非均衡樣本視域下房地產(chǎn)上市公司財務(wù)風(fēng)險預(yù)測分析

［摘 要］文章基于非均衡房地產(chǎn)上市公司樣本視角，結(jié)合邏輯回歸（Logistic Regression）算法對中國房地產(chǎn)上市公司的財務(wù)風(fēng)險進行預(yù)測分析。研究結(jié)果表明，ADASYN-Logistic Regression模型能夠有效解決房地產(chǎn)上市公司的非均衡樣本問題，具備較好的預(yù)測性能?；诖?，文章運用非均衡樣本處理方法構(gòu)建財務(wù)風(fēng)險預(yù)測模型，旨在識別存在財務(wù)風(fēng)險的公司，采取預(yù)防措施，提升公司競爭力。

［關(guān)鍵詞］非均衡樣本；房地產(chǎn)公司；財務(wù)風(fēng)險；邏輯回歸

doi：10.3969/j.issn.1673 - 0194.2024.14.003

［中圖分類號］F832.51；F299.233.42 ［文獻標(biāo)識碼］A ［文章編號］1673-0194（2024）14-00-03

0" " "引 言

隨著經(jīng)濟全球化進程加快，我國經(jīng)濟規(guī)模不斷擴大。根據(jù)國家統(tǒng)計局公開的數(shù)據(jù)，房地產(chǎn)及其相關(guān)行業(yè)占我國經(jīng)濟總量的比重達13%～14%，其產(chǎn)業(yè)鏈條長、涉及面廣，維系著社會經(jīng)濟的穩(wěn)定運轉(zhuǎn)。然而，房地產(chǎn)行業(yè)屬于資金密集行業(yè)，上市公司的資金主要來自銀行貸款，其融資途徑相對單一，因此公司通常會面臨負債高、成本高和資金流動緩慢的問題［1］。有效的財務(wù)風(fēng)險預(yù)測可以幫助上市公司預(yù)知財務(wù)風(fēng)險，防范經(jīng)營危機，提升運營能力。

國內(nèi)外學(xué)者一直關(guān)注房地產(chǎn)公司財務(wù)風(fēng)險的預(yù)測研究，并運用不同模型進行預(yù)測分析［2］。一是單變量模型。威廉·比弗（Willam Beaver）于1966年率先提出單變量預(yù)測模型，并進行財務(wù)風(fēng)險預(yù)測［3］。二是多變量模型。金奈（Kinay）通過構(gòu)建Logistic Regression模型預(yù)測公司財務(wù)風(fēng)險［4］；王楠子等基于Logistic Regression模型，通過6個綜合因子構(gòu)建預(yù)警決策模型［5］。三是Z-Score模型。嚴(yán)碧紅等運用Z-Score模型預(yù)測我國房地產(chǎn)企業(yè)發(fā)生財務(wù)危機的可能性［6］。然而，在客觀情況下，具有財務(wù)風(fēng)險的公司樣本較少，正常經(jīng)營的公司樣本比較多，構(gòu)成非均衡樣本分布，該樣本的不均衡性容易導(dǎo)致模型無法充分捕捉少數(shù)樣本的類別特征，財務(wù)風(fēng)險預(yù)測模型會產(chǎn)生偏差，使性能下降。因此，解決樣本數(shù)據(jù)集非均衡問題對于提升房地產(chǎn)上市公司財務(wù)風(fēng)險預(yù)測模型的性能具有重要意義。目前，處理非均衡樣本的方法主要圍繞算法層面和數(shù)據(jù)層面展開，其中關(guān)于數(shù)據(jù)層面的研究較為豐富，即通過改變樣本的分布情況降低數(shù)據(jù)非均衡性，常用方法有欠采樣、過采樣。但是，基于非均衡樣本數(shù)據(jù)集的研究鮮有基于房地產(chǎn)財務(wù)風(fēng)險預(yù)測角度的，多集中于金融欺詐賬戶檢測、信用卡違約預(yù)測分析等方面。

因此，本文將從非均衡樣本視域出發(fā)，以房地產(chǎn)行業(yè)為研究對象，應(yīng)用隨機下采樣（Random Under Sampler，RUS）、近似接近采樣（Near Miss，NM）、合成少數(shù)類過采樣（Synthetic Minority Oversampling Technique，SMOTE）、自適應(yīng)合成抽樣（Adaptive Synthetic Sampling，ADASYN）

4種主要的非均衡樣本處理方法，結(jié)合Logistic Regression算法構(gòu)建財務(wù)風(fēng)險預(yù)測模型，以期消除非均衡樣本影響，提高風(fēng)險預(yù)測模型的性能和準(zhǔn)確性，助力房地產(chǎn)上市公司持續(xù)健康發(fā)展。

