王 言， 周 紹 妮， 石 凱

(1.北京交通大學(xué) 經(jīng)濟(jì)管理學(xué)院 中國企業(yè)兼并重組研究中心，北京 100044；2.北京郵電大學(xué) 計算機學(xué)院，北京 100876)

一、引 言

黨的十八屆三中全會以來，隨著頂層設(shè)計方案的出臺，國有企業(yè)(以下簡稱“國企”)改革逐步駛?cè)肟燔嚨?。通過國有資本和社會資本的交叉融合[1]，進(jìn)一步推動我國國企解決結(jié)構(gòu)不平衡、不協(xié)調(diào)等問題，全面提高國企發(fā)展的質(zhì)量效益，不斷增強國企可持續(xù)發(fā)展能力，提高國企治理效率。并購重組成為國企改革、實現(xiàn)國企資源優(yōu)化配置的重要手段，推進(jìn)國企并購重組是國企改革的重要一環(huán)[2]。近年來，在國企改革的政策引導(dǎo)下出現(xiàn)了大量國企并購行為，尤其是國有控股上市公司(以下簡稱“國有上市公司”)表現(xiàn)最為明顯。根據(jù)上交所數(shù)據(jù)顯示，2017年滬市國企通過混合所有制改革、專業(yè)化重組以及資產(chǎn)證券化等方式，大力推動企業(yè)資源整合，重組價值超過5 400億元，重大重組價值接近2 000億元；深交所數(shù)據(jù)顯示，2017年深市主板完成的重大資產(chǎn)重組公司有46%重組前為國有控股，重組價值達(dá)2 281.57億元[3]。然而經(jīng)過近幾年的實踐發(fā)現(xiàn)，國企在如此大規(guī)模并購交易背景下，很多企業(yè)超出自身能力范圍盲目進(jìn)行并購而導(dǎo)致并購效果不佳，未能充分發(fā)揮并購協(xié)同作用[4]。如鞍鋼2010年兼并攀鋼后，2015年陷入數(shù)十億元的巨虧。由此看來，研究國有上市公司并購風(fēng)險預(yù)警可以對風(fēng)險早防范、早發(fā)現(xiàn)、早干預(yù)，對提高國企并購成功率具有十分重要的理論和現(xiàn)實意義。

二、文獻(xiàn)綜述

明確影響國有上市公司并購風(fēng)險的關(guān)鍵因素是進(jìn)行并購風(fēng)險預(yù)警的重要前提?，F(xiàn)有文獻(xiàn)對并購風(fēng)險主要從并購業(yè)績角度衡量，對于并購績效的影響因素分別從理論和實證兩方面進(jìn)行研究。在理論方面，國內(nèi)外學(xué)者研究較早，Jensen和Meckling從代理理論出發(fā)認(rèn)為，管理者為了追求自身利益而發(fā)動并購，這主要是由于管理者和所有者的利益沖突所致，管理者為了分散個人風(fēng)險往往會通過多元化并購的方式實現(xiàn)，但基于此目的并購績效仍需商榷[5]305。邱金輝和王紅昕按照并購動機、并購行為、并購績效的邏輯順序，探索并購理論在我國的發(fā)展和研究方向，對于非國有企業(yè)，并購是一種逐利行為，而對于國有或國有控股企業(yè)來講，還反映了政府意志，政府制定了許多財政、稅收優(yōu)惠政策鼓勵并購[6]7。在實證方面，國外學(xué)者Bruton等發(fā)現(xiàn)，在財務(wù)困境時候并購，并購經(jīng)驗對績效的感知測量是正效應(yīng)[7]972；Shahwan發(fā)現(xiàn)，并購商譽與上市公司市場價值之間顯著正相關(guān)[8]63；Wangerin發(fā)現(xiàn)，隨著并購盡職調(diào)查的減少不利于并購績效的提升[9]；Thompson和Kim發(fā)現(xiàn)，并購花費時間較長與并購績效呈顯著負(fù)相關(guān)[10]。國內(nèi)學(xué)者李善民等發(fā)現(xiàn)，支付對價是影響并購績效的主要因素[11]60；陳芳和景世民研究了資產(chǎn)結(jié)構(gòu)包括應(yīng)收賬款、資產(chǎn)周轉(zhuǎn)率、流動比率與并購績效的關(guān)系[12]117；翟進(jìn)步等發(fā)現(xiàn)，債務(wù)融資降低了收購公司的市場績效[13]100；郭妍和張立光通過實證得出，成長性、盈利能力是銀行并購績效的重要影響因素[14]42；黃旭和李衛(wèi)民研究認(rèn)為，員工薪酬越高，企業(yè)并購績效越好[15]113；余鵬翼和王滿四發(fā)現(xiàn)，第一大股東持股比例越高，越有利于提高企業(yè)跨國并購績效[16]64；周紹妮等證明了交易型機構(gòu)投資者股東可以提高國企并購績效[17]73；王艷和李善民發(fā)現(xiàn)，主并方社會信任度越高，越有利于提高并購價值創(chuàng)造能力[18]125；宋賀和段軍山研究認(rèn)為，并購財務(wù)顧問會降低并購績效[19]155。

