批發零售業上市公司財務困境預警

李莉 孫榮

摘要：本文從國泰安數據庫（CSMAR）選取2019—2022年度A股主板被ST或被*ST的33家批發零售業上市公司作為研究樣本，選取20個財務指標和9個非財務指標，構建了預警指標體系。為消除非關鍵特征指標的影響，采用隨機森林算法（RF）進行特征值篩選，將篩選的數據集應用于經過優化的LSSVM（最小二乘支持向量機）進行財務預測和預警。實驗結果顯示，相較于傳統的PSO（粒子群優化算法）、GA（遺傳算法）以及WOA（鯨魚優化算法），采用VNWOA優化算法的分類精度分別提高了2.9個百分點、2.9個百分點以及4.35個百分點。綜合應用了隨機森林和VNWOA優化算法的RF-VNWOA-LSSVM模型在分類精度上相較于RF-費希爾判別法和BP神經網絡分別提高了18.75個百分點、8.45個百分點。實驗結果表明本文提出的RF-VNWOA-LSSVM預警模型可以對財務風險進行有效識別。

關鍵詞：批發零售業上市公司；財務預警模型；隨機森林特征值篩選；RF-VNWOA-LSSVM預警模型；數據挖掘；機器學習

中圖分類號：F832.51；F275? ? ?文獻標識碼：A? ? ? 文章編號：1007-0753（2024）03-0060-11

一、引言

批發零售業作為經濟發展的重要組成部分，其財務風險管理對企業和整個行業的穩定發展至關重要。財務危機預警模型的研究經過了兩個發展階段：傳統計量模型階段和人工智能模型階段。傳統計量模型包括單變量判別模型（Fitzpatrick，1932；Beaver，1966）、多元回歸模型（Altman，1968）、生存分析模型（Honjo，2000；李世垚，2016）等。盡管這些傳統計量模型在一定程度上能夠解釋數據間的關系，但其建模能力受到限制，特別是在處理非線性關系、大規模數據和異常值缺失方面表現不佳。

隨著機器學習和數據挖掘技術的迅速發展，研究人員開始探索如何利用這些先進技術構建更準確、及時的財務預警模型。由于人工智能在應對復雜的非線性系統問題上有著顯著的優越性，因而得到了越來越多學者的青睞 （ Kar 和 Melody，1990；Koh和Tan，1999） 。相較于傳統的統計學方法，人工智能模型能更好地處理復雜的非線性關系，從而為財務風險管理提供更有效的工具和方法。

最小二乘支持向量機算法（LSSVM）是一種常用的人工智能算法，在處理大規模數據和非線性問題時預測準確性優于神經網絡預測，具有更好的計算和泛化性能（Xin和Gu，2008）。然而，傳統的LSSVM存在參數選擇困難、容易陷入局部最優等限制，并且在處理大規模數據和高維特征時面臨挑戰，不同參數訓練下的模型差異顯著。因此，選擇最優參數至關重要。

鯨魚優化算法（WOA）作為一種元啟發式算法備受關注，其對于參數優化的高效性能已經得到廣泛認可。WOA由Mirjalili和Lewis（2016）首次提出，靈感來源于鯨魚覓食行為，其在機器學習、數據挖掘和圖像處理等領域得到廣泛應用。盡管WOA在參數優化方面表現出了高效性，但精度和收斂速度方面仍存在改進空間。為了進一步提升WOA的性能，一些研究人員開始對其進行改進。例如提出利用反饋精英WOA和LSSVM結合算法（左智科等，2019；鄭威迪等，2019），以及基于馮·諾依曼結構優化的WOA（萬曉靜等，2020；康明月等，2023）。這些改進方法在解決分類問題和提高診斷準確度方面取得了一定的成效，有望克服各自算法的局限性，提高模型的準確性和穩定性。

為了進一步改善模型性能、降低模型訓練成本以及過擬合風險，Hao和Xie（2022）、余欣然和郭婷（2022）采用隨機森林算法（Random Forest，RF）來提取特征指標進行特征降維，并結合費希爾判別模型進行計算。相比于單獨使用費希爾判別模型，模型函數的準確率有所提高。這表明隨機森林算法在特征篩選和降維方面表現良好，能夠有效識別和評估特征的重要性，從而提高模型的泛化能力。此外，賀立敏等（2017）、王少華等（2022）在解決分類問題時，通過結合隨機森林算法的特征值篩選功能移除相關性低和冗余的指標特征，顯著提高了支持向量機算法的預測精度。袁曉龍等（2014）認為隨機森林算法的特征值篩選機制能夠自動識別和評估特征的重要性，有針對性地選擇對分類識別貢獻較大的特征，從而有效降低噪聲干擾，提升模型性能。

