遼寧省裝備制造業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警研究

張曉蕾，王 華

（沈陽(yáng)理工大學(xué) 經(jīng)濟(jì)管理學(xué)院，沈陽(yáng) 110159）

裝備制造業(yè)是我國(guó)制造業(yè)中的一個(gè)重要環(huán)節(jié)，在國(guó)家有關(guān)政策的扶持下，已有了較好的發(fā)展，并奠定了堅(jiān)實(shí)的工業(yè)基礎(chǔ)。作為其他行業(yè)的“輸血源”，裝備制造業(yè)的健康發(fā)展，在一定程度上對(duì)其他行業(yè)的穩(wěn)定運(yùn)轉(zhuǎn)起著制約作用。但是，隨著技術(shù)水平的演進(jìn)升級(jí)與市場(chǎng)環(huán)境的復(fù)雜化，我國(guó)裝備制造業(yè)也被動(dòng)面對(duì)諸多新的機(jī)遇和挑戰(zhàn)，其“大而不強(qiáng)”的劣勢(shì)也逐步凸顯出來(lái)，制約著裝備制造業(yè)整體的健康發(fā)展。遼寧省重工業(yè)基礎(chǔ)雄厚，是我國(guó)傳統(tǒng)的裝備制造業(yè)大省。雖然作為東北地區(qū)重點(diǎn)工業(yè)基地之一，遼寧省工業(yè)制造業(yè)已形成了相當(dāng)規(guī)模的產(chǎn)業(yè)鏈，但是在宏觀經(jīng)濟(jì)形勢(shì)不可控、產(chǎn)業(yè)結(jié)構(gòu)不合理等因素的影響下，遼寧省裝備制造業(yè)近年來(lái)發(fā)展速度減緩，同時(shí)也存在著一定程度的財(cái)務(wù)風(fēng)險(xiǎn)。在國(guó)家“振興東北老工業(yè)基地”及遼寧省“先進(jìn)裝備制造業(yè)‘十四五’發(fā)展規(guī)劃”的政策要求下，為了更好地加快裝備制造業(yè)轉(zhuǎn)型升級(jí)的步伐，必須要關(guān)注行業(yè)整體的財(cái)務(wù)健康狀況，以此為基礎(chǔ)維護(hù)遼寧經(jīng)濟(jì)的可持續(xù)發(fā)展，因此尋找合理有效的預(yù)警手段防范裝備制造業(yè)發(fā)生財(cái)務(wù)風(fēng)險(xiǎn)具有重要意義。

財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警是指通過(guò)研究企業(yè)的財(cái)務(wù)及非財(cái)務(wù)數(shù)據(jù)與最終風(fēng)險(xiǎn)狀態(tài)之間的內(nèi)在聯(lián)系，利用數(shù)學(xué)模型找到關(guān)鍵影響因素，搭建預(yù)警模型輸出風(fēng)險(xiǎn)狀態(tài)，使企業(yè)能實(shí)時(shí)監(jiān)控自身風(fēng)險(xiǎn)狀態(tài)，以便及時(shí)采取措施防范風(fēng)險(xiǎn)。目前財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警一般有兩種方向，分別是統(tǒng)計(jì)學(xué)方法與機(jī)器學(xué)習(xí)方法。統(tǒng)計(jì)學(xué)方法有一元判別分析模型、多元判別分析模型、多元邏輯回歸分析方法和多元概率比回歸方法等。此類(lèi)方法構(gòu)建的模型具有明顯的解釋性，但是其對(duì)輸入數(shù)據(jù)的要求嚴(yán)格，并且與機(jī)器學(xué)習(xí)方法相比，其分類(lèi)效果的準(zhǔn)確性差強(qiáng)人意。機(jī)器學(xué)習(xí)方法有邏輯回歸、決策樹(shù)、神經(jīng)網(wǎng)絡(luò)模型、隨機(jī)森林、支持向量機(jī)等，相關(guān)研究表明，機(jī)器學(xué)習(xí)方法相比于統(tǒng)計(jì)學(xué)方法具有更好的準(zhǔn)確性和適應(yīng)性。在無(wú)法預(yù)先確定風(fēng)險(xiǎn)關(guān)鍵影響因素時(shí)采用機(jī)器學(xué)習(xí)方法能取得更好的效果。而對(duì)于類(lèi)似本文研究對(duì)象的此類(lèi)數(shù)據(jù)量少的小樣本，支持向量機(jī)憑借其出色的分類(lèi)與回歸性能，能取得更好的預(yù)測(cè)結(jié)果。而對(duì)于樣本數(shù)據(jù)不均衡的情況，加權(quán)支持向量機(jī)能通過(guò)為正負(fù)樣本賦予不同的權(quán)重，以使樣本處于均衡狀態(tài)。因而本文針對(duì)遼寧省裝備制造業(yè)上市公司數(shù)據(jù)不均衡、樣本量小的特點(diǎn)，構(gòu)建加權(quán)支持向量機(jī)（W-SVM）模型。

