□文/楊 卓

（西安石油大學(xué)經(jīng)濟管理學(xué)院 陜西·西安）

［提要］上市公司的財務(wù)預(yù)警工作直接關(guān)系著對財務(wù)風(fēng)險的控制效果和公司自身的整體發(fā)展。近年來，在經(jīng)濟下行壓力加大的整體形勢下，部分上市公司難以準(zhǔn)確分析和把控復(fù)雜多變的內(nèi)外部環(huán)境，從而導(dǎo)致自身決策失當(dāng)，財務(wù)風(fēng)險增加，不利于保障公司的穩(wěn)定經(jīng)營。因此，采用恰當(dāng)科學(xué)的方法對公司可能出現(xiàn)的財務(wù)風(fēng)險做出及時預(yù)警，進(jìn)而做好應(yīng)對措施，已成為當(dāng)前上市公司在經(jīng)營發(fā)展過程中需要解決的關(guān)鍵問題?；诖耍疚幕跀?shù)據(jù)挖掘?qū)ι鲜泄具M(jìn)行財務(wù)預(yù)警研究，并對三種模型的預(yù)測效果進(jìn)行對比，分別是神經(jīng)網(wǎng)絡(luò)、決策樹和Logistic回歸。以便提高上市公司財務(wù)預(yù)警效率效果，使其對財務(wù)風(fēng)險做出及時響應(yīng)，進(jìn)而提高公司對財務(wù)風(fēng)險的應(yīng)對能力，并提供有價值的參考意見。

一、相關(guān)概念

（一）財務(wù)風(fēng)險。財務(wù)風(fēng)險主要是企業(yè)客觀存在的財務(wù)風(fēng)險，企業(yè)由于各種各樣沒法控制的因素造成了損失，雖然財務(wù)風(fēng)險不可能完全消除，但是可以用一些方法控制財務(wù)風(fēng)險，盡量降低財務(wù)風(fēng)險對企業(yè)的負(fù)面影響。

（二）財務(wù)預(yù)警。財務(wù)預(yù)警是指對企業(yè)當(dāng)前的各類財務(wù)與非財務(wù)數(shù)據(jù)進(jìn)行挖掘和分析，在這些數(shù)據(jù)中選出可以反映企業(yè)整體經(jīng)營狀況的指標(biāo)，通過對這些指標(biāo)進(jìn)行綜合評價，使得企業(yè)財務(wù)風(fēng)險可以被有效識別和預(yù)測。通過開展科學(xué)有效的財務(wù)預(yù)警工作，企業(yè)能夠及時識別當(dāng)前經(jīng)營發(fā)展過程中存在的財務(wù)風(fēng)險，了解自身財務(wù)狀況，并采取相關(guān)措施降低財務(wù)風(fēng)險發(fā)生概率。

（三）數(shù)據(jù)挖掘。數(shù)據(jù)挖掘，即利用計算機和統(tǒng)計學(xué)相關(guān)技術(shù)，從海量的數(shù)據(jù)中檢索對研究內(nèi)容或相關(guān)決策具有一定支持的數(shù)據(jù)信息的過程。數(shù)據(jù)挖掘的對象涵蓋了所有類型的數(shù)據(jù)源，包括結(jié)構(gòu)化、半結(jié)構(gòu)化和異構(gòu)的數(shù)據(jù)，目標(biāo)數(shù)據(jù)庫也包括了關(guān)系數(shù)據(jù)庫和數(shù)據(jù)倉庫等多種類型?；跀?shù)據(jù)挖掘的信息或知識，然后通過歸納得出相關(guān)數(shù)據(jù)，最終的數(shù)據(jù)信息常常在決策支持、信息管理以及查詢優(yōu)化和數(shù)據(jù)庫維護(hù)等方面有很大作用。

