【基于神經(jīng)網(wǎng)絡的上市公司財務風險預警探究的文獻綜述6000字】

PAGEPAGE1基于神經(jīng)網(wǎng)絡的上市公司財務風險預警研究的國內(nèi)外文獻綜述目錄TOC\o"1-2"\h\u27662【關鍵詞】上市公司；財務風險預警；BP神經(jīng)網(wǎng)絡 126433一、單變量財務風險預警模型 13093二、多變量財務風險預警模型 228738三、多元回歸財務風險預警 318925四、BP神經(jīng)網(wǎng)絡財務風險預警 428613五、文獻綜評 521860參考文獻： 5【摘要】…基于BP神經(jīng)網(wǎng)絡為上市公司構建科學的財務風險預警模型。針對還未完成規(guī)模化、規(guī)范化、科學化生產(chǎn)和發(fā)展的產(chǎn)業(yè)，出于規(guī)避產(chǎn)業(yè)之中所存在的財務風險的目的，建立行之有效的財務風險預警模型，推動產(chǎn)業(yè)保持長期可持續(xù)發(fā)展的良性態(tài)勢。整理國內(nèi)外上市公司財務風險預警的研究成果，分析上市公司財務風險形成的原因，針對性的選取財務風險預警指標并進行篩選，利用BP神經(jīng)網(wǎng)絡技術構建適用于農(nóng)業(yè)上市公司的財務風險預警模型，并將模型進行實證檢驗以驗證其準確性，為上市公司的管理者及投資者提供分析思路。【關鍵詞】上市公司；財務風險預警；BP神經(jīng)網(wǎng)絡20世紀30年代，專家學者們已然發(fā)現(xiàn)公司財務狀況與經(jīng)營成果之間的聯(lián)系，他們通過搜集諸多公司財務指標數(shù)據(jù)，進行財務風險的研究。到現(xiàn)在為止，國內(nèi)外專家學者總結出的有關于財務風險預警問題的研究成果絕大多數(shù)是以對財務風險預警模型為中心的研究討論。財務風險預警概念最早由國外的學者在二十世紀三十年代提出，經(jīng)過眾多專家學者多年的理論研究與實證檢驗，在理論與實踐層面都積累了一定的研究成果。早期對于財務風險預警采用的方法主要是定性研究，隨著經(jīng)濟的發(fā)展繁榮，影響公司經(jīng)營與財務情況的內(nèi)外部因素逐漸多樣化，財務理論以及研究手段也越來越豐富。在探索構建能夠適應公司發(fā)展狀況的財務風險預警模型的過程中，對主要指標進行量化、建立多元的財務風險預警模型的定量分析逐漸成為主流。主要分為以下幾種類型：單變量財務風險預警模型、多變量財務風險預警模型、多元回歸財務風險預警以及BP神經(jīng)網(wǎng)絡財務風險預警這四大類。一、單變量財務風險預警模型著名學者Fitzpatrick（1932）[1]率先涉足財務預警模型研究領域，他將選取了19家公司，以單個財務比率為標準進行了單變量破產(chǎn)預測，研究結果表明凈利潤、股東權益以及負債最能夠預測判別公司的財務危機，開創(chuàng)了財務風險預警實證研究的先河。有了基本的研究成果作為支撐，學者Beaver（1966）[2]進一步完善了單變量預警模型。通過對自1954年開始十年間79家經(jīng)營失敗的公司和成功公司的對比研究，他發(fā)現(xiàn)排除客觀因素后，在選取的30多個財務指標中，在預測公司風險方面很有效的有現(xiàn)金流量比率（現(xiàn)金流量/債務總額）、資產(chǎn)收益比率（凈收益/資產(chǎn)總額）以及資產(chǎn)負債比率（債務總額/資產(chǎn)總額）。國內(nèi)學者陳靜（1999）[3]較早得將國外的破產(chǎn)預測模型引入我國市場，她在1998年的上海、深圳證券交易所中識別了27家ST公司，選擇了可作為對照的27家非ST公司，運用單變量通過一元判定與多元判定對財務指標的誤判率進行評估。研究結果顯示單變量財務風險預警模型雖然存在著一定的局限性，但是在準確性和使用便易度上具有著顯著優(yōu)勢。學者馮春琳（2013）[4]選取兩組公司公開的財務報表數(shù)據(jù)，采用主成分分析法測算了償債能力方面的指標，構建了單變量分析模型。通過實證研究驗證了兩組公司償債能力的差距，檢驗了模型的有效性。