基于支持向量機的遼寧省上市公司財務風險和預警分析

李艷玲 邱幸予

摘要：遼寧省是我國早期的工業基地之一，擁有多家上市公司，為經濟社會發展作出重要貢獻。隨著國內外市場環境的變化，上市公司財務質量和經濟效益受到影響，面臨的財務風險加劇。本文首先利用Lasso回歸篩選對遼寧省上市公司財務狀況影響較為重要的指標，接著結合Lasso篩選后的指標，應用SVM模型，對上市公司的財務風險進行預測，最后，針對當前的發展現狀，提出了一些建議，以供參考。

關鍵詞：上市公司；lasso；SVM；財務；風險預警

DOI：10.12433/zgkjtz.20232730

基金項目：遼寧省社會科學規劃基金項目“大數據時代多源異構數據融合下遼寧上市公司財務危機預測

研究”

項目編號：L20BGL003

一、緒論

（一）研究背景和研究意義

上市公司作為我國經濟發展中重要的一部分，在市場經濟中占據重要地位。孫宏英、胡可果（2020）經過調查后得出遼寧省是我國東北地區經濟發展較好的省份，在經濟發展中具有重要地位，成為東北振興國家戰略的重要組成部分。從遼寧省上市公司的行業分布來看，擁有良好的工業基礎和較強的經濟實力，重工業、裝備制造業和高新技術產業是主要的支柱產業，為遼寧省的經濟發展奠定了堅實的基礎。

（二）國內外文獻研究綜述

長期以來，國內外的學者都在不斷嘗試建立財務風險預警模型。Erindi（2022）提出設計有效的早期預警系統可以幫助防止金融危機造成的災難性損失。Ying Guo（2022）認為建立科學、合理、有效的預警系統，對提高我國金融市場的效率具有重要意義。LS-SVM的預測結果可以達到70%以上，比BP神經網絡更準確。Alexey（2023）建立了基于Random Forrest方法的金融危機早期預警系統，結合金融失衡和金融發展指標有助于提高預警系統的樣本外準確性。

國內學者對企業財務風險的研究起步較晚。隨著經濟體制改革，市場成為資源配置的主要決定因素。周廷煒（2018）支持向量機的全局融合能力與良好的模型泛化能力，我國學者開始將此應用于公司的財務危機預警。張春梅、趙明清、官俊琪（2019）通過分別對lasso、SVM，lasso+SVM串聯模型對上市公司的財務狀況預測，實驗發現lasso+SVM的串聯組合模型預測結果準確度最高。余晨暉（2020）認為，企業會面對各種的風險，涵蓋政策、法律、市場、財務等多個方面，其中，財務作為企業的命脈，財務風險占據了半壁江山。劉培培（2022）的調查中顯示沈陽機床股份有限公司在2020年實現營業收入21.8億元，同比增長34.80%。從財務績效角度分析，沈陽機床突破了財務困境，改善了經營環境在重整后的一年內，經濟增加值動量增加到了233.77%，通過剝離不良資產改善產品結構、控制成本費用，加強了公司創造價值的

能力。

綜合國內外學者的研究發現，企業發生財務風險的成因復雜多樣，不同學者從多個視角展開研究討論。財務風險的發生不是單一因素造成的，而是多個因素相互作用的結果。因此，需要通過多方面的分析識別和管理財務風險。本文在支持向量機的基礎上加入lasso回歸輔助財務指標的選取。先根據2022年發布的《企業績效評價標準值》中所涉及的指標初步構建財務指標體系，再用lasso回歸給確定保留的風險指標降維，確定最終采用的財務指標。選擇一定比例的測試集和訓練集，用支持向量機進行訓練和測試，將精準度較好的模型應用至遼寧省上市公司財務