數(shù)據(jù)挖掘需要模型，有五種常用方法，分別是神經(jīng)網(wǎng)絡(luò)法、決策樹算法、模糊集法、遺傳算法、粗集算法。

基于數(shù)據(jù)挖掘的建模主要分為六步：一是定義問題，即定義所需查找的數(shù)據(jù)和解決的業(yè)務(wù)問題；二是構(gòu)建數(shù)據(jù)挖掘庫，通過數(shù)據(jù)的找尋、整合，然后進(jìn)行數(shù)據(jù)質(zhì)量的評估，數(shù)據(jù)挖掘庫的構(gòu)建就完成了；三是數(shù)據(jù)分析與描述，數(shù)據(jù)分析是找出對將進(jìn)行預(yù)測影響力最大的數(shù)據(jù)，然后完成數(shù)據(jù)準(zhǔn)備工作；四是模型構(gòu)建，需要對不同模型的應(yīng)用效果予以綜合考量，通過開展反復(fù)的模型訓(xùn)練與測試，確定出最優(yōu)模型；五是模型評價，對基于模型的數(shù)據(jù)挖掘結(jié)果以及模型本身的價值進(jìn)行評價；六是實施，模型構(gòu)建與評價結(jié)束后，應(yīng)將其應(yīng)用于對目標(biāo)數(shù)據(jù)的挖掘當(dāng)中。本文對數(shù)據(jù)挖掘在企業(yè)財務(wù)預(yù)警中應(yīng)用的研究突出體現(xiàn)的是基于模型的財務(wù)風(fēng)險預(yù)測。

二、財務(wù)預(yù)警指標(biāo)選取與樣本來源

（一）指標(biāo)選取原則。對上市公司財務(wù)預(yù)警的指標(biāo)選取應(yīng)遵循以下幾點原則：（1）易得性原則。指標(biāo)應(yīng)該可以從數(shù)據(jù)庫或者是企業(yè)的財務(wù)報表中得到，降低指標(biāo)選取難度和財務(wù)預(yù)警工作的復(fù)雜性。（2）真實性原則。指標(biāo)都必須是真實存在的，數(shù)據(jù)必須是可以真實反映出企業(yè)財務(wù)狀況。（3）可比性原則。對任意時期的任意公司都可以進(jìn)行比較。（4）系統(tǒng)性原則。關(guān)于上市公司財務(wù)預(yù)警的各類指標(biāo)不應(yīng)該是分散和獨立的，而應(yīng)兼顧各類指標(biāo)的內(nèi)在關(guān)聯(lián)，這樣指標(biāo)就可以綜合反映出公司的經(jīng)營狀況。（5）科學(xué)性原則。選取的各種指標(biāo)都應(yīng)該代表性比較強，可以使研究人員以及公司各利益相關(guān)主體通過少量指標(biāo)盡可能多地了解公司的財務(wù)狀況。

（二）財務(wù)指標(biāo)選取。財務(wù)預(yù)警指標(biāo)體系最重要的構(gòu)成是財務(wù)指標(biāo)，因為企業(yè)的財務(wù)狀況都在財務(wù)指標(biāo)中反映。財務(wù)指標(biāo)主要選取了四個方面，如表1 所示。（表1）

表1 財務(wù)指標(biāo)選取一覽表

（三）非財務(wù)指標(biāo)選取。非財務(wù)指標(biāo)是財務(wù)預(yù)警指標(biāo)體系的核心的重要補充，主要是從公司治理的角度來確定各類指標(biāo)，主要有三部分，分別是治理結(jié)構(gòu)、股權(quán)結(jié)構(gòu)和審計意見。

1、治理結(jié)構(gòu)。主要是指公司所有者對公司經(jīng)營者的一種監(jiān)督，反映了公司內(nèi)部管理的特點。本文主要選取了三個二級指標(biāo)：獨立董事人數(shù)、高管人數(shù)和監(jiān)事人數(shù)。

2、股權(quán)結(jié)構(gòu)。股權(quán)結(jié)構(gòu)是指各股權(quán)人所持有的股份/公司總股份，本文選取了兩個二級指標(biāo)，股權(quán)集中度：企業(yè)持股比例在前五的股東；股權(quán)制衡度：企業(yè)持股比例在第二到第五的總和/控股股東持股比例（Z 值）。

