ID385-我國(guó)房地產(chǎn)上市公司財(cái)務(wù)困境預(yù)警BP神經(jīng)網(wǎng)絡(luò)模型應(yīng)用研究

1、 我國(guó)房地產(chǎn)上市公司財(cái)務(wù)困境預(yù)警BP神經(jīng)網(wǎng)絡(luò)模型應(yīng)用研究 沈洪 周忠波 閔豪 崔鵑（上海財(cái)經(jīng)大學(xué)公共管理學(xué)院，上海，200434）摘要：本文在國(guó)內(nèi)外學(xué)者對(duì)財(cái)務(wù)困境預(yù)警模型研究的基礎(chǔ)上，選取了綜合反映公司財(cái)務(wù)困境的35個(gè)指標(biāo)，選擇在模型預(yù)測(cè)上具有較高精準(zhǔn)度的BP神經(jīng)網(wǎng)絡(luò)模型作為預(yù)警模型，并以我國(guó)上市房地產(chǎn)公司被退市預(yù)警（被*ST）的前兩年上海交易所和深圳交易所上市的房地產(chǎn)*ST公司和財(cái)務(wù)正常類(lèi)公司共71家為樣本建立了預(yù)警模型。關(guān)鍵詞：財(cái)務(wù)困境；BP神經(jīng)網(wǎng)絡(luò)預(yù)警模型；房地產(chǎn)；上市公司一、研究意義財(cái)務(wù)困境預(yù)警模型研究對(duì)政府、證券監(jiān)管部門(mén)的管理工作都具有重要的實(shí)踐意義。對(duì)政府而言，在現(xiàn)代企業(yè)制度下，房

2、地產(chǎn)業(yè)是國(guó)民經(jīng)濟(jì)的支柱產(chǎn)業(yè)，政府作為國(guó)有資產(chǎn)的產(chǎn)權(quán)代表，其關(guān)注的重點(diǎn)是如何保證國(guó)有資產(chǎn)的保值增值，財(cái)務(wù)困境預(yù)警的研究能幫助政府有效評(píng)價(jià)經(jīng)營(yíng)者的經(jīng)營(yíng)業(yè)績(jī)，全面預(yù)測(cè)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(duì)于證券監(jiān)管部門(mén)的監(jiān)管工作也有指導(dǎo)作用，財(cái)務(wù)困境預(yù)警可以及時(shí)發(fā)現(xiàn)公司財(cái)務(wù)管理活動(dòng)中各種管理漏洞、管理失誤、重大風(fēng)險(xiǎn)和隱患，有效地預(yù)測(cè)、防范和控制公司財(cái)務(wù)困境的發(fā)生，減少財(cái)務(wù)危機(jī)形成的概率或?qū)⒇?cái)務(wù)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(nèi)部管理的正常運(yùn)營(yíng)。二、國(guó)內(nèi)外預(yù)警模型應(yīng)用研究綜述Fitzpatrick1 是最早在破產(chǎn)研究領(lǐng)域里研究應(yīng)用單變量模型的。Altman2首次將Z分?jǐn)?shù)模型

