基于支持向量機(jī)的遼寧省上市公司財(cái)務(wù)風(fēng)險(xiǎn)和預(yù)警分析

李艷玲 邱幸予

摘要：遼寧省是我國早期的工業(yè)基地之一，擁有多家上市公司，為經(jīng)濟(jì)社會(huì)發(fā)展作出重要貢獻(xiàn)。隨著國內(nèi)外市場(chǎng)環(huán)境的變化，上市公司財(cái)務(wù)質(zhì)量和經(jīng)濟(jì)效益受到影響，面臨的財(cái)務(wù)風(fēng)險(xiǎn)加劇。本文首先利用Lasso回歸篩選對(duì)遼寧省上市公司財(cái)務(wù)狀況影響較為重要的指標(biāo)，接著結(jié)合Lasso篩選后的指標(biāo)，應(yīng)用SVM模型，對(duì)上市公司的財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行預(yù)測(cè)，最后，針對(duì)當(dāng)前的發(fā)展現(xiàn)狀，提出了一些建議，以供參考。

關(guān)鍵詞：上市公司；lasso；SVM；財(cái)務(wù)；風(fēng)險(xiǎn)預(yù)警

DOI：10.12433/zgkjtz.20232730

基金項(xiàng)目：遼寧省社會(huì)科學(xué)規(guī)劃基金項(xiàng)目“大數(shù)據(jù)時(shí)代多源異構(gòu)數(shù)據(jù)融合下遼寧上市公司財(cái)務(wù)危機(jī)預(yù)測(cè)

研究”

項(xiàng)目編號(hào)：L20BGL003

一、緒論

（一）研究背景和研究意義

上市公司作為我國經(jīng)濟(jì)發(fā)展中重要的一部分，在市場(chǎng)經(jīng)濟(jì)中占據(jù)重要地位。孫宏英、胡可果（2020）經(jīng)過調(diào)查后得出遼寧省是我國東北地區(qū)經(jīng)濟(jì)發(fā)展較好的省份，在經(jīng)濟(jì)發(fā)展中具有重要地位，成為東北振興國家戰(zhàn)略的重要組成部分。從遼寧省上市公司的行業(yè)分布來看，擁有良好的工業(yè)基礎(chǔ)和較強(qiáng)的經(jīng)濟(jì)實(shí)力，重工業(yè)、裝備制造業(yè)和高新技術(shù)產(chǎn)業(yè)是主要的支柱產(chǎn)業(yè)，為遼寧省的經(jīng)濟(jì)發(fā)展奠定了堅(jiān)實(shí)的基礎(chǔ)。

（二）國內(nèi)外文獻(xiàn)研究綜述

長(zhǎng)期以來，國內(nèi)外的學(xué)者都在不斷嘗試建立財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型。Erindi（2022）提出設(shè)計(jì)有效的早期預(yù)警系統(tǒng)可以幫助防止金融危機(jī)造成的災(zāi)難性損失。Ying Guo（2022）認(rèn)為建立科學(xué)、合理、有效的預(yù)警系統(tǒng)，對(duì)提高我國金融市場(chǎng)的效率具有重要意義。LS-SVM的預(yù)測(cè)結(jié)果可以達(dá)到70%以上，比BP神經(jīng)網(wǎng)絡(luò)更準(zhǔn)確。Alexey（2023）建立了基于Random Forrest方法的金融危機(jī)早期預(yù)警系統(tǒng)，結(jié)合金融失衡和金融發(fā)展指標(biāo)有助于提高預(yù)警系統(tǒng)的樣本外準(zhǔn)確性。