3、審計意見。審計意見是指審計人員對企業(yè)財務(wù)報告審計結(jié)果評價。本文選取了兩個審計意見衡量指標(biāo)，分別是標(biāo)準(zhǔn)無保留意見（取值為1）與其他（取值為2）。

根據(jù)上述對上市公司各個財務(wù)預(yù)警指標(biāo)的分析，得到如表2 所示的上市公司財務(wù)預(yù)警指標(biāo)體系，相關(guān)指標(biāo)的計算方式已在上文對指標(biāo)進(jìn)行介紹時予以說明。（表2）

表2 上市公司財務(wù)預(yù)警指標(biāo)體系一覽表

（四）研究樣本。本文選取的研究樣本主要為在A 股上市的160 家ST 與非ST 公司。其中，80 家是2017～2019 年第一次被ST 的上市公司，再去掉5 家由于數(shù)據(jù)殘缺或者金融類的上市公司，最終ST 樣本有75 家公司，2017 年是15 家、2018 年是25 家、2019 年是35 家。非ST 公司與ST 公司在各個方面的選取原則都一致，公司數(shù)量同樣為75 家，2017 年、2018 年和2019 年的非ST 樣本公司數(shù)量同樣為15 家、25 家和35 家。在樣本數(shù)據(jù)的確定與選擇方面，本文假設(shè)ST 公司被特別處理的年份為T，那么（T-1）年則表示被處理的前一年，（T-2）年則表示被處理的前兩年，相關(guān)數(shù)據(jù)來自Wind 數(shù)據(jù)庫與Csmar 數(shù)據(jù)庫。

（五）顯著性檢驗。進(jìn)行顯著性檢驗，對上述財務(wù)預(yù)警指標(biāo)體系先確定出各個變量對財務(wù)預(yù)警是否有影響。對19 個變量進(jìn)行正態(tài)分布檢驗，有兩個結(jié)果：如果滿足正態(tài)分布，則對變量進(jìn)行獨立樣本T 檢驗；如果不滿足正態(tài)分布，則用M-W（U）非參數(shù)檢驗，對各類財務(wù)指標(biāo)是否對財務(wù)預(yù)警有影響的確定方法是判斷P 值（是否＜0.05）。

首先，對（T-2）年的財務(wù)預(yù)警指標(biāo)進(jìn)行正態(tài)分布檢驗后，檢驗結(jié)果是有兩個指標(biāo)滿足正態(tài)分布，則對流動比率和股權(quán)集中度進(jìn)行獨立樣本T 檢驗，結(jié)果如表3 所示。（表3）

表3（T-2）年獨立樣本T檢驗結(jié)果一覽表

根據(jù)表3，股權(quán)集中度檢驗結(jié)果并不顯著，只有流動比率通過了T 檢驗，故將其作為財務(wù)預(yù)警變量予以保留。對于其他非正態(tài)分布變量，進(jìn)行M-W（U）非參數(shù)檢驗，本文直接給出通過顯著性檢驗的指標(biāo)，如表4 二級指標(biāo)所示，通過顯著性檢驗的指標(biāo)共11 個，各變量平均值如表4 所示。（表4）

表4（T-2）年通過顯著性檢驗的變量平均指標(biāo)一覽表

根據(jù)表4，（T-2）年非ST 公司財務(wù)狀況比ST 公司的財務(wù)狀況好。此外，ST 公司的審計意見更傾向于非標(biāo)準(zhǔn)無保留意見，進(jìn)一步表明ST 公司的財務(wù)狀況不容樂觀。

其次，對樣本（T-1）年的財務(wù)預(yù)警指標(biāo)進(jìn)行正態(tài)分布檢驗后，僅有一個指標(biāo)滿足正態(tài)分布，則對股權(quán)集中制進(jìn)行獨立樣本T 檢驗，結(jié)果如表5 所示。（表5）

