【文章內(nèi)容簡介】 （） 雖然Probit模型與Logistic模型相似，但應(yīng)用并不象后者那么廣泛。關(guān)于Probit模型研究的文獻很少，這可能是因為該模型包括了非線性估計，所以計算量較Logistic模型大。五、遞歸分割算法遞歸分割算法RPA是一種基于模式識別的非參數(shù)的計算機分類技術(shù)，它同時具有傳統(tǒng)單變量分類法和多變量分析法的特點。由RPA得到的模型呈現(xiàn)出分類二叉樹的形式，該二叉樹能夠把對象分到特定的組中。RPA的輸入包括一個由個對象的觀測數(shù)據(jù)組成的原樣本，還有它們實際的類別以及先驗概率和誤判成本。我們用表示某對象屬于組的先驗概率，用表示將屬于組的對象被誤判為組的成本。如圖1所示，我們給出了一個實際的樹，該樹是RPA基于一定的先驗概率和誤判成本，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。該樹共有5個最終節(jié)點（terminal node），如圖1中的圓圈所示。這些圓圈代表所有公司最后的分類。模型根據(jù)各個公司的財務(wù)特征將其逐級往下分到各個最終節(jié)點。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來選擇樹合理的復(fù)雜度。RPA模型的缺點是：（1）它是一種前向選擇方法，當(dāng)它引入新的分類規(guī)則時并沒有考慮前面的分類方法，因而有可能同一個分類指標(biāo)會重復(fù)出現(xiàn)但判別點發(fā)生變化；（2）有可能出現(xiàn)過度擬和現(xiàn)象；（3）RPA技術(shù)能將公司分割成不同風(fēng)險類型，但無法將同一風(fēng)險類型內(nèi)的公司進行對比。 RPA樹200家公司現(xiàn)金流量/總負(fù)債23家公司現(xiàn)金/總銷售收入132家公司總負(fù)債/總資產(chǎn)68家公司留存收益/總資產(chǎn)注：樹（1）是基于200家公司的財務(wù)數(shù)據(jù)、破產(chǎn)組和非破產(chǎn)組的先驗概率以及誤判的成本構(gòu)建而成。當(dāng)某個公司的判別變量值大于判別點（cutoff）時朝右邊移動。最終節(jié)點是圓圈。最左邊的最終節(jié)點有45家公司，其中40家屬于組1，5家屬于組2。屬于組1（破產(chǎn)）的節(jié)點在圓圈內(nèi)記為B。屬于組2的最終節(jié)點記為NB。該樹誤判了5家破產(chǎn)公司和15家非破產(chǎn)公司。六、生存分析 上述模型均運用企業(yè)破產(chǎn)前的數(shù)據(jù)進行預(yù)測，但并不能預(yù)測出企業(yè)破產(chǎn)的確切時間。Lane et al.（1986）運用一個比例危害模型對銀行破產(chǎn)進行預(yù)測，稱為生存分析。生存分析假定財務(wù)健康和財務(wù)困境的公司都來自同樣的總體。公司破產(chǎn)的風(fēng)險是通過計算每家公司的生存時間來衡量的。假設(shè)T時間后公司就會破產(chǎn)，那么生存函數(shù)S（t）就代表Tt概率，公司在t時間前破產(chǎn)的概率可以用F（t）表示： （）危險度函數(shù)h(t)可以由下式給出： （）并且， （）其中，x代表公司一系列財務(wù)比率的向量，代表系數(shù)向量，是用最大似然法進行估計的，是令x=0計算得到的。生存函數(shù) （）其中， （）由于沒有限制的分布，所以生存分析是一種半?yún)?shù)的方法，這也使之免于很多對參數(shù)方法的攻擊，而且，用這種方法處理破產(chǎn)預(yù)測問題顯得更為現(xiàn)實。 生存分析方法可以得出期望破產(chǎn)時間，這給決策者提供了重要的信息。雖然相對傳統(tǒng)的統(tǒng)計方法而言，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。七、專家系統(tǒng) 人工智能的發(fā)展和應(yīng)用使得研究者開始采用專家系統(tǒng)來解決破產(chǎn)問題。專家系統(tǒng)一般是采用歸納推理（Inductive inference）方法，該方法是通過分析與所要解決的問題相關(guān)的一系列案例，從而發(fā)現(xiàn)規(guī)律。歸納推理方法又有兩種途徑：一是模型驅(qū)動型（modeldriven），利用先驗?zāi)Ｐ椭笇?dǎo)來發(fā)現(xiàn)規(guī)律；二是信息驅(qū)動型（datadriven），利用一系列案例信息來發(fā)現(xiàn)規(guī)律。