國內(nèi)學(xué)者對(duì)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的研究起步較晚。隨著經(jīng)濟(jì)體制改革，市場(chǎng)成為資源配置的主要決定因素。周廷煒（2018）支持向量機(jī)的全局融合能力與良好的模型泛化能力，我國學(xué)者開始將此應(yīng)用于公司的財(cái)務(wù)危機(jī)預(yù)警。張春梅、趙明清、官俊琪（2019）通過分別對(duì)lasso、SVM，lasso+SVM串聯(lián)模型對(duì)上市公司的財(cái)務(wù)狀況預(yù)測(cè)，實(shí)驗(yàn)發(fā)現(xiàn)lasso+SVM的串聯(lián)組合模型預(yù)測(cè)結(jié)果準(zhǔn)確度最高。余晨暉（2020）認(rèn)為，企業(yè)會(huì)面對(duì)各種的風(fēng)險(xiǎn)，涵蓋政策、法律、市場(chǎng)、財(cái)務(wù)等多個(gè)方面，其中，財(cái)務(wù)作為企業(yè)的命脈，財(cái)務(wù)風(fēng)險(xiǎn)占據(jù)了半壁江山。劉培培（2022）的調(diào)查中顯示沈陽機(jī)床股份有限公司在2020年實(shí)現(xiàn)營業(yè)收入21.8億元，同比增長(zhǎng)34.80%。從財(cái)務(wù)績(jī)效角度分析，沈陽機(jī)床突破了財(cái)務(wù)困境，改善了經(jīng)營環(huán)境在重整后的一年內(nèi)，經(jīng)濟(jì)增加值動(dòng)量增加到了233.77%，通過剝離不良資產(chǎn)改善產(chǎn)品結(jié)構(gòu)、控制成本費(fèi)用，加強(qiáng)了公司創(chuàng)造價(jià)值的

能力。

綜合國內(nèi)外學(xué)者的研究發(fā)現(xiàn)，企業(yè)發(fā)生財(cái)務(wù)風(fēng)險(xiǎn)的成因復(fù)雜多樣，不同學(xué)者從多個(gè)視角展開研究討論。財(cái)務(wù)風(fēng)險(xiǎn)的發(fā)生不是單一因素造成的，而是多個(gè)因素相互作用的結(jié)果。因此，需要通過多方面的分析識(shí)別和管理財(cái)務(wù)風(fēng)險(xiǎn)。本文在支持向量機(jī)的基礎(chǔ)上加入lasso回歸輔助財(cái)務(wù)指標(biāo)的選取。先根據(jù)2022年發(fā)布的《企業(yè)績(jī)效評(píng)價(jià)標(biāo)準(zhǔn)值》中所涉及的指標(biāo)初步構(gòu)建財(cái)務(wù)指標(biāo)體系，再用lasso回歸給確定保留的風(fēng)險(xiǎn)指標(biāo)降維，確定最終采用的財(cái)務(wù)指標(biāo)。選擇一定比例的測(cè)試集和訓(xùn)練集，用支持向量機(jī)進(jìn)行訓(xùn)練和測(cè)試，將精準(zhǔn)度較好的模型應(yīng)用至遼寧省上市公司財(cái)務(wù)

預(yù)警。

二、遼寧省上市公司財(cái)務(wù)風(fēng)險(xiǎn)指標(biāo)體系的建立

（一）樣本選取原則

本文選取2019年3月至2021年4月，14家來自遼寧省未處于ST狀態(tài)下的企業(yè)，并按照1∶1比例選取14家遼寧省ST狀態(tài)下上市公司作為配對(duì)樣本。為了構(gòu)建財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型，ST上市公司選擇了財(cái)務(wù)風(fēng)險(xiǎn)發(fā)生前一年和前兩年的財(cái)務(wù)指標(biāo)數(shù)據(jù)作為樣本。將這些數(shù)據(jù)按照訓(xùn)練集占80%、測(cè)試集占20%的比例分為訓(xùn)練集和測(cè)試集，并假定公司被ST的年份為q。在這種情況下，選擇q-1和q-2年的財(cái)務(wù)數(shù)據(jù)來對(duì)公司第q年的財(cái)務(wù)狀況進(jìn)行預(yù)測(cè)。參考張春梅等在《基于Lasso+SVM的制造業(yè)上市公司財(cái)務(wù)風(fēng)險(xiǎn)組合預(yù)警模型》中的評(píng)判標(biāo)準(zhǔn)，其中-1代表有退市風(fēng)險(xiǎn)，1代表無退市風(fēng)險(xiǎn)。ST是指境內(nèi)上市公司由于連續(xù)虧損而被進(jìn)行特別處理的股票，具有退市風(fēng)險(xiǎn)。

