張曉蕾，王 華

（沈陽理工大學 經(jīng)濟管理學院，沈陽 110159）

裝備制造業(yè)是我國制造業(yè)中的一個重要環(huán)節(jié)，在國家有關政策的扶持下，已有了較好的發(fā)展，并奠定了堅實的工業(yè)基礎。作為其他行業(yè)的“輸血源”，裝備制造業(yè)的健康發(fā)展，在一定程度上對其他行業(yè)的穩(wěn)定運轉(zhuǎn)起著制約作用。但是，隨著技術水平的演進升級與市場環(huán)境的復雜化，我國裝備制造業(yè)也被動面對諸多新的機遇和挑戰(zhàn)，其“大而不強”的劣勢也逐步凸顯出來，制約著裝備制造業(yè)整體的健康發(fā)展。遼寧省重工業(yè)基礎雄厚，是我國傳統(tǒng)的裝備制造業(yè)大省。雖然作為東北地區(qū)重點工業(yè)基地之一，遼寧省工業(yè)制造業(yè)已形成了相當規(guī)模的產(chǎn)業(yè)鏈，但是在宏觀經(jīng)濟形勢不可控、產(chǎn)業(yè)結構不合理等因素的影響下，遼寧省裝備制造業(yè)近年來發(fā)展速度減緩，同時也存在著一定程度的財務風險。在國家“振興東北老工業(yè)基地”及遼寧省“先進裝備制造業(yè)‘十四五’發(fā)展規(guī)劃”的政策要求下，為了更好地加快裝備制造業(yè)轉(zhuǎn)型升級的步伐，必須要關注行業(yè)整體的財務健康狀況，以此為基礎維護遼寧經(jīng)濟的可持續(xù)發(fā)展，因此尋找合理有效的預警手段防范裝備制造業(yè)發(fā)生財務風險具有重要意義。

財務風險預警是指通過研究企業(yè)的財務及非財務數(shù)據(jù)與最終風險狀態(tài)之間的內(nèi)在聯(lián)系，利用數(shù)學模型找到關鍵影響因素，搭建預警模型輸出風險狀態(tài)，使企業(yè)能實時監(jiān)控自身風險狀態(tài)，以便及時采取措施防范風險。目前財務風險預警一般有兩種方向，分別是統(tǒng)計學方法與機器學習方法。統(tǒng)計學方法有一元判別分析模型、多元判別分析模型、多元邏輯回歸分析方法和多元概率比回歸方法等。此類方法構建的模型具有明顯的解釋性，但是其對輸入數(shù)據(jù)的要求嚴格，并且與機器學習方法相比，其分類效果的準確性差強人意。機器學習方法有邏輯回歸、決策樹、神經(jīng)網(wǎng)絡模型、隨機森林、支持向量機等，相關研究表明，機器學習方法相比于統(tǒng)計學方法具有更好的準確性和適應性。在無法預先確定風險關鍵影響因素時采用機器學習方法能取得更好的效果。而對于類似本文研究對象的此類數(shù)據(jù)量少的小樣本，支持向量機憑借其出色的分類與回歸性能，能取得更好的預測結果。而對于樣本數(shù)據(jù)不均衡的情況，加權支持向量機能通過為正負樣本賦予不同的權重，以使樣本處于均衡狀態(tài)。因而本文針對遼寧省裝備制造業(yè)上市公司數(shù)據(jù)不均衡、樣本量小的特點，構建加權支持向量機（W-SVM）模型。

二、模型與方法

（一）加權支持向量機

支持向量機是監(jiān)督式學習的一種機器算法，屬于一般化線性分類器。其通過搜尋最優(yōu)的分類超平面，使得正負兩類向量之間的距離最大化，一般來說，分類邊緣越大，尋得的超平面越優(yōu)，分類效果越好，最終訓練得到的超平面就是分類模型的最優(yōu)解。在處理非線性分類時，SVM通過核函數(shù)的使用將輸入變量映射到高維空間，此時就變成高維空間的線性分類問題。SVM能夠同時最小化經(jīng)驗誤差與最大化幾何邊緣區(qū)，具有良好的分類效果。其具體實現(xiàn)步驟如下：

獲取輸入數(shù)據(jù)集：

選取最適宜的核函數(shù)K（xi，xj），映射到高維特征空間求解最優(yōu)解：

設得到最優(yōu)解如下：

選取a*的一個正分量計算閾值：

從而最終的最優(yōu)分決策函數(shù)為：

加權支持向量機是在上述基礎上通過對不同類別的樣本加以不同權重，以解決以下二次規(guī)劃問題得到的：

其中C是懲罰因子，i為xi相應的松弛變量。p+和p-分別是正負兩類樣本的權重，因此可以通過p+和p-以及i的輸入實現(xiàn)加權效果，公式如下：

公式中pi即xi的權重，通過的輸入能夠人為地擴大或縮小相應的C的懲罰力度，從而實現(xiàn)正負樣本數(shù)據(jù)的擴大或縮小，均衡樣本集，提高預測精度。

