王 言

（1 清華大學(xué)五道口金融學(xué)院， 北京 100083；2 華夏銀行博士后科研工作站， 北京 100005）

一、引言

自1997 年9 月黨的十五大報告第一次正式提出混合所有制經(jīng)濟的概念， 至今已有二十余年的歷史。在此期間，黨中央、國務(wù)院多次指出要積極發(fā)展混合所有制經(jīng)濟， 促進國有資本和社會資本交叉融合。2015 年9 月,國務(wù)院指出，在特定領(lǐng)域的國有企業(yè)，堅持國有資本控股，在沒有明確規(guī)定的其他領(lǐng)域，鼓勵通過并購重組進行股權(quán)比例調(diào)整?？梢娀旌纤兄聘母锛捌涓母飫訖C實現(xiàn)的關(guān)鍵在于混改后國企的治理問題，而并購重組則是企業(yè)重要的外部治理機制（吳超鵬等，2011）。近些年在市場和混合所有制改革的政策引導(dǎo)下出現(xiàn)大量國企并購行為。 同花順iFinD 數(shù)據(jù)顯示，2017-2018 年， 滬深兩市共發(fā)生國企重大重組涉及交易總體價值10003.1 億元，2017 年就滬市而言， 國企并購重組金額就已超過5400 億元。 2020 年是國企改革三年行動的開局之年，混合所有制改革實踐進一步深化，國有資本布局進一步優(yōu)化，67 家次深市國有控股上市公司披露控制權(quán)變更，全年實施重大資產(chǎn)重組23 家次，交易金額2437 億元。

近幾年實踐發(fā)現(xiàn)，國企在如此大規(guī)模并購交易背景下，由于各種因素，很多企業(yè)超出自身能力范圍盲目進行并購，導(dǎo)致并購未能完成。 有的在證監(jiān)會批復(fù)前取消并購， 如2014 年5 月成飛集成發(fā)布公告稱由于不可抗力或者雙方以外的其他客觀原因而終止并購交易協(xié)議；2017 年8 月博云新材召開董事會稱：“經(jīng)慎重考慮決定終止本次重大資產(chǎn)重組事項。 ”2022 年1 月金力泰發(fā)布公告稱：“由于高登科技與公司未能就中科世宇后續(xù)經(jīng)營運作、主營業(yè)務(wù)未來發(fā)展方向等方面達成一致意見，一致同意終止《股權(quán)轉(zhuǎn)讓協(xié)議》?！庇械谋蛔C監(jiān)會或交易所暫停、中止或取消，如2018 年11 月中國證監(jiān)會決定終止對風(fēng)神股份發(fā)行股份購買資產(chǎn)并募集配套資金暨關(guān)聯(lián)交易事項行政許可申請的審查。 2021 年1 月ST 龍韻收到上海證券交易所上市公司監(jiān)管一部下發(fā)的《關(guān)于對上海龍韻傳媒集團股份有限公司收購股權(quán)暨關(guān)聯(lián)交易事項的問詢函》，公司與協(xié)議相關(guān)方一致同意終止本次收購資產(chǎn)暨關(guān)聯(lián)交易事項。 在并購過程中，并購能否最終完成是并購雙方最為關(guān)注的問題。 對于并購雙方來說，能否成功完成并購交易體現(xiàn)并購過程的最終結(jié)果，直接關(guān)系到并購雙方對于并購交易的期望（溫日光，2015）。所以，研究影響并購?fù)瓿膳c否的關(guān)鍵因素、預(yù)測并購?fù)瓿汕闆r從而規(guī)避并購風(fēng)險、提高并購?fù)瓿陕示哂惺种匾默F(xiàn)實意義。

二、理論基礎(chǔ)與文獻回顧

（一）并購績效的影響因素

現(xiàn)有文獻從并購是否完成的視角進行研究的很少，大多是研究并購成功后的經(jīng)濟后果即并購績效問題，而忽略了并購實施過程中失敗的可能性。 對于并購績效的影響因素分別從理論和實證兩方面進行研究，其中實證是主流方向。

在理論方面， 國外學(xué)者研究較早，Jensen 和Meckling（1976）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)動了并購，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。 Ruback 和Jensen（1983）認(rèn)為，并購中存在管理效率差異，主并購方、標(biāo)的方、出讓方之間的管理效率差異是推動并購的原動力，也被稱為并購Q 理論。 劉峰等（2004）指出，國企偏好將盈利性較好的資產(chǎn)剝離上市，留在母公司的資產(chǎn)質(zhì)量較差，直接影響了企業(yè)并購績效。邱金輝和王紅昕（2006）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，并購還反映了政府意志，即政府制定了許多財政、稅收優(yōu)惠政策鼓勵并購。

