禹久泓 ,王海平,汪 蓉
(1.蘇州大學,江蘇 蘇州 215006;2.中國生產(chǎn)力學會,北京 100097)
運用財務比率預測企業(yè)經(jīng)營危機的研究始于 1930 年代的 Smith 和 Winkor(1930,1935)。此后依次出現(xiàn)了Beaver(1966)的單變量分析法,Altman(1968)的多變量分析法和判別分析法(MDA)、Ohlson(1980)的 Logit模 型 、Zmijewski(1984)的Probit模型、Coats和 Fant(1993)的神經(jīng)網(wǎng)絡技術(shù)等。
Altman(1968)基于部分財務比率之間有時會存在相關(guān)性并且對各個比率的重要性沒有進行區(qū)分,對傳統(tǒng)上使用所有可獲財務比率來預測企業(yè)危機的方式提出了質(zhì)疑。所以,Altman先利用判別分析法,從22項財務指標中提取出5項具有預測能力的財務指標(營運資本/資產(chǎn)總額,保留盈余/資產(chǎn)總額,息稅前利潤/資產(chǎn)總額,(普通股 +優(yōu)先股市場價值)/負債價值和銷售收入/資產(chǎn)總額),并進行建模分析。Altman的Z-score計分模型至今在國內(nèi)外應用仍然非常廣泛。曹明等(2006)通過實證發(fā)現(xiàn)決策樹算法相對于Z-score計分模型對于財務危機預警有更高的準確率。
財務風險暴露往往已經(jīng)是總體風險暴露的最后階段,即所有潛在的問題都開始顯現(xiàn)并通過財務風險的形式暴露出來。其實,通過數(shù)據(jù)挖掘可以在早期抓取出能預測到潛在的財務風險的數(shù)據(jù),因為潛在的問題在早期通常顯現(xiàn)在非財務指標或者是難以量化的指標(比如道德風險,代理成本)上,所以目前還很少有針對此類的研究。平衡記分卡思想是最早考慮到除去財務指標以外,非財務指標對公司也有著舉足重輕地位的一套理論。
數(shù)據(jù)挖掘技術(shù)是相對年輕的技術(shù),尤其當下大數(shù)據(jù)和云計算日漸成為熱門話題,數(shù)據(jù)挖掘技術(shù)得到了越來越的關(guān)注。1989年8月在美國底特律召開的第十一屆國際人工智能聯(lián)合會議IJCAI中,舉行了世界上第一次關(guān)于數(shù)據(jù)庫中的知識發(fā)現(xiàn)專題討論,1991—1994年每年召開一次關(guān)于KDD(Knowledge Discovery in Databases)的討論專題。第一屆關(guān)于知識發(fā)現(xiàn)與數(shù)據(jù)挖掘國際學術(shù)會議于1995年在加拿大蒙特利爾召開。隨后幾年有關(guān)數(shù)據(jù)挖掘方面的會議和期刊逐漸增多,例如:Journal of Data Mining and Knowledge Discovery(1997)、1998ACM SIGKDD會議等。目前,數(shù)據(jù)挖掘逐漸成為許多知名國際學術(shù)會議和期刊關(guān)注的焦點,主要包括:PAKDD,PKDD,TKDD,SIAMData Mining,(IEEE)ICDM,數(shù)據(jù)倉儲與知識發(fā)現(xiàn)(Data Warehousing and Knowledge Discovery),SPIEDM等等。
數(shù)據(jù)挖掘首先要對數(shù)據(jù)進行清理,去除其中的異常數(shù)據(jù),然后對數(shù)據(jù)進行選擇和集成,再通過適當?shù)淖儞Q將數(shù)據(jù)轉(zhuǎn)變?yōu)檫m合數(shù)據(jù)挖掘的類型,最重要的一步是選擇合適的數(shù)據(jù)挖掘方法尋找數(shù)據(jù)中的規(guī)則,最后通過模式評估和知識表示將數(shù)據(jù)中隱藏的模式和規(guī)律展示出來。數(shù)據(jù)挖掘的方法主要包括以下幾種:
1.分類和預測:分類挖掘是將大量數(shù)據(jù)按照建立的模型進行區(qū)分的方法,可以將數(shù)據(jù)分成多個類別;預測是通過建立連續(xù)值函數(shù)模型,對未來的數(shù)據(jù)的發(fā)展趨勢進行預測的一種方法。決策樹、貝葉斯分類、規(guī)則推理、遺傳算法和神經(jīng)網(wǎng)絡都是數(shù)據(jù)挖掘中的分類算法。
2.聚類:聚類挖掘是根據(jù)實例屬性值的相似程度自動匯聚后再按類別進行分析。
3.關(guān)聯(lián)規(guī)則:關(guān)聯(lián)規(guī)則挖掘是用于發(fā)現(xiàn)隱藏在事務數(shù)據(jù)集或關(guān)系數(shù)據(jù)集中對用戶有用的或有意義的聯(lián)系。
4.時間序列:時間序列挖掘是對不同時間重復測量得到的值或事件的序列對象進行挖掘,期望對數(shù)據(jù)的趨勢性變化進行分析的方法。
5.其他:針對復雜數(shù)據(jù)類型如圖形圖像、視頻、Web等進行的挖掘。
研究者們在財務危機預警方面已經(jīng)作了大量的研究工作,使用的標準工具是判別分析和logit模型。在模式匹配的條件下,ANN的分類和預測能力可以改進相應的傳統(tǒng)統(tǒng)計方法。Tam和Kiang還指出在適應性、穩(wěn)健性和處理多峰分布能力等方面,ANN為分類技術(shù)提供了一個可選擇的比較方法。此類運用還有很多,比如Altman、Macro和Varetto(1994)通過對 1982—1992年超過 1000家的健全、脆弱、不健全的意大利工業(yè)公司是否處于公司困境進行了判斷,得出結(jié)論認為線性判別分析和ANN結(jié)合可以提高準確度并還具有其他有利特性。
企業(yè)財務風險的概念包括廣義財務風險和狹義財務風險,狹義財務風險是因舉債融資而導致企業(yè)在未來無法償還到期債務給企業(yè)財務成果帶來的不確定性。廣義財務風險是在企業(yè)的各項財務活動中,由于各種不確定因素的影響,在一定時期內(nèi)使企業(yè)財務結(jié)果與預期收益發(fā)生偏離,因而造成企業(yè)蒙受損失的機會和可能。狹義財務風險主要是指企業(yè)的籌資風險,廣義財務風險由于人們對它的認識不完全相同,包括的內(nèi)容也不盡相同,一般包括以下內(nèi)容:籌資風險、投資風險、現(xiàn)金流量風險、存貨風險、利率風險、匯率風險等。
歐美方發(fā)達國家在企業(yè)風險管理的理論實踐上已有一套完整的體系。對風險管理的重視始于20世紀初,歐美國家時常爆發(fā)經(jīng)濟危機,政府為了加強對宏觀經(jīng)濟管控,開始研究并定期發(fā)布“經(jīng)濟晴雨表”。其中:美國哈佛大學教授珀森所編制的“哈佛指數(shù)”、鞏固經(jīng)濟研究所編制的反映英國經(jīng)濟景氣狀況的指示器——“英國商業(yè)循環(huán)指數(shù)”、德國的經(jīng)濟景氣研究所定期發(fā)布“德國一般商情指數(shù)”?!敖?jīng)濟晴雨表”在20世紀初成為政府發(fā)展經(jīng)濟和管理企業(yè)風險的重要手段。隨著戰(zhàn)后經(jīng)濟復蘇與騰飛,人們更加關(guān)注企業(yè)經(jīng)營成果和對財務風險管理績效評價,杜邦公司利用財務比率指標之間的聯(lián)系,建立了全面評價企業(yè)風險并能夠幫助企業(yè)作出決策的一套理論。1992年COSO委員會發(fā)布《內(nèi)部控制——整體框架》專題報告,1994年COSO委員會又發(fā)布了增補報告。