制造業上市公司財務危機預警分析

導語：制造業上市公司財務危機預警分析一文來源于網友上傳，不代表本站觀點，若需要原創文章可咨詢客服老師，歡迎參考。

［提要］當代經濟快速發展，企業應時刻關注自身的財務狀況，對未來存在的財務危機隱患提前關注，保持危機意識。制造業作為我國的支柱產業，在當前經濟背景下，更應保持警惕，在抓住機遇發展壯大的同時，發現自身存在的問題，及時做出相應的調整，提前對企業即將出現的財務危機做出應對之策。

關鍵詞：制造業上市公司；BP神經網絡模型；財務危機預警

我國制造業作為國家的支柱產業，對我國的經濟發展具有極其重要的推動作用；但是，隨著大數據時代的到來，經濟發展速度日益加快，制造業上市公司也相繼面臨著更多的危機與挑戰。財務狀況與企業的生存息息相關，如何利用相關數據幫助企業規避潛在的財務危機成為現代企業關注的重點。傳統的預警機制大多數通過歷史數據構建模型，對企業是否存在財務危機做出預測。Altman首次運用多元線性判別方法構建財務危機預警模型，但是人們經過實踐發現，該模型無法滿足選取的變量服從正態分布。Martin開創性地結合Logis－tic回歸模型對企業做出財務預警，經過實踐證明，該模型對于企業危機的預測準確度高達96%，所以該模型流傳至今仍被廣泛應用。但是，傳統的預警機制大多數是通過靜態數據預測未來企業狀況，不能動態歸納新數據，這種情況下建立的預警模型其準確性不高。因此，借助科學的方法構建合理有效的預警模型對我國制造業上市公司及時發現并解決財務危機具有非常重要的指導作用。

一、研究設計

（一）樣本選取與數據來源。本文選取的樣本公司主要為2019年首次被特別處理的制造業上市公司20家，同時按照1：1的比例選取正常經營的制造業上市公司20家作為對照組，共計40家上市公司，另外選取20家上市公司作為檢測樣本。設定2019年為T年，通過國泰安數據庫收集T-3年，即2016～2018年的數據對2019年樣本公司財務狀況進行預測。本文選取的數據來源通過網上搜集，主要從國泰安數據庫、深滬證券交易所的官方網站、新浪財經等我國的知名網站上進行收集與整理，數據的可信度和準確性都非常高。（二）財務預警指標的選取。本文通過閱讀大量文獻資料，結合國內外學者的研究理論，結合我國制造業的具體情況，對財務預警指標依據以下的篩選原則：1、全面性原則。企業的財務狀況受到各方面的影響，所以要把能夠影響到企業財務狀況的因素進行綜合、全面性的收集與整理，通過收集綜合的財務數據，得到合理有效的研究結論。2、重要性原則。為了對企業的財務危機達到深入透徹的分析，選取的財務指標很多。但是在訓練過程中，很難把所有的財務指標都輸入到模型中進行訓練，所以本文選取對企業具有顯著作用的財務指標。3、可取性原則。本文選取的財務指標都是上市公司公布出來，且容易查找到的，對于一些非公開的財務指標，會對模型的準確性造成影響。因此，本文在選取傳統的能夠反映企業盈利能力、營運能力、償債能力、發展能力等財務指標的基礎上，添加企業現金流量狀況、股東獲利能力等財務指標進行訓練。（三）因子分析。本文選取多個財務指標，能夠整體全面地反映企業的財務狀況，但是財務指標過多會加大訓練難度，也會對模型的穩定性和預測結果造成影響，所以首先應用SPSS軟件中的KMO樣本測度法和巴特利特球體檢驗法對選取的財務指標進行相關性分析。

