基于BP神经网络的电力上市公司财务预警实证研究.docVIP

基于BP神经网络的电力上市公司财务预警实证研究 　　一、引言 　　随着电力体制改革的深入，电力企业面临的风险越来越多。财务活动作为经营活动的关键环节，其风险应是众多风险中最需要关注的，因此电力企业的财务风险预警是一个非常值得探讨的课题。财务预警的研究始于20世纪30年代，我国最早由吴世农、黄世忠（1986）引入，他们根据我国《企业破产法》构建出企业破产的的财务指标体系：资产变现能力、负债状况、资产使用效率，以及盈利能力。周首华、杨济华（1996）引进Altman的Z-Score模型，并且在Z模型的基础上加入现金流这一预测变量构建了F模型。 　　20世纪90年代，国外研究人员开始运用人工神经网络、专家系统、遗传算法等非统计类方法进行财务危机的预测研究。从现有的资料来看，Odom和Sharda （1990）是最早把神经网络技术应用于财务危机的预测研究中的，他们构建的 BP 神经网络财务预警模型优于当时的判别分析模型，能更好地解决分类问题。Tam 和 Kiang （1992）运用多元判别分析、Logistic 回归分析、k―近邻法、决策树法和神经网络技术分别进行建模分析之后，得出了神经网络技术的预测精度要高于其他方法的结论。朱敏（2007）选取沪深两市2004至2006年间28家被实施ST的制造业，以及相对应的同行业、同等规模的28家非ST公司作为控制样本，应用MATLAB神经网络工具箱建立BP神经模型，经过训练之后，神经网络的误判率为0.01786。韩彦峰和樊峰（2008）构建出一套针对电力企业简单可行的风险评价体系，他们根据因素内涵大小和相关程度，将指标系统划分为目标层、准则层、和指标层三级，共提出14个指标。以上学者对财务风险预警研究作出了巨大贡献，推动了相关技术的发展，但是他们的样本大多是针对所有上市公司，没有对某一行业进行细分财务预警的研究。不同行业之间的财务评价标准是有区别的，因此本文以期通过对电力企业财务风险的细致分析，建立一个针对电力行业的更完善的财务预警模型。 　　二、实证结果与分析 　　（一）数据来源 本文的财务数据来自沪、深两市56家上市电力公司2009年12月31日至2011年9月30日的财务报表，全部是发电企业，不包括电力设备制造企业。首先需要将电力上市公司中“存在财务危机”的公司辨识出来，2011年被实施ST的公司有ST能山、ST东热、ST梅雁，无疑这三家是“存在财务危机的公司”。有些公司虽然没有被实施ST，但是实际上存在着财务异常，例如经常处于亏损状态，但通过调节利润、粉饰报表、出售资产等各种手段逃避ST的公司，也应该把它们归类为“存在财务危机”的公司。此类公司可以通过分析公司的各个季报能加以辨别，比如季报经常处于大额亏损，到了年报的时候有微小的盈利。所以，在建立预警模型前，就“存在财务危机的企业”做以下假设：假设“被实施 ST 的上市公司”和“虽然在两年内只发生过一次年度亏损，但在该期间内各季度的净利润率平均值小于零的上市公司”都为“存在财务危机的企业”。根据假设，深南电A、富龙热电、漳泽电力、赣能股份、长源电力、豫能控股、涪陵电力、华电能源、华银电力等9家上市公司也应归类为“存在财务危机的企业”。加上前面提到的3家被实施ST的公司，存在财务危机的电力企业共有12家，其余44家财务正常。本文识别存在财务危机的企业依据的是2010和 2011年度内的企业财务状况。因为本文要构建的是财务风险预警模型，所以预测企业财务状况时，依据的财务数据应当早于2010年，因此本文选取各样本2009 年12月31日之前的财务数据作为研究数据。 　　（二）指标筛选 进行BP神经网络训练之前，需要提取输入和输出的数据。输入数据一般是样本企业的财务指标，输出是财务状况，用“1”表示存在财务危机，用“0”表示财务状况正常。财务危机预警指标体系中的指标可分为盈利能力指标、偿债能力指标、成长能力指标、营运能力指标、现金流量指标、表外信息等六大类财务指标，每一类指标下又包含若干小指标。本文采用显著性分析和主成分分析筛选指标。显著性分析是通过T检验法在财务指标中找出差别较大、能明显区分两类公司的财务指标。然后使用SPSS12.0对样本进行主成分分析，找到因子贡献大的、解释能力强的财务指标。通过显著性和主成分分析，本文最终筛选出每股收益、息税前利润率、流动比率、利息保障倍数、资产负债率、总资产周转率、每股经营现金流量等7项指标作为预警指标，该7项指标能够较全面的反映公司财务状况。 　　（三）神经网络设计 BP 神经网络的结构设计主要包括确定输入层、输出层、隐含层及各层之间的传递函数等四方面。单隐层的网络能够映射所有的连续函数，只有学习不连续的函数时才需要两个隐层，所以本文采用三层的BP神经网络，即一个输入层、一个输出