基于數據挖掘的上市公司財務風險預警研究
——來自京津冀上市公司的經驗證據

張曉萍 張 穎 張若望 劉虹雨 崔維康 尹 航

一、引言

企業財務風險貫穿于生產經營的整個過程中，可將其劃分為:籌資風險、投資風險、資金回收風險和收益分配風險四個方面。市場競爭環境日趨激烈嚴酷，如何對公司經營財務狀況實施動態進行有效的監控，如何客觀公正評價企業的財務風險，對有出現財務風險苗頭的公司提前預警，整體提高企業的風險管理水平，是目前企業財務管理的核心環節。近年來，數據挖掘技術日益成熟，通過建立財務風險評價指標體系，采用不同的數據挖掘方法構建模型，有效預測財務風險，是當前學者研究的新方向和熱點。我們可以在證券市場上搜集到大量的財務數據，例如股價數據、股吧評論數據等。應用數據挖掘技術，從大量、不完整、不規律的財務數據中，找出數據間隱含的關系和有價值的信息。財務危機的發生是一個循序漸進的過程，在企業危機發生的3年前，財務指標會存在警示信號，通過挖掘這些內在信號內在規律，構建模型，提前預測財務風險，對上市公司自身、投資者、債權人及證券監管部門都具有重要意義。

二、樣本數據選取及指標體系的構建

（一）樣本數據的選取

本文研究所需要的樣本數據，即財務風險公司樣本來自Wind金融終端違規行為數據庫。根據我國上市公司的實際情況，上市公司t-1和t-2年的財務狀況決定上市公司是否被ST。本文將采用樣本公司t-2年的財務數據來進行實證研究。本文選取京津冀上市公司2014—2018五年的財務報表數據，其中樣本公司需要剔除金融類以及數據不完全的上市公司，ST公司52家，遵循同行業、同時間的原則，參照Beasley(1996)的匹配原則和1：1的比例選取52家非財務風險公司配對樣本。

（二）指標體系的構建

財務風險預警指標的選取的是否適用準確，會極大關聯到財務風險預警模型測試結果的可信度和普適性，預警指標的選取要全面反映企業的財務狀況和經營成果，能夠從相關的數據庫和公司報表上獲取，而且指標的選取要具備科學合理性，而不是毫無根據的，我們要從眾多的指標中挑選出相關聯、重要的財務和非財務指標，所以本著全面性、可獲取性、合理性、重要性原則，本文綜合財務信息和非財務信息兩方面的特征，設計了如下風險指標。反映償債能力的指標X1流動比率、X2速動比率、X3現金比率、X4資產負債率、反映成長能力的指標X5營業收入增長率、X6總資產增長率、X7營業利潤增長率、X8凈利潤增長率，反映每股指標X9每股收益、X10每股息稅前利潤、X11市盈率、X12每股營業收入，反映現金流能力指標X13每股現金凈流量、X14現金流量利息保障倍數、X15債務保障率、X16營業收入現金含量，反映盈利能力的指標X17凈資產收益率、X18總資產報酬率、X19總資產凈利潤率、X20銷售毛利潤，反映營運能力的指標X21應收賬款周轉率、X22存貨周轉率、X23總資產周轉率、X24應付賬款周轉率。同時選取的非財務指標包括反映股權結構的Y1第一大股東、Y2股權集中度、Y3第一大股東是否絕對控股、Y4第一大股東是否相對控股、Y5董事會規模、Y6董事長是否兼任總經理、Y7獨立董事比例、Y8高管持股比例、Y9審計意見、Y10違規行為。

三、預警指標的K-S檢驗和T檢驗

本文共選取了34個財務風險指標，包括24個財務指標和10個非財務指標，根據經驗選擇的初選指標能夠基本滿足特征體系的完整性、科學性和系統性，但是可能操作性、相關性較差，不能實現快速運算。所以本文使用SPSS22.0軟件對指標進行正態分布檢驗（K-S檢驗）和獨立樣本T檢驗。根據測試數據，X1、X2、X3、X4、X5、X8、X9、X12、X14、X17、X19、X22、X24等14個財務指標的Sig值高于顯著性水平5%，也就是說上述14個財務指標均滿足正態分布，Sig值小于顯著性水平5%有6個財務指標，不符合正態分布。檢驗結果顯示，在非財務指標中，Sig值高于顯著性水平5%的只有Y1、Y4、Y8、Y10四個變量，可以判定這四個指標滿足正態分布，剩下的6個非財務指標的Sig值均小于顯著性水平5%，不滿足正態分布條件。T檢驗中，如果Sig值低于顯著性水平5%，則兩組均值間有顯著性差異，可以據此判斷財務公司是否出現了財務危機；若Sig值高于顯著性水平5%，則不存在顯著性差異。根據檢驗結果，在T-3年有X1、X2、X4、X8、X9、X14、X17、X22、Y1、Y4、共10個預警指標通過了T檢驗，說明這些指標存在顯著性差異，其余均為通過T檢驗，不存在顯著性差異。

