上市企業(yè)財務預警模型發(fā)展思路

時間:2022-06-18 10:12:38

導語:上市企業(yè)財務預警模型發(fā)展思路一文來源于網友上傳,不代表本站觀點,若需要原創(chuàng)文章可咨詢客服老師,歡迎參考。

上市企業(yè)財務預警模型發(fā)展思路

摘要:本文的起始點為企業(yè)風險和預警的概念,總結風險預警管理在歷史階段內的發(fā)展狀況,并針對現階段國內外較為主流的企業(yè)風險預警模型展開系統(tǒng)性分析。共用4種方法展開研究,該研究指出當下研究缺陷的同時分析了將來風險預警管理模型研究的基本走向。

關鍵詞:SVM;ANN;財務風險;預警模型

1引言

企業(yè)財務預警需要定位好企業(yè)經營及管理所處的真實狀態(tài),定位的依據是相關企業(yè)財務報表和經營數據。一元判別法(單變量模型)(FitzPatrick,1932)是較傳統(tǒng)的企業(yè)預警模型,其通過單變量來判斷企業(yè)狀態(tài),對企業(yè)財務特點的描述存在局限之處,僅采用了單一指標。后續(xù),z-score多元判別模型實現了突破,引入了多元線性判別式,通過此途徑計算判別分即Z值,以其為判斷依據。該模型成為典型的對財務危機、破產等情況進行預測的模型,克服了一元判別分析法的不足。

2國內財務風險預警發(fā)展歷程

相較于國外的財務風險預警發(fā)展歷程,我國在此方面的起步較遲,最初可追溯至20世紀80年代,發(fā)展初期的預警系統(tǒng)更加注重宏觀經濟預警功能,由于社會經濟的持續(xù)發(fā)展,后續(xù)逐步滲透至企業(yè)預警領域,具有定性與定量相結合的特征。微觀經濟視域下,企業(yè)的發(fā)展環(huán)境日益復雜,伴有各類不確定因素,企業(yè)迎來全新的發(fā)展挑戰(zhàn),此時給企業(yè)預警系統(tǒng)的發(fā)展創(chuàng)設了良好的契機,人們對其的重視程度較以往明顯提高。學界對于企業(yè)預警的研究工作中,以佘廉教授頗具代表性,其提出的企業(yè)逆境管理理論為該領域的研究引領了新的方向,同時創(chuàng)建企業(yè)預警管理體系,提高了企業(yè)預警管理的地位。

3國內外財務風險預警的研究評價

3.1國外財務風險預警的研究評價

單變量判定模型是極為典型的靜態(tài)模型,但其指標數量較少、覆蓋面不足,導致在實際應用中存在明顯的局限性,負債的流動性并未考慮在內。此時,在面向短期償債能力不足的企業(yè)時易作出誤判,而通過單項財務比率并不能全方位反映出企業(yè)的運營狀況。相較之下,多元線性判定模型則實現了從單變量向多變量的轉變,其對于財務指標樣本所提出的要求是其必須服從多元正太分布,并且各變量均不可作為剩余變量的線性組合?,F階段,二元選擇模型已經形成體系,其中以Logistic模型和Probit模型最具代表性,企業(yè)財務風險預警研究中則以Logistic模型的應用最為廣泛,原因在于其邏輯概率分布函數與正態(tài)分布的密度函數表現出較高的相似性,并且可滿足快速計算的要求。

3.2國內財務風險預警的研究評價

縱觀國內發(fā)展狀況,分析財務報表是最為典型的財務風險預警系統(tǒng)研究方式,具體包含神經網絡、功效系數法等,但普遍缺乏適用性?,F階段,國內企業(yè)的財務報表具有較為顯著的階段性特征,在財務危機的征兆方面缺乏明確的指向性,預警的意義偏弱,且多數研究都局限在企業(yè)是否會爆發(fā)財務危機的層面,對于預警系統(tǒng)的認知不足,難以創(chuàng)建完善的預警系統(tǒng),導致財務危機的發(fā)生概率較大。

