上市公司財務危機預警機制如何建立呢，本文以財務數(shù)據(jù)為基礎，構建財務危機預警模式機制。
鑒于預測上市公司財務狀況對企業(yè)管理者及投資者等利益相關者的重要意義，近幾十年來，對財務危機預警問題的探討一直是國內外學者研究的熱點。然而，大多數(shù)研究均將全行業(yè)作為研究對象，或單獨對制造業(yè)進行研究，而沒有考慮制造業(yè)中各個細分行業(yè)的特點?；诖?，本文選取了制造業(yè)中機械、設備、儀表行業(yè)這一單獨行業(yè)作為研究對象，分別用兩種傳統(tǒng)方法和兩種人工智能方法對同一樣本數(shù)據(jù)集構建模型，通過對模型結果的比較分析，得到對機械、設備、儀表行業(yè)更有針對性的結論。
一、研究設計
（一）樣本的選取
本文將因財務狀況異常而被特別處理界定為財務危機，而將沒有被實施特別處理的公司界定為健康公司。對于危機樣本，選取深、滬兩市2001年至2012年間首次被實施特別處理的A股機械、設備、儀表行業(yè)的49家上市公司為財務危機樣本。對于健康樣本，根據(jù)被實施特別處理的方法可知，用被實施特別處理前一年或兩年的數(shù)據(jù)來預測第T年是否被實施特別處理缺乏意義，因此本文選?。═-3）年的數(shù)據(jù)建模。按照1︰1的配比，對第T年被實施ST的危機樣本，從T-3年非ST的機械、設備、儀表行業(yè)的上市公司中挑選與該ST樣本上市時間相近、資產總額接近的公司作為選取的配對健康樣本，共選出49家健康公司作為配對樣本。進而，將2001年至2008年選取的74個樣本作為建模樣本，2009年至2012年選定的24個樣本作為檢驗樣本。
（二）財務指標的選擇
根據(jù)全面性、易得性等原則，從盈利能力指標、償債能力指標、成長能力指標、營運能力指標、現(xiàn)金流量指標和資本結構指標中，共選取了28個財務指標作為初始指標，分別記為X1、X2……X28。
（三）財務危機預警方法
通過對選取的樣本用四種方法建模進行實證研究。其中，多元判別和邏輯回歸兩種方法屬于傳統(tǒng)建模方法，BP神經(jīng)網(wǎng)絡和支持向量機屬于人工智能建模方法。
二、實證結果與分析
首先利用SPSS 16.0統(tǒng)計軟件對建模指標進行篩選，然后利用數(shù)據(jù)挖掘軟件SPSS Clementine 12.0構建多元判別和邏輯回歸兩種傳統(tǒng)模型以及BP神經(jīng)網(wǎng)絡和支持向量機兩種人工智能模型。
（一）建模指標的篩選
首先，對建模樣本的28個原始指標進行正態(tài)性K-S檢驗。然后，對符合正態(tài)分布的指標進行兩獨立樣本的T檢驗，而對不符合正態(tài)分布的指標進行曼-惠特尼U檢驗。從T檢驗和曼-惠特尼U檢驗的結果可知，28個原始指標中共有13個指標通過了顯著性檢驗，可用于構建財務危機預警模型。這13個指標如表1所示。
（二）財務危機預警模型的建立
首先對上述得到的13個指標進行標準化處理，記Xi標準化處理后的變量為ZXi，以這13個標準化處理后的變量作為建模變量構建財務危機預警模型。
1.多元判別模型的建立。定義Y為因變量，若樣本為財務危機公司，則Y=1；若樣本為健康公司，則Y=0。構建邏輯回歸模型和神經(jīng)網(wǎng)絡模型時也采用這種因變量定義方式。利用SPSS 16.0軟件，對上述經(jīng)過篩選后得到的13個指標，采用Stepwise逐步進入法建立貝葉斯多元判別模型，得到正常組和危機組的判別函數(shù)分別為：
Y0=0.452×ZX14+0.287×ZX20-0.828
Y1=-0.452×ZX14-0.287×ZX20-0.828
可見，只有營業(yè)收入增長率X14和流動資金周轉率X20兩個變量被選入了模型，且營業(yè)收入增長率對模型的貢獻率更大。將各樣本的這兩個財務指標值代入以上兩式，若Y0大于Y1，則判定該樣本屬于健康公司；否則，屬于財務危機公司。
2.邏輯回歸模型的建立。建立邏輯回歸模型時，變量進入模型的策略有強制進入、向前篩選和向后篩選三種方式。本文選擇向后篩選策略構建邏輯回歸模型，結果如表2所示。（表略）