COSO報告為企業(yè)風險管理與內(nèi)部控制提供了的完整的立體框架和評價標準,同時它將風險評估、信息與溝通作為基本構(gòu)成要素引入內(nèi)部控制領(lǐng)域。針對2001年前后美國安然公司、施樂公司等財務信息丑聞頻發(fā)的情況,COSO委員會于 2004年發(fā)布了全新的《企業(yè)風險管理——整合框架》(Enterprise Risk Management-Integrated Framework)報告。至此,美國等西方發(fā)達國家在企業(yè)風險管理的理念、技術(shù)、方法和手段等方面已經(jīng)有了一套完整的體系。
我國市場經(jīng)濟體制起步較晚,市場經(jīng)濟環(huán)境發(fā)育還不健全。然而隨著經(jīng)濟全球化的發(fā)展,國內(nèi)企業(yè)在市場競爭中將面對各種各樣的風險,如何辨識、評估、監(jiān)測、控制風險,已是我國企業(yè)發(fā)展道路上必須面對的問題。2006年國資委借鑒發(fā)達國家有關(guān)企業(yè)風險管理的法律法規(guī)以及國外先進企業(yè)在風險管理方面的做法,發(fā)布了《中央企業(yè)全面風險管理指引》,為我國央企制定風險管理手冊,對于央企建立健全風險管理機制,促進央企穩(wěn)步發(fā)展,防止國有資產(chǎn)流失,保護投資者利益,具有積極的意義。
企業(yè)財務危機預警是充分利用現(xiàn)代企業(yè)風險管理理論的研究成果和現(xiàn)代信息技術(shù),以財務數(shù)據(jù)為基礎(chǔ)資料,對企業(yè)日常經(jīng)營管理活動中存在的財務危機信息進行收集、分析、判斷,最后根據(jù)危機程度進行預警的一種技術(shù)。
企業(yè)財務危機預警的研究最早起源于20世紀 30年代的美國經(jīng)濟大蕭條時期,F(xiàn)itzpatrick(1932)運用單變量分析(Single Variable Analysis)對企業(yè)財務危機進行預測,他是運用單個財務指標進行預測,開創(chuàng)了財務危機預警實證研究的先河。60年代的美國學者阿特曼運用多變量分析模型(Multiple Variable Analysis Model)探討公司財務危機預警,他運用Z-score模型建立多元線性函數(shù)公式預測財務危機。70年代Meyer和Pifer(1970)運用線性概率模型(Line Probability Model,LPM)分析銀行業(yè)的財務危機預警,線性概率模型是多變量分析模型的一個特例,能估計企業(yè)破產(chǎn)的概率,后來 Laitinen(1993)等學者將 LPM運用于企業(yè)財務危機。隨著計算機技術(shù)和人工智能技術(shù)(Artificially Intelligent,AI)的不斷發(fā)展和企業(yè)市場競爭環(huán)境的變化,企業(yè)需要面對多變的市場競爭環(huán)境,財務危機預警模型必須隨著企業(yè)的生產(chǎn)經(jīng)營狀況和財務狀況作相應的調(diào),從而保證預警模型的判別規(guī)則適合當前的市場環(huán)境,為此,一些學者開始使用AI方法構(gòu)建財務危機預警模型。例如:朱懷意和高涌(2002)將人工神經(jīng)系統(tǒng)引入了危機預警系統(tǒng),設(shè)計了核心能力戰(zhàn)略危機預警系統(tǒng),用于及時發(fā)現(xiàn)和預見偏差以便實施控制,保證核心能力戰(zhàn)略的可持續(xù)性和高效性。任華和徐緒松(2003)引用模糊優(yōu)選和BP神經(jīng)網(wǎng)絡,對數(shù)據(jù)分析子系統(tǒng)和報警子系統(tǒng)進行了理論推導和設(shè)計,構(gòu)建危機預警指標體系。