基于非財務指標的上市公司財務預警研究

劉玉敏 劉莉 任廣乾

摘要：當前財務預警的相關研究主要集中于依托財務指標構建模型以預測公司的財務狀況，難以深入解釋財務困境發生的原因，對財務危機的早期預警有較大局限。在財務指標的基礎上，本文引入公司治理、EVA等非財務指標因素，利用統計分析方法對備選指標進行篩選后構建上市公司的財務預警指標體系，通過建立PSO-SVM的預測模型，利用PSO算法自動尋找最優參數組合，并與其他方法進行比較以驗證基于非財務指標的PSO-SVM預測模型的有效性，結果表明這種模型的預測準確率比之其他方法有了明顯的提高，能夠為我國上市公司的財務預警提供理論依據。

關鍵詞：非財務指標；財務預警；上市公司；支持向量機；粒子群尋優

中圖分類號：F275 文獻標識碼：A

財務狀況是企業生產經營能力的綜合反映，而財務困境能對企業在運營過程中存在的各種弊端有所表現。企業財務困境預警是利用能夠反映企業財務運行狀態的關鍵變量，運用相應的分類預測模型進行預警。如果能及時發現導致困境的原因，并積極采取相關舉措，就可能化解企業的財務危機。

如何有效地預警企業是否陷入財務困境，現有研究主要集中于建立預警指標體系和選擇預警模型，其缺陷在于整個指標體系忽視了企業的市場環境、治理情況等因素對財務運行狀況的影響，未考慮指標本身造成大量重合指標的產生，降低了指標體系的有效性。本文在傳統財務指標的基礎上引入公司治理結構、EVA等非財務指標，構建一套財務預警指標體系，運用顯著性檢驗與相關性檢驗等統計分析方法，對上市公司的財務數據進行實證分析，以篩選出判別能力較強的指標，進而構建上市公司財務風險預警指標體系；對SVM識別模型的核函數參數進行粒子群算法（PSO）進行優化， 將預處理后的樣本數據送入PSO-SVM分類器對財務風險進行預測，并與其它方法進行對比，以驗證本文所提識別方法的有效性。

一、引入非財務指標的財務預警指標體系

（一）樣本數據

本文把滬深兩市中因為財務問題被首次特別處理（ST，包括*ST）的上市公司定義為財務困境公司，未被特別處理的上市公司定義為正常企業。由于行業、規模等因素會對模型的預測準確率產生影響，選取2015年新增加的ST（包括*ST）生物醫藥、信息、機械等制造行業的上市公司為研究對象，選擇其財務危機發生的2年（2013年開始）的數據作為建模樣本。由于按資產規模進行1：1配對抽樣，樣本的隨機性會被破壞，從而產生過高的模型效果，容易夸大其分類準確率[1]，本文將財務困境企業與正常企業按1：2進行抽樣配對，共選取60家在滬深兩市上市的公司，其中，ST公司有20家，正常企業40家。樣本數據來自于CSMAR數據庫中已公開披露的上市公司年度財務報表。

（二）指標選取

財務困境預警模型有兩大核心工作：一是預警指標體系的構建，二是預警模型算法的選擇。前者是對財務困境預警信息的深度挖掘，后者則是預測算法的應用，兩者會同時影響上市公司財務困境的預測精度，即財務困境預警模型的效果不僅取決于模型算法的泛化能力，還取決于對模型輸入變量的選取。由于現有財務預警研究大多采用傳統的財務指標，指標時效性較差、易被認為篡改、重復性大等問題，影響了預警模型的運行效率與準確性，不能真實反映企業的盈利水平和風險警情。因此，本文在已有研究基礎上引入公司治理結構、EVA等非財務指標，從償債能力、經營能力、發展能力、現金流分析、盈利能力、公司治理結構、EVA維度構建了35項指標作為備選變量（具體指標如表1所示），并收集了上述60家上市公司2015（t-1）年、2014（t-2）年的市價數據，進而運用統計分析方法對備選指標進行篩選。

1.正態分布檢驗

對樣本數據進行顯著性檢驗前要考察數據是否服從正態分布，以確定財務預警指標進行差異顯著性檢驗時所要使用的檢驗方法。本文利用SPSS軟件的Kologorov-Smirnov正態分布檢驗考察各備選預警指標的分布情況，結果如表2所示。從表2的概率值可知大多數風險指標不服從正態分布：在t-1年，只有X32服從正態分布；在t-2年，X4、X12、X27、X33服從正態分布。根據這一檢驗結果，對不服從正態分布的預警識別指標要利用非參數檢驗方法對其進行差異顯著性檢驗；反之，則使用獨立樣本t檢驗。

