我国房地产业上市公司财务危机预警研究

                  （作者：岳彩信 单位：上海大学 地址：上海市宝山区上大路99号 邮编：200444）

 

摘要：财务危机从根本上威胁着企业的生存和发展，尤其是对那些政策敏感、周期性波动、开发周期长和负债经营度高的房地产企业。本文以我国房地产业上市公司为研究对象，选取49家出现财务困境的企业以及同期财务正常的49家企业为样本，选取13个财务指标和4个非财务指标共17个变量作为构建财务危机预警模型的预选指标，应用遗传优化BP网络方法建立财务危机预警模型。研究表明所建立的财务危机预警模型的预测准确率高达95.83%。

 

关键词：房地产 上市公司 财务危机 预警模型

BP神经网络是由Rumelhart和McCelland为代表的一组科学家于1986年提出的一种后向传播算法的多层前馈网络模型，在预警、预测领域有着广泛的应用，是目前为止应用最广泛的神经网络模型。该BP网络能储存和学习大量的输入-输出映射关系，且不用事先给出这种映射关系的方程式。它采用最速下降法的学习规则，通过反向传播从而对网络的权值和阈值进行不断调整，可以使整个网络的误差平方和最小，即模拟效果最好。与其他人工神经网络模型相比，它具有结构简单、操作性强和能模拟任意非线性关系的优点。然而，从本质上讲，该算法属于梯度下降算法，也存在很多缺陷，如学习收敛的速度较慢，通常要经过上千次迭代才能达到最优，有时也会陷入局部极小值点而无法取得全局最优解，所以，在具体应用中需要对传统的BP算法进行优化。

遗传算法是指通过模拟自然界生物在环境中的遗传和进化过程形成的一种具有自适应全局优化概率搜索的算法。与其他算法相比，该算法有以下优点：（1）能很好克服陷入局部最优的缺陷，能以较大概率寻找到整体最优解，是一种很好的全局最优算法，有较强适应性和较好稳定性。（2）因为具备固有的隐含并行特点而使计算效率较高，适用于大规模并行计算。通过遗传算法对传统BP神经网络进行优化，可以很好地克服传统BP神经网络学习收敛速度慢和易陷入局部最小点而无法得到全局最优解的缺陷。

本文的研究目的在于通过遗传算法优化BP神经网络，以克服传统BP神经网络学习收敛速度慢和易陷入局部最小而无法得到最优解的缺点，然后将改进的方法应用到我国房地产业上市公司财务危机预警中；同时，充分考虑房地产行业的周期性特点和企业发展阶段性特点，将企业发展阶段、企业同金融机构的关系、企业风险管控水平等反映企业风险识别与控制能力的非财务指标和定性因素引入到房地产业上市公司财务危机预警模型当中，以期构建一套有效的符合房地产企业特点的财务危机预警系统。

本文选取了2009年1至6月间，2008年沪深两市116家房地产上市企业年报公布后，因连续两年亏损而首次被特别处理的49家房地产公司为样本，并选取同期财务正常的49家房地产公司为配对样本，样本总数为98家。在选择观测年限时，取ST前两年，即2007年的财务数据，预测提前期为2年。

本文的数据来自上海证券交易所、深圳证券交易所以及和讯网公布数据，运用的统计分析软件为Excel、SPSS17.0和Matlab7.1。

本文在总结前人关于企业财务危机预警研究对财务指标选取的基础上，依据财务指标出现的频率和在预警模型中的权重大小，从债务风险、现金流风险、盈利能力风险和投资风险4个方面共选取13个财务指标作为财务风险预警指标，指标变量如下表1：

组别	标号	指标名称	公式
债务风险	X1 X2 X3 X4	资产负债率 流动比率 速动比率 利息保障倍数	（负债/资产）×100% 流动资产/流动负债×100% （流动资产－存货）/流动负债×100% 息税前利润/利息支出
现金流风险	X5 X6 X7 X8 X9	现金总资产比 存货周转率 应收账款周转率 盈余现金保障倍数 现金流量比率	现金及现金等价物/资产×100% 销货成本/平均存货 销售收入/平均应收账款 经营现金净流量/净利润 经营性现金净流量/流动负债
盈利能力风险	X10 X11 X12	净资产收益率 总资产收益率 主营业务利润率	净利润/平均净资产×100% 净利润/平均资产总额×100% 主营业务利润/主营业务收入×100%
投资风险	X13	投资收益率	投资收益/平均投资成本×100%

 

