企业财务预警研究论文

2022-04-20

企业财务预警研究论文篇1：

企业财务预警研究评论

摘要：本文按照财务预警模型的类型，从财务预警指标选择的角度对具有代表性的国内外相关研究文献进行简评，以期给企业财务预警研究提供一些有益的启示。

关键词：财务预警财务指标预警模型

（一）引言

企业财务预警是以企业财务信息为基础，利用企业财务报表、经营计划等资料，通过选择和观察敏感性预警指标的变化，借助比例分析、数学模型等分析方法，对企业可能或将要面临的财务危机进行实时监控和预测报警，并及时向利益相关者发出警示，提出规避风险的建议。财务预警的基本思想就是先通过选择合适的财务指标或非财务指标，建立财务预警指标体系，然后根据各项指标数据，按照一定的预警方法或模型预测企业将会遇到的各种财务风险和经营风险，最后做出综合预警分析，采取预警措施。

本文探讨的财务预警是广义概念，包括财务危机预警、财务困境预测和企业破产预测等。通过对国内外企业财务预警研究中指标选择的探讨不难发现，对于企业财务预警的指标选择至今尚无一个广泛认可的标准。

（二）企业财务预警研究评论

笔者总结已有的研究，认为财务预警研究的指标选择存在以下问题：

1. 以"应计制"为基础的财务指标居多，以"现金制"为基础的财务指标较少。国内外的财务预警研究多选择资产负债表、利润表的基本财务指标和财务指标组合，且这类财务指标的类型众多，包括盈利能力指标、营运能力指标、短期偿债能力指标、长期偿债能力指标、财务效益指标、资产营运状况指标、发展能力指标、成长能力指标等。但实际上，"应计制"下的传统财务指标可能被人为操纵而导致财务信息失真，因此基于传统财务指标构建的财务预警模型和方法的准确性和可信度也就令人怀疑。"现金制"下的现金流指标则较好地克服了传统财务指标信息失真的弊病，并且不易被操纵，因此，基于现金流指标（包括现金流向指标、现金流速指标、现金流量指标）来构建财务预警模型将使得财务预警结论的准确性大大提高，增强了模型的科学性和实用性。随着财务预警研究的逐渐深入，国内外学者日益倾向于采用真实性更强的现金流财务预警指标，并以之为核心来构建财务预警系统。

2. 绝对财务指标和相对财务指标兼顾，更多地采用相对财务指标。绝对财务指标是指那些指标值为绝对数的财务指标，通常这种指标的数值是一个较大的绝对数，如"总资产"、"总负债"、"总利润"等。相对财务指标是指那些指标值为相对数的财务指标，通常这种指标的数值是一个介于0～1之间的百分数或小数，这些相对财务指标一般都是约定俗成的传统财务指标，如资产负债率、毛利率、存货周转率等。虽然在国内外的财务预警研究中更多地采用了相对财务指标，但并不能说相对财务指标比绝对财务指标更科学、有效，这两类财务指标在财务预警中是相辅相成、缺一不可的。相对财务指标往往能更灵敏地反映企业的财务风险状况，增强财务预警的准确性，但绝对财务指标则能够分析企业的规模和整体状况，以使相对财务指标对财务警情的灵敏反应建立在科学、合理的基础之上，不至于造成误警。因此，在财务预警模型的指标体系中，各种财务指标的多少及比例的搭配也是决定财务预警准确性的关键。

3. 组合财务指标和调整的财务指标的引入越来越多。组合财务指标是指两个或两个以上的财务指标通过一定的运算形式组合而成的财务指标。它与相对财务指标的区别在于，组合财务指标往往是财务预警研究者根据研究需要无规则、随机地组合在一起的，不具有约定俗成的名称，其表示方式也是以其最原始的计算形态出现，如现金/ 总资产、经营现金流量/流动负债等。组合财务指标与相对财务指标类似，也是研究者在财务预警研究的过程中发现和总结出来的一种财务指标，它能够有效地提高财务预警模型的预警准确性。调整的财务指标是指基本财务指标经过一定的变换和运算后得到的新的财务指标，它是基本财务指标的有效补充，包括财务指标均值、财务指标变动趋势值、行业平均值、行业平均值的变动趋势值等。这类指标多从动态的角度和行业环境的角度对财务指标进行调整，从而动态地分析企业财务风险，并将企业纳入整个行业中考虑外部环境和行业差异影响给其带来的财务风险。因此引入此类指标的财务预警模型或方法能更加全面和科学地分析财务风险的成因，进一步提高了财务预警模型的预警准确性。

