大數(shù)據(jù)背景下科技型中小企業(yè)財(cái)務(wù)危機(jī)預(yù)警模型的實(shí)證分析

□劉 照 劉兢軼

科技型中小企業(yè)在提升科技創(chuàng)新能力、促進(jìn)國(guó)家產(chǎn)業(yè)結(jié)構(gòu)調(diào)整和升級(jí)、擴(kuò)大社會(huì)就業(yè)等方面發(fā)揮著重要作用，但科技型中小企業(yè)具有生產(chǎn)經(jīng)營(yíng)模式規(guī)模小、經(jīng)濟(jì)風(fēng)險(xiǎn)抵御能力薄弱、科技創(chuàng)新活動(dòng)的不確定性等特點(diǎn)，在市場(chǎng)競(jìng)爭(zhēng)中面臨風(fēng)險(xiǎn)較大。因此，科技型中小企業(yè)有必要建立財(cái)務(wù)預(yù)警系統(tǒng)，以預(yù)知可能發(fā)生的危機(jī)，把危機(jī)消滅在萌芽狀態(tài)。隨著人工智能、大數(shù)據(jù)等新一代技術(shù)的不斷發(fā)展，借助數(shù)據(jù)挖掘技術(shù)從企業(yè)大量的業(yè)務(wù)數(shù)據(jù)中提取并自動(dòng)化地分析數(shù)據(jù)，進(jìn)而幫助企業(yè)做出正確的決策是目前解決金融風(fēng)險(xiǎn)管理問(wèn)題的發(fā)展趨勢(shì)。本文以科技型中小企業(yè)為研究對(duì)象，利用傳統(tǒng)的Logistic回歸方法，及數(shù)據(jù)挖掘技術(shù)中常用于預(yù)測(cè)模型的隨機(jī)森林和BP神經(jīng)網(wǎng)絡(luò)分別構(gòu)建財(cái)務(wù)預(yù)警模型，并對(duì)預(yù)測(cè)結(jié)果進(jìn)行比較分析，以期為科技型中小企業(yè)提供切實(shí)可行的財(cái)務(wù)預(yù)警方法。

一、研究樣本的選取與財(cái)務(wù)預(yù)警指標(biāo)體系的構(gòu)建

(一)研究樣本的選取。本文采用國(guó)內(nèi)財(cái)務(wù)預(yù)警研究的常用方法，以因財(cái)務(wù)狀況異常而被特別處理(ST)作為科技型中小企業(yè)陷入財(cái)務(wù)困境或違約的標(biāo)志，選取2018年全國(guó)中小企業(yè)股份轉(zhuǎn)讓系統(tǒng)中科學(xué)研究和技術(shù)服務(wù)業(yè)、信息傳輸、軟件和信息技術(shù)服務(wù)業(yè)等高科技行業(yè)被ST的52家上市公司為研究對(duì)象，并按照1∶4的配對(duì)比例，選取同年度相同行業(yè)208家正常公司作為配對(duì)樣本。為了避免高估模型預(yù)測(cè)能力問(wèn)題，采用企業(yè)(T-2)年的財(cái)務(wù)信息建立模型來(lái)預(yù)測(cè)其是否會(huì)在T年違約。因此，本文樣本選取2016年度數(shù)據(jù)對(duì)公司2018年是否會(huì)被ST進(jìn)行預(yù)測(cè)。

(二)財(cái)務(wù)預(yù)警指標(biāo)體系的構(gòu)建?；趪?guó)內(nèi)外相關(guān)研究成果，本文從盈利能力、償債能力、營(yíng)運(yùn)能力、成長(zhǎng)能力等4個(gè)方面選取了能綜合反映科技型中小企業(yè)經(jīng)營(yíng)狀況和財(cái)務(wù)狀況的19項(xiàng)指標(biāo)，具體包括：凈資產(chǎn)收益率、總資產(chǎn)報(bào)酬率、銷(xiāo)售凈利率、銷(xiāo)售毛利率、資產(chǎn)總計(jì)增長(zhǎng)率、股東權(quán)益增長(zhǎng)率、凈利潤(rùn)增長(zhǎng)率、銷(xiāo)售收入增長(zhǎng)率、營(yíng)業(yè)收入增長(zhǎng)率、存貨周轉(zhuǎn)率、應(yīng)收賬款周轉(zhuǎn)率、流動(dòng)資產(chǎn)周轉(zhuǎn)率、固定資產(chǎn)周轉(zhuǎn)率、總資產(chǎn)周轉(zhuǎn)率、流動(dòng)比率、速動(dòng)比率、現(xiàn)金比率、已獲利息倍數(shù)、資產(chǎn)負(fù)債率。

