【正文】 00）則把企業(yè)能否按時(shí)償還銀行貸款作為企業(yè)陷入財(cái)務(wù)困境與否的界定標(biāo)準(zhǔn)。自1998年3月16日起，我國(guó)證券市場(chǎng)開始推行ST制度。PT制度。2001年2月24日，中國(guó)證監(jiān)會(huì)發(fā)布了《虧損上市公司暫停上市和終止上市實(shí)施辦法》，給予PT公司一年的寬限期，從而正式啟動(dòng)證券市場(chǎng)的退市機(jī)制。其主要措施為在其股票簡(jiǎn)稱前冠以“*ST”字樣，以區(qū)別于其他股票，并且股票報(bào)價(jià)的日漲跌幅限制為5％。但是，從上述制度可以看出，出現(xiàn)連續(xù)兩年虧損的上市公司不僅會(huì)被特殊處理，而且面臨著退市風(fēng)險(xiǎn)，因而可以認(rèn)為其已經(jīng)陷入了財(cái)務(wù)困境。第二節(jié) 國(guó)外財(cái)務(wù)困境預(yù)測(cè)模型概述自上個(gè)世紀(jì)60年代以來，財(cái)務(wù)困境預(yù)測(cè)在歐美得到廣泛發(fā)展，從多元判別分析等線性預(yù)測(cè)模型，到以神經(jīng)網(wǎng)絡(luò)模型為代表的各種非參數(shù)預(yù)測(cè)模型，相關(guān)的模型、方法層出不窮。Fitzpatrick（1932）最早利用該模型對(duì)企業(yè)財(cái)務(wù)困境進(jìn)行預(yù)測(cè)，他以19家公司作為樣本，運(yùn)用單個(gè)財(cái)務(wù)指標(biāo)進(jìn)行預(yù)測(cè)，結(jié)果發(fā)現(xiàn)凈利潤(rùn)/股東權(quán)益、股東權(quán)益/負(fù)債這兩個(gè)財(cái)務(wù)指標(biāo)判別能力最高。單變量分析是最早應(yīng)用于企業(yè)財(cái)務(wù)困境預(yù)測(cè)的實(shí)證模型，雖然其開創(chuàng)了財(cái)務(wù)困境預(yù)測(cè)實(shí)證研究的先河，但是其具有以下的局限性：（1）相關(guān)的指標(biāo)給出令人混淆的判別信號(hào)，根據(jù)不同的財(cái)務(wù)指標(biāo)進(jìn)行判斷有可能得出相反的結(jié)論。這些缺陷嚴(yán)重影響了單變量模型的適用性。那么對(duì)兩組公司（財(cái)務(wù)困境與財(cái)務(wù)健康公司），假設(shè)兩組中的自變量分布服從多元正態(tài)分布，協(xié)方差矩陣相等，但均值不同。然后，根據(jù)組內(nèi)公司數(shù)目和錯(cuò)誤分類成本的先驗(yàn)概率計(jì)算出臨界值。多元判別分析雖然得到廣泛的應(yīng)用，但是該方法也存在著一些問題，主要是其對(duì)預(yù)測(cè)變量的分布性質(zhì)施加了一些統(tǒng)計(jì)上的限制。為了估計(jì)企業(yè)破產(chǎn)的概率，研究者設(shè)計(jì)了線性概率模型（LPM）。 我們發(fā)現(xiàn)，模型（）中的回歸系數(shù)除了截距外，都與多變量判別系數(shù)成固定比例，也就是說線性概率模型只是多變量判別分析（MDA）的一個(gè)特例。 LPM的應(yīng)用存在兩個(gè)主要的統(tǒng)計(jì)問題：（1）如果采用普通最小二乘法來估計(jì)式（）的系數(shù)，那么就必須假設(shè)殘差項(xiàng)方差相同，如果出現(xiàn)異方差，那么OLS的系數(shù)估計(jì)雖是無偏但卻是無效的。Meyer和Pifer（1970）最早將LPM運(yùn)用于銀行業(yè)的財(cái)務(wù)困境預(yù)測(cè)，而Laitinen（1993）也曾作過相似的研究，將LPM運(yùn)用于企業(yè)財(cái)務(wù)困境預(yù)測(cè)。Martin（1977）首次運(yùn)用Logistic模型來進(jìn)行銀行破產(chǎn)預(yù)測(cè)。