3.3國內財務風險預警的發(fā)展思路

(1)以現階段的財務風險預警指標為基礎,結合實際情況對其采取合適的修改措施,創(chuàng)建完整的年度財務風險預警指標體系。(2)市場環(huán)境在各階段都存在顯著的變化,此時以企業(yè)內部管理者的需求為立足點,創(chuàng)建面向該群體的資產風險預警系統(tǒng),以便給各月度的風險監(jiān)控工作提供支持。資產風險反映的是企業(yè)在某個特定階段內由于資產管理不妥等多重因素而造成損失的可能性,具體包含成本損失、壞賬損失、降壓損失等,管理者利用資產風險預警系統(tǒng)盡可能減少資產風險。

4企業(yè)預警管理的演化過程

如圖1,針對企業(yè)危機展開管理即危機管理。它屬于事后應急性的處理,專注于發(fā)生危機后迅速作出應對。而危機往往是突然發(fā)生的,是企業(yè)必須應對和管理的且常導致較大金額的財產損失。因此,我們要求危機管理應迅速。隨著其事后性弱點被逐漸發(fā)現,一些學者和企業(yè)已經開始思索并嘗試改善,將把握風險向前拓展。而很早就存在“風險”一詞,風險管理是過程管理,應在企業(yè)運作進行時控制不利結果。通常在產生風險的初期立即介入,以達到及時阻斷或消滅的效果。風險管理集中在損失上,由通過概率可進行分析的不確定性引起。對多樣的不確定性和其結果視而不見,不單會產生虧損,還要考慮現實的機會。風險預警標志著風險管理走上了新的臺階,它的主動性和對集成風險管理的改進,使風險預警研究日益形成體系。

5模型構建與研究思路

在對偶理論中,確定系數的方式可通過二次規(guī)劃問題求得:判斷輸入指標和輸出結果的關系,當兩者表現出非線性特征時,則要及時更改輸入空間,將其轉變?yōu)楦呔S空間,并進一步確定最優(yōu)線性分類。若要實現非線性變化,較為關鍵的途徑是定義相應的核函數。從現階段的理論研究成果來看,核函數有如下三種:本文采用了3種方法:(1)確定樣本數據;(2)借助主成分分析(ANN)的途徑深入解讀樣本數據;(3)借助SVM完成企業(yè)預警模型的構建。該模型的兩部分分別為上述(2)和利用SVM進行的分類。作為ANN,其基礎想法是:少數幾個隱性的主成分(因子)、和以正交為特征的線性組合代表著先前多個變量,這樣就不會選取過多變量且更具獨立性,可將具有代表性的變量(具有表征能力、蘊含信息豐富)歸納于一體。這種有效的工具能夠減少數據維數,用簡單的數據來表示復雜數據,從而后續(xù)能更好地做好分類、處理等相關工作。SVM指的是統(tǒng)計學習方法,在其支持下可判別模式的具體類型,對解決小樣本問題具有更好的適用性。輸入空間內的問題在得到非線性轉換后,能夠有效遷移至高維度空間內,此時線性從原本的不可分轉變?yōu)榭煞值奶攸c,進而形成最佳線性分類面,而這正式SVM的核心。簡言之,通過財務指標對區(qū)分企業(yè)狀態(tài)才是企業(yè)財務預警問題的本質,故通過ANN與SVM聯合組建模型可達成企業(yè)財務預警目標。本次研究以酒類行業(yè)17家上市公司為基本對象,選取其在2015~2019年期間內的年報財務數據,之所以做出此選擇,原因在于:(1)企業(yè)財務報表可靠、真實;(2)通過原始數據來評判能使統(tǒng)計方法不同造成的誤差降低;(3)財務比率因行業(yè)不同而不同,選用同一酒類行業(yè)的企業(yè)能去掉這種差異,且宏觀經濟景氣循環(huán)很少會影響該行業(yè)。從我國證券市場的發(fā)展狀況來看,鮮有公司破產,此時可以對ST類公司作進一步的認知,將其視為“財務危機(失敗)”企業(yè)更貼合實際情況。并且,還有一些企業(yè)被認為是“有潛在危機的企業(yè)”,它們雖不是ST企業(yè),但對其財務指標具體情況和專家意見進行綜合分析后察覺其經營狀況并不佳。一些樣本中某些值和平均值相差甚遠,對于此類不具備使用價值的數值,均將其剔除,最終得到87個企業(yè)樣本,具體情況為:經營狀況良好的有48個,ST企業(yè)有20個,非ST企業(yè)有19個。現階段,國有績效評價指標體系得到廣泛應用,以此為基本依據,綜合考慮各類破產公司的特點(例如不具備償清到期債務的能力),此處對研究對象加以細分,得到以償債能力、發(fā)展能力為代表的共計17項財務比率指標。

