（管理科学与工程专业论文）基于GARBF的上市公司财务预警模型研究.pdf

r u 3 f 丰0 经网络的上市公司财务预警模型。用同样的样本检验结果显 示：l o g i s t i c 回归模型，b p 神经网络模型，g a r b f 模型检验样本预 测的准确率分别为7 3 3 ，8 0 ，9 1 7 。而且g a b p 模型训练模型 迭代次数是4 5 次，低于b p 网络11 6 次。研究结果表明：不论与传统的 l o g i s t i c 回归预警模型相比，还是和b p 神经网络的预警模型相比较， 该模型具有较高的判别准确率和可靠性，具有较强的优越性和应用价 值。最后，本文探讨了本研究的局限性和进一步研究的可能。 关键词：财务预警模型；l o g i s t i c 回归模型；b p 神经网络；遗传算法； r b f 神经网络；g a - r b f i i r e s e a r c ho nf i n a n c i a l c r i s i se a r l yw a r n i n g m o d e lf o r l i s t e dc o m p a n i e sb a s e d o ng a r b f a bs t r a c t l i i 1l li l l lll 洲 17 3 5 u n t i lj u l yi n2 0 0 9 ，t h en u m b e ro f l i s t e dc o m p a n i e si nc h i n ah a sb e e n m o r et h a n1 , 6 0 0 ，a n dt h ea c c u m u l a t i o no ff i n a n c i n gf o rb u s i n e s s e si nt h e d o m e s t i ct ! a p i t a lm a r k e th a sb e e nm o r e t h a n5 4 ，0 0 0b i l l i o ny u a n h o w e v e r , s t u d yf o r ma no v e r a l lp e r s p e c t i v e ，t h eb u s i n e s sp e r f o r m a n c e o f l i s t e dc o m p a n i e si nc h i n ac a nn o tb eo p t i m i s t i c t h eo u t s t a n d i n gp r o b l e m i st h a tt h e r ei sar i s i n gt r e n di nt h en u m b e ro f d e f i c i tl i s t e dc o m p a n i e sa n d t h el o s si sl a r g e r a st ol i s t e dc o m p a n y , i f i ti sf a l l i n gi n t ot h ef i n a n c i a l c r i s i s ，n o to n l ye n d a n g e r st h e i ro w n s u r v i v a la n dd e v e l o p m e n t ，b u ta l s o b r i n g sh u g el o s s e s t oi n v e s t o r sa n dc r e d i t o r s t h e r e f o r e ，t h ef i n a n c i a l c r i s i se a r l y - w a m i n gm o d e lr e s e a r c hi sac r u c i a lw o r k t h i sp a p e rs e l e c t s12 0l i s t e dc o m p a n i e sa ss a m p l e ，i n c l u d i n g4 0 s p e c i a lt r e a t m e n t ( s t ) c o m p a n i e sa n d8 0n o n - s tc o m p a n i e s c o l l e c t e s t h et - 2y e a rd a t aa n dt - 3y e a rd a t ao ft h e s ec o m p a n i e s ，t o t a l l y 2 4 0 r e c o r d s t h e nd i v i d e st h e mi n t ot w og r o u p s ：18 0 ( i n c l u d i n g12 0n o n 。