基于信息熵—Logistic的財(cái)務(wù)數(shù)據(jù)異常告警與實(shí)證研究

【摘 要】 基于國(guó)泰安數(shù)據(jù)庫(kù)2010—2022年房地產(chǎn)企業(yè)的有效財(cái)務(wù)數(shù)據(jù)，并劃分為正常類和違規(guī)類房企，通過(guò)信息熵篩選構(gòu)建告警指標(biāo)體系，利用Logistic回歸分析建模，所構(gòu)建的模型通過(guò)了統(tǒng)計(jì)檢驗(yàn)。研究表明：（1）運(yùn)用信息熵—Logistic模型融合構(gòu)造的告警模型，告警準(zhǔn)確度達(dá)88.70%。（2）應(yīng)收賬款周轉(zhuǎn)率、存貨周轉(zhuǎn)率、銷售凈利率及凈資產(chǎn)收益率等財(cái)務(wù)指標(biāo)對(duì)異常財(cái)務(wù)數(shù)據(jù)的有效告警具有顯著的判定作用，房地產(chǎn)企業(yè)應(yīng)重點(diǎn)關(guān)注此類指標(biāo)。（3）與傳統(tǒng)財(cái)務(wù)分析模型相比，Logistic回歸分析在識(shí)別房地產(chǎn)企業(yè)財(cái)務(wù)異常方面體現(xiàn)了更高的準(zhǔn)確性和實(shí)用價(jià)值。

【關(guān)鍵詞】 房地產(chǎn)企業(yè)； 財(cái)務(wù)數(shù)據(jù)異常； 信息熵； Logistic回歸； 告警模型

【中圖分類號(hào)】 F275 【文獻(xiàn)標(biāo)識(shí)碼】 A 【文章編號(hào)】 1004-5937（2025）02-0081-08

一、引言與文獻(xiàn)梳理

房地產(chǎn)企業(yè)屬于資金密集型企業(yè)，具有一定的特殊性，整體面臨著來(lái)自市場(chǎng)、資金、成本、監(jiān)管等內(nèi)外多重壓力，發(fā)生資金挪用、采購(gòu)失當(dāng)?shù)蓉?cái)務(wù)數(shù)據(jù)異常的概率較大。2021—2023年，證監(jiān)會(huì)通報(bào)查處的違規(guī)房地產(chǎn)開(kāi)發(fā)企業(yè)、中介機(jī)構(gòu)和物業(yè)服務(wù)企業(yè)計(jì)273家，部分房地產(chǎn)企業(yè)利用監(jiān)管漏洞來(lái)掩蓋交易事項(xiàng)、粉飾財(cái)務(wù)報(bào)告、虛增收入和利潤(rùn)以及隱瞞實(shí)際費(fèi)用等違法方式來(lái)謀取非法的巨額利潤(rùn)。

近年來(lái)，國(guó)內(nèi)外學(xué)者針對(duì)企業(yè)財(cái)務(wù)數(shù)據(jù)異常的識(shí)別進(jìn)行了較為系統(tǒng)的研究。在財(cái)務(wù)數(shù)據(jù)異常告警指標(biāo)研究方面，已有研究從企業(yè)籌資、投資、運(yùn)營(yíng)及資金回收等方面提出構(gòu)建財(cái)務(wù)風(fēng)險(xiǎn)指標(biāo)體系的解決對(duì)策[ 1 ]，并論證了銷售費(fèi)用增長(zhǎng)率、財(cái)務(wù)費(fèi)用率及管理費(fèi)用率等財(cái)務(wù)指標(biāo)[ 2 ]，以及凈資產(chǎn)收益率、存貨周轉(zhuǎn)率和成本利潤(rùn)率等指標(biāo)能夠較為靈敏、顯著地識(shí)別企業(yè)財(cái)務(wù)數(shù)據(jù)異常[ 3 ]。為提升財(cái)務(wù)風(fēng)險(xiǎn)識(shí)別率和識(shí)別精度，學(xué)界還提出應(yīng)將資金供求關(guān)系納入財(cái)務(wù)風(fēng)險(xiǎn)識(shí)別模型[ 4 ]，并運(yùn)用概率統(tǒng)計(jì)法、指標(biāo)分析法及報(bào)表分析法、審計(jì)線索雷達(dá)圖等實(shí)施企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)告警。也有學(xué)者基于舞弊三角理論，從舞弊壓力、舞弊機(jī)會(huì)及舞弊自我合理化視角構(gòu)建財(cái)務(wù)數(shù)據(jù)異常評(píng)價(jià)指標(biāo)[ 5 ]。

