張春華 盧永艷

[摘 要] 目前的財務(wù)困境預(yù)測模型大多局限于二分類研究，而公司陷入財務(wù)困境往往會經(jīng)歷一個逐步衰敗的過程，簡單的二分類有時會掩蓋某些上市公司財務(wù)狀況逐漸變差的事實(shí)。為了更準(zhǔn)確地判斷上市公司的財務(wù)狀況，將其按照盈利能力分為財務(wù)健康公司、財務(wù)亞健康公司和財務(wù)困境公司3類，并運(yùn)用t-1年和t-2年的面板數(shù)據(jù)，采用基于平均影響值的變量篩選方法構(gòu)建了SVM多分類模型。實(shí)證結(jié)果表明，模型的預(yù)測能力較好，能夠以較少的特征變量實(shí)現(xiàn)較高的分類精度，是切實(shí)有效的。

[關(guān)鍵詞] 財務(wù)困境預(yù)測； SVM多分類模型； 平均影響值

doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2014 . 04. 001

[中圖分類號] F275.1 [文獻(xiàn)標(biāo)識碼] A [文章編號] 1673 - 0194（2014）04- 0002- 04

1 引言和文獻(xiàn)綜述

近些年來，國內(nèi)外的專家學(xué)者對企業(yè)的財務(wù)困境預(yù)測進(jìn)行了大量的研究，提出了許多有價值的預(yù)測方法。但大多數(shù)學(xué)者把研究樣本分為困境公司和健康公司兩類進(jìn)行研究，而公司陷入財務(wù)困境往往會經(jīng)歷一個逐步衰敗的過程，僅僅將公司分為困境公司和健康公司，往往會忽略健康公司面臨的一些問題，有些公司雖然沒有戴帽，但是財務(wù)狀況并不理想，有的甚至虧損。因此，將上市公司僅僅分為困境公司和健康公司兩類進(jìn)行研究，難以判斷健康公司財務(wù)狀況的好壞程度及其是否處于財務(wù)困境的邊緣，不能給投資者、公司管理層和債權(quán)人等相關(guān)各方提供更為明確的反映公司未來財務(wù)情況的信息。

Amy Hing-Ling Lau于1987年在“五狀態(tài)財務(wù)困境預(yù)測模型”一文中首次將企業(yè)財務(wù)狀況分為5個狀態(tài)：財務(wù)穩(wěn)定階段、未支付股利或股利較上年減少達(dá)40%以上階段、無法償還貸款階段、受破產(chǎn)法保護(hù)階段、破產(chǎn)階段。他認(rèn)為從狀態(tài)2到狀態(tài)5，企業(yè)處于財務(wù)困境狀態(tài)，并且嚴(yán)重程度逐步增加。我國學(xué)者呂長江、趙巖（2004）也突破將企業(yè)財務(wù)狀況僅分為“好”和“壞”的簡單分類，在理論上將公司財務(wù)狀況分為5類：財務(wù)閑置、財務(wù)充盈、財務(wù)均衡、財務(wù)困境和財務(wù)破產(chǎn)，并且用實(shí)證分析證明了該理論假設(shè)。劉彥文、戴紅軍（2007）采用三分法，即在將公司分為財務(wù)困境公司和非財務(wù)困境公司兩類的同時，又將非財務(wù)困境公司按一定標(biāo)準(zhǔn)分為財務(wù)狀況不穩(wěn)定公司和財務(wù)狀況良好公司，構(gòu)建了一個基于三元logistic的財務(wù)預(yù)警模型。結(jié)果顯示，三元Logistic預(yù)警模型的判別能力優(yōu)于二元logistic預(yù)警模型，誤判成本也相對降低許多。本文在借鑒已有研究的基礎(chǔ)上，結(jié)合我國實(shí)際情況，將非困境公司按照其盈利能力劃分為健康公司和亞健康公司，進(jìn)而將上市公司整體劃分為3類：財務(wù)健康公司、財務(wù)亞健康公司和財務(wù)困境公司（以下分別簡稱為：健康公司、亞健康公司和困境公司）來進(jìn)行實(shí)證研究，以獲得更加精確的分類結(jié)果。

2 樣本和變量的選取

2.1 分類標(biāo)準(zhǔn)

由于我國證券市場的退市制度建立較晚，退市的企業(yè)很少，因此，與國內(nèi)眾多學(xué)者一樣，本文將公司因財務(wù)狀況異常而被特別處理（ST）作為陷入財務(wù)困境的標(biāo)志，即選擇ST和*ST公司作為困境公司的樣本。

