粗集—遺傳支持向量機在制造業(yè)上市公司財務危機預警中的應用

葛新旗　周虹

摘要：本文利用相關(guān)財務危機理論建立影響上市公司財務危機的指標體系，通過粗集理論對這些指標進行約簡獲得核心指標，再利用支持向量機對核心指標建模得到企業(yè)財務危機預警模型，并運用到未來三年的財務危機預測當中。實證分析表明，本模型前兩年的綜合預警準確率達90%以上，證明了該模型有較強的預測能力。從財務危機預警結(jié)果來看，與傳統(tǒng)SVM方法相比，粗集及遺傳算法的引入不僅能夠提高預警效率，而且能夠提高預測精度，與實際企業(yè)財務情況基本一致。實際應用表明，在企業(yè)財務危機預警建模中，粗集理論的約簡和遺傳支持向量機方法的實施充分利用了樣本數(shù)據(jù)本身特點，并為后續(xù)的優(yōu)異預警結(jié)果提供良好地理論基礎(chǔ)。

關(guān)鍵詞：制造業(yè)上市公司；財務危機預警；粗集；遺傳算法；支持向量機

中圖分類號：F275文獻標識碼：A

一、引言

任何公司財務危機的發(fā)生都不是一個突發(fā)事情，而是一個逐步顯現(xiàn)、不斷惡化的過程，具有一定程度的積累性和先兆性等特征。由于企業(yè)財務危機的這種可預知和可預測的，需要實時建立一個財務危機預警系統(tǒng)，對企業(yè)的財務狀態(tài)進行實時跟蹤和分析，提早發(fā)出危機預警信息，從而提早做相應準備或采取相應措施，以減少甚至避免相應損失。

當企業(yè)經(jīng)營者由于經(jīng)營不善或其它客觀原因使得企業(yè)財務不能正常運轉(zhuǎn)的一種持續(xù)性狀態(tài)時，我們稱之為財務危機。Beaver[1]最早把財務困境概念定義為企業(yè)不能償付到期債務。財務危機預警主要是通過分析公司相關(guān)財務數(shù)據(jù)，從分析結(jié)果判定其陷入財務危機的某些本身所固有的特性或先兆，再通過相關(guān)理論對財務數(shù)據(jù)進行分析，從而建立財務危機預警模型，以期達到預警或防范作用。到目前為止，相關(guān)學者仍未尋找到財務危機發(fā)生所固有的特性或先兆，故通過建立財務預警模型來對相關(guān)公司在未來一段時間內(nèi)的財務危機情況進行適度預警，不失為一個較好的解決方案或技術(shù)途徑。

