第!"卷第#期
!""$年%月
统 计 与 信 息 论 坛 &’()!"*’)#
+,(-，
!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
!""$
收稿日期：!""#.//."%
作者简介：魏红刚（/0%#. ），男，汉族，黑龙江省齐齐哈尔市人，硕士，助教，研究方向：市场调研。
【统计应用研究】
一次基于平均策略的判别财务危机试验
魏红刚
（山东大学 威海分校商学院，山东 威海!1#!"0）
摘 要：文章基于平均策略，使用23神经网络对贝叶斯判别、费歇尔线性判别和(’456758回归判别财务危
机的输出新变量进行加权平均再判别，并和单一方法判别的效果比较。应用双层分类器做了一次财务危机判
别的新尝试。
关键词：财务危机；判别分析；(’456758回归；23神经网络
中图分类号：9!/! 文献标识码：: 文章编号：/""%.;//1（!""$）"#.""%"."#
一、引 言
判别分析和(’456758回归都是判别归类过程，用
于将对象分成不同的集合，本质上具有探索性，通常
在因果关系不明了的情况下被一次性地用来对所观
察到的差别进行调查。例如，财务危机和非危机公
司的财务状况有明显的不同，这两类公司的财务信
息记录会表明这个差别，判别分析就可以对观察到
的这个差别进行调查，给出很好的区分两类公司的
判别规则，进而可以进一步用于财务危机预测。
作为常用的量化研究财务危机方法，判别分析
和(’456758回归经常被用于财务危机预测。在国内
的研究中，陈静（/000）的《上市公司财务恶化预测的
实证分析》一文使用!%家同行业同规模的<=公司
与非<=公司的财务数据（/00$!/00%年）进行了多
元判别分析［/］。张玲在!"""年的《财务危机预警分
析判别模型及其应用》文中以/!"家公司为研究对
象，使用其中1"家公司的财务数据估计二类线性判
别模型，并使用另外1"家公司进行模型检验［!］。吴
世农和卢贤义（!""/）的《我国上市公司财务困境的
预测模型研究》使用线性概率模型、费歇尔二类线性
判别模型、(’456758回归模型三种多元判定分析方
法，对上市公司的财务困境进行判别预测［;］。此
外，神经网络方法已经开始被应用于构建和估计财
务困境预测模型。如柳炳祥等的《基于粗神经网络
的企业财务危机预警方法》［#］一文。
由于搜集到的公司财务数据分布特征的原因，
判别分析和(’456758回归或者其它的方法如23神经
网络在正确判别率上互有高下，并不能肯定在普遍
的情况下，有一种方法卓而不群。现实中搜集数据
是受到制约的，对于现象的真实分布特征也难以确
定，因此使用公司财务数据样本研究财务危机判别
问题，每一种方法都有参考价值。到底应该选择使
用哪一种方法，没有通用的答案，方法的选择必须依
赖于问题、数据和目标的特征。如果目前的理论无
法对实践结果作出解释，那么很多时候必须通过对
性能的实验性比较来指导选择不同的方法。
既然有很多不同的模型可以实现财务危机判别
这一目的，每一种方法都有参考价值，本文希望先估
计出几个判别模型，然后对它们输出的可直接判别
的新变量再加权平均后判别，最后通过模型性能的
实验性比较来判断这种基于平均策略的试验效果，
期望这种对多方法判别输出变量判别能够提高正确
判别率。
二、多判别财务危机模型加权平均设计
（一）选择判别财务危机模型
在可以使用的判别财务危机模型当中，单变量
"% 万方数据
判别模型的效率明显劣于多变量判别模型［!］。在
多元判别模型中，贝叶斯判别模型、费歇尔线性判别
是使用较广泛的传统方法。而"#$%&’%(模型是现在
最流行的方法。至于神经网络方法，适合样本数据
很大的场合。这里选择多元判别分析中的贝叶斯判
别模型、费歇尔线性判别和"#$%&’%(模型对观测样本
分别判别，再对它们的输出变量加权平均，进一步精
确判别。
（二）判别模型权重的确定
对判别模型和"#$%&’%(模型的判别输出变量进
行加权平均，权重的选择主观上难以确定，如果能够
从输出变量数据本身取得客观的权重，那么应该是
不错的选择。由于)*神经网络特别适合线性可分
的样本数据，而多方法判别输出变量是可以直接用
于判别分类的观测类属后验概率，即线性可分数据，
所以选择)*神经网络对三个模型的输出变量进行
加权平均。三个模型的输出作为)*网络的输入，
)*网络自我学习，给输入以适当的权并加总，加总
