（会计学专业论文）神经网络在企业财务失败预测中的应用.pdf

神经网络在企业财务失败预测中的应用 摘要 企业财务失败预测一直是过去3 0 年间西方财务管理研究的一个热 点 在学术界和实务界引起了极大的关注 判别方法和模型层出不穷 企业财务失败预测模型具有不可忽视的重要性 一 作为早期警告系 统 判别方法和模型可以告诫管理者企业是否在变坏 是否应采取有 针对性的措施防止失败 二 判别方法和模型可以用来帮助金融机构 的决策者对企业作出评价和选择 因为这些模型和贷款决策模型相通 三 预测模型有助于投资者了解公司的运营状况 作出投资选择 鉴于企业财务失败预测的重要性 国内外运用了诸多方法 如财 务比率综合分析法 统计方法 判别分析 l o g i t 方法 近邻法 专 家系统 分类树 和神经网络技术等等 神经网络方法克服了传统分 析过程的复杂性及选择适当模型函数形式的困难 它是一种自然的非 线性建模过程 毋需分清存在何种非线性关系 给建模与分析带来极 大的方便 神经网络在决策方法中表现得像一个 黑匣子 它可以 模仿专家的思维过程 但目前国内关于运用神经网络方法对企业财务 失败预测的研究还不多 鉴于我国二板市场即将开启 在二板市场上 市的公司有较大一部分是高科技公司 高收益的同时也预示着高风险 所以对于高科技公司进行财务状况的监控是非常有必要的 本文运用神经网络首次对我国上市的高科技公司进行了财务失败 预测 由于银行对公司的信用评级和对公司财务失败预测所用的方法 在很大程度上是一致的 专家的评级结果较好的体现了目前公司距离 财务失败边界的远近 所以本论文模拟了银行对上市公司的无担保信 用评级结果 据此来划分上市公司目前的状况距离财务失败的远近 本文构建了反映上市公司经营业绩的综合财务预警指标体系 以2 0 0 0 年沪深股市的电子信息 通信 计算机软件 计算机硬件和生物医药 板块的共i i 0 家上市公司作为样本 通过自学习自检验方式和推广能 力检验方式检验了所设计的神经网络的分类能力 结论是总体来说 神经网络的判别能力比较令人满意 样本数的多少和样本本身的质量 问题对模型的判别效果有着重要的影响 随着训练样本中样本数的增 多 公司财务信息真实性的增强 模型就会训练得越完善 模型的判 别能力也越好 检测过程中的误判率也随之减小 神经网络具有诱人 的应用前景 神经网络的判别结果会给经营者 债权人 投资者极有 价值的信息 关键词 财务失败 神经网络 预警指标 预测模型 高科技公司 p r e d i c t l o no fe n t e r p r l s ef i n a n c i a lf a i l u r e u s i n gn e u r a ln e t w o r k s a b s t r a c t e n t e r p r i s ef i n a n c i a lf a i l u r ep r e d i c t i o nh a sa l w a y sb e e nah o t s p o ti nt h ef i e l do f w e s t e r nf i n a n c i a lm a n a g e m e n tr e s e a r c hi nt h el a s t3 0y e a r sa n di ta t t r a c t sm u c ha t t e n t i o n i na c a d e m ea n dp r a c t i c e t h e r ea r em a n yd i s c r i m i n a n ta p p r o a c h e sa n dm o d e l s 1 1 1 e e n t e r p r i s ef i n a n c i a lf a i l u r ef o r e c a s tr o o d e lh a st h ed i s n e g l e c t a b i ei m p o r t a n c e f o rt h a t 1 a st h ew a r n i n gs y s t e m d i s c r i m i n a n tm e t h o da n dm o d e lc a nt e l lm a n a g e r sw h e t h e rt h e c o m p a n yi sb e c o m i n gw o r s ea n dw h e t h e rp e a i n e n c em e a s u r e ss h o u l db et a k e ni nc a s e t os u t i e rl o s s 2 d i s c r i m i n a n ta p p r o a c ha n dm o d e lc o u l dh e l pf i n a n c i a li n s t i t u t i o n s d e t e r m i n a t i v em a k ea s s e s s m e n ta n dc h o i c et o w a r d st h ee n t e r p r i s eb e c a u s et h e s em o d e l s a r es i m i l a rt