公司治理視角下基于SVM模型的上市公司財務危機預警研究

申李瑩，任廣乾

(鄭州大學商學院,河南鄭州450001)

公司治理視角下基于SVM模型的上市公司財務危機預警研究

申李瑩，任廣乾

(鄭州大學商學院,河南鄭州450001)

內(nèi)外部經(jīng)營環(huán)境的變化制約著企業(yè)的連續(xù)經(jīng)營，有時甚至會引發(fā)企業(yè)財務危機。利用支持向量機模型進行上市公司財務危機預警，在預警變量體系中加入公司治理因素等非財務變量，并采用我國部分上市公司年報數(shù)據(jù)對該預警模型進行實證檢驗。結果表明：引入治理因素的支持向量機財務危機預警模型有較好的預警能力，非財務指標在財務危機預警實證檢驗過程中有著重要的作用，能為相關信息使用者進行決策提供良好的參考依據(jù)。

財務危機；支持向量機；公司治理；預警

近年來，研究財務危機預警所使用的現(xiàn)代信息技術日趨成熟，然而其輸入變量的選取主要集中在財務變量方面，或多或少地遺漏了一些信息。董事會、監(jiān)事會規(guī)模及結構、股權結構、高管薪酬等都會對公司財務狀況產(chǎn)生不可忽視的影響，故在財務指標體系中加入有關公司治理的非財務指標，從公司治理角度對上市公司財務危機進行建模預警，是十分必要的。較新的機器學習技術——支持向量機(SVM)技術在正向預警能力的精確度方面優(yōu)于傳統(tǒng)的預警方法，成為目前適用于小樣本學習方法中最常用、效果最好的一種分類器。本研究基于SVM模型在財務危機預警小樣本研究中的適應性，以我國制造業(yè)上市公司為研究對象，構建基于公司治理角度的上市公司財務危機預警模型，旨在對前人的研究成果進行完善，以達到提高預警模型的完備性及預警準確度的目的。

一、SVM算法

1995年，貝爾實驗室學者 Vapnik 等首先提出了SVM模型。因該算法在解決小樣本、非線性、高維模式識別等問題中表現(xiàn)出的特有優(yōu)勢，SVM模型被廣泛地應用于統(tǒng)計分類中。SVM技術建立在統(tǒng)計學理論的結構風險最小原理基礎上，通過將向量映射到高維空間，并在高維特征空間內(nèi)建立最大間隔超平面，將求解該最優(yōu)超平面歸結為求解以下凸二次規(guī)劃問題

s.t.y(i)(wTΦ(xi)+b)≥1-ξi，

i=1,2,...,m，ξi≥0，i=1,2,...,l；

(1)

其中，C為懲罰因子，ξi為松弛變量。通過引入拉格朗日算子將該問題轉化為其對偶問題

(2)

s.t. 0αiC，i=1,2,...,m，

其中，k(xi,xj)為核函數(shù)，αi為拉格朗日乘子。得到相應的分類函數(shù)為

(3)

其中，b為分類閾值。核函數(shù)的選擇直接影響支持向量機的泛化能力，由于徑向基核函數(shù)(RBF)對數(shù)據(jù)中的噪聲有著良好的抗干擾能力且具有運行時間短等優(yōu)點，故筆者選用RBF核函數(shù)[1][2]

(4)

二、樣本來源和指標選取

(一)樣本采集

國內(nèi)對上市公司股票被特殊處理(ST)的幾種財務狀況異常情況有著詳細的規(guī)定，筆者根據(jù)滬深兩地交易所正式公布的被特殊處理的ST股名單采集財務危機公司樣本數(shù)據(jù)。需要說明的是，根據(jù)我國上市公司的年報披露制度規(guī)定：上市公司可選擇次年1月1日至4月30日間的合適時間披露年報。也就是說，選取被ST前兩期的上市公司數(shù)據(jù)進行訓練與測試比較合理。同時，因上市公司所處行業(yè)的不同對其財務狀況也有一定的影響[3]。結合國內(nèi)各行業(yè)發(fā)展現(xiàn)狀，筆者控制樣本選取行業(yè)為制造業(yè)的上市公司。