學者LaelyAghe（2016）[5]在充分理解銀行財務風險預警的重要性的前提下將2010年起5年內(nèi)100家印度尼西亞上市銀行的財務數(shù)據(jù)作為研究數(shù)據(jù)，將主要影響銀行財務狀況評估指標如貸款減值準備、不良貸款率等進行單變量實證研究，結果表明眾多指標中貸款比率是在財務風險預警方面最為有效的。二、多變量財務風險預警模型Altman（1968）[6]為了提高分析的質(zhì)量，探索了將統(tǒng)計技術運用到指標分析中的方法，突破性地將多變量分析運用到財務風險預警。他在研究中選取了破產(chǎn)與非破產(chǎn)公司各33家，主要考慮了營運資產(chǎn)和銷售收入與資產(chǎn)總額之間的比率等5組財務風險預警指標。通過將多個指標按照一定權重客觀地建立有意義的預測模型，將變量之間的相互影響考慮了進來，有效降低了誤差率，減少了結果被信息使用者誤讀的可能性。Altman還拓展了Z-Score模型的適用性，通過大量實證研究得出結論，該模型能夠提前一年有效預測公司破產(chǎn)的可能性，準確率高達95%。HongkyuJo和IngooHan（1997）[7]同樣采取了一樣的財務風險預警模型，對財務風險進行了客觀的評估，并基于原有的模式，添加了自身的創(chuàng)意，進行了創(chuàng)新，使得財務風險預警其精確度得到了提升。國內(nèi)著名學者周首華、楊濟華和王平（1996）[8]為克服傳統(tǒng)破產(chǎn)預測模型的局限性，將現(xiàn)金流量的變動情況納入Z-score模型的自變量，創(chuàng)新提出了F計分模型，以66家樣本公司的數(shù)據(jù)檢驗了模型，計算預測出了樣本公司的破產(chǎn)邊界。李元鳳（2012）[9]進一步深化Z模型的優(yōu)化研究，她第一步是檢驗Z模型中5個關鍵變量的判別準確度，緊接著加入了發(fā)展能力、現(xiàn)金流量、盈利質(zhì)量3項新指標，使得Z模型預測的準確度顯著提高。在此之后，學者袁康來和王文紅（2015）[10]通過檢驗發(fā)現(xiàn)奧特曼模型并不適用于我國的農(nóng)業(yè)上市公司，誤判率較高，在使用該模型預測農(nóng)業(yè)公司財務風險時應適當調(diào)整臨界值。熊鵬飛、汪錦琪與張珍賢（2018）[11]探索了我國公司實際運用Z計分模型的過程中可完善的環(huán)節(jié)，如國內(nèi)與國外公司在股票流通模式上的差距會導致X4比率的計算結果偏低，從而導致總體結果偏小。此外，結合我國公司情況提出了提升財務質(zhì)量、建立高效預警機制的建議。蔡璨（2021）[12]將區(qū)塊鏈技術的分布式儲存、多節(jié)點協(xié)同、數(shù)據(jù)公正透明等特征與公司財務風險預警融合，打造出基于區(qū)塊鏈技術的公司財務風險預警模型，結合案例公司進行風險預警節(jié)點選擇、風險識別，驗證了可行性。三、多元回歸財務風險預警學者Ohlson（1980）[13]率先提出多元邏輯回歸模型，他在研究中篩選出了2000多家破產(chǎn)公司作為測試樣本，通過對非配對樣本的分析來研究破產(chǎn)概率的分布情況，并進一步探究了兩類錯誤與分割點之間的關系，研究表明對破產(chǎn)存在著更大影響的指標為公司規(guī)模與業(yè)績情況。學者吳世農(nóng)、盧賢義（2001）[14]選取了我國上市公司中70家存在財務問題的公司和70家無恙的公司的5年數(shù)據(jù)為研究樣本，選取6個預測指標，對比分析Fisher線性判定分析、多元線性回歸分析和Logistic回歸分析三種財務風險預警模型的誤判率。研究發(fā)現(xiàn)Logistic預測模型準確率更佳。Matthieu（2002）[15]采集了瀕臨破產(chǎn)邊緣的32家上市公司的財務數(shù)據(jù)，展開實證分析后發(fā)現(xiàn)多變量的Logistic預警模型在財務風險預警方面的表現(xiàn)較為穩(wěn)定。Serpil（2006）[16]選取在土耳其伊斯坦布爾證券交易所上市的公司選取為研究對象，針對不同的公司類型建立了具有區(qū)分度、適應性的財務風險模型。