四、GA-BP神經網絡財務風險模型構建

BP網絡（Back Propagation），是1986年由Rumelhart和McCelland為首的科學家小組提出，是一種按誤差逆傳播算法訓練的多層前饋網絡，是目前應用最廣泛的神經網絡模型之一。BP網絡能學習和存貯大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。BP神經網絡是由輸入層、隱含層、輸出層、傳遞函數、訓練函數等網絡結構和網絡參數設置的多層網絡。輸入層相當于存儲器，主要工作重點是傳入樣本信息。輸入層一般由預警指標構成，一般來說輸入層的數據范圍越廣，節點數目越多，模型預測的精確性越強。本文將輸入層的節點數設定為經過K-S檢驗和獨立樣本T檢驗的10個預警指標，其中包括8個財務指標和2個非財務指標。然后確立隱含層數目，最常用的BP神經網絡結構是3層，經過綜合的考量，本文將隱含層的層數設定為1。輸出層主要是輸出分析數據，輸出的節點個數取決于輸出數據的類型。本文將輸出層的節點數設定為1。若輸出的結果為0，表示該公司為財務正常公司，若輸出的結果為1，表示該公司為財務危機公司。通過檢測結果可知，本文構建的三層神經網絡模型對京津冀上市公司對被ST的京津冀上市公司的判斷準確率可達到95.3%，對非ST的京津冀上市公司的判斷準確率可達到94.6%，綜合準確率可達到94.95%，結果較為理想，預警成效總體較好，說明該模型是有效且合理的，能夠在京津冀上市企業中使用該模型，對公司出現的財務風險進行提前預警和防范。

五、京津冀上市公司財務風險預警防范對策

（一）增強財務危機防范意識

京津冀上市公司面對復雜的內外部環境，要想做好財務風險預警工作，有效預防財務危機的發生，首先必須樹立財務危機防范意識。防范意識不能僅停留于表面，必須滲透到每個人的腦髓中。第一，高層監管和管理人員要有警惕意識，率先示范，起到良好的帶頭作用；其次，公司的每一位員工，作為公司的成員，也要高度關注企業經營管理過程中出現的財務風險或者可能引發財務危機的潛在因素，并主動匯報，從而形成人人關注、人人預防的財務風險抵御墻。

（二）加強制度建設，完善公司治理結構

第一，保持合理的股權結構。上市公司股東有權出席股東大會并對公司的重大經營決策進行參與管理。前十大股東股權的適度集中，既有優勢也有劣勢。優勢在于可以降低代理成本，有助于加強股權之間的監督、協作和制衡，有助于在董事會、監事會中選舉自己的直接代表，提高決策質量。劣勢在于要防止股權高度集中，避免“一股獨大”現象，避免大股東侵害中小股東利益等不平等行為，保持前兩大股東合理的持股比例。第二，完善董事會制度，提高監事會的監管職能。保證董事會的相對獨立性，加強董事會對于大股東的限制，董事會要加強與公司高層管理人員的溝通，加強信息開放度、透明度和公開性。另外要加強監事會的監督職能，加強監事會的獨立性，提高監管效果，提高監事會監督的專業能力和效率，這些措施在很大程度上可以形成規范的公司治理結構，規避財務風險的發生。

（三）完善財務信息監控系統

公司要建立一套完善的財務信息監控系統，高度重視企業財務信息流轉的合理性和安全性，及時收集、傳遞、分析財務信息，并向高管人員公布。各個公司需要根據自身經營特點，劃定關鍵財務指標預警線，以便及時發現潛在風險、及時預防。完善會計準則制度，加強政策約束制度，確保制度的落實。會計準則制度的漏洞給財務風險的出現提供了可乘之機，國家應進一步修訂完善現有會計準則和制度。此外，證券監管部門應加強監督職能，不斷完善監管手段和制度，杜絕財務風險的發生。

（四）發揮外部投資者的監督職能

外部投資者、債權人與上市公司利益直接相關，他們對上市公司的財務報表非常關注，公司出現財務風險必然會損害他們的利益。發揮外部投資者的監管作用，對于規避上市公司財務風險現象的出現有很大幫助。

本文采用數據挖掘中的GA-BP神經網絡方法對京津冀上市公司財務風險進行分析，推進了數據挖掘技術在財務風險評價分析中的應用與發展，挖掘潛在信號，對公司未來的財務狀況進行有效預測和判斷，預測結果為公司內部管理者和外部利益相關者提供參考。