李晨堯

一、引言

據(jù)國家統(tǒng)計局發(fā)布，2022 年全國房地產(chǎn)開發(fā)投資下降10.0%，房地產(chǎn)開發(fā)景氣指數(shù)處于較低景氣水平。商品房銷售面積、銷售額和均價下跌，居民買房意愿不足，而房地產(chǎn)開發(fā)企業(yè)投資回收期長的特點，使得眾多開發(fā)商面臨資金鏈緊張的困境。一些龍頭房企接連出現(xiàn)債務(wù)違約“暴雷”現(xiàn)象，也帶來不良的社會影響。房地產(chǎn)企業(yè)財務(wù)危機的出現(xiàn)是由于戰(zhàn)略定位錯誤、盲目投資多元化、內(nèi)部管理水平低、產(chǎn)品核心競爭力不足、庫存管理不佳等多種原因造成。企業(yè)出現(xiàn)財務(wù)危機不是一蹴而就的，往往會在前期隱藏一定的財務(wù)風(fēng)險。因此，針對房地產(chǎn)企業(yè)行業(yè)特點，選取相應(yīng)財務(wù)指標(biāo)并構(gòu)建財務(wù)風(fēng)險預(yù)警模型，具有較強的現(xiàn)實意義和應(yīng)用價值。本文將從財務(wù)指標(biāo)和非財務(wù)指標(biāo)兩方面構(gòu)建一個財務(wù)風(fēng)險預(yù)警的指標(biāo)體系，并利用WEKA 平臺的數(shù)據(jù)挖掘與機器學(xué)習(xí)功能，評價不同算法對房地產(chǎn)企業(yè)財務(wù)風(fēng)險的預(yù)警水平。

二、樣本選擇與指標(biāo)建立

1.樣本選擇

本文使用的財務(wù)數(shù)據(jù)來自國泰安（CSMAR）數(shù)據(jù)庫，選取樣本參照國內(nèi)研究的一般方法，將2017—2021年被首次特別處理（ST）的房地產(chǎn)公司作為財務(wù)危機企業(yè)樣本，非ST 房地產(chǎn)公司作為財務(wù)正常的企業(yè)樣本。根據(jù)房地產(chǎn)行業(yè)的實際情況，采用非配對抽樣，選取較多的財務(wù)正常企業(yè)樣本和較少的財務(wù)危機企業(yè)樣本。

基于以上原則，依據(jù)國泰安數(shù)據(jù)庫中行業(yè)分類標(biāo)準(zhǔn)，參考證監(jiān)會2012 版行業(yè)分類和申銀萬國行業(yè)分類2012修訂版，選取2017 年至2021 年共876 個房地產(chǎn)企業(yè)樣本，其中財務(wù)正常企業(yè)樣本共846 個，財務(wù)危機企業(yè)樣本共30 個。

2.指標(biāo)選取

指標(biāo)的選取是構(gòu)建財務(wù)預(yù)警模型的核心環(huán)節(jié)。財務(wù)指標(biāo)能夠從多維度全方面地展現(xiàn)公司的財務(wù)狀況和經(jīng)營水平，本文選取了能夠在一定程度上檢測企業(yè)財務(wù)風(fēng)險的財務(wù)指標(biāo)。由于企業(yè)內(nèi)部治理狀況和管理情況不盡相同，指標(biāo)的選取不應(yīng)拘泥于財務(wù)指標(biāo)，也應(yīng)選取一定的非財務(wù)指標(biāo)作為補充。因此本文遵循系統(tǒng)性、不相關(guān)性、靈敏性和切實可操性原則，參照國內(nèi)相關(guān)財務(wù)風(fēng)險預(yù)警指標(biāo)的研究建立一套財務(wù)風(fēng)險預(yù)警的指標(biāo)體系，包括償債能力、經(jīng)營能力、盈利能力、股東獲利能力、發(fā)展能力、現(xiàn)金流量指標(biāo)、風(fēng)險水平等財務(wù)指標(biāo)，同時也選取了兩權(quán)分離度、年度內(nèi)董事會的會議次數(shù)和審計意見等非財務(wù)指標(biāo)。具體情況見表1。

表1 財務(wù)預(yù)警指標(biāo)選擇

三、模型構(gòu)建及評價指標(biāo)

1.數(shù)據(jù)處理

對全部原始數(shù)據(jù)進行預(yù)處理。為保證WEKA 平臺能夠正常讀取數(shù)據(jù)，將所有數(shù)據(jù)保留三位小數(shù)；對于無法從財務(wù)報表及公開信息中獲取的財務(wù)數(shù)據(jù)選擇用眾數(shù)進行填充；對于非財務(wù)指標(biāo)的缺省采用悲觀準(zhǔn)則進行填充，如董事會的會議次數(shù)如果無法獲取，則認(rèn)為年度內(nèi)的會議次數(shù)為0。

2.模型構(gòu)建

本研究采用流行的數(shù)據(jù)挖掘方法來構(gòu)建財務(wù)風(fēng)險預(yù)警模型，主要包括貝葉斯網(wǎng)絡(luò)（GBN）、樸素貝葉斯網(wǎng)絡(luò)（NBN）、邏輯回歸（LR）、決策樹（DT）、支持向量機（SVM）、人工神經(jīng)網(wǎng)絡(luò)（ANN）、裝袋（BA）、k 最近鄰（KNN）和隨機森林（RF），共計9 種算法。

3.評價指標(biāo)

