基于離散Hopfield網(wǎng)絡的上市公司財務困境預警研究

楊 旸，林 輝

基于離散Hopfield網(wǎng)絡的上市公司財務困境預警研究

楊 旸，林 輝

（南京大學商學院，江蘇南京 210093）

上市公司陷入財務困境直接影響投資者收益、管理者決策和股東利益，建立行之有效的財務困境評價模型已成為學術界關注的焦點。文章在闡述模型和構建指標體系的基礎上，提出基于離散Hopfield網(wǎng)絡模型開展上市公司財務困境評價的步驟，以2013-2015年滬深A股被實施ST的上市公司為實證樣本，進行財務困境預警實證研究和穩(wěn)健性檢驗。實證結果表明，本模型至少可以提前1年對ST上市公司的財務困境實現(xiàn)全面預警，可以提前6個季度對92%的ST上市公司進行有效預警，故適用于財務困境預警研究且具有穩(wěn)健性。

上市公司；財務困境；離散Hopfield網(wǎng)絡；預警研究

一、引言

企業(yè)陷入財務困境（Financial Distress）是一個動態(tài)的過程，通常表現(xiàn)為企業(yè)經(jīng)營能力下降、流動資金缺乏、債務拖欠增加以及經(jīng)營業(yè)績“變臉”［1］。對上市公司而言，若最近兩個會計年度凈利潤為負值，或最近一個會計年度每股凈資產(chǎn)低于股票面值，將會受到證監(jiān)會退市警告，并將造成該公司股價大跌和債券價格斷崖式下跌，給債權人、股東和投資者帶來不可估量的損失。2013年4月，上市公司“超日太陽”發(fā)布2012年年度財務報表，年報顯示該公司已連續(xù)兩年虧損，證監(jiān)會因此向其發(fā)布退市警告，該公司股價隨即下跌；同年5月，鵬元資信將該公司所發(fā)行債券“11超日債”的信用等級調降為CCC，致使“11超日債”出現(xiàn)斷崖式下跌，該債券最終在2014年3月發(fā)生違約。由此可見，上市公司陷入財務困境將會對公司股價和債券價格產(chǎn)生嚴重的負面影響，不利于其未來融資和持續(xù)經(jīng)營。若能提前對上市公司財務困境實現(xiàn)有效的預警，將有利于輔助投資者調整資產(chǎn)配置，提高其風險防范能力；上市公司也可以提早發(fā)現(xiàn)其財務管理和經(jīng)營過程中的問題，并通過調整經(jīng)營戰(zhàn)略使企業(yè)重新走上良性發(fā)展的道路。因此，評價上市公司財務狀況、實現(xiàn)公司財務困境預警，對維護股東利益、防范投資風險以及監(jiān)控市場風險都具有十分重要的意義。

學術界圍繞企業(yè)財務困境評價過程已開展了較為豐富的研究。首先，在財務困境評價指標方面，Altman［2］使用負債比率、流動比率、凈資產(chǎn)收益率和資金周轉速度等作為評價企業(yè)財務困境的變量。Hajek［3］和Doumpos［4］運用現(xiàn)金流量信息預測企業(yè)財務困境。謝平［5］認為企業(yè)財務狀況評估需考慮企業(yè)經(jīng)營環(huán)境、所有制形式、管理水平、營運價值、盈利能力、風險程度等因素。呂長江［6］和董南雁［7］認為盈利性、流動性和資產(chǎn)負債率指標在解釋上市公司財務困境時具有意義。其次，企業(yè)財務困境評價方法主要包括線性概率模型、線性判定模型、Logistic回歸模型以及KMV模型等（吳世農(nóng)［8］）。在針對上市公司的財務困境評價方法中，KMV模型應用得較為廣泛（楊玲［9］，陳延林［10］）。但KMV模型受上市公司股價影響較大，而中國上市公司股權結構分為上市流通股和流通受限股兩種，其中流通受限股沒有確切的市場價格，因此在評估我國上市公司財務困境時不能直接套用KMV模型。

