洪欣琪，阮素梅

（安徽財(cái)經(jīng)大學(xué) 金融學(xué)院，安徽 蚌埠233000）

中小企業(yè)在一國(guó)的經(jīng)濟(jì)發(fā)展中占據(jù)重要的地位，發(fā)揮著關(guān)鍵性作用。2018 年習(xí)近平總書記在不同城市考察中小企業(yè)發(fā)展?fàn)顩r時(shí)提出“黨中央高度重視中小企業(yè)發(fā)展”[1]。2019 年三季度，中小企業(yè)發(fā)展指數(shù)（SMEDI）為92.8，與上季度持平。2019 年我國(guó)中小企業(yè)營(yíng)業(yè)收入已達(dá)到約78.1 萬(wàn)億元，2019～2023 預(yù)計(jì)年均復(fù)合增長(zhǎng)率約為3.75%，2023 年將達(dá)到90.5 萬(wàn)億元。但中小企業(yè)在發(fā)展過程中仍存在種種阻礙，“第三年檻”現(xiàn)象[2]較為普遍，即中小企業(yè)經(jīng)營(yíng)到第三年時(shí)很可能會(huì)面臨破產(chǎn)的風(fēng)險(xiǎn)，這種風(fēng)險(xiǎn)大多因?yàn)槠髽I(yè)存在財(cái)務(wù)困境所致。

為了促進(jìn)中小企業(yè)健康穩(wěn)定發(fā)展，構(gòu)建預(yù)警體系、建立財(cái)務(wù)困境預(yù)警模型預(yù)測(cè)中小企業(yè)財(cái)務(wù)危機(jī)對(duì)企業(yè)自身、銀行等金融機(jī)構(gòu)以及政府而言尤為重要。傳統(tǒng)的財(cái)務(wù)困境預(yù)警方式包括財(cái)務(wù)分析法和企業(yè)資信評(píng)級(jí)法[3]，但隨著時(shí)間推移，傳統(tǒng)財(cái)務(wù)困境預(yù)警方法的眾多弊端顯現(xiàn)，預(yù)測(cè)準(zhǔn)確性無(wú)法滿足中小企業(yè)經(jīng)營(yíng)發(fā)展的需要。眾多研究結(jié)果顯示：利用機(jī)器學(xué)習(xí)、深度學(xué)習(xí)的手段進(jìn)行中小企業(yè)財(cái)務(wù)困境預(yù)測(cè)時(shí)能夠極大提高預(yù)測(cè)的準(zhǔn)確性和效率。

由于中小企業(yè)陷入財(cái)務(wù)困境是一個(gè)持續(xù)的過程，許多研究人員在財(cái)務(wù)困境的界定上有很多不同的觀點(diǎn)。Carmichael[4]認(rèn)為企業(yè)財(cái)務(wù)困境是指企業(yè)經(jīng)營(yíng)受阻，包括出現(xiàn)企業(yè)的流動(dòng)資金短缺、股本不足、拖欠債務(wù)等現(xiàn)象。Beaver[5]認(rèn)為企業(yè)財(cái)務(wù)困境是指企業(yè)因?yàn)殂y行透支、拖欠優(yōu)先股股息、償付債券違約金而進(jìn)行破產(chǎn)清算。Deakin[6]認(rèn)為財(cái)務(wù)困境是指為債權(quán)人的利益而破產(chǎn)、資不抵債或者最終清算公司。在國(guó)內(nèi)，郭小敏等[7]在界定財(cái)務(wù)困境時(shí)提出：財(cái)務(wù)困境的存在不是一瞬間而是一個(gè)循序漸進(jìn)的過程。這給予我們選擇實(shí)驗(yàn)樣本時(shí)的啟示：當(dāng)上市企業(yè)虧損滿3 年，不能定期扭虧或財(cái)務(wù)狀況惡劣時(shí)才會(huì)被ST 處理，本文認(rèn)為將被ST 的企業(yè)作為存在財(cái)務(wù)困境的樣本是合理的。李萌[8]在研究信用風(fēng)險(xiǎn)評(píng)估過程中發(fā)現(xiàn)企業(yè)流動(dòng)性和償債能力顯著反映信用風(fēng)險(xiǎn)是否發(fā)生，由此可知企業(yè)財(cái)務(wù)指標(biāo)能夠反映企業(yè)運(yùn)行狀況，作為實(shí)驗(yàn)研究依據(jù)具有說(shuō)服力。

