基于财务视角和非财务视角的企业财务危机识别系统研究

基于财务视角和非财务视角的企业财务危机识别系统研究

随着市场经济的不断发展和股票市场的进一步扩张，公司破产、陷入金融危机的频率也越来越高。不同市场参与者越来越重视自己的经营业绩，越来越关注公司的金融危机预测。本研究在财务标准分析基础上,引入了股权结构、董事会变量、投资者保护、股权代理成本等非财务标量,运用神经网络等人工智能技术,综合分析了我国上市公司财务危机的深层次原因。一、财务困境模型预测国外对财务预警的研究较早,Fitzpatrick首先采用单变量分析方法对公司财务危机进行预警。随着Altman首次将多元判别分析方法引入财务预警领域,Ohlson引入企业规模,应用Logistic回归模型对财务预警进行研究。人工智能的发展和应用使得研究者开始采用专家系统来解决破产问题。Borowski等采用专家系统方法来预测储蓄和贷款机构的破产问题;20世纪90年代,M.Odom和R.Sharda将神经网络模型用于财务预警研究并与传统的多元判别分析进行比较,发现神经网络模型具有更高的预测能力。国内财务预警研究起步较晚,而且大部分集中于财务指标建立预测模型。吴世农和黄世忠介绍了企业破产分析指标和预测模型。陈静分别采用单变量分析和多元判别分析对ST公司预测。吴世农、卢贤义首先应用剖面分析和单变量判定分析,应用Fisher线性判别分析、多元线性回归分析和Logistic回归分析方法分别建立预测模型,结果发现Logistic模型的预测能力最强。黄继鸿等将遗传算法应用于案例推理中,定性与定量研究相结合,提高了模型的精度。Tsun-SiouLee和Yin-HuaYeh证明,我国台湾上市公司治理结构与财务危机相关。FathiElloumi和Jean-PierreGueyie论证了加拿大企业董事会与财务危机的相关性。ZhenWang、LiLiu和ChaoChen验证了A股股权结构、公司治理对公司ST的影响。可见,有关公司治理与公司财务危机关系研究已备受关注,但对于公司治理变量的选择等还存在较大差异。国外学者已经关注宏观因素对公司财务危机的影响,并得出了一些有益的结论。纵观财务危机的研究成果,针对财务因素分析,本研究认为,基于财务指标建立的预测模型,尽管预测准确性不断提高,但缺乏对企业陷入财务危机原因的系统分析。除了会计报表数据的缺陷外,影响财务困境预测模型稳定性的原因还有很多,很难判断哪一个预测模型是最优的。因此,单纯地从统计学角度比较财务困境预测模型的优劣显然不具有多少实际价值,挖掘导致财务困境的根本原因、探寻合适的解释变量才是解决上述问题的关键。二、基于神经网络技术的企业金融危机风险预警研究(一)公司财务困境成因财务危机预警模型所采用的预警指标大体可分为三类:基于资产负债表和损益表的指标;现金流量指标和股票收益率指标。首先我们将以往研究中所提到的对最终模型有显著贡献的财务指标进行了归纳,并剔除了可能扭曲企业财务状况的指标,特别加入了市盈率和市净率两个股票收益率指标,最终选择了12个指标,这些指标能够比较全面地反映出上市公司财务效益方面的特性。非财务指标方面,鉴于中国上市公司所处不完善的外部市场环境和内部治理环境,公司财务困境成因与预警研究应考虑公司治理、关联交易、对外担保、投资者保护、代理成本等因素的影响。本研究认为,公司财务困境不是财务因素或非财务因素单独影响所致,而是两者共同作用的结果。为客观、准确地预测公司财务困境,我们将综合财务指标和非财务指标,建立综合预测模型,完善公司财务困境预警,具体指标体系见表1。(二)对金融的创新研究本文以A股市场为样本来源,选取了2005年我国A股市场145家企业作为训练样本,样本数据涵盖了除金融板块以外的各个主要板块,故具有较强的代表性。Gilbert,Menon和Schwartz的研究表明,金融机构的财务比率明显有异于非金融机构,不能同时构造模型。因此本文将金融类上市公司去掉。检验样本为训练样本2006年的最新数据。本文样本财务数据主要来源于北京大学CCER最新财务数据库,非财务数据主要从上市公司2005年、2006年年报中获取,通过汇总后最终确定。(三)主要因素的综合分析1.训练样本的标准化处理为确保测量结果的客观性和科学性,要对原始数据进行标准化处理来消除指标间量纲、数量级的不同,可以按照公式X*ij=x′ij-¯x′j√Var(x′j)对训练样本原始数据进行标准化处理。2.