葛新旗　周虹

摘要：本文利用相關(guān)財務(wù)危機(jī)理論建立影響上市公司財務(wù)危機(jī)的指標(biāo)體系，通過粗集理論對這些指標(biāo)進(jìn)行約簡獲得核心指標(biāo)，再利用支持向量機(jī)對核心指標(biāo)建模得到企業(yè)財務(wù)危機(jī)預(yù)警模型，并運用到未來三年的財務(wù)危機(jī)預(yù)測當(dāng)中。實證分析表明，本模型前兩年的綜合預(yù)警準(zhǔn)確率達(dá)90%以上，證明了該模型有較強(qiáng)的預(yù)測能力。從財務(wù)危機(jī)預(yù)警結(jié)果來看，與傳統(tǒng)SVM方法相比，粗集及遺傳算法的引入不僅能夠提高預(yù)警效率，而且能夠提高預(yù)測精度，與實際企業(yè)財務(wù)情況基本一致。實際應(yīng)用表明，在企業(yè)財務(wù)危機(jī)預(yù)警建模中，粗集理論的約簡和遺傳支持向量機(jī)方法的實施充分利用了樣本數(shù)據(jù)本身特點，并為后續(xù)的優(yōu)異預(yù)警結(jié)果提供良好地理論基礎(chǔ)。

關(guān)鍵詞：制造業(yè)上市公司；財務(wù)危機(jī)預(yù)警；粗集；遺傳算法；支持向量機(jī)

中圖分類號：F275文獻(xiàn)標(biāo)識碼：A

一、引言

任何公司財務(wù)危機(jī)的發(fā)生都不是一個突發(fā)事情，而是一個逐步顯現(xiàn)、不斷惡化的過程，具有一定程度的積累性和先兆性等特征。由于企業(yè)財務(wù)危機(jī)的這種可預(yù)知和可預(yù)測的，需要實時建立一個財務(wù)危機(jī)預(yù)警系統(tǒng)，對企業(yè)的財務(wù)狀態(tài)進(jìn)行實時跟蹤和分析，提早發(fā)出危機(jī)預(yù)警信息，從而提早做相應(yīng)準(zhǔn)備或采取相應(yīng)措施，以減少甚至避免相應(yīng)損失。

當(dāng)企業(yè)經(jīng)營者由于經(jīng)營不善或其它客觀原因使得企業(yè)財務(wù)不能正常運轉(zhuǎn)的一種持續(xù)性狀態(tài)時，我們稱之為財務(wù)危機(jī)。Beaver[1]最早把財務(wù)困境概念定義為企業(yè)不能償付到期債務(wù)。財務(wù)危機(jī)預(yù)警主要是通過分析公司相關(guān)財務(wù)數(shù)據(jù)，從分析結(jié)果判定其陷入財務(wù)危機(jī)的某些本身所固有的特性或先兆，再通過相關(guān)理論對財務(wù)數(shù)據(jù)進(jìn)行分析，從而建立財務(wù)危機(jī)預(yù)警模型，以期達(dá)到預(yù)警或防范作用。到目前為止，相關(guān)學(xué)者仍未尋找到財務(wù)危機(jī)發(fā)生所固有的特性或先兆，故通過建立財務(wù)預(yù)警模型來對相關(guān)公司在未來一段時間內(nèi)的財務(wù)危機(jī)情況進(jìn)行適度預(yù)警，不失為一個較好的解決方案或技術(shù)途徑。

