宋 彪 朱建明 李 煦

一、引言

財(cái)務(wù)危機(jī)風(fēng)險(xiǎn)預(yù)警是一個(gè)世界性的問(wèn)題和難題［1］。從20世紀(jì)30年代開(kāi)始，比較有影響的財(cái)務(wù)預(yù)警方法已經(jīng)有十幾種，但這些方法在經(jīng)濟(jì)危機(jī)中能夠真正預(yù)測(cè)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的很少，還沒(méi)有查到這方面的有力證據(jù)。究其原因，大多數(shù)模型中，財(cái)務(wù)指標(biāo)是主要的預(yù)測(cè)依據(jù)。但財(cái)務(wù)指標(biāo)往往只是財(cái)務(wù)發(fā)生危機(jī)的一種表現(xiàn)形式，甚至還有滯后反應(yīng)性、不完全性和主觀性［2］。更為嚴(yán)重的是在基于財(cái)務(wù)指標(biāo)預(yù)警模型建立過(guò)程中，學(xué)者們往往都假設(shè)財(cái)務(wù)數(shù)據(jù)是真實(shí)可靠的，但這種假設(shè)忽略了財(cái)務(wù)預(yù)警活動(dòng)的社會(huì)學(xué)規(guī)律，為財(cái)務(wù)預(yù)警模型與現(xiàn)實(shí)應(yīng)用的脫節(jié)埋下了伏筆。許多學(xué)者建立了結(jié)合非財(cái)務(wù)指標(biāo)的模型，但所加入的能夠起到作用的非財(cái)務(wù)指標(biāo)都是依靠試錯(cuò)方法引入的，即都是在危機(jī)發(fā)生之后，才能夠使指標(biāo)得以確認(rèn)以及引入模型，下一次經(jīng)濟(jì)危機(jī)的類(lèi)型不同，之前建立的財(cái)務(wù)預(yù)警模型便會(huì)無(wú)法預(yù)測(cè)甚至可能發(fā)生誤導(dǎo)。因此靠試錯(cuò)引入的非財(cái)務(wù)指標(biāo)具有一定的片面性，忽視了這些指標(biāo)間的相互作用和相互關(guān)系，無(wú)法顧及這些指標(biāo)是否對(duì)所有企業(yè)具有普遍適用性。

個(gè)人網(wǎng)上搜索、發(fā)布或者關(guān)注行為，以及各種論壇、博客、媒體發(fā)布的企業(yè)相關(guān)信息往往在不經(jīng)意間透露了一些企業(yè)真實(shí)的管理狀態(tài)和走勢(shì)信息，而且涵蓋的范圍非常廣泛。根據(jù)大數(shù)據(jù)的思維范式［3］，可否把這些信息，通過(guò)大數(shù)據(jù)的處理技術(shù)量化后引入到財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型當(dāng)中？基于大數(shù)據(jù)的財(cái)務(wù)風(fēng)險(xiǎn)模型是否能夠在穩(wěn)定性、有效性等方面具有一定的改善？這些問(wèn)題的本質(zhì)將是當(dāng)前大數(shù)據(jù)技術(shù)破解財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警難題的一個(gè)重要契機(jī)。

二、理論基礎(chǔ)、文獻(xiàn)回顧

風(fēng)險(xiǎn)理論認(rèn)為，經(jīng)濟(jì)活動(dòng)之所以存在風(fēng)險(xiǎn)，原因在于經(jīng)濟(jì)環(huán)境存在不確定性。在財(cái)務(wù)危機(jī)預(yù)警過(guò)程中，為了更準(zhǔn)確地預(yù)測(cè)企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)，有效的途徑就是盡可能尋找全面的可以反映企業(yè)自身狀況和所處經(jīng)濟(jì)環(huán)境的指標(biāo)。

