上市企業(yè)財務(wù)預(yù)警模型發(fā)展思路

Word參考資料，下載后可編輯上市企業(yè)財務(wù)預(yù)警模型發(fā)展思路摘要:本文的起始點為企業(yè)風(fēng)險和預(yù)警的概念,總結(jié)風(fēng)險預(yù)警管理在歷史階段內(nèi)的開展?fàn)顩r，并針對現(xiàn)階段國內(nèi)外較為主流的企業(yè)風(fēng)險預(yù)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(dāng)下研究缺陷的同時分析了將來風(fēng)險預(yù)警管理模型研究的根本走向。關(guān)鍵詞:SVM；ANN；財務(wù)風(fēng)險；預(yù)警模型1引言企業(yè)財務(wù)預(yù)警需要定位好企業(yè)經(jīng)營及管理所處的真實狀態(tài),定位的依據(jù)是相關(guān)企業(yè)財務(wù)報表和經(jīng)營數(shù)據(jù)。一元判別法（單變量模型）（FitzPatrick,1932）是較傳統(tǒng)的企業(yè)預(yù)警模型，其通過單變量來推斷企業(yè)狀態(tài),對企業(yè)財務(wù)特點的描述存在局限之處，僅采納了單一指標(biāo)。后續(xù)，z-score多元判別模型實現(xiàn)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，以其為推斷依據(jù)。該模型成為典型的對財務(wù)危機、破產(chǎn)等情況進行預(yù)測的模型，克服了一元判別分析法的缺乏。2國內(nèi)財務(wù)風(fēng)險預(yù)警開展歷程相較于國外的財務(wù)風(fēng)險預(yù)警開展歷程，我國在此方面的起步較遲，最初可追溯至20世紀(jì)80年代，開展初期的預(yù)警系統(tǒng)更加注重宏觀經(jīng)濟預(yù)警功能，由于社會經(jīng)濟的持續(xù)開展，后續(xù)逐步滲透至企業(yè)預(yù)警領(lǐng)域，具有定性與定量相結(jié)合的特征。微觀經(jīng)濟視域下，企業(yè)的開展環(huán)境日益復(fù)雜，伴有各類不確定因素，企業(yè)迎來全新的開展挑戰(zhàn)，此時給企業(yè)預(yù)警系統(tǒng)的開展創(chuàng)設(shè)了良好的契機，人們對其的重視程度較以往明顯提高。學(xué)界對于企業(yè)預(yù)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(lǐng)域的研究引領(lǐng)了新的方向，同時創(chuàng)立企業(yè)預(yù)警管理體系，提高了企業(yè)預(yù)警管理的地位。3國內(nèi)外財務(wù)風(fēng)險預(yù)警的研究評價3.1國外財務(wù)風(fēng)險預(yù)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(biāo)數(shù)量較少、覆蓋面缺乏，導(dǎo)致在實際應(yīng)用中存在明顯的局限性，負債的流淌性并未考慮在內(nèi)。此時，在面向短期償債能力缺乏的企業(yè)時易作出誤判，而通過單項財務(wù)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(xiàn)了從單變量向多變量的轉(zhuǎn)變，其對于財務(wù)指標(biāo)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(xiàn)階段，二元選擇模型已經(jīng)形成體系，其中以Logistic模型和Probit模型最具代表性，企業(yè)財務(wù)風(fēng)險預(yù)警研究中則以Logistic模型的應(yīng)用最為廣泛，原因在于其邏輯概率分布函數(shù)與正態(tài)分布的密度函數(shù)表現(xiàn)出較高的相似性，并且可滿足快速計算的要求。3.2國內(nèi)財務(wù)風(fēng)險預(yù)警的研究評價縱觀國內(nèi)開展?fàn)顩r，分析財務(wù)報表是最為典型的財務(wù)風(fēng)險預(yù)警系統(tǒng)研究方式，具體包含神經(jīng)網(wǎng)絡(luò)、成效系數(shù)法等，但普遍缺乏適用性?，F(xiàn)階段，國內(nèi)企業(yè)的財務(wù)報表具有較為顯著的階段性特征，在財務(wù)危機的征兆方面缺乏明確的指向性，預(yù)警的意義偏弱，且多數(shù)研究都局限在企業(yè)是否會爆發(fā)財務(wù)危機的層面，對于預(yù)警系統(tǒng)的認(rèn)知缺乏，難以創(chuàng)立完善的預(yù)警系統(tǒng)，導(dǎo)致財務(wù)危機的發(fā)生概率較大。3.3國內(nèi)財務(wù)風(fēng)險預(yù)警的開展思路（1）以現(xiàn)階段的財務(wù)風(fēng)險預(yù)警指標(biāo)為根底，結(jié)合實際情況對其采取適合的修改措施，創(chuàng)立完整的年度財務(wù)風(fēng)險預(yù)警指標(biāo)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(nèi)部管理者的需求為立足點，創(chuàng)立面向該群體的資產(chǎn)風(fēng)險預(yù)警系統(tǒng)，以便給各月度的風(fēng)險監(jiān)控工作提供支持。