基于C5.0的制造企業(yè)財(cái)務(wù)預(yù)警研究

張丹 曹紅蘋

摘 要：隨著制造業(yè)公司面臨的環(huán)境愈加復(fù)雜多變，公司為保持長遠(yuǎn)的穩(wěn)定發(fā)展態(tài)勢(shì)必要加強(qiáng)自身的風(fēng)險(xiǎn)管控。財(cái)務(wù)預(yù)警作為風(fēng)險(xiǎn)分析的一種工具，可為預(yù)警提供有力的基礎(chǔ)，與管控的有效性息息相關(guān)。C5.0決策樹通過訓(xùn)練數(shù)據(jù)可得到清晰的分類規(guī)則，這些規(guī)則可為風(fēng)險(xiǎn)分析提供有效依據(jù)。通過2016年90家制造企業(yè)的31項(xiàng)財(cái)務(wù)指標(biāo)構(gòu)建出C5.0，得出基本每股收益、總資產(chǎn)增長率、營業(yè)毛利率、現(xiàn)金比率和全部現(xiàn)金回收率對(duì)企業(yè)風(fēng)險(xiǎn)預(yù)測(cè)的影響程度較高，企業(yè)應(yīng)當(dāng)加強(qiáng)該層面的監(jiān)管。

關(guān)鍵詞： 財(cái)務(wù)預(yù)警;C5.0;制造企業(yè)

【Abstract】 The manufacturing companies are exposed to an increasingly complex and changeable environment， which means that some effective measures should be taken to improve their risk management so as to get a sustainable future. As a tool for risk analysis， financial early warning can provide a strong basis for early warning， which is closely related to the effectiveness of management and control. The C5.0 decision tree can provide clear classification rules through training data and provide criteria for risk management. C5.0 is constructed through 31 financial indicators of 90 manufacturing companies in 2016， and the basic earnings per share， total asset growth rate， operating gross profit margin， cash ratio and total cash recovery rate have a higher impact on corporate risk prediction. For these companies， supervision on the five points is supposed to be reinforced.

【Key words】 ?financial warning; C5.0; manufacturing enterprise

0 引 言

在國家整體經(jīng)濟(jì)中，制造業(yè)占主體地位，是國民經(jīng)濟(jì)的基礎(chǔ)。近年來，中國制造業(yè)成品走出國門，面向世界，整體呈現(xiàn)良好態(tài)勢(shì)。然而需要指出，制造業(yè)的前進(jìn)路上也將面臨機(jī)遇與挑戰(zhàn)并存的前景，使得制造業(yè)的發(fā)展中必然存在著一定的不確定性。在此環(huán)境背景下，企業(yè)為了謀求長遠(yuǎn)的發(fā)展，加強(qiáng)風(fēng)險(xiǎn)預(yù)測(cè)及管理勢(shì)在必行，這對(duì)企業(yè)的財(cái)務(wù)預(yù)警機(jī)制是一種考驗(yàn)。

財(cái)務(wù)預(yù)警是一種分析預(yù)測(cè)問題，是通過選取一定的指標(biāo)，并且建立模型達(dá)到推測(cè)的目的，從而為決策提供依據(jù)。對(duì)企業(yè)而言，其陷入財(cái)務(wù)困境的界定向來有很多標(biāo)準(zhǔn)，如破產(chǎn)清算、資產(chǎn)折現(xiàn)出現(xiàn)嚴(yán)重問題、失去償還銀行貸款及債券的能力、被證券交易所進(jìn)行特別處理（ST）。在研究過程中，學(xué)者們會(huì)從研究出發(fā)點(diǎn)選擇相應(yīng)的標(biāo)準(zhǔn)。預(yù)警分析最初只是通過單個(gè)的變量來預(yù)測(cè)，如Fitzpatrick選擇財(cái)務(wù)比率用于預(yù)測(cè)，Beaver提出了基于5個(gè)財(cái)務(wù)指標(biāo)的預(yù)警模型。然而通過單個(gè)指標(biāo)雖然較為方便，但是考慮到企業(yè)經(jīng)營涉及到多個(gè)層面，產(chǎn)生廣泛影響，單個(gè)指標(biāo)也容易出現(xiàn)被操縱的可能性，多變量的研究應(yīng)運(yùn)而生。當(dāng)預(yù)警研究轉(zhuǎn)入多變量分析階段后，模型建立即成為預(yù)警提升的熱點(diǎn)和焦點(diǎn)。其中，Altman的Z-Score模型堪稱經(jīng)典，隨后又陸續(xù)推出了F-score、Probit、Fisher、Bayes、Logit等模型，并且隨著人工智能的涌現(xiàn)，神經(jīng)網(wǎng)絡(luò)、決策樹等也已開始用作分析工具[1]。

