潘宇桐，孫英雋

(上海理工大學(xué) 管理學(xué)院，上海 200093)

1 引 言

綠色公司債屬于綠色債券的細(xì)分種類之一，2015年是我國綠色公司債市場(chǎng)的元年，相對(duì)發(fā)達(dá)國家來說，起步較晚.但隨著2016年《綠色債券發(fā)行指引》和《關(guān)于開展綠色公司債券試點(diǎn)的通知》的發(fā)布，綠色公司債拉開了其高速發(fā)展的序幕.時(shí)至今日，綠色公司債市場(chǎng)仍保持強(qiáng)勁的上升趨勢(shì)，其發(fā)行主體和發(fā)行區(qū)域都呈現(xiàn)出多元化的趨勢(shì)，債券期限主要以中期債券(3-5年為主)，呈現(xiàn)出短期化的趨勢(shì)，相較于普通公司債，綠色公司債具有一定的發(fā)行成本優(yōu)勢(shì)，并且普遍擁有較高的債券評(píng)級(jí)和較低的違約率.

2016-2018年中大型國有企業(yè)發(fā)行了較多的綠色公司債券，但是隨著2019年各個(gè)地方政府綠色債券扶持政策的持續(xù)推出，可以預(yù)見將會(huì)有越來越多的民營企業(yè)加入發(fā)行綠色公司債券的行列中(翁智雄等(2018)[1]).在這樣的背景下由于民營企業(yè)在資金實(shí)力，企業(yè)規(guī)模，融資渠道，企業(yè)管理等方面都具有先天的劣勢(shì)，總體經(jīng)濟(jì)實(shí)力不強(qiáng)(郭莽(2019)[2]).同時(shí)環(huán)保企業(yè)普遍具有項(xiàng)目前期技術(shù)設(shè)備投入資金量大，項(xiàng)目回收期較長，項(xiàng)目帶有部分公益性質(zhì)，對(duì)于民營企業(yè)的資金實(shí)力和現(xiàn)金流量管理又提出了更高的要求.綠色公司債至今還未發(fā)生實(shí)質(zhì)性違約的情況，這主要是由以下幾個(gè)原因所導(dǎo)致的.首先國內(nèi)市場(chǎng)起步較晚，2016年第一支綠色公司債——G16嘉化1才得以發(fā)行，其次綠色公司債市場(chǎng)仍處于發(fā)展中，發(fā)行主體主要還是集中在國有企業(yè)中，最后綠色公司債券數(shù)量較少也可能是原因之一.

2018年，隨著環(huán)保產(chǎn)業(yè)在初期急速擴(kuò)張所帶來的資金壓力不斷積累以及“金融去杠桿”政策深化改革，環(huán)保企業(yè)頻繁發(fā)生信用風(fēng)險(xiǎn)事件，涉事企業(yè)又以民營企業(yè)為主，有7家民營企業(yè)出現(xiàn)了信用風(fēng)險(xiǎn)事件.同時(shí)作為行業(yè)龍頭企業(yè)，國營環(huán)保企業(yè)中節(jié)能也發(fā)生了連續(xù)兩年歸母凈利潤為負(fù)，4只債券暫停上市的事件.2019年下半年又有35億元的綠色公司債到期，大量綠色公司債的到期日集中在2020-2023年，這些事件的發(fā)生給我們敲響警鐘.建立合理準(zhǔn)確的風(fēng)險(xiǎn)預(yù)警機(jī)制，可以幫助環(huán)保企業(yè)降低融資成本，拓寬融資渠道，同時(shí)也是拓寬綠色公司債市場(chǎng)，幫助其健康穩(wěn)健發(fā)展的積極手段.

