房地产财务风险预警系统研究

2012-10-20周梅妍

统计与决策 2012年15期

关键词：财务危机财务指标分类器

周梅妍

（中南财经政法大学会计学院，武汉 430073）

0 引言

1 样本的选取及指标体系的建立

1.1 研究样本的选取

为便于财务数据的获得和研究成果的对比，本文选择房地产A股上市公司的财务数据作为分析样本，把沪、深两地证券市场中的ST房地产公司界定为处于财务危机的公司，非ST房地产公司界定为财务正常的公司。根据上市房地产公司的实际情况，采用非配对抽样，抽取相对少量的财务危机企业与相对较多的正常企业。

基于以上原则，并根据CCERDATA和新浪网站公布的房地产上市公司报表及CSRC和GISC的行业分类标准，选取沪、深两市房地产上市公司。选取的房地产企业情况如表1所示，由于2006年的数据缺省太多，且2010年的被ST房地产公司数量很少不便于预测，故本文仅选取2007～2009年的房地产企业作为研究样本，分为财务正常企业和财务危机企业两种样本(表1)。

表1 2006～2010年房地产上市企业情况

1.2 财务预警指标的选取

由于对财务危机预警的研究始终缺少系统的经济理论支持，很难在已有的参考资料中找到企业内部影响因素的公认指标。故本文试图结合房地产上市公司的实际情况，并基于可采取可量化的原则，将选择涵盖企业偿债能力、现金流量能力、盈利能力、营运能力、股东获利能力、成长能力等方面的财务指标共32个，同时也将选择涵盖公司规模、股权结构、市场信息、审计等方面的非财务指标共20个，见表2。

表2中的指标能比较全面地衡量房地产上市公司各方面的情况。然而财务危机预警指标过多，会导致神经网络分析的过分拟合，同时指标之间的相互关联反而会导致预警判别结果出现偏差。因此在对数据进行神经网络分析前，必须先对这些财务危机预警指标进一步筛选，去掉冗余信息。

2 模型构建与对比分析

2.1 财务数据处理

由于在采集到的企业原始数据中，有些企业的部分数据缺乏，故首先要做预处理，才能进行深层次的分析。处理情况包括以下几种：

（1）对于在财务报表中未披露的数据。本文将用该企业前后两年的平均数作为缺省数据补充，以保证整体数据的完整性。

（2）对于在公开信息中无法获得或依据公开信息无法判断的数据。本文将依据悲观准则用“不利”数据进行填充。比如，对于无法获得董事长是否变更的情况，都一律认为发生变更。

改革开放40年来，哈电电机在党中央、国务院的关怀下，在哈电集团的坚强领导下，合理布局、精准发力，在科技创新、市场营销、品牌建设等方面收获累累硕果，一次又一次挺起了民族工业的脊梁，奋力推进企业实现高质量发展。

当数据处理完整之后，利用SPSS统计分析软件提供的K-S检验，对2007～2009年的127个样本的52个指标进行正态分布检验。检验结果显示，在显著性水平为0.05下，流动负载比例、长期负载比例、年度股东大会会议出席率、董事监事和高级管理人员总人数、CR10指数、换手率这6个变量的K统计量的p值大于0.05，符合正态分布，其余指标样本不符合正态分布。

表2 财务风险预警指标

2.2 显著性检验

2.2.1 服从正态分布的财务危机预警指标的均值相等性检验

对于服从正态分布的变量，可根据两种样本（财务正常企业和财务危机企业）的均值差的t统计量，对其进行独立样本的均值相等性检验，从而判断两种样本中的财务危机预警指标是否存在显著性差异。在0.05的显著性水平下，长期负债比例、CR10指数、流动负载比例这3个指标通过了t检验的显著性水平检验，即两个样本中的这3个指标有显著性差异。董事监事和高级管理人员总人数、换手率、年度股东大会会议出席率这3个指标没有通过t检验，即两个样本中的这3个指标没有显著性差异。如表3所示。