s t a n d6 0s t ) a sat r a i n i n gs a m p l e ，t h er e m a i n i n g6 0 ( 4 0 n o n 。s ta n d2 0s t ) a st h et e s ts a m p l e i i i t h em a i n w o r k o ft h i s p a p e ra r e ：f i r s t l y , r e s e a r c h e s t h ed a t a c h a r a c t e r j s t i c so ft h ef i n a n c i a li n d i c a t o r so f t h es a m p l ec o m p a n i e sw i t h s p ss17s t a t i s t i c a la n a l y s i ss 。f t w a r e ，m a k e s as i g n if i c a n c et e s t i n g 。nt h e 2 l 士1 n a n c l a li n d i c a t o r so ft h es ta n d n o n s tc o m p a n i e s ，a n dg e t s12 k e v i n d i c a t o r s s e c o n d l y , s i m p l i f i e s t h e w a r i a b l e sa n d a v o i d e s m u l t i - c 0 1 1 i n e a r i t ye f f e c t sb yf a c t o r a n a l y s i s ，a n df i n a l l ys e l e c t e s s i x 蹦o r st oe s t a b l i s hl o g i s t i cr e g r e s s i o n m o d e l t h i r d l y ，e s t a b l i s h e sa n d a c h l e v e st h ef i n a n c i a le a r l yw a r n i n g m o d e lb a s e do nb a c kp r o p a g a t i o n ( b p ) n e u r a l , n e t w 。r kw i t hm a t l a b 9 0s 。f t w a r e f o u n h ，b y 觚a l y z i n g a n d c o m p a r i n gt h ep e r f o r m a n c eo fb pn e u r a l n e t w o r ka n dr a d i a lb a s i s f u n c t i o n ( p 0 3 f ) n e u r a l n e 铆o r k ，f i n d st h e t r a i n i n gs p e e da n d g e n e r a l i z a t i o na b i l i t yo fr b f n e u r a ln e t w o r ka r eb e t t e rt h a nb p n e u r a l n e t w o r k f i r h ，i n t r o d u c e sr b fn e u r a l n e t w o r ki n t 。t h e f i n a n c i a l e a r l y 。w a r n i n gm o d e l , a n do p t i m i z e sr b f n e u r a ln e t w o r ku s i n gg e n e t i c a l g 。r i m m t h i st h e s i sf i r s tp r o p o s e st h ef i n a n c i a l e a r l y w 锄i n gm o d e lf o r 1 1 s t e dc o m p a n i e sb a s e do ng e n e t i c a l g o r i t h mo p t i m i z a t i o nr b fn e u r a l n e 觚o r k t h et e s tr e s u l t sw i t ht h es a m es a m p l es h o w e st h a t ：t h e s a m p l e f o r e c a s t a c c u r a c yr a t e st e s t e db yl o g i s t i cr