制造业上市公司财务危机预警研究
来源:用户上传
作者:
[提要] 当代经济快速发展，企业应时刻关注自身的财务状况，对未来存在的财务危机隐患提前关注，保持危机意识。制造业作为我国的支柱产业，在当前经济背景下，更应保持警惕，在抓住机遇发展壮大的同时，发现自身存在的问题，及时做出相应的调整，提前对企业即将出现的财务危机做出应对之策。
关键词：制造业上市公司;BP神经网络模型;财务危机预警
基金项目：青海民族大学研究生创新项目：“制造业上市公司财务危机预警研究”阶段性成果
中图分类号：F27 文献标识码：A
收录日期：2019年12月26日
我国制造业作为国家的支柱产业，对我国的经济发展具有极其重要的推动作用;但是，随着大数据时代的到来，经济发展速度日益加快，制造业上市公司也相继面临着更多的危机与挑战。财务状况与企业的生存息息相关，如何利用相关数据帮助企业规避潜在的财务危机成为现代企业关注的重点。
传统的预警机制大多数通过历史数据构建模型，对企业是否存在财务危机做出预测。Altman首次运用多元线性判别方法构建财务危机预警模型，但是人们经过实践发现，该模型无法满足选取的变量服从正态分布。Martin开创性地结合Logistic回归模型对企业做出财务预警，经过实践证明，该模型对于企业危机的预测准确度高达96%，所以该模型流传至今仍被广泛应用。但是，传统的预警机制大多数是通过静态数据预测未来企业状况，不能动态归纳新数据，这种情况下建立的预警模型其准确性不高。因此，借助科学的方法构建合理有效的预警模型对我国制造业上市公司及时发现并解决财务危机具有非常重要的指导作用。
一、研究设计
（一）样本选取与数据来源。本文选取的样本公司主要为2019年首次被特别处理的制造业上市公司20家，同时按照1：1的比例选取正常经营的制造业上市公司20家作为对照组，共计40家上市公司，另外选取20家上市公司作为检测样本。设定2019年为T年，通过国泰安数据库收集T-3年，即2016～2018年的数据对2019年样本公司财务状况进行预测。
本文选取的数据来源通过网上搜集，主要从国泰安数据库、深沪证券交易所的官方网站、新浪财经等我国的知名网站上进行收集与整理，数据的可信度和准确性都非常高。
（二）财务预警指标的选取。本文通过阅读大量文献资料，结合国内外学者的研究理论，结合我国制造业的具体情况，对财务预警指标依据以下的筛选原则：
1、全面性原则。企业的财务状况受到各方面的影响，所以要把能够影响到企业财务状况的因素进行综合、全面性的收集与整理，通过收集综合的财务数据，得到合理有效的研究结论。
2、重要性原则。为了对企业的財务危机达到深入透彻的分析，选取的财务指标很多。但是在训练过程中，很难把所有的财务指标都输入到模型中进行训练，所以本文选取对企业具有显著作用的财务指标。
3、可取性原则。本文选取的财务指标都是上市公司公布出来，且容易查找到的，对于一些非公开的财务指标，会对模型的准确性造成影响。
因此，本文在选取传统的能够反映企业盈利能力、营运能力、偿债能力、发展能力等财务指标的基础上，添加企业现金流量状况、股东获利能力等财务指标进行训练。
（三）因子分析。本文选取多个财务指标，能够整体全面地反映企业的财务状况，但是财务指标过多会加大训练难度，也会对模型的稳定性和预测结果造成影响，所以首先应用SPSS软件中的KMO样本测度法和巴特利特球体检验法对选取的财务指标进行相关性分析。（表1）
运行结果显示KMO值为0.758，sig值为0.000，因此本文选取的财务指标数据符合因子分析的条件。
二、构建BP神经网络模型
