化学原料及化学制品制造业上市公司财务危机预警模型研究
李唯滨 杨瑞
【摘要】 ?文章以52家沪深A股化学原料及化学制品制造业ST和非ST上市公司为研究对象，并对其进行财务危机预警模型研究。首先基于因子分析法得到了包含偿债能力、现金流能力、发展能力、盈利能力和营运能力五项基本能力的主因子，其次构建Logistic财务预警模型和BP神经网络财务预警模型，并比较两种模型的预警效果。研究表明：Logistic财务预警模型的判别正确率为96.2%，BP神经网络财务预警模型与之相比判别效果更佳，准确率达到了100%，因此可采用BP神经网络财务预警模型判别该行业上市公司是否发生财务危机。
【关键词】 ?Logistic回归;BP神经网络;财务预警
【中图分类号】 ?F275 ? 【文献标识码】 ?A ?【文章编号】 ?1002-5812（2019）21-0077-05
一、引言
随着我国市场经济的迅猛发展，上市公司有如雨后春笋不断涌现出来，但同时也加大了企业间的竞争压力，制造业作为我国经济发展的支柱产业，对我国市场经济的发展产生了至关重要的影响，而化学原料及化学制品制造业作为整个制造业行业中的一个分支也十分关键。在“十二五”期间，由于国家政策的调整，化学原料及化学制品制造业得到快速发展，之后由于宏观经济的波动，行业的发展有所放缓，从而促使企业间的竞争压力提升，因此企业的财务状况受到各利益相关者的重视，尤其是企业的所有者和经营者。基于此，本文通过构建Logistic回归模型和BP神经网络模型预测企业的财务状况，进而选择较优的财务危机预警模型，希望可以为该行业上市公司提供一定的参考。
二、研究综述
在西方国家，多数研究者将公司是否已宣告破产来界定是否发生财务危机，早在二十世纪七十年代就有美国学者Altman（1968）对此判定标准进行相关研究，他认为依据破产法而宣告破产的公司为财务失败公司。Deakin（1972）强调公司陷入财务困境是公司破产和债务到期无力偿付所导致的。经过更加深入的研究之后，Rose（1995）又增加了两种企业财务失败的情况，即公司失败和法律失败。国内研究相对于国外来说起步较晚，国内学者谷祺与刘淑莲（1999）将财务危机认定为债务或费用到期无力偿还，具体表现为企业的资金管理技术性失败，甚至破产，或介于二者之间的情况。国内还有很多学者在研究过程中将财务危机认定为公司财务经营状况不佳受到证监会特别处理。
国外学者对于财务危机预警模型的研究要早于国内，并探索了很多研究方法，具体包括多变量判别分析法（Z Score模型和Fisher判别）、Logistic回归、Probit回归、神经网络、KMV、SVM等方法。由于Logistic回归法没有设置较为严格的假设条件，并且应用范围比较广泛，预测精度也比较高，因此该方法受到很多研究者的青睐，而神经网络没有严格假设并且学习和纠错能力较强，因此在进行财务预警研究时应用也较为广泛。
Ohlson（1980）是最先运用Logistic回归法研究财务预警模型的学者，他将破产企业和非破产企业作为实证样本，先后构建了3个财务危机预警模型，并且预测准确率都高达90%以上。Bartczak和Norman（1985）同样对破产企业和非破产企业进行研究，基于logistic回归和多变量判别分析法分别构建了財务危机预警模型，结果显示两种模型的预测效果一致。国内学者吴世农和卢贤义（2001）利用70组 ST和非ST样本公司经过筛选的财务数据分别构建了3个预警模型，即多变量判别分析模型中的Fisher判别模型，多元线性回归模型和logistic回归模型，结果表明第三种模型的判别准确率最佳。陈芳和吴杰（2017）建立了纯财务指标 Logistic回归模型和综合 Logistic回归模型来对ST和非ST中小企业进行财务危机判别效果分析，研究表明综合 Logistic回归模型更有利于财务危机的预测。
Odom和Sharda（1990）率先使用了BP神经网络技术构建财务预警模型，并将其与传统方法构建的模型进行对比，研究结果表明BP神经网络模型的误判水平更低。Ciampi F和Gordini N（2013）选取了7 000家意大利中小企业的财务数据，运用人工神经网络技术和其他传统方法对中小企业的违约风险进行预测，研究结果表明人工神经网络比其他方法的预测正确率要高。从目前现有的资料来看，国内最先运用神经网络进行此研究的学者为黄小原和肖四汉（1995），杨淑娥和黄礼（2005）选择了90组ST和非ST样本进行研究，其中60组公司为训练样本，其余30组公司为检验样本，并选取了15个财务指标进行实证研究，结果表明预测准确都达到90%以上。李光荣和李风强（2017）选取2012年100家ST和非ST上市公司进行配对样本实验，基于6个财务风险判别指标构建3个财务风险判别模型，分别是ART-2 神经网络模型、SOFM 神经网络模型及BP 神经网络模型，结果显示SOFM 神经网络模型的仿真结果准确率最高，为89%。