e g r e s s i o n m o d e l ，b pn e u r a l n e 咖r k m o d e l , a n dg a - r b fm o d e l r e s p e c t i v e l ya r e7 3 3 ，8 0 ，9 1 7 ： a n dt h en u m b e ro f i t e r a t i o n st r a i n e db yg a r b f n e u r a ln e 觚o r ki s4 5 i s l o w e rt h a nt h a t1 l6b yt h eb p n e u r a ln e t w o r k t h er e s u i t ss h o w e dt h a t ： c 。m p a r e dw i t ht h ef i n a n c i a le a r l y w a r n i n gm o d e lb a s e d 。n t r a d i t i 。n a l i v l o g i s t i cr e g r e s s i o n ，o rt h ef i n a n c i a le a r l y - w a r n i n gm o d e lb a s e d o nb p n e u r a ln e t w o r k ，t h em o d e lb a s e do ng e n e t i co p t i m i z a t i o nr b fn e u r a l n e t w o r kh a sah i g h e rd i s c r i m i n a n ta c c u r a c y r e l i a b i l i t ya n da p p l i c a t i o n v a l u e f i n a l l y , t h i sp a p e rd i s c u s s e dt h el i m i t a t i o n sa n df u r t h e rr e s e a r c h p o s s i b i l i t i e so f t h i ss t u d y k e y w o r d s ：f i n a n c i a lc s i s i se a r l y w a r i n gm o d e l ；l o g i s t i cr e g r e s s i o n m o d e l ；b a c kp r o p a g a t i o nn e u r a ln e t w o r k ；g e n e t i ca l g o r i t h m ； r a d i a lb a s i sf u n c t i o nn e u r a ln e t w o r k ；g a - r b f v v i 目录 摘要i a b s t r a c t i i i 目录v i i 第1 章绪论1 1 1 研究背景和意义1 1 2 国内外预警模型综述2 1 2 1 国外主要模型综述2 1 2 2 国内主要模型综述3 1 3 论文的研究思路和内容5 第2 章财务预警的基本理论和模型7 2 1 财务危机的概念和内涵7 2 2 财务预警的含义和功能8 2 3 主要模型及评价9 第三章样本和预警指标的构建与预处理1 2 3 1 样本的选取12 3 1 1 样本选取原则1 2 3 1 2 样本构成1 3 3 2 预警指标的构建1 4 3 2 1 指标选取原则1 4 3 2 2 指标的确定1 5 3 3 数据预处理1 6 3 3 1 预警指标的k s 检验1 6 3 3 2 预警指标的显著性检验18 3 3 3 预警指标的因子分析2 1 第四章基于l o g i s t c 和b p 的财务预警模型2 6 4 1l o g i s t i c 财务预警模型2 6 4 1 1l o g i s t i c 模型理论概述2 6 4 1 2l o g i s t i c 模型的构建与检验2 7 4 2b p 财务预警模型3 0 4 2 1b p 神经网络模型理论概述3 0 4 2 2b p 财务预警模型的构建与检验3 3 第五章基于g a r b f 的财务预警模型3 7 5 1r b f 神经网络理论概述3 7 5 2b p 神经网络和r b f 神经网络的比较研究3 9 5 3 基于g a r b f 的财务预警模型的构建与检验4 1 5 3 1 遗传算法的基本原理4 1 5 3 2r b f 网络的局限性以及遗传算法优化r b f 网络的基本方法4 3 5 3 3 遗传算法优化r b f 的网络设计4 4 5 3 4 实证及检验4 6 v i i 5 4 各个模型结果比较4 9 第六章总结与展望5 0 6 1 总结5 0 6 2 展望- ：51 参考文献5 2 附录1 上市公司代码和简称5 6 附录2 攻读硕士期间发表的论文5 9 附录3 攻读硕士期间参加的课题和项目5 9 致谢6 ( ) 独创性声明6l v i i i 一一 c 1 1 研究背景和意义 第1 章绪论 中国证监会最新的统计数据显示，截至至f j 2 0 0 9 年7 月底，我国上市公司总计 1 6 2 8 家，上市公司从1 9 9 1 年的1 4 家发展至t 2 0 0 9 年7 月底的1 6 2 8 家，1 8 年间增长1 1 5 倍。