通過對(duì)國內(nèi)外學(xué)者的研究文獻(xiàn)綜合探討后可知，預(yù)警研究多是側(cè)重于有效指標(biāo)篩選以及模型建立方面。然而，不少預(yù)警模型在構(gòu)建上都是只會(huì)顯示指標(biāo)提取和結(jié)果輸出，而關(guān)于內(nèi)部詳盡的分類過程以及哪些因素的影響程度卻仍不得而知，因而可將其視作一種黑箱問題。隨著信息化時(shí)代的來臨，數(shù)據(jù)信息量越來越大。在各類數(shù)據(jù)挖掘方法中，決策樹算法由于可以產(chǎn)生清晰明確的分類規(guī)則，正逐漸大范圍地應(yīng)用到分析預(yù)測(cè)研究中。對(duì)于企業(yè)陷入危機(jī)、出現(xiàn)財(cái)務(wù)風(fēng)險(xiǎn)時(shí)有各種表現(xiàn)，是否被證監(jiān)會(huì)特別處理（ST）則是其最直觀的特征形式。本文中，認(rèn)定企業(yè)陷入財(cái)務(wù)困境的標(biāo)準(zhǔn)為被證券交易所ST，而被ST的公司則處于風(fēng)險(xiǎn)狀態(tài)，未被標(biāo)示的即是無風(fēng)險(xiǎn)的。選取制造業(yè)2016年45家被ST的公司相關(guān)財(cái)務(wù)指標(biāo)，同時(shí)選45家正常企業(yè)作為對(duì)照，融合風(fēng)險(xiǎn)水平指標(biāo)和現(xiàn)金流分析，利用SPSS Modeler構(gòu)建C5.0決策樹對(duì)制造業(yè)公司的風(fēng)險(xiǎn)預(yù)警構(gòu)建模型，探索對(duì)企業(yè)風(fēng)險(xiǎn)影響較大的指標(biāo)。對(duì)此，本文擬展開如下研究論述。

1 樣本數(shù)據(jù)的選取

作為國民經(jīng)濟(jì)基礎(chǔ)的制造業(yè)，其基數(shù)眾多，處于危機(jī)狀態(tài)的也并不鮮見，制造業(yè)被ST的公司占所有行業(yè)被ST的將近60%。從重要性和實(shí)用性角度出發(fā)，文章選取制造業(yè)公司來進(jìn)行預(yù)警分析。通過國泰安數(shù)據(jù)庫進(jìn)行樣本的篩選，定位為A股的公司，剔除指標(biāo)不健全的和因非經(jīng)營因素導(dǎo)致公司出現(xiàn)財(cái)務(wù)危機(jī)的，在系統(tǒng)內(nèi)篩選出45家ST公司。為研究企業(yè)財(cái)務(wù)預(yù)警的影響因素，須設(shè)定對(duì)照組，文獻(xiàn)中常用的是1：1或者1：2，考慮到風(fēng)險(xiǎn)組的公司有45家，樣本較為充足，本文按照1：1的原則選取了45家正常經(jīng)營的公司。為增強(qiáng)可比性，正常公司的選擇按照制造業(yè)中經(jīng)營范圍相同或類似的、且資產(chǎn)規(guī)模不超過樣本組公司組15%獲取。樣本公司選定后的重點(diǎn)在于評(píng)價(jià)指標(biāo)的篩選，指標(biāo)的篩選上通常涵蓋盈利能力、經(jīng)營能力、償債能力、發(fā)展能力、比率結(jié)構(gòu)這5個(gè)方面在內(nèi)。為全面評(píng)估企業(yè)的財(cái)務(wù)狀況，除上述常用的衡量指標(biāo)外，考慮到企業(yè)發(fā)生危機(jī)很大程度與資金運(yùn)作有關(guān)，引入現(xiàn)金流分析指標(biāo)。此外，企業(yè)風(fēng)險(xiǎn)水平指標(biāo)以及可反映企業(yè)整體價(jià)值的基本每股收益也被引入評(píng)價(jià)體系。文中有關(guān)財(cái)務(wù)指標(biāo)的整體選取結(jié)果詳見表1。