二、模型與方法

（一）加權(quán)支持向量機(jī)

支持向量機(jī)是監(jiān)督式學(xué)習(xí)的一種機(jī)器算法，屬于一般化線(xiàn)性分類(lèi)器。其通過(guò)搜尋最優(yōu)的分類(lèi)超平面，使得正負(fù)兩類(lèi)向量之間的距離最大化，一般來(lái)說(shuō)，分類(lèi)邊緣越大，尋得的超平面越優(yōu)，分類(lèi)效果越好，最終訓(xùn)練得到的超平面就是分類(lèi)模型的最優(yōu)解。在處理非線(xiàn)性分類(lèi)時(shí)，SVM通過(guò)核函數(shù)的使用將輸入變量映射到高維空間，此時(shí)就變成高維空間的線(xiàn)性分類(lèi)問(wèn)題。SVM能夠同時(shí)最小化經(jīng)驗(yàn)誤差與最大化幾何邊緣區(qū)，具有良好的分類(lèi)效果。其具體實(shí)現(xiàn)步驟如下：

獲取輸入數(shù)據(jù)集：

選取最適宜的核函數(shù)K（xi，xj），映射到高維特征空間求解最優(yōu)解：

設(shè)得到最優(yōu)解如下：

選取a*的一個(gè)正分量計(jì)算閾值：

從而最終的最優(yōu)分決策函數(shù)為：

加權(quán)支持向量機(jī)是在上述基礎(chǔ)上通過(guò)對(duì)不同類(lèi)別的樣本加以不同權(quán)重，以解決以下二次規(guī)劃問(wèn)題得到的：

其中C是懲罰因子，i為xi相應(yīng)的松弛變量。p+和p-分別是正負(fù)兩類(lèi)樣本的權(quán)重，因此可以通過(guò)p+和p-以及i的輸入實(shí)現(xiàn)加權(quán)效果，公式如下：

公式中pi即xi的權(quán)重，通過(guò)的輸入能夠人為地?cái)U(kuò)大或縮小相應(yīng)的C的懲罰力度，從而實(shí)現(xiàn)正負(fù)樣本數(shù)據(jù)的擴(kuò)大或縮小，均衡樣本集，提高預(yù)測(cè)精度。

（二）W-SVM構(gòu)建方法

Step1：確定預(yù)警指標(biāo)體系并選取符合條件的上市公司樣本，劃分訓(xùn)練集與測(cè)試集。

Step2：選擇合適的核函數(shù)，并且采用五折交叉驗(yàn)證方法，進(jìn)行參數(shù)尋優(yōu)，以找到具有最佳分類(lèi)效果的c、g參數(shù)，并設(shè)置正負(fù)樣本的權(quán)重，搭建W-SVM模型。

