新岳乱合集目录500伦_在教室里被强h_幸福的一家1—6小说_美女mm131爽爽爽作爱

免費(fèi)咨詢電話:400 180 8892

您的購(gòu)物車還沒有商品,再去逛逛吧~

提示

已將 1 件商品添加到購(gòu)物車

去購(gòu)物車結(jié)算>>  繼續(xù)購(gòu)物

您現(xiàn)在的位置是: 首頁(yè) > 免費(fèi)論文 > 財(cái)務(wù)管理論文 > 制造業(yè)上市公司財(cái)務(wù)預(yù)警體系的構(gòu)建及比較—基于數(shù)據(jù)挖掘技術(shù)

制造業(yè)上市公司財(cái)務(wù)預(yù)警體系的構(gòu)建及比較—基于數(shù)據(jù)挖掘技術(shù)

【作  者】
王 藝1,姚正海2(教授)

【作者單位】
江蘇師范大學(xué)商學(xué)院,江蘇徐州221116

【摘  要】


【摘要】本文以2015年A 股制造業(yè)上市公司為研究對(duì)象,選取反映企業(yè)償債能力、經(jīng)營(yíng)能力等六個(gè)方面的27個(gè)指標(biāo)構(gòu)建預(yù)警指標(biāo)體系,并運(yùn)用T值顯著性檢驗(yàn)和因子分析法對(duì)預(yù)警指標(biāo)進(jìn)行約簡(jiǎn)。在此基礎(chǔ)上,本文利用Logistic回歸、決策樹和 BP神經(jīng)網(wǎng)絡(luò)分別構(gòu)建財(cái)務(wù)預(yù)警模型,并對(duì)各個(gè)模型的優(yōu)缺點(diǎn)及預(yù)測(cè)結(jié)果進(jìn)行比較分析。研究結(jié)果表明:隨著ST發(fā)生時(shí)間的臨近,預(yù)警準(zhǔn)確率總體呈上升趨勢(shì);從中長(zhǎng)期來看,決策樹和 BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)能力優(yōu)于Logistic回歸模型;從短期來看,三種模型的預(yù)測(cè)能力沒有顯著差異。
【關(guān)鍵詞】財(cái)務(wù)預(yù)警;因子分析;Logistic回歸;決策樹;BP神經(jīng)網(wǎng)絡(luò)
【中圖分類號(hào)】F224 【文獻(xiàn)標(biāo)識(shí)碼】A 【文章編號(hào)】1004-0994(2016)21-0049-7一、引言
隨著國(guó)際經(jīng)濟(jì)一體化的步伐加快,上市公司在把握改革和發(fā)展機(jī)遇的同時(shí),也面臨著更加激烈的競(jìng)爭(zhēng)和更大的風(fēng)險(xiǎn)。多數(shù)企業(yè)往往面臨的是生存問題,然后才是發(fā)展問題。因此,企業(yè)有必要建立財(cái)務(wù)預(yù)警系統(tǒng),在危機(jī)到來之前向企業(yè)經(jīng)營(yíng)者發(fā)出警告,把危機(jī)消滅在萌芽狀態(tài)。但是,如何從企業(yè)經(jīng)營(yíng)管理產(chǎn)生的大量業(yè)務(wù)數(shù)據(jù)中挖掘出對(duì)企業(yè)財(cái)務(wù)危機(jī)有預(yù)警作用的信息呢?這是上市公司亟待解決的一個(gè)重要問題。數(shù)據(jù)挖掘技術(shù)的不斷發(fā)展和成熟運(yùn)用正好解決了這一問題,它能夠從企業(yè)大量的業(yè)務(wù)數(shù)據(jù)中提取并高度自動(dòng)化地分析數(shù)據(jù),進(jìn)而幫助決策者做出正確的決策。
本文以制造業(yè)上市公司為研究對(duì)象,利用傳統(tǒng)的Logistic回歸方法及數(shù)據(jù)挖掘技術(shù)中常用于預(yù)測(cè)模型的決策樹和 BP神經(jīng)網(wǎng)絡(luò)分別構(gòu)建財(cái)務(wù)預(yù)警模型,并對(duì)不同預(yù)測(cè)模型的優(yōu)缺點(diǎn)以及預(yù)測(cè)結(jié)果進(jìn)行比較分析,以期為制造業(yè)上市公司提供切實(shí)可行的財(cái)務(wù)預(yù)警方法。
二、文獻(xiàn)綜述
(一)財(cái)務(wù)危機(jī)的界定
