基于行业差异视角的财务预警模型比较研究

来源:用户上传      作者: 杨淑娥　陈　强

　　【摘要】财务指标是构建预警模型的数据基础，往往因行业不同而表现出不同的特征。财务指标的行业差异是否会影响到财务预警模型的预测精度以及对不同模型的影响程度如何，成为财务预警领域一个值得研究的重要问题。本文就此作一探讨。
　　
　　一、问题提出
　　
　　为了研究在财务指标行业差异影响下不同预警模型的预测精度，本文以深沪两市A股市场信息技术业和批发零售业170家上市公司为研究对象，以区分行业与否为条件，主要使用多元判别分析（MDA）和BP神经网络（BPNN）在不同条件下建模。通过比较不同条件下构建模型的精度，可以发现MDA模型易受行业差异影响，而BPNN模型无论区分行业与否都比较稳定，而且预测精度均好于MDA模型。因此笔者认为BPNN是一种优秀的预警方法，尤其适合数据来源存在部分缺失或较复杂时的模型构建。
　　
　　二、文献回顾
　　
　　（一）财务预警模型发展回顾
　　1.单变量模型：1966年，Beaver建立了单变量模型来预测财务危机。他研究比较了30个财务比率在企业陷入财务困境前1～5年的预测能力，发现营运资金/总负债这一指标的预测能力最强，前1年的预测正确率达到了87%。但是，由于单个财务指标不能全面反映企业的财务特征，因此多变量模型成为随后研究的主流。
　　2.多变量模型：常用的多变量模型主要通过使用统计方法和人工神经网络方法（ANN）构建。
　　（1）统计方法主要有多元判别分析（MDA）、Logistic回归、主成分分析（PCA）等。国内外众多学者（如Altman，1968；Ohlson，1980；陈静，1999；吴世农、卢贤义，2001；杨淑娥、徐伟刚，2003）使用这些方法进行了大量的实证研究。统计方法比较成熟，但是往往受制于众多的假设前提，难以适应复杂多变的企业运作环境，因而预测精度受到了影响。
　　（2）ANN是近年来新兴的计算方法，具有自我学习、调整能力和较强的容错性。ANN中的BP神经网络（BPNN）应用最为广泛。国内学者刘洪（2004）运用MDA、Logistic回归、BPNN进行了比较研究，发现BPNN对检验样本的预测精度高达90.1%，而MDA、Logistic回归分别只有54.4%和56.6%。杨淑娥（2005）对比研究发现BPNN也优于PCA方法，两种模型对检验样本的预测精度分别为90%和81.7%。这些研究均表明BPNN优于传统的统计方法。
　　
　　（二）财务指标行业差异研究回顾
　　1969年，Gupta使用美国21个二级行业分类中的制造业公司进行分析，发现这些公司的财务指标存在显著的行业差异。Lev（1969）使用部分调整模型对美国18个行业245家公司的6个财务比率进行了回归，证实了财务比率具有显著的行业效应，并且公司比率不断向本行业该比率均值进行调整。
　　近年来，国内学者也展开了有关上市公司财务指标的行业差异研究。郭鹏飞等（2003）使用我国A股上市公司2001年的7个财务比率进行了分行业统计分析，结果显示除净资产收益率外其余财务比率的行业效应均非常显著。连玉丹等（2006）研究发现总负债率等6个财务比率都显著地向行业均值收敛，但调整成本和行业特性的差异导致了不同的财务比率具有不同的收敛速度。
　　鉴于上述研究，笔者发现已有财务预警研究往往局限于预警指标和方法的选择，而忽视了样本选择时行业差异对预警效果所带来的影响。为此，本文以信息技术业和批发零售业为研究对象，以区分行业与否为条件，使用多种方法构建模型进行精度比较来研究这一问题。
　　
　　三、实证研究
　　
　　（一）研究方法
　　笔者选用了MDA、Logistic回归、BPNN这几种常用的预警方法。但是，在使用Logistic回归法时，由于始终没有变量进入模型，因而本文主要使用其他两种方法进行比较研究。
　　MDA是一种常用的分类分析方法，它通过根据已知类别的事物的性质建立判别函数，然后对未知类别的新事物进行判断以将之归入已知的类别中。
　　BPNN是一种多层前向神经网络，具有一个或多个隐含层，一般使用Sigmoid函数f（x）=1/（1+e-x），通过信号的正向传播与误差的反向传播两个过程实现。
　　
　　（二）样本选取
　　本文以深沪两市A股市场中信息技术业和批发零售业上市公司作为研究样本，样本期间为1998～2005年，数据来源于国泰安信息技术有限公司提供的上市公司数据库。财务危机样本界定为因以下原因而被ST的公司：（1）连续两年亏损；（2）每股净资产低于每股面值。为了避免传统配对选择的方式高估模型的预测能力，财务健康样本的选择界定为1998～2005年从未被ST过的公司。
　　笔者使用T-1年的样本数据建模和检验，其中危机样本数据取自1997～2004年，健康样本的数据取自2004年，避免了数据收集过程中的重复性。这样共收集到31个危机样本，139个健康样本，各类型样本具体划分见表1。
　　
　　
　　（三）指标选取
　　1.指标选取
　　借鉴已有研究，笔者选择了6个财务指标来构建模型，这些指标既能全面反映企业的财务状况，也具有显著行业差异。它们是：（1）短期偿债能力：流动比率（X1）；（2）长期偿债能力：资产负债率（X2）；（3）营运能力：应收账款周转率（X3）、存货周转率（X4）、总资产周转率（X5）；（4）盈利能力：净利润率（X6）。
　　为了检验所选样本财务指标的行业差异性，笔者对两个行业的不同类型样本分别进行了检验。检验的方法是：对于正态分布的样本，使用T检验；而对于非正态分布的样本，使用非参数检验中的Mann-Whitney U检验，结果见表2。
　　
　　注：带*的指该指标样本服从正态分布
　　从表2中可以看出，在0.05的显著性水平上，健康样本的6个财务指标都具有显著的行业差异，而危机样本仅有应收账款周转率这一指标差异显著。针对这一现象，笔者认为危机样本往往具有相似的财务特征，具体来说盈利能力都出现重大问题、无法清偿到期债务等，同时考虑到财务指标取自不同期间，也可能造成了差异不显著。
　　2.数据归一标准化
　　为了去除不同量纲的影响，又将选出来的6个财务指标数据进行归一标准化处理。由于选取的指标中含有效益性指标（如X6）和适度性指标（如X1），因此需要针对不同类型的指标分别进行处理。具体处理方法是：
　　对于效益性指标，采用以下公式处理：
　　
　　其中q为该指标最合适值。
　　
　　（四）建立模型
　　1.MDA
　　首先选用逐步判别法选择构建模型的变量。信息技术业模型仅有净利润率指标进入；批发零售业模型则有资产负债率、存货周转率和总资产周转率三个指标进入；混合模型则包含了以上4个指标。
　　使用筛选后的指标建立模型，得到非标准化的典则判别函数的系数如表3。
　　
　　2.BPNN
　　一个单隐层的BPNN可以逼近任何的连续函数，因此本文选择了单隐层的BPNN结构。网络的输入层节点数取决于选取指标的个数，设置为6。笔者期望输出（1，0）和（0，1）分别代表危机样本和健康样本，因此输出层节点个数为2。隐含层节点个数根据经验公式（2P1+P3）1/2
转载注明来源:https://www.xzbu.com/3/view-774815.htm