亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        制造業(yè)上市公司財務(wù)預(yù)警模型的構(gòu)建及比較

        2019-06-29 10:00:04彭三
        北方經(jīng)貿(mào) 2019年5期
        關(guān)鍵詞:財務(wù)預(yù)警決策樹

        彭三

        摘要:本文以制造業(yè)上市公司為研究主體,選取反映企業(yè)經(jīng)營成果和財務(wù)狀況等六大方面的財務(wù)指標(biāo)和審計意見等非財務(wù)指標(biāo),運用因子分析方法降低指標(biāo)之間的多重共線性,分別建立Logistic回歸和決策樹模型,最后運用ROC曲線來對模型的預(yù)測精度進行比較分析。研究發(fā)現(xiàn):從AUC的角度來看,Logistic回歸模型的預(yù)警能力要強于決策樹。但兩個模型的側(cè)重點不一,決策樹會更加的偏重于對企業(yè)財務(wù)經(jīng)營情況進行長遠(yuǎn)的預(yù)測,反映企業(yè)發(fā)生財務(wù)危機的內(nèi)在原因,而Logistic回歸模型則是直接的體現(xiàn)出企業(yè)發(fā)生財務(wù)危機后的結(jié)果,因此我們應(yīng)該根據(jù)不同的目的來選擇相應(yīng)的模型進行財務(wù)危機的預(yù)警分析。

        關(guān)鍵詞:財務(wù)預(yù)警;logistic回歸;決策樹;ROC曲線

        中圖分類號:F235 文獻標(biāo)識碼:A

        文章編號:1005-913X(2019)05-0095-04

        財務(wù)危機潛伏在企業(yè)的生產(chǎn)經(jīng)營當(dāng)中,無論是從投資者、債權(quán)人還是企業(yè)管理層以及其他相關(guān)利益者的角度來看,能夠提前預(yù)測企業(yè)是否面臨著財務(wù)危機的狀況,并且及時采取措施來解決公司的財務(wù)危機,都是有著十分重要的意義的,因此建立良好、有效的財務(wù)預(yù)警模型對企業(yè)的長遠(yuǎn)發(fā)展非常有利。傳統(tǒng)的財務(wù)預(yù)警模型中大多采用Logistic回歸模型,但是隨著互聯(lián)網(wǎng)和大數(shù)據(jù)的不斷發(fā)展,數(shù)據(jù)挖掘技術(shù)也不斷的完善,其中運用決策樹來進行模型研究的學(xué)者也不斷的增多,但是對于傳統(tǒng)的模型還是數(shù)據(jù)挖掘技術(shù)建立模型的優(yōu)劣一直尚在探索中,本文擬采用醫(yī)學(xué)上常用的分類預(yù)測ROC曲線來判斷究竟哪一種模型的分類效能會更佳。

        一、文獻綜述

        目前建立邏輯回歸模型的方法大致有兩種:傳統(tǒng)的統(tǒng)計分析方法和數(shù)據(jù)挖掘技術(shù)。在后續(xù)的研究中,也有的學(xué)者會對兩種模型的優(yōu)劣進行比較,其中涉及較多的就有Logical回歸模型和決策樹模型。

        (一)傳統(tǒng)的統(tǒng)計分析方法

        Ohlson(1980)第一次將Logical回歸模型運用于企業(yè)破產(chǎn)危機預(yù)警,研究發(fā)現(xiàn)其大大地提升了預(yù)警模型對企業(yè)財務(wù)危機判斷的準(zhǔn)確度。[1]國內(nèi)學(xué)者吳世農(nóng)等(2001)研究表明Logistic回歸模型判錯率只有6.47%。[2]隨著企業(yè)非財務(wù)信息披露的更加充分,并且非財務(wù)信息也能夠在某種程度上體現(xiàn)出企業(yè)的財務(wù)狀況和經(jīng)營成果的好壞,因此有的學(xué)者就通過豐富模型的指標(biāo)來建立模型并對其判別精度進行驗證。Altman(2015)等發(fā)現(xiàn)償債能力、行業(yè)風(fēng)險和付款行為等指標(biāo)是預(yù)測破產(chǎn)的重要因子,且結(jié)合財務(wù)和非財務(wù)變量能使結(jié)果更準(zhǔn)確。[3]Hui Hu(2015)綜合考慮財務(wù)變量、非財務(wù)變量建立模型,實證結(jié)果表明包含所有變量的預(yù)警模型準(zhǔn)確度比只包含一組或兩組變量的更高。[4]陳芳(2017)以中小企業(yè)上市公司作為研究主體,比較只含財務(wù)信息和同時包含財務(wù)與非財務(wù)信息的Logical回歸模型,發(fā)現(xiàn)后者預(yù)警能力相對于前者有所提升,且判別效果更佳。[5]因此,在變量的選取中不僅僅只關(guān)注其財務(wù)指標(biāo),同時也要將非財務(wù)信息納入考慮的范圍,提高模型的預(yù)測精準(zhǔn)度。在財務(wù)預(yù)警模型研究中傳統(tǒng)的模型有很多,但是運用的最廣泛的就是Logistic模型,并且從判別的精確度來看,以往的研究表明其預(yù)警效果可能會更佳,因此本文采用Logistic模型來進行分析。

