于 翔，劉 超

（1.黑龍江工程學(xué)院 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，黑龍江 哈爾濱150050；2.黑龍江工程學(xué)院 經(jīng)濟(jì)管理學(xué)院，黑龍江 哈爾濱150080）

財(cái)務(wù)危機(jī)又稱財(cái)務(wù)失敗或財(cái)務(wù)困境，表現(xiàn)為企業(yè)喪失了償還到期債務(wù)的能力。財(cái)務(wù)危機(jī)的出現(xiàn)對企業(yè)的商業(yè)信用會產(chǎn)生嚴(yán)重影響，處理不當(dāng)甚至?xí)蛊髽I(yè)瀕臨破產(chǎn)。因此，深入研究企業(yè)財(cái)務(wù)危機(jī)預(yù)警模型并利用模型對企業(yè)發(fā)生財(cái)務(wù)危機(jī)的可能性進(jìn)行有效辨識，不僅能為企業(yè)控制財(cái)務(wù)危機(jī)的發(fā)生提供相應(yīng)的對策，還能提升企業(yè)的經(jīng)營風(fēng)險(xiǎn)控制水平。

1 相關(guān)研究綜述

1966年，美國斯坦福大學(xué)的Beaver教授最先利用單一財(cái)務(wù)指標(biāo)對企業(yè)財(cái)務(wù)危機(jī)進(jìn)行預(yù)警。在建立單變量財(cái)務(wù)危機(jī)預(yù)警模型的過程中，Beaver教授首先選擇經(jīng)營失敗與經(jīng)營正常的企業(yè)各79家，根據(jù)5個財(cái)務(wù)指標(biāo)建立預(yù)警模型進(jìn)行實(shí)證研究，結(jié)果表明利用 “現(xiàn)金流量／總負(fù)債”建立的預(yù)警模型預(yù)警效果最好。單變量財(cái)務(wù)危機(jī)預(yù)警模型的優(yōu)點(diǎn)在于建模方法簡單，但同時(shí)也存在“不同財(cái)務(wù)指標(biāo)建立的預(yù)警模型其預(yù)測結(jié)果互相矛盾”的問題。為了解決上述問題，1968年，美國Altman教授通過利用一組財(cái)務(wù)指標(biāo)的線性組合來綜合反映企業(yè)的財(cái)務(wù)狀況，提出了著名的多變量財(cái)務(wù)危機(jī)預(yù)警模型——Z計(jì)分模型。由于預(yù)警時(shí)考慮了多個財(cái)務(wù)指標(biāo)數(shù)據(jù)的綜合表現(xiàn)，Z計(jì)分模型比單變量預(yù)警模型的預(yù)警準(zhǔn)確率有所提升，但其預(yù)警性仍受閾值影響嚴(yán)重。

我國正處于改革開放的關(guān)鍵時(shí)期，企業(yè)自成立之日起就經(jīng)受優(yōu)勝劣汰的考驗(yàn)，但我國學(xué)者對企業(yè)財(cái)務(wù)危機(jī)預(yù)警領(lǐng)域的研究卻較晚，2001年吳世農(nóng)等分別運(yùn)用費(fèi)歇爾線性判定分析法、多元線性回歸分析法和Logistic回歸分析三種方法進(jìn)行財(cái)務(wù)危機(jī)預(yù)警研究，結(jié)果發(fā)現(xiàn)Logistic回歸分析模型的精度是最高的。隨著人工智能、機(jī)器學(xué)習(xí)技術(shù)的不斷發(fā)展，部分學(xué)者利用支持向量機(jī)、決策樹和BP神經(jīng)網(wǎng)絡(luò)方法建立企業(yè)財(cái)務(wù)危機(jī)預(yù)警模型，并取得較好的預(yù)警精度。2007年，孫潔通過比較各種智能決策方法運(yùn)用于企業(yè)財(cái)務(wù)危機(jī)預(yù)警的效果，發(fā)現(xiàn)支持向量機(jī)方法在擬合能力、泛化能力、模型穩(wěn)定性方面都具有較好的表現(xiàn)，達(dá)到了最好的平衡。宋新平等利用遺傳算法對支持向量機(jī)進(jìn)行優(yōu)化，不僅優(yōu)化模型參數(shù)，同時(shí)也對財(cái)務(wù)指標(biāo)體系進(jìn)行優(yōu)化，從而再次提高支持向量機(jī)的財(cái)務(wù)危機(jī)預(yù)警性能。

