基于貝葉斯網絡的重大資產重組公司預測模型

尹陽春

[摘 要] 隨著資本市場的不斷發展，企業重大資產重組已經成為企業優化資源配置、謀求可持續發展的重要途徑。對投資者而言，在重大資產重組停牌公告發布前進行投資布局有助于獲得超常收益。通過以中國A股主板2015年至2017年發布重大資產重組停牌公告的公司為樣本，運用理論分析確定構建貝葉斯網絡的節點，并在此基礎上通過貝葉斯網絡建立重大資產重組預測模型。研究發現，股權制衡度、資產減值損失占營業收入比例越大，出現控股股東變更，每股收益、每股凈資產、每股營業收入越小，上市公司發生重大資產重組事件的概率越大。模型總體準確率為71.63%，表明對重大資產重組公司進行預測在很大程度上是可行的。

[關鍵詞] 貝葉斯網絡；重大資產重組；預測模型

[中圖分類號] F724 [文獻標識碼] A [文章編號] 1009-6043（2018）04-0083-03

Abstract： With the continuous development of capital market， the major asset restructuring of enterprises has become an important way for enterprises to optimize the allocation of resources and seek sustainable development. For investors， investment layout before major asset restructuring announcement is helpful to get abnormal returns. By using the theoretical analysis to establish the nodes of the Bayesian network， a major asset reorganization prediction model is established on the basis of the Bayesian network， which is based on a sample of the companies that issued a major asset restructuring stop bulletin from 2015 to 2017 of China's A shares. It has been found that the greater the proportion of equity and impairment of assets is in the operating income， with the change of the controlling shareholders and the smaller the net assets per share and the earnings per share are， the greater the probability of the major asset reorganization of the listed companies will have. The overall accuracy of the model is 71.63%， which indicates that it is feasible to predict major assetrestructured companies.

Key words： Bayesian network， major asset restructuring， prediction model

一、引言

最近幾年，我國上市公司資產重組的腳步越來越快，特別是重大資產重組已經成為優化資產結構、實現企業價值增值的重要途徑，因此預測重大資產重組公司對投資者獲得超常收益具有重要意義。自21世紀以來，世界各國尤其是新興市場國家放寬了對資產重組行為的監管。隨著資產重組行為數量的增加，國外研究人員開始關注對并購目標的預測，通常的方法是邏輯回歸，衡量的主要指標有資產負債率與總資產，如Kramaric（2012），準確率為70.6%；銷售增長率、投資回報率、總資產現金回收率，如Barai，Mohanty（2012），準確率高達91%；凈利率，資本勞動比率，營業收入，存貨周轉天數，如Tsagkanos（2012），總預測準確率僅為57.14%，但非目標公司的準確率為91%。

中國學者的研究則大多沿襲了西方學者的方法。衡量的主要指標有現金營運指數、固定資產比率、第一大股東持股比例、流通股比例，如張金鑫，張艷青，謝紀剛（2012），預測準確率不高，僅為56.1%；資產負債率、凈資產收益率、基本每股收益、每股經營現金流量、前十大股東持股比例，如趙息，徐曉（2015），模型總體準確率為70.4%。

綜上，可以看到關于資產重組的研究大多以目標公司為對象，只有少數文章涉及對主并公司的研究，如陳玉罡，李善民（2007），研究角度不夠全面。而且預測模型基本采取線性回歸分析，方法也較單一。而通過貝葉斯網絡方法對重大資產重組進行預測，可以對非線性的變量關系進行研究，從而擴大了預測指標的選擇空間。另一方面，由于研究范圍不局限于重大資產重組的方式和企業在重大資產重組中的角色，而將研究對象擴大到所有重大資產重組公司，使預測模型具有更廣泛的應用價值。

二、貝葉斯網絡的基本原理

貝葉斯網絡是由有向無環圖（DAG）所表示的各隨機變量間的概率關系，由有向無環圖和條件概率表兩部分構成。有向無環圖即為貝葉斯網絡拓撲圖，圖中的各節點表示相應的隨機變量，有向弧表示各節點之間的依賴關系，箭頭指向的方向為子節點，其另一端為父節點，沒有父節點的稱為根節點。條件概率表示各子節點對其父節點依賴關系的強弱。貝葉斯原理可表示為下面的公式：

