上市公司財(cái)務(wù)危機(jī)判別綜合評(píng)價(jià)分析
——基于數(shù)據(jù)挖掘技術(shù)

鞏斌

(安徽財(cái)經(jīng)大學(xué)統(tǒng)計(jì)與應(yīng)用數(shù)學(xué)學(xué)院，安徽蚌埠233030)

一、提出問題

企業(yè)在經(jīng)營(yíng)時(shí)機(jī)遇和風(fēng)險(xiǎn)相伴而生，當(dāng)然對(duì)企業(yè)而言最嚴(yán)重的是發(fā)生財(cái)務(wù)困境，最甚者就是面臨著破產(chǎn)。當(dāng)前國(guó)內(nèi)資本市場(chǎng)發(fā)展和建設(shè)日趨成熟，伴隨而來的是上市公司陷入財(cái)務(wù)危機(jī)的比例也相應(yīng)增加。探其原因，世界經(jīng)濟(jì)總體低迷、企業(yè)經(jīng)營(yíng)環(huán)境的變化、國(guó)家宏觀調(diào)控政策的變化、核算準(zhǔn)則的經(jīng)常變動(dòng)等原因也會(huì)在一定程度上影響著企業(yè)的經(jīng)營(yíng)成果，然而最根本的原因還是在于企業(yè)自身存在問題，因而對(duì)監(jiān)管者、經(jīng)營(yíng)者、股東等而言，如何正確對(duì)待和評(píng)價(jià)上市公司的經(jīng)營(yíng)成果已成為他們最終的目的。另外通過對(duì)各上市公司之間進(jìn)行經(jīng)營(yíng)成果的對(duì)比分析，還可以讓它們正確認(rèn)識(shí)其在本行業(yè)、乃至所有的上市公司中所處的位次。我們依據(jù)指標(biāo)選取的根本標(biāo)準(zhǔn)和上市公司披露的相關(guān)財(cái)務(wù)信息，選取了五類財(cái)務(wù)比率指標(biāo)：資本結(jié)構(gòu)即長(zhǎng)期負(fù)債比率和股東權(quán)益比率；償債能力即流動(dòng)比率和速動(dòng)比率；盈利能力即毛利率、銷售凈利率、資產(chǎn)收益率和股東權(quán)益收益率；資產(chǎn)運(yùn)營(yíng)能力即應(yīng)收賬款周轉(zhuǎn)率、存貨周轉(zhuǎn)率和總資產(chǎn)周轉(zhuǎn)率；成長(zhǎng)能力即每股收益增長(zhǎng)率、凈利潤(rùn)增長(zhǎng)率和凈資產(chǎn)收益率增長(zhǎng)率。[1]

二、數(shù)據(jù)挖掘模型分析

為了提高建模的有效性以及挖掘內(nèi)部所隱含的內(nèi)在有效信息，本文樣本采集了大量的橫截面數(shù)據(jù)。[2]43-51首先影響企業(yè)發(fā)生財(cái)務(wù)危機(jī)的最根本的指標(biāo)數(shù)據(jù)即是判別指標(biāo)分析時(shí)所使用的數(shù)據(jù)，再次對(duì)這些指標(biāo)和財(cái)務(wù)狀況的關(guān)系進(jìn)行描述統(tǒng)計(jì)分析，模型對(duì)新數(shù)據(jù)的預(yù)測(cè)解釋能力是選擇模型第一考慮的因素。據(jù)此，本文分別使用了決策樹、logistic回歸分析和神經(jīng)網(wǎng)絡(luò)三種技術(shù)建立模型。[3]152-156在建立模型前必須預(yù)處理這些初始的數(shù)據(jù)，主要是數(shù)據(jù)具有囊括原有絕大部分信息、訓(xùn)練集數(shù)據(jù)與驗(yàn)證集數(shù)據(jù)彼此不相關(guān)。把所屬行業(yè)作為分層變量，運(yùn)用分層隨機(jī)抽樣技術(shù)，使驗(yàn)證集、訓(xùn)練集分別占25%和75%。目標(biāo)變量為ST變量，輸入變量則為上述的財(cái)務(wù)比率指標(biāo)和所屬的行業(yè)類別，[4]分別采用決策樹、logistic回歸和BP神經(jīng)網(wǎng)絡(luò)進(jìn)行建模。

