基于隨機森林與費希爾判別法的區塊鏈企業財務預警模型研究

余欣然 ，郭 婷

1.廈門大學 管理學院，福建 廈門 361000；2.內蒙古工業大學 經濟管理學院，內蒙古 呼和浩特 010000）

近年來由于國內外經濟形勢的變化，企業面臨更為嚴峻的生存環境，部分企業深陷財務困境。企業的財務狀況是一個持續積累的結果，財務危機的出現往往是有跡可循的。為避免企業陷入財務困境，企業管理者通常需要結合實際情況對企業的財務狀況及風險進行評估。在評估過程中，較為常用的一種方法就是結合財務預警模型做出判斷。財務預警模型是一種通過定性和定量分析相結合的方式對企業整體的財務狀況進行判斷的預測模型，企業管理者可以運用該模型對財務狀況進行實時監控，幫助改善財務活動和消除潛在的財務隱患。該模型能為企業預判和防范財務風險提供理論依據，減輕和避免危機給企業帶來的不利影響，對企業的經營發展具有重要意義。

陳月圓[1]以A股上市公司為研究對象，運用逐步判別分析法建立了上市公司的財務預警模型，采用非配對抽樣的方法盡量剔除樣本的主觀性。但其檢驗過程并未使用交叉驗證，只選用了原始數據回代的方法來檢驗模型的準確率，模型的預測結果缺乏穩健性。王小燕等[2]在logistics回歸的基礎上考慮了財務指標之間的關聯性，采用帶網絡結構的自適應Lasso懲罰對參數進行平滑，模型指標的選取更加準確合理，檢驗結果表明基于Lasso的logistics回歸模型具有較好的分類效果。孫玲莉等[3]以中國A股及美股上市公司為研究對象，通過構建基于Benford的隨機森林模型，從評價財務數據質量的角度提升了財務預警模型的精確度，發現基于Benford律的隨機森林相較于單一的隨機森林預測結果更加準確。顧曉安等[4]考慮了企業盈余管理導致的財務信息失真，研究發現財務危機企業與正常經營企業的盈余管理行為存在顯著差異，并將盈余管理變量引入Logistic 回歸分析，顯著提高了模型準確率。

近年來，隨著數字經濟發展，區塊鏈技術成為熱門，掀起了產業變革的浪潮。該項技術應用已延伸至金融、能源、供應鏈管理、網絡安全等多個領域，通過與不同行業的整合實現了更為顯著的經濟效應，區塊鏈行業展現出極大的市場潛力和發展空間。區塊鏈技術對推動產業升級具有重要意義，通過實現更透明、更高效及更低成本的信息傳輸和數據處理，可以建立更加開放、健康、安全的信息傳輸環境。未來，區塊鏈技術還將進一步與更多產業實現深度合作和生態互聯，市場規模有望達到萬億級別。

由于該行業起步較晚，目前我國有關研究區塊鏈行業財務預警模型的文獻并不充分，企業難以基于較少的研究結論得到準確的財務風險預測結果。值得注意的是，目前財務預警領域的實證研究方法大致分為兩種：一種是運用機器學習方法進行建模，如神經網絡、決策樹等；另一種是基于傳統的統計方法，如logistics回歸法等。2種方法都存在一定的優勢和不足，僅僅依靠其中一種方法的模型是缺乏穩健性和合理性的。本研究將在費希爾判別法的基礎上融合隨機森林模型變量篩選的結果，吸取兩種方法的優點，建立兼具準確性和可解釋性的區塊鏈財務預警模型。