五、遞歸分割算法遞歸分割算法RPA是一種基于模式識(shí)別的非參數(shù)的計(jì)算機(jī)分類技術(shù)，它同時(shí)具有傳統(tǒng)單變量分類法和多變量分析法的特點(diǎn)。如圖1所示，我們給出了一個(gè)實(shí)際的樹，該樹是RPA基于一定的先驗(yàn)概率和誤判成本，從200家破產(chǎn)公司（組1）和非破產(chǎn)公司（組2）中構(gòu)建出的。RPA模型的構(gòu)建分兩步，第一步是構(gòu)建預(yù)期誤判成本較小的樹，第二步是通過交叉檢驗(yàn)來選擇樹合理的復(fù)雜度。最終節(jié)點(diǎn)是圓圈。該樹誤判了5家破產(chǎn)公司和15家非破產(chǎn)公司。公司破產(chǎn)的風(fēng)險(xiǎn)是通過計(jì)算每家公司的生存時(shí)間來衡量的。雖然相對(duì)傳統(tǒng)的統(tǒng)計(jì)方法而言，生存分析方法的確是很好的替代方法，但是到目前為止，它仍然得不到非常廣泛的應(yīng)用。在模型驅(qū)動(dòng)型方法中，規(guī)律是建立在先驗(yàn)?zāi)Ｐ突A(chǔ)上的，然后用一系列的案例來檢驗(yàn)。（2）方法的應(yīng)用中如果忽視了重要的案例（公司）或是分類屬性，那么將會(huì)使得該方法的預(yù)測(cè)能力大為減弱。八、神經(jīng)網(wǎng)絡(luò)模型神經(jīng)網(wǎng)絡(luò)模型是由大量的簡(jiǎn)單處理單元相互聯(lián)結(jié)組成的復(fù)雜網(wǎng)絡(luò)系統(tǒng)。輸入神經(jīng)元接受外界環(huán)境信息的輸入；輸出神經(jīng)元?jiǎng)t將經(jīng)過神經(jīng)網(wǎng)絡(luò)處理后的信息送到外界；而隱層神經(jīng)元?jiǎng)t處于前兩種神經(jīng)元之間，不直接與外界環(huán)境發(fā)生聯(lián)系，它接受輸入神經(jīng)元的信息，經(jīng)過多層次的網(wǎng)絡(luò)內(nèi)部運(yùn)算，把數(shù)據(jù)結(jié)果轉(zhuǎn)移給輸出神經(jīng)元。第三節(jié) 國(guó)內(nèi)財(cái)務(wù)困境預(yù)測(cè)研究概述國(guó)內(nèi)的財(cái)務(wù)困境預(yù)測(cè)研究才剛剛起步，陳靜（1999）以1998年27家ST和27家非ST上市公司作為樣本，分別采用單變量分析和多元判別分析方法進(jìn)行財(cái)務(wù)困境預(yù)測(cè)，發(fā)現(xiàn)由資產(chǎn)負(fù)債率、凈資產(chǎn)收益率、總資產(chǎn)收益率、流動(dòng)比率、營(yíng)運(yùn)資本/總資產(chǎn)、總資產(chǎn)周轉(zhuǎn)率等6個(gè)指標(biāo)構(gòu)成的判別函數(shù)能較好地預(yù)測(cè)出ST公司。長(zhǎng)城證券課題組（2001）選取了37個(gè)財(cái)務(wù)指標(biāo)，采用logsitic模型，設(shè)計(jì)了財(cái)務(wù)危機(jī)預(yù)警系統(tǒng)和財(cái)務(wù)危機(jī)惡化預(yù)警系統(tǒng)，發(fā)現(xiàn)凈利潤(rùn)/總資產(chǎn)、投資收益/利潤(rùn)總額、應(yīng)收賬款周轉(zhuǎn)率、營(yíng)業(yè)利潤(rùn)增長(zhǎng)率、凈資產(chǎn)增長(zhǎng)率、長(zhǎng)期負(fù)債/總資產(chǎn)、凈利潤(rùn)增長(zhǎng)率、存貨周轉(zhuǎn)率等指標(biāo)具有顯著的判別作用。畢竟在公司已經(jīng)虧損一年的情況下其被ST的幾率自然大于沒有出現(xiàn)虧損的公司；而在公司已經(jīng)虧損兩年的情況下其被ST已成定局，所以更沒有任何預(yù)測(cè)意義。（3）、配對(duì)樣本與財(cái)務(wù)困境企業(yè)的總資產(chǎn)規(guī)模相當(dāng)。Harmer（1983）指出被選財(cái)務(wù)指標(biāo)的相對(duì)獨(dú)立性能提高模型的預(yù)測(cè)能力。