基于贝叶斯网络的重大资产重组公司预测模型

尹阳春

[摘 要] 随着资本市场的不断发展，企业重大资产重组已经成为企业优化资源配置、谋求可持续发展的重要途径。对投资者而言，在重大资产重组停牌公告发布前进行投资布局有助于获得超常收益。通过以中国A股主板2015年至2017年发布重大资产重组停牌公告的公司为样本，运用理论分析确定构建贝叶斯网络的节点，并在此基础上通过贝叶斯网络建立重大资产重组预测模型。研究发现，股权制衡度、资产减值损失占营业收入比例越大，出现控股股东变更，每股收益、每股净资产、每股营业收入越小，上市公司发生重大资产重组事件的概率越大。模型总体准确率为71.63%，表明对重大资产重组公司进行预测在很大程度上是可行的。

[关键词] 贝叶斯网络；重大资产重组；预测模型

[中图分类号] F724 [文献标识码] A [文章编号] 1009-6043（2018）04-0083-03

Abstract： With the continuous development of capital market， the major asset restructuring of enterprises has become an important way for enterprises to optimize the allocation of resources and seek sustainable development. For investors， investment layout before major asset restructuring announcement is helpful to get abnormal returns. By using the theoretical analysis to establish the nodes of the Bayesian network， a major asset reorganization prediction model is established on the basis of the Bayesian network， which is based on a sample of the companies that issued a major asset restructuring stop bulletin from 2015 to 2017 of China's A shares. It has been found that the greater the proportion of equity and impairment of assets is in the operating income， with the change of the controlling shareholders and the smaller the net assets per share and the earnings per share are， the greater the probability of the major asset reorganization of the listed companies will have. The overall accuracy of the model is 71.63%， which indicates that it is feasible to predict major assetrestructured companies.

Key words： Bayesian network， major asset restructuring， prediction model

一、引言

最近幾年，我国上市公司资产重组的脚步越来越快，特别是重大资产重组已经成为优化资产结构、实现企业价值增值的重要途径，因此预测重大资产重组公司对投资者获得超常收益具有重要意义。自21世纪以来，世界各国尤其是新兴市场国家放宽了对资产重组行为的监管。随着资产重组行为数量的增加，国外研究人员开始关注对并购目标的预测，通常的方法是逻辑回归，衡量的主要指标有资产负债率与总资产，如Kramaric（2012），准确率为70.6%；销售增长率、投资回报率、总资产现金回收率，如Barai，Mohanty（2012），准确率高达91%；净利率，资本劳动比率，营业收入，存货周转天数，如Tsagkanos（2012），总预测准确率仅为57.14%，但非目标公司的准确率为91%。

中国学者的研究则大多沿袭了西方学者的方法。衡量的主要指标有现金营运指数、固定资产比率、第一大股东持股比例、流通股比例，如张金鑫，张艳青，谢纪刚（2012），预测准确率不高，仅为56.1%；资产负债率、净资产收益率、基本每股收益、每股经营现金流量、前十大股东持股比例，如赵息，徐晓（2015），模型总体准确率为70.4%。

综上，可以看到关于资产重组的研究大多以目标公司为对象，只有少数文章涉及对主并公司的研究，如陈玉罡，李善民（2007），研究角度不够全面。而且预测模型基本采取线性回归分析，方法也较单一。而通过贝叶斯网络方法对重大资产重组进行预测，可以对非线性的变量关系进行研究，从而扩大了预测指标的选择空间。另一方面，由于研究范围不局限于重大资产重组的方式和企业在重大资产重组中的角色，而将研究对象扩大到所有重大资产重组公司，使预测模型具有更广泛的应用价值。

二、贝叶斯网络的基本原理

贝叶斯网络是由有向无环图（DAG）所表示的各随机变量间的概率关系，由有向无环图和条件概率表两部分构成。有向无环图即为贝叶斯网络拓扑图，图中的各节点表示相应的随机变量，有向弧表示各节点之间的依赖关系，箭头指向的方向为子节点，其另一端为父节点，没有父节点的称为根节点。条件概率表示各子节点对其父节点依赖关系的强弱。贝叶斯原理可表示为下面的公式：