另外，在財(cái)務(wù)數(shù)據(jù)異常告警模型構(gòu)建研究方面，Gupta等[ 6 ]、Waleed等[ 7 ]一致認(rèn)為，檢測(cè)財(cái)務(wù)數(shù)據(jù)異常行為可采取樸素貝葉斯、隨機(jī)森林、Logistic回歸和支持向量機(jī)四種算法，應(yīng)用一個(gè)巨大的數(shù)據(jù)集進(jìn)行預(yù)測(cè)。Pinfo等[ 8 ]指出，自編碼器、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）和長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）等深度學(xué)習(xí)模型可用于處理時(shí)間序列數(shù)據(jù)，以檢測(cè)財(cái)務(wù)數(shù)據(jù)異常行為。Waleed等[ 7 ]和Matthew[ 9 ]均將因子分析應(yīng)用于數(shù)據(jù)降維及隱藏模式識(shí)別，同時(shí)指出由于混合數(shù)據(jù)環(huán)境的復(fù)雜性，傳統(tǒng)的異常檢測(cè)方法往往無(wú)法有效應(yīng)對(duì)，而因子分析能夠整合各種類型的數(shù)據(jù)，揭示其內(nèi)在聯(lián)系和隱藏的模式，更好地處理數(shù)據(jù)的復(fù)雜性和不確定性，提高異常檢測(cè)的準(zhǔn)確性和效率。馮炳純[ 10 ]則在上市公司財(cái)務(wù)指標(biāo)分析模塊中使用模糊識(shí)別算法，構(gòu)建出基于數(shù)據(jù)挖掘技術(shù)的財(cái)務(wù)舞弊識(shí)別模型。

綜上所述，學(xué)術(shù)界對(duì)房地產(chǎn)企業(yè)財(cái)務(wù)數(shù)據(jù)異常的識(shí)別能力還有待提升，亟需應(yīng)用現(xiàn)代化信息技術(shù)和管理評(píng)價(jià)技術(shù)對(duì)財(cái)務(wù)數(shù)據(jù)異常信號(hào)與特征加強(qiáng)識(shí)別，及時(shí)告警和監(jiān)測(cè)房地產(chǎn)企業(yè)的財(cái)務(wù)數(shù)據(jù)異常行為。本文以國(guó)內(nèi)上市房地產(chǎn)企業(yè)的財(cái)務(wù)數(shù)據(jù)作為研究依據(jù)，以財(cái)務(wù)數(shù)據(jù)異常指標(biāo)的影響因素和識(shí)別過(guò)程為重點(diǎn)，構(gòu)建企業(yè)財(cái)務(wù)數(shù)據(jù)異常告警模型，力求為識(shí)別房地產(chǎn)企業(yè)財(cái)務(wù)數(shù)據(jù)異常行為提供參考。

二、研究設(shè)計(jì)

（一）研究方法

近年來(lái)，各類機(jī)器算法，尤其是Logistic回歸模型日益被學(xué)術(shù)界應(yīng)用于企業(yè)財(cái)務(wù)數(shù)據(jù)異常信號(hào)的識(shí)別中。如王月等[ 11 ]、姚文博等[ 12 ]通過(guò)Logistic回歸建模分析得出影響我國(guó)上市公司財(cái)務(wù)數(shù)據(jù)異常信號(hào)的關(guān)鍵指標(biāo)為流動(dòng)負(fù)債比率、總資產(chǎn)利潤(rùn)率、現(xiàn)金流量比率及應(yīng)收賬款周轉(zhuǎn)率等。徐靜等[ 13 ]構(gòu)建聚類模型挖掘存在異常值的離群點(diǎn)上市公司，得出離群點(diǎn)上市公司表現(xiàn)出資產(chǎn)負(fù)債率較高、總資產(chǎn)凈利率偏低的特點(diǎn)。白加麗[ 14 ]利用Logistic回歸分析構(gòu)建出財(cái)務(wù)告警模型，該模型對(duì)非ST企業(yè)的預(yù)測(cè)精度達(dá)到93.33％。劉艷華等[ 15 ]以我國(guó)深滬兩地上市公司為研究對(duì)象，利用Logistic構(gòu)建財(cái)務(wù)告警模型，并進(jìn)行實(shí)證分析驗(yàn)證模型的適用度。管河山等[ 16 ]通過(guò)對(duì)資金占用模式的比較分別構(gòu)建了相應(yīng)的財(cái)務(wù)舞弊行為預(yù)警指標(biāo)，并引入Logistic回歸建模，結(jié)果表明基于資金占用分析的舞弊行為預(yù)警指標(biāo)可以顯著提高舞弊模型的識(shí)別準(zhǔn)確率，為證券監(jiān)管提供了新的視角和工具。

綜上所述，針對(duì)企業(yè)財(cái)務(wù)數(shù)據(jù)異常的識(shí)別方面，主要基于財(cái)務(wù)指標(biāo)并輔之以非財(cái)務(wù)指標(biāo)形成識(shí)別指標(biāo)體系。然而，構(gòu)建較為系統(tǒng)性、綜合性的財(cái)務(wù)舞弊指標(biāo)體系及模型的研究還相對(duì)缺乏，現(xiàn)有識(shí)別模型存在對(duì)數(shù)據(jù)要求較高、模型泛化能力較弱等局限性。在財(cái)務(wù)數(shù)據(jù)異常告警模型的構(gòu)建中，Logistic回歸模型因其識(shí)別精度高而被廣泛應(yīng)用。因此，本文擬運(yùn)用Logistic回歸模型對(duì)房地產(chǎn)企業(yè)的經(jīng)營(yíng)及財(cái)務(wù)狀況進(jìn)行分析。

（二）研究框架設(shè)計(jì)