Nosworthy et al.（1980）認(rèn)為“現(xiàn)金流/總債務(wù)”是一個(gè)顯著的單變量判別指標(biāo)。因此，現(xiàn)金流量指標(biāo)究竟是否有助于財(cái)務(wù)困境預(yù)測(cè)仍有待考證。但是，由于中國(guó)證券市場(chǎng)目前仍不是一個(gè)有效市場(chǎng)，所以無法采用股票收益率指標(biāo)進(jìn)行財(cái)務(wù)困境預(yù)測(cè)。這些變量包括短期償債能力、長(zhǎng)期償債能力、營(yíng)運(yùn)效率、盈利能力、風(fēng)險(xiǎn)水平、發(fā)展能力總共六大類52個(gè)指標(biāo)，足以全面反映企業(yè)的財(cái)務(wù)狀況。λFdf1df2Sig.均值標(biāo)準(zhǔn)差均值標(biāo)準(zhǔn)差X11214X21214X312140X41214X51214X61214X71214X81214X91214X101214X111214X121214X1312140X141214X151214X161214X171214X181214X19.2691214X2012.1214X211214X221214X231214X241214X251214X261214X271214X281214X2911214X3011214X3112140X321214X3312140X3412140X35.162.489.441214X3612140X3712140X3812140X3912140X4012140X411214X421214X431214X441214X451214X4612140X47.38711214X481214X491214X501214X511214X521214三、預(yù)測(cè)變量的選擇關(guān)于預(yù)測(cè)變量的選擇，不同的學(xué)者有不同的看法，比較有代表性的是Altman（1968）的方法，他提出分四步篩選變量：（1）觀察各種備選函數(shù)在統(tǒng)計(jì)上的重要性，包括決定各獨(dú)立變量的相對(duì)貢獻(xiàn)度；（2）對(duì)相關(guān)變量的交互相關(guān)進(jìn)行估計(jì)；（3）觀察變量集合的預(yù)測(cè)精確度；（4）分析者的判斷。進(jìn)入模型的判據(jù)一般是根據(jù)事先指定的F值確定，F(xiàn)值越大，表示該變量在模型中的作用越大，只有當(dāng)某個(gè)變量計(jì)算出的F值大于指定值時(shí)，該變量才能進(jìn)入最終的判別方程。，可以看出從第1步到第5步逐步判別分析總是將模型外對(duì)模型貢獻(xiàn)最大的變量選入；但在第6步引入X28后，X16對(duì)模型的貢獻(xiàn)下降，顯著性概率高于10％，因而被剔除出模型；而在第8步和第9步X7和X5又分別被選入，此時(shí)模型外的變量都沒有達(dá)到進(jìn)入模型的要求，篩選變量的過程結(jié)束，最后進(jìn)入模型的預(yù)測(cè)變量是XXX1X2X3X34和X45。當(dāng)TOL較小或VIF較大時(shí)，認(rèn)為存在多重共線性。X18（利息保障倍數(shù)）屬于長(zhǎng)期償債能力指標(biāo)，其用息稅前收益除以財(cái)務(wù)費(fèi)用，反映了企業(yè)所創(chuàng)造的新增價(jià)值對(duì)利息費(fèi)用的保障程度，當(dāng)利息保障倍數(shù)小于1時(shí)，說明企業(yè)償債能力不足。綜上我們可以看到，在入選的7個(gè)變量中，并不包括發(fā)展能力指標(biāo)，這說明該類指標(biāo)在用于財(cái)務(wù)困境預(yù)測(cè)時(shí)作用并不突出；而短期償債能力指標(biāo)和盈利指標(biāo)分別有兩個(gè)變量入選，說明該類指標(biāo)在企業(yè)財(cái)務(wù)困境預(yù)測(cè)中具有重要作用。判別效率最大指的是兩組的組間差與組內(nèi)差之比最大。