2.顯著性檢驗

本文采用Mean-Whitney U檢驗方法，對困境企業和正常企業這兩個獨立樣本進行非參數檢驗，以便找出對預測企業財務困境沒有作用的指標，檢驗結果如表3所示。由表3的檢驗結果可知：在t-1年，由于預警指標X1、X2、X4、X5、X7、X8、X9、X12、X19、X20、X23、X24、X25、X26、X28、X30、X33、X34、X35的顯著性小于0.05，通過了差異顯著性檢驗；在t-2年，由于預警指標X1、X2、X3、X4、X5、X6、X7、X13、X19、X20、X24、X25、X26、X27、X28、X30、X31、X32、X34、X35的顯著性小于0.05，通過了差異顯著性檢驗，其余指標因未通過顯著性檢驗需要被剔除。

本文利用t檢驗對通過正態分布檢驗的指標進行參數檢驗，結果如表4所示。表4的結果表明：在t-1年，X32顯著性大于0.05，未能通過差異顯著性檢驗，被剔除；在t-2年，X4、X12、X27、X33通過了顯著性檢驗。

3.相關性檢驗

通過顯著性檢驗的指標涵蓋了各大類別備選預警指標，但各個指標間可能存在較強的相關性，特別是同類型的預警指標，這可能會降低模型預測的準確度。因此，本文利用Pearson相關系數對上述通過顯著性檢驗的12個指標進行相關性檢驗，檢驗結果見表5。綜合t-1年與t-2年剔除相關性較大的指標后，最終選定資產負債率（X4）、資產報酬率（X23）、總資產凈利潤率（ROA）（X24）、流動資產凈利潤率（X25）、成本費用利潤率（X28）、總資產EVA率（X33）、銷售EVA率（X35）構建上市公司的財務預警指標體系。

二、基于非財務指標的財務預警模型構建

（一）財務預警方法的確定

支持向量機（SVM）是Vapnik（1995）[2]在VC維理論與結構風險最小原理的基礎上提出的一種線性分類器，主要用于解決樣本的二分類問題，即尋找到一個最優平面使每類數據里離平面的距離最近的向量能夠和平面的距離最大，這樣就可以保證最小的分類錯誤率。由于它在解決小樣本、非線性問題時具有較大的優勢，被廣泛的應用于分類預測、回歸分析等方面。

（二）引入非財務指標的PSO-SVM財務預警框架

基于非財務指標的PSO-SVM財務預警方法（圖1）的具體內容如下：

1.構建上市公司的財務困境預警指標體系。依據現有的研究成果，結合正態分布檢驗、參數檢驗、非參數檢驗、相關性檢驗等統計分析方法篩選有效的財務預警變量指標。

2.確定SVM的核函數。根據上市公司財務預警的特點，本文引入能夠有效處理分類標注與屬性間非線性關系的RBF核函數，在財務預警模型中需要進行優化的參數是懲罰因子c和RBF核函數參數g。

3.識別模型的訓練與測試。在訓練階段將預處理后的數據作為SVM的輸入，進入模型進行訓練，并找出已知狀態下訓練樣本中的支持向量，以此確定其最優分類面；在測試階段需要未知的財務預警數據進行預處理后，求出用于表示未知狀態下的特征向量，并將其作為SVM的輸入，從而SVM將根據已求出的最優分類面對用于表示未知狀態下的特征向量得出預測企業財務困境的結果。

三、識別模型有效性檢驗

模型中的樣本數據仍然使用在構建財務困境預警指標體系時所采用的數據，為了避免由于不同變量的單位不同所造成的誤差，需要對7個預警指標的實際數據進行預處理，也就是線性壓縮處理，使其在[-1，1]之一區間之內。經過這樣的處理既能避免數據集中出現比較大的極端值，也能夠減少SVM的計算量，增加其識別速率。