財務(wù)預(yù)警研究內(nèi)容或方法一般分為以下兩方面：一是從單變量數(shù)據(jù)分析模型到多變量數(shù)據(jù)分析模型；二是從傳統(tǒng)統(tǒng)計分析方法到人工智能方法。Fitzpatrick[2]在1932年利用單個財務(wù)比率模型對19家選取樣本進(jìn)行判定，發(fā)現(xiàn)凈利潤/股東權(quán)益和股東權(quán)益/負(fù)債能夠較好地判別。單變量分析模型可以對企業(yè)財務(wù)情況進(jìn)行預(yù)測，其過程也比較簡單，但其預(yù)警效果不是很好，預(yù)測準(zhǔn)確率也不高。這是因為實際企業(yè)的財務(wù)狀況一般是由多種因素決定，故從原理上來說，利用單變量模型對企業(yè)財務(wù)狀況進(jìn)行預(yù)警是不夠合理的。于是相關(guān)學(xué)者試圖通過構(gòu)建多因素或多變量數(shù)據(jù)分析模型來解決這一問題。Altman在[3]1968年利用多變量數(shù)據(jù)模型對企業(yè)財務(wù)危機(jī)進(jìn)行預(yù)警，通過選取33家破產(chǎn)企業(yè)及與其配對的企業(yè)進(jìn)行分析，結(jié)果表明此模型具有較高的預(yù)警能力。盡管此后該模型被廣泛運用到財務(wù)危機(jī)預(yù)警領(lǐng)域，但由于此模型的建立是需要諸多假設(shè)條件，而實際當(dāng)中企業(yè)可能不能滿足的條件，故其合理性、實用性及科學(xué)性不能得到很好保證[4]。而后相關(guān)學(xué)者嘗試?yán)媒y(tǒng)計方法對財務(wù)危機(jī)領(lǐng)域進(jìn)行研究。Ohlson[5]于1980年提出利用概率模型來對企業(yè)財務(wù)危機(jī)進(jìn)行預(yù)警，他針對1970-1976年造業(yè)上市公司的財務(wù)數(shù)據(jù)進(jìn)行梳理，選取106家破產(chǎn)公司及2000多家健康公司作為實驗樣本，采用財務(wù)比率來建立Logit模型。研究表明，預(yù)測精度較高，實際效果較為理想。但Logistic回歸模型本身在各變量權(quán)重確定問題上未得到較好解決。故Jones[6]在2004年首次建立混合Logistic回歸模型來解決這一問題，并應(yīng)用到公司財務(wù)危機(jī)預(yù)警當(dāng)中。盡管混合Logistic回歸模型預(yù)測精度較高，也無需較為苛刻的假設(shè)條件，但需要大量樣本進(jìn)行訓(xùn)練來建立相應(yīng)預(yù)警模型，這樣才能取得較好地預(yù)警效果，可實際公司財務(wù)數(shù)據(jù)往往不能滿足這一條件。由于這一新問題的出現(xiàn)，使得很多學(xué)者將解決這一問題的希望轉(zhuǎn)移到具有智能特性的人工智能方法上，如人工神經(jīng)網(wǎng)絡(luò)方法（Artificial Neural Net Work，簡稱ANN模型）和支持向量機(jī)（Support Vector Machine， 簡稱SVM）。人工神經(jīng)網(wǎng)絡(luò)不僅能夠克服傳統(tǒng)統(tǒng)計方法的局限，還具有較好的模式識別能力。Sharda[4]于1990年首次對選取的樣本企業(yè)利用神經(jīng)網(wǎng)絡(luò)方法進(jìn)行財務(wù)危機(jī)預(yù)警。研究表明，利用神經(jīng)網(wǎng)絡(luò)方法構(gòu)建的預(yù)警模型對檢驗樣本的預(yù)測正確率可達(dá)79%，相對于傳統(tǒng)方法所建立的預(yù)測模型具有明顯優(yōu)勢，但其訓(xùn)練過程中權(quán)重確定問題未得到有效解決。于是，周敏[7]于2002年建立了模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)模型相結(jié)合的財務(wù)危機(jī)預(yù)警方法。實證分析表明，該模型較傳統(tǒng)的判別分析等單一預(yù)警方法具有更大優(yōu)勢。由于僅采用單一方法對企業(yè)財務(wù)情況進(jìn)行預(yù)測，往往由于單一方法自身的缺陷，使得所建立模型的預(yù)測能力十分有限。還有許多學(xué)者利用多種方法相結(jié)合來構(gòu)建預(yù)警模型，以期解決這一問題。如郭德仁[8]于2009年利用模糊聚類和模糊模式識別方法相結(jié)合來對企業(yè)財務(wù)危機(jī)進(jìn)行預(yù)警。該模型首先對訓(xùn)練樣本進(jìn)行聚類，得到最優(yōu)聚類中心，再對待分類模型進(jìn)行模糊模式識別。結(jié)果表明，該模型預(yù)測正確率可達(dá)85%。Javier[9]在2011年提出用多元回歸和均值聚類方法對企業(yè)財務(wù)危機(jī)進(jìn)行預(yù)警，實證分析表明該模型預(yù)測效果良好?？梢钥闯觯窠?jīng)網(wǎng)絡(luò)自身及其與其它方法相結(jié)合的財務(wù)情況預(yù)警模型對上市公司財務(wù)危機(jī)預(yù)測中具有較大推廣和應(yīng)用價值?？缮窠?jīng)網(wǎng)絡(luò)方法本身具有拓?fù)浣Y(jié)構(gòu)的確定沒有規(guī)范的方法、要求大樣本、缺乏完備的理論基礎(chǔ)等缺陷，其存在一定局限性。隨著Vapnik[10]提出統(tǒng)計學(xué)習(xí)理論，這一問題能夠得到較好解決，并且基于統(tǒng)計學(xué)習(xí)理論的支持，向量機(jī)在20世紀(jì)末被用于財務(wù)危機(jī)預(yù)警研究，并以其理論的優(yōu)越性和預(yù)測的準(zhǔn)確性倍受關(guān)注。Schaafer[11]于2000年首次將此方法引入財務(wù)危機(jī)預(yù)警當(dāng)中，并與其他方法進(jìn)行對比，結(jié)果表明此方法預(yù)警結(jié)果最優(yōu)。宋姣[12]2007年選取上交所和深交所的86家ST上市公司及100家非ST上市公司作為樣本，利用支持向量機(jī)模型對已經(jīng)公布的財務(wù)數(shù)據(jù)進(jìn)行實證分析，分別提前一年、兩年、三年對企業(yè)財務(wù)危機(jī)情況進(jìn)行預(yù)測，其預(yù)測正確率分別為9355%、8548%和7167%。