P（A|B）=P（B|A）P（A）/P（B）=P（AB）/P（B）（1）

將公式（1）應用于重大資產重組事件預測時，我們假定公司發布重大資產重組停牌公告為事件A，則P（A）表示公司發生重大資產重組事件的概率，P（B）是作為預測變量B處于某個等級的概率，P（B|A）表示在公司發生重大資產重組事件條件下，預測變量B處于某個等級的可能性。P（A）、P（B）、P（B|A）均可根據上市公司的經驗值得到，通過貝葉斯網絡參數學習后，我們可以得到P（A|B），即預測出在變量B處于某個等級的條件下，公司發生重大資產重組事件的概率。

當我們所建立的貝葉斯網絡中存在著i個變量時，由公式（1）可以得到聯合概率分布為：

P（X1，X2，…，Xi）=P（X1|X2，X3…，Xi）P（X2|X3，X4，…，Xi）…P（Xi-1|Xi）P（Xi） （2）

三、構建貝葉斯網絡的指標選擇

企業為了在激烈的市場競爭中取得優勢，會努力獲取區別于競爭對手的獨特資源，這些資源不僅包括土地、設備、甚至資金等有形資源，還包括無形資源，例如獨特的專利技術、團隊、供貨合約、客戶關系、品牌等無形資源。這些資源的獲取過程一般需要漫長的時間，還需要投入巨額的人力、物力和財力。這些因素導致這些資產很難以貨幣計量，即使可以用貨幣計量，其重置的代價必然高昂。但是在公司價值較低的情況下，資產重組可以縮短取得的時間以達到獲取優勢資源的目的。從這個角度來說，較低的公司價值會使通過資產重組來獲得額外生產能力的成本比自己從頭做起的代價要低的多。而根據企業價值理論，每股收益、每股凈資產、每股營業收入與企業價值緊密相關，因此將每股收益、每股凈資產、每股營業收入作為預測指標。

資產減值是指資產未來可能流入的經濟利益低于現有的賬面價值。對企業而言，在重大資產重組前確認資產減值，能夠體現因為內部使用方式或范圍改變而導致的效用降低，從而更加真實地反映交易標的預期帶來的經濟利益，有利于合理評估交易標的的價值，提高重大資產重組后企業的風險應對能力。而資產減值行為在財務報表上的表現，就是資產減值損失占營業收入比例增加，因此將資產減值損失占營業收入的比例作為預測指標。

在公司實際生產經營活動中，公司控制權往往由幾個大股東共同分享，通過內部牽制，使得任何一個大股東都無法單獨控制企業的決策，從而達到大股東相互監督的股權結構。但是這種股權結構不可能一成不變，尤其是重大資產重組涉及的交易標的無論從總額、凈額還是所產生的營業收入來看都占有企業現有資產相當高的比例，這種交易可能會對已有的股權結構產生沖擊。結合以往的研究成果，選擇前十大股東持股數對第一大股東持股數的比例作為預測指標。

企業控制權的變更可能會使小股東和大股東間的委托代理關系發生變化，比如新控股股東支持調整公司的經營規模范圍，在這種情況下，新控股股東可能會通過推動重大資產重組以求在短時間內獲取市場競爭優勢。因此將公司控股股東的變更作為預測指標。

綜上所述，初步的指標選取如表1所示：

四、重大資產重組預測模型構建

（一）樣本選擇

從東方財富Choice數據庫和巨潮資訊網中獲得的2015年5月1日至2016年4月30日A股主板1542家上市公司作為訓練樣本，用于構建預測模型；2016年5月1日至2017年4月30日A股主板1632家上市公司作為測試樣本，用于檢驗預測模型的準確率。在剔除報告年度中財務數據缺失的樣本的基礎上通過不同年份的數據學習模型參數，更新貝葉斯網絡模型，動態地預測重大資產重組狀況，并對模型的準確性進行檢驗。