三、神經(jīng)網(wǎng)絡(luò)模型目前， 在神經(jīng)網(wǎng)絡(luò)模型的實(shí)際應(yīng)用中，多層前向神經(jīng)網(wǎng)絡(luò)中的反向傳播（BackPropagation）算法在諸如函數(shù)逼近、模式識(shí)別等領(lǐng)域得到廣泛的應(yīng)用，因此本文采用BP算法進(jìn)行財(cái)務(wù)困境預(yù)測(cè)。（2）誤差信號(hào)反向傳播：網(wǎng)絡(luò)的實(shí)際輸出與期望輸出之間的差值即為誤差信號(hào)，誤差信號(hào)從輸出端開始逐層向前傳播。因此本文采用單隱層的BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)，如圖： 單隱層的BP神經(jīng)網(wǎng)絡(luò)輸入層 隱層 輸出層輸入變量X權(quán)重WΣ 傳遞函數(shù)f權(quán)重T1Σ1傳遞函數(shù)gBP算法的詳細(xì)步驟如下：（1）設(shè)置變量和參量。（3）計(jì)算神經(jīng)網(wǎng)絡(luò)前向傳播信號(hào)。根據(jù)誤差信號(hào)先后修正隱層和輸出層之間、輸入層和隱層之間的權(quán)值。隱層節(jié)點(diǎn)個(gè)數(shù)的選擇比較復(fù)雜，通常認(rèn)為隱層節(jié)點(diǎn)個(gè)數(shù)應(yīng)介于輸入和輸出節(jié)點(diǎn)個(gè)數(shù)之間，而且與樣本大小有關(guān)。普通的BP神經(jīng)網(wǎng)絡(luò)一般采用網(wǎng)絡(luò)誤差的均方根之和作為性能函數(shù)，如 （）而調(diào)整后的網(wǎng)絡(luò)性能函數(shù)如下： （）其中，是性能函數(shù)，在Matlab中可以進(jìn)行自動(dòng)設(shè)置。當(dāng)把每一家上市公司的財(cái)務(wù)指標(biāo)代入判別函數(shù)得到的Z分值大于0時(shí)，則判定為財(cái)務(wù)健康公司；反之則判定為財(cái)務(wù)困境公司，判別結(jié)果如下： 多元判別分析的判別結(jié)果原始值估計(jì)樣本 預(yù)測(cè)樣本預(yù)測(cè)值合計(jì)綜合準(zhǔn)確率%預(yù)測(cè)值合計(jì)綜合準(zhǔn)確率0101計(jì)數(shù)0661581%20727%121608162127百分比081. 5%%100%%%100%1%%100%%%100%如前所述，本文將全部樣本分為估計(jì)樣本和預(yù)測(cè)樣本，估計(jì)樣本162家，其中財(cái)務(wù)困境公司81家，財(cái)務(wù)健康公司81家；預(yù)測(cè)樣本54家，其中財(cái)務(wù)困境公司27家，財(cái)務(wù)健康公司27家。 and ，只能勉強(qiáng)接受觀測(cè)數(shù)據(jù)和預(yù)測(cè)數(shù)據(jù)之間沒有顯著差異的原假設(shè)。模型的預(yù)測(cè)效果尚可。 243。 243。 243。 1 1 243。 1 1 0 1243。 0 0 0 1 1 1 1 1243。0 0 01 00 0 0 1 0 01 1 1 10 1 11 1 1 11 11243。000000 00000000000000010000000000001110001110 1011011111011243。242。242。242。242。242。242。242。242。242。242。242。242。242。242。242。迭代次數(shù)為80000次。由于預(yù)測(cè)準(zhǔn)確率不包括任何先驗(yàn)信息，所以我們以預(yù)測(cè)樣本準(zhǔn)確率為準(zhǔn)進(jìn)行比較。通過以上分析，得到以下結(jié)論：為了真實(shí)反映模型的預(yù)測(cè)能力，應(yīng)采用預(yù)測(cè)樣本（即新樣本）對(duì)模型的泛化能力進(jìn)行檢驗(yàn)。在這7個(gè)指標(biāo)中，大部分指標(biāo)在財(cái)務(wù)困境組和財(cái)務(wù)健康組