現(xiàn)有文獻(xiàn)已經(jīng)應(yīng)用大量預(yù)警模型來對風(fēng)險進(jìn)行預(yù)警，分布于自然、日常生活以及經(jīng)濟(jì)等各個領(lǐng)域，尤其是財務(wù)金融方面尤為突出。在自然領(lǐng)域，Yuceer等通過采集土耳其耶斯里爾馬克河(Yesilirmak)流域?qū)嵉赜^測數(shù)據(jù)，利用RSDS水質(zhì)模型對流域水質(zhì)污染問題進(jìn)行了預(yù)測[20]；李楊帆等基于風(fēng)險受體敏感性、城市不透水面變化率等指標(biāo)構(gòu)建了景觀生態(tài)風(fēng)險空間預(yù)警模型，提出了改進(jìn)措施[21]。在日常生活及應(yīng)用方面，李祥飛和閻耀軍利用支持向量機模型實現(xiàn)了對公共危機事件危害范圍的預(yù)警[22]；馮文剛和黃靜基于民航、公安數(shù)據(jù)庫和三層深度神經(jīng)網(wǎng)絡(luò)構(gòu)建出旅客安檢和航班預(yù)警模型對機場安全檢查進(jìn)行分級分類安檢，極大地提升了工作效率和用戶體驗[23]；Zhong等基于機場道路表面紋理的分形特征和胎面膠的粘彈性，建立了以摩擦系數(shù)為評價標(biāo)準(zhǔn)的機場路面防滑風(fēng)險動態(tài)評價預(yù)警模型[24]。在財務(wù)金融方面，Li和Wang將Logistic財務(wù)預(yù)警模型應(yīng)用到DEA效率評價中[25]；王玉冬結(jié)合PSO-BP和FOA-BP神經(jīng)網(wǎng)絡(luò)模型原理，選取高新技術(shù)企業(yè)財務(wù)數(shù)據(jù)，對高新企業(yè)財務(wù)危機進(jìn)行了有效預(yù)警[26]；Louzis和Vouldis通過構(gòu)建金融系統(tǒng)性壓力指數(shù)(FSSI)對金融危機進(jìn)行預(yù)警[27]；谷慎和汪淑娟構(gòu)建了支持向量機的碳金融風(fēng)險預(yù)警模型[28]；Mancino和Sanfelici基于給定市場沖擊的傳播衰減率計算金融不穩(wěn)定性預(yù)警指標(biāo)，利用CEV模型并使用S&P500指數(shù)期貨逐筆數(shù)據(jù)對指標(biāo)的屬性進(jìn)行研究[29]。

綜上所述，現(xiàn)有文獻(xiàn)利用人工智能算法進(jìn)行了諸多分類與預(yù)測研究。但是，還沒有針對并購重組問題引入人工智能預(yù)測模型，并購重組研究依然停留在傳統(tǒng)的實證計量方法，并且傳統(tǒng)的實證方法只能研究關(guān)系型問題，而對預(yù)測問題卻不適用。人工智能算法功能十分強大，這將為傳統(tǒng)計量方法不能解決的預(yù)測問題提供基礎(chǔ)。人工智能算法包含機器學(xué)習(xí)和深度學(xué)習(xí)，深度學(xué)習(xí)適合擁有海量數(shù)據(jù)的研究，本文研究內(nèi)容為并購問題，數(shù)據(jù)量較少，遂選用機器學(xué)習(xí)算法更為適宜。基于上述內(nèi)容，建立了國有上市公司并購風(fēng)險指標(biāo)評價體系，基于XGBoost算法構(gòu)建國有上市公司并購風(fēng)險預(yù)警模型，將預(yù)警結(jié)果與經(jīng)典機器學(xué)習(xí)模型GBDT(梯度提升決策樹)、RF(隨機森林)和傳統(tǒng)Logistic(邏輯回歸)模型作對比實驗，顯示出其精度上的優(yōu)越性，并運用多元線性回歸模型對影響因素實證檢驗。

三、XGBoost算法和設(shè)計

1.CART回歸樹

XGBoost算法是基于CART回歸樹模型實現(xiàn)的。CART的回歸樹是二叉樹模型，其會根據(jù)特征不斷分裂左子樹和右子樹，式(1)中R代表樣本，j代表樣本特征，s代表特征值，即第j個特征中小于s特征值的樣本為左子樹，大于s特征值的樣本為右子樹。

(1)

所以CART回歸樹就是基于樣本特征劃分樣本空間，那么如何使空間的劃分最為合理是必須要解決的問題，既是難點也是重點，這直接決定了模型的精度。CART回歸樹產(chǎn)生的目標(biāo)函數(shù)如式(2)所示：

(2)

如果想得到最優(yōu)的切分特征j和切分點s，可以將式(2)轉(zhuǎn)化為求解式(3)這種目標(biāo)函數(shù)：

(3)

