化學(xué)原料及化學(xué)制品制造業(yè)上市公司財(cái)務(wù)危機(jī)預(yù)警模型研究

李唯濱 楊瑞

【摘要】 ?文章以52家滬深A(yù)股化學(xué)原料及化學(xué)制品制造業(yè)ST和非ST上市公司為研究對(duì)象，并對(duì)其進(jìn)行財(cái)務(wù)危機(jī)預(yù)警模型研究。首先基于因子分析法得到了包含償債能力、現(xiàn)金流能力、發(fā)展能力、盈利能力和營運(yùn)能力五項(xiàng)基本能力的主因子，其次構(gòu)建Logistic財(cái)務(wù)預(yù)警模型和BP神經(jīng)網(wǎng)絡(luò)財(cái)務(wù)預(yù)警模型，并比較兩種模型的預(yù)警效果。研究表明：Logistic財(cái)務(wù)預(yù)警模型的判別正確率為96.2%，BP神經(jīng)網(wǎng)絡(luò)財(cái)務(wù)預(yù)警模型與之相比判別效果更佳，準(zhǔn)確率達(dá)到了100%，因此可采用BP神經(jīng)網(wǎng)絡(luò)財(cái)務(wù)預(yù)警模型判別該行業(yè)上市公司是否發(fā)生財(cái)務(wù)危機(jī)。

【關(guān)鍵詞】 ?Logistic回歸;BP神經(jīng)網(wǎng)絡(luò);財(cái)務(wù)預(yù)警

【中圖分類號(hào)】 ?F275 ? 【文獻(xiàn)標(biāo)識(shí)碼】 ?A ?【文章編號(hào)】 ?1002-5812（2019）21-0077-05

一、引言

隨著我國市場(chǎng)經(jīng)濟(jì)的迅猛發(fā)展，上市公司有如雨后春筍不斷涌現(xiàn)出來，但同時(shí)也加大了企業(yè)間的競(jìng)爭壓力，制造業(yè)作為我國經(jīng)濟(jì)發(fā)展的支柱產(chǎn)業(yè)，對(duì)我國市場(chǎng)經(jīng)濟(jì)的發(fā)展產(chǎn)生了至關(guān)重要的影響，而化學(xué)原料及化學(xué)制品制造業(yè)作為整個(gè)制造業(yè)行業(yè)中的一個(gè)分支也十分關(guān)鍵。在“十二五”期間，由于國家政策的調(diào)整，化學(xué)原料及化學(xué)制品制造業(yè)得到快速發(fā)展，之后由于宏觀經(jīng)濟(jì)的波動(dòng)，行業(yè)的發(fā)展有所放緩，從而促使企業(yè)間的競(jìng)爭壓力提升，因此企業(yè)的財(cái)務(wù)狀況受到各利益相關(guān)者的重視，尤其是企業(yè)的所有者和經(jīng)營者。基于此，本文通過構(gòu)建Logistic回歸模型和BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)企業(yè)的財(cái)務(wù)狀況，進(jìn)而選擇較優(yōu)的財(cái)務(wù)危機(jī)預(yù)警模型，希望可以為該行業(yè)上市公司提供一定的參考。

二、研究綜述

在西方國家，多數(shù)研究者將公司是否已宣告破產(chǎn)來界定是否發(fā)生財(cái)務(wù)危機(jī)，早在二十世紀(jì)七十年代就有美國學(xué)者Altman（1968）對(duì)此判定標(biāo)準(zhǔn)進(jìn)行相關(guān)研究，他認(rèn)為依據(jù)破產(chǎn)法而宣告破產(chǎn)的公司為財(cái)務(wù)失敗公司。Deakin（1972）強(qiáng)調(diào)公司陷入財(cái)務(wù)困境是公司破產(chǎn)和債務(wù)到期無力償付所導(dǎo)致的。經(jīng)過更加深入的研究之后，Rose（1995）又增加了兩種企業(yè)財(cái)務(wù)失敗的情況，即公司失敗和法律失敗。國內(nèi)研究相對(duì)于國外來說起步較晚，國內(nèi)學(xué)者谷祺與劉淑蓮（1999）將財(cái)務(wù)危機(jī)認(rèn)定為債務(wù)或費(fèi)用到期無力償還，具體表現(xiàn)為企業(yè)的資金管理技術(shù)性失敗，甚至破產(chǎn)，或介于二者之間的情況。國內(nèi)還有很多學(xué)者在研究過程中將財(cái)務(wù)危機(jī)認(rèn)定為公司財(cái)務(wù)經(jīng)營狀況不佳受到證監(jiān)會(huì)特別處理。