財務預警研究內(nèi)容或方法一般分為以下兩方面：一是從單變量數(shù)據(jù)分析模型到多變量數(shù)據(jù)分析模型；二是從傳統(tǒng)統(tǒng)計分析方法到人工智能方法。Fitzpatrick[2]在1932年利用單個財務比率模型對19家選取樣本進行判定，發(fā)現(xiàn)凈利潤/股東權(quán)益和股東權(quán)益/負債能夠較好地判別。單變量分析模型可以對企業(yè)財務情況進行預測，其過程也比較簡單，但其預警效果不是很好，預測準確率也不高。這是因為實際企業(yè)的財務狀況一般是由多種因素決定，故從原理上來說，利用單變量模型對企業(yè)財務狀況進行預警是不夠合理的。于是相關(guān)學者試圖通過構(gòu)建多因素或多變量數(shù)據(jù)分析模型來解決這一問題。Altman在[3]1968年利用多變量數(shù)據(jù)模型對企業(yè)財務危機進行預警，通過選取33家破產(chǎn)企業(yè)及與其配對的企業(yè)進行分析，結(jié)果表明此模型具有較高的預警能力。盡管此后該模型被廣泛運用到財務危機預警領(lǐng)域，但由于此模型的建立是需要諸多假設條件，而實際當中企業(yè)可能不能滿足的條件，故其合理性、實用性及科學性不能得到很好保證[4]。而后相關(guān)學者嘗試利用統(tǒng)計方法對財務危機領(lǐng)域進行研究。Ohlson[5]于1980年提出利用概率模型來對企業(yè)財務危機進行預警，他針對1970-1976年造業(yè)上市公司的財務數(shù)據(jù)進行梳理，選取106家破產(chǎn)公司及2000多家健康公司作為實驗樣本，采用財務比率來建立Logit模型。研究表明，預測精度較高，實際效果較為理想。但Logistic回歸模型本身在各變量權(quán)重確定問題上未得到較好解決。故Jones[6]在2004年首次建立混合Logistic回歸模型來解決這一問題，并應用到公司財務危機預警當中。盡管混合Logistic回歸模型預測精度較高，也無需較為苛刻的假設條件，但需要大量樣本進行訓練來建立相應預警模型，這樣才能取得較好地預警效果，可實際公司財務數(shù)據(jù)往往不能滿足這一條件。由于這一新問題的出現(xiàn)，使得很多學者將解決這一問題的希望轉(zhuǎn)移到具有智能特性的人工智能方法上，如人工神經(jīng)網(wǎng)絡方法（Artificial Neural Net Work，簡稱ANN模型）和支持向量機（Support Vector Machine， 簡稱SVM）。人工神經(jīng)網(wǎng)絡不僅能夠克服傳統(tǒng)統(tǒng)計方法的局限，還具有較好的模式識別能力。Sharda[4]于1990年首次對選取的樣本企業(yè)利用神經(jīng)網(wǎng)絡方法進行財務危機預警。研究表明，利用神經(jīng)網(wǎng)絡方法構(gòu)建的預警模型對檢驗樣本的預測正確率可達79%，相對于傳統(tǒng)方法所建立的預測模型具有明顯優(yōu)勢，但其訓練過程中權(quán)重確定問題未得到有效解決。于是，周敏[7]于2002年建立了模糊系統(tǒng)與神經(jīng)網(wǎng)絡模型相結(jié)合的財務危機預警方法。實證分析表明，該模型較傳統(tǒng)的判別分析等單一預警方法具有更大優(yōu)勢。由于僅采用單一方法對企業(yè)財務情況進行預測，往往由于單一方法自身的缺陷，使得所建立模型的預測能力十分有限。還有許多學者利用多種方法相結(jié)合來構(gòu)建預警模型，以期解決這一問題。如郭德仁[8]于2009年利用模糊聚類和模糊模式識別方法相結(jié)合來對企業(yè)財務危機進行預警。該模型首先對訓練樣本進行聚類，得到最優(yōu)聚類中心，再對待分類模型進行模糊模式識別。結(jié)果表明，該模型預測正確率可達85%。Javier[9]在2011年提出用多元回歸和均值聚類方法對企業(yè)財務危機進行預警，實證分析表明該模型預測效果良好?？梢钥闯?，神經(jīng)網(wǎng)絡自身及其與其它方法相結(jié)合的財務情況預警模型對上市公司財務危機預測中具有較大推廣和應用價值?？缮窠?jīng)網(wǎng)絡方法本身具有拓撲結(jié)構(gòu)的確定沒有規(guī)范的方法、要求大樣本、缺乏完備的理論基礎(chǔ)等缺陷，其存在一定局限性。隨著Vapnik[10]提出統(tǒng)計學習理論，這一問題能夠得到較好解決，并且基于統(tǒng)計學習理論的支持，向量機在20世紀末被用于財務危機預警研究，并以其理論的優(yōu)越性和預測的準確性倍受關(guān)注。Schaafer[11]于2000年首次將此方法引入財務危機預警當中，并與其他方法進行對比，結(jié)果表明此方法預警結(jié)果最優(yōu)。宋姣[12]2007年選取上交所和深交所的86家ST上市公司及100家非ST上市公司作為樣本，利用支持向量機模型對已經(jīng)公布的財務數(shù)據(jù)進行實證分析，分別提前一年、兩年、三年對企業(yè)財務危機情況進行預測，其預測正確率分別為9355%、8548%和7167%。

從上述實證分析表明，支持向量機在財務危機預警的應用中顯示了更優(yōu)越的性能。利用人工智能方法對企業(yè)財務危機進行預警尚處于發(fā)展階段，需深入進行探索和研究，尤其是模型相關(guān)參數(shù)進行尋優(yōu)方法方面更需深入探索和研究。與此同時，影響企業(yè)財務指標的因素很多，有些影響較大，有些基本沒什么影響，但人為無法對此進行區(qū)分會增加模型的計算復雜度和計算效率，客觀上影響了企業(yè)財務危機預測水平。鑒于此，本文提出一種基于粗集理論與遺傳支持向量算法相結(jié)合并應用到制造業(yè)上市公司財務危機預測預警的新方法。該方法的基本內(nèi)容如下：首先通過粗集理論對影響企業(yè)財務危機所有指標所建立的指標體系進行約簡，約簡后得到核心影響因素，再運用支持向量機對約簡得到的核心指標進行建模訓練，建立企業(yè)財務危機支持向量機預警模型，訓練過程中相關(guān)參數(shù)通過遺傳算法尋優(yōu)得到，利用此算法建立的預警模型進行預測，完全能夠滿足企業(yè)實際財務危機分析需要。