结果输入给输出神经元，输出神经元输出可识别的
类值。显然这个过程是加权平均单一模型输出可直
接判别样本类属新变量后的判别分类，得到可明显
识别观测所属的类值。
（三）计算和平均多个判别模型的工具
多元判别分析和"#$%&’%(回归分析的计算量很
大，使用)*神经网络对它们的结果加权平均听起
来也很难。令人欣喜的是有很多工具可以简化工
作，如+*++、+,+和 -,./,)等统计分析软件都
可以使用。本文所有分析数据结果都是使用+,+
软件得出的。
三、多判别模型的加权平均试验
（一）样本和变量
样本为01家综合板块的上市公司1222!3441
年的财务比率观测，共55条样本数据（略），其中包
括1!家+.公司的财务比率观测。这些公司都处
于广州、深圳和上海等发达地区，以期望较好市场条
件下的公司公布的财务信息更真实。
财务比率变量的选择是依据它的性质：从变现
能力、资产管理比率、负债比率、盈利能力、投资收益
和现金流量等方面中选取，共取16种财务比率，见
表1，假定这16种财务比率能代表上市公司几乎全
部的财务特征，事实上，从各个方面选取就是期望这
一点。显然即使假设的满足，那么这方面的信息也
只是公司财务分析的范畴。而对一个公司的全面调
查，至少还应该包涵公司的行业面、宏观面以及其无
形资产如品牌效应等方面。
因此，从财务比率的特征去做财务危机判别存
在误差是难免的，只希望能够找到总体稳定的趋势，
依据样本依赖趋势的程度来对样本做出评判。因
此，用财务信息做财务危机判别的一个隐含的假设
就是：样本的宏观政策面等大环境和行业面的水平
都是相同的。所以用通用的财务比率财务危机判别
存在局限性，本文只选取综合板块的上市公司是想
尽量减少假设的影响。
表1 财务比率变量符号表示、标签及说明
变量 变量标签 变量说明 计算公式
!1 流动比率 反映变现能力 流动资产／流动负债
!3
流动负债经营
活动净现金流比
反映短期偿债能力 经营活动净现金流／流动负债总额
!6 资产负债率 反映负债水平 负债总额／资产总额
!0 负债权益比率 反映财务结构是否稳定 股东权益／负债总额
!! 有形资产债务率 反映偿债保障 负债总额／（股东权益7无形资产净额）
!8 利息保障倍数 反映偿债能力 税息前利润／利息费用
!9 应收账款周转率 反映资产管理效率 销售收入／平均应收账款
!5 存货周转率 反映资产管理效率 销售成本／平均存货
!2 流动资产周转率 反映资产管理效率 销售收入／平均流动资产
!14 主营业务利润率 反映盈利能力 净利／主营业务收入
!11 成本费用利润率 反映管理能力 经营成本／经营费用
!13 净资产收益率 反映盈利能力 净利润／年末净资产
!16 现金自给率 反映现金获取能力 自有现金／（自有资金:银行存款）
;10 分类变量 表明类属（取1或4） 1值为非危机，4值为财务危机
注：分类变量是定义的响应变量，也称目标变量。
19
魏红刚：一次基于平均策略的判别财务危机试验
万方数据
（二）贝叶斯判别、费歇尔线性判别和!"#$%&$’回
归单一模型判别
（(）费歇尔线性判别
应用)*)的+*,-)+模块，选用.-)/01判
别。判别结果说明：原始(2个3值类样本被正确分
到3值类，(4个3值类被错分到(值类。53个(值
类样本被正确分类，4个(值类样本被误分。计算
可得：原始样本正确判别率为627(8。3值类样本
为)9公司，(值类样本为非)9类。输出的新变量
（样本(类属后验概率）见表4。
（4）贝叶斯判别
使用)*)的,-)+1-:模块对案例数据进行处
理，采用全模型。正确判别率为;57428。贝叶斯
判别输出新变量（样本(类属后验概率）见表4。
（<）!"#$%&$’回归
使用)*)软件的=>?-)9-+模块对样本数据
进行处理。正确判别率6<8。输出的新变量（样本
(类属后验概率）见表4。
表4 新变量表
$@ !"# $%& ’() $@ !"# $%& ’() $@ !"# $%& ’()
( 37653( 3762AB 37A2(2 <( 37623B 37;6<B 376;;3 5( 37;6A6 37A3(5 376;32
4 3755(< 376B4; 37663< <4 376;6( 37AA<4 37A2(2 54 37642B 37A;(( 37A3B6
