基于PSO優(yōu)化SVM制造業(yè)公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警研究

張金貴+陳凡+王斌

【摘 要】 制造業(yè)公司是我國市場經(jīng)濟(jì)的重要組成部分，判別分析制造業(yè)公司的財(cái)務(wù)風(fēng)險(xiǎn)對(duì)于進(jìn)一步促進(jìn)制造業(yè)實(shí)體經(jīng)濟(jì)健康發(fā)展具有重要現(xiàn)實(shí)意義。適當(dāng)選取2013—2015年制造業(yè)公司為樣本，利用SPSS統(tǒng)計(jì)軟件運(yùn)用主成分分析方法（PCA）對(duì)制造業(yè)公司的財(cái)務(wù)指標(biāo)進(jìn)行了篩選，再利用MATLAB軟件借助粒子群算法（PSO）對(duì)支持向量機(jī)參數(shù)進(jìn)行優(yōu)選，構(gòu)建了基于PSO-LIBSVM模型的公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型。實(shí)證分析表明，該模型可以對(duì)制造業(yè)公司財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行較為準(zhǔn)確的度量，是將人工智能算法運(yùn)用到經(jīng)濟(jì)管理領(lǐng)域的有效嘗試，對(duì)分析公司財(cái)務(wù)風(fēng)險(xiǎn)具有一定的現(xiàn)實(shí)指導(dǎo)意義。

【關(guān)鍵詞】 財(cái)務(wù)風(fēng)險(xiǎn)； 主成分分析； 支持向量機(jī)； 粒子群算法

【中圖分類號(hào)】 F270 【文獻(xiàn)標(biāo)識(shí)碼】 A 【文章編號(hào)】 1004-5937（2017）14-0052-05

制造業(yè)公司是我國市場經(jīng)濟(jì)的重要組成部分，為我國社會(huì)主義市場經(jīng)濟(jì)的繁榮發(fā)展起到了至關(guān)重要的作用。根據(jù)國家統(tǒng)計(jì)局公布的最新統(tǒng)計(jì)數(shù)據(jù)，2016年11月的制造業(yè)采購經(jīng)理指數(shù)（PMI）為51.7%，比上月上升0.5個(gè)百分點(diǎn)，延續(xù)上行走勢，升至兩年來的高點(diǎn)。但是，企業(yè)生產(chǎn)經(jīng)營中仍存在一些困難，企業(yè)的各項(xiàng)經(jīng)營活動(dòng)、投資活動(dòng)和籌資活動(dòng)都會(huì)引發(fā)企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)[ 1 ]。因此，公司需要加強(qiáng)對(duì)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的分析和管理，建立有效的財(cái)務(wù)風(fēng)險(xiǎn)控制機(jī)制，從而實(shí)現(xiàn)持續(xù)經(jīng)營，營造百年老店。所以，如何判別并改善制造業(yè)公司的財(cái)務(wù)風(fēng)險(xiǎn)，對(duì)于進(jìn)一步促進(jìn)制造業(yè)實(shí)體經(jīng)濟(jì)健康發(fā)展具有重要現(xiàn)實(shí)意義。

本文基于粒子群算法（PSO）優(yōu)化支持向量機(jī)（SVM）模型的公司財(cái)務(wù)風(fēng)險(xiǎn)實(shí)證研究，以二元分類為例，選取36家制造業(yè)公司為研究樣本，并將其劃分為訓(xùn)練樣本和檢驗(yàn)樣本，每個(gè)子樣本根據(jù)配比方案分為金融危機(jī)公司（ST和*ST）和非金融危機(jī)公司（非ST和*ST），運(yùn)用主成分分析法對(duì)36家制造業(yè)公司的6大類13個(gè)不同方面的財(cái)務(wù)指標(biāo)進(jìn)行綜合評(píng)價(jià)，通過引入支持向量機(jī)（SVM），沿襲LIBSVM工具箱對(duì)制造業(yè)公司的財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行判別，最后利用粒子群算法（PSO）對(duì)支持向量機(jī)（SVM）參數(shù)進(jìn)行優(yōu)化，從而實(shí)現(xiàn)對(duì)制造業(yè)公司財(cái)務(wù)風(fēng)險(xiǎn)的度量，這有助于制造業(yè)公司制定更加有效的財(cái)務(wù)決策，以降低財(cái)務(wù)危機(jī)發(fā)生的概率，促進(jìn)其自身的可持續(xù)發(fā)展。