目前主流的財(cái)務(wù)預(yù)警研究方法依然是用財(cái)務(wù)指標(biāo)構(gòu)建模型?！皫缀跛械难芯慷技杏趯ふ易罴训墓_(kāi)財(cái)務(wù)指標(biāo)來(lái)預(yù)測(cè)財(cái)務(wù)危機(jī)”［4］。基于財(cái)務(wù)指標(biāo)建模的支持者往往利用實(shí)證研究能夠得出較高的判別率。如Altman在樣本公司破產(chǎn)前一年預(yù)測(cè)準(zhǔn)確率是95%［5］，Deakin的準(zhǔn)確率為97%等等。由于財(cái)務(wù)信息存在滯后性、灰色性和短期性等明顯缺點(diǎn)，許多學(xué)者已經(jīng)認(rèn)識(shí)到根據(jù)財(cái)務(wù)指標(biāo)預(yù)測(cè)財(cái)務(wù)風(fēng)險(xiǎn)的局限。Johnson針對(duì)Altman的論文使用的預(yù)測(cè)方法指出：即使比率確實(shí)能夠提供目前企業(yè)狀態(tài)的信息，它們也并不包含企業(yè)的替代戰(zhàn)略以及管理層和投資者面臨的經(jīng)濟(jì)狀況，比如企業(yè)合并和推遲付款［6］。Ohlson將國(guó)民生產(chǎn)總值、價(jià)格指數(shù)引入了財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)模型中［7］。EllMoumi等研究發(fā)現(xiàn)，企業(yè)董事會(huì)的結(jié)構(gòu)和構(gòu)成可以用于解釋財(cái)務(wù)危機(jī)的發(fā)生［8］。Campbell等發(fā)現(xiàn)低股票收益率和高股票波動(dòng)率將增大企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)［9］。這些研究都各自證明了所提出非財(cái)務(wù)變量的預(yù)警有效性，但在具體操作中，數(shù)據(jù)的獲取難度限制了非財(cái)務(wù)指標(biāo)在財(cái)務(wù)預(yù)警方面的系統(tǒng)研究，提出的變量沒(méi)有統(tǒng)一的標(biāo)準(zhǔn)，也沒(méi)有考慮變量之外的影響因素，反映不出企業(yè)對(duì)某一非財(cái)務(wù)指標(biāo)敏感程度。企業(yè)危機(jī)發(fā)生后，發(fā)現(xiàn)最終導(dǎo)致預(yù)警失敗的，往往是研究者們未曾考慮過(guò)的因素。同時(shí)，多數(shù)研究者更關(guān)注危機(jī)發(fā)生的根源，以求畢其功于一役，卻忽略了財(cái)務(wù)預(yù)警這一行為本身的社會(huì)性。簡(jiǎn)單認(rèn)為明確了危機(jī)發(fā)生的原因，就可以進(jìn)行準(zhǔn)確的預(yù)測(cè)，事實(shí)上財(cái)務(wù)危機(jī)每次發(fā)生的原因都在變化。奧斯特羅姆的研究指出，信任、聲譽(yù)與互惠機(jī)制來(lái)自于人際網(wǎng)絡(luò)［10］。企業(yè)危機(jī)的發(fā)生，起源于企業(yè)所有的相關(guān)人在社會(huì)網(wǎng)絡(luò)中的相互作用。大數(shù)據(jù)技術(shù)的出現(xiàn)，使從社會(huì)網(wǎng)絡(luò)角度獲得關(guān)注會(huì)計(jì)主體更多一些的細(xì)節(jié)信息成為可能。所謂大數(shù)據(jù)：一般認(rèn)為具有4V特征的數(shù)據(jù)可以稱(chēng)之為大數(shù)據(jù)，如果從廣義的角度拓展，其實(shí)大數(shù)據(jù)是一種思維范式。

維克托·邁爾-舍恩伯格認(rèn)為，大數(shù)據(jù)在分析過(guò)程中需要全部數(shù)據(jù)樣本而不是抽樣［11］，目標(biāo)上關(guān)注相關(guān)性而不是因果關(guān)系。人機(jī)互動(dòng)產(chǎn)生的數(shù)據(jù)是大數(shù)據(jù)最主要的來(lái)源。這些人們?cè)诨ヂ?lián)網(wǎng)世界里留下的各種“數(shù)據(jù)足跡”，并不是有意識(shí)地留下的數(shù)據(jù)，而是機(jī)器之間相互處理交互時(shí)沉淀下來(lái)的數(shù)據(jù)，從社會(huì)學(xué)角度來(lái)看，獲得的數(shù)據(jù)無(wú)意識(shí)性越強(qiáng)，或者說(shuō)人為主觀參與度越小，這種數(shù)據(jù)就越客觀，也越接近事物的本質(zhì)，危機(jī)的爆發(fā)總是具有出乎意料的特征，具備更強(qiáng)無(wú)意識(shí)度的信息對(duì)危機(jī)的預(yù)測(cè)具有更重要的意義。

目前利用從互聯(lián)網(wǎng)獲得的大數(shù)據(jù)進(jìn)行研究，一般從分析群體情緒和網(wǎng)民行為規(guī)律來(lái)實(shí)現(xiàn)。對(duì)網(wǎng)絡(luò)上公眾的情緒進(jìn)行分析是一項(xiàng)高難度工程，國(guó)外在相關(guān)方面取得了一系列進(jìn)展，美國(guó)印第安納大學(xué)的約翰·博倫（Johan Bollen）等人對(duì)Twitter進(jìn)行研究，將實(shí)驗(yàn)中獲得的“冷靜”情緒指數(shù)后移3天，可以和道瓊斯指數(shù)獲得驚人的一致。同時(shí)該研究還測(cè)試了一個(gè)基于自組織模糊神經(jīng)網(wǎng)絡(luò)的股市預(yù)測(cè)模型，當(dāng)模型僅輸入股市數(shù)據(jù)時(shí)，模型可以達(dá)到73.3%的準(zhǔn)確率，而在加入“冷靜”的情感信息后，準(zhǔn)確率明顯上升至86.7%。麻省理工的張雪等人，根據(jù)情緒詞將推文標(biāo)定為正面或負(fù)面情緒［12］。結(jié)果發(fā)現(xiàn)，無(wú)論是如“希望”的正面情緒，或是“害怕”、“擔(dān)心”的負(fù)面情緒，其占總推文數(shù)的比例，都預(yù)示著道瓊斯指數(shù)、標(biāo)準(zhǔn)普爾500指數(shù)、納斯達(dá)克指數(shù)的下跌。美國(guó)佩斯大學(xué)的亞瑟·奧康納，發(fā)現(xiàn)Facebook上的粉絲數(shù)、Twitter上的聽(tīng)眾數(shù)和Youtude上的觀看人數(shù)，都和股價(jià)密切相關(guān)。品牌的受歡迎程度，還能預(yù)測(cè)股價(jià)在10天、30天之后的上漲情況①New study finds link between social media popularity and stock prices http：//www.famecount.com/news/new-study-finds-link-between-social-mediapopularity-and-stock-prices-242652.。Tobias Preis等人研究發(fā)現(xiàn)，當(dāng)特定的關(guān)鍵詞在某一時(shí)間內(nèi)被大量搜索時(shí)，在股票市場(chǎng)上可能有買(mǎi)入或者賣(mài)出的行為發(fā)生［13］。