在實證方面，國外學(xué)者Bruton 等（1994）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)。Shahwan（2004）的研究表明，并購商譽與上市公司市場價值之間顯著正相關(guān)。 國內(nèi)學(xué)者李善民等（2004）分析發(fā)現(xiàn)，支付對價是影響并購績效的主要因素。 陳芳和景世民（2007）則研究了資產(chǎn)結(jié)構(gòu)，包括資產(chǎn)周轉(zhuǎn)率、流動比率與并購績效的關(guān)系。 蔣璐（2009）認(rèn)為， 監(jiān)事會對提高公司并購績效的作用有待加強。翟進步等（2011）指出，債務(wù)融資降低了收購公司的市場績效。郭妍和張立光（2011）則發(fā)現(xiàn)，成長性、盈利能力是銀行并購績效的重要影響因素。余鵬翼和王滿四（2014）的研究發(fā)現(xiàn)，現(xiàn)金支付方式、第一大股東持股比例對中國企業(yè)跨國并購績效具有顯著正向影響。周紹妮等（2017）的研究表明，在國企的關(guān)聯(lián)并購中，機構(gòu)投資者提高并購績效的治理的作用不再顯著。王艷和李善民（2017）通過實證分析表明，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。 雷衛(wèi)和何杰（2018）分析發(fā)現(xiàn)，內(nèi)部控制對國企并購后績效影響小于民營企業(yè)。宋賀和段軍山（2019）研究證明了并購財務(wù)顧問會降低并購績效。

（二）人工智能算法在經(jīng)濟領(lǐng)域中的應(yīng)用

人工智能算法近年來被廣泛應(yīng)用于現(xiàn)代經(jīng)濟金融服務(wù)中， 與傳統(tǒng)研究事物關(guān)系型的回歸分析相比，人工智能算法可以對未來情況進行預(yù)測。將人工智能算法引入并購領(lǐng)域，本文尚屬首次。

現(xiàn)有文獻針對價格、商務(wù)、金融等經(jīng)濟問題利用機器學(xué)習(xí)和深度學(xué)習(xí)算法進行了預(yù)測研究。 Paolella和Taschini（2008）利用GARCH 模型對碳價格進行了預(yù)測且預(yù)測值與實際值較為接近。 Wang 等（2013）運用支持向量機預(yù)測交通速度數(shù)據(jù)，從模型復(fù)雜性和預(yù)測精度兩方面來看具有一定優(yōu)勢。趙峰和張杰（2014）構(gòu)建了馬爾可夫轉(zhuǎn)換模型預(yù)測違約風(fēng)險溢價。 Zhang等（2016）研究了P2P 網(wǎng)絡(luò)借貸風(fēng)險預(yù)警，發(fā)現(xiàn)決策樹效果明顯。萬昊等（2017）借助BP 人工神經(jīng)網(wǎng)絡(luò)模型，通過有監(jiān)督的機器學(xué)習(xí)來對項目評審專家組的決策進行打分預(yù)測。張若雪（2018）探索利用無監(jiān)督機器學(xué)習(xí)算法， 自動識別貨幣市場質(zhì)押式回購交易異常波動。 張斌儒等（2018）構(gòu)建BA-SVR@CSQ 混合模型對酒店平均入住率進行預(yù)測。劉美霖等（2018）構(gòu)建神經(jīng)網(wǎng)絡(luò)和STARMA 的時空序列混合模型預(yù)測未來發(fā)生犯罪的數(shù)量變化。 劉金全和張龍（2019） 基于TVPFAVAR 模型測算中國FCI，發(fā)現(xiàn)MF-FCI 和經(jīng)濟增長的因果關(guān)系在混頻Granger 檢驗下更密切。 祁凱和彭程（2019）基于OCS-EGM 算法構(gòu)建覆蓋網(wǎng)絡(luò)集群行為在各個階段的監(jiān)測及預(yù)警模型。 肖艷麗和向有濤（2021）將債券發(fā)行主體是否發(fā)生違約作為企業(yè)債券違約風(fēng)險變量，搭建了基于GWO-XGBoost 的債券違約風(fēng)險組合預(yù)警模型。

隨機森林算法是重要的人工智能算法， 處理問題效率很高，近年來被廣泛應(yīng)用于預(yù)測問題研究中。國外學(xué)者Kampichler 和Singh（2010，2013）比較5 種機器學(xué)習(xí)算法后發(fā)現(xiàn)隨機森林預(yù)測效果最好。Markus（2016）利用Sentinel-2A 影像的光譜特征，使用隨機森林進行了樹種和農(nóng)作物分類預(yù)測研究。 國內(nèi)學(xué)者原欣偉等（2017）以小米社區(qū)MIUI 論壇為例提出基于隨機森林分類的領(lǐng)先用戶識別方法。 陳光慧等（2018） 利用隨機森林模型研究了影響勞務(wù)眾包APP平臺上任務(wù)完成率的因素。 陳標(biāo)金和王鋒（2019）通過比較4 種模型的預(yù)測精度發(fā)現(xiàn)隨機森林算法對國債期貨指數(shù)預(yù)測能力最強。 陳丹玲等（2019）運用隨機抽樣Bootstrap 法構(gòu)造耕地利用效率測度隨機森林模型， 結(jié)果表明模型不受量綱限制， 運行所需參數(shù)少，過程簡化，準(zhǔn)確率高。 王超等（2019）運用多元線性和隨機森林回歸方法探索西藏人口分布影響因素及其差異。