一、指標(biāo)體系構(gòu)建

（一）樣本的選取

通過參照國內(nèi)外相關(guān)學(xué)者的文獻(xiàn)研究，采用Zavagren提出的正常組與違約者2 ：1的配比方案，從數(shù)據(jù)可得性和真實(shí)性考慮，選取上海證券交易所和深圳證券交易所中符合證監(jiān)會(huì)《上市公司行業(yè)分類指引》（2012年版）的2013—2015年36家制造業(yè)上市公司為研究樣本[ 2 ]。樣本數(shù)據(jù)主要來自上海證券交易所、深圳證券交易所、各上市公司年報(bào)、WIND數(shù)據(jù)庫、國泰安數(shù)據(jù)庫以及金融界網(wǎng)站。

行業(yè)選擇：因?yàn)樾袠I(yè)不同，其生產(chǎn)特點(diǎn)和生產(chǎn)周期不同，財(cái)務(wù)指標(biāo)也會(huì)存在較大差異，為保證判別模型的準(zhǔn)確性和實(shí)用性，選擇制造業(yè)上市公司為研究樣本。

金融危機(jī)公司（ST和*ST）：在t年因“財(cái)務(wù)狀況異?！北惶厥馓幚淼纳鲜泄?，同時(shí)確?？梢垣@得（T-2）財(cái)務(wù)報(bào)表數(shù)據(jù)。

非金融危機(jī)公司（非ST和*ST）：在為金融危機(jī)公司（ST和*ST）選擇相應(yīng)的非金融危機(jī)公司（非ST和*ST）時(shí)，要求根據(jù)中國證監(jiān)會(huì)行業(yè)分類（2012年版）的制造業(yè)行業(yè)代碼進(jìn)行匹配，保證金融危機(jī)公司（ST和*ST）和非金融危機(jī)公司（非ST和*ST）的行業(yè)相同或相似。同時(shí)確保相匹配的金融危機(jī)公司（ST和*ST）和非金融危機(jī)公司（非ST和*ST）的財(cái)務(wù)數(shù)據(jù)來源于同一個(gè)會(huì)計(jì)年度。

組間數(shù)量分布：選取上海證券交易所和深圳證券交易所中金融危機(jī)公司（ST和*ST）12家和非金融危機(jī)公司（非ST和*ST）24家，樣本總量合計(jì)36家公司2013—2015年的財(cái)務(wù)數(shù)據(jù)，具體見表1。

為進(jìn)行財(cái)務(wù)風(fēng)險(xiǎn)的有效判別分析，將上述36家制造業(yè)上市公司樣本分為兩個(gè)子樣本，即訓(xùn)練樣本和檢驗(yàn)樣本。考慮到金融危機(jī)公司（ST和*ST）和非金融危機(jī)公司（非ST和*ST）的財(cái)務(wù)數(shù)據(jù)配比，對(duì)兩個(gè)子樣本的比例進(jìn)行了適當(dāng)分配，其中訓(xùn)練樣本包括16家非金融危機(jī)公司（非ST和*ST）以及與之相配對(duì)的8家金融危機(jī)公司（ST和*ST），檢驗(yàn)樣本包括8家非金融危機(jī)公司（非ST和*ST）以及與之相配對(duì)的4家金融危機(jī)公司（ST和*ST）。

（二）指標(biāo)的選取

廣泛參考以往國內(nèi)外相關(guān)研究、企業(yè)財(cái)務(wù)特點(diǎn)以及衡量風(fēng)險(xiǎn)的方法[ 3 ]，選取6大類13個(gè)不同方面的財(cái)務(wù)指標(biāo)，用來衡量企業(yè)的償債能力、盈利能力、營運(yùn)能力、發(fā)展能力、風(fēng)險(xiǎn)水平及現(xiàn)金流分析[ 4 ]，具體見表2。

二、實(shí)證研究

（一）主成分分析

為減少多重共線性對(duì)模型準(zhǔn)確性造成的影響[ 5 ]，就選取的36家制造業(yè)上市公司2013—2015年的6大類13個(gè)財(cái)務(wù)指標(biāo)進(jìn)行正向轉(zhuǎn)換和標(biāo)準(zhǔn)化，采用KMO（Kaiser-Meyer-Olkin）和Bartlett球形度對(duì)變量之間進(jìn)行相關(guān)性檢驗(yàn)，其KMO數(shù)值為0.657>0.5，表示選取的6大類13個(gè)財(cái)務(wù)指標(biāo)之間存在線性關(guān)系，適合作主成分分析，具體見表3。