為了提高模型的擬合度和保存“真”信息，數(shù)據(jù)挖掘技術(shù)盡可能多地選用輸入變量。由于較多的變量所含的信息具有重疊性，所以選用那些囊括絕大部分信息的變量，而拒絕那些信息具有重疊性或發(fā)生多重共線性的冗余變量。依據(jù)卡方值方法對(duì)變量進(jìn)行選擇，從而消除目標(biāo)變量是二值變量的影響。[5]處理后的結(jié)果如表1所示。

表1輸入變量篩選結(jié)果表

由表1可知：所屬行業(yè)、股東權(quán)益比率、速動(dòng)比率、銷售凈利率、資產(chǎn)收益率、總資產(chǎn)周轉(zhuǎn)率和凈資產(chǎn)收益率增長(zhǎng)率的卡方值大于閾值，應(yīng)作為輸入型變量；其余的則因相應(yīng)的X2過小而被拒絕。

(一)運(yùn)用決策樹分析

以通過閾值的變量為輸入變量，以特別處理狀況為目標(biāo)變量進(jìn)行決策樹建模。[6]219-223為了建立好的決策樹模型，樹的結(jié)構(gòu)設(shè)置尤為重要，使模型區(qū)分?jǐn)?shù)據(jù)的能力最大，是建模的目標(biāo)，根據(jù)對(duì)問題的理解和變量選擇的結(jié)果進(jìn)行試錯(cuò)。從圖1中可以看出，雖然訓(xùn)練集的正確分類率還在上升，模型在驗(yàn)證集的正確分類率開始下降時(shí)就停止繼續(xù)細(xì)分，從而有效地防止模型的過度擬合。[7]由決策樹生成的語言規(guī)則可以看出：資產(chǎn)收益率指標(biāo)的影響最大(log worth=-log(X2檢驗(yàn)的P值)=95.496)，從圖2 ST值密度圖可以看出，ST值不同的公司在該指標(biāo)的分布圖明顯不同，因此首先以它為劃分屬性，接著在分節(jié)點(diǎn)上股東權(quán)益比率是競(jìng)爭(zhēng)獲勝的變量，其次是銷售凈利率。正確分類率可以達(dá)95%以上。同時(shí)銷售凈利率、凈資產(chǎn)收益率增長(zhǎng)率和股東權(quán)益比率的log worth也較大，分別為89.175、55131和56.509，也可以選擇它們?yōu)榈谝粍澐肿兞俊?/p>

圖1決策樹構(gòu)建過程圖

圖2資產(chǎn)收益率在ST值上的分布密度圖

(二)運(yùn)用logistic回歸分析

采用逐步回歸的辦法對(duì)備選變量進(jìn)行篩選，得出如下參數(shù)估計(jì)，如表2和表3。

表2logistic回歸模型參數(shù)估計(jì)結(jié)果表

表3Logistic回歸分析性能統(tǒng)計(jì)量表

(三)運(yùn)用BP神經(jīng)網(wǎng)絡(luò)分析

把上述的財(cái)務(wù)指標(biāo)和所屬的行業(yè)作為輸入節(jié)點(diǎn)，進(jìn)而對(duì)它們的數(shù)值進(jìn)行標(biāo)準(zhǔn)化處理，輸出節(jié)點(diǎn)則為ST狀況變量，隱含層及其節(jié)點(diǎn)個(gè)數(shù)的計(jì)算函數(shù)為雙曲對(duì)數(shù)函數(shù)，而輸出節(jié)點(diǎn)的傳遞函數(shù)則是正切函數(shù)。計(jì)算隱藏層節(jié)點(diǎn)個(gè)數(shù)一般認(rèn)為其取值在輸入、輸出節(jié)點(diǎn)數(shù)之間，且與所取樣本容量有關(guān)。其計(jì)算公式則為：隱藏層節(jié)點(diǎn)數(shù)=1/10×樣本數(shù)÷(輸入層節(jié)點(diǎn)數(shù)+輸出層節(jié)點(diǎn)數(shù))。[8]選用SAS內(nèi)置算法(learning rate=0.9,min.learning rate=0.1,accelerate rate=1.1,decelerate=0.9)進(jìn)行訓(xùn)練。為了避免學(xué)習(xí)過程收斂于局部最優(yōu)點(diǎn)，使學(xué)習(xí)有一個(gè)好的起始點(diǎn)，讓網(wǎng)絡(luò)預(yù)訓(xùn)練20次直至按照規(guī)定的收斂準(zhǔn)則使訓(xùn)練停止，按照誤分類率最小的準(zhǔn)則選擇網(wǎng)絡(luò)。分析的結(jié)果如圖3、表4、表5所示。

