BP神经网络与因子分析的财务危机预警应用

□财会月刊全国优秀经济期刊·

BP神经网络与因子分析的财务危机预警应用

聂丽洁

张毅

樊丹丹

（西安交通大学管理学院西安710049）

【摘要】本文结合中国制造业上市公司的实证数据，通过三种统计处理方法对财务指标进行处理，再将各自的处理结果作为输入层变量输入神经网络，以此考察财务危机预警模型效果。

【关键词】财务危机预警BP神经网络解释变量近年来，随着人工智能的迅速发展，不少学者将此技术引入了财务危机预警研究领域，事实也证明这些技术尤其是BP神经网络的运用的确提高了财务预测的效度和信度。纵观国内外关于BP神经网络财务危机预警的研究，可以发现各文献在选择输入层指标时主要依据经验，存在一定的盲目性、随机性。本文针对这一问题，结合中国制造业上市公司的实证数Logistic分析和因子分析三种统计处理据，分别运用判别分析、方法对财务指标进行处理，然后将处理的结果输入BP神经网络，比较其预测效果，以期更加准确地预测企业的财务困境，为广大的投资者、债权人以及政府的决策提供更有价值的信息。

一、实证研究

鉴于只含有一个隐含层的BP神经网络可以实现任意从输入到输出的映射关系，所以本文采用三层BP神经网络财务危机预警模型作为分析的基本模型。BP神经网络的训练学习以及预测算法均通过MATLAB程序来实现。

1.样本及数据来源。本文将公司股票被ST视为公司陷入选择财务困境的标志，将未被ST的公司视为财务健康公司。2005~2007年中国A股市场中的106家制造业上市公司（ST公司53家，非ST公司53家）进行实证研究，记公司股票被ST的年份为第t年，收集ST与非ST公司第t-3年的财务指标数据进行建模和预测。

选择制造业进行研究主要是出于以下原因：一是制造业是我国国民经济的支柱产业，国内上市企业以制造业为主，具有很强的代表性；二是虽然最近几年中国A股市场发展良好，但也有不少企业股票被ST，陷入财务危机。这一现象在制造业中尤为突出；三是国内外研究表明分行业进行财务危机预警研究效果更好、结论更加精确。

53家ST企业中在2005年被标ST有18家，在2006年被ST有25家，在2007年被ST有10家。在保证数据可获得性的前提下，2006年25家，相应地随机选择53家非ST企业（2005年18家，

2007年10家）。将2005年和2006年被ST的43家企业以及2005年和2006年的43家非ST企业共计86家企业各自的第t-3年数据作为建模样本，剩下2007年被ST的10家企业和非ST的10家企业共计20家企业各自的第t-3年数据作为预测样本。□9．下旬·根据国泰安数据库，本文选择了29个财务比率指标（见表1）作为财务困境预测的备选解释变量。表1X1X2X3X4X5X6X7X8X9

流动比率速动比率应收账款周转率存货周转率固定资产周转率总资产周转率资产负债率权益对负债比率

备选变量表

X16主营业务增长率X17每股收益X19市净率X20股利分派率X21留存收益率

X22现金流量对流动负债比率X23主营业务收入现金含量X24每股经营活动现金流量X25盈余现金保障倍数X26销售现金比率X27总资产增长率X28净利润增长率X29固定资产

营运资金对资产总额比率X18每股净资产

X10负债与权益市价比X11利息保障倍数X12营业收入净利润率X13资产报酬率X14资产收益率（ROA）X15净资产收益率（ROE）

2.神经网络输入层变量选取。本文选择三种统计方法对财务指标进行处理：一是根据判别分析模型的逐步回归方法对财务指标进行处理，记为方法DA；二是根据Logistic分析模型的逐步回归方法对财务指标进行处理，记为方法LA；三是用因子分析对财务指标进行处理，记为方法FA。

（1）判别分析逐步回归（DA）以及Logistic分析逐步回归（LA）处理财务指标。使用SPSS软件对建模数据进行判别分析以及Logistic分析的逐步回归处理，得到的结果见表2：表2方法DAX3X7X10X27

方法DA和方法LA处理财务指标结果汇总表Sig.0.0000.0000.0000.000

方法LAX3X7X10—

自变量进入Sig.

