王 言, 周 紹 妮, 石 凱
(1.北京交通大學(xué) 經(jīng)濟(jì)管理學(xué)院 中國(guó)企業(yè)兼并重組研究中心,北京 100044;2.北京郵電大學(xué) 計(jì)算機(jī)學(xué)院,北京 100876)
黨的十八屆三中全會(huì)以來(lái),隨著頂層設(shè)計(jì)方案的出臺(tái),國(guó)有企業(yè)(以下簡(jiǎn)稱“國(guó)企”)改革逐步駛?cè)肟燔?chē)道。通過(guò)國(guó)有資本和社會(huì)資本的交叉融合[1],進(jìn)一步推動(dòng)我國(guó)國(guó)企解決結(jié)構(gòu)不平衡、不協(xié)調(diào)等問(wèn)題,全面提高國(guó)企發(fā)展的質(zhì)量效益,不斷增強(qiáng)國(guó)企可持續(xù)發(fā)展能力,提高國(guó)企治理效率。并購(gòu)重組成為國(guó)企改革、實(shí)現(xiàn)國(guó)企資源優(yōu)化配置的重要手段,推進(jìn)國(guó)企并購(gòu)重組是國(guó)企改革的重要一環(huán)[2]。近年來(lái),在國(guó)企改革的政策引導(dǎo)下出現(xiàn)了大量國(guó)企并購(gòu)行為,尤其是國(guó)有控股上市公司(以下簡(jiǎn)稱“國(guó)有上市公司”)表現(xiàn)最為明顯。根據(jù)上交所數(shù)據(jù)顯示,2017年滬市國(guó)企通過(guò)混合所有制改革、專(zhuān)業(yè)化重組以及資產(chǎn)證券化等方式,大力推動(dòng)企業(yè)資源整合,重組價(jià)值超過(guò)5 400億元,重大重組價(jià)值接近2 000億元;深交所數(shù)據(jù)顯示,2017年深市主板完成的重大資產(chǎn)重組公司有46%重組前為國(guó)有控股,重組價(jià)值達(dá)2 281.57億元[3]。然而經(jīng)過(guò)近幾年的實(shí)踐發(fā)現(xiàn),國(guó)企在如此大規(guī)模并購(gòu)交易背景下,很多企業(yè)超出自身能力范圍盲目進(jìn)行并購(gòu)而導(dǎo)致并購(gòu)效果不佳,未能充分發(fā)揮并購(gòu)協(xié)同作用[4]。如鞍鋼2010年兼并攀鋼后,2015年陷入數(shù)十億元的巨虧。由此看來(lái),研究國(guó)有上市公司并購(gòu)風(fēng)險(xiǎn)預(yù)警可以對(duì)風(fēng)險(xiǎn)早防范、早發(fā)現(xiàn)、早干預(yù),對(duì)提高國(guó)企并購(gòu)成功率具有十分重要的理論和現(xiàn)實(shí)意義。
明確影響國(guó)有上市公司并購(gòu)風(fēng)險(xiǎn)的關(guān)鍵因素是進(jìn)行并購(gòu)風(fēng)險(xiǎn)預(yù)警的重要前提。現(xiàn)有文獻(xiàn)對(duì)并購(gòu)風(fēng)險(xiǎn)主要從并購(gòu)業(yè)績(jī)角度衡量,對(duì)于并購(gòu)績(jī)效的影響因素分別從理論和實(shí)證兩方面進(jìn)行研究。在理論方面,國(guó)內(nèi)外學(xué)者研究較早,Jensen和Meckling從代理理論出發(fā)認(rèn)為,管理者為了追求自身利益而發(fā)動(dòng)并購(gòu),這主要是由于管理者和所有者的利益沖突所致,管理者為了分散個(gè)人風(fēng)險(xiǎn)往往會(huì)通過(guò)多元化并購(gòu)的方式實(shí)現(xiàn),但基于此目的并購(gòu)績(jī)效仍需商榷[5]305。邱金輝和王紅昕按照并購(gòu)動(dòng)機(jī)、并購(gòu)行為、并購(gòu)績(jī)效的邏輯順序,探索并購(gòu)理論在我國(guó)的發(fā)展和研究方向,對(duì)于非國(guó)有企業(yè),并購(gòu)是一種逐利行為,而對(duì)于國(guó)有或國(guó)有控股企業(yè)來(lái)講,還反映了政府意志,政府制定了許多財(cái)政、稅收優(yōu)惠政策鼓勵(lì)并購(gòu)[6]7。在實(shí)證方面,國(guó)外學(xué)者Bruton等發(fā)現(xiàn),在財(cái)務(wù)困境時(shí)候并購(gòu),并購(gòu)經(jīng)驗(yàn)對(duì)績(jī)效的感知測(cè)量是正效應(yīng)[7]972;Shahwan發(fā)現(xiàn),并購(gòu)商譽(yù)與上市公司市場(chǎng)價(jià)值之間顯著正相關(guān)[8]63;Wangerin發(fā)現(xiàn),隨著并購(gòu)盡職調(diào)查的減少不利于并購(gòu)績(jī)效的提升[9];Thompson和Kim發(fā)現(xiàn),并購(gòu)花費(fèi)時(shí)間較長(zhǎng)與并購(gòu)績(jī)效呈顯著負(fù)相關(guān)[10]。國(guó)內(nèi)學(xué)者李善民等發(fā)現(xiàn),支付對(duì)價(jià)是影響并購(gòu)績(jī)效的主要因素[11]60;陳芳和景世民研究了資產(chǎn)結(jié)構(gòu)包括應(yīng)收賬款、資產(chǎn)周轉(zhuǎn)率、流動(dòng)比率與并購(gòu)績(jī)效的關(guān)系[12]117;翟進(jìn)步等發(fā)現(xiàn),債務(wù)融資降低了收購(gòu)公司的市場(chǎng)績(jī)效[13]100;郭妍和張立光通過(guò)實(shí)證得出,成長(zhǎng)性、盈利能力是銀行并購(gòu)績(jī)效的重要影響因素[14]42;黃旭和李衛(wèi)民研究認(rèn)為,員工薪酬越高,企業(yè)并購(gòu)績(jī)效越好[15]113;余鵬翼和王滿四發(fā)現(xiàn),第一大股東持股比例越高,越有利于提高企業(yè)跨國(guó)并購(gòu)績(jī)效[16]64;周紹妮等證明了交易型機(jī)構(gòu)投資者股東可以提高國(guó)企并購(gòu)績(jī)效[17]73;王艷和李善民發(fā)現(xiàn),主并方社會(huì)信任度越高,越有利于提高并購(gòu)價(jià)值創(chuàng)造能力[18]125;宋賀和段軍山研究認(rèn)為,并購(gòu)財(cái)務(wù)顧問(wèn)會(huì)降低并購(gòu)績(jī)效[19]155。