基于以上背景，本文通過引入機器學習和數據挖掘技術構建財務預警模型，采用基于馮·諾依曼結構優化的WOA與LSSVM相結合，用于處理大規模數據和非線性問題；同時，利用隨機森林算法進行特征選擇以實現降維和降低噪聲干擾的目的，從而提高模型的準確性和穩定性。

二、相關算法理論與模型構建

（一）隨機森林算法

隨機森林算法（RF）利用集成學習的思想整合多個決策樹模型的預測結果，以提高整體預測準確性。在RF中，特征選擇是一個重要步驟，其目的是識別出對模型輸出具有顯著影響的輸入特征。RF通常利用基于袋外（Out-of-Bag，OOB）誤差的方法來執行這一過程，幫助優化模型并減少預測誤差。RF的特征選擇和模型建立過程可以概括為以下幾個步驟：

1.建立基于隨機森林的訓練分類器。初始誤判率設為1，通過迭代調整特征數量（mtry參數）。

2.計算特征的重要性度量值。

3.利用OOB誤差評估模型性能。對于每棵決策樹，計算其在未選擇樣本上的預測誤差，并計算不同mtry參數值下的OOB誤差均值，以確定最佳特征數量。

4.根據得到的最佳特征數量，選擇重要度排名在該數量之前的特征組合形成最佳特征子集。

（二）最小二乘支持向量機

LSSVM是由Suykens和Vandewalle（1999）提出的一種基于統計學習理論的改進型支持向量機算法。相比傳統支持向量機，LSSVM具有更完備的理論體系，可以將二次優化問題的求解轉化為線性方程組的求解，降低了問題的復雜度。該算法在模式識別、圖像處理、生物信息學和金融預測等領域應用廣泛，在處理非線性數據分類和回歸問題方面表現出色，能有效處理高維數據和復雜數據的關系。將LSSVM應用于財務預警模型，利用其處理財務數據，進行數據分類和回歸分析，可實現更精確和穩定的財務預測和預警功能。通過LSSVM能有效處理財務數據的非線性關系，提升模型性能，更好地滿足金融領域的需求。其工作原理可以分為以下步驟：

1.優化目標函數和約束條件。

當存在n個d維的樣本{xk ， yk}， yk∈{-1 ， 1}， xk∈Rd ， k =1，2，3，…，n，其中xk = （xk1， xk2，…，xkd）T是d維的輸入向量，yk是相應的輸出數據，n是訓練數據的總數。LSSVM的優化目標函數和約束條件為：

式（1）中，γ為預測誤差的懲罰因子，ek表示輸出的實際值和預測值之間的回歸誤差，b1是偏置常數。

LSSVM的目標是最小化γ下的回歸誤差。為了找到函數的最小值，引入拉格朗日乘子αk ，構造拉格朗日函數L：

2.線性方程組求解。

對式（2）中的變量ω、b1、ek、αk分別求偏導并令導數等于零，進而得到一組線性方程，通過解這個線性方程組得到LSSVM分類表達式[見式（3）]，從而確定超平面來劃分不同類別的數據點。

3.徑向基核函數的應用。

LSSVM通常采用徑向基核函數（RBF），該核函數能實現非線性映射，通過調整參數σ，可以影響模型的性能和準確性。其表達式為：

其中 σ為RBF核函數參數。兩個超參數γ以及σ，是對LSSVM模型的性能有很大影響的參數，需要仔細測算。

（三）鯨魚優化算法

鯨魚優化算法（WOA）模擬了座頭鯨的搜索和圍捕機制，通過迭代優化搜索空間來尋找最優解。算法包括包圍捕食階段、螺旋氣泡捕食階段和搜索獵物階段。本文使用WOA優化LSSVM，將LSSVM的超參數γ以及σ作為WOA的尋優目標。

1.包圍捕食階段。

在包圍捕食階段，鯨魚個體通過靠攏適應度最優的個體來更新位置，以實現對獵物的包圍。在包圍捕食階段，鯨魚個體的位置更新公式如下：

式（5）中，參數t表示當前迭代次數；A、C為系數；X*（t） 是當前最優的位置向量；X（t） 是鯨魚當前位置向量；參數a為控制參數，隨著迭代次數從2線性減少到0；r是[0，1]中的隨機數。