國外學(xué)者對(duì)于財(cái)務(wù)危機(jī)預(yù)警模型的研究要早于國內(nèi)，并探索了很多研究方法，具體包括多變量判別分析法（Z Score模型和Fisher判別）、Logistic回歸、Probit回歸、神經(jīng)網(wǎng)絡(luò)、KMV、SVM等方法。由于Logistic回歸法沒有設(shè)置較為嚴(yán)格的假設(shè)條件，并且應(yīng)用范圍比較廣泛，預(yù)測(cè)精度也比較高，因此該方法受到很多研究者的青睞，而神經(jīng)網(wǎng)絡(luò)沒有嚴(yán)格假設(shè)并且學(xué)習(xí)和糾錯(cuò)能力較強(qiáng)，因此在進(jìn)行財(cái)務(wù)預(yù)警研究時(shí)應(yīng)用也較為廣泛。

Ohlson（1980）是最先運(yùn)用Logistic回歸法研究財(cái)務(wù)預(yù)警模型的學(xué)者，他將破產(chǎn)企業(yè)和非破產(chǎn)企業(yè)作為實(shí)證樣本，先后構(gòu)建了3個(gè)財(cái)務(wù)危機(jī)預(yù)警模型，并且預(yù)測(cè)準(zhǔn)確率都高達(dá)90%以上。Bartczak和Norman（1985）同樣對(duì)破產(chǎn)企業(yè)和非破產(chǎn)企業(yè)進(jìn)行研究，基于logistic回歸和多變量判別分析法分別構(gòu)建了財(cái)務(wù)危機(jī)預(yù)警模型，結(jié)果顯示兩種模型的預(yù)測(cè)效果一致。國內(nèi)學(xué)者吳世農(nóng)和盧賢義（2001）利用70組 ST和非ST樣本公司經(jīng)過篩選的財(cái)務(wù)數(shù)據(jù)分別構(gòu)建了3個(gè)預(yù)警模型，即多變量判別分析模型中的Fisher判別模型，多元線性回歸模型和logistic回歸模型，結(jié)果表明第三種模型的判別準(zhǔn)確率最佳。陳芳和吳杰（2017）建立了純財(cái)務(wù)指標(biāo) Logistic回歸模型和綜合 Logistic回歸模型來對(duì)ST和非ST中小企業(yè)進(jìn)行財(cái)務(wù)危機(jī)判別效果分析，研究表明綜合 Logistic回歸模型更有利于財(cái)務(wù)危機(jī)的預(yù)測(cè)。

