基于財(cái)務(wù)分析方法的財(cái)務(wù)風(fēng)險(xiǎn)識(shí)別

李雙悅

摘? ?要：財(cái)務(wù)風(fēng)險(xiǎn)大小直接影響投資者以及債權(quán)人的利益，識(shí)別公司財(cái)務(wù)風(fēng)險(xiǎn)狀況有利于及時(shí)掌握企業(yè)運(yùn)營情況，有利于整個(gè)資本市場健康有序發(fā)展?；诖?，選取連續(xù)兩年內(nèi)因?yàn)樨?cái)務(wù)問題被列為ST公司和與之相類似的正常公司總共162家公司為樣本，采用財(cái)務(wù)分析方法，選取包含反映企業(yè)償債能力、營運(yùn)能力、盈利能力和增長能力在內(nèi)的22個(gè)財(cái)務(wù)指標(biāo)，運(yùn)用機(jī)器學(xué)習(xí)中的XGBoost算法判斷企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)狀況。XGBoost算法對企業(yè)是否具有財(cái)務(wù)風(fēng)險(xiǎn)的識(shí)別準(zhǔn)確率較高，最高可達(dá)94.45%。

關(guān)鍵詞：財(cái)務(wù)分析;財(cái)務(wù)風(fēng)險(xiǎn)識(shí)別;XGBoost算法

中圖分類號(hào)：F275.5? ? 文獻(xiàn)標(biāo)志碼：A? 文章編號(hào)：1673-291X（2022）14-0129-03

引言

財(cái)務(wù)風(fēng)險(xiǎn)是由企業(yè)內(nèi)外部經(jīng)營活動(dòng)或經(jīng)營環(huán)境的不確定性造成的，主要表現(xiàn)為可能會(huì)給企業(yè)帶來預(yù)期以外的損失或預(yù)期以外的收益[1]。針對財(cái)務(wù)風(fēng)險(xiǎn)的研究，熊方軍等運(yùn)用Logistic回歸模型，選取12個(gè)財(cái)務(wù)指標(biāo)和6個(gè)非財(cái)務(wù)指標(biāo)，實(shí)證分析對上市公司財(cái)務(wù)舞弊的識(shí)別，結(jié)果表明，舞弊公司的財(cái)務(wù)指標(biāo)波動(dòng)性更大[2]。李長山等人通過Logistic回歸方法構(gòu)建財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型，結(jié)果表明，財(cái)務(wù)預(yù)警方法能夠防范財(cái)務(wù)風(fēng)險(xiǎn)[3]。隨著機(jī)器學(xué)習(xí)方法的不斷應(yīng)用，越來越多學(xué)者開始嘗試運(yùn)用機(jī)器學(xué)習(xí)方法構(gòu)建財(cái)務(wù)風(fēng)險(xiǎn)模型。張露等基于財(cái)務(wù)指標(biāo)，通過運(yùn)用Bagging的集成機(jī)器學(xué)習(xí)方法進(jìn)行財(cái)務(wù)風(fēng)險(xiǎn)識(shí)別，正確識(shí)別財(cái)務(wù)風(fēng)險(xiǎn)企業(yè)的概率達(dá)92.86%[4]。

本文主要從財(cái)務(wù)分析的角度，通過各方面的財(cái)務(wù)數(shù)據(jù)指標(biāo)，分析企業(yè)的財(cái)務(wù)狀況和經(jīng)營成果，再選用機(jī)器學(xué)習(xí)的XGBoost算法，通過財(cái)務(wù)指標(biāo)準(zhǔn)確識(shí)別企業(yè)是否有財(cái)務(wù)風(fēng)險(xiǎn)。通過每個(gè)指標(biāo)的特征重要性得分，分析每個(gè)財(cái)務(wù)指標(biāo)對于識(shí)別財(cái)務(wù)風(fēng)險(xiǎn)的重要程度。