從上述實證分析表明，支持向量機(jī)在財務(wù)危機(jī)預(yù)警的應(yīng)用中顯示了更優(yōu)越的性能。利用人工智能方法對企業(yè)財務(wù)危機(jī)進(jìn)行預(yù)警尚處于發(fā)展階段，需深入進(jìn)行探索和研究，尤其是模型相關(guān)參數(shù)進(jìn)行尋優(yōu)方法方面更需深入探索和研究。與此同時，影響企業(yè)財務(wù)指標(biāo)的因素很多，有些影響較大，有些基本沒什么影響，但人為無法對此進(jìn)行區(qū)分會增加模型的計算復(fù)雜度和計算效率，客觀上影響了企業(yè)財務(wù)危機(jī)預(yù)測水平。鑒于此，本文提出一種基于粗集理論與遺傳支持向量算法相結(jié)合并應(yīng)用到制造業(yè)上市公司財務(wù)危機(jī)預(yù)測預(yù)警的新方法。該方法的基本內(nèi)容如下：首先通過粗集理論對影響企業(yè)財務(wù)危機(jī)所有指標(biāo)所建立的指標(biāo)體系進(jìn)行約簡，約簡后得到核心影響因素，再運用支持向量機(jī)對約簡得到的核心指標(biāo)進(jìn)行建模訓(xùn)練，建立企業(yè)財務(wù)危機(jī)支持向量機(jī)預(yù)警模型，訓(xùn)練過程中相關(guān)參數(shù)通過遺傳算法尋優(yōu)得到，利用此算法建立的預(yù)警模型進(jìn)行預(yù)測，完全能夠滿足企業(yè)實際財務(wù)危機(jī)分析需要。

二、粗集理論

ZPawlak于20世紀(jì)80年代提出粗集理論，用來處理模糊、不確定的分析方法。通過該理論可以從數(shù)據(jù)當(dāng)中發(fā)現(xiàn)隱含的信息及知識，嘗試去探尋和揭示蘊(yùn)含在數(shù)據(jù)當(dāng)中的規(guī)則和規(guī)律[13]。

（一）基本概念

1.論域。我們把研究對象組成的集合U稱之為論域，記做U={x1，x2，…，xn}，其中xi是第i個對象。目的是要把不同的對象區(qū)分開，即在知識R下把論域U劃分為不同的等價類。劃分的根據(jù)是能夠反映對象不同特征的屬性集R，一般稱為等價關(guān)系R，也稱R為知識。

（三）決策規(guī)則約簡

信息系統(tǒng)S={U，A}利用最少屬性集能提供與原屬性集A同樣多信息的方法來進(jìn)行約簡，有下面相同的等價類族：

U/A-{a}=U/A（7）

對于決策表T=（U，A=C∪D）來說。決策表可以通過以下兩個步驟進(jìn)行約簡：

1.屬性約簡。它等價于從決策表中消去一些不必要的列，從決策表中，將條件屬性C中屬性逐個移去，每移去一個屬性即刻檢查其決策表，如果不出現(xiàn)新的不一致則該屬性是可以被約去的；反之，該屬性不能被約去。

2.屬性值約簡。設(shè)T=（U，C∪D）是一致性決策表，PC是C的D約簡。值約簡是針對相對約簡P而言的。決策表上一條決策規(guī)則的條件屬性值可以被約去，仍然保持該條規(guī)則的一致性。

約簡算法的步驟為：（1）約簡屬性集；（2）屬性值約簡；（3）從算法中約簡掉所有冗余指標(biāo)。

三、支持向量機(jī)算法

支持向量機(jī)方法是基于結(jié)構(gòu)化風(fēng)險提出的，最先提出是為了解決分類問題，在本文中主要用來對訓(xùn)練相關(guān)財務(wù)危機(jī)數(shù)據(jù)，得到分類模型，再對檢驗樣本進(jìn)行分類，得到相應(yīng)預(yù)警信息。