近年來，人工神經(jīng)網(wǎng)絡（Artificial Neural Network）正越來越多地應用于企業(yè)財務狀況評價研究中，并被證明是此類研究有效的建模方法。神經(jīng)網(wǎng)絡模型是一種對數(shù)據(jù)分布無任何要求的非線性方法，具備分布信息存儲、大規(guī)模并行處理、自學習、自組織、自適應和較強容錯性等優(yōu)點，能有效解決非正態(tài)分布、樣本集大、非線性的預測評估問題。王春峰［11］和吳沖［12］研究了人工神經(jīng)網(wǎng)絡在企業(yè)信用風險評價中的應用，認為前饋型神經(jīng)網(wǎng)絡比傳統(tǒng)統(tǒng)計方法具有更高的判別準確度。Yu［13］運用多層感知器神經(jīng)網(wǎng)絡構建企業(yè)信用評分模型，并通過實證驗證了模型的有效性。Lee［14］和West［15］認為神經(jīng)網(wǎng)絡等非參數(shù)統(tǒng)計方法在信用評級的研究中優(yōu)于經(jīng)典統(tǒng)計模型，且具有較高的穩(wěn)定性。Zhong［16］在企業(yè)信用評級中，將BP、ELM、I-ELM等前饋型神經(jīng)網(wǎng)絡進行對比，認為ELM和BP神經(jīng)網(wǎng)絡的建模效果更優(yōu)。

從國內外已有的文獻來看，這一領域的研究已被廣泛討論并取得了豐富的成果，但仍存在以下幾點不足之處：①在前饋型神經(jīng)網(wǎng)絡中，數(shù)據(jù)正向流動且沒有反饋連接，故網(wǎng)絡輸出值僅由輸入值和連接權值決定；但根據(jù)反饋型神經(jīng)網(wǎng)絡原理，建立由輸出值到輸入值的誤差反饋是提高模型仿真精度和穩(wěn)健性的有效方法［17］，因此本文將采用反饋型神經(jīng)網(wǎng)絡開展上市公司財務困境評價和穩(wěn)健性檢驗。②上市公司披露財務報表的時間通常滯后于報表所代表的季度、半年或年度，故基于財務報表數(shù)據(jù)開展的預警評價具有時滯性，以往文獻籠統(tǒng)地將預警時間視為財務報表所代表的時間，導致預警效果被放大，因此本研究將以各上市公司財務報表披露時間和被實施ST時間為依據(jù)，對預警實際提前的時間進行統(tǒng)計。基于此，本文建立具有聯(lián)想記憶功能的反饋型神經(jīng)網(wǎng)絡——離散Hopfield網(wǎng)絡開展財務困境評價研究，以2013-2015年滬深A股被實施ST的上市公司為樣本，進行財務困境預警實證研究和穩(wěn)健性檢驗。結果顯示，本模型至少可以提前1年對ST上市公司的財務困境實現(xiàn)全面預警，可以提前6個季度對92%的ST上市公司進行有效預警，表明其適用于財務困境預警評價且具有穩(wěn)健性，能夠為上市公司股東、投資者以及監(jiān)管機構提供決策依據(jù)。

二、研究方法

離散Hopfield神經(jīng)網(wǎng)絡（Discrete Hopfield Neural Network，以下簡稱“離散Hopfield網(wǎng)絡”或“DHNN”）是典型的反饋動力學神經(jīng)網(wǎng)絡，其具有比前饋神經(jīng)網(wǎng)絡更強的聯(lián)想記憶（Associative Memory）能力［17］，故又稱為聯(lián)想記憶網(wǎng)絡。DHNN是一種循環(huán)的神經(jīng)網(wǎng)絡，從輸出到輸入有反饋連接，其網(wǎng)絡拓撲結構如圖1所示。

圖1 DHNN拓撲結構

圖1中，DHNN模型第0層為網(wǎng)絡原始代碼的輸入層，輸入層由3個神經(jīng)元組成，假設其分別代表3個研究指標。第1層神經(jīng)元執(zhí)行由輸入信息與權重的乘積求和，并通過非線性函數(shù)f處理后產(chǎn)生的輸出信息。神經(jīng)元之間的連接權值為wij。雖然神經(jīng)元自身無法連接，但每個神經(jīng)元都將其輸出通過突觸權值傳遞給其他的神經(jīng)元，故DHNN是一個反饋神經(jīng)網(wǎng)絡。f是閾值函數(shù)，若神經(jīng)元輸出信息大于閾值，那么神經(jīng)元的輸出取值為1，表示該上市公司陷入財務困境；若小于閾值，則神經(jīng)元的輸出取值為-1，表示該公司財務狀況良好。