對(duì)于企業(yè)風(fēng)險(xiǎn)預(yù)警模型的建立，國內(nèi)外學(xué)者已經(jīng)做出了很多的研究.國外學(xué)者的研究起步較早，Beaver(1966)[3]首次使用了單個(gè)指標(biāo)變量對(duì)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行定量分析，他發(fā)現(xiàn)部分單個(gè)財(cái)務(wù)指標(biāo)在規(guī)模相當(dāng)?shù)牡归]企業(yè)和經(jīng)營較好的企業(yè)之間有較大的區(qū)別.而Altman(1968)[4]對(duì)比同樣數(shù)量的發(fā)生和未發(fā)生財(cái)務(wù)危機(jī)的企業(yè)，挑選出22個(gè)財(cái)務(wù)指標(biāo)構(gòu)建了Z-score模型，這是最早運(yùn)用多元線性判別分析構(gòu)建的企業(yè)風(fēng)險(xiǎn)預(yù)警模型.此后Martin(1997)[5]使用邏輯回歸分析構(gòu)建了財(cái)務(wù)風(fēng)險(xiǎn)模型，對(duì)銀行樣本進(jìn)行判別，得到了89%的正確率.與此同時(shí)，國內(nèi)的風(fēng)險(xiǎn)預(yù)警模型研究也在高速發(fā)展，周首華和楊濟(jì)華(1996)[6]在Z-score模型的基礎(chǔ)上提出了F分?jǐn)?shù)模型，并在模型中引入現(xiàn)金流指標(biāo)，彌補(bǔ)了Z-score模型的不足，趙栓文和耿歆雨(2016)[7]將Z-score模型和F分?jǐn)?shù)模型同時(shí)運(yùn)用于企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)測(cè)量，發(fā)現(xiàn)二者結(jié)論不盡相同，他們認(rèn)為Z-score模型對(duì)國內(nèi)企業(yè)適用性不強(qiáng).我國邏輯回歸分析模型在風(fēng)險(xiǎn)預(yù)警中的應(yīng)用也日趨成熟，田寶新和王建瓊(2017)[8]采用是否因財(cái)務(wù)狀況異常被ST作為企業(yè)發(fā)生風(fēng)險(xiǎn)的判斷依據(jù)，使用邏輯回歸模型構(gòu)建風(fēng)險(xiǎn)預(yù)警模型，并創(chuàng)新性加入了非財(cái)務(wù)指標(biāo)，最終發(fā)現(xiàn)財(cái)務(wù)困境的發(fā)生是可以被預(yù)測(cè)的.李長山(2018)[9]也采用邏輯回歸模型構(gòu)建了企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型，結(jié)果表明邏輯回歸模型準(zhǔn)確率非常高，達(dá)到98.6%.近年來伴隨著機(jī)器學(xué)習(xí)技術(shù)快速發(fā)展，建立風(fēng)險(xiǎn)預(yù)警模型有了更多方法.面對(duì)企業(yè)的財(cái)務(wù)指標(biāo)種類繁多，如何合理地挑選及使用成為構(gòu)建預(yù)警機(jī)制的重要一環(huán)(宋彪等(2015)[10]).相較于傳統(tǒng)的計(jì)量模型，支持向量機(jī)具有其本身獨(dú)特的算法優(yōu)勢(shì)，尤其是Z-score和邏輯回歸模型都屬于線性分類模型，而支持向量機(jī)在高維度、非線性的分類的領(lǐng)域具有得天獨(dú)厚的優(yōu)勢(shì)，可以通過運(yùn)用核函數(shù)，較好地解決非線性分類問題.其分類準(zhǔn)確率高，魯棒性強(qiáng)并且支持向量機(jī)模型面對(duì)小樣本數(shù)據(jù)時(shí)也具有更好的表現(xiàn).谷慎和汪淑娟(2019)[11]以我國6個(gè)碳金融試點(diǎn)市場(chǎng)的月度數(shù)據(jù)為樣本，采用支持向量機(jī)對(duì)碳金融風(fēng)險(xiǎn)構(gòu)建預(yù)警模型，發(fā)現(xiàn)正確率達(dá)到91.86%.沈彥菁等(2019)[12]也采用支持向量機(jī)模型對(duì)嘉興市33305家小微企業(yè)進(jìn)行風(fēng)險(xiǎn)預(yù)測(cè)，最終也獲得了較高的預(yù)測(cè)結(jié)果準(zhǔn)確率.Nada等(2017)[13]通過對(duì)法國中小企業(yè)的財(cái)務(wù)困境進(jìn)行預(yù)測(cè)發(fā)現(xiàn)，支持向量機(jī)模型相較邏輯回歸模型表現(xiàn)更加優(yōu)秀.在此基礎(chǔ)上，普通支持向量機(jī)在處理數(shù)據(jù)樣本量小、正負(fù)樣本數(shù)量不平衡的數(shù)據(jù)時(shí)，不平衡的樣本數(shù)量會(huì)帶來信息量差異問題.加權(quán)支持向量機(jī)(W-SVM)通過對(duì)不同樣本類別引入不同權(quán)重，可以使得多數(shù)類信息不再占主導(dǎo)地位，少數(shù)類信息可以得到相對(duì)充分的表達(dá).賈銀山和賈傳熒(2005)[14]通過研究證明了在面對(duì)樣本數(shù)量不平衡的數(shù)據(jù)時(shí)，加權(quán)支持向量機(jī)相較于普通支持向量機(jī)具有更好的性能，尤其對(duì)于數(shù)量較少的負(fù)類樣本，三次實(shí)驗(yàn)的錯(cuò)誤率相較普通支持向量機(jī)平均減少15.24%.因此，研究認(rèn)為加權(quán)支持向量機(jī)是構(gòu)建民營環(huán)保企業(yè)風(fēng)險(xiǎn)預(yù)警模型的合理選擇.

