新常态背景下中小板企业财务预警模型构建

朱清香　徐琳琳　谢姝琳　谷秋月

【摘 要】 财务风险伴随着企业自初创、成熟直至衰退的整个过程，经济新常态下中国经济增速放缓，中小板上市公司在此宏观环境下面临着比以往更大的财务风险。财务预警是根据企业的经营状况和财务指标等因素的变化，对企业财务管理活动中存在的财务风险进行检测、诊断和报警的方法。文章利用BP神经网络构建了新常态背景下适用于我国中小板上市公司的财务预警模型，并对模型的预测准确率进行了检验，认为模型达到了较好的预警效果。最后针对新常态下中小板上市公司的特点提出了财务风险的应对措施。

【关键词】 新常态； 中小板上市公司； 财务风险； 财务预警； BP神经网络

中图分类号：F275.5 文献标识码：A 文章编号：1004-5937（2016）04-0055-04

一、引言

财务风险是每一个企业从初创、成熟直至衰退的整个过程都无法消除的，企业的存在始终伴随着财务风险。若企业长期存在过高的财务风险，不仅会增加企业的经营负担，也会使投资者失去信心，形成恶性循环，最终导致企业资金链断裂，财务危机爆发。因此，如何及早地发现企业的财务风险并合理应对，是企业良性运转的必要条件。

时下，新常态已是中国经济发展的现状与趋势。新常态下，中国经济增速放缓，企业面临转型升级，这一宏观环境可能会增加企业的财务风险。中小板上市公司是流通股本规模较小的公司，由于受到自身规模及管理水平的限制，对于经济新常态的宏观影响的反映更为敏感。因此，在经济新常态背景下建立适用于中小板企业的财务预警模型，使企业在财务危机到来之前预先察觉，并及时采取措施，是中小板上市公司健康发展过程中需要解决的重要问题。

二、概念界定及文献回顾

（一）经济新常态的含义和特点

经济新常态一词是习近平主席2014年5月在河南考察时首次提出的，所谓“新”，就是有异于旧质；“常态”，就是时常发生的状态。新常态，就是一种不同于以往的、相对稳定的状态，经济新常态意味着中国经济已经进入了一个与过去三十多年高速增长期不同的新的阶段。

中国经济呈现新常态有以下主要特点，一是从高速增长转为中高速增长，经济增长更趋平稳；二是经济结构不断优化升级，发展前景更为稳定，第三产业消费需求正逐步成为主体，城乡区域差距逐渐缩小，居民收入占比上升，发展成果惠及更广民众；三是从要素驱动、投资驱动转向创新驱动。中国经济新常态揭示了中国经济增长率的新变化，体现了未来经济发展的新趋势。

（二）财务预警的含义

财务预警是指根据企业的经营状况和财务指标等因素的变化，对企业财务管理活动中存在的财务风险进行检测、诊断和报警的方法。具体而言，财务预警有广义和狭义之分。广义的财务预警是对所有可能引发企业财务风险的因素进行研究，只要发现企业存在潜在风险就会进行预警。而狭义的财务预警是企业财务危机预警，是对企业资金周转不利、出现经营亏损、甚至濒临破产等财务困境进行预警。本文采用广义的财务预警。

财务预警是企业的一种诊断工具，对企业的财务风险进行预测和诊断，防止潜在的财务风险演变成为财务危机，起防患未然的作用。企业的管理者可以通过财务预警及时发现企业财务管理活动中存在的风险隐患，从而及早采取措施，保障企业良性运转；企业的投资者可以通过财务预警了解企业的风险状况，合理做出投资决策；债权人可以利用财务预警对企业的风险状况进行判断，制定合理的信贷政策；政府监督部门可以通过财务预警有效地监督企业风险，从而对市场进行引导和控制；企业的关联方等其他利益相关者也可以通过财务预警来了解企业的财务风险，从而作出科学的决策。综上，有效的财务预警模型对于企业各利益相关者都具有重要的意义。

（三）财务预警模型

财务预警始于1932年Fitzpartrick的单变量破产预警研究，此后，Altman（1968）运用多元线性判定进行财务风险预警，建立了Z-Score模型，该模型对财务风险判断具有很高的准确率，至今仍有借鉴意义。多元线性判定模型要求破产和非破产两组企业样本自变量服从正态分布且协方差相等，为克服这些限制条件，Ohlson（1980）将多元逻辑回归模型应用于财务预警领域，通过条件概率来判断企业的财务风险。随着信息技术的发展，人工神经网络逐步被运用到企业财务预警中，Odom et al.（1990）运用神经网络对企业破产进行预测，结果发现利用神经网络构建的财务预警模型有较好的预测能力。人工神经网络模型克服了统计方法上的局限性，并且有较强的容错能力和纠错能力，因此被很多学者认可。

