【摘要】為了對(duì)退市前的創(chuàng)業(yè)板上市公司進(jìn)行財(cái)務(wù)預(yù)警，本文分別使用多層感知器網(wǎng)絡(luò)模型、徑向基網(wǎng)絡(luò)模型和支持向量機(jī)模型，采用現(xiàn)金流量安全與否作為衡量企業(yè)是否陷入財(cái)務(wù)困境的標(biāo)準(zhǔn)，建立財(cái)務(wù)預(yù)警系統(tǒng)。結(jié)果表明：相對(duì)于前兩類人工神經(jīng)網(wǎng)絡(luò)模型，支持向量機(jī)模型能夠較好地對(duì)小樣本進(jìn)行判別預(yù)測(cè)，是一種比較理想的財(cái)務(wù)預(yù)警模型。
【關(guān)鍵詞】創(chuàng)業(yè)板 財(cái)務(wù)預(yù)警 人工神經(jīng)網(wǎng)絡(luò)模型 支持向量機(jī)模型
一、引言
創(chuàng)業(yè)板是地位僅次于主板的二板證券市場(chǎng)，在上市門檻、監(jiān)管制度、信息披露、交易者條件、投資風(fēng)險(xiǎn)等方面和主板有較大區(qū)別。設(shè)立創(chuàng)業(yè)板的目的主要是扶持中小企業(yè)尤其是高成長(zhǎng)性中小企業(yè)，為風(fēng)險(xiǎn)投資和創(chuàng)投企業(yè)建立正常的退出機(jī)制，為實(shí)現(xiàn)自主創(chuàng)新國家戰(zhàn)略提供融資平臺(tái)，豐富多層次的資本市場(chǎng)體系。2012年4月20日，深交所正式發(fā)布《深圳證券交易所創(chuàng)業(yè)板股票上市規(guī)則》，并于2012年5月1日起正式實(shí)施，將創(chuàng)業(yè)板的退市制度落實(shí)到上市規(guī)則之中。
我國深交所的創(chuàng)業(yè)板也是高成長(zhǎng)性伴隨高風(fēng)險(xiǎn)性的市場(chǎng)。創(chuàng)業(yè)板2009年10月30日開市，至2012年8月1日，上市企業(yè)迅速擴(kuò)容至344家。根據(jù)申銀萬國編制的“申萬創(chuàng)業(yè)板指數(shù)”，創(chuàng)業(yè)板自2009年11月5日的1 000點(diǎn)起步，至2010年4月13日已達(dá)到1 334點(diǎn)的最高位，而同期上證指數(shù)僅僅上漲了6個(gè)點(diǎn)，創(chuàng)業(yè)板的換手率也幾乎是主板的4倍。
創(chuàng)業(yè)板退市制度的推出是為了完善中國證券投資制度。中國滬深A(yù)股市場(chǎng)自1989年先后創(chuàng)立后20年內(nèi)鮮有公司退市，自2011年4月PT水仙被終止上市后，滬深兩市20多年間退市的上市公司不足50家，僅占上市公司總數(shù)的2%。在新股快速擴(kuò)容的同時(shí)，垃圾股“死不退市”儼然成為默認(rèn)的潛規(guī)則。此起彼伏的“重組游戲”屢屢推動(dòng)績(jī)差股價(jià)格一飛沖天。在這一背景下，A股市場(chǎng)的定價(jià)功能無可避免地被嚴(yán)重扭曲，并最終影響到A股市場(chǎng)的健康發(fā)展。
鑒于中國創(chuàng)業(yè)板市場(chǎng)的高成長(zhǎng)性和高風(fēng)險(xiǎn)性，以及國家推行創(chuàng)業(yè)板退市試水，我們有必要為目前創(chuàng)業(yè)板上市公司建立科學(xué)的財(cái)務(wù)預(yù)警系統(tǒng)，這樣可以為投資者規(guī)避風(fēng)險(xiǎn)，為決策者提供參考，督促上市公司加強(qiáng)自我管理。
二、文獻(xiàn)綜述
