劉梅

摘要：文章以2014～2017年制造業(yè)上市公司ST企業(yè)為研究對象，并以1：2比例選取配對樣本，針對T-3年的財務數(shù)據(jù)指標進行模型的構建與分析。結果表明雖然人工神經(jīng)網(wǎng)絡與邏輯回歸都有不錯的預測效果，但邏輯回歸分析的結果準確率更高，可解釋性更強。

關鍵詞：邏輯回歸；神經(jīng)網(wǎng)絡；財務預警

一、引言

關于財務危機預警的定量研究，一直是近幾十年來國內(nèi)外財務界學者的熱點話題。20世紀30年代Fitzpatrick首次提出單變量FDP模型，之后由Beaver提出單變量判定模型正式興起。

隨著信息技術和數(shù)據(jù)庫技術的發(fā)展，數(shù)據(jù)挖掘技術成為了構建財務危機預警的主要工具。Odom首次將人工神經(jīng)網(wǎng)絡引入FDP領域，結果發(fā)現(xiàn)利用神經(jīng)網(wǎng)絡構建的財務預警模型有較好的預測能力。我國學者吳世農(nóng)、盧賢義運用Fisher線性判定分析、多元線性回歸分析和Logistic回歸分析三種方法，分別建立三種財務困境預測模型并進行比較分析，結果表明Logistic模型的判定準確性最高。

為了消除傳統(tǒng)財務指標的片面性，后有不少學者將一些非財務指標引入財務危機預警模型中。Beaver在研究中提出了反映股價的信息變量；劉小淇等在預警模型中引入股權結構等非財務變量；張婉君、羅威將董事會規(guī)模等非財務因素引入到傳統(tǒng)的財務預警模型中，并進行Logistic回歸分析，在一定程度上提高了預警準確率。李樹根闡述了人工神經(jīng)網(wǎng)絡應用于財務危機預警的理論依據(jù)與基本構想，建立了BP神經(jīng)網(wǎng)絡模型，為財務預警提供了有效參考。

本文在前人研究的基礎上，運用Logistic回歸和人工神經(jīng)網(wǎng)絡對制造業(yè)上市公司進行預警研究。

二、研究設計

（一）樣本選取和數(shù)據(jù)來源

1. 樣本的選取。本文研究的樣本選用2014～2017年度首次被特別處理的上市公司，包括*ST公司和ST公司。選取深滬證券交易所A股制造業(yè)上市公司作為樣本組，對數(shù)據(jù)預處理后最終選取財務危機企業(yè)42家，同時按照1：2的比例選取正常經(jīng)營的制造業(yè)A股上市公司作為配對樣本組，最終確定總樣本數(shù)量126家。

2. 數(shù)據(jù)來源。本文的研究數(shù)據(jù)主要來自深、滬證券交易所官網(wǎng)和國泰安數(shù)據(jù)庫（CSMAR）。設定被特殊處理當年為T年，本文選取上市公司被ST或*ST之前的T-3年度的截面數(shù)據(jù)進行預測研究，能使企業(yè)在出現(xiàn)危機前兆時提高警惕，防患于未然，故更具有現(xiàn)實意義和應用價值。

（二）預測指標的選取

本文在反映企業(yè)盈利能力、償債能力等這些傳統(tǒng)的財務指標的基礎上，選取了反映上市公司資本狀況、現(xiàn)金流量狀況和股東獲利能力的指標，共選取了28個指標變量。

（三）模型設計

1. Logistic回歸模型的設計

Logistic回歸是廣義線性回歸的一種統(tǒng)計方法，具有廣泛且實用的用途。它數(shù)度快、便于理解，對于二分類模擬性好。Logistic回歸模型為：