Odom和Sharda（1990）率先使用了BP神經(jīng)網(wǎng)絡(luò)技術(shù)構(gòu)建財(cái)務(wù)預(yù)警模型，并將其與傳統(tǒng)方法構(gòu)建的模型進(jìn)行對(duì)比，研究結(jié)果表明BP神經(jīng)網(wǎng)絡(luò)模型的誤判水平更低。Ciampi F和Gordini N（2013）選取了7 000家意大利中小企業(yè)的財(cái)務(wù)數(shù)據(jù)，運(yùn)用人工神經(jīng)網(wǎng)絡(luò)技術(shù)和其他傳統(tǒng)方法對(duì)中小企業(yè)的違約風(fēng)險(xiǎn)進(jìn)行預(yù)測(cè)，研究結(jié)果表明人工神經(jīng)網(wǎng)絡(luò)比其他方法的預(yù)測(cè)正確率要高。從目前現(xiàn)有的資料來看，國內(nèi)最先運(yùn)用神經(jīng)網(wǎng)絡(luò)進(jìn)行此研究的學(xué)者為黃小原和肖四漢（1995），楊淑娥和黃禮（2005）選擇了90組ST和非ST樣本進(jìn)行研究，其中60組公司為訓(xùn)練樣本，其余30組公司為檢驗(yàn)樣本，并選取了15個(gè)財(cái)務(wù)指標(biāo)進(jìn)行實(shí)證研究，結(jié)果表明預(yù)測(cè)準(zhǔn)確都達(dá)到90%以上。李光榮和李風(fēng)強(qiáng)（2017）選取2012年100家ST和非ST上市公司進(jìn)行配對(duì)樣本實(shí)驗(yàn)，基于6個(gè)財(cái)務(wù)風(fēng)險(xiǎn)判別指標(biāo)構(gòu)建3個(gè)財(cái)務(wù)風(fēng)險(xiǎn)判別模型，分別是ART-2 神經(jīng)網(wǎng)絡(luò)模型、SOFM 神經(jīng)網(wǎng)絡(luò)模型及BP 神經(jīng)網(wǎng)絡(luò)模型，結(jié)果顯示SOFM 神經(jīng)網(wǎng)絡(luò)模型的仿真結(jié)果準(zhǔn)確率最高，為89%。

以上是國內(nèi)外一些學(xué)者的研究成果，據(jù)此可以看出國外學(xué)者和國內(nèi)學(xué)者大多分別采用破產(chǎn)公司和ST公司作為發(fā)生財(cái)務(wù)危機(jī)的公司進(jìn)行財(cái)務(wù)預(yù)警模型研究，還有極少數(shù)的學(xué)者以企業(yè)的償債能力、資金管理情況為依據(jù)進(jìn)行相關(guān)研究，基于此，本文選取因財(cái)務(wù)狀況異常而被特別處理（ST和*ST）的公司作為財(cái)務(wù)危機(jī)公司，并據(jù)此建立財(cái)務(wù)預(yù)警模型。

三、研究設(shè)計(jì)

在我國，上市公司t-1年的財(cái)務(wù)經(jīng)營狀況主要決定了其是否被特別處理（ST和*ST），而t-1年上市公司財(cái)務(wù)報(bào)告的報(bào)出與特別處理基本處在同一段時(shí)間，因此運(yùn)用t-1年的數(shù)據(jù)進(jìn)行預(yù)測(cè)，不具備實(shí)際意義，選取t-2年的財(cái)務(wù)數(shù)據(jù)構(gòu)建財(cái)務(wù)危機(jī)預(yù)警模型更具有可行性。

（五）BP神經(jīng)網(wǎng)絡(luò)模型和Logistic模型對(duì)比

表8中第一類錯(cuò)誤代表正常的上市公司被判別為陷入財(cái)務(wù)危機(jī)的百分比，第二類錯(cuò)誤代表陷入財(cái)務(wù)危機(jī)的公司被誤判為財(cái)務(wù)狀況正常的百分比。表8數(shù)據(jù)顯示，Logistic模型中，犯第一類錯(cuò)誤、第二類錯(cuò)誤的概率及總體誤判率都是3.8%;而BP神經(jīng)網(wǎng)絡(luò)模型判別全部正確，即犯第一類錯(cuò)誤、第二類錯(cuò)誤的概率及總體誤判率均為0。因此，我們可以運(yùn)用BP神經(jīng)網(wǎng)絡(luò)模型對(duì)上市公司的財(cái)務(wù)狀況進(jìn)行判別預(yù)測(cè)，而Logistic模型判別準(zhǔn)確率達(dá)到90%以上，也比較高，可以結(jié)合公司具體情況合理謹(jǐn)慎使用該模型。