數(shù)量和統(tǒng)計(jì)方法是最經(jīng)典的企業(yè)財(cái)務(wù)困境預(yù)測(cè)方法，Altman[9]提出了利用多變量辨別分析建立最早的財(cái)務(wù)困境預(yù)測(cè)模型并且最先利用Z-score 模型估計(jì)企業(yè)破產(chǎn)的可能性。1980 年之后機(jī)器學(xué)習(xí)快速發(fā)展，決策樹、神經(jīng)網(wǎng)絡(luò)、集成算法在各個(gè)領(lǐng)域得到廣泛的應(yīng)用，Odom[10]首次將人工神經(jīng)網(wǎng)絡(luò)應(yīng)用到企業(yè)破產(chǎn)預(yù)測(cè)。劉厚欽等[11]利用機(jī)器學(xué)習(xí)算法中的迭代法和集成學(xué)習(xí)算法進(jìn)行信用風(fēng)險(xiǎn)預(yù)測(cè)時(shí)效果較好，但發(fā)現(xiàn)實(shí)際數(shù)據(jù)往往存在很多限制，本文通過對(duì)原始數(shù)據(jù)進(jìn)行缺失值填補(bǔ)、異常值篩查、欠采樣處理不平衡數(shù)據(jù)讓預(yù)測(cè)模型呈現(xiàn)更好的效果。方匡南[12]使用SGL—SVM 技術(shù)預(yù)測(cè)財(cái)務(wù)困境，預(yù)測(cè)效果佳，本文認(rèn)為在眾多機(jī)器學(xué)習(xí)算法中，支持向量機(jī)（SVM）存在極佳的分類與預(yù)測(cè)能力。Bradley[13]最初利用支持向量機(jī)進(jìn)行特征選擇，并提出應(yīng)深入探索其泛化能力。許多研究在進(jìn)行特征選擇時(shí)使用方法較為單一，為了更好地把蘊(yùn)含信息的特征篩選出來(lái)本文集成4 種特征選擇方法建立特征選擇模型并對(duì)原始特征進(jìn)行打分最終選擇出與中小企業(yè)財(cái)務(wù)困境關(guān)系最為密切的22 個(gè)特征。Chen[14]經(jīng)過研究發(fā)現(xiàn)，提高支持向量機(jī)預(yù)測(cè)性能的關(guān)鍵在于核函數(shù)的選擇。

綜上所述，大量文獻(xiàn)在對(duì)中小企業(yè)財(cái)務(wù)困境問題展開研究時(shí)采用支持向量機(jī)構(gòu)建預(yù)測(cè)模型，但在進(jìn)行數(shù)據(jù)預(yù)處理和特征選擇時(shí)方法單一，而且就如何改進(jìn)支持向量機(jī)核函數(shù)以及相關(guān)參數(shù)使得模型在提高準(zhǔn)確率的基礎(chǔ)上避免過擬合的問題亟待解決。本文在現(xiàn)有文獻(xiàn)的基礎(chǔ)上，利用欠采樣處理非平衡數(shù)據(jù)，建立特征選擇集成模型挑選擬合性較高的特征并經(jīng)過反復(fù)實(shí)驗(yàn)精進(jìn)選擇使支持向量機(jī)模型預(yù)測(cè)效果評(píng)價(jià)最佳的核函數(shù)，并將支持向量機(jī)預(yù)測(cè)模型與邏輯回歸預(yù)測(cè)模型進(jìn)行對(duì)比，總結(jié)兩種方法的優(yōu)勢(shì)和劣勢(shì)。

