基于神經網絡與邏輯回歸的財務危機預警研究

劉梅

摘要：文章以2014～2017年制造業上市公司ST企業為研究對象，并以1：2比例選取配對樣本，針對T-3年的財務數據指標進行模型的構建與分析。結果表明雖然人工神經網絡與邏輯回歸都有不錯的預測效果，但邏輯回歸分析的結果準確率更高，可解釋性更強。

關鍵詞：邏輯回歸；神經網絡；財務預警

一、引言

關于財務危機預警的定量研究，一直是近幾十年來國內外財務界學者的熱點話題。20世紀30年代Fitzpatrick首次提出單變量FDP模型，之后由Beaver提出單變量判定模型正式興起。

隨著信息技術和數據庫技術的發展，數據挖掘技術成為了構建財務危機預警的主要工具。Odom首次將人工神經網絡引入FDP領域，結果發現利用神經網絡構建的財務預警模型有較好的預測能力。我國學者吳世農、盧賢義運用Fisher線性判定分析、多元線性回歸分析和Logistic回歸分析三種方法，分別建立三種財務困境預測模型并進行比較分析，結果表明Logistic模型的判定準確性最高。

為了消除傳統財務指標的片面性，后有不少學者將一些非財務指標引入財務危機預警模型中。Beaver在研究中提出了反映股價的信息變量；劉小淇等在預警模型中引入股權結構等非財務變量；張婉君、羅威將董事會規模等非財務因素引入到傳統的財務預警模型中，并進行Logistic回歸分析，在一定程度上提高了預警準確率。李樹根闡述了人工神經網絡應用于財務危機預警的理論依據與基本構想，建立了BP神經網絡模型，為財務預警提供了有效參考。

本文在前人研究的基礎上，運用Logistic回歸和人工神經網絡對制造業上市公司進行預警研究。

二、研究設計

（一）樣本選取和數據來源

1. 樣本的選取。本文研究的樣本選用2014～2017年度首次被特別處理的上市公司，包括*ST公司和ST公司。選取深滬證券交易所A股制造業上市公司作為樣本組，對數據預處理后最終選取財務危機企業42家，同時按照1：2的比例選取正常經營的制造業A股上市公司作為配對樣本組，最終確定總樣本數量126家。

2. 數據來源。本文的研究數據主要來自深、滬證券交易所官網和國泰安數據庫（CSMAR）。設定被特殊處理當年為T年，本文選取上市公司被ST或*ST之前的T-3年度的截面數據進行預測研究，能使企業在出現危機前兆時提高警惕，防患于未然，故更具有現實意義和應用價值。

（二）預測指標的選取

本文在反映企業盈利能力、償債能力等這些傳統的財務指標的基礎上，選取了反映上市公司資本狀況、現金流量狀況和股東獲利能力的指標，共選取了28個指標變量。

（三）模型設計

1. Logistic回歸模型的設計

Logistic回歸是廣義線性回歸的一種統計方法，具有廣泛且實用的用途。它數度快、便于理解，對于二分類模擬性好。Logistic回歸模型為：

其構造的財務危機預警預測模型為：

將企業是否財務危機設為因變量，企業財務危機設為1，財務健康設為0，進行Logistic模型的測試與檢驗。

2. 人工神經網絡模型的設計

人工神經網絡是模仿人腦神經結構的一種技術，近年來常被應用于企業危機預警方面。一個基本的神經網絡模型由輸入層、隱含層和輸出層三個結構組成，分別對應警兆、警情和警度。三層網絡結構的特點符合預警體系，因此適合用于進行財務預警模型構建。

三、實證分析

本文運用SPSS Modeler統計軟件中的Logistic模型和神經網絡模型分別對制造業上市公司T-3年的財務指標數據進行分析，將樣本數據按7：3比例分為訓練集和測試集。將企業是否財務危機設為目標變量，財務狀況異常的企業取值為1，財務狀況正常的企業取值為0。

（一）基于Logistic回歸的財務危機預警模型構建

用SPSS Modeler軟件運行Logistic算法進行主效應分析，經邏輯模型檢驗后結果顯示模型的擬合效果很好。Logistic回歸財務預警模型的分析結果如表2所示。

表2中，B為變量系數；S.E為標準差；Wald為Wald得分；df為自由度；Sig為伴隨概率。從表2可以看出，與企業是否陷入財務危機的主要因素為X1、X2、X4、X5、X9和X10，由此可以得到Logistic預警模型為：

由表3可知，運用Logistic回歸模型對上市公司T-3年的財務數據進行分析得到預測準確率為84.27%，測試正確準確率也達到了78.38%，具有較好的預測效果。

（二）人工神經網絡模型的構建與Logistic回歸模型的比較

由表4可知，人工神經網絡模型進行財務危機預警預測的準確率為78.65%，測試集準確率也只有75.68%，都低于用Logistic回歸方法預測的準確率，因此Logistic回歸比神經網絡具有更好的擬合度和預測準確度，在預測企業財務危機準確性、運行效率以及可解釋性方面都具有一定的優勢。

四、結論

本文在傳統的財務指標的基礎上引入反映企業資本狀況、現金流量狀況和股東獲利能力的指標進行綜合分析，使得指標體系更具有預測性。運用經典的Logistic回歸方法和人工神經網絡方法建立制造業上市公司財務預警模型，選取T-3年的指標數據進行分析使得研究更具有現實意義。通過對比分析，得出Logistic回歸方法更適合二分類下企業財務危機預警的結論。因此本文的研究在現實中有一定的應用價值。

參考文獻：

[1]FITZPATRICK P. J. A Comparison of The Ratios of Successful Industrial Enterprises with Those of Failed Firms[J]. Certifies Public Accountant，1932（05）.

[2]BEAVER W H.Financial rations as predictors of failures[J].Journal of Accounting Research，1966（01）.

[3]ODOM M D，SHARDA R. A Neural Network Model for Bankruptcy Prediction[C].International Joint Conference on Neural Networks.IEEE，1990.

[4]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（06）.

[5]劉小淇，曾繁榮，周鴻.基于非財務視角的上市公司財務困境預警研究——基于主成分邏輯回歸的方法[J].財會通訊，2015（06）.

[6]張婉君，羅威.引入非財務指標的財務危機預警研究——以我國制造業上市公司為例[J].財政監督，2016（01）.

[7]李樹根.基于BP神經網絡的財務預警方法探究[J].中國管理信息化（會計版），2007（11）.

（作者單位：上海工程技術大學）