【摘要】為了對退市前的創業板上市公司進行財務預警，本文分別使用多層感知器網絡模型、徑向基網絡模型和支持向量機模型，采用現金流量安全與否作為衡量企業是否陷入財務困境的標準，建立財務預警系統。結果表明：相對于前兩類人工神經網絡模型，支持向量機模型能夠較好地對小樣本進行判別預測，是一種比較理想的財務預警模型。
【關鍵詞】創業板 財務預警 人工神經網絡模型 支持向量機模型
一、引言
創業板是地位僅次于主板的二板證券市場，在上市門檻、監管制度、信息披露、交易者條件、投資風險等方面和主板有較大區別。設立創業板的目的主要是扶持中小企業尤其是高成長性中小企業，為風險投資和創投企業建立正常的退出機制，為實現自主創新國家戰略提供融資平臺，豐富多層次的資本市場體系。2012年4月20日，深交所正式發布《深圳證券交易所創業板股票上市規則》，并于2012年5月1日起正式實施，將創業板的退市制度落實到上市規則之中。
我國深交所的創業板也是高成長性伴隨高風險性的市場。創業板2009年10月30日開市，至2012年8月1日，上市企業迅速擴容至344家。根據申銀萬國編制的“申萬創業板指數”，創業板自2009年11月5日的1 000點起步，至2010年4月13日已達到1 334點的最高位，而同期上證指數僅僅上漲了6個點，創業板的換手率也幾乎是主板的4倍。
創業板退市制度的推出是為了完善中國證券投資制度。中國滬深A股市場自1989年先后創立后20年內鮮有公司退市，自2011年4月PT水仙被終止上市后，滬深兩市20多年間退市的上市公司不足50家，僅占上市公司總數的2%。在新股快速擴容的同時，垃圾股“死不退市”儼然成為默認的潛規則。此起彼伏的“重組游戲”屢屢推動績差股價格一飛沖天。在這一背景下，A股市場的定價功能無可避免地被嚴重扭曲，并最終影響到A股市場的健康發展。
鑒于中國創業板市場的高成長性和高風險性，以及國家推行創業板退市試水，我們有必要為目前創業板上市公司建立科學的財務預警系統，這樣可以為投資者規避風險，為決策者提供參考，督促上市公司加強自我管理。
二、文獻綜述
財務預警是指以會計信息為基礎, 通過設置并觀察一些敏感性預警指標的變化, 對企業可能或者將要面臨的財務危機實施的實時監控和預測警報。財務預警中的數學模型就是財務預警模型, 它是指借助企業財務指標和非財務指標體系, 識別企業財務狀況的判別模型。目前企業財務預警研究主要集中在三個方面：一是財務危機概念的界定；二是財務預警模型的建立；三是財務預警指標的選擇。
1． 財務危機概念的界定。對財務危機的界定，國內外學者因研究目的不同而異，使用了不同的標準。Beaver（1966）以59家破產公司、16家拖欠優先股股利公司和3家拖欠債務的公司為研究對象，認為具有“破產、拖欠償還債務、透支銀行賬戶或無力支付優先股股利四項中的任何一項的企業均為失敗企業”，即為發生財務危機的企業。Carmichae（1972）將財務危機定義為“企業履行義務（即償債義務）時受阻”，具體表現為：流動性不足、權益不足、債務拖欠和資金不足。由此可見，國外對財務危機的界定因研究目的不同而不同，主要有四種：①無償債能力；②違約；③財務陷入困境；④破產。
由于我國的《破產法》還不健全，截至目前還沒有上市公司破產的案例，所以通常我國學者將上市公司被冠以ST標志作為企業陷入財務危機的標準，這主要指出現下列情況之一的企業：最近兩個會計年度的凈利潤均為負值；最近一個會計年度的股東權益低于注冊資本。這是用凈利潤和股東權益作為衡量標準，然而企業破產本質上是因為資不抵債，現金流無法償還已到期的債務，從這點來看，ST公司并不等于財務危機公司，理由是ST代表盈利能力出現問題，但并不代表現金流不足以履行義務或違約。
2． 財務預警模型的建立。企業財務預警模型一直在不斷地改進和創新，常見的有一元判定模型、多元判定模型、多元邏輯回歸模型、多元概率比回歸模型、人工網絡模型和聯合預警模型六類。Beaver（1966）應用單變量判定模型預測企業破產，將某一財務指標作為標準來判斷企業是否處于財務危機狀態。Altman（1968）最早運用多元變量分析法探討企業財務預警，并在1968年提出了五個財務比率，構成了“Z分數模型”。Ohlson（1980）運用條件回歸模型對2 103家公司進行分析，得到一個預警分類模型。Odom（1990）最早使用人工神經網絡模型對企業破產進行預警。Valeriy和Supriya（2003）應用支持向量機模型對破產企業進行財務預警分析。
