周梅妍

（中南財經(jīng)政法大學會計學院，武漢 430073）

0 引言

1 樣本的選取及指標體系的建立

1.1 研究樣本的選取

為便于財務數(shù)據(jù)的獲得和研究成果的對比，本文選擇房地產(chǎn)A股上市公司的財務數(shù)據(jù)作為分析樣本，把滬、深兩地證券市場中的ST房地產(chǎn)公司界定為處于財務危機的公司，非ST房地產(chǎn)公司界定為財務正常的公司。根據(jù)上市房地產(chǎn)公司的實際情況，采用非配對抽樣，抽取相對少量的財務危機企業(yè)與相對較多的正常企業(yè)。

基于以上原則，并根據(jù)CCERDATA和新浪網(wǎng)站公布的房地產(chǎn)上市公司報表及CSRC和GISC的行業(yè)分類標準，選取滬、深兩市房地產(chǎn)上市公司。選取的房地產(chǎn)企業(yè)情況如表1所示，由于2006年的數(shù)據(jù)缺省太多，且2010年的被ST房地產(chǎn)公司數(shù)量很少不便于預測，故本文僅選取2007～2009年的房地產(chǎn)企業(yè)作為研究樣本，分為財務正常企業(yè)和財務危機企業(yè)兩種樣本(表1)。

表1 2006～2010年房地產(chǎn)上市企業(yè)情況

1.2 財務預警指標的選取

由于對財務危機預警的研究始終缺少系統(tǒng)的經(jīng)濟理論支持，很難在已有的參考資料中找到企業(yè)內部影響因素的公認指標。故本文試圖結合房地產(chǎn)上市公司的實際情況，并基于可采取可量化的原則，將選擇涵蓋企業(yè)償債能力、現(xiàn)金流量能力、盈利能力、營運能力、股東獲利能力、成長能力等方面的財務指標共32個，同時也將選擇涵蓋公司規(guī)模、股權結構、市場信息、審計等方面的非財務指標共20個，見表2。

表2中的指標能比較全面地衡量房地產(chǎn)上市公司各方面的情況。然而財務危機預警指標過多，會導致神經(jīng)網(wǎng)絡分析的過分擬合，同時指標之間的相互關聯(lián)反而會導致預警判別結果出現(xiàn)偏差。因此在對數(shù)據(jù)進行神經(jīng)網(wǎng)絡分析前，必須先對這些財務危機預警指標進一步篩選，去掉冗余信息。

2 模型構建與對比分析

2.1 財務數(shù)據(jù)處理

由于在采集到的企業(yè)原始數(shù)據(jù)中，有些企業(yè)的部分數(shù)據(jù)缺乏，故首先要做預處理，才能進行深層次的分析。處理情況包括以下幾種：

（1）對于在財務報表中未披露的數(shù)據(jù)。本文將用該企業(yè)前后兩年的平均數(shù)作為缺省數(shù)據(jù)補充，以保證整體數(shù)據(jù)的完整性。

（2）對于在公開信息中無法獲得或依據(jù)公開信息無法判斷的數(shù)據(jù)。本文將依據(jù)悲觀準則用“不利”數(shù)據(jù)進行填充。比如，對于無法獲得董事長是否變更的情況，都一律認為發(fā)生變更。

改革開放40年來，哈電電機在黨中央、國務院的關懷下，在哈電集團的堅強領導下，合理布局、精準發(fā)力，在科技創(chuàng)新、市場營銷、品牌建設等方面收獲累累碩果，一次又一次挺起了民族工業(yè)的脊梁，奮力推進企業(yè)實現(xiàn)高質量發(fā)展。

當數(shù)據(jù)處理完整之后，利用SPSS統(tǒng)計分析軟件提供的K-S檢驗，對2007～2009年的127個樣本的52個指標進行正態(tài)分布檢驗。檢驗結果顯示，在顯著性水平為0.05下，流動負載比例、長期負載比例、年度股東大會會議出席率、董事監(jiān)事和高級管理人員總人數(shù)、CR10指數(shù)、換手率這6個變量的K統(tǒng)計量的p值大于0.05，符合正態(tài)分布，其余指標樣本不符合正態(tài)分布。