然而上述研究忽略了一個重要問題，即所有財(cái)務(wù)危機(jī)預(yù)警模型在對企業(yè)進(jìn)行危機(jī)預(yù)警時(shí)，都無法達(dá)到100%的準(zhǔn)確率。當(dāng)其發(fā)生錯誤時(shí)，一類錯誤是將財(cái)務(wù)正常企業(yè)預(yù)測成財(cái)務(wù)危機(jī)企業(yè)，稱其為第一類預(yù)警模型錯誤，另一類錯誤是將財(cái)務(wù)危機(jī)企業(yè)預(yù)測成財(cái)務(wù)正常企業(yè)，稱其為第二類預(yù)警模型錯誤，這兩類錯誤給企業(yè)帶來的損失是完全不同的，顯然后者的危害更大。因此，作為風(fēng)險(xiǎn)厭惡型的企業(yè)管理者，在財(cái)務(wù)危機(jī)預(yù)警模型出現(xiàn)錯誤時(shí)，更不希望出現(xiàn)第二類預(yù)警模型錯誤。以往學(xué)者提出的預(yù)警模型大都以預(yù)測準(zhǔn)確率最高為目標(biāo)建立預(yù)警模型，無法滿足風(fēng)險(xiǎn)厭惡型企業(yè)管理者的需求，為了解決上述問題，本文提出一種基于支持向量數(shù)據(jù)描述的風(fēng)險(xiǎn)厭惡財(cái)務(wù)危機(jī)預(yù)警模型。

2 支持向量數(shù)據(jù)描述

支持向量數(shù)據(jù)描述方法是一種利用單類數(shù)據(jù)或不均衡兩類數(shù)據(jù)建立分類超平面的建模方法，該方法建立一個超球面作為分類超平面。如圖1所示，圓點(diǎn)代表目標(biāo)數(shù)據(jù)，星號代表非目標(biāo)數(shù)據(jù)，支持向量數(shù)據(jù)描述算法的目的是利用最小超球面將所有目標(biāo)數(shù)據(jù)包圍起來，并盡量遠(yuǎn)離所有非目標(biāo)數(shù)據(jù)，數(shù)學(xué)公式為

式中：xi表示任意目標(biāo)數(shù)據(jù)，a為超球面球心，ξi是xi的松弛變量，當(dāng)數(shù)據(jù)xi位于超球面之外時(shí)，ξi＞0，否則ξi＝0。K（·）為核函數(shù)，C為懲罰系數(shù)。式中的對偶問題為

求解該式獲得的最終分類函數(shù)為

圖1 支持向量數(shù)據(jù)域描述

3 企業(yè)財(cái)務(wù)危機(jī)預(yù)警模型

3.1 企業(yè)財(cái)務(wù)危機(jī)預(yù)警指標(biāo)體系的選取

財(cái)務(wù)指標(biāo)體系的選擇是建立預(yù)警模型的基礎(chǔ)，其選取的結(jié)果直接影響預(yù)警模型的預(yù)警性能，在選取指標(biāo)時(shí)必須遵循以下幾個基本原則：

1）客觀性原則。企業(yè)經(jīng)營情況的好壞主要是靠一系列財(cái)務(wù)指標(biāo)來反映，因此，所選取的指標(biāo)體系應(yīng)真正反映企業(yè)財(cái)務(wù)狀況的一些指標(biāo)。

2）全面性原則。企業(yè)財(cái)務(wù)危機(jī)預(yù)警指標(biāo)體系必須要能夠全面反映企業(yè)財(cái)務(wù)狀況乃至經(jīng)營績效的各個方面，因此，所構(gòu)建的評價(jià)指標(biāo)體系要包括償債能力、盈利能力、運(yùn)營能力、發(fā)展能力4個重要方面的內(nèi)容。