P（A|B）=P（B|A）P（A）/P（B）=P（AB）/P（B）（1）

将公式（1）应用于重大资产重组事件预测时，我们假定公司发布重大资产重组停牌公告为事件A，则P（A）表示公司发生重大资产重组事件的概率，P（B）是作为预测变量B处于某个等级的概率，P（B|A）表示在公司发生重大资产重组事件条件下，预测变量B处于某个等级的可能性。P（A）、P（B）、P（B|A）均可根据上市公司的经验值得到，通过贝叶斯网络参数学习后，我们可以得到P（A|B），即预测出在变量B处于某个等级的条件下，公司发生重大资产重组事件的概率。

当我们所建立的贝叶斯网络中存在着i个变量时，由公式（1）可以得到联合概率分布为：

P（X1，X2，…，Xi）=P（X1|X2，X3…，Xi）P（X2|X3，X4，…，Xi）…P（Xi-1|Xi）P（Xi） （2）

三、构建贝叶斯网络的指标选择

企业为了在激烈的市场竞争中取得优势，会努力获取区别于竞争对手的独特资源，这些资源不仅包括土地、设备、甚至资金等有形资源，还包括无形资源，例如独特的专利技术、团队、供货合约、客户关系、品牌等无形资源。这些资源的获取过程一般需要漫长的时间，还需要投入巨额的人力、物力和财力。这些因素导致这些资产很难以货币计量，即使可以用货币计量，其重置的代价必然高昂。但是在公司价值较低的情况下，资产重组可以缩短取得的时间以达到获取优势资源的目的。从这个角度来说，较低的公司价值会使通过资产重组来获得额外生产能力的成本比自己从头做起的代价要低的多。而根据企业价值理论，每股收益、每股净资产、每股营业收入与企业价值紧密相关，因此将每股收益、每股净资产、每股营业收入作为预测指标。

资产减值是指资产未来可能流入的经济利益低于现有的账面价值。对企业而言，在重大资产重组前确认资产减值，能够体现因为内部使用方式或范围改变而导致的效用降低，从而更加真实地反映交易标的预期带来的经济利益，有利于合理评估交易标的的价值，提高重大资产重组后企业的风险应对能力。而资产减值行为在财务报表上的表现，就是资产减值损失占营业收入比例增加，因此将资产减值损失占营业收入的比例作为预测指标。

在公司实际生产经营活动中，公司控制权往往由几个大股东共同分享，通过内部牵制，使得任何一个大股东都无法单独控制企业的决策，从而达到大股东相互监督的股权结构。但是这种股权结构不可能一成不变，尤其是重大资产重组涉及的交易标的无论从总额、净额还是所产生的营业收入来看都占有企业现有资产相当高的比例，这种交易可能会对已有的股权结构产生冲击。结合以往的研究成果，选择前十大股东持股数对第一大股东持股数的比例作为预测指标。

企业控制权的变更可能会使小股东和大股东间的委托代理关系发生变化，比如新控股股东支持调整公司的经营规模范围，在这种情况下，新控股股东可能会通过推动重大资产重组以求在短时间内获取市场竞争优势。因此将公司控股股东的变更作为预测指标。

综上所述，初步的指标选取如表1所示：

四、重大资产重组预测模型构建

（一）样本选择

从东方财富Choice数据库和巨潮资讯网中获得的2015年5月1日至2016年4月30日A股主板1542家上市公司作为训练样本，用于构建预测模型；2016年5月1日至2017年4月30日A股主板1632家上市公司作为测试样本，用于检验预测模型的准确率。在剔除报告年度中財务数据缺失的样本的基础上通过不同年份的数据学习模型参数，更新贝叶斯网络模型，动态地预测重大资产重组状况，并对模型的准确性进行检验。