這時只要求解所有特征的所有切分點，就可以找到最優(yōu)切分特征和切分點，得到一棵整體回歸樹。

2.XGBoost算法思想和原理

(1)XGBoost算法思想

XGBoost算法是Chen和Guestrin提出的一種集成學(xué)習(xí)模型，借助了CART回歸樹的思想，又有所改進(jìn)[30]。算法的核心思想是不斷地添加樹，新添加的樹會根據(jù)特征分裂再生長一棵樹，添加樹的過程就是學(xué)習(xí)新函數(shù)的過程。根據(jù)樣本特征將每棵樹落到對應(yīng)的葉子節(jié)點上，將每個葉子節(jié)點上的分?jǐn)?shù)相加就能得到預(yù)測值。

(4)

WhereF={f(x)=ωq(x)}(q:Rm→T,ω∈RT)

(5)

注：ωq(x)為葉子節(jié)點q的分?jǐn)?shù)，f(x)為其中一棵回歸樹，T表示葉子結(jié)點個數(shù)。

(2)XGBoost算法原理

XGBoost目標(biāo)函數(shù)定義為：

(6)

目標(biāo)函數(shù)包括真實預(yù)測偏差和正則化項兩個部分。其中，由于新樹需要擬合上次預(yù)測偏差，所以當(dāng)t棵樹生成以后預(yù)測分?jǐn)?shù)可以寫成：

(7)

因此，目標(biāo)函數(shù)就變?yōu)椋?/p>

(8)

根據(jù)式(3)找到使目標(biāo)函數(shù)最小化的ft，XG Boost利用其在ft=0處的泰勒二階展開近似它，得到：

(9)

其中，gi為一階導(dǎo)數(shù)，hi為二階導(dǎo)數(shù)：

(10)

由于目標(biāo)函數(shù)優(yōu)化不受y的殘差與預(yù)測分?jǐn)?shù)影響，故簡化目標(biāo)函數(shù)為：

(11)

上式是將每個樣本的損失函數(shù)值加起來，由于最終每個樣本都會落到一個葉子結(jié)點，可以將同一個葉子結(jié)點的樣本重組起來，步驟如式(12)所示：

(12)

其中，T表示葉子結(jié)點個數(shù)，ω表示葉子節(jié)點分?jǐn)?shù)，γ表示可以控制葉子結(jié)點個數(shù)，λ表示可以控制葉子節(jié)點分?jǐn)?shù)，防止過擬合。這樣就將目標(biāo)函數(shù)改寫成關(guān)于葉子結(jié)點分?jǐn)?shù)ω的一個一元二次函數(shù)，結(jié)合頂點公式最優(yōu)的葉子節(jié)點分?jǐn)?shù)ω和目標(biāo)函數(shù)公式為：

(13)

(14)

最后，運用貪婪算法確定樹的結(jié)構(gòu)，找出所有特征的分裂點，利用式(14)目標(biāo)函數(shù)值作為評價函數(shù)。分裂后目標(biāo)函數(shù)值比葉子節(jié)點的目標(biāo)函數(shù)值增益，但為了限制樹生長過深而增加了閾值，只有當(dāng)增益大于該閾值才進(jìn)行分裂。同時，還可以設(shè)置樹的最大深度、樣本權(quán)重等來防止過擬合。

四、國有上市公司并購風(fēng)險界定和影響因素

1.國有上市公司并購風(fēng)險的界定

根據(jù)上述文獻(xiàn)研究成果，并購?fù)瓿珊蟮目冃菄猩鲜泄静①彸晒εc否的主要衡量標(biāo)準(zhǔn)，也是并購風(fēng)險度量最重要的指標(biāo)。結(jié)合本文研究內(nèi)容采用周紹妮等[17]71衡量并購績效的方法，即并購?fù)瓿汕昂笠荒陜糍Y產(chǎn)收益率的差額。如果并購后企業(yè)績效提高，則為安全并購；如果并購后企業(yè)績效降低，則說明并購風(fēng)險較大。

2.影響并購風(fēng)險的關(guān)鍵因素

通過前述文獻(xiàn)分析，本文總結(jié)包括企業(yè)資產(chǎn)結(jié)構(gòu)風(fēng)險、創(chuàng)利能力風(fēng)險、價值再造風(fēng)險、法人治理風(fēng)險、外部監(jiān)督風(fēng)險以及并購特征風(fēng)險共同作用的19個可能影響國有上市公司并購風(fēng)險的指標(biāo)，具體如表1所示。

表1 國有上市公司并購風(fēng)險指標(biāo)評價體系

五、樣本和變量的選取與分析

1.數(shù)據(jù)選取、處理及分析

(1)并購事件

本文基于同花順iFinD數(shù)據(jù)庫，選取滬深A(yù)股國有上市公司2014～2017年并購事件為研究樣本，并購收購標(biāo)的為股權(quán)，剔除資產(chǎn)剝離、資產(chǎn)置換、資產(chǎn)收購、債務(wù)重估以及吸收合并等廣義并購形式。經(jīng)過數(shù)據(jù)篩選和處理最終得到1 806條并購樣本。具體篩選和處理步驟為：①首次公告日實際控制人為國務(wù)院國資委、地方國資委或其他具有政府機構(gòu)性質(zhì)的行政機關(guān)、事業(yè)單位、國有企業(yè)等研究對象，不包括國有股東為第一大股東但無實際控制人的上市公司的并購交易[17]70；②上市公司為收購方的樣本；③剔除并購交易未完成或已經(jīng)終止的樣本，以及并購交易正在進(jìn)行中的樣本；④剔除金融類企業(yè)；⑤剔除上市年份不足以及被特別處理(ST)的樣本；⑥剔除其他關(guān)鍵研究數(shù)據(jù)不全或缺失的樣本。