二、粗集理論

ZPawlak于20世紀80年代提出粗集理論，用來處理模糊、不確定的分析方法。通過該理論可以從數(shù)據(jù)當中發(fā)現(xiàn)隱含的信息及知識，嘗試去探尋和揭示蘊含在數(shù)據(jù)當中的規(guī)則和規(guī)律[13]。

（一）基本概念

1.論域。我們把研究對象組成的集合U稱之為論域，記做U={x1，x2，…，xn}，其中xi是第i個對象。目的是要把不同的對象區(qū)分開，即在知識R下把論域U劃分為不同的等價類。劃分的根據(jù)是能夠反映對象不同特征的屬性集R，一般稱為等價關(guān)系R，也稱R為知識。

（三）決策規(guī)則約簡

信息系統(tǒng)S={U，A}利用最少屬性集能提供與原屬性集A同樣多信息的方法來進行約簡，有下面相同的等價類族：

U/A-{a}=U/A（7）

對于決策表T=（U，A=C∪D）來說。決策表可以通過以下兩個步驟進行約簡：

1.屬性約簡。它等價于從決策表中消去一些不必要的列，從決策表中，將條件屬性C中屬性逐個移去，每移去一個屬性即刻檢查其決策表，如果不出現(xiàn)新的不一致則該屬性是可以被約去的；反之，該屬性不能被約去。

2.屬性值約簡。設T=（U，C∪D）是一致性決策表，PC是C的D約簡。值約簡是針對相對約簡P而言的。決策表上一條決策規(guī)則的條件屬性值可以被約去，仍然保持該條規(guī)則的一致性。

約簡算法的步驟為：（1）約簡屬性集；（2）屬性值約簡；（3）從算法中約簡掉所有冗余指標。

三、支持向量機算法

支持向量機方法是基于結(jié)構(gòu)化風險提出的，最先提出是為了解決分類問題，在本文中主要用來對訓練相關(guān)財務危機數(shù)據(jù)，得到分類模型，再對檢驗樣本進行分類，得到相應預警信息。

四、基于粗集與遺傳支持向量機的制造業(yè)上市公司財務危機預警模型

Rough Set理論在不利用先驗知識前提下，僅根據(jù)觀測得到的數(shù)據(jù)信息來刪除冗余信息。本文嘗試通過粗糙集理論對制造業(yè)上市公司財務危機預警指標體系進行約簡，獲得核心影響因素，對財務危機預警問題具有很大的理論意義和現(xiàn)實意義，并為下一步的財務危機支持向量機預警模型的建立打下基礎(chǔ)。

而支持向量機模型在建模過程中具有自我調(diào)整學習樣本或訓練樣本權(quán)重及閾值的功能，可其自動調(diào)整得到的相關(guān)參數(shù)不一定是全局最優(yōu)結(jié)果。因此，本文嘗試利用具有全局尋優(yōu)能力的遺傳算法對這些參數(shù)進行尋優(yōu)，以期得到全局最優(yōu)參數(shù)。

將粗集理論和支持向量機算法相結(jié)合來建立財務危機預警模型，可以將這兩種理論的優(yōu)點有機結(jié)合起來，利用粗集理論對原始數(shù)據(jù)進行約簡處理，得到更為有效的原始數(shù)據(jù)，再利用具有良好泛化能力的支持向量機對這些數(shù)據(jù)進行訓練建模，這樣就可以更好地回避了這兩種方法本身所不完善之處，最大程度發(fā)揮各自優(yōu)勢和特性。這是因為通過粗集理論可以很好地在不需額外財務數(shù)據(jù)的基礎(chǔ)上就可提取財務數(shù)據(jù)本身特性，約簡掉冗余數(shù)據(jù)信息，得到核心影響因素，充分發(fā)揮粗集理論的數(shù)據(jù)預處理優(yōu)勢，為后續(xù)支持向量機建模提供客觀、可靠、準確的信息來源。這是因為原始數(shù)據(jù)繁多會影響建模的復雜度及訓練模型效率會得到大大降低，故預測精度及科學性將會隨之大幅提高?；谝陨详U述，本文將粗集與支持向量機算法有機融合起來，構(gòu)建企業(yè)財務危機預警模型，相應流程如圖1所示。