沪深两市总市值2 3 5 7 万亿元，流通市值1 1 6 7 万亿元，市值全球排名第三位。 随着全球证券市场的规模不断扩大，中国金融业对外资的开放，中国上市公司将 面临着前所未有的机遇和挑战。然而从整体情况来看，随着我国市场经济体制改 革的深化和资本市场的快速发展，经济领域中的复杂性、不确定性日益凸显，我 国上市公司的经营业绩不容乐观，突出的问题就是上市公司的亏损面和亏损额有 逐年增加的趋势。 自从1 9 9 8 年3 月1 6 日中国证券监督管理委员会颁布了关于上市公司状况异 常期间的股票特别处理方式的通知( 证监交字 1 9 9 8 1 6 号文件) 以来，沪深两市被 特别处j 里( s p e c i a lt r e a t m e n t ，简称s t ) 公司逐年增加。这些公司被特别处理的原 因不尽相同，但它们大多数是由于“财务状况异常 而被特别处理的。 财务危机的概念内涵，国内外目前尚没有一种权威的界定标准。我国学者一 般以上市公司中因财务状况异常而被特别处理( s t ) 作为界定财务危机的标志。因 此，结合我国股市的具体状况，由于无法用破产来界定中国上市公司的经营失败， 本文将特别处理s t 和* s t 作为上市公司陷入财务危机的标志。 上市公司财务危机的发生并非突然，它是一个逐步、渐进的，有一个从量变 到质变的过程。财务危机不但具有先兆，而且是可预测的。如何客观评价上市公 司财务状况，尤其是预测出将会发生财务危机的公司，对于上市公司本身及时调 整经营、财务决策以改善公司经营状况及财务状况，对保护投资者和债权人的利 益，对经营者防范财务危机，对政府部门监管上市公司质量和证券市场风险，都 具有十分重要的现实意义。对于企业财务预警系统的研究，及早发现财务状况恶 化的征兆，并采取相应对策避开或化解可能出现的财务危机，日益受到人们的重 视。 1 2 国内外预警模型综述 1 2 1 国外主要模型综述 最早从事财务预警模型研究的是学者f i t z p a i r i c k ，在1 9 3 2 年他就提出单变量 破产预警模型，此模型用1 9 家公司为样本，运用单个财务比率将样本分为破产 和非破产两个组别，实验得出的结论为：判别能力最高的是净利润股东权益以 及股东权益负债这两个比率，且在经营失败的前三年这些比率有显著差异【l 】。 1 9 6 6 年，芝加哥大学的w i l l i a mb e a v e r 提出了单一比率的财务危机判别模 型，通过对1 9 5 4 1 9 6 4 年间7 9 家失败企业和相对应的7 9 家成功企业的3 0 个财务比 率进行研列2 1 。此模型是单变量判定模型影响最为广泛的。 单变量模型的缺点是：某个比率在一种情况下预测效果最好，但在另一种情 况下可能预测效果没有另外一个比率的预测能力好；而且，采用不同的比率预测 同一家公司也可能会出现不一样的结果。 为了克服单变量模型的缺陷，1 9 6 8 年美国学者a l t m a l l 3 】首次将多元线性判别 方法引入财务预警领域，他对1 9 4 6 1 9 6 5 年期间提出破产申请的3 3 家公司和同样 数量的非破产公司进行配比，选用2 2 个特征变量作为破产前1 5 年的预警备选变 量，最终确定了5 个变量作为判别变量，构建了z s c o r e 模型。通过对样本的检验， 此模型的表现出了较好的预测能力。此后一定时期内，多变量分析方法被广泛采 用，成为一种主流方法，各国学者根据a l t m a n 的思路提出了各自的多变量模型， 主要区别在于他们所选择的财务指标不同。1 9 7 7 年a l t m a n 等人又对模型进行了扩 展，形成了新的z e t a 模型。 由于经典多元判别分析的某些假设一直颇受质疑，进入2 0 世纪8 0 年代，在先 进统计方法的发展推动下，学者们开始使用逻辑回归模型来估计企业进入财务危 机的概率，以概率高低来判定企业未来进入危机的可能性。1 9 8 0 年美国学者 o h l s o n l 4 1 提出了条件概率模型，以后发展主要为多元逻辑回归模型( 1 0 9 i t ) 和多元 概率比回归模型( p r o b i t ) 两种统计模型。从八十年代以来，多元逻辑回归分析代替 判别分析法，在财务风险预测研究领域占据主流地位。 