我国资本市场起步较晚，国内对于财务预警的研究也相对较晚，研究方法大多是从借鉴国外相关研究开始。周首华等（1996）最早对Altman的Z分数模型进行了改进，建立了F分数模型，此后，也有学者利用Z计分模型对我国不同行业的财务预警进行研究。朱洪婷（2015）、王宗胜等（2015）分别运用Logistic模型对我国制造业上市公司进行财务预警研究，具有较好的预测效果。在我国首次提出建立神经网络预警系统的是黄小原等（1995），研究结果表明基于神经网络的预警系统构造简洁，使用方便，具有广阔的应用前景。此后，一些学者分别将BP神经网络应用于我国不同行业上市公司的财务预警中，均得到了较高的预测准确率。

综上所述，国内外对财务预警的研究已经取得了不小的成果，而随着证券市场的不断发展和完善，对财务预警的研究也越来越受到国内外学者的重视。综合国内外学者的研究现状，目前研究主要存在着以下不足：一是相关研究主要集中在机械制造业、房地产行业等主板上市公司，而对于中小企业的研究较少；二是学者在财务预警的研究中，大多数将研究对象分为ST公司和非ST公司进行研究，而企业财务危机的形成是一个过程，简单地将企业分为此两类来表示其财务状况健康与否会略显粗糙，可能会降低预警效果。鉴于此，本文将中小板企业的财务风险作为研究对象，在新常态背景下利用神经网络对中小板企业的财务状况进行财务预警。

三、BP神经网络概述

根据以往学者的研究经验，利用BP神经网络进行财务预警不要求样本服从特定分布，克服了统计上的局限性，具有较强的容错性和纠错能力，并且对企业财务状况预测的准确率较高，具有较好的预警效果，因此本文采用BP神经网络进行财务预警。

BP神经网络是一种按照误差逆传播算法训练的多层前馈网络，是目前应用最为广泛的神经网络模型之一，由信息的正向传播和误差的反向传播两个过程组成。BP神经网络包括输入层、中间层和输出层，输入层的神经元负责接受外界的输入信息，并传递给中间层，中间层负责内部信息的处理，中间层的最后一个隐含层的信息经进一步处理后传递到输出层，完成一次信息的正向传播，由输出层向外界输出信息处理结果。当实际输出值与期望输出不符时，则进入误差的反向传播阶段。误差通过输出层，按照误差梯度下降的方式来修正各层的权值，向中间层、输入层逐层反向传播。如此循环往复的信息正向传播和误差的反向传播过程，是神经网络学习训练的过程，通过学习使各层权值不断调整，此循环过程一直进行到网络输出的误差减少到可以接受的水平，或者达到预先设定的学习次数为止。BP神经网络模型如图1所示。

四、实证研究

（一）样本选取与分类

1.样本的选择

财务风险预警的意义在于预测公司未来的财务风险，因此对于预警数据的选择既应当具有前瞻性，又要保证预测的准确度。鉴于此，本文利用2012年和2013年的财务指标分别来预测中小企业板上市公司2014年的财务状况。

本文研究的对象为中小企业板上市公司，截至2014年12月31日，在深圳证券交易所中小企业板块上市的公司共有732家。鉴于本文在构建模型时需要使用2012和2013年的数据，因此选择2012年12月31日及以前上市的公司，共计701家，剔除金融业（3家）和数据不完整的公司（3家），本文选取695家中小企业板上市公司作为研究样本。

2.样本的分类

在以往关于财务预警的研究中，研究者通常将研究对象分成两类，即根据公司是否被特殊处理来分类。这样的分类方式意味着研究中认为企业的财务状况只有健康和危机两种状态，而实际上企业财务风险的变化是一个渐变的过程。基于此，本文不采用将样本企业分为ST公司和非ST公司两类的配对分类方法，而是选择采用聚类分析方法对样本数据进行处理，将企业的财务状况分为从健康到重警五个等级。

根据中小板上市公司2014年的财务指标数据，运用SPSS软件进行两步聚类分析，将聚类数量分成五类，统计结果见表1。

本文将中小企业板上市公司的财务状况分成五个等级，分别为健康、良好、一般、轻警和重警，其中健康和良好状况下公司面临的财务风险较小，需要继续保持；处于一般状况下公司可能存在风险隐患，应给予适当的关注；处于轻警状况下公司存在一定的财务风险，公司应提高警惕，及时发现问题并采取适当措施；而处于重警状态下的公司可能即将面临或者已经面临财务危机，公司应当立即采取应对措施。

（二）指标确定

预警模型中选用哪些指标作为变量，对模型的预测效率和准确率有很大的影响，本文从企业的偿债能力、经营能力、盈利能力和发展能力四个方面来选取预警体系中的财务指标，构建财务预警指标体系，详见表2。

（三）参数确定

BP神经网络的参数影响了网络的运行效率和预测误差，不同性质的样本适用的函数也不尽相同。本文根据神经网络相关设计的理论经验和实际运行时的不断修正，最终选择以下参数构建适用于中小板上市公司财务预警的神经网络模型。本文构建的BP神经网络参数设置如表3所示。

