基于C5.0的制造企業財務預警研究

張丹 曹紅蘋

摘 要：隨著制造業公司面臨的環境愈加復雜多變，公司為保持長遠的穩定發展態勢必要加強自身的風險管控。財務預警作為風險分析的一種工具，可為預警提供有力的基礎，與管控的有效性息息相關。C5.0決策樹通過訓練數據可得到清晰的分類規則，這些規則可為風險分析提供有效依據。通過2016年90家制造企業的31項財務指標構建出C5.0，得出基本每股收益、總資產增長率、營業毛利率、現金比率和全部現金回收率對企業風險預測的影響程度較高，企業應當加強該層面的監管。

關鍵詞： 財務預警;C5.0;制造企業

【Abstract】 The manufacturing companies are exposed to an increasingly complex and changeable environment， which means that some effective measures should be taken to improve their risk management so as to get a sustainable future. As a tool for risk analysis， financial early warning can provide a strong basis for early warning， which is closely related to the effectiveness of management and control. The C5.0 decision tree can provide clear classification rules through training data and provide criteria for risk management. C5.0 is constructed through 31 financial indicators of 90 manufacturing companies in 2016， and the basic earnings per share， total asset growth rate， operating gross profit margin， cash ratio and total cash recovery rate have a higher impact on corporate risk prediction. For these companies， supervision on the five points is supposed to be reinforced.

【Key words】 ?financial warning; C5.0; manufacturing enterprise

0 引 言

在國家整體經濟中，制造業占主體地位，是國民經濟的基礎。近年來，中國制造業成品走出國門，面向世界，整體呈現良好態勢。然而需要指出，制造業的前進路上也將面臨機遇與挑戰并存的前景，使得制造業的發展中必然存在著一定的不確定性。在此環境背景下，企業為了謀求長遠的發展，加強風險預測及管理勢在必行，這對企業的財務預警機制是一種考驗。

財務預警是一種分析預測問題，是通過選取一定的指標，并且建立模型達到推測的目的，從而為決策提供依據。對企業而言，其陷入財務困境的界定向來有很多標準，如破產清算、資產折現出現嚴重問題、失去償還銀行貸款及債券的能力、被證券交易所進行特別處理（ST）。在研究過程中，學者們會從研究出發點選擇相應的標準。預警分析最初只是通過單個的變量來預測，如Fitzpatrick選擇財務比率用于預測，Beaver提出了基于5個財務指標的預警模型。然而通過單個指標雖然較為方便，但是考慮到企業經營涉及到多個層面，產生廣泛影響，單個指標也容易出現被操縱的可能性，多變量的研究應運而生。當預警研究轉入多變量分析階段后，模型建立即成為預警提升的熱點和焦點。其中，Altman的Z-Score模型堪稱經典，隨后又陸續推出了F-score、Probit、Fisher、Bayes、Logit等模型，并且隨著人工智能的涌現，神經網絡、決策樹等也已開始用作分析工具[1]。

通過對國內外學者的研究文獻綜合探討后可知，預警研究多是側重于有效指標篩選以及模型建立方面。然而，不少預警模型在構建上都是只會顯示指標提取和結果輸出，而關于內部詳盡的分類過程以及哪些因素的影響程度卻仍不得而知，因而可將其視作一種黑箱問題。隨著信息化時代的來臨，數據信息量越來越大。在各類數據挖掘方法中，決策樹算法由于可以產生清晰明確的分類規則，正逐漸大范圍地應用到分析預測研究中。對于企業陷入危機、出現財務風險時有各種表現，是否被證監會特別處理（ST）則是其最直觀的特征形式。本文中，認定企業陷入財務困境的標準為被證券交易所ST，而被ST的公司則處于風險狀態，未被標示的即是無風險的。選取制造業2016年45家被ST的公司相關財務指標，同時選45家正常企業作為對照，融合風險水平指標和現金流分析，利用SPSS Modeler構建C5.0決策樹對制造業公司的風險預警構建模型，探索對企業風險影響較大的指標。對此，本文擬展開如下研究論述。

1 樣本數據的選取

作為國民經濟基礎的制造業，其基數眾多，處于危機狀態的也并不鮮見，制造業被ST的公司占所有行業被ST的將近60%。從重要性和實用性角度出發，文章選取制造業公司來進行預警分析。通過國泰安數據庫進行樣本的篩選，定位為A股的公司，剔除指標不健全的和因非經營因素導致公司出現財務危機的，在系統內篩選出45家ST公司。為研究企業財務預警的影響因素，須設定對照組，文獻中常用的是1：1或者1：2，考慮到風險組的公司有45家，樣本較為充足，本文按照1：1的原則選取了45家正常經營的公司。為增強可比性，正常公司的選擇按照制造業中經營范圍相同或類似的、且資產規模不超過樣本組公司組15%獲取。樣本公司選定后的重點在于評價指標的篩選，指標的篩選上通常涵蓋盈利能力、經營能力、償債能力、發展能力、比率結構這5個方面在內。為全面評估企業的財務狀況，除上述常用的衡量指標外，考慮到企業發生危機很大程度與資金運作有關，引入現金流分析指標。此外，企業風險水平指標以及可反映企業整體價值的基本每股收益也被引入評價體系。文中有關財務指標的整體選取結果詳見表1。

