【正文】 特別需要指出的是，短期償債能力指標和盈利能力指標在企業(yè)財務困境預測中作用最為明顯，這說明在進行企業(yè)財務分析時，我們對上述指標應給予更多的關注。此外，由于中國證監(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)財務狀況異常并決定是否要對其進行特別處理的，所以為了不夸大模型的預測能力，應至少在上市公司被ST的前三年進行預測，判斷其最終是否會被ST。 第四章 研究結論和未來的研究方向 第一節(jié) 研究結論本文以滬深兩市A股上市公司作為研究對象，將公司因財務狀況異常而被特別處理（ST）作為企業(yè)陷入財務困境的標志，進行企業(yè)財務困境預測。 預測結果比較模型誤判個數(shù)預測準確率I類II類合計I類II類綜合MDA7613%%%Logistic7512%%%神經(jīng)網(wǎng)絡437%%%，多元判別分析和Logistic回歸的預測效果比較接近，Logistic回歸略優(yōu)于多元判別分析；而神經(jīng)網(wǎng)絡模型的預測效果則是最好的，其I類、%，%、%%。第四節(jié) 判別結果比較預測樣本準確率是指利用從估計樣本中得到的判別函數(shù)（或網(wǎng)絡）對新樣本進行判別得到的結果。，當mse＝,msw=，BP神經(jīng)網(wǎng)絡自動結束訓練。采用單隱層的BP神經(jīng)網(wǎng)絡進行訓練，輸入層的輸入變量為多元判別分析和Logistic回歸使用的預測變量XXX1X2X3X34和X45，共有7個節(jié)點；輸出層有一個節(jié)點，輸出的導師信號為－1代表財務困境公司，1代表財務健康公司；隱層的節(jié)點個數(shù)為208/（10*（7+1））≈3。 Prob: 0 .25 .5 .75 1 Group: 000000000000000000000000000000111111111111111111111111111111 最終模型的統(tǒng)計量 系數(shù)標準差Wald統(tǒng)計量自由度顯著性概率X5.3021.008X71.001X18.0071.045X28.8021.035X321.044X341.000X45.013.0081.111Constant.4931.005： （），根據(jù)式（），判別結果如下： Logistic回歸模型的判別結果原始值估計樣本 預測樣本預測值合計綜合準確率%預測值合計綜合準確率0101計數(shù)0661581%20727%122598152227百分比081. 5%%100%%%100%1%%100%%%100%，%，%，%；%，%，%。242。242。242。242。242。242。242。244。242。242。242。242。242。242。242。242。242。242。242。242。242。242。244。242。242。242。242。242。242。Predicted 242。 243。 243。 243。 4 244。Y 243。C 243。N 243。E 8 244。U 243。Q 243。E 243。R 12 244。F 243。 243。 243。 估計概率的直方圖 16 244。因此如果模型成功地區(qū)分了兩組觀測量，兩組中的觀測量越是分布在兩端，說明分組效果越好。 最終模型的擬和優(yōu)度檢驗Step2 Log likelihoodCox amp。 Snell R2和Nagelkerke R2統(tǒng)計量偏小，也說明擬和效果一般。將財務困境公司（0）誤判為財務健康公司（1）的比例用I類錯誤率表示，將財務健康公司（1）誤判為財務困境公司（0）的比例用II類錯誤率表示，我們可以看出，%，%，%；%，%，%。因此根據(jù)對稱分類原則，判別點＝0。使用該性能函數(shù)可以減少網(wǎng)絡的有效權值和閾值，并且使網(wǎng)絡的訓練輸出更加平滑，從而增強網(wǎng)絡的泛化性能。（2） 規(guī)則化調整，即通過調整網(wǎng)絡的性能函數(shù)來增強網(wǎng)絡泛化能力。本文采用Jain et al.（1997）的做法，隱層的節(jié)點個數(shù)＝樣本個數(shù)/（10（輸入層節(jié)點個數(shù)＋輸出層節(jié)點個數(shù)））。由于正切函數(shù)關于原點對稱，學習速度較快，因而在本文中，輸入層和隱層之間的傳遞函數(shù)取正切函數(shù)： （）。輸出節(jié)點輸出的誤差為： （）權值修正： （）其中k為迭代次數(shù)閾值修正： （）隱層節(jié)點輸出的誤差為： （）權值修正： （）閾值修正： （）如果誤差達到精度要求或者循環(huán)次數(shù)足夠大，則結束網(wǎng)絡訓練，否則則繼續(xù)訓練神經(jīng)網(wǎng)絡。（5）修正權值。假設輸入層有n個節(jié)點，隱層有m個節(jié)點，輸出層有一個節(jié)點，則隱層節(jié)點的輸出為： （）輸出節(jié)點的輸出為： （）（4）判斷實際輸出和期望輸出（真實值）之間的誤差是否達到精度要求。（2）初始化權值和閾值，隨機給出一個非零的初始值。輸入變量，N為訓練樣本的個數(shù)；輸出節(jié)點的期望輸出為。Lippman（1987）證明單隱層的BP神經(jīng)網(wǎng)絡可以以高精度逼近任意映射關系，而且與一個隱層相比，用兩個隱層進行網(wǎng)絡訓練并不能顯著提高預測的準確率。在誤差信號的反向傳播過程中，網(wǎng)絡的權值由誤差反饋進行調節(jié)，通過權值的不斷修正使網(wǎng)絡的實際輸出更接近期望輸出。如果在輸出層得不到期望的輸出，則轉入誤差信號反向傳播。BP算法的學習過程可以簡單地描述如下：（1）工作信號正向傳播：輸入信號從輸入層經(jīng)過隱層傳到輸出層，在輸出端產(chǎn)生輸出信號。