國(guó)外的研究通常將財(cái)務(wù)危機(jī)定義為破產(chǎn),如 Altman(1968)、Tzong-Huei Lin(2009)、Jia-Jane Shuai(2005)。國(guó)內(nèi)對(duì)于財(cái)務(wù)危機(jī)的界定絕大多數(shù)以被ST 為標(biāo)準(zhǔn)。這主要是由于我國(guó)特殊的國(guó)情,上市公司鮮有破產(chǎn)者,如果以此作為危機(jī)的標(biāo)準(zhǔn),難以獲取樣本數(shù)據(jù)。對(duì)此,不少學(xué)者提出了質(zhì)疑,吳興澤(2011)認(rèn)為,被特別處理不能等同于財(cái)務(wù)危機(jī),公司被ST只是公司經(jīng)營(yíng)不善的一個(gè)信號(hào)。本文認(rèn)為,在現(xiàn)有以財(cái)務(wù)指標(biāo)對(duì)財(cái)務(wù)危機(jī)進(jìn)行預(yù)警研究的大框架下,使用ST和非ST作為區(qū)分財(cái)務(wù)危機(jī)樣本與非財(cái)務(wù)危機(jī)樣本的標(biāo)準(zhǔn)也未嘗不可。因?yàn)?,無論被ST還是破產(chǎn),都是企業(yè)希望避免的。
(二)財(cái)務(wù)預(yù)警模型研究現(xiàn)狀
用于建立財(cái)務(wù)預(yù)警模型的方法可分為兩大類:統(tǒng)計(jì)分析方法和數(shù)據(jù)挖掘技術(shù)。Altman(1968)最早將多元線性判別方法引入財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警領(lǐng)域創(chuàng)立了Z值模型,預(yù)測(cè)準(zhǔn)確率高達(dá)95%。但是,Z值模型要求預(yù)警變量符合聯(lián)合正態(tài)分布,而現(xiàn)實(shí)中大多數(shù)企業(yè)的財(cái)務(wù)指標(biāo)難以滿足這一要求。為克服這一缺陷,以O(shè)hlson(1980)為代表的學(xué)者提出采用Logistic回歸判別方法來提高財(cái)務(wù)風(fēng)險(xiǎn)的預(yù)警能力。
國(guó)內(nèi)學(xué)者陳靜(1999)最先致力于財(cái)務(wù)困境預(yù)測(cè)的研究,為考察國(guó)外的預(yù)測(cè)模型是否能夠有效地應(yīng)用于國(guó)內(nèi)市場(chǎng),文章同時(shí)建立了一元判定模型和多元線性判定模型。吳世農(nóng)、盧賢義(2001)分別使用單變量判定模型、多元線性判定模型和Logistic回歸分析三種方法建立預(yù)測(cè)模型,結(jié)果發(fā)現(xiàn)Logistic回歸模型的誤判率最低,在前一年僅為6.47%。
隨著數(shù)據(jù)挖掘技術(shù)的發(fā)展,部分學(xué)者開始把知識(shí)發(fā)現(xiàn)類數(shù)據(jù)挖掘技術(shù)應(yīng)用到財(cái)務(wù)預(yù)警領(lǐng)域。 例如,Wilson 和 Sharda(1994)運(yùn)用神經(jīng)網(wǎng)絡(luò)模型對(duì)意大利企業(yè)的財(cái)務(wù)危機(jī)進(jìn)行判斷,準(zhǔn)確率高達(dá)97%。馬若微(2005)運(yùn)用粗糙集與信息熵原理分行業(yè)建立了上市公司財(cái)務(wù)困境模型,并將現(xiàn)金流量指標(biāo)引入預(yù)警模型。姚靠華、蔣艷輝(2005)應(yīng)用決策樹技術(shù)建立了中國(guó)上市公司的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警系統(tǒng),結(jié)果表明該模型具有較好的預(yù)測(cè)性。李艷玲、宋喜蓮(2014)在Z-SCORE財(cái)務(wù)預(yù)警模型的基礎(chǔ)上,利用數(shù)據(jù)挖掘時(shí)序分析方法,對(duì)預(yù)測(cè)結(jié)果進(jìn)行數(shù)據(jù)分析,結(jié)果表明該方法的判斷正確率達(dá)到80%。
