基于BP 神经网络的我国石化类上市公司经营风险预警系统 Early Warning System of Operational Risks in Petrochemical Listed Companies in China Based on BP Artificial Neural Network

设为首页加入收藏期刊导航网站地图

期刊菜单

文章导航

Finance 金融, 2011, 1, 57-62

http://dx.doi.org/10.12677/fin.2011.13009 Published Online October 2011 (http://www.abtbus.com/journal/fin/)

Early Warning System of Operational Risks in

Petrochemical Listed Companies in China Based on BP

Artificial Neural Network

Fazhu Jiang, Kun Shi

College of Economic and Management, Heilongjiang Bayi Agricultural University, Daqing

Email: jiangfazhu369@163.com; shikun131368@126.com

Received: Jul. 30th, 2011; revised: Aug. 19th, 2011; accepted: Sep. 1st, 2011.

Abstract: Listed Company is one of the important power inperfecting our market economy system and in

promoting transformation of the pattern of economic development. After many years of development, its busi-

ness and regulatory model has improved. But in the financial crisis, the weakness of listed company exposed

completely. It’s lack of the ability to predict and judge the business risk. Using the BP neural network model on

Matlab, so the thesis constructs the business risk warning system based on the data from the petrochemical

listed company, which is the pillar industry in our na tional economy development. The results show that the

constructed business risk warning system realizes effective prediction and judge of business risk in the petrol

chemical listed company in China; it has certain practical application value.

Keywords: Early Warning System of Operational Risks; Petrochemical Companies; BP Neural Network Mod-