在模型驅(qū)動型方法中，規(guī)律是建立在先驗?zāi)Ｐ突A(chǔ)上的，然后用一系列的案例來檢驗。信息驅(qū)動型方法首先對所有公司進行審查，然后尋找最為方便的程序系統(tǒng)來對這些公司進行分類，當(dāng)加入新公司時就必須對所得出的規(guī)律進行修改。具體地說該方法先是把公司分成破產(chǎn)組和非破產(chǎn)組，把這些公司用一系列財務(wù)狀況屬性來描述，然后歸納出一個流程系統(tǒng)來正確分類樣本公司。其中，優(yōu)先用于分類的屬性必須使得分類后熵（entropy）最小，假設(shè)有某家公司可能被分入n種不同的組，該公司被分入組的概率是，那么分類的熵為 （） 歸納推理方法的局限性表現(xiàn)在以下幾個方面：（1）該方法很難應(yīng)用于解決較大的問題，因為可以得到的樣本畢竟有限，這可能可以通過把大問題分割成小的問題單元來加以解決，但這只是個設(shè)想，仍需進一步研究。（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，那么將會使得該方法的預(yù)測能力大為減弱。（3）方法的應(yīng)用中經(jīng)常會出現(xiàn)相互矛盾的案例，比如說兩個案例（公司）屬于不同類，但是具有相同的屬性，從而難于加以區(qū)分。 目前，在專家系統(tǒng)方法的深入研究中，除了我們所具體闡述的歸納推理方法外，通過與經(jīng)驗豐富的決策者進行交談，并將其知識和經(jīng)驗并入流程程序中，這也是一種很好的方法。 專家系統(tǒng)經(jīng)常被用來解決破產(chǎn)與信用承諾問題，Borowski et al.(1988)采用專家系統(tǒng)方法來預(yù)測儲蓄和貸款機構(gòu)的破產(chǎn)問題,而Bouwman（1983）和Duchessi et al.（1988）等則將專家系統(tǒng)的方法應(yīng)用于信用承諾研究。八、神經(jīng)網(wǎng)絡(luò)模型神經(jīng)網(wǎng)絡(luò)模型是由大量的簡單處理單元相互聯(lián)結(jié)組成的復(fù)雜網(wǎng)絡(luò)系統(tǒng)。它的許多功能和特性是對人腦神經(jīng)網(wǎng)絡(luò)系統(tǒng)的模擬，是一種自然的非線性建模過程，也被稱為人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network）。作為非參數(shù)的預(yù)測模型，它克服了選擇模型函數(shù)形式的困難，同時對樣本及變量的分布特征沒有限制。其主要分析模型如下： 神經(jīng)網(wǎng)絡(luò)模型輸出神經(jīng)元隱層神經(jīng)元輸入神經(jīng)元Layer ILayer II它的神經(jīng)元一般包括三種處理單元，也稱為節(jié)點（Node）：輸入神經(jīng)元，隱層神經(jīng)元和輸出神經(jīng)元。輸入神經(jīng)元接受外界環(huán)境信息的輸入；輸出神經(jīng)元則將經(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)元則處于前兩種神經(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)部運算，把數(shù)據(jù)結(jié)果轉(zhuǎn)移給輸出神經(jīng)元。隱層神經(jīng)元可以有多個層次（Layer）?？傮w來說，神經(jīng)網(wǎng)絡(luò)具有一些其他方法無法比擬的優(yōu)點，體現(xiàn)在：(1)它根據(jù)所提供的數(shù)據(jù)進行學(xué)習(xí)和訓(xùn)練，找出輸入與輸出之間的內(nèi)在聯(lián)系，通過改變每個節(jié)點上的加權(quán)系數(shù)來求取問題的解，從而具有自適應(yīng)的功能；(2)能夠處理那些有噪聲或不完全的數(shù)據(jù)，具有泛化功能和很強的容錯能力；(3)神經(jīng)網(wǎng)絡(luò)對于非獨立因素組成的總體依然適用，并能夠處理其中復(fù)雜的非線性關(guān)系。目前，主要采用的神經(jīng)網(wǎng)絡(luò)模型有反向傳播（Back－Propagation）算法、串級相關(guān)（Cascade Correlation）算法和遺傳算法（Genetic Algorithm）等。