非均衡樣本視域下房地產上市公司財務風險預測分析

［摘 要］文章基于非均衡房地產上市公司樣本視角，結合邏輯回歸（Logistic Regression）算法對中國房地產上市公司的財務風險進行預測分析。研究結果表明，ADASYN-Logistic Regression模型能夠有效解決房地產上市公司的非均衡樣本問題，具備較好的預測性能。基于此，文章運用非均衡樣本處理方法構建財務風險預測模型，旨在識別存在財務風險的公司，采取預防措施，提升公司競爭力。

［關鍵詞］非均衡樣本；房地產公司；財務風險；邏輯回歸

doi：10.3969/j.issn.1673 - 0194.2024.14.003

［中圖分類號］F832.51；F299.233.42 ［文獻標識碼］A ［文章編號］1673-0194（2024）14-00-03

0" " "引 言

隨著經濟全球化進程加快，我國經濟規模不斷擴大。根據國家統計局公開的數據，房地產及其相關行業占我國經濟總量的比重達13%～14%，其產業鏈條長、涉及面廣，維系著社會經濟的穩定運轉。然而，房地產行業屬于資金密集行業，上市公司的資金主要來自銀行貸款，其融資途徑相對單一，因此公司通常會面臨負債高、成本高和資金流動緩慢的問題［1］。有效的財務風險預測可以幫助上市公司預知財務風險，防范經營危機，提升運營能力。

國內外學者一直關注房地產公司財務風險的預測研究，并運用不同模型進行預測分析［2］。一是單變量模型。威廉·比弗（Willam Beaver）于1966年率先提出單變量預測模型，并進行財務風險預測［3］。二是多變量模型。金奈（Kinay）通過構建Logistic Regression模型預測公司財務風險［4］；王楠子等基于Logistic Regression模型，通過6個綜合因子構建預警決策模型［5］。三是Z-Score模型。嚴碧紅等運用Z-Score模型預測我國房地產企業發生財務危機的可能性［6］。然而，在客觀情況下，具有財務風險的公司樣本較少，正常經營的公司樣本比較多，構成非均衡樣本分布，該樣本的不均衡性容易導致模型無法充分捕捉少數樣本的類別特征，財務風險預測模型會產生偏差，使性能下降。因此，解決樣本數據集非均衡問題對于提升房地產上市公司財務風險預測模型的性能具有重要意義。目前，處理非均衡樣本的方法主要圍繞算法層面和數據層面展開，其中關于數據層面的研究較為豐富，即通過改變樣本的分布情況降低數據非均衡性，常用方法有欠采樣、過采樣。但是，基于非均衡樣本數據集的研究鮮有基于房地產財務風險預測角度的，多集中于金融欺詐賬戶檢測、信用卡違約預測分析等方面。

因此，本文將從非均衡樣本視域出發，以房地產行業為研究對象，應用隨機下采樣（Random Under Sampler，RUS）、近似接近采樣（Near Miss，NM）、合成少數類過采樣（Synthetic Minority Oversampling Technique，SMOTE）、自適應合成抽樣（Adaptive Synthetic Sampling，ADASYN）

4種主要的非均衡樣本處理方法，結合Logistic Regression算法構建財務風險預測模型，以期消除非均衡樣本影響，提高風險預測模型的性能和準確性，助力房地產上市公司持續健康發展。

1" " "非均衡樣本財務風險預測方法

1.1" "非均衡樣本處理方法

RUS方法為欠采樣基礎方法，即從多樣本Smax中隨機選擇少樣本，再合并原有少樣本Smin作為新訓練數據集；NM方法屬于欠采樣常見方法，即從多樣本中選取最具代表性的樣本用于訓練，解決隨機欠采樣中的信息丟失問題；SMOTE方法屬于過采樣方法，主要基于現存的少樣本，計算樣本特征空間之間的相似度，然后創建人工合成樣本；ADASYN方法在過采樣中應用廣泛，其關鍵思想為用密度分布決定少樣本產生多少數量的合成數據，即依據樣本的貢獻度來確定產生的合成數據數量。

1.2" "Logistic Regression算法模型

Logistic Regression算法模型屬于二分類模型，在數據挖掘、經濟預測領域使用廣泛。其表達式如下：

（1）

式（1）中，P代表Logistic Regression模型概率值，Y為因變量，K0為截距系數，K1～Kn為斜率系數，X1～Xn為自變量。

本研究采用上述4類非均衡采樣處理方法和Logistic Regression算法模型相結合的方式，進一步提升Logistic Regression模型預測性能。假設獲取的房地產上市公司樣本數據集為S，其中包含m個樣本，即。其中，xit為特征變量，xi∈X，xi={f1，f2，f3，…，fn}，代表每家房地產上市公司在第t年有n個特征指標；yit+1為財務風險狀態變量，且yit+1∈{0，1}，表示每家房地產上市公司在第t+1年是否具有財務風險，1代表有財務風險，0代表無財務風險。通過非均衡數據處理，將平衡后的數據樣本帶入式（1），得出預測概率P和Y值。