ol o a nd e c i s i o n m a k i n gm o d e l s 3 p r e d i c t i o nm o d e li sh e l p f u lf o ri n v e s t o r s t ok n o wt h ec o m p a n y so p e r a t i n gs t a t u sa n dm a k et h ei n v e s t i n gc h o i c e b e c a u s eo ft h ei m p o r t a n c eo ft h ee n t e r p r i s ef i n a n c i a lf a i l u r ef o r e c a s t t h e r eh a v e b e e nm a n ya p p r o a c h e ss u c ha sf i n a n c i a lr a t ea n a l y s i s s t a t i s t i c sm e t h o d s i n c l u d i n g d i s c r i m i n a n t a n a l y s i s l o g i ta p p r o a c h a n dn e a r n e i 曲b o u rm e t h o d e x p e r t s y s t e m c l a s s i f i c a t i o nt r e e a n dn e a r a ln e t w o r k s n e u r a ln e t w o r k so v e r c o m e st h e c o m p l e x i t yi nt h et r a d i t i o n a la n a l y s i sa n dt h ed i f f i c u l t yo fc h o o s i n gp r o p e rm o d e l f u n c t i o n s n e u r a ln e t w o r k sa c t sl i k ea b l a c kb o x i nt h ed e c i s i o n m a k i n ga p p r o a c h e s s i m u l a t i n ge x p e r t st h i n k i n gc o a r s e b u tn o wt h e r e i sn o tm u c hr e s e a r c ho nt h e p r e d i c t i o no fe n t e r p r i s ef i n a n c i a lf a i l u r eu s i n ga r t i f i c i a ln e u r a ln e t w o r k s v e n t u r ec a p i t a l m a r k e tw i l io p e ni no a rc o u n t r ya n dt h el i s t e dc o m p a n i e si nt h em a r k e ta r em a i n l y h i t e c he n t e r p r i s e s h i g hp r o f i tm e a n st h eh i g hr i s ka tt h es a m et i m e s oi ti sn e c e s s a r y t om o n i t o rt h ef i n a n c i a ls t a t u so f t h e s eh i t e c hc o r p o r a t i o n s t h i sp a d e rs i m u l a t e st h eu n a s s u f ec r e d i tr a t i n gr e s u l to ft h el i s t e dc o m p a n yt o r e p r e s e n tt h ed i s t a n c et o w a r d st h ef i n a n c i a lf a i l u r eb o u n d a r y t h i sp a p e rf o r e c a s t s f i n a n c i a lf a i l u r eo ft h el i s t e dh i t e c hc o m p a n i e su s i n gt h ea r t i f i c i a ln e u r a ln e t w o r k sf o r t h ef i r s tt i m ei no u rc o u n t r y m e t h o do fc r e d i tr i s kr a t i n gb yb a n ki si d e n t i c a lw i t ht h a t o ft h eb a n k r u p t c yr i s kp r e d i c t i o ns ot h er a t i n gr e s u l tr e p r e s e n t st h ed i s t a n c