與人腦的聯(lián)想記憶功能類似，DHNN聯(lián)想記憶是通過線性或非線性映射將任意的輸入矢量集轉為輸出矢量集的過程，即在模型中存入n組上市公司財務樣本，經(jīng)過模型訓練后形成貯存模式，貯存模式由神經(jīng)元與神經(jīng)元的連接權值構成，當輸入當新的帶噪聲的樣本時，要求網(wǎng)絡通過聯(lián)想將該樣本歸類于某一貯存模式。實現(xiàn)聯(lián)想記憶需要記憶和聯(lián)想兩個階段［18］：在記憶階段，外界輸入數(shù)據(jù)，系統(tǒng)自動調整網(wǎng)絡的權值，最終用合適的權值使系統(tǒng)具有若干個穩(wěn)定平衡狀態(tài)，即吸引子。能夠最終演化為該吸引子的初始狀態(tài)集合為該吸引子的吸引域，吸引域半徑定義為吸引子所能吸引的狀態(tài)的最大距離，吸引域半徑越大說明系統(tǒng)聯(lián)想能力越強；在聯(lián)想階段，對于給定的輸入模式，系統(tǒng)經(jīng)過一定的演化過程，最終穩(wěn)定收斂于某個吸引子，即穩(wěn)定平衡狀態(tài)。DHNN運行步驟主要分為以下4步：

第1步，從第0層神經(jīng)元網(wǎng)絡中隨機選取神經(jīng)元i，計算該神經(jīng)元i在t時刻的輸入：

其中，n表示網(wǎng)絡神經(jīng)元的個數(shù)，wij表示第i個神經(jīng)元和第j個神經(jīng)元之間的連接權值，yi為外部輸入，θi表示t時刻第i個神經(jīng)元的閾值，xi(t)的計算公式為：

第2步，計算該神經(jīng)元i的輸出ui(t+1)。由于該網(wǎng)絡是漸進穩(wěn)定的，隨著時間的推移，網(wǎng)絡狀態(tài)向能量減小的方向移動，穩(wěn)定平衡狀態(tài)就是能量的極小點。能量極小點的分布由網(wǎng)絡的連接權和閾值決定，設計能量極小點的核心是獲取一組合適的參數(shù)值。根據(jù)周開利［17］的研究，將DHNN的能量函數(shù)定義為：

在DHNN中，若wij為對稱矩陣，且對角元素非負，則其能量函數(shù)單調下降，能量函數(shù)總能收斂到一個穩(wěn)定點［19］，將此時的xi、wij代入公式（1），并計算該神經(jīng)元i的輸出ui(t+1)，保證此時網(wǎng)絡中的其他神經(jīng)元輸出保持不變。

其中，ui(t)可由第2步計算得出，ui(t+1)為1表示該上市公司陷入財務困境，ui(t+1)為-1表示該公司財務狀況良好。

第3步，判斷DHNN是否達到穩(wěn)定狀態(tài)。DHNN穩(wěn)定狀態(tài)為從某一時刻計起，狀態(tài)不再發(fā)生變化，稱網(wǎng)絡處于穩(wěn)定狀態(tài)，即

第4步，若網(wǎng)絡達到穩(wěn)定狀態(tài)，則輸出ui(t+1)；否則返回第1步，直到網(wǎng)絡處于穩(wěn)定狀態(tài)。

DHNN作為反饋型網(wǎng)絡，其所具有的非線性動力學系統(tǒng)的動態(tài)特性，為企業(yè)財務困境的評價提供了新的思路。首先，根據(jù)反映財務狀況的n個變量，設計含有n個神經(jīng)元的網(wǎng)絡，每個變量在不同等級中的神經(jīng)元的取值不完全相同；其次，網(wǎng)絡穩(wěn)定的平衡狀態(tài)可以通過設計編碼被存儲到網(wǎng)絡中，財務狀況的典型狀態(tài)亦可通過事先編碼設計進行存儲，DHNN模型一旦形成，則在對新樣本進行仿真時具有潛在的超高速性；最后，由于DHNN模型可以收斂到穩(wěn)定狀態(tài)，表明該網(wǎng)絡能夠根據(jù)指標輸入將樣本企業(yè)歸于某一典型財務狀態(tài)。

