上市公司财务预警体系新突破
——财务外围指标

阳葵兰

上市公司财务预警体系新突破
——财务外围指标

阳葵兰

一、引言

上市公司财务状况能够综合反映出企业的生产经营能力，财务困境可以反映出企业在运营进程中的种种弊端。上市公司财务预警体系是借助可以反映企业财务运行态势的关键要素，结合相关的财务预测模型对财务状况进行预警。如果能够及时找出导致困境的缘由，并主动采取相应对策，就可以帮助企业化解财务危机。

怎样科学地预警上市公司是否处于财务困境，当前学术界研究的核心在于建构出企业财务预警指标体系以及如何选择财务预警模型，但是其缺点在于此体系没有将市场环境、企业治理状况等外在要素纳入到企业财务运营过程中，也没有考虑到变量自身会产生大量的重合指标，进而会降低指标体系预测的有效性。本文基于传统财务指标体系，探讨了上市公司财务预警体系新突破，将财务外围指标导入进去，建构出一整套上市公司财务预警指标新体系，并通过显著性分析与相关分析等分析统计手段，实证分析了上市公司的财务数据，进而筛选出具有较高判别效度指标，从而建构出上市公司财务风险预警模型。对SVM（支持向量机）识别体系的核函数变量进行PSO（粒子群）优化处理，然后把预处理之后的变量数据输入至P-S分类器中，进而预测企业财务风险，通过比较不难发现，本文基于财务外围指标所建构的上市公司财务预警体系能够提高财务预警的准确性，有效的预测企业的财务风险。

二、引入财务外围指标的上市公司财务预警指标体系

（一）样本选取

本文将沪深两市股票交易中被实行特别处理（ST，也包含有＊ST）的上市企业界定为财务困难企业，没有被特殊处理的企业界定为财务正常公司。鉴于财务预测体系会受到行业性质、企业规模的影响，本文选用2016年新增ST（也包含有＊ST）的制造行业作为实证分析的样本，将这些企业财务危机发生的两年（2014年开始）资料作为建模数据。如果按资产规模1：1对样本进行配对抽样，会破坏样本的随机性，进而使得模型效果较高，言过于实，准确度将会降低。所以本文按资产规模1：2对样本进行配对抽样，总选取了45家上市企业，在这45家样本中，包含15家ST企业，30家正常企业。相关数据均源于CSMAR数据库以及企业披露的年度报表。

（二）备选指标确定

建构上市公司财务困境预警体系的过程中有两大主导要素，一方面，确立预警指标体系，另一方面确定预警模型的核算方式。第一要素深度挖掘财务困境中的预警信息，第二要素是对核算方式的应用进行预测，两要素会同时干扰上市企业财务困境的测算准确度，这就是说上市公司财务困境预警体系的效用不但受制于模型核算方式的泛化水平，同时还受模型输入变量的影响。考虑到目前财务预警研究文献中多数采取传统意义上的财务指标要素，而这些指标存在时效性不高、被篡改性强、易重复等诸多问题，在一定程度上会影响到预警体系的时效性及精准性。因此，本文在理论研究的前提下，将企业管理架构与EVA等财务外围指标要素引入，基于企业的营运状况、偿债水平、成长水平、现金流状况、盈利水平、企业治理水平、EVA等建构出相应的测度指标作为模型备选变量（详见表1），还一并收集了上述45家上市公司2016（t-1）年、2015（t-2）年的市场价值数据，结合统计分析法对相应的指标项进行筛选处理。

（三）指标选取

首先，在选取指标要素之前需要对备选指标进行相应的检验，第一步要做的是正态性检验，验证数据是否服从正态分布，从而确定差异显著性检验指标要素时所要利用的检验方式。本文借助统计分析软件SPSS19.0进行正态分布检验，以分析各变量预警体系指标要素的分布态势，结果显示：在t-1年里，只有X26项服从正态分布，而在t-2年里，X5、 X22、X28服从正态分布。参照此正态性检验结果，还需要对不服从正态分布的预警体系指标进行非参数检验方法下的差异显著性分析，反之，就需要进行独立样本的T检验。

其次，本文利用Mean-Whitney U分析验证方法，对财务困难公司与财务正常公司两类独立样本展开财务外围指标检验，旨在找出对预测上市公司财务状况没有效用的项目，分析结果详见表2。从表2数据不难发现：在t-1年中，由于预警指标X1、 X2、X4、 X5、 X7、X8、X16、 X17、X19、X20、X21、X28、X29、X30的显著性明显低于0.05，可知这些变量测度项通过了差异显著性验证。在t-2年，由于预警指标X1、X2、X4、X5、X7、 X16、X17、X20、X21、X25、X26、X27、X28、X30的显著性明显低于0.05，可知这些变量测度项通过了差异显著性验证，其他未通过〈0.05显著性检验的要素项需要予以剔除。