預(yù)警模型的設(shè)計(jì)以民營環(huán)保企業(yè)為研究對(duì)象，針對(duì)該類企業(yè)現(xiàn)階段在綠色公司債市場(chǎng)中可獲得的樣本量較少，正負(fù)樣本數(shù)量不平衡，常見模型精度較差等問題，通過使用加權(quán)支持向量機(jī)(W-SVM)構(gòu)建信用風(fēng)險(xiǎn)預(yù)警模型，模擬綠債市場(chǎng)中樣本實(shí)際情況，最終發(fā)現(xiàn)相較于其他傳統(tǒng)預(yù)警模型，加權(quán)支持向量機(jī)(W-SVM)具有更高精度.

2 算法介紹

2.1 加權(quán)支持向量機(jī)

支持向量機(jī)(Support Vector Machine,SVMs)是一種基于Vapnik所提出的統(tǒng)計(jì)學(xué)習(xí)理論(Statistical Learning Theory)的機(jī)器學(xué)習(xí)方法，其最基本的中心思想是在所選取的樣本數(shù)據(jù)集Z={(Xi,Yi)|Xi∈Rn,Yi∈{+1,-1},i=1,2，…,m}中，尋找能使得樣本正確分類的超平面，并且選取最優(yōu)超平面使得兩個(gè)間隔面之間距離最大即間隔(Margin Width)最大化，見圖1.

圖1 支持向量機(jī)分類原理

假設(shè)存在超平面〈w,x〉+b=0，式中w為超平面的法向量，b為其偏移量.運(yùn)用拉格朗日乘子法則將上述優(yōu)化問題用方程描述為

(1)

s.t.yi(〈w,xi〉+b)-1+εi≥0,i=1,2,…,m,

(2)

andεi≥0.

(3)

式中，εi為松弛變量；C為懲罰量.

在處理實(shí)際問題的過程中，很多時(shí)候會(huì)有特異點(diǎn)的存在導(dǎo)致無法將兩種不同類別的數(shù)據(jù)點(diǎn)完全分割開，因此引入軟間隔(Soft Margin)的方法，在方程中添加松弛變量εi和懲罰量C.同時(shí)，為了使得支持向量機(jī)在面對(duì)非線性分類的問題時(shí)具有優(yōu)秀的性能，運(yùn)用核函數(shù)(Kernel Trick)的方法將原有的輸入變量X從輸入空間投影到更加高維度的空間之中.其中，核函數(shù)k(xi,x)應(yīng)該是特征空間中的一個(gè)內(nèi)積，即k(xi,x)=〈φ(xi),φ(x)〉.常見的核函數(shù)有

線性核函數(shù)k(xi,x)=φ(xi·x),

(4)

高斯核函數(shù)k(xi,x)=e-γi‖x-xi‖2,

(5)

Sigmoid核函數(shù)k(xi,x)=1/[1+e(β(xi·x)+b)].

(6)

此時(shí)將拉格朗日方程轉(zhuǎn)化為對(duì)偶問題得到表達(dá)式

(7)

s.t. 0≤ai≤C,i=1,2,…,m

(8)

(9)

式中，αi為拉格朗日乘子.標(biāo)準(zhǔn)的支持向量機(jī)假設(shè)類別分布平衡，各類樣本數(shù)大致相同，此時(shí)具有較高精度，但是對(duì)于各類別中樣本數(shù)不平衡的數(shù)據(jù)，會(huì)造成樣本數(shù)較少的類別中被錯(cuò)分的比例變大，導(dǎo)致標(biāo)準(zhǔn)支持向量機(jī)的性能大大下降.然而，加權(quán)支持向量機(jī)面對(duì)樣本的數(shù)目差別，通過對(duì)不同類別樣本賦予不同的權(quán)值以平衡信息量，可以在很大程度上減小樣本數(shù)目嚴(yán)重不平衡對(duì)模型性能帶來的影響.加權(quán)支持向量機(jī)原始問題為

(10)

s.t.yi(〈w,xi〉+b)-1+εi≥0,i=1,2,…,m

(11)

andεi≥0.

(12)

其中，syi>0是對(duì)類yi的權(quán)重,syi值越大，代表該類樣本越重要，對(duì)于分類錯(cuò)誤實(shí)際損失函數(shù)∑εi按照不同類別進(jìn)行加權(quán)，體現(xiàn)出樣本量較小的類別更加重要，此時(shí)對(duì)偶拉格朗日表達(dá)式為

(13)

s.t. 0≤ai≤Csyi,i=1,2,…,m

(14)

(15)

此時(shí)判別函數(shù)為

(16)

2.2 樣本數(shù)目平衡加權(quán)

在非線性支持向量機(jī)模型中，依據(jù)KKT條件可得下列公式：

ai(yi(〈w,φ(xi)〉+b)-1+εi)=0，

(17)

βiεi=(C-ai)εi=0.

