经济新常态下企业财务危机预警实证研究
2016-12-01符刚曾萍陈冠林
符刚 曾萍 陈冠林
[内容摘要]在新常态下外部宏观经济对企业内部经营管理的不利影响显著，建立动态、实时预报功能的企业财务危机预警对利益相关者加强风险管理有重要意义。本文运用全局主成分分析法，构建了融合神经网络与kalman.滤波法的财务预警模型，并以89家上市公司为样本进行实证分析，结果发现：融合了神经网络和Kalman滤波法的财务风险预警模型对企业的风险有良好的预判效果；企业财务危机的产生具有一个积累过程，企业可以运用财务危机发生前的财务指标数据对财务风险进行预警。
[关键词]经济新常态；财务预警；主成分分析；神经网络；Kalman滤波
以“速度变化、结构优化、动力转换”为特征的经济新常态，是“当前和今后一个时期我国经济发展的大逻辑”。在新常态下，一方面我国经济发展整体向好，潜力大，韧性强；另一方面也面临严重的结构性产能过剩、库存过量、风险过大等问题。2015年中央经济工作会议提出，推进供给侧结构性改革，将“去产能、去库存、去杠杆、降成本、补短板”作为2016年的五大任务。这对我国企业而言，机遇与挑战并存，风险与收益同在。但是，新常态下宏观政策、产业政策、微观政策和改革政策都在变化，很多企业面临挑战大于机遇，因财务危机导致企业经营陷入困境甚至破产清算的现象时有发生。因此，为避免或减弱新常态下企业的不利影响，加强企业财务运营的监控，及早发出预警信号，将企业面临的潜在财务危机告知利益相关者是十分必要的。本文在回顾已有的财务预警研究文献的基础上，运用全局主成分分析法，构建了融合神经网络和Kalman滤波法的财务预警模型，并以我国上市公司为样本进行实证研究，这既改变了单一方法的预警模型，又提高了财务预警的准确性，并对经济新常态下的风险管理有参考价值。
一、文献回顾
财务预警是借助企业提供的财务报表等资料，利用不同的分析方法，对企业的经营活动、财务活动等进行分析预测，以发现企业潜在的风险，并在危机发生之前向企业经营者发出警告，促使企业管理层采取有效措施，避免潜在的风险演变成损失。最早的财务预警研究是Fitzpatrick（1932）开展的单变量破产预测研究。他首先将样本公司分为破产和非破产两组，再尝试用不同的单一财务比率进行对比，最终认为股东权益/负债这个比率的判别能力最高。随后，William Beaver（1966）提出单一比率模型，即利用单一的财务比率来预测企业的财务困境，发现营运资本流/负债和净利润/总资产是最好的判别变量。但由于用单个指标判别的方法本身存在缺陷，Altman（1968）重新选择样本进行研究，确定出了判别效果最好的五个指标，最终对每个指标确定出权重，构造出了一个综合指标由此进行判别。Altman采用的多元线性的方法，对后来学者的产生了更深远的影响。Ohlson（1980）将Logit回归模型引入财务预警的研究中。他首先确定出了一个非破产概率区间和破产的概率区间，然后根据落在此区间上的企业的概率分布来确定哪些指标的判别效果较好，由此他也在logit回归的基础上，建立了多元概率模型。这两种方法都在很大程度上克服了一元判别和多元判别中的诸多缺陷。随着计算机技术的发展，利用人工神经网络这类黑箱模型的方法对财务预警的研究也逐渐增多，如Tam（1991），Coats和Fant（1991，1993），Ahman，Marco和Varetto（1995），Kevin，KarYanTan和MdodyY.Kiang（1992）采用人工神经网络模型对财务危机公司进行预测。此外，Messier和Hansen（1988）将专家系统运用于财务困境预测，结果证明分类效果最好；Charitou和Trige-orgis（2000）将B-s期权定价模型中的变量因子引入财务危机判别模型，发现到期债务面值、企业资产的当期市价、企业价值变化的标准差等期权变量在预测破产方面作用显著。