3、應(yīng)用到財(cái)務(wù)困境預(yù)測(cè)領(lǐng)域。Ohlson3通過(guò) Logit和Probit方法進(jìn)行研究財(cái)務(wù)困境。Collins& Green4比較了單變量模型、Z分?jǐn)?shù)模型和多元Logit回歸模型。James&David5采用Logit模型對(duì)財(cái)務(wù)困境預(yù)警進(jìn)行研究。Ernest&Harish6以保險(xiǎn)公司為研究對(duì)象，分別采用Z分?jǐn)?shù)模型、Logit回歸模型和人工神經(jīng)網(wǎng)絡(luò)模型對(duì)保險(xiǎn)公司的財(cái)務(wù)困境進(jìn)行預(yù)警研究。結(jié)果表明以上三個(gè)模型中Logit 回歸模型和人工神經(jīng)網(wǎng)絡(luò)模型較之Z分?jǐn)?shù)模型的預(yù)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(jīng)網(wǎng)絡(luò)模型是最優(yōu)的財(cái)務(wù)困境預(yù)警模型。吳世農(nóng)和盧賢義8對(duì)上市公司財(cái)務(wù)困境預(yù)警模型進(jìn)行實(shí)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(jīng)網(wǎng)絡(luò)分析法對(duì)我國(guó)上市公司財(cái)務(wù)困境預(yù)測(cè)進(jìn)行實(shí)證研究。董雪雁和湯亞莉10在傳統(tǒng)財(cái)務(wù)指標(biāo)的基礎(chǔ)上引入了經(jīng)濟(jì)增加值（Economic Value Added，簡(jiǎn)記為EVA）變量，運(yùn)用 Logit 回歸模型分析方法構(gòu)建了財(cái)務(wù)困境模型。馬喜德11以A股上市公司為研究對(duì)象，選擇公司被ST前三年的52個(gè)財(cái)務(wù)指標(biāo)。郭峰12在綜述了房地產(chǎn)預(yù)警的一般理論、方法、流程設(shè)計(jì)，提出了計(jì)算機(jī)技術(shù)在房地產(chǎn)預(yù)警中的應(yīng)用將成為未來(lái)的研究方向之一。張泓

5、銘，陳則明13 14運(yùn)用綜合模擬法將能反映房地產(chǎn)運(yùn)行特征的多個(gè)指標(biāo)合成一個(gè)或若干個(gè)總體指標(biāo)，并分別用圖形象地顯示出來(lái)。鄒坦，溫俊15從投資層面、生產(chǎn)層面、交易層面和使用層面選擇景氣指標(biāo)，又根據(jù)系統(tǒng)化方法原則確定了指標(biāo)的預(yù)警界線，以此分析當(dāng)前和未來(lái)房地產(chǎn)市場(chǎng)的走勢(shì)。三、我國(guó)房地產(chǎn)上市公司財(cái)務(wù)困境預(yù)警BP神經(jīng)網(wǎng)絡(luò)模型建立原理 1BP神經(jīng)網(wǎng)絡(luò)模型原理輸入層隱含層輸出層 BP（Back propagation）神經(jīng)網(wǎng)絡(luò)又稱(chēng)為多層前饋神經(jīng)網(wǎng)絡(luò)。圖1為三層前饋神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，這種神經(jīng)網(wǎng)絡(luò)模型的特點(diǎn)是各層神經(jīng)元僅與相鄰層神經(jīng)元之間有連接；各層內(nèi)神經(jīng)元之間無(wú)任何連接；各層神經(jīng)元之間無(wú)反饋連接。 

6、    輸入信號(hào)先向前傳播到隱含層的各結(jié)點(diǎn)，經(jīng)過(guò)變換函數(shù)之后，把隱含層各結(jié)點(diǎn)的輸出信息傳播到輸出層各結(jié)點(diǎn)，再輸出結(jié)果。 BP神經(jīng)網(wǎng)絡(luò)的輸入與輸出關(guān)系是一個(gè)高度非線性映射關(guān)系，如果輸入結(jié)點(diǎn)數(shù)為n，輸出結(jié)點(diǎn)數(shù)為m，則網(wǎng)絡(luò)是從n維歐氏空間到m維歐氏空間的映射。 通過(guò)調(diào)整BP神經(jīng)網(wǎng)絡(luò)中的連接權(quán)值以及網(wǎng)絡(luò)的規(guī)模（包括n，m和隱層結(jié)點(diǎn)數(shù)，如圖2），可以實(shí)現(xiàn)非線性分類(lèi)等問(wèn)題，并且可以任意精度逼近任何非線性函數(shù)。在確定了BP網(wǎng)絡(luò)的結(jié)構(gòu)后，利用輸入輸出樣本集對(duì)其進(jìn)行訓(xùn)練，也即對(duì)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行學(xué)習(xí)和調(diào)整，以使網(wǎng)絡(luò)實(shí)現(xiàn)給定的輸入輸出映射關(guān)系。 圖1 BP神經(jīng)網(wǎng)絡(luò)拓?fù)涫疽鈭D 2基于BP神經(jīng)網(wǎng)

