濟發展的大邏輯”。在新常態下，一方面我國經濟發展整體向好，潛力大，韌性強；另一方面也面臨嚴重的結構性產能過剩、庫存過量、風險過大等問題。2015年中央經濟工作會議提出，推進供給側結構性改革，將“去產能、去庫存、去杠桿、降成本、補短板”作為2016年的五大任務。這對我國企業而言，機遇與挑戰并存，風險與收益同在。但是，新常態下宏觀政策、產業政策、微觀政策和改革政策都在變化，很多企業面臨挑戰大于機遇，因財務危機導致企業經營陷入困境甚至破產清算的現象時有發生。因此，為避免或減弱新常態下企業的不利影響，加強企業財務運營的監控，及早發出預警信號，將企業面臨的潛在財務危機告知利益相關者是十分必要的。本文在回顧已有的財務預警研究文獻的基礎上，運用全局主成分分析法，構建了融合神經網絡和Kalman濾波法的財務預警模型，并以我國上市公司為樣本進行實證研究，這既改變了單一方法的預警模型，又提高了財務預警的準確性，并對經濟新常態下的風險管理有參考價值。
一、文獻回顧
財務預警是借助企業提供的財務報表等資料，利用不同的分析方法，對企業的經營活動、財務活動等進行分析預測，以發現企業潛在的風險，并在危機發生之前向企業經營者發出警告，促使企業管理層采取有效措施，避免潛在的風險演變成損失。最早的財務預警研究是Fitzpatrick（1932）開展的單變量破產預測研究。他首先將樣本公司分為破產和非破產兩組，再嘗試用不同的單一財務比率進行對比，最終認為股東權益/負債這個比率的判別能力最高。隨后，William Beaver（1966）提出單一比率模型，即利用單一的財務比率來預測企業的財務困境，發現營運資本流/負債和凈利潤/總資產是最好的判別變量。但由于用單個指標判別的方法本身存在缺陷，Altman（1968）重新選擇樣本進行研究，確定出了判別效果最好的五個指標，最終對每個指標確定出權重，構造出了一個綜合指標由此進行判別。Altman采用的多元線性的方法，對后來學者的產生了更深遠的影響。Ohlson（1980）將Logit回歸模型引入財務預警的研究中。他首先確定出了一個非破產概率區間和破產的概率區間，然后根據落在此區間上的企業的概率分布來確定哪些指標的判別效果較好，由此他也在logit回歸的基礎上，建立了多元概率模型。這兩種方法都在很大程度上克服了一元判別和多元判別中的諸多缺陷。隨著計算機技術的發展，利用人工神經網絡這類黑箱模型的方法對財務預警的研究也逐漸增多，如Tam（1991），Coats和Fant（1991，1993），Ahman，Marco和Varetto（1995），Kevin，KarYanTan和MdodyY.Kiang（1992）采用人工神經網絡模型對財務危機公司進行預測。此外，Messier和Hansen（1988）將專家系統運用于財務困境預測，結果證明分類效果最好；Charitou和Trige-orgis（2000）將B-s期權定價模型中的變量因子引入財務危機判別模型，發現到期債務面值、企業資產的當期市價、企業價值變化的標準差等期權變量在預測破產方面作用顯著。
