ID385-我国房地产上市公司财务困境预警BP神经网络模型应用研究

我国房地产上市公司财务困境预警BP神经网络模型应用研究沈洪周忠波闵豪崔鹃（上海财经大学公共管理学院，上海，200434）摘要：本文在国内外学者对财务困境预警模型研究的基础上，选取了综合反映公司财务困境的35个指标，选择在模型预测上具有较高精准度的BP神经网络模型作为预警模型，并以我国上市房地产公司被退市预警（被*ST）的前两年上海交易所和深圳交易所上市的房地产*ST公司和财务正常类公司共71家为样本建立了预警模型。关键词：财务困境；BP神经网络预警模型；房地产；上市公司一、研究意义财务困境预警模型研究对政府、证券监管部门的管理工作都具有重要的实践意义。对政府而言，在现代企业制度下，房地产业是国民经济的支柱产业，政府作为国有资产的产权代表，其关注的重点是如何保证国有资产的保值增值，财务困境预警的研究能帮助政府有效评价经营者的经营业绩，全面预测企业的发展前景，从而做出使资源优化配置的决策。对于证券监管部门的监管工作也有指导作用，财务困境预警可以及时发现公司财务管理活动中各种管理漏洞、管理失误、重大风险和隐患，有效地预测、防范和控制公司财务困境的发生，减少财务危机形成的概率或将财务困境的危害降到最低限，尽可能确保企业的可持续发展和内部管理的正常运营。二、国内外预警模型应用研究综述Fitzpatrick[1]是最早在破产研究领域里研究应用单变量模型的。Altman[2]首次将Z分数模型应用到财务困境预测领域。Ohlson[3]通过Logit和Probit方法进行研究财务困境。Collins&Green[4]比较了单变量模型、Z分数模型和多元Logit回归模型。James&David[5]采用Logit模型对财务困境预警进行研究。Ernest&Harish[6]以保险公司为研究对象，分别采用Z分数模型、Logit回归模型和人工神经网络模型对保险公司的财务困境进行预警研究。结果表明以上三个模型中Logit回归模型和人工神经网络模型较之Z分数模型的预警判别效果更有效。ChenJiangguo&Marshall.BenR[7]研究表明Logit模型和人工神经网络模型是最优的财务困境预警模型。吴世农和卢贤义[8]对上市公司财务困境预警模型进行实证比较分析。王宏炜[9]选用了90家公司为样本分别采用主成分分析法、Logit回归模型和BP神经网络分析法对我国上市公司财务困境预测进行实证研究。董雪雁和汤亚莉[10]在传统财务指标的基础上引入了经济增加值（EconomicValueAdded，简记为EVA）变量，运用Logit回归模型分析方法构建了财务困境模型。马喜德[11]以A股上市公司为研究对象，选择公司被ST前三年的52个财务指标。郭峰[12]在综述了房地产预警的一般理论、方法、流程设计，提出了计算机技术在房地产预警中的应用将成为未来的研究方向之一。张泓铭，陈则明[13][14]运用综合模拟法将能反映房地产运行特征的多个指标合成一个或若干个总体指标，并分别用图形象地显示出来。邹坦，温俊[15]从投资层面、生产层面、交易层面和使用层面选择景气指标，又根据系统化方法原则确定了指标的预警界线，以此分析当前和未来房地产市场的走势。三、我国房地产上市公司财务困境预警BP神经网络模型建立原理1．BP神经网络模型原理BP（Backpropagation）神经网络又称为多层前馈神经网络。图1为三层前馈神经网络的拓扑结构，这种神经网络模型的特点是各层神经元仅与相邻层神经元之间有连接；各层内神经元之间无任何连接；各层神经元之间无反馈连接。输入信号先向前传播到隐含层的各结点，经过变换函数之后，把隐含层各结点的输出信息传播到输出层各结点，再输出结果。BP神经网络的输入与输出关系是一个高度非线性映射关系，如果输入结点数为n，输出结点数为m，则网络是从n维欧氏空间到m维欧氏空间的映射。通过调整BP神经网络中的连接权值以及网络的规模（包括n，m和隐层结点数，如图2），可以实现非线性分类等问题，并且可以任意精度逼近任何非线性函数。在确定了BP网络的结构后，利用输入输出样本集对其进行训练，也即对网络的权值和阈值进行学习和调整，以使网络实现给定的输入输出映射关系。图1BP神经网络拓扑示意图2．基于BP神经网络的房地产上市公司财务困境预警原理输入层隐含层输出层BP网络是误差反向传播的多层前馈式网络，是人工神经网络中最具代表性和应用最为广泛的一种网络，在经济领域已有比较广泛的应用，如股价预测、汇率中长期预测等方面，而且取得了较好的效果。基于BP神经网络的房地产上市公司的财务预警可通过神经网络的模糊性和训练功能，通过神经网络的学习训练，应用一系列的风险评价指标，对其财务风险进行评价，为有关决策者提供支持。在房地产上市公司财务困境预警模型中，输入单元是房地产企业上市公司的财务指标值，输出单元式房地产上市公司财务困境的概率值。将过去房地产上市公司财务的历史数据作为训练样本，通过神经网络的模仿生物神经系统来描述输入输出系统。BP神经网络模型的思路在于通过计算房地产上市公司陷入财务困境的概率而对公司财务状况进行预警分析。四、我国房地产上市公司财务困境预警BP神经网络模型建立一般而言，建立神经网络模型包括两个步骤：确定模型的网络结构、对网络模型进行训练。1．房地产上市公司财务困境预警的BP神经网络模型的网络结构构建构建网络结构的步骤是：首先确定网络的拓扑结构，然后确定结构中的输入层、中间层（隐层）及输出层中的神经元数，最后形成了房地产财务困境预警系统的BP神经网络的网络结构。（1）模型的网络结构的确定本文在确定网络结构时，选择2层BP网络，其模型的网络结构拓扑结构如图2所示。图2房地产上市公司财务困境的BP神经网络的拓扑示意图（2）各层神经元数目确定输入层神经元数35隐含层神经元数20输出层神经元数1：：12335各层是指输入层、中间层（隐层）及输出。各层中所包括的神经元的数量需要确定。输入层神经元数目的确定取决于指标体系。