二、構建BP神經網絡模型

BP神經網絡是一種按照誤差逆傳播算法訓練的多層前饋網絡，當前應用于多個領域，是應用最廣泛的神經網絡模型之一，該神經網絡的主要特點為信號前向傳遞，誤差反向傳播。該網絡通過輸入層輸入信號，中間經過隱含層對數據進行逐層處理，通過輸出層傳遞結果；如果輸出層沒有得到期望的輸出值，則轉入反向傳播，神經網絡根據預測誤差調整權值和閾值，從而得到期望輸出如圖1所示。（圖1）（一）輸入層：本文選取的財務指標通過SPSS軟件運用因子分析提取主成分，篩選出合理有效的財務指標作為輸入層的輸入數據。（二）隱含層：隱含層的關鍵是對節點數數量的選擇，如果選取的節點數過多，會影響模型的運行速度，相反，如果節點數過少，會對模型的運行結果產生影響。本文對隱含層節點的選擇參考以下公式：l<n-1l<姨（m+n）+琢l=log2n其中，l代表隱含層的節點數，n代表輸入層的節點數，m代表輸出層的節點數；琢所選取的是0～10之間的常數，通過試湊法確定最佳的節點數。（三）輸出層：輸出值是構建模型訓練之后的目標值，實際上就是我們進行模型訓練的期望輸出值。本文的輸出層節點數設定為1，把輸出值以0.5為分界點，0表示沒有被特別處理的公司（非ST），1表示被特別處理的公司（ST）。本文運用MATLAB7.0軟件進行神經網絡模型訓練，訓練結果如表2所示。（表2）訓練結果分析：在訓練樣本中，ST公司準確判斷19家，僅誤判1家；非ST公司準確判斷17家，誤判數為3家，綜合預測準確率達到了91.2%，誤判率為8.8%。在檢測樣本中，ST公司準確判斷9家，僅誤判1家，非ST公司準確判斷8家，誤判2家，綜合預測準確率為86%。綜上可知，本文所構建的BP神經網絡模型預測準確率高，總體效果較好，表明此模型具有其合理性，如果我國企業能夠運用這套模型，那么企業能夠有效地對當前地財務狀況進行預測，及時對財務危機進行規避。

三、模型評述

本文通過對構造模型的訓練，發現該模型與我國制造業上市公司具有以下特點：（一）匹配性。本文所構建的BP神經網絡模型根據重要性原則選取制造業上市公司中的財務指標，考慮到制造業上市公司的特點，能夠很好地反映企業當前所處的財務狀況，通過實證研究發現，該模型與制造業公司具有高度匹配性。（二）理解性。本文實證研究運用的SPSS和MATLAB軟件具有簡單易操作的特點，BP神經網絡雖然理論較為難懂，但是結合這兩個軟件，能夠為企業構建模型，進行財務危機預警提供技術支撐。（三）實效性。通過實證研究發現，BP神經網絡模型在制造業上市公司中能夠高效預測企業是否存在財務危機狀況，實用有效，具有重要的現實意義。

四、結論

本文選取在我國具有代表性的制造業上市公司為研究對象，結合傳統的財務指標引入現金流量狀況和股東獲利能力等財務指標進行分析，使得財務指標體系更加全面，預測結果也更加準確。運用SPSS軟件和MATLAB軟件構建BP神經網絡模型，通過訓練樣本數據，最后根據訓練結果得出結論，該模型對于企業預測財務危機具有高度的準確性，而且該模型具有匹配性高、易理解、實效性好的特點，能夠很好地運用到我國制造業上市公司中去，能夠幫助企業更好地應對潛在的財務危機，具有很好的現實價值。

參考文獻：

［1］李芳.基于BP神經網絡的我國制造業上市公司財務危機預警［J］.中國市場，2010（40）.

［2］張根明，向曉驥，孫敬宜.基于BP神經網絡的制造業上市公司財務預警［J］.山東工商學院學報，2006（4）.

［3］黃曉波，高曉瑩.基于神經網絡的企業財務危機預警研究——以制造業上市公司為例［J］.會計之友，2015（5）.

［4］劉迎旭.基于BP神經網絡的我國制造業上市公司財務預警模型研究［D］.北京印刷學院，2018.

［5］劉梅.基于神經網絡與邏輯回歸的財務危機預警研究［J］.中國集體經濟，2019（14）.

作者:馬彥召 單位:青海民族大學經濟與管理學院