1、2023年 第1期北方BEIFANGJINGMAO经贸辽宁省装备制造业财务风险预警研究张晓蕾，王华（沈阳理工大学 经济管理学院，沈阳 110159）摘要：本文选取 2017-2021 在沪深两市 A 股主板的辽宁省装备制造业上市公司数据作为研究样本，建立相关财务风险预警指标体系。并根据样本数量少、分布不均衡的特点，构建加权支持向量机（W-SVM）财务风险预警模型。实证发现：W-SVM 模型具有较好的预警效果，该模型对辽宁装备制造业财务风险的预防与控制具有一定的现实意义。关键词：W-SVM；辽宁省装备制造业；财务风险预警中图分类号：F42文献标识码：文章编号：1005-913X（2023）01-
2、0085-04收稿日期：2022-08-11基金项目：2020 年度辽宁省教育厅人文社会科学研究项目(LG202005)；2020年度辽宁省教育科学“十三五”规划项目(JG20DB387)作者简介：张晓蕾(1998-)，女，济南人，硕士研究生，研究方向：风险评估、财务管理；王华(1972-)，女，沈阳人，副教授，博士，硕士生导师，研究方向：技术经济与管理、风险评估。一、引言装备制造业是我国制造业中的一个重要环节，在国家有关政策的扶持下，已有了较好的发展，并奠定了坚实的工业基础。作为其他行业的“输血源”，装备制造业的健康发展，在一定程度上对其他行业的稳定运转起着制约作用。但是，随着技术水平的演进
3、升级与市场环境的复杂化，我国装备制造业也被动面对诸多新的机遇和挑战，其“大而不强”的劣势也逐步凸显出来，制约着装备制造业整体的健康发展。辽宁省重工业基础雄厚，是我国传统的装备制造业大省。虽然作为东北地区重点工业基地之一，辽宁省工业制造业已形成了相当规模的产业链，但是在宏观经济形势不可控、产业结构不合理等因素的影响下，辽宁省装备制造业近年来发展速度减缓，同时也存在着一定程度的财务风险。在国家“振兴东北老工业基地”及辽宁省“先进装备制造业 十四五 发展规划”的政策要求下，为了更好地加快装备制造业转型升级的步伐，必须要关注行业整体的财务健康状况，以此为基础维护辽宁经济的可持续发展，因此寻找合理有效的
4、预警手段防范装备制造业发生财务风险具有重要意义。财务风险预警是指通过研究企业的财务及非财务数据与最终风险状态之间的内在联系，利用数学模型找到关键影响因素，搭建预警模型输出风险状态，使企业能实时监控自身风险状态，以便及时采取措施防范风险。目前财务风险预警一般有两种方向，分别是统计学方法与机器学习方法。统计学方法有一元判别分析模型、多元判别分析模型、多元逻辑回归分析方法和多元概率比回归方法等。此类方法构建的模型具有明显的解释性，但是其对输入数据的要求严格，并且与机器学习方法相比，其分类效果的准确性差强人意。机器学习方法有逻辑回归、决策树、神经网络模型、随机森林、支持向量机等，相关研究表明，机器学习
5、方法相比于统计学方法具有更好的准确性和适应性。在无法预先确定风险关键影响因素时采用机器学习方法能取得更好的效果。而对于类似本文研究对象的此类数据量少的小样本，支持向量机凭借其出色的分类与回归性能，能取得更好的预测结果。而对于样本数据不均衡的情况，加权支持向量机能通过为正负样本赋予不同的权重，以使样本处于均衡状态。因而本文针对辽宁省装备制造业上市公司数据不均衡、样本量小的特点，构建加权支持向量机（W-SVM）模型。二、模型与方法（一）加权支持向量机支持向量机是监督式学习的一种机器算法，属于一般化线性分类器。其通过搜寻最优的分类超平面，使得正负两类向量之间的距离最大化，一般来说，分类边缘越大，寻得
6、的超平面越优，分类效果越好，最终训练得到的超平面就是分类模型的最优解。在处理非线性分类时，SVM 通过核函数的使用将输入变量映射到高维空间，此时就变成高维空间的线性分类问题。SVM 能够同时最小化经验误差与最大化几何边缘区，具有良好的分类效果。其具体实现步骤如下：852023年第1期NORTHERN ECONOMY AND TRADE获取输入数据集：（1）其中，为特征向量。选取最适宜的核函数 K（xi，xj），映射到高维特征空间求解最优解：（2）（3）设得到最优解如下：（4）选取 a*的一个正分量，计算阈值：（5）从而最终的最优分决策函数为：（6）加权支持向量机是在上述基础上通过对不同类别的样
7、本加以不同权重，以解决以下二次规划问题得到的：（7）（8）（9）M=m+n（10）其中 C 是惩罚因子，i 为 xi相应的松弛变量。p+和 p-分别是正负两类样本的权重，因此可以通过 p+和 p-以及 i 的输入实现加权效果，公式如下：（11）（12）（13）公式中 pi即 xi的权重，通过的输入能够人为地扩大或缩小相应的 C 的惩罚力度，从而实现正负样本数据的扩大或缩小，均衡样本集，提高预测精度。（二）W-SVM 构建方法Step1：确定预警指标体系并选取符合条件的上市公司样本，划分训练集与测试集。Step2：选择合适的核函数，并且采用五折交叉验证方法，进行参数寻优，以找到具有最佳分类效果的
