（青島大學(xué)會(huì)計(jì)學(xué)系山東青島266071）

一、引言

企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)主要是指企業(yè)在經(jīng)營、籌資、投資方面面臨的不確定性，具體指企業(yè)財(cái)務(wù)結(jié)構(gòu)不合理、融資不當(dāng)使公司可能喪失償債能力而導(dǎo)致投資者預(yù)期收益下降的風(fēng)險(xiǎn)（黃婉婷，2013）。企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)控制是財(cái)務(wù)管理的重要內(nèi)容，加強(qiáng)對(duì)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的識(shí)別，為決策者、管理者和投資者提供及時(shí)有效的財(cái)務(wù)信息，保障各方的利益具有重要意義。對(duì)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的預(yù)測的研究方法，是根據(jù)企業(yè)的財(cái)務(wù)或非財(cái)務(wù)的指標(biāo)，建立各種風(fēng)險(xiǎn)預(yù)測模型。主要有基于統(tǒng)計(jì)理論的線性回歸模型，如Z-Score財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型（嚴(yán)碧紅、馬廣奇，2011）；以人工神經(jīng)網(wǎng)絡(luò)為代表的非線性模型，研究文獻(xiàn)很多，這些非線性模型實(shí)際上是一種基于模式識(shí)別的判別方法。本文以模式識(shí)別理論為指導(dǎo)，來建立財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測的模式識(shí)別模型。依據(jù)構(gòu)建模式識(shí)別系統(tǒng)的方法，研究企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)分類、風(fēng)險(xiǎn)特征提取、模式分類器的設(shè)計(jì)、分類器訓(xùn)練和測試，并用21家化肥類上市公司最近4年的財(cái)務(wù)數(shù)據(jù)進(jìn)行實(shí)證分析。

二、企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的模式識(shí)別系統(tǒng)

（一）模式識(shí)別理論及其在企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測中的應(yīng)用

模式識(shí)別誕生于上世紀(jì)20年代，隨著計(jì)算機(jī)技術(shù)的發(fā)展，在60年代形成的一門人工智能學(xué)科。它對(duì)事物的時(shí)間或空間分布信息進(jìn)行分析，根據(jù)事物的樣本特征對(duì)樣本進(jìn)行分類。模式識(shí)別技術(shù)在經(jīng)濟(jì)領(lǐng)域應(yīng)用例子眾多，如對(duì)CPI代表規(guī)格品價(jià)格走勢(shì)形態(tài)中的平穩(wěn)走勢(shì)的識(shí)別 （王浩，2014），基于BP神經(jīng)網(wǎng)絡(luò)的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警系統(tǒng)（何珊，2016）等。模式識(shí)別研究方法主要有統(tǒng)計(jì)模式識(shí)別、結(jié)構(gòu)模式識(shí)別、模糊模式識(shí)別和人工神經(jīng)網(wǎng)絡(luò)。這些方法的理論基礎(chǔ)不同，各有特點(diǎn)。其中，人工神經(jīng)網(wǎng)絡(luò)是一種應(yīng)用大腦突觸聯(lián)結(jié)的結(jié)構(gòu)進(jìn)行信息處理的數(shù)學(xué)運(yùn)算模型，由大量的節(jié)點(diǎn)（神經(jīng)元）和彼此的相互連接構(gòu)成。每個(gè)節(jié)點(diǎn)代表一種特定的輸出函數(shù)，每兩個(gè)節(jié)點(diǎn)間的連接代表一個(gè)通過該連接信號(hào)的權(quán)重。網(wǎng)絡(luò)的輸出則依連接方式、權(quán)重值和激勵(lì)函數(shù)的不同而不同。人工神經(jīng)網(wǎng)絡(luò)模型中應(yīng)用最多也是最成功的當(dāng)屬以采用BP學(xué)習(xí)算法的多層感知器（以下簡稱BP神經(jīng)網(wǎng)絡(luò)）為代表，其方法是將樣本空間分為訓(xùn)練集和測試集兩個(gè)集合，采用有監(jiān)督的學(xué)習(xí)方式用訓(xùn)練集樣本對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，用測試集樣本對(duì)BP神經(jīng)網(wǎng)絡(luò)的分類效果進(jìn)行評(píng)價(jià)。BP網(wǎng)絡(luò)具有高度的非線性映射能力，而且它不要求大樣本訓(xùn)練集空間。本文采用BP神經(jīng)網(wǎng)絡(luò)構(gòu)造財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測的模式識(shí)別系統(tǒng)的分類器。