Step3：導(dǎo)入訓(xùn)練集數(shù)據(jù)作為輸入變量，用以訓(xùn)練W-SVM模型，并將預(yù)測(cè)值與實(shí)際預(yù)測(cè)集數(shù)據(jù)對(duì)比，驗(yàn)證模型準(zhǔn)確度。

三、實(shí)證分析

（一）樣本選擇和數(shù)據(jù)來(lái)源

滬深兩市的上市公司若連續(xù)兩個(gè)年度出現(xiàn)虧損，就會(huì)被特別處理（Special Treatment）。因而本文將ST作為企業(yè)發(fā)生財(cái)務(wù)風(fēng)險(xiǎn)的標(biāo)志。樣本公司范圍為滬深A(yù)股主板上市的遼寧省裝備制造業(yè)公司，選擇2017-2020年間被ST處理企業(yè)作為風(fēng)險(xiǎn)樣本，按照配對(duì)原則，選擇風(fēng)險(xiǎn)企業(yè)ST年份為基準(zhǔn)年份的剩余企業(yè)作為健康樣本。由于企業(yè)被ST處理的T年實(shí)質(zhì)上是T-1年財(cái)務(wù)狀況的結(jié)果，因而本文選擇T-2年的財(cái)務(wù)數(shù)據(jù)作為數(shù)據(jù)輸入集用以訓(xùn)練預(yù)警模型，以2021年遼寧省裝備制造業(yè)上市公司的財(cái)務(wù)狀況及其T-2年的數(shù)據(jù)作為測(cè)試集用以測(cè)試模型預(yù)測(cè)精度。最終得到一個(gè)由22家企業(yè)及其相應(yīng)年份數(shù)據(jù)的樣本集。本文樣本數(shù)據(jù)來(lái)自銳思金融數(shù)據(jù)庫(kù)。

（二）財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警指標(biāo)體系的構(gòu)建

裝備制造業(yè)企業(yè)作為傳統(tǒng)的制造型企業(yè)，有資金密集、產(chǎn)能過(guò)剩、創(chuàng)新能力欠缺等特點(diǎn)，因而在選擇預(yù)警指標(biāo)，要貼合行業(yè)發(fā)展特點(diǎn)，本文在借鑒已有研究的基礎(chǔ)上，遵循可操作性、可量化、系統(tǒng)性以及先行性的要求，從盈利能力、償債能力、成長(zhǎng)能力、營(yíng)運(yùn)能力、現(xiàn)金流狀況五個(gè)方面等方面選取了20個(gè)財(cái)務(wù)指標(biāo)。另外從我國(guó)企業(yè)實(shí)際狀況出發(fā)，由于目前缺乏成熟嚴(yán)密的外部治理體系，所以企業(yè)內(nèi)部治理水平仍是影響企業(yè)財(cái)務(wù)健康的重要影響因素。因此本文選取了6個(gè)非財(cái)務(wù)指標(biāo)補(bǔ)充預(yù)警指標(biāo)體系（具體指標(biāo)如表1所示）。

表1 財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警指標(biāo)體系

由于財(cái)務(wù)指標(biāo)之間具有相關(guān)性，其中區(qū)分能力不顯著的指標(biāo)往往會(huì)使得模型訓(xùn)練更復(fù)雜，甚至還會(huì)降低模型的準(zhǔn)確度。因此本文進(jìn)行如下處理：首先對(duì)所有數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，其次針對(duì)正負(fù)樣本的各個(gè)特征變量進(jìn)行顯著性檢驗(yàn)，即實(shí)施K-S檢驗(yàn)，檢查樣本數(shù)據(jù)是否符合正態(tài)分布，當(dāng)p值大于0.05時(shí)我們認(rèn)為其符合正態(tài)分布，可以進(jìn)行T檢驗(yàn)以觀測(cè)樣本數(shù)據(jù)的差異顯著性，保留p值低于0.05的指標(biāo)；對(duì)于不符合正態(tài)分布的指標(biāo)進(jìn)行Mann-Whiney U檢驗(yàn)，保留p值小于0.05的指標(biāo)（檢驗(yàn)結(jié)果如表2、3所示）。