(18)

式中，εi為松弛變量，且εi≥0；C為懲罰參數(shù)；ai和βi均為拉格朗日乘數(shù)且ai,βi≥0.分析式(17)和式(18)可知，當(dāng)ai=0，εi=0時(shí)，Xi被正確分類；當(dāng)0

假設(shè)正類樣本中正類邊界支持向量數(shù)為NBSV+，負(fù)類樣本中邊界支持向量數(shù)為NBSV-；正類樣本中支持向量數(shù)為N+，負(fù)類中為N-；正類樣本數(shù)為m+，負(fù)類樣本數(shù)為m-.由式(15)可知：

(19)

(20)

由邊界支持向量的個(gè)數(shù)小于正類支持向量個(gè)數(shù)，且邊界支持向量中ai=Csyi可知：

(21)

此外，支持向量中ai≤Csyi，因此可知：

(22)

綜上：

(23)

同理：

(24)

將式(23)和(24)進(jìn)行變換，得到

(25)

(26)

由式(25)和(26)可知，當(dāng)正負(fù)樣本數(shù)量不相等時(shí)(m+≠m-)，則正負(fù)類別中支持向量比例的下界和邊界支持向量比例的上界不相等，這可能會(huì)導(dǎo)致樣本數(shù)量較少的類別中，樣本被錯(cuò)分的比例更大，因此為消除樣本數(shù)量不平衡對(duì)模型識(shí)別精度產(chǎn)生的影響，使得兩類樣本中誤差率得到平衡，則令

(27)

由式(20)和(27)可知，最終比例關(guān)系為

s+/s-=m-/m+.

(28)

因此，在對(duì)同類別的樣本賦予相同的權(quán)值，不同類別的樣本賦予不同的權(quán)值，最終使得權(quán)值比例為樣本量比例的反比.在進(jìn)行模型訓(xùn)練時(shí)計(jì)算損失函數(shù)乘上對(duì)應(yīng)的權(quán)值，使得不同類別的樣本對(duì)于損失的貢獻(xiàn)更加平衡以獲得更高模型精度.假設(shè)對(duì)于樣本數(shù)量較大的類別α，采用權(quán)值sα.對(duì)于樣本數(shù)量較小的類別β，采用權(quán)值sβ，則sβ與sα的比例關(guān)系應(yīng)為sβ/sα=α/β.

3 研究設(shè)計(jì)

3.1 樣本選取及指標(biāo)選擇

3.1.1 樣本的選取

對(duì)于投資者而言，綠色公司債市場(chǎng)的風(fēng)險(xiǎn)主要集中在發(fā)行公司的信用風(fēng)險(xiǎn)，而企業(yè)本身的管理能力和財(cái)務(wù)狀況是建立其信用風(fēng)險(xiǎn)預(yù)警機(jī)制的重要因素，為保證企業(yè)具有足夠的能力償還債務(wù)及利息，需要建立測(cè)量以及評(píng)價(jià)環(huán)保財(cái)務(wù)狀況的模型，而環(huán)保行業(yè)屬于新興行業(yè)，企業(yè)樣本數(shù)量較少，并且國有企業(yè)一直在其中處于主導(dǎo)地位，可獲取的民營企業(yè)樣本數(shù)更加稀少.不止如此，發(fā)生信用風(fēng)險(xiǎn)的樣本與未發(fā)生信用風(fēng)險(xiǎn)的樣本相比數(shù)量差距很大，如何同時(shí)兼顧兩者的平衡和樣本總量的充足也成了難題之一.

為模擬實(shí)際市場(chǎng)環(huán)境中樣本，基于數(shù)據(jù)的可得性，采用部分上市企業(yè)樣本.調(diào)研了中信證券環(huán)保行業(yè)類市場(chǎng)中所有民營企業(yè)，剔除數(shù)據(jù)不完整的樣本，最終獲得58家上市民營環(huán)保企業(yè)樣本，之后添加入2018年至2019年上半年發(fā)生過信用風(fēng)險(xiǎn)事件的7家非上市民營環(huán)保企業(yè)(見表1)，最終獲得65家企業(yè)樣本數(shù)據(jù)，所有數(shù)據(jù)均來自Wind數(shù)據(jù).

