數據挖掘技術在上市公司財務困境預測中的應用

莊慧+饒揚勝

摘要：財務風險不僅嚴重危害企業的生存和發展，而且也會給投資者帶來巨大的投資損失，因此上市公司財務風險的預測越來越受到實務界和學術界的重視。筆者基于中國資本市場的數據，選取了2014-2015兩個時間窗口的27家首次被ST（特別處理的股票）的上市公司和54家各項財務指標符合上市規則的公司作為本文的研究數據來源，其中27家ST的公司以被ST前的第二個會計年度的數據為基數，運用CLementine工具，比較準確地實現了數據挖掘技術在上市公司財務困境預測中的運用。研究結果表明數據挖掘技術（Data mining）在財務困境預測模型具有較強預測能力，正確率較高。

關鍵詞：財務困境預測；數據挖掘；Logistic回歸

中圖分類號：TP182 文獻識別碼：A 文章編號：1001-828X（2016）028-000-02

一、緒論

1.研究背景

ST（股票被特別處理）規則的實施可以追溯到上個世紀90年代末，正是由于一批公司上市后財務狀況嚴重惡化，投資者利益尤其是那些小股東的利益受到嚴重損害，深證和上海證券交易所于1998年3月16日正式啟動ST規則，這標志著中國資本市場制度的完善。所謂ST規則是指當上市公司財務狀況出現異常情況不符合上市條件時，該公司的股票會被特別處理以引起投資者的關注。盡管ST規則的實施出于保護投資者的利益，但是該規則存在著滯后性，這就意味著上市公司出現財務異常狀況時投資者的利益已經收到損害。單純從數量方面來看，2014-2015兩年被特別處理的公司都超高50家，而且大部分被ST（特別處理）的原因在于最近連續兩個會計年度的凈利潤為負數，由此可見上市公司被ST只有在公司連續兩年財務狀況嚴重惡化的情況下才會出現。

公司被ST后證監會會給出一定的整改時間，在這段時間內公司的高管承受巨大壓力，并采取各種手段粉飾財務報表以求盡快摘帽，而這些措施往往是“拆了西墻補東墻”，投資者及其他利益相關者的利益還是會受到實質性的損害。因此，基于該背景，利用數據挖掘技術，從大量的財務數據中挖掘出對上市公司財務困境有預測作用的信息，成為我國市場的一個重要問題，具有一定的理論和現實意義。

2.研究意義

數據挖掘技術（Data mining）是基于大數據背景下產生的數據提取技術，在信息過量的現代企業管理中如何高效準確提取出管理活動中必須的信息是目前比較新的研究領域之一；而如何在上市公司發生財務困境時高效運用現代信息技術預測企業未來的財務狀況變化目前是比較棘手的問題。因此本文的研究結果在某種程度上有一定的理論價值。

以此同時，本文利用數據挖掘技術提前預測上市公司的未來各項財務指標的變化具有重要的現實意義。首先，上市公司的財務預測模型具有提前性，相比ST規則的滯后性，財務預測模型可以提前檢測上市公司的各項財務指標給管理者充分的時間采取措施扭轉經營惡化的趨勢，相比被ST后在短暫時間內的“拆了西墻補東墻”的措施，財務預測模型具有時間上的優勢，從而減少對利益相關者利益的損害甚至可以增加他們的利益。其次，財務預測模型可見減少上市公司的成本，上市公司被ST后將會發生各種成本，比如信息披露成本，而企業建立財務預測制度和可以以較少的投入避免更大的支出。

二、我國上市公司財務困境預測模型的研究設計

1.實證研究的基本流程

本文的實證研究可以分為三個流程，首先從證券交易所的官網中選取27家2014-2015年度被ST的上市公司和54家沒有被ST的公司作為研究對象；并確定能顯示上市公司財務狀況出現問題的財務或非財務指標，從國泰君安和銳思數據庫檢索需要的數據。其次，其次，對所選取指標進行特征選擇，刪除對被解釋變量影響不顯著的指標，降低變量維度，選擇回歸結果顯著的指標作為預測模型的解釋變量（Xi）。最后，將剩余的指標代入預測模型，運用Logistic回歸的基本原理對預測模型進行實證檢驗，并檢驗模型的穩健性以對模型預測的效果進行最后評價。

2.財務困境預測指標體系的設計

根據國內外研究成果和我國上市公司信息披露的現狀，本文選取了以下7個方面47個具體指標，這些指標涵蓋企業的財務與非財務，短期與長期，流動與非流動，投資者相關與債權人相關等方面。