二、實(shí)證分析

(一)指標(biāo)體系的約簡(jiǎn)。為提高模型的工作效率和預(yù)測(cè)精度，本文通過(guò)T值顯著性檢驗(yàn)，利用SPSS 22.0軟件對(duì)科技型中小企業(yè)財(cái)務(wù)預(yù)警初選指標(biāo)進(jìn)行篩選。按α=0.05的標(biāo)準(zhǔn)拒絕原假設(shè)，當(dāng)均值方程的T檢驗(yàn)中Sig.顯示小于0.05時(shí)檢驗(yàn)結(jié)果拒絕原假設(shè)，即被ST公司與正常公司在該財(cái)務(wù)指標(biāo)上存在顯著性差異。根據(jù)以上規(guī)則，剔除了不存在顯著性差異的指標(biāo)，最終確定凈資產(chǎn)收益率X1、總資產(chǎn)報(bào)酬率X2、銷(xiāo)售毛利率X3、資產(chǎn)負(fù)債率X4、現(xiàn)金比率X5、已獲利息倍數(shù)X6、凈利潤(rùn)增長(zhǎng)率X7、股東權(quán)益增長(zhǎng)率X8、營(yíng)業(yè)利潤(rùn)增長(zhǎng)率X9，共計(jì)9個(gè)指標(biāo)作為財(cái)務(wù)預(yù)警模型的自變量。

(二)預(yù)警模型的建立與實(shí)證分析。本文使用MATLAB R2012b軟件，采用二元Logistic回歸、隨機(jī)森林和BP神經(jīng)網(wǎng)絡(luò)分別進(jìn)行建模分析。

1.二元Logistic回歸模型。將260個(gè)樣本按照3∶1的比例分為195個(gè)學(xué)習(xí)樣本及65個(gè)測(cè)試樣本，將指標(biāo)約簡(jiǎn)后得到的最終財(cái)務(wù)預(yù)警模型的9個(gè)指標(biāo)作為自變量Xi，財(cái)務(wù)狀況作為因變量Y(ST公司Y=0，正常公司Y=1)，采用二元Logistic回歸法建立模型。得到模型的表達(dá)式如下：

若π大于0.5，表明企業(yè)財(cái)務(wù)正常的概率較大，可判寫(xiě)企業(yè)為財(cái)務(wù)正常，若π小于0.5，表明企業(yè)財(cái)務(wù)危機(jī)的概率較大，可判定企業(yè)為ST企業(yè)。Logistic回歸模型預(yù)測(cè)結(jié)果如表1所示。

表1 Logistic回歸模型預(yù)測(cè)結(jié)果

2.隨機(jī)森林模型。隨機(jī)森林算法其實(shí)質(zhì)是包含多個(gè)決策樹(shù)的分類(lèi)器，這些分類(lèi)器的形成采用了隨機(jī)的方法，其輸出的類(lèi)別是由個(gè)別樹(shù)輸出的類(lèi)別的眾數(shù)而定。與Logistic模型一致，將260個(gè)樣本按照3∶1的比例分為195個(gè)學(xué)習(xí)樣本及65個(gè)測(cè)試樣本，基于195個(gè)學(xué)習(xí)樣本采用隨機(jī)森林工具箱的classRF_train()函數(shù)創(chuàng)建一個(gè)隨機(jī)森林分類(lèi)器，然后利用工具箱函數(shù)classRF_predict()，對(duì)65個(gè)測(cè)試樣本進(jìn)行仿真預(yù)測(cè)，預(yù)測(cè)結(jié)果如表2所示。