        (二)數(shù)據(jù)挖掘技術(shù)

        數(shù)據(jù)挖掘技術(shù)作為一種比較新興的技術(shù),隨著大數(shù)據(jù)和云計算的不斷發(fā)展受到了更加廣泛的運用與發(fā)展。本文采用的數(shù)據(jù)挖掘方法主要涉及到分類和預(yù)測,其中決策樹是數(shù)據(jù)挖掘技術(shù)中運用最為廣泛的分類與預(yù)測算法之一,如模型圖1就是一顆完整的決策樹。數(shù)據(jù)挖掘技術(shù)的不斷的使用和完善,引發(fā)了部分研究財務(wù)預(yù)警模型方面的學(xué)者的關(guān)注,并嘗試將該技術(shù)運用于學(xué)術(shù)研究中。其中姚靠華等(2005)充分運用決策樹技術(shù)來判別企業(yè)的財務(wù)狀況就是一個典型的早期代表,研究結(jié)論很好的證實了該技術(shù)能夠運用于建立財務(wù)預(yù)警模型方面,且能達到不錯的預(yù)測效果。[6]李艷玲等(2014)研究結(jié)果表明數(shù)據(jù)挖掘方法的加入能夠使得的判斷正確率達到百分之八十。[7]由此可知:決策樹這一數(shù)據(jù)挖掘方法同樣能夠運用到財務(wù)預(yù)警的模型當(dāng)中。

        (三)傳統(tǒng)的統(tǒng)計分析方法與數(shù)據(jù)挖掘技術(shù)的比較

        劉旻等(2004)研究發(fā)現(xiàn)在傳統(tǒng)的統(tǒng)計方法中,相對于線性判別模型,Logistic回歸預(yù)測模型的財務(wù)危機預(yù)測效果略好一些。[8]王宗勝等(2015)對比分析了Logistic回歸和Fisher判別法的模型預(yù)測精度,發(fā)現(xiàn)前者要優(yōu)于后者。[9]鞏斌(2014)以卡方值是否大于伐值為判斷標(biāo)準(zhǔn)來獲取符合條件的變量指標(biāo)從而建立Logistic、決策樹和神經(jīng)網(wǎng)絡(luò)模型,并采用ROC曲線來分析模型判別企業(yè)是否發(fā)生財務(wù)危機的準(zhǔn)確率。[10]王冬燕(2014)分別采用Logistic模型和決策樹進行分類預(yù)測,運用ROC曲線對其分類效能進行比較分析,研究發(fā)現(xiàn)決策樹分類方法稍好于二元Logistic分類。[11]王藝等(2016)通過對Logistic、決策樹和BP神經(jīng)網(wǎng)絡(luò)三種模型的優(yōu)缺點和預(yù)警效果進行比較分析,發(fā)現(xiàn)決策樹和 BP神經(jīng)網(wǎng)絡(luò)的預(yù)警能力在中長期要強于Logistic回歸模型。[12]操瑋等(2018)從多源信息融合視角出發(fā)運用集成學(xué)習(xí)對不同預(yù)警模型的結(jié)果進行集成處理,采用ROC曲線等三種分類精度評估方法,結(jié)果表明融合多源信息的預(yù)警模型能提高預(yù)警準(zhǔn)確率。[13]