圖3BP神經(jīng)網(wǎng)絡(luò)模擬學(xué)習(xí)過程圖

表4BP神經(jīng)網(wǎng)絡(luò)模擬訓(xùn)練權(quán)數(shù)結(jié)果表

表5BP神經(jīng)網(wǎng)絡(luò)模型性能統(tǒng)計(jì)量表

三、財(cái)務(wù)危機(jī)判別模型評(píng)價(jià)

提升圖(lift chart)和接受者操作特征曲線(ROC curve)能夠可視化地實(shí)現(xiàn)模型性能的評(píng)估，提升圖越高模型性能越好。提升圖是描述模型在各個(gè)分位區(qū)間的提升率，即運(yùn)用模型進(jìn)行判別比不用模型隨機(jī)判別提高準(zhǔn)確率的程度，橫軸的分位區(qū)間按預(yù)測(cè)的可信度由大而小排列。ROC曲線是類別1中的對(duì)象被正確分類到類別1的估計(jì)比例(sensitivity)與相對(duì)類別2的對(duì)象被錯(cuò)誤分類到類別1的估計(jì)比例(1-specificity)的曲線，ROC曲線越向左上方延伸，曲線下的面積越大，表明可以選用的分類閾值越多、模型的分類效果越好。現(xiàn)將三個(gè)模型的累積提升圖和ROC比較如下：由圖4可以看出，三個(gè)模型均有較高的判別能力，在第二個(gè)百分位區(qū)間以后模型的性能差異不大，在前兩個(gè)百分位區(qū)間決策樹的判別性能最好，Logistic回歸模型和神經(jīng)網(wǎng)絡(luò)稍差一些。從圖5 ROC曲線來看，logistic回歸模型的分類效果最好，其次是決策樹模型，神經(jīng)網(wǎng)絡(luò)的效果略差。

圖4三個(gè)財(cái)務(wù)危機(jī)判別模型累積提升對(duì)比圖

圖5三個(gè)財(cái)務(wù)危機(jī)模型的ROC曲線對(duì)比圖

從各個(gè)模型的分析結(jié)果可獲知它們識(shí)別的主要影響變量幾乎是一致的。即資產(chǎn)收益率、股東權(quán)益比率、凈資產(chǎn)收益率增長(zhǎng)率最高，其次是銷售凈利率。總資產(chǎn)周轉(zhuǎn)率、速動(dòng)比率和行業(yè)因素也有所影響，但程度不大，回歸模型和決策樹模型卻將其拒絕。企業(yè)的相關(guān)利益者應(yīng)重點(diǎn)關(guān)注上述幾個(gè)指標(biāo)，同時(shí)也應(yīng)以它們作為整個(gè)指標(biāo)體系來考察本企業(yè)有關(guān)經(jīng)營(yíng)方面的方針措施。依據(jù)上述模型各自的優(yōu)點(diǎn)可按需而用：決策樹模型可生成具體的語言表述的能力，使結(jié)論易于理解，在定性分析方面具有優(yōu)越性；Logistic回歸模型簡(jiǎn)潔，分類的效果較好，可用來計(jì)量計(jì)算；神經(jīng)網(wǎng)絡(luò)模型運(yùn)用時(shí)考慮外界條件少，過濾噪聲強(qiáng)，保全信息最大。因此在實(shí)踐中可將三者結(jié)合起來，互為參考，為決策服務(wù)。

四、結(jié)論及政策建議

財(cái)務(wù)危機(jī)判別模型的結(jié)果表明：影響上市公司財(cái)務(wù)狀況的重要指標(biāo)是資產(chǎn)收益率、股東權(quán)益比率與凈資產(chǎn)收益率增長(zhǎng)率，其次是銷售凈利率。