張亮、張玲玲(2015)引入信息融合技術(shù)對(duì)不同數(shù)據(jù)挖掘方法得到的結(jié)果進(jìn)行融合處理,發(fā)現(xiàn)該方法下的預(yù)測(cè)準(zhǔn)確率要高于單獨(dú)的支持向量機(jī)和Logistic回歸兩種方法。
綜觀國(guó)內(nèi)外研究成果,在構(gòu)建財(cái)務(wù)預(yù)警模型的過程中,還存在以下兩方面的問題:①在選取樣本上沒有劃分行業(yè)。由于我國(guó)市場(chǎng)經(jīng)濟(jì)的區(qū)域和行業(yè)發(fā)展并不平衡,各行業(yè)的市場(chǎng)競(jìng)爭(zhēng)程度存在差異,各類企業(yè)的會(huì)計(jì)處理方法和會(huì)計(jì)政策選擇也不同,因此建立財(cái)務(wù)預(yù)警模型應(yīng)區(qū)別行業(yè)的類型分別進(jìn)行研究。②建模方法單一。國(guó)內(nèi)的研究大部分使用的是傳統(tǒng)統(tǒng)計(jì)分析方法,近年來也有學(xué)者致力于將數(shù)據(jù)挖掘技術(shù)引入財(cái)務(wù)預(yù)警領(lǐng)域,但是鮮有學(xué)者利用傳統(tǒng)統(tǒng)計(jì)分析方法與數(shù)據(jù)挖掘技術(shù)同時(shí)建模。
為了克服以上缺陷,本文以制造業(yè)上市公司為研究對(duì)象,利用傳統(tǒng)的Logistic 回歸方法及數(shù)據(jù)挖掘技術(shù)中常用于預(yù)測(cè)模型的決策樹和 BP神經(jīng)網(wǎng)絡(luò)分別構(gòu)建財(cái)務(wù)預(yù)警模型,以期為公司提供最優(yōu)的財(cái)務(wù)預(yù)警方法。
三、研究樣本與財(cái)務(wù)預(yù)警指標(biāo)體系構(gòu)建
(一)研究樣本
1. 數(shù)據(jù)樣本的選取。本文選取2015年A 股中制造業(yè)上市公司為研究對(duì)象。之所以選擇制造業(yè),是因?yàn)榻刂?015年12月,全部A股上市公司中制造業(yè)上市公司占公司總數(shù)的63.2%,據(jù)此建立的財(cái)務(wù)預(yù)警模型適用范圍較廣。本文在原始樣本的基礎(chǔ)上,剔除因其他狀況異常被特別處理的公司和前五年數(shù)據(jù)缺失的上市公司,最終得到39家被ST公司和922家正常公司。
2. 時(shí)間跨度的選擇。為了從中長(zhǎng)期和短期的角度全面探討預(yù)警模型的預(yù)測(cè)能力,本文在選擇預(yù)警時(shí)段時(shí),將樣本數(shù)據(jù)的收集時(shí)間延伸至公司被ST的前5年,定義上市公司被 ST 當(dāng)年為T年。根據(jù)我國(guó)上市公司信息披露制度,ST公司發(fā)生財(cái)務(wù)危機(jī)的實(shí)際年份應(yīng)該是其被ST的前一年??梢?,用T-1 年的財(cái)務(wù)數(shù)據(jù)來預(yù)測(cè) T 年是否發(fā)生財(cái)務(wù)危機(jī)沒有實(shí)踐價(jià)值。因此,本文最終確定的數(shù)據(jù)時(shí)間跨度為 T-6年至T-2年,即利用2009 ~ 2013年的數(shù)據(jù)對(duì)公司2015年是否會(huì)被特別處理進(jìn)行預(yù)測(cè)。
(二)財(cái)務(wù)預(yù)警指標(biāo)體系的建立
為全面反映企業(yè)的財(cái)務(wù)狀況,本文選取了反映企業(yè)償債能力、經(jīng)營(yíng)能力、盈利能力、現(xiàn)金流水平、風(fēng)險(xiǎn)水平及發(fā)展能力這六個(gè)方面的 27個(gè)指標(biāo)構(gòu)建初始預(yù)警指標(biāo)體系,具體如表1所示。
四、制造業(yè)上市公司財(cái)務(wù)預(yù)警的實(shí)證檢驗(yàn)
(一)財(cái)務(wù)預(yù)警指標(biāo)體系的約簡(jiǎn)
