本文以我國滬深兩市2005年90家上市公司作為研究對象，以其被ST前一年的截面數據建立一套財務指標體系，應用Logistic 回歸和BP神經網絡方法建立財務危機預警模型， 進行了實證研究。

　　一、筆者對財務危機的界定

　　如何界定財務危機是進行財務預警研究考慮的首要問題。國外大部分研究將企業在破產法下提出破產申請的行為作為確定企業進入財務危機的標志，Altman （1968）指出財務危機分4種類型：經營失敗、無償付能力、違約、破產；Deakin （1972）認為財務危機公司是指已經破產、無力償還債務而已經進行清算的公司；ROSS等人（1999）認為可從4個方面定義企業的財務危機：企業失敗、法定破產、技術破產和會計破產。由于我國證券市場發育不夠成熟，缺乏健全的退市機制，上市資格一直受到證監會的嚴格控制，巨大的需求使業績差的“殼資源”上市公司炙手可熱，即便處于破產的邊緣，也會被完全吸收。故而，結合我國的實際情況，筆者把公司被特別處理（ST）作為陷入財務困境的標志，ST制度是對“狀況異常”的上市公司實行股票交易的特別處理。筆者在研究中將財務危機確切界定為公司財務狀況異常而被“特別處理”。

　　二、國內外文獻綜述

　　目前，研究財務預警的模型主要集中于以下幾類模型：單變量模型、多變量統計分析模型和人工神經網絡模型。

　　（一）單變量模型

　　該模型研究的先驅者美國芝加哥大學教授WilliamBeaver （1966）提出了較為成熟的單變量模式，他以79家失敗企業和相同數量、同等規模成功企業為樣本，通過研究個別財務比率長期走勢預測企業面臨危機情況；我國學者陳靜（1999）以1998年的27家ST和27家非ST公司，利用1995－1997年的財務報表數據進行了單變量分析，提出流動比率和負債比率誤判率最低；吳世農、盧賢義（2001）以70家ST和70家非ST上市公司為樣本，應用單變量分析研究財務困境出現前五年內這兩類公司21個財務指標各年的差異，最后確定了6個預測指標。

　　（二）多變量統計分析模型

　　多變量統計分析模型同單變量模型相比，更全面地反映了企業的財務狀況。由于建模使用的統計方法不同，又分為多元回歸分析模型、多元判別分析模型、主成分分析模型和Logisitic回歸模型。美國學者Edward Altman教授率先將多元線性判別方法引入財務預警領域，開創了多變量預警模型的先河，提出Z－score模型；張玲（2000）選取滬深兩市14個行業120家上市公司為樣本，從償債能力、盈利能力、資本結構狀況和營運狀況4個方面15個相關財務比率中篩選出4個變量構建了二分類線性判定模型；周首華（1996）構建了F分數模型。其中Logisitic回歸模型已經引起人們的高度關注。

　　（三） 人工神經網絡模型

　　人工神經網絡（ANN）的發展始于20世紀40年代，它利用大量非線性并行處理關系來模擬眾多的人腦神經元的運作，具有較好的模式識別、學習、訓練和容錯能力，克服了傳統統計方法的局限。M.Odom（1990）最早把人工神經網絡應用于財務危機預測研究；由Rumelhart和McClelland（1986）提出的一種多層前饋網反向傳播BP神經網絡方法，適用于模擬輸入、輸出的近似關系，而且具有無限隱含層節點的三層BP網絡可以實現任意從輸入到輸出的非線性映射，同時也是近年來應用最廣泛最成熟的ANN模型；Lapedes和Fayber（1987）首次運用神經網絡模型對銀行信用風險進行了預測和分析；Trippi和Turban（1992）對美國銀行財務危機進行了分析；我國學者楊保安（2001）選取15個財務指標，運用BP神經網絡方法建立了供銀行進行授信評價的預警系統。