et o w a r d st h e f i n a n c i a lf a i l u r eb o u n d a r yw e l lc u r r e n t l y t h i sp a p e rb u i l d st h ec o m p o u n df i n a n c i a l p r e s e n t i m e n ts y s t e mw h i c hc a nr e f l e c tt h el i s t e dc o m p a n y so p e r a t i n gp e r f o r m a n c e i t s s a m p l e sa r em o r et h a n1 1 0f r o mt h ee l e c t r o n i ci n f o r m a t i o n c o m m u n i c a t i o n c o m p u t e r s o f t w a r e c o m p u t e r h a r d w a r ea n d b i o l o g ym e d i c i n eb l o c k si nt h es h a n g h a ia n d s k e r t z h e ns t o c km a r k e t s 堍2 0 0 0 姥s tt h ec l a s s i f i c a t i o na b i l i t yo ft h ed e s i g n e f t n e t w o r k sb ys e l f l e a r ns e l f t e s tm o d ea n ds p r e a da b i l i t yt e s t m o d e g e n e r a l l y t h e a r t i f i c i a ln e u r a ln e t w o r k s d i s e r i m i n a n ta b i l i t yi s c o m p a r a b l ys a t i s f i e d t h es a m p l e s n u m b e ra n ds a m p l e s q u a l i t ya r ec r i t i c a lt ot h em o d e ie r i e c t s a st h es a m p l e s n u m h e r a n dt h ec o m p a n yf i n a n c i a li n f o r m a t i o n sr e a l i t yi t l c r e a s e t h em o d e lw i t lb e c o m et t l a t e a n dm o r ep e r f e c ta n dt h em o d e l sd i s c r i m i n a n t a b i l i t y w i l le n h a n c es ot h e m i s d i s c r i m i n a n tr a t ew i l ld e c r e a s e t h ea r t i f i c i a ln e u r a ln e t v o r k sh a st h ew o n d e r f u l a p p l i c a t i o nf o r e g r o u n da n dt h ed i s c r i m i n a n tr e s u l to f a r t i f i c i a ln e t t r a ln e t w o r k sw i l lg i v e m u c hv a l u a b l ei n f o r m a t i o nt om a n a g e r s c r e d i t o r sa n di n v e s t o r s k e yw o r d s f i n a n c i a lf a i l u r e n e u r a ln e t w o r k s p r e s e n t i m e n t i n d e x f o r e c a s tm o d e l h i t e c he n t e r p r i s e 上海交通大学 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留 使用学位论文的规 定 同意学校保留并向国家有关部门或机构送交论文的复印件和电 子版 允许论文被查阅和借阅 本人授权上海交通大学可以将本学 位论文的全部或部分内容编入有关数据库进行检索 可以采用影 印 缩印或扫描等复制手段保存和汇编本学位论文 保密豳 在上年解密后适用本授权书 本学位论文属于 不保密口 请在以上方框内打 4 学位论文作者签名 蓣辱筻 日期 加z 年t 月 日 指导教师签名 日期 2 年f 月修日 上海交通大学 学位论文原创性声明 本人郑重声明 所呈交的学位论文 是本人在导师的指导下 独立进行研究工作所取得的成果 除文中已经注明引用的内容外 本论文不包含任何其他个人或集体已经发表或撰写过的作品成果 对本文的研究做出重要贡献的个人和集体 