劉恒江和陳繼祥(2003)依據(jù)企業(yè)經(jīng)營方向、外部環(huán)境和內(nèi)部實力三維向量與戰(zhàn)略及其效果的關(guān)聯(lián)分析,建立戰(zhàn)略危機預警指標及預警系統(tǒng)。何杰和丁智慧(2005)從財務危機發(fā)生前的前兆入手,在中小企業(yè)板塊建立財務危機預警機制。陳曉(2000)是國內(nèi)研究財務危機預測最早的學者之一,他基于國內(nèi)資本市場的特殊性,在重新定義財務困境和數(shù)據(jù)源的選取的基礎(chǔ)上建立邏輯回歸模型進行財務危機預測。吳俊杰(2006)介紹了數(shù)據(jù)挖掘技術(shù)的另一種方法——決策樹方法,同比較邏輯回歸、神經(jīng)網(wǎng)絡和決策樹在我國上市公司財務困境預測問題上的優(yōu)劣發(fā)現(xiàn)決策樹在預測準確率、波動性及可解釋性上具有綜合優(yōu)勢。
綜上,現(xiàn)有的企業(yè)財務危機預警模型不足之處主要表現(xiàn)為以下三方面:(1)運用人工智能的方法存在限制條件多、結(jié)構(gòu)不固定的缺點;(2)運用危機征兆分析方法,割裂了定性分析和定量分析,影響了預測結(jié)果的準確性;(3)模型的建立主要依賴財務指標,忽略非財務指標的領(lǐng)先預測作用。
面對日益激烈的市場競爭,傳統(tǒng)的財務危機預警模型不能較早發(fā)現(xiàn)企業(yè)的危機信號,因此建立基于數(shù)據(jù)挖掘的企業(yè)財務危機預警系統(tǒng)將會是一件很有意義的事情。本文的主要貢獻如下:(1)通過文獻查閱介紹了在財務風險管理和數(shù)據(jù)挖掘方法已有的研究結(jié)果,經(jīng)研究思考后將決策樹算法運用到企業(yè)財務危機預警和風險控制;(2)提出了從項目的角度判斷財務危機預警信號,通過數(shù)據(jù)挖掘提取并量化更多有效的非財務指標,并對此進行了決策樹建模。
一般說來,財務風險包括:資金結(jié)構(gòu)與現(xiàn)金流風險、會計核算與流程的風險、會計及財務報告風險。本文主要研究的財務危機只考慮來自資金結(jié)構(gòu)與現(xiàn)金流風險(或者流動性風險)。更具體的說,我們將會從項目的角度進行分析,如果企業(yè)的現(xiàn)金流少于某個臨界值、無法及時獲得貸款或者融資不夠,為我們認為企業(yè)陷入財務危機。
對Holmstrom和 Tirole(1997)中的企業(yè)家模型稍作調(diào)整和擴展,建立擴展的固定投資模型:企業(yè)家(也叫“借款人”或者“融資人”,此模型中的企業(yè)為有限責任公司)有一個項目,在第0期時,項目需要固定投資I。企業(yè)家擁有初始資產(chǎn)(也可以稱為“現(xiàn)有資金”或者“凈資產(chǎn)”)A<I。模型中,假定這些資產(chǎn)是現(xiàn)金或者股票,可以抵消投資的成本。企業(yè)家的現(xiàn)金即可以用來投資于項目,也可以用來消費。為了項目順利實施,企業(yè)家需要從投資者處貸款或者融資I-A。
在第1期時,投資產(chǎn)生確定的可驗證收入τ≥0。要持續(xù)經(jīng)營,還需要再投資數(shù)量ρ,ρ在事前是不知道的,其累積分布函數(shù)記為F(ρ),密度函數(shù)為[0,∞]上的f(ρ)。這里,假定第1期的收入是確定的,而再投資需要是隨機的。如果企業(yè)家沒有再投資ρ,那么企業(yè)就要面臨破產(chǎn)清算,清算值為0。
如果獲得再投資,第2期項目實施,可能會成功:產(chǎn)生R>0的可驗證收入;也有可能會失敗——不產(chǎn)生收入,即R=0。將項目成功的概率記為p。