0.0100.0000.001—

自变量删除Sig.

0.0090.0000.000—

全国中文核心期刊财会月刊□·

（2）因子分析（FA）处理财务指标。根据SPSS软件对106个样本进行KMO检验和Bartlett球度检验的结果，可知KMO值为0.6648，相伴概率为0.000，符合进行主成分法因子分析的条件。按照特征值大于1的原则，提取前9个公因子，分别记为F1，F2，F3，F4，F5，F6，F7，F8，F9。这9个公因子所解释的样本总方差的累积比率为78.6%。9个公因子所代表的含义解释如表3所示：表3因子F1F2F3F4F5F6F7F8F9

公因子解释命名表

因子载荷系数绝对值较大的变量X1，X2，X3，X8，X9，X10X12，X13，X14，X15，X17X6，X7

X22，X23，X24，X27X20，X21X25，X26X18，X19，X29X5，X28X4

因子命名

偿债因子盈利因子营运因子总现金流量因子股利分配因子经营活动现金流量因子市场因子发展能力因子商业信用因子

DA/DA表示单纯使用判别分析模型；DA/NN表示其中：

LA/用方法DA处理财务指标，再使用BP神经网络分析模型；LA表示单纯使用Logistic分析模型；LA/NN表示用方法LA处理财务指标，再使用BP神经网络分析模型；FA/NN表示用方再使用BP神经网络分析模型。法FA处理财务指标，

由表5可知，财务指标经过统计处理后，再与BP神经网络结合的预测模型的预测精度高于单纯的统计方法预测模型：DA/NN、LA/NN、FA/NN的预测精度分别为65%、65%、70%，高于DA/DA的60%和LA/LA的55%；DA/NN与LA/NN的预测使用统计方精度相同，这可能是缘于选择方法原理的相似性。法处理财务指标后得到的变量输入BP神经网络，预测效果得到了一定程度的提高，这与之前相关的研究保持了一致：DA/NN预测精度为65%高于DA/DA的60%，LA/NN的预测精度为65%高于LA/LA的55%。三种统计处理方法处理得到的变量与BP神经网络结合后，FA/NN的预测精度最高，达到了70%。

BP神经网络模型的整体判误率低于单纯统计模型：DA/NN,LA/NN,FA/NN的总体判误率分别为8.5%，12.3%，5.7%，而DA/DA和LA/LA分别为23.6%以及27.4%。三种统计处理方方法FA整体判误率法处理得到的变量与BP神经网络结合后，最低为5.7%。

BP神经网络模型较之单纯统计模型的第Ⅰ类判错率更低：DA/NN、LA/NN、FA/NN分别为15.09%、13.21%、5.66%，LA/LA分别为20.75%和22.64%。三种统计处理方而DA/DA、

DA/NN与LA/NN法处理得到的变量与BP神经网络结合后，

的第Ⅰ类判错率比较接近，DA/NN略高，而FA/NN模型的第Ⅰ类判错率最低为5.66%。

二、结论

上述研究得到如下结论：①在企业财务困境发生的前三年，财务指标经过统计处理后，再与BP神经网络相结合所构建的财务危机预警模型的预警效果优于传统的判别分析模型②在企业财务困境发生的前三年，将财务和Logistic分析模型。

指标进行因子分析后，通过因子旋转得到的各个公因子得分作为输入层变量输入BP神经网络，其预警结果在预测精度、模型整体判误率以及第Ⅰ类判错率方面均表现为最优，分别达到了70%，5.7%和5.66%。因此，对于中国A股市场中的制造业上市公司而言，在财务困境发生的前三年，对上市公司的财务数据进行因子分析之后，再利用BP神经网络构建财务危机预警模型可以起到很好的风险预警作用。

【注】本文系陕西省软科学项目“陕西省上市公司现金

流财务预警及优化方案研究”（项目编号：2008KR110）的部分研究成果。

由于因子得分 …… 此处隐藏：2734字，全部文档内容请下载后查看。喜欢就下载吧 ……