（青島大學會計學系山東青島266071）

一、引言

企業(yè)的財務風險主要是指企業(yè)在經(jīng)營、籌資、投資方面面臨的不確定性，具體指企業(yè)財務結構不合理、融資不當使公司可能喪失償債能力而導致投資者預期收益下降的風險（黃婉婷，2013）。企業(yè)財務風險控制是財務管理的重要內(nèi)容，加強對企業(yè)財務風險的識別，為決策者、管理者和投資者提供及時有效的財務信息，保障各方的利益具有重要意義。對企業(yè)財務風險的預測的研究方法，是根據(jù)企業(yè)的財務或非財務的指標，建立各種風險預測模型。主要有基于統(tǒng)計理論的線性回歸模型，如Z-Score財務風險預警模型（嚴碧紅、馬廣奇，2011）；以人工神經(jīng)網(wǎng)絡為代表的非線性模型，研究文獻很多，這些非線性模型實際上是一種基于模式識別的判別方法。本文以模式識別理論為指導，來建立財務風險預測的模式識別模型。依據(jù)構建模式識別系統(tǒng)的方法，研究企業(yè)財務風險分類、風險特征提取、模式分類器的設計、分類器訓練和測試，并用21家化肥類上市公司最近4年的財務數(shù)據(jù)進行實證分析。

二、企業(yè)財務風險的模式識別系統(tǒng)

（一）模式識別理論及其在企業(yè)財務風險預測中的應用

模式識別誕生于上世紀20年代，隨著計算機技術的發(fā)展，在60年代形成的一門人工智能學科。它對事物的時間或空間分布信息進行分析，根據(jù)事物的樣本特征對樣本進行分類。模式識別技術在經(jīng)濟領域應用例子眾多，如對CPI代表規(guī)格品價格走勢形態(tài)中的平穩(wěn)走勢的識別 （王浩，2014），基于BP神經(jīng)網(wǎng)絡的財務風險預警系統(tǒng)（何珊，2016）等。模式識別研究方法主要有統(tǒng)計模式識別、結構模式識別、模糊模式識別和人工神經(jīng)網(wǎng)絡。這些方法的理論基礎不同，各有特點。其中，人工神經(jīng)網(wǎng)絡是一種應用大腦突觸聯(lián)結的結構進行信息處理的數(shù)學運算模型，由大量的節(jié)點（神經(jīng)元）和彼此的相互連接構成。每個節(jié)點代表一種特定的輸出函數(shù)，每兩個節(jié)點間的連接代表一個通過該連接信號的權重。網(wǎng)絡的輸出則依連接方式、權重值和激勵函數(shù)的不同而不同。人工神經(jīng)網(wǎng)絡模型中應用最多也是最成功的當屬以采用BP學習算法的多層感知器（以下簡稱BP神經(jīng)網(wǎng)絡）為代表，其方法是將樣本空間分為訓練集和測試集兩個集合，采用有監(jiān)督的學習方式用訓練集樣本對BP神經(jīng)網(wǎng)絡進行訓練，用測試集樣本對BP神經(jīng)網(wǎng)絡的分類效果進行評價。BP網(wǎng)絡具有高度的非線性映射能力，而且它不要求大樣本訓練集空間。本文采用BP神經(jīng)網(wǎng)絡構造財務風險預測的模式識別系統(tǒng)的分類器。

（二）財務風險預測的模式識別系統(tǒng)的組成

基于模式識別財務風險預測的模式識別系統(tǒng)主要由三部分組成：數(shù)據(jù)獲取和預處理，特征提取和選擇，分類決策，如圖1所示。

圖1 企業(yè)財務風險預測的模式識別系統(tǒng)

1.數(shù)據(jù)獲取和預處理。企業(yè)的財務風險的發(fā)生是一個漸進的發(fā)展過程，企業(yè)的財務狀況在不加以控制的情況下會由輕度財務危機轉化成重度財務危機。財務狀況發(fā)生變化前，當期財務報表中的指標會提前出現(xiàn)異動，因此，可以選擇企業(yè)的資產(chǎn)負債表、利潤表、現(xiàn)金流量表中的若干指標數(shù)據(jù)作為系統(tǒng)的輸入值，來預測企業(yè)未來財務狀況的變化。

2.特征提取和選擇。選擇每股基本指標、成長能力指標、盈利能力和質(zhì)量指標、運營能力指標和財務風險指標等財務數(shù)據(jù)，作為表示企業(yè)財務風險的特征分量。由于這些財務指標間有的相互重疊，有的有較強的相關性，因此，有必要對樣本的特征向量進行降維，盡量用少的特征數(shù)據(jù)來反映企業(yè)的財務狀況。這樣既可簡化BP神經(jīng)網(wǎng)絡的結構，也有利于加快BP神經(jīng)網(wǎng)絡設計過程中的輸出誤差的收斂速度。

