基于多层感知器的财务风险预警研究

一、引言

工业企业从事的是工业性生产或劳务的经营活动,在国家的生产、流通、服务等经济活动中起到了重要作用,但在知识经济迅猛发展的时代,高新技术企业和第三企业的崛起,使得工业企业在投资融资甚至生产经营上都受到了较大的财务威胁,因此要加强对工业企业的财务预警,从而为企业的信息使用者提供及时有效的财务信息,预防企业可能出现的风险,保障股东的权益和市场稳定。

首先在财务风险预警领域树立里程碑的是Beaver(1966),他利用单变量对企业破产进行预测,局限性是对同一企业的风险进行预测时,选择的比率不同,得到的结果也可能有所不同。美国学者Edward Altman在1968年提出了多元变量Z-score模型,突破了单变量的研究。之后学者们纷纷利用多变量财务预警模型进行研究,但在1980年学者Ohlson首次采用Logistic方法预测财务风险。进入20世纪90年代,出现了基于神经网络的财务风险预警模型,得到的结果比较理想。随后一些新的方法如:支持向量机、期权定价模型也被运用到财务风险预警的分析中。我国的财务风险预警研究起步较晚,周首华、杨济华(1996)把现金流量指标引入到Z分数模型中,提出了新的模型―― F分数模型。陈瑜(2000)运用二元线性回归和主成分分析对上市公司财务预警模型的构建进行实证研究。姜秀华、孙铮(2001)则运用Logistic建立回归判别模型。随后的财务风险预警研究采用了新的方法――神经网络,如: Bp神经网络(杨淑娥、黄礼,2005),模糊神经网络混合模型(梁杰,2006),遗传神经网络(蔡志岳、吴世农,2006),RBF神经网络对物流企业财务风险预警的评价(刘磊、郭岩,2012)等。随着多学科的交流融合,也出现了其他的模型,如2015年蓝莎运用系统动力学对财务系统进行结构―功能模拟,建立了财务风险预警体系。

总体来看,多元判别分析、Logistic和人工神经网络是主要的预测方法,三者之中预测度最高的是人工神经网络,最差的是多元判别模型。目前文献对工业企业的财务风险预警研究较少,本文选取北京市工业企业与财务风险有关的财务与非财务数据,并引入人工神经网络中相对完善、易于操作的多层次感知器,构建财务风险预警体系。

二、数据样本的确定

(一)样本预警指标选取

本文研究对象是北京市45家在上海证券交易所上市的A股工业企业,并通过csmar数据库收集2012―2014年这些公司的相关指标。选取的指标既包括了反映企业偿债能力、盈利能力、经营能力和发展能力四个方面的财务指标,也涵盖了相关非财务指标,如股权集中度和独立董事比例,总计18项预警指标,如表1所示。

(二)财务风险划分

由于45家北京市工业企业被ST特殊处理的情况较少,且标记为ST发生在出现财务危机之后,很难对企业风险预警产生前瞻性影响,而且财务风险的发生是一个渐进的过程,上市公司的财务状况在不加以控制的情况下会由轻度财务危机转换为重度财务危机。所以本文将财务风险按照以下标准将其细分为低风险、中等风险和重大风险。如果当年的净利润不为负时,表明上市公司的财务风险为低风险;当年首次出现净利润为负,则表明上市公司为中等财务风险水平;当年为第二次出现净利润为负时,则表明财务风险水平很高,归类为重大风险。根据上述标准,将2012―2014年45家公司共135个样本划分为三类,其中:低风险有120个,中等风险为10个,重大风险为5个。

三、实证检验

(一)KMO检验与Bartlett球度检验

在收集到以上45家工业上市公司近三年18项指标数据后,对原始数据进行标准化处理,以消除不同指标间的量纲差异。在此基础上为判断135个样本数据是否能进行主成分分析,首先对标准化后的数据进行KMO检验与Bartlett球度检验,如表2所示,其中KMO值为0.678,大于0.6,适合做主成分分析;Bartlett球度检验的显著性概率为0,说明变量具有统计学意义,而且表现出高度的相关性和显著性。

