基于BP神经网络的上市公司财务困境预警模型实证研究

巩 斌

（安徽财经大学统计与应用数学学院,安徽蚌埠 233030）

基于BP神经网络的上市公司财务困境预警模型实证研究

巩 斌

（安徽财经大学统计与应用数学学院,安徽蚌埠 233030）

正确公允的认识和评价上市公司的财务状况和经营业绩已成为有关各方的共识。然而有些公司恶意造假、包装上市,给投资者和债权人造成巨大损失,扰乱经济市场。这使得有关上市公司财务困境预警的研究日益迫切。就如何运用BP网络神经算法来提高财务困境预警能力进行了分析。

财务困境;预警;模型评估

财务困境又称为财务危机,其最为严重的情况就是破产。对于“财务困境”的定义国内外学者有很多不同的看法,Altman（1993）综合了学术界对财务困境的定义,将财务困境分为四种情形:（1）失败（Failure）:典型代表是商业统计公司Dun&Bradstreet采用的“经营失败”（Business Failure）概念,指公司经营因为破产而停止,或者处置抵押品后仍对债权人造成损失;无法按期偿付债务,由于法律纠纷被接管重组等情况。（2）无偿付能力（Insolvency）,包括技术上的无力偿付和破产意义上的无力偿付。前者是指企业缺乏流动性,不能偿付到期债务,主要用净现金流是否能满足流动负债的支付需要作为判别技术上是否无偿付能力的标准;而后者是指企业资不抵债,净资产为负等情况。（3）违约（Default）。违约可以是技术上的或法律上的,前者是指债务人违反合同规定并可能招致法律纠纷,后者则指债务人到期无法还债。（4）破产（Bankruptcy）,指企业提交破产申请后被接管清算[1]（P202-216）。

随着资本市场的不断发展,我国上市公司中陷入财务困境的企业也不断增多。究其原因,国家宏观经济环境的变化、行业不景气、市场竞争激烈、会计准则的变更等客观原因会在一定程度上影响企业的业绩,但根本原因还是企业自身的问题。所以正确公允地认识和评价上市公司的财务状况和经营业绩已成为有关各方的共识,同时通过上市公司财务状况和经营业绩的横向和纵向比较,可以让上市公司清楚地了解自己在本行业、本地区上市公司中所处的位置以及在所有上市公司中所处的位置,这样可以对上市公司经营者起到一定的鞭策作用。

1 样本设计

本文以沪深两市A股上市公司作为研究对象,将公司因财务状况异常而被特别处理（ST）作为企业陷入财务困境的标志,从中选取了2005-2008年间108家ST公司作为财务困境公司样本①,样本的行业分布特征如下:

农、林、牧、渔业1家,制造业59家,建筑业1家,交通运输、仓储业3家,信息技术业5家,批发和零售贸易9家,房地产业7家,社会服务业5家,传播与文化产业3家,综合15家,合计108家。

由于证监会是根据上市公司前两年的年报所公布的业绩判断其是否出现财务状况异常并决定是否要对其进行特别处理的,所以采用上市公司前两年的年报预测其是否会被ST显然会夸大模型的预测能力。毕竟在公司已经亏损一年的情况下其被ST的几率自然大于没有出现亏损的公司;而在公司已经亏损两年的情况下其被ST已成定局,所以更没有任何预测意义。因此,本文选择在上市公司被ST的前三年进行预测,判断其最终是否会陷入财务困境,即如果某上市公司在2008年被特别处理,我们采用2005年的年报数据进行预测[2]（43-51）。

为了剔除不同年份、行业和资产规模因素对财务困境预测的影响,我们根据以下原则按1:1的比例选择财务健康的上市公司作为配对样本:

1、研究期间一致,如财务困境企业采用的是2005年的数据,则财务正常公司也同样采用2005年的数据。

2、配对样本与财务困境企业行业类型相同或相近。

3、配对样本与财务困境企业的总资产规模相当。

据此,本文确定了216个研究样本,其中3/4作为估计样本,1/4作为预测样本,具体情况如下:估计样本162家,其中财务困境公司81家,财务健康公司81家;预测样本54家,其中财务困境公司27家,财务健康公司27家。

