基于BP神经网络的企业财务危机预警变量改进探索

龚小凤

(中南财经政法大学 会计学院，湖北 武汉 430073)

一、引 言

随着世界经济一体化步伐的加快，我国企业面临的经营环境越来越复杂，风险也越来越大，有的企业因经营出现困难，缺乏持续性现金流来支撑而破产，也有为数众多的企业由于无力偿还债务等财务方面原因而停止营业。当财务出现严重问题时往往也意味着企业经营的终结，如何提前预知财务危机的发生，及时防范风险成为企业面临的一项亟待解决的重大难题。财务危机又称财务困境，是指企业现金流量不足以偿还到期负债而导致的困境。一般而言，企业经营一般经历四个阶段:稳健经营、不稳健经营、财务危机和破产，也就是说，当企业的财务危机无法顺利解决时，会直接面临破产。因此，只有在危机发生之前就及时采取措施加以避免，对企业而言更有意义，这也是财务危机预警的意义所在。

在众多财务危机预警的研究中，输入变量的选择并没有什么变化，一般是将筛选后的财务指标直接代入模型，此种方式未考虑到行业差异的影响。本文拟对模型的输入变量进行改进，采用BP神经网络模型来预测财务风险，用功效系数法将财务指标转化为单项功效系数，以此作为模型的输入变量，和直接将财务指标作为输入变量进行对比，分析何种方式的误判率更低，为输入变量的有效选取提供思路。

二、BP神经网络

(一)神经网络

人工神经网络 (Artifical Neural NetW0rks简称ANNs)是20世纪40年代提出的，并于80年代复兴的一门交叉学科。该项技术以生物大脑的结构和功能为基础、以网络结点模仿大脑的神经细胞、以网络连接权模仿大脑的激励电平、以简单的数学方法完成复杂的智能分析，能有效地处理问题的非线性、模糊性和不确定性关系。由于神经网络方法能使模型具备随不断变化的复杂环境自学习能力，使企业财务动态预警成为可能。

目前应用较广的是BP神经网络模型。BP神经网络是一种多层前馈神经网络，一般含输入层、隐含层和输出层，每一层由若干节点组成。其主要特点为信号前向传递，误差反向传播。在前向传递过程中，输入信号会从输入层经隐含层逐层处理直到传递到输出层。每一层神经元状态只会影响到下一层神经元状态。可将BP神经网络看做是一个非线性函数，网络的输入值和预测值分别是该非线性函数的自变量和因变量。

(二)BP神经网络的优势

关于财务危机预警的研究，更多的是探讨危机预警模型的建立和比较。财务危机预警的研究方法经历了单变量分析模型、多元判定分析模型、主成分分析法以及概率回归模型 (如Logistic模型等)，这些方法各有缺陷。

1.单变量分析模型

单个变量往往很难说明企业财务状况的各个方面，而且一个变量很容易被操纵、粉饰，该方法已不适用。

2.多元判定分析模型

多元判定分析法是对研究对象所属类别进行判别的一种统计方法。将该模型用于财务危机分析的最有代表性的是Altman［1］创立的多元变量判定模型——Z计分模型和ZETA模型，在已确定的临界值基础上，根据判别的分值确定企业是否陷入财务危机当中。该模型的使用有两个假设条件:第一，要求自变量服从多元正态分布。第二，假设协方差矩阵相等。这两条假设有时不一定能成立。因此，由于多元判定分析模型假设条件的限制，其使用有一定局限性。

3.线性判定模型

线性概率模型可用来判定财务危机发生的可能性，可表示为:

P代表财务危机发生可能性的估计值。该方法的缺陷在于P不是介于0和1之间的数值，无法判定其概率大小。

4.Logistic回归模型

Logistic回归模型要求因变量为连续的，是二分类模式。其模型可表示为:

对于Yi值用指数模型进行修正，就可使得p的结果介于0和1之间。pi和1－pi分别代表两种可能性。尽管解决了p值可直接体现发生财务危机概率的问题，但Logistic回归模型无法解决多重共线性问题，若多个变量间存在多重共线性问题，会造成奇异矩阵，使判别的误差加大。