學者黃德忠與朱超群（2016）[17]針對財務風險預警模型中少有反映公司資產(chǎn)質(zhì)量指標的問題，選取2010年往后三年首次被ST的48家上市公司，并配對了規(guī)模、行業(yè)都相當?shù)?6家正常運營公司，分別構建了財務風險預警模型和資產(chǎn)質(zhì)預警模型。結果顯示，考慮了資產(chǎn)質(zhì)量的風險預警模型不僅準確性更高，還可以幫助管理者找到風險源頭，從而采取措施。李長山（2018）[18]將我國制造業(yè)上市公司列為研究對象，在研究過程中運用了主成分分析法、創(chuàng)建Logistic回歸財務預警模型，通過Wilcoxon秩檢驗獲取了準確度較高的預警系統(tǒng)，研究結果顯示財務預警模型中主因子變量系數(shù)對其代表的獲利情況以及公司財務狀況存在較大影響。閔劍，李佳穎（2021）[19]基于近十年我國740家成長期和成熟期的中小公司，將生命周期理論與COX風險比例模型進行回歸分析，構建了財務風險預警指標體系，通過研究發(fā)現(xiàn)，地方創(chuàng)新產(chǎn)出水平對于成長期中小公司財務風險是最具保護效應的，融資風險則貫穿了中小公司的成長周期。范高樂，李文璐（2021）[20]選取我國A股上市公司數(shù)據(jù)，使用傾向匹配得分法對主要變量進行描述性統(tǒng)計，通過回歸分析研究發(fā)現(xiàn)海外并購造成公司財務風險的概率比國內(nèi)并購顯著增大，非國有公司海外并購會加劇公司的財務風險。張春梅，趙明清和官俊琪（2021）[21]以組合預測思想為基礎，建立起基于Lasso+SVM的制造業(yè)上市公司財務風險組合預警模型。包括串聯(lián)型組合和信息融合型組合兩種，并選取22個財務指標建立了財務預警指標體系，對我國86家制造業(yè)上市公司的財務狀況進行了預測，通過和單一風險預警模型預測效果的對比，得出財務風險組合預警模型的預測效果明顯高于單一預警模型的結論。四、BP神經(jīng)網(wǎng)絡財務風險預警Odmo和Sharda（1990）[22]是將人工神經(jīng)網(wǎng)絡理論引入財務風險預警研究的先行者，他們選取了129家上市公司的財務數(shù)據(jù)進行分析，將Z-score模型中的指標列為因變量，著重比較了Z-score模型和ANN財務預警模型的預警結果，研究發(fā)現(xiàn)人工神經(jīng)網(wǎng)絡模型預測的準確度具有著隨著樣本數(shù)據(jù)增多而顯著的提升的特點，當樣本數(shù)據(jù)達到一定數(shù)量時，預測結果的精確度將高于多變量模型。楊淑娥（2005）[23]依據(jù)120家上市公司的財務指標各自構建了BP人工神經(jīng)網(wǎng)絡財務風險預警模型和主成分分析法模型，對比了兩者的建模樣本與檢驗樣本的預測精度，結果表明BP人工神經(jīng)網(wǎng)絡能夠克服數(shù)據(jù)不全等問題，適用范圍更廣。Tzong-HueiLin（2009）[24]在對當前BP神經(jīng)網(wǎng)絡財務風險預警模型的特點進行歸納總結的基礎上，結合多家銀行的財務數(shù)據(jù)建立了銀行神經(jīng)網(wǎng)絡財務風險預警模型，將人工神經(jīng)網(wǎng)絡財務預警模型應用于銀行的財務風險預警，驗證了銀行神經(jīng)網(wǎng)絡財務風險預警模型的有效性，豐富了神經(jīng)網(wǎng)絡財務風險預警模型的應用場景。GeorgiosMarinakos（2015）[25]結合制藥上市公司的特點，建立了考慮現(xiàn)金流的人工神經(jīng)網(wǎng)絡財務風險預警模型，試圖對醫(yī)藥零售公司的財務風險尤其是供應鏈財務開展預警工作，研究雖然證明了該模型可以降低醫(yī)藥零售公司的財務風險，但存在應用受限的問題，仍然需要繼續(xù)研究完善。胡震云、葉燕杰和陳志明（2015）[26]旨在改進神經(jīng)網(wǎng)絡財務風險預警模型中變量因果關系難以解釋、準確度受到影響的問題，提出了利用量子免疫算法優(yōu)化神經(jīng)網(wǎng)絡連接權值的方法，通過實證對比分析驗證了改進后的預測準確率顯著提高。