三、基于大數(shù)據(jù)的企業(yè)危機(jī)預(yù)警模型

從在線(xiàn)信息獲取的企業(yè)相關(guān)大數(shù)據(jù)，其內(nèi)容可以包含導(dǎo)致企業(yè)財(cái)務(wù)危機(jī)方方面面的因素，甚至包含人們尚未認(rèn)識(shí)到的危機(jī)根源。大數(shù)據(jù)體現(xiàn)了群體智慧的特征，有價(jià)值的信息密度非常低，這使一些人為的修改在群體行為的均衡下，信息的價(jià)值往往不受太大的影響，可以避免僅依靠信息提供者而受到蒙蔽的現(xiàn)象。大數(shù)據(jù)信息比以往通過(guò)公司公告、調(diào)查、談話(huà)等方式獲得的信息更為客觀和全面，而且這些信息中可以囊括企業(yè)在社會(huì)網(wǎng)絡(luò)中的嵌入性影響。

在社會(huì)環(huán)境中，企業(yè)存在的基礎(chǔ)在于相關(guān)者的認(rèn)可，這些相關(guān)者包括顧客、投資者、供應(yīng)鏈伙伴、政府等等?？紤]到企業(yè)的經(jīng)營(yíng)行為，或者企業(yè)關(guān)聯(lián)方的動(dòng)作都會(huì)使企業(yè)的相關(guān)者產(chǎn)生反應(yīng)，進(jìn)而影響到網(wǎng)絡(luò)上的相關(guān)信息。因此本文把所有網(wǎng)民看作企業(yè)分布在網(wǎng)絡(luò)上的“傳感器”，這些“傳感器”有的反應(yīng)企業(yè)的內(nèi)部運(yùn)作狀態(tài)，有的反應(yīng)企業(yè)所處的整體市場(chǎng)環(huán)境，有的反應(yīng)企業(yè)相關(guān)方的運(yùn)行狀態(tài)等等。由此構(gòu)建基于大數(shù)據(jù)進(jìn)行企業(yè)財(cái)務(wù)預(yù)警的模型：

大數(shù)據(jù)企業(yè)財(cái)務(wù)預(yù)警系統(tǒng)不排斥財(cái)務(wù)報(bào)告上的傳統(tǒng)指標(biāo)，相反，傳統(tǒng)的財(cái)務(wù)指標(biāo)應(yīng)該屬于大數(shù)據(jù)的一部分?；ヂ?lián)網(wǎng)上網(wǎng)民對(duì)企業(yè)的相關(guān)行為，包含了線(xiàn)下的人們和企業(yè)的接觸而產(chǎn)生對(duì)企業(yè)的反應(yīng)，這些反應(yīng)由于人們?cè)谏鐣?huì)網(wǎng)絡(luò)中角色的不同，涵蓋了諸如顧客對(duì)產(chǎn)品的滿(mǎn)意度、投資方的態(tài)度、政策導(dǎo)向等各種可能的情況。所有這些信息通過(guò)線(xiàn)下向互聯(lián)網(wǎng)映射，在互聯(lián)網(wǎng)中通過(guò)交互作用，由網(wǎng)民的情緒形成了相關(guān)企業(yè)的企業(yè)網(wǎng)絡(luò)輿情。

圖1 大數(shù)據(jù)企業(yè)財(cái)務(wù)預(yù)警原理

在具體處理過(guò)程中，可以對(duì)網(wǎng)絡(luò)輿情信息進(jìn)行語(yǔ)義分析，通過(guò)情緒指標(biāo)對(duì)輿情進(jìn)行量化，形成各種行為的一個(gè)融合后的綜合性指標(biāo)，具體數(shù)據(jù)處理過(guò)程如圖2所示。

圖2 大數(shù)據(jù)企業(yè)財(cái)務(wù)預(yù)警數(shù)據(jù)處理機(jī)制

起到企業(yè)“傳感器”作用的網(wǎng)民，由于在線(xiàn)下和企業(yè)有著各種各樣的角色關(guān)系。這些角色和企業(yè)的相互作用會(huì)產(chǎn)生不同的反應(yīng)，從而刺激這些角色對(duì)企業(yè)產(chǎn)生不同的情緒。群體的情緒通過(guò)映射到互聯(lián)網(wǎng)，才使這些信息能夠被保存下來(lái)并被我們獲取，這些不同的情緒經(jīng)過(guò)網(wǎng)絡(luò)上交互過(guò)程中的聚集、排斥和融合作用，最后會(huì)產(chǎn)生集體智慧，這些群體智慧能反應(yīng)企業(yè)的某種狀態(tài)。