4.宏观经济指标和非财务指标的使用不多。研究者对企业财务风险的成因分析表明，宏观政策性因素和经济周期波动因素都对企业陷入财务危机有着重要的影响。尽管有研究者在分析企业财务风险时考虑了规模和行业因素，但从宏观经济的角度来看，这仍然不够。国外有个别研究者已开始考虑宏观经济指标在企业财务预警中的应用，并引入了GDP、市场利率和证券市场指数等指标，但是此类研究不够系统和完善，还没有找到一套全面、有效、可应用于企业微观财务预警的预警指标体系。迄今为止，财务预警模型主要是以传统财务指标作为输入变量进行判别和预警，而定量化的传统财务指标不仅具有使信息易失真的局限性，有时还无法对企业的某些财务危机和风险作出描述和预测，比如企业出现过度扩张、过度依赖银行贷款、人力资源匮乏、市场定位不清、战略决策不当等状况，都预示着企业存在潜在的财务危机，而这些是传统财务指标难以反映的。非财务指标不同于传统财务指标，多为定性指标，它在披露企业某些特定的财务状况方面有时要比传统财务指标更为可靠、有效。因此，在财务预警研究中有必要引入宏观经济指标和非财务指标，构建更为全面的备选预警指标集。

（三）结语

预警的财务指标选择普遍缺乏科学的财务风险理论和预警理论支撑。在国内外现有的财务预警研究中，指标的选择往往基于一般的财务理论、风险理论和管理理论，有时甚至取决于研究者的直观判断以及资料的可获得性，众多国内外研究者还没有找到令人信服的财务风险理论和预警理论来支撑所建立的预警模型，由此造成了各种财务预警模型的预警结论不一致，甚至相互矛盾和冲突，模型的有效性深受影响。由于缺乏科学理论的指导，研究者在选择指标时会受到自身价值判断的影响，具有一定的局限性。企业财务风险的形成、警情的出现和财务危机的发生往往在事前存在着一定的征兆，这就是财务预警的警兆，而警兆的识别需要以科学的财务风险理论和财务预警理论为基础。然而，在当前的研究中，还没有找到一种公认的理论来全面地说明财务风险的成因和财务预警的警兆因素，为此，国内外的众多研究者还在努力探索。

参考文献：

[1]李秉祥. 我国上市公司财务危机预警及其管理对策研究.天津：天津社会科学院出版社， 2003

[2]张鸣.企业财务预警研究前沿.北京：中国财政经济出版社， 2004

[3]彭韶兵.公司财务危机论.北京：清华大学出版社， 2005

[4]张友棠.财务预警系统管理研究.北京：中国人民大学出版社， 2004

作者：徐平孙宗伟

企业财务预警研究论文篇2：

基于决策树集成的债券发行企业财务预警研究

【摘要】在我国，债券发行人中财务危机企业数量远小于财务健康企业，样本的非平衡性导致一般的财务预警模型在训练时对财务危机企业的特征挖掘不足、预警精度低。利用“聚类Bagging”集成方法，将样本数量较多的财务健康企业样本分成多组，将多组财务健康样本与财务危机样本进行两两配对，形成两类样本大致平衡的多个训练子集。在多个训练子集上分别构建决策树模型作为基学习器，使得决策树基学习器可以大致同等地学习健康样本与危机样本的特征。利用基学习器在测试集上的预测精度AUC值作为权重，对决策树基学习器进行加权，得到决策树集成模型，作为最终的财务预警模型。以制造业债券发行企业为样本，实证对比发现基于决策树集成的财务预警模型精度更高，说明本模型能够在总体预警正确率较高的前提下提高对财务危机企业的正确识别率。

【关键词】财务预警;决策树集成;AUC;预警指标体系;债券发行

一、引言

随着债券市场规模不断扩张、债券品种逐渐多样化，债市信用风险越来越难以把控。2018年以来我国金融市场上的债务违约呈现常态化。2018年全年违约债券125只、违约规模高达1160亿元，超过2014 ～ 2017年之和。可见，我国金融市场的信用风险形势愈加严峻。在债券违约常态化的大趋势下，对债券发行人的财务风险及时进行预警显得尤为重要。财务预警是指通过挖掘企业数据和财务风险之间的关联关系，预测企业发生财务危机的概率。对债券企业进行财务预警，一方面能够提前给出风险信号，便于企业管理者及早改善经营，避免破产违约的发生;另一方面能够为银行、基金等机构提供投资决策参考，使其免遭巨额损失。