現(xiàn)有文獻(xiàn)已經(jīng)應(yīng)用大量預(yù)警模型來(lái)對(duì)風(fēng)險(xiǎn)進(jìn)行預(yù)警,分布于自然、日常生活以及經(jīng)濟(jì)等各個(gè)領(lǐng)域,尤其是財(cái)務(wù)金融方面尤為突出。在自然領(lǐng)域,Yuceer等通過(guò)采集土耳其耶斯里爾馬克河(Yesilirmak)流域?qū)嵉赜^測(cè)數(shù)據(jù),利用RSDS水質(zhì)模型對(duì)流域水質(zhì)污染問(wèn)題進(jìn)行了預(yù)測(cè)[20];李楊帆等基于風(fēng)險(xiǎn)受體敏感性、城市不透水面變化率等指標(biāo)構(gòu)建了景觀生態(tài)風(fēng)險(xiǎn)空間預(yù)警模型,提出了改進(jìn)措施[21]。在日常生活及應(yīng)用方面,李祥飛和閻耀軍利用支持向量機(jī)模型實(shí)現(xiàn)了對(duì)公共危機(jī)事件危害范圍的預(yù)警[22];馮文剛和黃靜基于民航、公安數(shù)據(jù)庫(kù)和三層深度神經(jīng)網(wǎng)絡(luò)構(gòu)建出旅客安檢和航班預(yù)警模型對(duì)機(jī)場(chǎng)安全檢查進(jìn)行分級(jí)分類(lèi)安檢,極大地提升了工作效率和用戶體驗(yàn)[23];Zhong等基于機(jī)場(chǎng)道路表面紋理的分形特征和胎面膠的粘彈性,建立了以摩擦系數(shù)為評(píng)價(jià)標(biāo)準(zhǔn)的機(jī)場(chǎng)路面防滑風(fēng)險(xiǎn)動(dòng)態(tài)評(píng)價(jià)預(yù)警模型[24]。在財(cái)務(wù)金融方面,Li和Wang將Logistic財(cái)務(wù)預(yù)警模型應(yīng)用到DEA效率評(píng)價(jià)中[25];王玉冬結(jié)合PSO-BP和FOA-BP神經(jīng)網(wǎng)絡(luò)模型原理,選取高新技術(shù)企業(yè)財(cái)務(wù)數(shù)據(jù),對(duì)高新企業(yè)財(cái)務(wù)危機(jī)進(jìn)行了有效預(yù)警[26];Louzis和Vouldis通過(guò)構(gòu)建金融系統(tǒng)性壓力指數(shù)(FSSI)對(duì)金融危機(jī)進(jìn)行預(yù)警[27];谷慎和汪淑娟構(gòu)建了支持向量機(jī)的碳金融風(fēng)險(xiǎn)預(yù)警模型[28];Mancino和Sanfelici基于給定市場(chǎng)沖擊的傳播衰減率計(jì)算金融不穩(wěn)定性預(yù)警指標(biāo),利用CEV模型并使用S&P500指數(shù)期貨逐筆數(shù)據(jù)對(duì)指標(biāo)的屬性進(jìn)行研究[29]。
綜上所述,現(xiàn)有文獻(xiàn)利用人工智能算法進(jìn)行了諸多分類(lèi)與預(yù)測(cè)研究。但是,還沒(méi)有針對(duì)并購(gòu)重組問(wèn)題引入人工智能預(yù)測(cè)模型,并購(gòu)重組研究依然停留在傳統(tǒng)的實(shí)證計(jì)量方法,并且傳統(tǒng)的實(shí)證方法只能研究關(guān)系型問(wèn)題,而對(duì)預(yù)測(cè)問(wèn)題卻不適用。人工智能算法功能十分強(qiáng)大,這將為傳統(tǒng)計(jì)量方法不能解決的預(yù)測(cè)問(wèn)題提供基礎(chǔ)。人工智能算法包含機(jī)器學(xué)習(xí)和深度學(xué)習(xí),深度學(xué)習(xí)適合擁有海量數(shù)據(jù)的研究,本文研究?jī)?nèi)容為并購(gòu)問(wèn)題,數(shù)據(jù)量較少,遂選用機(jī)器學(xué)習(xí)算法更為適宜?;谏鲜鰞?nèi)容,建立了國(guó)有上市公司并購(gòu)風(fēng)險(xiǎn)指標(biāo)評(píng)價(jià)體系,基于XGBoost算法構(gòu)建國(guó)有上市公司并購(gòu)風(fēng)險(xiǎn)預(yù)警模型,將預(yù)警結(jié)果與經(jīng)典機(jī)器學(xué)習(xí)模型GBDT(梯度提升決策樹(shù))、RF(隨機(jī)森林)和傳統(tǒng)Logistic(邏輯回歸)模型作對(duì)比實(shí)驗(yàn),顯示出其精度上的優(yōu)越性,并運(yùn)用多元線性回歸模型對(duì)影響因素實(shí)證檢驗(yàn)。
1.CART回歸樹(shù)
XGBoost算法是基于CART回歸樹(shù)模型實(shí)現(xiàn)的。CART的回歸樹(shù)是二叉樹(shù)模型,其會(huì)根據(jù)特征不斷分裂左子樹(shù)和右子樹(shù),式(1)中R代表樣本,j代表樣本特征,s代表特征值,即第j個(gè)特征中小于s特征值的樣本為左子樹(shù),大于s特征值的樣本為右子樹(shù)。
(1)
所以CART回歸樹(shù)就是基于樣本特征劃分樣本空間,那么如何使空間的劃分最為合理是必須要解決的問(wèn)題,既是難點(diǎn)也是重點(diǎn),這直接決定了模型的精度。CART回歸樹(shù)產(chǎn)生的目標(biāo)函數(shù)如式(2)所示:
(2)
如果想得到最優(yōu)的切分特征j和切分點(diǎn)s,可以將式(2)轉(zhuǎn)化為求解式(3)這種目標(biāo)函數(shù):
(3)
這時(shí)只要求解所有特征的所有切分點(diǎn),就可以找到最優(yōu)切分特征和切分點(diǎn),得到一棵整體回歸樹(shù)。
2.XGBoost算法思想和原理
(1)XGBoost算法思想
