ID385-我國房地產上市公司財務困境預警BP神經網絡模型應用研究

1、 我國房地產上市公司財務困境預警BP神經網絡模型應用研究 沈洪 周忠波 閔豪 崔鵑（上海財經大學公共管理學院，上海，200434）摘要：本文在國內外學者對財務困境預警模型研究的基礎上，選取了綜合反映公司財務困境的35個指標，選擇在模型預測上具有較高精準度的BP神經網絡模型作為預警模型，并以我國上市房地產公司被退市預警（被*ST）的前兩年上海交易所和深圳交易所上市的房地產*ST公司和財務正常類公司共71家為樣本建立了預警模型。關鍵詞：財務困境；BP神經網絡預警模型；房地產；上市公司一、研究意義財務困境預警模型研究對政府、證券監(jiān)管部門的管理工作都具有重要的實踐意義。對政府而言，在現代企業(yè)制度下，房

2、地產業(yè)是國民經濟的支柱產業(yè)，政府作為國有資產的產權代表，其關注的重點是如何保證國有資產的保值增值，財務困境預警的研究能幫助政府有效評價經營者的經營業(yè)績，全面預測企業(yè)的發(fā)展前景，從而做出使資源優(yōu)化配置的決策。對于證券監(jiān)管部門的監(jiān)管工作也有指導作用，財務困境預警可以及時發(fā)現公司財務管理活動中各種管理漏洞、管理失誤、重大風險和隱患，有效地預測、防范和控制公司財務困境的發(fā)生，減少財務危機形成的概率或將財務困境的危害降到最低限，盡可能確保企業(yè)的可持續(xù)發(fā)展和內部管理的正常運營。二、國內外預警模型應用研究綜述Fitzpatrick1 是最早在破產研究領域里研究應用單變量模型的。Altman2首次將Z分數模型

3、應用到財務困境預測領域。Ohlson3通過 Logit和Probit方法進行研究財務困境。Collins& Green4比較了單變量模型、Z分數模型和多元Logit回歸模型。James&David5采用Logit模型對財務困境預警進行研究。Ernest&Harish6以保險公司為研究對象，分別采用Z分數模型、Logit回歸模型和人工神經網絡模型對保險公司的財務困境進行預警研究。結果表明以上三個模型中Logit 回歸模型和人工神經網絡模型較之Z分數模型的預警判別效果更有效。Chen Jiangguo& Marshall. Ben R7研究表明Logit模型和人工神

4、經網絡模型是最優(yōu)的財務困境預警模型。吳世農和盧賢義8對上市公司財務困境預警模型進行實證比較分析。王宏煒9選用了90家公司為樣本分別采用主成分分析法、Logit 回歸模型和 BP 神經網絡分析法對我國上市公司財務困境預測進行實證研究。董雪雁和湯亞莉10在傳統(tǒng)財務指標的基礎上引入了經濟增加值（Economic Value Added，簡記為EVA）變量，運用 Logit 回歸模型分析方法構建了財務困境模型。馬喜德11以A股上市公司為研究對象，選擇公司被ST前三年的52個財務指標。郭峰12在綜述了房地產預警的一般理論、方法、流程設計，提出了計算機技術在房地產預警中的應用將成為未來的研究方向之一。張泓

5、銘，陳則明13 14運用綜合模擬法將能反映房地產運行特征的多個指標合成一個或若干個總體指標，并分別用圖形象地顯示出來。鄒坦，溫俊15從投資層面、生產層面、交易層面和使用層面選擇景氣指標，又根據系統(tǒng)化方法原則確定了指標的預警界線，以此分析當前和未來房地產市場的走勢。三、我國房地產上市公司財務困境預警BP神經網絡模型建立原理 1BP神經網絡模型原理輸入層隱含層輸出層 BP（Back propagation）神經網絡又稱為多層前饋神經網絡。圖1為三層前饋神經網絡的拓撲結構，這種神經網絡模型的特點是各層神經元僅與相鄰層神經元之間有連接；各層內神經元之間無任何連接；各層神經元之間無反饋連接。 