财务预警模型的现有研究大致可分为三类：

一是基于统计计量方法的模型，其中有代表性的方法包括判别、聚类、逻辑回归等。杨贵军等[1] 在财务预警体系中增加了Benford因子，并利用Lasso-logistic模型构建财务风险预警模型。张发明等[2] 利用Topsis-GRA方法构造动态信用评价加权决策矩阵，得到动态信用评价结果。周忆等[3] 基于卡尔曼滤波算法构建了僵尸企业风险动态预警模型。Mizen等[4] 利用次序Probit回归模型预测美国债券发行人的违约风险。

二是基于机器学习方法的模型，其中有代表性的方法包括决策树、支持向量机、神经网络等。蔡立新等[5] 在分析大数据技术与企业财务风险预警需求的基础上，构建了大数据视角下的企业财务风险预警机制。李茜等[6] 利用三种BP神经网络的改进算法构建财务预警模型，在预测精度上进行对比分析。Sevim等[7] 利用决策树、神经网络、逻辑回归建立了货币危机的预警系统。

三是基于多种方法的组合模型。杨胜刚等[8] 利用决策树方法对个人信用指标进行筛选，再利用神经网络构建分类模型。丁岚等[9] 以logistic回归、决策树、支持向量机作为初级学习器，以支持向量机作为次级学习器，预测P2P网贷的违约风险。Javier De Andrés等[10] 将模糊聚类和多元自适应回归模型结合，对企业的破产概率进行预测。

决策树模型的概念最早由Hunt等在1966年提出，最有影响力的模型是Quinlan提出的基于ID3算法的模型，其以信息增益选择结点分裂属性为基础。后来又提出了改进后的C4.5算法，其以信息增益比率选择属性为基础。而C5.0算法在C4.5算法的基础上又进一步提高了识别率。近年来，决策树C5.0算法在风险预警和信用评级方面应用广泛。庞素琳等[11] 将决策树C5.0算法用于构造银行个人信用评级模型。王茂光等[12] 通过决策树C5.0算法建立了小额网贷平台的风险监控模型。

上述决策树财务预警模型忽略了财务正常样本与危机样本之间数量比例不平衡的问题。在当前我国资本市场上，发生财务危机、资不抵债的融资企业（发债主体、借款人等）仍是少数，大多数融资企业都处于财务正常状态。这种危机样本与正常样本数量不均衡的现象，会導致分类模型在训练时更多地学习正常样本的数据规律，而忽略了对危机样本的规律挖掘，从而对危机样本的预测精度过低。所以，本文在考虑债券发行人中财务危机企业数量远小于财务健康企业的这种非平衡数据特征的前提下，构建决策树集成模型，旨在解决非平衡数据特征下的信用危机预警问题，并提高预警的精度。

二、基于决策树集成的财务预警模型

集成学习是将多个机器学习模型（称为“个体学习器”）按照一定的方法集成到一起。经典的集成方法有AdaBoost、Bagging、随机森林，这些经典方法的特点是能让个体学习器保持差异化，以保证每个个体学习器都能反映不同的信息，集成后的结果能够更加全面，从而提升预测的精度。

本文采用的是同质集成，即集成中只包含同种类型的个体学习器，此时的个体学习器称为“基学习器”。本文采用决策树C5.0算法构建决策树基学习器，通过“聚类Bagging”方法将多个决策树基学习器进行集成，以解决非平衡数据特征下的财务预警精度问题。

（一）基学习器的构建

1. 决策树C5.0算法。决策树C5.0算法依据的是信息增益比率，选取该节点上信息增益比率最大的指标作为分裂变量，划分样本生成下一层新的结点。信息增益比率的计算过程如下：

其中，n（Sj）为样本子集Sj的样本数量，n为样本总数。条件信息熵E（S|X）反映了样本集合按照指标X的取值进行分类之后，对于财务危机的平均分辨能力。条件信息熵E（S|X）越小，指标X对于财务危机的分辨能力越强。

信息增益G（X）反映了指标X对于“是否发生财务危机”的分辨能力。信息增益G（X）越大，指标X对于“是否发生财务危机”的分辨能力越强，从而可以更准确地将财务危机样本识别出来。为了消除指标取值种类数目的影响，进一步计算信息增益比率R（X）：

其中，n（Sj）为样本集合按照指标X取值划分后的样本子集Sj的样本数量，n为样本总数。

以上为信息增益比率的计算过程。以信息增益比率为关键参数构建一个决策树模型，步骤如下：

Step1：以样本全集作为决策树的根结点，计算全部评价指标的信息增益比率R（Xi）。选取信息增益比率最大的指标作为根结点的分裂变量。按照分裂变量的取值将样本分成若干个子集，每个子集作为下一层的一个结点。假设，指标“学历”为全部指标中信息增益比率最大的指标，选取“学历”为根结点上的分裂变量。根据“学历”指标下的四种取值{高中，本科，硕士及以上，其他}将样本分为四类，形成第二层的四个节点。