因此得出如下命題：

命題1：引入企業(yè)相關(guān)網(wǎng)絡(luò)大數(shù)據(jù)信息正面情緒指標(biāo)的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型可以提高預(yù)警的有效性。

命題2：引入企業(yè)相關(guān)網(wǎng)絡(luò)大數(shù)據(jù)信息中性指標(biāo)的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型可以提高預(yù)警效果。

命題3：引入企業(yè)相關(guān)網(wǎng)絡(luò)大數(shù)據(jù)信息負(fù)面情緒指標(biāo)的財(cái)務(wù)風(fēng)險(xiǎn)模型可以提高預(yù)警效果。

命題4：引入企業(yè)相關(guān)網(wǎng)絡(luò)大數(shù)據(jù)信息正面和負(fù)面交互影響指標(biāo)的財(cái)務(wù)風(fēng)險(xiǎn)模型可以提高預(yù)警效果。

命題5：引入企業(yè)相關(guān)大數(shù)據(jù)產(chǎn)生頻次指標(biāo)的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型可以提高預(yù)警的有效性。

四、研究樣本、研究變量和研究設(shè)計(jì)

（一）研究樣本

利用聚焦網(wǎng)絡(luò)爬蟲(chóng)，收集了從2009年1月1日到2013年12月31日的關(guān)于60家企業(yè)的所有相關(guān)全網(wǎng)網(wǎng)絡(luò)數(shù)據(jù)，包括新聞、博客、論壇等信息，經(jīng)過(guò)在線(xiàn)過(guò)濾刪重，最終獲得有效信息共7 000萬(wàn)余條。來(lái)自網(wǎng)絡(luò)的上市公司相關(guān)大數(shù)據(jù)主要是非結(jié)構(gòu)化的文本信息，而且包含大量重復(fù)信息。為了驗(yàn)證大數(shù)據(jù)反映的相關(guān)情緒能夠有效提高財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的性能，首先要把這些信息進(jìn)行數(shù)值化處理，過(guò)濾掉大量無(wú)效數(shù)據(jù)，并且進(jìn)行基于財(cái)經(jīng)領(lǐng)域詞典的文本情緒傾向計(jì)算。同時(shí)對(duì)相關(guān)上市公司的有效信息進(jìn)行頻次統(tǒng)計(jì)，以便驗(yàn)證大數(shù)據(jù)有效信息頻次對(duì)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的影響?？紤]到不同行業(yè)的財(cái)務(wù)特征并不相同，而制造業(yè)在上市企業(yè)中所占比例最大，正常企業(yè)的數(shù)量遠(yuǎn)大于具有危機(jī)風(fēng)險(xiǎn)的企業(yè)。研究中把制造業(yè)作為模型研究的樣本企業(yè)，將會(huì)使模型在實(shí)際應(yīng)用中具有更好的代表性。

在滬深兩市的危機(jī)企業(yè)中，危機(jī)企業(yè)的數(shù)量遠(yuǎn)遠(yuǎn)小于正常企業(yè)。如果按照資產(chǎn)規(guī)模1∶1配對(duì)抽樣，會(huì)破壞樣本的隨機(jī)性，導(dǎo)致模型效果虛高，夸大了模型的預(yù)測(cè)精度［14］，同時(shí)以資產(chǎn)規(guī)模為配對(duì)原則缺乏有力的理論依據(jù)，本文后面對(duì)資產(chǎn)規(guī)模進(jìn)行檢驗(yàn)也發(fā)現(xiàn)在對(duì)危機(jī)的判斷中并不顯著。因此本文將危機(jī)企業(yè)和正常企業(yè)按1∶2的方式進(jìn)行隨機(jī)抽樣配比（注意不是配對(duì)）。共搜集60家企業(yè)，其中危機(jī)企業(yè)20家，正常企業(yè)40家。危機(jī)企業(yè)樣本來(lái)源于2012、2013年被滬深兩市特別處理的工業(yè)制造業(yè)企業(yè)，2012年危機(jī)企業(yè)11家，正常企業(yè)22家，2013年危機(jī)企業(yè)9家，正常企業(yè)18家。篩選采用的標(biāo)準(zhǔn)是：上市以來(lái)首次被處理，上市時(shí)間已經(jīng)超過(guò)5年，因?yàn)檫B續(xù)兩年虧損而被特別處理。正常企業(yè)的樣本采用隨機(jī)抽取，在滬深兩市中上市超過(guò)5年，上市以來(lái)從未被特殊處理的工業(yè)制造業(yè)企業(yè)。樣本企業(yè)的財(cái)務(wù)指標(biāo)的采集和計(jì)算源自RESSET瑞斯金融研究數(shù)據(jù)庫(kù)。

（二）研究變量

財(cái)務(wù)危機(jī)預(yù)警模型主要有兩個(gè)核心的工作：一個(gè)是預(yù)警指標(biāo)的確定；一個(gè)是預(yù)警模型算法的選擇。前者是財(cái)務(wù)預(yù)警信息的深層次挖掘，后者是預(yù)警算法技術(shù)的應(yīng)用，兩者同時(shí)對(duì)企業(yè)財(cái)務(wù)危機(jī)預(yù)警的精度產(chǎn)生影響。也就是說(shuō)，財(cái)務(wù)危機(jī)預(yù)警模型的效果不僅取決于模型的學(xué)習(xí)和泛化能力，也取決于選擇的財(cái)務(wù)預(yù)警模型輸入和輸出變量。