再次，本文还借助T检验进行相应的参数验证，检验结果见表3。表3数据显示，在t-1年，X27显著性大于0.05，没有通过差异显著性验证，需要剔除；在t-2年，X5， X19、X21、X28通过了显著性检验。

因此，本文权衡各类指标要素之后，选取资产负债率（ALR）、资产回报率（ROA）、总资产净利润率（TAN）、流动资产净利润率（NPR）、成本费用利润率（ROC）、总资产EVA率、企业销售额EVA率等指标来确定上市公司财务预警指标体系。

三、财务外围指标下的财务预警体系构建

（一）预警方式选择

支持向量机(Support Vector Machine，SVM)是Corinna Cortes和Vapnik等在1995年首先提出的一种线性分类器，旨在解决实证样本中的二分类问题，即寻找到一个最优化平面进而使得每类数据离平面的里程达到最近的向量，可以与平面的距离保持最大化，如此便可以确保最小分类下的错误出现率。因其在处理小量样本、非线性变量问题时具有一定的优势，因此被普遍应用到数据回归分析、分类分析之中。

在上市公司财务预警SVM识别体系的运行中，主要是对CSMAR数据库中已公开披露的财务报告数据进行样本分析，将用于描述财务预警要素的数据界定成SVM的输入要素，将预警出的结果作为SVM的输出要素，进而完成输入到输出变量的转换，方便于对上市公司财务困境的预警。假定上市公司有n个财务预警要素（SVM输入要素有n维），m个判定上市公司是否存在财务困境的指标要素（SVM输入要素有m维）。选用t个上市公司数据作为样本总体D =（x1，y1），i=1，2…，n，y1∈[-1，1]， x∈Rn，y ∈ Rm。对于样本总体D来讲，将一部分随机数据界定成训练样本，剩下数据作为测试样本。对于训练数据集，可以通过SVM方法获得一个最优化分类函数，也就是财务预警体系模型。而对于上市公司财务预警来讲，本质上是指在训练数据的样本的空间中获得一个最优分类面值，进而确定SVM中相关核函数与参数组合要素，以便求出最优的决策函数。通过此方法获取的决策函数，其学习能力具有可检验性，可以通过对训练数据的分析来进行检验，此外其泛化能力也可以通过测试数据来验证。由于社会环境的多变性与复杂性，上市公司与企业利益相关者之间社会关系更具有复杂性，此外，企业内部的数据信息流、物流、现金流等也具有很大的不确定性，此类要素均催生了上市公司财务运行状况的多变性与复杂性。故而，上市公司财务预警体系中的输入变量要素、输出变量要素之间存在有一种非线性关系。本文选用可以有效处理分类标注与属性之间非线性关系效用的RBF核函数来进行非线性映射，借助核函数的选择与其参数的训练便可以确定上市公司财务预警模型，其中的决策函数如下：

表1 上市公司财务预警体系备选指标要素

（二）财务外围指标下的财务预警架构

基于财务外围指标确立的P-S预警体系见图1所示。

根据图1，具体来看其内容如下：

首先，确立上市公司的财务预警体系指标。参照目前已有的理论研究成就，基于正态、参数、非参数以及相关性等分析检验，科学地筛选上市公司财务预警指标项目。

其次，确立SVM的核函数。介于上市公司财务预警的自有特性，本文将RBF核函数引入进去，旨在有效处理各项目变量之间的非线性关系，在财务预警体系中需要将惩罚因子及核函数参数进行优化处理。

最后，训练与测试相关识别模型。在模型训练阶段需要把预处理数据输入SVM，从而对模型进行相应的训练，接着找出当前状态下训练对象中的支持向量要素，旨在找出其最优的分类面；在模型测试阶段则需要在预处理相关预警数据之后，找出能够表征未知情形中财务预警的特征向量，然后将其输入到SVM之中，SVM则结合已有的最优分类能够表征未知情形中财务预警的特征向量，进而预测出上市公司财务状况。

表2 指标项显著性检验

表3 T检验结果

表4 多种识别模型的预测准确率 （%）

四、财务外围指标下的财务预警体系有效性检验

鉴于模型中的分析数据依旧是预警财务困境的原始数据，为了消除不同单位变量所带来的误差问题，需要对相应的预警体系中的实际数据展开预处理，换句话来讲就是压缩线性化分析，确保数据在[-1，1]区间中。通过此方式处理之后，既可以消除数据集中出现情况下的极端值，也可以削减SUV的核算压力，提升其识别效率。