5.BP神经网络模型

近年来，BP神经网络模型的应用越来越广泛。其主要优点在于:第一，非线性映射能力;第二，自学习和自适应能力;第三，泛化能力，具有将学习成果应用于新知识的能力;第四，容错能力。由于其没有线性概率模型需要的假设条件以及多重共线性问题，在财务危机预警中越来越受到重视。经实证研究发现，与其他流行的研究方法相比，BP神经网络模型用于财务危机预警有更高的准确率。Odom和 Sharda［2］开拓了用BP神经网络预测财务困境的新方法，认为该方法提高了预测的准确度。杨淑娥和黄礼［3］也以上市公司的财务指标直接作为模型数据，将BP神经网络模型和主成分预测模型进行对比，发现使用BP神经网络模型的预测相对准确。因此，BP神经网络模型在财务危机预警模型中是预测精度较高的模型。

用BP神经网络建立财务危机预警模型的基本思想是将财务评价指标作为输入值，先给出一个权重，经隐含层传递到输出值，将经过函数运算后的输出值与期望值比较，若误差较大，则误差反向沿原路径返回，在修改各层节点的权重后迭代计算，每次运算后都按照误差结构更新样本数据的权重分布，当经过若干次迭代，达到误差精度要求时，就得到一组最佳权重，这组权重即为预测模型的参数。本文采用BP神经网络作为财务预警模型，将改进后的指标作为输入变量，并与传统的将财务指标直接作为输入变量相比较，误差率低说明改进后的输入变量更有效。

三、财务危机预警变量的改进

(一)预警变量改进的基础——行业差异性

不同行业的财务指标合理值差异较大。如偿债能力指标，对于连锁超市行业来讲，资金周转较快，通常借债较少，而钢铁等制造行业资金周转时间较长，通常有较高的负债率，但一般情况下仍能正常发展，因此，从这两个行业的分析来看，两个行业的差异较大时，偿债能力指标不必然具有可比性。另外，就盈利能力而言，由于行业的会计核算制度存在差异，使得不同行业的盈利能力指标的可比性降低，如高新技术企业的毛利率较高，其主要费用为研发费用，一般是计入管理费用，毛利率指标和其他行业不具有可比性。上述分析表明，行业差异可能导致财务指标的差异较大，消除行业差异的财务指标更具可比性，从而更有利于财务危机预警准确性的提高。

一些学者通过实证分析也验证了行业差异对财务危机影响的差异性。卢永艳［4］对上市公司财务危机的行业差异性的影响进行了分析，以制造业中样本量最大的两个行业——机械、石油为研究对象，建立Cox比例风险模型进行实证分析，结果发现不同行业的上市公司面临的财务风险是不同的。陈志斌和谭瑞娟［5］在原Z模型的基础上加进了行业修正值，得到新的预测模型，经实证检验发现模型的有效性得到提高。

在国外财务危机的研究中考虑过行业的影响。自Beaver［6］利用单一比率法，通过财务指标来预测财务危机，拉开了财务指标作为财务危机评价指标的序幕，后来者在研究财务危机预测时，尽管分析方法各有不同，但在样本选取上，均采用了Beaver的方法。Beaver是在选用样本时考虑到了行业、规模的影响，先选出存在财务危机的企业，在此基础上配对选出相近行业、规模的处于非财务危机的企业。尽管如此，若从所有样本角度考虑，两两错开，仍属不同行业、不同规模，不同行业在同一时期会有不同的周期变化，宏观经济对企业的影响至关重要，若不去除这些影响，对预测的有效性影响较大。

原有研究对行业差异的去除方法有待改善，为提高BP神经网络模型的有效性，本文考虑行业差异因素，对财务危机预警变量进行改进。

(二)变量改进的具体方法——功效系数法

功效系数法是指根据多目标规划原理，把所要评价的各项指标分别对照各自的标准，并根据各项指标的权重，通过功效函数转化为可以度量的评价分数，再对各项指标的单项指标分数进行加总，求得综合评价分数。采用功效系数法将财务指标转化为单项功效系数，实际上已将不同行业的影响因素去掉，对风险预测应有提高作用。