運(yùn)用最大方差旋轉(zhuǎn)法提取常用的因子，需通過重復(fù)實(shí)驗(yàn)確定的數(shù)量來指定共同的因素，以確保累積貢獻(xiàn)率不低于80%。根據(jù)最大方差旋轉(zhuǎn)法提取了6個(gè)公因子，其貢獻(xiàn)率合計(jì)為82.141%，說明選取的6個(gè)公因子能夠代表13個(gè)財(cái)務(wù)指標(biāo)的基本信息，可以用來對(duì)原始指標(biāo)變量進(jìn)行分析[ 6 ]，具體見表4。

確定了影響因素的個(gè)數(shù)后，為使各因子的總方差負(fù)荷值達(dá)到最大值，采用旋轉(zhuǎn)的最大方差法來闡明各因素的具體含義[ 7 ]。同時(shí)，為使結(jié)果更加明晰直觀，采用取消小系數(shù)法，只顯示旋轉(zhuǎn)因子負(fù)載值大于0.6的系數(shù)。旋轉(zhuǎn)因子荷載的絕對(duì)值越大，表明該因子與其關(guān)系越密切，越能代表原始變量，具體見表5。

通過選擇負(fù)載因子達(dá)到最大的變量，可得到6個(gè)具有代表性的變量及對(duì)應(yīng)的因素，分別為X2、X6、X7、X10、X12、X13，其中訓(xùn)練樣本和檢驗(yàn)樣本中類別1代表非金融危機(jī)公司（非ST和*ST），類別-1代表金融危機(jī)公司（ST和*ST），具體見表6。

（二）PSO-LIBSVM模型分析

支持向量機(jī)（Support Vector Machines，SVM）是一種新興的通用學(xué)習(xí)方法，其將傳統(tǒng)的算法轉(zhuǎn)化為一個(gè)二次型尋優(yōu)問題[ 8 ]?；赩C維理論結(jié)構(gòu)風(fēng)險(xiǎn)最小化思想，支持向量機(jī)相比其他非線性函數(shù)逼近方法具有更強(qiáng)的泛化能力，其拓?fù)浣Y(jié)構(gòu)主要取決于支持向量，這樣就有效解決了需要根據(jù)經(jīng)驗(yàn)對(duì)傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)進(jìn)行試湊的問題，例如林智仁博士研發(fā)的LIBSVM工具箱。LIBSVM工具箱作為高效支持向量機(jī)的算法研究平臺(tái)，巧妙地解決了多類問題，根據(jù)交叉驗(yàn)證選擇參數(shù)，其核函數(shù)包括徑向基函數(shù)、線性函數(shù)、多項(xiàng)式函數(shù)以及S型函數(shù)四種。

粒子群中的粒子通過跟蹤記錄下來的pi和pg的歷史值在迭代過程中不斷更新其位置和速度[ 11 ]。選取LIBSVM訓(xùn)練樣本的預(yù)測誤差為評(píng)判粒子群中每一個(gè)粒子適應(yīng)度的標(biāo)準(zhǔn)，選擇LIBSVM工具箱中的徑向基核函數(shù)（RBF）為支持向量機(jī)（SVM）的核函數(shù)，再通過粒子群算法（PSO）得到懲罰系數(shù)C和核函數(shù)參數(shù)g的最優(yōu)組合，其最優(yōu)解就是粒子群中對(duì)應(yīng)誤差最小的粒子[ 12 ]。粒子群算法（PSO）優(yōu)化SVM參數(shù)主要是通過初始化粒子群的位置、速度，計(jì)算每一個(gè)粒子的適應(yīng)度，選擇其中適應(yīng)度最低的粒子，將其適應(yīng)度與全局最優(yōu)值進(jìn)行比較，如果其適應(yīng)度低于全局最優(yōu)值則取其為全局最優(yōu)值，更新粒子群，未達(dá)到終止條件時(shí)繼續(xù)計(jì)算每一個(gè)粒子的適應(yīng)度，達(dá)到終止條件時(shí)即可輸出gbest，終止條件主要指達(dá)到最大迭代字?jǐn)?shù)或者適應(yīng)度低于預(yù)設(shè)值。