對特征向量進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)部依賴關系，用少數(shù)幾個變量表示觀測數(shù)據(jù)基本結構，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）為計算節(jié)點的隱藏層；一層為輸出層，輸出層數(shù)量由企業(yè)風險類別數(shù)決定。

三、企業(yè)財務風險預測的模式識別系統(tǒng)實現(xiàn)方法與步驟

（一）企業(yè)財務風險新分類方法

侯芝芳（2014）以上市企業(yè)是否被ST作為財務發(fā)生危機的標志，而作為對比，將同類型的非ST企業(yè)的財務狀況視為正常；劉君力、劉吉成（2012）用EVA（經(jīng)濟增加值）指標是否大于0作為區(qū)分財務狀況正常與危機的標準。為了反映企業(yè)財務風險的變化趨勢，本文根據(jù)企業(yè)當期和前期凈利潤的對比，將公司財務風險劃分為持續(xù)盈利、虧轉盈、盈轉虧和持續(xù)虧損四類，這樣能更好地對企業(yè)財務風險進行預測。

（二）企業(yè)財務風險特征指標和處理方法

根據(jù)上市公司年報公布的內(nèi)容，選擇的財務風險指標體系如表1所示。這20項指標具有代表性和良好的預測性能，可以充分反映企業(yè)的財務狀況。

（三）特征處理方法

采用因子分析法對樣本的特征向量進行降維處理。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的相關性是因子分析的前提條件。（2）計算原始變量的相關系數(shù)矩陣。相關系數(shù)矩陣是估計因子結構的基礎。（3）提取公因子。確定因子求解的方法和因子個數(shù)，目的是計算因子的載荷矩陣。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法。因子個數(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。對因子的載荷矩陣進行正交變換，求取旋轉因子載荷矩陣，目的是輔助理解提取因子的實際意義。（5）計算因子得分。本文采用因子得分作為財務風險預測特征向量的分量。

表1 上市公司財務風險研究相關指標體系表

（四）分類器的結構設計與實現(xiàn)步驟。

本文采用三層BP神經(jīng)網(wǎng)絡作為模式識別的分類器。輸入層節(jié)點數(shù)是財務風險預測的特征向量的維數(shù)，輸出節(jié)點數(shù)有四個，分別對應上文中的四類財務風險；采用經(jīng)驗公式間的常數(shù)，n、m 分別為輸入輸出節(jié)點數(shù)，確定隱含層節(jié)點的數(shù)量。采用BP神經(jīng)網(wǎng)絡實現(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)絡創(chuàng)建函數(shù)；訓練一個神經(jīng)網(wǎng)絡；使用網(wǎng)絡進行仿真。

四、實驗分析

（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、資本結構、經(jīng)營方式相似，面臨著相同的宏觀和微觀經(jīng)濟形勢，化肥行業(yè)屬于周期性行業(yè)，盈利水平波動比較大，因此，非常適合用來做財務風險預警研究。

根據(jù)東方財富網(wǎng)發(fā)布的 2013、2014、2015、2016年度上市化肥公司的財務報告，剔除在報告期內(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務數(shù)據(jù)，進行整理后內(nèi)容包括表1中所列的19項財務指標。

以2013年和2014年度的數(shù)據(jù)作為訓練集，以2015年度數(shù)據(jù)作為測試集，具體財務風險的情況如表2所示。

表2 21家上市化肥類公司實際財務風險狀況表

對表1中所列的19項財務指標，按照財務風險類別的持續(xù)盈利、虧轉盈、盈轉虧和持續(xù)虧損分別進行描述性統(tǒng)計，各項指標的平均值如表3所示。通過對比分析，可以看出，持續(xù)盈利的企業(yè)樣本的大多數(shù)財務指標均優(yōu)于其他風險類型樣本企業(yè)的指標。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%，相對于其他三類風險類型企業(yè)優(yōu)勢明顯。說明能夠持續(xù)盈利的企業(yè)，當期的盈利能力也是比較高的。對比樣本企業(yè)的資產(chǎn)負債率，持續(xù)盈利企業(yè)平均資產(chǎn)負債率僅為50%，而虧轉盈、盈轉虧和持續(xù)虧損的企業(yè)樣本的平均資產(chǎn)負債率分別為77%、70.8%和75%，說明化肥類企業(yè)的財務風險與資產(chǎn)負債率呈負相關。表3數(shù)據(jù)表明，本文所選的企業(yè)財務指標對判別企業(yè)的財務風險是有效的。但是，企業(yè)的財務風險形成的原因是復雜的，無法直觀地進行判斷，這是開展企業(yè)財務風險預測方法研究的動因。

