【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）．
