許 靜 李曉靜

[摘 要] 金融危機席卷全球,處于金融市場之中的企業(yè)隨時面臨著陷入財務(wù)困境的可能,財務(wù)困境預(yù)測模型的建立可以使公司提前預(yù)測到困境的發(fā)生,從而及早避免投資損失。隨著信息技術(shù)的發(fā)展,人工神經(jīng)網(wǎng)絡(luò)預(yù)測模型開始興起,本文重點介紹了BP神經(jīng)網(wǎng)絡(luò)模型在財務(wù)困境預(yù)測中的應(yīng)用情況,并將BP神經(jīng)網(wǎng)絡(luò)模型與傳統(tǒng)統(tǒng)計方法進行了比較分析。

[關(guān)鍵詞] 財務(wù)困境;預(yù)測模型;BP神經(jīng)網(wǎng)絡(luò)

doi : 10 . 3969 / j . issn . 1673 - 0194 . 2009 . 21 . 002

[中圖分類號]F275;TP393[文獻標(biāo)識碼]A[文章編號]1673 - 0194(2009)21 - 0007 - 03

金融風(fēng)暴席卷全球,宏觀經(jīng)濟動蕩起伏,此時不論是跨國集團公司還是國內(nèi)的小企業(yè)都面臨著前所未有的經(jīng)濟危機,資本市場低迷,大量企業(yè)紛紛陷入財務(wù)困境,甚至破產(chǎn)倒閉。而對于財務(wù)困境最好的規(guī)避方法就是及時準(zhǔn)確地預(yù)測,未雨綢繆。因此建立一種有效的財務(wù)困境預(yù)測模型十分緊迫和必要。

1財務(wù)困境預(yù)測發(fā)展歷程

隨著經(jīng)濟全球化的發(fā)展,國際間合作愈加密切,企業(yè)間相互依存,共同發(fā)展,而金融危機襲來,全球資本市場動蕩不安,企業(yè)隨時面臨著陷入財務(wù)困境的可能,而投資者也可能因此蒙受損失。因此,財務(wù)困境成為近年來研究和探討的熱點問題。Beaver和Altman是研究財務(wù)困境的先驅(qū),Beaver(1966)運用一元判別模型考察了29個財務(wù)比率在企業(yè)陷入財務(wù)困境前1~5年的預(yù)測能力,發(fā)現(xiàn)營運資金流/總負(fù)債在破產(chǎn)前一年的預(yù)測正確率可以達到87%。Altman(1968)首次將多元線性判別方法引入到財務(wù)困境預(yù)測領(lǐng)域,得到了包含5個判別變量組的預(yù)測方程(Z Scroe Model)。該模型的預(yù)想結(jié)果非常理想,總體正確率為95.45%。Ohlson(1980)利用Logistic分析建立企業(yè)財務(wù)危機預(yù)測模型,結(jié)果發(fā)現(xiàn)公司規(guī)模、資本結(jié)構(gòu)、資金報酬率、變現(xiàn)能力具有顯著的預(yù)測能力,他的研究得到了96.12%的判斷正確率。我國學(xué)者吳世農(nóng)、盧賢義(2001)的研究表明,我國上市公司的財務(wù)指標(biāo)包含著預(yù)測財務(wù)困境的信息含量,因此財務(wù)困境具有可預(yù)測性,而與一元判別模型和多元線性判別模型相比,Logistic模型的判定準(zhǔn)確性最高。在以上研究基礎(chǔ)上,眾多學(xué)者又將模型進行了改進,得到了F分?jǐn)?shù)預(yù)測模型、Fisher二類線性判定模型等模型。