XGBoost算法是Chen和Guestrin提出的一種集成學(xué)習(xí)模型,借助了CART回歸樹(shù)的思想,又有所改進(jìn)[30]。算法的核心思想是不斷地添加樹(shù),新添加的樹(shù)會(huì)根據(jù)特征分裂再生長(zhǎng)一棵樹(shù),添加樹(shù)的過(guò)程就是學(xué)習(xí)新函數(shù)的過(guò)程。根據(jù)樣本特征將每棵樹(shù)落到對(duì)應(yīng)的葉子節(jié)點(diǎn)上,將每個(gè)葉子節(jié)點(diǎn)上的分?jǐn)?shù)相加就能得到預(yù)測(cè)值。
(4)
WhereF={f(x)=ωq(x)}(q:Rm→T,ω∈RT)
(5)
注:ωq(x)為葉子節(jié)點(diǎn)q的分?jǐn)?shù),f(x)為其中一棵回歸樹(shù),T表示葉子結(jié)點(diǎn)個(gè)數(shù)。
(2)XGBoost算法原理
XGBoost目標(biāo)函數(shù)定義為:
(6)
目標(biāo)函數(shù)包括真實(shí)預(yù)測(cè)偏差和正則化項(xiàng)兩個(gè)部分。其中,由于新樹(shù)需要擬合上次預(yù)測(cè)偏差,所以當(dāng)t棵樹(shù)生成以后預(yù)測(cè)分?jǐn)?shù)可以寫(xiě)成:
(7)
因此,目標(biāo)函數(shù)就變?yōu)椋?/p>
(8)
根據(jù)式(3)找到使目標(biāo)函數(shù)最小化的ft,XG Boost利用其在ft=0處的泰勒二階展開(kāi)近似它,得到:
(9)
其中,gi為一階導(dǎo)數(shù),hi為二階導(dǎo)數(shù):
(10)
由于目標(biāo)函數(shù)優(yōu)化不受y的殘差與預(yù)測(cè)分?jǐn)?shù)影響,故簡(jiǎn)化目標(biāo)函數(shù)為:
(11)
上式是將每個(gè)樣本的損失函數(shù)值加起來(lái),由于最終每個(gè)樣本都會(huì)落到一個(gè)葉子結(jié)點(diǎn),可以將同一個(gè)葉子結(jié)點(diǎn)的樣本重組起來(lái),步驟如式(12)所示:
(12)
其中,T表示葉子結(jié)點(diǎn)個(gè)數(shù),ω表示葉子節(jié)點(diǎn)分?jǐn)?shù),γ表示可以控制葉子結(jié)點(diǎn)個(gè)數(shù),λ表示可以控制葉子節(jié)點(diǎn)分?jǐn)?shù),防止過(guò)擬合。這樣就將目標(biāo)函數(shù)改寫(xiě)成關(guān)于葉子結(jié)點(diǎn)分?jǐn)?shù)ω的一個(gè)一元二次函數(shù),結(jié)合頂點(diǎn)公式最優(yōu)的葉子節(jié)點(diǎn)分?jǐn)?shù)ω和目標(biāo)函數(shù)公式為:
(13)
(14)
最后,運(yùn)用貪婪算法確定樹(shù)的結(jié)構(gòu),找出所有特征的分裂點(diǎn),利用式(14)目標(biāo)函數(shù)值作為評(píng)價(jià)函數(shù)。分裂后目標(biāo)函數(shù)值比葉子節(jié)點(diǎn)的目標(biāo)函數(shù)值增益,但為了限制樹(shù)生長(zhǎng)過(guò)深而增加了閾值,只有當(dāng)增益大于該閾值才進(jìn)行分裂。同時(shí),還可以設(shè)置樹(shù)的最大深度、樣本權(quán)重等來(lái)防止過(guò)擬合。
1.國(guó)有上市公司并購(gòu)風(fēng)險(xiǎn)的界定
根據(jù)上述文獻(xiàn)研究成果,并購(gòu)?fù)瓿珊蟮目?jī)效是國(guó)有上市公司并購(gòu)成功與否的主要衡量標(biāo)準(zhǔn),也是并購(gòu)風(fēng)險(xiǎn)度量最重要的指標(biāo)。結(jié)合本文研究?jī)?nèi)容采用周紹妮等[17]71衡量并購(gòu)績(jī)效的方法,即并購(gòu)?fù)瓿汕昂笠荒陜糍Y產(chǎn)收益率的差額。如果并購(gòu)后企業(yè)績(jī)效提高,則為安全并購(gòu);如果并購(gòu)后企業(yè)績(jī)效降低,則說(shuō)明并購(gòu)風(fēng)險(xiǎn)較大。
2.影響并購(gòu)風(fēng)險(xiǎn)的關(guān)鍵因素
通過(guò)前述文獻(xiàn)分析,本文總結(jié)包括企業(yè)資產(chǎn)結(jié)構(gòu)風(fēng)險(xiǎn)、創(chuàng)利能力風(fēng)險(xiǎn)、價(jià)值再造風(fēng)險(xiǎn)、法人治理風(fēng)險(xiǎn)、外部監(jiān)督風(fēng)險(xiǎn)以及并購(gòu)特征風(fēng)險(xiǎn)共同作用的19個(gè)可能影響國(guó)有上市公司并購(gòu)風(fēng)險(xiǎn)的指標(biāo),具體如表1所示。
表1 國(guó)有上市公司并購(gòu)風(fēng)險(xiǎn)指標(biāo)評(píng)價(jià)體系
1.數(shù)據(jù)選取、處理及分析
(1)并購(gòu)事件
本文基于同花順iFinD數(shù)據(jù)庫(kù),選取滬深A(yù)股國(guó)有上市公司2014~2017年并購(gòu)事件為研究樣本,并購(gòu)收購(gòu)標(biāo)的為股權(quán),剔除資產(chǎn)剝離、資產(chǎn)置換、資產(chǎn)收購(gòu)、債務(wù)重估以及吸收合并等廣義并購(gòu)形式。經(jīng)過(guò)數(shù)據(jù)篩選和處理最終得到1 806條并購(gòu)樣本。具體篩選和處理步驟為:①首次公告日實(shí)際控制人為國(guó)務(wù)院國(guó)資委、地方國(guó)資委或其他具有政府機(jī)構(gòu)性質(zhì)的行政機(jī)關(guān)、事業(yè)單位、國(guó)有企業(yè)等研究對(duì)象,不包括國(guó)有股東為第一大股東但無(wú)實(shí)際控制人的上市公司的并購(gòu)交易[17]70;②上市公司為收購(gòu)方的樣本;③剔除并購(gòu)交易未完成或已經(jīng)終止的樣本,以及并購(gòu)交易正在進(jìn)行中的樣本;④剔除金融類(lèi)企業(yè);⑤剔除上市年份不足以及被特別處理(ST)的樣本;⑥剔除其他關(guān)鍵研究數(shù)據(jù)不全或缺失的樣本。