三、財務困境評價指標體系

在以往文獻成果基礎上，本文將財務困境評價指標體系劃分為反映上市公司盈利能力、償債能力和營運能力的3大類指標，共包含10項財務指標和1項綜合指標，見表1所列。首先，盈利能力（Earning Power）是指企業(yè)獲取利潤的能力，也稱為企業(yè)的資金或資本增值能力，通常表現(xiàn)為一定時期內企業(yè)收益數(shù)額的多少及其水平的高低。在盈利能力指標中，凈資產(chǎn)收益率（G1）為凈利潤與平均股東權益之比；凈利潤增長率（G2）為本年凈利潤增長額與上年凈利潤之比；總資產(chǎn)凈利率（G3）為凈利潤與平均資產(chǎn)總額之比。

表1 財務困境評價指標體系

其次，償債能力（debt-paying ability）是指企業(yè)用其資產(chǎn)償還長期債務與短期債務的能力，企業(yè)有無償還債務的能力是其能否健康生存和發(fā)展的關鍵，也是反映其財務狀況和經(jīng)營能力的重要標志。在償債能力指標中，資產(chǎn)負債率（G4）為企業(yè)期末負債總額與資產(chǎn)總額之比，流動比率（G5）為流動資產(chǎn)與流動負債之比，速動比率（G6）為速動資產(chǎn)與流動負債之比，產(chǎn)權比率（G7）為負債總額與所有者權益總額之比。

再次，營運能力（Operating Capacity）反映企業(yè)資金運營周轉的情況和企業(yè)管理經(jīng)濟資源的效率。企業(yè)資產(chǎn)周轉越快、流動性越強，則企業(yè)償債能力越強，資產(chǎn)獲取利潤速度越快。在營運能力指標中，銷售凈利率（G8）為凈利潤與銷售收入之比，存貨周轉率（G9）為銷貨成本與平均存貨余額之比，總資產(chǎn)周轉天數(shù)（G10）為營業(yè)收入凈額與平均資產(chǎn)總額之比。

最后，Z值則是反映企業(yè)財務狀況的綜合指標，依據(jù)Altman（1968）［2］衡量企業(yè)破產(chǎn)風險的Z值分析法，計算公式如下：

其中，x1=營運資本/總資產(chǎn)，x2=留存收益/總資產(chǎn)，x3=息稅前利潤/總資產(chǎn)，x5=所有者權益的市場價值/總資產(chǎn)，x5=銷售收入/總資產(chǎn)。

四、實證分析

實證分析的思路是先在行業(yè)內部對各財務指標進行等級劃分，以此劃分標準對該行業(yè)上市公司的財務數(shù)據(jù)進行編碼，進而運用DHNN模型甄別該行業(yè)陷入財務困境的上市公司。在此基礎上，將預警研究推廣至全行業(yè)，對2015年被實施ST的上市公司進行財務困境預警，并通過2013、2014年樣本開展穩(wěn)健性檢驗。本文的實證數(shù)據(jù)均來源于Wind資訊。

（一）實證步驟

第1步，根據(jù)申萬一級行業(yè)分類標準，我國化工行業(yè)上市公司在全部上市公司中的數(shù)量占比最高，故本文選擇化工行業(yè)上市公司作為闡述實證步驟的樣本，通過化工行業(yè)上市公司2014年財務年報對部分在2015年被ST的公司進行預警。借鑒肖斌卿［20］的研究方法，在剔除各財務指標異常值后，計算各指標均值μi和標準差σi，其中i為指標個數(shù)，i=1,2,…,11，將(μi-2.5σi,μi+2.5σi)區(qū)間等距劃分為5個子區(qū)間，分別代表5個財務等級（等級Ⅰ、等級Ⅱ、等級Ⅲ、等級Ⅳ和等級Ⅴ），并將等級Ⅰ和等級Ⅴ調整為無限區(qū)間以涵蓋數(shù)據(jù)異常值。

第3步，基于Matlab神經(jīng)網(wǎng)絡工具箱創(chuàng)建上市公司財務困境預警DHNN模型，并通過模型對該行業(yè)內268家上市公司樣本進行實證檢驗。限于篇幅，本文在化工行業(yè)上市公司中隨機提取并展示30家上市公司實證樣本編碼和實證結果，實證樣本的編碼規(guī)則為每一橫行自上而下依次表示11個指標的神經(jīng)元狀態(tài)，如圖2所示。