7、絡(luò)的房地產(chǎn)上市公司財(cái)務(wù)困境預(yù)警原理BP網(wǎng)絡(luò)是誤差反向傳播的多層前饋式網(wǎng)絡(luò)，是人工神經(jīng)網(wǎng)絡(luò)中最具代表性和應(yīng)用最為廣泛的一種網(wǎng)絡(luò)，在經(jīng)濟(jì)領(lǐng)域已有比較廣泛的應(yīng)用，如股價(jià)預(yù)測(cè)、匯率中長(zhǎng)期預(yù)測(cè)等方面，而且取得了較好的效果?；贐P神經(jīng)網(wǎng)絡(luò)的房地產(chǎn)上市公司的財(cái)務(wù)預(yù)警可通過(guò)神經(jīng)網(wǎng)絡(luò)的模糊性和訓(xùn)練功能，通過(guò)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練，應(yīng)用一系列的風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)，對(duì)其財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行評(píng)價(jià)，為有關(guān)決策者提供支持。 在房地產(chǎn)上市公司財(cái)務(wù)困境預(yù)警模型中，輸入單元是房地產(chǎn)企業(yè)上市公司的財(cái)務(wù)指標(biāo)值，輸出單元式房地產(chǎn)上市公司財(cái)務(wù)困境的概率值。將過(guò)去房地產(chǎn)上市公司財(cái)務(wù)的歷史數(shù)據(jù)作為訓(xùn)練樣本，通過(guò)神經(jīng)網(wǎng)絡(luò)的模仿生物神經(jīng)系統(tǒng)來(lái)描述輸入輸出系統(tǒng)

8、。BP神經(jīng)網(wǎng)絡(luò)模型的思路在于通過(guò)計(jì)算房地產(chǎn)上市公司陷入財(cái)務(wù)困境的概率而對(duì)公司財(cái)務(wù)狀況進(jìn)行預(yù)警分析。四、我國(guó)房地產(chǎn)上市公司財(cái)務(wù)困境預(yù)警BP神經(jīng)網(wǎng)絡(luò)模型建立一般而言，建立神經(jīng)網(wǎng)絡(luò)模型包括兩個(gè)步驟：確定模型的網(wǎng)絡(luò)結(jié)構(gòu)、對(duì)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。1房地產(chǎn)上市公司財(cái)務(wù)困境預(yù)警的BP神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)結(jié)構(gòu)構(gòu)建構(gòu)建網(wǎng)絡(luò)結(jié)構(gòu)的步驟是：首先確定網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，然后確定結(jié)構(gòu)中的輸入層、中間層（隱層）及輸出層中的神經(jīng)元數(shù)，最后形成了房地產(chǎn)財(cái)務(wù)困境預(yù)警系統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)。 （1）模型的網(wǎng)絡(luò)結(jié)構(gòu)的確定本文在確定網(wǎng)絡(luò)結(jié)構(gòu)時(shí)，選擇2層BP網(wǎng)絡(luò)，其模型的網(wǎng)絡(luò)結(jié)構(gòu)拓?fù)浣Y(jié)構(gòu)如圖2所示。輸入層神經(jīng)元數(shù)35隱含層神經(jīng)元數(shù)20輸出