基于 BP 神经网络的我国石化类上市公司经营风险

预警系统

姜法竹，石坤

黑龙江八一农垦大学经济管理学院，大庆

Email: jiangfazhu369@163.com; shikun131368@126.com

收稿日期： 2011 年7月30日；修回日期： 2011 年8月19日；录用日期： 2011 年9月1日

摘要：上市公司作为推动完善我国市场经济发展体制以及我国经济发展方式转变的重要动力之一，在

历经多年的发展磨练之后，其经营监管模式已日渐完善。但，在尚未完全退去的这场金融危机中，我国

上市公司对风险的预知与判断能力之薄弱业已完全显露。故本文以国民经济发展支柱型产业石化类上市

公司作为研究对象，运用 BP神经网络模型作为支撑，借助于 Matlab 提供的运算平台，构建适应于公司

经营风险的预警系统。通过所截取研究样本的实际数据验证表明：本文所构建的经营风险预警系统，实

现了对我国石化类上市公司经营风险的有效预测与判断，具有一定的实践应用价值。

关键词：经营风险预警；石化类上市公司；BP神经网络

1. 引言

十二五规划纲要中明确指出：在十二五发展期间，

我国所面临的整体发展环境将会更加复杂多变，我们

有必要强化对危机的忧患意识，提高对发展趋势的解

读与掌控能力，以促进我国经济发展方式的有效转变

以及社会的和谐有序发展。作为现代经济发展的重要

动力源泉；作为推动经济发展方式转变的主力军；作

为企业、政府、公众实现协调发展的共同载体——上

市公司 [1] ，其高水准的市场运作能力、规范的治理结

构、科学的发展模式以及有效的经营风险预警机制是

在十二五发展重要战略机遇期，推动实现我国市场经

济发展体制不断完善、国民发展水平不断提升的重要

基于神经网络的我国石化类上市公司经营风险预警系统

58 BP

动力源泉之一。

据相关统计数据显示：由于深受全球金融危机的

影响，与 2009年底相比，仅2010 年1 月份我国上市

公司股票市价总值和股票流通市值蒸发比率就分别高

达 7.21% 和 4.19% 。这一惨痛的现实告诫我们：构建

一套科学有效的我国上市公司经营风险预警系统已经

迫在眉睫。本研究将以国民经济发展重要支柱产业我

国石化类上市公司为研究样本，对构建我国上市公司

经营风险预警系统进行初步的探讨。

2. 国内外研究现状

2.1. 国外研究现状

20 世纪初，企业危机预警逐渐受到各界的重视。

Fitzpartrick [2] 在 1932年，以19家公司作为研究载体，

首次将单变量预测模式引入企业危机预警的研究中，

开创了定量研究企业危机预警的先例。在 Fitzpartrick

的研究基础之上， 1966 年Beaver[3] 创造性的将企业危

机预警研究与统计方法相结合，并取得了高水准的预

测效果。随后， Altman[4]在1968年将企业危机预警研

究与多元判别分析方法相融合，创立了著名的 Z分数

模型。 Ohlson[5]于1980年将logistic分析模型引用到企

业风险预警研究中，并取得了显著的成果。 Ru melhart

等人 [6] 于1986年提出的BP人工神经网络算法得到了

各界的重视，并在经济和金融领域得到了广泛的运用

与推广。

2.2. 国内研究现状

在国内，对于企业危机预警的研究起步较晚。卜

冬梅、李君毅 [7] 通过将层次分析法和时间序列法相融

合构建了我国银行业的经营风险监测系统。顾晓安 [8]