1 理論基礎(chǔ)與研究設(shè)計(jì)

1.1 基于支持向量機(jī)的中小企業(yè)財(cái)務(wù)困境預(yù)測(cè)模型

支持向量機(jī)有以下數(shù)學(xué)描述：

給 定 訓(xùn) 練 集 T ={（ x1, y1） , （ x2, y2） , …, （ xn, yn）} ∈（ Rm*γ）n，其 中， xi∈ RM, i = 1,2, … ,n為 樣 本，yi∈ γ= {+ 1, -1 } , i = 1,2, … ,n為樣本 xi對(duì)應(yīng)的類標(biāo)簽。二分類問題即是在 Rm中尋找一個(gè)分類超平面g ( x) = w, x + b, w ∈ Rm,b ∈ R ，使得對(duì)任一樣本x，若 g ( x) ≥ 0，則判斷x 屬于+1 類，若g ( x) ﹤ 0，則判斷x 屬于-1 類。

該模型考慮了與中小企業(yè)經(jīng)營(yíng)相關(guān)財(cái)務(wù)指標(biāo)，對(duì)中小企業(yè)財(cái)務(wù)困境進(jìn)行全面系統(tǒng)的評(píng)價(jià)及預(yù)測(cè)。

設(shè)訓(xùn)練實(shí)例集[ xi, yi]是由輸入變量 xi= Rn和分類值 yi∈-1 ,1, i = 1, … ,I 構(gòu)成，對(duì)于線性分類實(shí)例集，最優(yōu)超平面離散二元決策類規(guī)則的支持向量是由如下公式確定：

其中，Y 為最終結(jié)果， yi為分類訓(xùn)練實(shí)例集 xi分類值，其代表中小企業(yè)財(cái)務(wù)指標(biāo)屬性向量；每個(gè)向量對(duì)應(yīng)于一個(gè)輸入變量 xi, i= 1, …,M，作為支持向量；c和 ai代表確定的超平面參數(shù)。對(duì)于非線性離散實(shí)例集，上式轉(zhuǎn)化為高維形式如下所示：

其中，函數(shù)k 表示中小企業(yè)財(cái)務(wù)困境預(yù)測(cè)不同類型的非線性決策面在輸入空間集的核函數(shù)。

在面對(duì)非線性數(shù)據(jù)時(shí)需要引入核函數(shù)來(lái)處理，核函數(shù)的作用是為了將數(shù)據(jù)的維度轉(zhuǎn)化讓分類更加正確精準(zhǔn)。

核函數(shù)有以下數(shù)學(xué)描述：

稱 k :Rm*Rm→ R是核函數(shù)，如果存在從 Rm到Hilbet 空間? 的映射

使得 ?x , z ∈ Rm,滿足

其中，· 表示空間? 中的內(nèi)積。在二分類問題中，稱作φ 為特征的映射，φ 的像空間? 為特征空間。

核函數(shù)的種類有很多，參考大量文獻(xiàn)可知有4 種常用核函數(shù)：

線性核函數(shù)

多項(xiàng)式核函數(shù)

徑向基核函數(shù)

Sigmoid 核函數(shù)

在核函數(shù)中需要確定眾多參數(shù)的值，包括：C：懲罰項(xiàng)，float 類型；gamma：核函數(shù)系數(shù)，float 類型；coef0：核函數(shù)中的獨(dú)立項(xiàng)，float 類型。

1.2 基于邏輯回歸的中小企業(yè)財(cái)務(wù)困境預(yù)測(cè)模型

在機(jī)器學(xué)習(xí)領(lǐng)域邏輯回歸雖名為“回歸”卻是一種線性分類器，從線性回歸演變而來(lái)，大范圍的應(yīng)用于分類問題中，是財(cái)務(wù)預(yù)警中的常用模型。模型的基本形式是：