財(cái)務(wù)預(yù)警是指以會(huì)計(jì)信息為基礎(chǔ), 通過設(shè)置并觀察一些敏感性預(yù)警指標(biāo)的變化, 對(duì)企業(yè)可能或者將要面臨的財(cái)務(wù)危機(jī)實(shí)施的實(shí)時(shí)監(jiān)控和預(yù)測(cè)警報(bào)。財(cái)務(wù)預(yù)警中的數(shù)學(xué)模型就是財(cái)務(wù)預(yù)警模型, 它是指借助企業(yè)財(cái)務(wù)指標(biāo)和非財(cái)務(wù)指標(biāo)體系, 識(shí)別企業(yè)財(cái)務(wù)狀況的判別模型。目前企業(yè)財(cái)務(wù)預(yù)警研究主要集中在三個(gè)方面：一是財(cái)務(wù)危機(jī)概念的界定；二是財(cái)務(wù)預(yù)警模型的建立；三是財(cái)務(wù)預(yù)警指標(biāo)的選擇。
1． 財(cái)務(wù)危機(jī)概念的界定。對(duì)財(cái)務(wù)危機(jī)的界定，國內(nèi)外學(xué)者因研究目的不同而異，使用了不同的標(biāo)準(zhǔn)。Beaver（1966）以59家破產(chǎn)公司、16家拖欠優(yōu)先股股利公司和3家拖欠債務(wù)的公司為研究對(duì)象，認(rèn)為具有“破產(chǎn)、拖欠償還債務(wù)、透支銀行賬戶或無力支付優(yōu)先股股利四項(xiàng)中的任何一項(xiàng)的企業(yè)均為失敗企業(yè)”，即為發(fā)生財(cái)務(wù)危機(jī)的企業(yè)。Carmichae（1972）將財(cái)務(wù)危機(jī)定義為“企業(yè)履行義務(wù)（即償債義務(wù)）時(shí)受阻”，具體表現(xiàn)為：流動(dòng)性不足、權(quán)益不足、債務(wù)拖欠和資金不足。由此可見，國外對(duì)財(cái)務(wù)危機(jī)的界定因研究目的不同而不同，主要有四種：①無償債能力；②違約；③財(cái)務(wù)陷入困境；④破產(chǎn)。
由于我國的《破產(chǎn)法》還不健全，截至目前還沒有上市公司破產(chǎn)的案例，所以通常我國學(xué)者將上市公司被冠以ST標(biāo)志作為企業(yè)陷入財(cái)務(wù)危機(jī)的標(biāo)準(zhǔn)，這主要指出現(xiàn)下列情況之一的企業(yè)：最近兩個(gè)會(huì)計(jì)年度的凈利潤(rùn)均為負(fù)值；最近一個(gè)會(huì)計(jì)年度的股東權(quán)益低于注冊(cè)資本。這是用凈利潤(rùn)和股東權(quán)益作為衡量標(biāo)準(zhǔn)，然而企業(yè)破產(chǎn)本質(zhì)上是因?yàn)橘Y不抵債，現(xiàn)金流無法償還已到期的債務(wù)，從這點(diǎn)來看，ST公司并不等于財(cái)務(wù)危機(jī)公司，理由是ST代表盈利能力出現(xiàn)問題，但并不代表現(xiàn)金流不足以履行義務(wù)或違約。
2． 財(cái)務(wù)預(yù)警模型的建立。企業(yè)財(cái)務(wù)預(yù)警模型一直在不斷地改進(jìn)和創(chuàng)新，常見的有一元判定模型、多元判定模型、多元邏輯回歸模型、多元概率比回歸模型、人工網(wǎng)絡(luò)模型和聯(lián)合預(yù)警模型六類。Beaver（1966）應(yīng)用單變量判定模型預(yù)測(cè)企業(yè)破產(chǎn)，將某一財(cái)務(wù)指標(biāo)作為標(biāo)準(zhǔn)來判斷企業(yè)是否處于財(cái)務(wù)危機(jī)狀態(tài)。