郭毅夫，權(quán)思勇

（1.湖南文理學(xué)院 經(jīng)濟(jì)與管理學(xué)院，湖南常德415000；2.東華大學(xué)旭日工商管理學(xué)院，上海200051）

1 研究設(shè)計(jì)

1.1 技術(shù)路線

采用Clementine10.0的神經(jīng)網(wǎng)絡(luò)建模工具，采用創(chuàng)新型企業(yè)的財(cái)務(wù)數(shù)據(jù)進(jìn)行預(yù)測(cè)，其輸出為“危險(xiǎn)fail、不確定warning、安全safe”三種狀態(tài)。Clementine10.0的神經(jīng)網(wǎng)絡(luò)建模工具是一種完全的黑盒模型，不需要用戶構(gòu)建任何數(shù)學(xué)函數(shù)，完全通過(guò)機(jī)器的學(xué)習(xí)，改善神經(jīng)元之間的連接權(quán)重，儲(chǔ)存學(xué)習(xí)狀態(tài)，以完成學(xué)習(xí)訓(xùn)練。工具提供幾項(xiàng)特有的功能，包括：敏感度分析（sensitivity analysis）以輔助解釋神經(jīng)網(wǎng)絡(luò)結(jié)果，修剪（pruning）和驗(yàn)證（validation）以避免過(guò)度訓(xùn)練，動(dòng)態(tài)網(wǎng)絡(luò)（dynamic networks）以自動(dòng)找出合適的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)。

1.2 樣本及指標(biāo)選取

文章選擇的研究總樣本是一定數(shù)量的“財(cái)務(wù)危機(jī)”企業(yè)和與之相對(duì)應(yīng)的同樣數(shù)量的“非財(cái)務(wù)危機(jī)”企業(yè)。將總樣本分為兩組：一組為估計(jì)樣本組；另一組為測(cè)試樣本組。用估計(jì)樣本組的數(shù)據(jù)來(lái)構(gòu)建預(yù)警模型，而用測(cè)試樣本組的數(shù)據(jù)來(lái)檢驗(yàn)預(yù)警模型的有效程度。

本文研究創(chuàng)新性企業(yè)上市公司的財(cái)務(wù)危機(jī)預(yù)警問(wèn)題。因?yàn)閿?shù)據(jù)的可得性等原因，選取2010年被特別處理的上市公司為樣本，以A股上市公司是否因“財(cái)務(wù)狀況異常”而受到“特別處理”為界定該公司是否陷入財(cái)務(wù)危機(jī)的標(biāo)志。選擇非財(cái)務(wù)危機(jī)公司（即作為參照對(duì)象的非ST公司）的具體原則如下：

（1）滿足樣本時(shí)間性要求。為獲得足夠的數(shù)據(jù)進(jìn)行對(duì)比分析，選取ST公司被特別處理的前三年作為樣本的時(shí)間范圍，這就要求與其配對(duì)的非ST公司必須有那三年的財(cái)務(wù)數(shù)據(jù)。

（2）符合本文界定的創(chuàng)新型企業(yè)的條件，即必須符合8個(gè)基本條件中的至少3個(gè)基本條件。

（3）行業(yè)相同或相近、時(shí)期相同，規(guī)模相差不大。

從而研究樣本達(dá)到共48家?，F(xiàn)將24家ST公司和24家非ST公司隨機(jī)分為兩組，估計(jì)樣本組24家（12家ST公司和12家非ST公司），測(cè)試樣本組24家（12家ST公司和12家非ST公司），研究樣本如表1所示。

在本研究中所選取的樣本都是2010年被特別處理，應(yīng)采取2009年公布的2008年財(cái)務(wù)報(bào)表數(shù)據(jù)預(yù)測(cè)2010年是否可能陷入財(cái)務(wù)困境，即以2008年財(cái)務(wù)數(shù)據(jù)建立預(yù)警模型。

表1 財(cái)務(wù)危機(jī)預(yù)警研究樣本表

國(guó)內(nèi)外很多學(xué)者已經(jīng)利用財(cái)務(wù)指標(biāo)，對(duì)公司財(cái)務(wù)危機(jī)預(yù)警進(jìn)行了實(shí)證研究。盡管不同學(xué)者得出的預(yù)測(cè)公司發(fā)生財(cái)務(wù)危機(jī)的有效財(cái)務(wù)指標(biāo)不同，但研究結(jié)果類似，即基本上都是從公司的償債能力、盈利能力、營(yíng)運(yùn)能力等方面進(jìn)行研究的。結(jié)合我國(guó)實(shí)際情況以及財(cái)務(wù)數(shù)據(jù)的可獲得性，本文選取了如下20個(gè)財(cái)務(wù)指標(biāo)作為財(cái)務(wù)危機(jī)預(yù)警理論體系，見表2所示：

表2 財(cái)務(wù)指標(biāo)