则是将财务预警周期分为短期和长期预警来进行研

究，构建了预警系统。胡华夏、罗险峰 [9] 借助于A记

分法，以企业生存风险为出发点研究了企业危机预警

系统。黄岩、李元旭 [10]融合了聚类分析和判别分析法，

通过构建上市公司财务失败预测模型给出了研究样本

的 Z 值范围。吴世农、卢贤义[11]运用线性回归、Logistic

分析以及 Fisher 判定分析三种方法对我国上市公司进

行了风险危机预测。

3. 经营风险预警系统样本选取与指标

体系设计

3.1. 预警系统样本选取与数据来源

3.1.1. 样本选取

本研究以我国沪深两市的上市公司作为样本源，

因为本文拟构建的是我国石化类上市公司的经营风险

预警系统，故本文将在证监会划分的石化类上市公司

中选取，其中包括被冠以“ ST”的经营不善的上市公

司。最终，共截取了 27 家石化类上市公司作为本文的

研究样本，这其中包括经营业绩良好的 19 家公司以及

经营业绩不良、存在经营风险的 8家公司。

3.1.2. 样本数据来源

本文的原始研究数据均来自于所选取的 27家样

本公司发布的公司年度报告。这其中经营业绩良好的

样本公司以最近两年的公司年报为数据源 (首发公司

以 2010 年公司年报为数据源 ) ，经营业绩不良、存在

经营风险的样本公司均以被冠以“ ST”的前两年公司

年报为数据源，共计 51 份样本年报。

综上所述，本文所截取的研究样本以及数据来源

年份如表 1 所示。

Table 1. Business risk early warning system research samples and

data year

表 1. 经营风险预警系统研究样本及数据年份

编号公司简称及

数据年份编号公司简称及

数据年份

L1 杨农化工

2009 、 2010L10新宙邦2

009 、 2010L19回天胶业

2009 、2010

L2 兴发集团

2009 、 2010L11新纶科技

2009 、 2010L20

* ST合臣

2008 、2009

L3 广州浪奇

2009 、 2010L12丹化科技

2009 、 2010L21ST祥龙

2008 、2009

L4 同德化工

2010 L13 双箭股份

2010 L22ST新材

2008 、2009

L5 江南化工

2009 、 2010L14新乡化纤

2009 、 2010L23

* ST明科

2008 、2009

L6 南岭民爆

2009 、 2010L15云南盐化

2009 、 2010L24

* ST南风

2009 、2010

L7 鼎龙股份

2009 、 2010L16岳阳兴长

2009 、 2010L25ST河化

2008 、2009

L8 巨化股份

2009 、 2010L17中国石油

2009 、 2010L26

* ST太化

2009 、2010

L9 国际实业

2009 、 2010L18国创高新

2010 L27

* ST黑化股份

2008 、2009

基于神经网络的我国石化类上市公司经营风险预警系统 59

3.2. 预警系统指标体系设计

科学合理的指标体系是预警系统构建成功的关键

之所在。本文指标体系的设计主要遵循两方面的原则：

一是，要能够充分反映企业的生存与发展前景的原则；

二是，经济性与指标量化可行性原则。并且，在这两

方面原则基础之上，以《上市公司风险监控指标研究》

[12] 为参考依据，同时兼顾到本研究的行业背景与指标

变量的特殊性，最终确定的指标体系如表 2 所示。

4. 我国石化类上市公司经营风险预警

系统构建

4.1. BP 神经网络模型设置

通过 Matlab运算平台，本文基于 BP 神经网络模

型构建的我国石化类上市公司经营风险预警系统是一

个具有 3 层网络结构(输入层、隐含层、输出层)的输

出网络。根据本文指标体系的设计，输入层的输入节

点即指标变量个数为 18 ；隐含层节点个数的设置尚无

可供参考的成型模式，通过本文预警系统的反复试运

行，对输出的网络结果对比取最优，最终确定隐含层

节点个数为 37 ；本文对我国石化类上市公司存在经营

风险的界定是：被冠以“ ST”的即被视为存在经营风

Table 2 Business risk early warning system index system

表 2. 经营风险预警系统指标体系

指标变量指标名称指标定义

X1 资产负债率负债总额/资产总额

X2 货款回收率营业收入/(营业收入 +应收账款)

X3 速动比率速动资产/流动负债

X4 人员素质结构大专以上学历员工数/企业员工总数

X5 技术人员结构技术人员数/企业员工总数

X6 无形资产比重无形资产总额/总资产

X7 资本积累率本年股东权益增长额/年初股东权益

X8 企业积累率(本期公积金 +未分配利润+折旧费)/

总利润

X9 净资产收益率净利润 /平均净资产(期末期初所有者权益

相加除 2)

X10 总资产增长率本年总资产增长额/年初资产总额

X11 上缴税利比率(支付的各项税费 –收到的税费返还)/

利润总额

X12 营业收入增长率本年营业收入增长额/上年营业收入总额

X13 主营业务收入

费用比

主营业务收入 /

( 营业费用 +管理费用+财务费用)