Altman（1968）最早運(yùn)用多元變量分析法探討企業(yè)財(cái)務(wù)預(yù)警，并在1968年提出了五個(gè)財(cái)務(wù)比率，構(gòu)成了“Z分?jǐn)?shù)模型”。Ohlson（1980）運(yùn)用條件回歸模型對(duì)2 103家公司進(jìn)行分析，得到一個(gè)預(yù)警分類模型。Odom（1990）最早使用人工神經(jīng)網(wǎng)絡(luò)模型對(duì)企業(yè)破產(chǎn)進(jìn)行預(yù)警。Valeriy和Supriya（2003）應(yīng)用支持向量機(jī)模型對(duì)破產(chǎn)企業(yè)進(jìn)行財(cái)務(wù)預(yù)警分析。
我國學(xué)者對(duì)財(cái)務(wù)預(yù)警的研究始于1987年。吳世農(nóng)（1987）介紹了企業(yè)破產(chǎn)預(yù)警模型和分析指標(biāo)。佘廉（1999）出版了《企業(yè)預(yù)警管理叢書》。吳世農(nóng)等（2001）運(yùn)用Fisher線性判定、多元線性回歸和Logistic回歸分析，建立了主板市場(chǎng)ST公司的財(cái)務(wù)預(yù)警模型。楊淑娥等（2005）運(yùn)用人工神經(jīng)網(wǎng)絡(luò)模型和主成分分析法對(duì)150家上市公司進(jìn)行實(shí)證分析，結(jié)果表明人工神經(jīng)網(wǎng)絡(luò)模型具有較高的預(yù)測(cè)精度。田高良（2002）使用定性和定量方法，并引入模糊綜合評(píng)價(jià)模型建立了財(cái)務(wù)預(yù)警模型。目前我國上市公司財(cái)務(wù)數(shù)據(jù)還不完善，許多上市公司上市時(shí)間并不長(zhǎng)，所以應(yīng)使用多種研究方法建立上市公司的財(cái)務(wù)預(yù)警模型，比較選擇合適的模型，以提高預(yù)警精度。
3． 財(cái)務(wù)預(yù)警指標(biāo)的選擇。目前，這方面的研究文獻(xiàn)還不多。Altman等使用傳統(tǒng)的財(cái)務(wù)指標(biāo)，如負(fù)債比率、流動(dòng)比率、凈資產(chǎn)收益率和資產(chǎn)周轉(zhuǎn)率等作為預(yù)警指標(biāo)。國內(nèi)學(xué)者一般選取盈利、運(yùn)營、償債、成長(zhǎng)性等作為預(yù)警指標(biāo)。一般而言，使用較多的財(cái)務(wù)指標(biāo)能提供更多的信息，有利于更充分地說明問題，但這樣往往會(huì)導(dǎo)致模型產(chǎn)生多重共線性。人工神經(jīng)網(wǎng)絡(luò)模型和支持向量機(jī)模型是非線性的平行處理結(jié)構(gòu)模型，變量之間的相關(guān)性對(duì)數(shù)據(jù)處理影響不大，允許選用較多的財(cái)務(wù)指標(biāo)，能夠提供多方面的財(cái)務(wù)信息，可提高預(yù)警精度。
三、研究方法和研究樣本
企業(yè)的償債資金主要來源于經(jīng)營活動(dòng)的現(xiàn)金流，通常使用凈現(xiàn)金流量與流動(dòng)負(fù)債的比值來反映償還到期債務(wù)的能力。當(dāng)該比值低于一定水平時(shí)，就意味著企業(yè)的現(xiàn)金流量不足，償債能力出現(xiàn)問題。當(dāng)這種情況持續(xù)發(fā)生時(shí)，表明企業(yè)已經(jīng)陷入財(cái)務(wù)危機(jī)，應(yīng)引起企業(yè)管理者的重視。對(duì)于企業(yè)的經(jīng)營凈現(xiàn)金流量與流動(dòng)負(fù)債比的合理區(qū)間，目前學(xué)術(shù)界還沒有統(tǒng)一的標(biāo)準(zhǔn)。這里我們使用平均水平進(jìn)行比較的方法，即當(dāng)該比值低于平均水平時(shí)，就應(yīng)當(dāng)引起注意。
