基于時間序列模型的ST上市公司財務困境預警研究

王秋瑋

摘要：目前，經濟發展形勢發生重大變化，企業因陷入財務困境面臨經營危機乃至破產清算的風險大大增加。本文構建融合ARTXP算法與ARIMA算法的時間序列預測模型對26家ST公司開展實證研究，結果發現：融合了兩類算法的時序預測模型對影響ST公司財務困境程度的關鍵財務指標具有良好的預測效果。

關鍵詞：財務困境；時序預測模型；財務指標

目前我國經濟改革已經進入攻堅階段。ST公司是已經面臨經營危機，陷入財務困境而被“特別處理”的上市公司，其未來的財務狀況是各方利益相關者關注的焦點。ST公司財務困境程度的變化具體體現在某些關鍵財務指標的變化上，可以通過分析這些財務指標的預測值來判斷公司未來的財務困境情況。所以在ST公司財務困境進一步惡化前，運用時序預測模型對企業財務狀況的變化提前預警，企業的管理者及其投資者可以針對關鍵財務指標及時采取適當的措施預防、規避、擺脫財務困境，進而使企業跟上我國經濟改革的步伐。

本文使用 SQL Server 2012 中Microsoft 時序算法構建時序預測模型。Microsoft 時序算法包括ARTXP算法和ARIMA算法，前者針對短期預測進行了優化，后者針對長期預測進行了優化。在SQL Sever 2012中可以通過自定義Analysis Services將ARIMA和ARTXP算法混合構建時序預測模型。兩種算法混合的起點和權重大小變化的速率是通過設置PREDICTION_SMOOTHING參數來控制的。

1.融合ARTXP算法和ARIMA算法的時序模型實證

首先，選擇萬得數據庫中滬、深兩市26家ST上市公司2012-2015年財報面板數據為研究對象。在進行財務預警之前先建立一套財務預警指標體系，然后使用分層聚類對該體系中的指標進行分類，再使用相關性分析剔除相關性較高的指標。第二步，根據周首華基于Altman的Z-Score模型基礎上提出的F-Score模型計算出2012年樣本ST企業的F值，并根據F值臨界點0.0274將企業的財務困境程度區分為“重度困境”和“輕度困境”。第三步，使用SPSS modeler中的C5.0決策樹算法構建決策樹模型對第二步驟中的財務狀況判斷結果進行檢驗分析。找尋能夠對樣本正確分類的分枝準則和關鍵節點，從而確定能對公司財務困境程度進行判斷的關鍵財務指標。第四步，結合決策樹的判斷規則和2013-2015年樣本ST公司關鍵財務指標數值的大小，對2013-2015年ST公司的財務困境程度做出判斷。采用SPSS modeler的“分區”節點將2013-2015年的關鍵財務指標數據分為訓練組和測試組，最后采用“分析”節點對訓練組、測試組模型執行結果進行分析，證明關鍵指標的波動將嚴重影響并決定企業的風險程度。執行結果如表1所示。

如上表所示，四個獨立樣本T檢驗結果中的F統計量的值分別是0.697、0.830、0.566和1.064，對應的置信水平分別是0.408、0.367、0.456和0.307，均大于5%，這說明實際值和預測值方差之間不存在顯著差別，所以采用的方法是兩樣本等方差T檢驗。4個獨立樣本T檢驗中的臨界置信水平分別是0.680、0.621、0.979、0.531，均大于5%。這說明四個關鍵財務指標的預測值和實際值沒有顯著差別。結合決策樹模型的判別規則和關鍵財務指標的預測值判斷企業財務困境程度，再與企業2016年第3季度的實際財務困境情況進行對比。得到：2016年第3季度26家樣本ST公司財務困境程度預測正確22家，預測錯誤4家，準確率達84.6%，準確率比較理想。

2.總結與討論

研究發現，存貨周轉率、固定資產周轉率、資產負債率、總資產增長率4項財務指標對ST公司的財務困境程度起到關鍵作用，它們的波動嚴重影響并決定企業的財務困境程度。相比于傳統的財務困境預警方法，融合了ARTXP算法和ARIMA算法的時間序列模型對數據的要求不高，但是數據處理速度快，預測準確率較理想。因此該方法可以幫助陷入財務困境企業的管理者和投資者對公司財務困境程度進行預測，并采取有針對性的措施幫助企業降低困境程度進而擺脫困境。但是時序預測模型僅僅是根據財務指標的時間序列進行預測和分析，并沒有考慮代表公司治理情況的公司董事會結構、股權結構和管理者激勵等方面非財務指標。下一步研究將把非財務因素考慮在內并增加樣本企業的數量，進而完善財務困境預警體系，提高預測的精確度。

參考文獻：

[1]李艷玲，宋喜蓮.基于數據挖掘的上市公司財務危機預警研究[J].沈陽師范大學學報（自然科學版），2014，32（2）： 267-272.

[2]李榮麗.基于數據挖掘的企業財務診斷研究[D].廣西大學，2013.

[3]李盈，鄧尚民，莊新磊.財務困境預測項目的Clementine數據流構建研究[J].財會月刊，2009（06）： 103-105.