Step2：在决策树第二层中，对于每一个结点上的样本集合，计算在该样本集合上各个指标的信息增益比率，选择信息增益比率最大的指标作为当前结点上的分裂变量。同样，根据分裂变量的取值继续分裂成第三层上的结点。

Step3：以此类推逐层生成结点，直到满足如下三种情况之一时停止：①当前结点的样本集合中所有的样本都属于同一类别（在本研究中，同属于财务危机企业或财务正常企业），当前结点为叶结点。②当前结点的样本集合在所有指标上的取值均相同，无法进一步划分样本。此时，用当前结点上多数样本所属的类别标记当前结点，当前结点为叶结点。③当前结点包含的样本集合为空。用当前结点的父节点（该结点上一层直接关联的结点）中多数样本所属的类别标记当前结点，当前结点为叶结点。

2. 剪枝。由于在决策树的生成中，为了尽可能正确识别出财务危机企业，从而不断地划分样本，造成决策树过于庞大，对于训练样本拟合得过好，由此丧失了对于训练样本外新样本的预测能力。为了避免过拟合问题，本文采用EBP（基于错误的剪枝）方法，自下而上地对决策树的每个结点进行剪枝。其基本思路是，分别计算剪枝前后的预测错误率，若剪枝后的错误率相比剪枝前并没有明显增大，说明这个子树对于预测效果的影响很小，属于冗余的分枝，应该剪掉。

假设Tj为以结点j为根的子树，剪枝前的叶结点是子树Tj的叶结点，剪枝后以结点j作为叶结点。采用悲观错误率计算方法，计算剪枝前后该子树上样本的预测错误率e1、e2。假设样本预测错误率是一个服从二项分布U（e，n）的随机变量。给定一个置信度CF，可以求出关于错误率的一个置信区间[LCF，UCF]。若剪枝后的错误率期望值n×e2小于剪枝前的错误率上分位点UCF，说明剪枝后的错误率相比剪枝前并没有明显增大，那么剪枝;否则不剪枝。置信度CF越大，则剪枝越严重，CF一般取0.75。

（二）决策树集成

市场上的债券发行人绝大多数都是财务健康的企业，而发生财务危机的不良发行人不足5%，两类样本的数量极其不平衡。这种情况会导致决策树模型在训练时更多地学习财务健康企业的数据特征，而忽略了对财务危机企业的特征挖掘。这种现象被称为非平衡样本问题。

本文基于“聚类Bagging”集成方法，通过K均值聚类的方法，将数量较多的财务健康企业样本分成K组，将K组财务健康样本与财务危机样本进行两两配对，形成K个大致平衡的训练子集。在K个训练子集上分别构建决策树作为基学习器，然后再集成，形成最终的预警模型，从而解决财务预警模型构建过程中的非平衡樣本问题。具体的模型构建过程如下：

Step1：聚类。将样本划分为训练集和测试集，训练集是为了训练模型的样本集合，测试集是为了验证训练出的模型的预测精度。在训练集中，假设D为财务健康样本集，F为财务危机样本集。利用K均值聚类法将健康企业样本D分成K份{D1，D2，…，DK}。由于聚类方法的特性，可以保证各类样本之间的差异化最大，这样就保证了不同样本子集训练出的决策树基学习器具有差异性。

Step2：生成多个训练样本。将{D1，D2，…，DK}中每个集合与危机样本集合F进行两两配对，形成K个训练子集{D1∪F，D2∪F，…，DK∪F }。由于原本数量过多的健康样本集D被拆成了K份，每一份健康样本子集Di中样本数量大大减少，因此新形成的训练子集Di∪F中，健康样本数量与危机样本数量变得相对平衡，从而大大削弱了总体样本中的非平衡样本问题。

Step3：决策树基学习器。利用前文所述的方法，分别在上述K个训练子集上构造决策树，形成K个基学习器{M1，M2，…，MK}。聚类的方法特性使得不同训练子集之间具有差异性，保证了不同子集训练出的决策树基学习器具有差异性。

Step4：决策树集成。根据决策树基学习器的预测精度对基学习器进行加权，预测准确性越高，权重越高，从而形成决策树集成学习器。具体方法为：利用K个基学习器{M1，M2，…，MK}在测试集上进行预测，将预测结果与实际财务状态进行对比，画出ROC曲线。

