基于BP神经网络模型的公司财务危机预警实证研究

　　摘要：以公司为研究对象，选取2005年被ST公司和配对的正常公司各34家作为训练样本，2006年被ST的公司和配对的正常公司各31家作为检验样本，构建了公司发生财务危机前第三年的BP神经网络预警模型，实证研究结果表明，神经网络预警模型是一种有效的财务危机预警模型，有广泛的使用范围和较高的推广价值。

　　关键词：财务危机；财务预警；BP神经网络

　　引言

　　经济全球化日益成为一种趋势。中国加入WTO后，面对经济全球化浪潮的冲击，市场竞争的加剧，企业的生存和发展面临前所未有的挑战，企业在经营过程中，随时都会面临纷繁复杂的困境和危机，有可能出现财务困境或财务危机。

　　目前，以会计信息化为代表的企业管理信息化为企业管理和决策积累了大量的信息，企业普遍面临“数据爆炸、知识匮乏”的问题，如何从信息系统等信息资源中挖掘出潜在的知识，为管理和决策服务，是企业迫切需要解决的问题。神经网络作为一种有效的数据挖掘方法，可以对大量复杂的数据进行复杂的模式抽取与趋势分析，神经网络是当前进行财务困境预警分析的很有发展前景的一种方法。

　　文献回顾

　　财务危机的发生是一个逐步、渐进的过程，是可以预测的。公司财务状况持续恶化是财务危机的前期表现。学者们为了提高模型的预测能力，不断地对模型的构建方法进行探索，从最初Beaver(1966)提出的一元判别模型、Altman(1968\1977)提出的多元线性判别模型、Ohlson等（1980）提出的条件概率模型（主要是Logistic模型和Probit模型），到新近Coats和Fant(1991)提出的人工神经网络（ArtificialNeuralNetworks，ANN）模型、Lindsay和Campbell(1994)提出的混沌理论模型、Charitou和Trigeorgis(2000)提出的期权理论模型等。不论是Aluman等的线性判别模型还是Logistic模型和Probit模型对数据都有较强的假设和限制。ANN具有较好的模式识别能力、容错能力、对数据的分布要求不严格、处理资料遗漏或错误的能力以及自学能力。20世纪90年代以来，随着神经网络的研究及应用日趋成熟，研究者们试图将神经网络技术应用于财务困境预测。Odom和Sharda开拓了用人工神经网络（ANN）预测财务危机的新方法。他们选用1975-1982年间65家失败公司与64家健全公司为研究对象，分为训练样本与测试样本两组，以Altman所构建的五个财务比率为研究变量，将公司失败前一年的资料，使用前向三层BP神经网络和传统的多元判别分析进行比较研究，显示出人工神经网络具有较佳的预测能力。Tam和Kiang以美国德克萨斯州195-1987年118家银行（59家破产，59家没有破产）为研究对象，应用失败前两年的19个财务指标作为神经网络的输入节点，隐藏层节点数经过反复比较最终确定为10个，输出节点为1个，在应用多元判别分析法、Logit回归法、k-近邻法、ID3决策树发和神经网络技术分别进行建模分析之后，得出的结果也表明神经网络技术的预测精度要高于其他方法。神经网络由于其强大的非线性映射能力而被广泛应用于风险评估、信用评估、股票预测以及破产预测等。E.Altmand等（1）、K..Tam等（2）、P.Coats等（3）以及S.Piramuthu（4）先后采用神经网络对公司信用状况进行了评价和预测，李晓峰（5）、等运用BP神经网络模型研究公司的财务预警。推荐阅读：浅谈现代企业成本控制中的问题与建议

　　研究方法

　　人工神经网络（ArtificialNeuralnetworks,ANN）是一门新兴的边缘学科，是生物神经网络在结构、功能及某些基本特性方面的理论抽象、简化和模拟而构成的一种信息处理系统。神经网络是模拟人脑结构和功能的一种抽象数学模型，它的研究在一定程度上受到生物学的启发。1986年RumelHart，Williaus提出一种人工神经网络的误差逆向传播训练算法，即Back-propagation算法（简称BP算法）系统的解决了多层网络中隐含单元连接权的学习问题。BP算法是目前最广泛应用的神经网络学习算法之一，也是本文采用的神经网络的基本算法，建立在BP神经算法基础上的前馈神经网络，成为BP神经网络，即BP网络。