一、主要過程

（一）財(cái)務(wù)報(bào)表分析

財(cái)務(wù)報(bào)表是上市公司必須對外提供的資料，是人們掌握上市公司運(yùn)行情況的一手資料。財(cái)務(wù)報(bào)表是指企業(yè)對外提供的反映企業(yè)某一特定日期的財(cái)務(wù)狀況和某一會(huì)計(jì)期間的經(jīng)營成果、現(xiàn)金流量等會(huì)計(jì)信息的文件。財(cái)務(wù)報(bào)表包括資產(chǎn)負(fù)債表、損益表、現(xiàn)金流量表、所有者權(quán)益變動(dòng)表以及附注。財(cái)務(wù)報(bào)表是幫助投資者和債權(quán)人了解企業(yè)的財(cái)務(wù)狀況、經(jīng)營成果和現(xiàn)金流量的重要途徑，幫助投資者和債權(quán)人做出正確的決策。償債能力分析是債權(quán)人通過財(cái)務(wù)報(bào)表信息進(jìn)行信用評價(jià)。通過償債能力分析可以了解企業(yè)當(dāng)前的經(jīng)營發(fā)展情況，可以為企業(yè)的健康發(fā)展提供良好的參考價(jià)值;同時(shí)，股東和債權(quán)人等外部投資者也可以通過償債能力分析為自身的投資決策作參考。盈利能力是企業(yè)通過現(xiàn)在的生產(chǎn)經(jīng)營活動(dòng)獲取收益的能力，也是管理層通過一系列的生產(chǎn)經(jīng)營決策提高企業(yè)生產(chǎn)經(jīng)營能力的反映，通過現(xiàn)在的生產(chǎn)經(jīng)營狀況可以判斷企業(yè)未來發(fā)展?fàn)顩r。企業(yè)盈利能力分析的實(shí)質(zhì)是分析企業(yè)各種資源的營運(yùn)效率，營運(yùn)效率的高低反映企業(yè)資產(chǎn)使用效率的高低。企業(yè)經(jīng)營的主要目標(biāo)是追求企業(yè)盈利能力的持續(xù)增長。企業(yè)發(fā)展能力是企業(yè)通過自身的生產(chǎn)經(jīng)營活動(dòng)不斷獲取資產(chǎn)增長和利潤的增加，企業(yè)未來價(jià)值的大小可以通過分析企業(yè)的發(fā)展能力進(jìn)行判斷。

通過對財(cái)務(wù)報(bào)表分析，為了能較為全面地反映企業(yè)的生產(chǎn)經(jīng)營情況和財(cái)務(wù)狀況，同時(shí)考慮財(cái)務(wù)數(shù)據(jù)的可獲得性，本文主要從償債能力、營運(yùn)能力、盈利能力和增長能力等4個(gè)方面選取財(cái)務(wù)指標(biāo)，選取指標(biāo)如表1。

（二）方法選擇

將ST公司視為有財(cái)務(wù)風(fēng)險(xiǎn)，標(biāo)記為1;否則認(rèn)為沒有財(cái)務(wù)風(fēng)險(xiǎn)，標(biāo)記為0。這樣就成為了一種二分類問題。XGBoost算法可以用于分類問題，因此采用了XGBoost算法。

XGBoost算法是主要在GBDT基礎(chǔ)上改進(jìn)的。相比GBDT，XGBoost具有運(yùn)行效率高、效果好以及能大規(guī)模處理數(shù)據(jù)的優(yōu)點(diǎn)。XGBoost算法在弱學(xué)習(xí)器模型選擇上不唯一，在并行選擇之前，先對所有的特征計(jì)算特征值并進(jìn)行排序分組，對分組的特征選擇合適的分組。在算法的損失函數(shù)上加入正則化部分，可以防止過擬合，泛化能力更強(qiáng)。對誤差部分做二階泰勒展開，因此結(jié)果更加準(zhǔn)確。

（三）數(shù)據(jù)篩選

本文所用數(shù)據(jù)全部來源于wind?？紤]到一年的數(shù)據(jù)時(shí)間較短，因此本文主要選取了2018—2020年3年的ST公司。篩選出由于最近兩年連續(xù)虧損、被會(huì)計(jì)師事務(wù)所出具無法表示意見或否定的審計(jì)意見、最近兩個(gè)會(huì)計(jì)年度的審計(jì)結(jié)果顯示的凈利潤均為負(fù)值等原因被劃為ST的公司，按照1：1的比例選取資產(chǎn)規(guī)模、行業(yè)相同的非ST公司共162家公司。財(cái)務(wù)數(shù)據(jù)選取被實(shí)施ST時(shí)間的前一年年報(bào)數(shù)據(jù)。

二、計(jì)算結(jié)果

（一）描述性統(tǒng)計(jì)

如表2所示，通過對數(shù)據(jù)進(jìn)行描述性統(tǒng)計(jì)可以看出，除資產(chǎn)負(fù)債率、已獲利息保障倍數(shù)等指標(biāo)存在少量缺失值外，其余指標(biāo)數(shù)據(jù)完整，因此本文所選用的指標(biāo)數(shù)據(jù)合理。已獲利息倍數(shù)、營業(yè)利潤（同比增長率）等指標(biāo)最大值與最小值之間的差別非常大，說明不同行業(yè)不同企業(yè)之間的數(shù)據(jù)差別較大，因此我們試圖采用機(jī)器學(xué)習(xí)的方法探究不同指標(biāo)對財(cái)務(wù)風(fēng)險(xiǎn)企業(yè)的影響程度。