本文基于房地產(chǎn)企業(yè)的財(cái)報(bào)特點(diǎn)選取典型性財(cái)務(wù)指標(biāo)，采用信息熵來(lái)篩選關(guān)鍵性財(cái)務(wù)指標(biāo)，運(yùn)用Logistic回歸法構(gòu)建企業(yè)財(cái)務(wù)數(shù)據(jù)異常告警模型。研究框架如圖1所示。

首先，收集整理國(guó)內(nèi)房地產(chǎn)企業(yè)的相關(guān)年報(bào)數(shù)據(jù)，歸納出正常類和違規(guī)類房地產(chǎn)企業(yè)的典型性財(cái)務(wù)指標(biāo)及對(duì)應(yīng)數(shù)據(jù)，并進(jìn)行數(shù)據(jù)清洗、負(fù)向指標(biāo)逆向化以及歸一化處理；其次，基于國(guó)泰安經(jīng)濟(jì)數(shù)據(jù)庫(kù)以及本文參考文獻(xiàn)歸納出不同維度下的財(cái)務(wù)數(shù)據(jù)異常告警指標(biāo)；再次，利用信息熵初步篩選出關(guān)鍵性財(cái)務(wù)異常告警指標(biāo)；最后，利用Logistic回歸進(jìn)行建模并評(píng)估關(guān)鍵性告警指標(biāo)的有效性。在檢驗(yàn)房地產(chǎn)企業(yè)是否發(fā)生財(cái)務(wù)數(shù)據(jù)異常信號(hào)的過(guò)程中，將所有的指標(biāo)變量代入回歸公式計(jì)算，得到企業(yè)財(cái)務(wù)數(shù)據(jù)異常告警的回歸模型，通過(guò)整體識(shí)別率能夠判斷該模型對(duì)財(cái)務(wù)數(shù)據(jù)異常信號(hào)的識(shí)別準(zhǔn)確性，并根據(jù)預(yù)測(cè)結(jié)果評(píng)估模型效果。

（三）數(shù)據(jù)來(lái)源與特征分析

房地產(chǎn)企業(yè)具有開(kāi)發(fā)經(jīng)營(yíng)周期長(zhǎng)、前期資金需求量大和資金回收周期長(zhǎng)、會(huì)計(jì)核算方式相對(duì)特殊以及籌資與投資環(huán)節(jié)、營(yíng)運(yùn)與資金回收環(huán)節(jié)財(cái)務(wù)風(fēng)險(xiǎn)大等特點(diǎn)[ 17 ]。本文選取國(guó)泰安數(shù)據(jù)庫(kù)中194家A股房地產(chǎn)企業(yè)上市公司2010—2022年的財(cái)務(wù)報(bào)表數(shù)據(jù)（包括73家正常類企業(yè)，證監(jiān)會(huì)查處的121家違規(guī)類企業(yè)）作為研究對(duì)象。其中，被查處的違規(guī)類型包括財(cái)務(wù)違規(guī)（財(cái)務(wù)造假、虛假陳述及違規(guī)信息披露等）、內(nèi)幕交易（內(nèi)部人員利用未公開(kāi)的重要信息進(jìn)行股票買賣從中獲取非法利益）、違反相關(guān)監(jiān)管規(guī)定（違規(guī)收購(gòu)、違規(guī)融資、違規(guī)擔(dān)保）等。本文分析得出違規(guī)類企業(yè)和正常類企業(yè)的經(jīng)營(yíng)狀況如下：

1.違規(guī)類企業(yè)經(jīng)營(yíng)狀況

由2010—2022年數(shù)據(jù)可知，房地產(chǎn)行業(yè)違規(guī)類企業(yè)數(shù)量和涉及金額逐年減少，主要特征為：一是財(cái)務(wù)數(shù)據(jù)與實(shí)際業(yè)績(jī)不符，易出現(xiàn)虛構(gòu)銷售收入、虛列應(yīng)收賬款、虛增存貨等情況；二是負(fù)債率和應(yīng)收賬款過(guò)高，可能通過(guò)虛增收入、虛增資產(chǎn)、拖延收款等手段來(lái)掩蓋真實(shí)的財(cái)務(wù)狀況，導(dǎo)致負(fù)債率和應(yīng)收賬款大幅上升；三是存貨周轉(zhuǎn)率低或者利潤(rùn)率過(guò)高，違規(guī)房企可能因庫(kù)存管理不善，通過(guò)虛增收入或減少成本等手段造假，從而導(dǎo)致存貨周轉(zhuǎn)率低，利潤(rùn)率虛高。同時(shí)，也出現(xiàn)了諸如銷售收入增加但存貨增加較小或減少，或者業(yè)務(wù)范圍擴(kuò)大但利潤(rùn)率下降等財(cái)務(wù)數(shù)據(jù)異常情況。

2.正常類企業(yè)經(jīng)營(yíng)狀況

由2010—2022年數(shù)據(jù)可知，房地產(chǎn)行業(yè)正常類企業(yè)的財(cái)務(wù)狀況變化趨勢(shì)較為穩(wěn)定，主要特征有：一是財(cái)務(wù)數(shù)據(jù)總體呈現(xiàn)平穩(wěn)增長(zhǎng)態(tài)勢(shì)，如銷售收入、凈利潤(rùn)、存貨、應(yīng)收賬款等指標(biāo)呈現(xiàn)逐年增長(zhǎng)的趨勢(shì)；二是財(cái)務(wù)數(shù)據(jù)與經(jīng)營(yíng)狀況基本相符，如銷售收入增加，存貨也相應(yīng)增加，或者利潤(rùn)率隨著業(yè)務(wù)擴(kuò)張而保持穩(wěn)定；三是財(cái)務(wù)指標(biāo)的分布與同行業(yè)公司相差不大，比如資產(chǎn)負(fù)債率、毛利率、應(yīng)收賬款周轉(zhuǎn)率和凈利率等主要指標(biāo)與同業(yè)指標(biāo)相比未見(jiàn)明顯差異。