（三）文獻述評

綜上所述，現(xiàn)有文獻對并購績效問題進行了大量理論和實證分析， 而忽略了并購實施過程中能否成功完成的問題；針對價格、商務(wù)、金融等經(jīng)濟問題利用人工智能算法進行了預(yù)測研究， 但還沒有針對并購重組問題引入預(yù)測模型。 人工智能算法為傳統(tǒng)計量方法不能解決的預(yù)測問題提供了基礎(chǔ)。 隨機森林模型是目前應(yīng)用最廣泛的機器學(xué)習(xí)模型， 屬于機器學(xué)習(xí)中的提升算法，本文研究數(shù)據(jù)量少，適用機器學(xué)習(xí)而不是深度學(xué)習(xí)模型。 基于上述兩點，本文首先選取滬深兩市A 股國有上市公司2014-2020 年并購事件，然后建立國企并購?fù)瓿陕试u價體系，利用同花順iFinD 和Python 網(wǎng)頁、文本提取和抓取數(shù)據(jù)，并將所有數(shù)據(jù)歸一化處理后進行初步顯著性和相關(guān)性分析，接著運用Logistic 回歸模型（LR）對影響因素進行實證檢驗，最后基于隨機森林算法（RF）構(gòu)造預(yù)測模型對國企并購?fù)瓿陕蔬M行預(yù)測， 并將該模型與其他經(jīng)典機器學(xué)習(xí)模型決策樹（DT）、樸素貝葉斯（NB）、支持向量機（SVM）和傳統(tǒng)LR 進行比較，觀測其預(yù)測精度。 本文探索融合多種影響因素數(shù)據(jù)，利用機器學(xué)習(xí)方法構(gòu)建國企并購?fù)瓿陕暑A(yù)測模型， 有利于國企在并購行為中早防范、早發(fā)現(xiàn)、早干預(yù)，從而更有效地開展并購活動。

三、模型設(shè)計

（一）Logistic 回歸模型

本文考察國企并購?fù)瓿陕逝c可能影響因素之間的關(guān)系，如當(dāng)年國企并購?fù)瓿?，則定義“y=1”；反之，則定義“y=0”。 設(shè)p 為完成的概率，則未完成的概率為1-p， 國企并購?fù)瓿膳c未完成的比率被稱為機會比（odds ratio），即，取自然對數(shù)，即對p做Logistic 轉(zhuǎn)換后）的取值范圍為（－∞，＋∞），所以Logistic 回歸模型是以取自然對數(shù)機會比為因變量，以影響因素為自變量，具體如式（1）所示：

其中，xi表示影響國企并購?fù)瓿陕实牡趇 個解釋變量，k 為解釋變量個數(shù)，α 為截距項，βi為系數(shù)，反映該變量對國企并購?fù)瓿陕实挠绊懛较蚣俺潭?，用最大似然估計法求得。將?）式兩邊取指數(shù)函數(shù)，則國企并購?fù)瓿陕实腖ogistic 回歸模型的表達式為：

也等同于

其中，eβi反映xi每變化1 個單位所引起的事件發(fā)生比變化的倍數(shù)。

此外，Logistic 回歸模型既可以研究關(guān)系型問題，也可以對未來進行預(yù)測。 本文主要利用Logistic 回歸模型進行關(guān)系型研究，針對預(yù)測部分，主要將其與隨機森林預(yù)測模型做對比實驗。

（二）隨機森林模型

決策樹（Decision Tree）是通過對數(shù)據(jù)反復(fù)二分進行回歸或分類，從而評估、預(yù)測項目風(fēng)險和可行性的一種決策方法。 隨機森林（Random forest）由多個決策樹組成，其可以匯總隨機化數(shù)據(jù)和變量后生成的多棵決策樹的結(jié)果（李欣海，2013）。 具體構(gòu)造過程如下。

1.抽取樣本形成訓(xùn)練集

假設(shè)有M 樣本， 按照一定比例采取有放回連續(xù)從M 樣本中抽取M 次，形成一個訓(xùn)練樣本集，沒有被抽中的稱為測試樣本，用來評估模型性能。

2.建立決策樹模型

假設(shè)有N 個樣本屬性，在訓(xùn)練樣本中隨機選擇n個最優(yōu)屬性進行分支，構(gòu)建決策樹模型，分支過程即為決策樹生長過程。

3.建立隨機森林模型

重復(fù)（1）和（2）步驟M 次，得到M 個訓(xùn)練集和測試集，形成M 棵決策樹組，即構(gòu)成隨機森林。

4.利用隨機森林模型預(yù)測

根據(jù)隨機森林分類器對測試集進行預(yù)測，對每棵決策樹的預(yù)測結(jié)果進行匯總，最終選擇預(yù)測最多的分類結(jié)果。 分類公式為：

其中：xi表示第個測試樣本同時具有n 個屬性特征，hi（xin）表示第i 棵決策樹的預(yù)測結(jié)果；m 表示預(yù)測最多的分類結(jié)果；n_tree 表示決策樹的個數(shù)。 隨機森林算法流程如圖1 所示。

圖1 隨機森林算法流程示意圖

（三）預(yù)測結(jié)果評價指標(biāo)

對分類問題的預(yù)測結(jié)果評價指標(biāo)有召回率（recall）、查準(zhǔn)率（precision）、準(zhǔn)確率（accuracy）、F1 score和AUC 面積等。

1.混淆矩陣、召回率與查準(zhǔn)率

在衡量模型預(yù)測結(jié)果時，通常采用混淆矩陣對結(jié)果進行區(qū)分，具體如表1 所示。 TP 代表實際積極認(rèn)為積極，F(xiàn)P 代表實際消極認(rèn)為積極，TN 代表實際消極認(rèn)為消極，F(xiàn)N 代表實際積極認(rèn)為消極。