此后,隨著理論的不斷完善和發(fā)展,有更多的學(xué)者對財務(wù)困境及其預(yù)測模型進行了研究,取得了豐碩的成果,也對財務(wù)困境研究做出了貢獻。同時,由于信息技術(shù)迅速發(fā)展,使得諸如人工神經(jīng)網(wǎng)絡(luò)等一系列非統(tǒng)計類預(yù)測方法應(yīng)運而生,不僅豐富了財務(wù)困境預(yù)測理論,也為財務(wù)困境的預(yù)測提供了技術(shù)支持。人工神經(jīng)網(wǎng)絡(luò)是20世紀(jì)科學(xué)技術(shù)所取得的重大成果之一,90年代以來,國際學(xué)術(shù)界掀起了研究人工神經(jīng)網(wǎng)絡(luò)的熱潮。它是人類認(rèn)識自然道路上的又一座里程碑。

2BP神經(jīng)網(wǎng)絡(luò)在困境預(yù)測中的具體實施

1987年,Lapedes和Fayber首次應(yīng)用人工神經(jīng)網(wǎng)絡(luò)分析模型進行預(yù)測,開創(chuàng)了人工神經(jīng)網(wǎng)絡(luò)預(yù)測的先河。而前向三層BP神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)中被認(rèn)為最適用于模擬輸入、輸出的近似關(guān)系的一種方法,它的算法最成熟,應(yīng)用也最廣泛。它通常由輸入層、輸出層和隱含層組成,其信息處理分為前向傳播和后向?qū)W習(xí)兩步進行,網(wǎng)絡(luò)的學(xué)習(xí)是一種誤差從輸出層到輸入層向后傳播并修正數(shù)值的過程,學(xué)習(xí)的目的是使網(wǎng)絡(luò)的實際輸出逼近某個給定的期望輸出。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

應(yīng)用BP神經(jīng)網(wǎng)絡(luò)模型進行財務(wù)困境預(yù)測需要一個多步驟的實施過程:

(1)選取研究樣本,即訓(xùn)練樣本。根據(jù)對財務(wù)困境不同的定義可以以破產(chǎn)公司、ST公司或以ROE作為標(biāo)準(zhǔn)來選擇樣本公司,要同時選取財務(wù)困境公司樣本和非財務(wù)困境公司樣本,以便對網(wǎng)絡(luò)進行訓(xùn)練。而應(yīng)用BP神經(jīng)網(wǎng)絡(luò)模型進行預(yù)測與統(tǒng)計方法相比,在樣本的選取上局限性更小,因為統(tǒng)計方法要求樣本要服從某一種特殊分布,如正態(tài)分布、等協(xié)方差等,而BP神經(jīng)網(wǎng)絡(luò)模型對樣本并沒有這樣的特殊要求。

(2) 把用來衡量上市公司財務(wù)狀況的建模變量作為神經(jīng)網(wǎng)絡(luò)的輸入向量,確定輸入層的節(jié)點個數(shù),即所選取的建模變量的個數(shù)。

(3) 將代表分類結(jié)果的量作為神經(jīng)網(wǎng)絡(luò)的輸出,設(shè)定輸出層節(jié)點個數(shù),而輸出層節(jié)點個數(shù)由輸出類別決定,對財務(wù)困境的研究基本上會有兩類輸出結(jié)果,即財務(wù)困境公司或非財務(wù)困境公司,因此輸出層的節(jié)點個數(shù)一般為2。

(4) 確定隱含層節(jié)點個數(shù)。隱含層節(jié)點個數(shù)一般為經(jīng)驗值,與輸入層和輸出層的節(jié)點個數(shù)有關(guān),并沒有統(tǒng)一的數(shù)值,但要注意的是隱含層節(jié)點個數(shù)過少,將影響網(wǎng)絡(luò)的有效性,過多則會大幅度增加網(wǎng)絡(luò)訓(xùn)練的時間,大部分的研究都會根據(jù)樣本的大小和變量個數(shù)設(shè)定一個適中的節(jié)點個數(shù)。