2 C5.0模型理論

決策樹是一種歸納性學習算法，基于已經選擇的模糊數據以遞歸形式分割數據，使得子樹集能夠得到最好的劃分，過程中推理出一系列的分類規則，該規則通常以樹形展現，直觀簡潔，便于理解。決策樹算法來自于CLS（概念學習系統），常見的有基于ID3、C4.5和 C5.0算法的構建的決策樹[2]。各個組別之間的差異是分組考慮的重要因素，也決定了不同種決策樹算法各自的獨特性。最初的決策樹研究基于ID3算法，該算法在處理離散數據方面具有良好的效果，但卻可能過于擬合，這將不利于后續的研究分析。針對這一不足，在分類規則中融入了信息增益率，標準調整為有最大信息增益率的分割變量，這是C4.5與ID3相比存在著不同差異的地方。同時，從ID3局限于離散型數據這一問題入手，C5.0算法則對此做了進一步的拓展，新的算法可以將連續屬性的數據轉換為離散化，使得原始數據的應用類型更為多樣。在大數據處理層面，Boosting的使用既可以增加預測的準確力度，也可以降低運行時內存的占用率，而與C4.5相比，預測的效率和效果都有一定范圍內的提升。C5.0構建決策樹基于2個層面，對此可闡述如下。

（1）通過最大屬性信息增益率選擇屬性。

（2）自上而下的遞歸方式。構建過程中，數據的分類模式類同于一棵倒立的樹木，原始數據的整體由根而發散，開叉點即為分類節點，通過分析找到最優的開叉點，層層向下分開，直至達到所有的數據都在同類的葉節點上而無需再分為止。

3 實證分析

本文用于實證分析軟件為SPSS Modeler 18.0，樣本數據為90家制造業上市公司的31項財務指標。在仿真研究中，選取的樣本中ST的風險狀態設置為“是”，將正常公司的設置為“否”，所有的公司按公司代碼、相關指標、風險狀態整合到Excel文件內。

利用Modeler源下的Excel文件項讀取整合文件，再通過字段選項下的類型選項對讀取的變量進行設定，內容詳情分述如下。

（1）因為股票代碼僅僅是為了識別不同公司，對于預警問題無關緊要，故而將股票代碼的角色設定為“無”。

（2）相關財務指標在預警研究中會對分析產生重大影響，且為分析的基礎，其角色設定為“輸入”。

（3） 預警研究的重點在于企業的風險狀態，也是預期從模型中輸出的結果，所以把企業風險狀態的角色設定為“目標”，通過文件的讀取和變量的設定這兩步完成了數據的初始獲取及設定。

對于預測分析而言，通常是經過對訓練集的模擬輸出、得到規則模型后，再將測試集信息代入以實現最終的分析預測。所以訓練集的選取關系著規則模型的建立。行業分析的慣例是70%的訓練集，30%的測試集，本文仍沿用此法，在字段選項下的分區選項中劃分好訓練和測試的比例。在此基礎上，則會利用模型中的C5.0構建模型，為方便查看及理解過程，輸出類型擇定為生成規則集，同時為提升模型評估性能，運用交叉檢驗，折疊次數為10，在SPSS Modeler 18.0中構建出設計流程分析圖，具體如圖1所示。

流程運行后，得出27個測試樣本中有22個預測符合事實，準確率達到81.48%，交叉驗證的均值85.7，標準誤差為5.1，預測效果良好，準確率超過80%，仿真后得到的風險預測分析結果見表2。

在預測風險時，影響程度較高的指標有基本每股收益X11、總資產增長率X18、營業毛利率X5、現金比率X24、全部現金回收率X9，重要性分別為：0.33、0.28、0.16、0.16、0.16。且推演得到的判定規則見表3。

規則集中指標主要分布在償債能力、發展能力、盈利能力及現金回攏層面，這些本質上均為資金流的把控。關于企業在今后的日常運營中亟需酌情關注的要點，可做闡釋敘述如下。

（1）提高流動資產的變現能力，可適當抽取部分資金用以清算短期債務。針對貨幣資金、應收賬款設置風險預警標準，而對交易的數量、單價、日期一定要準確記錄并加強監管核對。賒銷時要提高對購買商的信用額度審核力度，同時對金額較大的應收款項的收回也要加強跟進，必要時還可將金額收回度納入員工考核標準。

（2）優化產品的結構，淘汰收益率低的產品，減少同質產品的生產銷售，加強產品的研發創新力度，實行產品差異化的競爭。

（3）減少債務融資的占比，企業可以將股權變為多元化，如職工入股，或者構建第三方金融平臺，募集個人資金。

此外，針對向銀行的貸款，可實行債轉股，公司也可以通過非公開發行股票方式（定向增發）募集配套資金。

4 結束語

文章通過對90家制造業上市公司31項財務指標的調研匯總，利用SPSS Modeler 18.0進行C5.0決策樹構建，模型的預測準確率達到81.48%。從規則集中得出基本每股收益X11、總資產增長率X18、營業毛利率X5、現金比率X24、全部現金回收率X9這5項指標對企業的風險預警能產生重大影響。企業在日常監管中應當對這些層面給予足夠重視，建立動態化監管。另外，實證中選取的指標數量有限，且企業的選取僅僅是制造業、而未能做到行業細化，這些都會對結果產生一定的影響，也是今后需要加大研究工作力度的地方。

參考文獻

[1]王秋瑋，葉楓.新常態下ST公司財務困境預警研究—基于C5.0算法的財報面板數據[J].財會通訊，2018（23）：107-111，129.

[2]白承彪.數據挖掘在上市公司財務危機預警中的應用[J].中國外資，2011（4）：60-61，63.

[3]邴文軒.企業財務風險的形成原因和預警機制的探討[J].現代商貿工業，2018，39（32）：125-126.

[4]李玉俠.大數據與企業財務風險預警[J].中國商論，2018（29）：10-11.

[5]姚青翠.企業財務分析的預警作用研究[J].中國市場，2018（28）：135-136.

[6]蔡立新，李嘉歡.大數據時代企業財務風險預警機制與路徑探究[J].財會月刊，2018（15）：38-43.