另外，本文在对前人相关研究的学习基础上，结合房地产行业特点，还选取了4个非财务预警指标，分别是企业所处发展阶K₁、企业同金融机构的关系K₂、企业风险管控水平K₃和审计意见类型K₄。在对这些非财务指标的量化上，本文采取以下方法：

（1）房地产企业在其开发和经营不同阶段，财务特征大不相同，抗风险能力也不同。在对房地产企业所处发展阶段的量化上，本文从存货、借款和预收账款规模方面来判断其所处的阶段，并给处在开发阶段的房地产企业风险抵抗能力系数赋值为0，给处在经营阶段的房地产企业风险抵抗能力系数赋值为1，以此来区别所处不同阶段。

（2）在对企业同金融机构的关系量化上，从近三年企业短期借款的有无和规模大小，以及还款的及时与否来判断企业同金融机构的关系，并对良和差两种关系类型分别赋给1和0值的风险抵抗能力系数。

（3）在对企业风险管控水平的量化上，从风险管理制度与内部控制制度的建设与运行情况来判断风险管控水平的高低，有相关制度并制度运行良好的企业判定为风险管控水平高，都则为低，并分别赋给高低1和0的风险抵抗能力系数。

（4）在对审计意见类型的量化上，将审计机构出具标准无保留的意见类型赋值为1，否则为0。

由于各财务指标间存在一定的相关性，这种多重共线性不利于数据处理和建模，因此需要用因子分析，提取主成分。因子分析可以用少数几个因子去描述许多指标或因素之间的联系，即将相关比较密切的几个变量归在同一类中，每一类变量就成为一个因子（之所以称其为因子，是因为它是不可观测的，即不是具体的变量），以较少的几个因子反映原数据的大部分信息。运用这种分析方法，可以很好地找出影响财务危机的主要因子，在不损失有用信息的前提下，简化模型。

本文基于累积贡献率法大于等于85%来确定主成分的个数，如上表3所示，提取了7个主成分，累积贡献率为86.738%，较好地保持了信息的完整性，使原有变量在总体上信息丢失较少，因子分析取得理想效果。

遗传算法(Genetic Algorithm，GA)是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应全局优化概率搜索算法。它最早由美国密执安大学的Holland教授提出。遗传算法的优越性表现在：（1）遗传算法在搜索过程中不易陷入局部最优，能以很大的概率找到整体最优解；是一种典型的全局最优化方法，其适应性强，鲁棒性（稳定性）好；（2）遗传算法具有固有的隐含并行性，计算效率高，非常适用于大规模并行计算机和复杂大系统的优化求解。（3）遗传算法适用于解决智能网络求解的问题

目前有关遗传算法与神经网络相结合的应用研究工作主要包括三个方面：

（1）利用遗传算法优化神经网络的连接权。

（2）利用遗传算法优化神经网络的结构。

（3）利用遗传算法优化神经网络的学习规则。

实践证明，无论是采取哪种优化方法，都不是一件简单的事情。由于，在神经网络算法中，不同的初始化权值设置会导致模型的学习速度、收敛性和误差大不相同，因此，本文采用优化神经网络权值的方法。

 

图1：遗传优化BP网络流程图

 

BP网络结构的设计上，本文采用单隐含层的BP神经网络，即一个输入层，一个隐含层和一个输出层。输入节点数为11，隐含层单元数为9，输出节点数为1。

表5：遗传算法基本控制参数

 

图2：遗传优化BP网络适应度变化曲线

遗传优化BP网络生成的权值和阈值矩阵如下：

输入层到隐含层权值w1

隐含层阈值θ₁

    隐含层到输出层权值w2

    输出层阈值θ₂

遗传优化BP网络预测结果如下表6所示：

表6 遗传优化BP网络模型仿真预测结果

 

本文在国内外学者有关财务危机预警理论及实证研究、遗传算法和神经网络等大量相关研究的基础上，选取了我国沪深两市98家房地产公司为研究样本，利用Excel、SPSS17.0和Matlab7.11统计分析工具，根据以往研究中出现的频次和房地产自身财务特征初步选取了13个财务指标，然后经过显著性检验和因子分析提取了7个主成分指标，另外，结合我国房地产业公司特点，引入了能反映房地产企业风险承受能力和风险抵抗水平等的非财务指标以及审计意见类型等定性因素，应用遗传算法优化BP网络的方法建立预测模型，克服了传统BP网络的缺点，并取得了很高的预警精度。

 

 

作者：岳信（1987—），男，山东人，上海大学悉尼工商学院2009级硕士研究生。