(2)指標(biāo)數(shù)據(jù)搜集

現(xiàn)有文獻(xiàn)對影響國有上市公司并購風(fēng)險指標(biāo)進(jìn)行了大量規(guī)范性研究，但是，很多治理、監(jiān)督指標(biāo)數(shù)據(jù)都不能直接從數(shù)據(jù)庫獲得，這些指標(biāo)獲取難度大且可能會對國有上市公司并購風(fēng)險預(yù)警產(chǎn)生很大影響。所以，本文首先選用同花順iFinD數(shù)據(jù)庫提取部分直接可獲得數(shù)據(jù)，然后基于扎根理論(Grounded Theory)[31]的原理和方法，利用文本挖掘(Textual Mining)[32]和網(wǎng)絡(luò)爬蟲(Web Crawler)[33]技術(shù)，通過列出指標(biāo)關(guān)鍵詞，使用python和正則法則進(jìn)行匹配，抓取了上市公司一手不易獲得的數(shù)據(jù)。詳細(xì)操作過程如圖1所示。其中，運用扎根理論是通過挖掘大量經(jīng)驗資料，總結(jié)并升華到理論的過程；文本挖掘是從海量的文本庫中抽取隱含的、未知的、有價值數(shù)據(jù)的技術(shù)；網(wǎng)絡(luò)爬蟲是通過模擬人訪問網(wǎng)絡(luò)，從而獲取圖片、數(shù)據(jù)等有用信息的過程；正則法則是對字符串操作的一種邏輯公式，用以匹配相應(yīng)關(guān)鍵詞。此外，在進(jìn)行數(shù)據(jù)抓取前，還需制作指標(biāo)抓取具體規(guī)則，即需求文檔，針對不可直接獲得的3項指標(biāo)數(shù)據(jù)(COO、FB、WHP)的需求文檔如表2所示。

表2 抓取網(wǎng)頁和文本數(shù)據(jù)的需求文檔

圖1 基于扎根理論的文本挖掘和網(wǎng)絡(luò)爬蟲抓取數(shù)據(jù)分析框架與流程

(3)指標(biāo)數(shù)據(jù)處理

①屬性值處理和轉(zhuǎn)化數(shù)值類型。屬性值處理即非數(shù)值屬性的數(shù)值化，經(jīng)過分析發(fā)現(xiàn)非數(shù)值屬性可分為兩種：屬性值之間有趨勢的文本屬性和屬性值之間無趨勢的文本屬性。國有上市公司并購風(fēng)險關(guān)鍵因素的三級19項指標(biāo)體系中非數(shù)值屬性數(shù)據(jù)都屬于屬性值之間有趨勢的文本屬性，如是否有首席執(zhí)行官、所聘事務(wù)所是否四大會計師事務(wù)所以及是否有扶助貧困行為，采用0和1量化的方法進(jìn)行取值，是則取值為1，反之為0。此外，對于有些特征，本身不是數(shù)值類型的，這些數(shù)據(jù)是不能被算法直接使用的，所以要將所有的非數(shù)值型數(shù)據(jù)轉(zhuǎn)化成數(shù)值型。

②正向化和連續(xù)數(shù)值歸一化處理。利用XGBoost算法構(gòu)建的預(yù)警模型對國有上市公司并購風(fēng)險進(jìn)行預(yù)警之前，若指標(biāo)方向不全是正向化的，或者存在逆向指標(biāo)，則不會得到有效結(jié)論，故需要將逆向指標(biāo)進(jìn)行正向化處理，方法是將逆向指標(biāo)取倒數(shù)變?yōu)檎蚧笜?biāo)。本文選取的指標(biāo)除應(yīng)收占比、商譽水平、支付對價凈利潤比以及支付對價權(quán)益比四個指標(biāo)外其余均為正向化指標(biāo)，即指標(biāo)數(shù)值越大越好。此外，由于有些屬性的連續(xù)數(shù)值規(guī)模較大，預(yù)警模型對指標(biāo)的量綱要求較高，對收斂速度有很大影響，故為了使各項指標(biāo)間具有可比性以及模型的預(yù)測結(jié)果更加精準(zhǔn)，需要對各項連續(xù)指標(biāo)進(jìn)行歸一化處理。本文利用python軟件按照歸一化公式編程進(jìn)行處理。

2.描述性統(tǒng)計分析

(1)并購發(fā)生的地域分布

國有上市公司并購樣本中，東部沿海地區(qū)發(fā)生并購次數(shù)最多，東北地區(qū)和中部地區(qū)發(fā)生并購次數(shù)居中；西部地區(qū)除新疆外，發(fā)生并購次數(shù)較少。北京、廣東、上海發(fā)生并購次數(shù)位列前3名，分別為245次、222次、201次，占并購樣本比例分別為13.57%、12.29%、11.13%，總和占比為36.99%，超過全體并購樣本的1/3。由此可見，國有上市公司并購與當(dāng)?shù)亟?jīng)濟(jì)發(fā)展具有高度相關(guān)性。