為了驗證PSO-SVM模型對識別對財務困境預測的有效性，利用相同的樣本數據，運用粒子群尋優方法尋找RBF核函數下SVM的最優參數組合，并與運用BP神經網絡、傳統的SVM模型、GA-SVM模型的識別準確率進行對比，各個識別模型的準確率如表6所示，從表6中的識別準確率可知使用不同的模型對財務困境預測的準確率有較大影響。無論是在整體上還是在訓練集和測試集上，BP神經網絡模型的識別準確率都是最低的，整體的識別準確率只有77%，訓練集和測試集上都僅有77.6%，這說明BP神經網絡模型存在欠學習的問題，其學習和泛化能力都不是很理想。雖然傳統SVM模型的識別準確率相比于BP神經網絡有所提高，但是準確率仍有待提高。雖然GA-SVM模型的整體識別準確率已經有了較大的提升，達到了86.7%，具有良好的學習能力，但是在測試集上的識別準確率僅有79%，說明該模型的泛化能力較弱，有過學習的問題。與以上三類模型相比，PSO-SVM模型通過利用PSO算法自動優化核函數參數使得模型的整體識別準確率、訓練集和測試集上的準確率都最高，分別為91.7%、95%、95%，說明該模型的學習能力最好，尤其是該模型在測試集上較高的識別準確率，顯示出該模型具有較好的泛化能力，比其他模型更有優勢，說明本文提出的基于PSO-SVM的上市公司財務困境預警模型是有效的。

四、結論與啟示

財務困境的發生是企業在運營過程中存在的各種弊病的表現，能夠體現在企業的財務、非財務指標上，如果能夠及時發現導致企業陷入財務困境的原因，并積極采取相關改進舉措，就可能會化解企業的財務危機。但是，當前有關財務預警的研究主要集中于通過財務指標來構建模型，對公司的財務狀況來進行預測，這些研究雖然能在一定程度上給出財務困境的發生概率，但難以深入解釋財務困境發生的原因，對財務預警的早期預警有較大局限性。在財務指標的基礎上，本文引入公司治理、EVA等非財務指標因素，運用正態分布檢驗、參數檢驗、非參數檢驗、相關性檢驗等統計分析方法對備選指標進行篩選，構建了上市公司財務預警指標體系，在一定程度上克服了以往指標選取時的主觀性與隨意性，使指標更加科學、客觀；通過建立PSO-SVM的預測模型，本文利用PSO算法自動尋找最優參數組合，并與其他方法進行了比較，以驗證基于非財務指標的PSO-SVM預測模型的有效性，檢驗結果表明本文所提出模型的預測準確率比之其他方法有了明顯的提高。

基于以上實證研究，本文所建立的基于非財務指標的PSO-SVM財務預警模型能對我國上市公司是否會發生財務危機進行有效的預測，這就為我國監管機構和上市公司的管理層提供了決策依據，具有重要的應用價值。但是，以ST作為企業是否陷入財務困境的劃分依據具有一定的局限性，可能會使模型產生誤判。目前，中國還未有更好的標志性事件能代替ST作為劃分依據。雖然有的學者嘗試用某一具體的財務指標作為標志性事件，但這種硬切分必然有誤判，也不能有效地識別風險與正常。因此，借助新途徑尋找到多種指標組合的標志性事件是進一步研究方向。

參考文獻：

[1] Zmijewski Mark E，Dietrich J. Richard. Methodological Issues Related to the Estimation of Financial Distress Prediction Model[J].Journal of Accounting Research，1984.

[2] Vapnik，V. N. The Nature of Statistical Learning Theory[M]. Ne w York： Springer-Verlag，1995： 65-98.

[3] 劉玉敏，周昊飛. 基于多特征的PSO-MSVM動態過程質量異常模式識別[J]. 計算機應用研究，2015（3）： 713-716.

Financial Early Warning of Listed Company based on Non-financial Index

LIU Yu-min， LIU Li， REN Guang-qian

（Business School， Zhengzhou University， Zhengzhou 450001， China）

Abstract：Present literatures on corporate financial early warning are mainly based on financial index to build model to forest financial situation， so it is difficult to further explain the financial difficulties and hardly be applied to forecast the early financial distress. Based on the analysis of financial index， the paper introduces corporate governance， EVA， etc. non-financial indicators to build the financial early warning index system of listed companies after selecting the candidate index with statistical analysis method； by building PSO - SVM prediction model to find the optimal combination of parameters automatically with PSO algorithm， the paper tests validation of PSO-SVM prediction model based on non- financial index. Research results show the prediction accuracy of this model has been significantly improved compared with other methods， which can provide theoretical basis for the financial early warning of listed companies in China.

Key words：non-financial measures； financial early warning； listed company； Support Vector Machine； Particle Swarm Optimization