表1 隨機森林預(yù)測模型的混淆矩陣

則召回率定義如下：

表示實際為積極樣本被正確預(yù)測為積極樣本所占的比例。

查準(zhǔn)率定義如下：

表示預(yù)測積極樣本被正確分類占被分類為實際積極樣本的比例。

準(zhǔn)確率定義如下：

表示所有樣本被正確分類的比例。

2.F1 score 和AUC 面積

使用F1 score 評價綜合預(yù)測能力，F(xiàn)1 score 計算如公式（8）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F1 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) score 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。

由于國企并購?fù)瓿陕实臉颖緸榉瞧胶鈹?shù)據(jù)，所以需要同時將AUC 面積作為評估指標(biāo)之一 （Janitza et al.，2013）。 AUC 取值范圍在[0，1]區(qū)間，AUC 值越大，面積越大，模型預(yù)測能力越強，其計算公式為：

其中，M 為積極類樣本的數(shù)量；N 為消極類樣本的數(shù)量。

（四）國企并購?fù)瓿傻慕缍ê陀绊懸蛩胤治?/h3>

本文確定國企并購?fù)瓿傻姆椒?，在?dāng)年國企并購樣本中找到完成、未完成標(biāo)簽，即為本年國企并購?fù)瓿膳c未完成樣本。明確影響國企并購?fù)瓿陕实年P(guān)鍵因素是進行完成率分析和預(yù)測的重要前提。在綜合分析了現(xiàn)有文獻有關(guān)影響并購及國企并購績效的因素，借鑒中關(guān)村國睿金融與產(chǎn)業(yè)發(fā)展研究會評價上市公司指標(biāo)體系，考慮數(shù)據(jù)可得性之后，總結(jié)了包括企業(yè)資產(chǎn)結(jié)構(gòu)、創(chuàng)利能力、價值再造、法人治理、外部監(jiān)管、并購事件特征共同作用六大系統(tǒng)共26 個影響國企并購?fù)瓿陕实闹笜?biāo)，具體如表2 所示（表中列示的每一個三級指標(biāo)同時析出了支撐文獻）。

表2 影響國企并購?fù)瓿陕手笜?biāo)評價體系

四、實驗過程

（一）數(shù)據(jù)選取及處理

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2014-2020 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。 由于承債和無償?shù)氖召徶Ц督Y(jié)算方式樣本很少， 所以刪去，保留現(xiàn)金、股權(quán)、現(xiàn)金和股權(quán)三種收購方式。經(jīng)過以下篩選和處理最終得到555 條并購樣本：①首次公告日實際控制人為國務(wù)院、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并購交易1例如，2014 年的萬科A（000002.SZ，2014 年底第一大股東為華潤股份有限公司，持股比例14.97%）。；②上市公司為收購方的樣本；③剔除并購交易正在進行中的樣本；④剔除金融類企業(yè)；⑤剔除被特別處理（ST）的樣本；⑥剔除關(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

在國企并購?fù)瓿陕手笜?biāo)評價體系中，除系列財務(wù)數(shù)據(jù)外，很多治理、監(jiān)督指標(biāo)數(shù)據(jù)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企并購?fù)瓿陕史治黾邦A(yù)測產(chǎn)生很大影響。 所以，本文首先利用同花順inFnD 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）（郭宇等，2018），利用文本挖掘（textual mining）（溫有奎等，2019）和網(wǎng)絡(luò)爬蟲（web crawler）（韓貝等，2019）技術(shù)，通過詞典法列出指標(biāo)關(guān)鍵詞， 根據(jù)Python 和正則法則進行匹配，抓取了不易獲得的上市公司一手?jǐn)?shù)據(jù)。詳細(xì)操作過程如圖2 所示。

圖2 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

在進行抓取數(shù)據(jù)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6 項指標(biāo)數(shù)據(jù)（POGP、ICM、WPS、COO、AQ、HP） 的需求文檔總結(jié)如表3 所示。

表3 利用正則法則和python 抓取網(wǎng)頁和文本數(shù)據(jù)的需求文檔

3.非連續(xù)屬性值和歸一化處理

屬性值處理即非數(shù)值屬性的數(shù)值化， 本文26 項指標(biāo)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。 其中，MAE、POGP、ICM、WPS、COO、AQ、HP、WTL、TPL、MAR、RPT， 采用0 和1 量化的方法進行取值，若是則取值為1，反之為0；SM 為現(xiàn)金、股權(quán)、現(xiàn)金和股權(quán)，分別取值1、0.5、0；GD 為國企中央控股、省級控股、地市控股，分別取值1、0.5、0。 由于有些連續(xù)數(shù)值規(guī)模較大，對收斂速度有很大影響，所以為了使各項指標(biāo)間具有可比性以及模型的預(yù)測結(jié)果更加準(zhǔn)確，本文利用Python 軟件按照歸一化公式對各項連續(xù)指標(biāo)進行歸一化處理。

（二）并購地域統(tǒng)計

如圖3 可知，廣東、北京、上海分別是所選取國企并購樣本發(fā)生次數(shù)的前三名，由此可見，國企并購與當(dāng)?shù)亟?jīng)濟發(fā)展水平之間具有高度相關(guān)性。