(2)并購發(fā)生的行業(yè)分布

國有上市公司并購樣本中，制造業(yè)、批發(fā)和零售業(yè)、房地產(chǎn)業(yè)是并購的高發(fā)區(qū)，分別為796次、176次、163次，占并購樣本比例分別為44.08%、9.75%、9.03%，總和占比為62.86%，超過全體樣本的60%。原因是從整個A股上市公司來看，這些行業(yè)的公司樣本較多。

(3)并購風(fēng)險指標(biāo)整體描述

對國有上市公司并購風(fēng)險全部評價指標(biāo)進(jìn)行了描述性統(tǒng)計分析，表3列出了25% 分位數(shù)、中位數(shù)、75%分位數(shù)、均值、標(biāo)準(zhǔn)差、最小值和最大值。在2014～2017年除金融行業(yè)之外的滬深A(yù)股國有上市公司并購事件中：歷史是否發(fā)生并購指標(biāo)的中位數(shù)為1，均值為0.62，表明國有上市公司較多發(fā)生過并購，具有較強的并購經(jīng)驗；支付對價凈利潤比均值為2.33，表明較多國有上市公司并購支付價款高于公司當(dāng)年凈利潤；流動比率均值為1.71，中位數(shù)為1.29，說明過半數(shù)國有上市公司流動比率低于平均水平；凈利現(xiàn)金含量和收入增長率標(biāo)準(zhǔn)差較大，說明國有上市公司凈利現(xiàn)金含量和收入增長率波動大。

表3 并購風(fēng)險預(yù)警樣本各變量描述性統(tǒng)計

3.相關(guān)性分析

并購風(fēng)險預(yù)警變量間可能存在共線性關(guān)系，進(jìn)而干擾預(yù)警精確度。為了使研究結(jié)論更具穩(wěn)健性，本文同時選用Kaiser-Meyer-Olkin(KMO)統(tǒng)計量、Bartlett’s球形、Pearson相關(guān)性矩陣以及方差膨脹因子(Variance Inflation Factor，VIF)進(jìn)行相關(guān)性驗證：KMO和Bartlett的Sig值為0，小于0.05，但KMO值為0.438，小于0.6，表明變量不太適合因子分析；各變量的VIF值最大值為2.37，均值為1.42；Pearson相關(guān)性矩陣變量之間的相關(guān)系數(shù)都小于0.65。所以，綜上4種方法說明變量間不存在多重共線性的干擾并且變量選取合理。本文所有檢驗均通過SPSS 20.0軟件得出。

六、實驗結(jié)果分析

1.類別聚合

為了加強樣本分類方法訓(xùn)練集與測試集的泛化能力，本文驗證分類方法的精度使用K折交叉驗證法進(jìn)行估計。Kohavi[34]指出K折交叉驗證是將整個數(shù)據(jù)集分成互斥的K個子集，每次使用(K-1)個子集作為訓(xùn)練集，剩余一個子集作為測試集，這樣總共得到K次訓(xùn)練和測試結(jié)果，K次測試結(jié)果的平均值即為驗證分類方法的精度估計值，如式(15)所示。本文采用五折交叉驗證方法，按照4:1比例將樣本大體分為5份，每份約362個樣本。從5份樣本中逐次抽取4份即1 444個樣本作為訓(xùn)練集，剩下362個樣本作為測試集。一部分用來訓(xùn)練分類器，另一部分用來檢驗分類器的效果，每個樣本有19個屬性和1個標(biāo)簽，總共訓(xùn)練5次，計算5次結(jié)果的均值求得模型精度估計值。

(15)

2.XGBoost算法的主要參數(shù)及說明

XGBoost算法主要包括3種類型的參數(shù)，即通用類型參數(shù)、Booster參數(shù)和目標(biāo)參數(shù)，其中對算法性能影響較大的是Booster參數(shù)，每類參數(shù)又包括多個具體的參數(shù)，總共多達(dá)幾十個。這些參數(shù)的主要作用是提高模型性能和預(yù)測準(zhǔn)確性，所以，參數(shù)的配置和調(diào)整也是十分必要的。本文利用XGBoost算法構(gòu)建國有上市公司并購風(fēng)險預(yù)警模型，模型的主要參數(shù)及說明如表4所示。

表4 XGBoost算法構(gòu)建預(yù)警模型的主要參數(shù)及說明

3.預(yù)警模型結(jié)果及對比

(1)混淆矩陣、查準(zhǔn)率、召回率與準(zhǔn)確率

在衡量模型預(yù)測結(jié)果時，通常采用混淆矩陣對結(jié)果進(jìn)行區(qū)分，具體如表5所示。在混淆矩陣中，模型分類結(jié)果被分為真正例(TP)、假正例(FP)、真反例(TN)以及假反例(FN)，即積極樣本被分類正確、積極樣本被分類錯誤、消極樣本被分類正確以及消極樣本被分類錯誤，其中FP與FN分別被稱為第一類錯誤與第二類錯誤。

