王秋瑋

摘要：目前，經(jīng)濟(jì)發(fā)展形勢(shì)發(fā)生重大變化，企業(yè)因陷入財(cái)務(wù)困境面臨經(jīng)營(yíng)危機(jī)乃至破產(chǎn)清算的風(fēng)險(xiǎn)大大增加。本文構(gòu)建融合ARTXP算法與ARIMA算法的時(shí)間序列預(yù)測(cè)模型對(duì)26家ST公司開(kāi)展實(shí)證研究，結(jié)果發(fā)現(xiàn)：融合了兩類(lèi)算法的時(shí)序預(yù)測(cè)模型對(duì)影響ST公司財(cái)務(wù)困境程度的關(guān)鍵財(cái)務(wù)指標(biāo)具有良好的預(yù)測(cè)效果。

關(guān)鍵詞：財(cái)務(wù)困境；時(shí)序預(yù)測(cè)模型；財(cái)務(wù)指標(biāo)

目前我國(guó)經(jīng)濟(jì)改革已經(jīng)進(jìn)入攻堅(jiān)階段。ST公司是已經(jīng)面臨經(jīng)營(yíng)危機(jī)，陷入財(cái)務(wù)困境而被“特別處理”的上市公司，其未來(lái)的財(cái)務(wù)狀況是各方利益相關(guān)者關(guān)注的焦點(diǎn)。ST公司財(cái)務(wù)困境程度的變化具體體現(xiàn)在某些關(guān)鍵財(cái)務(wù)指標(biāo)的變化上，可以通過(guò)分析這些財(cái)務(wù)指標(biāo)的預(yù)測(cè)值來(lái)判斷公司未來(lái)的財(cái)務(wù)困境情況。所以在ST公司財(cái)務(wù)困境進(jìn)一步惡化前，運(yùn)用時(shí)序預(yù)測(cè)模型對(duì)企業(yè)財(cái)務(wù)狀況的變化提前預(yù)警，企業(yè)的管理者及其投資者可以針對(duì)關(guān)鍵財(cái)務(wù)指標(biāo)及時(shí)采取適當(dāng)?shù)拇胧╊A(yù)防、規(guī)避、擺脫財(cái)務(wù)困境，進(jìn)而使企業(yè)跟上我國(guó)經(jīng)濟(jì)改革的步伐。

本文使用 SQL Server 2012 中Microsoft 時(shí)序算法構(gòu)建時(shí)序預(yù)測(cè)模型。Microsoft 時(shí)序算法包括ARTXP算法和ARIMA算法，前者針對(duì)短期預(yù)測(cè)進(jìn)行了優(yōu)化，后者針對(duì)長(zhǎng)期預(yù)測(cè)進(jìn)行了優(yōu)化。在SQL Sever 2012中可以通過(guò)自定義Analysis Services將ARIMA和ARTXP算法混合構(gòu)建時(shí)序預(yù)測(cè)模型。兩種算法混合的起點(diǎn)和權(quán)重大小變化的速率是通過(guò)設(shè)置PREDICTION_SMOOTHING參數(shù)來(lái)控制的。

1.融合ARTXP算法和ARIMA算法的時(shí)序模型實(shí)證

首先，選擇萬(wàn)得數(shù)據(jù)庫(kù)中滬、深兩市26家ST上市公司2012-2015年財(cái)報(bào)面板數(shù)據(jù)為研究對(duì)象。在進(jìn)行財(cái)務(wù)預(yù)警之前先建立一套財(cái)務(wù)預(yù)警指標(biāo)體系，然后使用分層聚類(lèi)對(duì)該體系中的指標(biāo)進(jìn)行分類(lèi)，再使用相關(guān)性分析剔除相關(guān)性較高的指標(biāo)。第二步，根據(jù)周首華基于Altman的Z-Score模型基礎(chǔ)上提出的F-Score模型計(jì)算出2012年樣本ST企業(yè)的F值，并根據(jù)F值臨界點(diǎn)0.0274將企業(yè)的財(cái)務(wù)困境程度區(qū)分為“重度困境”和“輕度困境”。第三步，使用SPSS modeler中的C5.0決策樹(shù)算法構(gòu)建決策樹(shù)模型對(duì)第二步驟中的財(cái)務(wù)狀況判斷結(jié)果進(jìn)行檢驗(yàn)分析。找尋能夠?qū)颖菊_分類(lèi)的分枝準(zhǔn)則和關(guān)鍵節(jié)點(diǎn)，從而確定能對(duì)公司財(cái)務(wù)困境程度進(jìn)行判斷的關(guān)鍵財(cái)務(wù)指標(biāo)。第四步，結(jié)合決策樹(shù)的判斷規(guī)則和2013-2015年樣本ST公司關(guān)鍵財(cái)務(wù)指標(biāo)數(shù)值的大小，對(duì)2013-2015年ST公司的財(cái)務(wù)困境程度做出判斷。采用SPSS modeler的“分區(qū)”節(jié)點(diǎn)將2013-2015年的關(guān)鍵財(cái)務(wù)指標(biāo)數(shù)據(jù)分為訓(xùn)練組和測(cè)試組，最后采用“分析”節(jié)點(diǎn)對(duì)訓(xùn)練組、測(cè)試組模型執(zhí)行結(jié)果進(jìn)行分析，證明關(guān)鍵指標(biāo)的波動(dòng)將嚴(yán)重影響并決定企業(yè)的風(fēng)險(xiǎn)程度。執(zhí)行結(jié)果如表1所示。