2.螺旋氣泡捕食階段。

在螺旋氣泡捕食階段，鯨魚個體通過螺旋游動的方式更新位置，以搜索并抓取局部范圍內的獵物。以下是螺旋氣泡捕食的更新公式：

式（6）中，D'（t）為當前搜索個體與最優解的距離，b2為螺旋形狀參數，l是范圍在[-1，1]的隨機數。為了適應不同的捕食情景，WOA通過引入隨機概率p來靈活選擇螺旋氣泡或收縮包圍的捕食行為，并相應地更新個體的位置。位置更新公式如下：

3.搜索獵物階段。

搜索獵物階段則是通過鯨魚之間距離的位置更新來實現隨機搜索的目標。當搜索個體的絕對值大于1（ ＞1）時，鯨魚位置通過隨機選擇來更新。公式如下：

其中，Xrand（t）為當前隨機鯨魚的位置。

（四）馮·諾依曼結構改進WOA（VNWOA）

馮·諾依曼拓撲結構是馮·諾依曼和其他人提出的電子計算機通用架構。為了提高WOA的搜索效率和避免陷入局部最優解的困境，引入類似于馮·諾依曼拓撲結構的結構來模擬鄰居關系。通過在每個鯨魚個體周圍構建一個二維網狀結構，每個鯨魚個體都有四個鄰居。這種鄰居關系模擬促進了信息交流和協作，使得鯨魚能夠更充分地利用周圍環境信息，更好地跳出局部最優解并朝著全局最優解方向搜索，從而提高算法的搜索效率和收斂性。馮·諾依曼結構優化WOA的步驟如下：

1.構建二維網狀結構：為每個鯨魚個體構建一個獨立的V-N拓撲結構，即在每個鯨魚個體的前、后、左、右加入四個鄰居，形成二維網格狀結構。

2.影響范圍限制：限制每個鯨魚個體（當前最優解）的影響范圍，僅允許其影響周圍四個鄰域的鯨魚個體。

3.鯨魚搜索代理更新：每個鯨魚搜索代理通過尋找所有鄰域中鯨魚個體的最優解來更新整個鯨魚群體的搜索位置。

VNWOA通過限制每個個體的影響范圍和利用鄰域最優解的信息來更新整個群體的搜索位置，可以提高算法的收斂速度，并降低陷入局部最優的風險。

（五）RF-VNWOA-LSSVM改進算法流程（見圖1）

RF-VNWOA-LSSVM是一個組合了隨機森林、VNWOA以及LSSVM的改進算法。其建模過程包括以下步驟：

1.數據預處理：對輸入數據進行標準化處理，并按7∶3的比例劃分為訓練集和測試集。

2.隨機森林特征選擇：使用隨機森林算法對數據集進行特征選擇。通過繪制模型誤判率均值的散點圖和計算特征的重要性指標，選擇重要度排名在該數量之前的特征組合形成最佳特征子集。

3. 初始種群生成和網絡拓撲結構確定：利用WOA來初始化種群，并根據當前最優個體的位置信息構建馮·諾依曼拓撲結構，這一結構能夠促進鯨魚個體之間的信息交流，優化搜索過程，從而增強全局搜索能力。

4. 適應度更新和迭代：在每輪迭代中，根據鯨魚個體位置重新計算適應度并繼續優化位置。同時檢測是否達到預定的停止條件，如果達到，則跳轉到下一步，否則繼續優化。通過持續的迭代優化，不斷更新鯨魚個體的位置和適應度，直到算法收斂為止。

5.預測模型構建：根據最優個體的位置信息，獲得超參數γ、σ的最優值，用于構建預測模型。

6.預測結果：采用最優參數對模型進行訓練并使用構建好的預測模型進行預測，并生成最終的預測結果。

RF-VNWOA-LSSVM可以找尋并刪除數據集中的冗余特征，刪除這些冗余特征后，模型能夠更好地捕捉數據中的有用信息，從而提高分類效率。與基本模型相比，RF-VNWOA-LSSVM在數據預處理、特征選擇、優化搜索和模型構建等方面進行了改進，提升了模型的性能和結果的準確性。