預警。

二、遼寧省上市公司財務風險指標體系的建立

（一）樣本選取原則

本文選取2019年3月至2021年4月，14家來自遼寧省未處于ST狀態下的企業，并按照1∶1比例選取14家遼寧省ST狀態下上市公司作為配對樣本。為了構建財務風險預警模型，ST上市公司選擇了財務風險發生前一年和前兩年的財務指標數據作為樣本。將這些數據按照訓練集占80%、測試集占20%的比例分為訓練集和測試集，并假定公司被ST的年份為q。在這種情況下，選擇q-1和q-2年的財務數據來對公司第q年的財務狀況進行預測。參考張春梅等在《基于Lasso+SVM的制造業上市公司財務風險組合預警模型》中的評判標準，其中-1代表有退市風險，1代表無退市風險。ST是指境內上市公司由于連續虧損而被進行特別處理的股票，具有退市風險。

（二）財務指標的選擇

1.指標的選擇原則

在財務分析時，應當遵循科學性原則，嚴格選擇反映財務狀況的指標，并使用規范的數據量化，以確保數據的經濟含義更好地反映財務狀況。這樣有助于確保得出的分析結果更具有科學性和準確性。同時，還要遵循全面性原則，從不同的方面提取數據，全面而準確地反映財務狀況。由于財務狀況受到很多因素的影響，如償債能力、經營能力、盈利能力和發展能力等，需要綜合考慮這些因素，以得出一個全面的財務分析結論，這是保證分析結果準確性和公正性的

關鍵。

為了確保數據可得性，選擇容易獲取并且正規的數據來源也是很重要的。只有具備充足準確的數據，才能得出更為客觀、可靠的分析結果。在此，選擇上市公司年度財務報表中的指標數據作為數據來源，這些數據具有一定的權威性和可靠性。本文財務指標的初步選取結合2022年發布的《企業績效評價標準值》，并且參考了學者余晨暉在《基于支持向量機的東軟集團財務風險預警案例研究》中對應財務指標的選取并增減。總之，在財務分析時，從多個方面收集數據并使用規范的量化數據，以確保得到的分析結果準確、可靠、全面、公正，并能夠準確地反映財務

狀況。

2.指標的初步選取

財務指標的選取是模型構建的核心，由此必須選出最具代表性的指標才能挖掘上市公司發生財務風險的根本原因，從而及時預警以及準備解決措施，避免風險的發生和經濟損失的到來。本文根據文獻及其相關資料選取了盈利能力指標、運營能力指標、償債能力指標、發展能力指標幾個大類，總計18個財務指標作為自變量，如表1所示。

（三）數據來源和預處理

本文所用到的遼寧省上市公司財務指標數據，都來自tushare網站公開年度財務報表中的財務指標數據接口，使用python爬取，主要使用python缺失數據的處理和格式調整。

三、遼寧省上市公司財務預警模型實證分析

（一）基于lasso變量篩選和SVM組合的財務預警

1.變量篩選

首先對選擇的18項指標數據標準化處理，查看其變量的相關性。在選擇主要指標時，考慮選取流動比率作為主體。流動比率衡量企業短期償債能力，及時評估企業的短期資金狀況，提前發現潛在的財務問題，然后以流動比率創造回歸篩選其余指標，本次實驗選擇流動比率為目標進行lasso回歸，進行特征篩選。具體得到的指標，如表2所示。

2.SVM財務預測

創建一個SVM分類器，使用默認徑向基函數（rbf）作為核函數，C=1表示正則化參數，gamma=0.2是rbf核函數的參數，設置probability=True輸出計算類別的概率值。隨后使用訓練數據x_train和對應的標簽y_train對分類器進行訓練，使用AUC-ROC曲線驗證SVM的準確率如圖1所示。

從圖1可以看到ROC曲線離左上角較近，ROC曲線離左上角越近表示分類器同時具有高的召回率和低的誤判率，也就是說分類器正確識別了盡可能多的正例，盡可能少地誤判負例，ROC下面積AUC的值為0.91接近于1，可以看出分類器性能良好，SVM模型的靈敏度較高，較為準確。