我国学者20世纪90年代开始对财务预警进行研究，目前已有一些成果。如周首华、杨济华和王平（1996）通过建立F分数模式对Compustat Pc Plus会计数据库中1990年以来4160家公司进行验证，发现准确率高达近70%。陈静（1999）采用单变量分析法和二类线性判定分析法进行财务危机预警分析，发现流动比率和负债比率的判别效果最好。宋秋萍（2000年）采用美国Ahman的z计分模型对中国6家公司进行了预测分析，发现直接使用美国公司财务数据建立的模型并不适用于对中国公司的预测。吴世农、卢贤义（2001）以多元线性回归分析、判别分析和逐步逻辑回归三种方法构建了相应的财务预警模型，研究结果表明这三种模型都可以在财务危机前做出相对较为准确的预警，并发现logistic预测模型的误判率最低。进入21世纪以后，各种智能算法应用到财务分析当中。刘洪、何光军（2004）用传统的判别分析方法、逻辑回归分析方法、人工神经网络方法进行比较研究，认为人工神经网络方法的预测精度远高于两种传统的统计方法。李健、刘翔（2011）将遗传算法与BP神经网络结合起来，对我国制造业上市公司进行实证分析，结果发现遗传神经网络准确度高于logistic回归模型和BP神经网络模型。
因此，过去对财务预警的研究已经形成一些成果，但面对瞬息万变的市场情况，这些预警模型的运用都有较强的适用条件。从现实案例和财务理论来看，公司财务危机都具有三大特点：一是越临近财务危机的发生，财务指标中所包含的危机信号就越多；二是财务数据的时间序列性，当期财务数据会对下一期造成影响；三是财务危机具有历史累积性，财务危机是长时间的经营不善所导致的最终结果。而现有研究成果大部分（杨华，2009；吴启富，耿霄，2010；李建，刘翔，2011）只是从其中一方面进行考虑，所构建的财务预警模型的适用性大大减弱，预警的准确性不高。本文中融合神经网络和Kalman滤波法的财务预警模型较好地解决了这些问题。
二、研究设计
（一）样本选择和数据来源
国内学者（刘洪，何光军，2004；刘际陆，2011；魏春梅，蔡通，2011）在过去的研究中常把是否被sT作为划分财务危机公司和财务良好公司的界限。这样非黑即白的划分方式存在两个缺陷：一是研究中忽视了企业财务危机的发生是一个逐步累积的过程；二是如果临近财务危机的发生才对企业做出预报，企业就没有充足的时间应对危机，这就丧失了预警的意义。所以，为延长企业财务危机的应对时间，从财务状况良好到发生财务危机，应该再划分一个过渡状态。本文将企业财务状况分成三个状态：财务状况良好、轻度财务危机和重度财务危机。以前的研究显示，企业被sT当期的财务数据，与该企业之前7～8年的财务数据呈现显出著性关系，所以本文将企业在T期至T-7期之内净利润均大零的情况，定义为财务状况良好；若在第T期企业被sT，则第T期的财务状态则被定义为重度财务危机，T-1期至T-5期的财务状况被定义为轻度财务危机。
本文以我国深、沪两市的上市公司作为样本，选择标准为：（1）2012年或2013年首次因连续两年亏损被ST的30家公司，其T期数据作为重度财务危机企业的判别样本。由于sT企业从其前7～8年的数据开始才与发生sT当期的数据呈显著性相关，所以本文选择企业T-1期至T-7期数据作为预测T期财务数据的预测样本。（2）2012年或2013年首次因连续两年亏损被ST的29家公司，其T-5期数据作为轻度财务危机企业的判别样本，其T-1期至T-7期数据作为预测T期财务数据的预测样本。（3）2012年或2013年非ST公司，并且十年之内均未出现净利润为负值情况的30家公司，其第T期数据作为财务状况良好企业的判别样本。