本文采用功效系数法将财务指标转化为单项功效系数，作为预测模型的输入变量。由于各类财务指标具有不同特点，采用的指标分别代表企业的盈利能力、偿债能力、发展能力和营运能力，一般而言是指标数值越大，表示企业该方面能力较强。具体改进做法如下:

第一，将财务指标分为5档。

将各样本的功效系数得分记为Ni。首先将各财务指标按行业排列，在各行业中又按规模分组，同等规模下各指标k的行业最大值记为Ymax，最小值记为Ymin，对于企业而言，经营达到行业平均值即为满意，可将平均值三等分，每份为Yave/3，记为Ya。因此，超过平均值的企业可打4分，达到最大值的打最高分即5分。具体分档如下:

当Yi=Ymax时，该指标归为优秀档，打5分，即Ni=5;当时，归为良好档，打4分，Ni=4;当时，归为一般档，打 3分，Ni=3;当 Yi∈时，归为较差档，打2分，Ni=2;当时，归为差档，打1分，Ni=1。

第二，将估计样本的单项功效系数作为输入变量代入BP网络模型，得到误判率。

第三，将财务指标直接作为输入变量代入BP网络模型，得到误判率。

第四，对两种输入变量得到的结果进行比较分析。

四、样本选择和指标筛选

(一)研究假设

由于行业差异对财务指标的影响，采用对财务指标用功效系数法转换的方式，将行业差异的影响去除，相对于直接将财务指标作为输入变量而言有更高的预测精度。假设各行业的财务指标有较大的数量差异，通过功效系数法修正过的指标作为输入变量，要好于直接将财务指标作为输入变量。

(二)样本选择

究竟企业处于何种程度的财务危机当中才需要重点注意及防范?为此，需要建立一个统一的标准才可进行有效的实证分析。对于财务危机的界定国内外没有统一标准。在国外研究中，一般将陷入财务危机的与财务失败等同起来，认为严重程度相当。Beaver［6］认为“破产、拖欠偿还债务、透支银行账户或无力支付优先股股利四项中的任何一项的企业，列为失败企业”，实际上，这已经是企业经营的终止，为财务失败。而Altman［1］主要是依据美国破产法界定破产企业，认为是“进入法定破产的企业”，以此为基础研究企业财务危机。从概念上来看，财务失败是指企业已经陷入无可挽回的境地，一般是经营终止，而财务危机应是有挽救余地的，两者不应等同看待。然而，在西方国家，认定陷入财务危机的企业是不可能再有能力继续经营的，因此认为财务危机就是财务失败。在我国，很少有上市公司因无力偿还债务而破产的，财务危机与财务失败区别明显。我国资本市场由于存在制度性缺陷和公司治理结构问题，属弱势有效市场 (滕春强，2005)，而且上市公司只融资却很少分红，造成上市公司是壳资源的一种现象，很少有上市公司破产退市，只是在盈利出现严重问题时冠以ST而已。因此，我国学者在做财务危机实证分析时，均将ST企业作为陷入财务危机的表现，本文也将采取该方式。

本文从2010年1—7月间被冠以ST的上市公司中选取样本作为陷入财务危机企业，去除财务指标数据不全的，有68家上市公司，将其按行业和资产规模进行分类。同时，选出与这些ST企业的行业和资产规模相近的68家非ST企业。这136家上市公司前三年 (即2007—2009年)财务数据均可获取。从中随机选取100家上市公司作为估计样本 (50家非ST企业和50家ST企业)，其余36家上市公司作为检验样本，样本统计情况如表1所示。建立BP神经网络模型，用MATLAB7.0做软件编程。

表1 样本统计表

(三)指标筛选

关于财务危机预警指标的确定并没有相应的经济理论支撑，仅通过几个财务指标很难对导致财务危机发生的原因和生成条件进行描述。本文主要对变量的改进进行探讨，借鉴其他学者研究，利用财务指标评价体系做预警指标分析。