(5)確定學(xué)習(xí)率和系統(tǒng)誤差。學(xué)習(xí)率通常在0.01~0.9之間,取值不宜過大或過小,因為學(xué)習(xí)率越小,訓(xùn)練次數(shù)越多,但學(xué)習(xí)率過大,每次權(quán)值的改變越劇烈,會影響網(wǎng)絡(luò)結(jié)構(gòu)的穩(wěn)定性,一般來說,在以往的研究中學(xué)習(xí)率取5%是比較合適的;誤差ε通常需要根據(jù)輸出要求來確定,為了保證系統(tǒng)的學(xué)習(xí)精度,在很多的研究中都設(shè)定系統(tǒng)誤差為0.1%。

(6)在輸入各項參數(shù)后,就開始用訓(xùn)練樣本來訓(xùn)練這個網(wǎng)絡(luò),使訓(xùn)練樣本中的財務(wù)困境公司和非財務(wù)公司的輸入向量得出區(qū)分兩類不同公司的輸出向量,一旦訓(xùn)練完畢,便可作為上市公司財務(wù)困境預(yù)測的有效工具。

3BP神經(jīng)網(wǎng)絡(luò)在財務(wù)困境預(yù)測中的比較分析

財務(wù)困境預(yù)測的研究方法主要有傳統(tǒng)的統(tǒng)計類方法和新興的BP神經(jīng)網(wǎng)絡(luò)等人工神經(jīng)網(wǎng)絡(luò)方法,然而隨著信息技術(shù)的迅速發(fā)展,BP神經(jīng)網(wǎng)絡(luò)方法被越來越多的學(xué)者所認(rèn)可并且廣泛應(yīng)用。與傳統(tǒng)的統(tǒng)計方法相比,BP神經(jīng)網(wǎng)絡(luò)具有其無法比擬的優(yōu)點:① 在模型的預(yù)測效果上,BP神經(jīng)網(wǎng)絡(luò)模型對財務(wù)困境的預(yù)測精度更高。通過國內(nèi)外學(xué)者近年來的大量比較研究,BP神經(jīng)網(wǎng)絡(luò)模型具有較好的短期預(yù)測能力,在t-1年可以以更高的預(yù)測準(zhǔn)確率預(yù)測到t年是否出現(xiàn)財務(wù)困境。經(jīng)研究發(fā)現(xiàn)公司t-1年預(yù)測模型的第一類錯誤(棄真錯誤)率為4%,第二類錯誤(取偽錯誤)率為7.3%,總體的錯誤率為4.3%,預(yù)測的精度高達95.7%,而運用Logistic模型建立的財務(wù)困境預(yù)測模型,第一類錯誤率為25.1%,第二類錯誤率為37.1%,其預(yù)測的精度僅為65.3%。② 在樣本選擇上,統(tǒng)計類方法需要樣本服從正態(tài)分布或等協(xié)方差等一些特殊分布,而BP神經(jīng)網(wǎng)絡(luò)模型不要求樣本總體服從一個特殊的分布,因此在樣本的選擇上降低了難度,同時也擴大了研究對象的范圍。③ BP神經(jīng)網(wǎng)絡(luò)模型可以設(shè)定較小的系統(tǒng)誤差,系統(tǒng)則根據(jù)樣本數(shù)據(jù),通過學(xué)習(xí)和訓(xùn)練的過程,找出輸入與輸出之間的內(nèi)在聯(lián)系,并根據(jù)系統(tǒng)誤差的要求進行自我修正,從而建立預(yù)測模型,具有自適應(yīng)的功能。而傳統(tǒng)的統(tǒng)計方法沒有自我修正過程,是由輸入直接到輸出的過程。