（二）財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測的模式識(shí)別系統(tǒng)的組成

基于模式識(shí)別財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測的模式識(shí)別系統(tǒng)主要由三部分組成：數(shù)據(jù)獲取和預(yù)處理，特征提取和選擇，分類決策，如圖1所示。

圖1 企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測的模式識(shí)別系統(tǒng)

1.數(shù)據(jù)獲取和預(yù)處理。企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)的發(fā)生是一個(gè)漸進(jìn)的發(fā)展過程，企業(yè)的財(cái)務(wù)狀況在不加以控制的情況下會(huì)由輕度財(cái)務(wù)危機(jī)轉(zhuǎn)化成重度財(cái)務(wù)危機(jī)。財(cái)務(wù)狀況發(fā)生變化前，當(dāng)期財(cái)務(wù)報(bào)表中的指標(biāo)會(huì)提前出現(xiàn)異動(dòng)，因此，可以選擇企業(yè)的資產(chǎn)負(fù)債表、利潤表、現(xiàn)金流量表中的若干指標(biāo)數(shù)據(jù)作為系統(tǒng)的輸入值，來預(yù)測企業(yè)未來財(cái)務(wù)狀況的變化。

2.特征提取和選擇。選擇每股基本指標(biāo)、成長能力指標(biāo)、盈利能力和質(zhì)量指標(biāo)、運(yùn)營能力指標(biāo)和財(cái)務(wù)風(fēng)險(xiǎn)指標(biāo)等財(cái)務(wù)數(shù)據(jù)，作為表示企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的特征分量。由于這些財(cái)務(wù)指標(biāo)間有的相互重疊，有的有較強(qiáng)的相關(guān)性，因此，有必要對(duì)樣本的特征向量進(jìn)行降維，盡量用少的特征數(shù)據(jù)來反映企業(yè)的財(cái)務(wù)狀況。這樣既可簡化BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，也有利于加快BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)過程中的輸出誤差的收斂速度。

對(duì)特征向量進(jìn)行降維處理的方法很多，本文采用因子分析法。它是多元統(tǒng)計(jì)分析中常用的一種方法，通過研究眾多變量之間的內(nèi)部依賴關(guān)系，用少數(shù)幾個(gè)變量表示觀測數(shù)據(jù)基本結(jié)構(gòu)，來反映原來眾多變量的主要信息。

3.分類決策。BP神經(jīng)網(wǎng)絡(luò)由三部分組成：一層為神經(jīng)元組成的輸入層，輸入層神經(jīng)元的數(shù)量由特征向量的維數(shù)決定；一層（或多層）為計(jì)算節(jié)點(diǎn)的隱藏層；一層為輸出層，輸出層數(shù)量由企業(yè)風(fēng)險(xiǎn)類別數(shù)決定。

三、企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測的模式識(shí)別系統(tǒng)實(shí)現(xiàn)方法與步驟

（一）企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)新分類方法

侯芝芳（2014）以上市企業(yè)是否被ST作為財(cái)務(wù)發(fā)生危機(jī)的標(biāo)志，而作為對(duì)比，將同類型的非ST企業(yè)的財(cái)務(wù)狀況視為正常；劉君力、劉吉成（2012）用EVA（經(jīng)濟(jì)增加值）指標(biāo)是否大于0作為區(qū)分財(cái)務(wù)狀況正常與危機(jī)的標(biāo)準(zhǔn)。為了反映企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的變化趨勢(shì)，本文根據(jù)企業(yè)當(dāng)期和前期凈利潤的對(duì)比，將公司財(cái)務(wù)風(fēng)險(xiǎn)劃分為持續(xù)盈利、虧轉(zhuǎn)盈、盈轉(zhuǎn)虧和持續(xù)虧損四類，這樣能更好地對(duì)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行預(yù)測。

（二）企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)特征指標(biāo)和處理方法

根據(jù)上市公司年報(bào)公布的內(nèi)容，選擇的財(cái)務(wù)風(fēng)險(xiǎn)指標(biāo)體系如表1所示。這20項(xiàng)指標(biāo)具有代表性和良好的預(yù)測性能，可以充分反映企業(yè)的財(cái)務(wù)狀況。