均己在文中以明确方式 标明 本人完全意识到本声明的法律结果由本人承担 学位论文作者签名 董事美 日期 w 1 年f 月 日 上海交通声学硕士学位论文 中锋州络订企竹财务失败衙襻4 巾的妇用 第一章绪论 第一节问题的研究背景 自从中国试行 破产法 以来 破产企业的数目逐年增加 而且以国有企业 债务人申请居多 其中发生很多 假破产 真逃债 现象 企业破产带来了一系 列的负面影响 职工失业 国有资产流失 与破产企业发生业务联系的银行和公 司也将不同程度地遭受损失 2 0 0 1 年中国四大商业银行加上国家丌发银行的不良 资产总额商达1 2 0 0 0 亿元 银行的巨额呆坏帐阻碍了银行的进一步发展 商业银 行运营过程中面临的信用风险备受重视 2 0 0 1 年年初 中国证监会发布 亏损上市公司暂停上市和终止上市实施办法 2 0 0 1 年4 月2 3 同p t 水仙被j f 式摘牌 写下中固证券史上退市第一笔 2 0 0 1 年6 月1 5 闩p t 会粤曼接到证监会终止上市的通知 成为第二家退市公司 上市公司 的失败使得众多中小投资者的辛苦血汗钱打了水漂 他们饱尝痛苦 上市公司的 运营状况成了人们注目的焦点 这大大强化了投资者的风险意识 由此看出 公司财务失败事关许多方面 既关系到企业自身 也关系到与企 业有业务往来的公司以及与企业有借贷关系的银行和众多的投资者 当一个企业 无能力履行合同 按时支付债权人利息和偿还本会时 该企业就面临财务失败 从资产存量的角度静念来看 通常表现为企业总资产帐面价值低于总负债帐面价 值 即企业净资产为负值 从现会流量的角度动态来看 通常表现为企业缺乏偿 还即将剑期债务的现会 流入 现会总流入小于现会总流出 即企业净现金流量为 负值 企业成功或失败的关键在于管理的质量 财务失败的根本原因在于其 管 理无能 美国的顿赫和步拉斯德罩在 1 9 6 9 年的失败记录 一书中分析 管理 无能 表现为管理人员素质低下 管理制度不健全 扩张过度引起的资产结构比 例失调 扩张不力 技术工艺落后 产品品种 质量都4 适应市场需求 竞争力 很弱 存货过多 资会运转调度欠灵等 所造成的破产企业几乎占美国总企业数 的9 0 事实表明投资者 债权人及潜在的投资者不但关心企业过去的财务状况 和经营成果 他们更关心企业未束的财务状况和经营成果 事酊的预测和控制是 防范和化解财务失败的有效手段 上海交通大学硕十学位论文 绅绅 耋再n 伊q p 财务失败舟删中的 甩 一个公司财务状况的好坏往往是公司自身 投资者和债权人关注的焦点 公 司财务状况的好坏是公司运营的晴阿表 判断公司是否有财务失败的可能性可通 过观察公司的财务状况来判断 一个运营良好 财务健康的公司不但可提高自身 在市场上的信誉及扩展筹资渠道 也使投资者信心倍增 相反 一个陷入财务困 境或濒临破产企业的乏力吸引投资 而更让原有债权人面临巨大的信用风险 所 以经营管理者 投资者和债权人必须时刻警惕本企业以及其它有关企业的财务失 败问题 第二节问题的研究意义 综上所述 鉴于企业财务失败预测对经营者本身 投资者和债权人的重要性 财务失败预测引起了学术界和实务界极大的关注 国内外对此做了大量的研究 研究手段和研究方法也多种多样 取得了丰富的成果 但迄今为止还没有公认的 和统一的方法 企业财务失败预测之所以引起极大的关注 之所以有大量的方法 和模型得到丌发和利用 原因就在于其具有不可忽视的重要性 一 作为早期警 告系统 判别方法和模型可以告减管理者企业是否在变坏 是否应采取有针对性 的措施防止失败 二 判别方法和模型可以用束帮助会融机构的决策者对企业作 出评价和选择 因为这些模型和贷款决策模型相通 虽然贷款决策问题和企业财 务失败问题不能完全等同 但贷款人可以卓有成效地利用企业财务失败判别模型 评价贷款的可行性 三 预测模型对于投资者了解公司的运营状况 作出投资选 择有一定的参考意义 神经网络方法克服了传统分析过程的复杂性及选择适当模型函数形式的困 难 它是一种自然的非线性建模过程 毋需分清目杯函数和变量之 日j 存在何种非 线性关系 给建模与分析带来极大的方便 神经网络在决策方法中表现得像一个 黑匣子 它可以模仿专家的思维过程 随着近来神经网络在经济领域应剧的 蓬勃发展 国外已有专家学者将其应用在商业银行信用风险和企业财务失败预测 方面 而国内在这方面研究的不多 目前从文献来看 只有天津大学系统工程研 究所的e 春峰教授将神经嘲络运用于预测我国商业银行的信朋风险 再次 鉴于我国二板市场即将丌启 在二板市场上市的公i j 有较大一部分是 高科技公卅 商收益的同时也预示着高风险 所以对于高科技公司进行财务状况 的监控足i e 常有必要的 笔者试图在运用神经劂络对我幽上 丁的高科技公司的财 上海夺通方学硕十学位论文神铧嘲络n 念竹蚶务发败倾删中的脚竹1 务失败搠测方面做一次有益的尝试 第三节本论文的结构安排 本论文的结构安排如下 第一章绪论 说明本论文的研究背景和研究意义 以及论文的结构安排 第二章文献探讨 回顾困内和国外有关企业财务失败预测的研究文献 在具体说明国内外的有 关研究文献的基础上 比较了企业财务失败预测的四种方法的特点及优缺点 第三章财务失败预警指标体系 阐述了财务失败预警指杯体系的选取原则 具体说明了本论文神经网络模型 中选取的财务指标 第四章人工神经网络方法 