第三節(jié) 國內(nèi)財務(wù)困境預(yù)測研究概述國內(nèi)的財務(wù)困境預(yù)測研究才剛剛起步，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行財務(wù)困境預(yù)測，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、流動比率、營運資本/總資產(chǎn)、總資產(chǎn)周轉(zhuǎn)率等6個指標(biāo)構(gòu)成的判別函數(shù)能較好地預(yù)測出ST公司。陳曉、陳治鴻（2000）以38家ST和132家非ST上市公司作為樣本，采用Logistic模型，通過試驗1260種變量組合，發(fā)現(xiàn)負(fù)債－權(quán)益比、應(yīng)收賬款周轉(zhuǎn)率、主營利潤/總資產(chǎn)、留存收益/總資產(chǎn)對企業(yè)財務(wù)困境有顯著的預(yù)測作用。高培業(yè)、張道奎（2000）采用29個財務(wù)指標(biāo)，運用多元判別分析方法建模，發(fā)現(xiàn)由留存收益/總資產(chǎn)、息稅前收益/總資產(chǎn)、銷售收入/總資產(chǎn)、資產(chǎn)負(fù)債率、營運資本/總資產(chǎn)構(gòu)成的判別函數(shù)有較好的預(yù)測能力。吳世農(nóng)、盧賢義（2001）以70家ST和70家非ST上市公司作為樣本，采用盈利增長指數(shù)、資產(chǎn)報酬率、流動比率、長期負(fù)債/股東權(quán)益、營運資本/總資產(chǎn)、資產(chǎn)周轉(zhuǎn)率等6個財務(wù)指標(biāo)，比較了多元判別分析、線性概率模型和Logistic模型的預(yù)測效果，發(fā)現(xiàn)logsitic模型的預(yù)測能力最強。長城證券課題組（2001）選取了37個財務(wù)指標(biāo)，采用logsitic模型，設(shè)計了財務(wù)危機預(yù)警系統(tǒng)和財務(wù)危機惡化預(yù)警系統(tǒng)，發(fā)現(xiàn)凈利潤/總資產(chǎn)、投資收益/利潤總額、應(yīng)收賬款周轉(zhuǎn)率、營業(yè)利潤增長率、凈資產(chǎn)增長率、長期負(fù)債/總資產(chǎn)、凈利潤增長率、存貨周轉(zhuǎn)率等指標(biāo)具有顯著的判別作用。 歸納起來，國內(nèi)目前的研究存在以下不足：（1）使用的方法比較簡單，主要是單變量分析、多元判別分析和Logistic模型等參數(shù)方法，而像神經(jīng)網(wǎng)絡(luò)模型等非參數(shù)方法則尚未有人使用；（2）由于受到數(shù)據(jù)限制，樣本量不足，大部分研究只是對估計樣本進行回判，沒有采用新樣本進行檢驗，這高估了模型的預(yù)測能力；（3）大部分研究是在公司被ST的前兩年進行預(yù)測，即在公司已經(jīng)虧損一年的情況下進行預(yù)測，判斷其最終是否會被ST，這樣無疑會再度高估模型的預(yù)測能力；（4）有些研究采用的財務(wù)指標(biāo)不多，無法反映企業(yè)全面的財務(wù)狀況。鑒于此，本文的目的即采用容量更大的樣本和更全面的財務(wù)指標(biāo)比較多元判別分析、Logistic模型和神經(jīng)網(wǎng)絡(luò)模型三種方法的真實預(yù)測能力。第二章 實證研究設(shè)計第一節(jié) 樣本設(shè)計如第一章第一節(jié)所述，本文以滬深兩市A股上市公司作為研究對象，將公司因財務(wù)狀況異常而被特別處理（ST）作為企業(yè)陷入財務(wù)困境的標(biāo)志，從中選取了1998－2003年間108家ST公司作為財務(wù)困境公司樣本，具體樣本見附錄1，樣本的行業(yè)分布特征如下： “財務(wù)困境企業(yè)”樣本的行業(yè)分布特征行業(yè)類別財務(wù)困境企業(yè)樣本數(shù)量（個）農(nóng)、林、牧、漁業(yè)1制造業(yè)59建筑業(yè)1交通運輸、倉儲業(yè)3信息技術(shù)業(yè)5批發(fā)和零售貿(mào)易9房地產(chǎn)業(yè)7社會服務(wù)業(yè)5傳播與文化產(chǎn)業(yè)3綜合15合計108 由于證監(jiān)會是根據(jù)上市公司前兩年的年報所公布的業(yè)績判斷其是否出現(xiàn)財務(wù)狀況異常并決定是否要對其進行特別處理的，所以采用上市公司前兩年的年報預(yù)測其是否會被ST顯然會夸大模型的預(yù)測能力。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)測意義。因此，本文選擇在上市公司被ST的前三年進行預(yù)測，判斷其最終是否會陷入財務(wù)困境，即如果某上市公司在2003年被特別處理，我們采用2000年的年報數(shù)據(jù)進行預(yù)測。