鄭曉云　李建華

【摘 要】 準確預測房地產公司的財務風險并及時預警有助于房地產企業(yè)的健康穩(wěn)定發(fā)展。根據房地產企業(yè)的現實情況，通過BP神經網絡模型和Logistic模型分別對房地產上市公司的財務狀況進行了實證研究。結果表明：BP神經網絡模型的預測準確率要高于Logistic模型，同時綜合使用多種方法預測房地產公司的財務狀況更加準確。

【關鍵詞】 房地產上市公司； 財務預警； BP神經網絡； Logistic模型

中圖分類號：F275 文獻標識碼：A 文章編號：1004-5937（2015）09-0072-04

一、引言

近年來，我國房地產行業(yè)面臨銷售周期變長、資金回收困難、融資成本加大等一系列問題，與此同時房地產市場持續(xù)低迷，導致許多房地產開發(fā)企業(yè)因財務問題而面臨嚴峻考驗，多地的經濟也因這一支柱性產業(yè)的低迷受到了巨大影響。因此人們意識到房地產的發(fā)展與國家經濟命運息息相關，加強財務預警對房地產企業(yè)乃至國民經濟的健康穩(wěn)定發(fā)展至關重要。

目前財務預警作為一個學術熱點被國內外眾多學者所研究。Altman（1968）建立了Z分數模型，標志著財務預警從單變量判定進入多變量判定時代。Ohlson（1980）將Logistic回歸模型運用于財務危機預警領域，指出回歸分析較多元判定分析更加合理。此后隨著人工神經網絡技術的發(fā)展，Coats and Fant（1993）用BP神經網絡對財務危機進行了預警。國內學者對于財務預警研究起步較晚，周首華等（1996）彌補了這方面的空缺，對Z分數模型進行改造，建立了F分數財務預警模型。楊淑娥等（2005）運用BP神經網絡，建立預警模型，指出神經網絡模型具有廣泛的使用價值，值得被推廣運用。顏哲等（2011）運用因子分析和Logistic模型，對房地產企業(yè)的財務風險作了更有針對性的研究。周梅妍（2012）選用財務指標和非財務指標構建了指標體系，將BP神經網絡模型應用于房地產企業(yè)的財務危機預警研究，取得了較為理想的結果。

上述學者的研究對財務預警模型的建立及分析具有很強的借鑒意義。然而目前的研究采用的多是線性或者廣域線性模型，采用非線性模型所作的定量研究則比較少，指標體系的建立也難以涵蓋公司各方面信息，同時預測模型使用也較為單一。

鑒于此，本文從財務信息方面構建了一個財務風險預警系統的指標體系，并采用神經網絡模型和Logistic模型同時對房地產上市公司的財務狀況進行了實證研究。政府部門可根據預測結果對可能發(fā)生財務危機的企業(yè)進行適當的干預，防止因房地產企業(yè)發(fā)生財務危機對社會經濟發(fā)展造成影響；企業(yè)經營者參考預測結果可適時加強管理，避免企業(yè)發(fā)生財務危機；投資者則可以通過預測的結果對上市公司財務狀況有較為深入的了解，作出正確的投資決策。

二、樣本的選取及指標體系的建立

（一）樣本的選擇

本文選取房地產上市公司作為樣本以保證研究的真實性。鑒于我國上市公司鮮有破產的情況發(fā)生，本文采用證監(jiān)會的界定原則，將ST或者ST（special treatment）公司定義為處于財務危機狀態(tài)的公司，將非ST公司界定為財務狀況正常的公司。

1.財務危機狀態(tài)樣本的界定：樣本來自于2005—2013年首次被ST或者ST的34家房地產上市公司。選取的樣本研究期是上市公司被特殊處理時首次發(fā)生虧損的前一年（T-3年）。房地產企業(yè)投資回收期較長，虧損時有發(fā)生，在這一年以后接連發(fā)生虧損以至被特殊處理，因此這一年是上市公司發(fā)生財務危機的重要轉折點。

2.財務正常狀態(tài)樣本的選取原則：本研究針對的是房地產上市公司，界定未被特殊處理的房地產上市公司為財務狀況正常的樣本。為了排除政策等其他因素對研究的影響，選取的正常樣本研究期應與發(fā)生財務危機的公司相同，據此本文最終選取了2005—2013年間34家房地產上市公司為財務狀況正常的樣本。