（二）W-SVM構建方法

Step1：確定預警指標體系并選取符合條件的上市公司樣本，劃分訓練集與測試集。

Step2：選擇合適的核函數(shù)，并且采用五折交叉驗證方法，進行參數(shù)尋優(yōu)，以找到具有最佳分類效果的c、g參數(shù)，并設置正負樣本的權重，搭建W-SVM模型。

Step3：導入訓練集數(shù)據(jù)作為輸入變量，用以訓練W-SVM模型，并將預測值與實際預測集數(shù)據(jù)對比，驗證模型準確度。

三、實證分析

（一）樣本選擇和數(shù)據(jù)來源

滬深兩市的上市公司若連續(xù)兩個年度出現(xiàn)虧損，就會被特別處理（Special Treatment）。因而本文將ST作為企業(yè)發(fā)生財務風險的標志。樣本公司范圍為滬深A股主板上市的遼寧省裝備制造業(yè)公司，選擇2017-2020年間被ST處理企業(yè)作為風險樣本，按照配對原則，選擇風險企業(yè)ST年份為基準年份的剩余企業(yè)作為健康樣本。由于企業(yè)被ST處理的T年實質(zhì)上是T-1年財務狀況的結果，因而本文選擇T-2年的財務數(shù)據(jù)作為數(shù)據(jù)輸入集用以訓練預警模型，以2021年遼寧省裝備制造業(yè)上市公司的財務狀況及其T-2年的數(shù)據(jù)作為測試集用以測試模型預測精度。最終得到一個由22家企業(yè)及其相應年份數(shù)據(jù)的樣本集。本文樣本數(shù)據(jù)來自銳思金融數(shù)據(jù)庫。

（二）財務風險預警指標體系的構建

裝備制造業(yè)企業(yè)作為傳統(tǒng)的制造型企業(yè)，有資金密集、產(chǎn)能過剩、創(chuàng)新能力欠缺等特點，因而在選擇預警指標，要貼合行業(yè)發(fā)展特點，本文在借鑒已有研究的基礎上，遵循可操作性、可量化、系統(tǒng)性以及先行性的要求，從盈利能力、償債能力、成長能力、營運能力、現(xiàn)金流狀況五個方面等方面選取了20個財務指標。另外從我國企業(yè)實際狀況出發(fā)，由于目前缺乏成熟嚴密的外部治理體系，所以企業(yè)內(nèi)部治理水平仍是影響企業(yè)財務健康的重要影響因素。因此本文選取了6個非財務指標補充預警指標體系（具體指標如表1所示）。

表1 財務風險預警指標體系

由于財務指標之間具有相關性，其中區(qū)分能力不顯著的指標往往會使得模型訓練更復雜，甚至還會降低模型的準確度。因此本文進行如下處理：首先對所有數(shù)據(jù)進行標準化處理，其次針對正負樣本的各個特征變量進行顯著性檢驗，即實施K-S檢驗，檢查樣本數(shù)據(jù)是否符合正態(tài)分布，當p值大于0.05時我們認為其符合正態(tài)分布，可以進行T檢驗以觀測樣本數(shù)據(jù)的差異顯著性，保留p值低于0.05的指標；對于不符合正態(tài)分布的指標進行Mann-Whiney U檢驗，保留p值小于0.05的指標（檢驗結果如表2、3所示）。

表2 K-S檢驗與T檢驗

（三）實證分析

1.樣本數(shù)據(jù)劃分

特征向量矩陣train_data是m*n矩陣，m表示樣本數(shù)量，n表示特征維度，即上文最終選取的指標。類別矩陣train_label為m*1矩陣，其中m仍為樣本數(shù)量，列數(shù)1表示此樣本的屬性，財務風險企業(yè)以“-1”表示，健康企業(yè)以“1”表示。

表3 K-S檢驗與Mann-Whiney U檢驗

2.歸一化處理

由于數(shù)據(jù)中可能會存在奇異樣本數(shù)據(jù)，使得特征數(shù)據(jù)量綱不一致，特征值之間差異較大，此時會降低模型運算速度和精度。而進行歸一化處理后，能減少迭代次數(shù)，可以更迅速找到最優(yōu)點，并且還能增加不同特征數(shù)據(jù)之間的可比性，便于下一步處理。

3.選擇核函數(shù)