（1）上市公司的盈利能力

盈利能力是企業財務狀況與經營狀況的集中體現。如果一家公司的盈利能力強，這將給起來帶來充足的盈余公積以應對未來可能發生的各種財務風險，這將意味者該公司被ST的可能性小。因此本文首先選擇盈利能力的財務指標作為本文財務預測的代入變量。

關于盈利能力本文選取的代表指標有：投入資本回報率X1、凈資產收益率X2、資產報酬率X3、資產凈利率X4、營業利潤率X10、銷售成本率X6、銷售費用率X7、管理費用占率X8、財務費用率X9、銷售凈利X10、成本費用利潤率X11。

（2）上市公司的償債能力

財務風險的大小很大程度上取決于企業的資本結構，合理的資本結構有利于企業的健康平穩發展；如果企業不能按期償還債務，將會嚴重危機企業的發展甚至會導致破產清算。因此，本文將反應償債能力的指標列入模型的代入變量。

本文選取的指標有：流動比率X12（ Current Ratio）、速動比率X13（Quick Ratio）、產權比率X14、有形凈值債務率X15、利息保障倍數（Times interest earned）X16、資產負債率（Assets Liabilities Ratio）X17、長期負債比率X18、權益乘數X19。

（3）上市公司成長能力

公司的成長能力代表著公司未來發展的潛力和行業的吸引力，只有具有良好發展潛力的上市公司才能得到投資者的青睞，才能以較低的財務成本獲得資金支持。因此成長能力是一個公司是否健康平穩發展的重要指示器。

本文選取得指標有：每股收益的增長率X20、營業收入的增長率X21、銷售的凈利潤率X22、經營活動中發生的現金流量凈額增長率X23、每股經營活動發生的現金流量增長率X24、凈資產的增長率X25、總資產的增長率X26。

（4）上市公司營運能力

營運能力是指企業對各項資產的利用狀況，是企業高管能力的集中體現，他與企業財務風險有著緊密的聯系。各項財務指標正常的企業應當具有較強的資產管理能力，各項資產都發揮從其作用，很少出現資產閑置和超負荷工作的情況。

本文選取的代表指有：總資產的周轉率（次）X27、營業周期（天/次）X28、總資產的周轉率（次）X29、應收賬款的周轉率（次）X30、流動資產的周轉率（次）X31、固定資產的周轉率（次）X32、應付賬款的周轉率（次）X33。

（5）上市公司現金流量

目前的為文獻很少將現金流量相關的指標作為財務預測模型的代入變量，但是上市公司的現金流量狀況直接影響企業的償債能力，再加上現金流量信息的不容易被管理層操作，因此本文將該類指標納入本文的測試范圍。

本文選取的的指標有：每股經營活動現金流量（元/股）X33、資本支出/折舊和攤銷X34、自由現金流量（元）X35、銷售收到現金比率X36、每股凈現金流量（元/股）X37。

（6）上市公司杠桿系數

上市公司的杠桿系數包含財務杠桿和經營杠桿，這兩種杠桿分別代表企業財務風險和經營風險的大小，這取決于公司的資本結構的合理性。財務杠桿直接決定財務風險的大小，同時經營杠桿系數也是評價企業風險的指標之一，該指標越大，企業的經營風險越大。

選擇的指標有：DOL_營業杠桿系數X38、DFL_財務杠桿系數X39、DTL_總杠桿系數X40。

（7）非財務指標

上市公司的財務風險雖然在很大程度上取決于財務指標，但是非財務指標也能影響企業的財務狀況，財務指標都能量化，而有些指標不能量化但與公司財務狀況息息相關，我們將這些指標歸類為非財務指標。

選擇的指標有：董事會人數（人）X41、獨立董事比例（%）X42、監事會人數X43、股權集中度X44、H5指數X45、國有股比例（%）X46、審計意見類型X47。

三、基于數據挖掘的上市公司財務困境預測

1.測試樣本的選取

本文基于中國資本市場的數據，選取了2014-2015兩個時間窗口的27家首次被ST（特別處理的股票）的上市公司和54家各項財務指標符合上市規則的公司作為本文的研究數據來源，其中27家ST的公司以被ST前的第二年的財務指標為基期。假定上市公司被ST當年為T年，前兩年假定為T-1、T-2年，同時根據我國上市公司信息披露制度的現狀，最終選定以T-2為基期來預測T年的財務狀況并于真實的狀況進行比較，以檢測模型的可靠性。

根據以上方法，我們選取了27家被ST的公司作為實驗的樣本來源，并選取了54家正常的公司作為對照組的數據來源本文研究的所用數據主要來源于銳思數據庫和巨潮資訊網。

2.Logistic回歸分析

Logistic 回歸分析的基本原理：設被解釋變量Y為1是代表公司被ST，即公司發生財務預警。Y為0時表示公司各項財務指標正常。P1（0-1）代表公司被ST 的可能性，我們用概率表示，P0=1-P1表示公司正常運行的可能性。