< 37B6A3 372<6< 376362 << 37A(62 37AAB( 37A536 5< 37A;AA 37AA<4 37A432
2 372(66 37<A53 37555( <2 375624 37BA3A 37;B53 52 37A;(B 37663A 3765B(
B 37;A;; 3753(( 3765;4 <B 37;243 37B<(3 37;<62 5B 375B3A 375<<5 37;5BA
5 37633A 37;435 3765(4 <5 3752<2 37(A;; 375;;6 55 37;25B 37;;6; 376<((
; 373B5A 37<2(5 374(<A <; 37A(24 37;(2< 37A2;6 5; 375(6( 3764<5 37;;B4
6 37352B 37<5(( 37<(;< <6 37;233 3762<2 376(2( 56 37;B42 37A36( 37653;
A 372<A4 37BAA4 375A55 <A 376(6; 376A6B 376;5< 5A 376(;6 37A<;; 376A22
(3 374(3( 37BB2B 372B(A 23 3724;B 37<4(3 375646 ;3 37A<;5 (73333 37A66(
(( 376(;2 375;<( 376;(( 2( 3764A2 37A(B( 376<(; ;( 37<334 375A(5 37453<
(4 37;<5; 37A3B< 376;43 24 37BA32 37;6A3 3763;5 ;4 37;;5B 37;4B5 37223<
(< 37(3<( 37<3;6 37<32< 2< 37;3A4 37665( 376225 ;< 37A(4A 37AA(A 37A4A6
(2 374(2A 37B<(2 37<5;( 22 37AB62 37;454 37;<5; ;2 37AA3( (73333 37AA<6
(B 37B54B 37B665 376325 2B 37A;(< 37;<4B 37;<62 ;B 37AB24 (73333 37A;55
(5 374B;3 37BB;3 372;24 25 376(4( 37A566 376A44 ;5 37;(43 37242; 37;;4(
(; 375A6< 3755B4 37;523 2; 376(42 37A565 376A6< ;; 375(46 37B(A5 37;3<A
(6 37332; 37(<BB 373B46 26 375B;< 375AA3 37;;4( ;6 375B;< 37;2<; 376(2(
(A 37<B;4 37;564 374(3B 2A 372;55 37;3<2 37;53A ;A 3763;4 37A<2< 37A354
43 37(2BB 372(;; 37(35A B3 37B4<< 37B;5; 3756B4 63 37;<5; 375B5B 3764<4
4( 3733(5 3735<5 3735;5 B( 37;444 37;;(( 3763BB 6( 37B;64 375B<B 375A<6
44 3733;; 37(;<( 3743A4 B4 3743B4 37B5BA 37BB2< 64 3726<< 372;B< 37B;62
4< 373344 37;332 37332; B< 37BB;; 37;5(( 37;;63 6< 37;22< 376A(2 376246
42 3735(4 372(24 37<B53 B2 37;(6; 37B6<; 37;52B 62 375<3B 37;2BA 37646;
4B 37453A 37BA3< 37;422 BB 37;54< 37B2(3 376333 6B 37A264 37AAA5 37A5BB
45 373<;B 37<A65 374AB( B5 37;5A4 3765;( 376A;2 65 37AB66 37AA;4 37A;;B
4; 37AB;6 37AAAA 37A6<B B; 37245( 375;4B 376;(2 6; 376633 37AA(3 37A2<5
46 376656 37AA25 37ABA( B6 372;4< 37BA(6 37;AA< 66 37A353 37A6A4 37AB36