我國學者對財務預警的研究始于1987年。吳世農（1987）介紹了企業破產預警模型和分析指標。佘廉（1999）出版了《企業預警管理叢書》。吳世農等（2001）運用Fisher線性判定、多元線性回歸和Logistic回歸分析，建立了主板市場ST公司的財務預警模型。楊淑娥等（2005）運用人工神經網絡模型和主成分分析法對150家上市公司進行實證分析，結果表明人工神經網絡模型具有較高的預測精度。田高良（2002）使用定性和定量方法，并引入模糊綜合評價模型建立了財務預警模型。目前我國上市公司財務數據還不完善，許多上市公司上市時間并不長，所以應使用多種研究方法建立上市公司的財務預警模型，比較選擇合適的模型，以提高預警精度。
3． 財務預警指標的選擇。目前，這方面的研究文獻還不多。Altman等使用傳統的財務指標，如負債比率、流動比率、凈資產收益率和資產周轉率等作為預警指標。國內學者一般選取盈利、運營、償債、成長性等作為預警指標。一般而言，使用較多的財務指標能提供更多的信息，有利于更充分地說明問題，但這樣往往會導致模型產生多重共線性。人工神經網絡模型和支持向量機模型是非線性的平行處理結構模型，變量之間的相關性對數據處理影響不大，允許選用較多的財務指標，能夠提供多方面的財務信息，可提高預警精度。
三、研究方法和研究樣本
企業的償債資金主要來源于經營活動的現金流，通常使用凈現金流量與流動負債的比值來反映償還到期債務的能力。當該比值低于一定水平時，就意味著企業的現金流量不足，償債能力出現問題。當這種情況持續發生時，表明企業已經陷入財務危機，應引起企業管理者的重視。對于企業的經營凈現金流量與流動負債比的合理區間，目前學術界還沒有統一的標準。這里我們使用平均水平進行比較的方法，即當該比值低于平均水平時，就應當引起注意。
本文選取93家創業板上市公司（具體見表1）作為研究樣本，根據其從上市到2011年底的年報和半年報，計算“經營凈現金流量/流動負債”的平均值。由于創業板上市公司普遍被“炒新”，所以上市當年的“經營凈現金流量/流動負債”不納入平均值的計算當中。如果某一家創業板公司的“經營凈現金流量/流動負債”在2011年年中和年末連續兩次低于平均值，或年中高于平均值而年末低于平均值，則認為該企業陷入財務危機困境。做上述技術處理后，本文計算出93家創業板上市公司的“經營凈現金流量/流動負債”的平均值為-1.266 615，得出64家財務健康公司和29家財務困境公司。
由于創業板上市公司樣本較少，上市時間短，因此在模型和財務指標的選取方面，我們要盡可能多地利用已有的財務數據信息構建預警系統。本文選取2010年底的財務指標，包括7類20項（具體見表2）作為備選預警指標。
表1列出的20項財務指標，很多指標所反映的財務信息是重疊的，因此我們對上述財務指標進行了篩選，以盡量減少財務指標間的信息重疊。通過對20個財務指標進行獨立樣本T檢驗，得到結果如表3所示。
對表3檢驗值分析可以發現，檢驗值在5%的水平上顯著，有10個財務指標能夠顯著地將兩類創業板上市公司區分出來，分別是X1、X2、X3、X5、X10、X11、X12、X13、X19、X20。以這10個指標作為財務預警指標，仍有很高的相關性，因此我們使用多層感知器網絡模型、徑向基網絡模型和支持向量機模型進行處理，這些模型均是非線性平行處理模型，其中支持向量機模型對于小樣本具有較好的處理功能。
四、實證結果
本文使用SPSS.19和MATLAB.R2009b軟件做三類模型的預測，對于多層感知器網絡，設置隱藏層數為1，隱藏層節點數為15，隱藏層激活函數為雙曲正切函數，輸出層激活函數為Softmax函數；對于徑向基網絡，設置隱藏層數為1，隱藏層節點數為10，隱藏層激活函數為Softmax函數，輸出層激活函數為恒等函數；對于支持向量機模型，選擇高斯徑向基核函數，使用交叉驗證模型獲得最優參數為：c=53.298 8，g=4.237 2。首先，從93家樣本公司挑選訓練樣本，使用2010年的年報數據訓練三類模型；然后，用測試樣本2010年10類財務指標預測2011年的財務狀況。結果如三個圖像所示。
