上市企业财务预警模型发展思路

导语：上市企业财务预警模型发展思路一文来源于网友上传，不代表本站观点，若需要原创文章可咨询客服老师，欢迎参考。

摘要:本文的起始点为企业风险和预警的概念,总结风险预警管理在历史阶段内的发展状况，并针对现阶段国内外较为主流的企业风险预警模型展开系统性分析。共用4种方法展开研究，该研究指出当下研究缺陷的同时分析了将来风险预警管理模型研究的基本走向。

关键词:SVM；ANN；财务风险；预警模型

1引言

企业财务预警需要定位好企业经营及管理所处的真实状态,定位的依据是相关企业财务报表和经营数据。一元判别法(单变量模型)(FitzPatrick,1932)是较传统的企业预警模型，其通过单变量来判断企业状态,对企业财务特点的描述存在局限之处，仅采用了单一指标。后续，z-score多元判别模型实现了突破，引入了多元线性判别式，通过此途径计算判别分即Z值，以其为判断依据。该模型成为典型的对财务危机、破产等情况进行预测的模型，克服了一元判别分析法的不足。

2国内财务风险预警发展历程

相较于国外的财务风险预警发展历程，我国在此方面的起步较迟，最初可追溯至20世纪80年代，发展初期的预警系统更加注重宏观经济预警功能，由于社会经济的持续发展，后续逐步渗透至企业预警领域，具有定性与定量相结合的特征。微观经济视域下，企业的发展环境日益复杂，伴有各类不确定因素，企业迎来全新的发展挑战，此时给企业预警系统的发展创设了良好的契机，人们对其的重视程度较以往明显提高。学界对于企业预警的研究工作中，以佘廉教授颇具代表性，其提出的企业逆境管理理论为该领域的研究引领了新的方向，同时创建企业预警管理体系，提高了企业预警管理的地位。

3国内外财务风险预警的研究评价

3.1国外财务风险预警的研究评价

单变量判定模型是极为典型的静态模型，但其指标数量较少、覆盖面不足，导致在实际应用中存在明显的局限性，负债的流动性并未考虑在内。此时，在面向短期偿债能力不足的企业时易作出误判，而通过单项财务比率并不能全方位反映出企业的运营状况。相较之下，多元线性判定模型则实现了从单变量向多变量的转变，其对于财务指标样本所提出的要求是其必须服从多元正太分布，并且各变量均不可作为剩余变量的线性组合。现阶段，二元选择模型已经形成体系，其中以Logistic模型和Probit模型最具代表性，企业财务风险预警研究中则以Logistic模型的应用最为广泛，原因在于其逻辑概率分布函数与正态分布的密度函数表现出较高的相似性，并且可满足快速计算的要求。

3.2国内财务风险预警的研究评价

纵观国内发展状况，分析财务报表是最为典型的财务风险预警系统研究方式，具体包含神经网络、功效系数法等，但普遍缺乏适用性。现阶段，国内企业的财务报表具有较为显著的阶段性特征，在财务危机的征兆方面缺乏明确的指向性，预警的意义偏弱，且多数研究都局限在企业是否会爆发财务危机的层面，对于预警系统的认知不足，难以创建完善的预警系统，导致财务危机的发生概率较大。

3.3国内财务风险预警的发展思路

(1)以现阶段的财务风险预警指标为基础，结合实际情况对其采取合适的修改措施，创建完整的年度财务风险预警指标体系。(2)市场环境在各阶段都存在显著的变化，此时以企业内部管理者的需求为立足点，创建面向该群体的资产风险预警系统，以便给各月度的风险监控工作提供支持。资产风险反映的是企业在某个特定阶段内由于资产管理不妥等多重因素而造成损失的可能性，具体包含成本损失、坏账损失、降压损失等，管理者利用资产风险预警系统尽可能减少资产风险。

4企业预警管理的演化过程

如图1,针对企业危机展开管理即危机管理。它属于事后应急性的处理，专注于发生危机后迅速作出应对。而危机往往是突然发生的，是企业必须应对和管理的且常导致较大金额的财产损失。因此，我们要求危机管理应迅速。随着其事后性弱点被逐渐发现，一些学者和企业已经开始思索并尝试改善，将把握风险向前拓展。而很早就存在“风险”一词，风险管理是过程管理，应在企业运作进行时控制不利结果。通常在产生风险的初期立即介入,以达到及时阻断或消灭的效果。风险管理集中在损失上，由通过概率可进行分析的不确定性引起。对多样的不确定性和其结果视而不见，不单会产生亏损，还要考虑现实的机会。风险预警标志着风险管理走上了新的台阶,它的主动性和对集成风险管理的改进,使风险预警研究日益形成体系。