3.預測與實際結果對比

q-1和q-2的數據可以看出預測結果和實際結果具有差異，結果如表3所示。

通過Lasso+SVM回歸模型得出的預測結果和實際結果對比，可得出q-1年準確率為83%，q-2 年為 75%；q-2 的準確率仍低于q-1，具體如表4所示。

（二）模型結果分析與建議

從總體結果來看，q-1與q-2 年的綜合概率為89%，大體上保持在較高的水平，說明Lasso+SVM模型的模型準確率高。本文構建財務預警模型的意義是盡量精確地預測財務風險，因此，通過分析公司的財務報表，判斷哪些公司的財務情況存在危機前兆或者已經處于財務風險中。這樣的分析方法可以幫助決策者及時采取措施，避免財務風險的發展給企業帶來嚴重的損失。

本研究通過分析Lasso+SVM組合模型的預測效果，發現經過財務指標變量篩選后，組合模型的預測效果達到預期標準。模型將Lasso回歸和SVM方法結合起來，在變量篩選降維、處理樣本量較少、過擬合問題以及分析非線性數據等方面發揮優勢。相比于單獨使用SVM方法，Lasso+SVM組合模型可以更好地利用不同信息維度，提高預測和估計的準確性。具體而言，Lasso回歸在變量篩選方面可以幫助減少冗余信息和噪音數據的干擾，從而提高預測的準確性。在變量篩選后，SVM方法能夠更好地應對樣本量較少和非線性數據的問題，避免過擬合的風險。因此，模型能夠有效地利用不同的信息維度，提高預測和估計的準

確性。

綜上所述，Lasso+SVM組合模型具有一定的優越性，可作為一種較為可靠的方法用于財務風險預測與評估。通過對該模型進行探究和改進，未來有望在實際應用中發揮更大的作用，并為企業的財務決策提供有效的參考。

通過篩選過后財務指標數據所對應的年份來看，使用q-1年數據進行預測的準確率高于q-2年。這種情況發生的原因可能是q-1年相對于被ST的年份時間較近，公司的財務狀況更加接近于公司被ST的條件，數據更具有代表性和針對性，更能代表目前公司的財務狀況。

四、結論

綜上所述，本文采用lasso回歸和SVM兩種方法，綜合分析了基于它們的串聯組合預測模型。利用lasso回歸方法對財務指標處理和選擇，得到了優化的預測結果。將該串聯組合預測模型應用于財務預警中可以充分發揮各自的優點，優勢互補，相比單一模型更為有效，能夠更準確地預測和估計未來的情況。這種方法可以更充分地利用信息，提高預測結果的準確性。根據調查顯示，大多數關于財務風險的預警模型的數據集都是某行業某具體公司，很少見基于地域的數據，本次研究采用遼寧省上市公司的數據采集財務指標，分析遼寧省上市公司的財務風險狀況。

參考文獻：

[1]孫宏英，胡可果.遼寧上市公司30年發展歷程：回顧與啟示[J].遼寧大學學報（哲學社會科學版），2020.

[2]Erindi Allaj1CA1;Simona Sanfelici2，12.Early Warning Systems for identifying financial instability [J]. International Journal of Forecasting，2022.

[3]Ying Guo.Financial Management Early Warning Model Based on Clustering Algorithm [J]. Application of Intelligent Systems in Multi-modal Information Analytics，2022.

[4]Alexey Ponomarenko1CA1;Stas Tatarintsev12.Incorporating financial development indicators into early warning systems [J]. The Journal of Economic Asymmetries，2023.

[5]周廷煒. 基于SVM模型的上市公司財務風險預警研究[D].上海師范大學，2018.

[6]張春梅，趙明清，官俊琪. 基于Lasso+SVM的制造業上市公司財務風險組合預警模型[J].數學的實踐與認識，2021.

[7]余晨暉. 基于支持向量機的東軟集團財務風險預警案例研究[D].南京郵電大學，2020.

[8]劉培培. ST沈機破產重整方案及效果研究[D].華僑大學，2022.