表5（T-1）年獨立樣本T檢驗結(jié)果一覽表

根據(jù)表5，股權(quán)集中度檢驗結(jié)果并不顯著。對于其他非正態(tài)分布變量，進(jìn)行M-W（U）非參數(shù)檢驗，本文直接給出通過顯著性檢驗的指標(biāo)，如表6 二級指標(biāo)所示，通過顯著性檢驗的指標(biāo)共12 個，各變量平均值如表6 所示。（表6）

表6（T-1）年通過顯著性檢驗的變量平均指標(biāo)一覽表

根據(jù)表6，（T-1）年非ST 公司財務(wù)狀況要明顯優(yōu)于ST 公司。此外，ST 公司的審計意見更傾向于非標(biāo)準(zhǔn)無保留意見，進(jìn)一步表明ST 公司的財務(wù)狀況不容樂觀。

三、基于數(shù)據(jù)挖掘的財務(wù)預(yù)警模型指標(biāo)篩選有效性

（一）神經(jīng)網(wǎng)絡(luò)財務(wù)預(yù)警模型預(yù)測。利用因財務(wù)問題被特別處理的ST 公司的（T-2）和（T-1）年數(shù)據(jù)，構(gòu)建基于多層感知器（MLP）的神經(jīng)網(wǎng)絡(luò)模型，并將樣本數(shù)據(jù)按7∶3 比例進(jìn)一步分為訓(xùn)練樣本與測試樣本，以使模型結(jié)果更加直觀地反映各項財務(wù)和非財務(wù)指標(biāo)。

1、（T-2）年神經(jīng)網(wǎng)絡(luò)財務(wù)預(yù)警模型預(yù)測。基于MLP 的神經(jīng)網(wǎng)絡(luò)的輸入層因子應(yīng)為表4 中通過顯著性檢驗的11 個指標(biāo)，輸出層是對兩年后目標(biāo)公司是否被ST 所進(jìn)行的判斷，故輸出層單元數(shù)應(yīng)為2；相應(yīng)地，隱藏層單元數(shù)則是以輸入與輸出層結(jié)構(gòu)為依據(jù)，自動認(rèn)定為4。（T-2）年神經(jīng)網(wǎng)絡(luò)財務(wù)預(yù)警模型的信息如表7 所示。（表7）

表7（T-2）年神經(jīng)網(wǎng)絡(luò)信息一覽表

圖1 給出了ROC 曲線（接受者操作特征曲線），可知神經(jīng)網(wǎng)絡(luò)財務(wù)預(yù)警模型的擬合效果較好。（圖1）

圖1（T-2）年ROC曲線圖

表8 給出了（T-2）年神經(jīng)網(wǎng)絡(luò)財務(wù)預(yù)警模型的分類表。由表8 可知，（T-2）年神經(jīng)網(wǎng)絡(luò)模型把2 家ST 公司錯誤的預(yù)測為了非ST 公司，得出ST 公司的預(yù)測準(zhǔn)確率為91.3%。因為把4家非ST 公司錯誤的預(yù)測為了ST 公司，得出非ST 公司的預(yù)測準(zhǔn)確率為82.6%。用兩個準(zhǔn)確率可以看出，預(yù)警模型對ST 公司的識別更為準(zhǔn)確。根據(jù)神經(jīng)網(wǎng)絡(luò)模型，上述11 個變量對模型分類的影響程度的排序情況如圖2 所示，其中去掉了重要性低于20%的總資產(chǎn)周轉(zhuǎn)率和流動比率。（表8、圖2）

表8（T-2）年神經(jīng)網(wǎng)絡(luò)財務(wù)預(yù)警模型的神經(jīng)網(wǎng)絡(luò)分類一覽表

2、（T-1）年神經(jīng)網(wǎng)絡(luò)財務(wù)預(yù)警模型預(yù)測?；贛LP 的神經(jīng)網(wǎng)絡(luò)的輸入層因子應(yīng)為表6 中通過顯著性檢驗的12 個指標(biāo)，輸出層是判斷一年后目標(biāo)公司是否會被ST，2 是輸出層的單元數(shù)，然后隱藏層單元數(shù)就自動認(rèn)定為2。表9 所示的是（T-1）年神經(jīng)網(wǎng)絡(luò)財務(wù)預(yù)警模型的信息表。（表9）

