论经济新常态下企业财务危机预警实证研究

以速度变化、结构优化、动力转换为特征的经济新常态，是当前和今后一个时期我国经济发展的大逻辑。在新常态下，一方面我国经济发展整体向好，潜力大，韧性强; 另一方面也面临严重的结构性产能过剩、库存过量、风险过大等问题。

2015 年中央经济工作会议提出，推进供给侧结构性改革，将去产能、去库存、去杠杆、降成本、补短板作为2016 年的五大任务。这对我国企业而言，机遇与挑战并存，风险与收益同在。但是，新常态下宏观政策、产业政策、微观政策和改革政策都在变化，很多企业面临挑战大于机遇，因财务危机导致企业经营陷入困境甚至破产清算的现象时有发生。

因此，为避免或减弱新常态下企业的不利影响，加强企业财务运营的监控，及早发出预警信号，将企业面临的潜在财务危机告知利益相关者是十分必要的。

本文在回顾已有的财务预警研究文献的基础上，运用全局主成分分析法，构建了融合神经网络和Kalman 滤波法的财务预警模型，并以我国上市公司为样本进行实证研究，这既改变了单一方法的预警模型，又提高了财务预警的准确性，并对经济新常态下的风险管理有参考价值。

一、文献回顾

财务预警是借助企业提供的财务报表等资料，利用不同的分析方法，对企业的经营活动、财务活动等进行分析预测，以发现企业潜在的风险，并在危机发生之前向企业经营者发出警告，促使企业管理层采取有效措施，避免潜在的风险演变成损失。最早的财务预警研究是Fitzpatrick 开展的单变量破产预测研究。他首先将样本公司分为破产和非破产两组，再尝试用不同的单一财务比率进行对比，最终认为股东权益/负债这个比率的判别能力最高。

随后，William Beaver提出单一比率模型，即利用单一的财务比率来预测企业的财务困境，发现营运资本流/负债和净利润/总资产是最好的判别变量。但由于用单个指标判别的方法本身存在缺陷，Altman重新选择样本进行研究，确定出了判别效果最好的五个指标，最终对每个指标确定出权重，构造出了一个综合指标由此进行判别。Altman 采用的多元线性的方法，对后来学者的产生了更深远的影响。Ohlson将Logit 回归模型引入财务预警的研究中。

因此，过去对财务预警的研究已经形成一些成果，但面对瞬息万变的市场情况，这些预警模型的运用都有较强的适用条件。从现实案例和财务理论来看，公司财务危机都具有三大特点: 一是越临近财务危机的发生，财务指标中所包含的危机信号就越多; 二是财务数据的时间序列性，当期财务数据会对下一期造成影响; 三是财务危机具有历史累积性，财务危机是长时间的经营不善所导致的最终结果。而现有研究成果大部分只是从其中一方面进行考虑，所构建的财务预警模型的适用性大大减弱，预警的准确性不高。本文中融合神经网络和Kalman 滤波法的财务预警模型较好地解决了这些问题。

二、研究设计

国内学者在过去的研究中常把是否被ST 作为划分财务危机公司和财务良好公司的界限。这样非黑即白的划分方式存在两个缺陷: 一是研究中忽视了企业财务危机的发生是一个逐步累积的过程; 二是如果临近财务危机的发生才对企业做出预报，企业就没有充足的时间应对危机，这就丧失了预警的意义。所以，为延长企业财务危机的应对时间，从财务状况良好到发生财务危机，应该再划分一个过渡状态。

本文将企业财务状况分成三个状态: 财务状况良好、轻度财务危机和重度财务危机。以前的研究显示，企业被ST 当期的财务数据，与该企业之前7 ～ 8 年的财务数据呈现显出著性关系，所以本文将企业在T 期至T - 7 期之内净利润均大零的情况，定义为财务状况良好; 若在第T 期企业被ST，则第T 期的财务状态则被定义为重度财务危机，T - 1 期至T- 5 期的财务状况被定义为轻度财务危机。

本文以我国深、沪两市的上市公司作为样本，选择标准为: (1) 2012 年或2013 年首次因连续两年亏损被ST 的30 家公司，其T 期数据作为重度财务危机企业的判别样本。由于ST 企业从其前7 ～ 8 年的数据开始才与发生ST 当期的数据呈显著性相关，所以本文选择企业T - 1期至T - 7 期数据作为预测T 期财务数据的预测样本。(2) 2012 年或2013 年首次因连续两年亏损被ST 的29 家公司，其T - 5 期数据作为轻度财务危机企业的判别样本，其T - 1 期至T -7 期数据作为预测T 期财务数据的预测样本。(3) 2012 年或2013 年非ST 公司，并且十年之内均未出现净利润为负值情况的30 家公司，其第T 期数据作为财务状况良好企业的判别样本。为满足配对原则，同样选择其T - 1 期至T - 7 期数据作为预测T 期财务数据的预测样本。

此外，剔除有以下情况之一的ST 公司: 纯B 股的ST 公司，因其他状况异常而被ST 的公司，存在严重假账的公司，上市两年内就被ST 的公司，这类公司存在虚假包装上市的嫌疑，有严重数据缺失或数据不合理的公司。根据上述标准，本文从CSMAR 数据库中选择了89 家公司见表5) ，选择的对象均为工业企业，时间分别为20062013 年、20052012 年，共11392个数据，满足客观性、可比性和可获得性等基本特征。

三、研究结论与启示

本文研究发现:

(1) 融合了神经网络和Kalman 滤波法的财务风险预警模型对企业的财务状况有较好的预判效果

本文综合运用神经网络与滤波法以及Matlab 和Python 编程技术，从时间序列和横截面两个角度建立预警模型，通过对时序立体数据表进行全局主成分分析，得到了保留大部分信息同时又完全正交的主成分因子，从而为神经网络和Kalman 滤波器提供了最优的输入集，模型预测的正确率达到了73. 03%，这表明将神经网络与Kalman 滤波法有机结合是分析企业财务状况、实现企业财务预警是一种有效路径。

(2) 企业财务危机的产生

有一个日积月累的过程，不是一朝一夕形成的，企业可以运用财务危机出现之前的资产负债率、销售利润率、每股收益、现金流量比率、应收账款周转率等财务指标数据对财务风险进行预测并发出预警信号。本文研究结论对经济新常态下的投资者、企业管理层和证券监管部门均有一定启示意义。

第一，融合了神经网络与Kalman 滤波法的财务预警模型对预判企业财务风险具有良好效果，投资者可以直接将该模型用于分析企业财务状况，从而了解已投资或计划投资企业的财务风险高低，以降低投资风险和提高投资收益。

第二，企业管理层不仅可以通过该模型了解企业的财务状况，还可以根据财务预警传递出来的综合信息进行相机管理，提出具体的、具有针对性的经营管理策略，使新常态下的非系统风险可控、危机消除。

第三，新常态下经济整体下行压力大、企业面临的系统风险大，证券监管部门应要求企业构建有效的财务预警机制，根据上市公司整体情况按产业行业、按危机程度相机进行风险管理，并鼓励企业披露更多财务预警信息，有利于投资者充分了解上市公司财务状况，从而做出相应的决策。