2 神经网络模型概述

神经网络模型是由大量的简单处理单元相互联结组成的复杂网络系统[3]（P152-156）。它的许多功能和特性是对人脑神经网络系统的模拟,是一种自然的非线性建模过程,也被称为人工神经网络（Artificial Neural Network）。作为非参数的预测模型,它克服了选择模型函数形式的困难,同时对样本及变量的分布特征没有限制。其主要分析模型如下:

它的神经元一般包括三种处理单元,也称为节点（Node）:输入神经元,隐层神经元和输出神经元。输入神经元接受外界环境信息的输入;输出神经元则将经过神经网络处理后的信息送到外界;而隐层神经元则处于前两种神经元之间,不直接与外界环境发生联系,它接受输入神经元的信息,经过多层次的网络内部运算,把数据结果转移给输出神经元[4]。隐层神经元可以有多个层次（Layer）。总体来说,神经网络具有一些其他方法无法比拟的优点,体现在:

1、它根据所提供的数据进行学习和训练,找出输入与输出之间的内在联系,通过改变每个节点上的加权系数来求取问题的解,从而具有自适应的功能;

2、能够处理那些有噪声或不完全的数据,具有泛化功能和很强的容错能力;

3、神经网络对于非独立因素组成的总体依然适用,并能够处理其中复杂的非线性关系。

目前,在神经网络模型的实际应用中,多层前向神经网络中的反向传播（Back-Propagation）算法在诸如函数逼近、模式识别等领域得到广泛的应用,因此本文采用BP算法进行财务困境预测。

3 预警模型构建

BP算法的学习过程可以简单地描述如下:

1、工作信号正向传播:输入信号从输入层经过隐层传到输出层,在输出端产生输出信号。在信号的正向传递过程中网络的权值是固定不变的,每一层神经元的状态只影响下一层神经元的状态。如果在输出层得不到期望的输出,则转入误差信号反向传播[5]（P194-197）。

2、误差信号反向传播:网络的实际输出与期望输出之间的差值即为误差信号,误差信号从输出端开始逐层向前传播。在误差信号的反向传播过程中,网络的权值由误差反馈进行调节,通过权值的不断修正使网络的实际输出更接近期望输出。

BP神经网络可以有一个或多个隐层[6]。但单隐层的BP神经网络可以以高精度逼近任意映射关系,而且与一个隐层相比,用两个隐层进行网络训练并不能显著提高预测的准确率。因此本文采用单隐层的BP神经网络模型结构,如图2所示:

图2 单隐层的BP神经网络

BP算法的详细步骤如下:

（1）设置变量和参量。输入变量Xk=[Xk1, Xk2,…,XkM],（k=1,2,…,N）,N为训练样本的个数;输出节点的期望输出为tl。输入层和隐层之间的连接权重为Wij,节点阈值为θi;隐层和输出层之间的连接权重为Tij,节点阈值为θl。

（2）初始化权值和阈值,随机给出一个非零的初始值。

输出节点的输出为:Ol=

（4）判断实际输出和期望输出（真实值）之间的误差是否达到精度要求。判断标准:

（5）修正权值。根据误差信号先后修正隐层和输出层之间、输入层和隐层之间的权值。

输出节点输出的误差为:

权值修正:Tli（k+1）=Tli（k）+ηδl yi;其中k为迭代次数

阈值修正:θl（k+1）=θl（k）+η′δ′l

隐层节点输出的误差为:

