基于商业智能的制造业上市公司财务预警系统研究*

桂林电子科技大学商学院 戴 东 曾繁荣 刘 希

制造业是一国经济发展的载体和基础。一个国家制造业发展的好坏在很大程度上决定了这个国家在世界经济中的地位。自2008年金融危机以来，我国制造业的发展受到了很大影响，政府采取了很多措施对制造业进行转型和升级，但是就目前的经济状况不难发现，我国制造业仍然处于低迷状态。

一、制造业上市公司财务预警指标构建

传统的财务分析方法单纯的以财务报表为基础，就多个指标进行分析，与这种相对静态的分析方法相比，把商业智能运用到财务预警系统中，通过将财务数据和各种外部数据进行收集、归纳和量化（ETL技术），建立数据仓库，利用联机分析处理工具（OLAP技术） 和数据挖掘工具（Date Mining）结合专门的财务知识进行分析，将数据转化成有用的信息，从而能为信息使用者提供了一个动态的财务系统研究。为了阐明商业智能技术在制造业上市公司财务预警系统中的应用，以下对财务预警指标的构建过程进行说明：

（一）样本选取 对于上市公司何时出现财务危机，不同的学者对此有不同的理解和观点，国外学者在进行研究时将企业破产作为财务危机的标志，但是基于我国资本市场尚不完善以及破产制度尚不健全，上市公司出现破产的情况是鲜见的，这种情况决定了我国上市公司以企业破产来判定财务危机的不客观性。从我国的财务危机预警的研究文献中可以看出，大部分的研究多是采用ST（special treatment）来界定是否出现财务危机，即公司经营连续两年亏损，被特别处理。本文选取了制造业沪深两市A股市场2010、2011、2012、2013年被首次ST上市公司为样本，共计50家。2010年首次被ST的制造业上市公司共计22家；2011年首次被ST的为12家；2012年首次被ST的为9家；2013年首次被ST的上市公司为7家。同时根据行业类别和上市的时间和规模选取了50家财务状况正常的上市公司作为配对样本进行研究。对于样本的时间范围的选择，不同的学者也会有不同的观点，但是本文选择的样本是首次被ST的上市公司，即如果该公司第t年被ST，那么在t-1和t-2年已经出现了亏损，所以如果选择这两年的财务数据，会引起模型的高估，如果选择t-4年财务数据，出现危机的公司和正常的公司又没有显著性差异，所以本文认为t-3年是转折点，选择t-3年的财务数据更有研究意义。

（二）财务指标确定 财务指标是否合理决定了财务预警的准确性，根据财务指标选取遵循的全面性准确性和显著性原则，参考了国家颁布的中国上市公司业绩评价指标体系，结合国内外学者已有的研究，本文选取了29个指标涉及了上市公司的五个方面：（1）盈利能力。为了反映企业获取利润的能力，选取了净资产收益率、总资产净利润率、营业利润率、销售净利率、股本报酬率、主营业务利润率和成本费用利润率7个指标。（2）营运能力。为了反映企业的经营状况，选取了总资产周转率（次）、固定资产周转率、流动资产周转率（次）、应收账款周转率（次）、股东权益周转率和存货周转率（次）。（3）偿债能力。为了反映企业偿还债务的能力和资产负债水平，选取了流动比率、速动比率、现金比率、资产负债率、利息支付倍数、股东权益比率和负债与所有者权益比率。（4）发展能力。为了反映企业的成长性和开源创收的能力，选取了净利润增长率、主营业务收入增长率、总资产增长率和净资产增长率。（5）现金流量。本文选取了经营现金流量对销售收入比率、资产的经营现金流量回报率、经营现金净流量与净利润的比率、经营现金净流量对负债比率和现金流量比率5个指标。

即使指标选择严谨，但这些指标中某些指标间还是有一定的相关性，并且过多的指标会增加信息的收集和整理难度，降低工作效率，所以要对这些指标进行优化。将初选五个方面的所有29个指标汇总进行正态性检验，将服从正态性分布的指标体系进一步做T检验，以确定哪些指标具有显著性作用，筛选出显著性指标，删除不显著的指标；将没有服从正态性分布的指标体系进一步做非参数检验，同理确定这部分指标中的显著性指标，删除不显著的指标，最后汇总所有显著性指标用于构建上市公司财务系统指标体系。此优化过程不仅解决了预警指标体系的显著性问题，同时也达到了尽可能降低了预警指标体系的维度的目的。经过对以上29个指标进行处理可以发现，只有流动资产周转率、股东权益周转率、存货周转率、净利润增长率和经营现金净流量与净利润的比率5个指标不具有显著性，予以剔除，剩余24个指标构成预警指标体系。