財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警理論的研究一直缺乏系統(tǒng)的經(jīng)濟(jì)理論支持，在實(shí)際預(yù)警工作中沒(méi)有特別直接的理論基礎(chǔ)。因此現(xiàn)階段的預(yù)警工作多數(shù)從實(shí)際數(shù)據(jù)出發(fā)，采用經(jīng)驗(yàn)研究的方法，用試錯(cuò)的方法，逐一考察變量的組合在實(shí)際樣本數(shù)據(jù)中的表現(xiàn)，篩選出突出判別能力的變量組合來(lái)構(gòu)建最終的預(yù)測(cè)模型。

財(cái)務(wù)指標(biāo)方面的變量選取參考目前財(cái)務(wù)危機(jī)預(yù)警大量的研究成果，選出32個(gè)變量作為備選考察變量，如表1所示。

表1 財(cái)務(wù)指標(biāo)

續(xù)前表

其中X1～X5是反映企業(yè)償債能力的指標(biāo)，X6～X12是反映企業(yè)盈利能力的指標(biāo)，X13～X14是反映企業(yè)現(xiàn)金流量的指標(biāo)，X15～X16為反映資本結(jié)構(gòu)的指標(biāo)，X17到X28是反映企業(yè)成長(zhǎng)能力的指標(biāo)，X29～X32是反映企業(yè)營(yíng)運(yùn)能力的指標(biāo)。

輸入變量由假設(shè)形成的5個(gè)變量結(jié)合財(cái)務(wù)指標(biāo)變量構(gòu)成。關(guān)于輸出變量，考慮企業(yè)發(fā)生財(cái)務(wù)危機(jī)風(fēng)險(xiǎn)的界定，學(xué)者的觀點(diǎn)并不統(tǒng)一，多數(shù)學(xué)者都采用將ST作為企業(yè)陷入財(cái)務(wù)危機(jī)，具有財(cái)務(wù)風(fēng)險(xiǎn)的標(biāo)志。這樣的界定標(biāo)準(zhǔn)符合我國(guó)的現(xiàn)實(shí)情況，而且便于學(xué)者間的成果相互比較，因此把ST作為模型輸出變量。

（三）研究方法

研究過(guò)程分為3個(gè)部分，第一個(gè)部分，確定有效的財(cái)務(wù)變量指標(biāo)，建立基于財(cái)務(wù)指標(biāo)的財(cái)務(wù)危機(jī)預(yù)警模型。第二部分，加入大數(shù)據(jù)變量，考察模型在加入大數(shù)據(jù)變量的基礎(chǔ)上對(duì)模型效果的影響，如圖3所示。

圖3 模型驗(yàn)證過(guò)程圖

（四）模型的構(gòu)建

構(gòu)建模型前的數(shù)據(jù)處理：對(duì)引入模型的各項(xiàng)指標(biāo)進(jìn)行顯著性檢驗(yàn)和多重共線(xiàn)性分析。

1.財(cái)務(wù)指標(biāo)的正態(tài)分布檢驗(yàn)

在進(jìn)行顯著檢驗(yàn)之前，需要考察樣本的分布情況，并以此來(lái)確定使用哪種方法來(lái)進(jìn)行預(yù)警指標(biāo)的差異顯著性檢驗(yàn)。運(yùn)用SAS軟件來(lái)進(jìn)行財(cái)務(wù)指標(biāo)分布情況的考察。采用Shapiro-Wilk正態(tài)分布檢驗(yàn)。Shapiro-Wilk檢驗(yàn)適用于樣本量小于2 000的正態(tài)分布檢驗(yàn)，適用于探索連續(xù)型隨機(jī)變量的分布。對(duì)選取的企業(yè)各個(gè)財(cái)務(wù)指標(biāo)進(jìn)行檢驗(yàn)，結(jié)果如表2所示。

表2 正態(tài)分布檢驗(yàn)

根據(jù)Shapiro-Wilk判定原理，多數(shù)財(cái)務(wù)指標(biāo)不服從正態(tài)分布，只有X3、X4、X15、X16、X18服從正態(tài)分布。這個(gè)結(jié)果和國(guó)外對(duì)財(cái)務(wù)指標(biāo)的實(shí)證研究分析結(jié)果大致相同。對(duì)不服從正態(tài)分布的財(cái)務(wù)指標(biāo)的差異顯著性檢驗(yàn)要采用非參數(shù)的檢驗(yàn)方法，而對(duì)服從正態(tài)分布的財(cái)務(wù)指標(biāo)使用參數(shù)T檢驗(yàn)方法。

2.財(cái)務(wù)指標(biāo)的差異顯著性檢驗(yàn)

采用Wilcoxon rank-sum檢驗(yàn)法，對(duì)2個(gè)獨(dú)立樣本進(jìn)行非參數(shù)檢驗(yàn)。找出對(duì)分辨ST公司和非ST公司沒(méi)有貢獻(xiàn)的財(cái)務(wù)指標(biāo)。檢驗(yàn)結(jié)果見(jiàn)表3。

