大數據背景下科技型中小企業財務危機預警模型的實證分析

□劉 照 劉兢軼

科技型中小企業在提升科技創新能力、促進國家產業結構調整和升級、擴大社會就業等方面發揮著重要作用，但科技型中小企業具有生產經營模式規模小、經濟風險抵御能力薄弱、科技創新活動的不確定性等特點，在市場競爭中面臨風險較大。因此，科技型中小企業有必要建立財務預警系統，以預知可能發生的危機，把危機消滅在萌芽狀態。隨著人工智能、大數據等新一代技術的不斷發展，借助數據挖掘技術從企業大量的業務數據中提取并自動化地分析數據，進而幫助企業做出正確的決策是目前解決金融風險管理問題的發展趨勢。本文以科技型中小企業為研究對象，利用傳統的Logistic回歸方法，及數據挖掘技術中常用于預測模型的隨機森林和BP神經網絡分別構建財務預警模型，并對預測結果進行比較分析，以期為科技型中小企業提供切實可行的財務預警方法。

一、研究樣本的選取與財務預警指標體系的構建

(一)研究樣本的選取。本文采用國內財務預警研究的常用方法，以因財務狀況異常而被特別處理(ST)作為科技型中小企業陷入財務困境或違約的標志，選取2018年全國中小企業股份轉讓系統中科學研究和技術服務業、信息傳輸、軟件和信息技術服務業等高科技行業被ST的52家上市公司為研究對象，并按照1∶4的配對比例，選取同年度相同行業208家正常公司作為配對樣本。為了避免高估模型預測能力問題，采用企業(T-2)年的財務信息建立模型來預測其是否會在T年違約。因此，本文樣本選取2016年度數據對公司2018年是否會被ST進行預測。

(二)財務預警指標體系的構建?；趪鴥韧庀嚓P研究成果，本文從盈利能力、償債能力、營運能力、成長能力等4個方面選取了能綜合反映科技型中小企業經營狀況和財務狀況的19項指標，具體包括：凈資產收益率、總資產報酬率、銷售凈利率、銷售毛利率、資產總計增長率、股東權益增長率、凈利潤增長率、銷售收入增長率、營業收入增長率、存貨周轉率、應收賬款周轉率、流動資產周轉率、固定資產周轉率、總資產周轉率、流動比率、速動比率、現金比率、已獲利息倍數、資產負債率。

二、實證分析

(一)指標體系的約簡。為提高模型的工作效率和預測精度，本文通過T值顯著性檢驗，利用SPSS 22.0軟件對科技型中小企業財務預警初選指標進行篩選。按α=0.05的標準拒絕原假設，當均值方程的T檢驗中Sig.顯示小于0.05時檢驗結果拒絕原假設，即被ST公司與正常公司在該財務指標上存在顯著性差異。根據以上規則，剔除了不存在顯著性差異的指標，最終確定凈資產收益率X1、總資產報酬率X2、銷售毛利率X3、資產負債率X4、現金比率X5、已獲利息倍數X6、凈利潤增長率X7、股東權益增長率X8、營業利潤增長率X9，共計9個指標作為財務預警模型的自變量。

(二)預警模型的建立與實證分析。本文使用MATLAB R2012b軟件，采用二元Logistic回歸、隨機森林和BP神經網絡分別進行建模分析。

1.二元Logistic回歸模型。將260個樣本按照3∶1的比例分為195個學習樣本及65個測試樣本，將指標約簡后得到的最終財務預警模型的9個指標作為自變量Xi，財務狀況作為因變量Y(ST公司Y=0，正常公司Y=1)，采用二元Logistic回歸法建立模型。得到模型的表達式如下：

若π大于0.5，表明企業財務正常的概率較大，可判寫企業為財務正常，若π小于0.5，表明企業財務危機的概率較大，可判定企業為ST企業。Logistic回歸模型預測結果如表1所示。

表1 Logistic回歸模型預測結果

2.隨機森林模型。隨機森林算法其實質是包含多個決策樹的分類器，這些分類器的形成采用了隨機的方法，其輸出的類別是由個別樹輸出的類別的眾數而定。與Logistic模型一致，將260個樣本按照3∶1的比例分為195個學習樣本及65個測試樣本，基于195個學習樣本采用隨機森林工具箱的classRF_train()函數創建一個隨機森林分類器，然后利用工具箱函數classRF_predict()，對65個測試樣本進行仿真預測，預測結果如表2所示。

表2 隨機森林模型預測結果

3.BP神經網絡模型。BP神經網絡是單向傳播的多層前饋網絡，其結構一般分為三層：輸入層、隱含層與輸出層。運用BP神經網絡進行財務預警分析時，將260個樣本按照3:1的比例分為195個學習樣本及65個測試樣本，樣本的9個財務指標數據作為輸入數據Xi，則輸入節點為9，財務狀況作為輸出數據Y(ST公司Y=0，正常公司Y=1)，則輸出節點為1。經驗證隱藏節點為10時，誤差最小。用學習樣本訓練出符合精度要求的神經網絡后，即可對測試樣本進行判定。判定標準是：當輸出值在[0.5～1]之間則判定為正常公司；當輸出結果在[0～0.5]之間則判定為ST公司。預測結果如表3所示。

表3 BP神經網絡模型預測結果

4.模型評價。實證結果表明，采用Logistic回歸、隨機森林、BP神經網絡構建的科技型中小企業財務預警模型，對樣本企業在發生財務危機的前1年進行的財務預警具有一定的準確性，三類模型的預警正確率在80%以上，其中隨機森林模型的預警準確性優于傳統統計分析的Logistic回歸模型及BP神經網絡模型。尤其從三類模型將財務危機誤判為財務正常的概率方面看，隨機森林的誤判率為38.5%，遠遠低于BP神經網絡模型的69.2%及Logistic回歸模型92.3%。鑒于將財務危機誤判為財務正常所帶來的成本，遠比把正常公司誤判為財務危機公司的成本要大得多，所以在對科技型中小企業財務預警方面，可以采用隨機森林模型進行預測，而Logistic回歸模型及BP神經網絡模型，雖然總體誤判率不高，但將財務危機誤判為財務正常的概率較高，應當謹慎使用。

三、結語

本文以2018年全國中小企業股份轉讓系統中科學研究和技術服務業、信息傳輸、軟件和信息技術服務業等高科技行業被ST公司為研究對象進行實證研究，選取反映企業償債能力、經營能力等4個方面的19個指標構建預警指標體系，并運用T值顯著性檢驗對預警指標進行約簡。在此基礎上，運用Logistic回歸、隨機森林、BP神經網絡分別構建財務預警模型，并對各個模型的預測結果進行比較分析。結果表明，三類模型對樣本企業在發生財務危機的前1年進行的財務預警具有一定的準確性，其中隨機森林模型對財務危機企業的預測正確率明顯優于其他兩類模型。