（二）財(cái)務(wù)指標(biāo)的選擇

1.指標(biāo)的選擇原則

在財(cái)務(wù)分析時(shí)，應(yīng)當(dāng)遵循科學(xué)性原則，嚴(yán)格選擇反映財(cái)務(wù)狀況的指標(biāo)，并使用規(guī)范的數(shù)據(jù)量化，以確保數(shù)據(jù)的經(jīng)濟(jì)含義更好地反映財(cái)務(wù)狀況。這樣有助于確保得出的分析結(jié)果更具有科學(xué)性和準(zhǔn)確性。同時(shí)，還要遵循全面性原則，從不同的方面提取數(shù)據(jù)，全面而準(zhǔn)確地反映財(cái)務(wù)狀況。由于財(cái)務(wù)狀況受到很多因素的影響，如償債能力、經(jīng)營能力、盈利能力和發(fā)展能力等，需要綜合考慮這些因素，以得出一個(gè)全面的財(cái)務(wù)分析結(jié)論，這是保證分析結(jié)果準(zhǔn)確性和公正性的

關(guān)鍵。

為了確保數(shù)據(jù)可得性，選擇容易獲取并且正規(guī)的數(shù)據(jù)來源也是很重要的。只有具備充足準(zhǔn)確的數(shù)據(jù)，才能得出更為客觀、可靠的分析結(jié)果。在此，選擇上市公司年度財(cái)務(wù)報(bào)表中的指標(biāo)數(shù)據(jù)作為數(shù)據(jù)來源，這些數(shù)據(jù)具有一定的權(quán)威性和可靠性。本文財(cái)務(wù)指標(biāo)的初步選取結(jié)合2022年發(fā)布的《企業(yè)績(jī)效評(píng)價(jià)標(biāo)準(zhǔn)值》，并且參考了學(xué)者余晨暉在《基于支持向量機(jī)的東軟集團(tuán)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警案例研究》中對(duì)應(yīng)財(cái)務(wù)指標(biāo)的選取并增減?？傊?，在財(cái)務(wù)分析時(shí)，從多個(gè)方面收集數(shù)據(jù)并使用規(guī)范的量化數(shù)據(jù)，以確保得到的分析結(jié)果準(zhǔn)確、可靠、全面、公正，并能夠準(zhǔn)確地反映財(cái)務(wù)

狀況。

2.指標(biāo)的初步選取

財(cái)務(wù)指標(biāo)的選取是模型構(gòu)建的核心，由此必須選出最具代表性的指標(biāo)才能挖掘上市公司發(fā)生財(cái)務(wù)風(fēng)險(xiǎn)的根本原因，從而及時(shí)預(yù)警以及準(zhǔn)備解決措施，避免風(fēng)險(xiǎn)的發(fā)生和經(jīng)濟(jì)損失的到來。本文根據(jù)文獻(xiàn)及其相關(guān)資料選取了盈利能力指標(biāo)、運(yùn)營能力指標(biāo)、償債能力指標(biāo)、發(fā)展能力指標(biāo)幾個(gè)大類，總計(jì)18個(gè)財(cái)務(wù)指標(biāo)作為自變量，如表1所示。

（三）數(shù)據(jù)來源和預(yù)處理

本文所用到的遼寧省上市公司財(cái)務(wù)指標(biāo)數(shù)據(jù)，都來自tushare網(wǎng)站公開年度財(cái)務(wù)報(bào)表中的財(cái)務(wù)指標(biāo)數(shù)據(jù)接口，使用python爬取，主要使用python缺失數(shù)據(jù)的處理和格式調(diào)整。