（六）其他算法理論與模型參數設置

實驗采用MATLAB R2023a編程，為了驗證RF與LSSVM結合的優化方法的有效性，本文引入幾種算法作對比。在本文的實驗中，相關算法和相關參數設置如下：

1.粒子群優化算法（Particle Swarm Optimization，PSO）。

PSO是一種基于群體智能的優化算法，模擬鳥群或魚群的行為。在PSO中，每個個體（粒子）通過不斷調整自身位置和速度，以尋找最優解。PSO的正規化參數γ和核參數σ的取值范圍為[0，1 000]。

對于慣性權重系數，根據式（9），將慣性權重的最大值和最小值設為ωmax = 0.9和ωmin = 0.9。式（9）中，t、tmax分別為當前進化代數和最大進化代數。

學習因子的取值范圍：Cmax = 0.9，Cmin = 0.5。

2.遺傳算法（Genetic Algorithm，GA）。

GA是一種基于生物進化過程的優化算法，通過模擬自然界的選擇、繁殖和變異機制來搜索問題的最優解。在GA中，個體通過遺傳操作不斷進化，以適應環境。GA的正規化參數γ和核參數σ的取值范圍為[0，1 000]。

交叉概率pcross：0.8。

變異概率pmutation：0.05。

3.鯨魚優化算法（Whale Optimization Algorithm，WOA）

鯨魚優化算法是受鯨魚群體遷徙行為啟發的一種啟發式優化算法，通過模擬鯨魚的行為方式解決優化問題。VNWOA是WOA的一種改進。對于WOA-LSSVM和VNWOA-LSSVM，將正規化參數γ和核參數σ的取值范圍設為[0，800]。算法中的種群數量N設為5，最大迭代次數G設為10。此外，WOA-LSSVM中的權重ω設為0.5，VNWOA-LSSVM中的權重ω通過式（10）計算得到。這是一種自適應權重，隨著迭代的進行，可以加速利用馮·諾依曼結構中的局部最優與當前迭代次數對應的全局最優進行更新。隨著迭代的進行，局部最優逐漸與全局最優重合。

ω = 1- e1-t? ，? ? ? ? ? t∈[1，10]? ? ? ? ? ? ? ? ? ? ? ? （10）

4.費希爾判別法。

費希爾判別法是一種經典的線性判別分析方法，用于在多維空間中找到最佳的線性判別函數，以最大程度地區分不同類別的樣本。

5.BP神經網絡。

BP神經網絡是一種常見的人工神經網絡，通過前向傳播和反向傳播算法來訓練網絡，以學習輸入與輸出之間的映射關系。在實驗中對數據進行洗牌以增加模型泛化能力，使用了5折交叉驗證評估模型性能，激活函數采用了identity（恒等函數），求解器選擇lbfg。學習率為0.1，L2正則化參數為1，迭代次數為1 000，隱藏層神經元數量為100。

三、批發零售業公司研究樣本的選擇和指標體系的確定

（一）研究樣本的選擇與數據來源

公司出現重大損失是其財務困難的表現之一，將上市公司因財務狀況異常而被特別處理（ST）作為公司陷入財務困境的標志是符合我國實際情況的（曾繁榮和徐旭，2007；魏守智和許保國，2008；范雍禎，2019）。因此，本文以公司是否為ST（*ST）公司作為界定公司是否處于財務危機的標準，選擇了我國A股批發零售業上市公司作為研究樣本，將樣本分為財務正常組（非ST公司）和財務危機組（ST公司）。

根據中國證券監督管理委員會的規定，當一家公司在T年度被標記為“ST”時，將會披露一份新的財務報告。若該公司在過去兩年內存在財務風險，則新報告將基于T-3年至T-2年的財務數據。此外，若該公司在T-3年度出現虧損，通常會進行經營戰略調整。因此，選擇T-3年的樣本數據更具科學性。本文選擇2019—2022 年間被證監會冠以“ST”特別處理的批發零售業上市公司作為研究對象，相應地選取了2016—2019 年的財務報表數據作為樣本。經過數據清洗并剔除數據不全及新上市的公司后，有財務風險的樣本共有33個，其中2019年5家、2020年12家、2021年9家、2022年7家。為了配對比較，選擇了資產規模與行業相近的非ST公司，按照1∶2的比例選取了相應的財務健康上市公司，最終獲得的樣本總數為99家。本文使用的財務數據均來自國泰安（CSMAR）數據庫。