此外,項目受道德風險約束。企業(yè)家可以盡職(“工作有效”、“努力付出”、“不謀私”)或者卸責(“工作無效”、“偷懶”、“謀私”);或者企業(yè)家可以進行選擇:其他條件不變,是選擇成功率比較高的項目,還是選擇成功率比較低但是他喜歡的項目(易于實施、對朋友或者親屬有利、將來能為企業(yè)家派生出更多副產(chǎn)品、產(chǎn)生在職消費,等等)。當企業(yè)家盡職時,成功概率為p=pH,此時企業(yè)家沒有私人收益;當企業(yè)家卸責時,成功概率為p=pL<pH(顯然,企業(yè)家的卸責會降低原項目的成功概率),此時企業(yè)家有私人收益B>0(以會計單位衡量)。記 Δp=pH-pL。
假設(shè)企業(yè)家和潛在的投資者(或“放貸者”)都是風險中性的;并假設(shè)投資者沒有時間偏好,其預期收益率與其無風險收益率相同,為0。由于企業(yè)家受有限責任的保護,因此收入不可能為負。
關(guān)于貸款合約。合約首先需要確定,該項目是否進行了融資。如果是,合約需要進一步確認借款人和放貸者如何分享利潤。企業(yè)家的有限責任意味著,如果項目失敗,雙方的收益為0(不考慮過去的投資和私人收益)。直覺上講,規(guī)定放貸者對借款人進行正的轉(zhuǎn)移支付沒有意義,因為這種轉(zhuǎn)移支付在風險中性的情況下沒有任何保險收益,只能弱化激勵。如果成功,雙方分享利潤R,企業(yè)家分得Rb,放貸者分得R1。
因此放貸者的凈收益在項目成功的情況下為R1-(I-A);在項目失敗的情況下為 -(I-A)。企業(yè)家的凈收益在項目成功的情況下為Rb-A,在項目失敗的情況下為-A。并且為企業(yè)家設(shè)定如下的激勵機制:項目成功,獲得收益Rb;項目失敗,獲得收益 0。
假定放貸者的貸款利潤為0,因此有:
假定貸款協(xié)議使得企業(yè)家選擇“盡職”,名義利率r由下式給出:
我們不妨假設(shè),只有在不存在道德風險的情況下,項目可行,即只有在企業(yè)家盡職的情況下,項目才具有正的凈現(xiàn)值,亦即:
如果企業(yè)家卸責,企業(yè)家會獲得私人收益,項目仍然具有負的凈現(xiàn)值,即:
容易看出,則可以改寫為:
因此,激勵企業(yè)家卸責的貸款不會獲得批準。并且,在企業(yè)家卸責的情況下,或者放貸者會預期到資金損失;或者企業(yè)家通過消費現(xiàn)金獲得福利改善;或者以上兩種情況會同時發(fā)生。
如果下式“激勵相容約束”得到滿足,借款人將會選擇盡職:
從這一激勵相容約束我們可以推斷出,在不減少企業(yè)家激勵的情況下,項目成功時能夠保證給放貸者的最高收入為R-,于是,預期的可保證收入為:
為了使投資人愿意為項目投資,必須使投資人收支相抵,因此企業(yè)家獲得貸款的必要條件是預期的可保證收入要大于放貸者的初始費用:
上式表示放貸者的個人理性約束。由上式,融資發(fā)生的必要條件為:
顯然,企業(yè)家不可能在身無分文的時候獲得信貸,因此我們假設(shè):
從上式也可以看出,凈現(xiàn)值小于必須留給企業(yè)家以激勵期盡職的最小期望值。
因此,企業(yè)家必須擁有足夠的資產(chǎn),才能獲得貸款或者融資。注意,如果A<A,項目有正的凈現(xiàn)值,但是仍然不能獲得融資。在資產(chǎn)不足的情況下,企業(yè)家必須大量貸款或者融資,于是必須在項目成功的情況下獲得的大部分收益進行抵押。因此,企業(yè)家只能保留貨幣收益的一小部分,也就失去了動力。從而雙方無法達成既能促使企業(yè)家努力,又能使得放貸者收回投資的貸款協(xié)議。這就是信貸配給問題,即一個受到配給限制的企業(yè)家可能愿意將受益的大部分都給投資人,這等同于愿意支付高利率。但是,投資人或者放貸者不愿意借出這筆錢。
并且該利益會使他選擇盡職。關(guān)于臨界值A(chǔ)ˉ有一個自然的解釋。如上式,pHB/Δp不過是所期望的留給企業(yè)家以激勵的最小貨幣支付,這里稱之為代理租金。企業(yè)家必須有一筆至少為A的初始投入,以便能將扣除初始投入后的代理租金,降低到最多等于項目的貨幣利潤 pHR-I。