3）顯著性原則。企業(yè)財(cái)務(wù)危機(jī)預(yù)警指標(biāo)的選取應(yīng)能最大限度地揭示財(cái)務(wù)狀況正常與財(cái)務(wù)狀況異常的企業(yè)之間的差異，對于那些基本類似或指標(biāo)值相差不大，同時(shí)又對財(cái)務(wù)狀況影響較小的指標(biāo)可適當(dāng)舍去，以減少指標(biāo)的冗余。

根據(jù)構(gòu)建財(cái)務(wù)危機(jī)預(yù)警系統(tǒng)所遵循的三個原則及國內(nèi)外相關(guān)研究文獻(xiàn)，本文從償債能力、盈利能力、運(yùn)營能力、發(fā)展能力4個方面選取了我國企業(yè)財(cái)務(wù)危機(jī)預(yù)警指標(biāo)體系，如表1所示。

3.2 樣本數(shù)據(jù)的獲取

相關(guān)研究表明，受行業(yè)特點(diǎn)的影響，不同行業(yè)的兩家企業(yè)即使擁有相同的財(cái)務(wù)指標(biāo)數(shù)據(jù)，其發(fā)生財(cái)務(wù)危機(jī)的概率也不同，因此，本文隨機(jī)選取滬市制造業(yè)的150家上市企業(yè)作為研究數(shù)據(jù)。由于我國上市企業(yè)的財(cái)務(wù)年報(bào)時(shí)間是在第二年披露，本文將2010年的年報(bào)數(shù)據(jù)作為樣本數(shù)據(jù)，對我國制造業(yè)上市企業(yè)2012年財(cái)務(wù)狀況進(jìn)行預(yù)測，并將ST企業(yè)作為發(fā)生財(cái)務(wù)危機(jī)的企業(yè)，數(shù)據(jù)來源于銳思數(shù)據(jù)庫。

表1 我國企業(yè)財(cái)務(wù)危機(jī)預(yù)警指標(biāo)體系

3.3 基于支持向量數(shù)據(jù)描述的預(yù)警模型構(gòu)建

根據(jù)支持向量數(shù)據(jù)描述的建模過程可知，該建模方法核心思想是通過核函數(shù)方法將訓(xùn)練數(shù)據(jù)映射到高維空間，并在高維空間中利用一個半徑最小的超球體將所有目標(biāo)數(shù)據(jù)包含其中，所有非目標(biāo)數(shù)據(jù)排除在超球外。因此，本文將所有財(cái)務(wù)正常企業(yè)作為目標(biāo)數(shù)據(jù)訓(xùn)練支持向量數(shù)據(jù)描述模型，可以獲得一個包含所有財(cái)務(wù)正常企業(yè)的最小超球體。當(dāng)對某企業(yè)進(jìn)行財(cái)務(wù)危機(jī)預(yù)警時(shí)，只要該企業(yè)財(cái)務(wù)指標(biāo)數(shù)據(jù)位于超球之外，即可預(yù)測該企業(yè)具有爆發(fā)財(cái)務(wù)危機(jī)的危險(xiǎn)。

顯然該模型并非以預(yù)警準(zhǔn)確率為最優(yōu)目標(biāo)，而是只要待預(yù)警企業(yè)的財(cái)務(wù)指標(biāo)數(shù)據(jù)與訓(xùn)練預(yù)警模型用到的財(cái)務(wù)正常企業(yè)數(shù)據(jù)具有顯著不同時(shí)，即可發(fā)出警告，從而減少第二類模型預(yù)測錯誤，滿足風(fēng)險(xiǎn)厭惡型企業(yè)管理者的使用需求。

3.4 實(shí)驗(yàn)結(jié)果檢驗(yàn)