1" " "非均衡樣本財務(wù)風(fēng)險預(yù)測方法

1.1" "非均衡樣本處理方法

RUS方法為欠采樣基礎(chǔ)方法，即從多樣本Smax中隨機選擇少樣本，再合并原有少樣本Smin作為新訓(xùn)練數(shù)據(jù)集；NM方法屬于欠采樣常見方法，即從多樣本中選取最具代表性的樣本用于訓(xùn)練，解決隨機欠采樣中的信息丟失問題；SMOTE方法屬于過采樣方法，主要基于現(xiàn)存的少樣本，計算樣本特征空間之間的相似度，然后創(chuàng)建人工合成樣本；ADASYN方法在過采樣中應(yīng)用廣泛，其關(guān)鍵思想為用密度分布決定少樣本產(chǎn)生多少數(shù)量的合成數(shù)據(jù)，即依據(jù)樣本的貢獻度來確定產(chǎn)生的合成數(shù)據(jù)數(shù)量。

1.2" "Logistic Regression算法模型

Logistic Regression算法模型屬于二分類模型，在數(shù)據(jù)挖掘、經(jīng)濟預(yù)測領(lǐng)域使用廣泛。其表達式如下：

（1）

式（1）中，P代表Logistic Regression模型概率值，Y為因變量，K0為截距系數(shù)，K1～Kn為斜率系數(shù)，X1～Xn為自變量。

本研究采用上述4類非均衡采樣處理方法和Logistic Regression算法模型相結(jié)合的方式，進一步提升Logistic Regression模型預(yù)測性能。假設(shè)獲取的房地產(chǎn)上市公司樣本數(shù)據(jù)集為S，其中包含m個樣本，即。其中，xit為特征變量，xi∈X，xi={f1，f2，f3，…，fn}，代表每家房地產(chǎn)上市公司在第t年有n個特征指標(biāo)；yit+1為財務(wù)風(fēng)險狀態(tài)變量，且yit+1∈{0，1}，表示每家房地產(chǎn)上市公司在第t+1年是否具有財務(wù)風(fēng)險，1代表有財務(wù)風(fēng)險，0代表無財務(wù)風(fēng)險。通過非均衡數(shù)據(jù)處理，將平衡后的數(shù)據(jù)樣本帶入式（1），得出預(yù)測概率P和Y值。

1.3" "預(yù)測模型性能評估方法

為有效評估Logistic Regression模型的分類效果，本文基于混淆矩陣（見表1）構(gòu)建主要評估指標(biāo)。

表1中，TN表示真實值和預(yù)測值均無風(fēng)險；FP表示真實值無風(fēng)險，但預(yù)測值有風(fēng)險；FN表示真實值有風(fēng)險而預(yù)測值無風(fēng)險；TP表示真實值和預(yù)測值均為有風(fēng)險。本文采用以下6類主要評估指標(biāo)，即準(zhǔn)確率（Accuracy）、精確率（Precision）、召回率（Recall）、F1值（F1-Score）、ROC曲線（Receiver Operating Characteristic Curve）和AUC值（Area Under Curve）。準(zhǔn)確率表示模型預(yù)測的結(jié)果中正確結(jié)果的占比；精確率用來度量預(yù)測值為有風(fēng)險的樣本中真實值也為有風(fēng)險的概率；召回率關(guān)注全部有風(fēng)險樣本中準(zhǔn)確識別出來的比例；F1值為召回率和精確率的綜合指標(biāo)，輔助評估結(jié)果；ROC曲線下方面積為AUC值，模型的ROC曲線越靠近左上方、ROC曲線下方面積越大，模型分類性能越好。

2" " "研究實施與結(jié)果分析

2.1" "財務(wù)風(fēng)險預(yù)測指標(biāo)體系構(gòu)建

基于劉俐君［7］的研究，本文綜合財務(wù)指標(biāo)和宏觀經(jīng)濟指標(biāo)，從盈利能力、成長能力、營運能力、償債能力、資本結(jié)構(gòu)、現(xiàn)金流量能力、宏觀指標(biāo)7個維度選取35個指標(biāo)構(gòu)建指標(biāo)體系，以此預(yù)測并分析財務(wù)風(fēng)險。

2.2" "數(shù)據(jù)集

本研究通過公開網(wǎng)站CSMAR（https：//data.csmar.com/）獲取2011—2023年房地產(chǎn)上市公司財務(wù)數(shù)據(jù)。數(shù)據(jù)集共包括215家房地產(chǎn)上市公司的2 420條財務(wù)數(shù)據(jù)，其中屬于少數(shù)類的數(shù)據(jù)76條，屬于多數(shù)類的數(shù)據(jù)2 344條，為典型的非均衡樣本情況。

