论文部分内容阅读
摘要：本文按生命周期的界定标准将财务困境样本划分为不同生命周期，采用BP神经网络进行财务困境预测。结果显示，不同生命周期样本的预测指标存在显著差异，且预测的准确率特别是其长期预警能力令人满意。
关键词：危机预警；生命周期
2007年始于美国的全球金融危机波及全球，上市公司特别是出口型企业销售萎缩利润大幅减少。在金融危机的大背景下，如何以上市公司为研究对象，探索企业发生财务危机的原因并加以防范，就显得极为重要。
在企业生命周期的各个阶段，企业的组织结构、人力资源特征等方面都有明显差异，这些差异最终将反映到企业的财务状况上，决定了生命周期各个阶段财务特征的差异性，也决定了各阶段发生财务危机的诱因与表现不同。因此，本文将样本划分为不同生命周期进行财务危机预警研究。
一、生命周期划分标准
本文综合以往学者对企业生命周期的划分标准，采用主营业务收入增长率来界定企业所处的生命周期。一般来说，如果主营业务收入增长率超过10%，说明公司处于成长期，公司发展将继续保持较好的增长势头，尚未面临产品更新的风险。如果主营业务收入增长率介于+10%之间，说明公司产品已进入稳定期，不久将进入衰退期，需要着手开发新产品。
因此，为反映企业成长期市场需求旺盛、主营业务增长迅速的特点，本文将企业主营业务收入增长率持续增长3年且10%以上达两年作为成长期；为反映成熟期市场趋于饱和、主营业务趋于稳定、可能出现小幅升降的特点，将主营业务收入增长率三年均介于+10%以内作为该企业的成熟期。由于数据的收集和界定标准上的不确定等原因，本文对初创期和衰退期不做分析。
二、不同生命周期样本及变量的选取
（一）样本的选取
本文沿用前人的研究选取因财务状况异常而被ST的上市公司为财务困境样本，将未被ST的公司视为正常公司。在对研究样本进行选取时，仅对制造业的上市公司进行研究。接下来，以我国沪深两市A股市场中的制造业上市公司为研究对象，搜集2006—2010五年间被实行特别处理的88家财务困境公司，按生命周期的界定标准将其划分为成长期和成熟期，通过筛选得到五年间被ST的公司分别有18家、26家、11家、11家和22家。此后，我们从行业分类、资产规模及配对数量等方面来选择正常样本，最后选取了88家财务健康公司。
（二）变量的选取
本文从杜邦分析法出发，综合杜邦财务分析系统并参考以往相关研究中具有显著影响的变量，将28个财务指标和14个非财务变量作为备选变量纳入我们的研究。本文采用非参数统计方法Mann—Whitney U检验，以前三期均通过10%显著性水平的指标作为初选变量。然后，利用SPSS软件对变量进行相关性分析，剔除相关性较强的指标。
三、不同生命周期预警模型构建和实证检验
（一）BP神经网络分析模型设计
人工神经网络（简称ANN）是对生理上真实的人脑神经网络的结构和功能及基本特征进行理论抽象、简化和模拟而构成的一种信息系统，ANN作为一种并行分散处理模式，具有非线性映射、自适应学习和较强容错性的特点，可以对应多变的企业运作环境。本文沿用前人的研究成果也采用BP神经网络进行分析。
我们将成长期106家上市公司输入系统，采用BP神经网络模型进行训练，输入层的输入变量有10个节点，输出层2个节点，输出的信号“0”代表财务困境公司，“1”代表财务健康公司。隐层节点数一般根据经验公式：，通过“试错法”，最终隐含层节点数n取5，这样我们构建了一個10×5×1的BP网络结构。其中，P1、P2、P3分别为输入层、隐含层及输出层的神经元数目。成熟期构建的是一个11×5×1的BP网络结构。
（二）实证结果分析
由于证监会是根据上市公司前两年的年报公布的业绩决定是否进行特别处理的，利用模型对财务危机预警进行研究有夸大预测能力的问题，这在前人的研究中也得到了证实。因此，我们首先对T—3期的样本数据进行预测和分析。