（二）預警指標的選擇

由于財務危機的發(fā)生難以用幾個簡單的指標來描述，同時又缺乏相關經濟理論的指導，造成了指標選擇較為困難，本文采用試錯法對指標進行篩選?；谌嫘院涂闪炕脑瓌t，結合我國房地產行業(yè)的特征，從企業(yè)的短期償債能力、現金流量能力、長期償債能力、營運能力、盈利能力、股東獲利能力、風險水平和發(fā)展能力8個方面，提取出如表1所示的62個備選指標。

過多的指標存在著大量無用的信息，不僅會導致分析困難，而且會降低預測的準確性。因此在進行分析之前，必須對備選指標進行篩選，剔除對財務危機表現不顯著的指標。

三、模型構建與分析

（一）財務數據的預處理

在采集到的數據中，部分財務指標缺乏，需要對這部分缺失的數據作一個預處理，保持數據的完整性，才能進行下一步的分析。對數據的預處理主要包括兩種情況：

一是對于報表中未披露的數據。用該企業(yè)近期的數據作大致估計，盡量能代表公司的實際情況。

二是對于不存在的指標數據。比率型指標當分母為零時，該指標不存在，為了保持數據的連續(xù)性，當期指標數據以其前后兩期的均值來代替。

（二）顯著性檢驗

為了使分析更具有針對性，需要對上述備選指標進行顯著性檢驗，選出有差異的指標。對于分布不同的指標，采用不同的方法進行顯著性檢驗。

1.服從正態(tài)分布指標的顯著性檢驗

利用SPSS軟件對上述備選指標進行正態(tài)分布檢驗。檢驗結果顯示營運資金對資產總額比率、負債與權益市價比率、流動資金比率、營業(yè)成本率、賬面市值比5個指標呈正態(tài)分布，其余指標不符合正態(tài)分布。

變量呈正態(tài)分布，對兩類樣本的相關指標進行T檢驗，根據檢驗的結果判斷兩類樣本的預警指標是否具有顯著性差異。本次T檢驗顯著性水平取值為0.05，在此顯著性水平下，營運資金對總資產比率和營業(yè)成本率通過顯著性檢驗，即這兩個指標在兩類樣本中存在顯著差異。

2.不服從正態(tài)分布指標的顯著性檢驗

其余57個指標不服從正態(tài)分布，不能直接使用參數檢驗。非參數檢驗適用范圍廣，對數據要求也不嚴，但是容易造成信息的損失，檢驗效能低。為了保證信息的準確性，先將數據進行轉化，利用轉化后的數據進行參數檢驗。轉化后的數據參數檢驗結果表明，流動比率、營運資金比率、長期資產適合率等25個指標通過了顯著性水平為0.05的參數檢驗，在兩組樣本中差異顯著。

3.顯著性檢驗結果

綜合以上兩種顯著性檢驗結果，共篩選出了表2所示的27個財務指標作進一步分析。

（三）因子分析

較多的指標會導致模型過度擬合，使得預測準確度降低。對上述27個指標進行因子分析，進一步減少指標的數量。對剩下的指標進行KMO測度和Bartlett球形檢驗，結果如表3所示。

由上述檢驗結果可知KMO測度值為0.557，球形檢驗P值為0小于0.05，適合作因子分析。采用正交旋轉法進行轉換，得到的結果如表4所示。

結果顯示，特征值大于1的主成分有10個，累計貢獻率達84%，由正交旋轉成分矩陣可得：因子一主要代表盈利能力，因子二、因子八、因子十主要代表股東獲利能力，因子三和因子七主要代表長期償債能力，因子四和因子六主要代表短期償債能力，因子五主要代表營運能力，因子九主要代表風險水平。

（四）模型構建、預測結果及檢驗

1.BP神經網絡模型的構建、預測結果及檢驗

BP神經網絡模型主要由一個輸入層、一個輸出層、一個或多個隱含層構成，每層節(jié)點的權值通過BP神經網絡自我學習來調整，關于隱含層節(jié)點數的確定尚無相關理論，目前主要通過試錯法來確定。本次建模采用隱含層為一層的BP神經網絡結構，隱含層節(jié)點數由試錯法確定為4，從而得出BP神經網絡結構為10-4-1。從每類樣本中隨機抽取20個作為建模組，剩余28個樣本作為驗證組，檢驗模型的預測效果。將建模組40個樣本的10個因子作為BP神經網絡模型的輸入層作自我學習。模型自我學習完成之后，將剩余的28個測試樣本輸入經學習樣本調適完成后的BP神經網絡模型，得到的預測結果與實際結果比較如表5所示。

