基于神经网络模型的上市公司财务危机预警研究
一、前言
根据国外公司法或者国外研究人员的定义，财务危机是指企业由于经营失败而没有能力支付到期债务。以下事项只要满足一项就表明企业经营失败，即：破产，债券违约，透支银行账户，无法支付优先股股利。这样的定义是基于国外资本市场十分成熟的情况下做出的，然而，由于我国的资本市场仅仅发展二十余年，尚不成熟，并且我国上市公司的退市制度还不完善，因此，本文将发生财务危机的企业定义为中国证券监督管理委员会（证监会）设定为“特别处理”的企业，通常在资本市场中这类企业的股票代码前冠以“ST”符号以示区分。
基于现有的各类财务指标，构建一个财务危机预警的数学模型，用于提示企业发生财务危机的可能性有很多现实意义。建立与企业实际发展状况相符的财务危机预警模型有利于投资者做出更加理智的投资决策，有利于企业管理者更好地理解企业财务状况以提高管理水平，有利于银行和其他债权人更好地评估企业的债务违约风险，有利于政府监管部门更有针对性地监督上市公司，有利于审计人员更加高效地审计上市公司等等。
二、选择样本
失败企业的筛选：
在第一部分，将“ST”企业定义为经营失败的企业，数据来自于上海证券交易所和深圳证券交易所网站。由于有些失败企业数据缺失，最终筛选出2005年的55家“ST”企业。为了将模型适用于各类企业，这55家“ST”企业来自各行各业，有制造业、建筑业、交通运输业等。资本市场中，大部分企业使用统一的会计制度，但是金融保险业上市公司使用其专有的会计制度，因此，本文挑选的55家“ST”企业不包括金融保险业上市公司。
非失败企业的筛选：
非失败企业的筛选按照以下步骤进行：（1）查找“ST”公司的行业类别代码；（2）在该类行业中，筛选出和“ST企业”资产规模最接近的企业；（3）如果筛选出的企业是非失败企业，则采用；（4）重复以上步骤，直到筛选出与失败企业同样数量的非失败企业。
表 失败企业和非失败企业的来源与数量 单位：家
三、选择财务指标
目前，通过哪些财务指标来判断企业是否遇到了财务危机没有一个统一的标准，而且仅仅通过若干个财务指标来描述企业的经营状况是很困难的。本文在前人研究经验的基础上，初步筛选出反映企业总体状况的六个方面的15个财务指标，这六个方面分别是短期偿债能力，长期偿债能力，盈利能力，资产管理能力，主营业务盈利能力和增长能力。筛选的15个财务指标来自2005年12月31日的资产负债表，主要有流动比率，速动比率，现金比率，产权比率，已获利息倍数，现金收入比率，总资产收益率，净资产收益率，存货周转率，应收账款周转率，总资产周转率，主营业务利润率，资本保值增值率，净利润增长率，总资产增长率。
在建立预测模型之前，首先要在15个财务指标中找出与企业被“ST”最相关的指标。在Rapidminer 6.1中，使用相关矩阵测算财务指标与“ST”之间的关系。通过计算，除去流动比率（相关系数为0.03<0.05）和现金比率（相关系数为0<0.5）这两个指标，另外13个指标被最终保留，即最终入选的指标包括以下13个指标：速动比率，产权比率，已获利息倍数，现金收入比率，总资产收益率，净资产收益率，存货周转率，应收账款周转率，总资产周转率，主营业务利润率，资本保值增值率，净利润增长率，总资产增长率。
图1
使用Rapidminer 6.1的相关矩阵函数计算找出与企业被“ST”最相关的财务指标，软件中使用的模块和连接如图中所示。
图2
展示了13个财务指标分别与企业被“ST”之间的相关系数，运行结果显示，财务指标X1（流动比率）和财务指标X3（现金比率）与“ST”的相关系数小于0.05，表明他们之间的相关性小，因此剔除这两个财务指标。
四、实验过程
神经网络的建模过程如图3、图4所示，图5表示的是预测的准确率。
图3 主要处理过程
将待处理数据和SPLIT函数模块拖入主界面，将两个模块连接，SPLIT函数模块的作用是将待处理数据随机分割成两部分，设定分隔系数是0.7，即70%的财务数据用作训练数据，30%的财务数据用作检验数据。
图4
将导入主界面的全部数据中的70%，即导入77家上市公司的财务数据，使用神经网络模型进行训练，训练完成的神经网络模型用于对剩余30%的数据即33家上市公司的财务数据进行预测，预测这33家上市公司中失败企业（即“ST”上市公司）的数量和非失败企业（即正常上市公司）的数量。
图5
训练后的神经网络的预测结果：93.33%的原“ST”企业被预测成功，88.89%的原正常企业被预测成功，总体预测精度达到90.91%。
五、结论
实验结论表明人工神经网络是一种比较好的用来预测上市公司是否会发生财务危机的方法，预测准确率较高；也表明在日常经营管理中，为了防止企业发生财务危机，经营人员应该更多地关注速动比率，产权比率，现金收入比率和存货周转率等财务指标，因为这些财务指标与企业是否会发生财务危机的关系更加密切。