表9（T-1）年神經(jīng)網(wǎng)絡(luò)信息一覽表

圖3 給出了ROC 曲線（接受者操作特征曲線），可知神經(jīng)網(wǎng)絡(luò)財務(wù)預(yù)警模型的擬合效果較好。（圖3）

圖3（T-1）年ROC曲線圖

表10 給出了（T-1）年神經(jīng)網(wǎng)絡(luò)財務(wù)預(yù)警模型的分類表。由表10 可知，（T-1）年神經(jīng)網(wǎng)絡(luò)模型把1 家ST 公司錯誤地預(yù)測為非ST 公司，得出ST 公司的預(yù)測準(zhǔn)確率為95.7%。因為把3家非ST 公司被錯誤地預(yù)測為ST 公司，得出非ST 公司的預(yù)測準(zhǔn)確率為86.9%?？梢?，模型對ST 公司的識別效果更佳。根據(jù)神經(jīng)網(wǎng)絡(luò)模型，上述12 個變量對模型分類的影響程度的排序情況如圖4 所示，其中去掉了重要性低于20%的總資產(chǎn)周轉(zhuǎn)率。（表10、圖4）

圖4（T-1）年神經(jīng)網(wǎng)絡(luò)變量重要性排序圖

表10（T-1）年神經(jīng)網(wǎng)絡(luò)財務(wù)預(yù)警模型的神經(jīng)網(wǎng)絡(luò)分類一覽表

通過構(gòu)建（T-2）年和（T-1）年神經(jīng)網(wǎng)絡(luò)財務(wù)預(yù)警模型，去除掉重要程度低于20%的變量，得出2017～2019 年對樣本公司財務(wù)預(yù)警相對重要的變量指標(biāo)，主要有五項，分別是凈利潤增長率、固定資產(chǎn)周轉(zhuǎn)率、凈資產(chǎn)增長率、審計意見類型和資產(chǎn)利潤率。

（二）決策樹財務(wù)預(yù)警模型預(yù)測。借助選取的ST 公司的各項指標(biāo)數(shù)據(jù)，對（T-2）年和（T-1）年的CHAID 決策樹模型進(jìn)行構(gòu)建，上文所選出的5 項重要的指標(biāo)變量就是決策樹模型的自變量。并將樣本分為訓(xùn)練樣本和測試樣本（7∶3）。除此之外，修正樹的父節(jié)點的最小個案數(shù)為3，子節(jié)點的最小個案數(shù)確定為1，還要控制最大樹深度。

1、（T-2）年決策樹財務(wù)預(yù)警模型預(yù)測。根據(jù)（T-2）年決策樹模型的結(jié)果，對決策樹的關(guān)鍵指標(biāo)進(jìn)行排次（按重要程度：（1）資產(chǎn)凈利率；（2）凈資產(chǎn)增長率；（3）凈利潤增長率；（4）固定資產(chǎn)周轉(zhuǎn)率。決策樹的節(jié)點數(shù)為11，終端節(jié)點數(shù)為6，樹深為3，輸出結(jié)構(gòu)具體如表11 所示。（表11）

表11 決策樹財務(wù)預(yù)警模型（T-2）年輸出結(jié)構(gòu)一覽表

決策樹財務(wù)預(yù)警模型（T-2）年的判別分類結(jié)果如表12 所示。根據(jù)表12，決策樹模型對樣本公司（T-2）年的財預(yù)警結(jié)果如下：對ST 公司的預(yù)測結(jié)果準(zhǔn)確率為91.3%；對非ST 公司的預(yù)測準(zhǔn)確率為86.9%，模型總體的準(zhǔn)確率為89.2%，預(yù)測的準(zhǔn)確性較高。（表12）