圖3 各?。▍^(qū)、市）并購發(fā)生的事件數(shù)（不包括港澳臺）

（三）顯著性和相關(guān)性分析

1.顯著性檢驗

由于國企并購?fù)瓿桑?77 個）和未完成樣本（178個）存在顯著差異，因此，必須檢驗指標(biāo)對于兩類樣本是否存在顯著差異以進一步選取指標(biāo)。本節(jié)所有操作均通過SPSS 20.0 軟件得出。

（1）樣本數(shù)據(jù)的正態(tài)性檢驗。表4 列示了Kolmogorov-Smirno（K-S）和Shapiro-Wilk（S-W）正態(tài)分布檢驗結(jié)果。 由表4 可知，在完成組中，不管是K-S 還是S-W檢驗顯著性水平都為0.000 且小于0.05， 即不符合正態(tài)分布；在未完成組中，除機構(gòu)投資者股東外的顯著性水平都為0.000 且小于0.05，機構(gòu)投資者股東在KS 檢驗中顯著性水平雖然為0.200 且大于0.05， 但在S-W 檢驗中顯著性水平為0.080 且小于0.05，還考慮到該變量在完成組中的非正態(tài)分布狀況，所以該組同樣不符合正態(tài)分布。 因此，13 個連續(xù)變量應(yīng)選擇非參數(shù)檢驗方法驗證相關(guān)性。

表4 單樣本K-S 和S-W 檢驗結(jié)果

（2） 非正態(tài)分布連續(xù)變量Mann-Whitney U 檢驗。本文采用P 值0.05 的顯著性水平為臨界值判斷變量是否顯著。 從表5 受檢驗的13 個變量可知，有8 個變量在完成組和未完成組之間顯示出了差異性， 即顯著性水平小于0.05； 在其余5 個變量顯著性水平均大于0.05，即完成組和未完成組之間沒有明顯的差異性。

表5 連續(xù)變量差異的Mann-Whitney U 顯著性檢驗

數(shù)據(jù)來源：本文整理。

（3）非正態(tài)分布分類變量卡方檢驗。由于GD、POGP、COO 變量中存在頻數(shù)小于1 的項，因此其顯著性檢驗觀察Fisher 精確檢驗Sig 值（雙側(cè)）；TPL、HP、AQ 變量中存在頻數(shù)大于或等于1 且小于5 的項，因此顯著性檢驗觀察連續(xù)校正漸進Sig 值（雙側(cè)）；其余變量中存在頻數(shù)大于或等于5 的項， 因此顯著性檢驗觀察Pearson 卡方漸進Sig 值（雙側(cè)）。表6 列示了分類變量差異的卡方顯著性檢驗，結(jié)果顯示有7 個變量顯著性水平小于0.05，即具有有顯著性影響，其余6 個變量顯著性水平均大于0.05，即沒有顯著性影響。

表6 分類變量差異的卡方顯著性檢驗

2.相關(guān)性分析

本文同時選用Kaiser-Meyer-Olkin （KMO） 統(tǒng)計量、Bartlett's 球形、Pearson 和Spearman 相關(guān)性矩陣以及方差膨脹因子（Variance Inflation Factor，VIF）四種方法進行相關(guān)性驗證。其中，由表7 可知，在Bartlett 的球形度檢驗中，Sig 值為0.000， 小于0.05， 但KMO 值為0.558，小于0.6，表明變量不太適合因子分析；由表8 可知，VIF 最大值為2.272，均值為1.432；由表9 可知，變量之間的相關(guān)系數(shù)都小于0.65。所以，綜上四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。 本節(jié)所有檢驗均通過SPASS 20.0 軟件得出。

表7 KMO 和Bartlett 檢驗

表8 方差膨脹因子檢驗

表9 變量相關(guān)系數(shù)矩陣

五、實驗結(jié)果分析

（一）Logistic 回歸檢驗結(jié)果與分析

1.模型估計結(jié)果

利用SPSS 20.0 統(tǒng)計軟件對經(jīng)過初步顯著性檢驗得到的影響國企并購?fù)瓿陕实?5 項指標(biāo)進行二元Logistic 回歸分析，結(jié)果見表10。由表10 可知，模型系數(shù)的綜合檢驗步驟/塊/模型顯著性概率為0.000，通過了5%的顯著性水平檢驗，模型在統(tǒng)計上是有意義的。此外，用Hosmer-Lemeshow 擬合優(yōu)度檢驗來檢驗?zāi)Ｐ偷臄M合優(yōu)度，卡方值為13.188，自由度為8，顯著性概率為0.106，大于0.05，這表明該模型的效果非常好，自變量提供的信息能較好地解釋因變量。

表10 Logistic 回歸模型估計結(jié)果

由表10 得出以下模型：

即Logistic 回歸模型為：

2.結(jié)果分析

通過初步變量差異顯著性檢驗和進一步LR 回歸檢驗，得到以下結(jié)論：

（1）創(chuàng)利能力中凈資產(chǎn)收益率（=0.033，p＜0.05）對國企并購?fù)瓿陕示哂姓蝻@著作用，并購公司凈資產(chǎn)收益率越高，越有利于國企并購成功完成，即凈資產(chǎn)收益率每提升一個單位， 并購?fù)瓿陕氏鄳?yīng)提升0.033倍。凈資產(chǎn)收益率是公司經(jīng)營管理業(yè)績的較為理想的衡量標(biāo)準(zhǔn)，凈資產(chǎn)收益率越高，表明公司經(jīng)營管理業(yè)績越突出， 越容易被并購雙方和其他利益相關(guān)者接受。