为满足配对原则，同样选择其T-1期至T-7期数据作为预测T期财务数据的预测样本。此外，剔除有以下情况之一的sT公司：纯B股的sT公司，因其他状况异常而被sT的公司，存在严重假账的公司，上市两年内就被sT的公司，这类公司存在虚假包装上市的嫌疑，有严重数据缺失或数据不合理的公司。根据上述标准，本文从CSMAR数据库中选择了89家公司（见表5），选择的对象均为工业企业，时间分别为2006-2013年、2005-2012年，共11392个数据，满足客观性、可比性和可获得性等基本特征。
（二）预警指标分析与选取
1.基本预警指标的选择
为了更全面地反映企业的财务状况，本文参考了吴世农和黄世忠（1986）、孙晓琳（2010）、刘际陆（2011）关于财务危机预警的指标体系，同时遵循全面性原则、系统性原则、动态性原则，在满足数据可获得性的条件下，通过相关性分析后，从偿债能力、市场价值、现金流量、盈利能力、营运能力五个方面初步选取了12个财务指标（见表1）。
2.全局主成分分析
因为使用的数据是多维时序立体数据，过去很多研究并未考虑指标的时序因素对其产生的影响。为克服这一问题，本文使用全局主成分分析法降低指标维度，用较少的综合指标来代替原来较多的单一指标。主成分分析法要求数据满足正态分布，根据以往文献得出的结论，我国的财务比率总体不符合正态分布假设。但由于在SPSS软件中做主成分时，软件会自动将数据转换为服从标准正态分布，所以数据的正态化处理在这里就不再赘述。具体分析结果见表2。
为得到保留大部分信息的同时又完全正交的主成分因子，从而得到了最优的输入集，选择的主成分的累计贡献率一般必须达到85%以上，从而可以确定提取主成分的个数。虽然主成分个数提取原则上为主成分对应的特征值大于1的前m个主成分。但是其累计贡献率并未达到85%，所以本文考虑提取前9个主成分，累计贡献率为91.41%。
表3中的各数据代表各指标在主成分上的载荷。由于软件自动运行时，自动将原始数据进行过标准化处理，所以为得出各主成分的系数需要结合表2中各主成分对应的特征值。用各载荷值除以特征值开平方根之后，得到表4。
表4中各列的数据即是各主成的特征向量，将得到特征向量与标准化后的数据相乘，就可以得出各主成分线性表达式。
三、基于神经网络与Kalman滤波法的财务预警模型构建
（一）基于神经网络的判别模型构建
根据上文主成分数据，利用神经网络模式识别的方法构建判别模型。选取前30家公司第T年的横截面数据，将样本公司按70%、15%、15%的比例，分为训练组、验证组和测试组。误差反向传播（BP）神经网络的构建包括输入层、隐含层、输出层、传递函数、训练函数等网络结构和网络参数的设置。对于本文模型的具体设置如下：
1.输入层。输入变量决定输入层神经元个数，本文输入层节点数为提取的主成分个数。
2.隐含层。本文用两个隐含层的神经网络训练相对有助于提高预测的准确率。关于隐含层的神经元个数，一般只能根据经验，通过反复试验。
3.输出层。输出值代表模型要实现的目标功能，输出层采用pruelin函数，本文的输出层为3个输出节点，001代表“重度财务危机”，010代表“轻度财务危机”，011代表“财务状况良好”。
4.传递函数。隐含层到输出层之间的传递函数确定为tan-sigmoid传递函数。
5.学习函数。本文选取了基于快速误差反向传播（BP）算法的学习函数learngdm，该算法在学习规则上选取了梯度下降动量学习函数。
6.训练函数。为了提高训练速度，避免陷入局部最小和改善概括能力，函数tminlm具有较强的优势，因此本文选用trairdm作为训练函数。
7.网络参数。目标误差为0.01，学习速率为0.005，训练循环次数为1000次。