2 C5.0模型理論

決策樹是一種歸納性學(xué)習(xí)算法，基于已經(jīng)選擇的模糊數(shù)據(jù)以遞歸形式分割數(shù)據(jù)，使得子樹集能夠得到最好的劃分，過程中推理出一系列的分類規(guī)則，該規(guī)則通常以樹形展現(xiàn)，直觀簡潔，便于理解。決策樹算法來自于CLS（概念學(xué)習(xí)系統(tǒng)），常見的有基于ID3、C4.5和 C5.0算法的構(gòu)建的決策樹[2]。各個(gè)組別之間的差異是分組考慮的重要因素，也決定了不同種決策樹算法各自的獨(dú)特性。最初的決策樹研究基于ID3算法，該算法在處理離散數(shù)據(jù)方面具有良好的效果，但卻可能過于擬合，這將不利于后續(xù)的研究分析。針對(duì)這一不足，在分類規(guī)則中融入了信息增益率，標(biāo)準(zhǔn)調(diào)整為有最大信息增益率的分割變量，這是C4.5與ID3相比存在著不同差異的地方。同時(shí)，從ID3局限于離散型數(shù)據(jù)這一問題入手，C5.0算法則對(duì)此做了進(jìn)一步的拓展，新的算法可以將連續(xù)屬性的數(shù)據(jù)轉(zhuǎn)換為離散化，使得原始數(shù)據(jù)的應(yīng)用類型更為多樣。在大數(shù)據(jù)處理層面，Boosting的使用既可以增加預(yù)測(cè)的準(zhǔn)確力度，也可以降低運(yùn)行時(shí)內(nèi)存的占用率，而與C4.5相比，預(yù)測(cè)的效率和效果都有一定范圍內(nèi)的提升。C5.0構(gòu)建決策樹基于2個(gè)層面，對(duì)此可闡述如下。

（1）通過最大屬性信息增益率選擇屬性。

（2）自上而下的遞歸方式。構(gòu)建過程中，數(shù)據(jù)的分類模式類同于一棵倒立的樹木，原始數(shù)據(jù)的整體由根而發(fā)散，開叉點(diǎn)即為分類節(jié)點(diǎn)，通過分析找到最優(yōu)的開叉點(diǎn)，層層向下分開，直至達(dá)到所有的數(shù)據(jù)都在同類的葉節(jié)點(diǎn)上而無需再分為止。

3 實(shí)證分析

本文用于實(shí)證分析軟件為SPSS Modeler 18.0，樣本數(shù)據(jù)為90家制造業(yè)上市公司的31項(xiàng)財(cái)務(wù)指標(biāo)。在仿真研究中，選取的樣本中ST的風(fēng)險(xiǎn)狀態(tài)設(shè)置為“是”，將正常公司的設(shè)置為“否”，所有的公司按公司代碼、相關(guān)指標(biāo)、風(fēng)險(xiǎn)狀態(tài)整合到Excel文件內(nèi)。

利用Modeler源下的Excel文件項(xiàng)讀取整合文件，再通過字段選項(xiàng)下的類型選項(xiàng)對(duì)讀取的變量進(jìn)行設(shè)定，內(nèi)容詳情分述如下。

（1）因?yàn)楣善贝a僅僅是為了識(shí)別不同公司，對(duì)于預(yù)警問題無關(guān)緊要，故而將股票代碼的角色設(shè)定為“無”。

（2）相關(guān)財(cái)務(wù)指標(biāo)在預(yù)警研究中會(huì)對(duì)分析產(chǎn)生重大影響，且為分析的基礎(chǔ)，其角色設(shè)定為“輸入”。

（3） 預(yù)警研究的重點(diǎn)在于企業(yè)的風(fēng)險(xiǎn)狀態(tài)，也是預(yù)期從模型中輸出的結(jié)果，所以把企業(yè)風(fēng)險(xiǎn)狀態(tài)的角色設(shè)定為“目標(biāo)”，通過文件的讀取和變量的設(shè)定這兩步完成了數(shù)據(jù)的初始獲取及設(shè)定。

對(duì)于預(yù)測(cè)分析而言，通常是經(jīng)過對(duì)訓(xùn)練集的模擬輸出、得到規(guī)則模型后，再將測(cè)試集信息代入以實(shí)現(xiàn)最終的分析預(yù)測(cè)。所以訓(xùn)練集的選取關(guān)系著規(guī)則模型的建立。行業(yè)分析的慣例是70%的訓(xùn)練集，30%的測(cè)試集，本文仍沿用此法，在字段選項(xiàng)下的分區(qū)選項(xiàng)中劃分好訓(xùn)練和測(cè)試的比例。在此基礎(chǔ)上，則會(huì)利用模型中的C5.0構(gòu)建模型，為方便查看及理解過程，輸出類型擇定為生成規(guī)則集，同時(shí)為提升模型評(píng)估性能，運(yùn)用交叉檢驗(yàn)，折疊次數(shù)為10，在SPSS Modeler 18.0中構(gòu)建出設(shè)計(jì)流程分析圖，具體如圖1所示。

流程運(yùn)行后，得出27個(gè)測(cè)試樣本中有22個(gè)預(yù)測(cè)符合事實(shí)，準(zhǔn)確率達(dá)到81.48%，交叉驗(yàn)證的均值85.7，標(biāo)準(zhǔn)誤差為5.1，預(yù)測(cè)效果良好，準(zhǔn)確率超過80%，仿真后得到的風(fēng)險(xiǎn)預(yù)測(cè)分析結(jié)果見表2。