表5 預(yù)警模型的混淆矩陣

通過混淆矩陣可以很快速地計算查準(zhǔn)率(precision)與召回率(recall)、準(zhǔn)確率(accuracy)等指標(biāo)，具體定義如下：

(16)

(17)

(18)

查準(zhǔn)率表示在模型預(yù)測某一預(yù)警區(qū)間樣本中，實際上也處在這一預(yù)警區(qū)間的樣本所占的比例。召回率表示在實際某一預(yù)警區(qū)間樣本中，能夠被模型準(zhǔn)確地預(yù)測為這一預(yù)警區(qū)間的樣本所占的比例。準(zhǔn)確率表示所有樣本被正確分類的比例。此外，對于分類問題，準(zhǔn)確率在作為衡量分類模型性能的指標(biāo)時具有明顯缺陷，所以，本文采用查準(zhǔn)率與召回率而非準(zhǔn)確率作為衡量模型好壞的標(biāo)準(zhǔn)。

(2)F1 score

在某些情況下，查準(zhǔn)率和召回率也會相互矛盾，為了綜合評判模型的預(yù)測能力，可以使用F1score進(jìn)行判定，F(xiàn)1score計算如式(19)所示，即為查準(zhǔn)率與召回率的乘積除以兩者和的二倍。當(dāng)兩者其一值比較小時F1score會急劇下降，是查準(zhǔn)率與召回率的加權(quán)體現(xiàn)。根據(jù)定義，F(xiàn)1score的取值范圍在[0，1]區(qū)間，取值越大，表明模型的預(yù)測能力越強。

(19)

(3)預(yù)警模型結(jié)果比較

為了驗證XGBoost算法預(yù)警能力，本文分別采用經(jīng)典機器學(xué)習(xí)模型GBDT、RF和傳統(tǒng)Logistic模型與XGBoost作對比實驗。圖2報告的是4個模型的查準(zhǔn)率與召回率對比。召回率表達(dá)的是模型找到數(shù)據(jù)集中相關(guān)實例的能力，而查準(zhǔn)率表達(dá)的是模型找到的數(shù)據(jù)點中實際相關(guān)的比例。簡而言之，查準(zhǔn)率高則對判為正例要求嚴(yán)格，召回率高則對判為反例的要求嚴(yán)格。XGBoost、GBDT、RF、Logistic查準(zhǔn)率分別為82%、82%、79%、91%，召回率分別為79%、74%、75%、59%。XGBoost查準(zhǔn)率與GBDT一致，比RF高3%，低于Logistic；XGBoost召回率比GBDT高5%，比RF高4%，大幅高于Logistic。由于查準(zhǔn)率與召回率不能明顯看出差距，需要繼續(xù)用F1score進(jìn)行判斷。

圖2 預(yù)測模型的查準(zhǔn)率和召回率對比

如圖3所示，XGBoost、GBDT、RF、Logistic 4個模型的F1score分別為80%、76%、76%、69%。XGBoost較Logistic高出11%，比RF和GBDT高出4%，表明基于XGBoost算法構(gòu)建的預(yù)警模型預(yù)測能力最強，其次是RF和GBDT，最后是Logistic 回歸模型，可見XGBoost的優(yōu)勢比較明顯，基于XGBoost算法分類器對國有上市公司并購風(fēng)險預(yù)警問題具有非常好的分類效果。

圖3 預(yù)警模型的F1 Score對比

(4)指標(biāo)重要性排序

基于XGBoost模型的訓(xùn)練結(jié)果，探討了19個并購風(fēng)險預(yù)警指標(biāo)對預(yù)測模型的相對重要性。根據(jù)指標(biāo)重要性排序的19個并購風(fēng)險預(yù)警指標(biāo)如圖4所示。排名前三位的指標(biāo)分別為投入資本回報率(權(quán)重系數(shù)0.100)、營業(yè)利潤率(權(quán)重系數(shù)0.082)和支付對價凈利潤比(權(quán)重系數(shù)0.075)。與其他影響因素相比，這3項指標(biāo)對于并購風(fēng)險預(yù)警模型的區(qū)分能力明顯強于其他指標(biāo)，它們的共同特點是都和企業(yè)利潤相關(guān)，說明企業(yè)自身盈利能力對于國有上市公司并購風(fēng)險的預(yù)測更加重要和有效。

圖4 并購風(fēng)險預(yù)警指標(biāo)的相對重要性排序

4.影響因素分析

(1)多元線性回歸模型

為了檢驗各個指標(biāo)對國有上市公司并購風(fēng)險的影響，構(gòu)建以并購凈資產(chǎn)收益率增長額為被解釋變量，影響因素為解釋變量，且包含其他控制變量的計量模型，具體如模型(20)。

ΔROEi，t=β0+β1*RSi，t-1+β2*TATi，t-1+β3*GLi，t-1+β4*GRi，t-1+β5*ROICi，t-1+β6*NPi，t-1+β7*OMPi，t-1+β8*IOBPSi，t-1+β9*ECi，t-1+β10*TAi，t-1+β11*WMAOi，t-1+β12*IGRi，t-1+β13*EBi，t-1+β14*COOi，t-1+β15*FBi，t-1+β16*WHPi，t-1+β17*IISi，t-1+β18*PNPRi，t-1+β19*PCi，t-1+∑INDUSTRY+εi，t-1