（三）特征處理方法

采用因子分析法對(duì)樣本的特征向量進(jìn)行降維處理。因子分析的步驟如下：（1）選擇分析的變量。原始變量之間有較強(qiáng)的相關(guān)性是因子分析的前提條件。（2）計(jì)算原始變量的相關(guān)系數(shù)矩陣。相關(guān)系數(shù)矩陣是估計(jì)因子結(jié)構(gòu)的基礎(chǔ)。（3）提取公因子。確定因子求解的方法和因子個(gè)數(shù)，目的是計(jì)算因子的載荷矩陣。因子求解的方法主要有主成分分析法、主因子法和最大似然估計(jì)法。因子個(gè)數(shù)的確定根據(jù)因子方差的大小確定，取方差大于1（或特征值大于1）的那些因子。（4）因子旋轉(zhuǎn)。對(duì)因子的載荷矩陣進(jìn)行正交變換，求取旋轉(zhuǎn)因子載荷矩陣，目的是輔助理解提取因子的實(shí)際意義。（5）計(jì)算因子得分。本文采用因子得分作為財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測特征向量的分量。

表1 上市公司財(cái)務(wù)風(fēng)險(xiǎn)研究相關(guān)指標(biāo)體系表

（四）分類器的結(jié)構(gòu)設(shè)計(jì)與實(shí)現(xiàn)步驟。

本文采用三層BP神經(jīng)網(wǎng)絡(luò)作為模式識(shí)別的分類器。輸入層節(jié)點(diǎn)數(shù)是財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測的特征向量的維數(shù)，輸出節(jié)點(diǎn)數(shù)有四個(gè)，分別對(duì)應(yīng)上文中的四類財(cái)務(wù)風(fēng)險(xiǎn)；采用經(jīng)驗(yàn)公式間的常數(shù)，n、m 分別為輸入輸出節(jié)點(diǎn)數(shù)，確定隱含層節(jié)點(diǎn)的數(shù)量。采用BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)分類器，主要有四步：樣本特征數(shù)據(jù)歸一化處理；前饋網(wǎng)絡(luò)創(chuàng)建函數(shù)；訓(xùn)練一個(gè)神經(jīng)網(wǎng)絡(luò)；使用網(wǎng)絡(luò)進(jìn)行仿真。

四、實(shí)驗(yàn)分析

（一）數(shù)據(jù)收集

本文依據(jù)上市公司的行業(yè)劃分，選取了滬深兩地上市化肥類公司作為研究樣本，公司分布在主板、中小板和創(chuàng)業(yè)板?；暑惿鲜泄?，其產(chǎn)品類別、資本結(jié)構(gòu)、經(jīng)營方式相似，面臨著相同的宏觀和微觀經(jīng)濟(jì)形勢(shì)，化肥行業(yè)屬于周期性行業(yè)，盈利水平波動(dòng)比較大，因此，非常適合用來做財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警研究。

根據(jù)東方財(cái)富網(wǎng)發(fā)布的 2013、2014、2015、2016年度上市化肥公司的財(cái)務(wù)報(bào)告，剔除在報(bào)告期內(nèi)被ST的公司，選擇藏格控股、中旗股份、魯北化工、華魯恒生、史丹利、司爾特、新洋豐、芭田股份、金正大、紅太陽、澄星股份、云圖控股、魯西化工、華昌化工、東凌國際、湖北宜化、云天化、六國化工、瀘天化、陽煤化工、四川美豐共21家化肥類上市公司的財(cái)務(wù)數(shù)據(jù)，進(jìn)行整理后內(nèi)容包括表1中所列的19項(xiàng)財(cái)務(wù)指標(biāo)。

以2013年和2014年度的數(shù)據(jù)作為訓(xùn)練集，以2015年度數(shù)據(jù)作為測試集，具體財(cái)務(wù)風(fēng)險(xiǎn)的情況如表2所示。