資產(chǎn)風(fēng)險反映的是企業(yè)在某個特定階段內(nèi)由于資產(chǎn)管理不妥等多重因素而造成損失的可能性，具體包含本錢損失、壞賬損失、降壓損失等，管理者利用資產(chǎn)風(fēng)險預(yù)警系統(tǒng)盡可能減少資產(chǎn)風(fēng)險。4企業(yè)預(yù)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(yīng)急性的處理，專注于發(fā)生危機后迅速作出應(yīng)對。而危機往往是忽然發(fā)生的，是企業(yè)必須應(yīng)對和管理的且常導(dǎo)致較大金額的財產(chǎn)損失。因此，我們要求危機管理應(yīng)迅速。隨著其事后性弱點被逐漸發(fā)覺，一些學(xué)者和企業(yè)已經(jīng)開始思索并嘗試改善，將把握風(fēng)險向前拓展。而很早就存在“風(fēng)險”一詞，風(fēng)險管理是過程管理，應(yīng)在企業(yè)運作進行時操縱不利結(jié)果。通常在產(chǎn)生風(fēng)險的初期馬上介入,以到達及時阻斷或消滅的效果。風(fēng)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(jié)果視而不見，不單會產(chǎn)生虧損，還要考慮現(xiàn)實的時機。風(fēng)險預(yù)警標(biāo)志著風(fēng)險管理走上了新的臺階,它的主動性和對集成風(fēng)險管理的改良,使風(fēng)險預(yù)警研究日益形成體系。5模型建立與研究思路在對偶理論中，確定系數(shù)的方式可通過二次規(guī)劃問題求得：推斷輸入指標(biāo)和輸出結(jié)果的關(guān)系，當(dāng)兩者表現(xiàn)出非線性特征時，則要及時更改輸入空間，將其轉(zhuǎn)變?yōu)楦呔S空間，并進一步確定最優(yōu)線性分類。若要實現(xiàn)非線性變化，較為關(guān)鍵的途徑是定義相應(yīng)的核函數(shù)。從現(xiàn)階段的理論研究成果來看，核函數(shù)有如下三種：本文采納了3種方法：（1）確定樣本數(shù)據(jù)；（2）借助主成分分析（ANN）的途徑深入解讀樣本數(shù)據(jù)；（3）借助SVM完成企業(yè)預(yù)警模型的建立。該模型的兩局部分別為上述（2）和利用SVM進行的分類。作為ANN，其根底想法是：少數(shù)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(shù)據(jù)維數(shù)，用簡單的數(shù)據(jù)來表示復(fù)雜數(shù)據(jù)，從而后續(xù)能更好地做好分類、處理等相關(guān)工作。SVM指的是統(tǒng)計學(xué)習(xí)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(nèi)的問題在得到非線性轉(zhuǎn)換后，能夠有效遷移至高維度空間內(nèi)，此時線性從原本的不可分轉(zhuǎn)變?yōu)榭煞值奶攸c，進而形成最正確線性分類面，而這正式SVM的核心。簡言之，通過財務(wù)指標(biāo)對區(qū)分企業(yè)狀態(tài)才是企業(yè)財務(wù)預(yù)警問題的本質(zhì)，故通過ANN與SVM聯(lián)合組建模型可達成企業(yè)財務(wù)預(yù)警目標(biāo)。本次研究以酒類行業(yè)17家上市公司為根本對象，選取其在2015～2019年期間內(nèi)的年報財務(wù)數(shù)據(jù)，之所以做出此選擇，原因在于：（1）企業(yè)財務(wù)報表可靠、真實；（2）通過原始數(shù)據(jù)來評判能使統(tǒng)計方法不同造成的誤差降低；（3）財務(wù)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(jīng)濟景氣循環(huán)很少會影響該行業(yè)。從我國證券市場的開展?fàn)顩r來看，鮮有公司破產(chǎn)，此時可以對ST類公司作進一步的認(rèn)知，將其視為“財務(wù)危機（失?。逼髽I(yè)更貼合實際情況。并且，還有一些企業(yè)被認(rèn)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(wù)指標(biāo)具體情況和專家意見進行綜合分析后發(fā)覺其經(jīng)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(shù)值，均將其剔除，最終得到87個企業(yè)樣本，具體情況為：經(jīng)營狀況良好的有48個，ST企業(yè)有20個，非ST企業(yè)有19個?，F(xiàn)階段，國有績效評價指標(biāo)體系得到廣泛應(yīng)用，以此為根本依據(jù)，綜合考慮各類破產(chǎn)公司的特點（例如不具備償清到期債務(wù)的能力），此處對研究對象加以細分，得到以償債能力、開展能力為代表的共計17項財務(wù)比率指標(biāo)。