P 值表示中小企業(yè)陷入財(cái)務(wù)困境的概率，本文設(shè)定當(dāng)P>0.5 時(shí)表示中小企業(yè)第二年會(huì)發(fā)生財(cái)務(wù)困境；反之，第二年正常經(jīng)營(yíng)。

邏輯回歸在工商業(yè)財(cái)務(wù)困境預(yù)測(cè)中受到青睞，主要得益于其擁有其他二分類器所不具備的優(yōu)點(diǎn)：

（1）邏輯回歸對(duì)于線性關(guān)系的擬合非常優(yōu)秀。包括金融領(lǐng)域中信用卡欺詐、信用評(píng)分卡的制定、電商銷售預(yù)測(cè)等數(shù)據(jù)都是特征與標(biāo)簽之間線性關(guān)系極強(qiáng)的數(shù)據(jù)。

（2）邏輯回歸計(jì)算速度較快。邏輯回歸在線性數(shù)據(jù)的擬合和計(jì)算的速度上非?？?，經(jīng)多次實(shí)驗(yàn)表明其計(jì)算速度要高于隨機(jī)森林以及支持向量機(jī)，并且在大型數(shù)據(jù)上表現(xiàn)較好。

（3）邏輯回歸的結(jié)果不限于0 和1，而是能夠返回連續(xù)型的概率類數(shù)字。在實(shí)際操作中不僅能夠返回客戶是否違約的判斷還能夠計(jì)算出客戶確切的“信用分?jǐn)?shù)”。由此可知，邏輯回歸在實(shí)際問題的處理上具有一定的優(yōu)勢(shì)。

1.3 模型的評(píng)價(jià)

為了辨別基于支持向量機(jī)的中小企業(yè)財(cái)務(wù)困境預(yù)測(cè)模型的分類效果以及與其他分類器相比是否更優(yōu)，本文引入4 種評(píng)價(jià)指標(biāo)，分別為準(zhǔn)確率、召回率AUC 和ROC 曲線。首先，根據(jù)樣本真實(shí)的類別和模型預(yù)測(cè)類別的組合形成4 類，分別為TP（真正例）、FP（假正例）、TN（真反例）、FN（假反例）。很明顯，將這4 類所包含的樣本相加就是完整的數(shù)據(jù)集，分類結(jié)果的混淆矩陣如表1 所示。

1.3.1 準(zhǔn)確率

準(zhǔn)確率（Accuarcy）正確分類的樣本占總樣本的比率即正確分類的概率，是判斷分類模型分類效果最直觀的評(píng)價(jià)指標(biāo)，計(jì)算公式為

表1 分類結(jié)果混淆矩陣

準(zhǔn)確率的判斷受數(shù)據(jù)是否平衡的影響較大，當(dāng)數(shù)據(jù)非平衡時(shí)，準(zhǔn)確率會(huì)出現(xiàn)虛高的情況，需要預(yù)先處理非平衡數(shù)據(jù)以及與其他評(píng)價(jià)指標(biāo)相結(jié)合。

1.3.2 召回率

召回率（recall）又稱查全率，表示樣本的所有正例中有多少被準(zhǔn)確的分辨出來(lái)。召回率公式如下所示

1.3.3 AUC 值與ROC 曲線

ROC 曲線是受試者工作特征曲線的簡(jiǎn)稱，以真陽(yáng)率（TPR）為縱坐標(biāo)，假陽(yáng)率（FPR）為橫坐標(biāo)的感受性曲線。ROC 曲線之所以被廣泛應(yīng)用是因?yàn)椴煌趥鹘y(tǒng)二分類的評(píng)價(jià)方式在ROC 曲線上可以反映更多模糊的中間狀態(tài)，適應(yīng)范圍更廣泛。