從圖2可知，金牛化工（600722）、金路集團（000510）、天晟新材（300169）、瀘天化（000912）、融捷股份（002192）的財務狀況被判別為等級Ⅳ，恒天海龍（000677）的財務狀況被判別為等級Ⅴ，模型認為這6家上市公司在2014年年報公布時已陷入財務困境。事實是除了天晟新材（300169），其余5家上市公司均在2015年被ST，表明模型能夠有效通過財務報表甄別出陷入財務困境的上市公司，且研究設定的財務困境評價指標體系和DHNN模型實證步驟具有有效性。此外，天晟新材（300169）雖未在2015年被證監(jiān)會列為ST公司，但其財務指標數(shù)據(jù)反映出該公司財務狀況已落后于同行業(yè)其他公司，應引起投資者和公司管理者的重視。

進一步，將DHNN評價結果與前饋型神經(jīng)網(wǎng)絡評價結果進行比較。BP神經(jīng)網(wǎng)絡（以下簡稱“BPNN”）和RBF神經(jīng)網(wǎng)絡（以下簡稱“RBFNN”）作為典型的前饋型神經(jīng)網(wǎng)絡模型，已被廣泛應用于上市公司財務困境評價研究中，本文采用與楊淑娥［21］和張新紅［22］相同的研究方法，在各行業(yè)內隨機抽取訓練樣本，并采取與上述實證相同的檢驗樣本，其中訓練樣本與檢驗樣本比例為3∶1，分別建立BPNN和RBFNN模型進行財務困境評價。在對模型有效性進行衡量時，本文依據(jù)Blanco［23］的兩種錯誤分類構造誤判成本（misclassification cost，簡稱“mc”）。其中，Ⅰ類錯誤率指財務正常企業(yè)被錯評為財務困境企業(yè)的比率，Ⅱ類錯誤率指財務困境企業(yè)被錯評為財務正常企業(yè)的比率，相比于Ⅰ類錯誤，Ⅱ類錯誤的發(fā)生將會對投資者帶來更大的損失，故本文將Ⅱ類錯誤的成本設為Ⅰ類錯誤成本的5倍。誤判成本計算公式為

其中，c21和c12分別表示發(fā)生Ⅰ類錯誤和Ⅱ類錯誤的成本，π21和π12分別表示發(fā)生Ⅰ類錯誤和Ⅱ類錯誤的比率，p1和p2分別表示樣本中2015年為非ST公司和ST公司的占比。模型有效性衡量結果見表2所列。

由表2可知，DHNN模型在ST公司識別率和誤判成本方面均優(yōu)于另外兩種模型，表明DHNN模型具備評價上市公司財務困境的能力，能有效地通過財務年報數(shù)據(jù)對ST上市公司進行甄別。因此，本研究將進一步提高財務數(shù)據(jù)頻度并將研究樣本擴展至全行業(yè)，運用DHNN模型進行上市公司財務困境預警研究。

圖2 實證樣本編碼與輸出結果

表2 模型有效性衡量結果

（二）上市公司財務困境預警

在前述實證研究步驟基礎上，本文將研究樣本擴展至全行業(yè)，運用DHNN模型開展ST上市公司財務困境預警研究。剔除因非財務問題被實施ST的上市公司后得到，2015年滬深兩市A股被實施ST上市公司共32家，分布在18個行業(yè)中。本文對其2010-2014年財務年報、中報和季報數(shù)據(jù)進行搜集，依前述研究步驟計算各行業(yè)財務指標等級標準，對預警樣本進行編碼，進而開展上市公司財務困境預警。在實證過程中記錄各樣本被預警時所依據(jù)的財務報表，并借鑒陳延林［10］的方法，運用“累計預警率”描述模型預警效果。圖3是通過本模型預警2015年被ST公司的累計準確率。