BP神经网络是一种按照误差逆传播算法训练的多层前馈网络，当前应用于多个领域，是应用最广泛的神经网络模型之一，该神经网络的主要特点为信号前向传递，误差反向传播。该网络通过输入层输入信号，中间经过隐含层对数据进行逐层处理，通过输出层传递结果;如果输出层没有得到期望的输出值，则转入反向传播，神经网络根据预测误差调整权值和阈值，从而得到期望输出如图1所示。（图1）
（一）输入层：本文选取的财务指标通过SPSS软件运用因子分析提取主成分，筛选出合理有效的财务指标作为输入层的输入数据。
（二）隐含层：隐含层的关键是对节点数数量的选择，如果选取的节点数过多，会影响模型的运行速度，相反，如果节点数过少，会对模型的运行结果产生影响。本文对隐含层节点的选择参考以下公式：
其中，l代表隐含层的节点数，n代表输入层的节点数，m代表输出层的节点数;？琢所选取的是0～10之间的常数，通过试凑法确定最佳的节点数。
（三）输出层：输出值是构建模型训练之后的目标值，实际上就是我们进行模型训练的期望输出值。本文的输出层节点数设定为1，把输出值以0.5为分界点，0表示没有被特别处理的公司（非ST），1表示被特别处理的公司（ST）。
本文运用MATLAB7.0软件进行神经网络模型训练，训练结果如表2所示。（表2）
训练结果分析：在训练样本中，ST公司准确判断19家，仅误判1家;非ST公司准确判断17家，误判数为3家，综合预测准确率达到了91.2%，误判率为8.8%。在检测样本中，ST公司准确判断9家，仅误判1家，非ST公司准确判断8家，误判2家，综合预测准确率为86%。
综上可知，本文所构建的BP神经网络模型预测准确率高，总体效果较好，表明此模型具有其合理性，如果我国企业能够运用这套模型，那么企业能够有效地对当前地财务状况进行预测，及时对财务危机进行规避。
三、模型评述
本文通过对构造模型的训练，发现该模型与我国制造业上市公司具有以下特点：
（一）匹配性。本文所构建的BP神经网络模型根据重要性原则选取制造业上市公司中的财务指标，考虑到制造业上市公司的特点，能够很好地反映企业当前所处的财务状况，通过实证研究发现，该模型与制造业公司具有高度匹配性。
（二）理解性。本文实证研究运用的SPSS和MATLAB软件具有简单易操作的特点，BP神经网络虽然理论较为难懂，但是结合这两个软件，能够为企业构建模型，进行财务危机预警提供技术支撑。
（三）实效性。通过实证研究发现，BP神经网络模型在制造业上市公司中能够高效预测企业是否存在财务危机状况，实用有效，具有重要的现实意义。
四、结论
本文选取在我国具有代表性的制造业上市公司为研究对象，结合传统的财务指标引入现金流量状况和股东获利能力等财务指标进行分析，使得财务指标体系更加全面，预测结果也更加准确。运用SPSS软件和MATLAB软件构建BP神经网络模型，通过训练样本数据，最后根据训练结果得出结论，该模型对于企业预测财务危机具有高度的准确性，而且该模型具有匹配性高、易理解、实效性好的特点，能够很好地运用到我国制造业上市公司中去，能够帮助企业更好地应对潜在的财务危机，具有很好的现实价值。
主要参考文献：
[1]李芳.基于BP神经网络的我国制造业上市公司财务危机预警[J].中国市场，2010（40）.
[2]张根明，向晓骥，孙敬宜.基于BP神经网络的制造业上市公司财务预警[J].山东工商学院学报，2006（4）.
[3]黄晓波，高晓莹.基于神经网络的企业财务危机预警研究——以制造业上市公司为例[J].会计之友，2015（5）.
[4]刘迎旭.基于BP神经网络的我国制造业上市公司财务预警模型研究[D].北京印刷学院，2018.
[5]刘梅.基于神经网络与逻辑回归的财务危机预警研究[J].中国集体经济，2019（14）.
转载注明来源:https://www.xzbu.com/2/view-15129690.htm