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(shù)，使各輸入值間存在較低相關(guān)性，再初步進行主成分分析：（1）共創(chuàng)立17項財務(wù)比率指標(biāo)，彼此存在互相關(guān)系數(shù)，并表現(xiàn)出較為顯著的高冗余程度的特點，可簡化；（2）較強相關(guān)比率：流淌比率（X1）和速動比率（X2）兩者間產(chǎn)生的相關(guān)系數(shù)到達0.78，講明其關(guān)聯(lián)程度較高，也與二者比率組成相對應(yīng)；流淌資產(chǎn)周轉(zhuǎn)率（X9）和總資產(chǎn)周轉(zhuǎn)率（X11）相關(guān)系數(shù)為0.806，講明兩者具有顯著的相關(guān)性；主營業(yè)務(wù)利潤率（X13）和本錢費用利潤率（X14）相關(guān)系數(shù)高達0.85，充分說明兩者具有顯著的相關(guān)性；此外，凈資產(chǎn)收益率（X15）和每股收益（X16）、固定資產(chǎn)周轉(zhuǎn)率（X10）與總資產(chǎn)周轉(zhuǎn)率（X11）都存在較高的關(guān)聯(lián)程度，各自的相關(guān)系數(shù)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(guān)系數(shù)在0.5上下，較小的相關(guān)性講明企業(yè)各能力間的關(guān)系有多余局部；（4）股東權(quán)益比率X6和總資產(chǎn)收益率X17兩者的相關(guān)系數(shù)到達0.645，由此進一步說明長期償債能力與盈利能力的關(guān)系，即具有較緊密的關(guān)聯(lián)。（5）營運能力與盈利能力雖然具有關(guān)聯(lián)但較為微弱，其相關(guān)系數(shù)偏小，短期償債能力與長期償債能力的關(guān)系較為特別，表現(xiàn)出負相關(guān)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(chǎn)生了5個主成分因子，需從17項原始財務(wù)比率指標(biāo)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(biāo)與主成分因子兩者間所產(chǎn)生的相關(guān)系數(shù)），以便更有效的說明5個因子。依據(jù)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(biāo)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(biāo)，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建立模型識別局部實驗1采取的是二類劃分的方法，將總體訓(xùn)練樣本細分為2類（正常、報警），選擇3類樣本（正常、關(guān)注和報警），在此根底上展開測試。具體如表1。分析：在正常類樣本中的識別正確率可到達100%，并且在關(guān)注類樣本的識別中也可到達該效果，在識別報警類測試樣本后，所得結(jié)果為關(guān)注。從而得到正常與關(guān)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(wù)數(shù)據(jù)分類的使用情況，即是否可有效應(yīng)用于現(xiàn)實。實驗2采取的是三類劃分方法，將總體訓(xùn)練樣本細分為3類（正常、關(guān)注和報警），由此展開測試，具體內(nèi)容見表2。分析：在正常類樣本中的識別正確率可到達100%，并且在關(guān)注類樣本的識別中也可到達該效果；關(guān)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(jié)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(gòu)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(jié)果分析（1）對企業(yè)狀態(tài)進行判定識別，就要了解SVM獲得樣本的規(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(biāo)準(zhǔn)都有其缺乏之處。此外，BP神經(jīng)網(wǎng)絡(luò)進行區(qū)分的水平確實不如SVM。（2）Y分?jǐn)?shù)模型較為模糊，缺乏詳盡的內(nèi)容，應(yīng)全面收集行業(yè)企業(yè)的各相關(guān)數(shù)據(jù)。樣本分布和數(shù)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(jù)的有效F值。本文選擇的ANN-SVM模型中SVM內(nèi)部參數(shù)經(jīng)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(nèi)搜集統(tǒng)計數(shù)據(jù)，直接建模再做推斷就好。（3）分析實驗結(jié)果可知：訓(xùn)練樣本一經(jīng)明確，不同種類企業(yè)的財務(wù)數(shù)據(jù)特點就無法被BP神經(jīng)網(wǎng)絡(luò)迅速獲得。（4）ANN-SVM模型將人工智能算法與傳統(tǒng)方法進行了聯(lián)結(jié)，建構(gòu)了新型專家系統(tǒng)，發(fā)揮著一定成效。但其仍有缺乏，表現(xiàn)在樣本數(shù)量從根本上制約著ANN-SVM模型，如：無法到達完全正確，多類劃分不夠精準(zhǔn)等。同時，它還暴露出多變量模型在樣本