二、基于商业智能的制造业上市公司财务预警系统实现

商业智能系统有三大技术支持：数据仓库（Data Warehouse）,联机分析处理（OLAP） 和数据挖掘（Data Mining）。数据仓库用于存储有用信息，OLAP技术可以从不同层面进行全面了解储存在数据仓库中的信息，数据挖掘则是发现问题找规律，并对将来进行预测。商业智能实现大体的过程是收集数据，对数据进行清理、转化，存入数据仓库，将仓库数据变为信息，并用OLAP工具、数据挖掘工具对信息进行处理，将信息变为对决策有用的知识。其架构如图1所示。

图1

（一）数据仓库建立 数据仓库是个容器，它可以用一种安全可靠的方式对数据进行存储和管理，是一个从中可以查找信息的计算环境，运用数据仓库可以对上市公司的错综复杂的数据进行灵活处理，并对信息使用者提供有用的信息。

（1）数据仓库概念模型设计。概念模型主要任务是界定系统边界和确定主题域及内容，它是现实世界的一个真实模型，满足用户对数据的分析。对于概念模型的设计，要易于理解，易于更改，易于像逻辑模型转换。通常在设计概念模型时，用E-R数据模型来描述实体与属性之间的关系。对于本文所要研究目的，分为两个主题（实体）公司和财务指标，具体E-R图如图2所示。

图2

（2）数据仓库逻辑模型设计。逻辑模型是以概念模型为基础，对概念模型进一步的细分，它包括了实体以及实体的属性和关系，定义实体的主键，指定实体的外键。鉴于本文的研究目的，选取了在操作和执行过程比较简单的星型模型结构，由一个事实表和一组维表构成。根据前面概念模型的分析，本系统将建立三个维表分别为时间维表、公司维表和财务指标维表。

时间维表：包括时间ID、年度、半年度和季度。本文研究的是制造业上市公司的财务预警，以财务指标为基础，一般财务指标的报告以季度进行，所以其最小粒度划分到季度就可以。

公司维表：包括公司ID、上市公司股票代码、是否ST以及所属行业。对于是否ST，可以将制造业的上市公司分为ST和非ST两大类分别查询，也可以按照所属行业进行查询，更加有利于数据信息的规整查询。

财务指标维表：包括指标ID、指标类型、指标名称和计算公式。财务指标可以通过偿债能力、发展能力、盈利能力、营运能力和现金流量进行分析和查询，有利于指标数据的分类和提取。

对于进行财务分析的事实表不仅包括了各个维表的主键还包括了度量值（财务指标值）。包括了度量值信息的最底层级别的明细，每个维度的项目成员在事实表中都有数据行。

（3）数据仓库物理模型设计。数据仓库的逻辑模型要在物理系统中实现，即把逻辑模型具体化，例如要考虑数据存放的位置、数据的结构类型、设计存储结构、索引策略等。设计物理模型的主要目的是提高数据仓库的性能和更好地管理存储数据。对于本文商业智能所选用的软件相对更加高效、可信任以及智能的SQL Server2008。根据以上的设计建立的星型数据仓库模型如图3所示。

图3

（二）基于OLAP 技术的多维财务数据分析 在前文数据仓库创建的多维数据集,要在该数据集中对财务数据进行分析,从多方面和角度深刻了解制造业上市公司的财务数据,以便更深刻地挖掘出数据背后之间的关系。根据前面所建立的多维数据模型，可以方便从各个角度之间进行切换，也可以进行多角度的综合分析。OLAP技术查看数据的方式包括切片和切块、旋转、钻取。在多维数据集中，切片是按二维进行切片，三维进行切块的；旋转操作是指改变页面显示维的方向；钻取包括向上钻取和向下钻取两种，它可以改变维的层次变换分析的粒度，在信息查询中，可以从年度数据细分到半年度数据，半年度数据细分到各个季度数据，这种是向下钻取；向上钻取则是反方向进行。

对于多维数据集的前端展现，本文选用了excel2007来展示OLAP数据，当excel与SQL server多维数据集连接后，本文随机选取了2012年被首次ST的*ST银河和它的配对样本中联重科在T-3（2009年）的财务指标，并以显著性指标为筛选条件，利用数据透视表构建了两公司的财务指标折线图，如图4所示。

