基于財務分析方法的財務風險識別

李雙悅

摘? ?要：財務風險大小直接影響投資者以及債權人的利益，識別公司財務風險狀況有利于及時掌握企業運營情況，有利于整個資本市場健康有序發展?；诖?，選取連續兩年內因為財務問題被列為ST公司和與之相類似的正常公司總共162家公司為樣本，采用財務分析方法，選取包含反映企業償債能力、營運能力、盈利能力和增長能力在內的22個財務指標，運用機器學習中的XGBoost算法判斷企業財務風險狀況。XGBoost算法對企業是否具有財務風險的識別準確率較高，最高可達94.45%。

關鍵詞：財務分析;財務風險識別;XGBoost算法

中圖分類號：F275.5? ? 文獻標志碼：A? 文章編號：1673-291X（2022）14-0129-03

引言

財務風險是由企業內外部經營活動或經營環境的不確定性造成的，主要表現為可能會給企業帶來預期以外的損失或預期以外的收益[1]。針對財務風險的研究，熊方軍等運用Logistic回歸模型，選取12個財務指標和6個非財務指標，實證分析對上市公司財務舞弊的識別，結果表明，舞弊公司的財務指標波動性更大[2]。李長山等人通過Logistic回歸方法構建財務風險預警模型，結果表明，財務預警方法能夠防范財務風險[3]。隨著機器學習方法的不斷應用，越來越多學者開始嘗試運用機器學習方法構建財務風險模型。張露等基于財務指標，通過運用Bagging的集成機器學習方法進行財務風險識別，正確識別財務風險企業的概率達92.86%[4]。

本文主要從財務分析的角度，通過各方面的財務數據指標，分析企業的財務狀況和經營成果，再選用機器學習的XGBoost算法，通過財務指標準確識別企業是否有財務風險。通過每個指標的特征重要性得分，分析每個財務指標對于識別財務風險的重要程度。

一、主要過程

（一）財務報表分析

財務報表是上市公司必須對外提供的資料，是人們掌握上市公司運行情況的一手資料。財務報表是指企業對外提供的反映企業某一特定日期的財務狀況和某一會計期間的經營成果、現金流量等會計信息的文件。財務報表包括資產負債表、損益表、現金流量表、所有者權益變動表以及附注。財務報表是幫助投資者和債權人了解企業的財務狀況、經營成果和現金流量的重要途徑，幫助投資者和債權人做出正確的決策。償債能力分析是債權人通過財務報表信息進行信用評價。通過償債能力分析可以了解企業當前的經營發展情況，可以為企業的健康發展提供良好的參考價值;同時，股東和債權人等外部投資者也可以通過償債能力分析為自身的投資決策作參考。盈利能力是企業通過現在的生產經營活動獲取收益的能力，也是管理層通過一系列的生產經營決策提高企業生產經營能力的反映，通過現在的生產經營狀況可以判斷企業未來發展狀況。企業盈利能力分析的實質是分析企業各種資源的營運效率，營運效率的高低反映企業資產使用效率的高低。企業經營的主要目標是追求企業盈利能力的持續增長。企業發展能力是企業通過自身的生產經營活動不斷獲取資產增長和利潤的增加，企業未來價值的大小可以通過分析企業的發展能力進行判斷。

通過對財務報表分析，為了能較為全面地反映企業的生產經營情況和財務狀況，同時考慮財務數據的可獲得性，本文主要從償債能力、營運能力、盈利能力和增長能力等4個方面選取財務指標，選取指標如表1。

（二）方法選擇

將ST公司視為有財務風險，標記為1;否則認為沒有財務風險，標記為0。這樣就成為了一種二分類問題。XGBoost算法可以用于分類問題，因此采用了XGBoost算法。

XGBoost算法是主要在GBDT基礎上改進的。相比GBDT，XGBoost具有運行效率高、效果好以及能大規模處理數據的優點。XGBoost算法在弱學習器模型選擇上不唯一，在并行選擇之前，先對所有的特征計算特征值并進行排序分組，對分組的特征選擇合適的分組。在算法的損失函數上加入正則化部分，可以防止過擬合，泛化能力更強。對誤差部分做二階泰勒展開，因此結果更加準確。