以上是国内外一些学者的研究成果，据此可以看出国外学者和国内学者大多分别采用破产公司和ST公司作为发生财务危机的公司进行财务预警模型研究，还有极少数的学者以企业的偿债能力、资金管理情况为依据进行相关研究，基于此，本文选取因财务状况异常而被特别处理（ST和*ST）的公司作为财务危机公司，并据此建立财务预警模型。
三、研究设计
在我国，上市公司t-1年的财务经营状况主要决定了其是否被特别处理（ST和*ST），而t-1年上市公司财务报告的报出与特别处理基本处在同一段时间，因此运用t-1年的数据进行预测，不具备实际意义，选取t-2年的财务数据构建财务危机预警模型更具有可行性。
（五）BP神经网络模型和Logistic模型对比
表8中第一类错误代表正常的上市公司被判别为陷入财务危机的百分比，第二类错误代表陷入财务危机的公司被误判为财务状况正常的百分比。表8数据显示，Logistic模型中，犯第一类错误、第二类错误的概率及总体误判率都是3.8%;而BP神经网络模型判别全部正确，即犯第一类错误、第二类错误的概率及总体误判率均为0。因此，我们可以运用BP神经网络模型对上市公司的财务状况进行判别预测，而Logistic模型判别准确率达到90%以上，也比较高，可以结合公司具体情况合理谨慎使用该模型。
五、结论
本文通过运用Logistic回归方法和BP神经网络技术对52家样本公司的财务状况进行实证研究，由因子分析法提取出5个公因子，分别为偿债因子、现金流量因子、发展因子、盈利因子和营运因子，并根据这5个公因子构建财务预警模型，根据实证结果可以得出以下结论：
1.运用Logistic回归方法进行判别的第一类错误发生概率与第二类错误相同，并且该制造业企业是否发生财务危机与企业的营运能力关系不显著。
2.运用BP神经网络技术进行判别预测的错误率为0%，表明在对化学原料及化学制品制造业上市公司进行财务状况判别时，应用BP神经网络模型所达到的判别效果会更好。
3.在实务工作中，若要直接对运用各项财务指标构建模型，BP神经网络是个很好的选择，原因在于各项指标之间极可能存在的是非线性关系，而传统的判别方法是建立在线性关系基础之上的，运用BP神经网络则可以较好地解决此类问题。因此在判别企业是否陷入财务危机时，BP神经网络比较实用，而Logistic回归模型相比之下误判率较高，因此应结合具体情况合理谨慎使用该模型。J
【主要参考文献】
[ 1 ] Ohlson.Financial Ratios and the Probabilistic prediction of Bankruptcy[J].Journal of Accounting Research， 1980，（18）：109-131.
[ 2 ] Bartczak，Norman.Use Operating Cash Flow Data to Predict Financial Distress：Some Extensions[J].Journal of Accounting Research，1985.
[ 3 ] Odom，M.D. & Sharda，R.A neural network model for bankruptcy prediction[J].The international joint conference on neural networks，1990
[ 4 ] Ciampi F，Gordini N.Small enterprise default prediction modeling through artificial neural networks：An empirical analysis of Italian small enterprises[J].Journal of Small Business Management，2013，51（1）：23-45.
[ 5 ] 谷祺，劉淑莲.财务危机企业投资行为分析与对策[J].会计研究，1999，（10）：28-31.
[ 6 ] 吴世农，卢贤义.中国上市公司财务困境的预测模型研究[J].经济研究，2001，（6）：46-55.
[ 7 ] 陈芳，吴杰.中小企业财务危机预警模型比较研究——基于因子分析与Logistic回归模型的对比[J]. 财会通讯，2017，（05）：106-108.
[ 8 ] 杨淑娥，黄礼.基于BP神经网络的上市公司财务预警模型[J].系统工程理论与实践，2005，（1）：18-26.
[ 9 ] 李光荣，李风强.基于几种神经网络方法的公司财务风险判别研究[J].经济经纬，2017，34（02）：122-127.
[ 10 ] 廖斐，贾炜莹.基于现金流量的上市公司财务危机预警研究[J].商业会计，2014，（4）：80-82.
