基于数据挖掘的上市公司财务风险预警研究——来自京津冀上市公司的经验证据

张晓萍 张 颖 张若望 刘虹雨 崔维康 尹 航

一、引言

企业财务风险贯穿于生产经营的整个过程中，可将其划分为:筹资风险、投资风险、资金回收风险和收益分配风险四个方面。市场竞争环境日趋激烈严酷，如何对公司经营财务状况实施动态进行有效的监控，如何客观公正评价企业的财务风险，对有出现财务风险苗头的公司提前预警，整体提高企业的风险管理水平，是目前企业财务管理的核心环节。近年来，数据挖掘技术日益成熟，通过建立财务风险评价指标体系，采用不同的数据挖掘方法构建模型，有效预测财务风险，是当前学者研究的新方向和热点。我们可以在证券市场上搜集到大量的财务数据，例如股价数据、股吧评论数据等。应用数据挖掘技术，从大量、不完整、不规律的财务数据中，找出数据间隐含的关系和有价值的信息。财务危机的发生是一个循序渐进的过程，在企业危机发生的3年前，财务指标会存在警示信号，通过挖掘这些内在信号内在规律，构建模型，提前预测财务风险，对上市公司自身、投资者、债权人及证券监管部门都具有重要意义。

二、样本数据选取及指标体系的构建

（一）样本数据的选取

本文研究所需要的样本数据，即财务风险公司样本来自Wind金融终端违规行为数据库。根据我国上市公司的实际情况，上市公司t-1和t-2年的财务状况决定上市公司是否被ST。本文将采用样本公司t-2年的财务数据来进行实证研究。本文选取京津冀上市公司2014—2018五年的财务报表数据，其中样本公司需要剔除金融类以及数据不完全的上市公司，ST公司52家，遵循同行业、同时间的原则，参照Beasley(1996)的匹配原则和1：1的比例选取52家非财务风险公司配对样本。

（二）指标体系的构建

财务风险预警指标的选取的是否适用准确，会极大关联到财务风险预警模型测试结果的可信度和普适性，预警指标的选取要全面反映企业的财务状况和经营成果，能够从相关的数据库和公司报表上获取，而且指标的选取要具备科学合理性，而不是毫无根据的，我们要从众多的指标中挑选出相关联、重要的财务和非财务指标，所以本着全面性、可获取性、合理性、重要性原则，本文综合财务信息和非财务信息两方面的特征，设计了如下风险指标。反映偿债能力的指标X1流动比率、X2速动比率、X3现金比率、X4资产负债率、反映成长能力的指标X5营业收入增长率、X6总资产增长率、X7营业利润增长率、X8净利润增长率，反映每股指标X9每股收益、X10每股息税前利润、X11市盈率、X12每股营业收入，反映现金流能力指标X13每股现金净流量、X14现金流量利息保障倍数、X15债务保障率、X16营业收入现金含量，反映盈利能力的指标X17净资产收益率、X18总资产报酬率、X19总资产净利润率、X20销售毛利润，反映营运能力的指标X21应收账款周转率、X22存货周转率、X23总资产周转率、X24应付账款周转率。同时选取的非财务指标包括反映股权结构的Y1第一大股东、Y2股权集中度、Y3第一大股东是否绝对控股、Y4第一大股东是否相对控股、Y5董事会规模、Y6董事长是否兼任总经理、Y7独立董事比例、Y8高管持股比例、Y9审计意见、Y10违规行为。

三、预警指标的K-S检验和T检验

本文共选取了34个财务风险指标，包括24个财务指标和10个非财务指标，根据经验选择的初选指标能够基本满足特征体系的完整性、科学性和系统性，但是可能操作性、相关性较差，不能实现快速运算。所以本文使用SPSS22.0软件对指标进行正态分布检验（K-S检验）和独立样本T检验。根据测试数据，X1、X2、X3、X4、X5、X8、X9、X12、X14、X17、X19、X22、X24等14个财务指标的Sig值高于显著性水平5%，也就是说上述14个财务指标均满足正态分布，Sig值小于显著性水平5%有6个财务指标，不符合正态分布。检验结果显示，在非财务指标中，Sig值高于显著性水平5%的只有Y1、Y4、Y8、Y10四个变量，可以判定这四个指标满足正态分布，剩下的6个非财务指标的Sig值均小于显著性水平5%，不满足正态分布条件。T检验中，如果Sig值低于显著性水平5%，则两组均值间有显著性差异，可以据此判断财务公司是否出现了财务危机；若Sig值高于显著性水平5%，则不存在显著性差异。根据检验结果，在T-3年有X1、X2、X4、X8、X9、X14、X17、X22、Y1、Y4、共10个预警指标通过了T检验，说明这些指标存在显著性差异，其余均为通过T检验，不存在显著性差异。