三、指標(biāo)設(shè)計(jì)與權(quán)重設(shè)置

（一）財(cái)務(wù)指標(biāo)設(shè)計(jì)

房地產(chǎn)企業(yè)的運(yùn)營(yíng)能力、盈利能力與企業(yè)發(fā)展能力等共同決定其償債能力，償債能力的高低也反映了營(yíng)運(yùn)能力和盈利能力的高低[ 18 ]。為便于對(duì)房地產(chǎn)企業(yè)中正常類和違規(guī)類企業(yè)財(cái)務(wù)指標(biāo)進(jìn)行對(duì)比分析，本文基于CRIC研究中心①調(diào)查數(shù)據(jù)及相關(guān)文獻(xiàn)[ 19 ]，選定償債能力、盈利能力、企業(yè)發(fā)展能力及運(yùn)營(yíng)能力4項(xiàng)一級(jí)指標(biāo)，速動(dòng)比率、銷售凈利率等14項(xiàng)二級(jí)指標(biāo)作為識(shí)別指標(biāo)，并設(shè)定了可參考的正常財(cái)務(wù)指標(biāo)閾值區(qū)間，如表1所示。

（二）財(cái)務(wù)指標(biāo)特征分析

本文基于2010—2022年121家違規(guī)類企業(yè)與73家正常類企業(yè)相關(guān)財(cái)務(wù)數(shù)據(jù)，剔除數(shù)據(jù)缺失值后得到樣本數(shù)據(jù)708條。首先對(duì)不同量綱的數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，其次分別計(jì)算兩類企業(yè)4項(xiàng)維度下14項(xiàng)二級(jí)財(cái)務(wù)指標(biāo)平均值，并輔以正常財(cái)務(wù)指標(biāo)閾值區(qū)間分析，結(jié)果如圖2所示。

一是償債能力數(shù)據(jù)分析。正常類企業(yè)各項(xiàng)指標(biāo)均接近或位于閾值區(qū)間內(nèi)，而違規(guī)類企業(yè)速動(dòng)比率較低、現(xiàn)金比率和現(xiàn)金流動(dòng)負(fù)債比率均偏高于正常閾值。由此可見(jiàn)，房地產(chǎn)企業(yè)中正常企業(yè)短期償債能力更強(qiáng)，其資金流動(dòng)性較強(qiáng)，而違規(guī)企業(yè)短期償債能力較弱，資金流動(dòng)性較差，甚至可能產(chǎn)生負(fù)債偏高等財(cái)務(wù)危機(jī)。

二是盈利能力數(shù)據(jù)分析。正常類企業(yè)各項(xiàng)指標(biāo)變動(dòng)正常，而違規(guī)類企業(yè)銷售凈利率和成本費(fèi)用率均低于閾值，但營(yíng)業(yè)利潤(rùn)率正常。由此可得，房地產(chǎn)企業(yè)中正常企業(yè)盈利優(yōu)勢(shì)較強(qiáng)，而違規(guī)類企業(yè)則出現(xiàn)盈利能力偏弱但營(yíng)業(yè)利潤(rùn)卻未受影響等異常情況。

三是企業(yè)發(fā)展能力數(shù)據(jù)分析。雖然正常類企業(yè)銷售費(fèi)用增長(zhǎng)率和凈資產(chǎn)收益率較低，但均接近或位于閾值區(qū)間內(nèi)，而違規(guī)類企業(yè)應(yīng)收賬款占收入比例和同比增長(zhǎng)率均大幅偏高。由此可見(jiàn)，房地產(chǎn)企業(yè)中違規(guī)類企業(yè)可能出現(xiàn)增收不增利、資金鏈風(fēng)險(xiǎn)較大以及管理混亂等財(cái)務(wù)數(shù)據(jù)異常信號(hào)，而正常類企業(yè)的資本回報(bào)及收益管理規(guī)劃較為合理，有較為良好的可持續(xù)發(fā)展勢(shì)頭。

四是運(yùn)營(yíng)能力分析。正常類企業(yè)各項(xiàng)指標(biāo)變動(dòng)正常，而違規(guī)類企業(yè)存貨周轉(zhuǎn)率偏低，應(yīng)收賬款周轉(zhuǎn)率和總資產(chǎn)周轉(zhuǎn)率正常且偏高。結(jié)合前3項(xiàng)維度分析可知，違規(guī)類企業(yè)的資產(chǎn)管理效率低，可能是銷售額下降、銷售政策過(guò)于寬松導(dǎo)致應(yīng)收賬款周期延長(zhǎng)，加之收款管理不善，進(jìn)而產(chǎn)生應(yīng)收賬款長(zhǎng)期滯留等異常情況，而正常企業(yè)的資產(chǎn)利用效率、庫(kù)存管理以及收款能力均較穩(wěn)定。