在τ=0,ρ=0,F(xiàn)取峰值時,運用放貸者的收支相抵條件(pHR1=I-A),我們得到,企業(yè)家獲得的收益為:
ρ≠0時,假定初始合約可以規(guī)定對每個ρ的值,企業(yè)有繼續(xù)經(jīng)營或者破產(chǎn)清算兩種可能性。直觀上看,只要代價不高,持續(xù)經(jīng)營是最優(yōu)的:
其中,ρ*表示臨界值。
由于投資者之間的競爭會導致他們無法獲得剩余利潤,所以我們這里令企業(yè)家的利潤等于NPV。我們假定,在持續(xù)經(jīng)營情況下,最優(yōu)合約能夠使得企業(yè)家盡職經(jīng)營。于是,此時企業(yè)家的利潤為:
其中,第一個方括號表示預期收入,第二個方括號表示總投資(初始投資加上預期再投資)。
企業(yè)財務危機預警的理論是一個包含多學科的綜合性理論,它是一個涵蓋企業(yè)風險管理、項目投資管理、動態(tài)信息技術(shù)、數(shù)理建模等多學科的知識。企業(yè)財務危機預警的研究就是要針對財務指標的波動挖掘其中具有信任度高的規(guī)則,當指標波動超出一定的范圍,系統(tǒng)就應該發(fā)出預警。首先,建立企業(yè)財務危機預警理論體系,內(nèi)容包括:企業(yè)財務危機的界定、形成的路線圖、企業(yè)生命周期理論、財務危機的發(fā)展趨勢分析和企業(yè)財務危機的預警程序。其次,建立企業(yè)財務危機預警指標體系,危機預警指標體系不僅包括財務風險分析指標。鑒于基于財務數(shù)據(jù)的危機預警體系已經(jīng)較為完善,本章將不再介紹和深入研究。本節(jié)將主要針對現(xiàn)金流,融資額度等項目投資相關(guān)的指標,進行數(shù)據(jù)重構(gòu)得到適合數(shù)據(jù)挖掘的數(shù)據(jù)集,尋找財務指標之間的規(guī)則和預測危機企業(yè)的發(fā)展趨勢。
決策樹是一種由節(jié)點和又向邊組成的層次結(jié)構(gòu),一般包含三種節(jié)點:(1)根節(jié)點:沒有入邊,但有零條或多條出邊;(2)內(nèi)部節(jié)點:恰有一條入邊和兩條或者多條出邊;(3)葉節(jié)點或終結(jié)點:恰有一條入邊,沒有出邊。
從樹的根節(jié)點開始,將測試條件用于檢驗記錄,在根據(jù)測試結(jié)果選擇適當?shù)姆种?。沿著這個分支達到另一個內(nèi)部節(jié)點,使用新的測試條件,或者到達一個葉節(jié)點。到達葉節(jié)點后,葉節(jié)點多代表的類項名稱就會被賦值給該條檢驗記錄。
使用Hunt算法,Hunt算法是很多決策樹算法的基礎(chǔ),包括ID3、C4.5和CART。在Hunt算法中,通過訓練記錄相繼劃分成較純的子集,以遞歸方式建立決策樹。設(shè)Dt是與節(jié)點t相關(guān)聯(lián)的訓練記錄集,y={y1,y2,…,yn}是類標號,Hunt算法的遞歸定義如下:(1)如果Dt中所有記錄都屬于同一類yt,則 t是葉節(jié)點,用 yt標記;(2)如果 Dt中包含屬于多個類的記錄,則選擇一個屬性測試條件,將記錄劃分成較小的子集。對于測試條件的每個輸出,創(chuàng)建一個字節(jié)點,并根據(jù)測試結(jié)果將Dt中的記錄分布到子節(jié)點中。然后對于每個子節(jié)點,遞歸使用該算法。
本文主要從企業(yè)外部環(huán)境、道德風險和企業(yè)現(xiàn)金是否充足以及是否拿到足夠融資四個層面判斷企業(yè)是否處于財務危機狀態(tài)。企業(yè)財務危機預警觸發(fā)條件將會作為屬性測試條件和節(jié)點嵌入模型中。