圖1 ～ 圖3描繪了基于多層感知器網絡的測試集的實際分類和預測分類、基于徑向基網絡測試集的實際分類和預測分類、基于支持向量機測試集的實際分類和預測分類圖像，它們反映了訓練樣本的判定情況和測試樣本的判定情況，其數據結果如表4、表5所示。
通過對圖1 ～ 圖3三個圖像及對表3和表4的統計數據進行分析，可以看出，本文分別采用多層感知器網絡模型、徑向基網絡模型和支持向量機模型測試我國創業板上市公司財務危機的結果有如下特征：
1． 上述三類模型的判定結果都是可接受的，但相比之下，支持向量機模型判定的準確性更高，說明該模型在對較少樣本作統計預測時，效果優于神經網絡模型。
2． 多層感知器網絡和徑向基網絡兩類神經網絡模型對測試樣本的判定準確性都低于對訓練樣本的判定準確性，它們對財務健康企業判定的準確性較高，但是對于財務困境企業的判定準確性較低，僅略超過50%，以這兩類神經網絡模型作為財務預警模型存在較大風險。
3． 上述三類模型對財務健康企業判定的準確性均高于對財務困境企業判定的準確性，但支持向量機模型比兩類神經網絡模型判定的準確性高。
五、研究結論
創業板上市公司財務預警是公司財務預警的一個難點，主要有如下三個原因：①創業板目前還沒有ST和PT標記公司，所以要設計指標以區分其是否陷入財務困境，而選取哪種指標作為判定標準，目前還沒有定論，本文從企業償債能力而非傳統的盈利能力方面考慮企業是否陷入財務困境也只是一個嘗試，是否科學、合理，有待實踐檢驗。②創業板上市公司樣本較少，這就要求我們使用能對小樣本進行良好分類和預測的模型，哪種模型能夠實現這個要求也是一個問題，本文選擇支持向量機模型。③創業板上市公司2009年底才陸續上市，能提供的財務信息非常有限，而實證研究需要我們盡可能多地引入財務指標，這方面還有一定的困難。
目前，創業板公司財務預警還是一個空缺，迫切需要建立科學的創業板公司財務預警系統，因為2012年5月1日執行的《創業板上市規定》，完善了創業板上市公司的退出機制，為了保護投資者的利益，以及向決策者和投資者提供可靠參考，必須認真研究創業板公司的財務預警問題。
本文通過對財務報表較完善的93家創業板上市公司的實證研究發現：基于財務指標的支持向量機模型是企業財務困境預警的有效方法，較目前使用較多的神經網絡模型，判定的準確性更高，該模型可以為廣大投資者和決策者預警公司財務狀況提供可靠的依據，同時也為上市公司加強企業管理，保證未來的現金流量安全提供科學的參考。
主要參考文獻
1. Beaver W. H. Financial ratios as predictors of failure . Journal of Accounting Research，1966；9
2. Altman E. I.. Financial ratios，discriminant analysis and prediction of corporate bankruptcy . Journal of Finance，1968；9
3. Ohlson J. A.. Financial ratios and the probabilistic prediction of bankruptcy . Journal of Accounting Research，1980；1
4. Odom M. D.，Sharda R. A.. Neural network for bankruptcy prediction. International Joint conference on Neural Network，1990；6
5. Valeriy V.，Supriya B.. Volatility forecasting from multi scale and high-dimensional market data . Neurocomputing，2003；9
6. 吳世農，黃世忠.企業破產的分析指標和預測模型.中國經濟問題，1987；6
7. 佘廉.企業預警管理論.石家莊：河北科學技術出版社，1999
8. 吳世農，盧賢義.我國上市公司財務困境的預測模型研究.經濟研究，2001；6
9. 楊淑娥，黃禮.基于BP神經網絡的上市公司財務預警模型.系統工程理論與實踐，2005；1
10. 田高良.企業財務預警方法評析.預測，2002；6
【作 者】
劉 鵬
【作者單位】
（華南理工大學工商管理學院 廣州 510000）