1.3" "預測模型性能評估方法

為有效評估Logistic Regression模型的分類效果，本文基于混淆矩陣（見表1）構建主要評估指標。

表1中，TN表示真實值和預測值均無風險；FP表示真實值無風險，但預測值有風險；FN表示真實值有風險而預測值無風險；TP表示真實值和預測值均為有風險。本文采用以下6類主要評估指標，即準確率（Accuracy）、精確率（Precision）、召回率（Recall）、F1值（F1-Score）、ROC曲線（Receiver Operating Characteristic Curve）和AUC值（Area Under Curve）。準確率表示模型預測的結果中正確結果的占比；精確率用來度量預測值為有風險的樣本中真實值也為有風險的概率；召回率關注全部有風險樣本中準確識別出來的比例；F1值為召回率和精確率的綜合指標，輔助評估結果；ROC曲線下方面積為AUC值，模型的ROC曲線越靠近左上方、ROC曲線下方面積越大，模型分類性能越好。

2" " "研究實施與結果分析

2.1" "財務風險預測指標體系構建

基于劉俐君［7］的研究，本文綜合財務指標和宏觀經濟指標，從盈利能力、成長能力、營運能力、償債能力、資本結構、現金流量能力、宏觀指標7個維度選取35個指標構建指標體系，以此預測并分析財務風險。

2.2" "數據集

本研究通過公開網站CSMAR（https：//data.csmar.com/）獲取2011—2023年房地產上市公司財務數據。數據集共包括215家房地產上市公司的2 420條財務數據，其中屬于少數類的數據76條，屬于多數類的數據2 344條，為典型的非均衡樣本情況。

2.3" "數據預處理

首先，對數據進行重復值、異常值、缺失值處理，刪除重復值、異常值及缺失率高于85%的指標，使用特征平均數對缺失率低于85%的指標進行填充。其次，構建相關系數矩陣分析自變量間的多重共線性，刪除具有嚴重多重共線性的指標。經過預處理，最終用于非均衡樣本處理和建模分析的數據集為2 207條數據，29個數據指標。

2.4" "實驗結果與對比分析

本研究將2011—2022年公司樣本數據劃分為訓練集，將2023年公司樣本數據劃分為測試集，針對訓練集進行非均衡樣本處理和模型訓練，選取最優模型預測2023年具有財務風險的公司。為了驗證不同非均衡樣本處理方法對數據集的平衡優化效果和模型預測性能的影響，對不同算法處理后的數據集統一采用Logistic Regression算法模型進行財務風險預測性能評價，結果如表2和圖1所示。

由表2可知，雖然數據集未平衡處理-Logistic Regression模型在準確率上表現很好，達到0.97，但其召回率相對較低，僅為0.27，這會導致在實際應用中，模型對有風險類的預測能力不強，從而忽略存在財務風險的上市公司。與其他算法相比，ADASYN-Logistic Regression在召回率、F1值、AUC值上均處于較高水平，且其AUC值接近1，在同等數據集下更能提升Logistic Regression的風險預測性能。由圖1可知，ADASYN方法的ROC曲線最靠近左上角，擁有更好的性能提升表現。

通過上述分析，ADASYN-Logistic Regression為最優預測模型，模型公式如下：

（2）

筆者將該模型應用于測試集預測分析財務風險，得出2023年的197家公司均無風險，可正常經營。

3" " "結束語

本研究聚焦非均衡樣本視域下房地產上市公司的財務風險預測分析，研究結果表明，ADASYN-Logistic Regression模型在處理非均衡樣本問題上具有較高的預測性能。希望本研究可以豐富非均衡樣本處理方法在財務風險預測領域的應用，為后續相關研究提供新的視角和方法論，為房地產上市公司提供有效的風險管理工具，積極推動房地產行業健康運行。

主要參考文獻

［1］PARK M.Alternatives to traditional mortgage financing in residential Real estate： Rent to own and contract for deed sales［J］.Quarterly Journal of Finance，2021（2）：1-31.

［2］DOMIAN D，WOLF R，YANG H F.An assessment of the risk and return of residential real estate［J］.Managerial Finance，2015（6）：591-599.

［3］BEAVER W H.Financial ratios as predictors of failure［J］.Journal of Accounting Research，1966（1）：71-111.

［4］KINAY B.Ordered LOGIT Model approach for the determination of financial distress［J］.Bulletin de la Societe des sciences medicales du Grand-Duche de Luxembourg，2010（1）：119-133.

［5］王楠子，吳霽峰，何云，等.房地產企業財務危機預警實證研究［J］.工程管理學報，2019（3）：154-158.

［6］嚴碧紅，馬廣奇.基于Z-Score模型的我國房地產業上市公司財務風險的實證分析［J］.財務與金融，2011（5）：37-41.

［7］劉俐君.房地產行業上市公司財務風險預警研究［D］.武漢：中南財經政法大學，2022.