传统的计量模型在经济预测和预警方面存在先天不足，而经济预测要求的准 确性和科学性也越来越高。随着2 0 世纪8 0 年代末期神经网络理论开始兴起，其影 2 响也进入财务危机预测研究领。最早使用基于神经网络方法来进行财务预警的是 o d o m 和s h a r d a 5 1 ，但该模型仅仅是神经网络方法应用的展示和a l t m a n ( 1 9 6 8 ) 研究 的重复。 1 9 9 2 年，t a m $ 1 k i a n g t 6 j 选择了1 9 8 5 1 9 8 7 年5 9 家破产和5 9 家正常银行的数据， 并分别用神经网络模型、线性判别分析模型、多元逻辑回归模型、经典决策树算 法和k 邻近方法进行预测。结果表明，在上述的各个模型中，神经网络的预测效 果更好。 t a ey o o nk i m 等人【7 】用了几种不同的预警方法，首先从理论上论证，在对韩 国的经济进行实例分析，得出基于人工神经网络的模型是能够比理想的进行预测 的。d rc l a r e n c en w t a n 等【8 】把基于人工神经网络预警模型和基于概率的预警模 型进行比较，通过数据集重构，减少i i 型错误，得出基于神经网络的模型优于基 于概率的模型。e n u ro z k a n g u n a y 和m e h m e do z k a n 9 】从评价财务状况方面的预 测准确度，适应性和鲁棒性来看人工神经网络方法都是一种不错的方法，并对土 耳其银行危机进行分析。j u l i a n ay i m 和h e a t h e rm i t c h e l l 1 0 1 着眼于一个相对较新的 技术，即用人工杂交神经网络来预测日本的银行和公司的危机，结果表明此模型 优于传统的统计模型和常规神经网络模型。f a r z a na m i n i a n 等】用人工神经网络 的模型对美国国内生产总值和工业生产总值作为案例进行研究。 近些年来，人工智能、模式识别、不确定性数学、人工神经网络等学科在预 测领域中的应用研究非常活跃。国内外出现大量将人工神经网络应用于经济预警 方面的研究的文章，这是对经济预警理论和方法的丰富。 1 2 2 国内主要模型综述 由于我国的市场经济起步较晚，证券市场发展时间相对很短等客观原因，所 以无论是学术界还是企业界关于上市公司财务危机预警的研究起步较晚。 在我国最早进行财务预警研究的应该是吴世农、黄世忠【1 2 】，1 9 8 6 年，他们在 中国经济问题发表了一篇文章，首次在我国介绍了企业破产的分析指标和预 测模型。 一般认为，我国上市公司财务危机预警实证研究真正始于陈静【1 3 】。作者用 1 9 9 8 年的2 7 家s t 公司和2 7 家非s t 公司，1 9 9 5 1 9 9 7 年的财务报表数据，进行了单 变量分析和二类线性判定分析，在s t 发生的前3 年就能较好地进行预测 陈晓和陈治鸿【1 4 】在2 0 0 0 年率先采用多元l o g i t 回归模型对我国上市公司的财 务困境进行预测。并且他们用因财务状况异常而被特别处理( s t ) 作为上市公司陷 入财务困境韵标志。 黄继鸿，雷战波，凌超【1 5 】( 2 0 0 3 ) 经济预警方法研究综述，追溯经济预警系 统发展的历史，重点阐述了目前经常使用的经济预警方法，包括景气指数法、 a r c h 法、基于概率模式分类法、判别式分析法和人工神经网络预警方法，最后 指出对经济进行预警应该注意的问题和进一步深入研究的方向。 为了进行企业财务危机预警方法精度的比较研究，2 0 0 5 年，杨淑娥、黄礼f l 叼 采用b p 人工神经网络工具，以1 2 0 家上市公司的截面财务指标作为建模样本， 并使用同期6 0 家公司作为检验样本建立了财务危机预警模型。研究结果表明：b p 神经网络是一种比较理想的预测方法，具有广泛的适用范围和较高的推广价值。 2 0 0 7 年，奄彳乍者【1 7 】前期研究的基础上引入面板数据，以t - 2 、t - 3 期财务数据组 合的面板数据( p a n e ld a t a ) 作为研究样本，构建b p 神经网络模型对上市公司的财 务状况进行预测。 南旭光，孟卫东【1 8 】( 2 0 0 7 ) 认为f r 、s t v 、k l r 和d c s d 模型的数据可得 性差，故而在实际运用中较为困难，因而构建了基于存活分析理论、等比例危险 模型( p h m ) 和可得性较强的宏观经济数据的金融危机预警模型。作者【1 9 】在此 基础上又( 2 0 0 8 ) 利用人工神经网络理论对上述预警模型进行了进一步拓展。 由上面模型综述可知，国外的证券市场建立较早，相对比较发达、成熟，众 多学者关于财务危机预警模型的研究起步也很早，获得了丰富的研究成果。