1. 制造業(yè)上市公司財(cái)務(wù)預(yù)警指標(biāo)的顯著性檢驗(yàn)。本文通過T值顯著性檢驗(yàn),分析被特別處理的公司與正常公司之間各年度財(cái)務(wù)指標(biāo)的平均值是否存在顯著差異,進(jìn)而對(duì)所選擇的財(cái)務(wù)預(yù)測(cè)指標(biāo)進(jìn)行篩選。T檢驗(yàn)建立的原假設(shè)(H0)為:被ST公司與正常公司在該財(cái)務(wù)指標(biāo)上沒有差別。各預(yù)測(cè)年度T檢驗(yàn)結(jié)果如表2所示:
當(dāng)P值(Sig.)顯示為0.000或小于0.05時(shí),檢驗(yàn)結(jié)果有統(tǒng)計(jì)學(xué)意義,統(tǒng)計(jì)結(jié)論為按α=0.05的標(biāo)準(zhǔn)拒絕原假設(shè),即被ST公司與正常公司在該財(cái)務(wù)指標(biāo)上存在顯著性差異。
(1)總體來看,被ST 公司與正常公司在 T-6年至T-2 年分別有11、12、13、16、15個(gè)財(cái)務(wù)指標(biāo)有顯著差異。可見,隨著距離上市公司被特別處理的時(shí)間臨近,具有顯著性差異的預(yù)測(cè)指標(biāo)數(shù)量呈上升趨勢(shì)。有四項(xiàng)指標(biāo)在五個(gè)預(yù)測(cè)年度均沒有通過顯著性檢驗(yàn),表明這四項(xiàng)預(yù)測(cè)指標(biāo)在兩類公司之間始終沒有差異,分別為:X4(利息保障倍數(shù))、X7(應(yīng)收賬款周轉(zhuǎn)率)、X9(流動(dòng)資產(chǎn)周轉(zhuǎn)率)、X27(每股凈資產(chǎn)增長(zhǎng)率)。因此,將這四項(xiàng)指標(biāo)從預(yù)測(cè)指標(biāo)體系中剔除。
(2)在償債能力方面,ST公司短期和長(zhǎng)期償債能力明顯不如非 ST 公司,尤其是反映短期償債能力的流動(dòng)比率和速動(dòng)比率,連續(xù)五年低于非ST公司。在經(jīng)營(yíng)能力方面,存貨周轉(zhuǎn)率在發(fā)生財(cái)務(wù)危機(jī)的早期并沒有表現(xiàn)出差異,而是在公司被ST處理的前兩年出現(xiàn)異常。在盈利能力方面,ST公司的盈利能力相對(duì)較差。綜合性比較強(qiáng)的資產(chǎn)報(bào)酬率和凈資產(chǎn)收益率兩個(gè)指標(biāo)表現(xiàn)尤為明顯。在現(xiàn)金流方面,除距離被ST處理時(shí)間最長(zhǎng)的T-6年(2009年),其余四年ST 公司現(xiàn)金流動(dòng)性均低于非 ST 公司。在風(fēng)險(xiǎn)水平方面,除T-3年(2012年),其余各年反映風(fēng)險(xiǎn)水平的財(cái)務(wù)指標(biāo)均沒有明顯差異。因此,將風(fēng)險(xiǎn)水平納入預(yù)警指標(biāo)體系,可能并不具有理論上的可行。在發(fā)展能力方面,除凈利潤(rùn)增長(zhǎng)率外,其余預(yù)測(cè)指標(biāo)均在多個(gè)年度存在顯著差異,說明發(fā)展能力不足是上市公司被特別處理的重要影響因素。
基于以上分析,本文剔除了五年中均沒有顯著差異的指標(biāo)和反映風(fēng)險(xiǎn)水平的指標(biāo),最終保留X1、X2、X3、X5、X6、X8、X10、X11、X12、X13、X14、X15、X17、X18、X19、X23、X25、X26共計(jì)18個(gè)預(yù)測(cè)指標(biāo)作為進(jìn)一步分析的變量。
2. 因子分析提取模型自變量。經(jīng)過顯著性檢驗(yàn),本文保留了18個(gè)預(yù)測(cè)指標(biāo)。但是這些指標(biāo)間存在較強(qiáng)的相關(guān)關(guān)系,如果直接作為自變量納入模型,不但模型復(fù)雜,還會(huì)因?yàn)樽兞块g存在的多重共線性而引起較大的誤差。因此考慮利用因子分析法提取變量信息,減少分析維度,使問題更加簡(jiǎn)單直觀。
(1)確定變量結(jié)構(gòu)是否適合應(yīng)用因子分析法。本文采用KMO檢驗(yàn)和Bartlett球形檢驗(yàn)來判斷變量結(jié)構(gòu)是否適合采用因子分析法。各年度檢驗(yàn)結(jié)果如表3所示:








由Bartlett球形檢驗(yàn)可以看出,P值(Sig.)均小于0.05,說明變量間具有較強(qiáng)的相關(guān)性。但是KMO統(tǒng)計(jì)量均小于0.7,說明各變量間信息重疊程度可能不是特別高,仍然值得嘗試。綜合以上兩種檢驗(yàn)結(jié)果,可認(rèn)為本文的變量結(jié)構(gòu)適合運(yùn)用因子分析法。
(2)確定公因子。以樣本公司T-2年(2013年)的數(shù)據(jù)為例,運(yùn)用主成分分析法,依據(jù)特征值大于1的原則,提取了6個(gè)公因子,6個(gè)主成分的累計(jì)方差貢獻(xiàn)率達(dá)到67.11%,基本包含了全部測(cè)量指標(biāo)所具有的主要信息。具體結(jié)果如表4所示:









提取公共因子的同時(shí),可得到初始因子載荷矩陣。但初始因子模型的載荷矩陣往往難以對(duì)公因子做出合理的解釋。此時(shí),可以對(duì)初始因子載荷矩陣進(jìn)行旋轉(zhuǎn),旋轉(zhuǎn)后的因子載荷矩陣如表5所示。





















為了使結(jié)果更清晰易懂,表格按照系數(shù)大小進(jìn)行了排序,并且過小的系數(shù)(絕對(duì)值小于0.3)被抑制輸出。由表5可以看出:公因子F1在指標(biāo)營(yíng)業(yè)凈利率、資產(chǎn)報(bào)酬率、總資產(chǎn)凈利潤(rùn)率上有較大的載荷,它們主要反映了上市公司的盈利能力,可以命名為盈利因子。同理,公因子F2至公因子F6可分別命名為短期償債因子、發(fā)展因子、長(zhǎng)期償債因子、經(jīng)營(yíng)因子、現(xiàn)金流因子。提取結(jié)果表明,應(yīng)用因子分析法所提取的公因子不僅包括原始的償債、經(jīng)營(yíng)、盈利、現(xiàn)金流和發(fā)展能力五個(gè)方面,而且將償債能力進(jìn)一步區(qū)分為短期償債能力和長(zhǎng)期償債能力。這樣既降低了分析維度,又使得提取的信息含義更加清晰。
基于上述分析結(jié)果,可得到用來代替27個(gè)原始變量的6個(gè)新變量,即最終取F1(盈利因子)、F2(短期償債因子)、F3(發(fā)展因子)、F4(長(zhǎng)期償債因子)、F5(經(jīng)營(yíng)因子)、F6(現(xiàn)金流因子)作為財(cái)務(wù)預(yù)警模型的自變量。
(二)預(yù)警模型分析
本文以樣本公司是否為ST 公司為因變量,以因子分析模型提取的 6個(gè)公因子為自變量,以公司被特別處理前五年的數(shù)據(jù)為基礎(chǔ),利用Logistic回歸、決策樹和BP神經(jīng)網(wǎng)絡(luò)分別建模如下:
1. 二分類Logistic回歸模型。
(1)模型擬合優(yōu)度分析。Logistic模型可通過-2倍的對(duì)數(shù)似然值來表示模型的擬合效果,其值越小,說明模型的擬合效果越好。各個(gè)預(yù)測(cè)年度模型的擬合效果如表6所示。從模型的擬合優(yōu)度來看,在T-5年至T-2年,-2 對(duì)數(shù)似然值越來越小,說明隨著距離公司被ST的時(shí)間越短,Logistic模型的擬合效果越好。