由于我國證券市場起步較晚，為保證模型的穩(wěn)定性，筆者共選取我國113家制造業(yè)上市公司為研究對象[4]，其中包括滬深兩地交易所發(fā)布的在2003年～2013年間首次被ST的55家上市公司作為財務困境樣本。需要說明的是，之所以選擇首次被特殊處理的公司樣本是因為如果樣本中包含一些再次被ST的公司會夸大模型的預警能力，這些公司可能是由于特殊原因造成虧損，或者進行資產(chǎn)重組的股票而被特殊處理，之后一段時期內(nèi)摘掉了ST的帽子，但是在其后年度內(nèi)確實又陷入財務危機而再次被特殊處理。另隨機選取65家非ST上市公司作為配對的財務狀況正常樣本。樣本數(shù)據(jù)中有些變量有缺失值，此類樣本所占比例較小，為使人為干擾的影響最小化，采取個案剔除法處理其缺失值，即如果任何一個樣本含有缺失值就把該樣本從數(shù)據(jù)集中剔除。初步處理后的數(shù)據(jù)集包括51家ST公司和62家非ST公司。

本研究使用的數(shù)據(jù)來源為深圳國泰安信息技術有限公司開發(fā)的CSMAR SYSTEM終端數(shù)據(jù)庫。

(二)指標選取

作為模型的輸入變量，財務指標的選取會影響模型的分類性能，且直接影響到財務危機預警模型的準確性。財務狀況的惡化是多種原因共同作用的結果，這些原因不僅包括有直接相關關系的財務報表指標，還包括有間接相關關系的非財務指標。雖然目前在模型輸入指標的選取方面仍沒有成熟的理論依據(jù)支撐，但隨著研究的逐漸深入，相關學者不但驗證了僅僅從財務報表因素出發(fā)研究公司財務狀況的方法是不完善的結論[5]，而且提出很多新的思路，包括加入宏觀政策性因素、風險水平、審計結果、證券市場指標等變量進行預警研究。會計實務中利潤性指標變量具有易被人為操縱的特點，而現(xiàn)金流量類指標恰好彌補了這個不足。

結合公司治理相關研究，筆者引入第一大股東持股比例、董事會會議次數(shù)、董事會規(guī)模等非財務變量。各指標的意義是：股權集中度是衡量公司穩(wěn)定性的重要指標，第一大股東持股比例，即第一大股東持股份額在公司總股份中所占比重，是反映公司股權集中度的各項指標中最重要的指標，因此筆者選取了第一大股東持股比例為非財務變量之一。董事會會議次數(shù)從董事會義務方面反映了董事會行為及其治理狀況的一個方面，在日常生產(chǎn)經(jīng)營管理活動中董事會行為及其治理狀況可能有所不同，從此方面可以看出董事會行為與公司財務有直接或間接關系。就董事會規(guī)模來說，學者研究發(fā)現(xiàn)董事會規(guī)模與公司財務是否穩(wěn)健有負相關關系，還有學者認為兩者之間關系呈U型，故筆者加入董事會規(guī)模因素對其進行研究[6]。

綜上，筆者借鑒大量先前經(jīng)驗，分別從償債能力、運營能力、盈利能力、發(fā)展能力、現(xiàn)金流量、每股指標、公司治理等7個方面初步選取23個指標變量建立指標體系。指標體系如表1所示。

表1 初選指標體系

(三)指標篩選

關于指標篩選的思路，筆者首先采用K-S檢驗，以檢驗各變量是否服從正態(tài)分布，SPSS21.0軟件實現(xiàn)的結果如表2所示，只有3個初選指標在0.05的顯著性水平下服從正態(tài)分布，故接下來的顯著性檢驗要使用非參數(shù)檢驗?？紤]到不同的分析方法對同樣的數(shù)據(jù)分析結果可能不同，因此在實際應用中對于數(shù)據(jù)進行反復的探索性分析尤為重要。鑒于此，筆者根據(jù)正態(tài)分布檢驗結果，分別采用兩獨立樣本非參數(shù)檢驗中的Mann-Whitney U秩和檢驗與Kolmogorov-Smirnov Z檢驗比較兩組指標變量的差異是否顯著。零假設為兩個獨立樣本來自的總體分布無顯著性差異，若概率p值小于顯著性水平(本假設為0.05)，則拒絕零假設，即認為兩樣本分布有顯著性差異。使用SPSS21.0軟件，結合兩種檢驗的結果之和可以發(fā)現(xiàn)，共有現(xiàn)金流量比率、現(xiàn)金流利息保障倍數(shù)、存貨周轉率、凈利潤增長率、營業(yè)利潤增長率、全部現(xiàn)金回收率、每股現(xiàn)金凈流量、董事會規(guī)模等8個指標的p值大于0.05，即在0.05的顯著性水平上分布沒有顯著性差異，故從初選指標體系中將其剔除。通過使用這種方法挑選出在ST和非ST公司樣本間分布存在顯著差異的15個指標，以此確定最終的指標體系，以保證預警模型的準確率。