表3 按企業(yè)財務風險類別統(tǒng)計的財務指標平均值表

（二）特征提取

由于2013—2015年度化肥行業(yè)的財務數(shù)據(jù)變化比較大，本文分年度對這21家上市公司的財務數(shù)據(jù)進行因子分析。以下是使用SPSS 19.0的“因子分析”功能對2013年度財務數(shù)據(jù)進行因子分析的過程及結果。

1.KMO和Bartlett的球形度檢驗。結果顯示KMO值為0.733，表明很適合因子分析，Bartlett的球形度檢驗的顯著性Sig值為0.000，說明數(shù)據(jù)來自正態(tài)分布總體，適合進一步分析。

2.主成分因子的提取。表4顯示，分析2013年度21個樣本的19項指標，提取10個主成分因子，其累計方差貢獻率達到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2014年和2015年度的樣本數(shù)據(jù)進行處理，2013年和2014年的數(shù)據(jù)組成訓練集，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)財務風險識別系統(tǒng)的Matlab編程實現(xiàn)及結果分析

本文企業(yè)財務風險分為 4類（用 1、2、3、4 表示），財務風險的特征向量維數(shù)為10。采用三層BP網(wǎng)絡來實現(xiàn)系統(tǒng)的構建、訓練和測試，輸入層有10個節(jié)點，根據(jù)經(jīng)驗，中間層有10個節(jié)點，輸出層有4個節(jié)點。訓練數(shù)據(jù)在trainData.txt文件中，含42個樣本，測試數(shù)據(jù)在testData.txt中，含21個樣本。系統(tǒng)的Matlab 7.0編程實現(xiàn)代碼如下：

圖2 神經(jīng)網(wǎng)絡的訓練收斂過程圖

圖2為神經(jīng)網(wǎng)絡的訓練收斂過程圖，測試的21個樣本中，18個識別正確，識別率是85.714%，詳細數(shù)據(jù)見表6財務風險狀況預測結果表。其中，預測錯誤的樣本分別為將六國化工和四川美豐的“盈轉虧”都錯判成“持續(xù)盈利”，將中旗股份的“持續(xù)盈利”錯判成“盈轉虧”。表6顯示，本文模型對盈利預測的準確度較高，大于對虧損預測的準確度。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)的財務數(shù)據(jù)預測該行業(yè)2016年度盈虧的正確率達到了85.714%，基本滿足了利用前兩年的公司財務數(shù)據(jù)，對下一年度公司財務風險預測的需要，證明了本文方法的可行性和有效性。

基于模式識別的企業(yè)財務風險識別方法具有普遍的適用性，只需要選擇其他行業(yè)的財務數(shù)據(jù)構建系統(tǒng)的訓練集和測試集，就可以用文中的Matlab程序進行運算，研究相應行業(yè)的財務風險問題。

表6 財務風險狀況預測結果表

五、結論

本文基于模式識別理論研究了企業(yè)財務風險的預測方法。將企業(yè)財務風險類別劃分為“持續(xù)盈利”“虧轉盈”“盈轉虧”和“持續(xù)虧損”四類，相比將企業(yè)財務風險類別劃分為“正?！焙汀癝T”兩類，更加科學，更加具有指導意義。對21家化肥類上市公司的三年財務數(shù)據(jù)進行因子分析以降低企業(yè)財務風險特征向量的維度，從而簡化了企業(yè)財務風險識別模型的復雜度；用BP神經(jīng)網(wǎng)絡建立了企業(yè)財務風險識別模型，并用MATLAB編程實現(xiàn)了系統(tǒng)分類器的設計和訓練。實驗結果表明，利用企業(yè)前期和當期的財務數(shù)據(jù)，可較為客觀和準確地預測企業(yè)下一財務報告期可能的財務風險。本文模型具有較高的財務風險預測準確率，可有效避免由于人工預測的主觀性造成的預測風險偏差。

進一步提高企業(yè)財務風險識別系統(tǒng)的準確度，可從以下兩個方面進行：一是加強對企業(yè)財務風險特征研究。本文只采用了企業(yè)的財務數(shù)據(jù)描述企業(yè)的財務風險，但是，企業(yè)的非財務數(shù)據(jù)，如資產(chǎn)規(guī)模、反映公司股權結構的第一大股東持股比例等，都會影響公司的財務狀況，引入這些非財務數(shù)據(jù)，研究企業(yè)的財務風險特征，可進一步提高系統(tǒng)的識別準確度。二是收集更多的訓練樣本，用大樣本數(shù)據(jù)訓練BP神經(jīng)網(wǎng)絡，提高訓練精度。