本文選取93家創(chuàng)業(yè)板上市公司（具體見表1）作為研究樣本，根據(jù)其從上市到2011年底的年報(bào)和半年報(bào)，計(jì)算“經(jīng)營凈現(xiàn)金流量/流動(dòng)負(fù)債”的平均值。由于創(chuàng)業(yè)板上市公司普遍被“炒新”，所以上市當(dāng)年的“經(jīng)營凈現(xiàn)金流量/流動(dòng)負(fù)債”不納入平均值的計(jì)算當(dāng)中。如果某一家創(chuàng)業(yè)板公司的“經(jīng)營凈現(xiàn)金流量/流動(dòng)負(fù)債”在2011年年中和年末連續(xù)兩次低于平均值，或年中高于平均值而年末低于平均值，則認(rèn)為該企業(yè)陷入財(cái)務(wù)危機(jī)困境。做上述技術(shù)處理后，本文計(jì)算出93家創(chuàng)業(yè)板上市公司的“經(jīng)營凈現(xiàn)金流量/流動(dòng)負(fù)債”的平均值為-1.266 615，得出64家財(cái)務(wù)健康公司和29家財(cái)務(wù)困境公司。
由于創(chuàng)業(yè)板上市公司樣本較少，上市時(shí)間短，因此在模型和財(cái)務(wù)指標(biāo)的選取方面，我們要盡可能多地利用已有的財(cái)務(wù)數(shù)據(jù)信息構(gòu)建預(yù)警系統(tǒng)。本文選取2010年底的財(cái)務(wù)指標(biāo)，包括7類20項(xiàng)（具體見表2）作為備選預(yù)警指標(biāo)。
表1列出的20項(xiàng)財(cái)務(wù)指標(biāo)，很多指標(biāo)所反映的財(cái)務(wù)信息是重疊的，因此我們對(duì)上述財(cái)務(wù)指標(biāo)進(jìn)行了篩選，以盡量減少財(cái)務(wù)指標(biāo)間的信息重疊。通過對(duì)20個(gè)財(cái)務(wù)指標(biāo)進(jìn)行獨(dú)立樣本T檢驗(yàn)，得到結(jié)果如表3所示。
對(duì)表3檢驗(yàn)值分析可以發(fā)現(xiàn)，檢驗(yàn)值在5%的水平上顯著，有10個(gè)財(cái)務(wù)指標(biāo)能夠顯著地將兩類創(chuàng)業(yè)板上市公司區(qū)分出來，分別是X1、X2、X3、X5、X10、X11、X12、X13、X19、X20。以這10個(gè)指標(biāo)作為財(cái)務(wù)預(yù)警指標(biāo)，仍有很高的相關(guān)性，因此我們使用多層感知器網(wǎng)絡(luò)模型、徑向基網(wǎng)絡(luò)模型和支持向量機(jī)模型進(jìn)行處理，這些模型均是非線性平行處理模型，其中支持向量機(jī)模型對(duì)于小樣本具有較好的處理功能。
四、實(shí)證結(jié)果
本文使用SPSS.19和MATLAB.R2009b軟件做三類模型的預(yù)測(cè)，對(duì)于多層感知器網(wǎng)絡(luò)，設(shè)置隱藏層數(shù)為1，隱藏層節(jié)點(diǎn)數(shù)為15，隱藏層激活函數(shù)為雙曲正切函數(shù)，輸出層激活函數(shù)為Softmax函數(shù)；對(duì)于徑向基網(wǎng)絡(luò)，設(shè)置隱藏層數(shù)為1，隱藏層節(jié)點(diǎn)數(shù)為10，隱藏層激活函數(shù)為Softmax函數(shù)，輸出層激活函數(shù)為恒等函數(shù)；對(duì)于支持向量機(jī)模型，選擇高斯徑向基核函數(shù)，使用交叉驗(yàn)證模型獲得最優(yōu)參數(shù)為：c=53.298 8，g=4.237 2。首先，從93家樣本公司挑選訓(xùn)練樣本，使用2010年的年報(bào)數(shù)據(jù)訓(xùn)練三類模型；然后，用測(cè)試樣本2010年10類財(cái)務(wù)指標(biāo)預(yù)測(cè)2011年的財(cái)務(wù)狀況。結(jié)果如三個(gè)圖像所示。