（三）財(cái)務(wù)指標(biāo)權(quán)重計(jì)算

信息熵表示數(shù)據(jù)點(diǎn)的不確定性或信息量，用來(lái)衡量信息平均值。若以某一財(cái)務(wù)指標(biāo)的熵權(quán)為判斷依據(jù)，其熵值越高，所攜帶的信息效用越少，權(quán)重占比越小，則其對(duì)整個(gè)評(píng)估系統(tǒng)的影響越小，可作為次要指標(biāo)剔除，反之可作為重要指標(biāo)使用[ 20-21 ]。本文運(yùn)用信息熵來(lái)評(píng)估和篩選房地產(chǎn)企業(yè)財(cái)務(wù)數(shù)據(jù)異常告警指標(biāo)，計(jì)算得出其權(quán)重值，以確定對(duì)財(cái)務(wù)數(shù)據(jù)異常告警較為重要的關(guān)鍵指標(biāo)。過(guò)程如下：

首先，計(jì)算概率分布?；谝烟幚淼臄?shù)據(jù)，通過(guò)統(tǒng)計(jì)方法中的正態(tài)分布計(jì)算每個(gè)數(shù)據(jù)點(diǎn)的概率分布。

其次，計(jì)算信息熵。使用概率分布，計(jì)算每個(gè)數(shù)據(jù)點(diǎn)的信息熵E。假設(shè)某一事件X本身存在n種狀態(tài)，記錄為X｛x1，x2，x3，…，xi｝，P（i=1，2，3，…，n）則表示事件狀態(tài)xi在整體事件X中發(fā)生的概率。事件X的信息熵H■定義為：

式（1）中0≤Pxi≤1，■Pxi=1。當(dāng)Pxi=0時(shí)表示事件確定性為0，則對(duì)應(yīng)熵值為無(wú)窮大。可根據(jù)信息熵的大小選擇具有更高信息量的特征。

最后，可解釋性分析。根據(jù)計(jì)算得到的信息熵和其他相關(guān)指標(biāo)，解釋財(cái)務(wù)指標(biāo)的應(yīng)用過(guò)程。

（四）財(cái)務(wù)指標(biāo)信息熵比較

經(jīng)處理后，正常類企業(yè)和違規(guī)類企業(yè)信息熵分析結(jié)果如表2所示。

可知正常類房地產(chǎn)企業(yè)應(yīng)收賬款周轉(zhuǎn)率權(quán)重占比最大，為46.70%，其次是存貨周轉(zhuǎn)率和凈資產(chǎn)收益率，分別為10.35%、7.41%。違規(guī)類房地產(chǎn)企業(yè)信息熵權(quán)重計(jì)算結(jié)果顯示，應(yīng)收賬款周轉(zhuǎn)率權(quán)重占比最大，為36.59%，其次是存貨周轉(zhuǎn)率和銷售凈利率，分別為21.54%、20.47%。

通過(guò)對(duì)比分析房地產(chǎn)正常類企業(yè)和違規(guī)類企業(yè)不同維度下的財(cái)務(wù)比率權(quán)重差異，可得出以下結(jié)論：第一，存貨周轉(zhuǎn)率和應(yīng)收賬款周轉(zhuǎn)率對(duì)兩類企業(yè)的經(jīng)營(yíng)行為均存在較大影響；第二，需重點(diǎn)關(guān)注銷售凈利率和凈資產(chǎn)收益率類指標(biāo)。另外，兩類企業(yè)的銷售費(fèi)用增長(zhǎng)率、投資資本回報(bào)率及營(yíng)業(yè)利潤(rùn)率等財(cái)務(wù)指標(biāo)權(quán)重相對(duì)較低，對(duì)企業(yè)發(fā)展影響較小，可作為次要指標(biāo)進(jìn)行輔助分析。

四、模型實(shí)證與檢驗(yàn)

（一）指標(biāo)結(jié)果比較

基于相關(guān)研究[ 18 ]和上述房地產(chǎn)企業(yè)財(cái)報(bào)數(shù)據(jù)及財(cái)務(wù)指標(biāo)特征的分析結(jié)果，為了更加有效且準(zhǔn)確地識(shí)別房地產(chǎn)企業(yè)財(cái)務(wù)數(shù)據(jù)異常信號(hào)，在以償債能力、盈利能力、運(yùn)營(yíng)能力以及企業(yè)發(fā)展能力4項(xiàng)維度作為一級(jí)指標(biāo)的基礎(chǔ)上，將權(quán)重從大到小排序并綜合選取前12項(xiàng)作為關(guān)鍵財(cái)務(wù)數(shù)據(jù)異常指標(biāo)進(jìn)行后續(xù)分析，相關(guān)指標(biāo)的描述如圖3所示。

圖3中兩類企業(yè)的應(yīng)收賬款周轉(zhuǎn)率和存貨周轉(zhuǎn)率的高權(quán)重占比表明，在運(yùn)營(yíng)過(guò)程中，房地產(chǎn)企業(yè)可能較為重視資金流轉(zhuǎn)和資產(chǎn)管理效率，快速回款和庫(kù)存消化是確保資金高效利用的關(guān)鍵。其中，正常類房企凈資產(chǎn)收益率的權(quán)重占比相對(duì)較高，說(shuō)明其對(duì)長(zhǎng)期資產(chǎn)增值和盈利能力的持續(xù)追求。相較而言，違規(guī)類房企該項(xiàng)指標(biāo)權(quán)重占比較低，意味著企業(yè)可能在短期內(nèi)更注重盈利而非長(zhǎng)期的資產(chǎn)增值。