為了剔除不同年份、行業(yè)和資產(chǎn)規(guī)模因素對財務(wù)困境預(yù)測的影響，我們根據(jù)以下原則按1：1的比例選擇財務(wù)健康的上市公司作為配對樣本：（1）、研究期間一致，如財務(wù)困境企業(yè)采用的是2000年的數(shù)據(jù)，則財務(wù)正常公司也同樣采用2000年的數(shù)據(jù)。（2）、配對樣本與財務(wù)困境企業(yè)行業(yè)類型相同或相近。（3）、配對樣本與財務(wù)困境企業(yè)的總資產(chǎn)規(guī)模相當(dāng)。據(jù)此，本文確定了216個研究樣本，其中3/4作為估計樣本，1/4作為預(yù)測樣本，具體情況如下：估計樣本162家，其中財務(wù)困境公司81家，財務(wù)健康公司81家預(yù)測樣本54家，其中財務(wù)困境公司27家，財務(wù)健康公司27家第二節(jié) 預(yù)測變量的選擇一、預(yù)測變量分類財務(wù)困境預(yù)測模型所采用的預(yù)測變量大體可分為三類：財務(wù)指標(biāo)。這里的財務(wù)指標(biāo)指的是狹義的來自資產(chǎn)負(fù)債表和損益表的指標(biāo)，大部分學(xué)者均采用此類預(yù)測變量，但是對于如何選取財務(wù)指標(biāo)卻一直存在分歧。目前唯一能達成共識的一點是財務(wù)指標(biāo)所涵蓋的企業(yè)的財務(wù)信息越廣越好，應(yīng)該覆蓋企業(yè)盈利能力、長短期償債能力、營運能力、成長能力、風(fēng)險水平等諸多方面，但是對于具體挑選哪一個指標(biāo)，則見仁見智。Harmer（1983）指出被選財務(wù)指標(biāo)的相對獨立性能提高模型的預(yù)測能力。在美國，Altman（1968）選取的5個財務(wù)指標(biāo)成為大部分學(xué)者用于模型比較的基準(zhǔn)，但是這5個指標(biāo)在中國卻未必適用?，F(xiàn)金流量指標(biāo)。上世紀(jì)80年代，隨著現(xiàn)金流量表在用于評價企業(yè)整體財務(wù)狀況時越來越受到重視，各國學(xué)者開始討論現(xiàn)金流量指標(biāo)是否能用于企業(yè)財務(wù)困境預(yù)測。Nosworthy et al.（1980）認(rèn)為“現(xiàn)金流/總債務(wù)”是一個顯著的單變量判別指標(biāo)。Aziz et al.（1988）則發(fā)現(xiàn)在破產(chǎn)前五年財務(wù)困境公司和財務(wù)正常公司的經(jīng)營現(xiàn)金流量均值和用現(xiàn)金支付的所得稅均值存在顯著差異。但是Casey et al. (1984b)卻認(rèn)為單獨使用現(xiàn)金流量指標(biāo)進行財務(wù)困境預(yù)測效果不佳，而在其1985年的文章中，他們更進一步指出即使采用現(xiàn)金流量指標(biāo)結(jié)合其他財務(wù)指標(biāo)進行分析，也無助于提高模型的預(yù)測能力。Gombola et al.（1987）也認(rèn)為現(xiàn)金流指標(biāo)并不是一個重要的財務(wù)困境預(yù)測變量。因此，現(xiàn)金流量指標(biāo)究竟是否有助于財務(wù)困境預(yù)測仍有待考證。股票收益率指標(biāo)。Beaver（1966）最早使用股票收益率數(shù)據(jù)進行財務(wù)困境預(yù)測，他發(fā)現(xiàn)在有效的資本市場上，股票收益率也如同財務(wù)指標(biāo)一樣可以預(yù)測企業(yè)破產(chǎn)。Ahorony et al.（1980）則提出采用股票收益率的方差進行財務(wù)困境預(yù)測，他們發(fā)現(xiàn)在正式的破產(chǎn)公告之前的4年內(nèi)，財務(wù)困境公司的股票的市場收益率方差與財務(wù)健康公司存在差異。但是，由于中國證券市場目前仍不是一個有效市場，所以無法采用股票收益率指標(biāo)進行財務(wù)困境預(yù)測。二、剖面分析如前所述，不同的財務(wù)指標(biāo)從不同的側(cè)面反映企業(yè)的財務(wù)狀況，選擇的變量不同，最終預(yù)測的效果自然各異。由于以前很多研究在變量的選擇上帶有主觀性，因此很難直接比較其研究成果。為了克服這一問題，首先我們將以往研究中所提到的對最終模型有顯著貢獻的財務(wù)指標(biāo)進行了歸納，并將其全部作為初始自變量（附錄2）。這些變量包括短期償債能力、長期償債能力、營運效率、盈利能力、風(fēng)險水平、發(fā)展能力總共六大類5