        (四)文獻簡評

        從以上的研究可以發(fā)現(xiàn)在模型的比較分析中,Logistic回歸模型和決策樹這兩種研究的最為廣泛,但是對于這兩者的比較分析中,我們發(fā)現(xiàn),雖然大多數(shù)學(xué)者如鞏斌(2014)在模型比較時會使用ROC曲線,解決共線性問題時采用的是卡方值和伐值的比較,但是并沒有對其預(yù)測精度進行比較。而王藝、姚正海(2016)在對變量的共線性處理時則采用的是因子分析,一種更常見的方法,并采用多個時間點運用三種模型進行分析,但是在模型精準(zhǔn)預(yù)測方法使用上沒有采用ROC曲線。因此采用ROC曲線進行模型精確度判斷的研究甚少,綜合以上研究,本文就是運用因子分析解決共線性問題,并且采用ROC曲線來深入分析不同模型的分類預(yù)測準(zhǔn)確率,同時在模型中加入了審計意見、代理水平以及治理結(jié)構(gòu)等非財務(wù)指標(biāo),提高模型預(yù)警功能。

        二、研究設(shè)計

        (一)研究樣本

        本文研究主體是2016-2018年的制造業(yè)上市公司,采用1:1配比原則隨機選取47家被ST公司以及財務(wù)正常公司為研究樣本。樣本選擇中,剔除了因財務(wù)作弊被ST的企業(yè),選取被ST前一年的數(shù)據(jù)為研究對象。根據(jù)前一年的財務(wù)數(shù)據(jù)來進行分析,建立財務(wù)預(yù)警模型,以此可以判別企業(yè)是否進入財務(wù)危機階段(即是否被特別處理)。本文從九個方面來收集數(shù)據(jù),計算出相應(yīng)的指標(biāo),作為反應(yīng)企業(yè)財務(wù)狀況的一個標(biāo)準(zhǔn)。具體指標(biāo)選取及其計算公式如表1、表2所示。

        (二)模型評估方法——ROC曲線

        ROC分析技術(shù)主要運用于分類算法的性能檢測,而Spackman是將ROC分析技術(shù)運用于機器學(xué)習(xí)領(lǐng)域中第一人,他闡述了ROC曲線的值估計和比較算法,其主要原理是采用二分思想將實例分成正類和負(fù)類,從實際與預(yù)測結(jié)果兩方面來分析,則會產(chǎn)生四種組合。第一類也就是真正類(TP),即一個實例實際和預(yù)測結(jié)果同時是正類;第二類為假正類(FP),實例實際是負(fù)類而預(yù)測結(jié)果為正類;第三類是稱之為真負(fù)類(TN),實例實際和預(yù)測結(jié)果同時為負(fù)類;第四類為假負(fù)類(FN),實例實際是正類而預(yù)測結(jié)果為負(fù)類。如果將其運用于財務(wù)狀況的分類,剛好可以將企業(yè)劃分為財務(wù)正常以及財務(wù)危機兩類。因此如果采用模型進行分類預(yù)測,則判斷的結(jié)果會相應(yīng)的產(chǎn)生以下四類, ST企業(yè)預(yù)測為ST企業(yè),非ST企業(yè)預(yù)測為ST企業(yè),非ST企業(yè)預(yù)測為非ST企業(yè),ST企業(yè)預(yù)測為非ST企業(yè)。ROC圖是以FP率(FP/N)為X軸,以TP率(TP/P)為Y軸的二維圖。其描繪了True Positive和False Positive之間的關(guān)系。在比較不同的財務(wù)預(yù)警模型的判別準(zhǔn)確度時只需要看其曲線所占的面積大小,大AUC(average under curve)預(yù)示具有比較好的預(yù)測性能。

        三、實證檢驗

        (一)顯著性檢驗

        進行顯著性分析之前,本文采用Kolmogorov-

        Smirnov對樣本進行正態(tài)分布檢驗,根據(jù)其判斷結(jié)果來選擇顯著性檢驗方法。該方法的原理是在置信區(qū)間為95%的情況下,若P值<0.05或者Z值>1.36,則認(rèn)為樣本總體不符合正態(tài)分布,研究顯示大部分指標(biāo)的P值都小于顯著性水平0.05,因此均不符合正態(tài)分布,P值和Z值的檢驗結(jié)果一致,本文采用Mann-Whitney U檢驗和Kolmogorov-Smirnov Z檢驗來進行顯著性檢驗,在顯著性水平0.05的情況下若P值小于0.05,則認(rèn)為這些變量具有顯著性,能夠用來區(qū)分被ST公司和財務(wù)正常公司。由表4可知:符合要求的指標(biāo)有18個,并且所有變量的M-W U及K-S Z檢驗結(jié)果一致,剔除A1、E1、E2、G1、G2。在接下來的分析中,將會采用剩余財務(wù)比率用來建立預(yù)警模型。如表3顯示。