1.3 樣本數(shù)據(jù)的處理

本應(yīng)用模型目的是要應(yīng)用K-Means方法對(duì)每一個(gè)指標(biāo)項(xiàng)的特征進(jìn)行分析，自動(dòng)判斷每個(gè)企業(yè)在各個(gè)指標(biāo)項(xiàng)上表現(xiàn)出來(lái)的特征。由于K-Means工具不支持同時(shí)輸出多個(gè)指標(biāo)的不同類，為了同時(shí)輸出各個(gè)指標(biāo)的不同類，需要構(gòu)建企業(yè)對(duì)財(cái)務(wù)指標(biāo)各項(xiàng)的分類模型。從X1開始，生成X1-1、X1-2、X1-3、X1-4和 X1-5五類，并和原有的20 個(gè)指標(biāo)一起作為下一個(gè)X2分析的輸入，生成包含X1指標(biāo)的五類在內(nèi)的X2-1、X2-2、X2-3、X2-4和X2-5五類，依次類推，直至生成所有各項(xiàng)的所有分類項(xiàng)，共計(jì)21個(gè)子模型。各指標(biāo)項(xiàng)中各類中的-1、-2、-3、-4和-5并不代表等級(jí)，只代表類別，在各指標(biāo)項(xiàng)中的意義也不相同，由計(jì)算機(jī)工具自動(dòng)生成，其具體的意義需要根據(jù)其均值的大小來(lái)確定，可以對(duì)五個(gè)類的均值進(jìn)行排序以構(gòu)成五個(gè)等級(jí)，例如：很好、好、中、差和很差。以指標(biāo)項(xiàng)X1為例，在47條記錄中，其X1-1的均值為0.492，共38個(gè)，標(biāo)準(zhǔn)差為0.374；X1-2的均值為13.313，共1個(gè)，標(biāo)準(zhǔn)差為0.0；X1-3的均值為6.525，共1個(gè)，標(biāo)準(zhǔn)差為0.0；X1-4的均值為2.102，共6個(gè)，標(biāo)準(zhǔn)差為0.397；X1-5的均值為5.444，共1個(gè)，標(biāo)準(zhǔn)差為0.0。圖1表示該指標(biāo)項(xiàng)的分類分布圖。對(duì)X1的均值進(jìn)行排序，則為：X1-1、X1-4、X1-5、X1-3和X1-2，由于流動(dòng)比率通常應(yīng)大于200%比較合適，顯然大多數(shù)企業(yè)處于不合適位置。

圖1 各個(gè)企業(yè)對(duì)財(cái)務(wù)指標(biāo)的各項(xiàng)分類模型

圖2 X1指標(biāo)的五類分布圖

表3列出了各個(gè)指標(biāo)的5類子指標(biāo)及其每類的均值和標(biāo)準(zhǔn)差。

表3 各指標(biāo)項(xiàng)的分類表

將上面根據(jù)K-Means方法劃分出來(lái)的類別表替換為離散型的數(shù)據(jù)如下表4，由此可進(jìn)行基于C5.0的財(cái)務(wù)預(yù)警決策樹建模。

表4 企業(yè)財(cái)務(wù)指標(biāo)經(jīng)過(guò)聚類劃分處理后的數(shù)據(jù)特征

圖3為Clementine10.0分析工具中，兩種輸入狀態(tài)下的財(cái)務(wù)預(yù)警神經(jīng)網(wǎng)絡(luò)模型。聚類值是利用K-Means處理后的財(cái)務(wù)指標(biāo)體系，如表4；連續(xù)值是利用原始數(shù)據(jù)。

在Clementine10.0中，使用聚類值輸入的財(cái)務(wù)預(yù)警神經(jīng)網(wǎng)絡(luò)模型參數(shù)設(shè)置如下：

圖3 在Clementine中構(gòu)建2種預(yù)測(cè)模型

（1）Fields頁(yè)簽：Targets，對(duì)應(yīng)輸出Risk；Inputs，對(duì)應(yīng)20個(gè)聚類以后的財(cái)務(wù)指標(biāo)值。

（2）Model頁(yè)簽：選擇使用數(shù)據(jù)分區(qū)（use partitioned data）；學(xué)習(xí)方法（Method）選擇 Dynamic；防止過(guò)度訓(xùn)練（Prevent overtraning sample%）選擇50.0；停止時(shí)間（Stop on times）為5.0分鐘（mins）。使用內(nèi)存優(yōu)化。

（3）Option頁(yè)簽：選擇持續(xù)訓(xùn)練已有模型（continue traning existing model）；顯示反饋圖型（show feedback graph）；選擇使用最優(yōu)網(wǎng)絡(luò)（use best network）；報(bào)告敏感度（sensitivity analysis）。

（4）其他頁(yè)簽內(nèi)容默認(rèn)。

2 實(shí)證研究與結(jié)果分析

為說(shuō)明問(wèn)題，下面比較財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警的連續(xù)值決策樹模型和離散值決策樹模型。聚類值輸入的財(cái)務(wù)預(yù)警模型整個(gè)學(xué)習(xí)過(guò)程相對(duì)平穩(wěn)，波動(dòng)性小，尤其是后期階段。整個(gè)過(guò)程中，最好的預(yù)測(cè)值（Best Predicted Accuracy）為89.04%，實(shí)際到達(dá)且穩(wěn)定的一定時(shí)間的預(yù)測(cè)值為89.041%。