ROC曲线的横坐标是伪正率，即预测为正例但实际为负的样本占所有负例样本的比例（在本文中“发生财务危机”是研究对象，为正例）;纵坐标是真正率，即预测为正例且实际为正的样本占所有正例样本的比例。AUC值是ROC曲线与横坐标包围的面积，AUC值综合反映预测模型的准确度和灵敏度。以AUC值作为权重对决策树基学习器进行加权，得到决策树集成学习器，作为财务预警模型。

经过上述过程，将决策树基学习器集成，最终得到财务预警模型。上述过程如图1所示。

三、实证分析

1. 样本的选取。本研究选取我国2014 ～ 2018年有存续债的1159家制造业企业为实证样本。将这些债券发行人在2014 ～ 2018年中有债券存续年份的数据作为实证数据，数据来自Wind数据库。相同企业不同年份的数据可以看成不同的样本，共得到3858个实证样本。

本研究将以下两种情况标记为“企业发生财务危机”：一是债券发行人从违约前一年直至债券到期均标记为发生财务危机，这是由于绝大多数债券发行人在发生违约的之前一段时间，就已经因经营不善或投资失败出现资金流短缺等财务困境问题。二是对于上市公司的债券发行人，将标记?ST当年及前三年、ST当年及前两年均标记为发生财务危机，主要是因为被?ST说明连续三年出现财务亏损或经营不善等财务状况恶化现象，被ST说明连续两年出现财务问题。

因此，3858个实证样本中有3773个样本为财务正常样本、85个样本为财务危机样本，财务正常记为0、财务危机记为1。采用分层抽样，分别从正常样本和危机样本中随机抽取10%的样本（包含378个财务正常样本、9个危机样本）作为测试集Test，剩余的3471个样本（包含3395个财务正常样本、76个危机样本）作为训练集Train。

2. 预警指标的海选。本研究借鉴穆迪、中诚信等国内外评级机构及文献中的高频指标，从企业财务运营和经营环境两个层面来构建指标体系，如表1所示。

3. 决策树集成。本研究中3471个训练样本包含3395个财务正常样本（记为集合D）和76个危机样本（记为集合F），两类样本的比例约为45∶1，两类样本的数量极其不平衡。

对应前文所述的步骤，构建决策树集成的财务预警模型：

Step1：聚类。采用K均值聚类的方法，将训练样本中的财务正常样本集合D分为四类{D1，D2，D3，D4}，样本个数分别为1633、1403、90、269。

Step2：生成多个训练样本。将Step1中划分的四类样本{D1，D2，D3，D4}，分别与财务危机样本集F进行两两配对，形成了4个训练子集{D1∪ F，D2∪ F，D3∪ F，D4∪ F}，4个训练子集中两类样本的比例分别为21∶1、18∶1、1.2∶1和3.5∶1。相比整体训练样本中两类样本的比例45∶1，训练子集中非平衡样本问题被大大削弱了。

Step3：决策树基学习器。利用前文所述方法，分别针对4个训练子集{D1∪ F，D2∪ F，D3∪ F，D4∪ F}，利用决策树C5.0算法训练模型，并在置信度CF=0.75的设置下对决策树进行剪枝，从而训练出4个决策树基学习器{M1，M2，M3，M4}。此处以第一个训练子集训练出的决策树基学习器M1为例进行展示，见图2。

Step4：决策树集成。将四个决策树基学习器{M1，M2，M3，M4}在测试集Test上进行危机预测，分别计算四个决策树基学习器的预测总体正确率、财务危机的预测正确率（将实际危机样本预测正确的比率）。并根据画出每个决策树基学习器的ROC曲线，计算ROC曲线下方面积，即AUC值，如表2所示。以AUC值为权重对四个决策树基学习器进行集成，得到决策树集成学习器，即为最终的财务预警模型。

在测试集上进行财务危机预警的检验，预警的精度指标如表3第二行所示。基于决策树集成的财务预警模型对于测试集整体的预测正确率达到78.3%，财务危机的预测正确率达到77.8%。与表2中的基学习器相比，决策树学习器预警模型在总体正确率较高的基础上，大大提高了财务危机企业的正确识别率，兼顾了总体样本的预测正确率和财务危机样本的预测正确率，说明决策树基学习器的集成是有效的。

4. 对比分析。本研究采用“聚类Bagging”方法构建决策树集成模型，目的是解决财务危机样本过少情况下对于危机样本的预测准确度过低的问题。因此，将本研究构建的决策树集成模型与普通的决策树模型进行对比分析。对比模型是将全部训练样本直接构建一个决策树模型，再对训练集进行预警精度的检测，决策树中其他参数的设置均与本模型相同。将本模型与对比模型在测试集上的预警精度进行对比，结果如表3所示。

