引 言
高新技术制造企业作为高新技术制造业的实体是知识密集型、技术密集型和资金密集型的企业，其发展决定了现实生产力的转化，对于促进整体制造业的快速发展具有重要意义。高新技术企业的高收益特性源于其高科技产品和服务的高增长和高附加值，而与之对应的便是企业的高风险性，据统计20%～30%的高新技术制造业的巨大成功是以70%～80%的企业失败为代价。企业财务风险的扩散和深化将直接导致企业陷入财务困境，从而影响正常的生产经营活动。所以，建立和完善高新技术制造企业的财务风险预警机制，提高企业有效预测和应对风险的能力，对于高新技术制造业的经营者和投资者具有一定的借鉴意义。
财务危机预警的研究由传统的统计研究方法发展到人工智能算法。最早是由Fitzpatrick（1932）采用单变量分析方法对公司的财务危机进行预警研究，得出权益负债率和权益净利率是判定企业财务风险的重要指标。Altman（1968）利用多元判别分析法建立基于Z-SCORE的财务预警模型。其后，回归模型克服了线性模型的假设局限性，常用的有Probit模型和Logistic模型。Ohlson（1980）使用Probit和Logistic回归方法建立逻辑回归模型，得出公司规模、资本结构、业绩和变现能力是影响公司破产的重要因素。上述以统计类方法为基础的模型是在样本满足合理的统计假设条件下才能有效，否则可能没有意义，由此许多学者相继将非统计的方法引入财务风险预警研究，其中应用最多的是神经网络分析法。Lapedes和Fyaber（1987）首次运用神经网络模型对银行的信用风险进行预测和分析，并取得了较好的预测效果。Odom和Sharda（1990）通过Z值模型中的5个财务比率构建了人工神经网络财务预警模型成功地对企业的财务危机进行了预测，证明了人工神经网络模型不但准确率高，而且鲁棒性也更好。Feng Yu Lin和Sally McClean（2001）以Logistic回归法、判别分析法、决策树方法和神经网络方法为基础，通过这些方法的组合运用，采用了三种混合模型，再分别对这些方法进行检验分析，分析结果表明同等条件下，混合模型在准确率方面优于单个方法模式。国内财务风险预警研究起步较晚，陈静（1999）对上市公司财务数据进行了单变量分析并建立Fisher线性判别分析模型，得出越临近企业被ST的日期，模型的预测准确率越高。吴世农、卢贤义（2001）验证了Logistic回归分析方法在预测财务困境的效果上比单变量判别模型更好。柳炳祥、盛昭翰（2002）划分了财务危机等级并验证了基于粗神经网络的财务预警方法的有效性。周敏，王新宇（2002）提出了模糊优选和神经网络模型，范静（2008）选择因子分析法—BP神经网络等评价方法。陈伟等（2010）主要分析了不同成长阶段高新技术企业的融资特点，提出了有效防范财务风险的具体措施。杨淑娥引入面板数据，构建BP神经网络模型对上市公司的财务状况进行预测，提高了预警精度。张晓琦（2010）证明了支持向量机（SVM）方法在高新技术企业财务危机预警建模方面的有效性。综上所述，现阶段对于高新技术企业的财务危机预警研究集中与理论分析阶段，大多数都是基于t-1期与t期的数据建立静态数据模型，忽略了企业财务比率的时间序列特点，企业财务危机的出现是一个逐渐演变的过程且不同行业的高新技术企业特点也不尽相同，这些因素将对企业财务状况的演化产生偏差，从而影响预警模型的有效性和精准度。
本研究综合了主成分分析方法、Logistic回归方法与BP神经网络机制，引入面板数据为研究样本，建立动态的高新技术制造企业财务危机预警模型。从理论分析而言，面板数据提供了多层面的数据信息，充分发掘企业财务信息，同时结合高新技术制造业的特点，从不同的侧面选取指标来反映企业财务状况的各个方面，所以能够深入全面地反映财务危机前的状况和趋势并作出及时合理的判断，采取相应措施。从实践结果而言，解决了一般企业由于数据缺乏带来的技术问题，扩大预警模型的适用性，为更多的高新技术制造企业服务。实证结果表明，基于Logistic-BP神经网络模型的预警能力明显优于传统Logistic回归分析方法和BP神经网络预警机制。
一、研究方法
（一）Logistic回归
二、数据和预警指标
（一）样本选取和数据来源
本研究考虑到时间因素和指标可比性两方面，选择高新技术制造企业作为研究对象，利用多期历史财务数据建立财务危机动态预警模型。本文以我国2008年至2012年深沪A股高新技术制造上市公司（通过2008《高新技术企业认定管理办法》的制造行业企业）为研究对象，数据源于CCER经济金融研究数据库以及巨潮资讯数据库，使用Excel、SPSS16.0和Matlab2010数据分析软件对数据进行分析。沿用国内研究习惯，以ST作为出现财务危机的标志，选取2012年ST和非ST高新技术制造业上市公司为待测样本。为了符合上市公司ST与非ST的实际比例，确保数据的真实性和可比性，参照Beaver（1966）的方法，采取1：3的配对方式，选择规模（总资产）相近的ST、非ST公司120家为训练样本，所有50家ST和150家非ST公司为分析样本。