通過最大化對數(shù)似然函數(shù)就可以估計出參數(shù)，從而得出公司破產(chǎn)的概率。即 （）其中， 根據(jù)Fisher的線性判別模型，我們可以計算出兩類樣本的均值和，“判別點”則根據(jù)對稱分類原則確定： （）最后，我們將每個公司的Z分值與判別點進行比較，如果則判為財務健康公司，反之則判為財務困境公司。即 （）其中，Z是判別分數(shù)，是由反映企業(yè)財務狀況的各個變量組成的向量，為判別系數(shù)。第三節(jié) 實證模型本文將財務困境公司和財務健康公司分別用0和1表示，采用多元判別分析、Logistic回歸和神經(jīng)網(wǎng)絡模型三種方法進行財務困境預測：一、多元判別分析模型如前所述，多元判別分析的主要思想即根據(jù)觀測到的若干財務指標構造出判別函數(shù)并計算出每一家公司的判別得分，從而對研究對象屬于哪一類進行判斷。X45（主營業(yè)務利潤/利潤總額）屬于風險水平指標，由于利潤總額＝主營業(yè)務利潤＋其他業(yè)務利潤＋投資收益—營業(yè)外收支凈額，所以該指標反映了企業(yè)通過主營業(yè)務創(chuàng)造利潤的能力，該指標越大說明利潤來源更穩(wěn)定可靠，企業(yè)經(jīng)營越穩(wěn)健。X28（總資產(chǎn)周轉率）屬于營運效率指標，其反映了企業(yè)管理者對企業(yè)擁有的全部資產(chǎn)的有效利用程度，資產(chǎn)周轉速度越快表明企業(yè)資產(chǎn)發(fā)揮的效率越大。 多重共線性檢驗X5 X7X18X28X32X34X45TOLVIF在入選的變量中，X5和X7屬于短期償債能力指標，其中X5（速動比率）反映企業(yè)資產(chǎn)的流動性，由于其扣除了存貨和預付費用的影響，因而能比流動比率更透徹地反映企業(yè)的短期償債能力，一般而言該指標需要保持在1：1以上，數(shù)值越大說明公司的變現(xiàn)能力越強，但是如果該指標過高也并不一定是一件好事，這說明公司的資金使用效率可能不高；X7（營運資本/流動資產(chǎn)）反映企業(yè)用流動資產(chǎn)償還流動負債后的余額占流動資產(chǎn)的比率，該指標越大說明公司的短期償債能力越強。一般地，或TIF大于10時，認為存在多重共線性。 Lambda1X34.000 7X34.000.8482X34.000.998 X32.017.788 X32.004.873 X18.016.7883X34.000.984 X45.018.788 X32.003.849 X28.025.784 X18.025.8288X34.000.8124X34.000.951 X32.021.768 X32.005.824 X18.019.768 X18.023.809 X45.018.769 X16.049.802 X28.011.7735X34.000.907 X7.053.760 X32.008.8019X34.000.796 X18.027.789 X32.012.746 X16.047.784 X18.036.736 X45.058.783 X45.031.7376X34.000.834 X28.022.740 X32.021.773 X7.003.758 X18.017.775 X5.019.741 X16.109.760 X45.021.774 X28.058.765為了避免多重共線性，本文采用容許度（TOL）和方差膨脹因子（VIF）對選定的7個變量進行了多重共線性檢驗，計算公式為： （）其中，是Xj對其他k－1個自變量回歸中的判定系數(shù)。 逐步篩選變量過程Step Sig. of F to RemoveWilks39。據(jù)此。一般而言，—。直到模型中所有的變量都符合引入模型的判據(jù)，模型外的變量都不符合進入模型的判據(jù)時，逐步選擇變量的過程結束。本文采用逐步判別分析對變量進行篩選。 組均值相等的檢驗結果變量組0組1Wilks39。定義組合0為財務困境公司，組合1為財務健康公司，為了比較52個財務指標在不同組合中的均值是否相等，我們進行了均值相等的檢驗。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指標進行了歸納，并將其全部作為初始自變量（附錄2）。二、剖面分析如前所述，不同的財務指標從不同的側面反映企業(yè)的財務狀況，選擇的變量不同，最終預測的效果自然各異。Ahorony et al.（1980）則提出采用股票收益率的方差進行財務困境預測，他們發(fā)現(xiàn)在正式的破產(chǎn)公告之前的4年內，財務困境公司的股票的市場收益率方差與財務健康公司存在差異。股票收益率指標。Gombola et al.（1987）也認為現(xiàn)金流指標并不是一個重要的財務困境預測變量。Aziz et al.（1988）則發(fā)現(xiàn)在破產(chǎn)前五年財務困境公司和財務正常公司的經(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。上世紀80年代，隨著現(xiàn)金流量表在用于評價企業(yè)整體財務狀況時越來越受到重視，各國學者開始討論現(xiàn)金流量指標是否能用于企業(yè)財務困境預測。在美國，Altman（1968）選取的5個財務指標成為大部分學者用于模型比較的基準，但是這5個指標在中國卻未必適用。目前唯一能達成共識的一點是財務指標所涵蓋的企業(yè)的財務信息越廣越好，應該覆蓋企業(yè)盈利能力、長短期償債能力、營運能力、成長能力、風險水平等諸多方面，但是對于具體挑選哪一個指標，則見仁見智。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作為預測樣本，具體情況如下：估計樣本162家，其中財務困境公司81家，財務健康公司81家預測樣本54家，其中財務困境公司27家，財務健康公司27家第二節(jié) 預測變量的