（2） 并購特征中出讓方上市與否（β=-1.010，p＜0.05）、重大資產(chǎn)收購（β=-0.783，p＜0.05）對國企并購?fù)瓿陕示哂胸?fù)向顯著作用， 而結(jié)算方式 （β=1.324，p＜0.01）對國企并購?fù)瓿陕示哂姓蝻@著作用，即出讓方為上市公司相比非上市公司對并購?fù)瓿陕式档图s50%， 并購事件為重大資產(chǎn)收購要比非重大資產(chǎn)收購對并購?fù)瓿陕式档?1.7%， 并購結(jié)算方式以現(xiàn)金結(jié)算相比股權(quán)、現(xiàn)金和股權(quán)對并購?fù)瓿陕侍岣?.324 倍。這是由于一般公司的并購實施起來相對容易，并購雙方就可以決定交易成敗，上市公司的并購則不同，交易變量和約束條件均大大增加，證券監(jiān)管部門、行業(yè)主管部門、 公眾股東都成為并購交易中的重要角色，證券法律法規(guī)、第三方機構(gòu)意見、媒體輿論都會不同程度地影響交易進程， 還有牽涉極為廣泛的公眾利益。此外，如果并購交易還涉及重大資產(chǎn)收購、出讓和置換，則更是難上加難，使得并購?fù)瓿筛怕蚀蟠蠼档汀?現(xiàn)金結(jié)算方式有利于國企并購的完成是由于現(xiàn)金結(jié)算方式是公認(rèn)為更容易被接收的一種并購結(jié)算方式。

（3）價值再造中歷史是否發(fā)生并購（β=0.635，p＜0.01）對國企并購?fù)瓿陕示哂姓蝻@著作用，即歷史發(fā)生過并購的公司相比未發(fā)生并購的公司對并購?fù)瓿陕侍岣?.635 倍。 一些學(xué)者已經(jīng)發(fā)現(xiàn)并購經(jīng)驗與并購績效之間存在正相關(guān)關(guān)系。 Bruton 等（1994）發(fā)現(xiàn)，在財務(wù)困境的時候進行并購，并購經(jīng)驗對績效的感知測量是正效應(yīng)。有并購經(jīng)驗的國企熟悉并購的一系列流程，從而規(guī)避影響并購未完成的各種風(fēng)險，極大地提高了并購?fù)瓿筛怕?。所以，國企并購?jīng)驗越豐富，越有利于國企并購的完成。

（4）法人治理中董事會審批過內(nèi)控建設(shè)管理辦法（β=-0.672，p＜0.01） 對國企并購?fù)瓿陕示哂胸?fù)向顯著作用，即董事會審批過內(nèi)控建設(shè)管理辦法的公司相比未審批的公司對并購?fù)瓿陕式档?2.8%。 企業(yè)并購存在風(fēng)險，內(nèi)部控制是防范企業(yè)并購風(fēng)險最為行之有效的一種手段。 董事會審批過內(nèi)控建設(shè)管理辦法，一方面說明了公司治理結(jié)構(gòu)和內(nèi)控機制的健全，另一方面通過對企業(yè)并購風(fēng)險的有效評估將企業(yè)的并購風(fēng)險消滅在萌芽狀態(tài)。 所以，董事會審批過內(nèi)控建設(shè)管理辦法有利于降低并購失敗率和并購?fù)瓿陕省?/p>

（二）隨機森林分類預(yù)測分析

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，驗證分類方法的精度，使用K 折交叉驗證法進行估計（Kohavi，1995），如式（12）所示。 本文采用更為嚴(yán)格和精確的五折交叉驗證方法，按照4∶1 比例將樣本大體分為5 份，每份111 個樣本。 從5 份樣本中逐次抽取4 份即444 個樣本作為訓(xùn)練集，剩下111 個樣本作為測試集。 一個用來訓(xùn)練分類器，一個用來檢驗分類器的效果，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。

其中，θ 為K 折正確率平均值，θm為第m 折的正確率，K 為折數(shù)。

2.基于隨機森林算法的國企并購?fù)瓿陕暑A(yù)測模型結(jié)果及對比

（1）準(zhǔn)確率。利用初步顯著性篩選后的15 個變量對國企并購?fù)瓿陕蔬M行預(yù)測，按照bootstrap 法從444個訓(xùn)練樣本中隨機抽取i 種組合方式組成數(shù)據(jù)集Ai，i的取值即為決策樹的數(shù)量（n_tree），從0 到50 分別測試不同的取值對模型預(yù)測結(jié)果的影響。 對數(shù)據(jù)集Ai，使用式（4）即f（x）=m{hi（xin）}i=1n_tree建立國企并購?fù)瓿陕暑A(yù)測決策樹：x 是自變量矩陣，即每個測試樣本n 是決策樹可以利用的屬性特征。 經(jīng)過訓(xùn)練，得到?jīng)Q策樹序列{h1（x），h2（x）,…，hi（x）}，將決策樹序列組合起來，設(shè)置最多分類結(jié)果為輸出類別。然后結(jié)合類別聚合分析進行5 次試驗，通過對111 個測試數(shù)據(jù)預(yù)測，可得模型對測試集的最終預(yù)測正確率。 從圖4 中可以看出，綜合考慮模型的運行速度和模型的效率，選擇i=30 作為隨機森林算法中決策樹的數(shù)量， 同時模型的正確率在30 時達到最高，為85%，初步說明了模型的科學(xué)性與有效性。