X 14存货周转率营业成本 /平均存货余额

X15 营业利润率营业利润/营业收入

X16 高层持股比例企业高管持股总额/企业股份总额

X17 流通股比例无限售条件流通股份总额/企业股份总额

X18 独立董事比例独立董事人数/(董事+监事 +高管)人数

险，网络输出值设置为 Y = 01 ，不存在经营风险的，

网络输出值设置为 Y = 10，故本文输出层节点个数为

2 。网络参数设置如下：系统学习精度为0.00001，最

大运算次数为 1000。

4.2. 模型训练

依据本文的研究样本与指标体系的设计，在 27家

样本公司、 51 份样本年报中，随机抽取21家样本公

司，共计 40 份样本数据作为模型训练输入样本。这其

中经营业绩良好的公司 16家、共计 30 份样本数据；

存在经营风险的公司 5家、共计 10 份样本数据。输入

训练样本及指标数据如表 3 、模型训练过程如图1所

示。

由图 1我们可以看出，模型在经过 219 次迭代即

实现了收敛，达到了预定的 0.00001 的误差精度，训

练效果显著。

4.3. 模型检验

经过以上的模型设置以及模型训练，本文拟构建

的我国石化类上市公司经营风险预警系统基本成型。

现将训练样本之外的 6家样本公司、共 11 份样本数据

作为模型检验样本，输入到已经构建成型的预警模型

系统中。检验样本及样本数据如表 4所示。

借助于 Matlab 运算平台，预警模型系统检验样本

输出结果如表 5所示。

从表 5的检验样本输出结果我们可以看出预警模

型系统输出结果与样本公司实际状况完全一致。据此，

我们可以判断：本文基于 BP 神经网络模型所构建的

我国石化类上市公司经营风险预警系统，在经过实际

数据运行之后验证具有较高的预测与判断精准度，能

够为对我国上市公司的经营状况实施风险判别提供一

定的参考与借鉴。

5. 结论

在我国日益完善的市场经济发展体制下，上市公

司的发展既充满着各种难得的机遇，同时也会面临着

各种不可预知的风险与挑战。相关监管部门在为我国

上市公司营造健康完善的发展运行机制的同时，也应

基于 BP 神经网络的我国石化类上市公司经营风险预警系统

Table 3. The training sample and data model

表 3. 模型训练样本及指标数据

项目 X1 X2 X3 X4 X5 X6 X7 X8 X9

L1 0.3746 0.9543 1.2938 0.4803 0.2100 0.0306 0.6273 7.6373 0.1258

0.3291 0.8948 1.6451 0.4878 0.2083 0.0330 0.0755 9.1928 0.0829

L2 0.6478 0.9443 0.3743 0.3079 0.0569 0.0711 0.0644 5.5089 0.1127

0.6819 0.9445 0.5486 0.3326 0.0709 0.0868 0.4582 5.5829 0.1128

L4 0.0734 0.9086 9.2882 0.2759 0.8179 0.0413 2.1250 7.9406 0.1372

L5 0.0651 0.8471 8.9400 0.3050 0.4760 0.0251 0.2432 2.9301 0.2242

0.0925 0.8481 8.1200 0.3090 0.3360 0.0200 0.2189 2.8870 0.1882

L6 0.3298 0.9856 1.2200 0.4225 0.1043 0.1098 0.2788 1.6197 0.3083

0.2914 0.9865 1.1600 0.4258 0.1019 0.0972 0.1820 1.9392 0.2737

L8 0.4979 0.9862 0.5983 0.5689 0.1027 0.0336 0.0068 37.2415 0.0470

0.4520 0.9877 0.6524 0.5751 0.1233 0.0318 0.2245 2.7666 0.2595

L9 0.4937 0.9702 0.7457 0.3451 0.3190 0.0680 0.1546 5.2277 0.1388

0.4677 0.9333 1.3812 0.3300 0.3130 0.0407 0.4818 1.4623 0.4472

L10 0.0774 0.7774 12.3000 0.2590 0.1850 0.0158 5.4181 11.5313 0.3566

0.0990 0.7938 8.9800 0.3800 0.0900 0.0291 0.0686 7.8625 0.0986

L11 0.5990 0.8232 0.7800 0.2299 0.0598 0.0961 0.2743 2.5808 0.2422

0.3677 0.7718 1.7500 0.2975 0.0635 0.0436 2.7651 9.9386 0.0830

L12 0.3800 0.9554 0.5261 0.5603 0.0390 0.0582 2.6450 –12.5864 –5.0300

0.4336 0.9428 0.4558 0.6395 0.0336 0.0496 0.0108 966.9577 0.0107

L13 0.1998 0.7955 3.2300 0.1989 0.1371 0.0154 2.1122 16.2182 0.0518

L14 0.6303 0.9535 0.3519 0.2990 0.0450 0.0120 0.0753 5.2754 0.0726

0.5802 0.9599 0.4180 0.1692 0.0435 0.0100 0.3172 7.0670 0.0864