（二）財務預警指標初步選取

在財務風險預警研究中，張艷麗等（2016）、楊貴軍等（2019）從現金流量、償債能力、盈利能力、市場價值和營運能力等五個方面建立了財務風險預警指標體系，并發現該財務風險預警指標體系有較好的預測效果。姜秀華和孫錚（2001）、黃善東和楊淑娥（2007）等研究了股權結構、公司治理對財務危機的影響，并強調了非財務因素在預警模型中的作用。同時，戴紅軍和吳國強（2010）構建了包含公司治理和外部審計信息等非財務指標的預警模型，以提高預測準確率。因此，本文結合我國批發零售業的行業特點，綜合已有研究，選取包括現金流量指標、償債能力指標、營運能力指標、發展能力指標和盈利能力指標在內的20個財務指標，并引入了公司治理、股權集中度、股權制衡度、監事總規模和審計治理等9個非財務指標，初步構建了適用于我國批發零售業的財務預警指標體系。具體指標情況如表1所示。

（三）隨機森林選擇

本文采用了隨機森林算法進行特征選擇，并結合LSSVM以提高預測的準確性和穩定性。在隨機森林算法中，采用了OOB誤差作為評估變量重要性的指標，以便更準確地衡量每個變量對于預測結果的貢獻程度。

利用基于隨機森林算法的分類器進行特征選擇。隨機抽取70%的數據作為訓練集，剩余30%作為測試集。首先，對特征重要性進行排序，通過循環迭代隨機選取不同的特征數量（mtry參數），計算每個特征數量下基于OOB誤差的模型誤判率均值，根據不同特征選取值情況下的模型誤判率均值繪制散點圖，具體如圖2所示。觀察發現，當特征值選取為22個時，模型的OOB誤差誤判率均值最小。這意味著選取22個特征時，模型對于是否會被ST的預測表現最佳。故本文后續選取22個特征來構建最終的模型。接下來，通過設置相關參數并使用importance（）函數計算平均最小基尼指數以衡量各個特征的重要性。通過計算得到每個指標的平均最小基尼系數，并使用圖像的方式對指標的重要性進行可視化（見圖3）。根據圖3的結果，選擇了變量重要程度前22的變量，剔除了X4、X9、X16、X17、X18、Y6、Y7這7個重要程度排名最低的變量。最終，選擇X1、X2、X6、X7、X8、Y1、Y5、Y8等作為財務預警模型的輸入變量。

從上述結果可以看出，上市公司陷入財務困境與公司償債能力、營運能力、發展能力、盈利能力、股權集中度、股權制衡度、監管層前三名薪酬總額、審計治理等方面有關。

四、模型對比分析

（一）不同尋優算法對比分析

RF-VNWOA-LSSVM模型預測效果可以使用精確率（Precision）、召回率（Recall）和F1值來評估。在測試集中，預測結果將為ST公司或正常公司，可能的情況在表2中列出。

精確率表示在訓練集中實際是 ST公司的樣本所占的百分比：精確率= TP÷（TP+ FP）。召回率表示在實際的 ST公司中，準確地預測出在測試集中的 ST公司所占的比重：召回率= TP÷（TP+ FN）。F1值綜合考慮了精確率和召回率這兩項指標，計算公式為F1值=2（精確率×召回率）÷（精確率+召回率）。該方法有助于評價模型的預測精確率及相關性，進而更好地了解模型的表現。

表3顯示了使用不同優化算法的LSSVM（包括PSO-LSSVM模型、GA-LSSVM模型、WOA-LSSVM模型、VNWOA-LSSVM模型、RF-WOA-LSSVM模型和RF-VNWOA-LSSVM模型）在中國批發零售業上市公司數據上的預測效果對比。表3第2列表示各種優化算法下超參數γ、σ的最優值。第3列中Z表示公司被分為哪一類，Z=1時，公司為正常公司即本文正例樣本，Z=-1時，公司為ST公司即本文負例樣本。第5列表示訓練集測試集分類精度，表3第6—8列分別表示的是在Z=1或Z=-1的情況下的精確率、召回率和F1值。訓練集共73個公司樣本（70%左右），測試集共有26個公司樣本。

將未經過特征選擇的數據集代入預警模型，驗證優化算法的有效性。首先對比VNWOA-LSSVM模型與其他三個模型（PSO-LSSVM模型、GA-LSSVM模型、WOA-LSSVM模型）在訓練集的分類精度和在