比较 而言，我国证券市场起步较晚，有关财务危机预警模型的研究尚处于探索和发展 阶段。虽然国内已有许多关于财务危机预警的相关研究，但是普遍存在以下问题： ( 1 ) 使用的数据的时间期限不统一，有从t 1 年n t 3 年不等。上市公司危机前一年 ( t - 1 ) 的年报公布和其在该年是否被特别处理这两个事件几乎是同时发生的， 因此，对于t 1 年数据的研究没有什么实际意义。而且对于数据服从何种分布的 也有较大分歧。( 2 ) 由于客观原因，样本的选择，主要以我国上市公司中被s t 的 公司直接作为研究对象组成财务危机的样本组。( 3 ) 使用的方法主要是单变量分 析、多元判别分析和l o g i s t i c 模型等参数方法以及神经网络模型等非参数方法， 4 而神经网络模型大多采用b p 网络。而网络的结构如何确定没有较好的理论与方 法，训练时间与精度也不理想。( 4 ) 由于受到数据限制，样本量不足，大部分研 究只是对估计样本进行回判，没有采用新样本进行检验，这高估了模型的预测能 力。( 5 ) 虽然近年来涌现了一些新的模型方法，但是一般的模型都没有和已有经 典模型进行比较，难以判别其预测能力。 1 3 论文的研究思路和内容 本文研究思路如下： 研究目的和意义 图1 - 1 本文研究思路 主要内容和创新点如下： ( 1 ) 首先，本文在数据样本的选择上，注意到上市公司危机前一年( t - 1 ) 的年报公布和其在该年是否被特别处理这两个事件几乎是同时发生的。故没有采 纳t 1 年的数据进行建模。其次，注意到样本的分布对样本显著性的检验是有影 响的。因此，在显著性检验前采用k s 检验对样本分布进行分析。 ( 2 ) 考虑到只对某个特定年份显著性检验，容易由偶然因素引起显著性结 果的差异。故检验样本分布之后，对t 2 ，t 3 ，t 4 ，t 5 年数据分别进行显著性 检验。综合考虑这些年份数据的显著性差异，再选取预警指标。 ( 3 ) 利用因子分析法提取了主因子，所选的6 个主因子既简化了指标数量， 又具有一定的代表性，同时避免了多重共线性问题，分别运用l o g i s t i c 和b p 神经 网络构建了上市公司的财务预警模型。 ( 4 ) 在研究大量文献资料的基础上，发现神经网络适合在财务预警方面的 应用，但绝大多数的学者都采用b p 网络来训练模型。而本研究证明r b f 数据网络 比b p 神经网络有着更好的性能，故采用r b f 网络来训练模型。针对r b f 自身缺点， 则通过遗传算法来改进。最后对三个模型用同样的样本借助s p s s 和m a t l a b 实 现，对结果进行比较。显然遗传优化r b f 的模型的预测精度是最高的。 文章结构如下： 第一章是绪论，主要阐明研究背景和意义；概述了国内外主要财务预警模型 的起源、发展以及研究现状；提出本文的研究思路和内容。 第二章介绍财务预警的基本概念和理论；对国内外传统和新近出现的财务预 警模型进行系统分析。 第三章按照选取原则，筛选1 2 0 家上市公司作为样本；结合现金流指标，构 建的预警指标体系；对搜集的数据进行样本分布检验、显著性检验、因子分析等 预处理，最后得到简化的6 个主因子来替代原有数据。 第四章在介绍基于l o g i s t c 和b p 神经网络的财务预警模型的基础上，对已经预 处理的样本，利用s p s s 和m a t l a b 工具实现两模型的构建和检验。 第五章首先介绍i m f 神经网络理论，然后对b p 神经网络和r b f 神经网络进行 各方面的比较。决定采用i 也f 神经网络构建财务预警模型。利用遗传算法，改进 r b f 本身的缺陷。实现基于遗传算法优化r b f 神经网络的财务预警模型。比较三 个模型，得出结论。 第六章总结全文，并对经济预警的进一步研究做出展望。 6 第2 章财务预警的基本理论和模型 2 1 财务危机的概念和内涵 财务危机又称“财务困境 或者“财务失败，不同学者对其有不同的理解。 对于什么是财务危机，财务理论界和实务操作界一直争论不休，从而导致了不同 财务危机定义的出现。西方的大多数研究是以“破产”要件为基础。! t f l a l t m a n 等人( 1 9 6 8 ) 认为进入法定破产的企业是财务危机企业。d e a k i n ( 1 9 7 2 ) 认为财务危 机公司是指己经破产、无力偿还债务而己，经进行清算的公司。c a n n i c h a e l ( 1 9 7 2 ) 认为财务危机是企业履行义务时受阻，具体表现为流动性不足、权益不足、 债务拖欠及资金不足四种形式。根据一般惯例，按照企业财务危机的程度和处理 程序不同，通常将财务困境分为以下几种类型：运营失败，商业失败，技术性无 力偿债，无力偿债，资不抵债，正式破产。 我国学者对财务危机概念的界定研究不多，与国外研究类似，一般认为“财 务危机是指为企业明显无力按时偿还到期的无争议的债务。”