四、基于粗集與遺傳支持向量機(jī)的制造業(yè)上市公司財務(wù)危機(jī)預(yù)警模型

Rough Set理論在不利用先驗知識前提下，僅根據(jù)觀測得到的數(shù)據(jù)信息來刪除冗余信息。本文嘗試通過粗糙集理論對制造業(yè)上市公司財務(wù)危機(jī)預(yù)警指標(biāo)體系進(jìn)行約簡，獲得核心影響因素，對財務(wù)危機(jī)預(yù)警問題具有很大的理論意義和現(xiàn)實意義，并為下一步的財務(wù)危機(jī)支持向量機(jī)預(yù)警模型的建立打下基礎(chǔ)。

而支持向量機(jī)模型在建模過程中具有自我調(diào)整學(xué)習(xí)樣本或訓(xùn)練樣本權(quán)重及閾值的功能，可其自動調(diào)整得到的相關(guān)參數(shù)不一定是全局最優(yōu)結(jié)果。因此，本文嘗試?yán)镁哂腥謱?yōu)能力的遺傳算法對這些參數(shù)進(jìn)行尋優(yōu)，以期得到全局最優(yōu)參數(shù)。

將粗集理論和支持向量機(jī)算法相結(jié)合來建立財務(wù)危機(jī)預(yù)警模型，可以將這兩種理論的優(yōu)點有機(jī)結(jié)合起來，利用粗集理論對原始數(shù)據(jù)進(jìn)行約簡處理，得到更為有效的原始數(shù)據(jù)，再利用具有良好泛化能力的支持向量機(jī)對這些數(shù)據(jù)進(jìn)行訓(xùn)練建模，這樣就可以更好地回避了這兩種方法本身所不完善之處，最大程度發(fā)揮各自優(yōu)勢和特性。這是因為通過粗集理論可以很好地在不需額外財務(wù)數(shù)據(jù)的基礎(chǔ)上就可提取財務(wù)數(shù)據(jù)本身特性，約簡掉冗余數(shù)據(jù)信息，得到核心影響因素，充分發(fā)揮粗集理論的數(shù)據(jù)預(yù)處理優(yōu)勢，為后續(xù)支持向量機(jī)建模提供客觀、可靠、準(zhǔn)確的信息來源。這是因為原始數(shù)據(jù)繁多會影響建模的復(fù)雜度及訓(xùn)練模型效率會得到大大降低，故預(yù)測精度及科學(xué)性將會隨之大幅提高?；谝陨详U述，本文將粗集與支持向量機(jī)算法有機(jī)融合起來，構(gòu)建企業(yè)財務(wù)危機(jī)預(yù)警模型，相應(yīng)流程如圖1所示。

基于粗集與遺傳支持向量機(jī)的中小板上市公司財務(wù)預(yù)警模型基本步驟如下：

1.為了更為有效地對制造業(yè)上市公司進(jìn)行財務(wù)預(yù)警，就要保證構(gòu)建的財務(wù)危機(jī)預(yù)警指標(biāo)體系的完整性及系統(tǒng)性，首先根據(jù)相應(yīng)財務(wù)危機(jī)理論建立一個全面、系統(tǒng)、廣泛的指標(biāo)體系，并結(jié)合影像公司財務(wù)危機(jī)的諸多因素進(jìn)行歸類，在此基礎(chǔ)上了解每一個影響因素與財務(wù)危機(jī)之間的對應(yīng)關(guān)系。

2.由于步驟1建立的財務(wù)預(yù)警指標(biāo)體系非常全面系統(tǒng)，但不是最合理的，此時利用粗集理論對預(yù)警指標(biāo)體系構(gòu)成的決策表進(jìn)行屬性約簡和屬性值約簡，可以得到這些預(yù)警指標(biāo)體系哪些是核心屬性，哪些是冗余屬性，鑒于屬性約簡及屬性值約簡算法較為復(fù)雜，本文采用MATLAB編程來進(jìn)行相應(yīng)約簡。此預(yù)警指標(biāo)體系通過粗集約簡掉冗余屬性，得到核心屬性，為步驟3利用支持向量機(jī)建模分類識別奠定了一個良好地基礎(chǔ)。

3.支持向量機(jī)對步驟2的財務(wù)數(shù)據(jù)進(jìn)行建模訓(xùn)練，直到訓(xùn)練模型達(dá)到事先設(shè)定的要求，建模過程中相關(guān)參數(shù)如松弛變量等通過遺傳算法尋優(yōu)得到最佳參數(shù)，具體流程如下[14]：（1）確定遺傳算法編碼方式；（2）生成初始種群；（3）計算全部染色體的適應(yīng)度函數(shù)f（xi），xi為種群中第i個染色體；（4）將所有染色體的適應(yīng)度值進(jìn)行累加sum=∑f（xi），同時記錄每一個染色體的中間累加值S-mid，其中S為總數(shù)目；（5）產(chǎn)生一個隨機(jī)數(shù)N，0

4.利用步驟3得到最終遺傳支持向量機(jī)預(yù)警模型對未來一段時間的財務(wù)數(shù)據(jù)進(jìn)行預(yù)警，得到此時間段的財務(wù)危機(jī)狀況。