表12 決策樹財務(wù)預(yù)警模型（T-2）年判別分類結(jié)果一覽表

2、（T-1）年決策樹財務(wù)預(yù)警模型預(yù)測。根據(jù)（T-1）年決策樹模型結(jié)果，對決策樹的關(guān)鍵指標(biāo)進(jìn)行排次（按重要程度）：（1）資產(chǎn)凈利率；（2）審計意見類型；（3）凈利潤增長率。決策樹的節(jié)點數(shù)為7，終端節(jié)點數(shù)為4，樹深為3，模型輸出的結(jié)構(gòu)如表13 所示。（表13）

表13 決策樹財務(wù)預(yù)警模型（T-1）年輸出結(jié)構(gòu)一覽表

決策樹財務(wù)預(yù)警模型（T-1）年的判別分類結(jié)果如表14 所示。根據(jù)表14，決策樹模型對樣本公司（T-1）年的財預(yù)警結(jié)果如下：對ST 公司的預(yù)測準(zhǔn)確率為95.7%；對非ST 公司的預(yù)測準(zhǔn)確率為82.6%。預(yù)警模型的總體準(zhǔn)確率為95.7%，預(yù)測的準(zhǔn)確性較高。（表14）

表14 決策樹財務(wù)預(yù)警模型（T-1）年判別分類結(jié)果一覽表

（三）Logistic回歸財務(wù)預(yù)警模型預(yù)測

1、（T-2）年Logistic回歸財務(wù)預(yù)警模型預(yù)測。對上文中所選取的樣本數(shù)據(jù)進(jìn)行多元回歸分析，構(gòu)建出Logistic 回歸模型，借助有條件的向后篩選變量的辦法，Logistic 回歸模型的自變量選了上述五個自變量中的三個，分別是X10凈資產(chǎn)增長率，X1資產(chǎn)利潤率和X8凈利潤增長率。最終，得到如公式（1）所示的樣本公司（T-2）年財務(wù)預(yù)警Logistic 回歸模型。

公式（1）中，β 表示各變量系數(shù)，α 為常數(shù)項，ε 為誤差項。利用SPSS20.0 對模型進(jìn)行回歸，結(jié)果如表15 所示。由表15 可知，凈利潤增長率X8、凈資產(chǎn)增長率X10、資產(chǎn)利潤率X1的系數(shù)分比為0.254、0.336 和0.667，P 值均小于0.05，表示三項指標(biāo)與上市公司財務(wù)預(yù)警具有顯著正向關(guān)聯(lián)，可以用這三項指標(biāo)判斷上市公司是不是ST 公司。（表15）

表15（T-2）年財務(wù)預(yù)警Logistic模型回歸結(jié)果一覽表

表16 顯示的是（T-2）年Logistic 財務(wù)預(yù)警模型的回歸分類結(jié)果。根據(jù)表16 可得，Logistic 模型對樣本公司（T-2）年的財務(wù)預(yù)警結(jié)果如下：2 家預(yù)測錯誤，對ST 公司的預(yù)測準(zhǔn)確率為91.3%；5 家預(yù)測錯誤，對非ST 公司的預(yù)測準(zhǔn)確率為78.2%。財務(wù)預(yù)警模型的總體準(zhǔn)確率為85.6%，預(yù)測的準(zhǔn)確性較高。（表16）

表16 Logistic財務(wù)預(yù)警模型（T-2）年的回歸分類結(jié)果一覽表

2、（T-1）年Logistic回歸財務(wù)預(yù)警模型預(yù)測。對本文所選取的樣本數(shù)據(jù)進(jìn)行多元回歸分析，構(gòu)建Logistic 回歸模型，借助有條件的向后篩選變量的辦法，Logistic 回歸模型的自變量選了五個自變量中的四個，分別是凈資產(chǎn)增長率X10、資產(chǎn)利潤率X1、凈利潤增長率X8和審計意見類型X19。最終，得到如公式（2）所示的樣本公司（T-1）年財務(wù)預(yù)警Logistic 回歸模型。