圖4 樹的棵數(shù)對模型預(yù)測正確率的影響

（2）查準(zhǔn)率和召回率的比較。 分別采用經(jīng)典機器學(xué)習(xí)模型DT、NGB、SVM 和傳統(tǒng)LR 模型與RF 作對比實驗。圖5 展示的是5 個模型的查準(zhǔn)率與召回率對比。如圖5 所示，RF、DT、NGB、LR 和SVM 模型的查準(zhǔn)率分別為84%、82%、55%、51%和32%，召回率分別為82%、87%、67%、33%和66%。RF 查準(zhǔn)率與DT 較為接近，分別比NGB、LR、SVM 高29%、33%、52%；RF 召回率比DT 偏低， 分別比NGB、LR、SVM 高15%、49%、16%。由于RF 查準(zhǔn)率和召回率與NGB、LR、SVM 差距較為明顯， 但與DT 不能明顯看出差距， 需要繼續(xù)用F1 score 進行判斷。

圖5 國企并購?fù)瓿陕暑A(yù)測模型的查準(zhǔn)率和召回率

（3）國企并購?fù)瓿陕暑A(yù)測模型變量全集和子集的比較。為了比較不同解釋變量對于預(yù)測國企并購?fù)瓿陕实闹匾潭龋?按照經(jīng)初步顯著性篩選后的15 個變量所涉及的系統(tǒng)門類， 針對5 種模型進行分別預(yù)測，其中包括資產(chǎn)結(jié)構(gòu)、創(chuàng)利能力、價值再造、法人治理、并購事件特征五大系統(tǒng)。第一個子系統(tǒng)是企業(yè)內(nèi)在結(jié)構(gòu)的體現(xiàn)，良好內(nèi)在肌體是并購?fù)瓿傻那疤幔坏诙€子系統(tǒng)是企業(yè)盈利能力的體現(xiàn)，強有力的賺錢能力是并購?fù)瓿傻幕A(chǔ)；第三個子系統(tǒng)是企業(yè)成長能力的體現(xiàn)，并購經(jīng)驗豐富、價值較大、未來增長快是并購?fù)瓿傻膭恿?；第四個子系統(tǒng)是企業(yè)的大腦中樞神經(jīng)，是決定并購能否成功完成的指揮棒；第五個子系統(tǒng)是并購發(fā)生的現(xiàn)實狀況， 是并購能否成功完成的最直接動因。 如果將五個子系統(tǒng)全部變量納入模型， 并以LR為基準(zhǔn)，則結(jié)果如圖6 和圖7 所示。 譬如，從F 值來看，SVM 比LR 的預(yù)測能力提高了3%，NB 比LR 的預(yù)測能力提高了23%，DT 比Logistic 的預(yù)測能力提高了44%，而RF 比LR 的預(yù)測能力提升了47%，表明RF的預(yù)測能力最強，其次是NB，然后是DT，最后是SVM和LR。 從AUC 值來看，RF 最優(yōu)，其次是DT，然后是SVM，最后是NB 和LR，可見RF 模型的優(yōu)勢比較明顯。 綜合考慮F 值與AUC 值這兩個評價指標(biāo)，RF 模型對于國企并購?fù)瓿陕实念A(yù)測效果最好。 但注意到，如果僅以并購特征作為解釋變量進行建模時，DT 的F 值和AUC 值都稍高于RF； 如果僅以資產(chǎn)結(jié)構(gòu)和創(chuàng)利能力作為解釋變量進行建模時，NB 和LR 能夠取得較高的AUC 值，因此，DT、NB 和LR 在某種情境下也不失為一種可用的國企并購?fù)瓿筛怕暑A(yù)測模型。

圖6 國企并購?fù)瓿陕暑A(yù)測模型的F 值

圖7 國企并購?fù)瓿陕暑A(yù)測模型的AUC 值

（4）變量重要性排序?；赗F 模型的訓(xùn)練結(jié)果探討了15 個并購?fù)瓿陕暑A(yù)測變量的相對重要性。 由圖8 可知， 排名前三位的指標(biāo)分別為：BPNP （權(quán)重系數(shù)0.247）、BPNA （權(quán) 重 系 數(shù)0.165）、SM （權(quán) 重 系 數(shù)0.101）。 與其他變量相比，這三項指標(biāo)對于并購?fù)瓿陕实膮^(qū)分能力明顯強于其他指標(biāo)，它們的共同特點是都和并購事件特征相關(guān)，說明并購事件本身的系列屬性對于并購?fù)瓿陕实念A(yù)測更加重要和有效。