表1 2018年至2019上半年發(fā)生信用風(fēng)險(xiǎn)事件的民營環(huán)保企業(yè)

在58家上市企業(yè)中，有6家企業(yè)因?yàn)檫B續(xù)兩年歸母凈利潤為負(fù)導(dǎo)致其被證監(jiān)會(huì)特殊處理，參照相關(guān)研究，認(rèn)為被特殊處理代表這些公司發(fā)生了財(cái)務(wù)危機(jī)，若其發(fā)行綠色公司債，則有很大可能性會(huì)難以按期償還利息，發(fā)生信用風(fēng)險(xiǎn)事件，于是將這6家公司樣本與上文提及已經(jīng)發(fā)生信用風(fēng)險(xiǎn)的7家民營環(huán)保企業(yè)樣本共計(jì)13組樣本歸為負(fù)樣本數(shù)據(jù)，將其余52組樣本歸為正樣本數(shù)據(jù).樣本配對(duì)比例為1∶4,非一比一配對(duì)的樣本更加符合實(shí)際情況，對(duì)于常見模型來說不平衡的樣本的配對(duì)數(shù)量不利于模型精度，但是加權(quán)支持向量機(jī)(W-SVM)可以對(duì)樣本權(quán)重的進(jìn)行再設(shè)定，從而解決這一問題.

參照相關(guān)研究，為預(yù)測(cè)企業(yè)未來財(cái)務(wù)狀況，選取預(yù)測(cè)期為兩年，對(duì)預(yù)警模型而言，第(t-1)年的財(cái)務(wù)狀況是企業(yè)第t年是否會(huì)發(fā)生違約風(fēng)險(xiǎn)的直接原因，研究意義不大；而如果選取比第(t-2)年更加提早的數(shù)據(jù)可能會(huì)過于提前，從而對(duì)研究結(jié)果產(chǎn)生影響，這樣的研究結(jié)果無論是否良好都會(huì)使人產(chǎn)生懷疑.綜上所述，我們決定使用第(t-2)年的數(shù)據(jù)來構(gòu)建預(yù)警模型.

3.1.2 指標(biāo)選擇

不同的公司發(fā)生信用風(fēng)險(xiǎn)的特征各不相同，構(gòu)建預(yù)警模型時(shí)，需要從多種角度進(jìn)行考量.而相較于普通企業(yè)，民營環(huán)保企業(yè)具有如下幾個(gè)特征：

第一，環(huán)保企業(yè)的項(xiàng)目一般前期投資較大，回收周期較長，未來資金收益具有浮動(dòng)性，因此企業(yè)籌資十分困難.而民營企業(yè)自身財(cái)務(wù)水平有限，對(duì)于資本市場(chǎng)的理解不夠深入，籌資過分依賴銀行貸款，資本結(jié)構(gòu)單一，難以做到多元化融資渠道，更加重了企業(yè)的籌資風(fēng)險(xiǎn).

第二，環(huán)保行業(yè)作為新興行業(yè)，雖然擁有較強(qiáng)的技術(shù)壁壘，但民營企業(yè)普遍存在起步時(shí)間短、管理經(jīng)驗(yàn)欠缺、自身資金有限等問題，其次環(huán)保企業(yè)項(xiàng)目單一，對(duì)于政府的資金、財(cái)稅、產(chǎn)業(yè)政策依賴性較強(qiáng)，相較于國有企業(yè)更加沒有優(yōu)勢(shì).因此，自身的投資活動(dòng)受到的局限性更強(qiáng)，對(duì)于項(xiàng)目投資風(fēng)險(xiǎn)管理的要求更高.

第三，相較于普通行業(yè)，環(huán)保企業(yè)在運(yùn)營過程中難以避免存在更嚴(yán)重的賒銷、應(yīng)收賬款過高、存貨過多等資金占用情況，這對(duì)于企業(yè)的營運(yùn)能力是一項(xiàng)巨大的挑戰(zhàn).如何構(gòu)建合理的財(cái)務(wù)戰(zhàn)略，實(shí)現(xiàn)穩(wěn)定長期的盈利模式，最終保障企業(yè)的可持續(xù)發(fā)展成為民營環(huán)保企業(yè)需要面對(duì)的另一大難題.

第四，由于環(huán)保企業(yè)項(xiàng)目前期投資成本過高，面對(duì)的下游客戶大多為政府和國有企業(yè)，缺乏足夠議價(jià)能力的同時(shí)，現(xiàn)金流的回收通常也需要較長的時(shí)間，為增長營收，企業(yè)在承接項(xiàng)目的同時(shí)也犧牲了自己短期的現(xiàn)金流，也使得資產(chǎn)結(jié)構(gòu)更加惡化.一旦出現(xiàn)現(xiàn)金流斷裂，民營企業(yè)在籌資能力單一的情況下難以在短期內(nèi)獲得可替代的融資渠道，這也使得民營環(huán)保企業(yè)的現(xiàn)金流管理更加重要.