五、結(jié)論

本文通過運(yùn)用Logistic回歸方法和BP神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)52家樣本公司的財(cái)務(wù)狀況進(jìn)行實(shí)證研究，由因子分析法提取出5個(gè)公因子，分別為償債因子、現(xiàn)金流量因子、發(fā)展因子、盈利因子和營運(yùn)因子，并根據(jù)這5個(gè)公因子構(gòu)建財(cái)務(wù)預(yù)警模型，根據(jù)實(shí)證結(jié)果可以得出以下結(jié)論：

1.運(yùn)用Logistic回歸方法進(jìn)行判別的第一類錯(cuò)誤發(fā)生概率與第二類錯(cuò)誤相同，并且該制造業(yè)企業(yè)是否發(fā)生財(cái)務(wù)危機(jī)與企業(yè)的營運(yùn)能力關(guān)系不顯著。

2.運(yùn)用BP神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行判別預(yù)測(cè)的錯(cuò)誤率為0%，表明在對(duì)化學(xué)原料及化學(xué)制品制造業(yè)上市公司進(jìn)行財(cái)務(wù)狀況判別時(shí)，應(yīng)用BP神經(jīng)網(wǎng)絡(luò)模型所達(dá)到的判別效果會(huì)更好。

3.在實(shí)務(wù)工作中，若要直接對(duì)運(yùn)用各項(xiàng)財(cái)務(wù)指標(biāo)構(gòu)建模型，BP神經(jīng)網(wǎng)絡(luò)是個(gè)很好的選擇，原因在于各項(xiàng)指標(biāo)之間極可能存在的是非線性關(guān)系，而傳統(tǒng)的判別方法是建立在線性關(guān)系基礎(chǔ)之上的，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)則可以較好地解決此類問題。因此在判別企業(yè)是否陷入財(cái)務(wù)危機(jī)時(shí)，BP神經(jīng)網(wǎng)絡(luò)比較實(shí)用，而Logistic回歸模型相比之下誤判率較高，因此應(yīng)結(jié)合具體情況合理謹(jǐn)慎使用該模型。J

【主要參考文獻(xiàn)】

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

[ 2 ] Bartczak，Norman.Use Operating Cash Flow Data to Predict Financial Distress：Some Extensions[J].Journal of Accounting Research，1985.

[ 3 ] Odom，M.D. & Sharda，R.A neural network model for bankruptcy prediction[J].The international joint conference on neural networks，1990

[ 4 ] Ciampi F，Gordini N.Small enterprise default prediction modeling through artificial neural networks：An empirical analysis of Italian small enterprises[J].Journal of Small Business Management，2013，51（1）：23-45.

[ 5 ] 谷祺，劉淑蓮.財(cái)務(wù)危機(jī)企業(yè)投資行為分析與對(duì)策[J].會(huì)計(jì)研究，1999，（10）：28-31.

[ 6 ] 吳世農(nóng)，盧賢義.中國上市公司財(cái)務(wù)困境的預(yù)測(cè)模型研究[J].經(jīng)濟(jì)研究，2001，（6）：46-55.

[ 7 ] 陳芳，吳杰.中小企業(yè)財(cái)務(wù)危機(jī)預(yù)警模型比較研究——基于因子分析與Logistic回歸模型的對(duì)比[J]. 財(cái)會(huì)通訊，2017，（05）：106-108.

[ 8 ] 楊淑娥，黃禮.基于BP神經(jīng)網(wǎng)絡(luò)的上市公司財(cái)務(wù)預(yù)警模型[J].系統(tǒng)工程理論與實(shí)踐，2005，（1）：18-26.

[ 9 ] 李光榮，李風(fēng)強(qiáng).基于幾種神經(jīng)網(wǎng)絡(luò)方法的公司財(cái)務(wù)風(fēng)險(xiǎn)判別研究[J].經(jīng)濟(jì)經(jīng)緯，2017，34（02）：122-127.

[ 10 ] 廖斐，賈煒瑩.基于現(xiàn)金流量的上市公司財(cái)務(wù)危機(jī)預(yù)警研究[J].商業(yè)會(huì)計(jì)，2014，（4）：80-82.