由于上市公司在t年被特别处理是由其t-1年财务报告的公布所决定的。根据以往分析，t-1年财务数据的时效性较强，预测度很高，但是，其与正常样本相差很大，有失模型构建的真实性和可比性，实际预测的应用价值不高。财务风险的形成并非一朝一夕，而是一个连续的动态过程，越早洞察出财务风险，越有可能避免再次亏损。据此，选定t-2和t-3作为财务预警年度。
（二）预警指标的设计
在参照现有财务风险研究文献的基础上，同时结合高新技术企业本身高投入、高风险、高收益的特点以及新型制造业的运营特点进行综合评估，从公司的偿债能力、盈利能力、成长能力、运营能力指标和现金流量五个方面初步选定18个变量作为备选指标，如表1所示。基于识别财务风险的及时性和准确性，挑选的变量必须在ST公司与非ST公司之间显著不同。通过对指标进行显著水平5%的K-S检验得出财务比率均不服从正态分布特征，因此采用Mann-Whitney-U检验来预警指标在ST公司与非ST公司之间是否存在显著差异，在95%的置信区间内接受原假设，最终选取在2009年和2010年均存在显著差异的14个变量作为最佳评估指标，剔除4个不显著指标：营业利润增长率、应收账款周转率、流动资产周转率和存货周转率。
三、基于Logistic-BP神经网络的实证研究
（一）建立财务危机预警模型
由于财务指标之间相关性较强，信息重叠不利于后续预警模型的构建，首先分别对t-2和t-3年的14个财务指标进行因子分析，得到t-2和t-3年的KMO值分别为0.681和0.724，Bartlett球度检验给出的相伴概率均为0，小于显著性水平0.05，因此拒绝Bartlett球度检验的零假设，认为适合于因子分析。
本文在累计贡献率85%以上的基础上，采取正交旋转法提取5个主成分F1—F5。第一主因子F1由流动比率、速动比率、股东权益比率、资产负债率组成；第二主因子F2由净资产收益率、运营资金比率、主营业务利润率组成；第三主因子F3由净资产增长率、总资产增长率、主营业务收入增长率组成；第四主因子F4由资产周转率、固定资产周转率组成；第五主因子F5由现金流动负债比率和每股经营性现金流组成。通过上述因子分析所提取的五个财务指标包含了公司财务危机的主要信息，能够比较全面地反映公司的财务状况。
在静态BP神经网络模型中，同样选择训练样本的五个因子变量作为网络层的输入，经过反复试验，构建出5x24x1的基于因子分析的静态BP神经网络财务预警模型，模型收敛情况如图2所示，通过对所有上市公司样本进行预测，得到如表4的预测结果。
综合Logistic模型的回归分析结果pt-2和pt-3，将训练样本的w1pt-2和w2pt-3作为网络输入变量，建立动态BP神经网络财务危机预警模型，其中w1+w2=1，经过反复试验取中间层8，将所有样本作为验证样本带入模型，通过选取不同权重系数w1=0.4，w2=0.6时，模型呈现较高的预警精度，模型收敛情况如图3所示，预测结果如表4所示。
（二）三种模型的预测结果比较分析
由表4可知，在这三种模型中，t-2期的预测效果要明显高于t-3期的，即离目标预警期越近，预测准确率越高。但是t-3期的预测结果仍与t期财务状况存在紧密联系，如果忽视t-3期数据将会降低t期的预测结果。对于单期财务数据的Logistic回归模型和基于因子分析的BP神经网络模型预警分析结果，均有较好的预测能力。其中BP神经网络模型综合预测效果要优于Logistic模型，但BP神经网络模型中ST的误判率高于Logistic模型中ST的误判率。而基于动态BP神经网络模型无论是从ST公司和非ST方面均提高了预测的准确率，其总体预测准确率为94%，明显优于第一种和第二种模型。由此可见传统的预测模型仅仅体现了某一时期对目标时期的预测效果，难以实现不同时期的最优预测，通过将二者相结合，综合考虑t-2期和t-3期历史数据来建立基于面板数据的动态BP神经网络模型，且其预测结果优于前两种方法，第三种模型充分结合了BP神经网络和统计方法的优点。
四、结论
本文采用高新技术制造业上市公司的多期历史面板财务数据，利用因子分析对指标进行降维，采用多期数据建立动态Logistic-BP神经网络模型，提高了模型的纵向长期预测能力，实现多时段预警。通过实证研究得出以下结论：首先，高新技术制造企业财务危机的出现是循序渐进的过程，距离被ST时间越近，模型的预测准确率越高。其次，通过采用财务面板数据，从数据的截面和空间随时间变化两个方面研究，深入体现了企业财务状况发展机理的渐变特性，体现企业财务危机发生的连续动态特点，提高了样本中关键财务指标变化的特征信息，有利于建立更精确的模型，提高预警精度。最后，综合模型结合了Logistic非线性分析方法和BP神经网络的容错性、自我学习性特点，具有更强大的财务预警建模和预测能力，降低了ST公司的误判率，在实际应用中有助于经营者预防和监控财务危机，促进企业持续健康发展，也有利于投资者债权人规避财务风险，减少经济损失。
【参考文献】
// Certified Public Accountant，1932（2）：656-662，727-731.
.Journal of Finance，1968（9）：589-609.