(2)指標(biāo)數(shù)據(jù)搜集
現(xiàn)有文獻(xiàn)對(duì)影響國(guó)有上市公司并購(gòu)風(fēng)險(xiǎn)指標(biāo)進(jìn)行了大量規(guī)范性研究,但是,很多治理、監(jiān)督指標(biāo)數(shù)據(jù)都不能直接從數(shù)據(jù)庫(kù)獲得,這些指標(biāo)獲取難度大且可能會(huì)對(duì)國(guó)有上市公司并購(gòu)風(fēng)險(xiǎn)預(yù)警產(chǎn)生很大影響。所以,本文首先選用同花順iFinD數(shù)據(jù)庫(kù)提取部分直接可獲得數(shù)據(jù),然后基于扎根理論(Grounded Theory)[31]的原理和方法,利用文本挖掘(Textual Mining)[32]和網(wǎng)絡(luò)爬蟲(chóng)(Web Crawler)[33]技術(shù),通過(guò)列出指標(biāo)關(guān)鍵詞,使用python和正則法則進(jìn)行匹配,抓取了上市公司一手不易獲得的數(shù)據(jù)。詳細(xì)操作過(guò)程如圖1所示。其中,運(yùn)用扎根理論是通過(guò)挖掘大量經(jīng)驗(yàn)資料,總結(jié)并升華到理論的過(guò)程;文本挖掘是從海量的文本庫(kù)中抽取隱含的、未知的、有價(jià)值數(shù)據(jù)的技術(shù);網(wǎng)絡(luò)爬蟲(chóng)是通過(guò)模擬人訪問(wèn)網(wǎng)絡(luò),從而獲取圖片、數(shù)據(jù)等有用信息的過(guò)程;正則法則是對(duì)字符串操作的一種邏輯公式,用以匹配相應(yīng)關(guān)鍵詞。此外,在進(jìn)行數(shù)據(jù)抓取前,還需制作指標(biāo)抓取具體規(guī)則,即需求文檔,針對(duì)不可直接獲得的3項(xiàng)指標(biāo)數(shù)據(jù)(COO、FB、WHP)的需求文檔如表2所示。
表2 抓取網(wǎng)頁(yè)和文本數(shù)據(jù)的需求文檔
圖1 基于扎根理論的文本挖掘和網(wǎng)絡(luò)爬蟲(chóng)抓取數(shù)據(jù)分析框架與流程
(3)指標(biāo)數(shù)據(jù)處理
①屬性值處理和轉(zhuǎn)化數(shù)值類(lèi)型。屬性值處理即非數(shù)值屬性的數(shù)值化,經(jīng)過(guò)分析發(fā)現(xiàn)非數(shù)值屬性可分為兩種:屬性值之間有趨勢(shì)的文本屬性和屬性值之間無(wú)趨勢(shì)的文本屬性。國(guó)有上市公司并購(gòu)風(fēng)險(xiǎn)關(guān)鍵因素的三級(jí)19項(xiàng)指標(biāo)體系中非數(shù)值屬性數(shù)據(jù)都屬于屬性值之間有趨勢(shì)的文本屬性,如是否有首席執(zhí)行官、所聘事務(wù)所是否四大會(huì)計(jì)師事務(wù)所以及是否有扶助貧困行為,采用0和1量化的方法進(jìn)行取值,是則取值為1,反之為0。此外,對(duì)于有些特征,本身不是數(shù)值類(lèi)型的,這些數(shù)據(jù)是不能被算法直接使用的,所以要將所有的非數(shù)值型數(shù)據(jù)轉(zhuǎn)化成數(shù)值型。
②正向化和連續(xù)數(shù)值歸一化處理。利用XGBoost算法構(gòu)建的預(yù)警模型對(duì)國(guó)有上市公司并購(gòu)風(fēng)險(xiǎn)進(jìn)行預(yù)警之前,若指標(biāo)方向不全是正向化的,或者存在逆向指標(biāo),則不會(huì)得到有效結(jié)論,故需要將逆向指標(biāo)進(jìn)行正向化處理,方法是將逆向指標(biāo)取倒數(shù)變?yōu)檎蚧笜?biāo)。本文選取的指標(biāo)除應(yīng)收占比、商譽(yù)水平、支付對(duì)價(jià)凈利潤(rùn)比以及支付對(duì)價(jià)權(quán)益比四個(gè)指標(biāo)外其余均為正向化指標(biāo),即指標(biāo)數(shù)值越大越好。此外,由于有些屬性的連續(xù)數(shù)值規(guī)模較大,預(yù)警模型對(duì)指標(biāo)的量綱要求較高,對(duì)收斂速度有很大影響,故為了使各項(xiàng)指標(biāo)間具有可比性以及模型的預(yù)測(cè)結(jié)果更加精準(zhǔn),需要對(duì)各項(xiàng)連續(xù)指標(biāo)進(jìn)行歸一化處理。本文利用python軟件按照歸一化公式編程進(jìn)行處理。
2.描述性統(tǒng)計(jì)分析
(1)并購(gòu)發(fā)生的地域分布
國(guó)有上市公司并購(gòu)樣本中,東部沿海地區(qū)發(fā)生并購(gòu)次數(shù)最多,東北地區(qū)和中部地區(qū)發(fā)生并購(gòu)次數(shù)居中;西部地區(qū)除新疆外,發(fā)生并購(gòu)次數(shù)較少。北京、廣東、上海發(fā)生并購(gòu)次數(shù)位列前3名,分別為245次、222次、201次,占并購(gòu)樣本比例分別為13.57%、12.29%、11.13%,總和占比為36.99%,超過(guò)全體并購(gòu)樣本的1/3。由此可見(jiàn),國(guó)有上市公司并購(gòu)與當(dāng)?shù)亟?jīng)濟(jì)發(fā)展具有高度相關(guān)性。
(2)并購(gòu)發(fā)生的行業(yè)分布
國(guó)有上市公司并購(gòu)樣本中,制造業(yè)、批發(fā)和零售業(yè)、房地產(chǎn)業(yè)是并購(gòu)的高發(fā)區(qū),分別為796次、176次、163次,占并購(gòu)樣本比例分別為44.08%、9.75%、9.03%,總和占比為62.86%,超過(guò)全體樣本的60%。原因是從整個(gè)A股上市公司來(lái)看,這些行業(yè)的公司樣本較多。
