基于神经网络的创新型企业财务危机预警研究

郭毅夫，权思勇

（1.湖南文理学院 经济与管理学院，湖南常德415000；2.东华大学旭日工商管理学院，上海200051）

1 研究设计

1.1 技术路线

采用Clementine10.0的神经网络建模工具，采用创新型企业的财务数据进行预测，其输出为“危险fail、不确定warning、安全safe”三种状态。Clementine10.0的神经网络建模工具是一种完全的黑盒模型，不需要用户构建任何数学函数，完全通过机器的学习，改善神经元之间的连接权重，储存学习状态，以完成学习训练。工具提供几项特有的功能，包括：敏感度分析（sensitivity analysis）以辅助解释神经网络结果，修剪（pruning）和验证（validation）以避免过度训练，动态网络（dynamic networks）以自动找出合适的网络结构设计。

1.2 样本及指标选取

文章选择的研究总样本是一定数量的“财务危机”企业和与之相对应的同样数量的“非财务危机”企业。将总样本分为两组：一组为估计样本组；另一组为测试样本组。用估计样本组的数据来构建预警模型，而用测试样本组的数据来检验预警模型的有效程度。

本文研究创新性企业上市公司的财务危机预警问题。因为数据的可得性等原因，选取2010年被特别处理的上市公司为样本，以A股上市公司是否因“财务状况异常”而受到“特别处理”为界定该公司是否陷入财务危机的标志。选择非财务危机公司（即作为参照对象的非ST公司）的具体原则如下：

（1）满足样本时间性要求。为获得足够的数据进行对比分析，选取ST公司被特别处理的前三年作为样本的时间范围，这就要求与其配对的非ST公司必须有那三年的财务数据。

（2）符合本文界定的创新型企业的条件，即必须符合8个基本条件中的至少3个基本条件。

（3）行业相同或相近、时期相同，规模相差不大。

从而研究样本达到共48家。现将24家ST公司和24家非ST公司随机分为两组，估计样本组24家（12家ST公司和12家非ST公司），测试样本组24家（12家ST公司和12家非ST公司），研究样本如表1所示。

在本研究中所选取的样本都是2010年被特别处理，应采取2009年公布的2008年财务报表数据预测2010年是否可能陷入财务困境，即以2008年财务数据建立预警模型。

表1 财务危机预警研究样本表

国内外很多学者已经利用财务指标，对公司财务危机预警进行了实证研究。尽管不同学者得出的预测公司发生财务危机的有效财务指标不同，但研究结果类似，即基本上都是从公司的偿债能力、盈利能力、营运能力等方面进行研究的。结合我国实际情况以及财务数据的可获得性，本文选取了如下20个财务指标作为财务危机预警理论体系，见表2所示：

表2 财务指标

1.3 样本数据的处理

本应用模型目的是要应用K-Means方法对每一个指标项的特征进行分析，自动判断每个企业在各个指标项上表现出来的特征。由于K-Means工具不支持同时输出多个指标的不同类，为了同时输出各个指标的不同类，需要构建企业对财务指标各项的分类模型。从X1开始，生成X1-1、X1-2、X1-3、X1-4和 X1-5五类，并和原有的20 个指标一起作为下一个X2分析的输入，生成包含X1指标的五类在内的X2-1、X2-2、X2-3、X2-4和X2-5五类，依次类推，直至生成所有各项的所有分类项，共计21个子模型。各指标项中各类中的-1、-2、-3、-4和-5并不代表等级，只代表类别，在各指标项中的意义也不相同，由计算机工具自动生成，其具体的意义需要根据其均值的大小来确定，可以对五个类的均值进行排序以构成五个等级，例如：很好、好、中、差和很差。以指标项X1为例，在47条记录中，其X1-1的均值为0.492，共38个，标准差为0.374；X1-2的均值为13.313，共1个，标准差为0.0；X1-3的均值为6.525，共1个，标准差为0.0；X1-4的均值为2.102，共6个，标准差为0.397；X1-5的均值为5.444，共1个，标准差为0.0。图1表示该指标项的分类分布图。对X1的均值进行排序，则为：X1-1、X1-4、X1-5、X1-3和X1-2，由于流动比率通常应大于200%比较合适，显然大多数企业处于不合适位置。