圖1 ～ 圖3描繪了基于多層感知器網(wǎng)絡(luò)的測(cè)試集的實(shí)際分類和預(yù)測(cè)分類、基于徑向基網(wǎng)絡(luò)測(cè)試集的實(shí)際分類和預(yù)測(cè)分類、基于支持向量機(jī)測(cè)試集的實(shí)際分類和預(yù)測(cè)分類圖像，它們反映了訓(xùn)練樣本的判定情況和測(cè)試樣本的判定情況，其數(shù)據(jù)結(jié)果如表4、表5所示。
通過對(duì)圖1 ～ 圖3三個(gè)圖像及對(duì)表3和表4的統(tǒng)計(jì)數(shù)據(jù)進(jìn)行分析，可以看出，本文分別采用多層感知器網(wǎng)絡(luò)模型、徑向基網(wǎng)絡(luò)模型和支持向量機(jī)模型測(cè)試我國創(chuàng)業(yè)板上市公司財(cái)務(wù)危機(jī)的結(jié)果有如下特征：
1． 上述三類模型的判定結(jié)果都是可接受的，但相比之下，支持向量機(jī)模型判定的準(zhǔn)確性更高，說明該模型在對(duì)較少樣本作統(tǒng)計(jì)預(yù)測(cè)時(shí)，效果優(yōu)于神經(jīng)網(wǎng)絡(luò)模型。
2． 多層感知器網(wǎng)絡(luò)和徑向基網(wǎng)絡(luò)兩類神經(jīng)網(wǎng)絡(luò)模型對(duì)測(cè)試樣本的判定準(zhǔn)確性都低于對(duì)訓(xùn)練樣本的判定準(zhǔn)確性，它們對(duì)財(cái)務(wù)健康企業(yè)判定的準(zhǔn)確性較高，但是對(duì)于財(cái)務(wù)困境企業(yè)的判定準(zhǔn)確性較低，僅略超過50%，以這兩類神經(jīng)網(wǎng)絡(luò)模型作為財(cái)務(wù)預(yù)警模型存在較大風(fēng)險(xiǎn)。
3． 上述三類模型對(duì)財(cái)務(wù)健康企業(yè)判定的準(zhǔn)確性均高于對(duì)財(cái)務(wù)困境企業(yè)判定的準(zhǔn)確性，但支持向量機(jī)模型比兩類神經(jīng)網(wǎng)絡(luò)模型判定的準(zhǔn)確性高。
五、研究結(jié)論
創(chuàng)業(yè)板上市公司財(cái)務(wù)預(yù)警是公司財(cái)務(wù)預(yù)警的一個(gè)難點(diǎn)，主要有如下三個(gè)原因：①創(chuàng)業(yè)板目前還沒有ST和PT標(biāo)記公司，所以要設(shè)計(jì)指標(biāo)以區(qū)分其是否陷入財(cái)務(wù)困境，而選取哪種指標(biāo)作為判定標(biāo)準(zhǔn)，目前還沒有定論，本文從企業(yè)償債能力而非傳統(tǒng)的盈利能力方面考慮企業(yè)是否陷入財(cái)務(wù)困境也只是一個(gè)嘗試，是否科學(xué)、合理，有待實(shí)踐檢驗(yàn)。②創(chuàng)業(yè)板上市公司樣本較少，這就要求我們使用能對(duì)小樣本進(jìn)行良好分類和預(yù)測(cè)的模型，哪種模型能夠?qū)崿F(xiàn)這個(gè)要求也是一個(gè)問題，本文選擇支持向量機(jī)模型。③創(chuàng)業(yè)板上市公司2009年底才陸續(xù)上市，能提供的財(cái)務(wù)信息非常有限，而實(shí)證研究需要我們盡可能多地引入財(cái)務(wù)指標(biāo)，這方面還有一定的困難。