（三）數據篩選

本文所用數據全部來源于wind?？紤]到一年的數據時間較短，因此本文主要選取了2018—2020年3年的ST公司。篩選出由于最近兩年連續虧損、被會計師事務所出具無法表示意見或否定的審計意見、最近兩個會計年度的審計結果顯示的凈利潤均為負值等原因被劃為ST的公司，按照1：1的比例選取資產規模、行業相同的非ST公司共162家公司。財務數據選取被實施ST時間的前一年年報數據。

二、計算結果

（一）描述性統計

如表2所示，通過對數據進行描述性統計可以看出，除資產負債率、已獲利息保障倍數等指標存在少量缺失值外，其余指標數據完整，因此本文所選用的指標數據合理。已獲利息倍數、營業利潤（同比增長率）等指標最大值與最小值之間的差別非常大，說明不同行業不同企業之間的數據差別較大，因此我們試圖采用機器學習的方法探究不同指標對財務風險企業的影響程度。

（二）數據預處理

由于所選企業行業類型不同，資產規模差別也較大，故缺失值以0填充。

（三）特征重要性得分

如圖1所示，從上到下，我們可以清楚地看到每個會計指標對于是否有財務風險的重要程度。凈資產收益率ROE（平均）、凈資產（同比增長率）、現金周轉率、總資產（同比增長率）、固定資產周轉率等是比較重要的指標，對應的是反映企業發展能力、營運能力和盈利能力。說明與企業償債能力相比，企業發展能力、營運能力和盈利能力與企業財務風險具有更直接的關系。投資者和債權人在對企業做出決策時，可以關注企業財務報表，關注凈資產收益率ROE（平均）、凈資產（同比增長率）、現金周轉率、總資產（同比增長率）、固定資產周轉率等指標，如果該類指標存在一定的異常，就說明該企業財務狀況可能有風險。

（四）預測結果

將2018、2019年數據按照2/3是訓練集、1/3是測試集方法，對測試集樣本是否存在財務風險進行預測，預測結果如表3。

總識別正確率：94.45%

再將2018、2019年的數據作為訓練集，將2020年的ST企業樣本作為測試集，預測是否存在財務風險，結果如表4。

總識別正確率：93.98%

通過實驗數據我們發現，XGBoost算法對判斷企業是否具有財務風險具有很好的識別準確率。在判斷2018、2019年測試樣本是否存在財務風險時，XGBoost算法總體識別準確率為94.45%;在判斷2020年測試樣本是否存在財務風險時，XGBoost算法總體識別準確率為93.38%。

結語

企業的財務健康狀況直接影響企業持續經營和永續發展，影響投資者和債權人做出決策;企業的財務健康狀況還關系到資本市場的正常健康運行。財務指標對于識別企業財務風險具有重要的意義。本文通過財務指標數據構建財務識別模型，模型對于判斷企業是否具有財務風險有很高的準確率，最高可以達到94.45%。本文構建的財務風險識別模型可以為判斷企業財務狀況和經營情況提供一定的借鑒，也可以幫助投資者和債權人做出更好的決策。

參考文獻：

[1]? ?于富生，張敏，姜付秀，任夢杰.公司治理影響公司財務風險嗎？[J].會計研究，2008，（10）：52-59，97.

[2]? ?熊方軍，張龍平.上市公司財務舞弊的風險識別與證據收集[J].經濟與管理研究，2016，37（10）：138-144.

[3]? ?李長山.基于Logistic回歸法的企業財務風險預警模型構建[J].統計與決策，2018，34（6）：185-188.

[4]? ?張露，劉家鵬，江敏祺.集成機器學習模型在不平衡樣本財務預警中的應用[J].電子技術應用，2021，47（8）：34-38.

[責任編輯? ?妤? ?文]