        (二)因子分析

        在執(zhí)行因子分析之前,由于各財務(wù)比率之間可能包含的信息有所重復(fù),首先我們要檢驗其是否具有多重共線性問題。研究結(jié)果表明KMO的值為0.611,由于KMO數(shù)值會受樣本數(shù)量的影響,因此通常判斷依據(jù)主要依靠于Bartlett 的檢驗結(jié)果,根據(jù)其檢驗結(jié)果的顯著性為0,指標(biāo)之間具有多重共線性,適合做因子分析。通過將之前篩選出的指標(biāo)變量進行因子分析,我們可能發(fā)現(xiàn)特征值大于1的因子主要有7個,其累計貢獻率達到了79.29%,接近80%。也就是能夠7個因子能夠解釋18個指標(biāo)變量的80%的信息含量。計算結(jié)果如表5所示。

        由于提取公共因子時得到的載荷矩陣很難對公因子做出恰當(dāng)?shù)慕忉專ㄟ^將其旋轉(zhuǎn)后的得到因子載荷矩陣會更具有對公因子的解釋力。為了使結(jié)果更清晰易懂,剔除了系數(shù)絕對值小于0.3得數(shù)值,其結(jié)果表5所示:因子F1在指標(biāo)營業(yè)凈利率、資產(chǎn)報酬率、總資產(chǎn)凈利潤率上有較大的載荷,同時在代理水平和審計意見上也有一定的載荷量,它們主要反映了上市公司的盈利能力和代理水平;因子F2主要反映企業(yè)的償債能力,并與F1共同涵蓋審計意見的大部分信息含量;因子F3反映企業(yè)的風(fēng)險水平以及現(xiàn)金流量,因子F4體現(xiàn)企業(yè)的營運能力,因子F5和F6則共同體現(xiàn)企業(yè)的發(fā)展能力。因此每一個指標(biāo)變量都很好的被以上5個因子所涵蓋,而且主要的因子在于因子1至因子4。因此本文運用消除了指標(biāo)之間的共線性后的7個新變量來替代原先的18個指標(biāo)變量,并將作為接下來新的自變量進行模型建立并預(yù)測。

        (三)建立預(yù)警模型

        本文采用因子分析提取的7個新變量作為自變量,以6:4的比例來篩選出建立模型的樣本和驗證模型的樣本,隨機抽取的過程由Clementine12.0軟件操作完成,以公司是否被ST為因變量分別構(gòu)建Logistic回歸、決策樹模型。

        1.Logistic模型

        研究結(jié)果顯示-2對數(shù)似然值為17.426,Cox & Snell R2為0.656,NagelkerkeR2為0.875。由于-2對數(shù)似然值越低、Cox & SnellR2和NagelkerkeR2越臨近1,則表明模型擬和度越高,說明模型對因變量具有較強的解釋能力,因此該模型的模擬效果良好。在該模型中因子1、2、4、7所占的權(quán)重系數(shù)分別為0.359、0.284、0.168、0.114,最重要的就是因子1和因子2,因子4,由于這三個占據(jù)了整個模型的解釋能力的80%以上,這也同時說明判斷企業(yè)是否被ST的決定因素主要在于盈利水平、償債能力和發(fā)展能力,同時由于因子7在償債能力和風(fēng)險水平上解釋力度較強,其作用還要大于因子3,相對而言在該模型中運營能力因子的預(yù)警作用要弱于前面兩者。

        2.決策樹模型

        由圖1可以看出,建模的樣本總數(shù)為55,其中ST公司占比47.27%,在經(jīng)過因子6進行分解以后,低于-0.014的其中ST公司的占比迅速上升為81.48%,而高于該值的企業(yè)中ST企業(yè)的占比下降為14.8%,在經(jīng)過因子3的拆分后,我們可以看到高于-0.280的ST公司的比例高達95.46%,而經(jīng)過因子4的拆分,我們能夠看到:低于-0.810全部都為ST公司。由此能夠得出判定是否為ST企業(yè)的最佳的路徑,節(jié)點5到節(jié)點4然后回到根節(jié)點即為ST公司的共同的特征。在所有的因子中,該模型最重要的是因子6、3、4,即是風(fēng)險水平和營運能力。