（二）學習網絡參數

運用軟件Netica，對已選出的重大資產重組事件信號和是否發生重大資產重組事件（目標節點）進行構建貝葉斯網絡。貝葉斯網絡要求數據是離散的，上述預測變量中，除控股股東是否變更是離散型變量外，其他指標都是連續的。所以，根據證監會公布的上市公司行業指引對數據進行分類，以公司年報發布前的分類結果為準進行離散處理，采用中位數方法，將指標按照行業分為2級，所構建的以是否發生重大資產重組為目標節點的網絡結構如圖1所示。

在確定貝葉斯網絡結構之后，需要對節點的先驗概率值進行計算，并根據計算結果對節點賦值。在對節點進行賦值時，對數據缺失或無效的部分會根據專家意見進行調整。對于財務類指標，根據分類的結果對上市公司進行排序，并以行業中位數為衡量標準將相同行業公司的指標分為兩種狀態；對于非財務類指標，根據相關事件發生與否將指標分為兩種狀態。以目標節點以及上一級節點為例，重大資產重組停牌概率節點的狀態分為發生（Y）和不發生（N）兩種。對于公司價值、股權制衡和減值這三個上一級節點，狀態分為高于行業平均數（H）和低于行業平均數（L）兩種。另外對于公司價值節點，每股收益、每股凈資產和每股營業收入至少兩項指標低于行業平均數（L）和至少兩項指標高于行業平均數（H）兩種。其他指標也按照相同原則進行處理。由于篇幅有限，不再列舉其他指標的賦值情況。目標節點以及上一級節點的復制情況如表2所示。

進行準確率檢驗前，我們首先要確定概率閾值，由于研究方法是以全樣本研究，故選用E（P）的估計值，即目標樣本占總樣本的比例19.8%作為概率閾值對模型進行檢驗。

（三）模型準確率檢驗

將測試樣本1632家A股主板上市公司各預測變量的觀測值代入模型，其中為202家為發生重大資產重組事件公司，1430家為未發生重大資產重組事件公司。其最終測試結果如表3所示。

五、結論

綜上，采用貝葉斯網絡構建重大資產重組事件預測模型，總體預測正確率為71.63%，并發現股權制衡度、資產減值損失占營業收入比例越大，出現控股股東變更，每股收益、每股凈資產、每股營業收入越小，上市公司發生重大資產重組事件的概率越大。結果表明，投資者可運用貝葉斯網絡對可能發生重大資產重組事件進行預測，進而為投資者選擇投資目標提供路徑。

[參考文獻]

[1]Kramaric T P. Predicting Takeover Targets -- Case of Croatian Insurance Companies （1998-2010）[J].Journal of Global Business Management， 2012， 8（1）：33-41.

[2]Barai P， Mohanty P. Predicting Acquisitions in India[J].Vikalpa the Journal for Decision Makers， 2012（3）：29-50.

[3]Tsagkanos A， Koumanakos E， Georgopoulos A， et al. Prediction of Greek takeover targets via bootstrapping on mixed logit model[J].Review of Accounting & Finance， 2012， 11（3）：315-334.

[4]陳玉罡，李善民.并購中主并公司的可預測性——基于交易成本視角的研究[J].經濟研究，2007（4）：90-100.

[5]張金鑫，張艷青，謝紀剛.并購目標識別：來自中國證券市場的證據[J].會計研究，2012（3）：78-84.

[6]趙息，徐曉.中國制造業并購目標的財務特征及預測[J].河北工業科技，2015，32（2）：107-111.

[7]趙文平，王園園，張一楠，周達培.基于貝葉斯網絡的上市公司財務風險預警模型[J].財會月刊，2015（23）：66-69.

[8]孟榮芳.上市公司并購重組商譽減值風險探析[J].會計之友，2017（2）：86-89.

[9]陳凱.企業重組并購形勢下資產管理風險探析[J].會計之友，2012（23）：59-60.

[10]阮素梅，丁忠明，劉銀國，楊善林.股權制衡與公司價值創造能力“倒U型”假說檢驗——基于面板數據模型的實證[J].中國管理科學，2014，22（2）：119-128.

[11]林俊榮.中國并購市場目標公司特征研究[D].北京交通大學，2014.

[12]李敏.基于貝葉斯網絡的高新企業融資風險評估模型[J].統計與決策，2016（15）：177-179.

[責任編輯：趙磊]