表3 差異顯著性檢驗(yàn)

檢驗(yàn)結(jié)果發(fā)現(xiàn)財(cái)務(wù)指標(biāo) X1、X2、X5、X8、X11、 X13、 X14、 X29、 X32的 Pr＞Chi-Square都小于0.05，通過(guò)顯著性檢驗(yàn)，而其余指標(biāo)因?yàn)闆](méi)有通過(guò)顯著性檢驗(yàn)被剔出。

采用T檢驗(yàn)方法，對(duì)樣本進(jìn)行參數(shù)檢驗(yàn)，檢驗(yàn)結(jié)果如表4所示。

表4 T檢驗(yàn)

發(fā)現(xiàn) X4、X15、X16的 Pr＞|t|都小于0.05，通過(guò)顯著性檢驗(yàn)，而X3、X18被剔出。

其中X1、X2、X4、X5是反映企業(yè)償債能力的指標(biāo)；X8、X11是反映企業(yè)盈利能力的指標(biāo)；X13、X14是反映企業(yè)現(xiàn)金流的指標(biāo)；X15、X16是反映企業(yè)資本結(jié)構(gòu)指標(biāo)；X29、X32是反映企業(yè)營(yíng)運(yùn)能力的指標(biāo)。

3.財(cái)務(wù)指標(biāo)的多重共線(xiàn)性檢驗(yàn)

從數(shù)據(jù)中看出有一定的多重共線(xiàn)性，如表5所示。

表5 多重共線(xiàn)性檢驗(yàn)

存在多重共線(xiàn)性的模型用于預(yù)測(cè)時(shí)，往往不影響預(yù)測(cè)結(jié)果。

對(duì)大數(shù)據(jù)指標(biāo)的檢驗(yàn)，命名積極情緒指數(shù)P1，中性情緒指數(shù)P2，消極情緒指數(shù)P3，頻次指數(shù)C1，交互情緒指數(shù)P1_P3。根據(jù)分布狀態(tài)分別進(jìn)行顯著性檢驗(yàn)，見(jiàn)表6。

表6 顯著性檢驗(yàn)

可以發(fā)現(xiàn)P1和C1顯著。

從表7可以發(fā)現(xiàn)，樣本數(shù)據(jù)中，p2，p3，p1_p3不顯著。

表7 T檢驗(yàn)

4.選用的模型

支持向量機(jī)（Support Vector Machine，SVM）是Vapnik等人在多年研究統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上提出的，是一種新型機(jī)器學(xué)習(xí)方法。支持向量機(jī)憑借統(tǒng)計(jì)學(xué)習(xí)理論，奠定了堅(jiān)實(shí)的基礎(chǔ)，其設(shè)計(jì)源于結(jié)構(gòu)風(fēng)險(xiǎn)最小原則和有限樣本假設(shè)，在過(guò)學(xué)習(xí)、局部收斂、高維災(zāi)難等問(wèn)題方面克服了傳統(tǒng)機(jī)器學(xué)習(xí)（如神經(jīng)網(wǎng)絡(luò)）的缺陷，支持向量機(jī)在學(xué)習(xí)能力和泛化性能方面具有不可比擬的優(yōu)勢(shì)。SVM分類(lèi)方法基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化理論，在特征空間中建構(gòu)最優(yōu)分割超平面，使得學(xué)習(xí)器得到全局最優(yōu)化，基本原理如圖4。

圖4 SVM超平面圖

圖4中黑點(diǎn)和白點(diǎn)代表兩個(gè)類(lèi)別樣本，H表示超平面，H1，H2是平行于超平面的直線(xiàn)，分別表示兩個(gè)類(lèi)別中離超平面最近的樣本。H1與H2的距離稱(chēng)為分類(lèi)間隔（margin）。能將兩個(gè)類(lèi)別正確分開(kāi)，并使分類(lèi)間隔最大的平面即最優(yōu)分類(lèi)平面。SVM超平面可用方程表示為：H：ω·x+b=0，對(duì)于樣本(xi，yi)i=1，2，3…，n進(jìn)行最優(yōu)分類(lèi)超平面構(gòu)造，用如下規(guī)劃問(wèn)題表示：

sgn（·）代表一種符號(hào)函數(shù)，b表示閾值。

線(xiàn)性不可分的情況，一般進(jìn)行非線(xiàn)性變換，通過(guò)把樣本轉(zhuǎn)化為在高維特征空間使其線(xiàn)性可分。一般處理過(guò)程中采用核函數(shù)K（x，xi）來(lái)實(shí)現(xiàn)樣本變換，引入常數(shù)C（C＞0）使最優(yōu)分類(lèi)問(wèn)題轉(zhuǎn)化為二次規(guī)劃問(wèn)題：