BP神經(jīng)網(wǎng)絡(luò)模型的優(yōu)勢與傳統(tǒng)統(tǒng)計方法相比是顯而易見的,在財務(wù)困境預(yù)測中也得到了廣泛的應(yīng)用,然而BP神經(jīng)網(wǎng)絡(luò)模型仍然存在著一些缺陷:①傳統(tǒng)的統(tǒng)計方法需要建立一個數(shù)學(xué)解析式,對模型的解釋能力更強。通過傳統(tǒng)統(tǒng)計模型可以很直觀地看出建模變量與被解釋變量間存在著怎樣的關(guān)系以及這種關(guān)系是否顯著。但是BP神經(jīng)網(wǎng)絡(luò)模型沒有建立實際系統(tǒng)的數(shù)學(xué)解析式,只需要將各參數(shù)和樣本數(shù)據(jù)輸入到系統(tǒng)中,它是將實際系統(tǒng)的輸入與輸出關(guān)系隱含在其內(nèi)部結(jié)構(gòu)中,缺乏對模型的解釋能力,我們只能通過模型的輸出結(jié)果對財務(wù)困境進行預(yù)測,而模型中的每個變量起了怎樣的作用,我們不得而知。② BP神經(jīng)網(wǎng)絡(luò)模型在訓(xùn)練中存在著不穩(wěn)定性。這主要體現(xiàn)在網(wǎng)絡(luò)學(xué)習(xí)和記憶的不穩(wěn)定上。網(wǎng)絡(luò)的學(xué)習(xí)是一種誤差從輸出層到輸入層向后傳播并修正數(shù)值的過程,它可以使網(wǎng)絡(luò)的實際輸出逼近某個給定的期望輸出,而在進行多次輸入、輸出后,由于網(wǎng)絡(luò)的記憶性不穩(wěn)定,最終可能會出現(xiàn)不同的結(jié)果,這對于模型的建立,特別是對財務(wù)困境的預(yù)測將會有很大的影響,多次預(yù)測的結(jié)果不一致,從而導(dǎo)致無法得出真實可靠的結(jié)論。③ BP神經(jīng)網(wǎng)絡(luò)模型的建立需要確定各種結(jié)構(gòu)參數(shù),而隱含層節(jié)點個數(shù)的設(shè)定并沒有一個統(tǒng)一的原則和公認(rèn)的理論指導(dǎo),往往是根據(jù)經(jīng)驗來設(shè)定,而參數(shù)設(shè)定的不恰當(dāng)對結(jié)果可能會產(chǎn)生巨大的影響,使得不能達到預(yù)期的預(yù)測效果。

4總結(jié)及展望

在科學(xué)技術(shù)特別是信息技術(shù)飛速發(fā)展的今天,人工神經(jīng)網(wǎng)絡(luò)開啟了一個嶄新的研究領(lǐng)域,同時采用人工神經(jīng)網(wǎng)絡(luò)模型預(yù)測企業(yè)財務(wù)困境,在技術(shù)研究和實際應(yīng)用方面都取得了巨大的成就,它為人們解決學(xué)習(xí)問題提供了更具構(gòu)造性的一般性的方法和思路,極大地改善了傳統(tǒng)的統(tǒng)計模型。近年來,人工神經(jīng)網(wǎng)絡(luò)特別是BP神經(jīng)網(wǎng)絡(luò)在財務(wù)困境中的應(yīng)用得到了越來越多學(xué)者的關(guān)注,它較高的預(yù)測精度是其他統(tǒng)計方法所無法比擬的。盡管模型還有一些缺陷,但是這種全新的思想和技術(shù)在經(jīng)過不斷的完善和發(fā)展后,將為我們的研究做出更大貢獻。

主要參考文獻

[1] William H Beaver. Financial Ratios as Predictors of Failare[J].Journal of Accounting Research,1966,Vol.4,Empirical Research in Accounting:Selected Studies:71-111.

[2] Edward I Altman. Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy[J]. The Journal of Finance,1968(4): 589-609.

[3] James A Ohlson. Financial Ratios and the Probabilistic Prediction of Bankruptcy[J]. Journal of Accounting Research,1980,18(1): 109-131.

[4] 吳世農(nóng),盧賢義. 我國上市公司財務(wù)困境的預(yù)警模型研究[J]. 經(jīng)濟研究,2001(6):46-55.

[5] 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)營失敗預(yù)警研究[J]. 會計研究, 2004 (2):42-46.

[6] 馬威,方瑩. BP網(wǎng)絡(luò)模型在財務(wù)危機預(yù)警中的應(yīng)用[J]. 財會月刊,2009 (2):51-54.