通過上述對比分析可知，BP人工神經網絡模型預測上市公司的財務狀況準確率為85.7%，具有較高的準確率。模型對于驗證組中兩類公司的預測準確率相同。

2.Logistic模型構建、預測結果及檢驗

將因子分析得到的10個因子用于Logistic回歸分析，令Y=0表示公司處于財務危機狀態(tài)，Y=1表示公司處于正常狀態(tài)，運行SPSS軟件，得到Logistic模型對40個建模樣本的判定分類如表6所示。

由表6可知，模型總體判定正確率為87.5%，其中對正常狀態(tài)公司的判定準確率高達90%，由此判定模型的擬合度較好。Logistic模型的相關參數如表7所示。

模型參數中各參數的Sig值均大于0.05，對結果的影響均不顯著，建立的模型理論意義不大。求證其在實際預警中是否具有實用意義，將驗證組的24個樣本帶入模型得到的結果如表8所示。

表8對于驗證組的判定中雖然模型的理論意義不大，但在預測房地產上市公司是否處于財務危機狀態(tài)仍然有一定的實用意義，預測準確率達到了67.86%，相較于神經網絡模型準確率較低，但是比神經網絡模型更加容易理解，便于操作。

3.模型結果說明

上述兩種模型分別對驗證組進行了預測，對于一個房地產公司，兩種模型可能會給予不同的判定，因此對比了兩種模型對于驗證組的預測結果。綜合判定結果如表9所示。

驗證組中，有9家公司的BP神經網絡模型和Logistic模型給出了互相矛盾的判斷，導致無法準確判定這9家房地產上市公司的財務狀況。然而，當BP神經網絡模型和Logistic模型對同一房地產上市公司財務狀況的預測結果一致時，在驗證組中取得了89.47%的預測準確率，有效提高了預測結果的準確性。

四、結論

通過上文對房地產上市公司財務預警指標體系的構建及實證研究后發(fā)現：

1.企業(yè)財務指標選取越多，包含的財務信息也就越全面，降維處理時得出的因子會較多，幾個因子才能代表公司某一方面的能力。

2.對公司T-3年的財務狀況進行分析，兩類公司現金流量能力方面的指標沒有顯著性區(qū)別，從現金流指標無法判斷公司未來是否會處于財務危機狀況。

3.Logistic模型的參數對預測結果的影響都不顯著，證實財務危機是由多種因素共同作用所造成的，難以使用一種或幾種指標來表明房地產上市公司發(fā)生了財務危機。

4.相同條件下，BP神經網絡模型的預測準確率要高于Logistic模型的預測準確率。當兩種模型對同一樣本的預測結果相同時，兩種預測模型構成的混合模型準確率較神經網絡模型更高。

【參考文獻】

[1] Altman E I. Financial ratios discriminate analysis and the prediction of corporate bankruptcy [J]. The journal of finance，1968，23（4）：589-609.

[2] James A. Ohlson. Financial ratios and the probabilistic prediction of bankruptcy [J]. Journal of accounting research，1980（1）：109-131.

[3] Coats P K，Fant L F. Recognizing financial distress patterns using a neural network tool[J]. Financial Management，1993（6）：142-155.

[4] 周首華，楊濟華，王平.論財務危機的預警分析——F分數模式[J].會計研究，1996（8）：8-11.

[5] 楊淑娥，黃禮.基于BP神經網絡的上市公司財務預警模型[J].系統工程理論與實踐，2005，25（1）：12-18.

[6] 顏哲，劉倩，王貴春.房地產公司財務預警實證研究——T檢驗與因子分析法下Logistic模型運用對比[J].財會月刊，2011（18）：60-63.

[7] 周梅妍.房地產財務風險預警系統研究[J].統計與決策，2012（15）：50-52.

[8] 唐睿明.我國房地產業(yè)上市公司財務預警模型實證研究[J].財經問題研究，2013（12）：96-101.

[9] 陳希，王京芳.基于BP神經網絡的內部控制預警體系構建[J].世界科技研究與發(fā)展，2014（1）：26-30.