由表3可以看出，对比模型对于财务危机的预警几乎失效，近80%的危机企业都没有被识别出来，没有达到财务预警的根本目的。相较对比模型，本模型在财务危机样本的预测正确率上提高了55.6%，能够将绝大多数的危机企业正确预测出来，且能够使得总体样本的预测正确率达到78%以上的较高水平。这说明本预警模型在总体预测正确率较高的前提下大大提高了财务危机的正确识别率，更为合理。

四、結论

本文考虑了债券发行人中财务危机企业数量远小于财务健康企业的这种非平衡数据特征，借鉴“聚类Bagging”集成方法，通过K均值聚类的方法，将样本数量较多的财务健康企业样本分成K组，将K组财务健康样本与财务危机样本进行两两配对，形成K个大致平衡且有差异性的训练子集。利用决策树C5.0算法，在K个训练子集上分别构建决策树模型作为基学习器，使得决策树基学习器可以大致同等地学习健康样本与危机样本的特征，避免由于非平衡数据导致预警模型对数量较少的危机样本预测精度过低的问题。利用基学习器在测试集上的预测精度AUC值作为权重，对决策树基学习器进行加权，得到决策树集成模型，作为最终的财务预警模型，这使得预测精度高的基学习器在决策树集成模型中发挥更大的作用，提高了集成模型的预警精度。

经过测试集检验和对比分析，本文建立的基于决策树集成的财务预警模型精度较高，总体的预警正确率达到78%，对财务危机企业的正确识别率达到77.8%。而简单的决策树模型对于财务危机的预警几乎失效，近80%的危机企业都没有被识别出来，说明本模型能够在总体预警正确率较高的前提下大大提高财务危机的正确识别率。

【主要参考文献】

[ 1 ] 杨贵军，周亚梦，孙玲莉.基于Benford-Logistic模型的企业财务风险预警方法[ J].数量经济技术经济研究，2019（10）：149 ～ 164.

[ 2 ] 张发明，王伟明，李小霜.TOPSIS-GRA法下的企业动态信用评价方法及其应用[ J].运筹与管理，2018（9）：136 ～ 142.

[ 3 ] 周忆，张友棠.基于卡尔曼滤波的僵尸企业财务风险动态预警研究[ J].财会通讯，2019（23）：110 ～ 114.

[ 4 ] Mizen P.，Tsoukas S.. Forecasting US bond default ratings allowing for previous and initial state dependence in an ordered probit model[ J].International Journal of Forecasting，2012（1）：273 ～ 287.

[ 5 ] 蔡立新，李嘉欢.大数据时代企业财务风险预警机制与路径探究[ J].财会月刊，2018（15）：40 ～ 45.

[ 6 ] 李茜，唐恒书.基于三种BP-NNs改进算法的财务预警研究[ J].会计之友，2019（6）：57 ～ 64.

[ 7 ] Sevim C.， Oztekin A.， Bali O.， et al.. Developing an early warning system to predict currency crises[ J].European Journal of OperationalResearch，2014（3）：1095 ～ 1104.

[ 8 ] 杨胜刚，朱琦，成程.个人信用评估组合模型的构建——基于决策树—神经网络的研究[ J].金融论坛，2013（2）：57 ～ 61.

[ 9 ] 丁岚，骆品亮.基于Stacking集成策略的P2P网贷违约风险预警研究[ J].投资研究，2017（4）：43 ～ 56.

[10] Javier De Andrés， Lorca P.， Juez F. J. D. C.， et al.. Bankruptcy forecasting： A hybrid approach using fuzzy c-means clustering and multi-variate adaptive regression splines （MARS）[ J].Expert Systems with Applications，2011（3）：1866 ～ 1875.

[11] 庞素琳，巩吉璋.C5.0分类算法及在银行个人信用评级中的应用[ J].系统工程理论与实践，2009（12）：94 ～ 104.

[12] 王茂光，葛蕾蕾，赵江平.基于C5.0算法的小额网贷平台的风险监控研究[ J].中国管理科学，2016（S1）：356 ～ 363.