不同Z值下精確率、召回率、F1值。VNWOA-LSSVM模型在訓練集上的分類精度達到95.65%， PSO-LSSVM模型、GA-LSSVM模型、WOA-LSSVM模型的分類精度分別為92.75%、92.75%、91.30%。采用VNWOA優化算法后，分類精度分別提高了2.9個百分點、2.9個百分點和4.35個百分點。對于Z=1的情況來說，VNWOA-LSSVM模型的精確率為96.00%，召回率為92.31%，F1值為94.00%；Z=-1時，

VNWOA-LSSVM模型的精確率為95.45%，召回率為97.67%，F1值為97.00%。綜合表現來看，在不同Z值下，VNWOA-LSSVM模型在精確率、召回率和F1值方面均優于其他三個模型，顯示出更強地識別ST公司的能力。這表明在尋優算法中，VNWOA在參數優化方面具備卓越潛力，能夠有效提升模型的分類精度。

進一步地，經過隨機森林算法進行特征值篩選后，將篩選后的數據集代入預警模型以驗證隨機森林算法對模型性能的提升作用。通過對比分析RF-VNWOA-LSSVM模型與VNWOA-LSSVM模型、WOA-LSSVM模型、RF-WOA-LSSVM模型在訓練集和測試集的分類精度。從表3可知，在訓練集上RF-VNWOA-LSSVM模型的分類精度達到98.44%，明顯高于WOA-LSSVM模型（91.30%）、VNWOA-LSSVM模型（95.65%）和RF-WOA-LSSVM模型（95.31%）。在測試集上，RF-VNWOA-LSSVM模型的分類精度為71%，略低于WOA-LSSVM模型（77%）和RF-WOA-LSSVM模型（77%），但明顯優于VNWOA-LSSVM模型（67%）。針對不同Z值的情況，RF-VNWOA-LSSVM模型在精確率、召回率和F1值上均表現出色，特別是在Z=1和Z=-1的情況下，RF-VNWOA-LSSVM模型均優于其他模型。這表明經過隨機森林算法進行特征值篩選后，RF-VNWOA-LSSVM模型在VNWOA-LSSVM模型的基礎上進一步提升了分類精度，在不同Z值下展現出優越性能。

綜上所述，VNWOA算法優于其他尋優算法，而RF-VNWOA-LSSVM模型在不同Z值下的精確率、召回率和F1值綜合比較下也優于其他模型。這可能是由于RF-VNWOA-LSSVM模型結合了隨機森林算法和VNWOA-LSSVM模型的優勢。隨機森林算法提供了集成學習和特征選擇的能力，從而提升了模型的性能和魯棒性。通過結合隨機森林算法和VNWOA-LSSVM模型，RF-VNWOA-LSSVM模型能夠更好地提取特征并實現更準確的預測。

（二）不同模型算法對比分析

表4顯示了RF-VNWOA-LSSVM與RF-費希爾判別法、BP神經網絡在Z=-1（*ST公司）情況下的分類精度、精確率、召回率和F1值。首先，在訓練集上，RF-VNWOA-LSSVM的分類精度達到98.44%，遠高于 RF-費希爾判別法（79.69%）和 BP神經網絡（89.90%），分別提高了18.75個百分點和8.45個百分點。在測試集上，RF-VNWOA-LSSVM 的分類精度為 71%，略高于BP神經網絡（70%），稍低于 RF-費希爾判別法（74%）。盡管在測試集上稍低于 RF-費希爾判別法，但綜合考慮 RF-VNWOA-LSSVM 模型相對于其他模型在分類精度上表現更優秀。

其次，通過比較 RF-VNWOA-LSSVM 模型在不同 Z 值下的精確率、召回率和 F1 值。根據表4中的數據，在 Z=-1（*ST公司）的情況下，RF-VNWOA-LSSVM 在訓練集的精確率、召回率和 F1 值分別為100.00%、97.67%、99.00%，說明RF-VNWOA-LSSVM 模型能夠準確地預測負例樣本并有效分類，相較于其他模型，性能更為出色。此外，RF-VNWOA-LSSVM在訓練集和測試集上的F1值分別為99%和79%，明顯高于RF-費希爾判別法（70%、47%）和BP神經網絡（89.7%、70.40%）。表明RF-VNWOA-LSSVM在平衡精確率和召回率方面表現優異，既能有效識別負例樣本（高召回率），又能保持較高的準確性（高精確率）。相比之下，其他模型可能在這兩個指標之間存在某種折衷，導致F1值較低。