表2 K-S檢驗(yàn)與T檢驗(yàn)

（三）實(shí)證分析

1.樣本數(shù)據(jù)劃分

特征向量矩陣train_data是m*n矩陣，m表示樣本數(shù)量，n表示特征維度，即上文最終選取的指標(biāo)。類(lèi)別矩陣train_label為m*1矩陣，其中m仍為樣本數(shù)量，列數(shù)1表示此樣本的屬性，財(cái)務(wù)風(fēng)險(xiǎn)企業(yè)以“-1”表示，健康企業(yè)以“1”表示。

表3 K-S檢驗(yàn)與Mann-Whiney U檢驗(yàn)

2.歸一化處理

由于數(shù)據(jù)中可能會(huì)存在奇異樣本數(shù)據(jù)，使得特征數(shù)據(jù)量綱不一致，特征值之間差異較大，此時(shí)會(huì)降低模型運(yùn)算速度和精度。而進(jìn)行歸一化處理后，能減少迭代次數(shù)，可以更迅速找到最優(yōu)點(diǎn)，并且還能增加不同特征數(shù)據(jù)之間的可比性，便于下一步處理。

3.選擇核函數(shù)

在核函數(shù)的選擇上，由于本文特征維度和樣本較少且二者量級(jí)相差不大，此時(shí)選擇線(xiàn)性核函數(shù)不會(huì)造成過(guò)擬合現(xiàn)象，會(huì)取得相對(duì)更好的預(yù)測(cè)效果。因而本文選擇線(xiàn)性（linear）核函數(shù)來(lái)構(gòu)建模型。

4.參數(shù)選擇及預(yù)測(cè)結(jié)果

由于本文研究對(duì)象樣本量小，且風(fēng)險(xiǎn)企業(yè)與健康企業(yè)比例不平衡，所以訓(xùn)練會(huì)存在偶然性，因此有必要通過(guò)反復(fù)訓(xùn)練尋找最優(yōu)參數(shù)以提高模型的準(zhǔn)確性。本文采用五折交叉驗(yàn)證法搜尋最優(yōu)參數(shù)，最終選擇的最優(yōu)參數(shù)分別為：c=5.278，g=0.008。經(jīng)過(guò)訓(xùn)練，本文構(gòu)建的支持向量機(jī)預(yù)測(cè)準(zhǔn)確率為90.91%（結(jié)果如圖1所示）。

圖1 測(cè)試集SVM預(yù)測(cè)結(jié)果（linear核函數(shù)）

5.特征權(quán)重分析

由于支持向量是映射在高維空間的向量，無(wú)法以二維空間中的輸入特征變量呈示，因此在探求預(yù)警指標(biāo)在SVM模型中的影響大小時(shí)，可以通過(guò)SVM-RFE（遞歸特征消除）算法得到指標(biāo)特征的貢獻(xiàn)性排序。RFE算法通過(guò)SVM模型訓(xùn)練樣本，得出本次訓(xùn)練特征權(quán)重，再剔除權(quán)重平方和最小的特征進(jìn)行下次訓(xùn)練，如此迭代直至沒(méi)有特征，由此算法的最終輸出變量即為特征重要降序排序。在本文構(gòu)建的W-SVM模型基礎(chǔ)上調(diào)用SVM-RFE算法，得到特征權(quán)重排序?yàn)椋篨11、X12、X19、X5、X8、X3、X23、X1、X15、X21、X24、X22。

