上市公司財務(wù)危機(jī)預(yù)警機(jī)制如何建立呢，本文以財務(wù)數(shù)據(jù)為基礎(chǔ)，構(gòu)建財務(wù)危機(jī)預(yù)警模式機(jī)制。
鑒于預(yù)測上市公司財務(wù)狀況對企業(yè)管理者及投資者等利益相關(guān)者的重要意義，近幾十年來，對財務(wù)危機(jī)預(yù)警問題的探討一直是國內(nèi)外學(xué)者研究的熱點。然而，大多數(shù)研究均將全行業(yè)作為研究對象，或單獨對制造業(yè)進(jìn)行研究，而沒有考慮制造業(yè)中各個細(xì)分行業(yè)的特點?；诖?，本文選取了制造業(yè)中機(jī)械、設(shè)備、儀表行業(yè)這一單獨行業(yè)作為研究對象，分別用兩種傳統(tǒng)方法和兩種人工智能方法對同一樣本數(shù)據(jù)集構(gòu)建模型，通過對模型結(jié)果的比較分析，得到對機(jī)械、設(shè)備、儀表行業(yè)更有針對性的結(jié)論。
一、研究設(shè)計
（一）樣本的選取
本文將因財務(wù)狀況異常而被特別處理界定為財務(wù)危機(jī)，而將沒有被實施特別處理的公司界定為健康公司。對于危機(jī)樣本，選取深、滬兩市2001年至2012年間首次被實施特別處理的A股機(jī)械、設(shè)備、儀表行業(yè)的49家上市公司為財務(wù)危機(jī)樣本。對于健康樣本，根據(jù)被實施特別處理的方法可知，用被實施特別處理前一年或兩年的數(shù)據(jù)來預(yù)測第T年是否被實施特別處理缺乏意義，因此本文選取（T-3）年的數(shù)據(jù)建模。按照1︰1的配比，對第T年被實施ST的危機(jī)樣本，從T-3年非ST的機(jī)械、設(shè)備、儀表行業(yè)的上市公司中挑選與該ST樣本上市時間相近、資產(chǎn)總額接近的公司作為選取的配對健康樣本，共選出49家健康公司作為配對樣本。進(jìn)而，將2001年至2008年選取的74個樣本作為建模樣本，2009年至2012年選定的24個樣本作為檢驗樣本。
（二）財務(wù)指標(biāo)的選擇
根據(jù)全面性、易得性等原則，從盈利能力指標(biāo)、償債能力指標(biāo)、成長能力指標(biāo)、營運能力指標(biāo)、現(xiàn)金流量指標(biāo)和資本結(jié)構(gòu)指標(biāo)中，共選取了28個財務(wù)指標(biāo)作為初始指標(biāo)，分別記為X1、X2……X28。
（三）財務(wù)危機(jī)預(yù)警方法
通過對選取的樣本用四種方法建模進(jìn)行實證研究。其中，多元判別和邏輯回歸兩種方法屬于傳統(tǒng)建模方法，BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)屬于人工智能建模方法。
二、實證結(jié)果與分析
首先利用SPSS 16.0統(tǒng)計軟件對建模指標(biāo)進(jìn)行篩選，然后利用數(shù)據(jù)挖掘軟件SPSS Clementine 12.0構(gòu)建多元判別和邏輯回歸兩種傳統(tǒng)模型以及BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)兩種人工智能模型。
（一）建模指標(biāo)的篩選
首先，對建模樣本的28個原始指標(biāo)進(jìn)行正態(tài)性K-S檢驗。然后，對符合正態(tài)分布的指標(biāo)進(jìn)行兩獨立樣本的T檢驗，而對不符合正態(tài)分布的指標(biāo)進(jìn)行曼-惠特尼U檢驗。從T檢驗和曼-惠特尼U檢驗的結(jié)果可知，28個原始指標(biāo)中共有13個指標(biāo)通過了顯著性檢驗，可用于構(gòu)建財務(wù)危機(jī)預(yù)警模型。這13個指標(biāo)如表1所示。
（二）財務(wù)危機(jī)預(yù)警模型的建立
首先對上述得到的13個指標(biāo)進(jìn)行標(biāo)準(zhǔn)化處理，記Xi標(biāo)準(zhǔn)化處理后的變量為ZXi，以這13個標(biāo)準(zhǔn)化處理后的變量作為建模變量構(gòu)建財務(wù)危機(jī)預(yù)警模型。
1.多元判別模型的建立。定義Y為因變量，若樣本為財務(wù)危機(jī)公司，則Y=1；若樣本為健康公司，則Y=0。構(gòu)建邏輯回歸模型和神經(jīng)網(wǎng)絡(luò)模型時也采用這種因變量定義方式。利用SPSS 16.0軟件，對上述經(jīng)過篩選后得到的13個指標(biāo)，采用Stepwise逐步進(jìn)入法建立貝葉斯多元判別模型，得到正常組和危機(jī)組的判別函數(shù)分別為：
Y0=0.452×ZX14+0.287×ZX20-0.828
Y1=-0.452×ZX14-0.287×ZX20-0.828
可見，只有營業(yè)收入增長率X14和流動資金周轉(zhuǎn)率X20兩個變量被選入了模型，且營業(yè)收入增長率對模型的貢獻(xiàn)率更大。將各樣本的這兩個財務(wù)指標(biāo)值代入以上兩式，若Y0大于Y1，則判定該樣本屬于健康公司；否則，屬于財務(wù)危機(jī)公司。
2.邏輯回歸模型的建立。建立邏輯回歸模型時，變量進(jìn)入模型的策略有強(qiáng)制進(jìn)入、向前篩選和向后篩選三種方式。本文選擇向后篩選策略構(gòu)建邏輯回歸模型，結(jié)果如表2所示。（表略）