在企業(yè)財(cái)務(wù)預(yù)警模型的應(yīng)用中，假設(shè)預(yù)警指標(biāo)有m個(gè)，即SVM的輸入為m維變量，判別企業(yè)是否危機(jī)的指標(biāo)為n個(gè)，即SVM的輸出為n維變量。取p個(gè)企業(yè)數(shù)據(jù)作為研究總體S= ｛xi，yi|i=1，2，3…，p）｝x∈Rm，y∈Rn。對(duì)于總體S，取出一部分作為訓(xùn)練數(shù)據(jù)，另一部分樣本作為驗(yàn)證數(shù)據(jù)。因此，企業(yè)財(cái)務(wù)預(yù)警問(wèn)題的本質(zhì)即針對(duì)訓(xùn)練樣本空間，尋求最優(yōu)分類(lèi)面，繼而確定核函數(shù)和參數(shù)，從而獲得問(wèn)題的決策函數(shù)。該決策函數(shù)的學(xué)習(xí)能力可以通過(guò)訓(xùn)練數(shù)據(jù)檢驗(yàn)，泛化預(yù)測(cè)能力一般根據(jù)驗(yàn)證數(shù)據(jù)檢驗(yàn)。在復(fù)雜社會(huì)環(huán)境中，企業(yè)與利益相關(guān)者形成了復(fù)雜的社會(huì)網(wǎng)絡(luò)，各者之間存在著各種各樣的關(guān)系，企業(yè)的物流、信息流和資金流等存在不確定性，種種因素決定了企業(yè)財(cái)務(wù)危機(jī)具有復(fù)雜性的特征。所以預(yù)測(cè)上市公司財(cái)務(wù)狀況模型的輸入變量，與預(yù)警輸出變量是非線(xiàn)性關(guān)系，因此引入滿(mǎn)核函數(shù)進(jìn)行非線(xiàn)性映射處理。通常而言，RBF核是合理的首選。這個(gè)核函數(shù)將樣本非線(xiàn)性地映射到一個(gè)更高維的空間，與線(xiàn)性核不同，它能夠處理分類(lèi)標(biāo)注和屬性的非線(xiàn)性關(guān)系。并且，線(xiàn)性核是RBF的一個(gè)特例（Keerthi and Lin 2003），因此，使用一個(gè)懲罰因子C的線(xiàn)性核與某些參數(shù)（C，γ）的RBF核具有相同的性能。同時(shí)，Sigmoid核的表現(xiàn)很像一定參數(shù)的RBF核（Lin and Link 2003）。RBF函數(shù)：通過(guò)選擇核函數(shù)和其他參數(shù)，經(jīng)過(guò)訓(xùn)練得到企業(yè)財(cái)務(wù)危機(jī)預(yù)警的非線(xiàn)性支持向量機(jī)模型，其決策函數(shù)為：

選擇SVM模型，以BP神經(jīng)網(wǎng)絡(luò)為對(duì)比對(duì)象，SVM具有一定的優(yōu)勢(shì)：首先，SVM無(wú)需考慮太多的參數(shù)，只有懲罰函數(shù)和核函數(shù)，而B(niǎo)P神經(jīng)網(wǎng)絡(luò)的控制參數(shù)較多。如隱藏層的數(shù)量、節(jié)點(diǎn)的數(shù)量、學(xué)習(xí)的速率等等，這些參數(shù)一般憑經(jīng)驗(yàn)選擇。獲得最優(yōu)預(yù)測(cè)效果的參數(shù)組合相對(duì)很困難。其次，支持向量機(jī)的學(xué)習(xí)訓(xùn)練，能夠保證獲得的全局的最優(yōu)解是唯一的。而B(niǎo)P神經(jīng)網(wǎng)絡(luò)，訓(xùn)練的結(jié)果無(wú)法確保唯一性。因此在比較不同指標(biāo)引入預(yù)測(cè)模型效果的時(shí)候，BP算法不易確定不同指標(biāo)對(duì)結(jié)果的影響。

（五）實(shí)證研究和結(jié)果分析

為了確保模型在應(yīng)用過(guò)程中有穩(wěn)定的預(yù)警能力和能夠滿(mǎn)足大數(shù)據(jù)的程序處理，對(duì)SVM所選擇的核函數(shù)處理非線(xiàn)性關(guān)系能力和SVM并行算法進(jìn)行測(cè)試。

在matlab環(huán)境中構(gòu)建具有非線(xiàn)性關(guān)系的散點(diǎn)如圖5，其中可以看到兩種類(lèi)型的散點(diǎn)各900個(gè)，由于目標(biāo)是測(cè)試核函數(shù)在支持向量機(jī)中的有效性，所以在選擇散點(diǎn)時(shí)，無(wú)需考慮散點(diǎn)的具體含義，即這些散點(diǎn)沒(méi)有具體的經(jīng)濟(jì)意義，但從散點(diǎn)分布上可以看出具備一定的非線(xiàn)性可區(qū)別關(guān)系。

SVM選擇RBF核函數(shù)，其中C=1，sigma=0.1，對(duì)上述散點(diǎn)進(jìn)行分類(lèi)，即利用SVM對(duì)散點(diǎn)進(jìn)行邊緣劃線(xiàn)區(qū)分，分類(lèi)結(jié)果如圖6所示。從圖中可以直觀看出，選擇RBF核函數(shù)，雖然邊緣附近有一些區(qū)分誤差，但總體上可以對(duì)具有非線(xiàn)性區(qū)別關(guān)系的變量進(jìn)行很好的區(qū)分，因此該核函數(shù)應(yīng)該能夠滿(mǎn)足引入大數(shù)據(jù)指標(biāo)的財(cái)務(wù)預(yù)警模型應(yīng)用。