L15 0.5175 0.9836 0.4249 0.2175 0.0728 0.0637 0.0220 42.1687 0.0224

0.5497 0.9812 0.6413 0.2239 0.1083 0.0588 0.0201 46.1930 0.0202

L16 0.1638 0.9977 3.4230 0.5100 0.1700 0.0364 0.0284 2.0164 0.1168

0.1430 0.9993 3.5098 0.5230 0.1860 0.0282 0.0451 4.0013 0.0934

L17 0.3740 0.9725 0.3247 0.4475 0.1180 0.0211 0.0703 4.1288 0.1220

0.3902 0.9702 0.2537 0.4790 0.1199 0.0225 0.1123 3.4951 0.1490

L19 0.1313 0.9185 7.0600 0.4629 0.3018 0.0208 3.3894 11.5417 0.1047

0.0760 0.9118 9.6600 0.4686 0.3015 0.0201 0.6918 7.1911 0.1075

L21 0.4426 0.8555 0.5200 0.4215 0.1292 0.1579 –0.1861 –1.9400 –0.2052

0.5775 0.9553 0.3364 0.2011 0.0612 0.1675 –0.3033 –0.4920 –0.3575

L23 0.3704 0.9626 0.7206 0.1944 0.1383 0.0071 –0.1077 –6.5762 –0.1138

0.5351 0.9015 0.1417 0.2212 0.1418 0.0124 –0.5786 –0.2891 –0.8378

L24 0.8551 0.9280 0.2663 0.2781 0.0537 0.1112 –0.6422 –0.4764 –0.9480

0.7345 0.8583 0.4838 0.2380 0.0457 0.1064 –0.4785 –0.3766 –0.6179

L25 0.7428 0.9737 0.1670 0.1642 0.1200 0.0068 –0.3179 –0.1864 –0.3780

0.8779 0.9701 0.3016 0.1828 0.1310 0.0059 –0.4854 –1.1430 –0.6410

L27 0.5669 0.8700 0.4132 0.4171 0.0978 0.0000 –0.0576 –34.3752 –0.0593

0.6607 0.8883 0.3923 0.3606 0.0878 0.0000 –0.2752 –1.1466 –0.3183

Continued Table 3

续表 3

项目 X10 X11 X12 X13 X14 X15 X16 X17 X18

L1 0.2084 –0.0494 –0.2658 0.1050 5.8616 0.1155 0.0000 0.5973 0.1579

0.0026 –0.0733 0.0148 12.2584 8.7365 0.0849 0.0000 1.0000 0.1579

L2 0.1868 1.5244 0.1378 10.4615 8.8443 0.0479 0.0000 0.9762 0.2083

0.6038 1.0014 0.4982 12.5958 9.7078 0.0614 0.0000 0.9515 0.2083

L4 1.2738 0.5768 0.3412 5.7745 4.4700 0.1939 0.0000 0.2500 0.2667

L5 0.2396 0.4340 0.0678 6.2900 8.4700 0.3489 0.0000 0.6179 0.2000

0.2219 0.4440 0.2463 5.9066 10.6800 0.2801 0.0000 0.6179 0.2143

L6 0.2514 0.6185 0.5565 5.0100 8.4200 0.2902 0.0000 0.9980 0.1818

0.1180 0.6231 0.1272 5.2865 8.5900 0.2565 0.0000 0.9980 0.1500

L8 –0.0358 3.0867 –0.3057 8.5994 16.1307 0.0090 0.0000 1.0000 0.2105

0.0527 0.4101 0.4515 7.8333 12.9785 0.1224 0.0000 1.0000 0.2500

L9 0.2487 0.6766 –0.3284 5.9723 0.5257 0.2638 0.0000 1.0000 0.2000

0.4094 0.1718 0.4433 4.9276 0.6808 1.0696 0.0000 1.0000 0.2000

L10 3.9340 0.3977 0.3678 9.4015 6.3200 0.2207 0.0000 0.2019 0.2000

0.0943 0.3186 0.4970 11.5490 6.3700 0.2273 0.0000 0.2523 0.2000

L11 0.6763 0.5607 0.2323 8.5879 4.1800 0.1175 0.7380 0.0000 0.3333

1.4061 0.5410 0.5523 7.9376 3.3200 0.1015 0.0000 0.2596 0.3077

L12 1.1881 0.0750 –0.4639 5.4168 8.4880 –0.2714 0.0000 0.5280 0.1875

0.1559 42.9323 0.1747 7.1139 8.5950 –0.1382 0.0000 1.0000 0.2000