财务风险包括筹资风险、投资风险、经营风险、存货管理风险和流动性风险。其中，筹资风险主要包括利率风险、再融资风险、财务杠杆效应、汇率风险和购买力风险等;投资风险包括利率风险、再投资风险、汇率风险、通货膨胀风险、金融衍生工具风险、道德风险和违约风险等;经营风险包括采购风险、生产风险、存货变现风险和应收账款变现风险等;流动性风险主要从企业的变现力和偿付能力两方面分析与评价。

综合来看，通过财务指标来体现财务风险主要涉及偿债能力、盈利能力、营运能力和企业发展能力。其他财务风险均为定性指标，需通过专家打分方式确定，而且本文的目的主要是比较单项功效系数与财务指标分别作为神经网络模型的输入变量到底哪个更有效，因此，暂不考虑定性指标。

对于财务指标的选择，主要从企业财务分析所使用的指标中筛选。一般而言分为短期偿债能力、长期偿债能力、企业发展能力、现金流量能力、盈利能力和营运能力等六个方面指标，提供了14个备选指标 (如表2所示)。

表2 备选财务指标

当财务指标过多时，使得网络结构变得更加复杂，会加大神经网络模型的训练负担，一般采取一定方法对财务指标进行筛选。使用较多的方法有主成分分析法和t检验法。主成分分析法主要采用降维的思想，将为数较多的财务指标转化为影响较大的几类变量，可将输入变量的数量大为减少，提高效率和预测精度。t检验法是对两类样本的均数进行显著性检验的方法，主要用于区分两类公司的差异性。本文的目的是预测财务风险，首先要区分ST公司和非ST公司的指标要有显著差异，能明显区分两类公司，因此选用t检验法较为合适。

为了分析所选取的财务比率是否能有效区别ST公司与非 ST公司，就136家上市公司对2007—2009年的14个财务指标做单边t检验，检验效果显著的财务指标作为下一步研究的变量。检验结果见表3所示。

表3 估计样本t检验和Wilcoxon检验

从表3可看出，通过对估计样本做Wilcoxon检验，发现ST样本公司和非ST样本公司所属总体具有相同分布，统计检验显著，可采用t检验筛选指标。从t检验的结果来看，在10%的显著性水平上有明显差异的指标有6个，即利息保障倍数、产权比率、流动比率、总资产增长率、现金流量比率和营业利润率，具体分析如下:

1.利息保障倍数和产权比率

非ST公司的长期偿债能力明显高于ST公司，尤其是产权比率具有1%的显著性水平，说明ST公司经营出现问题会导致负债明显增加。尽管利息保障倍数仅通过10%的显著性检验，但非ST公司均值为19.741，而ST公司的均值为－9.905二者差异达到29.646，表明两类公司的该项指标差异明显。

2.流动比率

ST公司在短期偿债能力上出现明显差异，流动比率在5%显著性水平上通过检验，说明ST公司短期内也会出现财务危机。

3.总资产增长率

相比较而言，ST公司在公司发展能力上也出现增长乏力。总资产增长率通过了1%的显著性检验，说明ST公司已明显无增长潜力。

4.现金流量比率

现金流量是最无法粉饰的，其说明问题的能力远高于盈利能力指标，在说明企业财务状况中发挥着越来越重要的作用。现金流量比率通过1%的检验，ST公司和非ST公司的现金流量比率的明显差异性说明ST公司靠自身经营创造现金的能力较差。

5.营业利润率

ST公司的盈利能力与非ST公司也有着明显差异，营业利润率在10%的水平上通过显著性检验。

五、预警模型及实证分析

(一)模型建立

本文采用BP神经网络模型先对估计样本进行训练。经t检验筛选出的财务指标有6个，输入变量为6维，输出为1维，代表公司的财务状况，0表示ST财务状况出现问题，1表示非ST财务状况良好。经过若干次试验，得到网络模型的隐含层为6，则本文采用的BP神经网络模型的机构为6—6—1，即输入层有6个节点，隐含层有6个节点，输出层有1个节点。选择的样本有136家，即共有136组上市公司的财务数据，从中选取100组数据作为估计样本，其余36组作为检验数据用来测试模型的预测能力。