指标选取时遵循可比性、可测性、预测性、协调性、全面性和参考性等原则，同时还考虑各原则之间的相互补充的基础上，选取了35个财务指标，以期达到更好预测公司财务困境的目的。具体指标见表1。表1房地产上市公司预警指标体系一览表序号指标序号指标序号指标1流动比率13应收账款周转率25现金债务总额比率2速动比率14存货周转率26销售现金比率3保守速动比率15营运资金周转率27现金净利润率4现金比率16所有者权益周转率28总资产净现率5利息保障倍数17总负债周转率29净资产净现率6资产负债率18销售利润率30投资活动融资比率7存货比率19营业利润率31每股收益8流动负债比率20销售成本率32每股净资产9产权比率21销售费用率33销售增长率10总资产周转率22成本费用利润率34总资产增长率11流动资产周转率23总资产报酬率35负债增长率12固定资产周转率24净资产报酬率输出层神经元数目为1，即困境概率值，取值0~1之间。输出预测值与警度区间的对应关系见表2，我们将无警状态与上市公司的财务正常状态相对应，将重警状态与上市公司的财务困境状态相对应。表2输出预测值与警度区间的对应关系输出值（0，0.1）[0.1，0.5）[0.5，0.9）[0.9，1）警度等级无警轻警中警重警困境状态无低中高隐层神经元数目的确定与输入输出单元的多少有直接的关系。可由公式1确定：anmn21公式1其中：m——输入神经元数；n——输出神经元数；a——1～10间的常数。本论文中，35m，1n，令7a,得到隐层神经元的个数为：20721351n2．BP神经网络模型训练模型的训练将从训练数据的选择、训练数据的处理。（1）训练数据的选择本文认为因连续两年亏损而被*ST公司更符合财务危机公司的特征，选择首次被挂名“ST”之前的首个净利润非负的年度作为数据的时间点，首次被处以退市风险处理（即*ST）的房地产上市公司作为本文研究的样本，财务正常公司及财务状况非正常公司，共计70家，如表1中所示的35个财务指标截至到2006年的数据作为训练数据。（2）训练数据的处理应用Matlab软件对数据进行处理，建立房地产上市公司财务困境预警模型。五、我国房地产上市公司财务困境预警BP神经网络模型应用1.BP神经网络模型训练结果将指标完全进入BP神经网络模型进行训练，可以在计算机的运算过程中模拟得到出现财务困境的概率和财务指标数据之间的关系。模型将70家上市公司的概率分布做了统计（如图3）。图3神经网络模型下的房地产上市公司财务困境概率分布这张图的横轴代表71家样本公司，纵轴代表发生财务风险的概率。红色“+”号表示观测值，所对应的横轴坐标表示公司编号，发生财务风险的为“1”，没发生财务风险的为“0”。而蓝色的“o”表示在神经网络模型中得到的预测值，所对应纵轴表示发生财务风险概率。由图中可知，两种类别大部分的房地产上市公司分布都比较集中，概率在0.9以上和0.1以下的占87.1%，可以判断房地产上市公司分类都比较明显，基本没有公司处于概率居中的状况.，此对于财务困境的确定性做出了很好的辅助证明。2.BP神经网络模型准确程度通过matlab检验结果显示，财务正常48家公司中，被误判陷于困境的公司4家，判别准确率达91.7%；财务出现困境的22家公司中，被误判财务正常公司5家，判别准确率达77.3%。总体判别准确率达到87.2%，总体准确率相对较高，模型构建成功。表3财务指标BP神经网络模型判别检验观测值检验情况困境值正确率（%）0-0.10.9-1Step1困境值0-0.144491.70.9-151777.3总正确率87.2参考文献[1]FitzpatrickPJ.，AComparisonofRatiosofSuccessfulIn-dustrialEnterpriseswithThoseofFailedFirms，Cer-tifiedPublicAccountan，1932，PP589-605，656-662，727-731[2]AltmanEI.，Financialratios,discriminatanalysisandthepredictionofcorporatebankruptcy，TheJournalofFinance，1968，Vol.23，PP589—609.[3]OhlsonJA，FinancialRatiosandtheProbabilisticPredictionofBankruptcy，JournalofAccountingResearch，1980，Vol.11，PP109-131．[4]Collins，Green，Statisticalmethodsforbankruptcyforecasting，JournalofEconomicsandBusiness，1982，Vol.3，PP370-404[5]James，David，Classifyingbankruptfirmswithfundsflowcomponents，Journalofaccountingresearch，1985，Vol.16，PP146-160[6]Ernest，Harish，Comparingclassificationaccuracyofneutralnetworks，binarylogitregressionanddiscriminantanalysisforinsolvencypredictionforlifeinsurers，JournalofEconomicsandFinance，1995，Vol.17PP1-18[7]ChenJiangguo&Marshall，AdvancesinquantitativeanalysisoffinanceandaccountingWorldScientific，TheJournalofFinance，2004，Vol.56，PP345-377[8]吴世农，卢贤义，我国上市公司财务困境预测模型，《经济研究》，2001年第6期，第46-55页[9]王宏炜，我国上市公司