從表2可以發(fā)現(xiàn)最終的模型中包含了四個財務比率。另外，從得到的變量重要性結果可知，對構建邏輯回歸模型最重要的兩個變量依次是資產凈利率X3和營業(yè)收入增長率X14。由表2可以得到邏輯回歸模型表達式為：
ln[（P/（1-P））=1.475×ZX1-1.818×ZX3-0.980×ZX14-1.317×ZX18-0.307
即：P=1/[1+exp（-1.475×ZX1+1.818×ZX3+0.980×ZX14+1.317×ZX18+0.307）]
其中，P代表財務危機發(fā)生的概率，將各樣本ZX1、ZX3、ZX14和ZX18的值帶入上式可得到概率P。設定0.5為最佳分割點，若P大于0.5，則判定樣本為財務危機公司；否則，判定為健康公司。
由回歸方程的Hosmer and Lemeshow檢驗結果可知，在最終模型中，Hosmer and Lemeshow統(tǒng)計量的觀測值為9.213，觀測概率P值為0.325，遠大于顯著性水平0.05，因此可認為由建模樣本實際得到的分布與預測值得到的分布沒有顯著差異，模型的擬合度較好。
3.BP神經(jīng)網(wǎng)絡模型的建立。本文采用快速訓練法進行建模，輸入層節(jié)點個數(shù)為13，輸出層節(jié)點個數(shù)為1。設置隱含層節(jié)點個數(shù)為3，指定沖量項Alpha為0.95，高Eta為0.05，其他學習率參數(shù)為默認設置。此時，訓練樣本的總體判別準確率為94.60%，預測樣本總體判別準確率為70.83%，且該模型對預測樣本中危機樣本的判定準確率可達75%，詳見表3。
另外，變量重要性結果表明，對所構建的神經(jīng)網(wǎng)絡模型最重要的兩個變量是營業(yè)收入增長率X14和資產凈利率X3。
4.支持向量機模型的建立。定義Y為因變量，若樣本是財務危機公司，Y=1；若樣本為健康公司，Y=-1。使用RBF核函數(shù)，本文設置RBFγ=0.15，懲罰系數(shù)C=90，其他參數(shù)為默認設置，對建模樣本及檢驗樣本進行預測，結果見表4。（表略）
變量重要性結果表明，對得到的支持向量機模型最重要的兩個變量是資產凈利率X3和營業(yè)收入增長率X14。
（三）結果分析
本文從各模型對樣本預測精度和對構建各模型最重要的指標兩方面對模型進行分析。
1.模型預測精度分析。以上所建四種模型對建模樣本和檢驗樣本的預測準確率匯總見表5。（表略）
比較四種模型對建模樣本預測準確率可知，無論是對總體還是對單獨的每一類樣本來說，BP神經(jīng)網(wǎng)絡的預測準確率都是最高的，可達到90%以上；其次是支持向量機模型，預測準確率也可達80%；最后是兩種傳統(tǒng)建模方法所構建的模型。
比較四種模型對檢驗樣本預測準確率，可知用支持向量機方法構建的模型對檢驗樣本的預測準確率最高，可達80%，且該模型對危機樣本的預測準確率可達83%，與其他幾種方法構建的模型相比準確率更高。其次，BP神經(jīng)網(wǎng)絡模型的預測準確率達到了70%，而多元判別方法構建模型預測準確率只有60%。
所以，無論對建模樣本還是對檢驗樣本，人工智能方法所構建模型的預測準確率均比傳統(tǒng)方法構建模型的準確率高。
2.重要建模指標比較。由各模型變量重要性結果可知，資產凈利率X3和營業(yè)收入增長率X14這兩個變量對幾種模型的構建均有重要作用，是判斷機械、設備、儀表行業(yè)上市公司財務狀況優(yōu)劣的重要指標。
三、結論
本文針對機械、設備、儀表行業(yè)74家上市公司（T-3）年的財務數(shù)據(jù)，分別用四種方法構建了財務危機預警模型，并對所構建模型的預警精度和建模變量進行了比較分析。研究發(fā)現(xiàn)：第一，人工智能方法所構建模型的預測準確率比傳統(tǒng)方法構建模型的準確率高。第二，資產凈利率X3和營業(yè)收入增長率X14這兩個變量對四種模型的構建均有重要作用，是區(qū)分機械、設備、儀表行業(yè)上市公司財務狀況優(yōu)劣的重要指標。