圖3 對2015年被ST公司的累計預警準確率

首先，證監(jiān)會定義ST公司的財務標準之一是最近兩個會計年度的凈利潤為負值，而從圖3統(tǒng)計結果發(fā)現(xiàn)，在2013年三季度財務報表公布時，DHNN模型預警的累計準確率為93.75%，這表明在最近兩個會計年度財務報告公布之前，本模型可實現(xiàn)對絕大多數(shù)ST上市公司財務困境的預警。其次，當2012年一季度財務報表公布時，累計預警準確率的增速加快；當2013年上市公司財務年報公布時，全部樣本均被DHNN模型預警，這表明隨著時間向被實施ST年份（2015年）臨近，DHNN模型的預警能力也逐年增強。除以上結論還可以發(fā)現(xiàn)，根據(jù)2010-2011年上市公司財務年報、中報和季報數(shù)據(jù)，模型即實現(xiàn)了31.25%的累計預警準確率，說明這些企業(yè)的財務困境預警時間被提前了3至5年，這將有助于公司預判財務風險、提前調整經(jīng)營策略和強化財務管理，是模型對實際應用的重要貢獻。

對照組患者術后給予常規(guī)護理,包括:跟患者介紹周圍的環(huán)境,講解手術后可能出現(xiàn)的不良反應,跟患者說明用藥方法,介紹一些常規(guī)檢查,常規(guī)的輸液以及相應檢查項目的用處,日常飲食的要求[3]等。

以各上市公司財務報表披露時間和被實施ST時間為依據(jù)，對預警實際提前的時間進行統(tǒng)計。將作為預警依據(jù)的財務報表的披露時間記為tk,i，其中k代表被實施ST的年份，i代表各樣本公司，易知k=2015，i=1,2,…,32；記上市公司被實施ST的時間為，則ST公司被提前預警的時間為。表3是被預警公司和提前預警的時間統(tǒng)計。

表3 被預警公司和提前預警的時間（k=2015）

由表3可知，考慮了上市公司財務報表披露的時滯性后，DHNN模型實證結果顯示其至少可以提前1年實現(xiàn)對所有2015被實施ST上市公司的預警，可以提前6個季度對93.75%的ST上市公司進行有效預警。在距離實施ST的最近3年至最近1年間，運用DHNN模型可提早識別24家陷入財務困境的上市公司，占總樣本的75%；在距離實施ST的最近5年至最近4年間，運用DHNN模型可有效識別8家陷入財務困境的上市公司，故可以輔助投資者和監(jiān)管者預判上市公司的財務狀況。

此外，證監(jiān)會在定義ST公司時使用的是年報數(shù)據(jù)，而DHNN模型在對上市公司財務困境進行預警時采用的是企業(yè)財務年報、中報和季報數(shù)據(jù)，這些較高頻度的數(shù)據(jù)可以更加及時地反映企業(yè)財務狀況變動狀況。對投資者而言，較高頻度地使用預警模型將更有利于提前甄別陷入財務困境的企業(yè)，從而通過提前變更資產(chǎn)配置來規(guī)避風險；對企業(yè)管理者來說，若能提前對公司財務困境實現(xiàn)有效的預警，則可以提早發(fā)現(xiàn)其財務管理和經(jīng)營過程中的問題，采取相應的改進措施。對監(jiān)管者而言，能夠相對高頻并有效地對滬深兩市A股上市公司進行財務困境評價，將有利于其監(jiān)控市場整體信用風險狀況并及時采取相應監(jiān)管措施。

（三）穩(wěn)健性檢驗

本文對2013年、2014年被實施ST的滬深兩市A股上市公司進行財務困境預警，以檢驗模型的穩(wěn)健性。剔除因非財務問題被實施ST的上市公司后得到，2013年被ST的上市公司共13家，分布在12個行業(yè)中；2014年被ST的上市公司共30家，分布在22個行業(yè)中。采用與上一節(jié)實證相同的方法，計算模型的累計預警準確率和ST公司被提前預警的時間。圖4是運用DHNN模型對2013年、2014年被ST公司進行預警的累計準確率，表4是被預警公司和提前預警的時間統(tǒng)計。