6、    輸入信號先向前傳播到隱含層的各結點，經過變換函數之后，把隱含層各結點的輸出信息傳播到輸出層各結點，再輸出結果。 BP神經網絡的輸入與輸出關系是一個高度非線性映射關系，如果輸入結點數為n，輸出結點數為m，則網絡是從n維歐氏空間到m維歐氏空間的映射。 通過調整BP神經網絡中的連接權值以及網絡的規(guī)模（包括n，m和隱層結點數，如圖2），可以實現非線性分類等問題，并且可以任意精度逼近任何非線性函數。在確定了BP網絡的結構后，利用輸入輸出樣本集對其進行訓練，也即對網絡的權值和閾值進行學習和調整，以使網絡實現給定的輸入輸出映射關系。 圖1 BP神經網絡拓撲示意圖 2基于BP神經網

7、絡的房地產上市公司財務困境預警原理BP網絡是誤差反向傳播的多層前饋式網絡，是人工神經網絡中最具代表性和應用最為廣泛的一種網絡，在經濟領域已有比較廣泛的應用，如股價預測、匯率中長期預測等方面，而且取得了較好的效果?；贐P神經網絡的房地產上市公司的財務預警可通過神經網絡的模糊性和訓練功能，通過神經網絡的學習訓練，應用一系列的風險評價指標，對其財務風險進行評價，為有關決策者提供支持。 在房地產上市公司財務困境預警模型中，輸入單元是房地產企業(yè)上市公司的財務指標值，輸出單元式房地產上市公司財務困境的概率值。將過去房地產上市公司財務的歷史數據作為訓練樣本，通過神經網絡的模仿生物神經系統(tǒng)來描述輸入輸出系統(tǒng)

8、。BP神經網絡模型的思路在于通過計算房地產上市公司陷入財務困境的概率而對公司財務狀況進行預警分析。四、我國房地產上市公司財務困境預警BP神經網絡模型建立一般而言，建立神經網絡模型包括兩個步驟：確定模型的網絡結構、對網絡模型進行訓練。1房地產上市公司財務困境預警的BP神經網絡模型的網絡結構構建構建網絡結構的步驟是：首先確定網絡的拓撲結構，然后確定結構中的輸入層、中間層（隱層）及輸出層中的神經元數，最后形成了房地產財務困境預警系統(tǒng)的BP神經網絡的網絡結構。 （1）模型的網絡結構的確定本文在確定網絡結構時，選擇2層BP網絡，其模型的網絡結構拓撲結構如圖2所示。輸入層神經元數35隱含層神經元數20輸出

9、層神經元數1：12335 圖2 房地產上市公司財務困境的BP神經網絡的拓撲示意圖（2）各層神經元數目確定各層是指輸入層、中間層（隱層）及輸出。各層中所包括的神經元的數量需要確定。輸入層神經元數目的確定取決于指標體系。指標選取時遵循可比性、可測性、預測性、協調性、全面性和參考性等原則，同時還考慮各原則之間的相互補充的基礎上，選取了35個財務指標，以期達到更好預測公司財務困境的目的。 具體指標見表1。表1 房地產上市公司預警指標體系一覽表序號指 標序號指 標序號指 標1流動比率13應收賬款周轉率25現金債務總額比率2速動比率14存貨周轉率26銷售現金比率3保守速動比率15營運資金周轉率27現金凈利

10、潤率4現金比率16所有者權益周轉率28總資產凈現率5利息保障倍數17總負債周轉率29凈資產凈現率6資產負債率18銷售利潤率30投資活動融資比率7存貨比率19營業(yè)利潤率31每股收益8流動負債比率20銷售成本率32每股凈資產9產權比率21銷售費用率33銷售增長率10總資產周轉率22成本費用利潤率34總資產增長率11流動資產周轉率23總資產報酬率35負債增長率12固定資產周轉率24凈資產報酬率輸出層神經元數目為1，即困境概率值，取值01之間。輸出預測值與警度區(qū)間的對應關系見表2，我們將無警狀態(tài)與上市公司的財務正常狀態(tài)相對應，將重警狀態(tài)與上市公司的財務困境狀態(tài)相對應。表2 輸出預測值與警度區(qū)間的對應關