通过上文训练好的BP神经网络， 我们将建模样本和检验样本T—3数据带入模型。判别结果显示，BP神经网络模型成长期建模样本T—3的I类错误率（将财务困境公司判定为财务健康公司的比率）为2.70%，II类错误率（将财务健康公司判定为财务困境公司的比率）为5.41%，综合准确率为95.95%，预测样本的I类错误率为18.75%，II类错误率为25%，综合准确率为78.13%；成熟期建模样本T—3无I类、II类错误，其综合准确率为100%，检验样本的I类错误率为12.5%，II类错误率为37.5%，综合准确率为87.50%。
将4期数据带入模型通过判定分析得出以下结论：
1、与其他统计方法相比，BP神经网络分析具有更优的表现。张玲（2000）用判别分析得出前4年的预估正确率分别是100%、87%、70%和60%；吴世农、卢贤义（2001）比较了3种统计方法，得出Logistic预测模型判别效果最好，其前4年的预测准确率分别是93.53%、84.29%、76.26%和73.17%（2001）。BP神经网络与之相比，其整体判别效果更好，特别是长期预警有了明显改善。
2、BP神经网络模型对财务困境的识别效果是令人满意的。虽然判定准确率呈现逐年下降的态势，但表现较为平稳，且长期预警的能力得到显著加强。
在本文研究中，由于种种原因，还存在着一些局限和不足，主要有两点：（1）进一步扩大研究变量的选择。除了本文引入的公司治理及关联交易等，还有公司领导风格、内部控制及行业指标等对公司治理有相关影响的指标。（2）本文的研究以上市公司为样本，若是可以将样本扩大至非上市公司，则可以使预警模型成为具有广泛应用的预测工具。（作者单位：江西财经大学）
参考文献
[1] 李业.企业生命周期的修正模型及思考[J].南方经济，2000，2：47—50.
[2] 吴世农，卢贤义.我国上市公司财务困境的预测模型研究[J].经济研究，2001（06）：46—55.
[3] 杨淑娥.企业多层次财务危机预警研究—方法与应用.第1版， 出版地：北京，经济科学出版社，2009.13—27.
关键词：危机预警；生命周期
2007年始于美国的全球金融危机波及全球，上市公司特别是出口型企业销售萎缩利润大幅减少。在金融危机的大背景下，如何以上市公司为研究对象，探索企业发生财务危机的原因并加以防范，就显得极为重要。
在企业生命周期的各个阶段，企业的组织结构、人力资源特征等方面都有明显差异，这些差异最终将反映到企业的财务状况上，决定了生命周期各个阶段财务特征的差异性，也决定了各阶段发生财务危机的诱因与表现不同。因此，本文将样本划分为不同生命周期进行财务危机预警研究。
一、生命周期划分标准
本文综合以往学者对企业生命周期的划分标准，采用主营业务收入增长率来界定企业所处的生命周期。一般来说，如果主营业务收入增长率超过10%，说明公司处于成长期，公司发展将继续保持较好的增长势头，尚未面临产品更新的风险。如果主营业务收入增长率介于+10%之间，说明公司产品已进入稳定期，不久将进入衰退期，需要着手开发新产品。
因此，为反映企业成长期市场需求旺盛、主营业务增长迅速的特点，本文将企业主营业务收入增长率持续增长3年且10%以上达两年作为成长期；为反映成熟期市场趋于饱和、主营业务趋于稳定、可能出现小幅升降的特点，将主营业务收入增长率三年均介于+10%以内作为该企业的成熟期。由于数据的收集和界定标准上的不确定等原因，本文对初创期和衰退期不做分析。
二、不同生命周期样本及变量的选取
（一）样本的选取
本文沿用前人的研究选取因财务状况异常而被ST的上市公司为财务困境样本，将未被ST的公司视为正常公司。在对研究样本进行选取时，仅对制造业的上市公司进行研究。接下来，以我国沪深两市A股市场中的制造业上市公司为研究对象，搜集2006—2010五年间被实行特别处理的88家财务困境公司，按生命周期的界定标准将其划分为成长期和成熟期，通过筛选得到五年间被ST的公司分别有18家、26家、11家、11家和22家。此后，我们从行业分类、资产规模及配对数量等方面来选择正常样本，最后选取了88家财务健康公司。