L13 0.9333 0.3063 0.3153 9.3465 6.1700 0.0423 0.0000 0.2664 0.2667

L14 0.1227 0.5847 0.1883 13.1042 5.1043 0.0635 0.0002 0.9998 0.2000

0.1599 –0.0058 0.4678 13.8350 5.4636 0.0505 0.0002 0.9227 0.2000

L15 –0.0742 5.0496 0.0848 4.7825 6.6200 0.0090 0.0000 1.0000 0.1111

0.0855 5.1471 0.0850 4.8215 7.8700 0.0094 0.0000 1.0000 0.1250

基于神经网络的我国石化类上市公司经营风险预警系统 61

L16 0.0417 1.2691 –0.3783 19.6140 34.9567 0.0627 0.0001 0.7270 0.2000

0.1086 1.6908 0.4161 24.2126 51.2538 0.0320 0.0001 0.9999 0.1579

L17 0.2120 1.3565 –0.0497 9.2146 6.1626 0.1420 0.0000 0.1371 0.1471

0.1417 1.4282 0.4377 11.5306 11.7389 0.1318 0.0000 0.9978 0.1471

L19 2.3402 0.4602 0.0857 4.2451 2.7280 0.2182 0.3353 0.2061 0.2143

0.0051 0.2945 0.7370 4.9328 3.7200 0.2282 0.3329 0.2576 0.2143

L21 0.0015 0.1692 –0.1545 8.7262 8.6492 –0.1901 0.0000 0.7530 0.2000

–0.0808 0.0420 –0.1875 7.0218 9.6495 –0.2798 0.0000 1.0000 0.1667

L23 0.0365 0.0763 –0.6272 2.6576 12.3063 –0.8116 0.0000 0.9968 0.1875

–0.4327 0.0069 –0.8469 0.0716 0.4739 –26.3674 0.0000 1.0000 0.2000

L24 –0.0699 0.5190 0.1598 3.6580 4.6371 –0.1645 0.0001 0.9977 0.1579

–0.9970 0.3518 –0.1911 3.0833 3.4190 –0.2563 0.0001 0.9977 0.1579

L25 –0.0743 0.0398 –0.1889 10.4246 3.4253 –0.1929 0.0000 0.5082 0.2222

0.0837 0.0223 –0.0209 9.6747 3.8592 –0.2216 0.0000 0.5082 0.2105

L27 0.1278 2.2346 0.3408 19.7505 8.4465 –0.0275 0.0000 0.4716 0.2143

–0.0675 0.0752 –0.1791 15.5647 7.3596 –0.1598 0.0000 0.4176 0.2143

0 20406080100120 140 160180 200

-6

-5

-4

-3

-2

-1

219 Epochs

Training-Blue Goal-Black

Performance is 9.79881e-006, Goal is 1e-005

Figure 1. Training effect model output figure

图 1. 模型训练效果输出图

Table 4. The test sample and sample data model

表 4. 模型检验样本及样本数据

项目 X1 X2 X3 X4 X5 X6 X7 X8 X9

L3 0.3873 0.8879 1.0823 0.2910 0.2000 0.0590 0.0210 18.0439 0.0208

0.4891 0.8983 0.7971 0.3210 0.2023 0.0462 0.0242 16.9689 0.0320

L7 0.3858 0.8509 2.5047 0.4800 0.2267 0.0359 0.3097 2.1642 0.3061

0.1142 0.8830 7.4996 0.4800 0.3000 0.0124 3.0770 10.3995 0.0847

L18 0.4720 0.6918 1.5200 0.5290 0.2029 0.0126 3.1180 13.6561 0.0681

L20 0.4550 0.8834 0.4805 0.4409 0.1935 0.0706 –0.1763 –1.7770 –0.1933

0.7275 0.7222 0.4507 0.9130 0.0000 0.0607 –0.6078 –0.2574 –0.8732

L22 0.7286 0.9636 0.3384 0.3091 0.0730 0.0590 –0.0542 –21.0018 –0.0510

0.7615 0.9391 0.1770 0.3324 0.0573 0.0662 –0.0491 –13.8600 –0.0562

L26 0.6996 0.8989 0.3348 0.4651 0.1070 0.0480 –0.1960 –2.1600 –0.2178

0.7696 0.9119 0.2968 0.4754 0.0975 0.0461 –0.2097 –1.4270 –0.2352

Continued Table 4