。1 9 8 6 年8 月3 日，沈阳防爆器械厂在“破产警戒通告”一年期限内，经过整顿和拯救无效，宣告 破产倒闭。这是建国后第一家正式宣告破产的企业，社会主义国有企业不存在倒 闭问题的传统认识与做法到此划上了句号。同年1 2 月2 日第六届人民代表大会第 十八次会议通过了中华人民共和国企业破产法( 试行) ，开始在全民所有制企 业实施。1 9 9 4 年7 月1 日起开始正式实施公司法，根据公司法第1 5 7 条第4 款规定，上市公司最近三年连续亏损的，由国务院证券管理部门决定暂停其股票 上市；第1 5 8 条规定，上述情形在限期内未能消除，不具备上市条件的，由国务 院证券管理部门决定终止其股票上市。 一般来讲，财务危机是指为企业明显无法按时偿还到期的无争议的债 务。对于财务危机，通常公认有两种确定的方法：一是法律对企业破产的 定义，企业破产是用来衡量企业财务危机最常用的标准，也是最准确和最 极端的标准；二是以证券交易所对持续亏损、有重大潜在损失或者股价持 续低于一定水平的上市公司给予特别处理或退市作为标准。 7 沪深证券交易所在1 9 9 8 年4 月2 2 日宣布，根据1 9 9 8 年实施的股票上 市规则，将对财务状况或其它状况出现异常的上市公司的股票交易进行特 别处理。由于“特别处理”的英文是s p e c i a lt r e a t m e n t ( 缩写是“s t ”) ，因此 这些股票就简称为s t 股。其中异常主要指两种情况：一是上市公司经审计两 个会计年度的净利润均为负值，二是上市公司最近一个会计年度经审计的每股净 资产低于股票面值。* s t 公司指经营连续三年亏损，退市预警。s t 公司指经 营连续二年亏损，特别处理。s s t 指公司经营连续三年亏损，退市预警还 没有完成股改。s s t 公司指经营连续二年亏损，特别处理还没有完成股改。 绝大多数国内学者在作财务预警实证研究时，把上市公司中的s t 公司作为 财务危机企业。如：杨淑娥，黄l ( 2 0 0 5 ) ，唐葆君，邱菀华，孙星【2 0 j ( 2 0 0 9 ) ，曹 德芳，赵希男，王宇星【2 1 ( 2 0 0 7 ) ，周辉仁，郑丕谔，王嵩，刘春霞2 2 j ( 2 0 0 9 ) ，李 腊生，张岩【2 3 1 ( 2 0 0 9 ) ， 高延超【2 4 ( 2 0 0 8 ) ，杨海军，太雷2 5 1 ( 2 0 0 9 ) 等等。本文也是 赞同此观点的，在挑选财务失败企业以被s t 的公司为准。 2 2 财务预警的含义和功能 所谓企业财务预警，即财务困境预警，是指借助企业提供的财务报表、 经营计划及其他相关会计资料，利用财会、统计、金融、企业管理等理论， 采用多种分析方法和模型，对企业的经营活动、财务活动等进行分析预测， 以发现企业在经营管理活动中潜在的经营风险和财务风险，并在危机发生 之前向企业经营者发出警告，以便提前做好防范措施。 财务预警功能：( 1 ) 监测的功能，即预知财务危机的征兆。当可能危害企业财 务状况的关键因素出现时，可以提醒企业经营者早做准备或采取对策以减少财务 损失。( 2 ) 预防的功能。当财务危机征兆出现时，及时寻找导致企业财务状况进 一步恶化的原因，制定有效措施，阻止财务状况进一步恶化，避免财务危机真正 发生。( 3 ) 避免类似的财务危机再次发生。主要利用数据化管理方式，根据现有 的财务数据和设计的财务预警指标体系，借助财务预警模型，感知和测评财务风 险所处的状态。 8 2 3 主要模型及评价 在国内外的研究中，财务预警模型主要包括一元判别模型、多元判别模 型、多元逻辑回归模型、人工神经网络模型等类型。 一元判别模型指利用单个财务比率来进行财务预警，以判断企业是否发生 财务困境的一种预测模型。美国学者f i t p z a i n c k ( 1 9 3 2 ) 最先进行了单变量破产预 测研究。研究发现失败企业与非失败企业的一些可比较指标有明显区别，最早提 出了关于比较两种类型企业比率的应用。当模型中所涉及的几个财务比率趋向恶 化时，通常是企业发生财务困境的先兆。一元判别方法简单易行，可以通过个别 检验找出对陷入财务困境有最大预见度的财务比率。一元判别模型是早期的研究 成果，现如今因为包含的信息量过少，已经很少研究。 多元判别模型是在一元判别模型上发展起来的。为了克服一元判别模型 的缺陷，选用更多的财务比率来构建模型的，以至可以包含更多的信息。 虽然多元判别模型有较高的精度，但是本身也存在很大的缺陷。比如：该 模型对数据的要求是建立在组内分布为近似正态分布，并且两组的协方差 矩阵相等的假设之上的，而在实际中，很难满足这一前提。其次，该模型 虽然对破产前两年的数据预测有效，但对于破产前两年以上的预测未必有 用，而且该模型不能很好解释企业出现财务危机的真正本质。 