主要介绍了入工神经网络分类器的设计要点和本论文设计的人工神经网络分 类器 在神经嘲络的设计要点中具体介绍了 1 神经元模型的确定 2 网络结 构形式的确定 主要为网络层数的确定及每层节点数目的确定 3 网络学习参 数的确定 具体包括梯度下降法学习方式的选择 学习率的选取 性能指标的局 部最小值问题 修 i f 变量初始值的选取 第在章神经网络模型的训练和运用 主要阐述了运用本论文设计的神经网络模型对我国上市公司中1 1 0 家高新技 术企业 分别属于电子信息 通信 计算机软件 计算机硬件和生物医药板块 进 行训约 的过程和检测结果 并对检测结果进行分析 最后对于本研究的不足和可 改进之处进行说明 上海交通大学硕士学位论文神邛州杵n 介 务太收衙洲中的一用 第二章研究综述 鉴于企业财务失败对于企业自身 债权人和投资者三方的重要性 国内外尤 其是k q 夕f 对此已做了大量的研究 下面将对国内外有关企业财务失败预测的研究 成果作一介绍 第一节国内的研究 国内方面 部分文章作了定性分析 比如 对企业破产定义 破产征兆 破 产因素的分析 部分文章对此作了定量分析 如 借鉴国外的研究成果 通过对 一些财务比率的分析 沃尔比重评分法 来评判企业的财务状况 还有多变量 判别分析 以特征财务比率为变量 运用数量统计方法推导而建立起的标准模型 运用此模型预测企业财务失败的町能性 具体内容如下 我国于1 9 8 6 年试行 中华人民共和囤企业破产法 其第三条规定 企业因 经营管理不善造成 重亏损 不能清偿到期债务 依照本法规定宣告破产 武汉汽车工业大学罗险峰 胡华夏通过对武汉实际企业破产的案例分析 指 出企业破产的征兆并从财务分析角度提出了识别方法 企业破产的征兆如下 1 企 业连续高额亏损 2 企业经营管理混乱 人员素质差 3 盲目投资 扩张过度 企业资产结构比例失调 4 墨守成规 缺少创新 5 存货过多 资会运转调度 不灵 6 企业负债过高 接近或超过企业总资产 7 企业财务结构不健全 对 突发性问题的适应能力低 他从财务角度提出的指标识别破产的方法 指标有 流动比率 速动比率 表述资产变现能力 资产负债率 表述负债状况 资产 周转率和存货蒯转率 表述资产使用状况 总资产报酬率 表述盈利能力 但 他只限于简单介绍 无定性分析 浙江农业大学经贸学院的博士研究生王忠波在文章 试论企业破产风险预警 系统 中探讨了破产风险产生的原因 定性地指出了破产风险预警系统的衡量指 标 其中破产风险产生的原因有 1 政策风险2 经营风险3 行业风险4 市场风 险5 财务风险 复旦人学会计学系博士生导师李若山教授主持了证星一若山财务风向标测评 系统的丌发 证星一若t hj x t 向枷将财务指标划分为偿债能力指标 资产负债管理 上海 通大学硕士学位论文种邛州络4 1 企业财务戋收响删中的7 训曰 能力指标 盈利能力指标 成长能力指标与现会流量指标五大类 选取其中最相 关 最重璺的2 0 个财务指标 构成上市公司财务测评系统的指标体系 财务指标 的具体运算 参考幽际通用的沃尔评分系统 结合我国证券市场特色 考虑三大 基本财务报表和审计意见 或有事项 期后事项等因素的综合影响 各个财务指 标权重的确定 以a h p 层次分析法 计算所得的数值为基础 经过统计资料的 不断验证 调整而成 此系统的一个重要创新与优点是采用行业平均作为评价基 准 测算出各个上市公司相对于行业平均的实际综合得分 使依此排列出的上市 公司行业排名榜更可靠 更相关 更有参考价值 中国矿业大学的黄国良等在 企业破产预警模型研究 一文中指出 从财务 上看 造成企业无偿债能力的原因大体可归纳为 1 企业筹资能力的丧失是企业 破产首要原因 包括企业外部权益筹资能力 内部筹资能力 负债筹资能力的丧 失 2 企业现金流量不佳是企业破产的直接原因 3 资产流动性弱化是企业破产 的终极原因 4 企业负债结构和企业资产占用期限搭配不合理是企业破产的另一 个重要原因 作者还从五个方面构建了企业破产预警系统指标体系 筛选出五个 指标 即资产留存收益率 负债权益比率 税后利润 折旧 流动负债 营运资 会占用率 流动资会一流动负债 总资产 和负债流动资产率 利用徐州市8 0 家企业样本 4 0 家财务状况良好企业和4 0 家准破产企业 采用统计上的多元判 别分析法 构建了企业破产预警模型 z 0 0 6 2 5 6 x i 十o 0 6 2 0 8 8 x 2 十o 0 1 2 2 2 x 3 o 0 19 6 0 6 x 4 0 0 2 5 3 3 6 x x l 资产留存收益率 x 2 负债权益比率 x 3 税后利润十折旧 流动负债 x 4 营运资金占用率 x 5 负债流动资产率 w o 0 2 1 8 7 企业财务状况良好 w o 0 2 1 8 7 企业准破产 湖南大学国际商学院张玲教授在2 0 0 0 年第6 期 预测 杂志上发表文章 财 务危机预警分析判别模型及其应用 她选取深 沪两交易所1 2 0 家上市公司为样 本 分成两组 第一组有6 0 家公司组成 其中有3 0 家1 9 9 8 或1 9 9 9 年戴帽的s t 公司 3 0 家绩优公司 第二组也出6 0 家公司组成 其中有2 l 家s t 公司和随机 选择的3 9 家非s t 公司 收集了s t 公司戴帽前1 年及同一年1 s t 公司的资产负 债农和损益表 从偿债能力 