關欣，王征（2016）[27]采取實證研究的方式，將眼下運用較廣泛的Logistic模型與BP人工神經(jīng)網(wǎng)絡模型進行比較，結果發(fā)現(xiàn)BP人工神經(jīng)網(wǎng)絡模型誤判概率較低，預測精確度較高。郭銘芝（2016）[28]遵照某高校的財務數(shù)據(jù)，構建出BP神經(jīng)網(wǎng)絡模型，研究結果表明此模型可以較為準確地預測高校存在的財務風險。朱清香、徐琳琳、謝姝琳和谷秋月（2016）[29]針對在我國經(jīng)濟增速放緩背景下中小板上市公司財務風險危機增強的問題，將公司財務狀況分為五個等級，運用BP神經(jīng)網(wǎng)絡模型對695個中小公司板上市公司的財務狀況進行模型訓練及檢驗，運行結果表明BP神經(jīng)網(wǎng)絡模型具有一定穩(wěn)定性，模型具備一定的預測能力。李光榮和李風強（2017）[30]出于提高公司財務風險判別準確度的目的，提出分別運用人工神經(jīng)網(wǎng)絡中具有明顯自適應性、自組織性的自適應共振理論算法和自組織特征映射算法，對公司進行仿真研究。研究結果表明，自組織特征映射算法判別正確率達到了89%，相比于自適應共振理論算法判別正確率為87%略高一籌。吳沖、劉佳明和郭志達（2018）[31]為優(yōu)化神經(jīng)網(wǎng)絡模型運用過程中難以確定平滑參數(shù)的問題，設計了動態(tài)調(diào)整的優(yōu)化算法，并基于改進算法解決了原來模型中空間結構復雜的問題，為我國上市公司的財務風險提出了可實現(xiàn)長期預警的優(yōu)良模型。孟浩和張其名（2020）[32]重點選取了在A股上市的六十余家互聯(lián)網(wǎng)公司，研究樣本即為上述公司自2016年開始三年內(nèi)的財務數(shù)據(jù)，通過27項不同的指標構建了初步預警指標體系，并運用主因子分析開展指標優(yōu)化工作，經(jīng)過神經(jīng)網(wǎng)絡的訓練和檢驗，可以得出設計的財務風險預警模型適用于互聯(lián)網(wǎng)行業(yè)財務風險預警的結論。五、文獻綜評在財務風險預測方法上，國內(nèi)外的學者早期集中在傳統(tǒng)的預警模型研究上，如Z值、F值、Logistic回歸等模型。隨著計算機算力和科技的不斷革新，研究者們的目光開始聚焦于機器學習或深度學習模型。但是，一些新興方法仍不夠成熟，應用于企業(yè)財務風險時顯露出一些弊端，仍有較大的改進空間。在財務風險預警模型的構建方面，國內(nèi)外的學者多數(shù)利用海量數(shù)據(jù)進行模型的訓練及構建，許多研究的樣本數(shù)據(jù)中行業(yè)類型繁多，未考慮不同行業(yè)的特性不同導致其財務風險指標的差異，因此更有針對性、更有實踐意義的財務風險預警模型研究有很大的研究價值。參考文獻：[1]Fitzpatrick,PJ.AComparisonofRatiosofSuccessfulIndustrialEnterpriseswiththoseofFailedFirms[J].CertifiedPublicAccount,1932,(2):57-65.[2]BeaverW.H.FinancialRatiosasPredictorsofFailure[J].JournalofAccountingResearch,1966,12(2):71-111.[3]陳靜．上市公司財務惡化預測的實證分析[J]．會計研究，1999，（04）：32～39．[4]馮春琳．我國上市公司財務危機預警模型的實證研究[J]．中國外資，2013，（10）：81～82+84．[5]LaelyAghe.AfricaFinancialDistressforBankruptcyEarlyWarningbytheRiskAnalysisonGo-PublicBanksinIndonesia[J].JournalofEconomics,Business&Accountancy,2016,(2):259-270.