趙海蕾　周方召　金德環(huán)

摘要：針對傳統(tǒng)的Z-Score財務(wù)預(yù)警模型預(yù)警能力的不足，導(dǎo)致無法準(zhǔn)確判定上市公司的財務(wù)風(fēng)險狀況，將SOA算法的良好尋優(yōu)能力和Z-Score財務(wù)預(yù)警模型結(jié)合起來，提出一種改進(jìn)的Z-Score財務(wù)預(yù)警模型，構(gòu)建出SOA算法優(yōu)化Z-Score財務(wù)預(yù)警模型的適應(yīng)度函數(shù)。仿真對比發(fā)現(xiàn)，改進(jìn)的Z-Score財務(wù)預(yù)警模型其平均識別率高達(dá)96.33%，遠(yuǎn)遠(yuǎn)高于SVM算法和AdaBoost算法的平均識別率，改進(jìn)的算法極大地提升了Z-Score財務(wù)預(yù)警模型的預(yù)測能力，使其更具適應(yīng)性。

關(guān)鍵詞： Z-Score模型；人群搜索算法；尋優(yōu)能力；數(shù)學(xué)模型；適應(yīng)度

中圖分類號：F275；F224文獻(xiàn)標(biāo)識碼：A文章編號：1003-7217（2015）02-0066-05

一、引言

當(dāng)前，國際金融危機(jī)導(dǎo)致我國很多上市公司受到很大影響，國內(nèi)和國際訂單大量減少，使得很多企業(yè)處于破產(chǎn)的危機(jī)之中，因此，針對上市公司進(jìn)行財務(wù)預(yù)警分析，有利于及時發(fā)現(xiàn)上市公司的財務(wù)危機(jī)，提出有效的應(yīng)對措施。

2009年陳靜等人[1]選取54個上市公司樣本數(shù)據(jù)，其中ST公司27個及非ST公司27個，將凈資產(chǎn)收益率、資產(chǎn)負(fù)債率等6個財務(wù)指標(biāo)作為分析對象，通過判別實證分析發(fā)現(xiàn)誤判率最低的財務(wù)指標(biāo)。

2012年周首華等人[2]提出一種改進(jìn)的Z計分模型，建立起財務(wù)危機(jī)預(yù)警模型，通過實證分析發(fā)現(xiàn)改進(jìn)的Z計分模型的預(yù)警能力優(yōu)于未改進(jìn)的Z計分模型。

2013年向德偉等人[3]選取上交所和深交所80家上市公司A股樣本數(shù)據(jù)為研究對象，通過實證分析，發(fā)現(xiàn)Z-Score模型針對80家上市公司的預(yù)警分析是基本有效的。

在前人研究的基礎(chǔ)上，本文以我國部分上市公司為研究對象，在Z-Score模型的基礎(chǔ)上，利用人群搜索算法的良好尋優(yōu)能力對Z-Score模型的參數(shù)進(jìn)行優(yōu)化修正，之后運(yùn)用修正的Z-Score模型對上市公司財務(wù)風(fēng)險實證分析，從而實現(xiàn)修正Z-Score模型財務(wù)預(yù)警能力的提高。

二、Z-Score模型

為了有效檢驗和預(yù)警將要投資的企業(yè)或股票的風(fēng)險性，美國Altman教授提出Z-Score財務(wù)預(yù)警模型對上市公司的財務(wù)狀況預(yù)警分析。通過Altman教授長期實證研究，選取5個財務(wù)指標(biāo)乘以不同系數(shù)，建立起Z-Score財務(wù)預(yù)警模型[4]，通過該模型可以分析出上市公司的風(fēng)險狀況。

式（1）中，Z表示Z-Score，X1、X2、X3、X4、X5分別表示不同財務(wù)指標(biāo)，X1=營運(yùn)資金/總資產(chǎn) ，X2=保留盈余/總資產(chǎn)，X3=息前稅前凈利/總資產(chǎn)，X4=股東權(quán)益市值/總負(fù)債的賬面價值，X5=銷售金額/總資產(chǎn)。

由式（1）可知，Altman的結(jié)論為：Z-Score≥2.675時，財務(wù)健全；Z-Score<2.675時，財務(wù)不佳。因此，通過Z-Score模型可以輕易地分析出上市公司的財務(wù)狀況。

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

（一）SOA算法基本思想

SOA算法模擬人的隨機(jī)搜索行為，將人的智能搜索行為直接應(yīng)用于對優(yōu)化問題解的搜索。在優(yōu)化計算中，人的隨機(jī)搜索行為可理解為：在連續(xù)空間的搜索過程中，較優(yōu)解的周圍可能存在更優(yōu)的解，最優(yōu)解可能存在于較優(yōu)解的鄰域內(nèi)。因此，當(dāng)搜尋者所處位置較優(yōu)時，應(yīng)該在較小鄰域內(nèi)搜索；當(dāng)搜尋者所處位置較差時，應(yīng)該在較大鄰域內(nèi)搜索。為此，SOA利用能有效描述自然語言和不確定性推理的模糊邏輯來對上述搜索規(guī)則進(jìn)行建模，并確定搜索步長。