下圖4為其一段時(shí)間內(nèi)，聚類輸入的財(cái)務(wù)預(yù)警模型運(yùn)算結(jié)果反饋時(shí)序圖。

圖4 聚類輸入的財(cái)務(wù)預(yù)警模型運(yùn)算結(jié)果反饋時(shí)序圖

該次模型運(yùn)算實(shí)際達(dá)到的準(zhǔn)確度估計(jì)值為89.041%。報(bào)告顯示，本次模型使用了100個(gè)神經(jīng)元作為輸入層；2個(gè)隱含層，一個(gè)為25個(gè)神經(jīng)元，另一個(gè)為8個(gè)神經(jīng)元；輸出層有3個(gè)神經(jīng)元。使用了50%的數(shù)據(jù)作為訓(xùn)練，50%的數(shù)據(jù)作為預(yù)測(cè)。預(yù)測(cè)結(jié)果顯示在141條數(shù)據(jù)中，有12條數(shù)據(jù)預(yù)測(cè)出錯(cuò)。

在Clementine10.0中，使用連續(xù)值輸入的財(cái)務(wù)預(yù)警神經(jīng)網(wǎng)絡(luò)模型參數(shù)設(shè)置與聚類值輸入的模型基本相同，只在輸入值的類型完全不同，連續(xù)值輸入的是小數(shù)點(diǎn)后達(dá)到4位精確度數(shù)據(jù)，輸出一樣。

連續(xù)值輸入的財(cái)務(wù)預(yù)警神經(jīng)網(wǎng)絡(luò)模型每次運(yùn)行的結(jié)果差異比較大，當(dāng)前預(yù)測(cè)精確度隨時(shí)間波動(dòng)性大。數(shù)十次運(yùn)行的情況來(lái)看，整體準(zhǔn)確度要略低于聚類值輸入形式下的預(yù)測(cè)。圖5就顯示了連續(xù)值模型的這種特點(diǎn)。

圖5 連續(xù)輸入值的財(cái)務(wù)預(yù)警神經(jīng)網(wǎng)絡(luò)模型運(yùn)行時(shí)序反饋

該次模型的精確度估計(jì)值為84.5%，實(shí)際的精確度為76.6%，在141條記錄中預(yù)測(cè)實(shí)際出錯(cuò)為33條。運(yùn)行報(bào)告指出，本次神經(jīng)網(wǎng)絡(luò)模型輸入層有20個(gè)神經(jīng)單元，隱含層有2層，一層有4個(gè)神經(jīng)單元，另一層有6個(gè)神經(jīng)單元，輸出層有3個(gè)神經(jīng)元。

3 結(jié)論

對(duì)于企業(yè)的財(cái)務(wù)指標(biāo)，一般都是連續(xù)值，但其并不具有良好的直觀特征，尤其是對(duì)于企業(yè)在群體中的定位則不清晰，人工評(píng)估的方法則帶有較多的主觀性，為此引入了容易為計(jì)算機(jī)程序?qū)崿F(xiàn)的K-Means方法。

就直觀的聚類值與精確的連續(xù)值2種輸入進(jìn)行比較。每種模型經(jīng)過(guò)數(shù)十次的運(yùn)算實(shí)驗(yàn)表明，每次運(yùn)算結(jié)果會(huì)有差異，有時(shí)可達(dá)到90%，有時(shí)只有73%；二種不同輸入模型的最終輸出準(zhǔn)確度，平均而言略微有差異，會(huì)隨著時(shí)間的流逝而波動(dòng)。整體來(lái)說(shuō)，使用了聚類值作為輸入的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)準(zhǔn)確度要優(yōu)于連續(xù)值，連續(xù)值模型的波動(dòng)最大。

[1]Odom M.,Sharda R.A.Neural Networks Model for Bankruptcy Pre?diction[C].Proceedings of the IEEE International Conference on Neu?ral Network，1990.

[2]Coats Pamela K.，F(xiàn)ranklin F.L.Recognizing Financial Distress Pat?terns Using a Neural Network Tool[J].Financial Management,1993,3.

[3]Atiya A.F.Bankruptcy Prediction for Credit Risk Using Neural Net?works：a Survey and New Results[C].IEEE Transactions on Neural Networks,2001,12(4).

[4]Charalambous Chris，Andreas Charitou，F(xiàn)roso Kaourou.Comparative Analysis of Artificial Neural Network Models：Application in Bank?ruptcy Prediction[C].IEEE Proceedings,1999,139(3).

[5]王今，韓文秀，侯嵐.西方企業(yè)財(cái)務(wù)危機(jī)預(yù)測(cè)方法評(píng)析[J].中國(guó)軟科學(xué)，2002，(6).

[6]劉洪，何光軍.基于人工神經(jīng)網(wǎng)絡(luò)方法的上市公司經(jīng)營(yíng)失敗預(yù)警研究[J].會(huì)計(jì)研究，2004，(2).

[7]周輝仁，唐萬(wàn)生等.基于遞階遺傳算法和BP網(wǎng)絡(luò)的財(cái)務(wù)預(yù)警[J].系統(tǒng)管理學(xué)報(bào)，2010，(2).