其一，資產(chǎn)收益率是表現(xiàn)企業(yè)獲利大小與否的一個(gè)指標(biāo)。分析的結(jié)果顯示它的系數(shù)為負(fù)數(shù)，因此綜合實(shí)力強(qiáng)的企業(yè)陷入財(cái)務(wù)危機(jī)的可能性就大，反之，可能性就小。資產(chǎn)收益率越低,公司陷入財(cái)務(wù)危機(jī)的顯著性就越高。因此提高資產(chǎn)收益水平、搞好經(jīng)營(yíng)管理是企業(yè)避免陷入財(cái)務(wù)危機(jī)的必然選擇。[9]

其二，股東權(quán)益比率是反映企業(yè)資本結(jié)構(gòu)的指標(biāo)。上市公司對(duì)股東權(quán)益負(fù)責(zé)，究其實(shí)質(zhì)是企業(yè)自身實(shí)力、抵御風(fēng)險(xiǎn)能力和拓展經(jīng)營(yíng)業(yè)務(wù)的基礎(chǔ)。財(cái)務(wù)危機(jī)判別Logistic回歸模型中，該指標(biāo)系數(shù)為負(fù)，表明公司的財(cái)務(wù)比率越小則發(fā)生財(cái)務(wù)困境的可能性就越大，兩者呈反比例關(guān)系。

其三，被特別處理企業(yè)財(cái)務(wù)的一大特征是凈資產(chǎn)收益率增長(zhǎng)率偏高。如果某公司的財(cái)務(wù)狀況良好、經(jīng)營(yíng)業(yè)績(jī)健康則顯示該指標(biāo)很穩(wěn)定。故而此指標(biāo)在識(shí)別企業(yè)財(cái)務(wù)是否健康中也占據(jù)很重要的地位。

其四，銷售凈利率是反映公司的盈利是否強(qiáng)勁的一個(gè)重要指標(biāo)。通過上述三種模型分析顯示，該指標(biāo)是影響公司是否陷入財(cái)務(wù)危機(jī)與否的一個(gè)重要指標(biāo)。因此，從公司在實(shí)際的經(jīng)營(yíng)活動(dòng)中都注重銷售，可見一斑。它是企業(yè)實(shí)現(xiàn)資金周轉(zhuǎn)、獲取利潤(rùn)、回報(bào)企業(yè)利益相關(guān)方的重要手段。

[1]鞏斌.基于BP神經(jīng)網(wǎng)絡(luò)的上市公司財(cái)務(wù)困境判別實(shí)證研究[J].蘭州商學(xué)院學(xué)報(bào)，2010,(2).

[2]朱明.數(shù)據(jù)挖掘[M].合肥：中國(guó)科學(xué)技術(shù)大學(xué)出版社,2002.

[3]王又莊.上市公司財(cái)務(wù)會(huì)計(jì)報(bào)告分析與評(píng)價(jià)[M].上海：立信會(huì)計(jì)出版社，2002.

[4]易丹輝.統(tǒng)計(jì)預(yù)測(cè)——方法與應(yīng)用[M].北京：中國(guó)統(tǒng)計(jì)出版社,2001.

[5]曾衛(wèi).上市公司業(yè)績(jī)綜合評(píng)價(jià)模型的構(gòu)建及應(yīng)用[J].數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究,2002,(2).

[6]于秀林,任雪松.多元統(tǒng)計(jì)分析[M].北京：中國(guó)統(tǒng)計(jì)出版社,1999.

[7]相龍艷.基于BP神經(jīng)網(wǎng)絡(luò)的上市公司財(cái)務(wù)危機(jī)預(yù)警研究[J].金融經(jīng)濟(jì)，2009,(8).

[8]鞏斌.基于BP神經(jīng)網(wǎng)絡(luò)的上市公司財(cái)務(wù)困境預(yù)警模型實(shí)證研究[J].皖西學(xué)院學(xué)報(bào)，2010,(2).

[9]白羽.我國(guó)上市公司盈利能力分析[J].合作經(jīng)濟(jì)與科技,2008,(15).