作者：宋宇李鸿禧

企业财务预警研究论文篇3：

基于PCA-PNN的制造企业财务预警研究

摘要：财务预警通过模型的建立可为公司的财务风险规避提供理论基础，评估模型的建立方式与预测准确率密切关联。概率神经网络（PNN）常用于模式分类，为建立以PNN为基础的优化预警模型，以90家制造企业上市公司2016年的31个指标作为样本构建预测模型。实证得出：传统PNN的预测正确率为50.0%，加入主成分分析（PCA）的PCA-PNN的预测正确率为87.5%。

关键词：财务预警;概率神经网络（PNN）;主成分分析（PCA）

一、引言

财务预警又称财务失败预警，是种在以财务报表为主的相关会计资料基础上，根据研究方向选择代表性指标，通过构建模型预测财务危机发生可能性的方法。财务状况的优劣关系到企业的生死存亡，有效的预警可促进企业的健康稳成长。近年来，我国经济发生较大的变革，新的形势下各种政策产生变动，包括宏观、微观、产业、改革等方面，使得企业面临的风险和挑战都加大，企业经营陷入困境甚至破产清算的现象时有发生。企业为长远发展，需要加强日常营运的监控，并且对于潜在风险因子应当提升识别能力，这对财务预警的有效性提出更高的要求。

针对财务预警的研究，最早可追溯到20世纪30年代。Fitzpatrick（1932）提出用财务比率作为预测方法，Beaver（1966）采用统计方法建立基于5个财务指标的预警模型，这两种均属于单变量模型。Altman（1968）将多变变量分析技术首次应用于企业财务危机预警系统，建立Z-Score模型，将预警模型引入多变量时代。R.Sharda和OdomM.D.（1990）在财务预警系统中应用神经网络模型，并得出神经网络的预测准确率高于Z模型。刘红霞和张心林（2004）在问卷调查的基础上，加入主成分分析以确定Z中各个因素的权重，使得分析更加客观准确。郭德仁、王培辉（2009）采用模糊聚类法，并且把模糊模式识别应用到预警当中。郑玉华，崔晓东（2014）在使用Logit模型预警时，通过寻求最优分界点达到提高预测精准率的目标。高小雪（2015）通过建立多元概率比回归模型（Probit）解析预警，可为投资及决策提供科学依据。王秀丽等在预警研究时从合并报表和母公司报表出发，提升了债权人视角下预警效率。

综合国内外学者的研究可知，财务预警有效性的关键在于指标的选取和模型的构建。为尽可能涵盖更多的信息，样本公司的数据涵盖面通常较大，但这也导致其间可能关联性强，数据较为冗余，借由主成分分析提取因子可降维以及减少共性，是对选取指标的恰当处理。概率神经网多应用于分类问题，且取得良好的效果。本文基于90家制造业上市公司2016年的31个相关指标，采用主成分分析提取出恰当的因子，代入概率神经网络，建立一个全新的财务预警模型。

二、样本数据的选取

在国家整体经济中，制造业占主体地位，其风险预测尤为重要，因此以制造业上市公司为研究对象。企业经营出现财务风险时有各种表现形式，最直观的为是否被证监会特别处理（ST），本文中采用认定被ST的公司处于风险状态，未被标示的是无风险的。样本公司主要从国泰安数据库中筛选，剔除数据不全面的和因非经营因素导致公司出现财务危机的，共筛选出90家，包括45家ST公司和45家正常公司。为增强可比性，正常公司的选择按照同行业或类似行业中资产规模不超过样本组公司组15%獲取。预警模型的基础是指标的筛选，为全面评估企业的财务状况，除盈利能力、经营能力、偿债能力、发展能力、比率结构这些常用的衡量指标外，引入可度量的风险水平指标、现金流分析指标以及价值体现的基本每股收益，具体如表1所示。

三、PCA-PNN模型理论

（一）主成分分析（PCA）

主成分分析是在减少信息损失的基础上，将M个指标以线性组合的方式转成N个综合指标的多元统计方法（N<M），可在分析复杂问题时删繁就简，掌控主要信息，提高分析效率。假定有n个样本，每个样本共有p个变量，构成矩阵Xn*p，过程如下：