1 研究對象及指標選取

本研究通過借鑒文獻[3,5-6]，結合區塊鏈行業特性及實際情況，從目前較為認可的具有代表性的4個維度，即償債能力、盈利能力、營運能力和發展能力，進行模型指標的選取。企業償債能力通常用來衡量企業財務狀況的好壞，反映企業的對到期債務償還的能力，能有效考察企業的持續經營能力，本研究主要采用有形資產負債率X1、速動比率X2、權益乘數X3、現金比率X44個指標來衡量償債能力；盈利能力是企業持續發展和生存的根本動力，體現了企業獲取利潤的投入產出比，本研究主要采用營業利潤率X5、總資產凈利率X6、凈資產收益率X7、市盈率X8、營業收入現金凈含量X95個指標來衡量盈利能力；營運能力指企業占用資產獲取收益的能力，體現了資產使用的效率和效益，本研究采用應收賬款周轉率X10、存貨周轉率X11、流動資產周轉率X123個指標來衡量營運能力；發展能力反映了企業未來的發展潛力,考察了企業未來持續增長及擴大經營的能力，本研究采用總資產同比增長率X13、營業利潤同比增長率X14、基本每股收益同比增長率X153個指標來衡量企業的發展能力。

本研究根據2021年同花順概念股及WIND數據庫中區塊鏈板塊，按照配比原則，經過數據清洗后篩選出26家2020年滬深A股上市公司作為研究對象，其中區塊鏈ST企業12家，非ST企業14家。

2 基于隨機森林算法的區塊鏈行業財務預警分析

2.1 研究思路及方法

機器學習方法在模型預測效果上具有顯著的準確性，同時可解釋性較低。為有效判斷區塊鏈企業未來是否可能面臨財務危機，建立更加準確的區塊鏈企業財務預警模型，考慮采用機器學習方法中的隨機森林算法構建模型。隨機森林算法是一種屬于Bagging類型的決策樹集成學習方法，它可以將數據集通過訓練歸納得到模型并實現更加高效準確的結果預測。該方法相較于單棵決策樹模型有更高的穩定性和精確性，并通過隨機抽樣的方式可有效解決過擬合問題。本研究采用機器學習方法中的隨機森林模型對上述財務指標按其對模型的影響程度進行篩選，并綜合考慮多棵決策樹的集成結果，按照少數服從多數的原則進行特征指標的篩選。

2.2 結果分析

本研究運用Python程序對隨機森林模型進行訓練和檢測。為避免偶然性對模型結果的影響，通過設置參數對1 000棵決策樹進行訓練，根據每棵決策樹的不同輸出結果進行數學統計，按照少數服從多數原則得到模型結果。考慮到決策樹的過擬合情況，為保證模型的適用性及穩健性，本研究采用Python劃分訓練集和測試集，隨機選取數據樣本的70%作為訓練集，剩余30%的樣本作為模型的測試集進行檢驗。結果顯示，訓練集正確率為87.5%，測試集正確率為100%，表明隨機森林算法對企業財務風險的預測具有較高的準確率。同時，采用提取特征指標的方法完成指標的篩選。隨機森林算法根據決策樹中指標的出現次數及層級等因素來判斷指標的重要程度，計算不同特征指標對模型結果的影響。可視化結果顯示，上述15個指標按照對模型結果影響程度排序前4位依次為營業利潤率X5、凈資產收益率X7、總資產凈利率X6、總資產同比增長率X13(圖1)，本研究選取以上4個指標進一步構建模型。

Feature lmportance

3 基于費希爾判別法的區塊鏈行業財務預警分析

3.1 研究思路及方法

機器學習方法雖然準確性較高，但也存在一定的缺陷。與傳統的統計模型相比，由于涉及大量的數據處理，機器學習法模型通常較為復雜且可解釋性較差，節點的判斷和形成是算法自動選擇而非人工設置的結果，其內在原理邏輯和推導過程具有不可知的特征。其次，該模型屬于黑箱模型，讀者不能直觀地理解和應用模型得出結果。而傳統的統計模型有較強的可解釋性但準確性不高。為建立兼具可解釋性和準確性的財務預警模型，本研究采用隨機森林算法提取特征指標，在此基礎上運用費希爾判別法構建區塊鏈企業財務預警模型，在一定程度上吸取機器學習模型結果的同時保證模型的可解釋性，并比較其與基于原始指標建立的模型的預測結果。

