[摘 要] 本文對國內(nèi)外財務(wù)危機預(yù)警方法進行分析,指出我國現(xiàn)有財務(wù)危機預(yù)警方法各自的優(yōu)缺點,在此基礎(chǔ)上提出了基于專家系統(tǒng)的財務(wù)危機預(yù)警方法。該方法采用基于規(guī)則推理和案例推理的專家系統(tǒng)對財務(wù)危機進行定量預(yù)警;利用模糊神經(jīng)網(wǎng)絡(luò)對財務(wù)危機進行定性預(yù)警,并將二者所得信息有機地融合在一起,獲得較為準確的財務(wù)預(yù)警結(jié)果。
[關(guān)鍵詞] 專家系統(tǒng);財務(wù)危機預(yù)警;定量預(yù)警;定性預(yù)警;信息融合
[中圖分類號]F275;F232[文獻標識碼]A[文章編號]1673-0194(2008)09-0061-04
財務(wù)危機預(yù)警主要借助企業(yè)提供的財務(wù)報表、經(jīng)營計劃及其他相關(guān)會計資料,利用財會、統(tǒng)計、金融、企業(yè)管理、市場營銷等理論,采用比率分析、比較分析、因素分析等多種分析方法,對企業(yè)的經(jīng)營活動、財務(wù)活動等進行分析預(yù)測,以發(fā)現(xiàn)企業(yè)在經(jīng)營管理活動中潛在的財務(wù)風險,并在危機發(fā)生之前向經(jīng)營者發(fā)出警告,督促企業(yè)管理當局采取有效措施,避免潛在的風險演變成損失,起到未雨綢繆的作用。
國外對財務(wù)危機預(yù)警的研究時間較長,取得了一些成果。(1)1932年Fitzpatrick以19家公司為樣本,運用單個財務(wù)比率將樣本劃分為破產(chǎn)和非破產(chǎn)兩組進行研究,發(fā)現(xiàn)凈利潤/股東權(quán)益和股東權(quán)益/負債對財務(wù)危機的判別能力最高,自此開創(chuàng)了財務(wù)危機預(yù)警實證研究的先河——單變量判定模型。(2)為了彌補單變量判定模型的缺陷,1968年Altman首先將多變量判別法引入財務(wù)危機預(yù)警研究領(lǐng)域,即多變量判定模型的研究。其多變量判定模型中的判別變量分別為營運資本/總資產(chǎn),留存收益/總資產(chǎn),息稅前收益/總資產(chǎn),股票市值/債務(wù)的賬面價值,銷售收入/總資產(chǎn)。此后,有許多學(xué)者采用類似的方法進行研究,對模型加以改造,只是選取的變量指標或者指標系數(shù)不同而已。(3) 在1980年Ohlson第一個將邏輯回歸方法引入財務(wù)危機預(yù)警領(lǐng)域,他選擇了1970-1976年間破產(chǎn)的105家公司和2 058家非破產(chǎn)公司組成的配對樣本,分析了樣本公司在破產(chǎn)概率區(qū)間上的分布以及兩類錯誤和分割點之間的關(guān)系,發(fā)現(xiàn)采用公司規(guī)模、資本結(jié)構(gòu)、業(yè)績和當前的融資能力進行財務(wù)危機的預(yù)測準確率達到96.12%。邏輯回歸分析方法使財務(wù)預(yù)警模型得到了重大改進,克服了傳統(tǒng)判別分析中的許多問題,包括變量屬于正態(tài)分布的假設(shè)以及破產(chǎn)和非破產(chǎn)企業(yè)具有同一協(xié)方差矩陣的假設(shè)。(4)1991年Tam采用人工神經(jīng)網(wǎng)絡(luò)模型進行財務(wù)預(yù)警研究,通過包括輸入層、隱含層和輸出層的人工神經(jīng)網(wǎng)絡(luò)模擬構(gòu)建模型,具有較好的模式識別能力和容錯能力,能夠處理資料遺漏和錯誤,可隨時依據(jù)新數(shù)據(jù)資料進行自我學(xué)習(xí)訓(xùn)練,適用于今日復(fù)雜多變的企業(yè)運作環(huán)境。