表2 對指標變量的三種檢驗結果

續(xù)表

指標變量K-S檢驗結果Mann-WhitneyU檢驗結果Kolmogorov-SmirnovZ檢驗結果z值p值z值漸近顯著性z值漸近顯著性資產(chǎn)報酬率4.6980.000-3.9160.0002.0640.000總資產(chǎn)凈利潤率4.6960.000-4.1500.0002.1690.000凈資產(chǎn)收益率3.8880.000-2.8450.0041.6670.008總資產(chǎn)增長率3.9180.000-4.3600.0002.4680.000凈資產(chǎn)收益率增長率5.4760.000-2.0210.0431.8090.003凈利潤增長率4.0690.000-.09540.3400.7130.690營業(yè)利潤增長率4.4010.000-.01290.8980.5460.926每股收益2.5080.000-4.8170.0002.2570.000每股凈資產(chǎn)1.4500.030-4.5950.0002.3490.000營業(yè)收入現(xiàn)金含量4.7170.000-3.3530.0011.9010.001全部現(xiàn)金回收率1.2770.077-0.8480.3960.7510.625每股現(xiàn)金凈流量1.8210.003-0.9680.3331.0470.223董事會會議次數(shù)1.1150.166-4.1740.0001.8870.002第一大股東持股比例0.9440.334-2.4410.0151.7110.006董事會規(guī)模3.1290.000-1.2080.2270.6360.814

三、模型構建

(一)數(shù)據(jù)預處理

(二)參數(shù)尋優(yōu)與訓練

在數(shù)據(jù)預處理的基礎上選擇訓練集和測試集。將選定的樣本分為訓練樣本與測試樣本，分別用于建立預警模型和檢驗預警模型，訓練樣本包括35家ST公司和38家非ST公司共73家公司，其余40家公司為測試樣本，樣本比例為73∶40。將最終篩選出的15個指標變量作為SVM模型的輸入變量，當輸出結果為+1時，判定為ST公司；當輸出結果為-1時，判定為非ST公司，最后根據(jù)輸出結果判斷模型預警準確率。在訓練階段，主要是基于訓練樣本數(shù)據(jù)確定模型參數(shù)C和g，模型預測結果會隨著C和g的不同組合而發(fā)生改變，選擇其中準確率最高的一組參數(shù)。經(jīng)過MATLAB運算得到參數(shù)訓練最佳結果C=1.572 8，g=126.665 8。根據(jù)模型訓練結果，輸入測試樣本數(shù)據(jù)，得到總體預警準確率約為88.10%，其結果如表3所示。

表3 加入公司治理類指標的分類預警準確率

表3顯示：經(jīng)過非參數(shù)檢驗篩選出來的各項指標在去除冗雜信息的基礎上保留了重要信息，使得支持向量機分類器模型在財務危機預警研究中比較穩(wěn)定，這表明針對上市公司數(shù)據(jù)非線性可分的情況，支持向量機模型的分類準確率結果比較優(yōu)異，該模型具有良好的預警能力。

為了驗證加入公司治理類非財務指標變量后的SVM模型預警準確率得到提高的結論，將公司治理類指標從變量體系中剔除，再用相同的訓練集與測試集重新構建SVM模型，預警結果如表4所示。對比實驗結果可得，加入公司治理類指標變量后的預警模型具有更高的分類準確率。