1.依據(jù)前文構(gòu)建的擴展固定投資模型,首先考慮外部環(huán)境對企業(yè)狀態(tài)的影響:
(1)好的狀態(tài)(出現(xiàn)概率為pH)。外部環(huán)境因素很好,不管企業(yè)家付出多少努力,項目都會成功。
(2)壞的狀態(tài)(出現(xiàn)概率為pL)。外部環(huán)境因素惡劣,即使企業(yè)家盡最大努力,項目都不會成功。
(3)中間狀態(tài)(出現(xiàn)概率為 Δp=pH-pL)。不能保證成功,也不會注定失敗,只要企業(yè)家付出努力,項目就有可能成功。
當外部狀態(tài)轉(zhuǎn)而變?yōu)閴牡臓顟B(tài)時,財務危機預警觸發(fā);其中pH、pL通過對眾多企業(yè)的數(shù)據(jù)挖掘獲得。
2.道德風險層面:一旦發(fā)現(xiàn)企業(yè)家卸責,財務危機預警觸發(fā)。
3.現(xiàn)金流與流動性風險層面:當企業(yè)的擁有的現(xiàn)金少于臨界值時,財務危機預警觸發(fā)。
4.融資層面:當融得的資金小于臨界值時,財務危機預警觸發(fā);其中函數(shù)通過對眾多企業(yè)的數(shù)據(jù)挖掘獲得。由此可見我們要構(gòu)建的決策樹除根節(jié)點外將一共有24個節(jié)點。
決策樹的變量可以有兩種:
(1)數(shù)字型(Numeric):變量類型是整數(shù)或浮點數(shù),如前面模型中的“現(xiàn)金”。用“>=”,“>”,“<”或“<=”作為分割條件(排序后,利用已有的分割情況,可以優(yōu)化分割算法的時間復雜度)。
(2)名稱型(Nominal):類似編程語言中的枚舉類型,變量只能重有限的選項中選取,比如前面例子中的“外部環(huán)境狀態(tài)”,只能是“好”,“壞”或“中間”。使用“=”來分割。
決策樹構(gòu)建的基本步驟如下:(1)開始,所有記錄看作一個節(jié)點;(2)遍歷每個變量的每一種分割方式,找到最好的分割點;(3)分割成兩個節(jié)點t1和 t2;(4)對 t1和 t2分別繼續(xù)執(zhí)行 2~3 步,直到每個節(jié)點足夠“純”為止。
最佳劃分的度量:設(shè)k(i|t)表示給定節(jié)點t中屬于類i所占的比例,有時我們省略節(jié)點t,直接用ki表示該比例。在兩類問題中,任意節(jié)點的類分布都可以記作(k0,k1),其中 k1=1-k0。選擇最佳劃分的度量通常是根據(jù)劃分后子節(jié)點不純性的程度。不純性的程度越低,類分布就越傾斜。不純性的度量包括:
以上三種度量方式均是值越大,表示越“不純”,越小表示越“純”。實踐證明三種公司的選擇對最終分類準確率的影響并不大,一般使用熵公式。另外為了確定測試條件的效果比較父節(jié)點在劃分前的不純程度和子節(jié)點在劃分后的不純程度,兩者的差值越大,測試條件的效果就越好。
針對傳統(tǒng)統(tǒng)計工具需要諸多假設(shè),對于海量數(shù)據(jù)無法充分利用并常常局限于財務數(shù)據(jù);以及過去多數(shù)財務危機預警模型沒有考慮財務指標的時間延續(xù)性從而無法跟蹤財務指標的波動和變化趨勢等問題。本文提出了從項目投資的角度進行財務危機預警方法,提出了從項目的角度判斷財務危機預警信號,通過決策樹算法找到該企業(yè)所在行業(yè)的參數(shù)值如pH,pL等,從而判斷是否觸發(fā)預警信號。根據(jù)時間序列建立動態(tài)維護的企業(yè)財務危機預警模型,對一段時間內(nèi)的財務指標進行數(shù)據(jù)挖掘,對想要的挖掘結(jié)果進行調(diào)整,尋找符合要求財務危機預警指標頻繁模式和規(guī)則數(shù)目,并分析最終挖掘結(jié)果,總結(jié)引起企業(yè)財務危機的真正根源。期待本文的研究工作可以為中小創(chuàng)業(yè)公司和上市公司管理財務風險提供參考。