2.2.2 不服从正态分布的财务危机预警指标的非参数检验

表3 房地产上市公司的财务危机预警指标的均值相等性检验

表4 KMO和Bartlett的检验

对其余47个不服从正态分布的财务危机预警指标变量，因其不符合t检验的前提条件，不能采用t检验的方法。本文采用非参数检验中的两独立样本非参数检验的Mann-WhitneyU检验、Wald-Wolfowitz W检验和Kolmogorov-Smirnov检验相结合的方式，若有一半以上非参数检验认为指标有差异，则认为通过了显著性检验。通过SPSS检验后，流动比例、速动比例、营运资金比例、现金流量对流动负载比例、资产负债率、权益负债率、固定资产比例、长期负债比例利息保障倍数、存货周转率、资产周转率、应收账款周转率、营运收入净利润率、营业利润率、每股收益、市净率、市盈率、净资产增长率、营业利润增长率、财务杠杆系数、年度内董事会的会议次数、金额最高的前三名董事的报酬总额、回报率、西格玛系数、贝塔系数这24个指标通过显著性检验；其余指标在两种样本中没有显著性差异。

2.2.3 显著性检测结果

综合上述t检验及非参数检验的结果，一共选取27个财务危机预警指标作为下一步分析对象。其中财务指标20个，非财务指标7个。

2.3 财务指标的因子分析

上面确定的27个财务危机预警指标具有显著性，这些指标从不同方面反映了公司的财务状况。但财务危机预警指标项过多会导致神经网络模型的过分拟合，反而影响结果的正确性[2]。本文考虑用因子分析的方法对财务危机预警指标进行降维处理。

首先利用KMO检验对20个财务指标变量之间的相关性进行测定，把原有变量的指标数值代入SPSS软件，计算结果如表3所示。变量指标的KMO测度值为0.674，球形检验P值小于0.05，检验结果显著，可以做因子分析。检验结果如表4所示。

把样本数据代入SPSS，采用主成分分析方法，并取累计贡献率为78.517%，则主成份为8个，即用这8个主成份来代替原来的20个财务指标。本文采用正交旋转法中的方差最大法进行转换。结果如表5所示。

表5 正交旋转成分矩阵

观察表5，可以将这8个因子归纳为，短期偿债和现金流动能力因子、盈利能力因子、营运能力因子、获利能力因子、风险评价能力因子、资本成长潜力能力因子、资产营运负债能力因子、股东获利能力因子。

同时对非财务指标进行因子分析，发现不满足KMO检验，无法进行主成分提取，故可直接将7个非财务指标作为神经网路的输入。

2.4 BP-Adaboost神经网络模型

Adaboost算法的思想是合并多个“弱”分类器的输出以产生有效的分类。BP-Adaboost模型即把BP神经网络作为弱分类器，反复训练BP神经网络预测样本输出，通过Adaboost算法得到多个BP神经网络弱分类器组成的强分类器。

对于本案例来说，输入节点为15维，代表上述8个财务因子和7个非财务指标，输出为1维，代表公司财务状况。输出为1时表示财务状况良好，输出为-1时表示财务状况出现问题。BP神经网络的激发函数选取Sigmoid函数

同时应注意隐含层节点数的选择，如果隐含节点数太少，BP神经网络不能建立复杂的映射关系，预测误差较大，节点数过多，网络学习时间增加，可能出现“过分拟合”现象，导致训练样本预测准确，但对其它样本预测的误差则较大。一般采用经验法，中间隐含节点数参考下面公式：

其中，l为中间隐含节点数，m为输出节点数，n为输入节点数，a为1～10之间的一个常数。

本文通过试错法，确定BP神经网络的结构为15-4-1，共训练生成15个BP神经网路弱分类器；并用这15个弱分类器组成强分类器对公司财务状况进行分类。

抽取2007～2008年共127组数据作为训练数据，再抽取2009年84组数据作为测试数据。根据Adaboost和BP神经网络原理，采用Matlab进行仿真，设定单个BP迭代次数为50，学习率为0.1，目标为0.00004。采用多次训练求平均值的方法确定分类错误和误差率，作为训练的结果，如表6所示。

表6 分类误差统计

2.5 模拟结果分析

BP-Adaboost作为强分类器，比BP分类器的准确性要强，同时和Logistic回归模型相比，误差率要相应小一些[3][4]，该模型和指标项对财务正常的企业具有较高的判断能力，误差率只有2.71%。但本模型对于财务异常企业的判断能力就有些弱了。一方面，2007～2009年中国和国际经济形势发生了巨大变化，而房地产企业受外部环境和政策的影响很大；又由于房地产企业的特殊性，其财务指标往往带有滞后性，故若忽略这些因素，而只选取公司内部指标来判断一个企业财务状况是否正常有些欠妥。另一方面，对于异常企业来说，其部分数据太过异常，淹没了其它数据之间的差异性，从而对该部分数据的标准化肯定会影响该指标项的其他数据，给最终结果带来影响。