1.为消除量纲对分析的影响，将获取的指标数据进行标准化预处理，得出标准化变量矩阵Xn*p

2.计算协方差矩阵Cov（x），样本数据的协方差矩阵为p阶方阵Cov（x）

3.选择适当的主成分，计算Cov（x）的特征值λi和对应特征向量qi（i=1，2，3…p）

4.计算主成分得分，根据Cs达到既定要求后提取前s个主成分，由协方差矩阵乘对应的标准正交特征向量得到新的矩阵Yn*s实现降维。

（二）概率神经网络（PNN）

概率神经网络是由D.F.Specht于1990年提出的一种神经网络，常用于进行模式分类，为基于最小风险贝叶斯决策的层内互连的前向网络，有四层神经元结构：输入层、模式单元层、汇总单元层和输出层。输入层有若干节点，其数量与样本数据的衡量指标数量相同，该层次为神经网络提供基础数据。输入层通过一定的权重与模式层结合，模式层针对传输过来的数据进行处理：x*wi，其中i=1，2…，c，c是训练样本中的类别总数，可与样本数据的分类类型进行模式匹配。通过径向基运算exp（（x*wi-1）/^2）将处理过的x*wi引向汇总层，σ是平滑因子（spread），默认值为1，可影响PNN的分类性能。汇总层可称为求和层，每个结点对应特定的模式分类形成映射，根据这种映射关系能够产生特定类型的分布函数。输出层根据汇总情况得出判定类型，输出类别。概率神经网络在处理任意维度输出的分类应用问题的效率较高，模式简洁学习速度较快，且对样本数量要求不高，根据不同需求层次可设定相应决策面的范围，对于错误及噪声容忍度较高。

（三）PCA-PNN模型

基于PCA、PNN对于数据处理的优势，本文将其有机融合构建出PCA-PNN模型，流程如下：

Step1：对整理的数据进行标准化得出矩阵Xn*m。

Step2：利用主成分分析进行降维，根据累计贡献率提取p个有效因子，计算因子得分矩阵Xn*p（p<m）

Step3：以Xn*p为基础构建PNN

四、实证分析

实证分析所用的软件为SPSS22以及Matlab2016a，数据为90家制造业上市公司的31项财务指标。为确保主成分分析的可行，先将样本数据进行KMO和Bartlett球形检验，得出KMO=0.58，Sig<0.01，变量间具有相关性，样本数据适合进行主成分分析。

（一）主成分分析结果

运用SPSS提取有效因子，如表2所示。

通过表2可知：前13个因子的累计方差贡献率达到87.077%，大于85%，可有效涵盖原矩阵，提取这13个因子进一步分析，根据成分矩阵和成分系数矩阵及因子提取表计算90个样本13因子的得分。

（二）PCA-PNN预测结果

为公司类别能够被识别，对其进行预处理，90家样本企业共分为两类，45家ST公司分类标记为2，45家正常公司分类标记为1。构建神经网络的训练数量时，两组各取前37家作为训练集，后八家为测试集，训练集的数量达到80%以上，可确保模型构建时样本的充足性。分析得出测试集中两种类型各有一家误判，90个样本的整体预测率为97.78%。

（三）模型预测结果对比

鉴于表3可知，利用PCA–PNN既可保证训练组的预测正确率又可提升测试组的预测正确率。利用新模型预测正确率较高，对以风险识别为导向的财务预警具有高灵敏度的警示。企业在通过模型判定风险类型后，可按照因子得分将样本公司排序，通过对比分析，查看自身的优势及不足，制定对应的个性化风险规避方案。

五、结论

本文以90家制造业上市公司的31项财务指标为基础，通过主成分分析提取出相关因子进行降维，在输入值经过提炼后融合具有分类优势的概率神经网络，组建出PCA-PNN模型，证实该模型实践上的可行性。经对比分析，新模型在运行时可对指标进行精简，预测结果优于模型PNN。模型的优越性得到保证，直观层面可为企业的财务预警提供一种新的方法以规避风险。但是文章所用的样本公司为制造业大类，不同行业公司的财务状况水平存在差别，预警的警戒线会有所波动，筛选指标时未加入行业类的评价指标，这对预测可能有影响，在今后的预警中可加入行业因素的评价指标。

参考文献：

[1]符刚，曾萍，陈冠林.经济新常态下企业财务危机预警实证研究[J].财经科学，2016（09）.

[2]刘红霞，张心林.以主成分分析法构建企业财务危机预警模型[J].中央财经大学学报，2004（04）.

[3]郭德仁，王培辉.基于模糊聚类和模糊模式识别的企业财务预警[J].管理学报，2009（09）.

[4]郑玉华，崔晓东.公司财务预警LOGIT模型最优分界点实证研究[J].商业研究，2014（06）.

[5]高小雪.基于多元概率比回归模型的上市公司财务危机预警分析[J].企业经济，2015（04）.

[6]王秀丽，张龙天，贺曉霞.基于合并报表与母公司报表的财务危机预警效果比较研究[J].会计研究，2017（06）.

[7]尤璞，武戈.基于PCA-BP神经网络的上市公司财务预警策略[J].统计与决策，2012（22）.

作者：张丹

本文来自 360文秘网(www.360wenmi.com)，转载请保留网址和出处

【企业财务预警研究论文】相关文章：

企业财务预警论文04-15