　　三、實證研究

　　筆者主要根據Logisitic回歸模型和BP神經網絡模型理論，搜集上市公司的財務數據，建立不同的實證模型進行比較，分析財務預警的效果。

　　（一）研究樣本的設計

　　筆者將我國上市公司中的ST公司界定為“財務失敗”。選取了2005年滬深上市的30家ST公司和同行業相近規模的30家非ST公司作為估計樣本組，另外選取同時期的30家ST公司和非ST公司作為測試樣本組。估計樣本組的數據用于構建預警模型，而測試樣本組用于檢驗預警模型的有效程度。鑒于研究的需要，所選取的財務指標數據是ST公司被宣布特別處理前一年（2004）的年報數據，樣本公司的財務數據主要來自巨潮咨訊網站和中國上市公司咨訊網站統計年鑒。

　　（二）財務指標體系的選擇

　　財務比率的選取是構建財務危機預警模型極其重要的一步，選擇的恰當與否關系到財務危機預警模型的有效性。筆者采用定性分析和定量分析相結合的方法， 借鑒國內外學者的實證研究成果并結合我國上市公司的實際情況， 從企業的市場價值指標、盈利能力、償債能力、經營能力、成長能力、資本結構等6個方面， 提供了17個備選財務指標，作為研究模型中使用的初始變量，如表1所示：

表1        備選財務預警指標

　　然而，模型中包括如此多的指標是不經濟的，同時由于財務指標之間的相關性比較強，結構錯綜復雜，因此在建立模型前有必要對初始變量進行篩選。ST公司和非ST公司之間應該具有顯著差別，進入預警模型的變量至少能有效、顯著地區別ST公司和非ST公司，這是入選變量的必要條件。所以筆者采用統計分析法中的顯著性檢驗方法（T檢驗）對預警指標進行第一次篩選。使用SPSS統計分析軟件，對財務危機企業被處理前一年（2004）的數據進行顯著性檢驗。從T檢驗結果可以看出，選取顯著性水平為0.05，在備選的17個財務預警指標中， 總資產報酬率（X1）、凈資產收益率（X2）、流動比率（X3）、速動比率（X4）、資產負債率（X5）、股東權益比率（X6）、總資產周轉率（X7）、總資產增長率（X8）、每股收益（X9）、每股凈資產（X10）的雙尾檢驗的顯著概率均小于0.05，通過了顯著性檢驗，說明這些指標變量在ST公司和非ST公司之間是有顯著差異的，因此選取這10個變量進入預測模型。

　　（三）Logistic回歸分析模型

　　以60家估計樣本財務危機發生前一年的數據為基礎，使用篩選的10個指標為自變量，構建Logistic回歸分析模型，運用SPSS軟件分析獲得模型的系數及相關參數見表2.

表2    估計樣本Logistic回歸模型參數表

		B	S.E.	Wald	df	Sig.	Exp（B）
Step 1（a）	每股凈資產	1.779	.487	13.348	1	.000	5.921
	Constant	－2.326	.723	10.353	1	.001	.098
Step 2（b）	總資產周轉率	.051	.024	4.368	1	.037	1.052
	每股凈資產	1.674	.560	8.922	1	.003	5.333
	Constant	－2.496	.902	7.664	1	.006	.082

　　a Variable（s） entered on step 1：每股凈資產  b Variable（s） entered on step 2：總資產周轉率

　　注：B為預警變量的回歸系數：S.E. 為回歸系數的標準誤差；Wald是檢驗偏回歸系數的統計盈；df為自由度；Sig.為顯著水平。

　　從表中可以看出，X7和X10變量的顯著水平均小于0.05，說明預測能力較強，現構建Logistic回歸模型，其方程表示為： Logit（Y）=Ln（P/1－P）=－2.496 + 0.051X7+1.674X10.

　

　　P（Y=1）代表公司發生財務危機的概率， P（Y=0）代表公司不發生財務危機的概率，因此筆者以P=0.5為最佳判別點，以期能使預警模型在實際中有更好的預測效果。當P大于0.5時，判別為ST公司，數值越大，表明該公司未來一年內發生財務危機的可能性越大；當P小于0.5時，判別為非ST公司，數值越小，表明該公司財務狀況越安全；當P等于0.5時，說明該公司的財務狀況不太明顯，但也判別為ST公司。

　　（四）BP神經網絡模型

　　筆者采用三層BP網絡，由輸入層、隱含層、輸出層組成。輸入層至隱含層以及隱含層至輸出層的傳輸函數均選用非線性S 型Sigmoid 函數，這個算法的學習過程由正向和反向傳播過程組成。

