上市公司财务实证比较
［摘 要］ 企业之间的财务比较，往往通过财务指标来反映，而仅仅比较财务指标有时并不一定能真实反映两企业之间的财务差异。这是因为企业所属的行业不同，行业间的资金流动、资产运作状况的差异，都可能使得同样的财务指标反映出不同的财务信息。本文拟通过神经网络方法，对房地产行业和汽车行业的财务数据建立预警模型，并将一个公司的数据分别代入两个模型预警，比较不同行业财务指标在反映财务状况方面的差异。
［关键词］ 神经网络；行业；财务状况；流动性；模型
在投资中，投资者希望能从众多的上市公司中选择财务状况好的公司进行投资，公司的财务状况可以通过财务指标来反映。在会计中，对财务指标的分析仅仅是针对单个财务指标的数值进行分析，主要观察财务指标在不同时间的数值变化来对财务状况进行判断。例如在对偿债能力的分析中用到的流动比和速动比两个指标，会计分析中认为流动比为2，速动比为1时，企业偿债能力较好。然而，所处的行业不同，公司的资金流转情况、资产的运作状况都有较大差别，即使两家公司的流动比都为2，也不能说明两家公司的偿债能力一样。
一、 实证比较的研究设计
（一）研究思路和方法
在上市公司财务对比分析中，公司所属行业不同是其财务状况差异的一个重要影响因素。本文中将选择房地产板块和汽车制造业板块的上市公司作为比较研究的对象，在这两个不同行业中分别选择一部分公司作为研究样本，从反映4类财务状况——经营效益、偿债能力、盈利能力和成长能力的指标中选取一部分财务指标作为财务分析指标，用神经网络对两个行业分别建立两个财务评价模型。检验所建模型的信度和效度，通过检验后，用同样的财务指标，在两个模型中分别进行评价，比较评价结果在两个行业中是否存在不同，从而反映出行业因素对于财务状况的影响。
模型建立运用神经网络方法，所建立的神经网络模型表现为一个多输入、单输出的非线性结构，由输入层、输出层和若干隐层组成的前向连接模型，同层神经元互不连接，相邻层的神经元通过权重连接。然后用足够的样本模式训练这个神经网络，通过神经网络的自适应学习，使不同的输入向量得到不同的输出值。这样，神经网络所具有的连接权值,便是网络经过学习所得到的内部表示，训练好的神经网络便可以作为一种定性与定量相结合的有效工具进行预测。
模型检验运用SPSS统计分析软件进行，主要检验模型的信度和效度。信度和效度是在模型检验中通常使用的两个技术性指标。所谓信度就是指测量、预测数据和结论的可靠性程度。效度是指测量工具测出变量的准确程度。换言之，效度指的是测量的有效性，即测量工具能准确、真实、客观地度量事物属性的程度，效度越高，即表示测量结果越能显示出所要测量的对象的真正特征。
（二）样本选择
按照以上研究思路，我们选取了深圳和上海市场房地产板块的70家上市公司和汽车制造业板块的59家上市公司（按照上交所和深交所行业划分办法），剔除数据不全以及上市年份少于3年的公司，共获取了30家房地产板块公司和30家汽车制造业板块公司作为样本，并且从深交所网站获取这些公司的2006年公司年报数据及行业评级结果（深交所网站的行业评级主要参考企业每股收益数据）。
（三）数据收集及分析指标选取汽车之家上市
反映财务状况的指标有4类：经营效益、偿债能力、盈利能力和成长能力。反映经营效益的
财务指标有存货周转率、应收账款周转率、主营成本比例、营业费用比例、管理费用比例、财务费用比例和总资产周转率等7个指标。反映偿债能力的财务指标有流动比率、速动比率、现金流动负债比、股东权益比、流动负债率和负债权益比等6个指标。反映盈利能力的财务指标有经营净利率、经营毛利率、资产利润率、资产净利率、净利润率、净资产收益率、税前利润增长率和净资产收益率增长率等8个指标。反映成长能力的财务指标有主营收入增长率、净利润增长率、总资产增长率、股东权益增长率和主营利润增长率5个指标。
由于企业的财务指标较多，分析时不可能全部采用，为了保证使用的财务指标有效性，只能选用有代表性的几个指标。本文所选取的分析指标为：速动比、应收账款周转率、资产利润率、总资产增长率。
根据样本确定情况，分别收集房地产行业和汽车制造业的财务数据资料（见表1、表2）。
二、实证比较
（一）模型建立
模型建立步骤：