圖4 對2013年、2014年被ST公司的累計預警準確率

表4 被預警公司和提前預警的時間

首先，由圖4可知，在2011年一季度財務報表公布時，運用DHNN模型即可實現(xiàn)對全部2013年被實施ST公司的預警，較2011年年報披露時間提早了3個季度；在2012年三季度財務報表公布時，運用DHNN模型可實現(xiàn)對96.67%的2014年被實施ST公司預警，表明該模型具備預警絕大多數(shù)上市公司財務困境的能力。其次，由表4可知，考慮了上市公司財務報表披露的時滯性后，DHNN模型至少可以提前1年實現(xiàn)對2013、2014年全部被實施ST上市公司的財務困境預警，并且可以提前6個季度對92.31%和93.33%的ST上市公司進行有效預警。最后，在實施ST年份的近3年至近1年間，DHNN模型在2013、2014兩組樣本中分別有效識別了7家和17家ST上市公司，分別占總體樣本的53.85%和56.67%。在實施ST的最近5年至最近4年間，DHNN模型在兩組樣本中分別有效識別了6家和13家ST上市公司。以上結果表明運用DHNN模型開展上市公司財務困境預警具有穩(wěn)健性。

五、研究結論

本文基于具有聯(lián)想記憶功能的反饋型神經(jīng)網(wǎng)絡——離散Hopfield網(wǎng)絡開展上市公司財務困境預警研究。在闡述離散Hopfield網(wǎng)絡基本原理和建立財務困境評價指標體系基礎上，提出基于模型開展財務困境評價的步驟，進而以2013-2015年滬深A股被實施ST的上市公司為實證樣本，進行上市公司財務困境預警研究，并進行穩(wěn)健性檢驗。實證結果顯示，本模型至少可以提前1年對ST上市公司的財務困境實現(xiàn)全面預警，可以提前6個季度對92%的ST上市公司進行有效預警，表明其適用于上市公司財務困境預警且具有穩(wěn)健性。

離散Hopfield神經(jīng)網(wǎng)絡作為一種反饋型神經(jīng)網(wǎng)絡，能夠將輸出值的偏差反饋到之前的輸入值，通過不斷修正連接權值形成判別企業(yè)財務狀況的依據(jù)，將樣本收斂于某一典型財務等級，該模型不僅能識別陷入財務困境的上市公司，還能對缺乏盈利能力、償債能力和營運能力的上市公司進行風險預警。本研究豐富了財務困境的評價方法，為投資者規(guī)避投資風險、監(jiān)管機構監(jiān)測上市公司財務風險提供了決策依據(jù)。在研究中，本文設定典型財務等級的方法仍需要借助人工進行數(shù)據(jù)整理，導致時間成本較高，在下一階段的研究中將考慮設計借助財務歷史數(shù)據(jù)迭代求解典型財務等級的閾值，進一步提升模型的自適應性和智能水平。

注釋：

①上市公司財務報表披露時間具有滯后性，一季報披露時間為當年4月30日前，半年報為當年8月31日前，三季報為當年10月31日前，年報為下一會計年度4月30日前。

［1］Aharony J，Jones C P，Swary I.An Analysis of Risk and Re?turn Characteristics of Corporate Bankruptcy Using Capital Market Data［J］.The Journal of Finance，1980，35（4）：1001-1016.

［2］Altman E I.Financial ratios，discriminant Analysis and the Prediction of Corporate Bankruptcy［J］.The Journal of Finance，1968，23（4）：589-609.

［3］Hajek P，Michalak K.Feature Selection in Corporate Credit Rating Prediction［J］.Knowledge-Based Systems，2013，51（1）：72-84.

［4］Doumpos M，Niklis D，Zopounidis C，et al.Combining Ac?counting Data and A Structural Model for Predicting Credit Ratings：Empirical Evidence from European Listed Firms［J］.Journal of Banking&Finance，2015，50（1）：599-607.

［5］謝平，許國平，李德.運用信用評級原理加強金融監(jiān)管［J］.管理世界，2001（1）:125-131.

［6］呂長江，徐麗莉，周琳.上市公司財務困境與財務破產(chǎn)的比較分析［J］.經(jīng)濟研究，2004（8）:64-73.

［7］董南雁，賈宗武，張俊瑞.財務困境類公司資產(chǎn)結構的價值相關性研究［J］.統(tǒng)計與信息論壇，2012，27（5）:60-65.

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

［9］張玲，楊貞柿，陳收.KMV模型在上市公司信用風險評價中的應用研究［J］.系統(tǒng)工程，2004，22（11）:84-89.

［10］陳延林，吳曉.A股上市公司ST風險預警——基于KMV模型的大樣本經(jīng)驗實證［J］.華南師范大學學報:社會科學版，2014（4）:92-99.