在核函數(shù)的選擇上，由于本文特征維度和樣本較少且二者量級相差不大，此時選擇線性核函數(shù)不會造成過擬合現(xiàn)象，會取得相對更好的預測效果。因而本文選擇線性（linear）核函數(shù)來構建模型。

4.參數(shù)選擇及預測結果

由于本文研究對象樣本量小，且風險企業(yè)與健康企業(yè)比例不平衡，所以訓練會存在偶然性，因此有必要通過反復訓練尋找最優(yōu)參數(shù)以提高模型的準確性。本文采用五折交叉驗證法搜尋最優(yōu)參數(shù)，最終選擇的最優(yōu)參數(shù)分別為：c=5.278，g=0.008。經(jīng)過訓練，本文構建的支持向量機預測準確率為90.91%（結果如圖1所示）。

圖1 測試集SVM預測結果（linear核函數(shù)）

5.特征權重分析

由于支持向量是映射在高維空間的向量，無法以二維空間中的輸入特征變量呈示，因此在探求預警指標在SVM模型中的影響大小時，可以通過SVM-RFE（遞歸特征消除）算法得到指標特征的貢獻性排序。RFE算法通過SVM模型訓練樣本，得出本次訓練特征權重，再剔除權重平方和最小的特征進行下次訓練，如此迭代直至沒有特征，由此算法的最終輸出變量即為特征重要降序排序。在本文構建的W-SVM模型基礎上調(diào)用SVM-RFE算法，得到特征權重排序為：X11、X12、X19、X5、X8、X3、X23、X1、X15、X21、X24、X22。

四、結論與建議

（一）主要結論

使用linear核函數(shù)構建的W-SVM模型對遼寧省裝備制造業(yè)上市公司的財務風險預警有著良好的適用性，樣本整體預測準確率達90.91%?？梢姳疚倪x取的裝備制造業(yè)上市公司的相關數(shù)據(jù)具有良好的反應能力，可以在此基礎上為相關領域的財務風險預警提供思路。但是本文的研究也存在不足，由于樣本數(shù)量有限，并且指標體系的特征維度選取有限，在尋找既有信息與風險狀態(tài)的內(nèi)在聯(lián)系上存在不完全性與主觀性，因而需要研究更深入的機器學習方法深度挖掘數(shù)據(jù)內(nèi)含信息，搭建更有效的模型。

通過特征權重分析可知，在最終選取的特征中，凈利潤增長率、凈資產(chǎn)增長率、經(jīng)營現(xiàn)金凈流量/營業(yè)總收入、成本費用利潤率、資產(chǎn)負債率這五項指標權重較高，分別代表成長能力、現(xiàn)金流量、盈利能力、償債能力。說明這幾項代表性指標與遼寧省裝備制造業(yè)上市公司財務風險的聯(lián)系更密切，企業(yè)或相關機構監(jiān)測上述先行指標能夠幫助其及時地識別財務風險。

（二）可行性建議

搭建合理有效的預警模型，能夠為企業(yè)財務風險的發(fā)現(xiàn)和防范提供借鑒，結合人工智能搭建預測精度更高的預警模型是未來的發(fā)展趨勢。因此遼寧省裝備制造業(yè)企業(yè)管理者可以在既有行業(yè)預警模型的基礎上，結合本公司特點調(diào)整關鍵輸入變量，建立合適的財務預警模型。

企業(yè)也要關注行業(yè)現(xiàn)有的風險點，加強自身的內(nèi)部控制：在成長能力上，裝備制造業(yè)現(xiàn)有的產(chǎn)業(yè)鏈往往是低附加值，難以產(chǎn)生高利潤回報，因此企業(yè)應該通過加大研發(fā)投入、吸引高端人才等途徑，提高企業(yè)自主創(chuàng)新能力，提高企業(yè)核心競爭力；在現(xiàn)金流風險防范方面，由于產(chǎn)品生產(chǎn)周期長，資金周轉(zhuǎn)不及時的情況很常見，企業(yè)要合理安排現(xiàn)金流，建立全面預算體系，保持現(xiàn)金儲備量處于合理的水平；在盈利能力方面，規(guī)范生產(chǎn)環(huán)節(jié)，降低成本費用支出，提升產(chǎn)品附加值，以實現(xiàn)可持續(xù)發(fā)展；在償債能力上，裝備制造業(yè)資金密集，經(jīng)營的上下游環(huán)節(jié)會需要大量資金支持，因此企業(yè)應該拓寬籌資融資渠道，減少對銀行借款等硬性籌資方式的依賴性；優(yōu)化自身資本結構，降低負債比例，增加權益性資產(chǎn)，避免過度舉債經(jīng)營。