綜上所述，可以得出：RF-VNWOA-LSSVM 模型在精確率、召回率和 F1 值上表現出色，優于RF-費希爾判別法和BP神經網絡。

五、結論

本文選取2019—2022年度A股主板被ST或被*ST的33家批發零售業上市公司作為研究樣本，以優化LSSVM為基礎，結合隨機森林算法篩選特征值對財務預警模型進行改進優化得到以下結論。

首先，在針對中國批發零售業上市公司數據的財務預測任務中，VNWOA-LSSVM模型相比其他優化算法模型（PSO-LSSVM模型、GA-LSSVM模型、WOA-LSSVM模型），其分類精度分別提高了

2.9個百分點、2.9個百分點以及4.35個百分點，且該模型在不同Z值下的精確率、召回率和F1值均表現更好，體現出較高的性能，說明VNWOA能夠為模型提供更好的參數優化，從而提高分類精度和預測準確率。

其次，隨機森林算法在特征選擇方面的運用對模型表現具有積極的影響。篩選出的重要特征變量能夠降低非關鍵特征值對模型預測的影響，從而提高模型的準確性和穩定性。在RF-VNWOA-LSSVM模型中，結合了隨機森林和VNWOA-LSSVM模型的優勢，使得該模型在訓練集上的分類精度和預測準確率相較于RF-費希爾判別法和BP神經網絡分別提高了18.75個百分點、8.54個百分點。同時，在不同Z值下，RF-VNWOA-LSSVM模型在精確率、召回率和F1值上均呈現更強的性能。

綜上所述，本文通過在財務預警模型中運用特征選擇和優化算法的組合，以及結合隨機森林篩選重要特征變量，取得了較好的分類性能和預測準確率。這些研究結果對企業進行財務風險預警和決策具有重要的實際應用價值。然而，未來的研究仍需關注數據收集和模型優化方面，以滿足實際應用需求和適應變化的市場環境。同時，可以進一步探索更多的特征選擇方法和優化算法，從而進一步提升財務預警模型的性能和應用范圍，為企業提供更可靠、更準確的財務預警服務，幫助它們更好地應對挑戰和機遇，實現可持續發展。

參考文獻：

[1] FITZPATRICK P J. A Comparison of the ratios of successful industrial enterprises with those of failed companies[J]. Certified Public Accountant，1932（10）： 598-605.

[2] BEAVER W. Financial ratios as predictors of failures[J]. Journal of Accounting Research，1966（04）：71-111.

[3] ALTMAN E I. Financial ratios， discriminant analysis and the prediction of corporate bankruptcy[J].The Journal of Finance，1968，23（04）：589-609.

[4] HONJO Y. Business failure of new firms： An empirical analysis using a multiplicative hazards model[J].International Journal of Industrial Organization， 2000， 18（04）：557-574.

[5]李世垚．基于生存分析的上市公司財務風險預警研究——以工業類上市公司為例[J].時代金融，2016（15）： 146-147．

[6] KAR Y T， MELODY K. Predicting bank failures： A neural network approach[J]. Applied Artificial Intelligence， 1990， 4（04）： 265-282.

[7] KOH H， TAN S. A neural network approach to the prediction of going concern status[J]. Accounting and Business Research， 1999， 29（03）： 211-216.

[8] XIN Z Y ， GU M .Complicated financial data time series forecasting analysis based on least square support vector machine[J]. Journal of Tsinghua University（Science and Technology）， 2008， 48（07）：1147-1149.

[9]MIRJALILI S，LEWIS A. The whale optimization algorithm[J]. Advances in Engineering Software，2016，95（05）：51-67.

[10]左智科，陳國彬，劉超，等.反饋精英鯨魚優化算法優化LSSVM的熱耗率軟測量建模[J].計量學報，2019，40（02）：259-265.

[11]鄭威迪，李志剛，賈涵中，等.基于改進型鯨魚優化算法和最小二乘支持向量機的煉鋼終點預測模型研究[J].電子學報，2019，47（03）：700-706.

[12]萬曉靜，孫文磊，陳坤.基于CEEMD能量熵特征提取和VNWOA-LSSVM的風力機軸承故障診斷方法研究[J].機電工程，2020，37（10）：1186-1191.