5模型构建与研究思路

在对偶理论中，确定系数的方式可通过二次规划问题求得：判断输入指标和输出结果的关系，当两者表现出非线性特征时，则要及时更改输入空间，将其转变为高维空间，并进一步确定最优线性分类。若要实现非线性变化，较为关键的途径是定义相应的核函数。从现阶段的理论研究成果来看，核函数有如下三种：本文采用了3种方法：(1)确定样本数据；(2)借助主成分分析(ANN)的途径深入解读样本数据；(3)借助SVM完成企业预警模型的构建。该模型的两部分分别为上述(2)和利用SVM进行的分类。作为ANN，其基础想法是：少数几个隐性的主成分(因子)、和以正交为特征的线性组合代表着先前多个变量，这样就不会选取过多变量且更具独立性，可将具有代表性的变量(具有表征能力、蕴含信息丰富)归纳于一体。这种有效的工具能够减少数据维数，用简单的数据来表示复杂数据，从而后续能更好地做好分类、处理等相关工作。SVM指的是统计学习方法，在其支持下可判别模式的具体类型，对解决小样本问题具有更好的适用性。输入空间内的问题在得到非线性转换后，能够有效迁移至高维度空间内，此时线性从原本的不可分转变为可分的特点，进而形成最佳线性分类面，而这正式SVM的核心。简言之，通过财务指标对区分企业状态才是企业财务预警问题的本质，故通过ANN与SVM联合组建模型可达成企业财务预警目标。本次研究以酒类行业17家上市公司为基本对象，选取其在2015～2019年期间内的年报财务数据，之所以做出此选择，原因在于：(1)企业财务报表可靠、真实；(2)通过原始数据来评判能使统计方法不同造成的误差降低；(3)财务比率因行业不同而不同，选用同一酒类行业的企业能去掉这种差异，且宏观经济景气循环很少会影响该行业。从我国证券市场的发展状况来看，鲜有公司破产，此时可以对ST类公司作进一步的认知，将其视为“财务危机(失败)”企业更贴合实际情况。并且，还有一些企业被认为是“有潜在危机的企业”，它们虽不是ST企业，但对其财务指标具体情况和专家意见进行综合分析后察觉其经营状况并不佳。一些样本中某些值和平均值相差甚远，对于此类不具备使用价值的数值，均将其剔除，最终得到87个企业样本，具体情况为：经营状况良好的有48个，ST企业有20个，非ST企业有19个。现阶段，国有绩效评价指标体系得到广泛应用，以此为基本依据，综合考虑各类破产公司的特点(例如不具备偿清到期债务的能力)，此处对研究对象加以细分，得到以偿债能力、发展能力为代表的共计17项财务比率指标。

6实证研究及分析

基于SPSS统计软件，对整理所得的样本集展开主成分分析。

6.1原始比率变量分析

先将主成分提取出来并减小维数，使各输入值间存在较低相关性，再初步进行主成分分析：(1)共创建17项财务比率指标，彼此存在互相关系数，并表现出较为显著的高冗余程度的特点，可简化；(2)较强相关比率：流动比率(X1)和速动比率(X2)两者间产生的相关系数达到0.78，表明其关联程度较高，也与二者比率组成相对应；流动资产周转率(X9)和总资产周转率(X11)相关系数为0.806，表明两者具有显著的相关性；主营业务利润率(X13)和成本费用利润率(X14)相关系数高达0.85，充分说明两者具有显著的相关性；此外，净资产收益率(X15)和每股收益(X16)、固定资产周转率(X10)与总资产周转率(X11)都存在较高的关联程度，各自的相关系数分别为0.719、0.696；(3)X6与X13(0.544)、X6与X14(0.48)、X8与X9(0.522)之间的相关系数在0.5上下，较小的相关性表明企业各能力间的关系有多余部分；(4)股东权益比率X6和总资产收益率X17两者的相关系数达到0.645，由此进一步说明长期偿债能力与盈利能力的关系，即具有较密切的关联。(5)营运能力与盈利能力虽然具有关联但较为微弱，其相关系数偏小，短期偿债能力与长期偿债能力的关系较为特殊，表现出负相关性。