在預(yù)測(cè)風(fēng)險(xiǎn)時(shí)，影響程度較高的指標(biāo)有基本每股收益X11、總資產(chǎn)增長率X18、營業(yè)毛利率X5、現(xiàn)金比率X24、全部現(xiàn)金回收率X9，重要性分別為：0.33、0.28、0.16、0.16、0.16。且推演得到的判定規(guī)則見表3。

規(guī)則集中指標(biāo)主要分布在償債能力、發(fā)展能力、盈利能力及現(xiàn)金回?cái)n層面，這些本質(zhì)上均為資金流的把控。關(guān)于企業(yè)在今后的日常運(yùn)營中亟需酌情關(guān)注的要點(diǎn)，可做闡釋敘述如下。

（1）提高流動(dòng)資產(chǎn)的變現(xiàn)能力，可適當(dāng)抽取部分資金用以清算短期債務(wù)。針對(duì)貨幣資金、應(yīng)收賬款設(shè)置風(fēng)險(xiǎn)預(yù)警標(biāo)準(zhǔn)，而對(duì)交易的數(shù)量、單價(jià)、日期一定要準(zhǔn)確記錄并加強(qiáng)監(jiān)管核對(duì)。賒銷時(shí)要提高對(duì)購買商的信用額度審核力度，同時(shí)對(duì)金額較大的應(yīng)收款項(xiàng)的收回也要加強(qiáng)跟進(jìn)，必要時(shí)還可將金額收回度納入員工考核標(biāo)準(zhǔn)。

（2）優(yōu)化產(chǎn)品的結(jié)構(gòu)，淘汰收益率低的產(chǎn)品，減少同質(zhì)產(chǎn)品的生產(chǎn)銷售，加強(qiáng)產(chǎn)品的研發(fā)創(chuàng)新力度，實(shí)行產(chǎn)品差異化的競(jìng)爭。

（3）減少債務(wù)融資的占比，企業(yè)可以將股權(quán)變?yōu)槎嘣缏毠と牍?，或者?gòu)建第三方金融平臺(tái)，募集個(gè)人資金。

此外，針對(duì)向銀行的貸款，可實(shí)行債轉(zhuǎn)股，公司也可以通過非公開發(fā)行股票方式（定向增發(fā)）募集配套資金。

4 結(jié)束語

文章通過對(duì)90家制造業(yè)上市公司31項(xiàng)財(cái)務(wù)指標(biāo)的調(diào)研匯總，利用SPSS Modeler 18.0進(jìn)行C5.0決策樹構(gòu)建，模型的預(yù)測(cè)準(zhǔn)確率達(dá)到81.48%。從規(guī)則集中得出基本每股收益X11、總資產(chǎn)增長率X18、營業(yè)毛利率X5、現(xiàn)金比率X24、全部現(xiàn)金回收率X9這5項(xiàng)指標(biāo)對(duì)企業(yè)的風(fēng)險(xiǎn)預(yù)警能產(chǎn)生重大影響。企業(yè)在日常監(jiān)管中應(yīng)當(dāng)對(duì)這些層面給予足夠重視，建立動(dòng)態(tài)化監(jiān)管。另外，實(shí)證中選取的指標(biāo)數(shù)量有限，且企業(yè)的選取僅僅是制造業(yè)、而未能做到行業(yè)細(xì)化，這些都會(huì)對(duì)結(jié)果產(chǎn)生一定的影響，也是今后需要加大研究工作力度的地方。

參考文獻(xiàn)

[1]王秋瑋，葉楓.新常態(tài)下ST公司財(cái)務(wù)困境預(yù)警研究—基于C5.0算法的財(cái)報(bào)面板數(shù)據(jù)[J].財(cái)會(huì)通訊，2018（23）：107-111，129.

[2]白承彪.數(shù)據(jù)挖掘在上市公司財(cái)務(wù)危機(jī)預(yù)警中的應(yīng)用[J].中國外資，2011（4）：60-61，63.

[3]邴文軒.企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的形成原因和預(yù)警機(jī)制的探討[J].現(xiàn)代商貿(mào)工業(yè)，2018，39（32）：125-126.

[4]李玉俠.大數(shù)據(jù)與企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警[J].中國商論，2018（29）：10-11.

[5]姚青翠.企業(yè)財(cái)務(wù)分析的預(yù)警作用研究[J].中國市場(chǎng)，2018（28）：135-136.

[6]蔡立新，李嘉歡.大數(shù)據(jù)時(shí)代企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警機(jī)制與路徑探究[J].財(cái)會(huì)月刊，2018（15）：38-43.