图4

对中联重科和*ST银河的各个财务指标对比发现X5股本报酬率、X9固定资产周转率、X11应收账款周转率、X18利息支付倍数和X20负债与所有者权益比率五个指标数据有较为明显的差距，其余的19个指标数据相差很小。中联重科和*ST银河属于电器机械及器材制造业，中联重科的这五个指标均显著高于*ST银河，说明中联重科的盈利能力、固定资产的利用效率、管理水平和长期偿债能力均相对较好，总体水平要好于*ST银河。因为它们处于电器机械及器材制造业，笔者认为，应收账款周转率相对来说更为重要一些，应收账款周转率越高，说明应收账款回收就越快，企业的营运资金不会过多呆滞在应收账款上，以免影响企业的营运效果，加大企业的财务风险，在这一方面中联重科要强于*ST银河，为以后的发展奠定了基础。

（三）基于数据挖掘的财务预警模型 对于已经存在的财务信息，可以利用OLAP技术从不同的维度由财务数据仓库中获取，但是对于数据仓库数据中潜在的、隐藏的关系和信息很难得到充分体现，以确定上市公司财务发展趋势。为此，需要利用数据挖掘技术对它们进行深度的挖掘，构建制造业上市公司财务危机预警模型。

本文选取了2010~2013年被首次ST的51家制造业上市公司和51家非ST配对公司，共有102家分成测试样本和训练样本，其中70%作为训练样本，剩余30%为测试样本。在构建的挖掘结构中，将公司设为Key（索引键），经过显著性分析的24个财务指标设为输入列，把是否ST作为预测列，建立挖掘模型。

本文选取了决策树挖掘模型，决策树可以有效对大量数据集进行分类，结果简单易懂，是挖掘模型中较为常用的一种算法，判别率也较高。根据训练样本和24个显著性指标作为输入变量，建立决策树模型，生成的决策树如图5所示。

图5

从图中可以看出，根据训练样本的财务数据可以生成六个节点的决策树，从该决策树可以很容易地发现如下规则：与是否ST关系最为紧密的是净资产收益率,当上市公司净资产收益率＜0.305，三年后该公司被ST的比率会比较大，概率为93.1%；当上市公司净资产收益率X1<.0305且负债与所有者权益比率X20<2.876时，三年后该上市公司被ST的概率为96.1%；相反当上市公司净资产收益率X1≥.0305且销售净利率X4≥.0680033时，三年后该上市公司财务趋于正常，被ST的概率仅为3.7%。

SQL server2008的数据挖掘查看器中有很多选项卡，可以从不同的角度来显示模型，依赖关系网络可以显示决策树模型中所有属性之间的关系，所生成的依赖关系网络如图6所示。

依赖关系网络证明了被首次ST的T-3年，净资产收益率、销售净利率、股本报酬率、股东权益比率、负债与所有者权益比率和经营现金净流量对负债比率这六个指标与是否ST有较强的相关性，其中净资产收益率与是否ST紧密性最强。

图6

基于数据挖掘的预警模型已经构建，本文通过分类矩阵的方式对模型的效果进行验证。分类矩阵将显示模型预测正确的次数，当预测错误时，给出的答案是什么。对于模型进行预测，本文是将剩余的30个测试样本分别带入模型检测预测的准确率。在决策树模型中30个测试样本中，预测正确的有24个，剩余的6个预测错误，其中将2家三年后未被ST的上市公司预测为被ST，4家三年后被ST的上市公司预测为财务正常；决策树算法的得分为0.8（24/30）。如图7所示：

图7

三、结论

针对制造业上市公司的财务预警问题，需要一个动态的监控系统进行实时监控，商业智能技术促进了这一设想的实现。运用商业智能来构建财务预警系统可以将潜在的影响上市公司正常运行的各种财务状况实时反应出来，数据仓库技术能够使上市公司的数据进行自动更新存储，OLAP技术能够使对上市公司现有的财务数据进行多维的分析，同时应用数据挖掘技术建立财务预警模型，达到了对公司财务进行动态的监控。本文选取2010~2013年首次被ST的51家A股上市公司和配对的51家非ST公司作为研究对象，通过商业智能技术对其财务进行分析及判断研究结论如下：决策树算法建立的挖掘模型可以对制造业上市公司未来是否发生财务危机进行较为正确的判断，预测的准确性达到80%；基于商业智能技术对上市公司的财务可以全面地进行分析和预测，时效性更强。

［1］邢有洪：《上市公司财务危机预警研究》，《财会通讯》2013年第8 期。