基于粗集與遺傳支持向量機的中小板上市公司財務預警模型基本步驟如下：

1.為了更為有效地對制造業(yè)上市公司進行財務預警，就要保證構(gòu)建的財務危機預警指標體系的完整性及系統(tǒng)性，首先根據(jù)相應財務危機理論建立一個全面、系統(tǒng)、廣泛的指標體系，并結(jié)合影像公司財務危機的諸多因素進行歸類，在此基礎(chǔ)上了解每一個影響因素與財務危機之間的對應關(guān)系。

2.由于步驟1建立的財務預警指標體系非常全面系統(tǒng)，但不是最合理的，此時利用粗集理論對預警指標體系構(gòu)成的決策表進行屬性約簡和屬性值約簡，可以得到這些預警指標體系哪些是核心屬性，哪些是冗余屬性，鑒于屬性約簡及屬性值約簡算法較為復雜，本文采用MATLAB編程來進行相應約簡。此預警指標體系通過粗集約簡掉冗余屬性，得到核心屬性，為步驟3利用支持向量機建模分類識別奠定了一個良好地基礎(chǔ)。

3.支持向量機對步驟2的財務數(shù)據(jù)進行建模訓練，直到訓練模型達到事先設定的要求，建模過程中相關(guān)參數(shù)如松弛變量等通過遺傳算法尋優(yōu)得到最佳參數(shù)，具體流程如下[14]：（1）確定遺傳算法編碼方式；（2）生成初始種群；（3）計算全部染色體的適應度函數(shù)f（xi），xi為種群中第i個染色體；（4）將所有染色體的適應度值進行累加sum=∑f（xi），同時記錄每一個染色體的中間累加值S-mid，其中S為總數(shù)目；（5）產(chǎn)生一個隨機數(shù)N，0

4.利用步驟3得到最終遺傳支持向量機預警模型對未來一段時間的財務數(shù)據(jù)進行預警，得到此時間段的財務危機狀況。

通過以上四個步驟，就能夠得到制造業(yè)上市公司財務危機狀態(tài)的最終預警結(jié)果。

五、我國制造業(yè)上市公司財務危機預警實證分析

（一）樣本及指標的選擇

1.樣本數(shù)據(jù)的選擇。根據(jù)馬若微的研究，在構(gòu)造上市公司財務危機預測模型時應充分考慮行業(yè)類型和資產(chǎn)規(guī)模這兩個指標的重要性[15]。本文選擇制造業(yè)上市公司作為財務危機預警的樣本公司，原因有兩點：（1）從公司數(shù)量和市值來看，制造業(yè)在我國經(jīng)濟發(fā)展中均占有重要地位；（2）與其他行業(yè)相比，制造業(yè)行業(yè)內(nèi)上市公司數(shù)量最多，次類行業(yè)數(shù)目較多，有利于數(shù)據(jù)搜集、比較各次類行業(yè)間的差異，研究行業(yè)類別對預警模型的影響。

本文將公司是否被ST作為陷入財務危機的標識。在公司樣本上，由于我國1998年開始要求編制現(xiàn)金流量表，并于2001年對現(xiàn)金流量表進行了修改，考慮到數(shù)據(jù)的可比性，同時為了更全面地利用公司陷入財務危機過程中各指標的信息，本文搜集了2001-2011年的多個指標的原始數(shù)據(jù)，并通過計算得到了最終所用指標的數(shù)據(jù)。為了研究公司陷入財務危機前后各指標的變化情況，剔除在此期間退市的公司和交易狀態(tài)為PT的公司。這樣一共得到163家制造業(yè)上市公司十年的平衡面板數(shù)據(jù)。

2.指標選取原則。一個公司具有許多方面的特征，需要從不同的角度多方位地予以評價和衡量。財務危機預警也需要根據(jù)多方面的信息來衡量公司的財務狀況。根據(jù)公司的財務報告可以引申出許多財務指標，并能得到股東、業(yè)務分布、審計信息、公司客戶等方面的非財務指標。根據(jù)目前關(guān)于財務危機預警的研究來看，雖然可以找到相關(guān)理論解釋財務危機形成的原因以及公司陷入財務危機，但是關(guān)于如何確定財務危機預警模型的指標體系，目前尚無定論。