四、結(jié)論與建議

（一）主要結(jié)論

使用linear核函數(shù)構(gòu)建的W-SVM模型對(duì)遼寧省裝備制造業(yè)上市公司的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警有著良好的適用性，樣本整體預(yù)測(cè)準(zhǔn)確率達(dá)90.91%。可見(jiàn)本文選取的裝備制造業(yè)上市公司的相關(guān)數(shù)據(jù)具有良好的反應(yīng)能力，可以在此基礎(chǔ)上為相關(guān)領(lǐng)域的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警提供思路。但是本文的研究也存在不足，由于樣本數(shù)量有限，并且指標(biāo)體系的特征維度選取有限，在尋找既有信息與風(fēng)險(xiǎn)狀態(tài)的內(nèi)在聯(lián)系上存在不完全性與主觀性，因而需要研究更深入的機(jī)器學(xué)習(xí)方法深度挖掘數(shù)據(jù)內(nèi)含信息，搭建更有效的模型。

通過(guò)特征權(quán)重分析可知，在最終選取的特征中，凈利潤(rùn)增長(zhǎng)率、凈資產(chǎn)增長(zhǎng)率、經(jīng)營(yíng)現(xiàn)金凈流量/營(yíng)業(yè)總收入、成本費(fèi)用利潤(rùn)率、資產(chǎn)負(fù)債率這五項(xiàng)指標(biāo)權(quán)重較高，分別代表成長(zhǎng)能力、現(xiàn)金流量、盈利能力、償債能力。說(shuō)明這幾項(xiàng)代表性指標(biāo)與遼寧省裝備制造業(yè)上市公司財(cái)務(wù)風(fēng)險(xiǎn)的聯(lián)系更密切，企業(yè)或相關(guān)機(jī)構(gòu)監(jiān)測(cè)上述先行指標(biāo)能夠幫助其及時(shí)地識(shí)別財(cái)務(wù)風(fēng)險(xiǎn)。

（二）可行性建議

搭建合理有效的預(yù)警模型，能夠?yàn)槠髽I(yè)財(cái)務(wù)風(fēng)險(xiǎn)的發(fā)現(xiàn)和防范提供借鑒，結(jié)合人工智能搭建預(yù)測(cè)精度更高的預(yù)警模型是未來(lái)的發(fā)展趨勢(shì)。因此遼寧省裝備制造業(yè)企業(yè)管理者可以在既有行業(yè)預(yù)警模型的基礎(chǔ)上，結(jié)合本公司特點(diǎn)調(diào)整關(guān)鍵輸入變量，建立合適的財(cái)務(wù)預(yù)警模型。

企業(yè)也要關(guān)注行業(yè)現(xiàn)有的風(fēng)險(xiǎn)點(diǎn)，加強(qiáng)自身的內(nèi)部控制：在成長(zhǎng)能力上，裝備制造業(yè)現(xiàn)有的產(chǎn)業(yè)鏈往往是低附加值，難以產(chǎn)生高利潤(rùn)回報(bào)，因此企業(yè)應(yīng)該通過(guò)加大研發(fā)投入、吸引高端人才等途徑，提高企業(yè)自主創(chuàng)新能力，提高企業(yè)核心競(jìng)爭(zhēng)力；在現(xiàn)金流風(fēng)險(xiǎn)防范方面，由于產(chǎn)品生產(chǎn)周期長(zhǎng)，資金周轉(zhuǎn)不及時(shí)的情況很常見(jiàn)，企業(yè)要合理安排現(xiàn)金流，建立全面預(yù)算體系，保持現(xiàn)金儲(chǔ)備量處于合理的水平；在盈利能力方面，規(guī)范生產(chǎn)環(huán)節(jié)，降低成本費(fèi)用支出，提升產(chǎn)品附加值，以實(shí)現(xiàn)可持續(xù)發(fā)展；在償債能力上，裝備制造業(yè)資金密集，經(jīng)營(yíng)的上下游環(huán)節(jié)會(huì)需要大量資金支持，因此企業(yè)應(yīng)該拓寬籌資融資渠道，減少對(duì)銀行借款等硬性籌資方式的依賴(lài)性；優(yōu)化自身資本結(jié)構(gòu)，降低負(fù)債比例，增加權(quán)益性資產(chǎn)，避免過(guò)度舉債經(jīng)營(yíng)。