因此，在財(cái)務(wù)指標(biāo)的選擇方面，力求做到所選擇指標(biāo)具有代表性，能體現(xiàn)企業(yè)財(cái)務(wù)狀況，同時(shí)指標(biāo)數(shù)據(jù)具有可得性，更加結(jié)合民營環(huán)保企業(yè)本身的財(cái)務(wù)特征.最終從企業(yè)盈利能力，資產(chǎn)結(jié)構(gòu)，償債能力，營運(yùn)能力，現(xiàn)金流量，成長能力共6個(gè)方面，挑選了22個(gè)變量(見表2)，共1430個(gè)數(shù)據(jù)，作為判斷企業(yè)是否會(huì)發(fā)生信用風(fēng)險(xiǎn)事件的依據(jù)，用以構(gòu)建模型.

表2 財(cái)務(wù)指標(biāo)

3.2 數(shù)據(jù)處理

由于樣本選取的22個(gè)財(cái)務(wù)指標(biāo)之間可能存在數(shù)量級(jí)差異，為保證可比性和預(yù)測(cè)的準(zhǔn)確，在進(jìn)行W-SVM模型分析前，采用Z-score方法對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，處理后的數(shù)據(jù)將迎合標(biāo)準(zhǔn)正態(tài)分布.

研究中所選取的正負(fù)樣本之間相互獨(dú)立，對(duì)每個(gè)變量在正負(fù)樣本中是否存在顯著差異性進(jìn)行檢驗(yàn).檢驗(yàn)由兩部分組成，首先采用K-S檢驗(yàn)對(duì)標(biāo)準(zhǔn)化后的變量是否符合正態(tài)分布進(jìn)行檢驗(yàn)，隨后對(duì)于符合正態(tài)分布的變量采取獨(dú)立樣本T檢驗(yàn)，對(duì)于不符合正態(tài)分布的變量采取Mann-Whiney U檢驗(yàn)，檢驗(yàn)結(jié)果見表3.

表3 變量差異顯著性檢驗(yàn)結(jié)果

從表中可以看出在?=5%的顯著性下變量X12，X16和X17在正負(fù)樣本中具有顯著性差異，而在?=10%的顯著性下X8，X11，X12，X13，X15，X16和X17共計(jì)6個(gè)變量在正負(fù)樣本中具有顯著差異，其中現(xiàn)金流量指標(biāo)變量3個(gè)，營運(yùn)能力指標(biāo)變量2個(gè)，償債能力指標(biāo)變量一個(gè)，檢驗(yàn)結(jié)果基本與指標(biāo)設(shè)計(jì)時(shí)預(yù)期基本一致.

為與研究所設(shè)計(jì)預(yù)警模型進(jìn)行比較，將采用常見的Logistic模型進(jìn)行比較，由于Logistic模型對(duì)于指標(biāo)變量間的共線性較敏感，將采用主成分分析法對(duì)指標(biāo)變量進(jìn)行降維.通過SPSS軟件對(duì)指標(biāo)變量進(jìn)行KMO檢驗(yàn)和Bartlett球度檢驗(yàn)，檢驗(yàn)的結(jié)果KMO取樣適切性量數(shù)為0.666，Bartlett球度檢驗(yàn)顯著性為0，因此主成分分析法具有較好適用性.最終選擇了特征根大于1的 6個(gè)主成分(見表4).

表4 總方差解釋

3.3 預(yù)警模型構(gòu)建

3.3.1 數(shù)據(jù)集分割

加權(quán)支持向量機(jī)(W-SVM)對(duì)于小樣本，高維度分類具有很好的準(zhǔn)確性，這是由于在分類的過程中，支持向量機(jī)只依賴支持向量(SV)來構(gòu)建分割的平面，從而對(duì)于特征指標(biāo)的高維度較不敏感，而線性不可分的情況.支持向量機(jī)采用核函數(shù)(Kernel Trick)的方法將輸入的變量投映入更加高維的空間中，再采用線性分割的方法對(duì)模型進(jìn)行訓(xùn)練，因此，參考相關(guān)研究，將上文選定的22項(xiàng)指標(biāo)變量直接作為輸入變量構(gòu)建加權(quán)支持向量機(jī)(W-SVM)預(yù)警模型.為保證模型的有效性，按照1∶4的比例初步分割測(cè)試機(jī)與訓(xùn)練集，同時(shí)為了在訓(xùn)練后的模型中選定最優(yōu)模型參數(shù)，即選定效果最佳的模型.在初步選定的訓(xùn)練集中再次按照1∶4的比例分割出驗(yàn)證集和最終訓(xùn)練集，以避免通過預(yù)測(cè)集篩選模型參數(shù)所導(dǎo)致的信息泄露.為保證模型參數(shù)選擇最優(yōu)，采用五折交叉驗(yàn)證法(5-fold Cross Validation)將初步選取的訓(xùn)練集分割為5份，選取其中一份作為驗(yàn)證集，其余4份為訓(xùn)練集，進(jìn)行訓(xùn)練和驗(yàn)證共計(jì)5次，使得每份數(shù)據(jù)都成為一次驗(yàn)證集，最終依據(jù)平均驗(yàn)證集準(zhǔn)確率表現(xiàn)選擇模型.