6實證研究及分析

基于SPSS統(tǒng)計軟件,對整理所得的樣本集展開主成分分析。

6.1原始比率變量分析

先將主成分提取出來并減小維數,使各輸入值間存在較低相關性,再初步進行主成分分析:(1)共創(chuàng)建17項財務比率指標,彼此存在互相關系數,并表現出較為顯著的高冗余程度的特點,可簡化;(2)較強相關比率:流動比率(X1)和速動比率(X2)兩者間產生的相關系數達到0.78,表明其關聯程度較高,也與二者比率組成相對應;流動資產周轉率(X9)和總資產周轉率(X11)相關系數為0.806,表明兩者具有顯著的相關性;主營業(yè)務利潤率(X13)和成本費用利潤率(X14)相關系數高達0.85,充分說明兩者具有顯著的相關性;此外,凈資產收益率(X15)和每股收益(X16)、固定資產周轉率(X10)與總資產周轉率(X11)都存在較高的關聯程度,各自的相關系數分別為0.719、0.696;(3)X6與X13(0.544)、X6與X14(0.48)、X8與X9(0.522)之間的相關系數在0.5上下,較小的相關性表明企業(yè)各能力間的關系有多余部分;(4)股東權益比率X6和總資產收益率X17兩者的相關系數達到0.645,由此進一步說明長期償債能力與盈利能力的關系,即具有較密切的關聯。(5)營運能力與盈利能力雖然具有關聯但較為微弱,其相關系數偏小,短期償債能力與長期償債能力的關系較為特殊,表現出負相關性。

6.2主成分選擇及解釋

以主成分的特征值為分析對象,大于1即可選擇,并且共產生了5個主成分因子,需從17項原始財務比率指標入手,探討其對于各主成分因子的因子載荷(具體指的是原始指標與主成分因子兩者間所產生的相關系數),以便更有效的說明5個因子。根據因子負荷矩陣:(1)X13、X17、X15、X16、X14、X6可用于說明主成分F1,其他指標遠小于此處所提及的6個比率的因子載荷量,可作為長短期償債能力、盈利能力的主要表征。(2)X1、X2、X4、X5、X8、X9、X11主要說明主成分F2,其各自的因子載荷量也相對較高,明顯超出其他指標,因此可作為長短期償債能力和營運能力的表征。(3)X5、X10和X11的共同特性在于均可說明主成分F3,其表征的是長期償債能力、企業(yè)營運能力。(4)X12、X3的共同特性在于均可說明主成分F4,其表征的是短期償債能力和營運能力。(5)X7則說明主成分F5,反映出企業(yè)營運能力。

6.3建立模型識別部分

實驗1采取的是二類劃分的方法,將總體訓練樣本細分為2類(正常、報警),挑選3類樣本(正常、關注和報警),在此基礎上展開測試。具體如表1。分析:在正常類樣本中的識別正確率可達到100%,并且在關注類樣本的識別中也可達到該效果,在識別報警類測試樣本后,所得結果為關注。從而得到正常與關注的區(qū)別特征,并作為分類識別的支持。選擇支撐向量機,有助于分析財務數據分類的使用情況,即是否可有效應用于現實。實驗2采取的是三類劃分方法,將總體訓練樣本細分為3類(正常、關注和報警),由此展開測試,具體內容見表2。分析:在正常類樣本中的識別正確率可達到100%,并且在關注類樣本的識別中也可達到該效果;關注類樣本中:除2個正確識別的外,還存在被誤識別為正常和報警的情況,共計2個;該測試結果能夠被接受,主要原因子在于企業(yè)樣本自身不具備有效區(qū)分的條件。而c(c-1)/2個2類SVM分類器共同構成了SVM的c類劃分,局限之處在于各SVM只具備區(qū)分2類的能力,難以全面的區(qū)分問題是否會發(fā)生。