其構造的財務危機預警預測模型為：

將企業(yè)是否財務危機設為因變量，企業(yè)財務危機設為1，財務健康設為0，進行Logistic模型的測試與檢驗。

2. 人工神經(jīng)網(wǎng)絡模型的設計

人工神經(jīng)網(wǎng)絡是模仿人腦神經(jīng)結構的一種技術，近年來常被應用于企業(yè)危機預警方面。一個基本的神經(jīng)網(wǎng)絡模型由輸入層、隱含層和輸出層三個結構組成，分別對應警兆、警情和警度。三層網(wǎng)絡結構的特點符合預警體系，因此適合用于進行財務預警模型構建。

三、實證分析

本文運用SPSS Modeler統(tǒng)計軟件中的Logistic模型和神經(jīng)網(wǎng)絡模型分別對制造業(yè)上市公司T-3年的財務指標數(shù)據(jù)進行分析，將樣本數(shù)據(jù)按7：3比例分為訓練集和測試集。將企業(yè)是否財務危機設為目標變量，財務狀況異常的企業(yè)取值為1，財務狀況正常的企業(yè)取值為0。

（一）基于Logistic回歸的財務危機預警模型構建

用SPSS Modeler軟件運行Logistic算法進行主效應分析，經(jīng)邏輯模型檢驗后結果顯示模型的擬合效果很好。Logistic回歸財務預警模型的分析結果如表2所示。

表2中，B為變量系數(shù)；S.E為標準差；Wald為Wald得分；df為自由度；Sig為伴隨概率。從表2可以看出，與企業(yè)是否陷入財務危機的主要因素為X1、X2、X4、X5、X9和X10，由此可以得到Logistic預警模型為：

由表3可知，運用Logistic回歸模型對上市公司T-3年的財務數(shù)據(jù)進行分析得到預測準確率為84.27%，測試正確準確率也達到了78.38%，具有較好的預測效果。

（二）人工神經(jīng)網(wǎng)絡模型的構建與Logistic回歸模型的比較

由表4可知，人工神經(jīng)網(wǎng)絡模型進行財務危機預警預測的準確率為78.65%，測試集準確率也只有75.68%，都低于用Logistic回歸方法預測的準確率，因此Logistic回歸比神經(jīng)網(wǎng)絡具有更好的擬合度和預測準確度，在預測企業(yè)財務危機準確性、運行效率以及可解釋性方面都具有一定的優(yōu)勢。

四、結論

本文在傳統(tǒng)的財務指標的基礎上引入反映企業(yè)資本狀況、現(xiàn)金流量狀況和股東獲利能力的指標進行綜合分析，使得指標體系更具有預測性。運用經(jīng)典的Logistic回歸方法和人工神經(jīng)網(wǎng)絡方法建立制造業(yè)上市公司財務預警模型，選取T-3年的指標數(shù)據(jù)進行分析使得研究更具有現(xiàn)實意義。通過對比分析，得出Logistic回歸方法更適合二分類下企業(yè)財務危機預警的結論。因此本文的研究在現(xiàn)實中有一定的應用價值。

參考文獻：

[1]FITZPATRICK P. J. A Comparison of The Ratios of Successful Industrial Enterprises with Those of Failed Firms[J]. Certifies Public Accountant，1932（05）.

[2]BEAVER W H.Financial rations as predictors of failures[J].Journal of Accounting Research，1966（01）.

[3]ODOM M D，SHARDA R. A Neural Network Model for Bankruptcy Prediction[C].International Joint Conference on Neural Networks.IEEE，1990.

[4]吳世農(nóng)，盧賢義.我國上市公司財務困境的預測模型研究[J].經(jīng)濟研究，2001（06）.

[5]劉小淇，曾繁榮，周鴻.基于非財務視角的上市公司財務困境預警研究——基于主成分邏輯回歸的方法[J].財會通訊，2015（06）.

[6]張婉君，羅威.引入非財務指標的財務危機預警研究——以我國制造業(yè)上市公司為例[J].財政監(jiān)督，2016（01）.

[7]李樹根.基于BP神經(jīng)網(wǎng)絡的財務預警方法探究[J].中國管理信息化（會計版），2007（11）.

（作者單位：上海工程技術大學）