续表 4

项目 X1 X2 X3 X4 X5 X6 X7 X8 X9

L3 0.1296 3.3462 –0.0589 6.9985 8.3662 0.0122 0.0002 0.5456 0.2143

0.2275 2.3516 0.3316 7.8144 9.5065 0.0099 0.0002 0.5456 0.2143

L7 0.2203 0.1515 0.1103 27.4266 20.2195 0.1392 0.6714 0.0000 0.1875

1.8270 –0.0041 0.0843 26.6613 11.7971 0.1440 0.6714 0.2500 0.1875

L18 1.2277 1.0950 0.2787 20.2545 3.5900 0.0474 0.0000 0.2523 0.2000

L20 –0.0763 0.0660 –0.1070 2.7915 1.2005 –0.3424 0.0000 0.6973 0.2857

–0.1799 0.0147 –0.3578 1.7802 1.0158 –1.1603 0.0000 1.0000 0.2353

L22 0.2322 1.6492 0.0148 9.9339 5.0008 –0.0287 0.0000 0.5195 0.2143

0.0726 1.3728 –0.0305 9.9836 4.7897 –0.0394 0.0000 0.5195 0.2143

L26 0.0346 0.1216 –0.2559 10.3729 6.1291 –0.1059 0.0000 1.0000 0.1429

0.0139 0.1077 0.1173 10.3836 6.5941 –0.0946 0.0000 1.0000 0.1429

基于 BP 神经网络的我国石化类上市公司经营风险预警系统

Table 5. Model test output

表 5. 模型检验输出结果

样本编号实际经营状况模型检验输出值输出值归属检验结果

L3 正常 0.9598/0.0188 10正确

正常 1.0000/0.0000 10正确

L7 正常 1.0000/0.0000 10正确

正常 1.0000/0.0000 10正确

L18 正常 1.0000/0.0000 10正确

L20 存在风险 0.0031/0.9971 01正确

存在风险 0.0010/0.9989 01正确

L22 存在风险 0.0018/0.9986 01正确

存在风险 0.0028/0.9980 01正确

L26 存在风险 0.0157/0.9913 01正确

存在风险 0.1016/0.9718 01正确

该努力的构建一套行之有效的上市公司经营风险预警

系统。这一方面是为了进一步的推进我国上市公司的

有序发展，防风险于未然；另一方面也是为了能够为

广大的机构投资者提供科学可靠的投资参考与借鉴。

本文以我国石化类上市公司为研究载体，依托 BP

神经网络模型所构建的我国上市公司经营风险预警系

统，在经过 27 家样本公司、总计51份样本数据的训

练与检验之后，验证了其具备实践运作的可行性。

参考文献 (References)

[1] 王富华.上市公司与市场经济的发展[J].经济管理研究,

1998, 41(3): 45-47.

[2] P. J. Fitzpartrick. A comparison of ratios of successful industrial

enterprises with those of failed firms. Certified Public Account-

ant, 1932, 3: 656-662.

[3] W. H. Beaver. Financial ratios as predictors of failure. Journal of

Accounting Research, 1966, 4(1): 71-111.

[4] E. I. Altman. Financial ratios, discriminant analysis and the pre-

diction of corporate bankruptcy. Journal of Finance, 1968, 23(4):

589-609.

[5] J. A. Ohlson. Financial ratios and the probabilistic prediction of

bankruptcy. Journal of Accounting Research, 1980, 18(1): 109-131

[6] D. E. Rumelhart, G. E. Hinton and R. J. Williams. Learning repre-

sentations by back-propagating errors. Nature, 1986, 323(9): 533-

536.

[7] 卜冬梅,李君毅.商业银行经营监测预警方法研究[J].管理

科学学报 , 1998, 12(4): 63-66.

[8] 顾晓安.公司财务预警系统的构建[J].财经论丛, 2000, 7(4):

65-71.

[9] 胡华夏,罗险峰.现代企业生存风险预警指标体系的理论探

讨 [J]. 科学与科学技术管理 , 2000, 21(6): 33-34.

[10] 黄岩,李元旭.上市公司财务失败预测实证研究[J].系统工

程理论方法应用 , 2001, 10(l): 45-51.

[11] 吴世农,卢贤义.我国上市公司财务困境的预测模型研究[J].

经济研究 , 2001, 46(6): 46-55.

[12] 董倩 .上市公司风险监控指标研究[J].山东经济战略研究,

2003, 19(9): 45-48.