表2 財務風險預警指標

2.2 顯著性檢驗

2.2.1 服從正態(tài)分布的財務危機預警指標的均值相等性檢驗

對于服從正態(tài)分布的變量，可根據(jù)兩種樣本（財務正常企業(yè)和財務危機企業(yè)）的均值差的t統(tǒng)計量，對其進行獨立樣本的均值相等性檢驗，從而判斷兩種樣本中的財務危機預警指標是否存在顯著性差異。在0.05的顯著性水平下，長期負債比例、CR10指數(shù)、流動負載比例這3個指標通過了t檢驗的顯著性水平檢驗，即兩個樣本中的這3個指標有顯著性差異。董事監(jiān)事和高級管理人員總人數(shù)、換手率、年度股東大會會議出席率這3個指標沒有通過t檢驗，即兩個樣本中的這3個指標沒有顯著性差異。如表3所示。

2.2.2 不服從正態(tài)分布的財務危機預警指標的非參數(shù)檢驗

表3 房地產(chǎn)上市公司的財務危機預警指標的均值相等性檢驗

表4 KMO和Bartlett的檢驗

對其余47個不服從正態(tài)分布的財務危機預警指標變量，因其不符合t檢驗的前提條件，不能采用t檢驗的方法。本文采用非參數(shù)檢驗中的兩獨立樣本非參數(shù)檢驗的Mann-WhitneyU檢驗、Wald-Wolfowitz W檢驗和Kolmogorov-Smirnov檢驗相結合的方式，若有一半以上非參數(shù)檢驗認為指標有差異，則認為通過了顯著性檢驗。通過SPSS檢驗后，流動比例、速動比例、營運資金比例、現(xiàn)金流量對流動負載比例、資產(chǎn)負債率、權益負債率、固定資產(chǎn)比例、長期負債比例利息保障倍數(shù)、存貨周轉率、資產(chǎn)周轉率、應收賬款周轉率、營運收入凈利潤率、營業(yè)利潤率、每股收益、市凈率、市盈率、凈資產(chǎn)增長率、營業(yè)利潤增長率、財務杠桿系數(shù)、年度內董事會的會議次數(shù)、金額最高的前三名董事的報酬總額、回報率、西格瑪系數(shù)、貝塔系數(shù)這24個指標通過顯著性檢驗；其余指標在兩種樣本中沒有顯著性差異。

2.2.3 顯著性檢測結果

綜合上述t檢驗及非參數(shù)檢驗的結果，一共選取27個財務危機預警指標作為下一步分析對象。其中財務指標20個，非財務指標7個。

2.3 財務指標的因子分析

上面確定的27個財務危機預警指標具有顯著性，這些指標從不同方面反映了公司的財務狀況。但財務危機預警指標項過多會導致神經(jīng)網(wǎng)絡模型的過分擬合，反而影響結果的正確性[2]。本文考慮用因子分析的方法對財務危機預警指標進行降維處理。

首先利用KMO檢驗對20個財務指標變量之間的相關性進行測定，把原有變量的指標數(shù)值代入SPSS軟件，計算結果如表3所示。變量指標的KMO測度值為0.674，球形檢驗P值小于0.05，檢驗結果顯著，可以做因子分析。檢驗結果如表4所示。

把樣本數(shù)據(jù)代入SPSS，采用主成分分析方法，并取累計貢獻率為78.517%，則主成份為8個，即用這8個主成份來代替原來的20個財務指標。本文采用正交旋轉法中的方差最大法進行轉換。結果如表5所示。

表5 正交旋轉成分矩陣

觀察表5，可以將這8個因子歸納為，短期償債和現(xiàn)金流動能力因子、盈利能力因子、營運能力因子、獲利能力因子、風險評價能力因子、資本成長潛力能力因子、資產(chǎn)營運負債能力因子、股東獲利能力因子。

同時對非財務指標進行因子分析，發(fā)現(xiàn)不滿足KMO檢驗，無法進行主成分提取，故可直接將7個非財務指標作為神經(jīng)網(wǎng)路的輸入。

2.4 BP-Adaboost神經(jīng)網(wǎng)絡模型

Adaboost算法的思想是合并多個“弱”分類器的輸出以產(chǎn)生有效的分類。BP-Adaboost模型即把BP神經(jīng)網(wǎng)絡作為弱分類器，反復訓練BP神經(jīng)網(wǎng)絡預測樣本輸出，通過Adaboost算法得到多個BP神經(jīng)網(wǎng)絡弱分類器組成的強分類器。

對于本案例來說，輸入節(jié)點為15維，代表上述8個財務因子和7個非財務指標，輸出為1維，代表公司財務狀況。輸出為1時表示財務狀況良好，輸出為-1時表示財務狀況出現(xiàn)問題。BP神經(jīng)網(wǎng)絡的激發(fā)函數(shù)選取Sigmoid函數(shù)