(20)

其中，i代表企業(yè)，t為時間；ΔROE為i公司t年并購?fù)瓿傻暮笠荒昱c前一年凈資產(chǎn)收益率的差額；RS至PC表示i公司t-1年末的指標(biāo)狀況，采取滯后一期目的是盡量緩解反向因果可能導(dǎo)致的內(nèi)生性問題；β1～19為變量對應(yīng)估計系數(shù)；INDUSTRY為按照2012年最新版中國證監(jiān)會行業(yè)劃分標(biāo)準(zhǔn)的行業(yè)虛擬變量；β0和ε分別表示常數(shù)項和隨機誤差項。

(2)模型估計結(jié)果

本文利用Stata 14.1統(tǒng)計軟件進(jìn)行多元線性回歸分析，結(jié)果如表6所示。Adj-R2指回歸直線對觀測值的擬合程度，其值為0.235，表明該模型的擬合效果比較好，模型可信度較高，自變量提供的信息能較好地解釋因變量。由表6得出影響國有上市公司并購風(fēng)險預(yù)警模型(21)。

表6 多元線性回歸模型估計結(jié)果

y=0.465GR+8.243IOBPS+94.452TA+0.254PNPR+5.273PC-1.956TAT-1.167ROIC-0.001NP-1.144EB-2.259FB-2.385WHP-0.078IIS-4.997

(21)

(3)結(jié)果分析

通過多元線性回歸檢驗，得到以下結(jié)論：

①資產(chǎn)結(jié)構(gòu)風(fēng)險中總資產(chǎn)周轉(zhuǎn)率(β=-1.956，p<0.01)和投入資本回報率(β=-1.167，p<0.01)對國有上市公司并購風(fēng)險具有十分顯著的抑制作用，即分別每提升一個單位，并購風(fēng)險相應(yīng)減少1.956倍和1.167倍?？傎Y產(chǎn)周轉(zhuǎn)率分析評價資產(chǎn)使用效率，越高說明企業(yè)銷售能力越強，投入資本回報率用于衡量投出資金的使用效果，兩項指標(biāo)都能說明公司資產(chǎn)投資的效益好，有利于帶動被并購企業(yè)資源，降低并購風(fēng)險。

②創(chuàng)利能力風(fēng)險中每股借款利息(β=8.243，p<0.01)和稅收資產(chǎn)(β=94.452，p<0.01)增加了國有上市公司并購風(fēng)險，即分別每提升一個單位，并購風(fēng)險相應(yīng)增加8.243倍和94.452倍。公司付給借款人利息和國家的稅收越多，導(dǎo)致流動資金越少，財務(wù)壓力越大，越不利于并購方安全支付并購款以及并購后的資源合理配置。

③法人治理風(fēng)險中股權(quán)制衡度(β=-1.144，p<0.05)對國有上市公司并購風(fēng)險具有顯著的抑制作用，即每提升一個單位，并購風(fēng)險相應(yīng)減少1.144倍。股權(quán)制衡度較高，既能保留股權(quán)相對集中的優(yōu)勢，又能有效抑制大股東對上市公司利益的侵害，減少過度并購行為發(fā)生，從而將國有上市公司并購風(fēng)險消滅在萌芽之中。

④外部監(jiān)督風(fēng)險中所聘事務(wù)所為四大會計師事務(wù)所(β=-2.259，p<0.05)、具有扶貧行為(β=-2.385，p<0.01)以及機構(gòu)投資者股東持股比例較高(β=-0.078，p<0.01)對國有上市公司并購風(fēng)險具有顯著的抑制作用，即分別每提升一個單位，并購風(fēng)險相應(yīng)減少2.259倍、2.385倍、0.078倍。實證檢驗發(fā)現(xiàn)，四大會計師事務(wù)所的確具有相對較高的審計質(zhì)量和健全的并購咨詢職能；企業(yè)具有扶貧行為，說明企業(yè)社會責(zé)任較強，社會認(rèn)可度高，企業(yè)文化氛圍好，容易被并購雙方和其他利益相關(guān)者接受；機構(gòu)投資者股東對國企并購具有治理作用[35]。這3項指標(biāo)都可以有效提高國有上市公司并購績效，有力控制和降低并購風(fēng)險。

⑤并購特征風(fēng)險中支付對價凈利潤比(β=0.254，p<0.01)和支付對價權(quán)益比(β=5.273，p<0.01)增加了國有上市公司并購風(fēng)險，即分別每提升一個單位，并購風(fēng)險相應(yīng)增加0.254倍和5.273倍。企業(yè)并購支付金額與并購企業(yè)內(nèi)在價值時差額越大，越會相應(yīng)增加企業(yè)自身的財務(wù)壓力，然而被并購企業(yè)由于短期內(nèi)無法帶來高速增長，導(dǎo)致并購整體效果不佳，并購風(fēng)險加大。

