上市公司中的掏空行为神经网络分析①

内蒙古工业大学管理学院 李一鸣 李长青

内蒙古财经大学会计学院 郑燕

1 掏空(Tunneling)综述

控股股东为了自身利益，将资产和利润转移出公司的行为，Johnson et al(2000)最早将其命名为“掏空”(Tunneling，又称隧道挖掘)。由于掏空行为在本质上是控股股东将上市公司的资产转移出去，其手段或为关联交易，或为长期借款，最终的表现都是上市公司财务报表货币资金异动。因此，掏空行为的发生可以从上市公司货币资金的变化中反映出来。可实现的算法主要有判别分析、回归和人工神经网络。实践证明，人工神经网络在预测、评价等方面，其准确性明显优于回归与判别分析。本文应用神经网络进行掏空行为的发现与预测，是人工神经网络应用的又一领域。

2 人工神经网络算法

BP网络，由Rumelhart 等人于1985年首次提出。BP网络是一种具有三层或三层以上神经元的层次结构网络，一个典型的三层BP网络分为输入层、隐蔽层和输出层。同层节点间无关联，异层节点间前向连接。其中，输入层A含m个节点，对应于BP网络可感知的m个输入，输出层C含n个节点，与3BP网络n种输出响应相对应，隐蔽层B所含节点个数根据需要设定。

记A层节点 的输出为 ，到B层节点 的连接权为 ，B层节点 到C层节点 的连接权为 ，B层节点 的阈值为 ，C层节点的阈值为 ，则：

B层节点 的输出函数为

C层节点 的输出函数为

2.1 模型确立

本文采用经典的三层人工神经网络模型。

输入层：根据现有文献成果，与掏空行为的发生有相关关系的企业财务及公司治理指标主要有：企业的资金状况(货币资金)、关联交易、长期借款、股权集中度、股权性质、投资者预期以及会计业绩。其中，企业的关联交易、长期借款和投资者预期较难观察，从外部人角度较难了解这些指标的真实状况。而企业会计业绩与企业被掏空的实证关系已被国内外大量研究所证实。因此本文主要考察企业货币资金(F)、股权集中度(C)与股权性质(S)与企业被掏空(T)的对应关系。其中，货币资金变量是一个时间序列，以反映时间变化下企业货币资金的异动；股权集中度用第一大股东所占股权比例表示；股权形式为0-1变量，1表示企业为国有控股，0表示非国有控股。

隐藏层：我们根据经验关系式：N=1+n1*(n2+n3+1)/n3来确定隐藏层单元的适宜个数。其中，N为样本量，n1为隐藏层单元数，n2为输入层单元数，n3为输出层单元数。将相应数值代入求解，同时在减小误差的前提下，我们选取隐藏层的适宜单元数为10。

输出层：输出层单元只有一个，即企业是否被掏空。我们采用0-1变量来表示企业被掏空的情况，1表示存在掏空现象；0表示不存在掏空现象。掏空的判断主要以对企业掏空的报道为依据。比如，在本文选取的数据中，600215与600667被相关报道证实存在大股东的掏空行为。

实质上，本模型就是通过企业货币资金、股权集中度与股权性质这三类因素来判断企业被掏空的情况：

2.2 数据选取与运算

数据随机选取了28个未有任何掏空报道的上市公司财务报表中2003～2011年末货币资金余额(F03,F04,…,F11，单位为百万元)、股权集中度(即C，用第一大股东持股比例表示)、股权性质(即S，国有控股为1，非国有控股为0)；两个有掏空报道的上市公司(股票代码为600215、600667)的同类数据。

仿真运算：运算过程利用Matlab11.0的人工神经网络算法，训练的样本包括28个未发现掏空企业数据与1个被发现掏空企业的数据：

在BP网络的训练中, 确定BP网络的输入层、输出层和隐含层的节点数分别为11、10和1。学习速率设为0.01, 冲量因子设为0.6,最小允许误差为0.001。根据建立的BP 神经网络, 输入上表训练样本对BP网络进行训练。下图为训练次数与输出误差的关系图。

图2

可以看出, 当训练次数约为277次时, BP网络已进入稳定状态,此时BP网络的学习过程结束。

2.3 预测判断

BP网络学习完毕后, 就可以用来对待检验的上市公司掏空状况进行预测。我们收集股票代码为600215的上市公司2003～2011年末货币资金、股权集中度与股权性质相关数据，得到下表：

表1

将上述各因素输入训练好的BP网络, 得到相应的输出结果为0.6964。据此可判断股票代码为600215的上市公司存在掏空行为。根据上市公司相关报道查阅结果，我们发现股票代码为600215的股票长春经开被报道存在掏空行为(详见：t.stock.sohu.com 2012/8/9)，这与预测结果完全一致，说明基于BP神经网络的上市公司掏空判断方法是有效的。

图3表示了预测结果与训练模拟结果的比较。其中绿色波动线条上的空心圆点代表29个训练样本的模拟结果，星号连成的水平线为预测结果水平线，其值为0.6964。

图3

3 结语

本文采用人工神经网络算法，证明了企业货币资金时间序列、企业股权集中度、股权性质与企业是否存在掏空行为的对应关系，找到了一个解决掏空判别这一公司治理与财务审计领域重要问题的有效途径。人工神经网络系统的主要优点在于速度快，预测精度高，同时也避免了人为确定因子权重的影响，是一种较为有效的预测模拟方法。

[1]Grossman & Hart.An Analysis of the Principal-Agent Problem[J].Micro theory reading group.1983.

[2]Marks Mizruchi.Berle and Means revisited: the governance and power of large U.S.corporations[J].Theory and Society.2004.

[3]Michael C.Jensen&William H.Meckling, Theory of the Firm: Managerial Behavior，Agency Costs and Ownership Structure[J].Journal of Financial Economics.1976.

[4]La Porta et.Corporate Owership Around the World[J].the Journal of Financial.1999.

[5]Eric Friedman, Simon Johnson and Todd Mitton.Propping and Tunneling[J].Journal of Comparative Economics.2003.

[6]刘峰,钟瑞庆,金天.弱法律风险下的上市公司控制权转移与“抢劫”——三利化工掏空通化金马案例分析[J].管理世界.2007(12).

[7]贺建刚,刘峰.大股东控制、利益输送与投资者保护一基于上市公司资产收购关联交易的实证研究[J].中国会计与财务研究.2005,7(3).

[8]刘启亮,李增泉,姚易伟.投资者保护、控制权私利与金字塔结构——以格林柯尔为例[J].管理世界.2008(12).

[9]刘峰,向凯.公司并购何以成为打劫上市公司的手段?市场角度的分析[J].中国会计评论,2009,7(1).

[10]贺建刚,孙铮,李增泉.难以抑制的控股股东行为:理论解释与案例分析[J].会计研究,2010.

[11]盛征.后股权分置时代控股股东“支持”和“掏空”行为与上市公司价值的研究[D].上海:复旦大学,2009.

[12]余明桂.中国上市公司控股股东的代理问题研究[D].湖北:华中科技大学,2004.

[13]胡小刚.家族企业治理模式影响因素的实证研究——基于杭州样本的分析[D].浙江:浙江工商大学,2008.

[14]潘林.控股股东的掏空与支持——来自中国民营上市公司的经验证据[D].山东:山东大学,2007.

[15]查路.大股东侵占研究——基于关联交易的分析[D].重庆:西南财经大学,2008.

[16]戴志敏.上市公司关联交易与大股东掏空行为问题研究[D].浙江:浙江大学,2005.