如果一個(gè)分類器的ROC 曲線將另一個(gè)分類器的ROC 曲線包裹住，則說(shuō)明前者的分類效果更出色。但是，如果兩個(gè)分類器的ROC 曲線相交則無(wú)法通過曲線圖來(lái)分辨效果，因此，本文引入表示ROC 曲線下方面積的AUC 值，設(shè)ROC 曲線是由眾多點(diǎn)連接而成，點(diǎn)的坐標(biāo)分別為 {( x1, y1),( x2, y2), … ,( xn, yn)}，則：

2 實(shí)驗(yàn)結(jié)果及分析

2.1 數(shù)據(jù)樣本

本文將中小企業(yè)板塊中被ST 公司作為存在財(cái)務(wù)困境的公司樣本，非ST 公司作為正常樣本。為了減少實(shí)驗(yàn)可能出現(xiàn)的異常情況，在數(shù)據(jù)收集時(shí)做了以下數(shù)據(jù)的篩選：

（1）將銀行業(yè)證券業(yè)等價(jià)格波動(dòng)比較大的金融公司剔除；

（2）將數(shù)據(jù)公開不完整的公司剔除；

（3）將不是因?yàn)樨?cái)務(wù)困境而被ST 的公司剔除。

根據(jù)以上要求，共選擇96 家中小企業(yè)，每家中小企業(yè)分別選取其前2 年（t-2），前3 年（t-3），前4 年（t-4）三年的財(cái)務(wù)數(shù)據(jù)來(lái)預(yù)測(cè)當(dāng)年（t 年）財(cái)務(wù)狀況。本文在中小企業(yè)板中選擇2020 年83 家非ST 公司作為正常樣本，13 家首次ST 處理的中小企業(yè)作為存在財(cái)務(wù)困境樣本。為了避免模型過擬合或者失去實(shí)驗(yàn)意義，在樣本數(shù)據(jù)的選擇上類比實(shí)際比例。本文還選取了2020 年66 家企業(yè)作為測(cè)試集其中14 家ST 企業(yè)作為存在財(cái)務(wù)困境的樣本，52 家非ST 企業(yè)作為正常樣本。實(shí)驗(yàn)中的所有數(shù)據(jù)均來(lái)自于國(guó)泰安數(shù)據(jù)庫(kù)。

2.2 數(shù)據(jù)預(yù)處理和特征選擇

2.2.1 缺失值處理

本文共選取62 個(gè)中小企業(yè)財(cái)務(wù)指標(biāo)，首先觀察收集的數(shù)據(jù)是否存在缺失值隨后利用python 對(duì)數(shù)據(jù)中缺失值進(jìn)行探索，根據(jù)下表2 所示共62 個(gè)財(cái)務(wù)指標(biāo)均存在缺失值，且缺失程度各異。

表2 缺失值探索

經(jīng)過檢驗(yàn)發(fā)現(xiàn)，本文數(shù)據(jù)不服從正態(tài)分布，所以無(wú)法采用簡(jiǎn)單的均值進(jìn)行缺失值的填補(bǔ)。故本文選擇K-最近鄰（KNN）法填補(bǔ)數(shù)據(jù)缺失值。

2.2.2 異常值處理

當(dāng)機(jī)器或數(shù)據(jù)整理人員出現(xiàn)紕漏時(shí)極易出現(xiàn)個(gè)別數(shù)據(jù)明顯不符合整體數(shù)據(jù)特性的情況即出現(xiàn)異常值。本文首先通過描述性統(tǒng)計(jì)方法對(duì)數(shù)據(jù)中的異常值進(jìn)行探索，結(jié)果如表3 所示。

表3 描述性統(tǒng)計(jì)結(jié)果（部分）

通過描述性統(tǒng)計(jì)結(jié)果可以看出，共有9 個(gè)財(cái)務(wù)指標(biāo)存在異常本文將存在異常的財(cái)務(wù)指標(biāo)進(jìn)行刪除處理（表4）。

表4 異常財(cái)務(wù)指標(biāo)