赢利能力 资本结构状况和营运状况等4 个方血i 例 上诲变通大学硕t 学位论文神择州络n 命扑 务寰蟾缔押4 中的p 用 选并计算了1 5 个相关财务比率 经用s p s s 统计软件中判别分析工具完成财务比 率的筛选和判别函数的推导 她得出的判别函数为 z 0 5 1 7 一o 4 6 x l 0 3 8 8 x 2 9 3 2 x j 1 1 5 8 x 4 x 1 资产负债比率 负债总额 资产总额 x 2 营运资会与总资产比率 营运资会 资产总额 x 3 总资产利润率 净利润 平均资产总额 x 4 留成收益与资产总额比率 z 0 5 判为财务危机公司 s t 公司 0 5 z 0 9 判为财务安全公司 复旦大学博士黄岩于2 0 0 0 年第1 期 系统工程理论方法与应用 发表文章 上 市公司财务失败坝测实证研究 文章运用多元统计分析 以沪市的上市公司为样 本 建立了中国工业类上市公司财务失败预测模型 文中指出 财务失败预测的 方式有两种 一是财务比率趋势分析 二是财务失败风险指数预测法 单个比率 往往只反映为了防止财务失败而应该注意的某个方面 多个比率的组合分析能反 映企业的整体财务状况 文章通过企业财务原因分析 考虑中国上市公司的财务 预警指标体系 根掘观察不同变量组成的判别函数的统计特征 判断每个方程黾 不同变量的相对贡献 评价每一组合晕各变量删的 h 关性 计算各不同变量组合 的预测准确性 运用作者自己的判断等筛选指标的步骤 最终选取了6 个指标构 建指标体系 a 营运资本 总资产b 未分配利涧 总资产c 息税前收益 总资产 e 权益资本市值 负债帐面总额f 总资产周转率g 资产负债率 作者通过采用 最近重心分类之聚类分析方法对1 9 9 8 年沪市的工业类2 3 3 家上市公司进行分类 将样本分为三组 第一组是经营业绩比较好的公司 第二组是经营业绩一般的公 司 第三组是经营业绩较羞的公司 大部分为s t 公司 根掘聚类分析的分组结果 出判别分析建立判别函数为 z i 8 6 9 8 x l 6 5 7 6 7 x 2 6 7 0 3 2 x 3 0 2 6 5 0 x 4 0 1 4 5 0 x j 1 4 1 8 0 x 6 1 3 1 6 3 x 1 营运资本 总资产 x 2 未分配利涧 总资产 x 3 息税前收益 总资产 x 4 权益资本市值 负债帐面总额 x j 总资产岗转率 x 6 资产负债率 上海交通大学砸t 学位论文种邛州纬n 命忡财务失败衙洲中的m 用 z 1 5 7 5 3 上市公司经营业绩差 财务是的可能性很大 一1 5 7 5 3 z o 6 5 3 4 上市公司为经 营业绩好的公司 财务失败的可能性很小 文中作者运用此模型对随机选出的1 9 9 8 年深市3 2 家工业类上市公司进行预 测判别 判别分析结果与上市公司的实际运行情况相吻合 作者认为模型预测的 准确性取决于 1 财务数掘信息 包括会计信息 财务报表 统计信息 披露 的真实性 准确性 完整性 2 综合财务预警指标体系的反映能力 代表性 即所选的综合财务指标能充分反映企业某一时期的财务状况 3 模型本身的精 度 如检验统计量是否符合精度要求 天津大学系统工程研究所的王春峰教授 1 9 9 9 运用神经网络技术对我国商 业银行曲临的信用风险进行评估 作者以某国有商业银行的信用风险评估为例 选择九十余家企业为对象 考察它们的短期贷款偿还情况 参考了国外相关财务 比率指标 对反映企业流动性 赢利性 增长性 偿债性等方面的指标 利用 s t a t g r a p h i c s 软件包进行主因子分析 得到如下5 个比率 x l 营运资命 资 产总额 x 2 保留盈余 资产总额 x 3 息税d 利润 资产总额 x 4 普通 股 优先股市场价值总额 负债帐面价值总额 x 5 销售收入 资产总额 作者 将样本划为两个子样本集合 根掘经验做法 训练予样本集合由5 4 家企业组成 剩f3 3 家组成测试子样本集合 选定的神经网络结构包含5 个输入节点 5 个隐 含层节点以及2 个输出节点 选用的传递函数为f e e 1 2 e e 1 学习参 数为0 c o 9 0 b o 6 6 同时作者应用s t a t g r a p h i c s 软件包 得到线性判别模型为 z o 3 2 0 5 4 x l 1 7 8 8 6 8 x 2 5 1 6 0 7 5 x 3 o 0 7 0 9 8 x 4 一o 0 6 7 4 3 x 一o 5 2 7 3 i x 1 营运资会 资产总额 x 2 保留盈余 资产总额 x 3 息税前利润 资产总额 x 4 普通股 优先股市场价值总额 负债帐面价值总额 x 5 销售收入 资产总额 作者比较了两种方法的预测精度 预测精度用两类错误束度量 第一类错误 为 把不能偿还贷款的企业误判为能偿还贷款的企业 第二类错误为把能够偿还 贷款的企业误削为不能偿还贷款的企业 作者计算了训练样本和测试样本的两类 错误 作者发现 几乎从所有方面柬看 神经网络都优于判别分析法 除了在测 试样本中神经网络的第二类错误多了一个误判 酒歹通大学修十学位论文砷绎埘斜n 命牡财务失收衙洲中的一用 以上总结了国内目前对于企业的财务失败预测分析的一些研究文献 我们町 以看出国内的研究主要集中在定性分析和定量分析中的多元线性回归分析 国内 