(二)主成分因子的提取

为了对财务风险预警进行更加有效的分析,需要减少变量的个数,分析2012―2014年共135个样本数据的18项预警指标,利用SpSS软件进行因子分析,提取主成分因子,如表3所示。在特征值大于1时,共提取7个主成分因子,这7个主成分因子的累计方差贡献率达到75.9%,能反映18个变量四分之三的信息。设主成分因子为Fi(i=1,2, …,7),做成分矩阵(如表4所示),可以进一步分析主成分Fi所代表的能力和它反映的有关上市公司的财务信息。

主成分因子F1中资产报酬率、每股收益、营业净利率的比重较大,说明F1主要反映公司的盈利能力;F2中所有者权益增长率和净利润增长率所占的比重大,代表公司的发展能力;F3中反映偿债能力的指标比重较大,说明F3主要变现为偿债能力;F4中非财务指标的独立董事比例比重最大,则把公共因子看成股权结构因子;F5中总资产周转率的比重最大,代表整体营运能力;F6中综合杠杆的比重最大,反映了风险水平能力;F7中营运能力的应收账款周转率和存货周转率指标所占的比重大,F7代表日常营运能力因子。这7个因子涉及到财务和非财务的相关信息,比较全面地反映出财务风险的各种因素。 (三) MLp风险预警模型的构建及实证结果

多层感知器(MLp)是一种多层前馈网络模型,具有高度的非线性映射能力,它由三部分组成:一层为感知单元组成的输入层;一层为(或多层)计算节点的隐藏层;一层为计算节点的输出层。

本文运用SpSS软件,首先将七个主成分因子代表初始的18项指标,代入神经网络的多层感知器,作为协变量,风险程度作为因变量。其次在分区中,按照七比三的比例随机分配个案,即135个样本中70%作为训练变量,30%作为测试变量。其中训练变量中重大风险的样本为3个,中等风险的样本数为8个,低风险的样本数为86个;测试变量中包含重大风险的样本2个,中等风险的样本数为2个,低风险的样本数为34个。然后在体系结构中,设置最低的隐藏层数为1,分批进行培训操作时,选择调整的共轭梯度对算法进行优化。最后可以输出ROC曲线分析准确性和特异性,判断对财务风险的预警能力。

MLp对财务风险预警识别结果如表5所示,已预测与已观测的样本相比,在训练变量中,有三个样本其实属于重大风险,却预测为中等风险,准确率为0,中等风险和低风险全部预测准确,总体来看,训练变量的正确率为96.9%;在测试变量中,重大风险有2个在预测的中等风险水平中,总计的测试变量的准确率为94.7%。由此得出综合正确率为95.8%,其中低风险预测准确率为100%,说明多层感知器对低风险能较好的预测;误判均发生在将重大风险归类到中等风险,究其原因可能是重大风险与中等风险划分不明确,且在第一年出现净利润为负时,第二年要想转亏为盈的难度也很大,或者即使利润为正,为弥补去年差异最后的净利润数额也较小,这样造成重度风险和中度风险的差异不大,利用多层感知器预测时会产生偏差。

四、结论

为了使工业企业对财务风险进行预先的测定和防范,减少风险到来时企业的损失,本文根据45家北京市工业企业的财务数据,运用多层感知器神经网络对工业企业财务风险展开评价研究。

首先按照一定标准,划分样本所面临的财务风险大小,其次利用主成分分析,建立了较为全面的财务风险预警评价体系,包含了盈利能力、偿债能力、发展能力、风险水平、股权结构、整体和日常营运能力等七个指标,其中股权结构等经过量化的非财务指标引入有利于全面反映财务信息。在此基础上结合基于多层感知器的神经网络技术构建财务风险预警模型,实证结果表明,该模型综合正确百分比较高,对中等风险的公司财务风险预测也较为准确,可以为工业企业财务风险预警提供借鉴信息。鉴于模型进行实证分析,可以避免人工预测带来的主观影响,保证评价结果的客观性、准确性。

本文研究的不足是样本只限于北京市在上海证券交易所上市的A股工业企业,样本量较少,特别是按标准划分后的重大风险和中等风险的公司数量较少,导致多层感知器训练不充分,影响到测试结果的准确性。Z