從實證研究來看，指標體系的選擇會對研究結(jié)果產(chǎn)生直接影響。本文認為，財務危機預警指標的選擇原則有以下五點。（1）相關(guān)性原則。即所選指標必須與財務危機預警相關(guān)，在一定程度上能反映公司陷入財務危機的原因和過程，或者反映公司的財務狀況。（2）先兆性原則。財務危機預警研究的目的是為了在財務危機發(fā)生前警示公司利益相關(guān)者及時采取應對措施，以盡可能地減少或規(guī)避損失。（3）系統(tǒng)性原則。（4）可獲得性原則。（5）成本效益原則。

3.指標體系。評價企業(yè)的財務狀況一般可以從盈利能力、營運能力、成長能力、償債能力等多個方面來評價。本文在總結(jié)以往預警模型中顯著指標的基礎(chǔ)上，選擇了34個財務指標。另外，由于國內(nèi)學者關(guān)于財務危機預警的研究中很少使用非財務指標，為了探討非財務指標對預警模型判別準確率的影響，根據(jù)上文的選取原則，選擇了9個非財務指標。相關(guān)指標如表1所示，力求通過初選指標體系涵蓋充足的信息量，以便為后續(xù)財務預警模型的建立提供科學、合理的指標體系。

（二）實證分析

1.均值差異性檢驗。為了分析兩類公司財務指標均值是否存在顯著性差異，本文通過PASW180 軟件中的 Mann-Whitney U 非參數(shù)檢驗對指標均值進行差異性檢驗。由于 T 時期股票的交易狀態(tài)需要根據(jù)前一年的財務狀況確定，本文以T+1 期的股票交易狀態(tài)（0表示非 ST，1表示ST）為分組變量，對2001-2011年ST和非ST公司的指標進行了 Mann-Whitney U 檢驗，結(jié)果如表2所示。

根據(jù)表2，在1%顯著性水平下，財務指標外都通過了Mann-hitney U檢驗，即ST與非 ST公司的指標均值存在顯著差異。對股權(quán)結(jié)構(gòu)和其他虛擬變量的Mann-Whitney U 檢驗結(jié)果顯示：除行業(yè)虛擬變量和Herfindahl_5以外，其他指標均在 5%顯著性水平下通過檢驗，這說明各個行業(yè)的公司都可能發(fā)生財務危機；ST與非ST公司的股權(quán)結(jié)構(gòu)、最終控制人類型和審計意見存在顯著差異。

通過 Mann-Whitney U 非參數(shù)檢驗和相關(guān)性分析，本文剔除在 5%顯著性水平上未通過這兩類檢驗的指標，得到如表3所示的34個指標用于財務危機預警建模和7個非財務危機預警建模。通過篩選的指標從財務和非財務兩個方面反映了公司情況，體現(xiàn)了公司的盈利、營運、成長、償債能力，并涵蓋股權(quán)集中度、行業(yè)類型、審計意見、最終控制人信息，系統(tǒng)地反映了公司多方面的狀況。

2.粗集屬性約簡。首先對原始財務數(shù)據(jù)及非財務數(shù)據(jù)進行預處理，使得各數(shù)據(jù)范圍均在0-1之間，并進行離散化處理。再利用MATLAB粗集約簡程序?qū)@些數(shù)據(jù)進行約簡。其中，代號表示公司，條件屬性集合由34個財務指標和7個非財務指標數(shù)據(jù)組成，決策屬性為具體財務狀況，相應處理結(jié)果如表4所示。

通過已經(jīng)編寫好的屬性重要度程序進行相應運算，獲得約簡后的指標體系各個屬性的重要度，約簡后的指標體系重要度如表5所示。

約簡后的預警指標體系仍然含有18個財務指標和4個非財務指標，這些指標仍較為系統(tǒng)地覆蓋了如企業(yè)償債能力、盈利能力、資產(chǎn)管理能力及成長能力等方面。由于約簡后的財務數(shù)據(jù)量較少，但所蘊含的信息量并未發(fā)生太大變化，故可用來作為異常支持向量機模型的輸入數(shù)據(jù)，這樣在構(gòu)建相應預警模型時，就更為高效、合理及科學。從而可以避免因為輸入數(shù)據(jù)維度過多而導致模型訓練效果下降，進而影響財務危機預警效果。