SOA通過社會學(xué)習(xí)和認(rèn)知學(xué)習(xí)，分別獲取社會經(jīng)驗和認(rèn)知經(jīng)驗，并結(jié)合智能群體的自組織聚集行為、以自我為中心的利己主義行為和人的預(yù)動行為，確定個體搜索方向。

（二）SOA算法步驟

四、基于SOA優(yōu)化Z-Score模型

本文利用SOA算法優(yōu)良的尋優(yōu)能力，對Z-Score模型的系數(shù)進(jìn)行優(yōu)化修正，使其更加準(zhǔn)確地預(yù)測和表征我國上市公司的財務(wù)風(fēng)險狀況，其算法流程如圖3所示。假設(shè)存在5個未知變量，分別為K1、K2、K3、K4、K5，使得式（9）誤差最小，式（9）如下：

Fitness（K）=Z-實際-Z-預(yù)測（9）

式（9）中，Z-實際、Z-預(yù)測分別表示Z-Score實際得分和Z-Score預(yù)測得分，其表達(dá)式分別如式（10）和式（11）所示：

五、實證分析

本文以20家上市公司財務(wù)數(shù)據(jù)為研究對象，其財務(wù)指標(biāo)數(shù)據(jù)如表1所示，其中X1、X2、X3、X4、X5分別表示不同財務(wù)指標(biāo)，Y則表示上市公司的財務(wù)狀況（0表示危機(jī)公司，1表示正常公司）。根據(jù)Altman的結(jié)論Z-Score≥2.675時，財務(wù)健全；Z-Score<2.675時，財務(wù)不佳。通過計算這20家上市公司的Z-Score并將其同表1中的數(shù)據(jù)對比發(fā)現(xiàn)，通過計算上市公司的Z-Score判斷公司的財務(wù)狀況，只有3、8、9、10、12和第17家上市公司的財務(wù)狀況正確，因此判定傳統(tǒng)的Z-Score模型有進(jìn)一步優(yōu)化和提升的空間。以MATLAB軟件為平臺，SOA算法參數(shù)設(shè)置：種群規(guī)模sizepop=100，最大迭代次數(shù)Iteration=100，最大隸屬度值U-max =0.9500，最小隸屬度值U-min =0.0111，權(quán)重最大值W-max =0.9，權(quán)重最小值

1通過SOA算法優(yōu)化Z-Score模型，其適應(yīng)度最小時，其對應(yīng)的模型參數(shù)K1、K2、K3、K4、K5分別為1.3204、1.4531、3.2482、0.6751和1.1912。由圖7和表2可知，本文算法其平均識別率高達(dá)96.33%，遠(yuǎn)遠(yuǎn)高于SVM算法和AdaBoost算法的平均識別率。

六、結(jié)論

針對傳統(tǒng)的Z-Score財務(wù)預(yù)警模型存在診斷率不高，導(dǎo)致無法準(zhǔn)確判定上市公司的財務(wù)風(fēng)險狀況，本文利用SOA算法的良好尋優(yōu)能力，將其與Z-Score財務(wù)預(yù)警模型結(jié)合，提出一種改進(jìn)的Z-Score財務(wù)預(yù)警模型，構(gòu)建出SOA算法優(yōu)化Z-Score財務(wù)預(yù)警模型的適應(yīng)度函數(shù)，仿真結(jié)果表明，改進(jìn)的Z-Score財務(wù)預(yù)警模型其平均識別率高達(dá)96.33%，遠(yuǎn)遠(yuǎn)高于SVM算法和AdaBoost算法的平均識別率，改進(jìn)算法極大地提升了Z-Score財務(wù)預(yù)警模型的預(yù)測能力，使其更具適應(yīng)性。

參考文獻(xiàn)：

[1]陳靜.上市公司財務(wù)惡化預(yù)測的實證分析[J].會計研究，2009，（4） ： 31-38.

[2]周首華.“Z-Score”模型在我國中小企業(yè)板上市公司財務(wù)預(yù)警中的應(yīng)用研究[J].管理學(xué)報，2012，（8）：41-47.

[3]向德偉.運(yùn)用“Z記分法”評價上市公司經(jīng)營風(fēng)險的實證研究[J].會計研究，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]程劍峰，徐俊艷.學(xué)習(xí)矢量量化的推廣及其典型形式的比較[J]. 計算機(jī)工程與應(yīng)用，2012，（17）：23-28.

[7]付忠良，趙向輝等.AdaBoost算法的推廣一組集成學(xué)習(xí)算法[J].四川大學(xué)學(xué)報（工程科學(xué)版），2010， 6（42）： 91-98.

[8]莊嚴(yán)，白振林，許云峰.基于蟻群算法的支持向量機(jī)參數(shù)選擇方法研究[J]. 計算機(jī)仿真，2011，（5）：8-13.

（責(zé)任編輯：鐵 青）