四、GA-BP神经网络财务风险模型构建

BP网络（Back Propagation），是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。BP神经网络是由输入层、隐含层、输出层、传递函数、训练函数等网络结构和网络参数设置的多层网络。输入层相当于存储器，主要工作重点是传入样本信息。输入层一般由预警指标构成，一般来说输入层的数据范围越广，节点数目越多，模型预测的精确性越强。本文将输入层的节点数设定为经过K-S检验和独立样本T检验的10个预警指标，其中包括8个财务指标和2个非财务指标。然后确立隐含层数目，最常用的BP神经网络结构是3层，经过综合的考量，本文将隐含层的层数设定为1。输出层主要是输出分析数据，输出的节点个数取决于输出数据的类型。本文将输出层的节点数设定为1。若输出的结果为0，表示该公司为财务正常公司，若输出的结果为1，表示该公司为财务危机公司。通过检测结果可知，本文构建的三层神经网络模型对京津冀上市公司对被ST的京津冀上市公司的判断准确率可达到95.3%，对非ST的京津冀上市公司的判断准确率可达到94.6%，综合准确率可达到94.95%，结果较为理想，预警成效总体较好，说明该模型是有效且合理的，能够在京津冀上市企业中使用该模型，对公司出现的财务风险进行提前预警和防范。

五、京津冀上市公司财务风险预警防范对策

（一）增强财务危机防范意识

京津冀上市公司面对复杂的内外部环境，要想做好财务风险预警工作，有效预防财务危机的发生，首先必须树立财务危机防范意识。防范意识不能仅停留于表面，必须渗透到每个人的脑髓中。第一，高层监管和管理人员要有警惕意识，率先示范，起到良好的带头作用；其次，公司的每一位员工，作为公司的成员，也要高度关注企业经营管理过程中出现的财务风险或者可能引发财务危机的潜在因素，并主动汇报，从而形成人人关注、人人预防的财务风险抵御墙。

（二）加强制度建设，完善公司治理结构

第一，保持合理的股权结构。上市公司股东有权出席股东大会并对公司的重大经营决策进行参与管理。前十大股东股权的适度集中，既有优势也有劣势。优势在于可以降低代理成本，有助于加强股权之间的监督、协作和制衡，有助于在董事会、监事会中选举自己的直接代表，提高决策质量。劣势在于要防止股权高度集中，避免“一股独大”现象，避免大股东侵害中小股东利益等不平等行为，保持前两大股东合理的持股比例。第二，完善董事会制度，提高监事会的监管职能。保证董事会的相对独立性，加强董事会对于大股东的限制，董事会要加强与公司高层管理人员的沟通，加强信息开放度、透明度和公开性。另外要加强监事会的监督职能，加强监事会的独立性，提高监管效果，提高监事会监督的专业能力和效率，这些措施在很大程度上可以形成规范的公司治理结构，规避财务风险的发生。

（三）完善财务信息监控系统

公司要建立一套完善的财务信息监控系统，高度重视企业财务信息流转的合理性和安全性，及时收集、传递、分析财务信息，并向高管人员公布。各个公司需要根据自身经营特点，划定关键财务指标预警线，以便及时发现潜在风险、及时预防。完善会计准则制度，加强政策约束制度，确保制度的落实。会计准则制度的漏洞给财务风险的出现提供了可乘之机，国家应进一步修订完善现有会计准则和制度。此外，证券监管部门应加强监督职能，不断完善监管手段和制度，杜绝财务风险的发生。

（四）发挥外部投资者的监督职能

外部投资者、债权人与上市公司利益直接相关，他们对上市公司的财务报表非常关注，公司出现财务风险必然会损害他们的利益。发挥外部投资者的监管作用，对于规避上市公司财务风险现象的出现有很大帮助。

本文采用数据挖掘中的GA-BP神经网络方法对京津冀上市公司财务风险进行分析，推进了数据挖掘技术在财务风险评价分析中的应用与发展，挖掘潜在信号，对公司未来的财务状况进行有效预测和判断，预测结果为公司内部管理者和外部利益相关者提供参考。