根據(jù)表6的結(jié)果，采用LIBSVM訓(xùn)練算法，結(jié)合粒子群算法進(jìn)行優(yōu)化，在MATLAB中輸入6個(gè)節(jié)點(diǎn)，分別對(duì)應(yīng)選取的6個(gè)主成分指標(biāo)[ 13 ]。運(yùn)行MATLAB程序代碼得出Figure 1適應(yīng)度曲線，其中參數(shù)學(xué)習(xí)因子c1=1.5，c2=1.7，終止代數(shù)=300，種群數(shù)量pop=30[ 14 ]，參數(shù)優(yōu)化適應(yīng)度曲線如圖1所示。

模型有效性的判別通常需進(jìn)行樣本內(nèi)及樣本外檢驗(yàn)。樣本內(nèi)檢驗(yàn)指根據(jù)模型建立的數(shù)據(jù)，對(duì)預(yù)測值和實(shí)際值的差異進(jìn)行比較。訓(xùn)練集樣本中包括表1所列示的16家非金融危機(jī)公司（非ST和*ST）以及與之相配對(duì)的8家金融危機(jī)公司（ST和*ST），其樣本內(nèi)模型的總體準(zhǔn)確率達(dá)到80.5556%，運(yùn)行MATLAB程序代碼得出Figure 2如圖2所示。

樣本外檢驗(yàn)指檢驗(yàn)之前預(yù)留的樣本。用于樣本外檢驗(yàn)的測試集樣本中包括表1所列示的8家非金融危機(jī)公司（非ST和*ST）以及與之相配對(duì)的4家金融危機(jī)公司（ST和*ST），其檢驗(yàn)總體判斷準(zhǔn)確率68.5714%，運(yùn)行MATLAB程序代碼得出Figure 3如圖3所示。多次運(yùn)行程序平均用時(shí)72.266s，最終結(jié)果見表7。

模型實(shí)證結(jié)果表明，構(gòu)建的基于粒子群算法（PSO）優(yōu)化SVM的制造業(yè)公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型是可行的，其樣本內(nèi)檢驗(yàn)的準(zhǔn)確率、樣本外檢驗(yàn)的準(zhǔn)確率分別達(dá)到80.5556%和68.5714%（導(dǎo)致其結(jié)果的原因可能是測試樣本中數(shù)據(jù)缺乏），可以對(duì)制造業(yè)公司財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行較為準(zhǔn)確的度量，是將人工智能算法運(yùn)用到經(jīng)濟(jì)管理領(lǐng)域的有效嘗試，對(duì)分析公司財(cái)務(wù)風(fēng)險(xiǎn)具有一定的現(xiàn)實(shí)指導(dǎo)意義。

三、結(jié)論

通過以上構(gòu)建的基于主成分分析與支持向量機(jī)的方法對(duì)我國制造業(yè)公司財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行分析，運(yùn)用MATLAB軟件建立了基于粒子群算法（PSO）優(yōu)化SVM的制造業(yè)公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型，可以得出以下結(jié)論：

（1）指標(biāo)體系的構(gòu)建是評(píng)價(jià)制造業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的基礎(chǔ)。采用主成分分析方法，簡化了財(cái)務(wù)風(fēng)險(xiǎn)指標(biāo)變量的個(gè)數(shù)，獲得6個(gè)主成分關(guān)鍵指標(biāo)。實(shí)證檢驗(yàn)說明這6個(gè)財(cái)務(wù)指標(biāo)的選取符合我國制造業(yè)公司的特點(diǎn)，適應(yīng)我國制造業(yè)公司面臨的經(jīng)濟(jì)環(huán)境。

（2）粒子群算法（PSO）優(yōu)化SVM的模型對(duì)制造業(yè)公司的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警是可行的。粒子群算法（PSO）優(yōu)化SVM的模型不受制于變量的分布情況，適用于財(cái)務(wù)分析，具有較高的準(zhǔn)確率。同時(shí)，粒子群算法（PSO）優(yōu)化SVM的模型本身具有變量選擇的功能，可以減少計(jì)算量和評(píng)分的成本，還可以提高模型的判別能力[ 15 ]。實(shí)證檢驗(yàn)表明，構(gòu)建的制造業(yè)公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型是有效的，樣本內(nèi)檢驗(yàn)的準(zhǔn)確率、樣本外檢驗(yàn)的準(zhǔn)確率分別達(dá)到80.5556%和68.5714%，可以對(duì)制造業(yè)公司財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行較為準(zhǔn)確的度量，可以為財(cái)務(wù)決策提供依據(jù)。