我國學者20世紀90年代開始對財務預警進行研究，目前已有一些成果。如周首華、楊濟華和王平（1996）通過建立F分數模式對Compustat Pc Plus會計數據庫中1990年以來4160家公司進行驗證，發現準確率高達近70%。陳靜（1999）采用單變量分析法和二類線性判定分析法進行財務危機預警分析，發現流動比率和負債比率的判別效果最好。宋秋萍（2000年）采用美國Ahman的z計分模型對中國6家公司進行了預測分析，發現直接使用美國公司財務數據建立的模型并不適用于對中國公司的預測。吳世農、盧賢義（2001）以多元線性回歸分析、判別分析和逐步邏輯回歸三種方法構建了相應的財務預警模型，研究結果表明這三種模型都可以在財務危機前做出相對較為準確的預警，并發現logistic預測模型的誤判率最低。進入21世紀以后，各種智能算法應用到財務分析當中。劉洪、何光軍（2004）用傳統的判別分析方法、邏輯回歸分析方法、人工神經網絡方法進行比較研究，認為人工神經網絡方法的預測精度遠高于兩種傳統的統計方法。李健、劉翔（2011）將遺傳算法與BP神經網絡結合起來，對我國制造業上市公司進行實證分析，結果發現遺傳神經網絡準確度高于logistic回歸模型和BP神經網絡模型。
因此，過去對財務預警的研究已經形成一些成果，但面對瞬息萬變的市場情況，這些預警模型的運用都有較強的適用條件。從現實案例和財務理論來看，公司財務危機都具有三大特點：一是越臨近財務危機的發生，財務指標中所包含的危機信號就越多；二是財務數據的時間序列性，當期財務數據會對下一期造成影響；三是財務危機具有歷史累積性，財務危機是長時間的經營不善所導致的最終結果。而現有研究成果大部分（楊華，2009；吳啟富，耿霄，2010；李建，劉翔，2011）只是從其中一方面進行考慮，所構建的財務預警模型的適用性大大減弱，預警的準確性不高。本文中融合神經網絡和Kalman濾波法的財務預警模型較好地解決了這些問題。
二、研究設計
（一）樣本選擇和數據來源
國內學者（劉洪，何光軍，2004；劉際陸，2011；魏春梅，蔡通，2011）在過去的研究中常把是否被sT作為劃分財務危機公司和財務良好公司的界限。這樣非黑即白的劃分方式存在兩個缺陷：一是研究中忽視了企業財務危機的發生是一個逐步累積的過程；二是如果臨近財務危機的發生才對企業做出預報，企業就沒有充足的時間應對危機，這就喪失了預警的意義。所以，為延長企業財務危機的應對時間，從財務狀況良好到發生財務危機，應該再劃分一個過渡狀態。本文將企業財務狀況分成三個狀態：財務狀況良好、輕度財務危機和重度財務危機。以前的研究顯示，企業被sT當期的財務數據，與該企業之前7～8年的財務數據呈現顯出著性關系，所以本文將企業在T期至T-7期之內凈利潤均大零的情況，定義為財務狀況良好；若在第T期企業被sT，則第T期的財務狀態則被定義為重度財務危機，T-1期至T-5期的財務狀況被定義為輕度財務危機。
本文以我國深、滬兩市的上市公司作為樣本，選擇標準為：（1）2012年或2013年首次因連續兩年虧損被ST的30家公司，其T期數據作為重度財務危機企業的判別樣本。由于sT企業從其前7～8年的數據開始才與發生sT當期的數據呈顯著性相關，所以本文選擇企業T-1期至T-7期數據作為預測T期財務數據的預測樣本。（2）2012年或2013年首次因連續兩年虧損被ST的29家公司，其T-5期數據作為輕度財務危機企業的判別樣本，其T-1期至T-7期數據作為預測T期財務數據的預測樣本。（3）2012年或2013年非ST公司，并且十年之內均未出現凈利潤為負值情況的30家公司，其第T期數據作為財務狀況良好企業的判別樣本。為滿足配對原則，同樣選擇其T-1期至T-7期數據作為預測T期財務數據的預測樣本。此外，剔除有以下情況之一的sT公司：純B股的sT公司，因其他狀況異常而被sT的公司，存在嚴重假賬的公司，上市兩年內就被sT的公司，這類公司存在虛假包裝上市的嫌疑，有嚴重數據缺失或數據不合理的公司。根據上述標準，本文從CSMAR數據庫中選擇了89家公司（見表5），選擇的對象均為工業企業，時間分別為2006-2013年、2005-2012年，共11392個數據，滿足客觀性、可比性和可獲得性等基本特征。