通過以上四個步驟，就能夠得到制造業(yè)上市公司財務(wù)危機(jī)狀態(tài)的最終預(yù)警結(jié)果。

五、我國制造業(yè)上市公司財務(wù)危機(jī)預(yù)警實證分析

（一）樣本及指標(biāo)的選擇

1.樣本數(shù)據(jù)的選擇。根據(jù)馬若微的研究，在構(gòu)造上市公司財務(wù)危機(jī)預(yù)測模型時應(yīng)充分考慮行業(yè)類型和資產(chǎn)規(guī)模這兩個指標(biāo)的重要性[15]。本文選擇制造業(yè)上市公司作為財務(wù)危機(jī)預(yù)警的樣本公司，原因有兩點：（1）從公司數(shù)量和市值來看，制造業(yè)在我國經(jīng)濟(jì)發(fā)展中均占有重要地位；（2）與其他行業(yè)相比，制造業(yè)行業(yè)內(nèi)上市公司數(shù)量最多，次類行業(yè)數(shù)目較多，有利于數(shù)據(jù)搜集、比較各次類行業(yè)間的差異，研究行業(yè)類別對預(yù)警模型的影響。

本文將公司是否被ST作為陷入財務(wù)危機(jī)的標(biāo)識。在公司樣本上，由于我國1998年開始要求編制現(xiàn)金流量表，并于2001年對現(xiàn)金流量表進(jìn)行了修改，考慮到數(shù)據(jù)的可比性，同時為了更全面地利用公司陷入財務(wù)危機(jī)過程中各指標(biāo)的信息，本文搜集了2001-2011年的多個指標(biāo)的原始數(shù)據(jù)，并通過計算得到了最終所用指標(biāo)的數(shù)據(jù)。為了研究公司陷入財務(wù)危機(jī)前后各指標(biāo)的變化情況，剔除在此期間退市的公司和交易狀態(tài)為PT的公司。這樣一共得到163家制造業(yè)上市公司十年的平衡面板數(shù)據(jù)。

2.指標(biāo)選取原則。一個公司具有許多方面的特征，需要從不同的角度多方位地予以評價和衡量。財務(wù)危機(jī)預(yù)警也需要根據(jù)多方面的信息來衡量公司的財務(wù)狀況。根據(jù)公司的財務(wù)報告可以引申出許多財務(wù)指標(biāo)，并能得到股東、業(yè)務(wù)分布、審計信息、公司客戶等方面的非財務(wù)指標(biāo)。根據(jù)目前關(guān)于財務(wù)危機(jī)預(yù)警的研究來看，雖然可以找到相關(guān)理論解釋財務(wù)危機(jī)形成的原因以及公司陷入財務(wù)危機(jī)，但是關(guān)于如何確定財務(wù)危機(jī)預(yù)警模型的指標(biāo)體系，目前尚無定論。

從實證研究來看，指標(biāo)體系的選擇會對研究結(jié)果產(chǎn)生直接影響。本文認(rèn)為，財務(wù)危機(jī)預(yù)警指標(biāo)的選擇原則有以下五點。（1）相關(guān)性原則。即所選指標(biāo)必須與財務(wù)危機(jī)預(yù)警相關(guān)，在一定程度上能反映公司陷入財務(wù)危機(jī)的原因和過程，或者反映公司的財務(wù)狀況。（2）先兆性原則。財務(wù)危機(jī)預(yù)警研究的目的是為了在財務(wù)危機(jī)發(fā)生前警示公司利益相關(guān)者及時采取應(yīng)對措施，以盡可能地減少或規(guī)避損失。（3）系統(tǒng)性原則。（4）可獲得性原則。（5）成本效益原則。

3.指標(biāo)體系。評價企業(yè)的財務(wù)狀況一般可以從盈利能力、營運能力、成長能力、償債能力等多個方面來評價。本文在總結(jié)以往預(yù)警模型中顯著指標(biāo)的基礎(chǔ)上，選擇了34個財務(wù)指標(biāo)。另外，由于國內(nèi)學(xué)者關(guān)于財務(wù)危機(jī)預(yù)警的研究中很少使用非財務(wù)指標(biāo)，為了探討非財務(wù)指標(biāo)對預(yù)警模型判別準(zhǔn)確率的影響，根據(jù)上文的選取原則，選擇了9個非財務(wù)指標(biāo)。相關(guān)指標(biāo)如表1所示，力求通過初選指標(biāo)體系涵蓋充足的信息量，以便為后續(xù)財務(wù)預(yù)警模型的建立提供科學(xué)、合理的指標(biāo)體系。