Cox & Snell R2和Nagelkerke R2從不同的角度反映了當(dāng)前模型中自變量解釋的因變量變異占因變量總變異的比例,類似線性回歸模型中的決定系數(shù),從表6中可以看出,Cox & Snell R2和Nagelkerke R2值 T-2>T-3>T-4>T-5,說明在T-2年,自變量對(duì)因變量的解釋能力最強(qiáng)。
(2)模型檢驗(yàn)結(jié)果。模型檢驗(yàn)結(jié)果如表7所示。
2. 基于C&RT算法的決策樹模型。(1)模型的建立。C&RT是目前應(yīng)用最廣泛的決策樹模型算法,適用于任意類型的變量。本文首先采用C&RT算法將樣本公司分成多個(gè)亞群。以T-2年的數(shù)據(jù)為例,生成的決策樹模型如圖1所示:可見,根節(jié)點(diǎn)中ST公司所占比例為4%。模型的第一層是按照短期償債因子進(jìn)行拆分,拆分點(diǎn)為是否超過-4.07,短期償債因子低于-4.07的上市公司,全部為ST公司,超過-4.07的余下公司中,ST公司占比下降為3.7%。以此類推,不斷重復(fù)分枝,獲得越來越純的節(jié)點(diǎn)樣本。利用決策樹模型進(jìn)行預(yù)測(cè)時(shí),可歸納出希望預(yù)測(cè)的目標(biāo)類別的特征屬性。例如,節(jié)點(diǎn)1、節(jié)點(diǎn)6、節(jié)點(diǎn)7中ST公司占比均為100%,那么該節(jié)點(diǎn)即代表了ST類公司,沿著樹的路徑走回根節(jié)點(diǎn),沿路所經(jīng)過的節(jié)點(diǎn)的屬性即為大多數(shù) ST 公司所共有的屬性。
(2)模型的預(yù)測(cè)結(jié)果。決策樹模型的預(yù)測(cè)結(jié)果如表8所示:













3. BP神經(jīng)網(wǎng)絡(luò)模型。在結(jié)構(gòu)上,神經(jīng)網(wǎng)絡(luò)包括輸入層、輸出層和隱含層:輸入層的每個(gè)節(jié)點(diǎn)對(duì)應(yīng)各預(yù)測(cè)變量,相當(dāng)于統(tǒng)計(jì)學(xué)中的自變量;輸出層節(jié)點(diǎn)對(duì)應(yīng)目標(biāo)變量,其信號(hào)強(qiáng)弱相當(dāng)于因變量預(yù)測(cè)結(jié)果;在輸入層和輸出層之間是隱含層,相當(dāng)于統(tǒng)計(jì)學(xué)中采用的統(tǒng)計(jì)模型(對(duì)神經(jīng)網(wǎng)絡(luò)使用者不可見)。信息由輸入層向輸出層不斷傳遞,中間神經(jīng)元根據(jù)某種不可知的準(zhǔn)則不斷調(diào)整對(duì)接收信號(hào)的處理方式,最終使輸出層得到想要的信息。以T-2年(2013年)為例,圖2為所建立的BP神經(jīng)網(wǎng)絡(luò)模型:












該模型輸入層納入了6個(gè)神經(jīng)元,即因子分析提取的6個(gè)公因子,隱含層中包括了三個(gè)隱單元,相應(yīng)的兩分類因變量以兩個(gè)節(jié)點(diǎn)的形式構(gòu)成了輸出層。圖中相鄰兩個(gè)節(jié)點(diǎn)兩兩鏈接,連接線的粗細(xì)代表權(quán)重絕對(duì)值的大小,從圖中可以看出,自變量F1、F3對(duì)模型的貢獻(xiàn)明顯比較大,并且通過隱含層的H(1∶1)節(jié)點(diǎn)和輸出層的ST=0有較強(qiáng)的鏈接權(quán)重,這提示自變量F1、F3對(duì)應(yīng)的盈利因子和發(fā)展因子在兩類企業(yè)中區(qū)分度較大。
為防止過度擬合,本文按照7∶3的比例將總樣本拆分成訓(xùn)練集和驗(yàn)證集,并重點(diǎn)關(guān)注驗(yàn)證集的預(yù)測(cè)結(jié)果。樣本的預(yù)測(cè)分類結(jié)果如表9所示:






4. 模型評(píng)價(jià)。
(1)模型比較。由上述分析可知,Logistic 回歸、決策樹和BP神經(jīng)網(wǎng)絡(luò)在實(shí)際應(yīng)用中各有優(yōu)缺點(diǎn),具體如表10所示:

















從預(yù)測(cè)模型固有的優(yōu)缺點(diǎn)來看,具體選擇哪個(gè)模型要根據(jù)研究目的而定。如果研究目的是深入探討企業(yè)發(fā)生財(cái)務(wù)危機(jī)的原因,可選擇Logistic回歸模型,自動(dòng)篩選出對(duì)企業(yè)陷入財(cái)務(wù)困境有影響作用的自變量;如果研究目的是探討發(fā)生財(cái)務(wù)危機(jī)企業(yè)共有的特征,可以考慮決策樹模型,從目標(biāo)類別所在節(jié)點(diǎn),沿著樹的路徑走回根節(jié)點(diǎn),沿路所經(jīng)過的節(jié)點(diǎn)的屬性即為大多數(shù) ST 公司所共有的屬性;如果企業(yè)只是想預(yù)測(cè)是否會(huì)發(fā)生財(cái)務(wù)危機(jī)這個(gè)結(jié)果,而不關(guān)心中間的過程,可以選擇BP神經(jīng)網(wǎng)絡(luò)模型。
(2)模型預(yù)測(cè)結(jié)果對(duì)比分析。根據(jù)上述研究結(jié)果,可匯總?cè)N模型預(yù)測(cè)的準(zhǔn)確率,如表11所示:








整體來看,采用 Logistic 回歸、決策樹和BP神經(jīng)網(wǎng)絡(luò)構(gòu)建的預(yù)警模型對(duì)ST發(fā)生前2 ~ 6年的數(shù)據(jù)進(jìn)行財(cái)務(wù)預(yù)警具有一定的正確性,并且隨著ST發(fā)生時(shí)間的臨近,預(yù)警準(zhǔn)確率呈上升趨勢(shì)。
從各年預(yù)測(cè)準(zhǔn)確率來看,基于數(shù)據(jù)挖掘技術(shù)的決策樹和BP神經(jīng)網(wǎng)絡(luò)模型準(zhǔn)確率要優(yōu)于傳統(tǒng)統(tǒng)計(jì)分析的 Logistic回歸模型,尤其是在預(yù)測(cè)的早期。在T-6年,BP神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確率最高,為85%;其次是決策樹模型,為76.3%;Logistic回歸模型準(zhǔn)確率最低,僅為70.1%。隨著ST發(fā)生時(shí)間的臨近,決策樹和BP神經(jīng)網(wǎng)絡(luò)模型在準(zhǔn)確率上的優(yōu)勢(shì)逐漸消退,在T-2年,甚至低于 Logistic回歸模型的準(zhǔn)確率。這說明BP神經(jīng)網(wǎng)絡(luò)和決策樹方法適合應(yīng)用于長(zhǎng)期預(yù)警,Logistic回歸則更適合應(yīng)用于短期預(yù)警。
五、結(jié)論
本文以制造業(yè)上市公司為研究對(duì)象,利用Logistic 回歸、決策樹和 BP神經(jīng)網(wǎng)絡(luò)分別構(gòu)建了財(cái)務(wù)預(yù)警模型,根據(jù)預(yù)測(cè)結(jié)果得出以下研究結(jié)論:
從適用范圍來講,Logistic回歸模型適用于深入探討企業(yè)發(fā)生財(cái)務(wù)危機(jī)的原因;決策樹模型適用于研究發(fā)生財(cái)務(wù)危機(jī)企業(yè)共有的特征;BP神經(jīng)網(wǎng)絡(luò)模型適用于直接判斷企業(yè)是否會(huì)發(fā)生財(cái)務(wù)危機(jī)。
從預(yù)測(cè)能力來看,決策樹和 BP神經(jīng)網(wǎng)絡(luò)模型早期的預(yù)測(cè)能力優(yōu)于Logistic回歸模型,隨著ST發(fā)生時(shí)間的臨近,這種優(yōu)勢(shì)逐漸弱化。短期內(nèi),三種模型的預(yù)測(cè)能力不相上下,在企業(yè)被特別處理的前兩年,三者準(zhǔn)確率均在85%以上。
綜上可知,Logistic回歸、決策樹和BP神經(jīng)網(wǎng)絡(luò)在判斷制造業(yè)上市公司的財(cái)務(wù)狀況方面,均具有一定的應(yīng)用價(jià)值。企業(yè)在實(shí)際建立財(cái)務(wù)預(yù)警系統(tǒng)時(shí),可根據(jù)預(yù)警模型的特點(diǎn)和本企業(yè)的預(yù)警偏好,選擇合適的模型。

主要參考文獻(xiàn):
Altman E. I..Financial Ratios Discriminant Analysis and the Prediction of Corporate Bankruptcy[J].The Journal of Finance,1968(9).
Tzong-Huei Lin. A Cross Model Study of Corporate Financial Distress Prediction in Taiwan: Multiple Discriminant Analysis, Logit, Probit and Neural Networks Models[J]. Neurocomputing,2009(16).
Jia-Jane Shuai, Han-Lin Li. Using Rough Set and Worst Practice DEA in Business Failure Prediction[J].Lecture Notes in Computer Science,2005(10).
吳星澤.財(cái)務(wù)預(yù)警的非財(cái)務(wù)觀[J].當(dāng)代財(cái)經(jīng),2010(4).
Ohlson J. A..Financial Ratios and the Probabilistic Prediction of Bankruptcy[J].Journal of Accounting Research,1980(19).
陳靜.上市公司財(cái)務(wù)惡化預(yù)測(cè)的實(shí)證分析[J].會(huì)計(jì)研究,1999(4).
吳世農(nóng),盧賢義.我國(guó)上市公司財(cái)務(wù)風(fēng)險(xiǎn)的預(yù)測(cè)模型研究[J].經(jīng)濟(jì)研究,2001(6).
Wilson R. L., Sharda R..Bankruptcy Prediction Using Neural Networks [J].Decision Support System,1994(11).
馬若微.基于粗糙集與信息熵的上市公司財(cái)務(wù)困境警指標(biāo)的確立[J].當(dāng)代經(jīng)濟(jì)科學(xué),2005(2).
姚靠華,蔣艷輝.基于決策樹的財(cái)務(wù)預(yù)警[J].系統(tǒng)工程,2005(10).
李艷玲,宋喜蓮.基于數(shù)據(jù)挖掘的上市公司財(cái)務(wù)危機(jī)預(yù)警研究[J].沈陽師范大學(xué)學(xué)報(bào)(自然科學(xué)版),2014(2).
張亮,張玲玲,陳懿冰,騰偉麗.基于信息融合的數(shù)據(jù)挖掘方法在公司財(cái)務(wù)預(yù)警中的應(yīng)用[J].中國(guó)管理科學(xué),2015(10).
王宗勝,尚嬌嬌.我國(guó)制造業(yè)上市公司財(cái)務(wù)困境預(yù)警分析[J].統(tǒng)計(jì)與決策,2015(3).


服務(wù)熱線

400 180 8892

微信客服