費希爾判別法是一種基于方差分析思想構造的區分變量的線性判別法，其本質是運用投影的方法，構造觀測值和相對應的投影變量，將難以區分的樣本通過投影區別開來，從而更好地將樣本分類到不同總體中。該方法通過構造觀測值的線性組合，然后根據線性組合的值構建判別函數，判別函數中的判別系數C1，C2…Cn應使得不同樣本點群的離散程度最大，使同一樣本點群離散程度盡量集中分布，從而達到較明顯的分類效果。該方法對樣本總體的分布無要求，是一種應用廣泛的統計方法。

3.2 模型檢驗

研究采用SPSS對模型進行檢驗，選擇上述隨機森林法篩選出的特征值較大的4個指標建模。檢驗結果見表2。組均值同等性檢驗是為了檢驗指標在不同總體是否具有顯著差別。經過T值檢驗，結果顯示4個指標的T值均<0.05，則拒絕原假設，可以認為指標在正常企業和出現財務危機企業間差別較大。Box檢驗通常為了檢驗樣本間的協方差矩陣是否齊次，經檢驗P值接近0，顯示該協方差矩陣不是單位陣，總體間協方差存在顯著差異，判別效果較好。Wilks′ Lambda檢驗可以檢驗模型整體的顯著性，檢驗結果顯示P值等于0.002，在α=0.01時具有統計學意義，表明該模型有效，能將較好地將區塊鏈財務危機企業和正常運行企業區別開來。

表1 模型檢驗結果

3.3 結果分析

通過操作SPSS進行費希爾判別，得出以下非標準化的典則判別函數:

Y=0.007X5-0.013X6+0.002X7+0.040X13+0.440

(1）

區塊鏈財務危機企業和正常企業的未標準化典則判別函數的聚類中心分別為-1.146和0.982。可以看到營業利潤率、凈資產收益率及總資產同比增長率3個指標與Y值呈正相關，而總資產凈利率對質心Y的影響是負向的，即該指標越大質心Y越小，越有可能被判別為財務危機企業。由原始數據可知財務危機企業12家中有9家該指標為負且相較于其他指標較大，經驗證可得結果符合模型的判斷邏輯。

在具體運用模型時，可以取任意區塊鏈行業企業將上述4個指標代入模型得到質心Y，若Y值與財務危機企業質心距離小于其與正常企業質心的距離，則將該企業判別為財務危機企業，企業應加強內部治理，改善其不利的財務狀況；反之，則判別為正常企業，可以認為企業暫時處于較正常的經營狀態，短期內大概率沒有財務危機。例如，Y=-1.01時，該企業將被劃分為財務危機企業。值得注意的是，當質心離兩類聚類中心距離差距較小時，盡管該模型將企業判別為非財務危機企業，也并不意味著企業不存在財務危機，企業很可能存在著某些財務隱患，處于在被判別為財務危機企業邊緣狀態，若未及時解決該類隱患很可能導致企業經營陷入困境。

3.4 模型預測效果

本研究在原始檢測的基礎上使用交叉驗證來檢驗模型的適用性和穩健性。交叉驗證指在原始數據中保留部分數據不參與訓練，使用訓練集進行模型構建，并代入保留數據對訓練模型進行檢驗，這種方法可以較為客觀地反映模型的可靠性，并一定程度上保證模型對外部數據的適用程度。相比原始檢驗，交叉檢驗模型的預測結果更具有參考價值。由表2可知，基于隨機森林算法的費希爾判別模型原始檢驗準確率為88.5%，交叉驗證準確率為84.6%，準確率較為可觀。為驗證指標篩選的有效性，將使用隨機森林模型篩選特征指標的模型與基于15個原始指標建立的全模型比較，將原始的費希爾判別法下的數據帶入全模型判別,得到模型準確率為100%，交叉驗證結果準確率僅為73.1%，表明該模型建模效果不佳。同時，也反映了隨機森林指標的篩選對模型預測效果有著顯著的改良作用，該方法的運用使模型基于更少指標的同時預測準確率得到了顯著提升。