计算方差贡献率,建立一个主成分区根据训练样本的KMO检验和Bartlett球度检验结果,可知KMO值为0.696,根据统计学家Kaiser给出的标准,KMO取值大于0.5,适合主成分分析;又根据Bartlett球度检验给出的相伴概率为0.000,小于显著性水平0.05,因此拒绝Bartlett球度检验的零假设,认为本训练样本适合于主成分分析。这样,可以继续进行主成分分析,并提取了特征者大于1的前7个公因子,同时得出各个公因子的特征值、方差贡献率和累计方差贡献率,其特征值的方差贡献率累积达到了76.911%。通常情况下,累积贡献率达到75%即可。虽然系数矩阵表示了主成分和各个原始变量t之间的关系,但据此得到主成分的经济意义有时比较模糊,不易解释。我们借鉴了因子分析方法的因子旋转,使得旋转后主成分的经济意义容易解释。得出以下结论:第一个因子F1,主要由变量G6、X10、X6、X2、X7来解释,故F1代表企业的股东权益和资本结构的综合影响。第二个因子F2,主要由变量X5、X4、X9来解释,故F2代表企业的流动性状况。第三个因子F3,主要由变量G2、G1来解释,故F3代表企业的股权结构。第四个因子F4,主要由变量X12、X1来解释,故F4代表企业的净资产获利能力。第五个因子F5,主要由变量X8、G8来解释,故F5代表企业的资产周转率和外部审计影响。第六个因子F6,主要由变量G7、G5来解释,故F6代表企业对投资者的保护程度。第七个因子F7,主要由变量G3、G4来解释,故F7代表企业的董事会结构。根据公因子方差贡献解释表,可知七个公因子方差贡献率分别是:V1=26.055%、V2=12.653%、V3=10.367%、V4=8.55%、V5=7.011%、V6=6.702%、V7=5.573%,即分别看作七个公因子得分的客观权重。依据公因子得分和各自的方差贡献率,可以得出相关样本的综合得分,计算公式为:F=F1V1+F2V2+…+F7V7。通过把公司的综合得分F值与公司实际财务状况相对照,可以看出F值基本上能够反映一个企业的财务状况。3.训练样本分析通过对样本组上市公司的得分结果F进行排序,得出:1.当F>0.62时,处于该区域的训练样本为58家,ST公司个数为0家。说明当F大于0.62时,公司的财务状况、治理结构、投资者保护等方面的综合表现都处于比较安全的区域,没有一家公司被ST,公司的盈利水平、治理结构等都处于较为稳定的状态,因此本研究将该评分区域界定为财务健康地带。2.当0.46<F≤0.62时,处于该区域的训练样本为54家,其中ST公司15家,占该类公司总数的27.28%(=15/54)。该比值不高,究其原因,ST类公司也不是完全意义上的财务失败公司,有的ST公司正在改制、重组,这些公司财务指标值不具有稳定性,经过改制、重组成功以后,该类公司就可以在盈利能力、治理结构、投资者保护等综合方面得到改善,上升为财务健康地带;同时,有部分非ST公司处于该区域,究其原因,ST公司大部分是由于连续两年净利润小于0,主要是基于净利润判断的,标准比较单一,并不能完全反映公司的财务状态。这些公司虽然没有达到ST的标准,但在某些方面存在问题,财务状态存在危机的隐患,应该及时关注,找出隐患,积极改进,否则也难逃财务危机的到来。因此本研究将该评分区域界定为财务灰色地带。3.当F≤0.46时,处于该区域的训练样本为33家,其中ST公司个数30家,占到该类公司总数的90.91%(=30/33)。说明这些ST公司确实在盈利能力、治理结构、投资者保护等方面存在比较严重的问题,综合得分较低,如果不及时找出原因对症下药,积极改善经营,改进治理结构,进行改制、重组,将难逃破产的厄运。而处于该区域的三家非ST公司,虽然没有被ST,但各方面也存在非常严重的问题,已经处于财务危险地带,应积极预警、采取措施。因此本研究将该评分区域界定为财务危险地带。(四)多层、全局域网人工神经网络是对生物神经网络系统的模拟,BP神经网络即误差反向传播的网络,是一个典型的多层、全互联网络,是人工神经网络中前馈型网络的核心部分,在人工神经网络中最具代表性,应用最为广泛。它由输入层、单隐层、输出层组成。BP神经网络的学习,由四个过程组成,网络趋向收敛即网络的全局误差趋向极小值的“学习收敛”过程,归纳起来见图1:1.灰色经济带状态值本文把企业的财务状况划分为三种状态:财务健康地带、财务灰色地带和财务危险地带,分别用状态值(1,0,0),(0,1,0),(0,0,1)表示。