（二）實證分析

1.均值差異性檢驗。為了分析兩類公司財務(wù)指標(biāo)均值是否存在顯著性差異，本文通過PASW180 軟件中的 Mann-Whitney U 非參數(shù)檢驗對指標(biāo)均值進(jìn)行差異性檢驗。由于 T 時期股票的交易狀態(tài)需要根據(jù)前一年的財務(wù)狀況確定，本文以T+1 期的股票交易狀態(tài)（0表示非 ST，1表示ST）為分組變量，對2001-2011年ST和非ST公司的指標(biāo)進(jìn)行了 Mann-Whitney U 檢驗，結(jié)果如表2所示。

根據(jù)表2，在1%顯著性水平下，財務(wù)指標(biāo)外都通過了Mann-hitney U檢驗，即ST與非 ST公司的指標(biāo)均值存在顯著差異。對股權(quán)結(jié)構(gòu)和其他虛擬變量的Mann-Whitney U 檢驗結(jié)果顯示：除行業(yè)虛擬變量和Herfindahl_5以外，其他指標(biāo)均在 5%顯著性水平下通過檢驗，這說明各個行業(yè)的公司都可能發(fā)生財務(wù)危機(jī)；ST與非ST公司的股權(quán)結(jié)構(gòu)、最終控制人類型和審計意見存在顯著差異。

通過 Mann-Whitney U 非參數(shù)檢驗和相關(guān)性分析，本文剔除在 5%顯著性水平上未通過這兩類檢驗的指標(biāo)，得到如表3所示的34個指標(biāo)用于財務(wù)危機(jī)預(yù)警建模和7個非財務(wù)危機(jī)預(yù)警建模。通過篩選的指標(biāo)從財務(wù)和非財務(wù)兩個方面反映了公司情況，體現(xiàn)了公司的盈利、營運、成長、償債能力，并涵蓋股權(quán)集中度、行業(yè)類型、審計意見、最終控制人信息，系統(tǒng)地反映了公司多方面的狀況。

2.粗集屬性約簡。首先對原始財務(wù)數(shù)據(jù)及非財務(wù)數(shù)據(jù)進(jìn)行預(yù)處理，使得各數(shù)據(jù)范圍均在0-1之間，并進(jìn)行離散化處理。再利用MATLAB粗集約簡程序?qū)@些數(shù)據(jù)進(jìn)行約簡。其中，代號表示公司，條件屬性集合由34個財務(wù)指標(biāo)和7個非財務(wù)指標(biāo)數(shù)據(jù)組成，決策屬性為具體財務(wù)狀況，相應(yīng)處理結(jié)果如表4所示。

通過已經(jīng)編寫好的屬性重要度程序進(jìn)行相應(yīng)運算，獲得約簡后的指標(biāo)體系各個屬性的重要度，約簡后的指標(biāo)體系重要度如表5所示。

約簡后的預(yù)警指標(biāo)體系仍然含有18個財務(wù)指標(biāo)和4個非財務(wù)指標(biāo)，這些指標(biāo)仍較為系統(tǒng)地覆蓋了如企業(yè)償債能力、盈利能力、資產(chǎn)管理能力及成長能力等方面。由于約簡后的財務(wù)數(shù)據(jù)量較少，但所蘊(yùn)含的信息量并未發(fā)生太大變化，故可用來作為異常支持向量機(jī)模型的輸入數(shù)據(jù)，這樣在構(gòu)建相應(yīng)預(yù)警模型時，就更為高效、合理及科學(xué)。從而可以避免因為輸入數(shù)據(jù)維度過多而導(dǎo)致模型訓(xùn)練效果下降，進(jìn)而影響財務(wù)危機(jī)預(yù)警效果。

3.支持向量機(jī)模型訓(xùn)練。遺傳支持向量機(jī)預(yù)警模型的輸入數(shù)據(jù)為接受外部數(shù)據(jù)的緩沖存儲器，支持向量機(jī)相關(guān)參數(shù)如松弛變量等可以通過遺傳算法進(jìn)行尋優(yōu)獲得，在本文中即為前述粗集約簡后獲得的18個財務(wù)指標(biāo)和4個非財務(wù)指標(biāo)。輸入數(shù)據(jù)中每行由363家公司數(shù)據(jù)組成，每列由18個財務(wù)指標(biāo)和4個非財務(wù)指標(biāo)標(biāo)準(zhǔn)化后數(shù)值構(gòu)成，預(yù)警值的每一列中1所在的行數(shù)代表該列公司是否為ST。

通過已經(jīng)建立的遺傳支持向量機(jī)預(yù)警模型對檢驗樣本分析，本文將選取前300個樣本作為學(xué)習(xí)和訓(xùn)練樣本，這300個樣本中25家被ST，275家沒有被ST。剩下的63個樣本公司作為檢驗樣本，其中ST樣本7個、非ST樣本56個。將訓(xùn)練樣本和檢驗樣本代入構(gòu)建好的遺傳支持向量機(jī)預(yù)警模型中，提前一年遺傳支持向量機(jī)預(yù)測結(jié)果與僅利用支持向量機(jī)建模預(yù)測對比結(jié)果如表6所示，提前兩年遺傳支持向量機(jī)預(yù)測結(jié)果與僅利用支持向量機(jī)建模預(yù)測對比結(jié)果如表7所示。