三、遼寧省上市公司財(cái)務(wù)預(yù)警模型實(shí)證分析

（一）基于lasso變量篩選和SVM組合的財(cái)務(wù)預(yù)警

1.變量篩選

首先對(duì)選擇的18項(xiàng)指標(biāo)數(shù)據(jù)標(biāo)準(zhǔn)化處理，查看其變量的相關(guān)性。在選擇主要指標(biāo)時(shí)，考慮選取流動(dòng)比率作為主體。流動(dòng)比率衡量企業(yè)短期償債能力，及時(shí)評(píng)估企業(yè)的短期資金狀況，提前發(fā)現(xiàn)潛在的財(cái)務(wù)問題，然后以流動(dòng)比率創(chuàng)造回歸篩選其余指標(biāo)，本次實(shí)驗(yàn)選擇流動(dòng)比率為目標(biāo)進(jìn)行l(wèi)asso回歸，進(jìn)行特征篩選。具體得到的指標(biāo)，如表2所示。

2.SVM財(cái)務(wù)預(yù)測(cè)

創(chuàng)建一個(gè)SVM分類器，使用默認(rèn)徑向基函數(shù)（rbf）作為核函數(shù)，C=1表示正則化參數(shù)，gamma=0.2是rbf核函數(shù)的參數(shù)，設(shè)置probability=True輸出計(jì)算類別的概率值。隨后使用訓(xùn)練數(shù)據(jù)x_train和對(duì)應(yīng)的標(biāo)簽y_train對(duì)分類器進(jìn)行訓(xùn)練，使用AUC-ROC曲線驗(yàn)證SVM的準(zhǔn)確率如圖1所示。

從圖1可以看到ROC曲線離左上角較近，ROC曲線離左上角越近表示分類器同時(shí)具有高的召回率和低的誤判率，也就是說分類器正確識(shí)別了盡可能多的正例，盡可能少地誤判負(fù)例，ROC下面積AUC的值為0.91接近于1，可以看出分類器性能良好，SVM模型的靈敏度較高，較為準(zhǔn)確。

3.預(yù)測(cè)與實(shí)際結(jié)果對(duì)比

q-1和q-2的數(shù)據(jù)可以看出預(yù)測(cè)結(jié)果和實(shí)際結(jié)果具有差異，結(jié)果如表3所示。

通過Lasso+SVM回歸模型得出的預(yù)測(cè)結(jié)果和實(shí)際結(jié)果對(duì)比，可得出q-1年準(zhǔn)確率為83%，q-2 年為 75%；q-2 的準(zhǔn)確率仍低于q-1，具體如表4所示。

（二）模型結(jié)果分析與建議

從總體結(jié)果來看，q-1與q-2 年的綜合概率為89%，大體上保持在較高的水平，說明Lasso+SVM模型的模型準(zhǔn)確率高。本文構(gòu)建財(cái)務(wù)預(yù)警模型的意義是盡量精確地預(yù)測(cè)財(cái)務(wù)風(fēng)險(xiǎn)，因此，通過分析公司的財(cái)務(wù)報(bào)表，判斷哪些公司的財(cái)務(wù)情況存在危機(jī)前兆或者已經(jīng)處于財(cái)務(wù)風(fēng)險(xiǎn)中。這樣的分析方法可以幫助決策者及時(shí)采取措施，避免財(cái)務(wù)風(fēng)險(xiǎn)的發(fā)展給企業(yè)帶來嚴(yán)重的損失。

本研究通過分析Lasso+SVM組合模型的預(yù)測(cè)效果，發(fā)現(xiàn)經(jīng)過財(cái)務(wù)指標(biāo)變量篩選后，組合模型的預(yù)測(cè)效果達(dá)到預(yù)期標(biāo)準(zhǔn)。模型將Lasso回歸和SVM方法結(jié)合起來，在變量篩選降維、處理樣本量較少、過擬合問題以及分析非線性數(shù)據(jù)等方面發(fā)揮優(yōu)勢(shì)。相比于單獨(dú)使用SVM方法，Lasso+SVM組合模型可以更好地利用不同信息維度，提高預(yù)測(cè)和估計(jì)的準(zhǔn)確性。具體而言，Lasso回歸在變量篩選方面可以幫助減少冗余信息和噪音數(shù)據(jù)的干擾，從而提高預(yù)測(cè)的準(zhǔn)確性。在變量篩選后，SVM方法能夠更好地應(yīng)對(duì)樣本量較少和非線性數(shù)據(jù)的問題，避免過擬合的風(fēng)險(xiǎn)。因此，模型能夠有效地利用不同的信息維度，提高預(yù)測(cè)和估計(jì)的準(zhǔn)