表2 21家上市化肥類公司實(shí)際財(cái)務(wù)風(fēng)險(xiǎn)狀況表

對(duì)表1中所列的19項(xiàng)財(cái)務(wù)指標(biāo)，按照財(cái)務(wù)風(fēng)險(xiǎn)類別的持續(xù)盈利、虧轉(zhuǎn)盈、盈轉(zhuǎn)虧和持續(xù)虧損分別進(jìn)行描述性統(tǒng)計(jì)，各項(xiàng)指標(biāo)的平均值如表3所示。通過對(duì)比分析，可以看出，持續(xù)盈利的企業(yè)樣本的大多數(shù)財(cái)務(wù)指標(biāo)均優(yōu)于其他風(fēng)險(xiǎn)類型樣本企業(yè)的指標(biāo)。如，基本每股收益均值為0.5531元，而其他三類分別為－0.8395元、0.1639元、－0.2476元；凈資產(chǎn)收益率、總資產(chǎn)收益率、毛利率和凈利率分別為8.9988%、5.0488%、16.7955%和5.1208%，相對(duì)于其他三類風(fēng)險(xiǎn)類型企業(yè)優(yōu)勢(shì)明顯。說明能夠持續(xù)盈利的企業(yè)，當(dāng)期的盈利能力也是比較高的。對(duì)比樣本企業(yè)的資產(chǎn)負(fù)債率，持續(xù)盈利企業(yè)平均資產(chǎn)負(fù)債率僅為50%，而虧轉(zhuǎn)盈、盈轉(zhuǎn)虧和持續(xù)虧損的企業(yè)樣本的平均資產(chǎn)負(fù)債率分別為77%、70.8%和75%，說明化肥類企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)與資產(chǎn)負(fù)債率呈負(fù)相關(guān)。表3數(shù)據(jù)表明，本文所選的企業(yè)財(cái)務(wù)指標(biāo)對(duì)判別企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)是有效的。但是，企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)形成的原因是復(fù)雜的，無法直觀地進(jìn)行判斷，這是開展企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測方法研究的動(dòng)因。

表3 按企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)類別統(tǒng)計(jì)的財(cái)務(wù)指標(biāo)平均值表

（二）特征提取

由于2013—2015年度化肥行業(yè)的財(cái)務(wù)數(shù)據(jù)變化比較大，本文分年度對(duì)這21家上市公司的財(cái)務(wù)數(shù)據(jù)進(jìn)行因子分析。以下是使用SPSS 19.0的“因子分析”功能對(duì)2013年度財(cái)務(wù)數(shù)據(jù)進(jìn)行因子分析的過程及結(jié)果。

1.KMO和Bartlett的球形度檢驗(yàn)。結(jié)果顯示KMO值為0.733，表明很適合因子分析，Bartlett的球形度檢驗(yàn)的顯著性Sig值為0.000，說明數(shù)據(jù)來自正態(tài)分布總體，適合進(jìn)一步分析。

2.主成分因子的提取。表4顯示，分析2013年度21個(gè)樣本的19項(xiàng)指標(biāo)，提取10個(gè)主成分因子，其累計(jì)方差貢獻(xiàn)率達(dá)到97.294%，因此，可將樣本的特征向量由19維壓縮到10維。表5為成分得分系數(shù)矩陣，記為A，A的維數(shù)為19×10，原始數(shù)據(jù)樣本集用矩陣X表示，X的維數(shù)為21×19，提取的特征數(shù)據(jù)樣本集用矩陣Y表示，則Y=X·A，Y的維數(shù)為20×10。

表4 解釋的總方差

表5 成分得分系數(shù)矩陣

用同樣的方法，對(duì)2014年和2015年度的樣本數(shù)據(jù)進(jìn)行處理，2013年和2014年的數(shù)據(jù)組成訓(xùn)練集，存在文本文件trainData.txt中，2015年的數(shù)據(jù)組成測試集，存在文本文件testData.txt中。

（三）企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)識(shí)別系統(tǒng)的Matlab編程實(shí)現(xiàn)及結(jié)果分析

本文企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)分為 4類（用 1、2、3、4 表示），財(cái)務(wù)風(fēng)險(xiǎn)的特征向量維數(shù)為10。采用三層BP網(wǎng)絡(luò)來實(shí)現(xiàn)系統(tǒng)的構(gòu)建、訓(xùn)練和測試，輸入層有10個(gè)節(jié)點(diǎn)，根據(jù)經(jīng)驗(yàn)，中間層有10個(gè)節(jié)點(diǎn)，輸出層有4個(gè)節(jié)點(diǎn)。訓(xùn)練數(shù)據(jù)在trainData.txt文件中，含42個(gè)樣本，測試數(shù)據(jù)在testData.txt中，含21個(gè)樣本。系統(tǒng)的Matlab 7.0編程實(shí)現(xiàn)代碼如下：