9、層神經(jīng)元數(shù)1：12335 圖2 房地產(chǎn)上市公司財(cái)務(wù)困境的BP神經(jīng)網(wǎng)絡(luò)的拓?fù)涫疽鈭D（2）各層神經(jīng)元數(shù)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(jīng)元的數(shù)量需要確定。輸入層神經(jīng)元數(shù)目的確定取決于指標(biāo)體系。指標(biāo)選取時(shí)遵循可比性、可測(cè)性、預(yù)測(cè)性、協(xié)調(diào)性、全面性和參考性等原則，同時(shí)還考慮各原則之間的相互補(bǔ)充的基礎(chǔ)上，選取了35個(gè)財(cái)務(wù)指標(biāo)，以期達(dá)到更好預(yù)測(cè)公司財(cái)務(wù)困境的目的。 具體指標(biāo)見(jiàn)表1。表1 房地產(chǎn)上市公司預(yù)警指標(biāo)體系一覽表序號(hào)指 標(biāo)序號(hào)指 標(biāo)序號(hào)指 標(biāo)1流動(dòng)比率13應(yīng)收賬款周轉(zhuǎn)率25現(xiàn)金債務(wù)總額比率2速動(dòng)比率14存貨周轉(zhuǎn)率26銷(xiāo)售現(xiàn)金比率3保守速動(dòng)比率15營(yíng)運(yùn)資金周轉(zhuǎn)率27現(xiàn)金凈利

10、潤(rùn)率4現(xiàn)金比率16所有者權(quán)益周轉(zhuǎn)率28總資產(chǎn)凈現(xiàn)率5利息保障倍數(shù)17總負(fù)債周轉(zhuǎn)率29凈資產(chǎn)凈現(xiàn)率6資產(chǎn)負(fù)債率18銷(xiāo)售利潤(rùn)率30投資活動(dòng)融資比率7存貨比率19營(yíng)業(yè)利潤(rùn)率31每股收益8流動(dòng)負(fù)債比率20銷(xiāo)售成本率32每股凈資產(chǎn)9產(chǎn)權(quán)比率21銷(xiāo)售費(fèi)用率33銷(xiāo)售增長(zhǎng)率10總資產(chǎn)周轉(zhuǎn)率22成本費(fèi)用利潤(rùn)率34總資產(chǎn)增長(zhǎng)率11流動(dòng)資產(chǎn)周轉(zhuǎn)率23總資產(chǎn)報(bào)酬率35負(fù)債增長(zhǎng)率12固定資產(chǎn)周轉(zhuǎn)率24凈資產(chǎn)報(bào)酬率輸出層神經(jīng)元數(shù)目為1，即困境概率值，取值01之間。輸出預(yù)測(cè)值與警度區(qū)間的對(duì)應(yīng)關(guān)系見(jiàn)表2，我們將無(wú)警狀態(tài)與上市公司的財(cái)務(wù)正常狀態(tài)相對(duì)應(yīng)，將重警狀態(tài)與上市公司的財(cái)務(wù)困境狀態(tài)相對(duì)應(yīng)。表2 輸出預(yù)測(cè)值與警度區(qū)間的對(duì)應(yīng)關(guān)

11、系 輸出值 （0，0.1） 0.1，0.5）0.5，0.9）0.9，1）警度等級(jí) 無(wú)警 輕警 中警 重警困境狀態(tài) 無(wú) 低 中 高隱層神經(jīng)元數(shù)目的確定與輸入輸出單元的多少有直接的關(guān)系。可由公式1確定： 公式1其中： m 輸入神經(jīng)元數(shù)；n 輸出神經(jīng)元數(shù)；a110間的常數(shù)。本論文中，令,得到隱層神經(jīng)元的個(gè)數(shù)為： 2BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練 模型的訓(xùn)練將從訓(xùn)練數(shù)據(jù)的選擇、訓(xùn)練數(shù)據(jù)的處理。 （1）訓(xùn)練數(shù)據(jù)的選擇本文認(rèn)為因連續(xù)兩年虧損而被*ST 公司更符合財(cái)務(wù)危機(jī)公司的特征，選擇首次被掛名“ST”之前的首個(gè)凈利潤(rùn)非負(fù)的年度作為數(shù)據(jù)的時(shí)間點(diǎn)，首次被處以退市風(fēng)險(xiǎn)處理（即*ST）的房地產(chǎn)上市公司作為本文研究的樣本，