我國對財務(wù)危機預(yù)警的探索遠遠落后于西方發(fā)達國家,政府沒有對企業(yè)風險評估及危機預(yù)警提出明確的要求,使得我國企業(yè)的危機意識相對薄弱。在研究方法上,主要是借鑒國外的成果,利用我國的數(shù)據(jù)構(gòu)建類似的模型。我國學(xué)者提出的財務(wù)危機預(yù)警方法大致可以分為定量預(yù)警分析和定性預(yù)警分析兩大類。
定量預(yù)警分析法主要以財務(wù)數(shù)據(jù)為依據(jù),按其使用財務(wù)預(yù)警指標數(shù)量的多少,可以劃分為單變量預(yù)警法和多變量預(yù)警法。在運用這些定量模型分析計算時都有一個潛在的假設(shè),即這些報表資料的財務(wù)數(shù)據(jù)全部真實無誤,沒有舞弊的現(xiàn)象。但事實上,財務(wù)報表的編制具有相當?shù)膹椥?往往不能真正準確地反映公司的財務(wù)狀況。特別是當上市公司財務(wù)狀況惡化、瀕臨虧損邊緣或有業(yè)績滑坡跡象時,其經(jīng)營者很可能會采取一些措施調(diào)節(jié)盈余、粉飾財務(wù)業(yè)績。因此,僅僅依據(jù)財務(wù)數(shù)據(jù)預(yù)警,其結(jié)果的準確性和實用性值得懷疑。
無論是單變量預(yù)警模型還是多變量預(yù)警模型,其共同之處是只涉及了會計數(shù)據(jù)和定量比率,而沒有考慮到非量化因素。事實上,非量化因素在披露企業(yè)財務(wù)狀況方面有時要比定量財務(wù)指標更為可靠、有效。比如,企業(yè)出現(xiàn)過度擴張、過度依賴銀行貸款、企業(yè)人力資源匱乏、企業(yè)市場定位不清、財務(wù)報表不能及時公開、過度依賴某家關(guān)聯(lián)公司、報表審計單位和公司管理層人員頻繁變動等狀況,都預(yù)示著企業(yè)存在潛在的危機。根據(jù)以上指標分析財務(wù)狀況的方法就是定性預(yù)警法,國內(nèi)外學(xué)者在這方面也有一些研究,如“四階段癥狀”分析法是通過分析發(fā)現(xiàn)困境癥狀,判斷財務(wù)困境所處的階段,然后采取有效的措施,使企業(yè)擺脫財務(wù)困境。這種分析法將財務(wù)困境分為危機潛伏期、發(fā)作期、惡化期和爆發(fā)期等4個階段。“專家調(diào)查法”是企業(yè)組織專家對內(nèi)外環(huán)境進行分析,辨明企業(yè)是否存在財務(wù)困境發(fā)生的誘因,發(fā)現(xiàn)財務(wù)困境征兆,以此預(yù)測財務(wù)危機發(fā)生的可能性。可見,運用定性預(yù)警法分析操作方便,且可以很好地區(qū)分不同公司的財務(wù)特性,但分析人員的經(jīng)驗、采用的具體方法以及收集資料的情況對分析結(jié)論有較大的影響,從而導(dǎo)致分析結(jié)果具有一定的人為主觀性。另外,現(xiàn)行會計制度對企業(yè)非財務(wù)指標的確認和計量還缺乏必要的規(guī)范性,企業(yè)對很多無形資產(chǎn)還不能有效地進行評估。因此,完全依靠非財務(wù)指標建立預(yù)警模型的可行性不是很高,預(yù)警的精確度也值得懷疑。 從上述分析可見,單獨利用定量分析或者單獨利用定性分析都無法對公司的財務(wù)狀況進行準確分析。因此,從我國的實際情況出發(fā),一個公司如果要對其財務(wù)狀況進行準確預(yù)測,必須將定性分析和定量分析有機結(jié)合起來。