圖2 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練收斂過程圖

圖2為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練收斂過程圖，測試的21個(gè)樣本中，18個(gè)識(shí)別正確，識(shí)別率是85.714%，詳細(xì)數(shù)據(jù)見表6財(cái)務(wù)風(fēng)險(xiǎn)狀況預(yù)測結(jié)果表。其中，預(yù)測錯(cuò)誤的樣本分別為將六國化工和四川美豐的“盈轉(zhuǎn)虧”都錯(cuò)判成“持續(xù)盈利”，將中旗股份的“持續(xù)盈利”錯(cuò)判成“盈轉(zhuǎn)虧”。表6顯示，本文模型對(duì)盈利預(yù)測的準(zhǔn)確度較高，大于對(duì)虧損預(yù)測的準(zhǔn)確度。這是由于本文只研究了21家化肥類上市公司的數(shù)據(jù)，總體訓(xùn)練樣本數(shù)較少，虧損的樣本數(shù)更是缺乏，影響了系統(tǒng)的性能。盡管如此，用2015年化肥行業(yè)的財(cái)務(wù)數(shù)據(jù)預(yù)測該行業(yè)2016年度盈虧的正確率達(dá)到了85.714%，基本滿足了利用前兩年的公司財(cái)務(wù)數(shù)據(jù)，對(duì)下一年度公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測的需要，證明了本文方法的可行性和有效性。

基于模式識(shí)別的企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)識(shí)別方法具有普遍的適用性，只需要選擇其他行業(yè)的財(cái)務(wù)數(shù)據(jù)構(gòu)建系統(tǒng)的訓(xùn)練集和測試集，就可以用文中的Matlab程序進(jìn)行運(yùn)算，研究相應(yīng)行業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)問題。

表6 財(cái)務(wù)風(fēng)險(xiǎn)狀況預(yù)測結(jié)果表

五、結(jié)論

本文基于模式識(shí)別理論研究了企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的預(yù)測方法。將企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)類別劃分為“持續(xù)盈利”“虧轉(zhuǎn)盈”“盈轉(zhuǎn)虧”和“持續(xù)虧損”四類，相比將企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)類別劃分為“正?！焙汀癝T”兩類，更加科學(xué)，更加具有指導(dǎo)意義。對(duì)21家化肥類上市公司的三年財(cái)務(wù)數(shù)據(jù)進(jìn)行因子分析以降低企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)特征向量的維度，從而簡化了企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)識(shí)別模型的復(fù)雜度；用BP神經(jīng)網(wǎng)絡(luò)建立了企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)識(shí)別模型，并用MATLAB編程實(shí)現(xiàn)了系統(tǒng)分類器的設(shè)計(jì)和訓(xùn)練。實(shí)驗(yàn)結(jié)果表明，利用企業(yè)前期和當(dāng)期的財(cái)務(wù)數(shù)據(jù)，可較為客觀和準(zhǔn)確地預(yù)測企業(yè)下一財(cái)務(wù)報(bào)告期可能的財(cái)務(wù)風(fēng)險(xiǎn)。本文模型具有較高的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測準(zhǔn)確率，可有效避免由于人工預(yù)測的主觀性造成的預(yù)測風(fēng)險(xiǎn)偏差。

進(jìn)一步提高企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)識(shí)別系統(tǒng)的準(zhǔn)確度，可從以下兩個(gè)方面進(jìn)行：一是加強(qiáng)對(duì)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)特征研究。本文只采用了企業(yè)的財(cái)務(wù)數(shù)據(jù)描述企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)，但是，企業(yè)的非財(cái)務(wù)數(shù)據(jù)，如資產(chǎn)規(guī)模、反映公司股權(quán)結(jié)構(gòu)的第一大股東持股比例等，都會(huì)影響公司的財(cái)務(wù)狀況，引入這些非財(cái)務(wù)數(shù)據(jù)，研究企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)特征，可進(jìn)一步提高系統(tǒng)的識(shí)別準(zhǔn)確度。二是收集更多的訓(xùn)練樣本，用大樣本數(shù)據(jù)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，提高訓(xùn)練精度。