評價分類器的性能指標(biāo)主要為機器學(xué)習(xí)類指標(biāo)。機器學(xué)習(xí)類指標(biāo)主要包括預(yù)測模型的構(gòu)建速度、混淆矩陣相關(guān)的度量指標(biāo)（真陽性率，真陰性率，假陽性率，假陰性率，綜合準(zhǔn)確率，F(xiàn)-Measure）以及接受者操作特征曲線下面積。F-Measure 度量值高可以保證查全率和查準(zhǔn)率都比較高，表明機器學(xué)習(xí)算法準(zhǔn)確率較高。接受者操作特征曲線下面積（AUC）的范圍在0.5（隨機模型）和1（完美模型）之間，越接近1 表明模型精度越高。

四、學(xué)習(xí)結(jié)果與對比分析

1.結(jié)果

本文采用WEKA 3.8.6 軟件對處理后的876 條數(shù)據(jù)采用十折交叉驗證的方式進行實驗。十折交叉驗證是將數(shù)據(jù)集分成十份，輪流將其中9 份作為訓(xùn)練數(shù)據(jù)，1 份作為測試數(shù)據(jù)進行試驗的方式。實驗結(jié)果機器學(xué)習(xí)類指標(biāo)見表2。

表2 機器學(xué)習(xí)類評價指標(biāo)

2.討論

根據(jù)機器學(xué)習(xí)評價指標(biāo)，首先從算法訓(xùn)練的時間上看，ANN 算法學(xué)習(xí)時長最久，是因為神經(jīng)網(wǎng)絡(luò)所需參數(shù)較多，學(xué)習(xí)過程比較長。其余算法產(chǎn)生模型的時間均較短，速度較快。剩余度量標(biāo)準(zhǔn)TPR、F-Measure、AUC 和Accuracy 的評價值越高說明算法的分類效果越好，預(yù)測精度越高。本文針對剩余度量指標(biāo)做出具體分析如下。

從整體上來看，基于集成學(xué)習(xí)思想的模型——比如BA、AB、RF，比其他模型的綜合準(zhǔn)確率、F-Measure 和AUC 值高，這可能是因為集成方法通過聚集多個分類器的預(yù)測結(jié)果來提高分類準(zhǔn)確率，平均了單個模型的偏差，使得集體決策在全面可靠性和準(zhǔn)確度上優(yōu)于個體決策。除此之外，SVM 和ANN 算法也提供了同樣最高的綜合準(zhǔn)確率和第二高的F-Measure，但根據(jù)AUC 指標(biāo)，ANN 算法的ROC 曲線下面積更大，意味著ANN 算法的平均性能要優(yōu)于SVM 算法。

從單個算法角度看，基于函數(shù)的LR、基于決策樹的DT 和基于實例的kNN 的綜合正確率均超過了95%，這些算法的F-Measure 也均大于0.95，LR 的ROC 曲線下面積達(dá)到了0.79 以上，說明它們在該房地產(chǎn)預(yù)警數(shù)據(jù)上的分類性能較好，能夠在財務(wù)危機早期預(yù)測中發(fā)揮重要作用。這些算法中表現(xiàn)相對較弱的是GBN 和NBN。然而，我們更換貝葉斯網(wǎng)絡(luò)中的全局評分度量，將K2算法更改為TAN（Tree-Augmented Naive Bayes，樹增強樸素貝葉斯）后，貝葉斯算法的綜合準(zhǔn)確率則增加到了95.4338%，F(xiàn)-Measure 和AUC 則達(dá)到了0.954 和0.922，說明更改合適的度量后該算法也可以在房地產(chǎn)企業(yè)財務(wù)風(fēng)險預(yù)測中達(dá)到良好的效果。

為了更好地預(yù)測房地產(chǎn)企業(yè)財務(wù)危機，我們需要針對房地產(chǎn)企業(yè)數(shù)據(jù)特征做出比較和評價。需要注意的是，在房地產(chǎn)財務(wù)風(fēng)險模型數(shù)據(jù)的這種不平衡數(shù)據(jù)集中，識別為財務(wù)風(fēng)險的企業(yè)數(shù)量遠(yuǎn)遠(yuǎn)小于未識別為財務(wù)風(fēng)險的企業(yè)數(shù)量，但識別出有財務(wù)風(fēng)險的企業(yè)卻更有意義，因為如若未識別出財務(wù)風(fēng)險，會對社會產(chǎn)生更大的不良影響，銀行、社會投資者和購房百姓會付出更大的代價。因此在關(guān)注上述指標(biāo)之外，我們更需要關(guān)注假陽性率指標(biāo)，假陽性率指標(biāo)越低，意味著真陰性率指標(biāo)越高，也就意味著該分類器在針對房地產(chǎn)企業(yè)財務(wù)風(fēng)險發(fā)出預(yù)警的意義就更大。本研究結(jié)果表明，NBN、GBN、GBN-TAN、kNN、ANN 的假陽性率指標(biāo)相對其他算法更低，能夠更準(zhǔn)確地識別出財務(wù)風(fēng)險企業(yè)。

綜上所述，在該房地產(chǎn)企業(yè)財務(wù)風(fēng)險預(yù)警數(shù)據(jù)集上的分類預(yù)測效果較好的算法有三種，分別是GBN-TAN、ANN 和kNN。這三種算法在真陽性率、假陽性率、F-Measure、AUC 和綜合準(zhǔn)確率等多種指標(biāo)的綜合測評下都有比較出色的表現(xiàn)。未來，計劃繼續(xù)擴大原始數(shù)據(jù)集，繼續(xù)對原始數(shù)據(jù)中財務(wù)指標(biāo)的選擇和各種算法進行優(yōu)化，進一步降低假陽性率，結(jié)合各個模型的優(yōu)勢特點來提高對房地產(chǎn)企業(yè)財務(wù)危機的預(yù)測精度。