圖8 影響國企并購?fù)瓿陕手笜?biāo)的相對重要性排序

六、結(jié)論、建議及展望

（一）研究結(jié)論

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2014-2020 年并購事件為研究樣本，旨在通過對國企并購是否完成做出假設(shè)，研究影響并購?fù)瓿傻南嚓P(guān)因素，利用Python 網(wǎng)頁、文本提取和抓取數(shù)據(jù)， 運用LR 模型分析影響因素與并購?fù)瓿陕实南嚓P(guān)關(guān)系。 首次將人工智能算法引入并購重組領(lǐng)域，基于RF 算法構(gòu)建國企并購?fù)瓿陕暑A(yù)測模型進行預(yù)測，并將該模型與其他經(jīng)典機器學(xué)習(xí)模型進行比較，觀測其預(yù)測精度，并探究了各影響因素對并購?fù)瓿陕暑A(yù)測的重要程度，得到了如下結(jié)論：

第一，凈資產(chǎn)收益率每提升一個單位，并購?fù)瓿陕氏鄳?yīng)地提升0.033 倍；并購結(jié)算方式以現(xiàn)金結(jié)算相比股權(quán)、 現(xiàn)金和股權(quán)對并購?fù)瓿陕侍岣?.324 倍；歷史發(fā)生過并購的公司相比未發(fā)生并購的公司對并購?fù)瓿陕侍岣?.635 倍；出讓方為上市公司相比非上市公司對并購?fù)瓿陕式档?.010 倍；并購事件為重大資產(chǎn)重組比非重大資產(chǎn)重組對并購?fù)瓿陕式档?.783倍；董事會審批過內(nèi)控建設(shè)管理辦法的公司相比未審批的公司對并購?fù)瓿陕式档?.672 倍，同時，該項指標(biāo)為利用文本挖掘技術(shù)抓取的治理指標(biāo)之一，這說明除財務(wù)、并購特征等容易獲得的數(shù)據(jù)外，不容易獲取的治理數(shù)據(jù)同樣會對國企并購?fù)瓿陕暑A(yù)測產(chǎn)生很大影響。

第二， 基于RF 算法構(gòu)建的國企并購?fù)瓿陕暑A(yù)測模型正確率為85%；查準(zhǔn)率與DT 較為接近，分別比NGB、LR、SVM 高29%、33%、52%；召回率比DT 偏低，分 別 比NGB、LR、SVM 高15%、49%、16%；F 值 為86%， 分 別 比DT、NB、SVM、LR 高3%、24%、44%、47%；AUC 值為87%，分別比DT、NB、SVM、LR 高1%、4%、25%、42%。 所以，RF 相比DT、NB、SVM、LR 對國企并購?fù)瓿陕示哂凶顑?yōu)的預(yù)測效果。

第三， 經(jīng)初步顯著性篩選后的15 個變量都對并購預(yù)測具有影響， 且發(fā)現(xiàn)從一級系統(tǒng)體系整體來看，并購事件特征對并購?fù)瓿陕暑A(yù)測較為重要，其中買方支付凈資產(chǎn)比（0.25）、買方支付凈資產(chǎn)比（0.17）、結(jié)算方式（0.10）三項指標(biāo)最為重要。

（二）啟示及建議

針對上述研究結(jié)論，并購國企可以采取以下具有針對性的措施，以有效地控制并購風(fēng)險，提高并購?fù)瓿筛怕剩?/p>

第一，國企應(yīng)創(chuàng)新產(chǎn)品，開拓市場，努力增加銷售收入，加大控制成本力度，降低各種費用、減少固定資產(chǎn)、存貨和應(yīng)收賬款，加快各項資產(chǎn)周轉(zhuǎn)，從而提高凈資產(chǎn)收益率。

第二， 國企應(yīng)選擇出讓方為非上市公司進行并購，盡量避免重大資產(chǎn)收購，盡可能使用現(xiàn)金結(jié)算方式。

第三，國企應(yīng)根據(jù)自身情況，制定清晰的發(fā)展戰(zhàn)略，爭取外延式發(fā)展，熟悉并購的一系列流程，提升并購經(jīng)驗，增強并購能力。

第四，公司治理結(jié)構(gòu)和行為是影響國企并購?fù)瓿傻闹匾蛩兀?公司治理的部分?jǐn)?shù)據(jù)雖然較難獲取，但卻不容忽視，公司治理結(jié)構(gòu)類似人的神經(jīng)系統(tǒng)，是現(xiàn)代企業(yè)制度中最重要的中樞。國企應(yīng)建立健全公司治理結(jié)構(gòu)，實現(xiàn)規(guī)范的公司治理行為。 雖然董事會審批過內(nèi)控建設(shè)管理辦法對國企并購?fù)瓿陕示哂胸?fù)向顯著作用，但這并不意味著要減少董事會審批，反而要進一步對并購嚴(yán)格把關(guān)，減少不良并購，從長遠(yuǎn)視角提高并購績效。

（三）未來展望

在未來研究中，將繼續(xù)尋找影響國企并購?fù)瓿陕实年P(guān)鍵因素，更加關(guān)注公司治理結(jié)構(gòu)和行為，對RF 算法參數(shù)和模型融合進行優(yōu)化，以進一步提高算法分類準(zhǔn)確性和計算效率，完善并購?fù)瓿陕暑A(yù)測模型及其應(yīng)用。 總之，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)不斷涌現(xiàn)，并購風(fēng)險也隨之加劇，人工智能算法對于構(gòu)建并購風(fēng)險預(yù)警模型并進行風(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。