12、財(cái)務(wù)正常公司及財(cái)務(wù)狀況非正常公司，共計(jì)70家，如表1中所示的35個(gè)財(cái)務(wù)指標(biāo)截至到2006年的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)。 （2）訓(xùn)練數(shù)據(jù)的處理 應(yīng)用Matlab軟件對(duì)數(shù)據(jù)進(jìn)行處理，建立房地產(chǎn)上市公司財(cái)務(wù)困境預(yù)警模型。五、我國(guó)房地產(chǎn)上市公司財(cái)務(wù)困境預(yù)警BP神經(jīng)網(wǎng)絡(luò)模型應(yīng)用 1. BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練結(jié)果將指標(biāo)完全進(jìn)入BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，可以在計(jì)算機(jī)的運(yùn)算過(guò)程中模擬得到出現(xiàn)財(cái)務(wù)困境的概率和財(cái)務(wù)指標(biāo)數(shù)據(jù)之間的關(guān)系。模型將70家上市公司的概率分布做了統(tǒng)計(jì)（如圖3）。圖3 神經(jīng)網(wǎng)絡(luò)模型下的房地產(chǎn)上市公司財(cái)務(wù)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(cái)務(wù)風(fēng)險(xiǎn)的概率。紅色“+”號(hào)表示觀測(cè)值，所對(duì)應(yīng)

13、的橫軸坐標(biāo)表示公司編號(hào)，發(fā)生財(cái)務(wù)風(fēng)險(xiǎn)的為“1”，沒(méi)發(fā)生財(cái)務(wù)風(fēng)險(xiǎn)的為“0”。而藍(lán)色的“o”表示在神經(jīng)網(wǎng)絡(luò)模型中得到的預(yù)測(cè)值，所對(duì)應(yīng)縱軸表示發(fā)生財(cái)務(wù)風(fēng)險(xiǎn)概率。由圖中可知，兩種類(lèi)別大部分的房地產(chǎn)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(chǎn)上市公司分類(lèi)都比較明顯，基本沒(méi)有公司處于概率居中的狀況.，此對(duì)于財(cái)務(wù)困境的確定性做出了很好的輔助證明。2. BP神經(jīng)網(wǎng)絡(luò)模型準(zhǔn)確程度通過(guò)matlab檢驗(yàn)結(jié)果顯示，財(cái)務(wù)正常48家公司中，被誤判陷于困境的公司4家，判別準(zhǔn)確率達(dá)91.7%；財(cái)務(wù)出現(xiàn)困境的22家公司中，被誤判財(cái)務(wù)正常公司5家，判別準(zhǔn)確率達(dá)77.3%?？傮w判別準(zhǔn)確率達(dá)到8

14、7.2%，總體準(zhǔn)確率相對(duì)較高，模型構(gòu)建成功。表3 財(cái)務(wù)指標(biāo)BP神經(jīng)網(wǎng)絡(luò)模型判別檢驗(yàn)觀測(cè)值檢驗(yàn)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(xiàn)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.，F(xiàn)inancial r

15、atios, discriminat analysis and the predictionof corporate bankruptcy，The Journal of Finance，1968，Vol .23 ，PP589609 .3Ohlson J A，F(xiàn)inancial 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(nóng)，盧賢義，我國(guó)上市公司財(cái)務(wù)困境預(yù)測(cè)模型，經(jīng)濟(jì)研究，2001年第6期，第46-55頁(yè)9王宏煒，我國(guó)上市公司財(cái)務(wù)困境預(yù)測(cè)模型比較研究，現(xiàn)代財(cái)經(jīng)，2004年第5期，第57-60頁(yè)10董雪雁，湯亞莉，EVA的財(cái)務(wù)預(yù)警實(shí)證研究，管理現(xiàn)代化，2005年第