此外，違規(guī)類房企的銷售凈利率權(quán)重占比偏高，而正常類房企偏低，結(jié)合其余指標(biāo)權(quán)重占比變動(dòng)趨勢(shì)來(lái)看，違規(guī)類房企在面臨財(cái)務(wù)壓力或市場(chǎng)競(jìng)爭(zhēng)時(shí)，可能更注重銷售利潤(rùn)的實(shí)現(xiàn)，而正常類房企則較為關(guān)注資產(chǎn)變現(xiàn)以及市場(chǎng)占有率等。總之，這些差異不僅揭示了兩類房企在不同階段和環(huán)境下運(yùn)營(yíng)策略的不同，而且反映了二者對(duì)財(cái)務(wù)重點(diǎn)和長(zhǎng)期發(fā)展的不同考量。

（二）模型檢驗(yàn)

利用信息熵篩選出財(cái)務(wù)數(shù)據(jù)異常關(guān)鍵告警指標(biāo)后，納入Logistic回歸構(gòu)建企業(yè)財(cái)務(wù)數(shù)據(jù)異常告警模型進(jìn)行計(jì)算分析，模型如下。

上述模型中自變量為財(cái)務(wù)數(shù)據(jù)異常告警指標(biāo)，運(yùn)用SPSS對(duì)樣本進(jìn)行回歸分析。將違規(guī)類企業(yè)標(biāo)記為“1”，正常類企業(yè)標(biāo)記為“0”。P值表示房地產(chǎn)企業(yè)發(fā)生財(cái)務(wù)數(shù)據(jù)異常的概率，X表示自變量，e■=P/1-P，系數(shù)由回歸模型得到。其中，P/1-P為房地產(chǎn)企業(yè)發(fā)生財(cái)務(wù)數(shù)據(jù)異常與不發(fā)生財(cái)務(wù)數(shù)據(jù)異常的概率之比。

將信息熵篩選出的財(cái)務(wù)數(shù)據(jù)異常關(guān)鍵告警指標(biāo)作為自變量進(jìn)行Logistic回歸，得出整體識(shí)別率，判斷該模型對(duì)財(cái)務(wù)數(shù)據(jù)異常告警關(guān)鍵指標(biāo)偵測(cè)的準(zhǔn)確性，以期實(shí)現(xiàn)測(cè)試模型功能的目的?；谠撃Ｐ陀?jì)算得出的分析結(jié)果如表3和表4所示。

表3的霍斯默—萊梅肖檢驗(yàn)②結(jié)果表明，模型的顯著性為0.487大于0.05，說(shuō)明模型和真實(shí)數(shù)據(jù)的擬合狀況良好，能夠準(zhǔn)確地反映原始變量之間的相關(guān)關(guān)系，該模型通過(guò)檢驗(yàn)。

表4檢驗(yàn)結(jié)果顯示，在73家正常類房地產(chǎn)企業(yè)中有8家被誤判為違規(guī)類企業(yè)，正確率達(dá)92.70％；121家違規(guī)類房地產(chǎn)企業(yè)中有32家被誤判為正常類企業(yè)，正確率達(dá)73.80％。財(cái)務(wù)數(shù)據(jù)異?？傮w識(shí)別率為88.70%，該模型對(duì)識(shí)別財(cái)務(wù)數(shù)據(jù)異常的概率具有較為良好的預(yù)測(cè)效果。

為了全面評(píng)估模型的優(yōu)劣，本研究同時(shí)引入Z-score模型作為對(duì)比。Z-score模型作為一種多變量判別分析方法，主要通過(guò)綜合多個(gè)財(cái)務(wù)指標(biāo)來(lái)評(píng)估企業(yè)的財(cái)務(wù)健康狀況[ 22 ]。Z-score模型在財(cái)務(wù)預(yù)警分析中提供了一種快速且有效的工具，適用于初步篩查和整體評(píng)估，但具有一定的局限性。首先，該模型的參數(shù)設(shè)定較為固定，未能靈活適應(yīng)房地產(chǎn)企業(yè)的特殊情況。其次，Z-score模型對(duì)于極端值和異常值的敏感性較高，這對(duì)模型的穩(wěn)定性和預(yù)警效果具有較大影響。最后，由于Z-score模型主要依賴于歷史數(shù)據(jù)進(jìn)行靜態(tài)分析，可能無(wú)法全面捕捉房地產(chǎn)企業(yè)財(cái)務(wù)狀況的動(dòng)態(tài)變化和發(fā)展趨勢(shì)。