表2 隨機(jī)森林模型預(yù)測(cè)結(jié)果

3.BP神經(jīng)網(wǎng)絡(luò)模型。BP神經(jīng)網(wǎng)絡(luò)是單向傳播的多層前饋網(wǎng)絡(luò)，其結(jié)構(gòu)一般分為三層：輸入層、隱含層與輸出層。運(yùn)用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行財(cái)務(wù)預(yù)警分析時(shí)，將260個(gè)樣本按照3:1的比例分為195個(gè)學(xué)習(xí)樣本及65個(gè)測(cè)試樣本，樣本的9個(gè)財(cái)務(wù)指標(biāo)數(shù)據(jù)作為輸入數(shù)據(jù)Xi，則輸入節(jié)點(diǎn)為9，財(cái)務(wù)狀況作為輸出數(shù)據(jù)Y(ST公司Y=0，正常公司Y=1)，則輸出節(jié)點(diǎn)為1。經(jīng)驗(yàn)證隱藏節(jié)點(diǎn)為10時(shí)，誤差最小。用學(xué)習(xí)樣本訓(xùn)練出符合精度要求的神經(jīng)網(wǎng)絡(luò)后，即可對(duì)測(cè)試樣本進(jìn)行判定。判定標(biāo)準(zhǔn)是：當(dāng)輸出值在[0.5～1]之間則判定為正常公司；當(dāng)輸出結(jié)果在[0～0.5]之間則判定為ST公司。預(yù)測(cè)結(jié)果如表3所示。

表3 BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果

4.模型評(píng)價(jià)。實(shí)證結(jié)果表明，采用Logistic回歸、隨機(jī)森林、BP神經(jīng)網(wǎng)絡(luò)構(gòu)建的科技型中小企業(yè)財(cái)務(wù)預(yù)警模型，對(duì)樣本企業(yè)在發(fā)生財(cái)務(wù)危機(jī)的前1年進(jìn)行的財(cái)務(wù)預(yù)警具有一定的準(zhǔn)確性，三類(lèi)模型的預(yù)警正確率在80%以上，其中隨機(jī)森林模型的預(yù)警準(zhǔn)確性?xún)?yōu)于傳統(tǒng)統(tǒng)計(jì)分析的Logistic回歸模型及BP神經(jīng)網(wǎng)絡(luò)模型。尤其從三類(lèi)模型將財(cái)務(wù)危機(jī)誤判為財(cái)務(wù)正常的概率方面看，隨機(jī)森林的誤判率為38.5%，遠(yuǎn)遠(yuǎn)低于BP神經(jīng)網(wǎng)絡(luò)模型的69.2%及Logistic回歸模型92.3%。鑒于將財(cái)務(wù)危機(jī)誤判為財(cái)務(wù)正常所帶來(lái)的成本，遠(yuǎn)比把正常公司誤判為財(cái)務(wù)危機(jī)公司的成本要大得多，所以在對(duì)科技型中小企業(yè)財(cái)務(wù)預(yù)警方面，可以采用隨機(jī)森林模型進(jìn)行預(yù)測(cè)，而Logistic回歸模型及BP神經(jīng)網(wǎng)絡(luò)模型，雖然總體誤判率不高，但將財(cái)務(wù)危機(jī)誤判為財(cái)務(wù)正常的概率較高，應(yīng)當(dāng)謹(jǐn)慎使用。

三、結(jié)語(yǔ)

本文以2018年全國(guó)中小企業(yè)股份轉(zhuǎn)讓系統(tǒng)中科學(xué)研究和技術(shù)服務(wù)業(yè)、信息傳輸、軟件和信息技術(shù)服務(wù)業(yè)等高科技行業(yè)被ST公司為研究對(duì)象進(jìn)行實(shí)證研究，選取反映企業(yè)償債能力、經(jīng)營(yíng)能力等4個(gè)方面的19個(gè)指標(biāo)構(gòu)建預(yù)警指標(biāo)體系，并運(yùn)用T值顯著性檢驗(yàn)對(duì)預(yù)警指標(biāo)進(jìn)行約簡(jiǎn)。在此基礎(chǔ)上，運(yùn)用Logistic回歸、隨機(jī)森林、BP神經(jīng)網(wǎng)絡(luò)分別構(gòu)建財(cái)務(wù)預(yù)警模型，并對(duì)各個(gè)模型的預(yù)測(cè)結(jié)果進(jìn)行比較分析。結(jié)果表明，三類(lèi)模型對(duì)樣本企業(yè)在發(fā)生財(cái)務(wù)危機(jī)的前1年進(jìn)行的財(cái)務(wù)預(yù)警具有一定的準(zhǔn)確性，其中隨機(jī)森林模型對(duì)財(cái)務(wù)危機(jī)企業(yè)的預(yù)測(cè)正確率明顯優(yōu)于其他兩類(lèi)模型。