当模型输出结果为数值(1,0,0)时,表示企业财务健康;输出结果为数值(0,1,0)时,表示灰色地带;输出结果为数值(0,0,1)时,表示财务危机。2.不同属性的节点数输入层节点数应该和主成分分析结果相一致,论文把经过主成分分析后的7个公因子作为输入变量,因此创建的财务危机预警模型BP神经网络的输入层节点数为7。输出层节点数应该和财务状况的划分相一致,由上文可知,本文将上市公司划分为三种状态:财务健康地带、财务灰色地带和财务危险地带,分别用状态值(1,0,0),(0,1,0),(0,0,1)表示,在BP神经网络中用三个输出节点就可以表示。由以上分析得到输入层节点数为7,输出层节点数为3,因而可根据公式m=√Ν+n+a来计算隐含层节点数的范围。我们这里选取它们交集的最小自然数6,作为隐藏层的节点数。训练函数选用TRAINLM函数,采用动量梯度下降方法对权值和阈值进行调整。3.各上市公司得分数据分析根据BP神经网络模型对输入变量的数据要求,本着尽可能体现被评价对象之间差异化的原则,对各上市公司在7个公因子上的得分数据进行归一化处理,将它们转化为闭区间上的无量纲性指标值。按照构建好的7×6×3拓扑网络,将归一化后的训练样本中上市公司在各个公因子上的得分值数据作为神经网络输入,与之对应的各公司财务状况值数据作为目标输出(期望输出),进行网络训练。4.神经网络训练误差本研究将145家样本公司数据作为学习样本,基于BP算法训练7×6×3网络结构,取η=0.05,终止迭代次数为1000次,目标训练误差设为0.001,即若迭代次数超过1000次而达不到训练目标误差时,程序将自动终止。权值矩阵初值分别为7×6阶和6×3阶,它们的元素是服从N(0,1)正态分布随机数。运用MATLAB6.5工程工具对神经网络进行训练。当网络训练至第16步时,网络性能达标,训练误差是0.000440582,小于给定的值。至此,BP神经网络模型训练完毕。(五)预警指标结果分析使用训练好的神经网络模型对样本检测集数据(样本中各上市公司2006年的数据)进行预测,我们发现该神经网络具有较好的预测效果,显示了神经网络技术在企业危机预警方面具有良好的应用性和普遍性。企业财务危机预警的过程如图2所示:将天目药业(600671)2005年相关指标的值进行标准化处理,计算各个公因子Fi,然后对各个公因子的取值进行归一化处理,结果为(0.669,0.2199,0.2253,0.4514,0.284,0.259,0.201)。最后,将处理后的结果输入神经网络,实际输出结果(0,1,0),可得预测结果:天目药业2005年处于财务灰色地带,虽然没有被ST,但从综合方面考虑,财务状态存在危机的隐患,应该及时关注,找出隐患,积极改进,否则也难逃财务危机的到来。根据警情指标构成分析方法,我们用各个预警指标在公因子上的贡献与F相比,就可以计算出各个预警指标所占的比重R。结果见表3所示。R=Xjp∑i=1αiμijFi,j=1,2,Λ‚⋯p从表3中,可以看出市盈率、监事会规模、股权集中度、第一大股东持股比、对外担保、关联方交易、净利润率等比率占的比重较大,下面是对上述指标的分析。市盈率是分析股票市价高与低的重要指标,是衡量股票投资价值的一种方法,天目药业的市盈率达到了157倍多,大大超过了正常的健康市盈率范围,市盈率过高同时意味着高风险,容易出现股价泡沫现象,不利于公司的稳健发展;天目药业的监事会人数没有达到法定的最低要求,不利于监事会在保护股东合法权益方面的作用,公司治理结构存在严重缺陷,面临较大风险;天目药业存在着股权集中度较高,第一大股东一股独大的情况,不利于公司治理结构的完善,给公司未来危机的到来埋下了隐患;对外担保方面,天目药业2005年对外担保额达到了3760万元,其中940万为连带责任担保,存在财务危机隐患;天目药业2005年存在大量关联交易,该指标在导致企业财务危机产生的因素中也占有较大比重,存在财务安全隐患;净利润率反映了企业的获利能力,是评价企业经营效益的主要指标,是影响企业整体经营成果的主要因素,净利润率低说明该企业主营业务盈利能力不强。本研究认为,上述指标是导致天目药业2005年处于财务灰色地带的主要原因,企业应该重点从这些指标所反映的问题入手,深入剖析引起以上指标异常的原因,作好企业财务管理工作,完善公司治理结构,以预防企业财务危机的发生。但是,天目药业在2005年没有注意到上述财务指标的异常,或者在注意到的情况下没有采取有效的措施,2006年在上述指标