上市公司财务危机预警指标多层次筛选研究
开篇：润墨网以专业的文秘视角，为您筛选了一篇上市公司财务危机预警指标多层次筛选研究范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！
[摘 要]本文初步选择43个财务及非财务指标作为预警指标，先后应用正态性分布检验、两独立样本的T检验、两独立样本的非参数检验及粗糙集约简等技术多层次剔除多余的属性。通过多层次筛选，最终确定6个敏感指标可用于财务危机预警系统实证研究，可提高系统的判别能力。
一、前言
随着我国市场经济的迅速发展，证券市场已成为影响我国国民经济的重要组成部分。虽然近年来，我国上市公司的数量不断增涨，规模也在不断扩大，但大多数上市公司都较普遍地存在企业经营业绩不佳和抗御风险能力不强等问题。如何利用信息技术建立有效的财务危机预警系统来预防财务危机的到来，对企业、投资者和政府都具有重大的现实意义。财务危机预警指标的选定对预警系统的运行速度及预测精度的影响较大，因此，本文将建立多层次筛选的方法去确定最敏感的指标属性，从而保证预警系统的实用性。
二、初选财务危机预警指标
为了全面的反映企业的财务状况，在进行财务指标初选时应全面了解企业各方面的综合情况，保证所选指标能全面揭示企业的财务状况和发展趋势。本文借鉴国内外学者的研究成果的基础上，选取包括了企业偿债能力、成长能力、盈利能力、营运能力和现金能力等方面的财务指标，除此外，还选择了包括审计报告类型、独立董事比例等方面的非财务指标，这样能有效地结合了审计及宏观经济指标等信息构建了综合指标体系，共选取43个指标作为研究初始变量来构建上市公司财务危机预警的指标体系，其中包括财务指标29个，非财务指标14个。
三、多层次筛选财务危机预警指标
本文先后采用统计学中的显著性检验和粗糙集约简等技术对预警指标进行多层次地筛选。显著性检验一种可根据样本数据推断样本总体的特征的统计方法，是用来反映差异的产生是真实的差异还是偶然的波动。显著性检验包括参数检验和非参数检验，参数检验的方法是在总体分布已知的情况，推断总体特征以及对两个或多个总体参数进行比较分析，而非参数检验的方法可在总体分布未知的情况，根据样本数据对总体的分布形式或特征进行推断。本文选取了相关指标构建预警模型的指标体系，由于模型的预警指标较多（财务及非财务指标共计43个），因此，应对指标进行相关的约简，去掉存在较大相关性的指标，这样可方便信息的收集、整理和分析，提高模型的工作效率及预测精度。
首先，通过K-S检验对样本指标总体分布状态进行推断，根据所样本指标是否为正态分布，分别再采用参数及非参数检验方法对43个预警指标进行初步地筛选，剔除显著性较差的指标。
1.正态性分布检验
本文先对43个财务指标及非财务指标进行正态分布检验。根据其检验结果再确定指标显著性的检验方法。K统计量公式如下：
K=max（丨S(xi)-F(xi)丨）
本文利用SPSS统计分析软件提供的K-S检验，对120家训练样本上市公司2006年至2009年的43个财务指标进行正态分布进行检验。在a=0.05的显著性水平下，X3（资产报酬率）、X4（总资产净利润率）、X14（总资产周转率）、X15（流动资产周转率）、X17（总资产增长率）、X18（净利润增长率）、X21（现金流量对流动债务比率）、X22（现金流量对债务总额比率）、X25（每股经营现金流量）的K统计量的概率P值大于0.05。除以上9个指标的样本总体符合正态分布，将采用T独立样本检验的方法，其余35个指标样本总体不符合正态分布，将采用两独立样本的非参数检验显著性差异。
2.两独立样本的T检验
根据两样本均值差的T统计量，对X3（资产报酬率）、X4（总资产净利润率）、X14（总资产周转率）、X15（流动资产周转率）、X17（总资产增长率）、X18（净利润增长率）、X21（现金流量对流动债务比率）、X22（现金流量对债务总额比率）、X25（每股经营现金流量）等9个预警指标变量进行独立样本T检验。在a=0.05的显著水平下，X3（资产报酬率）、X14（总资产周转率）、X17（总资产增长率）、X18（净利润增长率）、X21（现金流量对流动债务比率）、X22（现金流量对债务总额比率）、X25（每股经营现金流量）这7个预警指标变量通过了T检验的显著性水平。X4（总资产净利润率）和X15（流动资产周转率）由于概率值P都大于0.05，因此，该两个变量未通过显著性检验，应该剔除。
3.两独立样本的非参数检验
两种独立样本非参数检验的方法包括曼-惠特尼（Mann-Whitney）U检验和K-S检验等，借鉴前人此两种检验方法后K-S检验效果是最好的最稳定的。因此，本文选择使用■D统计量的K-S检验方法。
非参数统计方法由于不假定特定的总体概率分布，尽量从数据本身获取所需信息，有着广泛的适用范围。特别是在数据由于某种原因被污染，有着许多离群值（Outlier)，或者在分析定性数据时，非参数方法更具有天然的优势。因此，本文将对所有不符合正态分布的样本指标采用曼-惠特尼U检验方法进行显著性检验。
