基于多层感知器的财务风险预警研究.doc

[标签:标题] 2016 PAGE8 / NUMPAGES8 感谢观看本文谢谢 基于多层感知器的财务风险预警研究 摘要：本文以北京市45家已上市的工业企业作为研究样本，选取2012―2014年的18项财务指标和非财务指标，在主成分分析的基础上，提取了7项主成分因子，构建财务风险预警的指标体系，最后运用多层感知器神经网络模型进行训练、测试。实证结果表明，该种预警方式对中等风险的样本预测准确，总体上能提供可靠的预警信息，并对北京市上市的工业企业进行有效的财务风险预警。 中国论文网 /2/view-7363084.htm 　　关键词：企业管理 财务风险预警 多层感知器 主成分分析 　　 一、引言 　　 工业企业从事的是工业性生产或劳务的经营活动，在国家的生产、流通、服务等经济活动中起到了重要作用，但在知识经济迅猛发展的时代，高新技术企业和第三企业的崛起，使得工业企业在投资融资甚至生产经营上都受到了较大的财务威胁，因此要加强对工业企业的财务预警，从而为企业的信息使用者提供及时有效的财务信息，预防企业可能出现的风险，保障股东的权益和市场稳定。 　　 首先在财务风险预警领域树立里程碑的是Beaver，他利用单变量对企业破产进行预测，局限性是对同一企业的风险进行预测时，选择的比率不同，得到的结果也可能有所不同。美国学者Edward Altman在1968年提出了多元变量Z-score模型，突破了单变量的研究。之后学者们纷纷利用多变量财务预警模型进行研究，但在1980年学者Ohlson首次采用Logistic方法预测财务风险。进入20世纪90年代，出现了基于神经网络的财务风险预警模型，得到的结果比较理想。随后一些新的方法如：支持向量机、期权定价模型也被运用到财务风险预警的分析中。我国的财务风险预警研究起步较晚，周首华、杨济华把现金流量指标引入到Z分数模型中，提出了新的模型―― F分数模型。陈瑜运用二元线性回归和主成分分析对上市公司财务预警模型的构建进行实证研究。姜秀华、孙铮则运用Logistic建立回归判别模型。随后的财务风险预警研究采用了新的方法――神经网络，如： BP神经网络，模糊神经网络混合模型，遗传神经网络，RBF神经网络对物流企业财务风险预警的评价等。随着多学科的交流融合，也出现了其他的模型，如2015年蓝莎运用系统动力学对财务系统进行结构―功能模拟，建立了财务风险预警体系。 　　 总体来看，多元判别分析、Logistic和人工神经网络是主要的预测方法，三者之中预测度最高的是人工神经网络，最差的是多元判别模型。目前文献对工业企业的财务风险预警研究较少，本文选取北京市工业企业与财务风险有关的财务与非财务数据，并引入人工神经网络中相对完善、易于操作的多层次感知器，构建财务风险预警体系。 　　 二、数据样本的确定 　　 样本预警指标选取 　　 本文研究对象是北京市45家在上海证券交易所上市的A股工业企业，并通过csmar数据库收集2012―2014年这些公司的相关指标。选取的指标既包括了反映企业偿债能力、盈利能力、经营能力和发展能力四个方面的财务指标，也涵盖了相关非财务指标，如股权集中度和独立董事比例，总计18项预警指标，如表1所示。 　　 　　 财务风险划分 　　 由于45家北京市工业企业被ST特殊处理的情况较少，且标记为ST发生在出现财务危机之后，很难对企业风险预警产生前瞻性影响，而且财务风险的发生是一个渐进的过程，上市公司的财务状况在不加以控制的情况下会由轻度财务危机转换为重度财务危机。所以本文将财务风险按照以下标准将其细分为低风险、中等风险和重大风险。如果当年的净利润不为负时，表明上市公司的财务风险为低风险;当年首次出现净利润为负，则表明上市公司为中等财务风险水平;当年为第二次出现净利润为负时，则表明财务风险水平很高，归类为重大风险。根据上述标准，将2012―2014年45家公司共135个样本划分为三类，其中：低风险有120个，中等风险为10个，重大风险为5个。 　　 三、实证检验 　　 KMO检验与Bartlett球度检验 　　 在收集到以上45家工业上市公司近三年18项指标数据后，对原始数据进行标准化处理，以消除不同指标间的量纲差异。在此基础上为判断135个样本数据是否能进行主成分分析，首先对标准化后的数据进行KMO检验与Bartlett球度检验，如表2所示，其中KMO值为0.678，大于0.6，适合做主成分分析;Bartlett球度检验的显著性概率为0，说明变量具有统计学意义，而且表现出高度的相关性和显著性。 　　 主成分因子的提取 　　 为了对财务风险预警进行更加有效的分析，需要减少变量的个数，分析2012―2014年共135个样本数据的18项预警指标，利用SPSS软件