基于決策樹的財務危機預警研究

淄博職業學院 崔玉娟

基于決策樹的財務危機預警研究

淄博職業學院 崔玉娟

一、決策樹研究方法概述

決策樹是以實例為基礎的歸納算法，能夠從一組無次序、無規則的事例中推導出決策樹表示形式的分類規則。它采用自頂向下的遞歸方式，在決策樹的內部結點進行屬性值的比較并根據不同的屬性值判斷從該結點向下的分支，在決策樹的葉節點得到結論。

決策樹提供了一種展示類似在什么條件下會得到什么值這類規則的方法。決策樹的基本組成部分：決策節點、分支和葉子。決策樹的每個節點子節點的個數與決策樹的算法有關。決策樹的節點有兩個分支，這種樹稱為二叉樹。節點含有多于兩個子節點的樹稱為多叉樹。數據挖掘中決策樹是一種經常要用到的技術，可以用于分析數據，同樣也可以用來做預測。

建立一棵決策樹可能只要對數據庫進行幾遍掃描之后就能完成，這也意味著需要的計算資源較少，而且可以很容易地處理包含很多預測變量的情況，因此決策樹模型可以建立得很快，并適合應用到大量的數據上。

二、樣本選取

研究樣本選自我國滬、深兩市的A股上市公司。選取了2008年因連續2年虧損被ST的43家公司作為財務危機樣本。采用（T-2）、（T-3）、（T-4）年的年報資料來預測其在T年是否會成為財務危機公司。采用一一配對抽樣方式，為43家財務危機公司一一配對，得到43家非財務危機公司，它們組成非財務危機樣本組。這樣，研究樣本就由43家財務危機公司和43家非財務危機公司共同構成，共計86家。

三、指標選取

參考了國外的實證研究結果并結合我國財務管理實際，從以下五個方面構建考察上市公司財務狀況指標體系，作為研究中的初始變量，具體包括：

第一，反映償債能力的財務指標。選取了速動比率、營運資本比重、資產負債率、產權比率4個指標，來反映企業的償債能力。

第二，反映企業盈利能力的財務指標。選取了銷售凈利率、資產凈利率、凈資產收益率、總資產收益率、主營業務利潤率、主營利潤比重6個指標，來反映企業的盈利能力。

第三，反映企業資產管理能力的財務指標。選取了應收賬款周轉率、存貨周轉率、總資產周轉率、固定資產周轉率來反映企業的資產管理能力。

第四，反映企業成長能力的財務指標。選取了主營業務增長率、凈利潤增長率、資本積累率、總資產擴張率4個指標，來反映企業的成長能力

第五，反映企業現金流量的財務指標。選取了現金流動負債比、現金負債總額比、主營收入現金回收比率、凈利潤現金比率、資產現金回報率5個指標，反映企業的現金流量。

第六，其他指標。選取了反映企業市場價值的每股收益、每股凈資產、每股經營現金流量，另外還引入了經濟增加值EVA。與傳統的會計利潤指標相比，EVA更注重企業實際的財富創造能力，能夠真正反映企業的實際盈利狀況。

財務指標共計27個。通過顯著性檢測，刪除不存在顯著性差異的指標，使用其余26個財務指標建立財務危機預警模型。

四、主成分分析

對所選樣本的86家公司在危機前2年、前3年、前4年的26個預警變量進行主成分分析，提取主成分9個。分別命名為：盈利能力—資產收益率主成分因子F1、現金流量主成分因子F2、盈利能力—營業利潤主成分因子F3、成長能力主成分因子F5、現金流量—凈利潤現金比率F4、償債能力主成分因子F6、短期償債能力—EVA主成分因子F7、營運能力—應收賬款主成分因子F8、盈利能力—主營利潤比重主成分因子F9。

五、模型構建

使用CH AID——卡方自動交互檢驗。在計算的每一步中，CH AID選擇與因變量交互作用最強的自變量。如果某些自變量與因變量沒有很強的顯著性差別，這些自變量的分類將被合并。使用的工具軟件是SPSS13.0。

利用決策樹模型進行財務危機預測時，未引入EVA變量建立的模型命名為M 1，引入EVA變量建立模型命名為M 2，預測結果見表1~表3。

表1 （T-2）年M1和M2的決策樹預測結果比較

表2 （T-3）年M1和M2的決策樹預測結果比較

表3 （T-4）年M1和M2的決策樹預測結果比較

利用決策樹建立模型，其預測準確率是越接近ST年份越準確。（T-2）的總體預測準確率達到了90.7%，模型對財務危機公司的預測準確率高于非財務危機公司，同時，（T-2）年引入EVA與未引入EVA預測準確率一樣。（T-3）年總體預測準確率為86.05%，同樣引入EVA與未引入EVA預測準確率一樣。（T-4）年引入EVA后提高了總體預測準確率，同時提高了財務危機組和非財務危機組的預測準確率，可見EVA在離ST遠的年份效果明顯，也就是EVA的提前預測效果比較好。

六、比較研究

第一，構建模型。為更好地對模型的預測能力進行比較，再使用Logi t方法建立模型。（T-2）年、（T-3）年，引入EVA對模型的預測準確率提高沒有影響。（T-4）年引入EVA后提高了總體預測準確率（表4），而且財務危機和非財務危機的預測準確率均提高了。說明EVA在危機發生前能較早地發出警報。

表4 （T-4）年M1和M2的Logit預測結果比較

第二，研究效果比較。總體上說，決策樹模型三年的總體預測準確率基本上均高于Logi t模型。特別是財務危機組的預測準確率高于Logi t模型。（T-2）、（T-3）、（T-4）三年財務危機組的預測準確率不僅高于Logi t模型，而且其預測準確率比較高，均在90%以上。此外，決策樹模型與Logi t回歸模型比較的一大優點是決策樹模型可以控制不同類型的錯判成本，通過對不同類型的錯判成本賦予不同的值，可以提高錯判成本較高組的判別準確率。因此，在今后的研究中可以考慮采用決策樹模型構建財務危機預警模型，并對錯判成本高的組賦予較大的值，以提高預測準確率。

綜上所述，財務危機預警模型研究盡管成果豐碩，但本文站在研究前沿，從以下幾個方面進行了創新嘗試，取得了滿意的結果：

一是在研究方法上，采用了數據挖掘方法。研究中，采用了數據挖掘方法——決策樹法，并將數據挖掘方法的預測結果與統計分析方法的預測結果進行了比較。統計分析方法選用了常用的Logi t回歸法，通過對決策樹模型與Logi t回歸模型預測結果的比較，得出決策樹模型總體上要優于Logi t回歸模型。

二是在預警變量選取上，引入了經濟增加值——EVA。鑒于上市公司存在著粉飾財務報表的行為，本文嘗試引入了EVA變量。EVA克服了傳統會計指標的主要缺陷，比較準確地反映了公司在一定時期內為股東創造的價值，真正成為股東所定義的利潤。通過實證研究表明引入EVA變量后對于提前預測財務危機公司起到了一定作用。

［1］陳靜：《上市公司財務惡化預測的實證分析》，《會計研究》1999年第4期。

［2］吳世農、盧賢義：《我國上市公司財務困境的預測模型研究》，《經濟研究》2001年第6期。

［3］劉紅霞：《企業財務危機預警方法及系統的構建研究》，中國統計出版社2005年版。

［4］周首華、楊濟華、王平：《論財務危機的預警分析——F分數模式》，《會計研究》1996年第8期。

（編輯 向玉章）