為了更準(zhǔn)確地預(yù)測(cè)和評(píng)估房地產(chǎn)企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)，需要采用能夠反映財(cái)務(wù)數(shù)據(jù)時(shí)序特性和動(dòng)態(tài)變化的分析方法。財(cái)務(wù)數(shù)據(jù)往往具有特定的分布特性，而Logistic回歸能夠較好地適應(yīng)這些特性，更適合于深入分析和定制化的風(fēng)險(xiǎn)管理，尤其是在數(shù)據(jù)量有限或數(shù)據(jù)集特征較為復(fù)雜時(shí)。另外，相比于資源密集型的智能算法，Logistic回歸具有更高的靈活性，在計(jì)算上更為高效，適合快速迭代和實(shí)時(shí)分析，并能夠量化每個(gè)財(cái)務(wù)指標(biāo)對(duì)預(yù)測(cè)結(jié)果的貢獻(xiàn)度，明確區(qū)分財(cái)務(wù)正常與異常狀態(tài)，從而為房地產(chǎn)企業(yè)提供更精確的風(fēng)險(xiǎn)評(píng)估和決策管理建議。

盡管Logistic回歸模型在參數(shù)估計(jì)和模型診斷上可能需要更復(fù)雜的統(tǒng)計(jì)方法，但其在適應(yīng)性和解釋性上的優(yōu)勢(shì)使其在本研究中更為適用。綜上所述，未來(lái)的研究可以進(jìn)一步探索將多種模型及智能算法結(jié)合起來(lái)，以發(fā)揮各自的優(yōu)勢(shì)，提高財(cái)務(wù)風(fēng)險(xiǎn)異常預(yù)警的準(zhǔn)確性和效率。

五、結(jié)論與啟示

本文基于信息熵與Logistic回歸分析的房地產(chǎn)企業(yè)財(cái)務(wù)數(shù)據(jù)異常告警模型構(gòu)建及研究，得出以下結(jié)論：一是信息熵與Logistic模型可整合多類財(cái)務(wù)指標(biāo)進(jìn)行權(quán)重計(jì)算，經(jīng)實(shí)證發(fā)現(xiàn)該模型的準(zhǔn)確度達(dá)88.70%，準(zhǔn)確性及穩(wěn)定性良好；二是通過(guò)對(duì)比分析正常類和違規(guī)類企業(yè)的財(cái)務(wù)指標(biāo)，發(fā)現(xiàn)應(yīng)收賬款周轉(zhuǎn)率和存貨周轉(zhuǎn)率對(duì)兩類企業(yè)的財(cái)務(wù)狀況影響最大，其次是銷售凈利率、凈資產(chǎn)收益率等財(cái)務(wù)因子；三是針對(duì)房地產(chǎn)企業(yè)的具體情況，需要綜合考慮其經(jīng)營(yíng)模式、財(cái)務(wù)狀況、市場(chǎng)環(huán)境等多方面因素，企業(yè)應(yīng)根據(jù)實(shí)際情況不斷優(yōu)化和改進(jìn)模型，以提高模型的準(zhǔn)確性及實(shí)際應(yīng)用價(jià)值。

基于研究結(jié)論，本文提出以下建議：一是加強(qiáng)資金管理，建立有效的資金預(yù)測(cè)和監(jiān)控系統(tǒng)。通過(guò)制定明確的財(cái)務(wù)管理制度、流程和責(zé)任分工，確保財(cái)務(wù)操作的合規(guī)性和透明度。此外，還要合理規(guī)劃資金使用，保持健康的現(xiàn)金流動(dòng)，并及時(shí)掌握資金狀況，預(yù)防資金周轉(zhuǎn)問(wèn)題。二是注重成本控制。要制定有效的成本控制策略，降低項(xiàng)目各階段的成本預(yù)算，提高項(xiàng)目的盈利能力和現(xiàn)金流量，從而降低財(cái)務(wù)風(fēng)險(xiǎn)。三是加強(qiáng)財(cái)務(wù)風(fēng)險(xiǎn)監(jiān)管。要積極配合政府部門的財(cái)務(wù)監(jiān)管工作，遵守相關(guān)法律法規(guī)，同時(shí)強(qiáng)化風(fēng)險(xiǎn)管理，識(shí)別和評(píng)估潛在的財(cái)務(wù)風(fēng)險(xiǎn)，建立風(fēng)險(xiǎn)告警機(jī)制和應(yīng)急預(yù)案。

需要指出的是，本研究所構(gòu)建的房地產(chǎn)企業(yè)財(cái)務(wù)數(shù)據(jù)異常告警模型還存在一定的局限性。一方面，盡管模型在準(zhǔn)確性和穩(wěn)定性方面表現(xiàn)良好，但還可進(jìn)一步優(yōu)化，如考慮引入更多的財(cái)務(wù)指標(biāo)或非財(cái)務(wù)指標(biāo)，以更全面地反映企業(yè)的財(cái)務(wù)狀況；另一方面，隨著大數(shù)據(jù)和機(jī)器學(xué)習(xí)技術(shù)的發(fā)展，可以考慮將模型與這些技術(shù)相結(jié)合，以提高模型的預(yù)測(cè)能力和準(zhǔn)確性。此外，該模型主要集中在靜態(tài)財(cái)務(wù)數(shù)據(jù)的分析上，而企業(yè)的財(cái)務(wù)狀況是動(dòng)態(tài)變化的，故未來(lái)的研究可以探索構(gòu)建一個(gè)動(dòng)態(tài)監(jiān)測(cè)系統(tǒng)，實(shí)時(shí)收集和分析財(cái)務(wù)數(shù)據(jù)，為企業(yè)提供即時(shí)的財(cái)務(wù)告警。

【參考文獻(xiàn)】

［1］ 李慧杰.企業(yè)財(cái)務(wù)危機(jī)的識(shí)別與分析［J］.中國(guó)物流與采購(gòu)，2022（8）：105-106.