        (四)ROC曲線預(yù)測精度比較分析

        模型建立以后,在剩下的40%的樣本中對其進行財務(wù)預(yù)警的預(yù)測能力進行預(yù)測,并將其計算結(jié)果繪制成ROC曲線進行比較分析,研究結(jié)果為 Logistic模型、決策樹的AUC分別為0.875和0.747,在95%的置信區(qū)間為(0.758,0.992)和(0.573,0.921)。這兩個模型的置信區(qū)間的最小值大于0,5,表明模型具有判別能力,同時在AUC的數(shù)據(jù)來看,Logistic的曲線下的面積要大于決策樹的,由此能夠很明顯的得出結(jié)論Logistic的判別能力要強于決策樹的判別能力。

        (五)模型評價

        綜合上述分析,我們可知在AUC的評價方法下,Logistic的預(yù)判能力要強于決策樹,通過模型的主要貢獻因子分析也可以驗證得出這一結(jié)論,通常我們盈利能力和償債能力是能夠決定企業(yè)是否能夠獲得正的凈利潤的關(guān)鍵,而這個標(biāo)準(zhǔn)正是制造業(yè)上市公司是否能被判定為特別處理企業(yè)的重要依據(jù),因此從實際情況上來說,這一實證結(jié)果和現(xiàn)實正是相吻合的。然而決策樹中較為重要的因子是風(fēng)險水平和營運、發(fā)展能力,這些能力對于企業(yè)固然是很重要的,但是更多會是間接的影響企業(yè)的償債和盈利能力。決策樹的一個核心思想就是找到能夠直接判定企業(yè)是否被ST的路徑,我們看到它的決定因素是會更加的長遠(yuǎn)的,而不是當(dāng)前的,發(fā)展能力以及風(fēng)險水平在短時間內(nèi)暫時無法清晰的做出斷論,因而當(dāng)前的預(yù)判效果就沒有那么的明顯,但還是具有很好的財務(wù)預(yù)警的效果。

        從其他的角度來看,Logistic呈現(xiàn)的更多是數(shù)據(jù),定量分析,它會直接明了的告訴你哪個財務(wù)指標(biāo)是最重要的,而決策樹對于具體的數(shù)據(jù)較少,通常是呈現(xiàn)出一定的邏輯性,也就是能夠挖掘出最深層次的內(nèi)容,往往這個才是有利于企業(yè)的長遠(yuǎn)發(fā)展的最好的預(yù)測模型,能夠從復(fù)雜的關(guān)系中找到最佳的路線,用一種理論推理的方式來呈現(xiàn)出來。因此要根據(jù)使用的目的來選擇不同的模型進行財務(wù)危機的預(yù)警,總而言之,這兩個模型各有利弊。

        四、結(jié)論

        本文以制造業(yè)上市公司為研究主體,從九個方面來選取變量以及采用因子分析方法分別建立Logistic回歸和決策樹模型,且詳細(xì)分析了模型的建立與預(yù)警過程,與以往的直接用建立模型的判別準(zhǔn)確率來作為模型預(yù)警準(zhǔn)確率的評價標(biāo)準(zhǔn)不同的是,本文采用ROC方法來判斷模型的預(yù)測準(zhǔn)確率,最后得出Logistic的判斷能力要強于決策樹模型,但是決策樹模型會更加的清晰的分析出ST企業(yè)具備的特征,因而從長遠(yuǎn)角度來考慮,決策樹模型會更好一些。

        注:

        ①表5中上標(biāo)1代表第一行指標(biāo)對應(yīng)的因子系數(shù).

        參考文獻:

        [1] Ohlson.J.A.Financial Ratios and the Probabilistic Prediction of Bankruptcy. Journal of Accounting Research[J],1980(1):109-131.

        [2] 吳世農(nóng),盧賢義.我國上市公司財務(wù)困境的預(yù)測模型研究[J].經(jīng)濟研究,2001(6):46-55.

        [3] Altman E I, Iwanicz D M, Laitinen E K, et al.Financial and Non- Financial Variables as Long- Horizon Predictors of Bankruptcy[M]. Available at SSRN 2669668, 2015.

        [4] Hu H,Sathye M.Predicting Financial Distress in the Hong Kong Growth Enterprises Market from the Perspective of Financial Sustainability[M]. Sustainability, 2015.