(3)并購(gòu)風(fēng)險(xiǎn)指標(biāo)整體描述
對(duì)國(guó)有上市公司并購(gòu)風(fēng)險(xiǎn)全部評(píng)價(jià)指標(biāo)進(jìn)行了描述性統(tǒng)計(jì)分析,表3列出了25% 分位數(shù)、中位數(shù)、75%分位數(shù)、均值、標(biāo)準(zhǔn)差、最小值和最大值。在2014~2017年除金融行業(yè)之外的滬深A(yù)股國(guó)有上市公司并購(gòu)事件中:歷史是否發(fā)生并購(gòu)指標(biāo)的中位數(shù)為1,均值為0.62,表明國(guó)有上市公司較多發(fā)生過(guò)并購(gòu),具有較強(qiáng)的并購(gòu)經(jīng)驗(yàn);支付對(duì)價(jià)凈利潤(rùn)比均值為2.33,表明較多國(guó)有上市公司并購(gòu)支付價(jià)款高于公司當(dāng)年凈利潤(rùn);流動(dòng)比率均值為1.71,中位數(shù)為1.29,說(shuō)明過(guò)半數(shù)國(guó)有上市公司流動(dòng)比率低于平均水平;凈利現(xiàn)金含量和收入增長(zhǎng)率標(biāo)準(zhǔn)差較大,說(shuō)明國(guó)有上市公司凈利現(xiàn)金含量和收入增長(zhǎng)率波動(dòng)大。
表3 并購(gòu)風(fēng)險(xiǎn)預(yù)警樣本各變量描述性統(tǒng)計(jì)
3.相關(guān)性分析
并購(gòu)風(fēng)險(xiǎn)預(yù)警變量間可能存在共線性關(guān)系,進(jìn)而干擾預(yù)警精確度。為了使研究結(jié)論更具穩(wěn)健性,本文同時(shí)選用Kaiser-Meyer-Olkin(KMO)統(tǒng)計(jì)量、Bartlett’s球形、Pearson相關(guān)性矩陣以及方差膨脹因子(Variance Inflation Factor,VIF)進(jìn)行相關(guān)性驗(yàn)證:KMO和Bartlett的Sig值為0,小于0.05,但KMO值為0.438,小于0.6,表明變量不太適合因子分析;各變量的VIF值最大值為2.37,均值為1.42;Pearson相關(guān)性矩陣變量之間的相關(guān)系數(shù)都小于0.65。所以,綜上4種方法說(shuō)明變量間不存在多重共線性的干擾并且變量選取合理。本文所有檢驗(yàn)均通過(guò)SPSS 20.0軟件得出。
1.類(lèi)別聚合
為了加強(qiáng)樣本分類(lèi)方法訓(xùn)練集與測(cè)試集的泛化能力,本文驗(yàn)證分類(lèi)方法的精度使用K折交叉驗(yàn)證法進(jìn)行估計(jì)。Kohavi[34]指出K折交叉驗(yàn)證是將整個(gè)數(shù)據(jù)集分成互斥的K個(gè)子集,每次使用(K-1)個(gè)子集作為訓(xùn)練集,剩余一個(gè)子集作為測(cè)試集,這樣總共得到K次訓(xùn)練和測(cè)試結(jié)果,K次測(cè)試結(jié)果的平均值即為驗(yàn)證分類(lèi)方法的精度估計(jì)值,如式(15)所示。本文采用五折交叉驗(yàn)證方法,按照4:1比例將樣本大體分為5份,每份約362個(gè)樣本。從5份樣本中逐次抽取4份即1 444個(gè)樣本作為訓(xùn)練集,剩下362個(gè)樣本作為測(cè)試集。一部分用來(lái)訓(xùn)練分類(lèi)器,另一部分用來(lái)檢驗(yàn)分類(lèi)器的效果,每個(gè)樣本有19個(gè)屬性和1個(gè)標(biāo)簽,總共訓(xùn)練5次,計(jì)算5次結(jié)果的均值求得模型精度估計(jì)值。
(15)
2.XGBoost算法的主要參數(shù)及說(shuō)明
XGBoost算法主要包括3種類(lèi)型的參數(shù),即通用類(lèi)型參數(shù)、Booster參數(shù)和目標(biāo)參數(shù),其中對(duì)算法性能影響較大的是Booster參數(shù),每類(lèi)參數(shù)又包括多個(gè)具體的參數(shù),總共多達(dá)幾十個(gè)。這些參數(shù)的主要作用是提高模型性能和預(yù)測(cè)準(zhǔn)確性,所以,參數(shù)的配置和調(diào)整也是十分必要的。本文利用XGBoost算法構(gòu)建國(guó)有上市公司并購(gòu)風(fēng)險(xiǎn)預(yù)警模型,模型的主要參數(shù)及說(shuō)明如表4所示。
表4 XGBoost算法構(gòu)建預(yù)警模型的主要參數(shù)及說(shuō)明
3.預(yù)警模型結(jié)果及對(duì)比
(1)混淆矩陣、查準(zhǔn)率、召回率與準(zhǔn)確率
在衡量模型預(yù)測(cè)結(jié)果時(shí),通常采用混淆矩陣對(duì)結(jié)果進(jìn)行區(qū)分,具體如表5所示。在混淆矩陣中,模型分類(lèi)結(jié)果被分為真正例(TP)、假正例(FP)、真反例(TN)以及假反例(FN),即積極樣本被分類(lèi)正確、積極樣本被分類(lèi)錯(cuò)誤、消極樣本被分類(lèi)正確以及消極樣本被分類(lèi)錯(cuò)誤,其中FP與FN分別被稱為第一類(lèi)錯(cuò)誤與第二類(lèi)錯(cuò)誤。
表5 預(yù)警模型的混淆矩陣
通過(guò)混淆矩陣可以很快速地計(jì)算查準(zhǔn)率(precision)與召回率(recall)、準(zhǔn)確率(accuracy)等指標(biāo),具體定義如下:
(16)
(17)
(18)
