基于K-Means聚類分析217家被出具“非標(biāo)準(zhǔn)意見審計(jì)報(bào)告”上市公司2018年年報(bào)分析

趙雪晨

摘要：隨著經(jīng)濟(jì)的不斷發(fā)展，價(jià)值投資理念的深化，上市公司財(cái)務(wù)基本面的數(shù)據(jù)越來越受到投資者的關(guān)注，因此上市公司每年年報(bào)的分析具有重要的研究意義。在這之中，注冊(cè)會(huì)計(jì)師所發(fā)表的審計(jì)意見更值得大家的關(guān)注，根據(jù)證監(jiān)會(huì)的會(huì)計(jì)監(jiān)管報(bào)告顯示：2018年，多達(dá)217家的上市公司被出具了“非標(biāo)準(zhǔn)審計(jì)意見”，這一消息的發(fā)出對(duì)我國(guó)證券市場(chǎng)產(chǎn)生了不小的影響，也對(duì)市場(chǎng)投資人帶去了負(fù)面的影響及信息。因此，本文運(yùn)用SPSS統(tǒng)計(jì)軟件，依據(jù)217家上市公司的財(cái)報(bào)數(shù)據(jù)，選擇了償債能力、營(yíng)運(yùn)能力、盈利能力等各類財(cái)務(wù)指標(biāo)，運(yùn)用聚類分析法，將這些公司進(jìn)行聚類分類，分析評(píng)價(jià)這些公司的經(jīng)營(yíng)業(yè)績(jī)，分析這些被出具“非標(biāo)準(zhǔn)審計(jì)意見”的上市公司經(jīng)營(yíng)中出現(xiàn)的問題，找出原因，以供投資者關(guān)注和借鑒。

關(guān)鍵詞：非標(biāo)準(zhǔn)審計(jì)意見;聚類分析;K-Means

1、引言

被注冊(cè)會(huì)計(jì)師出具非標(biāo)準(zhǔn)審計(jì)意見，對(duì)上市公司來說是一件十分嚴(yán)重的事情，一旦審計(jì)報(bào)告出現(xiàn)了這一類型的審計(jì)意見，上市公司將會(huì)面臨股東、債權(quán)人、證券市場(chǎng)的質(zhì)疑，還有可能會(huì)面臨信用等級(jí)降低、融資困難的困境，更有甚者將會(huì)被實(shí)施退市風(fēng)險(xiǎn)警示。盡管有這么多不利局面，但是，很多上市公司可能由于高層經(jīng)營(yíng)者和管理者缺乏戰(zhàn)略目光，投資失敗，經(jīng)營(yíng)管理出現(xiàn)問題，從而導(dǎo)致公司凈利潤(rùn)未負(fù)，現(xiàn)金流斷裂，面臨破產(chǎn)重組的困境;還有些上市公司會(huì)出現(xiàn)為了財(cái)務(wù)報(bào)表的“好看”，下一年度更好融資而操縱利潤(rùn)、偷稅漏稅等問題不符合正常經(jīng)營(yíng)的情況，這些情況都會(huì)被注冊(cè)會(huì)計(jì)師出具非標(biāo)準(zhǔn)的審計(jì)意見。本文通過K-Means聚類分析，分析他們之間的相同特征、不同特征并據(jù)此分類，以求為我國(guó)的上市公司進(jìn)行資產(chǎn)整合、改善財(cái)務(wù)狀況等提供可供借鑒的意義。

2、聚類分析的概述

聚類分析就是把一組數(shù)據(jù)集按照某種相似度函數(shù)或相似性規(guī)則劃分成不同類別的過程，這些類別被稱為類。同類中對(duì)象屬性相似度較高，不同類中對(duì)象屬性差異性比較明顯。常用的聚類分析算法有 K-Means 算法。一般通過比較樣本數(shù)據(jù)的屬性值的相似程度（差異程度）來判斷不同數(shù)據(jù)是否在同一個(gè)類中，在聚類分析中，通常需要計(jì)算各個(gè)屬性值之間的距離，若距離小于設(shè)定的閾值，就把樣本數(shù)據(jù)劃分為同一類，如果超過設(shè)定的閾值，則劃分為其他不同的類。

3、本文的指標(biāo)選擇及數(shù)據(jù)來源

本文從CCER數(shù)據(jù)庫(kù)下載收集了2018年被出具“非標(biāo)準(zhǔn)審計(jì)意見報(bào)告”的217家上市公司的年報(bào)數(shù)據(jù)，從中選取可以代表企業(yè)全方面發(fā)展情況的財(cái)務(wù)指標(biāo)，包含償債能力、盈利能力、營(yíng)運(yùn)能力、發(fā)展能力，其中共有11個(gè)財(cái)務(wù)指標(biāo)：流動(dòng)比率、速動(dòng)比率、資產(chǎn)負(fù)債率、應(yīng)收賬款周轉(zhuǎn)率、總資產(chǎn)周轉(zhuǎn)率、存貨周轉(zhuǎn)率、凈利潤(rùn)增長(zhǎng)率、總資產(chǎn)增長(zhǎng)率、每股凈資產(chǎn)、基本每股收益以及市盈率。