（四）模型训练及检验

本文运用MATLAB程序对以上构建的BP神经网络进行训练和检验，将每一预测年度的695个样本分成学习样本和检验样本，其中由程序随机选择100个样本作为检验样本，而用其余的595个样本进行训练。

由于神经网络工具箱的自身特性，每一次初始化网络时都是随机的，并且在训练完成时的权值和阈值也不完全相同，网络的误差也会有所不同，因此每次运行网络得到的结果也会有所差异。为了避免网络运行结果的偶然性，本文将2012年和2013年两个预测年度的程序分别运行了20次，并对每一次的预测准确率进行了统计，统计结果见表4和表5。

根据表4及表5提供的神经网络模型运行结果统计可知，利用2012年的财务指标构建的预警模型，对检验样本检验的准确率基本上在64%至75%的区间浮动，20次运行的平均检验准确率为69.15%。利用2013年的财务指标构建的预警模型对检验样本财务状况预测的准确率在75%至82%的区间浮动，20次运行的平均检验准确率为78.2%。可见利用本文构建的BP神经网络对公司财务状况的预测具有较高的准确率，且利用2013年财务指标对2014年公司财务状况预测的准确率要高于利用2012年财务指标的预测准确率。

对比两个模型的预测情况，利用2013年财务指标预测的准确率高于2012年的预测准确率，在对公司的财务状况进行预测时，使用第（t-1）年的财务数据可以比使用第（t-2）年的财务数据得到更为准确的公司财务状况。而在实际运用该模型进行公司财务状况的预测时，可以分别使用预测年度前1年和前2年的财务指标来进行预测。即在提前2年时可以首先对公司2年后的财务状况进行预判，若预测出潜在风险可以提早予以关注，之后在提前1年时再次使用（t-1）年的预测模型对公司的预警进行修正，对公司财务状况进行更为准确的判断，因此两个模型结合使用可以达到更好的预警效果。

五、结论

本文运用BP神经网络对我国中小企业板上市公司财务状况预测的准确率较高，表明这一预测模型对中小板上市公司具有较好的预测效果，模型具备一定的预测能力。虽然每一次运行结果的准确率不尽相同，但是结果准确率的浮动水平基本维持在一个可以接受的区间内，因此该预测模型具有一定的稳定性。综上，本文构建的财务预警模型对企业的管理者、投资者和其他利益相关者都具有一定的参考意义。

在经济新常态背景下，我国中小板上市公司面临更多的机遇和挑战，管理者应当根据财务预警的结果，从以下方面防范企业的财务风险：第一，适应新常态的发展特征，重视企业的创新能力，逐步实现转型升级；第二，将对企业财务风险的检查和预警视为企业财务管理的常态化活动，提高中小板企业的财务管理水平；第三，完善中小板上市公司的治理结构，尽量避免家族式控股的状况，保证企业决策的科学性；第四，提高管理人员的风险意识，对于企业存在的潜在风险能够尽早发现，并及时采取应对措施。中小板上市公司只有科学地防范财务风险，才可以在经济新常态背景下实现健康、可持续的发展。

【参考文献】

[1] FITZPATRICK P. J. A Comparison of The Ratios of Successful Industrial Enterprises with Those of Failed Firms [J]. Certifies Public Accountant，1932（5）：46-51.

[2] ALTMAN E I. Financial Ratios， Discriminant Analysis and the Prediction of Corporate Bankruptcy[J]. The Journal of Finance， 1968，23（4）：589-609.

[3] OHLSON J A. Financial Ratios and the Probabilistic Prediction of Bankruptcy[J].Journal of Accounting Research，1980，18（1）： 109-131.

[4] ODOM M D， SHARDA R. A Neural Network Model for Bankruptcy Prediction[C]. International Joint Conference on Neural Networks. IEEE， 1990：163-168.

[5] 周首华，杨济华，王平.论财务危机的预警分析——F分数模式[J].会计研究，1996（8）：8-11.

[6] 朱洪婷. 基于Logistic模型的机械制造业上市公司财务预警应用与分析[J].时代金融，2015（2）：228-229.

[7] 王宗胜，尚姣姣.我国制造业上市公司财务困境预警分析[J].统计与决策，2015（3）：174-177.

[8] 黄小原，肖四汉，樊治平.神经网络预警系统及其应用[C].中国控制与决策学术年会，1995.

[9] 杨淑娥，黄礼.基于BP神经网络的上市公司财务预警模型[J].系统工程理论与实践，2005，25（1）：12-18.

[10] 张根明，向晓骥，孙敬宜.基于BP神经网络的制造业上市公司财务预警[J].山东工商学院学报，2006，20（4）：56-61.

[11] 王新利， 陈敏. 基于偏最小二乘BP神经网络的财务预警研究——以农业上市公司为例[J]. 农业技术经济， 2011（11）： 122-128.

[12] 丁真真.基于BP神经网络的快速消费品上市公司财务风险预警系统研究[D].东北林业大学硕士学位论文，2012.