4A 376653 37A;A5 37A24; BA 372<;< 37B4<5 37;5AB
<3 37622( 37A(62 376B62 53 375;3( 37B<(2 375A;4
（三）CD神经网络加权平均
设贝叶斯判别、!"#$%&$’回归和费歇尔判别输出
的新变量（样本(类属后验概率）分别为!"#、$%&和
’()，它们作为CD神经网络的输入。新变量数据见
表4。选用)*)的,:模块中CD神经网络工具对
新变量加权平均后判别，样本正确判别率为6;8。
四、结 论
试验结果表明：加权平均后正确判别率比单一
判别方法的判别率提高了。单一方法和加权平均再
判别率比较见表<。
表<的比较说明，单一方法正确判别率中，费歇
尔判别最高，为627(8，贝叶斯判别最低，为
;57428。加权平均正确判别率高于每一种单一方
法，达到了6;8。正如期望，加权平均是再次的精
确判别，因为单一方法的输出结果直接可以建立判
别准则并判别，如把37B作为(类和3类属的判别
界限，就可以得出单一方法的正确判别率。可见用
4;
统计与信息论坛
万方数据
!"神经网络的加权平均后判别，不是简单的加权平
均单一方法的判别率，而是对单一方法输出的可直
接判别的新变量进行的二次精确判别调整。可以这
样理解!"网络的加权平均：单一方法分别给出了
两个类属的分割平面，费歇尔判别、贝叶斯判别和
#$%&’(&)回归由于判别原理不同，它们给出的分割平
面不同，尽管目的相同并出自同一样本数据。在不
区分单一方法哪一个最好的前提下，!"神经网络以
样本观测真实类属做依据，优化单一方法的分割平
面的形状和位置，计算出更优的分类平面。
表* 单一方法和加权平均方法判别效率表
方法 +&’,-.判别 贝叶斯判别 /$%&’(&)回归 加权平均
正确判别率（0） 1234 56372 1* 15
基于平均策略的财务危机判别试验，实际上是
构造了两层分类器，第一层即为并列的多个单一判
别模型，第二层为!"神经网络。利用!"神经网络
最适合明显的线性可分数据，尤其二分类数据的优
点，用它对单一模型输出的可直接用来判别的样本
类属新变量加权平均再判别。试验的确提高了判别
率，但幅度仅仅近*个百分点，而且由于增加计算
量，导致和单一方法相比效率更低。仅希望本文较
新的平均加权或二层分类器的设计对判别预测研究
者有所启发。
参考文献
［4］ 陈 静3上市公司财务恶化预测的实证分析［8］3会计研究，4999，（2）3
［7］ 张 玲3财务危机预警分析判别模型与应用［8］3预测，7:::，（6）3
［*］ 吴世农，黄世忠3我国上市公司财务困境的预测模型研究［8］3经济研究，7::4，（6）3
［2］ 柳炳祥，盛昭翰3基于粗神经网络的企业财务危机预警方法［8］3中国工程科学，7::7，（1）3
［;］（<=-.&)>）<#(=>?@3+&?>?)&>#A>(&$’，B&’).&=&?>?(<?>#C’&’>?D(,-".-D&)>(&$?$EF$.G$.>(-!>?()C［8］38$I.?>#$E
+&?>?)-，4961，7*（J-G(3）：;19K6:93
（责任编辑：崔国平）
!"#$%&’()$*+#$,$(%-$(./$(%(+01#$*$*2%*03’(!40#%.05-#%
L@MN$?%O%>?%
（J),$$#$EPI’&?-’’，J,>?D$?%Q?&R-.’&(C>(L-&,>&，L-&,>&7627:9，J,>?D$?%）
!7*-#%+-：S,->I(,&’).&=&?>(-’E&?>?)-).&’&’$E)$.G$.>(&$?’T&(,(,-$I()$=-’$EB&’).&=&?>?(>?>#C’&’，
+&’,&’).&=&?>?(，>?D/$%&’(&).-%.-’’&$?PC=->?’$E!"?-I.>#?-(T$.HP>’-D$?>R-.>%-’(.>(-%C，>?D
)$=G>.-’(,-&.-EE-)(’3J$(,->.(&)#-D$-’>?-T(.&>#’(IDC$?D&’).&=&?>(&?%E&?>?)-).&’&’，>GG#C&?%D$IP#-
)#>’’&E&)>(&$?)$?(>&?
8069’#3*：+&?>?)&>#).&’&’；B&’).&=&?>?(>?>#C’&’；/$%&’(&).-%.-’’&$?；!"?-I.>#?-(T$.H3
*5
魏红刚：一次基于平均策略的判别财务危机试验
万方数据