一般來說，反映企業(yè)財務(wù)狀況的指標(biāo)主要有償債能力指標(biāo)、盈利能力指標(biāo)、營運(yùn)能力指標(biāo)和成長能力指標(biāo)等。在這些指標(biāo)中，盈利能力指標(biāo)是核心，因?yàn)槔麧櫴瞧髽I(yè)生存和發(fā)展的保障，是企業(yè)競爭力的集中體現(xiàn)，企業(yè)的盈利能力越強(qiáng)，抵御風(fēng)險的能力也越強(qiáng)。從長遠(yuǎn)來看，企業(yè)的償債能力、營運(yùn)能力和成長能力最終都取決于企業(yè)的盈利能力； 另一方面，上市公司發(fā)行證券和被特別處理的標(biāo)準(zhǔn)都是盈利能力指標(biāo)。我國規(guī)定當(dāng)上市公司出現(xiàn)連續(xù)兩個會計年度凈利潤均為負(fù)值或者最近一個會計年度每股凈資產(chǎn)低于股票面值時，則會對該公司股票交易實(shí)行特別處理，即被宣布為ST。基于以上原因，本文采用盈利能力指標(biāo)作為界定財務(wù)健康公司和亞健康公司的標(biāo)準(zhǔn)。

2.2 樣本選取和數(shù)據(jù)來源

為了避免行業(yè)差異對預(yù)測結(jié)果的影響，增強(qiáng)指標(biāo)的可比性，本文選擇制造業(yè)中樣本量較大的石油、化學(xué)、塑膠、塑料行業(yè)（以下簡稱化工行業(yè)）的上市公司作為研究對象（為了避免資產(chǎn)規(guī)模對預(yù)測結(jié)果的影響，剔除了中小板的上市公司）?？紤]到資料的時效性和可獲取性，本文選取了該行業(yè)2002-2012年被首次宣布為ST的24家上市公司作為困境公司樣本，選取了近兩年中至少有一年每股收益小于0.05元（0.05是正常標(biāo)識公司每股收益的20%分位數(shù)）的32家上市公司作為亞健康公司樣本，其余的67家正常標(biāo)識公司為健康公司樣本。本文沒有遵循慣例進(jìn)行樣本的配對，因?yàn)榕鋵Τ闃訒斐蓸颖局懈黝惞镜谋壤退鼈冊诳傮w中的比例嚴(yán)重不一致，從而高估模型的預(yù)測能力。

由于證監(jiān)會是根據(jù)上市公司前一年的年報所公布的業(yè)績判斷其是否出現(xiàn)財務(wù)狀況異常并決定是否要對其進(jìn)行特別處理的，所以只采用上市公司前一年的年報數(shù)據(jù)預(yù)測其是否會被ST顯然會夸大模型的預(yù)測能力。因此，本文選擇困境公司被ST前兩年的面板數(shù)據(jù)，健康公司和亞健康公司采用近兩年（2011-2012）的數(shù)據(jù)來進(jìn)行預(yù)測研究（在具體的實(shí)證研究中去掉了一些含有異常值的數(shù)據(jù)樣本）。數(shù)據(jù)來源是Resset金融研究數(shù)據(jù)庫，相關(guān)檢驗(yàn)及模型估計是用SPSS 16.0和Matlab軟件來完成的。

3 初始指標(biāo)選取

在財務(wù)困境預(yù)測的實(shí)證研究中，財務(wù)指標(biāo)的選取到目前還沒有統(tǒng)一的結(jié)論。本文借鑒以往的經(jīng)驗(yàn)，從公司的盈利能力、償債能力、營運(yùn)能力、成長能力、現(xiàn)金流量和每股指標(biāo)6個方面選取了20個財務(wù)變量（見表1）作為備選指標(biāo)。

（注：***表示在1%水平上顯著， **表示在5%水平上顯著）

從檢驗(yàn)結(jié)果可以看出，在5%的置信水平上除了存貨周轉(zhuǎn)率接受原假設(shè)外，其余變量均拒絕原假設(shè)，即除了存貨周轉(zhuǎn)率以外，其余變量在各個類別之間均存在顯著差異。所以將存貨周轉(zhuǎn)率剔除，其余19個指標(biāo)進(jìn)行變量篩選。

4.2 變量篩選

對于變量篩選，大量的實(shí)證研究采用統(tǒng)計方法，但統(tǒng)計方法往往有嚴(yán)格的假設(shè)條件限制，使得其有效應(yīng)用受到制約。所以本文提出了一種基于平均影響值（Mean Impact Value，MIV）的SVM變量篩選方法，通過該方法可以篩選出對結(jié)果有重要影響的輸入變量，從而提高模型的預(yù)測精度。