（二）学习网络参数

运用软件Netica，对已选出的重大资产重组事件信号和是否发生重大资产重组事件（目标节点）进行构建贝叶斯网络。贝叶斯网络要求数据是离散的，上述预测变量中，除控股股东是否变更是离散型变量外，其他指标都是连续的。所以，根据证监会公布的上市公司行业指引对数据进行分类，以公司年报发布前的分类结果为准进行离散处理，采用中位数方法，将指标按照行业分为2级，所构建的以是否发生重大资产重组为目标节点的网络结构如图1所示。

在确定贝叶斯网络结构之后，需要对节点的先验概率值进行计算，并根据计算结果对节点赋值。在对节点进行赋值时，对数据缺失或无效的部分会根据专家意见进行调整。对于财务类指标，根据分类的结果对上市公司进行排序，并以行业中位数为衡量标准将相同行业公司的指标分为两种状态；对于非财务类指标，根据相关事件发生与否将指标分为两种状态。以目标节点以及上一级节点为例，重大资产重组停牌概率节点的状态分为发生（Y）和不发生（N）两种。对于公司价值、股权制衡和减值这三个上一级节点，状态分为高于行业平均数（H）和低于行业平均数（L）两种。另外对于公司价值节点，每股收益、每股净资产和每股营业收入至少两项指标低于行业平均数（L）和至少两项指标高于行业平均数（H）两种。其他指标也按照相同原则进行处理。由于篇幅有限，不再列举其他指标的赋值情况。目标节点以及上一级节点的复制情况如表2所示。

进行准确率检验前，我们首先要确定概率阈值，由于研究方法是以全样本研究，故选用E（P）的估计值，即目标样本占总样本的比例19.8%作为概率阈值对模型进行检验。

（三）模型准确率检验

将测试样本1632家A股主板上市公司各预测变量的观测值代入模型，其中为202家为发生重大资产重组事件公司，1430家为未发生重大资产重组事件公司。其最终测试结果如表3所示。

五、结论

综上，采用贝叶斯网络构建重大资产重组事件预测模型，总体预测正确率为71.63%，并发现股权制衡度、资产减值损失占营业收入比例越大，出现控股股东变更，每股收益、每股净资产、每股营业收入越小，上市公司发生重大资产重组事件的概率越大。结果表明，投资者可运用贝叶斯网络对可能发生重大资产重组事件进行预测，进而为投资者选择投资目标提供路径。

[参考文献]

[1]Kramaric T P. Predicting Takeover Targets -- Case of Croatian Insurance Companies （1998-2010）[J].Journal of Global Business Management， 2012， 8（1）：33-41.

[2]Barai P， Mohanty P. Predicting Acquisitions in India[J].Vikalpa the Journal for Decision Makers， 2012（3）：29-50.

[3]Tsagkanos A， Koumanakos E， Georgopoulos A， et al. Prediction of Greek takeover targets via bootstrapping on mixed logit model[J].Review of Accounting & Finance， 2012， 11（3）：315-334.

[4]陈玉罡，李善民.并购中主并公司的可预测性——基于交易成本视角的研究[J].经济研究，2007（4）：90-100.

[5]张金鑫，张艳青，谢纪刚.并购目标识别：来自中国证券市场的证据[J].会计研究，2012（3）：78-84.

[6]赵息，徐晓.中国制造业并购目标的财务特征及预测[J].河北工业科技，2015，32（2）：107-111.

[7]赵文平，王园园，张一楠，周达培.基于贝叶斯网络的上市公司财务风险预警模型[J].财会月刊，2015（23）：66-69.

[8]孟荣芳.上市公司并购重组商誉减值风险探析[J].会计之友，2017（2）：86-89.

[9]陈凯.企业重组并购形势下资产管理风险探析[J].会计之友，2012（23）：59-60.

[10]阮素梅，丁忠明，刘银国，杨善林.股权制衡与公司价值创造能力“倒U型”假说检验——基于面板数据模型的实证[J].中国管理科学，2014，22（2）：119-128.

[11]林俊荣.中国并购市场目标公司特征研究[D].北京交通大学，2014.

[12]李敏.基于贝叶斯網络的高新企业融资风险评估模型[J].统计与决策，2016（15）：177-179.

[责任编辑：赵磊]