2.2.3 非平衡數(shù)據(jù)處理

本文希望通過獲得的中小企業(yè)財(cái)務(wù)指標(biāo)的數(shù)據(jù)建立財(cái)務(wù)困境預(yù)測(cè)模型，但中小企業(yè)板塊中“ST”處理的樣本數(shù)量占樣本總量的比例較低，屬于不平衡數(shù)據(jù)，利用類別不平衡數(shù)據(jù)建立預(yù)測(cè)模型會(huì)出現(xiàn)分類器失真現(xiàn)象。為了提高分類器對(duì)中小企業(yè)財(cái)務(wù)指標(biāo)數(shù)據(jù)的分類預(yù)測(cè)能力，本文采用規(guī)律性強(qiáng)、時(shí)間成本低的“欠采樣”方法，以RUSBoost 集成分類為主，迭代訓(xùn)練集分類器，適當(dāng)減少“非ST”中小企業(yè)樣本但不影響研究?jī)r(jià)值的體現(xiàn)。

2.2.4 特征選擇

本文選取與中小企業(yè)償債能力、盈利能力、每股指標(biāo)、發(fā)展能力、現(xiàn)金獲取能力、成長(zhǎng)能力相關(guān)的62個(gè)財(cái)務(wù)指標(biāo)作為原始數(shù)據(jù)，在此基礎(chǔ)上進(jìn)行特征選擇篩選出與目標(biāo)變量關(guān)系更密切的特征。許多研究人員在進(jìn)行特征選擇時(shí)僅利用單一的特征選擇方法，本文集成f_classif、隨機(jī)森林、Lasso、XGBoost 四種特征選擇方法構(gòu)建特征選擇評(píng)分模型，4 種特征選擇方法分別按照財(cái)務(wù)指標(biāo)的重要性進(jìn)行順序排序，其中f_classific特征選擇篩選出24 個(gè)財(cái)務(wù)指標(biāo)，隨機(jī)森林特征選擇篩選出15 個(gè)財(cái)務(wù)指標(biāo)，Lasso 特征選擇篩選出5 個(gè)財(cái)務(wù)指標(biāo)，XGBoost 特征選擇篩選出18 個(gè)財(cái)務(wù)指標(biāo)，在評(píng)分模型中被1 種特征選擇方式選中記1 分，得分在2分及2 分以上的財(cái)務(wù)指標(biāo)將作為實(shí)驗(yàn)特征，最終從62 個(gè)財(cái)務(wù)指標(biāo)中篩選出15 個(gè)實(shí)驗(yàn)特征，特征選擇評(píng)分模型如圖1 所示。

根據(jù)構(gòu)建的特征選擇評(píng)分模型結(jié)果，本文從62 個(gè)中小企業(yè)財(cái)務(wù)指標(biāo)中選取15 個(gè)財(cái)務(wù)指標(biāo)作為訓(xùn)練財(cái)務(wù)困境預(yù)測(cè)模型的實(shí)驗(yàn)特征，特征選擇結(jié)果如表5 所示。

圖1 特征選擇評(píng)分模型

表5 特征選擇數(shù)據(jù)集

2.3 結(jié)果分析

2.3.1 支持向量機(jī)財(cái)務(wù)困境預(yù)測(cè)模型的建立與調(diào)參

為了提高支持向量機(jī)模型的預(yù)測(cè)效果，需要選擇使得模型準(zhǔn)確率、召回率、AUC 值盡可能高的核函數(shù)。本文將96 家中小企業(yè)3 年的財(cái)務(wù)數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練，找出最優(yōu)核函數(shù)，具體結(jié)果如下表7。

表6 所選特征釋義

表7 核函數(shù)的選擇

由表7 可知，徑向基核函數(shù)準(zhǔn)確率、召回率、AUC 值均達(dá)到最高，此時(shí)模型的預(yù)測(cè)效果最好。

C 值是核函數(shù)中最重要的參數(shù)，選擇7 個(gè)C 值的備選數(shù)值，通過對(duì)分類器反復(fù)訓(xùn)練得到準(zhǔn)確率最高的C 值，具體結(jié)果如表8，圖2 所示。