11、系 輸出值 （0，0.1） 0.1，0.5）0.5，0.9）0.9，1）警度等級 無警 輕警 中警 重警困境狀態(tài) 無 低 中 高隱層神經元數目的確定與輸入輸出單元的多少有直接的關系。可由公式1確定： 公式1其中： m 輸入神經元數；n 輸出神經元數；a110間的常數。本論文中，令,得到隱層神經元的個數為： 2BP神經網絡模型訓練 模型的訓練將從訓練數據的選擇、訓練數據的處理。 （1）訓練數據的選擇本文認為因連續(xù)兩年虧損而被*ST 公司更符合財務危機公司的特征，選擇首次被掛名“ST”之前的首個凈利潤非負的年度作為數據的時間點，首次被處以退市風險處理（即*ST）的房地產上市公司作為本文研究的樣本，

12、財務正常公司及財務狀況非正常公司，共計70家，如表1中所示的35個財務指標截至到2006年的數據作為訓練數據。 （2）訓練數據的處理 應用Matlab軟件對數據進行處理，建立房地產上市公司財務困境預警模型。五、我國房地產上市公司財務困境預警BP神經網絡模型應用 1. BP神經網絡模型訓練結果將指標完全進入BP神經網絡模型進行訓練，可以在計算機的運算過程中模擬得到出現財務困境的概率和財務指標數據之間的關系。模型將70家上市公司的概率分布做了統(tǒng)計（如圖3）。圖3 神經網絡模型下的房地產上市公司財務困境概率分布這張圖的橫軸代表71家樣本公司，縱軸代表發(fā)生財務風險的概率。紅色“+”號表示觀測值，所對應

13、的橫軸坐標表示公司編號，發(fā)生財務風險的為“1”，沒發(fā)生財務風險的為“0”。而藍色的“o”表示在神經網絡模型中得到的預測值，所對應縱軸表示發(fā)生財務風險概率。由圖中可知，兩種類別大部分的房地產上市公司分布都比較集中，概率在0.9以上和0.1以下的占87.1%，可以判斷房地產上市公司分類都比較明顯，基本沒有公司處于概率居中的狀況.，此對于財務困境的確定性做出了很好的輔助證明。2. BP神經網絡模型準確程度通過matlab檢驗結果顯示，財務正常48家公司中，被誤判陷于困境的公司4家，判別準確率達91.7%；財務出現困境的22家公司中，被誤判財務正常公司5家，判別準確率達77.3%。總體判別準確率達到8

14、7.2%，總體準確率相對較高，模型構建成功。表3 財務指標BP神經網絡模型判別檢驗觀測值檢驗情況困境值正確率（%）0-0.10.9-1Step 1困境值0-0.144491.70.9-151777.3總正確率87.2參考文獻1Fitzpatrick P J.，A Comparison of Ratios of Successful In-dustrial Enterprises with Those of Failed Firms，Cer-tified Public Accountan，1932，PP589-605，656-662，727-7312Altman E I.，Financial r

15、atios, discriminat analysis and the predictionof corporate bankruptcy，The Journal of Finance，1968，Vol .23 ，PP589609 .3Ohlson J A，Financial Ratios and the Probabilistic Prediction of Bankruptcy，Journal of Accounting Research，1980，Vol.11，PP109-1314Collins，Green，Statistical methods for bankruptcy forec

16、asting，Journal of Economics and Business，1982，Vol.3，PP370-4045James，David，Classifying bankrupt firms with funds flow components，Journal of accounting research，1985，Vol.16，PP146-1606Ernest，Harish，Comparing classification accuracy of neutral networks，binary logit regression and discriminant analysis f

17、or insolvency prediction for life insurers，Journal of Economics and Finance，1995，Vol.17 PP1-187Chen Jiangguo & Marshall，Advances in quantitative analysis of finance and accounting World Scientific ，The Journal of Finance，2004，Vol .56 ，PP345-3778吳世農，盧賢義，我國上市公司財務困境預測模型，經濟研究，2001年第6期，第46-55頁9王宏煒，我國上市公司財務困境預測模型比較研究，現代財經，2004年第5期，第57-60頁10董雪雁，湯亞莉，EVA的財務預警實證研究，管理現代化，2005年第