從表2可以發(fā)現(xiàn)最終的模型中包含了四個財務(wù)比率。另外，從得到的變量重要性結(jié)果可知，對構(gòu)建邏輯回歸模型最重要的兩個變量依次是資產(chǎn)凈利率X3和營業(yè)收入增長率X14。由表2可以得到邏輯回歸模型表達(dá)式為：
ln[（P/（1-P））=1.475×ZX1-1.818×ZX3-0.980×ZX14-1.317×ZX18-0.307
即：P=1/[1+exp（-1.475×ZX1+1.818×ZX3+0.980×ZX14+1.317×ZX18+0.307）]
其中，P代表財務(wù)危機(jī)發(fā)生的概率，將各樣本ZX1、ZX3、ZX14和ZX18的值帶入上式可得到概率P。設(shè)定0.5為最佳分割點，若P大于0.5，則判定樣本為財務(wù)危機(jī)公司；否則，判定為健康公司。
由回歸方程的Hosmer and Lemeshow檢驗結(jié)果可知，在最終模型中，Hosmer and Lemeshow統(tǒng)計量的觀測值為9.213，觀測概率P值為0.325，遠(yuǎn)大于顯著性水平0.05，因此可認(rèn)為由建模樣本實際得到的分布與預(yù)測值得到的分布沒有顯著差異，模型的擬合度較好。
3.BP神經(jīng)網(wǎng)絡(luò)模型的建立。本文采用快速訓(xùn)練法進(jìn)行建模，輸入層節(jié)點個數(shù)為13，輸出層節(jié)點個數(shù)為1。設(shè)置隱含層節(jié)點個數(shù)為3，指定沖量項Alpha為0.95，高Eta為0.05，其他學(xué)習(xí)率參數(shù)為默認(rèn)設(shè)置。此時，訓(xùn)練樣本的總體判別準(zhǔn)確率為94.60%，預(yù)測樣本總體判別準(zhǔn)確率為70.83%，且該模型對預(yù)測樣本中危機(jī)樣本的判定準(zhǔn)確率可達(dá)75%，詳見表3。
另外，變量重要性結(jié)果表明，對所構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型最重要的兩個變量是營業(yè)收入增長率X14和資產(chǎn)凈利率X3。
4.支持向量機(jī)模型的建立。定義Y為因變量，若樣本是財務(wù)危機(jī)公司，Y=1；若樣本為健康公司，Y=-1。使用RBF核函數(shù)，本文設(shè)置RBFγ=0.15，懲罰系數(shù)C=90，其他參數(shù)為默認(rèn)設(shè)置，對建模樣本及檢驗樣本進(jìn)行預(yù)測，結(jié)果見表4。（表略）
變量重要性結(jié)果表明，對得到的支持向量機(jī)模型最重要的兩個變量是資產(chǎn)凈利率X3和營業(yè)收入增長率X14。
（三）結(jié)果分析
本文從各模型對樣本預(yù)測精度和對構(gòu)建各模型最重要的指標(biāo)兩方面對模型進(jìn)行分析。
1.模型預(yù)測精度分析。以上所建四種模型對建模樣本和檢驗樣本的預(yù)測準(zhǔn)確率匯總見表5。（表略）
比較四種模型對建模樣本預(yù)測準(zhǔn)確率可知，無論是對總體還是對單獨的每一類樣本來說，BP神經(jīng)網(wǎng)絡(luò)的預(yù)測準(zhǔn)確率都是最高的，可達(dá)到90%以上；其次是支持向量機(jī)模型，預(yù)測準(zhǔn)確率也可達(dá)80%；最后是兩種傳統(tǒng)建模方法所構(gòu)建的模型。
比較四種模型對檢驗樣本預(yù)測準(zhǔn)確率，可知用支持向量機(jī)方法構(gòu)建的模型對檢驗樣本的預(yù)測準(zhǔn)確率最高，可達(dá)80%，且該模型對危機(jī)樣本的預(yù)測準(zhǔn)確率可達(dá)83%，與其他幾種方法構(gòu)建的模型相比準(zhǔn)確率更高。其次，BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測準(zhǔn)確率達(dá)到了70%，而多元判別方法構(gòu)建模型預(yù)測準(zhǔn)確率只有60%。
所以，無論對建模樣本還是對檢驗樣本，人工智能方法所構(gòu)建模型的預(yù)測準(zhǔn)確率均比傳統(tǒng)方法構(gòu)建模型的準(zhǔn)確率高。
2.重要建模指標(biāo)比較。由各模型變量重要性結(jié)果可知，資產(chǎn)凈利率X3和營業(yè)收入增長率X14這兩個變量對幾種模型的構(gòu)建均有重要作用，是判斷機(jī)械、設(shè)備、儀表行業(yè)上市公司財務(wù)狀況優(yōu)劣的重要指標(biāo)。
三、結(jié)論
本文針對機(jī)械、設(shè)備、儀表行業(yè)74家上市公司（T-3）年的財務(wù)數(shù)據(jù)，分別用四種方法構(gòu)建了財務(wù)危機(jī)預(yù)警模型，并對所構(gòu)建模型的預(yù)警精度和建模變量進(jìn)行了比較分析。研究發(fā)現(xiàn)：第一，人工智能方法所構(gòu)建模型的預(yù)測準(zhǔn)確率比傳統(tǒng)方法構(gòu)建模型的準(zhǔn)確率高。第二，資產(chǎn)凈利率X3和營業(yè)收入增長率X14這兩個變量對四種模型的構(gòu)建均有重要作用，是區(qū)分機(jī)械、設(shè)備、儀表行業(yè)上市公司財務(wù)狀況優(yōu)劣的重要指標(biāo)。