（二）預警指標分析與選取
1.基本預警指標的選擇
為了更全面地反映企業的財務狀況，本文參考了吳世農和黃世忠（1986）、孫曉琳（2010）、劉際陸（2011）關于財務危機預警的指標體系，同時遵循全面性原則、系統性原則、動態性原則，在滿足數據可獲得性的條件下，通過相關性分析后，從償債能力、市場價值、現金流量、盈利能力、營運能力五個方面初步選取了12個財務指標（見表1）。
2.全局主成分分析
因為使用的數據是多維時序立體數據，過去很多研究并未考慮指標的時序因素對其產生的影響。為克服這一問題，本文使用全局主成分分析法降低指標維度，用較少的綜合指標來代替原來較多的單一指標。主成分分析法要求數據滿足正態分布，根據以往文獻得出的結論，我國的財務比率總體不符合正態分布假設。但由于在SPSS軟件中做主成分時，軟件會自動將數據轉換為服從標準正態分布，所以數據的正態化處理在這里就不再贅述。具體分析結果見表2。
為得到保留大部分信息的同時又完全正交的主成分因子，從而得到了最優的輸入集，選擇的主成分的累計貢獻率一般必須達到85%以上，從而可以確定提取主成分的個數。雖然主成分個數提取原則上為主成分對應的特征值大于1的前m個主成分。但是其累計貢獻率并未達到85%，所以本文考慮提取前9個主成分，累計貢獻率為91.41%。
表3中的各數據代表各指標在主成分上的載荷。由于軟件自動運行時，自動將原始數據進行過標準化處理，所以為得出各主成分的系數需要結合表2中各主成分對應的特征值。用各載荷值除以特征值開平方根之后，得到表4。
表4中各列的數據即是各主成的特征向量，將得到特征向量與標準化后的數據相乘，就可以得出各主成分線性表達式。
三、基于神經網絡與Kalman濾波法的財務預警模型構建
（一）基于神經網絡的判別模型構建
根據上文主成分數據，利用神經網絡模式識別的方法構建判別模型。選取前30家公司第T年的橫截面數據，將樣本公司按70%、15%、15%的比例，分為訓練組、驗證組和測試組。誤差反向傳播（BP）神經網絡的構建包括輸入層、隱含層、輸出層、傳遞函數、訓練函數等網絡結構和網絡參數的設置。對于本文模型的具體設置如下：
1.輸入層。輸入變量決定輸入層神經元個數，本文輸入層節點數為提取的主成分個數。
2.隱含層。本文用兩個隱含層的神經網絡訓練相對有助于提高預測的準確率。關于隱含層的神經元個數，一般只能根據經驗，通過反復試驗。
3.輸出層。輸出值代表模型要實現的目標功能，輸出層采用pruelin函數，本文的輸出層為3個輸出節點，001代表“重度財務危機”，010代表“輕度財務危機”，011代表“財務狀況良好”。
4.傳遞函數。隱含層到輸出層之間的傳遞函數確定為tan-sigmoid傳遞函數。
5.學習函數。本文選取了基于快速誤差反向傳播（BP）算法的學習函數learngdm，該算法在學習規則上選取了梯度下降動量學習函數。
6.訓練函數。為了提高訓練速度，避免陷入局部最小和改善概括能力，函數tminlm具有較強的優勢，因此本文選用trairdm作為訓練函數。
7.網絡參數。目標誤差為0.01，學習速率為0.005，訓練循環次數為1000次。
按要求訓練后，得到的結果如圖2所示的混淆矩陣。從訓練組和測試組的混淆矩陣中可以看出，網絡的判別結果都達到了100%。在驗證組中，因一個財務狀況良好的公司被判定為了輕度財務危機，致使驗證組的誤判率為1.12%，網絡的總體判別正確率達到了98.88%。因此，可以認為所訓練好的網絡達到了很好的判斷效果，可以用此網絡對后期預測出的數據進行判別。