如上表所示，四個(gè)獨(dú)立樣本T檢驗(yàn)結(jié)果中的F統(tǒng)計(jì)量的值分別是0.697、0.830、0.566和1.064，對(duì)應(yīng)的置信水平分別是0.408、0.367、0.456和0.307，均大于5%，這說(shuō)明實(shí)際值和預(yù)測(cè)值方差之間不存在顯著差別，所以采用的方法是兩樣本等方差T檢驗(yàn)。4個(gè)獨(dú)立樣本T檢驗(yàn)中的臨界置信水平分別是0.680、0.621、0.979、0.531，均大于5%。這說(shuō)明四個(gè)關(guān)鍵財(cái)務(wù)指標(biāo)的預(yù)測(cè)值和實(shí)際值沒(méi)有顯著差別。結(jié)合決策樹(shù)模型的判別規(guī)則和關(guān)鍵財(cái)務(wù)指標(biāo)的預(yù)測(cè)值判斷企業(yè)財(cái)務(wù)困境程度，再與企業(yè)2016年第3季度的實(shí)際財(cái)務(wù)困境情況進(jìn)行對(duì)比。得到：2016年第3季度26家樣本ST公司財(cái)務(wù)困境程度預(yù)測(cè)正確22家，預(yù)測(cè)錯(cuò)誤4家，準(zhǔn)確率達(dá)84.6%，準(zhǔn)確率比較理想。

2.總結(jié)與討論

研究發(fā)現(xiàn)，存貨周轉(zhuǎn)率、固定資產(chǎn)周轉(zhuǎn)率、資產(chǎn)負(fù)債率、總資產(chǎn)增長(zhǎng)率4項(xiàng)財(cái)務(wù)指標(biāo)對(duì)ST公司的財(cái)務(wù)困境程度起到關(guān)鍵作用，它們的波動(dòng)嚴(yán)重影響并決定企業(yè)的財(cái)務(wù)困境程度。相比于傳統(tǒng)的財(cái)務(wù)困境預(yù)警方法，融合了ARTXP算法和ARIMA算法的時(shí)間序列模型對(duì)數(shù)據(jù)的要求不高，但是數(shù)據(jù)處理速度快，預(yù)測(cè)準(zhǔn)確率較理想。因此該方法可以幫助陷入財(cái)務(wù)困境企業(yè)的管理者和投資者對(duì)公司財(cái)務(wù)困境程度進(jìn)行預(yù)測(cè)，并采取有針對(duì)性的措施幫助企業(yè)降低困境程度進(jìn)而擺脫困境。但是時(shí)序預(yù)測(cè)模型僅僅是根據(jù)財(cái)務(wù)指標(biāo)的時(shí)間序列進(jìn)行預(yù)測(cè)和分析，并沒(méi)有考慮代表公司治理情況的公司董事會(huì)結(jié)構(gòu)、股權(quán)結(jié)構(gòu)和管理者激勵(lì)等方面非財(cái)務(wù)指標(biāo)。下一步研究將把非財(cái)務(wù)因素考慮在內(nèi)并增加樣本企業(yè)的數(shù)量，進(jìn)而完善財(cái)務(wù)困境預(yù)警體系，提高預(yù)測(cè)的精確度。

參考文獻(xiàn)：

[1]李艷玲，宋喜蓮.基于數(shù)據(jù)挖掘的上市公司財(cái)務(wù)危機(jī)預(yù)警研究[J].沈陽(yáng)師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2014，32（2）： 267-272.

[2]李榮麗.基于數(shù)據(jù)挖掘的企業(yè)財(cái)務(wù)診斷研究[D].廣西大學(xué)，2013.

[3]李盈，鄧尚民，莊新磊.財(cái)務(wù)困境預(yù)測(cè)項(xiàng)目的Clementine數(shù)據(jù)流構(gòu)建研究[J].財(cái)會(huì)月刊，2009（06）： 103-105.