赵海蕾　周方召　金德环

摘要：针对传统的Z-Score财务预警模型预警能力的不足，导致无法准确判定上市公司的财务风险状况，将SOA算法的良好寻优能力和Z-Score财务预警模型结合起来，提出一种改进的Z-Score财务预警模型，构建出SOA算法优化Z-Score财务预警模型的适应度函数。仿真对比发现，改进的Z-Score财务预警模型其平均识别率高达96.33%，远远高于SVM算法和AdaBoost算法的平均识别率，改进的算法极大地提升了Z-Score财务预警模型的预测能力，使其更具适应性。

关键词： Z-Score模型；人群搜索算法；寻优能力；数学模型；适应度

中图分类号：F275；F224文献标识码：A文章编号：1003-7217（2015）02-0066-05

一、引言

当前，国际金融危机导致我国很多上市公司受到很大影响，国内和国际订单大量减少，使得很多企业处于破产的危机之中，因此，针对上市公司进行财务预警分析，有利于及时发现上市公司的财务危机，提出有效的应对措施。

2009年陈静等人[1]选取54个上市公司样本数据，其中ST公司27个及非ST公司27个，将净资产收益率、资产负债率等6个财务指标作为分析对象，通过判别实证分析发现误判率最低的财务指标。

2012年周首华等人[2]提出一种改进的Z计分模型，建立起财务危机预警模型，通过实证分析发现改进的Z计分模型的预警能力优于未改进的Z计分模型。

2013年向德伟等人[3]选取上交所和深交所80家上市公司A股样本数据为研究对象，通过实证分析，发现Z-Score模型针对80家上市公司的预警分析是基本有效的。

在前人研究的基础上，本文以我国部分上市公司为研究对象，在Z-Score模型的基础上，利用人群搜索算法的良好寻优能力对Z-Score模型的参数进行优化修正，之后运用修正的Z-Score模型对上市公司财务风险实证分析，从而实现修正Z-Score模型财务预警能力的提高。

二、Z-Score模型

为了有效检验和预警将要投资的企业或股票的风险性，美国Altman教授提出Z-Score财务预警模型对上市公司的财务状况预警分析。通过Altman教授长期实证研究，选取5个财务指标乘以不同系数，建立起Z-Score财务预警模型[4]，通过该模型可以分析出上市公司的风险状况。

式（1）中，Z表示Z-Score，X1、X2、X3、X4、X5分别表示不同财务指标，X1=营运资金/总资产 ，X2=保留盈余/总资产，X3=息前税前净利/总资产，X4=股东权益市值/总负债的账面价值，X5=销售金额/总资产。

由式（1）可知，Altman的结论为：Z-Score≥2.675时，财务健全；Z-Score<2.675时，财务不佳。因此，通过Z-Score模型可以轻易地分析出上市公司的财务状况。

三、人群搜索算法（Seeker Optimization Algorithm，SOA）

（一）SOA算法基本思想

SOA算法模拟人的随机搜索行为，将人的智能搜索行为直接应用于对优化问题解的搜索。在优化计算中，人的随机搜索行为可理解为：在连续空间的搜索过程中，较优解的周围可能存在更优的解，最优解可能存在于较优解的邻域内。因此，当搜寻者所处位置较优时，应该在较小邻域内搜索；当搜寻者所处位置较差时，应该在较大邻域内搜索。为此，SOA利用能有效描述自然语言和不确定性推理的模糊逻辑来对上述搜索规则进行建模，并确定搜索步长。

SOA通过社会学习和认知学习，分别获取社会经验和认知经验，并结合智能群体的自组织聚集行为、以自我为中心的利己主义行为和人的预动行为，确定个体搜索方向。

（二）SOA算法步骤

四、基于SOA优化Z-Score模型

本文利用SOA算法优良的寻优能力，对Z-Score模型的系数进行优化修正，使其更加准确地预测和表征我国上市公司的财务风险状况，其算法流程如图3所示。假设存在5个未知变量，分别为K1、K2、K3、K4、K5，使得式（9）误差最小，式（9）如下：

Fitness（K）=Z-实际-Z-预测（9）

式（9）中，Z-实际、Z-预测分别表示Z-Score实际得分和Z-Score预测得分，其表达式分别如式（10）和式（11）所示：

五、实证分析

本文以20家上市公司财务数据为研究对象，其财务指标数据如表1所示，其中X1、X2、X3、X4、X5分别表示不同财务指标，Y则表示上市公司的财务状况（0表示危机公司，1表示正常公司）。根据Altman的结论Z-Score≥2.675时，财务健全；Z-Score<2.675时，财务不佳。通过计算这20家上市公司的Z-Score并将其同表1中的数据对比发现，通过计算上市公司的Z-Score判断公司的财务状况，只有3、8、9、10、12和第17家上市公司的财务状况正确，因此判定传统的Z-Score模型有进一步优化和提升的空间。以MATLAB软件为平台，SOA算法参数设置：种群规模sizepop=100，最大迭代次数Iteration=100，最大隶属度值U-max =0.9500，最小隶属度值U-min =0.0111，权重最大值W-max =0.9，权重最小值

1通过SOA算法优化Z-Score模型，其适应度最小时，其对应的模型参数K1、K2、K3、K4、K5分别为1.3204、1.4531、3.2482、0.6751和1.1912。由图7和表2可知，本文算法其平均识别率高达96.33%，远远高于SVM算法和AdaBoost算法的平均识别率。

六、结论

针对传统的Z-Score财务预警模型存在诊断率不高，导致无法准确判定上市公司的财务风险状况，本文利用SOA算法的良好寻优能力，将其与Z-Score财务预警模型结合，提出一种改进的Z-Score财务预警模型，构建出SOA算法优化Z-Score财务预警模型的适应度函数，仿真结果表明，改进的Z-Score财务预警模型其平均识别率高达96.33%，远远高于SVM算法和AdaBoost算法的平均识别率，改进算法极大地提升了Z-Score财务预警模型的预测能力，使其更具适应性。

参考文献：

[1]陈静.上市公司财务恶化预测的实证分析[J].会计研究，2009，（4） ： 31-38.

[2]周首华.“Z-Score”模型在我国中小企业板上市公司财务预警中的应用研究[J].管理学报，2012，（8）：41-47.

[3]向德伟.运用“Z记分法”评价上市公司经营风险的实证研究[J].会计研究，2013，（12）：21-25.

[4]Chen H，Hu Z，Ye z.Research of P2P Traffic identification based on BP neural network[A].Proc of the 1st Int Symp on Computer Network and Multimedia Technology[C].Piscataway，NJ：IEEE，2009：11-17.

[5]Yang A，Jiang S，Deng H.A P2P network traffic classification method using SVM[A].Proc of the 9th Int Conf on Young Computer Scientists[C].Piscataway，NJ：IEEE，2011：398-403.

[6]程剑峰，徐俊艳.学习矢量量化的推广及其典型形式的比较[J]. 计算机工程与应用，2012，（17）：23-28.

[7]付忠良，赵向辉等.AdaBoost算法的推广一组集成学习算法[J].四川大学学报（工程科学版），2010， 6（42）： 91-98.

[8]庄严，白振林，许云峰.基于蚁群算法的支持向量机参数选择方法研究[J]. 计算机仿真，2011，（5）：8-13.

（责任编辑：铁 青）