基于神经网络对企业财务失败预测的研究较少 目f i i 的研究只限于运用神经网络 对银行信用风险进行评估 相比之下 国外对这方面的研究要比国内丌展得早 方法更多 研究得更深入一点 下面对此做一简要综述 第二节国外的研究 困外从6 0 年代起 就致力于以财务指标为基础的分析 众所周知沃尔比重评 分法 沃尔比重法是将选定的7 项财务比率分别给定各自的分数比重 通过与标 准比率 行业平均比率 进行比较 确定各项指标的得分及总体指杯的累计分数 从而得出企业财务状况的综合评价 比率分析来源于芝加哥大学的w h b e a v e r 他从股票价格和股息变化率束判 断企业是否破产 他的预测模型呵表示为r f d p 一p p d 是t 1 期和t 期之f 日j 支付证券的股息现会 p 是t 期的证券价格 b e a v e r 是通过对1 9 5 4 1 9 6 4 年的7 9 家破产公司的分析得出这一模型的 单变量方法使分析者能够展丌调查以确定潜在借贷者的特定比率与行业比率 标准是否相差甚远 然而 实际上 一个比率的不满意程度可以由其他比率的长 处予以补偿 例如 一家公司的赢利比率弱 但是流动比率却居于一般水平之上 故而 单变量方法的局限性在于难于在强比率和弱比率之 日j 达到平衡 一般说朱 单变量研究中最显著的指标包括衡量获利能力 流动能力 偿债 能力的比率 然而 因为解决不同问题需要引用不同的比率作为最有效的指标 所以这些比率指标的重要性排序并不明确 因此 可以对单变量研究进行适当的 扩展 就是将不同的比率指标融入有意义的预测模型中 构建多变量系统的一些 关键问题是 1 检测公司运营状况最重要的比率是什么 2 所选择的比率应 该相应赋予的权重是多大 3 应该如何客观地确定各比率的权值 纽约大学的a l t m a n 教授 1 9 6 8 建立了多元判别分析模型一z 计分模型 他 选择6 6 家企业组成样本并分成两组 第一组是1 9 4 6 1 9 6 5 年根据全美破产法申 请破产的3 3 个制造企业 平均资产规模是2 3 亿f i 元 第二组是不分行业 不分 规模任意选择的3 3 个制造企业 它们直到1 9 6 6 年仍存在 他运用多元判别分析 培 上海穸通大学硕十学 l 立论文神绛州络n 命业财井失收何删中的j n 用 构建模型 根掘不同的统计标准选入或舍去备选变量 在筛选变量时遵循的规则 如下 观察各种函数的统计显著性 包括确定各独立变量的相对贡献 2 评估相关变量之问的关系 3 观察各变量预测的准确度 4 专家进行分析判 断 最终从2 2 个变量中选择5 个变量组成了z 计分模型 z 0 0 1 2 x l 0 0 1 4 一v 2 0 0 3 3 x 0 0 0 6 x 0 9 9 9 x x 1 营运资本 总资产 x 2 留存收益 总资产 x 3 息税i j i f 利润 总资产 x 4 权益市场值 总债务的帐面值 x 5 销售收入 总资产 z 1 8 1 企业是破产企业 1 8 i z 2 9 9 企业是非破产企业 运营状况良好 z 计分模型的分类准确度 破产前1 年模型的整体分类准确度为9 5 破产f j i 2 年的准确度则为8 2 为了给非上市公司评分 a l t m a n 1 9 9 5 修改了z 计分模型 主要是计算比 率x 时用帐面价值代替市场价值 得到如下z7 计分模型 z 0 0 0 7 1 7 jl o 0 0 8 5 x 2 0 0 2 11 卫j o 0 0 4 2 x 0 9 9 8 x z 1 2 3 企业为破产企业 1 2 3 z 2 9 0 企业为非破产企业 运营状况良好 对z 计分模型进行的另一种修改形式是不包含变量x 5 销售额 总资产 的模 型 这种模型可以使行业的潜在影响最小化 此模型称为非制造企业的z 计分模 型 x 4 为权益帐面价值 总债务的帐面值 z 0 0 6 5 6 x 0 0 3 2 6 x2 0 0 6 7 2 x j 1 0 5 x a l t m a n h a r t z e l l 和p e c k 1 9 9 5 已将这种扩展z 计分模型应用于新兴市场公 司 1 9 7 7 年 a 1 t m a r l t t a l d e m a n 和n a r a y a n a n 对原始的z 计分模型进行扩展 建 立了第二代模型 其目的是创建一种能够明确反映公司破产问题研究的最新进展 的度量指标 所采用的数掘来自最近7 年样本中9 9 家破产公司中的5 0 家 陔模 趔时以 m 模型构建中采j 1 的统计判别技术进行了修正与精练 z a t a 模型在破产丽 上诲交通大学硕士学位论文神并列络n 企忡财务失败币棚巾的一矸l 5 年即町有效地划分出将要破产的公司 其中破产静1 年的预测准确度大于9 0 破产前5 年的预测准确度大于7 0 此模型不仅适用于制造业 而且同样有效地 适用于零售业 选用的变量为7 变量 x 资产报酬率 x n 一收入的稳定性 采用x 在5 一l o 年估计值的标准误差作为这个变量的度量 x 债务偿还 用利 息保障倍数 息税i j i 利涧 总利息偿付 来度量 积累赢利 用留存收益 总资产来度量 x i 流动比率 x 资本化率 用普通股权益 总资本度量 x 规模 用公司总资产的对数形式束度量 最佳z a t a 分界值为m q 玑 q l 为破产的先验概率 