圖5 隨機(jī)散點(diǎn)圖

圖6 SVM分類(lèi)結(jié)果圖

將相關(guān)指標(biāo)具體數(shù)值引入模型，通過(guò)SVM模型得到的結(jié)果如表8以及圖7所示。

表8 效果對(duì)比情況

從圖7中左圖可以看出，當(dāng)采用財(cái)務(wù)指標(biāo)進(jìn)行財(cái)務(wù)預(yù)測(cè)時(shí)，根據(jù)t-3年的數(shù)據(jù)，正常企業(yè)中有8個(gè)被誤判，判正率達(dá)到63%，ST企業(yè)中有2個(gè)被誤判，判正率達(dá)到81%。通過(guò)圖7中右圖可以看出，采用融入積極情緒的指標(biāo)進(jìn)行預(yù)測(cè)時(shí)，根據(jù)t-3年的數(shù)據(jù)，正常企業(yè)中有5個(gè)被誤判，判正率達(dá)到77%，ST企業(yè)中有2個(gè)被誤判，判正率達(dá)到81%。

圖7 t-3年效果比較

從圖8中左圖看出，采用財(cái)務(wù)指標(biāo)進(jìn)行預(yù)測(cè)，根據(jù)t-2年的數(shù)據(jù)，正常企業(yè)中有2個(gè)被誤判，判正率達(dá)到90%，ST企業(yè)中有1個(gè)被誤判，判正率達(dá)到90%。通過(guò)圖8右圖可以看出，采用融入積極情緒的指標(biāo)進(jìn)行預(yù)測(cè)時(shí)，根據(jù)t-2年的數(shù)據(jù)，正常企業(yè)的判正率達(dá)到95%，ST企業(yè)的判正率達(dá)到90%。

圖8 t-2年效果比較

雖然中性情緒、負(fù)面情緒和交互情緒指標(biāo)都不顯著，但有一定現(xiàn)實(shí)意義，因此逐個(gè)帶入t-2年模型，中性情緒和負(fù)面情緒對(duì)已經(jīng)加入大數(shù)據(jù)指標(biāo)的模型沒(méi)有影響，結(jié)果發(fā)現(xiàn)交互情緒對(duì)已經(jīng)引入大數(shù)據(jù)指標(biāo)的模型預(yù)警效果有所提高，如表9。

表9 效果對(duì)比表

從圖9（詳見(jiàn)下頁(yè)）左圖可以看出，正常企業(yè)的判正率達(dá)到95%，ST企業(yè)的判正率達(dá)到90%，當(dāng)加入交互情緒指標(biāo)后，正常企業(yè)的判正率沒(méi)有變化，ST企業(yè)的判正率達(dá)到100%。大數(shù)據(jù)模型在預(yù)測(cè)有效度上有很大程度的提高，在實(shí)驗(yàn)樣本中T-2期和T-3期的判正率均比財(cái)務(wù)指標(biāo)模型要高一些。針對(duì)實(shí)驗(yàn)樣本來(lái)說(shuō)，T-3期的大數(shù)據(jù)指標(biāo)引入的影響更大一些，T-2期的大數(shù)據(jù)指標(biāo)引入的影響就逐漸變小。這說(shuō)明，引入大數(shù)據(jù)指標(biāo)的預(yù)測(cè)模型在中短期內(nèi)有一定程度的提高，同時(shí)在長(zhǎng)期預(yù)測(cè)能力方面，明顯高于財(cái)務(wù)指標(biāo)模型。

五、結(jié)論

本文以網(wǎng)民為企業(yè)傳感器，利用網(wǎng)絡(luò)在線(xiàn)的大數(shù)據(jù)信息，依靠大數(shù)據(jù)涵蓋范圍廣泛、體現(xiàn)群體智慧和不易被修改的特點(diǎn)，引入了大數(shù)據(jù)指標(biāo)建立財(cái)務(wù)預(yù)警模型。通過(guò)對(duì)2012、2013年60家企業(yè)進(jìn)行全網(wǎng)信息的過(guò)濾和爬取，進(jìn)行了企業(yè)相關(guān)大數(shù)據(jù)信息指標(biāo)的整理，通過(guò)與財(cái)務(wù)指標(biāo)的結(jié)合，對(duì)研究假設(shè)進(jìn)行實(shí)際數(shù)據(jù)驗(yàn)證，發(fā)現(xiàn)引入大數(shù)據(jù)指標(biāo)的財(cái)務(wù)預(yù)警模型，相對(duì)財(cái)務(wù)指標(biāo)預(yù)警模型，在短期內(nèi)對(duì)預(yù)測(cè)效果有一定提高，從長(zhǎng)期來(lái)看，對(duì)預(yù)測(cè)效果有明顯提高，大數(shù)據(jù)指標(biāo)在誤警率和漏警率上比財(cái)務(wù)指標(biāo)表現(xiàn)明顯要好，從而驗(yàn)證了在復(fù)雜社會(huì)環(huán)境中，依靠大數(shù)據(jù)技術(shù)加強(qiáng)信息搜尋是提高財(cái)務(wù)預(yù)警有效性的重要路徑這一觀點(diǎn)。

圖9 t-2年含交互情緒比較