[1]Smith Raymond F.,Arthur H.Winakor.A test analysis of unsuccessful industrial companies[J].University of Illinois,Bulletin 1930(31):11.
[2]Smith,Raymond Frank,Arthur Henry Winakor.Changes in the financial structure of unsuccessful industrial corporations.University of Illinois,1935.
[3]Beaver,William H.Financial ratios as predictors of failure[J].Journal of accounting research,1966:71-111.
[4]Altman,Edward I.Financial ratios,discriminant analysis and the prediction of corporate bankruptcy[J].The journal of finance,1968,23(4):589-609.
[5]Ohlson,James A.Financial ratios and the probabilistic prediction of bankruptcy[J].Journal of accounting research,1980:109-131.
[6]Zmijewski,Mark E.Methodological issues related to the estimation of financial distress prediction models[J].Journal of Accounting research 1984:59-82.
[7]Coats,Pamela K.,L.Franklin Fant.Recognizing financial distress patterns using a neural network tool[J].Financial Management,1993:142-155.
[8]Meyer Paul A.,Howard W.Pifer.Prediction of bank failures[J].The Journal of Finance,1970,25(4):853-868.
[9]Laitinen L.A.,A.Laitinen,T.Haahtela.Airway mucosal inflammation even in patients with newly diagnosed asthma[J].American Review of Respiratory Disease,1993,147(3):697-704.
[10]Holmstrom,Bengt,Jean Tirole.Financial intermediation,loanable funds,and the real sector[J].The Quarterly Journal of economics,1997:663-691.
[11]Froot,Kenneth A.,David S.Scharfstein,Jeremy C.Stein.Risk management:Coordinating corporate investment and financing policies[J].The Journal of Finance,1993,48(5):1629-1658.
[12]禹久泓.中國私募股權(quán)投資決策財務統(tǒng)計論[M].北京:中國財政經(jīng)濟出版社,2014.