编辑推荐：
本文通过比较Logit、Probit、极值模型与人工神经网络（ANN）在台湾电子产业（2012-2024年）的预测表现，发现ANN模型以98%的准确率显著优于传统方法。研究识别出总资产报酬率（ROAA）低于7.03%和总资产成长率（TAG）低于-9.05%两个关键非线性阈值，为构建高精度早期预警系统提供了数据驱动的决策依据。
1. 引言
财务困境预测与风险管理是确保公司财务稳定与可持续发展的关键环节。随着全球市场波动加剧，早期识别财务困境对于企业、投资者及政策制定者采取风险缓解措施至关重要。传统上，Altman的Z-score、Springate等统计模型被广泛用于预测财务困境，但它们在处理复杂、非线性关系方面存在局限。
近年来，随着大数据与人工智能（AI）技术的兴起，机器学习与深度学习显著提升了财务困境预测的准确性。然而，现有研究在整合高分辨率、行业特定数据集、采用定制化神经网络架构以及检验关键财务比率（如ROAA和TAG）的阈值效应方面仍存在不足。
本研究旨在填补这些空白，通过结合定量财务分析与深度学习，利用台湾经济新报（TEJ）数据，对台湾电子产业进行财务困境的早期检测。研究构建了一个多层人工神经网络（ANN），并与传统方法进行基准测试，同时识别了总资产报酬率（ROAA）和总资产成长率（TAG）的非线性阈值效应。通过子样本分析揭示了制度依赖效应，为风险管理和企业韧性提供了统计与经济学层面的深刻见解。
2. 相关文献
财务困境预测模型经历了从传统应计制模型到更复杂的现金流整合模型的演变。早期模型如Altman的Z-score主要关注基于应计制的财务比率，但其跨行业和跨时期的普适性受到挑战。随着机器学习与先进统计方法的发展，逻辑回归、决策树和神经网络等技术被应用于开发更复杂的模型。
近期研究在预测财务困境方面取得了显著进展，通过整合机器学习、人工智能和混合分析模型，提升了预测精度。尽管逻辑回归等传统统计方法仍是可靠的基准，但当前研究越来越关注利用非线性、数据驱动的技术来增强预测准确性。支持向量机、随机森林以及AdaBoost和CUSBoost等集成方法被用于提升模型的稳健性和适应性。基于深度学习的框架已成为强大的替代方案，利用多模态数据、文本和情感分析以及注意力引导的神经网络来识别复杂的非财务困境因素。
3. 数据与方法论
3.1. 数据收集
本研究的数据来源于台湾经济新报（TEJ）数据库，涵盖2012年至2024年台湾电子产业的公司信息，包括财务困境公司和非困境公司。在剔除缺失值后，实证分析基于11,787个观测值进行。该数据集代表了1,014家公司的广泛样本，提供了研究期间台湾电子产业动态的全面视角。
财务困境（FD）的识别采用TEJ的事件型指标。若公司因财务或运营失败随后被下市或从柜台市场移除，则该年度及之前所有年度均被归类为困境。因此，困境被定义为事后状态。最终样本包括561个困境公司年度观测值和11,226个非困境公司年度观测值。
3.2. 二元因变量模型
本研究比较了三种常用的二元因变量模型：Logit模型、Probit模型和极值模型。
- •
Logit模型：假设潜在变量服从逻辑分布，其系数代表对数几率的变化。
- •
Probit模型：假设潜在变量服从标准正态分布，其系数代表潜在变量标准差的变动。
- •
极值模型：假设误差项服从极值分布，属于半参数模型，在捕捉异质性和未观测因素方面更具灵活性。
同时使用这三种模型对同一数据集进行分析具有多重优势，包括提供稳健性和敏感性分析，以及通过性能指标和拟合优度标准进行模型比较与选择。
4. 实证结果分析
实证结果表明，多个变量在所有三个模型中均具有统计显著性。这些模型实现了从94.29%到97.05%的高准确率，表明它们在预测财务困境方面表现良好。然而，某些系数在不同模型间表现出不同程度的显著性，例如总资产报酬率（ROAA）在Logit和Probit模型中显著，但在极值模型中不显著。这些差异凸显了根据数据特征和研究目标选择合适建模方法的重要性。
鉴于传统统计模型在预测财务困境方面的局限性，构建实用的人工神经网络（ANN）提供了一种有前景的途径。ANN擅长处理非线性关系和捕捉数据中的复杂模式，这通常存在于财务困境预测场景中。
5. 深度神经网络
5.1. 模型架构
本研究构建了一个用于财务困境预测的深度前馈神经网络（DNN）。该架构包含一个具有15个节点的输入层，对应输入特征；四个隐藏层，分别包含80、64、32和32个神经元，均使用修正线性单元（ReLU）激活函数；以及一个使用S型（Sigmoid）激活函数的单神经元输出层，适用于二元分类任务。