6.4結果分析

(1)對企業(yè)狀態(tài)進行判定識別,就要了解SVM獲取樣本的規(guī)律所在。借助線性判別式或僅憑靠有限樣本獲得的得分來決定評價標準都有其不足之處。此外,BP神經網絡進行區(qū)分的水平確實不如SVM。(2)Y分數模型較為模糊,缺乏詳盡的內容,應全面收集行業(yè)企業(yè)的各相關數據。樣本分布和數量都受到一定約束,在單個行業(yè)中無法固定下來可作為分類依據的有效F值。本文選擇的ANN-SVM模型中SVM內部參數經一次計算即可固定,涵蓋了樣本類別的規(guī)律。SVM小樣本分類進行區(qū)分的能力很強,故無需在大的范圍內搜集統(tǒng)計數據,直接建模再做判斷就好。(3)分析實驗結果可知:訓練樣本一經明確,不同種類企業(yè)的財務數據特點就無法被BP神經網絡迅速獲取。(4)ANN-SVM模型將人工智能算法與傳統(tǒng)方法進行了聯結,建構了新型專家系統(tǒng),發(fā)揮著一定功效。但其仍有不足,表現在樣本數量從根本上制約著ANN-SVM模型,如:無法達到完全正確,多類劃分不夠精準等。同時,它還暴露出多變量模型在樣本一樣多的情況下不能使用、分類特點不可被BP神經網絡獲取等弊端。值得注意的是,一旦條件相同,SVM就能表現出同樣的效果,這是為大多數人所接受的部分。

7結束語

由一系列實證分析可知,單元和多元判別模型方法及構建判別模型的重要前提在于線性函數等的約束安全被ANN-SVM模型打破。訓練樣本夠多才可利用BP神經網絡的問題也得到了解決。在方法上,樣本數據借助非線性函數即可被很好擬和,具有創(chuàng)新性。此外,同其他方法相比,SVM模型還具有在樣本較小的情況下依然能保證預測精準程度的獨特優(yōu)勢。

參考文獻:

[1]石先兵.基于PCA-SVM的企業(yè)財務危機預警模型構建[J].財會通訊,2020(10):131-134.

[2]周文娟.我國中小企業(yè)財務預警系統(tǒng)模型的構建[J].科技創(chuàng)新導報,2019,16(36):156-157.

[3]祁新,柏廣才.基于創(chuàng)新視角的中小企業(yè)財務危機預警模型構建[J].商業(yè)會計,2019(3):44-46,43.

[4]程芳,李紅麗,邵丹蕾.制造企業(yè)財務危機預警模型構建[J].新理財,2018(8):50-51.

[5]萬庭君.財務危機預警模型的構建及其對A企業(yè)財務風險診斷[D].南昌:東華理工大學,2018.

[6]柳本民,閆寒.基于SVM事故分類的連環(huán)追尾事故影響因素分析[J].交通信息與安全,2020(3):9-11.

[7]方紅幃,趙濤,佃松宜.基于三域特征提取和GS-SVM的ECG信號智能分類技術研究[J].四川大學學報(自然科學版),2020(2):297-303.

[8]李鵬飛,王青青,毋建宏,陳華雪.基于BP神經網絡、ARIMA和LS-SVM模型的集成預測研究—1978-2017年陜西省蘋果產量實證[J].江蘇農業(yè)科學,2020(2):27-29.

作者:徐欣欣 單位:咸陽職業(yè)技術學院