（3）基于PSO優(yōu)化SVM的制造業(yè)公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警研究也存在一定的不足之處。文中選取的代表公司財(cái)務(wù)狀況的特征指標(biāo)并不全面，不能概括企業(yè)經(jīng)營過程中的非財(cái)務(wù)因素，而且所提供的信息主要是歷史信息，時(shí)效性較差，樣本結(jié)構(gòu)和樣本規(guī)模也缺乏廣泛性，缺乏對(duì)風(fēng)險(xiǎn)信息和不確定信息的披露。另外，制造業(yè)上市公司的個(gè)體特征、行業(yè)特征、區(qū)域經(jīng)濟(jì)發(fā)展水平、地方政策等因素存在多變性，這對(duì)模型的準(zhǔn)確性和可靠性均會(huì)造成一定程度的影響。

【參考文獻(xiàn)】

[1] 趙璐.低碳經(jīng)濟(jì)背景下煤炭企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)研究[J].生產(chǎn)力研究，2015（10）：143-146.

[2] 孔寧寧，魏韶巍.基于主成分分析和Logistic回歸方法的財(cái)務(wù)預(yù)警模型比較：來自我國制造業(yè)上市公司的經(jīng)驗(yàn)證據(jù)[J].經(jīng)濟(jì)問題，2010（6）：112-116.

[3] 朱曉燕，潘美芹.基于Logistics回歸的中小上市公司財(cái)務(wù)風(fēng)險(xiǎn)評(píng)級(jí)模型[J].上海管理科學(xué)，2015，37（6）：91-94.

[4] 王君萍，王娜.我國能源上市公司財(cái)務(wù)風(fēng)險(xiǎn)評(píng)價(jià)：基于主成分分析法[J].會(huì)計(jì)之友，2016（11）：60-66.

[5] 閆丹丹，夏虹.基于PCA的上市公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測的實(shí)證研究[J].商業(yè)經(jīng)濟(jì)，2014（12）：107-108，126.

[6] 泮敏，曾敏.基于主成分分析法的上市公司財(cái)務(wù)風(fēng)險(xiǎn)研究：以我國制造業(yè)為例[J].會(huì)計(jì)之友，2015（21）：63-67，68.

[7] 吳冬梅，朱俊，莊新田，等.基于支持向量機(jī)的財(cái)務(wù)危機(jī)預(yù)警模型[J].東北大學(xué)學(xué)報(bào)（自然科學(xué)版），2010，31（4）：601-604.

[8] 鄔建平.基于主成分分析與最小二乘支持向量機(jī)的電子商務(wù)信用風(fēng)險(xiǎn)綜合評(píng)分[J].物流技術(shù)，2016，35（3）：87-93.

[9] 鄧敏，韓玉啟.基于支持向量機(jī)的大學(xué)財(cái)務(wù)困境預(yù)警模型[J].南京理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2012，36（3）：551-556.

[10] 姜明輝，袁緒川.個(gè)人信用評(píng)估PSO-SVM模型的構(gòu)建及應(yīng)用[J].管理學(xué)報(bào)，2008（4）：511-515，615.

[11] 胡達(dá)沙，王坤華.基于PSO和SVM的上市公司財(cái)務(wù)危機(jī)預(yù)警模型[J].管理學(xué)報(bào)，2007（5）：588-592.

[12] 紀(jì)震，吳青華，廖惠連.粒子群算法及應(yīng)用[M].北京：科學(xué)出版社，2009.

[13] 吳翎燕，韓華，唐菲.基于PSO-SVM的多分類財(cái)務(wù)預(yù)警模型[J].武漢理工大學(xué)學(xué)報(bào)（信息與管理工程版），2013，35（2）：265-269.

[14] 史峰，王輝，胡斐，等.MATLAB智能算法30個(gè)案例分析[M].北京：北京航空航天大學(xué)出版社，2011.

[15] 孫薇，覃銘.基于粒子群優(yōu)化的SVM的第三方物流企業(yè)客戶滿意度評(píng)價(jià)研究[J].物流工程與管理，2015（3）：28-30.