同時應注意隱含層節(jié)點數(shù)的選擇，如果隱含節(jié)點數(shù)太少，BP神經(jīng)網(wǎng)絡不能建立復雜的映射關系，預測誤差較大，節(jié)點數(shù)過多，網(wǎng)絡學習時間增加，可能出現(xiàn)“過分擬合”現(xiàn)象，導致訓練樣本預測準確，但對其它樣本預測的誤差則較大。一般采用經(jīng)驗法，中間隱含節(jié)點數(shù)參考下面公式：

其中，l為中間隱含節(jié)點數(shù)，m為輸出節(jié)點數(shù)，n為輸入節(jié)點數(shù)，a為1～10之間的一個常數(shù)。

本文通過試錯法，確定BP神經(jīng)網(wǎng)絡的結構為15-4-1，共訓練生成15個BP神經(jīng)網(wǎng)路弱分類器；并用這15個弱分類器組成強分類器對公司財務狀況進行分類。

抽取2007～2008年共127組數(shù)據(jù)作為訓練數(shù)據(jù)，再抽取2009年84組數(shù)據(jù)作為測試數(shù)據(jù)。根據(jù)Adaboost和BP神經(jīng)網(wǎng)絡原理，采用Matlab進行仿真，設定單個BP迭代次數(shù)為50，學習率為0.1，目標為0.00004。采用多次訓練求平均值的方法確定分類錯誤和誤差率，作為訓練的結果，如表6所示。

表6 分類誤差統(tǒng)計

2.5 模擬結果分析

BP-Adaboost作為強分類器，比BP分類器的準確性要強，同時和Logistic回歸模型相比，誤差率要相應小一些[3][4]，該模型和指標項對財務正常的企業(yè)具有較高的判斷能力，誤差率只有2.71%。但本模型對于財務異常企業(yè)的判斷能力就有些弱了。一方面，2007～2009年中國和國際經(jīng)濟形勢發(fā)生了巨大變化，而房地產(chǎn)企業(yè)受外部環(huán)境和政策的影響很大；又由于房地產(chǎn)企業(yè)的特殊性，其財務指標往往帶有滯后性，故若忽略這些因素，而只選取公司內部指標來判斷一個企業(yè)財務狀況是否正常有些欠妥。另一方面，對于異常企業(yè)來說，其部分數(shù)據(jù)太過異常，淹沒了其它數(shù)據(jù)之間的差異性，從而對該部分數(shù)據(jù)的標準化肯定會影響該指標項的其他數(shù)據(jù)，給最終結果帶來影響。

3 結論

本文構建了財務風險預警指標體系，采用因子和神經(jīng)網(wǎng)絡模型對財務危機預警指標進行了分析研究發(fā)現(xiàn)：

（1）房地產(chǎn)行業(yè)對數(shù)據(jù)重要性的意識在增強，數(shù)據(jù)公開的程度都有加強。2006年過半數(shù)的房地產(chǎn)上市企業(yè)的財務數(shù)據(jù)不完整或未披露，到2010年就有80%以上的房地產(chǎn)上市企業(yè)的財務數(shù)據(jù)是完整的。

（2）通過因子分析方法，找出了影響房地產(chǎn)上市企業(yè)的財務指標的主要因子包括短期償債和現(xiàn)金流動能力、盈利能力、營運能力、獲利能力、風險評價能力、資本成長潛力能力、資產(chǎn)營運負債能力、股東獲利能力，并說明從這幾個方面選取指標，構建指標體系是合理的。

（3）神經(jīng)網(wǎng)絡模型在房地產(chǎn)公司財務風險預警上具有較高的準確性，BP-Adaboost強分類器比一般的BP分類器預測效果要好。

[1]顏哲,劉倩,王貴春.房地產(chǎn)公司財務預警實證研究——t檢驗與因子分析法下Logistic模型運用對比[J].財會月刊，2011，(18).

[2]陳芝，張東亮，單汨源.基于BP神經(jīng)網(wǎng)絡的中小企業(yè)技術創(chuàng)新能力評價研究[J].科技管理研究，2010，(2).

[3]李建中，武鐵梅.基于因子——logistic模型的房地產(chǎn)業(yè)上市公司財務預警分析[J].哈爾濱商業(yè)大學學報(社會科學版)，2010，(5).

[4]陳立文，孟苓閣.房地產(chǎn)上市公司Logistic預警模型研究[J].價值工程，2010，(8).