確性。

綜上所述，Lasso+SVM組合模型具有一定的優(yōu)越性，可作為一種較為可靠的方法用于財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)與評(píng)估。通過對(duì)該模型進(jìn)行探究和改進(jìn)，未來有望在實(shí)際應(yīng)用中發(fā)揮更大的作用，并為企業(yè)的財(cái)務(wù)決策提供有效的參考。

通過篩選過后財(cái)務(wù)指標(biāo)數(shù)據(jù)所對(duì)應(yīng)的年份來看，使用q-1年數(shù)據(jù)進(jìn)行預(yù)測(cè)的準(zhǔn)確率高于q-2年。這種情況發(fā)生的原因可能是q-1年相對(duì)于被ST的年份時(shí)間較近，公司的財(cái)務(wù)狀況更加接近于公司被ST的條件，數(shù)據(jù)更具有代表性和針對(duì)性，更能代表目前公司的財(cái)務(wù)狀況。

四、結(jié)論

綜上所述，本文采用lasso回歸和SVM兩種方法，綜合分析了基于它們的串聯(lián)組合預(yù)測(cè)模型。利用lasso回歸方法對(duì)財(cái)務(wù)指標(biāo)處理和選擇，得到了優(yōu)化的預(yù)測(cè)結(jié)果。將該串聯(lián)組合預(yù)測(cè)模型應(yīng)用于財(cái)務(wù)預(yù)警中可以充分發(fā)揮各自的優(yōu)點(diǎn)，優(yōu)勢(shì)互補(bǔ)，相比單一模型更為有效，能夠更準(zhǔn)確地預(yù)測(cè)和估計(jì)未來的情況。這種方法可以更充分地利用信息，提高預(yù)測(cè)結(jié)果的準(zhǔn)確性。根據(jù)調(diào)查顯示，大多數(shù)關(guān)于財(cái)務(wù)風(fēng)險(xiǎn)的預(yù)警模型的數(shù)據(jù)集都是某行業(yè)某具體公司，很少見基于地域的數(shù)據(jù)，本次研究采用遼寧省上市公司的數(shù)據(jù)采集財(cái)務(wù)指標(biāo)，分析遼寧省上市公司的財(cái)務(wù)風(fēng)險(xiǎn)狀況。

參考文獻(xiàn)：

[1]孫宏英，胡可果.遼寧上市公司30年發(fā)展歷程：回顧與啟示[J].遼寧大學(xué)學(xué)報(bào)（哲學(xué)社會(huì)科學(xué)版），2020.

[2]Erindi Allaj1CA1;Simona Sanfelici2，12.Early Warning Systems for identifying financial instability [J]. International Journal of Forecasting，2022.

[3]Ying Guo.Financial Management Early Warning Model Based on Clustering Algorithm [J]. Application of Intelligent Systems in Multi-modal Information Analytics，2022.

[4]Alexey Ponomarenko1CA1;Stas Tatarintsev12.Incorporating financial development indicators into early warning systems [J]. The Journal of Economic Asymmetries，2023.

[5]周廷煒. 基于SVM模型的上市公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警研究[D].上海師范大學(xué)，2018.

[6]張春梅，趙明清，官俊琪. 基于Lasso+SVM的制造業(yè)上市公司財(cái)務(wù)風(fēng)險(xiǎn)組合預(yù)警模型[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2021.

[7]余晨暉. 基于支持向量機(jī)的東軟集團(tuán)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警案例研究[D].南京郵電大學(xué)，2020.

[8]劉培培. ST沈機(jī)破產(chǎn)重整方案及效果研究[D].華僑大學(xué)，2022.