　　BP模型的学习思路是：当给定一个网络的输入模式时，它有输入层单元传递到隐层单元，经处理后，然后再传递到输出层单元。由输出层处理后产生一个输出模式，这个过程称为前向传播。如果输出响应与期望输出模式有误差而不满足要求时，就转入误差后向传播，将误差值沿连接通路逐层反向传递并修改各层的连接权值和阙值。这样不断重复向前传播和误差后向传播过程，直到各个训练模式都满足要求时，结束学习过程。

　　实证分析

　　本文选定的对象为因财务状况异常而被特别处理（ST）的上市公司。考虑到我国ST制度的实际情况，本文拟采用我国上市公司的前3年（t-3）的财务数据来预测当年（t）是否被ST。样本公司的财务数据主要来自深圳国泰安信息技术有限公司提供的《中国股票市场研究数据库》。从我国A股市场最终选取样本公司130家。其中ST公司65家，2004年34家，2005年31家。同时按照时间、行业、资产规模严格匹配等条件分别从2004、2005年选取了非ST公司34家和34家。

　　通过对国内外财务预警研究领域的文献进行分析，选取了代表上市公司盈利能力、偿债能力、营运能力和发展能力的14个指标（表1）。利用RS理论的财务指标筛选算法经过二次筛选，最终选取了流动比率（X1）、现金比率（X3）、产权比率（X4）、盈利现金比率（X6）、总资产报酬率（X7）、净资产收益率（X8）、总资产周转率（X11）、净利润增长率（X13）、累计盈利能力（X14）9个指标。设BP神经网络的各参数分别为：

　　输入层的输入：Ak＝（y1，y2，……ym）

　　输出层的期望输出：Tk＝（a1，a2，……aq）

　　输出层的实际输出：Zk＝（z1，z2，……zq）

　　隐层的输入：Sk＝（s1，s2，……sp）

　　隐层的输出：Bk＝（b1，b2，……bp）

　　输出层的输入：Lk＝（l1，l2，……lq）

　　隐层的阈值：θj（j＝1，2，……，p）

　　输出层的阈值：γt（t＝1，2，……，q）

　　通过模仿仿真得到检验集的预测输出Ycn，从而能够对检验集的样本公司是否ST做出判定，结果分析可以看出，BP神经网络模型预测上市公司财务困境的效果是可以接受，是预测上市公司是否ST的有效方法。

　　结论

　　研究结果表明：基于财务指标信息的BP神经网络方法是预测公司是否可能发生财务危机的有效方法。借助Matlab语言，可以方便完成BP神经网络模型的算法设计和数据运算，建立公司财务危机的预警模型，可谓广大投资者和债权等预测公司财务状况提供科学的决策手段和可靠的依据，同时也为公司加强企业内部管理，及时发现和摆脱财务危机提供参考。

　　需要说明的是，在模型预测过程中，发现模型的泛化能力还不够十分理想，如何提高神经网络的泛化能力是下阶段的研究方向和重点。研究的主要结论如下：

　　第一，基于BP神经网络技术构造的信用风险识别模型，既能够为公司识别和预测信用风险提供客观清晰的依据，同时可以加强公司内部管理，摆脱财务困境提供有价值的参考信息。单隐层BP神经网络模型的最佳节点数是10，此时得到的输出结果如果是1，说明该公司是违约率高于5%的高风险公司，反之，如果是0，则说明该公司是违约率低于5%的低风险公司。第二，单隐层BP神经网络模型对训练样本判定的准确率达到100%，这源于神经网络技术独特的自我学习和调整能力，对预测样本判定的准确率是63.69%，表明该模型的稳定性有待进一步加强，泛化能力有待提高。公司在具体运用该模型时，对公司信用风险的最终判定不宜完全信赖其判定结果，必须结合定性和其他定量方法（如Logit）；另一方面，也意味着我国公司需要在实践中对BP神经网络进行技术调整以提高推广能力。

　　参考文献：

　　[1]AltmanE,MarcoG,VaretrtoF.CorporateDistressDiagnosis:ComparisonsUsingLinearDiscriminantAnalysisandNeuralNetworks[J].BankingandFinance,1994，18:505-529.

　　[2]TamK,KiangM.ManagerialApplicationsoftheNeuralNetworks:TheCaseofBankFailurePredictions[J].ManagementScience,1992,38:416-430.

　　[3]金菊良，杨晓华，丁晶.基于实数编码的加速遗传算法[J].四川大学学报，2000，32(4):20-24.

　　[4]陈守煜，聂相田，朱文彬，等.模糊优选神经网络模型及其应用[J].水科学进展，1999，10(1):69-74.

　　[5]蔡煜东，姚林声.径流长期预报的人工神经网络方法[J].科学进展，1995，6(1):61-65