3.支持向量機模型訓練。遺傳支持向量機預警模型的輸入數(shù)據(jù)為接受外部數(shù)據(jù)的緩沖存儲器，支持向量機相關(guān)參數(shù)如松弛變量等可以通過遺傳算法進行尋優(yōu)獲得，在本文中即為前述粗集約簡后獲得的18個財務指標和4個非財務指標。輸入數(shù)據(jù)中每行由363家公司數(shù)據(jù)組成，每列由18個財務指標和4個非財務指標標準化后數(shù)值構(gòu)成，預警值的每一列中1所在的行數(shù)代表該列公司是否為ST。

通過已經(jīng)建立的遺傳支持向量機預警模型對檢驗樣本分析，本文將選取前300個樣本作為學習和訓練樣本，這300個樣本中25家被ST，275家沒有被ST。剩下的63個樣本公司作為檢驗樣本，其中ST樣本7個、非ST樣本56個。將訓練樣本和檢驗樣本代入構(gòu)建好的遺傳支持向量機預警模型中，提前一年遺傳支持向量機預測結(jié)果與僅利用支持向量機建模預測對比結(jié)果如表6所示，提前兩年遺傳支持向量機預測結(jié)果與僅利用支持向量機建模預測對比結(jié)果如表7所示。

由表6可知，提前一年遺傳支持向量機財務危機預警模型檢驗樣本預測結(jié)果顯示，0 家被誤判，預測正確率為100% 。而利用支持向量機財務預警模型檢驗樣本預測結(jié)果顯示，56個非ST樣本中有2個被誤判為ST樣本，7個ST樣本中有1個被誤判為非ST樣本，預測正確率分別為964%和857%，綜合預測正確率為952%。通過表6還可以知道，僅僅利用支持向量機進行建模預測，而不利用遺傳算法對建模過程中的相關(guān)參數(shù)進行優(yōu)化，會使得預測正確率下降，換言之，沒有經(jīng)過遺傳算法尋優(yōu)的支持向量機模型預測極有可能已經(jīng)陷入局部最優(yōu)過程當中。

由表7可知，提前兩年遺傳支持向量機財務危機預警模型檢驗樣本預測結(jié)果顯示，56個非ST樣本中有1個被誤判為ST樣本，7個ST樣本中沒有被誤判情況，預測正確率分別為982%和100%，綜合預測正確率為984%。而利用支持向量機財務預警模型檢驗樣本預測結(jié)果顯示，56個非ST樣本中有5個被誤判為ST樣本，7個ST樣本中有2個被誤判為非ST樣本，預測正確率分別為911%和714%，綜合預測正確率為889%。通過表7還可以知道，僅僅利用支持向量機進行建模預測，而不利用遺傳算法對建模過程中的相關(guān)參數(shù)進行優(yōu)化，會使得預測正確率從984%下降到889%。

對比表6及表7，可以知道，無論是遺傳支持向量機預測模型還是支持向量機預測模型，提前一年的財務危機預測正確率明顯高于提前兩年的財務危機預測正確率。這是因為訓練數(shù)據(jù)來源越是靠近警情發(fā)生的年份，數(shù)據(jù)信息中所蘊含的先兆信息就越多，也就越能夠準確預測警情的發(fā)生。此外，不論是提前一年財務危機預測還是提前兩年財務危機預測，遺傳支持向量機模型預測正確率明顯高于支持向量機模型預測正確率，這是因為遺傳支持向量機建模過程中通過遺傳算法對相關(guān)參數(shù)進行尋優(yōu)，從而使得最后建立的預測模型具有全局最優(yōu)特性，所以預測正確率更高。

六、結(jié)論

本文在總結(jié)已有財務危機預警文獻的基礎(chǔ)上，以上市公司被特別處理作為界定財務危機的標準，對制造業(yè)財務指標和非財務指標進行了財務危機預警研究。在系統(tǒng)地確定初步指標體系之后，應用 Mann-Whitney U 非參數(shù)檢驗方法檢驗了ST公司和非ST公司各指標均值的差異性，剔除了相關(guān)性較強的指標，得到初步選取的財務危機預警指標體系，再運用粗集理論約簡冗余指標，獲得核心指標作為粒遺傳支持向量機的輸入，分別構(gòu)建了提前一年、提前兩年的遺傳支持向量機財務危機預警模型，并與提前一年、提前兩年的支持向量機財務危機預警模型進行對比分析。通過實證分析，可以得到以下結(jié)論：