［2］ 劉云菁，伍彬，張敏.上市公司財(cái)務(wù)舞弊識(shí)別模型設(shè)計(jì)及其應(yīng)用研究：基于新興機(jī)器學(xué)習(xí)算法［J］.數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究，2022，39（7）：152-175.

［3］ 王賀敏，劉明瑋.大數(shù)據(jù)在財(cái)務(wù)風(fēng)險(xiǎn)識(shí)別與管控中的應(yīng)用探析［J］.中國(guó)注冊(cè)會(huì)計(jì)師，2022（10）：107-112.

［4］ 王竹泉，張曉涵.資金供求關(guān)系視角下的財(cái)務(wù)困境預(yù)警研究［J］.會(huì)計(jì)與經(jīng)濟(jì)研究，2021，35（6）：21-36.

［5］ 陳耿，李沛哲，劉語(yǔ)琦.財(cái)務(wù)舞弊的可視化審計(jì)方法研究［J］.財(cái)會(huì)通訊，2022（1）：113-118.

［6］ GUPTA AMIT，LOHANI M C.Financial fraud detection using naive bayes algorithm in highly imbalance data set［J］.Journal of Discrete Mathematical Sciences and Cryptography，2021，24（6）：56-58.

［7］ WALEED H，ANDREW G S，JOHN Y.Financial fraud：a review of anomaly detection techniques and recent advances［J］.Expert Systems with Applications，2022，193（8）：22-26.

［8］ PINFO S O，SOBREIRO V A.Literature review：anomaly detection approaches on digital business financial systems［J］.Digital Business，2022，2（2）：100038.

［9］ MATTHEW D.Factor analysis of mixed data for anomaly detection［J］.Statistical Analysis and Data Mining：The ASA Data Science Journal，2022，15（4）：480-493.

［10］ 馮炳純.基于數(shù)據(jù)挖掘技術(shù)的財(cái)務(wù)舞弊識(shí)別模型構(gòu)建［J］.財(cái)會(huì)通訊，2019（5）：93-97.

［11］ 王月，王玥.基于Logistic回歸分析的我國(guó)上市公司財(cái)務(wù)舞弊識(shí)別模型研究［J］.商場(chǎng)現(xiàn)代化，2021（10）：134-136.

［12］ 姚文博，劉珊珊.基于Logistic模型的財(cái)務(wù)舞弊識(shí)別研究［J］.商場(chǎng)現(xiàn)代化，2021（11）：184-186.

［13］ 徐靜，李俊林，唐少清.上市公司財(cái)務(wù)異常與舞弊疑點(diǎn)檢測(cè)研究［J］.中SCmdLIK7OKtFr5Ts8LzDzQ==國(guó)軟科學(xué)，2021（S1）：421-428.

［14］ 白加麗.我國(guó)上市公司財(cái)務(wù)風(fēng)險(xiǎn)告警研究：基于主成分分析和Logistic回歸的財(cái)務(wù)風(fēng)險(xiǎn)告警模型［J］.經(jīng)營(yíng)與管理，2022（8）：8-15.

［15］ 劉艷華，史培貞，毛蓓蓓.上市公司財(cái)務(wù)告警模型研究：基于Logistic回歸模型的實(shí)證分析［J］.中國(guó)總會(huì)計(jì)師，2022（5）：93-95.

［16］ 管河山，李思穎，王謙.資金占用與財(cái)務(wù)舞弊行為識(shí)別：基于《會(huì)計(jì)監(jiān)管風(fēng)險(xiǎn)提示第9號(hào)》的實(shí)證［J］.會(huì)計(jì)之友，2023（14）：90-97.

［17］ 杜俊娟.我國(guó)房地產(chǎn)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的告警與防范［J］.會(huì)計(jì)之友，2013（10）：44-47.

［18］ 余海林.房地產(chǎn)財(cái)務(wù)分析及風(fēng)險(xiǎn)預(yù)警研究［J］.財(cái)經(jīng)界，2016（11）：176，294.

［19］ 李穩(wěn)平，趙恩樂(lè)，朱盛哲.會(huì)計(jì)政策變化對(duì)投資性房地產(chǎn)財(cái)務(wù)指標(biāo)影響的實(shí)證分析［J］.交通財(cái)會(huì)，2020（9）：62-70.

［20］ 黃玉潔，唐作其，梁靜.基于信息熵與三參數(shù)區(qū)間的信息安全風(fēng)險(xiǎn)評(píng)估［J］.計(jì)算機(jī)工程，2018，44（12）： 178-183.

［21］ 于雪彥.基于信息熵的會(huì)計(jì)信息披露質(zhì)量模型及經(jīng)濟(jì)后果研究［J］.投資研究，2017，36（5）：67-80.

［22］ 張蔚虹，朱海霞.Z-Score模型對(duì)科技型上市公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警的適用性檢驗(yàn)［J］.科技管理研究，2012，32（14）：228-231.