Xk為解釋變量，βk為解釋變量對應的回歸結果得出的系數，α為橫向截距。其中截距和回歸系數是運用概率論中的最大似然方法估計的結果。由此我們得到回歸預測模型通常選擇0.5（該數值來源于現有研究結果）為分界點，這就是說當上市公司的P小于0.5時可以判斷該公司的各項財務指標符合規定，該公司為正常公司；當P大于0.5時，我們可以據此推測該公司被ST，即該公司發生財務危機。

根據Clementine軟件的Logistic回歸模型計算結果，對模型的整體顯著性、模型中每個解釋變量的顯著性以及模型的擬合優度進行檢驗，并對影響財務困境的因素進行分析。其中我們對該預測模型進行顯著性檢驗的目的在于檢測自變量X是否與P的線性關系存在顯著影響，是否可以得出該模型具有良好的擬合度。

原假設（H0）是回歸的結果是：各項系數顯示為0，這就意味著解釋變量全部與P沒有顯著的線性關系，因此應該拒絕原假設；擬合優度檢驗一方面是考察回歸方程能夠解釋被解釋變量變差的程度，另一方面是考察回歸方程算出的預測值與實際值之間的吻合程度，如果吻合程度越高，則說明擬合優度越高。最后根據Clementine軟件給出的判別矩陣，給出模型的每類預測準確率和整體預測準確率。具體分析如下：

回歸方程顯著性檢驗的總體情況，各數據項分別是：似然比卡方的觀測值、自由度及概率P-值。其中最大似然卡房檢驗的結果的觀察值為95.950，概率的P值為0.000，明顯小于顯著性水平值（0.05），因此應當拒絕原假設，并認為當所有的回歸系數結果不同時為0時，X與P之間的關系是顯著的，這也說明所擬合的方程具有統計學意義。

該模型擬合優度方面的指標，其中-2倍的對數似然函數值為7.165，比較小；Nagelkerke R Square為0.964，比較接近1，這說明該模型的擬合優度較高。

根據ST發生前T-2年的模型統計量，Logistic回歸方程可表示為：

四、小結

本文以A股上市公司為研究對象，利用SPSS公司的Clementine數據挖掘工具對我國上市公司的財務困境預測進行了實證研究。本文的實證結果表明，上市公司采用數據建立財務預測模型對預測企業未來的財務狀況走勢具有較強的預警能力，而且本文對各項財務指標進行了量化處理，非財務指標也進行了恰當的處理，由此得出的結論具有一定的說服性。

但是本文也存在一些不足之處，本文只是對數據挖掘在財務困境預測方面做了初步探索，在理論及操作中仍存在很多不足之處。由于公開披露的被ST公司的上市公司的數量每年是有限的，因此本文的研究樣本數量不足，此外，雖然對樣本數據不斷進行修改及替換，但最后選取的樣本并不是很完善，造成在特征選擇過程中，很多理論上對公司財務狀況有重大影響的指標因為缺乏經驗數據而被刪除。以上的不足及問題均說明該模型仍有許多需要改進之處。

參考文獻：

[1]薛薇，陳歡歌編著.基于Clementine的數據挖掘[M].中國人民大學出版社，2012，3.

[2]李健.基于數據挖掘的上市公司財務風險預警研究[D].西安：西安科技大學碩士學位論文，2019，4.

[3]金照林.基于數據挖掘的上市公司財務困境預警研究[D].武漢：武漢理工大學碩士學位論文，2005，5.

[4]彭易成.基于數據挖掘的上市公司財務危機預警模型研究[D].成都：成都理工大學碩士學位論文，2007，5.

[5]趙芳芳.關于上市公司財務風險預警系統的實證研究[J].商場現代化，2007，9：24-29.

[6]張秋水，羅林開，劉晉明.基于支持向量機的中國上市公司財務困境預測[J].計算機應用，2006，6：105-108.

[7]韓建光，惠曉峰，孫潔.基于多特征子集組合分類器的企業財務困境預測[J].系統管理學報，2010，4：420-427.

[8]吳世農.我國上市公司財務風險的預測模型研究[J].通信與信息技術，2001，6：34-38.

[9]陳磊，任若恩.基于比例危險和主成分模型的公司財務困境預測[J].財經問題研究，2007，9：93-96.

[10]卜耀華.基于數據挖掘技術的企業財務困境預測建模[J].計算機仿真，2012，6：355-358.