1.運用粗集方法約簡得到財務危機預警指標體系具有很好地有效性。本文通過對粗集的屬性重要度進行深入研究，剔除屬性集中的冗余屬性，進而對財務危機預警系統(tǒng)的原始指標體系進行有效約簡。

2.本文構(gòu)建的粗集-遺傳支持向量機制造業(yè)上市公司財務危機預警模型預測正確率要優(yōu)于粗集-支持向量機模型預測正確率，說明利用遺傳算法對支持向量機預警模型進行尋優(yōu)操作是非常有必要的。

3.實證研究結(jié)果表明，利用相關(guān)數(shù)據(jù)對制造業(yè)上市公司提前1年的財務狀況預測效果要比提前2年的財務狀況預測效果要好。這是因為來源于警情發(fā)生附近的年份，其數(shù)據(jù)就蘊含更多的先兆信息，也就能夠更好地預測出相應警情的發(fā)生。

參考文獻：

[1]Beaver W H， Prices M. Financial rations and the prediction of failure[J].Journal of Accounting Research， 1968（6）：179-192.

[2]Fitzpatric. Acomparison of rations of successful industrial enterprises with those of failed firms[M].The accountants Publishing Company， 1932.

[3]Edward I. Altman. Financial Ratios， Discriminant Analysis and the Prediction of Corporate Bankruptcy[J].The Journal of Finance， 1968， 23：589-609.

[4]吳雯雯， 楊玉輝， 王家祥. 國內(nèi)外財務預警方法的研究綜述[J].黃河水利職業(yè)技術(shù)學院學報， 2006， 18（3）： 24-31.

[5]J. A. Ohlson. Financial ratios and probabilistic prediction of bankruptcy[J].Journal of Accounting Research， 1980（18）： 109-131.

[6]程曉娟.上市公司財務危機預警模型研究及實證分析[M].成都： 成都理工大學出版社.

[7]周敏， 王新宇. 基于模糊優(yōu)選和神經(jīng)網(wǎng)絡的企業(yè)財務危機預警[J]. 管理科學學報， 2002（5）： 86-90.

[8]郭德仁， 王培輝. 基于模糊聚類和模糊模式識別的財務預警[J]. 管理學報， 2009， 6（9）： 1194-1197.

[9]Javier De Andrés， Pedro Lorca， Francisco Javier de Cos Juez， Fernando Sánchez-Lasheras. Bankruptcy forecasting： A hybrid approach using Fuzzy c-means clustering and Multivariate Adaptive Regression Splines （MARS）[J].Expert Systems with Applications， 2011 （38）： 1866-1875.

[10]Vapnik V N. The nature of statistical learning theory[M].New York： Springer-Verlag，1995.

[11]龐素琳. 信用評價與股市預測模型研究及應用——統(tǒng)計學、神經(jīng)網(wǎng)絡與支持向量機方法[M].北京：科學出版社，2005.

[12]宋姣. 基于支持向量機的上市公司財務危機預警實證研究[J].商場現(xiàn)代化， 2007（9）： 391-392.

[13]柯孔林，馮宗憲. 基于粗糙集與遺傳算法集成的企業(yè)短期貸款違約判別[J].系統(tǒng)工程理論與實踐，2008（4）：27-34.

[14]溫文波， 杜維.蟻群算法概述[J].控制系統(tǒng)， 2002（1）：19-22.

[15]馬若微. 基于RS與ANN的上市公司財務困境預測模型的實證研究[J].南開管理評論， 2006，9（3）：85-91.

Abstract：This paper builds the index system affecting financial crisis of listed companies with related theory， and reduces these indicators by rough set theory to get core indicators，then it uses SVM to model the core indicators to get the model of enterprise financial crisis warning， and uses it to predict the financial crisis in the next three years. The financial crisis warning results show， compared with the traditional SVM method， the introduction of rough sets and genetic algorithms not only can improve the efficiency of early warning， but also can improve the prediction accuracy， and this warning results are consistent with the actual financial situation of enterprises. Practical application shows that the enterprise financial crisis modeling， reduction and implementation support vector machine genetic rough set theory take full advantage of the characteristics of the sample data itself， which provides good theoretical basis for subsequent warning excellent results.

Key words：manufacturing industry listed companies； financial crisis warning； rough set； genetic algorithm； Support Vector Machine （SVM）；

（責任編輯：李江）