步骤1网络的初始化，确定各层节点的个数，将各个权值和阈值的初始值设为比较小的随机数；
步骤2确定的4个财务指标作为输入样本，公司行业评级作为相应的输出,对每一个样本进行学习，即对每一个样本数据进行步骤3到步骤5的过程；
步骤3根据输入样本算出实际的输出及其隐含层神经元的输出；
步骤4计算实际输出与期望输出之间的差值，求输出层的误差和隐含层的误差；
步骤5根据步骤4得出的误差来更新输入层-隐含层节点之间、隐含层-输出层节点之间的连接权值；
步骤6求误差函数E，判断E是否收敛到给定的学习精度以内(E≤拟定误差ε)，如果满足，则学习结束，否则，转向步骤2继续进行。
（二）模型训练
提取的速动比、应收账款周转率、资产利润率、总资产增长率数据作为输入样本，将行业评
级进行量化，“优”量化为“1”，“中等”量化为“2”，“差”量化为“3”，量化后行业评级作为输出样本，创建广义回归神经网络，进行训练。将收集到的行业财务数据输入神经网络模型进行训练。
将房地产行业30家企业中的后10家作为训练样本并预测。图1为训练样本的训练误差图，从图中可以看出，经过500次训练后，误差已很接近0，最大误差小于1.5×10-6，达到要求，表明训练结果精确程度高。10家企业的行业评级预测结果为：
分别为：差，差，中等，差，中等，中等，优，差，差，差。与实际评级结果一致。
将汽车制造业30家企业中的后9家作为训练样本并预测。图2为训练样本的训练误差图，从图中可以看出，经过500次训练后，误差已很接近0，最大误差小于3×10-5，达到要求，表明训练结果精确程度高。9家企业的行业评级预测结果为：
分别为：差、中等、优、中等、差、差、差、差、差。与实际评级结果一致。
（三）模型检验
1. 结构效度检验
在建立模型时用到了速动比、应收账款周转率、资产利润率、总资产增长率这些财务指标，这4个财务指标分别反映了偿债能力、企业经营效益、盈利能力和成长能力，而反映这些能力的财务指标有很多，选用这4个指标是否有效，是结构效度的检验内容。结构效度的检验采用的是极大方差正交旋转的因子分析法。以下是结构效度的检验。表3~表6是收集A公司（属汽车制造业）的速动比、应收账款周转率、资产利润率、总资产增长率指标。
因子分析法提取因子结果如下：
经营效率提取因子分析结果即旋转后因子载荷矩阵见表7。
从表7中可以看出，存货周转率、应收账款周转率和总资产周转率的因子载荷较大，考虑到应收账款在财务分析中的重要地位，提取应收账款周转率作为经营效率分析指标。
偿债能力提取因子分析即旋转后因子载荷矩阵见表8。
从表8中可以看出，在第一主要因子中流动负债率的因子载荷较大，在第二主要因子中速动比的因子载荷较大，考虑到流动负债比在一定程度上可以通过速动比反映，所以提取速动比作为偿债能力分析指标。
成长能力提取因子分析即旋转后因子载荷矩阵见表9。
从表9中可以看出，净利润增长率为第一主要因子，总资产增长率为第二主要因子，考虑到成长能力在财务分析的重要程度及盈利能力中有利润指标，选用总资产增长率作为成长能力分析指标。
盈利能力提取因子分析即旋转后因子载荷矩阵见表10。
从表10中可以看出，资产净利率为第一主要因子，资产利润率、经营毛利率为第二主要因子，其因子载荷接近1，是较为有效的分析指标。考虑到指标资料可获取性，选用资产利润率作为分析指标。
2. 模型效度检验
模型有效性检验，关键是考察预测值与实际值之间有无显著差别，方差分析就是实现这一功能的方法。方差分析的基本思想是：通过将总变异平方和（SST）分解为控制因素引起的离差SSA（组间离差平方和）和随机变量引起的离差SSE（组内离差平方和），计算检验统计量F及相伴概率值p，若相伴概率值p小于显著性水平α，则认为控制变量不同水平下样本间有
显著差异；反之，则认为控制变量不同水平下样本间没有显著差异。
其中k为水平数，n为第i个水平下的样本容量。
检验统计量
F =。（5）
从F的计算公式可以看出，若控制变量不同水平对观察变量有显著影响，那么观察变量的组间离差平方和必然大，F值也大；相反，若控制变量不同水平对观察变量没有显著影响，那么观察变量的组内离差平方和必然大，F值就小。
以房地产行业模型中后10个样本作为训练样本，将实际评级量化，代入建立的模型得预测评级结果如下：