公式（2）中，β 表示各變量系數(shù)，α 代表常數(shù)項，ε 代表誤差項。運用SPSS20.0 對模型進(jìn)行回歸，結(jié)果如表17 所示。由表17可以得知，凈資產(chǎn)增長率X10、凈利潤增長率X8、資產(chǎn)利潤率X1和審計意見類型X19的系數(shù)分別為0.196、0.454、0.825、-2.115，P 值均小于0.05，表示四項指標(biāo)與上市公司財務(wù)預(yù)警具有顯著正向關(guān)聯(lián)，所以判斷是否為ST 公司可以用這四個指標(biāo)。（表17）

表17（T-1）年財務(wù)預(yù)警Logistic模型回歸結(jié)果一覽表

Logistic 財務(wù)預(yù)警模型（T-1）年的回歸分類結(jié)果如表18 所示。根據(jù)表18，Logistic 模型對樣本公司（T-1）年的財預(yù)警結(jié)果如下：對ST 公司的預(yù)測準(zhǔn)確率為95.7%，因為把1 家ST 公司錯誤的預(yù)測為非ST 公司；對非ST 公司的預(yù)測準(zhǔn)確率為82.6%，因為把4 家非ST 公司錯誤的預(yù)測為ST 公司。模型總體的準(zhǔn)確率為95.7%，預(yù)測的準(zhǔn)確性較高。（表18）

表18（T-1）年Logistic財務(wù)預(yù)警模型的回歸分類結(jié)果一覽表

（四）各模型指標(biāo)篩選的有效性檢驗。表19 是三個模型對是否為ST 公司進(jìn)行預(yù)測的對比，三個模型分別是神經(jīng)網(wǎng)絡(luò)財務(wù)預(yù)警模型、決策樹和Logistic 回歸財務(wù)預(yù)警模型。（表19）

表19 模型有效性對比一覽表

由表19 可知，對ST 公司預(yù)測的準(zhǔn)確度比較高的是決策樹和Logistic 回歸模型，同時說明神經(jīng)網(wǎng)絡(luò)財務(wù)預(yù)警模型所得到的各變量可以較好地反映出公司的財務(wù)狀況。此外，越接近財務(wù)風(fēng)險發(fā)生的年份（T-1）年，各模型對公司財務(wù)風(fēng)險預(yù)測的準(zhǔn)確性也越高。

四、結(jié)論

本文在對財務(wù)預(yù)警和數(shù)據(jù)挖掘的相關(guān)概念予以闡述的基礎(chǔ)上，構(gòu)建了基于財務(wù)與非財務(wù)指標(biāo)的上市公司財務(wù)預(yù)警體系，并用上市公司（T-2）年和（T-1）年的各項指標(biāo)作為樣本數(shù)據(jù)，對各數(shù)據(jù)進(jìn)行顯著性檢驗，進(jìn)而構(gòu)建神經(jīng)網(wǎng)絡(luò)財務(wù)預(yù)警模型，通過模型預(yù)測出公司是否是ST 公司，得出的結(jié)論是：模型對（T-2）年和（T-1）年預(yù)測的準(zhǔn)確率均處于較高水平，分別為87.3%和91.7%。同時，篩選出對樣本公司財務(wù)狀況具有顯著影響的5 個關(guān)鍵指標(biāo)，分別為固定資產(chǎn)周轉(zhuǎn)率、審計意見類型、凈資產(chǎn)增長率、凈利潤增長率和資產(chǎn)利潤率。

此外，為進(jìn)一步驗證模型對指標(biāo)篩選的有效性，基于樣本公司被特別處理（T-2）年和（T-1）年的相關(guān)指標(biāo)數(shù)據(jù)，構(gòu)建決策樹與Logistic 回歸財務(wù)預(yù)警模型，結(jié)果表明：二者對樣本公司是否為ST 公司的預(yù)測具有較高的準(zhǔn)確率，表明基于神經(jīng)網(wǎng)絡(luò)的上市公司財務(wù)預(yù)警模型所確定出的各變量能夠較好地反映出公司的財務(wù)狀況，代表性較強，能夠較好地應(yīng)用于上市公司財務(wù)預(yù)警當(dāng)中，幫助上市公司更加全面地了解自身財務(wù)狀況，有效應(yīng)對財務(wù)風(fēng)險。