表8 C 值的選擇

圖2 C 值選擇效果圖

由表8 可知，當(dāng)C=1.06 和C=6.32 時(shí)準(zhǔn)確度均能夠達(dá)到0.88，根據(jù)圖2 所示C=1.06 時(shí)模型最早實(shí)現(xiàn)最優(yōu)狀態(tài)，C 值作為懲罰系數(shù)，過大表示對(duì)誤差的容忍度較小，但容易出現(xiàn)過擬合；過小時(shí)則容易出現(xiàn)模型欠擬合，所以在選擇徑向基核函數(shù)的基礎(chǔ)上分別將2 個(gè)C 值代入模型觀察二者的準(zhǔn)確性、召回率以及AUC 值，結(jié)果如表9 所示。

由表9 可知，如果將C 值設(shè)置為6.23 則會(huì)出現(xiàn)過擬合現(xiàn)象，故在最終的分類模型中選擇徑向基核函數(shù)，C 值確定為1.06。模型整體在訓(xùn)練集的準(zhǔn)確率達(dá)到0.98，召回率、AUC 值均達(dá)到1.00，分類效果出色。

表9 C 值的選擇

2.3.2 模型結(jié)果對(duì)比

調(diào)參后，支持向量機(jī)預(yù)測(cè)模型和邏輯回歸預(yù)測(cè)模型分類效果ROC 曲線圖如圖3, 4 所示。

圖3 支持向量機(jī)預(yù)測(cè)模型ROC 曲線

圖4 邏輯回歸預(yù)測(cè)模型ROC 曲線

由圖3, 4 可知，支持向量機(jī)預(yù)測(cè)模型ROC 曲線凸起更靠近左上角，表示支持向量機(jī)預(yù)測(cè)模型的效果更好。

使用66 家中小企業(yè)3 年的財(cái)務(wù)指標(biāo)體系數(shù)據(jù)作為測(cè)試集分別進(jìn)行兩種模型效果檢驗(yàn)，結(jié)果如表10 所示。

表10 測(cè)試集結(jié)果

由表10 可知，支持向量機(jī)預(yù)測(cè)模型對(duì)于中小企業(yè)財(cái)務(wù)困境的預(yù)測(cè)準(zhǔn)確率高于邏輯回歸，故本文認(rèn)為以追求預(yù)測(cè)準(zhǔn)確率為目標(biāo)時(shí)，支持向量機(jī)方法要優(yōu)于邏輯回歸。