查準(zhǔn)率表示在模型預(yù)測(cè)某一預(yù)警區(qū)間樣本中,實(shí)際上也處在這一預(yù)警區(qū)間的樣本所占的比例。召回率表示在實(shí)際某一預(yù)警區(qū)間樣本中,能夠被模型準(zhǔn)確地預(yù)測(cè)為這一預(yù)警區(qū)間的樣本所占的比例。準(zhǔn)確率表示所有樣本被正確分類(lèi)的比例。此外,對(duì)于分類(lèi)問(wèn)題,準(zhǔn)確率在作為衡量分類(lèi)模型性能的指標(biāo)時(shí)具有明顯缺陷,所以,本文采用查準(zhǔn)率與召回率而非準(zhǔn)確率作為衡量模型好壞的標(biāo)準(zhǔn)。
(2)F1 score
在某些情況下,查準(zhǔn)率和召回率也會(huì)相互矛盾,為了綜合評(píng)判模型的預(yù)測(cè)能力,可以使用F1score進(jìn)行判定,F(xiàn)1score計(jì)算如式(19)所示,即為查準(zhǔn)率與召回率的乘積除以兩者和的二倍。當(dāng)兩者其一值比較小時(shí)F1score會(huì)急劇下降,是查準(zhǔn)率與召回率的加權(quán)體現(xiàn)。根據(jù)定義,F(xiàn)1score的取值范圍在[0,1]區(qū)間,取值越大,表明模型的預(yù)測(cè)能力越強(qiáng)。
(19)
(3)預(yù)警模型結(jié)果比較
為了驗(yàn)證XGBoost算法預(yù)警能力,本文分別采用經(jīng)典機(jī)器學(xué)習(xí)模型GBDT、RF和傳統(tǒng)Logistic模型與XGBoost作對(duì)比實(shí)驗(yàn)。圖2報(bào)告的是4個(gè)模型的查準(zhǔn)率與召回率對(duì)比。召回率表達(dá)的是模型找到數(shù)據(jù)集中相關(guān)實(shí)例的能力,而查準(zhǔn)率表達(dá)的是模型找到的數(shù)據(jù)點(diǎn)中實(shí)際相關(guān)的比例。簡(jiǎn)而言之,查準(zhǔn)率高則對(duì)判為正例要求嚴(yán)格,召回率高則對(duì)判為反例的要求嚴(yán)格。XGBoost、GBDT、RF、Logistic查準(zhǔn)率分別為82%、82%、79%、91%,召回率分別為79%、74%、75%、59%。XGBoost查準(zhǔn)率與GBDT一致,比RF高3%,低于Logistic;XGBoost召回率比GBDT高5%,比RF高4%,大幅高于Logistic。由于查準(zhǔn)率與召回率不能明顯看出差距,需要繼續(xù)用F1score進(jìn)行判斷。
圖2 預(yù)測(cè)模型的查準(zhǔn)率和召回率對(duì)比
如圖3所示,XGBoost、GBDT、RF、Logistic 4個(gè)模型的F1score分別為80%、76%、76%、69%。XGBoost較Logistic高出11%,比RF和GBDT高出4%,表明基于XGBoost算法構(gòu)建的預(yù)警模型預(yù)測(cè)能力最強(qiáng),其次是RF和GBDT,最后是Logistic 回歸模型,可見(jiàn)XGBoost的優(yōu)勢(shì)比較明顯,基于XGBoost算法分類(lèi)器對(duì)國(guó)有上市公司并購(gòu)風(fēng)險(xiǎn)預(yù)警問(wèn)題具有非常好的分類(lèi)效果。
圖3 預(yù)警模型的F1 Score對(duì)比
(4)指標(biāo)重要性排序
基于XGBoost模型的訓(xùn)練結(jié)果,探討了19個(gè)并購(gòu)風(fēng)險(xiǎn)預(yù)警指標(biāo)對(duì)預(yù)測(cè)模型的相對(duì)重要性。根據(jù)指標(biāo)重要性排序的19個(gè)并購(gòu)風(fēng)險(xiǎn)預(yù)警指標(biāo)如圖4所示。排名前三位的指標(biāo)分別為投入資本回報(bào)率(權(quán)重系數(shù)0.100)、營(yíng)業(yè)利潤(rùn)率(權(quán)重系數(shù)0.082)和支付對(duì)價(jià)凈利潤(rùn)比(權(quán)重系數(shù)0.075)。與其他影響因素相比,這3項(xiàng)指標(biāo)對(duì)于并購(gòu)風(fēng)險(xiǎn)預(yù)警模型的區(qū)分能力明顯強(qiáng)于其他指標(biāo),它們的共同特點(diǎn)是都和企業(yè)利潤(rùn)相關(guān),說(shuō)明企業(yè)自身盈利能力對(duì)于國(guó)有上市公司并購(gòu)風(fēng)險(xiǎn)的預(yù)測(cè)更加重要和有效。
圖4 并購(gòu)風(fēng)險(xiǎn)預(yù)警指標(biāo)的相對(duì)重要性排序
4.影響因素分析
(1)多元線性回歸模型
為了檢驗(yàn)各個(gè)指標(biāo)對(duì)國(guó)有上市公司并購(gòu)風(fēng)險(xiǎn)的影響,構(gòu)建以并購(gòu)凈資產(chǎn)收益率增長(zhǎng)額為被解釋變量,影響因素為解釋變量,且包含其他控制變量的計(jì)量模型,具體如模型(20)。
ΔROEi,t=β0+β1*RSi,t-1+β2*TATi,t-1+β3*GLi,t-1+β4*GRi,t-1+β5*ROICi,t-1+β6*NPi,t-1+β7*OMPi,t-1+β8*IOBPSi,t-1+β9*ECi,t-1+β10*TAi,t-1+β11*WMAOi,t-1+β12*IGRi,t-1+β13*EBi,t-1+β14*COOi,t-1+β15*FBi,t-1+β16*WHPi,t-1+β17*IISi,t-1+β18*PNPRi,t-1+β19*PCi,t-1+∑INDUSTRY+εi,t-1
(20)
其中,i代表企業(yè),t為時(shí)間;ΔROE為i公司t年并購(gòu)?fù)瓿傻暮笠荒昱c前一年凈資產(chǎn)收益率的差額;RS至PC表示i公司t-1年末的指標(biāo)狀況,采取滯后一期目的是盡量緩解反向因果可能導(dǎo)致的內(nèi)生性問(wèn)題;β1~19為變量對(duì)應(yīng)估計(jì)系數(shù);INDUSTRY為按照2012年最新版中國(guó)證監(jiān)會(huì)行業(yè)劃分標(biāo)準(zhǔn)的行業(yè)虛擬變量;β0和ε分別表示常數(shù)項(xiàng)和隨機(jī)誤差項(xiàng)。