图1 各个企业对财务指标的各项分类模型

图2 X1指标的五类分布图

表3列出了各个指标的5类子指标及其每类的均值和标准差。

表3 各指标项的分类表

将上面根据K-Means方法划分出来的类别表替换为离散型的数据如下表4，由此可进行基于C5.0的财务预警决策树建模。

表4 企业财务指标经过聚类划分处理后的数据特征

图3为Clementine10.0分析工具中，两种输入状态下的财务预警神经网络模型。聚类值是利用K-Means处理后的财务指标体系，如表4；连续值是利用原始数据。

在Clementine10.0中，使用聚类值输入的财务预警神经网络模型参数设置如下：

图3 在Clementine中构建2种预测模型

（1）Fields页签：Targets，对应输出Risk；Inputs，对应20个聚类以后的财务指标值。

（2）Model页签：选择使用数据分区（use partitioned data）；学习方法（Method）选择 Dynamic；防止过度训练（Prevent overtraning sample%）选择50.0；停止时间（Stop on times）为5.0分钟（mins）。使用内存优化。

（3）Option页签：选择持续训练已有模型（continue traning existing model）；显示反馈图型（show feedback graph）；选择使用最优网络（use best network）；报告敏感度（sensitivity analysis）。

（4）其他页签内容默认。

2 实证研究与结果分析

为说明问题，下面比较财务风险预警的连续值决策树模型和离散值决策树模型。聚类值输入的财务预警模型整个学习过程相对平稳，波动性小，尤其是后期阶段。整个过程中，最好的预测值（Best Predicted Accuracy）为89.04%，实际到达且稳定的一定时间的预测值为89.041%。

下图4为其一段时间内，聚类输入的财务预警模型运算结果反馈时序图。

图4 聚类输入的财务预警模型运算结果反馈时序图

该次模型运算实际达到的准确度估计值为89.041%。报告显示，本次模型使用了100个神经元作为输入层；2个隐含层，一个为25个神经元，另一个为8个神经元；输出层有3个神经元。使用了50%的数据作为训练，50%的数据作为预测。预测结果显示在141条数据中，有12条数据预测出错。

在Clementine10.0中，使用连续值输入的财务预警神经网络模型参数设置与聚类值输入的模型基本相同，只在输入值的类型完全不同，连续值输入的是小数点后达到4位精确度数据，输出一样。

连续值输入的财务预警神经网络模型每次运行的结果差异比较大，当前预测精确度随时间波动性大。数十次运行的情况来看，整体准确度要略低于聚类值输入形式下的预测。图5就显示了连续值模型的这种特点。

图5 连续输入值的财务预警神经网络模型运行时序反馈

该次模型的精确度估计值为84.5%，实际的精确度为76.6%，在141条记录中预测实际出错为33条。运行报告指出，本次神经网络模型输入层有20个神经单元，隐含层有2层，一层有4个神经单元，另一层有6个神经单元，输出层有3个神经元。

3 结论

对于企业的财务指标，一般都是连续值，但其并不具有良好的直观特征，尤其是对于企业在群体中的定位则不清晰，人工评估的方法则带有较多的主观性，为此引入了容易为计算机程序实现的K-Means方法。

就直观的聚类值与精确的连续值2种输入进行比较。每种模型经过数十次的运算实验表明，每次运算结果会有差异，有时可达到90%，有时只有73%；二种不同输入模型的最终输出准确度，平均而言略微有差异，会随着时间的流逝而波动。整体来说，使用了聚类值作为输入的神经网络预测准确度要优于连续值，连续值模型的波动最大。

[1]Odom M.,Sharda R.A.Neural Networks Model for Bankruptcy Pre⁃diction[C].Proceedings of the IEEE International Conference on Neu⁃ral Network，1990.

[2]Coats Pamela K.，Franklin F.L.Recognizing Financial Distress Pat⁃terns Using a Neural Network Tool[J].Financial Management,1993,3.

[3]Atiya A.F.Bankruptcy Prediction for Credit Risk Using Neural Net⁃works：a Survey and New Results[C].IEEE Transactions on Neural Networks,2001,12(4).

[4]Charalambous Chris，Andreas Charitou，Froso Kaourou.Comparative Analysis of Artificial Neural Network Models：Application in Bank⁃ruptcy Prediction[C].IEEE Proceedings,1999,139(3).

[5]王今，韩文秀，侯岚.西方企业财务危机预测方法评析[J].中国软科学，2002，(6).

[6]刘洪，何光军.基于人工神经网络方法的上市公司经营失败预警研究[J].会计研究，2004，(2).

[7]周辉仁，唐万生等.基于递阶遗传算法和BP网络的财务预警[J].系统管理学报，2010，(2).