U统计量的计算公式为：
根据T检验和非参数U检验的结果可以得出被确定的预警指标为X1（每股收益）、X3（资产报酬率）、X5（销售净利率）、X10（资产负债率）、X14（总资产周转率）、X17（总资产增长率）、X18（净利润增长率）、X21（现金流量对流动债务比率）、X22（现金流量对债务总额比率）、X25（每股经营现金流量）、K13（审计意见类型）等11个预警指标。
最后，利用粗糙集简约技术进一步筛选财务危机预警指标。粗糙集理论是用于处理不确定、不完全和不精确数据的数学计算理论，能有效地处理各种不确定信息，并从中发现隐含知识，揭示事物和实践的内在规律。粗糙集理论具有以下特点：不需要先验知识、强大的数据分析功能和粗糙集与模糊集描述了不完备信息的两个方面等。将粗糙集知识约简技术与BP神经网络技术相结合的方法，该方法的理论基础就是采用粗糙集知识约简技术先对训练样本参数进行知识提炼与约简，再通过BP神经网络技术进行数据判别与分类。由粗糙集优化神经网络财务危机预警模型的原理得出，粗糙集优化模型的数据判别过程主要包含以下两步：
（1）样本数据的知识约简处理
在实际训练样本中包含若干属性，这些属性并非都会对系统的判别与分类处理有影响，对于那些不会影响分类结果的属性，则视其为冗余属性，可以通过粗糙集的知识约简技术对其进行约简处理，以提高系统的效率。因此，粗糙集优化神经网络财务危机预警模型处理的第一步是对样本数据进行知识约简处理。即将粗糙集的属性约简置为整个模型的前置装置，负责对训练样本的属性进行冗余消减的预处理。具体约简步骤又分为离散化处理与冗余属性的约简两步。
①离散化处理，为了使样本属性符合粗糙集约简技术的要求，我们需要对样本属性进行离散化处理。具体操作为：先采用Matlab的竞争性学习网络工具箱中的提供的函数对样本属性进行聚类操作；然后将决策表中的每个属性的各个连续数值组成的赂量作为网络的输入；最后设置相应的参数，Number of meurons（神经网络经元的个数）为3、Kohonen learning rate(Kohonen 学习率)取默认数值0.01、Conscience Learning Rate（阈值学习率）取默认值0.001。通过以上操作，我们可以得到训练样本属性的离散结果。
②冗余属性的约简，通过对训练样本属性的离散化处理，我们得到了所有样本属性的离散结果，将离散结果作为粗糙集约简的输入，即可对样本属性进行冗余消减处理。在对冗余属性的约简处理时，本文采用的是粗糙集工程软件Rosetta的RSESGeneticReducer遗传运算规则对离散样本属性进行冗余消减。标准BP神经网络财务预警模型的输入属性为11个，粗糙集优化神经网络模型属性约简后的输入属性为6个。
（2）约简后数据的训练判决
粗糙集优化神经网络模型的前置装置已经对训练样本属性进行了冗余消减，消减后的样本属性确定为6个。BP神经网络作为粗糙集优化神经网络模型的训练判决模块，将约简的6个样本属性作为输入层的神经元节点数。神经网络的模型结构仍采用原有的三层基本结构，隐含层的神经元节点数为11个，输出层神经元节点数为1个。
通过多层次的指标筛选后，确定最终预警指标为X1（每股收益）、X10（资产负债率）、X14（总资产周转率）、X17（总资产增长率）、X21（现金流量对流动债务比率）、K13（审计意见类型）等6个预警指标。
四、总结
本文初步选择43个财务及非财务指标作为预警指标，先后应用正态性分布检验、两独立样本的T检验、两独立样本的非参数检验及粗糙集约简等技术多层次剔除了多余的属性。通过多层次地财务指标筛选，最终确定6个敏感指标用于财务危机预警系统研究，既减少了系统的“噪声”干扰，又提高系统的预测精度。
参考文献:
[1]E．Altman．Corporte Finaneial Distress and Bankruptey[J]．John Wiley & Logitsons，2000，124（6）：242～244
[2]Li Longfu，Cheng Huixia，Lu Bingyuan．Study on data reduction and rules discovery based on convex rough set[J]．Joural of Southeast University，2002，32（6）：201～206
[3]Malhotra R，Malhotra DK．Differentiating between good credits and bad credits using neuro fuzzy system[J]．Computing Artificial Intelligence and Information Teehnology，2002，136（5）：191～198
[4]Meng JE，Wu SHQ，Lu JW．Face recognition with basis fuction neural networks．IEEE Trans．Neural Networks，2002，93（3）：697～710