5.2. 模型训练与评估
模型训练了1,000个周期，批次大小为500。采用公司级别的训练/测试分割（70%的公司用于训练，30%用于测试），并在训练集内进行20%的验证分割以监控过拟合。预测概率使用0.5的阈值转换为二元困境预测，并使用准确率、精确率、召回率、F1分数、ROC-AUC和混淆矩阵进行评估。
5.3. 性能比较
研究结果凸显了人工神经网络（ANN）模型相较于传统Logit、Probit和极值模型的优越预测性能。
- •
整体表现：ANN模型在整体准确率上表现最佳，达到了98%的准确率。其宏平均F1分数（0.81）和加权平均F1分数（0.96）均高于其他模型，表明其在两个类别上具有更均衡的性能。
- •
类别表现：对于非困境类别（FD = 0），所有模型均实现了完美的精确率（1.00）和高特异性。对于财务困境类别（FD = 1），ANN表现出显著更高的精确率（0.97）和F1分数（0.96），而传统模型的精确率约为0.47-0.49，F1分数约为0.64-0.65。
- •
混淆矩阵分析：ANN模型在假阳性（FP = 13）和假阴性（FN = 13）方面均实现了最低计数，使其成为整个数据集中最准确的模型。相比之下，极值模型、Logit模型和Probit模型虽然对正类实现了完美的召回率（FN = 0），但这是以增加第一类错误（假阳性）为代价的。
5.4. 稳健性检验
为了评估ANN模型对极端观测值的稳健性，研究进行了敏感性分析，将所有财务比率在1%和99%分位数处进行缩尾处理。缩尾后，ANN模型的整体准确率仍保持在97%的高水平，ROC-AUC为0.9555，表明其具有很强的判别能力。然而，对财务困境（FD = 1）的敏感性有所下降，召回率降至0.59，F1分数降至0.65，表明缩尾处理移除了一些与困境案例相关的极端但具有信息量的信号。
此外，通过五折交叉验证，ANN模型在所有五个折数中都保持了强劲且一致的表现，准确率在0.9915至0.9958之间，ROC-AUC分数在0.9748至0.9997之间，证实了模型的稳健性和泛化能力。
6. 财务困境的信号
本研究应用阈值技术来确定区分财务困境公司和非困境公司的具体临界值，作为提高模型预测准确性的关键步骤。
6.1. 总资产报酬率（ROAA）的非线性信号
通过Bai和Perron（2003）多重结构断点检验，研究识别出ROAA = 7.03%是财务困境对盈利能力影响的最显著断点。
- •
全样本：回归模型显示出强大的解释力，R平方为0.611。
- •
子样本分析：对于ROAA低于7.03%的公司，财务困境（FD）对盈利能力显示出强烈的负面影响（FD = -8.168, p < 0.01），表明财务困境公司倾向于经历显著的盈利能力下降。对于ROAA等于或高于7.03%的公司，财务困境与盈利能力之间的关系变得较弱且不显著（FD = 0.569），模型的解释力急剧增加（R平方 = 0.996），表明模型拟合度接近完美。
6.2. 总资产成长率（TAG）的非线性信号
研究识别出TAG = -9.05%是财务困境对资产成长影响的最显著断点。
- •
全样本：财务困境（FD）的系数为负（FD = -16.755, p < 0.10），表明财务困境公司倾向于经历较慢的资产成长。
- •
子样本分析：对于TAG低于-9.05%的公司（即经历资产缩水的公司），财务困境的影响显著加剧（FD = -223.890, p < 0.10），突显了已经经历资产下降的公司受到困境的不成比例的影响。相反，对于TAG ≥ -9.05%的公司，财务困境的影响变为正但不显著（FD = 5.915），表明更健康或成长中的公司对困境压力更具韧性。
7. 结论
本研究揭示了先进分析技术，特别是人工神经网络（ANN），在预测台湾电子产业财务困境方面的有效性。与传统统计模型相比，ANN模型表现出优越的准确性，达到了98%的准确率。此外，研究识别出总资产报酬率（ROAA）低于7.03%和总资产成长率（TAG）低于-9.05%这两个强有力的财务困境指标及其阈值。
本研究强调了在预测财务困境时考虑情境和非线性关系的重要性。利用ANN技术能够捕捉财务数据中固有的复杂性，从而提高预测准确性。通过详细的实证分析和验证，本研究为利益相关者和管理者提供了宝贵的见解，并强调了实施健全的财务管理实践以减轻财务困境风险的重要性。