近30年來人工智能(Artificial Intelligence,AI)獲得了迅速的發(fā)展,在很多學(xué)科領(lǐng)域都得到了廣泛應(yīng)用,并取得了豐碩成果。作為人工智能一個重要分支的專家系統(tǒng)(Expert System,ES) 是在20世紀60年代初期產(chǎn)生并發(fā)展起來的一門新興的應(yīng)用科學(xué),而且正隨著計算機技術(shù)的不斷發(fā)展而日臻成熟和完善。專家系統(tǒng)是一種智能的計算機程序,它運用知識和推理步驟來解決只有專家才能解決的復(fù)雜問題 。建立專家系統(tǒng)的主要目的,是利用某一特定問題領(lǐng)域的專家知識,支持和幫助該領(lǐng)域的非專家去解決復(fù)雜問題。專家系統(tǒng)是目前人工智能中一個最活躍且最有成效的研究領(lǐng)域。專家系統(tǒng)有3個特點:(1)啟發(fā)性,能運用專家的知識和經(jīng)驗進行推理和判斷。(2)透明性,能解決本身的推理過程,回答用戶提出的問題。(3)靈活性,能不斷地增長知識,修改原有知識。
目前已研究的專家系統(tǒng)模型有很多種,其中較為流行的有基于規(guī)則的專家系統(tǒng)、基于案例的專家系統(tǒng)、基于框架的專家系統(tǒng)、基于模糊邏輯的專家系統(tǒng)、基于D-S證據(jù)理論的專家系統(tǒng)、基于人工神經(jīng)網(wǎng)絡(luò)的專家系統(tǒng)和基于遺傳算法的專家系統(tǒng)等。根據(jù)財務(wù)危機預(yù)警的相關(guān)知識和各種專家系統(tǒng)的特點,本文選擇前兩種專家系統(tǒng)作為定量分析的研究工具。
基于規(guī)則推理(Rule-based Reasoning,RBR)的方法是根據(jù)以往專家診斷的經(jīng)驗,將其歸納成規(guī)則,通過啟發(fā)式經(jīng)驗知識進行推理。它具有明確的前提,得到確定的結(jié)果。RBR是構(gòu)建專家系統(tǒng)最常用的方法,這主要歸功于大量的成功實例和工具的出現(xiàn)。早期的專家系統(tǒng)大多數(shù)是用規(guī)則推理的方法,如DENDRAL專家系統(tǒng)、MYCIN專家系統(tǒng)、PROSPECTOR專家系統(tǒng)等。基于規(guī)則的方法容易使知識工程師與人類專家合作,易于被人類專家理解。規(guī)則庫中的規(guī)則具有相同的結(jié)構(gòu),這種統(tǒng)一的格式便于管理,同時便于推理機的設(shè)計。
基于案例推理(Case-based Reasoning,CBR)的方法就是通過搜索曾經(jīng)成功解決過的類似問題,比較新、舊問題之間的特征、發(fā)生背景等差異,重新使用或參考以前的知識和信息,達到最終解決新問題的方法。這種類比推理比較符合人類的認知心理。基于案例推理的專家系統(tǒng)具有諸多優(yōu)點:無須顯示領(lǐng)域知識;無須規(guī)則提取,降低了知識獲取難度;開放體系、增量式學(xué)習(xí),案例庫的覆蓋度隨系統(tǒng)的不斷使用而逐漸增加 。基于案例的推理方法適用于領(lǐng)域定理難以表示成規(guī)則形式,而容易表示成案例形式并且已積累豐富案例的領(lǐng)域。綜合CBR和RBR的專家財務(wù)預(yù)警系統(tǒng)結(jié)構(gòu)如圖1所示。
在基于規(guī)則推理和案例推理的財務(wù)危機預(yù)警中,各種預(yù)警模型都可以包含在規(guī)則庫中,并且預(yù)警模型越多、模型越準確、數(shù)據(jù)越詳細、成功實例越多,則該預(yù)警方法越準確;另外,經(jīng)過多次判斷以后,該模型還可以利用專家系統(tǒng)的自學(xué)習(xí)的方法提高以后預(yù)警的準確度。