　　運用軟件Matlab 6.5， 構建了10－16－1的三層BP網絡，并選取了60個訓練樣本和30個測試樣本進行實驗。另外，由于輸入是連續變量，輸出是布爾型離散向量， 訓練或測試前使用Matlab的Premnmx函數對樣本進行歸一化處理，作為網絡的輸入數據。BP神經網絡的設計包括輸入層、隱含層、輸出層、傳遞函數、訓練函數等網絡結構和網絡參數的設置，具體到文本的研究，設置如下：

　　1.輸入層：輸入層神經元個數由輸入量決定，確定了10個輸入節點。

　　2.輸出層：輸出層神經元的個數由輸出類別決定。具體到本文，網絡的輸出層定義為一個節點，即上市公司的實際財務狀況。在訓練樣本集中，樣本的輸出向量為T（當為ST公司時，T=1；當為非ST公司時，T=0）。

　　3.隱含層：關于隱節點數的選取至今尚未找到一個很好的解析式來表示，過少，將影響到網絡的有效性；過多，則會大幅度增加網絡訓練的時間，用于模式識別的BP網絡，根據經驗，可以參照以下公式進行設計：n=n1+0.618×（n1－ n2）其中，n為隱節點數，n1為輸入節點數，n2為輸出節點數。由此公式選取隱含層節點數為16.筆者采用隱含層神經元個數為16個。

　　4.傳遞函數：傳遞函數的好壞對一個神經網絡的訓練效率至關重要。考慮到輸出層的期望輸出數據為0或1，經反復測試，筆者對輸入層到隱含層的傳遞函數確定為正切函數tansig（n），它將神經元的輸入范圍從（－ ，+ ）映射到（1，－1），隱含層到輸出層之間的傳遞函數確定為對數函數logsig（n），它將神經元的輸入范圍從（－ ，+ ）映射到（0， 1）。

　　5.網絡參數：目標誤差0.001，學習速率為0.01，訓練循環次數1000次。學習率通常在0.01～0.9之間。一般來說，學習率越小，訓練次數越多， 但學習率過大，會影響網絡結構的穩定性。誤差通常需要根據輸出要求來定， e越低， 說明要求的精度越高。

　　6.訓練函數：本文選取基于快速BP算法的訓練函數trainlm借助Matlab6.5語言編程實現模型在PC上經過75個訓練周期后達到要求。

　　（五）不同模型結果比較

表3     不同模型的判別準確率比較

　　從上述兩種模型之間的判別準確率比較表可以明顯看出，估計樣本方面BP神經網絡判別效果高于Logisitic模型；測試樣本方面兩者相當。

　　四、研究結論及局限性

　　筆者在回顧國內外財務預警模型經典文獻和研究成果的基礎上，以我國滬深90家上市公司為研究對象，利用Logisitic回歸模型和BP神經網絡方法進行了實證研究。

　　（一）研究結論如下

　　1.我國上市公司的財務指標包含著預測財務困境的信息含量，因此利用公司的財務比率可以預測其是否陷入財務困境。在上市公司陷入財務危機的前一年，筆者所選的17個財務指標中10個具有判定和預測財務困境的信息含量，這些指標涵蓋了反映公司財務狀況的各方面因素，說明建立指標體系是合理恰當的。2.中國證監會對上市公司中ST的定義是有效的，因為筆者證明了上市公司的ST板塊與非ST板塊有顯著的區別，能用各種判別模型加以區分。3.研究采用的兩種模型方法都可以進行公司財務困境預測研究，但判定效果存在差異。

　　（二）研究存在著一定的局限性

　　1.鑒于數據收集的限制，筆者選取的都是上市公司的財務數據，不適用于大量的小型公司。

　　2.筆者的研究是以上市公司真實財務指標為前提假設的，不能排除目前我國上市公司會計信息失真現象的存在。

　　3.由于反映公司財務狀況的指標很多，可能漏掉一些重要的比率，得出的結果不夠完善。

　　4.筆者研究的是上市公司的截面數據，沒有考慮到ST前一年或兩年的情況，勢必會影響實證結果。