目前，創(chuàng)業(yè)板公司財(cái)務(wù)預(yù)警還是一個(gè)空缺，迫切需要建立科學(xué)的創(chuàng)業(yè)板公司財(cái)務(wù)預(yù)警系統(tǒng)，因?yàn)?012年5月1日?qǐng)?zhí)行的《創(chuàng)業(yè)板上市規(guī)定》，完善了創(chuàng)業(yè)板上市公司的退出機(jī)制，為了保護(hù)投資者的利益，以及向決策者和投資者提供可靠參考，必須認(rèn)真研究創(chuàng)業(yè)板公司的財(cái)務(wù)預(yù)警問題。
本文通過對(duì)財(cái)務(wù)報(bào)表較完善的93家創(chuàng)業(yè)板上市公司的實(shí)證研究發(fā)現(xiàn)：基于財(cái)務(wù)指標(biāo)的支持向量機(jī)模型是企業(yè)財(cái)務(wù)困境預(yù)警的有效方法，較目前使用較多的神經(jīng)網(wǎng)絡(luò)模型，判定的準(zhǔn)確性更高，該模型可以為廣大投資者和決策者預(yù)警公司財(cái)務(wù)狀況提供可靠的依據(jù)，同時(shí)也為上市公司加強(qiáng)企業(yè)管理，保證未來的現(xiàn)金流量安全提供科學(xué)的參考。
主要參考文獻(xiàn)
1. Beaver W. H. Financial ratios as predictors of failure . Journal of Accounting Research，1966；9
2. Altman E. I.. Financial ratios，discriminant analysis and prediction of corporate bankruptcy . Journal of Finance，1968；9
3. Ohlson J. A.. Financial ratios and the probabilistic prediction of bankruptcy . Journal of Accounting Research，1980；1
4. Odom M. D.，Sharda R. A.. Neural network for bankruptcy prediction. International Joint conference on Neural Network，1990；6
5. Valeriy V.，Supriya B.. Volatility forecasting from multi scale and high-dimensional market data . Neurocomputing，2003；9
6. 吳世農(nóng)，黃世忠.企業(yè)破產(chǎn)的分析指標(biāo)和預(yù)測(cè)模型.中國經(jīng)濟(jì)問題，1987；6
7. 佘廉.企業(yè)預(yù)警管理論.石家莊：河北科學(xué)技術(shù)出版社，1999
8. 吳世農(nóng)，盧賢義.我國上市公司財(cái)務(wù)困境的預(yù)測(cè)模型研究.經(jīng)濟(jì)研究，2001；6
9. 楊淑娥，黃禮.基于BP神經(jīng)網(wǎng)絡(luò)的上市公司財(cái)務(wù)預(yù)警模型.系統(tǒng)工程理論與實(shí)踐，2005；1
10. 田高良.企業(yè)財(cái)務(wù)預(yù)警方法評(píng)析.預(yù)測(cè)，2002；6
【作 者】
劉 鵬
【作者單位】
（華南理工大學(xué)工商管理學(xué)院 廣州 510000）