3 研究結(jié)果與政策建議

本文選取中小企業(yè)財(cái)務(wù)數(shù)據(jù)并進(jìn)行平衡數(shù)據(jù)與特征選擇等數(shù)據(jù)預(yù)處理，利用支持向量機(jī)和邏輯回歸方法分別建立財(cái)務(wù)困境預(yù)測(cè)模型。實(shí)驗(yàn)結(jié)果顯示，在建立支持向量機(jī)財(cái)務(wù)困境預(yù)測(cè)模型過程中，通過選擇徑向基核函數(shù)，以及確定基于徑向基核函數(shù)的最優(yōu)參數(shù)C=1.06，能夠大大提高支持向量機(jī)模型的預(yù)測(cè)準(zhǔn)確率，并且通過調(diào)整核函數(shù)和其他參數(shù)更有利于將模型向其他領(lǐng)域推廣；雖然邏輯回歸預(yù)測(cè)模型能夠處理大規(guī)模樣本但其模型預(yù)測(cè)準(zhǔn)確性遠(yuǎn)低于支持向量機(jī)模型，根據(jù)實(shí)驗(yàn)結(jié)果，本文認(rèn)為使用支持向量機(jī)進(jìn)行中小企業(yè)財(cái)務(wù)困境預(yù)測(cè)更加優(yōu)越。支持向量機(jī)的優(yōu)勢(shì)在于其更加成熟和先進(jìn)的算法大大提高了模型的準(zhǔn)確性，滿足我們進(jìn)行中小企業(yè)財(cái)務(wù)困境預(yù)測(cè)的最終目標(biāo)。支持向量機(jī)不僅可以通過調(diào)整核函數(shù)以及C 值改變模型適用于各種各樣不同的財(cái)務(wù)數(shù)據(jù)，還可以根據(jù)AUC 值及召回率迎合不同的實(shí)驗(yàn)?zāi)康?，如在一些?shí)際狀況中，某一次財(cái)務(wù)危機(jī)將帶來(lái)致命的損失和打擊，此時(shí)將不再一味追求預(yù)測(cè)準(zhǔn)確率而是以犧牲準(zhǔn)確率為前提將所有財(cái)務(wù)風(fēng)險(xiǎn)排除在外，在這種情況下便會(huì)選擇召回率更高的模型。支持向量機(jī)的劣勢(shì)在于不能很好地處理大規(guī)模數(shù)據(jù)集和多分類問題，同時(shí)運(yùn)算速度慢于邏輯回歸。

邏輯回歸的優(yōu)勢(shì)在于不僅僅能返回其準(zhǔn)確性概率，還能夠得到具有定性分類作用的連續(xù)型數(shù)值，更易于解釋和操作，且運(yùn)算速度更快，并能夠處理大規(guī)模數(shù)據(jù)。邏輯回歸的劣勢(shì)首先在于計(jì)算的復(fù)雜度低于支持向量機(jī)，所以準(zhǔn)確性不夠，判錯(cuò)率較高，在實(shí)際應(yīng)用中會(huì)給銀行等金融機(jī)構(gòu)、政府及中小企業(yè)自身的帶來(lái)額外損失；其次，邏輯回歸無(wú)法通過調(diào)參來(lái)確定適合于不同數(shù)據(jù)的模型，根據(jù)不同的實(shí)踐目標(biāo)需要設(shè)定全新的模型，一定程度上增加了預(yù)測(cè)方的研發(fā)成本。

根據(jù)研究結(jié)論，從中小企業(yè)如何應(yīng)對(duì)財(cái)務(wù)困境以及財(cái)務(wù)困境預(yù)測(cè)模型選擇等方面提出建議：

（1）中小企業(yè)要積極預(yù)測(cè)自身是否存在財(cái)務(wù)困境并分析問題所在，降低可能破產(chǎn)的風(fēng)險(xiǎn)；其次，面對(duì)企業(yè)內(nèi)部管理結(jié)構(gòu)會(huì)計(jì)體系混亂的情況應(yīng)該予以重視并進(jìn)行調(diào)整，遵守會(huì)計(jì)準(zhǔn)則，實(shí)現(xiàn)會(huì)計(jì)體系的明朗化和專業(yè)化；最后，將提高中小企業(yè)自身的能力作為重點(diǎn)，提高中小企業(yè)的授信評(píng)級(jí)。

（2）利用支持向量機(jī)建立財(cái)務(wù)困境預(yù)測(cè)模型滿足提高預(yù)測(cè)準(zhǔn)確性的需求，在企業(yè)內(nèi)部、銀行及其他金融機(jī)構(gòu)、政府可以廣泛應(yīng)用；機(jī)器學(xué)習(xí)領(lǐng)域有眾多方法適用于財(cái)務(wù)困境預(yù)測(cè)但各有優(yōu)缺點(diǎn)，通過對(duì)不同模型進(jìn)行結(jié)合，在保持原有模型優(yōu)勢(shì)的基礎(chǔ)上將缺陷降到最低；后續(xù)研究可以拓展到多分類問題，進(jìn)一步建立更完備的財(cái)務(wù)困境預(yù)測(cè)模型。