由表6可知，提前一年遺傳支持向量機(jī)財務(wù)危機(jī)預(yù)警模型檢驗樣本預(yù)測結(jié)果顯示，0 家被誤判，預(yù)測正確率為100% 。而利用支持向量機(jī)財務(wù)預(yù)警模型檢驗樣本預(yù)測結(jié)果顯示，56個非ST樣本中有2個被誤判為ST樣本，7個ST樣本中有1個被誤判為非ST樣本，預(yù)測正確率分別為964%和857%，綜合預(yù)測正確率為952%。通過表6還可以知道，僅僅利用支持向量機(jī)進(jìn)行建模預(yù)測，而不利用遺傳算法對建模過程中的相關(guān)參數(shù)進(jìn)行優(yōu)化，會使得預(yù)測正確率下降，換言之，沒有經(jīng)過遺傳算法尋優(yōu)的支持向量機(jī)模型預(yù)測極有可能已經(jīng)陷入局部最優(yōu)過程當(dāng)中。

由表7可知，提前兩年遺傳支持向量機(jī)財務(wù)危機(jī)預(yù)警模型檢驗樣本預(yù)測結(jié)果顯示，56個非ST樣本中有1個被誤判為ST樣本，7個ST樣本中沒有被誤判情況，預(yù)測正確率分別為982%和100%，綜合預(yù)測正確率為984%。而利用支持向量機(jī)財務(wù)預(yù)警模型檢驗樣本預(yù)測結(jié)果顯示，56個非ST樣本中有5個被誤判為ST樣本，7個ST樣本中有2個被誤判為非ST樣本，預(yù)測正確率分別為911%和714%，綜合預(yù)測正確率為889%。通過表7還可以知道，僅僅利用支持向量機(jī)進(jìn)行建模預(yù)測，而不利用遺傳算法對建模過程中的相關(guān)參數(shù)進(jìn)行優(yōu)化，會使得預(yù)測正確率從984%下降到889%。

對比表6及表7，可以知道，無論是遺傳支持向量機(jī)預(yù)測模型還是支持向量機(jī)預(yù)測模型，提前一年的財務(wù)危機(jī)預(yù)測正確率明顯高于提前兩年的財務(wù)危機(jī)預(yù)測正確率。這是因為訓(xùn)練數(shù)據(jù)來源越是靠近警情發(fā)生的年份，數(shù)據(jù)信息中所蘊(yùn)含的先兆信息就越多，也就越能夠準(zhǔn)確預(yù)測警情的發(fā)生。此外，不論是提前一年財務(wù)危機(jī)預(yù)測還是提前兩年財務(wù)危機(jī)預(yù)測，遺傳支持向量機(jī)模型預(yù)測正確率明顯高于支持向量機(jī)模型預(yù)測正確率，這是因為遺傳支持向量機(jī)建模過程中通過遺傳算法對相關(guān)參數(shù)進(jìn)行尋優(yōu)，從而使得最后建立的預(yù)測模型具有全局最優(yōu)特性，所以預(yù)測正確率更高。

六、結(jié)論

本文在總結(jié)已有財務(wù)危機(jī)預(yù)警文獻(xiàn)的基礎(chǔ)上，以上市公司被特別處理作為界定財務(wù)危機(jī)的標(biāo)準(zhǔn)，對制造業(yè)財務(wù)指標(biāo)和非財務(wù)指標(biāo)進(jìn)行了財務(wù)危機(jī)預(yù)警研究。在系統(tǒng)地確定初步指標(biāo)體系之后，應(yīng)用 Mann-Whitney U 非參數(shù)檢驗方法檢驗了ST公司和非ST公司各指標(biāo)均值的差異性，剔除了相關(guān)性較強(qiáng)的指標(biāo)，得到初步選取的財務(wù)危機(jī)預(yù)警指標(biāo)體系，再運用粗集理論約簡冗余指標(biāo)，獲得核心指標(biāo)作為粒遺傳支持向量機(jī)的輸入，分別構(gòu)建了提前一年、提前兩年的遺傳支持向量機(jī)財務(wù)危機(jī)預(yù)警模型，并與提前一年、提前兩年的支持向量機(jī)財務(wù)危機(jī)預(yù)警模型進(jìn)行對比分析。通過實證分析，可以得到以下結(jié)論：