（二）变量的选取
本文从杜邦分析法出发，综合杜邦财务分析系统并参考以往相关研究中具有显著影响的变量，将28个财务指标和14个非财务变量作为备选变量纳入我们的研究。本文采用非参数统计方法Mann—Whitney U检验，以前三期均通过10%显著性水平的指标作为初选变量。然后，利用SPSS软件对变量进行相关性分析，剔除相关性较强的指标。
三、不同生命周期预警模型构建和实证检验
（一）BP神经网络分析模型设计
人工神经网络（简称ANN）是对生理上真实的人脑神经网络的结构和功能及基本特征进行理论抽象、简化和模拟而构成的一种信息系统，ANN作为一种并行分散处理模式，具有非线性映射、自适应学习和较强容错性的特点，可以对应多变的企业运作环境。本文沿用前人的研究成果也采用BP神经网络进行分析。
我们将成长期106家上市公司输入系统，采用BP神经网络模型进行训练，输入层的输入变量有10个节点，输出层2个节点，输出的信号“0”代表财务困境公司，“1”代表财务健康公司。隐层节点数一般根据经验公式：，通过“试错法”，最终隐含层节点数n取5，这样我们构建了一個10×5×1的BP网络结构。其中，P1、P2、P3分别为输入层、隐含层及输出层的神经元数目。成熟期构建的是一个11×5×1的BP网络结构。
（二）实证结果分析
由于证监会是根据上市公司前两年的年报公布的业绩决定是否进行特别处理的，利用模型对财务危机预警进行研究有夸大预测能力的问题，这在前人的研究中也得到了证实。因此，我们首先对T—3期的样本数据进行预测和分析。
通过上文训练好的BP神经网络， 我们将建模样本和检验样本T—3数据带入模型。判别结果显示，BP神经网络模型成长期建模样本T—3的I类错误率（将财务困境公司判定为财务健康公司的比率）为2.70%，II类错误率（将财务健康公司判定为财务困境公司的比率）为5.41%，综合准确率为95.95%，预测样本的I类错误率为18.75%，II类错误率为25%，综合准确率为78.13%；成熟期建模样本T—3无I类、II类错误，其综合准确率为100%，检验样本的I类错误率为12.5%，II类错误率为37.5%，综合准确率为87.50%。
将4期数据带入模型通过判定分析得出以下结论：
1、与其他统计方法相比，BP神经网络分析具有更优的表现。张玲（2000）用判别分析得出前4年的预估正确率分别是100%、87%、70%和60%；吴世农、卢贤义（2001）比较了3种统计方法，得出Logistic预测模型判别效果最好，其前4年的预测准确率分别是93.53%、84.29%、76.26%和73.17%（2001）。BP神经网络与之相比，其整体判别效果更好，特别是长期预警有了明显改善。
2、BP神经网络模型对财务困境的识别效果是令人满意的。虽然判定准确率呈现逐年下降的态势，但表现较为平稳，且长期预警的能力得到显著加强。
在本文研究中，由于种种原因，还存在着一些局限和不足，主要有两点：（1）进一步扩大研究变量的选择。除了本文引入的公司治理及关联交易等，还有公司领导风格、内部控制及行业指标等对公司治理有相关影响的指标。（2）本文的研究以上市公司为样本，若是可以将样本扩大至非上市公司，则可以使预警模型成为具有广泛应用的预测工具。（作者单位：江西财经大学）
参考文献
[1] 李业.企业生命周期的修正模型及思考[J].南方经济，2000，2：47—50.
[2] 吴世农，卢贤义.我国上市公司财务困境的预测模型研究[J].经济研究，2001（06）：46—55.
[3] 杨淑娥.企业多层次财务危机预警研究—方法与应用.第1版， 出版地：北京，经济科学出版社，2009.13—27.