2.3" "數(shù)據(jù)預(yù)處理

首先，對數(shù)據(jù)進行重復(fù)值、異常值、缺失值處理，刪除重復(fù)值、異常值及缺失率高于85%的指標(biāo)，使用特征平均數(shù)對缺失率低于85%的指標(biāo)進行填充。其次，構(gòu)建相關(guān)系數(shù)矩陣分析自變量間的多重共線性，刪除具有嚴(yán)重多重共線性的指標(biāo)。經(jīng)過預(yù)處理，最終用于非均衡樣本處理和建模分析的數(shù)據(jù)集為2 207條數(shù)據(jù)，29個數(shù)據(jù)指標(biāo)。

2.4" "實驗結(jié)果與對比分析

本研究將2011—2022年公司樣本數(shù)據(jù)劃分為訓(xùn)練集，將2023年公司樣本數(shù)據(jù)劃分為測試集，針對訓(xùn)練集進行非均衡樣本處理和模型訓(xùn)練，選取最優(yōu)模型預(yù)測2023年具有財務(wù)風(fēng)險的公司。為了驗證不同非均衡樣本處理方法對數(shù)據(jù)集的平衡優(yōu)化效果和模型預(yù)測性能的影響，對不同算法處理后的數(shù)據(jù)集統(tǒng)一采用Logistic Regression算法模型進行財務(wù)風(fēng)險預(yù)測性能評價，結(jié)果如表2和圖1所示。

由表2可知，雖然數(shù)據(jù)集未平衡處理-Logistic Regression模型在準(zhǔn)確率上表現(xiàn)很好，達到0.97，但其召回率相對較低，僅為0.27，這會導(dǎo)致在實際應(yīng)用中，模型對有風(fēng)險類的預(yù)測能力不強，從而忽略存在財務(wù)風(fēng)險的上市公司。與其他算法相比，ADASYN-Logistic Regression在召回率、F1值、AUC值上均處于較高水平，且其AUC值接近1，在同等數(shù)據(jù)集下更能提升Logistic Regression的風(fēng)險預(yù)測性能。由圖1可知，ADASYN方法的ROC曲線最靠近左上角，擁有更好的性能提升表現(xiàn)。

通過上述分析，ADASYN-Logistic Regression為最優(yōu)預(yù)測模型，模型公式如下：

（2）

筆者將該模型應(yīng)用于測試集預(yù)測分析財務(wù)風(fēng)險，得出2023年的197家公司均無風(fēng)險，可正常經(jīng)營。

3" " "結(jié)束語

本研究聚焦非均衡樣本視域下房地產(chǎn)上市公司的財務(wù)風(fēng)險預(yù)測分析，研究結(jié)果表明，ADASYN-Logistic Regression模型在處理非均衡樣本問題上具有較高的預(yù)測性能。希望本研究可以豐富非均衡樣本處理方法在財務(wù)風(fēng)險預(yù)測領(lǐng)域的應(yīng)用，為后續(xù)相關(guān)研究提供新的視角和方法論，為房地產(chǎn)上市公司提供有效的風(fēng)險管理工具，積極推動房地產(chǎn)行業(yè)健康運行。

主要參考文獻

［1］PARK M.Alternatives to traditional mortgage financing in residential Real estate： Rent to own and contract for deed sales［J］.Quarterly Journal of Finance，2021（2）：1-31.

［2］DOMIAN D，WOLF R，YANG H F.An assessment of the risk and return of residential real estate［J］.Managerial Finance，2015（6）：591-599.

［3］BEAVER W H.Financial ratios as predictors of failure［J］.Journal of Accounting Research，1966（1）：71-111.

［4］KINAY B.Ordered LOGIT Model approach for the determination of financial distress［J］.Bulletin de la Societe des sciences medicales du Grand-Duche de Luxembourg，2010（1）：119-133.

［5］王楠子，吳霽峰，何云，等.房地產(chǎn)企業(yè)財務(wù)危機預(yù)警實證研究［J］.工程管理學(xué)報，2019（3）：154-158.

［6］嚴(yán)碧紅，馬廣奇.基于Z-Score模型的我國房地產(chǎn)業(yè)上市公司財務(wù)風(fēng)險的實證分析［J］.財務(wù)與金融，2011（5）：37-41.

［7］劉俐君.房地產(chǎn)行業(yè)上市公司財務(wù)風(fēng)險預(yù)警研究［D］.武漢：中南財經(jīng)政法大學(xué)，2022.