(2)模型估計(jì)結(jié)果
本文利用Stata 14.1統(tǒng)計(jì)軟件進(jìn)行多元線性回歸分析,結(jié)果如表6所示。Adj-R2指回歸直線對(duì)觀測(cè)值的擬合程度,其值為0.235,表明該模型的擬合效果比較好,模型可信度較高,自變量提供的信息能較好地解釋因變量。由表6得出影響國(guó)有上市公司并購(gòu)風(fēng)險(xiǎn)預(yù)警模型(21)。
表6 多元線性回歸模型估計(jì)結(jié)果
y=0.465GR+8.243IOBPS+94.452TA+0.254PNPR+5.273PC-1.956TAT-1.167ROIC-0.001NP-1.144EB-2.259FB-2.385WHP-0.078IIS-4.997
(21)
(3)結(jié)果分析
通過(guò)多元線性回歸檢驗(yàn),得到以下結(jié)論:
①資產(chǎn)結(jié)構(gòu)風(fēng)險(xiǎn)中總資產(chǎn)周轉(zhuǎn)率(β=-1.956,p<0.01)和投入資本回報(bào)率(β=-1.167,p<0.01)對(duì)國(guó)有上市公司并購(gòu)風(fēng)險(xiǎn)具有十分顯著的抑制作用,即分別每提升一個(gè)單位,并購(gòu)風(fēng)險(xiǎn)相應(yīng)減少1.956倍和1.167倍??傎Y產(chǎn)周轉(zhuǎn)率分析評(píng)價(jià)資產(chǎn)使用效率,越高說(shuō)明企業(yè)銷(xiāo)售能力越強(qiáng),投入資本回報(bào)率用于衡量投出資金的使用效果,兩項(xiàng)指標(biāo)都能說(shuō)明公司資產(chǎn)投資的效益好,有利于帶動(dòng)被并購(gòu)企業(yè)資源,降低并購(gòu)風(fēng)險(xiǎn)。
②創(chuàng)利能力風(fēng)險(xiǎn)中每股借款利息(β=8.243,p<0.01)和稅收資產(chǎn)(β=94.452,p<0.01)增加了國(guó)有上市公司并購(gòu)風(fēng)險(xiǎn),即分別每提升一個(gè)單位,并購(gòu)風(fēng)險(xiǎn)相應(yīng)增加8.243倍和94.452倍。公司付給借款人利息和國(guó)家的稅收越多,導(dǎo)致流動(dòng)資金越少,財(cái)務(wù)壓力越大,越不利于并購(gòu)方安全支付并購(gòu)款以及并購(gòu)后的資源合理配置。
③法人治理風(fēng)險(xiǎn)中股權(quán)制衡度(β=-1.144,p<0.05)對(duì)國(guó)有上市公司并購(gòu)風(fēng)險(xiǎn)具有顯著的抑制作用,即每提升一個(gè)單位,并購(gòu)風(fēng)險(xiǎn)相應(yīng)減少1.144倍。股權(quán)制衡度較高,既能保留股權(quán)相對(duì)集中的優(yōu)勢(shì),又能有效抑制大股東對(duì)上市公司利益的侵害,減少過(guò)度并購(gòu)行為發(fā)生,從而將國(guó)有上市公司并購(gòu)風(fēng)險(xiǎn)消滅在萌芽之中。
④外部監(jiān)督風(fēng)險(xiǎn)中所聘事務(wù)所為四大會(huì)計(jì)師事務(wù)所(β=-2.259,p<0.05)、具有扶貧行為(β=-2.385,p<0.01)以及機(jī)構(gòu)投資者股東持股比例較高(β=-0.078,p<0.01)對(duì)國(guó)有上市公司并購(gòu)風(fēng)險(xiǎn)具有顯著的抑制作用,即分別每提升一個(gè)單位,并購(gòu)風(fēng)險(xiǎn)相應(yīng)減少2.259倍、2.385倍、0.078倍。實(shí)證檢驗(yàn)發(fā)現(xiàn),四大會(huì)計(jì)師事務(wù)所的確具有相對(duì)較高的審計(jì)質(zhì)量和健全的并購(gòu)咨詢職能;企業(yè)具有扶貧行為,說(shuō)明企業(yè)社會(huì)責(zé)任較強(qiáng),社會(huì)認(rèn)可度高,企業(yè)文化氛圍好,容易被并購(gòu)雙方和其他利益相關(guān)者接受;機(jī)構(gòu)投資者股東對(duì)國(guó)企并購(gòu)具有治理作用[35]。這3項(xiàng)指標(biāo)都可以有效提高國(guó)有上市公司并購(gòu)績(jī)效,有力控制和降低并購(gòu)風(fēng)險(xiǎn)。
⑤并購(gòu)特征風(fēng)險(xiǎn)中支付對(duì)價(jià)凈利潤(rùn)比(β=0.254,p<0.01)和支付對(duì)價(jià)權(quán)益比(β=5.273,p<0.01)增加了國(guó)有上市公司并購(gòu)風(fēng)險(xiǎn),即分別每提升一個(gè)單位,并購(gòu)風(fēng)險(xiǎn)相應(yīng)增加0.254倍和5.273倍。企業(yè)并購(gòu)支付金額與并購(gòu)企業(yè)內(nèi)在價(jià)值時(shí)差額越大,越會(huì)相應(yīng)增加企業(yè)自身的財(cái)務(wù)壓力,然而被并購(gòu)企業(yè)由于短期內(nèi)無(wú)法帶來(lái)高速增長(zhǎng),導(dǎo)致并購(gòu)整體效果不佳,并購(gòu)風(fēng)險(xiǎn)加大。
1.研究結(jié)論
本文將人工智能算法引入到并購(gòu)重組領(lǐng)域。選取滬深兩市A股國(guó)有上市公司2014~2017年并購(gòu)事件,旨在通過(guò)對(duì)我國(guó)國(guó)有上市公司并購(gòu)風(fēng)險(xiǎn)影響因素做出假設(shè),基于XGBoost算法構(gòu)建國(guó)有上市公司并購(gòu)風(fēng)險(xiǎn)預(yù)警模型進(jìn)行風(fēng)險(xiǎn)預(yù)警,并探究了各影響因素對(duì)并購(gòu)風(fēng)險(xiǎn)預(yù)警影響的重要程度,運(yùn)用多元線性回歸模型對(duì)影響并購(gòu)風(fēng)險(xiǎn)的相關(guān)因素進(jìn)行了顯著性分析,得到如下結(jié)論:
第一,將基于XGBoost算法構(gòu)建國(guó)有上市公司并購(gòu)風(fēng)險(xiǎn)預(yù)警模型的預(yù)警結(jié)果與經(jīng)典機(jī)器學(xué)習(xí)模型GBDT、RF和傳統(tǒng) Logistic模型作對(duì)比,XGBoost模型對(duì)并購(gòu)風(fēng)險(xiǎn)具有最優(yōu)的預(yù)測(cè)效果,其次是RF和GBDT,最后是Logistic 回歸模型。
第二,構(gòu)建的國(guó)有上市公司并購(gòu)風(fēng)險(xiǎn)的指標(biāo)體系中的19個(gè)指標(biāo)對(duì)并購(gòu)風(fēng)險(xiǎn)預(yù)警都具有作用,且發(fā)現(xiàn)從一級(jí)系統(tǒng)體系整體來(lái)看,資產(chǎn)結(jié)構(gòu)、創(chuàng)利能力、外部監(jiān)督和并購(gòu)特征風(fēng)險(xiǎn)對(duì)并購(gòu)風(fēng)險(xiǎn)預(yù)警較為重要,其中投入資本回報(bào)率、營(yíng)業(yè)利潤(rùn)率和支付對(duì)價(jià)凈利潤(rùn)比3項(xiàng)指標(biāo)對(duì)并購(gòu)風(fēng)險(xiǎn)預(yù)警最為重要。
第三,資產(chǎn)結(jié)構(gòu)風(fēng)險(xiǎn)中總資產(chǎn)周轉(zhuǎn)率和投入資本回報(bào)率越高、法人治理風(fēng)險(xiǎn)中股權(quán)制衡度越大、外部監(jiān)督風(fēng)險(xiǎn)中所聘事務(wù)所為四大會(huì)計(jì)師事務(wù)所、具有扶貧行為以及機(jī)構(gòu)投資者股東持股比例越高,越有利于降低并購(gòu)風(fēng)險(xiǎn);創(chuàng)利能力風(fēng)險(xiǎn)中每股借款利息和稅收資產(chǎn)越高、并購(gòu)特征風(fēng)險(xiǎn)中支付對(duì)價(jià)凈利潤(rùn)比和支付對(duì)價(jià)權(quán)益比越大,越會(huì)使得并購(gòu)風(fēng)險(xiǎn)增加。同時(shí),是否為四大會(huì)計(jì)師事務(wù)所、是否扶貧兩項(xiàng)指標(biāo)為利用文本挖掘技術(shù)抓取的指標(biāo),這說(shuō)明除財(cái)務(wù)、并購(gòu)特征等容易獲得數(shù)據(jù)的指標(biāo)外,不容易獲取治理和監(jiān)督數(shù)據(jù)同樣會(huì)對(duì)國(guó)有上市公司并購(gòu)風(fēng)險(xiǎn)預(yù)警產(chǎn)生很大影響。
2.啟示及建議
針對(duì)上述研究結(jié)論,國(guó)有上市公司可以采取以下具有針對(duì)性的措施有效地控制并購(gòu)風(fēng)險(xiǎn):
第一,國(guó)有上市公司應(yīng)加強(qiáng)存貨、應(yīng)收賬款等資產(chǎn)管理,減少固定資產(chǎn)、存貨和應(yīng)收賬款,開(kāi)發(fā)適銷(xiāo)對(duì)路的新產(chǎn)品,提高資產(chǎn)的周轉(zhuǎn)效率;還應(yīng)加大控制成本力度,降低各種費(fèi)用,合理減少投入資本,開(kāi)拓市場(chǎng),提高收入,提升投入資本回報(bào)率。
第二,國(guó)有上市公司應(yīng)靈活使用財(cái)務(wù)杠桿,并購(gòu)前期適當(dāng)減少有息負(fù)債,降低每股借款利息;還應(yīng)合理避稅,聘請(qǐng)會(huì)計(jì)、稅務(wù)、法律等相關(guān)專(zhuān)業(yè)技術(shù)人才,進(jìn)行充分的納稅籌劃。
第三,國(guó)有上市公司在并購(gòu)初期盡可能聘請(qǐng)四大會(huì)計(jì)師事務(wù)所進(jìn)行高質(zhì)量審計(jì)和并購(gòu)咨詢,積極聽(tīng)取并采納相關(guān)建議;應(yīng)根據(jù)自身行業(yè)特點(diǎn),多維度積極參與精準(zhǔn)扶貧;應(yīng)積極引進(jìn)機(jī)構(gòu)投資者尤其是戰(zhàn)略機(jī)構(gòu)投資者,與機(jī)構(gòu)投資者股東加強(qiáng)溝通。
第四,國(guó)有上市公司應(yīng)嚴(yán)格制定并購(gòu)資金需求量及支出預(yù)算,在實(shí)施并購(gòu)前對(duì)并購(gòu)各環(huán)節(jié)的資金需求量進(jìn)行認(rèn)真核算,并據(jù)此做好資金預(yù)算,從而降低支付對(duì)價(jià)凈利潤(rùn)比和支付對(duì)價(jià)權(quán)益比。
3.未來(lái)展望
在未來(lái)研究中,將繼續(xù)尋找影響國(guó)有上市公司并購(gòu)風(fēng)險(xiǎn)的關(guān)鍵因素,對(duì)XGBoost算法參數(shù)和模型融合進(jìn)行優(yōu)化,以進(jìn)一步提高XGBoost算法的分類(lèi)準(zhǔn)確性和計(jì)算效率,完善并購(gòu)風(fēng)險(xiǎn)預(yù)警模型及其應(yīng)用??傊?,隨著國(guó)有資本和社會(huì)資本交叉融合的國(guó)企改革不斷深入、國(guó)企并購(gòu)重組業(yè)務(wù)的不斷涌現(xiàn),并購(gòu)風(fēng)險(xiǎn)也會(huì)不可避免地隨之產(chǎn)生,人工智能算法對(duì)于構(gòu)建并購(gòu)風(fēng)險(xiǎn)預(yù)警模型并進(jìn)行風(fēng)險(xiǎn)預(yù)警具有重要的應(yīng)用價(jià)值,可以早防范、早發(fā)現(xiàn)、早干預(yù),從而使國(guó)企更有效地開(kāi)展并購(gòu)活動(dòng)。
大連理工大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版)2021年3期