按要求训练后，得到的结果如图2所示的混淆矩阵。从训练组和测试组的混淆矩阵中可以看出，网络的判别结果都达到了100%。在验证组中，因一个财务状况良好的公司被判定为了轻度财务危机，致使验证组的误判率为1.12%，网络的总体判别正确率达到了98.88%。因此，可以认为所训练好的网络达到了很好的判断效果，可以用此网络对后期预测出的数据进行判别。
（二）基于Kalman滤波法的预测模型构建
Kalman滤波是一种高效率的递归滤波法，它能够从一系列的不完全及包含噪声的测量中，估计动态系统的状态。本文把样本公司各年的财务数据视为滤波器所处理的随机信号，利用系统噪声和观察噪声的特性，以每年的财务数据即观测值作为系统的输入，以系统的状态即财务数据的预测值作为滤波器的输出值，输入量和输出量通过时间更新和观测更新联系在一起，根据Kalman滤波的系统方程估计出所处理的财务数据。
设一个公司在t年的真实财务状况为X
首先，本文将企业各年的财务状况视为一个离散控制过程系统。该系统可用一个线性随机微分方程来描述。
根据89家样本公司的T-1到T-7期主成分数据，预测出了T-7期至T期的主成分数据。因预测结果数据量大，在此，随机选择一家公司（证券代码为000605）的预测结果，绘制出其各主成分逐年预测值与观测值的图形（图4至图12）。从图示可以看出，T期的预测值能够与观测值基本吻合，该模型具有良好的预测效果。并且，即使短暂财务数据发生显著变化，都不会对整个系统的预测产生较大影响（如图11和图12），这与企业短期财务状况波动并不会对其长期财务状况造成影响的现实相吻合。
最后，将预测出的所有样本司第T期主成分数据代入神经网络判别模型中，得到表5所示结果。
表5中的“实际状况”反映企业真实的财务状态，“预测结果”是根据企业各年数据预测的财务状况。结果发现，有24个判断结果出现了变化，总体预测的正确率为73.03%，这与张玲（2000）62%、吴世农（2001）73.17%的预测效率相比，虽然本文所采用的方法的预测效率并没有大幅度地提升，但结果也可以证明这种企业财务危机预警方法的适用性。
五、研究结论与启示
本文研究发现：（1）融合了神经网络和Kalman滤波法的财务风险预警模型对企业的财务状况有较好的预判效果。本文综合运用神经网络与滤波法以及Matlab和Python编程技术，从时间序列和横截面两个角度建立预警模型，通过对时序立体数据表进行全局主成分分析，得到了保留大部分信息同时又完全正交的主成分因子，从而为神经网络和Kalman滤波器提供了最优的输入集，模型预测的正确率达到了73.03%，这表明将神经网络与Kalman滤波法有机结合是分析企业财务状况、实现企业财务预警是一种有效路径。（2）企业财务危机的产生有一个日积月累的过程，不是一朝一夕形成的，企业可以运用财务危机出现之前的资产负债率、销售利润率、每股收益、现金流量比率、应收账款周转率等财务指标数据对财务风险进行预测并发出预警信号。
本文研究结论对经济新常态下的投资者、企业管理层和证券监管部门均有一定启示意义。第一，融合了神经网络与Kalman滤波法的财务预警模型对预判企业财务风险具有良好效果，投资者可以直接将该模型用于分析企业财务状况，从而了解已投资或计划投资企业的财务风险高低，以降低投资风险和提高投资收益。第二，企业管理层不仅可以通过该模型了解企业的财务状况，还可以根据财务预警传递出来的综合信息进行相机管理，提出具体的、具有针对性的经营管理策略，使新常态下的非系统风险可控、危机消除。第三，新常态下经济整体下行压力大、企业面临的系统风险大，证券监管部门应要求企业构建有效的财务预警机制，根据上市公司整体情况按产业行业、按危机程度相机进行风险管理，并鼓励企业披露更多财务预警信息，有利于投资者充分了解上市公司财务状况，从而做出相应的决策。