支持向量數(shù)據(jù)描述方法的預(yù)警性受模型參數(shù)的設(shè)定影響較大，當(dāng)懲罰系數(shù)C值較小時(shí)，訓(xùn)練獲得的預(yù)警模型可以避免過擬合現(xiàn)象的出現(xiàn)，但訓(xùn)練出來的分類器對訓(xùn)練數(shù)據(jù)集的錯分樣本數(shù)越多。由于本文提出的預(yù)警模型主要為了滿足風(fēng)險(xiǎn)厭惡型企業(yè)領(lǐng)導(dǎo)的使用，因此，設(shè)定一個較大的C值，C＝1 000。

為了有效驗(yàn)證模型的預(yù)警性能，本文將150家企業(yè)分成兩組，每組包括62家財(cái)務(wù)正常企業(yè)和13家ST企業(yè)，第一組企業(yè)的財(cái)務(wù)指標(biāo)數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，另一組企業(yè)作為測試數(shù)據(jù)，其預(yù)警性能如表2所示。

表2 預(yù)警模型在測試集上的預(yù)警性能

從預(yù)警結(jié)果可以看出，該模型在第一組企業(yè)數(shù)據(jù)集上的預(yù)警性能最好，第二類預(yù)警模型錯誤僅有7.69%，總預(yù)警錯誤率僅為10.67%，具有較高的預(yù)警準(zhǔn)確率，主要原因在于訓(xùn)練集和測試集為同一數(shù)據(jù)集時(shí)，建立的預(yù)警模型不會出現(xiàn)過擬合導(dǎo)致的分類錯誤；從實(shí)驗(yàn)結(jié)果看，兩個測試集都顯示預(yù)警模型的第二類預(yù)警錯誤遠(yuǎn)遠(yuǎn)小于第一類預(yù)警錯誤，因此，利用支持向量數(shù)據(jù)描述方法建立的財(cái)務(wù)危機(jī)預(yù)警模型能夠有效降低預(yù)警模型錯誤給企業(yè)管理者帶來巨大利益損失的風(fēng)險(xiǎn)，該模型能夠滿足風(fēng)險(xiǎn)厭惡型企業(yè)管理者的需求。

4 結(jié)束語

對于我國企業(yè)來說，及早建立高效的財(cái)務(wù)危機(jī)預(yù)警系統(tǒng)，預(yù)測并診斷出企業(yè)的財(cái)務(wù)危機(jī)信號，準(zhǔn)確有效地采取相應(yīng)措施，將財(cái)務(wù)危機(jī)消滅于萌芽狀態(tài)，已成為企業(yè)加強(qiáng)財(cái)務(wù)管理，建立現(xiàn)代企業(yè)制度的一項(xiàng)重要內(nèi)容。本文針對現(xiàn)有財(cái)務(wù)危機(jī)預(yù)警模型沒有區(qū)分第一類預(yù)警錯誤和第二類預(yù)警錯誤而給模型使用者帶來的損失區(qū)別，從風(fēng)險(xiǎn)厭惡角度出發(fā)，提出一種新的基于支持向量數(shù)據(jù)描述的企業(yè)財(cái)務(wù)危機(jī)預(yù)警建模方法，理論分析和實(shí)驗(yàn)證明，該方法能有效減少第二類預(yù)警錯誤，滿足風(fēng)險(xiǎn)厭惡型企業(yè)管理者的使用需求。

［1］ ALTMAN E.Financial ratios：Discriminabt analysis and the prediction of corporate bankruptcy［J］.Journal of Finance，1968（spring）：589－609.

［2］ 孫潔.企業(yè)財(cái)務(wù)危機(jī)預(yù)警的智能決策方法研究［D］.哈爾濱：哈爾濱工業(yè)大學(xué)，2007.

［3］ TAX D，DUIN R.Support vector domain description［J］.Pattern Recognition Letters，1999，20（11－13）：1191－1199.

［4］ 王鑫，王喻紅，于嬌，等.MapReduce框架下Apriori算法的改進(jìn)［J］.黑龍江工程學(xué)院學(xué)報(bào)，2014（2）：70－74.

［5］ 楊寶安.BP神經(jīng)網(wǎng)絡(luò)在企業(yè)財(cái)務(wù)危機(jī)預(yù)警之應(yīng)用［J］.預(yù)測，2001（2）：50－56