表2 區塊鏈財務預警模型預測效果對比

4 結話及建議

本研究選取滬深A股區塊鏈板塊12家ST企業和14家非ST企業，基于償債能力、盈利能力、營運能力和發展能力4個維度選取了15項財務指標數據為樣本，首先運用隨機森林算法按照指標對模型影響效果進行篩選，結果顯示營業利潤率、凈資產收益率、總資產凈利率、總資產增長率4個指標對模型的影響較為突出。其次，采用費希爾判別法基于以上4個指標構建區塊鏈財務預警模型。經過組均值同等性檢驗、Box檢驗及Wilks′ Lambda顯著性檢驗，結果顯示各檢驗統計量均表現為顯著差異，原始檢測及交叉驗證結果表明模型分類效果良好，準確率較高，能較好地反映企業的財務風險。分析模型結果可以得到如下結論：

(1)經統計分析驗證，基于隨機森林算法建立的費希爾判別財務預警模型準確率較高，可以應用于預判企業財務風險，通過模型可以了解企業目前財務狀況及未來潛在的財務風險。

(2)經交叉驗證發現，隨機森林模型的引入對于提升費希爾判別模型的擬合程度及準確性具有顯著作用。

(3)營業利潤率、凈資產收益率、總資產凈利率、總資產增長率對財務風險的影響較大。為進行有效的經營管理，避免企業陷入財務困境，企業管理者應著重關注這4個指標。從事前控制的角度來看，管理者應及時進行財務分析，找出企業經營模式的缺陷，預防財務危機的形成。從事中控制的角度來看，應追溯導致財務危機出現的根本原因，從根源上提升企業的盈利能力，才能避免風險的進一步擴散。

分析以上結果可知，營業利潤率、總資產凈利率、凈資產收益率三者屬于盈利能力財務指標，說明區塊鏈企業盈利能力指標對企業財務風險的影響起關鍵作用，持續監測區塊鏈企業的盈利能力對企業的經營發展具有重要意義。其次，考慮到區塊鏈行業作為新興產業，還需著重考慮企業的發展能力，未來能否有能力實現大規模擴張和持續增長對該類企業尤為重要。因此，為避免陷入財務困境，應從這2個角度出發，實行企業內部嚴格的監督管控，企業決策者應著重關注企業的盈利情況，及時評價企業盈利質量，調整盈利模式及收入結構，確保企業經營持續性及穩定。同時，還應考慮未來長期的戰略布局，制定長遠的發展戰略，進行科學決策，拓寬企業未來的發展前景。報表使用者在決策時則需重視此類指標，并以此為依據來判斷企業的財務現狀及未來發展趨勢。

但模型仍然存在一定的局限性：

(1)模型未考慮非財務指標及外部因素對于企業財務風險的影響，僅以財務數據為樣本進行建模，可能忽略了某些定性因素，如宏觀政策、行業風險、公司治理、銀企關系等，因此需建立更為完善的財務預警體系。

(2)盡管通過數據清洗剔除了樣本中的部分異常數據，但財務數據仍可能存在一定的財務失真，財務信息的真實性有待進一步檢測。

(3)為盡量保證數據的完整及真實性，本研究剔除了數據缺失樣本，只選取了數據指標較為完備的2020年財務數據作為樣本進行研究，樣本數量受到限制，模型精確度可能有所局限。本研究檢測了模型的可行性及預測準確程度，但對模型在財務預警過程中的檢驗欠缺考慮，因此在未來樣本信息充足情況下，可以考慮進一步使用面板數據完善模型。

(4)為避免剔除重要變量，在考慮到財務指標的多重共線性時，本研究使用直接移除法，基于變量間的相關系數，手動剔除部分指標，剔除結果可能存在一定的偏差，因此以后可以考慮使用更加精確的處理方法來解決多重共線性問題。