七、結(jié)論與建議

1.研究結(jié)論

本文將人工智能算法引入到并購重組領(lǐng)域。選取滬深兩市A股國有上市公司2014～2017年并購事件，旨在通過對我國國有上市公司并購風(fēng)險影響因素做出假設(shè)，基于XGBoost算法構(gòu)建國有上市公司并購風(fēng)險預(yù)警模型進(jìn)行風(fēng)險預(yù)警，并探究了各影響因素對并購風(fēng)險預(yù)警影響的重要程度，運用多元線性回歸模型對影響并購風(fēng)險的相關(guān)因素進(jìn)行了顯著性分析，得到如下結(jié)論：

第一，將基于XGBoost算法構(gòu)建國有上市公司并購風(fēng)險預(yù)警模型的預(yù)警結(jié)果與經(jīng)典機器學(xué)習(xí)模型GBDT、RF和傳統(tǒng) Logistic模型作對比，XGBoost模型對并購風(fēng)險具有最優(yōu)的預(yù)測效果，其次是RF和GBDT，最后是Logistic 回歸模型。

第二，構(gòu)建的國有上市公司并購風(fēng)險的指標(biāo)體系中的19個指標(biāo)對并購風(fēng)險預(yù)警都具有作用，且發(fā)現(xiàn)從一級系統(tǒng)體系整體來看，資產(chǎn)結(jié)構(gòu)、創(chuàng)利能力、外部監(jiān)督和并購特征風(fēng)險對并購風(fēng)險預(yù)警較為重要，其中投入資本回報率、營業(yè)利潤率和支付對價凈利潤比3項指標(biāo)對并購風(fēng)險預(yù)警最為重要。

第三，資產(chǎn)結(jié)構(gòu)風(fēng)險中總資產(chǎn)周轉(zhuǎn)率和投入資本回報率越高、法人治理風(fēng)險中股權(quán)制衡度越大、外部監(jiān)督風(fēng)險中所聘事務(wù)所為四大會計師事務(wù)所、具有扶貧行為以及機構(gòu)投資者股東持股比例越高，越有利于降低并購風(fēng)險；創(chuàng)利能力風(fēng)險中每股借款利息和稅收資產(chǎn)越高、并購特征風(fēng)險中支付對價凈利潤比和支付對價權(quán)益比越大，越會使得并購風(fēng)險增加。同時，是否為四大會計師事務(wù)所、是否扶貧兩項指標(biāo)為利用文本挖掘技術(shù)抓取的指標(biāo)，這說明除財務(wù)、并購特征等容易獲得數(shù)據(jù)的指標(biāo)外，不容易獲取治理和監(jiān)督數(shù)據(jù)同樣會對國有上市公司并購風(fēng)險預(yù)警產(chǎn)生很大影響。

2.啟示及建議

針對上述研究結(jié)論，國有上市公司可以采取以下具有針對性的措施有效地控制并購風(fēng)險：

第一，國有上市公司應(yīng)加強存貨、應(yīng)收賬款等資產(chǎn)管理，減少固定資產(chǎn)、存貨和應(yīng)收賬款，開發(fā)適銷對路的新產(chǎn)品，提高資產(chǎn)的周轉(zhuǎn)效率；還應(yīng)加大控制成本力度，降低各種費用，合理減少投入資本，開拓市場，提高收入，提升投入資本回報率。

第二，國有上市公司應(yīng)靈活使用財務(wù)杠桿，并購前期適當(dāng)減少有息負(fù)債，降低每股借款利息；還應(yīng)合理避稅，聘請會計、稅務(wù)、法律等相關(guān)專業(yè)技術(shù)人才，進(jìn)行充分的納稅籌劃。

第三，國有上市公司在并購初期盡可能聘請四大會計師事務(wù)所進(jìn)行高質(zhì)量審計和并購咨詢，積極聽取并采納相關(guān)建議；應(yīng)根據(jù)自身行業(yè)特點，多維度積極參與精準(zhǔn)扶貧；應(yīng)積極引進(jìn)機構(gòu)投資者尤其是戰(zhàn)略機構(gòu)投資者，與機構(gòu)投資者股東加強溝通。

第四，國有上市公司應(yīng)嚴(yán)格制定并購資金需求量及支出預(yù)算，在實施并購前對并購各環(huán)節(jié)的資金需求量進(jìn)行認(rèn)真核算，并據(jù)此做好資金預(yù)算，從而降低支付對價凈利潤比和支付對價權(quán)益比。

3.未來展望

在未來研究中，將繼續(xù)尋找影響國有上市公司并購風(fēng)險的關(guān)鍵因素，對XGBoost算法參數(shù)和模型融合進(jìn)行優(yōu)化，以進(jìn)一步提高XGBoost算法的分類準(zhǔn)確性和計算效率，完善并購風(fēng)險預(yù)警模型及其應(yīng)用?？傊?，隨著國有資本和社會資本交叉融合的國企改革不斷深入、國企并購重組業(yè)務(wù)的不斷涌現(xiàn)，并購風(fēng)險也會不可避免地隨之產(chǎn)生，人工智能算法對于構(gòu)建并購風(fēng)險預(yù)警模型并進(jìn)行風(fēng)險預(yù)警具有重要的應(yīng)用價值，可以早防范、早發(fā)現(xiàn)、早干預(yù)，從而使國企更有效地開展并購活動。