（二）基于Kalman濾波法的預測模型構建
Kalman濾波是一種高效率的遞歸濾波法，它能夠從一系列的不完全及包含噪聲的測量中，估計動態系統的狀態。本文把樣本公司各年的財務數據視為濾波器所處理的隨機信號，利用系統噪聲和觀察噪聲的特性，以每年的財務數據即觀測值作為系統的輸入，以系統的狀態即財務數據的預測值作為濾波器的輸出值，輸入量和輸出量通過時間更新和觀測更新聯系在一起，根據Kalman濾波的系統方程估計出所處理的財務數據。
設一個公司在t年的真實財務狀況為X
首先，本文將企業各年的財務狀況視為一個離散控制過程系統。該系統可用一個線性隨機微分方程來描述。
根據89家樣本公司的T-1到T-7期主成分數據，預測出了T-7期至T期的主成分數據。因預測結果數據量大，在此，隨機選擇一家公司（證券代碼為000605）的預測結果，繪制出其各主成分逐年預測值與觀測值的圖形（圖4至圖12）。從圖示可以看出，T期的預測值能夠與觀測值基本吻合，該模型具有良好的預測效果。并且，即使短暫財務數據發生顯著變化，都不會對整個系統的預測產生較大影響（如圖11和圖12），這與企業短期財務狀況波動并不會對其長期財務狀況造成影響的現實相吻合。
最后，將預測出的所有樣本司第T期主成分數據代入神經網絡判別模型中，得到表5所示結果。
表5中的“實際狀況”反映企業真實的財務狀態，“預測結果”是根據企業各年數據預測的財務狀況。結果發現，有24個判斷結果出現了變化，總體預測的正確率為73.03%，這與張玲（2000）62%、吳世農（2001）73.17%的預測效率相比，雖然本文所采用的方法的預測效率并沒有大幅度地提升，但結果也可以證明這種企業財務危機預警方法的適用性。
五、研究結論與啟示
本文研究發現：（1）融合了神經網絡和Kalman濾波法的財務風險預警模型對企業的財務狀況有較好的預判效果。本文綜合運用神經網絡與濾波法以及Matlab和Python編程技術，從時間序列和橫截面兩個角度建立預警模型，通過對時序立體數據表進行全局主成分分析，得到了保留大部分信息同時又完全正交的主成分因子，從而為神經網絡和Kalman濾波器提供了最優的輸入集，模型預測的正確率達到了73.03%，這表明將神經網絡與Kalman濾波法有機結合是分析企業財務狀況、實現企業財務預警是一種有效路徑。（2）企業財務危機的產生有一個日積月累的過程，不是一朝一夕形成的，企業可以運用財務危機出現之前的資產負債率、銷售利潤率、每股收益、現金流量比率、應收賬款周轉率等財務指標數據對財務風險進行預測并發出預警信號。
本文研究結論對經濟新常態下的投資者、企業管理層和證券監管部門均有一定啟示意義。第一，融合了神經網絡與Kalman濾波法的財務預警模型對預判企業財務風險具有良好效果，投資者可以直接將該模型用于分析企業財務狀況，從而了解已投資或計劃投資企業的財務風險高低，以降低投資風險和提高投資收益。第二，企業管理層不僅可以通過該模型了解企業的財務狀況，還可以根據財務預警傳遞出來的綜合信息進行相機管理，提出具體的、具有針對性的經營管理策略，使新常態下的非系統風險可控、危機消除。第三，新常態下經濟整體下行壓力大、企業面臨的系統風險大，證券監管部門應要求企業構建有效的財務預警機制，根據上市公司整體情況按產業行業、按危機程度相機進行風險管理，并鼓勵企業披露更多財務預警信息，有利于投資者充分了解上市公司財務狀況，從而做出相應的決策。