(二)判定结果及检验

用功效系数法将估计样本的财务指标转化为功效系数，得到了1—5之间的数字，将转化后的单项功效系数代入模型，对100家估计样本公司进行判定，同时，为说明改进后的变量提高了模型的预测准确度，另建立一个网络模型，将财务指标直接作为输入变量代入，两模型进行对比，其判定结果如表4所示。

为验证模型对财务危机预警的准确性，分别各自的36家检验样本代入模型，得到检验样本的判定结果如表5所示。

表4 两类输入变量对估计样本的判定情况

表5 两类输入变量对检验样本的判定情况

从表4和表5对比分析来看，分别将财务指标和单项功效系数作为输入变量来预测财务危机的实证结果表明:

首先，采用BP神经网络模型进行财务危机预警，输入变量改进前后的误判率都很低，说明采用BP神经网络模型用于财务危机预警准确性较高。

其次，比较改进前后的输入变量的模型训练结果发现，改进后的误判率更低，表明考虑了行业差异的输入变量更能有效提高判别精度。

最后，从检验样本的判别情况来看，单项功效系数的误判率较低，表明采用功效系数法转化后的财务指标其预测财务危机的能力增强。

六、研究结论

本文通过实证研究表明:通过功效系数法对输入变量进行改进之后，财务危机预警效果明显高于传统方法。财务危机对企业影响巨大，财务危机预警的研究给企业预测危机风险提供思路，对企业是否能持续经营具有重大意义。通过对输入变量的改进，使得财务危机预警的效果更好，有利于企业更有效率地做好财务危机的防范工作，尽量减少企业陷入财务危机的风险。

将财务指标直接作为模型的输入变量，是研究财务危机预警的通用做法，然而，由于行业的差异，使得预测精度存在较大误差，不利于财务危机预警的有效实现。利用功效系数法对输入变量进行改进，之所以能提高预测能力，在于考虑了行业差异。在计算单项功效系数时将行业平均值作为标准进行分档，使得不同行业的财务指标转化后具有可比性，在BP神经网络模型基础上，形成新的训练和测试样本集，与直接将财务指标作为输入变量相比，提高了人工神经网络模型的精度，预测准确率得到有效提高。

本文研究有诸多不足之处，还需进一步研究探讨。首先，样本量较小。BP神经网络是模拟人脑，大样本有助于其找到内在的规律。本文100个估计样本可能会对实证分析结果造成影响。第二，财务危机企业的界定。我国上市公司被ST的条件或者是因为连续两年净利润为负值，或者是最近一个会计年度审计的企业净资产低于股票面值。一些上市公司为保壳，会对利润进行盈余管理，陆建桥 (1999)经实证研究发现，上市公司在首次出现亏损的年份，存在着明显的调减盈余的会计处理，而在扭亏为盈的年份，又明显出现调增利润的行为。由于盈余管理的存在，非ST公司也并不意味着未陷入财务危机，以是否ST来划分企业是否陷入财务危机有一定缺陷，因条件所限，样本的选择并不一定具有代表性，有进一步改进的空间。

［1］Altman，E.I.Financial Fatios，Discriminant Analysis and Prediction of Corporate Bankruptcy［J］.Journal of Finance，1968，(9):589－609.

［2］Odom，M.D.，Sharda，R.A.Neural Network for Bankruptcy Prediction［A］.International Joint Conference on Neural Network［C］.1990.

［3］杨淑娥，黄礼.基于BP神经网络的上市公司财务预警模型［J］.系统工程理论与实践，2005，(1).

［4］卢永艳.上市公司财务困境风险的行业差异性研究［J］.宏观经济研究，2012，(3).

［5］陈志斌，谭瑞娟.财务预警的行业差异模型研究［J］. 南京师大学报(社科版)，2006，(5).

［6］Beaver，W.H.Market Prices，Financial Ratios，and Prediction of Failure［J］.Journal of Accounting Research，1968，6(2):67－92.