        [5] 陳 芳,吳 杰.中小企業(yè)財務(wù)危機預(yù)警模型比較研究—基于因子分析與Logistic回歸模型的對比[J].財會通訊,2017(5):106-108.

        [6] 姚靠華,蔣艷輝.基于決策樹的財務(wù)預(yù)警[J].系統(tǒng)工程,2005(10):102-106.

        [7] 李艷玲,宋喜蓮.基于數(shù)據(jù)挖掘的上市公司財務(wù)危機預(yù)警研究[J].沈陽師范大學(xué)學(xué)報:自然科學(xué)版,2014(2):267-272.

        [8] 劉 旻,羅 慧.上市公司財務(wù)危機預(yù)警分析—基于數(shù)據(jù)挖掘的研究[J].數(shù)理統(tǒng)計與管理,2004(3):51-56+68.

        [9] 王宗勝,尚姣姣.我國制造業(yè)上市公司財務(wù)困境預(yù)警分析[J].統(tǒng)計與決策,2015(3):174-177.

        [10] 鞏 斌.上市公司財務(wù)危機判別綜合評價分析——基于數(shù)據(jù)挖掘技術(shù)[J].山東理工大學(xué)學(xué)報:社會科學(xué)版,2014(1):15-18.

        [11] 王冬燕.Logistic回歸與決策樹分類效能的ROC曲線比較[J].智能計算機與應(yīng)用,2014(5):34-36.

        [12] 王 藝,姚正海.制造業(yè)上市公司財務(wù)預(yù)警體系的構(gòu)建及比較—基于數(shù)據(jù)挖掘技術(shù)[J].財會月刊,2016(21):49-55.

        [13] 操 瑋,李 燦,朱衛(wèi)東.多源信息融合視角下中小企業(yè)財務(wù)危機預(yù)警研究——基于集成學(xué)習(xí)的數(shù)據(jù)挖掘方法[J].財會通訊,2018(5):95-99+129.

        [責(zé)任編輯:龐 林]

        猜你喜歡
        財務(wù)預(yù)警決策樹
        一種針對不均衡數(shù)據(jù)集的SVM決策樹算法
        決策樹和隨機森林方法在管理決策中的應(yīng)用
        電子制作(2018年16期)2018-09-26 03:27:06
        企業(yè)財務(wù)危機預(yù)警問題研究
        公司債券違約的財務(wù)預(yù)警體系
        判別分析在財務(wù)預(yù)警中的應(yīng)用
        淺談企業(yè)如何實施財務(wù)預(yù)警分析
        基于決策樹的出租車乘客出行目的識別
        基于肺癌CT的決策樹模型在肺癌診斷中的應(yīng)用
        国产96在线 | 欧美| 亚洲美女毛片在线视频| 98色婷婷在线| 欧美巨大巨粗黑人性aaaaaa| 九九99国产精品视频| 激情在线视频一区二区三区| 久久综合精品人妻一区二区三区| 无码任你躁久久久久久老妇| 国产精品刺激好大好爽视频| 精品午夜一区二区三区| 风韵人妻丰满熟妇老熟| 国产精品www夜色视频| 这里只有久久精品| 亚洲国产日韩综一区二区在性色 | 无遮挡1000部拍拍拍免费| 天天躁狠狠躁狠狠躁夜夜躁| 视频一区精品自拍| 中文无字幕一本码专区| 黑人大群体交免费视频| 欧美mv日韩mv国产网站| 爽爽精品dvd蜜桃成熟时电影院 | 国产精品自拍视频在线| 亚洲亚洲人成综合丝袜图片| 亚洲精品无码高潮喷水在线| 无码丰满熟妇浪潮一区二区av| 亚洲毛片免费观看视频| 久久久久久国产精品免费免费 | 亚洲综合久久精品无码色欲| 精品一区二区av天堂| 精品一区2区3区4区| 成人网站在线进入爽爽爽| 亚洲最大天堂无码精品区| 国产美女高潮流白浆免费观看| 日本国产亚洲一区二区| 在线亚洲午夜理论av大片| 亚洲国产福利成人一区二区| 午夜亚洲精品视频在线| 天天爽天天爽夜夜爽毛片| 色综合另类小说图片区| 亚洲中文字幕精品久久久| 熟女人妇 成熟妇女系列视频|