在基于規(guī)則推理和案例推理的財務(wù)危機預(yù)警中,利用財務(wù)數(shù)據(jù)和成功的預(yù)警案例對公司財務(wù)狀況進行預(yù)警判斷,得出相關(guān)結(jié)果。但這一結(jié)果并未考慮到非量化因素的影響,這樣就可能造成財務(wù)危機預(yù)警的不準確性。為此,還需對非量化因素進行考慮。考慮到非量化因素的模糊性和不確定性,本文采用在這方面具有良好應(yīng)用經(jīng)驗的模糊神經(jīng)網(wǎng)絡(luò)法進行財務(wù)危機預(yù)警。
模糊理論(FT)是以控制領(lǐng)域、計算機領(lǐng)域及OR(operations research)領(lǐng)域為中心進行研究的。模糊控制是把控制經(jīng)驗方面的知識,記述在包含模糊集合的if-then規(guī)則中,并且用推理處理得出結(jié)果的一種方法。在財務(wù)預(yù)警中,危機與正常之間的關(guān)系往往是模糊的,這種模糊性既來自于危機與正常之間關(guān)系的不確定性,又來自于危機與正常在概念描述上的非精確性,因而預(yù)警結(jié)果也必然是模糊的。解決模糊診斷問題的傳統(tǒng)方法,一般是根據(jù)專家經(jīng)驗在危機與正常空間與預(yù)警原因空間之間建立模糊關(guān)系矩陣,常用的方法是將各條模糊推理規(guī)則產(chǎn)生的模糊關(guān)系矩陣進行組合,用與邏輯或并邏輯。
隨著模糊理論的發(fā)展及完善,模糊理論的一些優(yōu)點逐步被重視,如模糊理論可適應(yīng)不確定性問題;模糊知識庫使用語言變量來表述專家的經(jīng)驗,更接近人的表達習(xí)慣;模糊理論能夠得到問題的多個可能的解決方案,并可以根據(jù)這些方案的模糊度的高低進行優(yōu)先程度排序等。財務(wù)危機預(yù)警中的不確定因素對于要求嚴格匹配搜索的專家系統(tǒng)來說,很容易導(dǎo)致錯誤的結(jié)果,在專家系統(tǒng)中融入模糊理論后,系統(tǒng)由精確推理變?yōu)榻仆评?在相當程度上會增強專家系統(tǒng)的容錯性。本系統(tǒng)采用模糊推理控制法,模糊推理控制法可用一個如圖2所示的神經(jīng)網(wǎng)絡(luò)構(gòu)成。圖2中e和P為模糊推理控制法的兩個輸入,NA,NB,NG等是e和P劃分的7個模糊集,可用三角型隸屬度函數(shù)Gauss表示,u′為總的輸出,Wi為第i個模糊規(guī)則對于輸出的作用權(quán)值,ui表示第i條模糊推理規(guī)則的隸屬度。 一般模糊神經(jīng)網(wǎng)絡(luò)BP學(xué)習(xí)方法是一種建立和調(diào)整模糊推理的良好方法,但這種方法本質(zhì)上是一種只考慮局部區(qū)域的梯度法,缺乏全局性,有可能僅優(yōu)化到局部極值部分,其調(diào)整的收斂性依賴于初始狀態(tài)的選擇。而遺傳算法是一種基于生物進化過程的隨機搜索的全局優(yōu)化方法,它通過交叉和變異大大減少了初始狀態(tài)的影響,使搜索得到最優(yōu)化結(jié)果而不停留在局部最小處。遺傳算法不僅可以優(yōu)化模糊神經(jīng)推理系統(tǒng)的參數(shù),而且可以優(yōu)化模糊神經(jīng)推理的結(jié)構(gòu)。使用遺傳算法可以修正冗余的隸屬度函數(shù)和網(wǎng)絡(luò)的節(jié)點數(shù),以優(yōu)化模糊神經(jīng)推理系統(tǒng)的結(jié)構(gòu)。