3.3.2 參數(shù)選擇及預(yù)測(cè)結(jié)果

研究采用網(wǎng)格篩選法，控制懲罰參數(shù)C最小值為0.01，最大值為10,共計(jì)使用50個(gè)懲罰參數(shù)，核函數(shù)采用線性核函數(shù)、高斯核函數(shù)、多項(xiàng)式核函數(shù)和Sigmoid核函數(shù)4種常見核函數(shù)，進(jìn)行篩選.不同類別樣本權(quán)值采用樣本數(shù)目加權(quán)，對(duì)樣本量較小的類別采取更高權(quán)值，樣本量較大的類別采取更小權(quán)值，最終正負(fù)權(quán)值比為1∶4.

綜上模型最終所選擇的懲罰因子為C=1.5264，核函數(shù)為線性核，最終加權(quán)支持向量機(jī)(W-SVM)信用風(fēng)險(xiǎn)預(yù)警模型測(cè)試集準(zhǔn)確率為100%.

3.3.3 模型穩(wěn)定性檢驗(yàn)及模型比較

由于可獲得的樣本量較小，模型預(yù)測(cè)的準(zhǔn)確率存在偶然性.為了驗(yàn)證模型是否穩(wěn)定，再次使用五折交叉驗(yàn)證法(5-fold Cross Validation)，將65組樣本分割為5份，4份作為訓(xùn)練集對(duì)上文中設(shè)計(jì)的財(cái)務(wù)預(yù)警模型進(jìn)行訓(xùn)練，并將另一份樣本作為預(yù)測(cè)集，通過5次預(yù)測(cè)最終對(duì)模型穩(wěn)定性進(jìn)行檢驗(yàn)(見表5)，并選取平均預(yù)測(cè)集準(zhǔn)確率與其他模型進(jìn)行比較.

表5 交叉驗(yàn)證下加權(quán)支持向量機(jī)模型準(zhǔn)確率

在用來比較的模型方面，采用Logistic回歸，普通支持向量機(jī)以及傳統(tǒng)Z值打分法構(gòu)建信用風(fēng)險(xiǎn)預(yù)警模型，與加權(quán)支持向量機(jī)預(yù)警模型進(jìn)行比較.

構(gòu)建Logistic回歸信用風(fēng)險(xiǎn)預(yù)警模型時(shí)，為避免共線性對(duì)模型精度的影響，采用主成分分析法降維后的6組因子作為輸入變量，最終結(jié)果顯示因子5和因子6在回歸模型中具有顯著性，因子5中X17(全部資產(chǎn)現(xiàn)金回收率)、X15(經(jīng)營性現(xiàn)金凈流量/營業(yè)總收入)系數(shù)較大，因子6中X12(應(yīng)收賬款周轉(zhuǎn)率)系數(shù)較大.普通支持向量機(jī)模型也采用網(wǎng)格搜索法、分割驗(yàn)證集、交叉驗(yàn)證法確定參數(shù)，輸入變量采用未經(jīng)降維的22組特征變量.Z值打分模型公式如下所示：

Z=1.21X1+1.4X2+3.3X3+0.6X4+0.999X5.

其中：X1代表營運(yùn)資本/總資產(chǎn)；X2代表留存收益/總資產(chǎn)；X3代表息稅前利潤/總資產(chǎn)；X4代表總市值2/負(fù)債總計(jì)；X5代表營業(yè)收入/總資產(chǎn).且當(dāng)Z值低于1.81時(shí)認(rèn)為企業(yè)中存在著財(cái)務(wù)危機(jī).最終結(jié)果見表6.

表6 不同模型準(zhǔn)確率及查準(zhǔn)率比較

4 結(jié)論與建議

4.1 主要結(jié)論

使用線性核函數(shù)建立的加權(quán)支持向量機(jī)(W-SVM)模型適用于對(duì)綠債市場(chǎng)中民營環(huán)保企業(yè)進(jìn)行信用風(fēng)險(xiǎn)預(yù)測(cè).該方法所構(gòu)建的模型具有較好的穩(wěn)定性以及較高的準(zhǔn)確率，以兩年為預(yù)警期的基礎(chǔ)上，對(duì)于整體樣本準(zhǔn)確率達(dá)到86.08%，其中對(duì)于負(fù)樣本的準(zhǔn)確率達(dá)到76.92%.由于民營環(huán)保企業(yè)中具有財(cái)務(wù)危機(jī)的樣本較少，且與正常樣本的數(shù)量比例較為懸殊，可獲得的信息量更少，采用類別加權(quán)的方法使得加權(quán)支持向量機(jī)(W-SVM)在面對(duì)負(fù)樣本時(shí)，準(zhǔn)確率相比傳統(tǒng)方法更高.鑒于將存在信用風(fēng)險(xiǎn)危機(jī)的企業(yè)判斷為正常企業(yè)的危險(xiǎn)性，相較于將正常企業(yè)判斷為存在信用風(fēng)險(xiǎn)危機(jī)企業(yè)的危險(xiǎn)性更高，因此認(rèn)為在負(fù)樣本識(shí)別準(zhǔn)確率上遠(yuǎn)高于其他模型的加權(quán)支持向量機(jī)(W-SVM)在構(gòu)建綠債市場(chǎng)中民營環(huán)保企業(yè)信用風(fēng)險(xiǎn)預(yù)警模型時(shí)，具有更好的性能.