表4 剔除公司治理類指標的分類預警準確率

四、結 語

鑒于非財務變量在財務危機預警實證研究中的重要作用，筆者從公司治理角度出發(fā)，在一系列具有代表性的指標體系中引入第一大股東持股比例、董事會會議次數(shù)、董事會規(guī)模等非財務指標對其進行研究。結果顯示：第一，公司治理因素指標確實在一定程度上補充了純財務指標所不能反映的信息，有利于提高預警模型的精度。第二，非參數(shù)檢驗結果篩選出的指標體系作為模型輸入變量，通過檢驗的非財務指標有董事會會議次數(shù)和第一大股東持股比例。這表明董事會會議次數(shù)及股權制衡度與公司財務風險之間有不可忽視的關系。這給我國上市公司管理者提供了指導建議，即積極的董事會行為以及合理的股權制衡機制可以在一定程度上幫助企業(yè)有效規(guī)避風險。第三，采用具有優(yōu)秀泛化能力的支持向量機技術建立預警模型，模型預測結果較為穩(wěn)定，有較高的預測準確率，為進一步進行上市公司財務危機預警的研究提供了參考，具有較大的實際意義。

雖然模型的有效性得到了驗證，但本研究依然存在許多不完善之處。如：在實證研究中僅能對樣本上市公司的財務情況進行短期預測，缺乏對長期情況的預測處理。數(shù)據(jù)挖掘技術的不斷發(fā)展對財務危機預警的研究提供了多種可以運用的方法，在此基礎上可以對上市公司財務危機預警模型的研究進行完善。

[1] Shian-Chang Huang, Yu-Cheng Tang. Kernel Local Fisher Discriminant Analysis Based Manifold-regularized SVM Model for Financial Distress Predictions[J].Expert Systems with Applications,2012，39:3855-3861.

[2] Shian-Chang Huang,Pei-Ju Chuang. Chaos-based Support Vector Regressions for Exchange Rate Forecasting[J].Expert Systems with Applications,2010，37:8590-8598.

[3] 張友棠，黃陽.基于行業(yè)環(huán)境風險識別的企業(yè)財務預警控制系統(tǒng)研究[J].會計研究，2011(3):41-48.

[4] 楊淑娥，王樂平.基于BP神經(jīng)網(wǎng)絡和面板數(shù)據(jù)的上市公司財務危機預警[J].系統(tǒng)工程理論與實踐，2007(2)：61-67.

[5] 楊軼，張友棠.企業(yè)財務預警國內(nèi)外研究述評[J].財會月刊，2008(7):66-68.

[6] 許存興.公司治理與財務危機關系分析[J].統(tǒng)計與信息論壇，2010,25(9):81-86.

(責任編輯 楊耕文)

Financial Crisis Pre-warning of Listed Companies Based on SVM Model in View of Corporate Governance

SHEN Liying, REN Guangqian

(Business School, Zhengzhou University, Zhengzhou 450001, China)

The change of internal and external management environment restricts the continuous operation of the enterprises and even leads to an enterprise′s financial crisis. This paper, by using support vector machine (SVM) model, conducts a financial crisis early warning in the listed company, and introduces corporate governance factors and non-financial variables in the early warning system, and carries out empirical test by using the annual report data of listed companies in our country for the early warning model. The results show that the introduction of governance factors of support vector machine (SVM) of the financial crisis early warning model possesses better early warning capability, and the non-financial indicators in the financial crisis warning practice have the effect that cannot be ignored, all of which can provide relevant information for users to make decisions with a good reference.

financial crisis; support vector machine (SVM); corporate governance; early warning

2017-03-20

申李瑩(1994-)，女，河南衛(wèi)輝人，在讀碩士，主要從事公司治理方面的研究. 任廣乾(1982-)，男，河南商丘人，博士，副教授，碩士生導師，主要從事公司治理與公司財務方面的研究.

國家自然科學基金資助項目(編號：U1304705)；河南省高等學校重點科研項目“基于公司治理視角的河南省國有企業(yè)混合所有制改革研究”(編號：16A630032)；鄭州大學青年教師支持科研基金項目“轉型背景下弱政治資源企業(yè)的尋租行為及其治理機制研究”(編號：2015SKYQ01).

10.3969/j.issn.1674-5035.2017.04.005

F224.0

A

1674-5035(2017)04-0025-05