q 2 为非破产的先验概率 c 1 c 2 为第一类 第二类错误成 本 从模型的改迸发展柬看 z a t a 分类准确度比z 计分模型要高 特别是破产前 较长时问的预测准确度相对较高 在丌发z 计分模型和z a t a 模型时 对合适的比 率的选择投入了很大的精力 这可能是具有较好的预测能力和持续性 稳健性的 原因所在 解决信用风险 预测公司财务失败i q j 题的一个相对较新的方法就是应用神经 网络分析 神经网络的应用最初是由t a m 1 9 9 1 t a m 和k i a n g 1 9 9 2 d u t t a 和 s h e k h a r 1 9 9 2 建议用于银行破产预测 t a m 和k i a n g 1 9 9 2 是利用三层b p 神经 网络柬训练网络 根掘输入到网络的一些样本提供一套权重 在网络训练之后 可以将任何新输入 公司 划分为破产或非破产 w i i s o n 和s h a r d a 1 9 9 2 应用神经网络做过企业失败预测 s a l c h e n b e r g e r 等 人 1 9 9 2 利用神经网络预测过慈善机构的失败 o u t t a 和s h e k h a r 1 9 9 2 提出用神 经网络预测企业债券等级 此外还有s e r r a n o c i n c a 1 9 9 6 用它作过破产预测 由美国注册会融分析师协会研究部发起 密西西比大学商学院的 r o b e r t e d o r s e y r o b e r t 0 e d m i s t e r 和j o h nd j o h n s o n 研究了用神经网络进 行破产预测 他们选用的样本取自c o m p a c td i s c l o s u r e sc d 为1 9 8 9 1 9 9 0 1 9 9 1 三年公司的数据 他们通过比较同一样本下的线性判别模型和神经网络模型的判 别准确率 发现 1 神经网络模式倾向于将在二缎债权市场上不倒闭的公司预 测成倒闭的公司 2 用一年数掘训练的神经网络模型对当年的预测效果很好 但对其它年份数掘预测效果并不佳 他们在文中指出 无沧足a l t m a n l 9 6 8 提出的 多边量分析 m u l t i v a r i a t ea n a n l y s i s e d m i s t e r l 9 7 2 提出包含趋势凼素的多 上淘多通方学谚士学倚论文件绎州奎荠n 命 财务失败何洲中的7 j 7 用 变量判别分析 m u l t i v a r i a t ed i s c r i m i n a n ta n a l y s i s o h l s o n l 9 8 0 提出l o g i t 方法 还是f r y d m a n a 1 t m a n 和k a o 于1 9 8 5 提出的f a k 模型都存在一些缺陷 在 预测公司失败的问题上 通常计量经济学认为一个合适的模型应改是很复杂的 很显然 不可能得到一个关于预测公司破产的完全正确的模型 那些熟悉此领域 的专家鄙赞同限制这个复杂的判别模型的因素如下 1 被现有的预测技术所限 制 c a p o r a l e t t l e t 1 9 9 4 用一个线性模型束预测时 只是因为这个预测推导 过程较容易实现 并未仔细考虑对独立和非独立变量之问的相关性 2 传统统 计技术的本身对变量分白有严格的限制 丽现实中的数掘不满足这些要求 如线 性判别分析要求变量服从标准正态分布 但现实中用束预测的经济变量不符合这 个要求 而神经网络却在某些方面弥补了以前各种方法存在的缺陷 1 h o r n i k s t i n c h c o m b e 和w h i t e 1 9 8 9 1 9 9 0 指出如果运用了足够多的中问层神经元节点 那么对任意精度的从输入到输出的函数模拟都可做到 2 对于神经网络模型中 片j 到的变量没有任何关于变量分布的规定 3 无论函数是否线性呵分都可 4 神经嘲络是一个通明的模型 比较结果表明 神经网络判别正确率高于f a k 模型 第一类错误和第二类错误均小于f a k 模型 其中第一类错误为把破产的公司预 测为不破产的公司 第二类错误为把不破产的公司预测为破产的公司 就神经网络和其它方法孰优孰劣 专家对此看法不一 c o a t s 和f a n t 1 9 9 1 s a l c h e n b e r g e re t a l 1 9 9 2 f l e t c h e r 和g o s s 1 9 9 3 w i l s o d 和s h a r d a 9 9 4 b a c k 1 9 9 6 认为神经嘲络在许多方面被证明是统计方法 判别分析和l o g l t 分 析 真正的竞争对手 1 9 9 7 年在很多杂志上几乎所有的研究结论表明神经网络的 预测准确性高于判别分析和l o g i t 分析 然而t r i g u e i r o s 和t a f f l e r 1 9 9 6 批评了上面那些研究过程中运用方法的过 程 他们认为用a 1 t m a n 1 9 9 4 的模型对大样本分析得剑的结果和用神经网络对小 样本分杌的结果是截然相反的 a l t m a n 认为神经网络和传统的多变量统计分析方 法的分析结果只有很小甚至没