本文主要借助PSO算法来找出上市公司财务风险识别模型的最优参数值。将参数及其变化范围界定为[0.1，100]与[0.01，1000]，此外粒子群群种之中的最大数据界定成20；迭代次数限制在200之内；和值界定成为1.5与1.7。在初始化粒子群参数之后，对数据进行归一化处理，然后在优化对识别模型之中SVM的变量，进而得出最优参数变量，通过POSSUV预测之后可知，在测试对象中的30家上市公司融资风险识别过程中，随着进化代数的提升，模型一直保持在85%以上的稳定度。

为了更好探究PSO-SVM模型预测的准确性，本文还借助于不同的识别模型，例如传统意义下的SVM、BP神经网络预测模型GA -SVM模型进行预测，并将预测结果进行对比分析，具体结果见表4。

从表4中的数据可以发现，不同的识别模型预测出来的准备率也有很大的差异性。具体上来讲，不管是在总体上亦或是在训练集合以及测试集合上，BP神经网络识别模型的预测准确率相对比较低，其整体的预测准确率也仅仅有79%，训练集合与测试集合上均为78.1%，这就显示出BP神经网络模型在识别上市公司财务预警体系预测准确度上需要进一步完善，同时也说明BP的学习及泛化水平偏低，没有达到理想效果。再者，尽管较之于BP神经网络传统SVM模型的预测准确率有一定的提升，但是依旧满足不了识别需求。还有就是GASVM模型的整体识别准确率有了很大的改善与提升，且总体识别准确率高达87.1%，其学习能力较高，在训练集合与测试集合上的准确率分别为87.3%和79.4%，可知其泛化水平不高。由此可以看出，PSO-SVM模型在PSO算法自动优化核函数参数的基础上使得模型具有较高的总体、训测、测试上的准确率，分别为96%、92.2%、96.8%。表示出此模型具有较好的识别能力，特别是此模型在测试集合上具有较高的预测准确率，说明此模型的泛化能力也比较高，比其他三个识别模型更具优势，进一步也说明了PSO-SVM模型下的上市公司财务外围指标预警模型具有一定的效力。

五、结论与建议

财务困境是发生在上市公司运营进程中的一种普遍性问题，可以通过公司的财务与非财务指标来显现出来，如果可以尽早找出导致企业陷入财务困境的缘由，进而制定针对性的措施积极纠偏，就能够及时化解公司的财务危机。然而，现下有关财务预警体系的理论研究主要集中于借助财务指标来确立相关模型上，进而预测企业的财务状况，尽管此类研究可以在一定程度上预测出财务困境的出现概率，但是很难获取财务困境发生的缘由，具有一定的局限性。本文在已有财务预测指标的前提上，引入财务外围指标要素，并对各项指标要素进行一系列的筛选，得出财务外围指标下上市公司财务预警指标体系，很大程度上解决了预测指标选取的臆断性与主观性问题，更具科学性和客观性。本文通过确立PSO-SVM的预测模型，并借助PSO算法找出最优参数组合，此外还与其他核算模型进行了准确性比较，验证了财务外围指标下的PSO-SVM预测体系的有效性和准确性。

结合本文实证分析，本文所建构的财务外围指标下的上市公司财务预警体系可以有效预测上市公司是否会出现财务危机状况，这在一定程度上为上市公司监管部门及上市公司的管理者提供相应的决策依据，具一定的实践价值。然而，单纯的用ST作为评定上市公司是否陷入财务危机的划分界限，说明本文的研究也存在一定的局限性。当前，我国尚未有更精准的判断标准可以代替ST。尽管理论界有学者已经开始用某一具体的财务指标作为判断标准，但此类硬切分性质的判断也存在较大的误差风险，不能有效地预测出上市公司的财务风险。因此，在以后的研究中还需要探寻多重指标组合要素，全面预警上市公司财务状况。

作者单位：广州康大职业技术学院

1.杨旸,林辉.基于离散Hopfield网络的上市公司财务困境预警研究.华东经济管理.2016 (12)

2.田祎.云存储中一个高效的数据完整性审计方案.电子设计工程.2016 (17)

3.宋晓娜,黄业德,张峰.基于Logistic和主成分分析的制造业上市公司财务危机预警.财会月刊.2016(3)

4.葛新旗,周虹.粗集-遗传支持向量机在制造业上市公司财务危机预警中的应用.商业研究.2015 (6)

5.刘小淇,曾繁荣,周鸿.基于非财务视角的上市公司财务困境预警研究——基于主成分逻辑回归的方法.财会通讯.2015 (6)