［11］王春峰，萬海暉，張維.基于神經(jīng)網(wǎng)絡技術的商業(yè)銀行信用風險評估［J］.系統(tǒng)工程理論與實踐，1999，19（9）:24-32.

［12］吳沖，張霞，張新穎.基于橢圓概率神經(jīng)網(wǎng)絡的企業(yè)財務危機預警［J］.統(tǒng)計與信息論壇，2013，28（2）:18-22.

［13］Yu L，Wang S，Lai K K.Credit Risk Assessment with A Multistage Neural Network Ensemble Learning Approach［J］. Expert Systems with Applications，2008，34（2）:1434-1444.

［14］Lee T S，Chen I F.A Two-stage Hybrid Credit Scoring Model Using Artificial Neural Networks and Multivariate Adaptive Regression Splines［J］.Expert Systems with Applications，2005，28（4）：743-752.

［15］West D.Neural Network Credit Scoring Models［J］.Computers and Operations Research，2000，27（11）：1131-1152.

［16］Zhong H，Miao C，Shen Z，et al.Comparing the Learning Effectiveness of BP，ELM，I-ELM，and SVM for Corporate Credit Ratings［J］.Neurocomputing，2013，128（5）:285-295.

［17］周開利，康耀紅.神經(jīng)網(wǎng)絡模型及其MATLAB仿真程序設計［M］.北京：清華大學出版社，2005：15-30.

［18］方先明，熊鵬，張誼浩.基于Hopfield神經(jīng)網(wǎng)絡的信用風險評價模型及其應用［J］.中央財經(jīng)大學學報，2007（8）: 34-40.

［19］周園園，亓建榮，周俊昌，等.離散Hopfield神經(jīng)網(wǎng)絡在瀝青路面使用性能評價中的應用［J］.重慶交通大學學報：自然科學版，2012，31（5）：970-973.

［20］肖斌卿，楊旸，李心丹，等.基于GA-ANN的中國金融安全預警系統(tǒng)設計及實證分析［J］.系統(tǒng)工程理論與實踐，2015，35（8）:1928-1937.

［21］楊淑娥，黃禮.基于BP神經(jīng)網(wǎng)絡的上市公司財務預警模型［J］.系統(tǒng)工程理論與實踐，2005，25（1）：12-18.

［22］張新紅，王瑞曉.我國上市公司信用風險預警研究［J］.宏觀經(jīng)濟研究，2011（1）：50-54.

［23］Blanco A，Pino-Mejías R，Lara J，et al.Credit scoring mod?els for the microfinance industry using neural networks：Evidence from Peru［J］.Expert Systems with Applications，2013，40（1）:356-364.

［責任編輯：歐世平］

An Early Warning Research on Financial Distress of Listed Companies Based on Discrete Hopfield Network

YANG Yang，LIN Hui
（School of Business，Nanjing University，Nanjing 210093，China）

The financial distress of listed companies has a direct impact on the earnings of investors，decision-making of man?agers and interests of shareholders.The establishment of an effective evaluation model of financial distress has become the focus of academic attention.On the basis of model elaboration and index construction，this paper puts forward the implementation steps of financial distress evaluation based on discrete Hopfield network model，and then carries out financial distress fore?warning empirical research and robustness test on the samples of ST listed companies in Shanghai and Shenzhen A shares from 2013 to 2015.Empirical results show that this model can achieve a comprehensive forewarning on the ST listed companies’financial distress at least one year ahead，and can achieve effective forewarning on 92%ST listed companies six quarters ahead.The model is suitable for financial distress prediction research and has robustness.

listed companies；financial distress；discrete Hopfield network；Early Warning Research

F275

A

1007-5097（2016）12-0156-07

10.3969/j.issn.1007-5097.2016.12.024

2016-08-24

國家自然科學基金面上項目（71271110）；中國經(jīng)濟改革研究基金會資助項目（2016Z-002）；2016年南京大學研究生跨學科科研創(chuàng)新基金資助課題

楊旸（1990-），男，江蘇南京人，博士研究生，研究方向：金融工程，風險管理；

林輝（1972-），男，福建閩侯人，教授，博士生導師，管理學博士，研究方向：金融工程，風險管理。