4、數(shù)據(jù)的處理與應(yīng)用

將CCER數(shù)據(jù)庫(kù)中所查信息以Excel格式導(dǎo)出后導(dǎo)入SPSS Modeler軟件當(dāng)中，在初步進(jìn)行K-Means聚類分析時(shí)，發(fā)現(xiàn)無論聚類數(shù)k取為何值，都會(huì)出現(xiàn)聚類質(zhì)量差的情況，并且只有將k的值設(shè)置為40以上的值，聚類分析的聚類質(zhì)量才會(huì)上升為良好，然而這種聚類沒有意義。因此通過推斷，判斷是由于這次進(jìn)行聚類分析的上市公司都是由于經(jīng)營(yíng)業(yè)績(jī)、財(cái)務(wù)指標(biāo)或者是管理層的舞弊等出現(xiàn)了問題才被出具了非標(biāo)準(zhǔn)審計(jì)意見，那么就會(huì)可能有財(cái)務(wù)指標(biāo)過于“夸張”的企業(yè)的存在，因此我們可以推斷出是有極端值的存在從而影響了聚類質(zhì)量。那么如果不剔除極端值，不僅影響聚類質(zhì)量，也會(huì)對(duì)分析結(jié)果產(chǎn)生影響，因此，首先利用SPSS Statistics 對(duì)數(shù)據(jù)進(jìn)行極值以及無效值的處理。

5、聚類分析

添加“類型”節(jié)點(diǎn)，將所有字段的“測(cè)量”設(shè)置為“有序”，將“角色”設(shè)置為“輸入”，最后點(diǎn)擊“讀取值”。

在“類型”節(jié)點(diǎn)之后添加“K-Means”模型節(jié)點(diǎn)，在進(jìn)行聚類分析時(shí)，確定聚類數(shù)k值是十分重要的，從k=2開始設(shè)置，每運(yùn)行一次，記錄聚類質(zhì)量。在聚類數(shù)k=2-7時(shí)，聚類質(zhì)量沒有變化，都是0.3，根據(jù)經(jīng)驗(yàn)推斷，被出具非標(biāo)準(zhǔn)審計(jì)意見的上市公司在財(cái)務(wù)指標(biāo)方面都存在異常，因此會(huì)有絕大多數(shù)的上市公司被分在了一類中，因此，將k值取為2。點(diǎn)擊“運(yùn)行”，得到聚類結(jié)果?？煽闯鼋Y(jié)論此次聚類分類的質(zhì)量良好，并且同時(shí)發(fā)現(xiàn)聚類1占據(jù)了99%的數(shù)據(jù)，聚類2只有不到1%。

6、分析

根據(jù)聚類分析的結(jié)果，絕大多數(shù)的企業(yè)被分入了第一聚類，在這當(dāng)中的企業(yè)存貨周轉(zhuǎn)率的平均值達(dá)到了300%，這一數(shù)據(jù)對(duì)于一般性的企業(yè)來說，存貨周轉(zhuǎn)率過大，存貨的周轉(zhuǎn)速度過快，這一現(xiàn)象會(huì)增加存貨的采購(gòu)成本、運(yùn)輸成本以及儲(chǔ)存成本。而另一聚類的企業(yè)的存貨周轉(zhuǎn)率又過低，那么有可能是由于庫(kù)存管理不力而導(dǎo)致存貨積壓，這一情況說明銷售狀況不好，資金沉淀，導(dǎo)致企業(yè)的現(xiàn)金流及利潤(rùn)出現(xiàn)問題。

此外，基本每股收益的平均值都為負(fù)值，說明這217家被出具“非標(biāo)準(zhǔn)審計(jì)意見”的公司在經(jīng)營(yíng)過程中都出現(xiàn)了虧損，反映了這些公司企業(yè)的經(jīng)營(yíng)狀況不好，獲利能力一般，增長(zhǎng)潛力很小，投資價(jià)值較小。投資者在今后投資股票時(shí)，可以著重看企業(yè)的基本每股收益，盡可能避免投資失敗的情況。

聚類1中的指標(biāo)凈利潤(rùn)增長(zhǎng)率為負(fù)，說明絕大多數(shù)被出具非標(biāo)意見的上市公司的凈利潤(rùn)逐年下滑，經(jīng)營(yíng)狀況持續(xù)走下坡路，經(jīng)營(yíng)業(yè)績(jī)存在問題。

7、總結(jié)

K-Means 算法的優(yōu)點(diǎn)有：邏輯結(jié)構(gòu)簡(jiǎn)單、算法運(yùn)行效率較高，并且相對(duì)是可伸縮性的、有效的;能夠處理大量數(shù)值型數(shù)據(jù);能較好的發(fā)現(xiàn)球狀類;能夠處理多維數(shù)值型變量;在迭代過程之中，能夠不斷改變聚類中心，使結(jié)果越來越好。K-Means 算法雖有很多優(yōu)點(diǎn)，但也存在一些缺點(diǎn)。比如：需要預(yù)先給定 k 值和確定初始聚類中心;容易出現(xiàn)局部最優(yōu)狀態(tài);算法容易受“噪聲”及孤立點(diǎn)影響，且只適合用于球狀類的聚類，不能用來分析其他任意形狀類的聚類分析;不適合用于處理非常大的數(shù)據(jù)量。

參考文獻(xiàn)

[1]帥麗媛.我國(guó)煤炭上市公司財(cái)務(wù)績(jī)效評(píng)價(jià)——基于因子分析和聚類分析[J].河北企業(yè)，2018（08）：74-75.

[2]劉夢(mèng). 聚類分析在企業(yè)集團(tuán)財(cái)務(wù)公司財(cái)務(wù)質(zhì)量評(píng)價(jià)中的應(yīng)用研究[D].西安理工大學(xué)，2017.

[3]許偉紅. 能源上市公司財(cái)務(wù)狀況質(zhì)量評(píng)價(jià)聚類研究[D].內(nèi)蒙古科技大學(xué)，2015.