6.2主成分选择及解释

以主成分的特征值为分析对象，大于1即可选择，并且共产生了5个主成分因子，需从17项原始财务比率指标入手，探讨其对于各主成分因子的因子载荷(具体指的是原始指标与主成分因子两者间所产生的相关系数)，以便更有效的说明5个因子。根据因子负荷矩阵：(1)X13、X17、X15、X16、X14、X6可用于说明主成分F1，其他指标远小于此处所提及的6个比率的因子载荷量，可作为长短期偿债能力、盈利能力的主要表征。(2)X1、X2、X4、X5、X8、X9、X11主要说明主成分F2，其各自的因子载荷量也相对较高，明显超出其他指标，因此可作为长短期偿债能力和营运能力的表征。(3)X5、X10和X11的共同特性在于均可说明主成分F3，其表征的是长期偿债能力、企业营运能力。(4)X12、X3的共同特性在于均可说明主成分F4，其表征的是短期偿债能力和营运能力。(5)X7则说明主成分F5，反映出企业营运能力。

6.3建立模型识别部分

实验1采取的是二类划分的方法，将总体训练样本细分为2类(正常、报警)，挑选3类样本(正常、关注和报警)，在此基础上展开测试。具体如表1。分析：在正常类样本中的识别正确率可达到100%，并且在关注类样本的识别中也可达到该效果，在识别报警类测试样本后，所得结果为关注。从而得到正常与关注的区别特征，并作为分类识别的支持。选择支撑向量机，有助于分析财务数据分类的使用情况，即是否可有效应用于现实。实验2采取的是三类划分方法，将总体训练样本细分为3类(正常、关注和报警)，由此展开测试，具体内容见表2。分析：在正常类样本中的识别正确率可达到100%，并且在关注类样本的识别中也可达到该效果；关注类样本中：除2个正确识别的外，还存在被误识别为正常和报警的情况，共计2个；该测试结果能够被接受，主要原因子在于企业样本自身不具备有效区分的条件。而c(c-1)/2个2类SVM分类器共同构成了SVM的c类划分，局限之处在于各SVM只具备区分2类的能力，难以全面的区分问题是否会发生。

6.4结果分析

(1)对企业状态进行判定识别，就要了解SVM获取样本的规律所在。借助线性判别式或仅凭靠有限样本获得的得分来决定评价标准都有其不足之处。此外，BP神经网络进行区分的水平确实不如SVM。(2)Y分数模型较为模糊，缺乏详尽的内容，应全面收集行业企业的各相关数据。样本分布和数量都受到一定约束，在单个行业中无法固定下来可作为分类依据的有效F值。本文选择的ANN-SVM模型中SVM内部参数经一次计算即可固定，涵盖了样本类别的规律。SVM小样本分类进行区分的能力很强，故无需在大的范围内搜集统计数据，直接建模再做判断就好。(3)分析实验结果可知：训练样本一经明确，不同种类企业的财务数据特点就无法被BP神经网络迅速获取。(4)ANN-SVM模型将人工智能算法与传统方法进行了联结，建构了新型专家系统，发挥着一定功效。但其仍有不足，表现在样本数量从根本上制约着ANN-SVM模型，如：无法达到完全正确，多类划分不够精准等。同时，它还暴露出多变量模型在样本一样多的情况下不能使用、分类特点不可被BP神经网络获取等弊端。值得注意的是，一旦条件相同，SVM就能表现出同样的效果，这是为大多数人所接受的部分。

7结束语

由一系列实证分析可知，单元和多元判别模型方法及构建判别模型的重要前提在于线性函数等的约束安全被ANN-SVM模型打破。训练样本够多才可利用BP神经网络的问题也得到了解决。在方法上，样本数据借助非线性函数即可被很好拟和，具有创新性。此外，同其他方法相比，SVM模型还具有在样本较小的情况下依然能保证预测精准程度的独特优势。

参考文献:

[1]石先兵.基于PCA-SVM的企业财务危机预警模型构建[J].财会通讯,2020(10):131-134.

[2]周文娟.我国中小企业财务预警系统模型的构建[J].科技创新导报,2019,16(36):156-157.

[3]祁新,柏广才.基于创新视角的中小企业财务危机预警模型构建[J].商业会计,2019(3):44-46,43.

[4]程芳,李红丽,邵丹蕾.制造企业财务危机预警模型构建[J].新理财,2018(8):50-51.

[5]万庭君.财务危机预警模型的构建及其对A企业财务风险诊断[D].南昌：东华理工大学,2018.

[6]柳本民,闫寒.基于SVM事故分类的连环追尾事故影响因素分析[J].交通信息与安全,2020(3):9-11.

[7]方红帏,赵涛,佃松宜.基于三域特征提取和GS-SVM的ECG信号智能分类技术研究[J].四川大学学报(自然科学版),2020(2):297-303.

[8]李鹏飞,王青青,毋建宏,陈华雪.基于BP神经网络、ARIMA和LS-SVM模型的集成预测研究—1978-2017年陕西省苹果产量实证[J].江苏农业科学，2020(2)：27-29.

作者：徐欣欣 单位：咸阳职业技术学院