4.2.1 基于平均影響值MIV的SVM變量篩選方法

MIV是用于確定輸入變量對輸出變量影響大小的一個指標(biāo)，其符號代表相關(guān)的方向，絕對值代表影響的大小。本文選擇MIV作為評價各個自變量對因變量影響大小的指標(biāo)。具體計算過程如下：

（1）用原始訓(xùn)練樣本P對SVM進(jìn)行訓(xùn)練，并對訓(xùn)練集P進(jìn)行回歸預(yù)測。

（2）將訓(xùn)練樣本P中每一自變量在其原值的基礎(chǔ)上分別加/減10%構(gòu)成兩個新的訓(xùn)練樣本P1和P2，將P1和P2分別作為仿真樣本利用已建成的模型進(jìn)行仿真，得到兩個仿真結(jié)果A1和A2，求出A1和A2的差值，即為變動該自變量后對輸出產(chǎn)生的影響變化值（IV，Impact Value）。

（3）將IV按觀測例數(shù)平均得出該自變量對因變量的平均影響值MIV。同理可算出各個自變量的MIV值。

（4）根據(jù)MIV絕對值的大小為各自變量排序，得到各自變量對因變量影響相對重要性的位次表，從而判斷出輸入變量對輸出結(jié)果的影響程度，即實(shí)現(xiàn)了變量篩選。

4.2.2 變量篩選的Matlab實(shí)現(xiàn)

4.2.2.1 選定訓(xùn)練集和測試集

在原始數(shù)據(jù)的231個樣本中，有145個健康公司樣本（類別標(biāo)簽為1），38個亞健康公司樣本（類別標(biāo)簽為2），48個困境公司樣本（類別標(biāo)簽為3）。將每個類別分成兩組，重新組合數(shù)據(jù)，最后本文選擇了150個樣本作為訓(xùn)練集，用于訓(xùn)練SVM模型，選擇了81個樣本作為測試集，用于測試模型分類的準(zhǔn)確率。

4.2.2.2 數(shù)據(jù)歸一化

在進(jìn)行SVM模型訓(xùn)練之前一般需要對數(shù)據(jù)進(jìn)行歸一化預(yù)處理。本文采用的歸一化映射為：

f：x→y=■

式中，x，y∈Rn，xmin=min（x），xmax=max（x），yi∈[0，1]，i=1，2，…，n。

歸一化的效果是將原始數(shù)據(jù)規(guī)整到[0，1]范圍內(nèi)。

4.2.2.3 參數(shù)尋優(yōu)

用SVM進(jìn)行預(yù)測時，為了得到比較理想的預(yù)測效果，需要調(diào)整兩個主要的參數(shù)（懲罰參數(shù)c和核函數(shù)參數(shù)g）。本文選擇K-CV方法來進(jìn)行參數(shù)尋優(yōu)，其基本思想是：將原始數(shù)據(jù)分成K組（一般是均分），將每個子集分別作一次驗(yàn)證集，同時其余的K-1組數(shù)據(jù)作為訓(xùn)練集，這樣會得到K個模型，用這K個模型驗(yàn)證集的MSE（均方誤差）的平均數(shù)作為此K-CV的性能指標(biāo)。在此基礎(chǔ)上讓c和g在一定的范圍內(nèi)變化，對于取定的每一對c和g ，都將得到一個平均的MSE，最后選擇使平均MSE最小的c和g。經(jīng)過Matlab編程運(yùn)算，最后得到的最優(yōu)參數(shù)為：c=1，g=3.031 4 。

4.2.2.4 訓(xùn)練并對訓(xùn)練集回歸預(yù)測

最優(yōu)參數(shù)確定以后，利用這兩個參數(shù)來訓(xùn)練模型，并對訓(xùn)練集進(jìn)行回歸預(yù)測。該模型的相關(guān)性能指標(biāo)為：

MSE = 0.044 546 R2 = 0.729 932

式中，MSE為均方誤差，R為相關(guān)系數(shù)。

4.2.2.5 變量篩選

對于訓(xùn)練集數(shù)據(jù)運(yùn)用MIV方法分別求出各自變量的MIV值，結(jié)果如表3所示?？紤]到指標(biāo)的完整性和全面性，本文選取每個類別中MIV絕對值最大的指標(biāo)作為輸入變量，即成本費(fèi)用利潤率、資產(chǎn)負(fù)債率、總資產(chǎn)周轉(zhuǎn)率、凈利潤增長率、總資產(chǎn)現(xiàn)金回收率和每股收益作為輸入變量。