[6]Altman,E.I.FinancialRationsDiscriminantAnalysis,andthePredictionofCorporateBankruptcy[J].TheJournalofFinance,1968,(9):589-610.[7]HongkyuJo,IngooHan.Bankruptcypredictionusingcase-basedreasoning,neuralnetworks,anddiscriminantanalysis[J].ExpertSystemsWithApplications,1997,13(2):97-108.[8]周首華，楊濟華，王平．論財務危機的預警分析——F分數(shù)模式[J]．會計研究，1996，（08）：8～11．[9]李元鳳，戴勁．Z財務預警模型的檢驗與改進[J]．財經(jīng)界（學術版），2012，（01）：231～233．[10]袁康來，吳曉林．奧特曼模型在我國農(nóng)業(yè)上市公司財務危機預警中應用的探討[J]．消費導刊，2008，（03）：30～31．[11]熊鵬飛，汪錦琪，張珍賢．我國上市公司財務風險預警研究——基于Z計分模型評價公司財務風險狀況[J]．現(xiàn)代商業(yè)，2018，（05）：193～194.[12]蔡璨．區(qū)塊鏈技術在公司集團財務風險預警模型的應用[J]．財會通訊，2021，（06）：134～137．[13]Ohlson,ZetaAnalysis.FinancialRatiosandPredictionofBankruptcy[J].JournalofAccountingResearch,1980,(1):109-131.[14]吳世農(nóng)，盧賢義．我國上市公司財務困境的預測模型研究[J]．經(jīng)濟研究，2001，（06）：46～55+96．[15]MatthieuBussiere,MarcelFratzscher.TowardsANewEarlyWarningSystemofFinancialCrises[J].EuropeanCentralBank,2002,(5):6-8.[16]Serpil.PredictionofFinancialDistressbyMultivariateStatisticalAnalysis:theCaseofFirmsTakenintotheSurveillanceMarketintheIstanbulstockExchange[J].InternationalJournalofTheoreticalandAppliedFinance,2006,16(9):133-150.[17]黃德忠，朱超群．引入公司資產(chǎn)質(zhì)量指標的財務風險預警模型[J]．財會月刊，2016，（08）：48～52．[18]李長山．基于Logistic回歸法的公司財務風險預警模型構建[J]．統(tǒng)計與決策，2018，34（06）：185～188．[19]閔劍，李佳穎．生命周期視角下中小公司財務風險評估研究——基于生存分析模型[J]．財會通訊，2021（04）：146～150．[20]范高樂，李文璐．海外并購與國內(nèi)并購的價值比較——基于PSM-DID的研究[J]．技術經(jīng)濟與管理研究，2021，（03）：56～61．[21]張春梅，趙明清，官俊琪．基于Lasso+SVM的制造業(yè)上市公司財務風險組合預警模型[J]．數(shù)學的實踐與認識，2021，51（05）：1～12．[22]OdomM.D.,ShardsR.A.NeuralNetworkforBankruptcyPrediction[C].InternationalJointConferenceonNeuralNetwork,1990,(6):17-70.[23]楊淑娥，黃禮．基于BP神經(jīng)網(wǎng)絡的上市公司財務預警模型[J]．系統(tǒng)工程理論與實踐，2005，（01）：12～18＋26．[24]Tzong-HueiLin.ACrossModelStudyofCorporateFinancialDistressPredic