（二）數(shù)據(jù)預(yù)處理

由于所選企業(yè)行業(yè)類型不同，資產(chǎn)規(guī)模差別也較大，故缺失值以0填充。

（三）特征重要性得分

如圖1所示，從上到下，我們可以清楚地看到每個(gè)會(huì)計(jì)指標(biāo)對于是否有財(cái)務(wù)風(fēng)險(xiǎn)的重要程度。凈資產(chǎn)收益率ROE（平均）、凈資產(chǎn)（同比增長率）、現(xiàn)金周轉(zhuǎn)率、總資產(chǎn)（同比增長率）、固定資產(chǎn)周轉(zhuǎn)率等是比較重要的指標(biāo)，對應(yīng)的是反映企業(yè)發(fā)展能力、營運(yùn)能力和盈利能力。說明與企業(yè)償債能力相比，企業(yè)發(fā)展能力、營運(yùn)能力和盈利能力與企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)具有更直接的關(guān)系。投資者和債權(quán)人在對企業(yè)做出決策時(shí)，可以關(guān)注企業(yè)財(cái)務(wù)報(bào)表，關(guān)注凈資產(chǎn)收益率ROE（平均）、凈資產(chǎn)（同比增長率）、現(xiàn)金周轉(zhuǎn)率、總資產(chǎn)（同比增長率）、固定資產(chǎn)周轉(zhuǎn)率等指標(biāo)，如果該類指標(biāo)存在一定的異常，就說明該企業(yè)財(cái)務(wù)狀況可能有風(fēng)險(xiǎn)。

（四）預(yù)測結(jié)果

將2018、2019年數(shù)據(jù)按照2/3是訓(xùn)練集、1/3是測試集方法，對測試集樣本是否存在財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行預(yù)測，預(yù)測結(jié)果如表3。

總識(shí)別正確率：94.45%

再將2018、2019年的數(shù)據(jù)作為訓(xùn)練集，將2020年的ST企業(yè)樣本作為測試集，預(yù)測是否存在財(cái)務(wù)風(fēng)險(xiǎn)，結(jié)果如表4。

總識(shí)別正確率：93.98%

通過實(shí)驗(yàn)數(shù)據(jù)我們發(fā)現(xiàn)，XGBoost算法對判斷企業(yè)是否具有財(cái)務(wù)風(fēng)險(xiǎn)具有很好的識(shí)別準(zhǔn)確率。在判斷2018、2019年測試樣本是否存在財(cái)務(wù)風(fēng)險(xiǎn)時(shí)，XGBoost算法總體識(shí)別準(zhǔn)確率為94.45%;在判斷2020年測試樣本是否存在財(cái)務(wù)風(fēng)險(xiǎn)時(shí)，XGBoost算法總體識(shí)別準(zhǔn)確率為93.38%。

結(jié)語

企業(yè)的財(cái)務(wù)健康狀況直接影響企業(yè)持續(xù)經(jīng)營和永續(xù)發(fā)展，影響投資者和債權(quán)人做出決策;企業(yè)的財(cái)務(wù)健康狀況還關(guān)系到資本市場的正常健康運(yùn)行。財(cái)務(wù)指標(biāo)對于識(shí)別企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)具有重要的意義。本文通過財(cái)務(wù)指標(biāo)數(shù)據(jù)構(gòu)建財(cái)務(wù)識(shí)別模型，模型對于判斷企業(yè)是否具有財(cái)務(wù)風(fēng)險(xiǎn)有很高的準(zhǔn)確率，最高可以達(dá)到94.45%。本文構(gòu)建的財(cái)務(wù)風(fēng)險(xiǎn)識(shí)別模型可以為判斷企業(yè)財(cái)務(wù)狀況和經(jīng)營情況提供一定的借鑒，也可以幫助投資者和債權(quán)人做出更好的決策。

參考文獻(xiàn)：

[1]? ?于富生，張敏，姜付秀，任夢杰.公司治理影響公司財(cái)務(wù)風(fēng)險(xiǎn)嗎？[J].會(huì)計(jì)研究，2008，（10）：52-59，97.

[2]? ?熊方軍，張龍平.上市公司財(cái)務(wù)舞弊的風(fēng)險(xiǎn)識(shí)別與證據(jù)收集[J].經(jīng)濟(jì)與管理研究，2016，37（10）：138-144.

[3]? ?李長山.基于Logistic回歸法的企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型構(gòu)建[J].統(tǒng)計(jì)與決策，2018，34（6）：185-188.

[4]? ?張露，劉家鵬，江敏祺.集成機(jī)器學(xué)習(xí)模型在不平衡樣本財(cái)務(wù)預(yù)警中的應(yīng)用[J].電子技術(shù)應(yīng)用，2021，47（8）：34-38.

[責(zé)任編輯? ?妤? ?文]