通過對(duì)指標(biāo)變量的分析以及Logistic回歸模型的結(jié)果分析，影響民營環(huán)保企業(yè)信用風(fēng)險(xiǎn)的指標(biāo)主要為應(yīng)收賬款周轉(zhuǎn)率、存貨周轉(zhuǎn)率、經(jīng)營性現(xiàn)金凈流量/營業(yè)總收入、現(xiàn)金滿足投資比率、全部資產(chǎn)現(xiàn)金回收率.這些指標(biāo)變量代表了企業(yè)的現(xiàn)金流量和營運(yùn)能力、實(shí)時(shí)監(jiān)測(cè)這些先行指標(biāo)變動(dòng)有助于及早識(shí)別民營環(huán)保企業(yè)存在的信用風(fēng)險(xiǎn)，有助于提前采取風(fēng)險(xiǎn)防范措施.

4.2 政策建議

第一，環(huán)保企業(yè)在企業(yè)營運(yùn)過程中時(shí)常存在著賒銷，存貨等資金占用的情況，企業(yè)項(xiàng)目普遍具有前期投資較多的特點(diǎn)，同時(shí)下游客戶多為政府和國有企業(yè)，導(dǎo)致項(xiàng)目資金的回收期也較長.在加大項(xiàng)目投資的同時(shí)，如何降低投資成本，保證企業(yè)自身的長期營運(yùn)能力，排除未來運(yùn)作的隱患，是民營環(huán)保企業(yè)不得不面對(duì)的一大難題.當(dāng)前，環(huán)保產(chǎn)業(yè)屬于新興產(chǎn)業(yè)，且在十九大對(duì)于生態(tài)文明建設(shè)和推動(dòng)綠色發(fā)展的號(hào)召下，環(huán)保企業(yè)得到國家政策的大力扶持，隨著2019年各地方政府優(yōu)惠鼓勵(lì)政策的出臺(tái)，民營環(huán)保企業(yè)應(yīng)該把握時(shí)機(jī)，抓牢產(chǎn)業(yè)東風(fēng)，通過綠色債券等多元化的融資渠道，為保障企業(yè)的運(yùn)營補(bǔ)充資金.

第二，由于環(huán)保項(xiàng)目投資的特點(diǎn)，存在信用風(fēng)險(xiǎn)的環(huán)保企業(yè)現(xiàn)金流各項(xiàng)指標(biāo)比較差.民營環(huán)保企業(yè)由于先天資金實(shí)力的劣勢(shì)，更加需要保障好企業(yè)的現(xiàn)金流.充足的現(xiàn)金流不僅是企業(yè)財(cái)務(wù)狀況健康的保障，也可以為企業(yè)在融資市場(chǎng)建立良好的資信形象從而降低融資的成本和難度，同時(shí)面對(duì)大量的項(xiàng)目機(jī)會(huì)，能有足夠的資金投資.而如今的環(huán)保產(chǎn)業(yè)市場(chǎng)上民營企業(yè)想抗衡資金雄厚的國有企業(yè)，難度很大.民營環(huán)保企業(yè)可以選擇聯(lián)合國企合作中標(biāo)環(huán)保項(xiàng)目，通過提供和協(xié)助完善技術(shù)方案，以期創(chuàng)造價(jià)值，獲得收益，保障企業(yè)運(yùn)營.

第三，環(huán)保產(chǎn)業(yè)作為新興技術(shù)產(chǎn)業(yè)，很容易受國家政策，市場(chǎng)環(huán)境等外部環(huán)境因素的影響，建立良好的財(cái)務(wù)管理模式和信用風(fēng)險(xiǎn)預(yù)警機(jī)制可以幫助企業(yè)建設(shè)長期財(cái)務(wù)戰(zhàn)略規(guī)劃，以保證民營環(huán)保企業(yè)在長期經(jīng)營中防控風(fēng)險(xiǎn).同時(shí)科學(xué)的預(yù)知企業(yè)自身管理可能存在的問題，也可以幫助其合理調(diào)控自生資產(chǎn)結(jié)構(gòu)、運(yùn)營策略、實(shí)現(xiàn)收益最大化.