[13]康明月，王成，孫鴻雁，等.基于改進的WOA-LSSVM櫻桃番茄內部品質檢測方法研究[J].光譜學與光譜分析，2023，43（11）：3541-3550.

[14] HAO D，XIE Y. Research on financial risk early warning in the online game industry based on random forest and fisher discriminant method[J]. Academic Journal of Business & Management，2022，4（07）：93-98.

[15]余欣然，郭婷.基于隨機森林與費希爾判別法的區塊鏈企業財務預警模型研究[J].梧州學院學報， 2022， 32（03）：40-46.

[16]賀立敏，王峴昕，韓冰.基于隨機森林和支持向量機的船舶柴油機故障診斷[J].中國航海，2017，40（02）：29-33.

[17]王少華，樊其鋒，張健，等.基于隨機森林和支持向量機混合模型的空調故障檢測[J].家電科技， 2022（S1）：774-777.

[18]袁曉龍，梅雪，黃嘉爽，等.基于隨機森林算法的特征選擇及在fMRI數據中的應用[J].微電子學與計算機，2014，31（08）：132-135.

[19]STROBL C， BOULESTEIX A-L ， ZEILEIS A， et al. Bias in random forest variable importance measures： Illustrations， sources and a solution [J]. BMC Bioinformatics， 2007， 8（01）： 25-46.

[20] SUYKENS J A K， VANDEWALLE J .Least squares support vector machine classifiers[J].Neural Processing Letters， 1999， 9（03）：293-300.

[21]曾繁榮， 徐旭. 上市公司典型財務危機預警模型比較研究[J]. 會計之友·下旬刊， 2007（02）：89-90.

[22]魏守智，許保國.淺談上市公司財務困境的概念及成因[J].中國農業會計，2008（10）：85-87.

[23]范雍禎.中小企業財務危機預警模型比較研究——基于PCA-Cox模型與BP_Adaboost模型的對比[J].產業創新研究，2019（11）：204-209.

[24]高燕，杜玥，曾森.基于BP神經網絡的制造企業財務風險預警研究[J].會計之友，2023（01）：62-70.

[25]張艷麗，尤曉琳，強薇，等.基于LASSO的企業財務危機預警與關鍵指標選擇[J].河南師范大學學報（自然科學版），2016，44（03）：160-165.

[26]楊貴軍，周亞夢，孫玲莉，等.基于Benford律的Logistic模型及其在財務舞弊識別中的應用[J].統計與信息論壇，2019，34（08）：50-56.

[27]姜秀華，孫錚.治理弱化與財務危機：一個預測模型[J].南開管理評論，2001（05）：19-25.

[28]黃善東，楊淑娥. 公司治理與財務困境預測[J].預測，2007，26（02）：63-67.

[29]戴紅軍，吳國強.公司治理、外部審計信息與財務危機預警[J].大連民族學院學報，2010，12（02）：157-161+165.

Financial Distress Warning of Listed Wholesale and Retail Companies：

Based on RF-VNWOA-LSSVM Model

Abstract： This study selected 33 A-share main board companies listed from 2019 to 2022 in the Guotaian CSMAR database， which were either ST or *ST during this period， focusing on the wholesale and retail industry. Based on the characteristics of listed companies in the wholesale and retail industry and a review of previous literature， 20 financial indicators and 9 non-financial indicators were selected to construct an early warning index system. To eliminate the impact of non-key feature indicators， the random forest algorithm was employed for feature selection， and the selected dataset was applied to an optimized LSSVM model for financial prediction and early warning.The experimental results showed that compared to PSO （Particle Swarm Optimization）， GA （Genetic Algorithm）， and WOA （Whale Optimization Algorithm）， the VNWOA optimization algorithm improved prediction accuracy by 2.9%， 2.9%， and 4.35%， respectively. The RF-VNWOA-LSSVM model， which combined random forest and VNWOA optimization algorithms， achieved an 18.75% and 8.45% increase in prediction accuracy compared to RF-Fisher discriminant analysis and BP neural network， respectively. The experimental results demonstrate that the proposed RF-VNWOA-LSSVM early warning model can effectively identify financial risks.

Keywords： Listed wholesale and retail companies; Financial warning model; Random forest feature selection; RF-VNWOA-LSSVM early warning model；Data mining; Machine learning