权值修正:Wij（k+1）=Wij（k）+η′δ′i X j

阈值修正:θi（k+1）=θi（k）+η′δ′i

如果误差达到精度要求或者循环次数足够大,则结束网络训练,否则则继续训练神经网络。

BP神经网络的输入层与隐层之间通常采用S型的传递函数（如对数函数、正切函数）[7]（P312-316）,而隐层和输出层之间则采用线性传递函数。由于正切函数关于原点对称,学习速度较快,因而在本文中,输入层和隐层之间的传递函数取正切函数:

a和b分别取经验值1.7159和2/3。

隐层节点个数的选择比较复杂,通常认为隐层节点个数应介于输入和输出节点个数之间,而且与样本大小有关。则隐层的节点个数=样本个数/（10×（输入层节点个数+输出层节点个数））。

由于在BP神经网络的训练中,训练次数过多往往会出现对数据的过度拟和,为了提高网络的泛化能力,本文采取了下列两个解决办法:

（1）对输入数据进行标准化处理,即均值为0、标准差为1。

（2）规则化调整,即通过调整网络的性能函数来增强网络泛化能力。

4 预警模型评估

本文将所有样本分成训练集和预测集,其中训练集有162个样本,其中财务困境公司81家,财务健康公司81家;预测集有54个样本,其中财务困境公司27家,财务健康公司27家。采用单隐层的BP神经网络进行训练,输入层的输入变量为多元判别分析和Logistic回归使用的预测变量X5、X7、X18、X28、X32、X34和X45,共有7个节点;输出层有一个节点,输出的导师信号为-1代表财务困境公司,1代表财务健康公司;隐层的节点个数为208/（10＊（7+1））≈3。迭代次数为80000次。

当m se=104.66,m sw=3.5时达到误差精度要求,BP神经网络自动结束训练。神经网络的判别结果如表2所示:

表2 BP神经网络的判别结果

从表2我们可以看出,BP神经网络模型估计样本的I类错误率为16.05%,II类错误率为27.16%,综合准确率为78.4%;而预测样本的I类错误率为14.81%,II类错误率为 11.11%,综合准确率为87.04%。

由于BP神经网络是一种非线性映射模式,这种网络算法具有稳定性、收敛性、容错性、鲁棒性等性能,因而在指标间相关度较高、呈非线性变化或数据不全等情况下仍可得到比较满意的结果,所以用BP神经网络能大大提高财务困境模型的预测能力。

注释

①数据源网址为:http://www.cstsc.com/stock/info/ statistic/finance.jsp.

[1]王又庄.上市公司财务会计报告分析与评价[M].上海:立信会计出版社,2002.

[2]朱明.数据挖掘[M].合肥:中国科学技术大学出版社,2002.

[3]易丹辉.统计预测——方法与应用[M].北京:中国统计出版社,2001.

[4]宋新平,丁永生,曾月明.基于遗传算法的同步优化方法在财务困境预警中的应用[J].预测,2009,（1）:34-36.

[5]韩力群.人工神经网络理论、设计及应用[M].北京:化学工业出版社,2002.

[6]吴健梅.上市公司财务困境预警模型简评[J].齐鲁珠坛, 2009,（2）:23-26.

[7]Mehmed Kantadzic.Data Mining:Concepts,Modes Methods And Algorithms[M].New York:IEEE Press,2002.

A Study on the Listed Company’s Financial Distress of Early-Warning Model by Empirical Research Based on BP Neural Network

GONG Bin

（School of Statistics&Applied Mathematics,Anhui University of Finance&Economics,BengBu233030,China）

Correct understanding and evaluation of fair market a company’s financial condition and results of operations has become the consensus of the parties concerned.Some companies malicious fabrication and packaging market,however,have caused tremendous losses to investors and creditors,disrupted economic market.This makes the listed company’s financial distress of the increasing urgency of early warning research.This article on the use of BP neural network algorithm s to improve the capacity of early warning of financial difficulties.

financial distress;warning;model assessment

F230

A

1009-9735（2010）02-0011-03

2010-03-01

2009年安徽省高等学校自然科学研究项目“基于BP神经网络的上市公司财务困境预警模型实证研究”（KJ2009B130Z）。

巩斌（1975-）,男,安徽利辛人,硕士,安徽财经大学统计与应用数学学院讲师,研究方向:经济数量分析。