為了發(fā)揮GA算法和BP算法的長處,可用GA算法優(yōu)化具有全局性的參數(shù)和網(wǎng)絡(luò)結(jié)構(gòu),用BP算法調(diào)節(jié)和優(yōu)化具有局部性的參數(shù)。這樣,在GA算法作為一種離線訓(xùn)練模糊神經(jīng)推理法的情況下,用BP算法作為一種在線調(diào)節(jié)神經(jīng)網(wǎng)絡(luò)的局部性參數(shù)的方法。這兩種方法綜合使用,可以大大提高模糊神經(jīng)推理控制系統(tǒng)的自學(xué)習(xí)性能和魯棒性。對于圖2所示的模糊神經(jīng)推理網(wǎng)絡(luò),它的前提是部分采用了Gauss型的隸屬函數(shù),其中心參數(shù)和寬度參數(shù)是全局性參數(shù),可用遺傳算法來調(diào)整和優(yōu)化,而推理規(guī)則的結(jié)論部分中的權(quán)值具有局部性,所以可采用BP算法在線調(diào)節(jié)。這樣把兩種學(xué)習(xí)算法結(jié)合起來,取長補短,發(fā)揮各自的優(yōu)點。
經(jīng)分析可知,基于規(guī)則推理和案例推理的財務(wù)危機預(yù)警方法,在公司財務(wù)數(shù)據(jù)準確、詳細、非量化因素影響少的情況下有較高的準確性,而在非量化因素影響大、財務(wù)數(shù)據(jù)不夠全面、準確的情況下則準確性較低。而基于模糊神經(jīng)網(wǎng)絡(luò)的危機預(yù)警法則正好相反。因此,為了能夠在各種公司的不同情況下,都能較準確地對財務(wù)狀況進行判斷,有必要將兩者結(jié)合起來進行綜合判斷。基于信息融合技術(shù)的預(yù)警方法就是將兩者獲得的結(jié)論和推理過程有機結(jié)合起來以獲得更準確的判斷結(jié)果。其結(jié)構(gòu)如圖3所示。
為驗證上述基于專家系統(tǒng)的財務(wù)危機預(yù)警方法的準確性,本文選取了12家上市公司5年的財務(wù)數(shù)據(jù)和一些相關(guān)經(jīng)營信息進行了預(yù)警分析。結(jié)果表明,在不考慮定性因素的影響下,基于規(guī)則推理和案例推理的定量預(yù)警方法,當數(shù)據(jù)庫中成功案例的數(shù)量大于43例后,其預(yù)警的準確性較以前的模型有一定的提高,且成功案例越多,案例特點與預(yù)警案例越接近,則準確性也越高。對定性預(yù)警方面,由于很難獲取公司該方面的全面信息,本文未作詳細驗證比較。通過上述分析可見,將其他專業(yè)的成功方法如專家系統(tǒng)、小波分析、信息融合等研究方法、技巧、思路引入到財務(wù)預(yù)警當中來,將非常有助于提高財務(wù)危機預(yù)警的成功率,并且這些方法也已經(jīng)有了相關(guān)計算模塊,為借鑒和驗證提供了強有力的工具。
主要參考文獻
[1] 瞿天易. 利用現(xiàn)金流量綜合分析數(shù)據(jù)改進上市公司財務(wù)危機預(yù)警[J]. 華東經(jīng)濟管理,2004,(8):169-171.
[2] 黃莉. 企業(yè)內(nèi)部財務(wù)危機綜合模糊預(yù)警研究[D]. 武漢:華中科技大學(xué),2005.
[3] 車曉娜. 財務(wù)危機預(yù)警模式[J]. 上海會計,2001,(11):53.
[4] 王士同,陳慧萍,趙躍華. 人工智能教程[M]. 北京:電子工業(yè)出版社,2001.
[5] 王耀南. 智能控制系統(tǒng)——模糊邏輯·專家系統(tǒng)·神經(jīng)網(wǎng)絡(luò)控制[M]. 長沙:湖南大學(xué)出版社,2000.