1 9 8 0 年美国学者o h l s o n 4 1 提出了条件概率模型，以后发展主要为多元逻辑回 归模型( 1 0 9 i t ) 和多元概率比回归模型( p r o b i t ) 两种统计模型。从八十年代以来，多 元逻辑回归分析代替判别分析法，在财务风险预测研究领域占据主流地位。目前， 这种模型的使用较为普遍，但其计算过程比较复杂，而且在计算过程中有很多的 近似处理，这不可避免地会影响到预测精度。近年来，虽然还有些学者发表此方 面的文章，但是已经逐渐被其他发展起来的模型所代替。 目前，人工神经网络模型有很多种，一般运用人工神经网络中的b p 网络来进 行财务预警的研究。b p 神经网络是人工神经网络的重要模型之一，应用极为广 泛，其具有很好的分布存储和容错性，非常适合解决非线性问题，而且在实测资 料不够完备的情况下仍然可以进行预测和计算。但是b p o 经网络也有自身的缺 陷。b p 算法是基于梯度的方法，其最大缺欠是收敛速度慢，且常受到局部极点 的困扰，因而影响了预测的精度。b p 神经网络学训练开始时网络的结构参数是 9 随机给定的，因此结果存在一定的随机性。 除了上述几种常见的模型之外，下面介绍一些近几年来出现新的模型。 其中关于基于支持向量机的模型很多。如：刘碧森，姚宇，王玲【2 6 1 ( 2 0 0 7 ) ， 采用了基于支持向量机的模型，并采用大量数据进行建模和检验。黄珍【” ( 2 0 0 7 ) ， 在结合传统分数评价的财务预警模型上，建立了基于s v m 的财务预警模型，利 用财务指标可以分类出上市公司在财务上的警度问题，并且研究s v m 的多分类 方法，首次应用在财务预警问题上。刘广利( 2 0 0 3 ) 论文将支持向量机、模糊理 论与宏观经济预警研究等相结合，尝试建立起基于支持向量机的宏观经济预警方 法体系，并对支持向量机的理论和方法进行拓广。同时结合实际数据进行经济预 警的实证分析。虽然支持向量机有较好的泛化能力，而且与神经网络相比，支持 向量机不需要确定隐层节点个数。但是支持向量机对样本的要求比较高。需要本 满足正态分布的假设。很多学者进行数据预处理的时候没有进行分布检验，就直 接使用支持向量机的方法来建模。本文在后面实证部分里有样本数据正态分布检 验，结果表明样本不符合正态分布。故对于样本不考虑使用此模型。 另外随着人工智能、模式识别、不确定性数学等学科的交叉发展，涌现出了 以其他理论为依据的模型。唐葆君，邱菀华，孙星( 2 0 0 9 ) 在文献 2 0 中提出基 于熵的最优化原理，建立了一种新的企业危机预警模型。首先利用最小判别熵选 取企业危机预警特征值，然后提出一种新的聚类算法一极大熵聚类算法，并对预 测结果进行分类，判断企业的危机状态。王德鲁，宋学锋【2 9 】( 2 0 0 9 ) ，构造了一 种基于云模型的数值型关联规则挖掘算法，并将其运用于企业转型战略风险预 警。王智宁k 吴应宇，叶新风【3 0 1 ( 2 0 0 9 ) 用基于2 0 0 3 年至2 0 0 7 年中国a 股市场新增 s t 公司样本及配对样本的前三年数据对p u l i c 模型综合指标进行单变童分析证实 了该模型的预誉可行性。宋力，李尧川( 2 0 0 6 ) 以2 0 0 1 年我国上市公司为研究样本， 通过2 0 0 1 2 0 0 3 年样木公司的财务数据分析，确定了能反映上市公司财务危机的 1 1 项财务比率。运用贝叶斯网络分析方法，建立了能发现上市公司财务危机的贝 叶斯网络。李春阳【3 2 ( 2 0 0 5 ) 首次把突变理论应用于财务预警研究，运用突变理论 的模糊隶属函数建立财务预警模型，并来进行财务危机预测。总的来说，这些模 型有一定的创新，属于学科交叉的发展。但是此类模型并没有进行系统的理论论 证和实践检验。模型效果不能横向比较。所以不一定能够适用除了文章涉及的其 1 0 他样本。没有举一反三的效果，难以推广。 第三章样本和预警指标的构建与预处理 3 1 样本的选取 3 1 1 样本选取原则 从国外的研究来看，国外学者一般将破产企业界定为财务危机企业，这类企 业财务危机的程度显然要高于s t 企业，破产企业与健康企业的界限分明，因而 国外学者所提出的很多模型与国内同类模型相比较，有着更高的准确率。但是由 于客观原因，中国宣布破产的企业很少，破产情况没有国外那么常见。如果 以破产为界定准则的话，能取得的样本数量有限，很难有效的进行模型训 练和评估。所以，只能选取s t 企业来进行预警研究。国内学者在研究财务 预警的时候，基本都以此为准则。本文将s t 公司确定为财务危机型企业，其 他企业为正常企业。目前，在没有更好的企业财务危机界定标准之前，这种方法 是较好的界定财务危机企业的方式了。 我们将上市公司被证券交易所特别处理的年份视为财务危机发生的年份，定 义为t 。则该公司被特别处理的前一年，我们将之