1.運用粗集方法約簡得到財務(wù)危機(jī)預(yù)警指標(biāo)體系具有很好地有效性。本文通過對粗集的屬性重要度進(jìn)行深入研究，剔除屬性集中的冗余屬性，進(jìn)而對財務(wù)危機(jī)預(yù)警系統(tǒng)的原始指標(biāo)體系進(jìn)行有效約簡。

2.本文構(gòu)建的粗集-遺傳支持向量機(jī)制造業(yè)上市公司財務(wù)危機(jī)預(yù)警模型預(yù)測正確率要優(yōu)于粗集-支持向量機(jī)模型預(yù)測正確率，說明利用遺傳算法對支持向量機(jī)預(yù)警模型進(jìn)行尋優(yōu)操作是非常有必要的。

3.實證研究結(jié)果表明，利用相關(guān)數(shù)據(jù)對制造業(yè)上市公司提前1年的財務(wù)狀況預(yù)測效果要比提前2年的財務(wù)狀況預(yù)測效果要好。這是因為來源于警情發(fā)生附近的年份，其數(shù)據(jù)就蘊(yùn)含更多的先兆信息，也就能夠更好地預(yù)測出相應(yīng)警情的發(fā)生。

參考文獻(xiàn)：

[1]Beaver W H， Prices M. Financial rations and the prediction of failure[J].Journal of Accounting Research， 1968（6）：179-192.

[2]Fitzpatric. Acomparison of rations of successful industrial enterprises with those of failed firms[M].The accountants Publishing Company， 1932.

[3]Edward I. Altman. Financial Ratios， Discriminant Analysis and the Prediction of Corporate Bankruptcy[J].The Journal of Finance， 1968， 23：589-609.

[4]吳雯雯， 楊玉輝， 王家祥. 國內(nèi)外財務(wù)預(yù)警方法的研究綜述[J].黃河水利職業(yè)技術(shù)學(xué)院學(xué)報， 2006， 18（3）： 24-31.

[5]J. A. Ohlson. Financial ratios and probabilistic prediction of bankruptcy[J].Journal of Accounting Research， 1980（18）： 109-131.

[6]程曉娟.上市公司財務(wù)危機(jī)預(yù)警模型研究及實證分析[M].成都： 成都理工大學(xué)出版社.

[7]周敏， 王新宇. 基于模糊優(yōu)選和神經(jīng)網(wǎng)絡(luò)的企業(yè)財務(wù)危機(jī)預(yù)警[J]. 管理科學(xué)學(xué)報， 2002（5）： 86-90.

[8]郭德仁， 王培輝. 基于模糊聚類和模糊模式識別的財務(wù)預(yù)警[J]. 管理學(xué)報， 2009， 6（9）： 1194-1197.

[9]Javier De Andrés， Pedro Lorca， Francisco Javier de Cos Juez， Fernando Sánchez-Lasheras. Bankruptcy forecasting： A hybrid approach using Fuzzy c-means clustering and Multivariate Adaptive Regression Splines （MARS）[J].Expert Systems with Applications， 2011 （38）： 1866-1875.

[10]Vapnik V N. The nature of statistical learning theory[M].New York： Springer-Verlag，1995.

[11]龐素琳. 信用評價與股市預(yù)測模型研究及應(yīng)用——統(tǒng)計學(xué)、神經(jīng)網(wǎng)絡(luò)與支持向量機(jī)方法[M].北京：科學(xué)出版社，2005.

[12]宋姣. 基于支持向量機(jī)的上市公司財務(wù)危機(jī)預(yù)警實證研究[J].商場現(xiàn)代化， 2007（9）： 391-392.

[13]柯孔林，馮宗憲. 基于粗糙集與遺傳算法集成的企業(yè)短期貸款違約判別[J].系統(tǒng)工程理論與實踐，2008（4）：27-34.

[14]溫文波， 杜維.蟻群算法概述[J].控制系統(tǒng)， 2002（1）：19-22.

[15]馬若微. 基于RS與ANN的上市公司財務(wù)困境預(yù)測模型的實證研究[J].南開管理評論， 2006，9（3）：85-91.

Abstract：This paper builds the index system affecting financial crisis of listed companies with related theory， and reduces these indicators by rough set theory to get core indicators，then it uses SVM to model the core indicators to get the model of enterprise financial crisis warning， and uses it to predict the financial crisis in the next three years. The financial crisis warning results show， compared with the traditional SVM method， the introduction of rough sets and genetic algorithms not only can improve the efficiency of early warning， but also can improve the prediction accuracy， and this warning results are consistent with the actual financial situation of enterprises. Practical application shows that the enterprise financial crisis modeling， reduction and implementation support vector machine genetic rough set theory take full advantage of the characteristics of the sample data itself， which provides good theoretical basis for subsequent warning excellent results.

Key words：manufacturing industry listed companies； financial crisis warning； rough set； genetic algorithm； Support Vector Machine （SVM）；

（責(zé)任編輯：李江）