8、 c、g 参数，并设置正负样本的权重，搭建W-SVM 模型。Step3：导入训练集数据作为输入变量，用以训练 W-SVM 模型，并将预测值与实际预测集数据对比，验证模型准确度。三、实证分析（一）样本选择和数据来源沪深两市的上市公司若连续两个年度出现亏损，就会被特别处理（Special Treatment）。因而本文将 ST 作为企业发生财务风险的标志。样本公司范围为沪深 A 股主板上市的辽宁省装备制造业公司，选择 2017-2020 年间被 ST 处理企业作为风险样本，按照配对原则，选择风险企业 ST 年份为基准年份的剩余企业作为健康样本。由于企业被 ST 处理的 T 年实质上是 T-1 年财
9、务状况的结果，因而本文选择 T-2 年的财务数据作为数据输入集用以训练预警模型，以 2021 年辽宁省装备制造业上市公司的财务状况及其 T-2 年的数据作为测试集用以测试模型预测精度。最终得到一个由 22 家企业及其相应年份数据的样本集。本文样本数据来自锐思金融数据库。（二）财务风险预警指标体系的构建装备制造业企业作为传统的制造型企业，有资金密集、产能过剩、创新能力欠缺等特点，因而在选择预警指标，要贴合行业发展特点，本文在借鉴已有研究的基础上，遵循可操作性、可量化、系统性以及先行性的要求，从盈利能力、偿债能力、成长能力、营运能力、现金流状况五个方面等方面选取了20 个财务指标。另外从我国企业实
10、际状况出发，由于目前缺乏成熟严密的外部治理体系，所以企业内部治理水平仍是影响企业财务健康的重要影响因素。因此本文选取了 6 个非财务指标补充预警指标体系（具体指标如表 1 所示）。由于财务指标之间具有相关性，其中区分能力不显著的指标往往会使得模型训练更复杂，甚至还会降低模型的准确度。因此本文进行如下处理：首先对所有数据进行标准化处理，其次针对正负样本的各个特征变量进行显著性检验，即实施 K-S 检验，检查样本数据是否符合正态分布，当 p 值大于 0.05 时我们认为其符合正态分布，可以进行 T 检验以观测样本数据的差异显著性，保留 p 值低于 0.05 的指标；对于不符合正态分布的指标进行 M
11、ann-Whiney财贸与财税862023年 第1期北方BEIFANGJINGMAO经贸表 1财务风险预警指标体系二级指标二级指标每股收益存货周转率资产报酬率应收账款周转率销售期间费用率固定资产周转率营业总成本/营业总收入总资产周转率成本费用利润率流动资产周转率流动比率经营现金净流量/营业总收入速动比率总资产现金回收率资产负债率董事会规模产权比率独立董事比例营业收入增长率监事会规模净利润增长率第一大股东持股比例净资产增长率H5 指数总资产增长率Z 指数变量X1X2X3X4X5X6X7X8X9X10X11X12X13一级指标盈利能力偿债能力成长能力变量X14X15X16X17X18X19X20X
12、21X22X23X24X25X26一级指标运营能力现金流量公司治理表 2K-S 检验与 T 检验X30.1140.20010.9660.000X80.1200.20010.7720.000X150.1440.2007.4330.000X190.1250.2001.0220.318X210.0980.20013.3280.000X220.0810.20012.3330.000X50.1780.06713.2710.000X240.1790.0661.1940.246变量Kolmogorov-Smirnov ZSig.（2-tailed）T 统计量Sig（2-tailed）K-S 检验T 检验表
13、3K-S 检验与 Mann-Whiney U 检验X200.1860.0460.0000.022X100.1880.0423.0000.052X40.1880.0414.0000.068X10.1890.0400.0000.022X160.1900.03818.0000.819X250.1910.03715.0000.568X20.2080.0145.0000.087X180.2290.00414.0000.493X140.2400.00217.0000.732X170.2500.00112.0000.361X60.2970.00015.0000.568X70.3020.00015.0000.
14、568X90.3860.00013.0000.424X110.3520.0000.0000.022X120.3040.0000.0000.022X130.2800.00013.0000.424X230.3080.00013.0000.390X260.2680.0005.0000.087变量Kolmogorov-Smirnov ZSig.（2-tailed）Mann-Whitney USig.(2-tailed)K-S 检验Mann-Whiney U 检验U 检验，保留 p 值小于 0.05 的指标（检验结果如表2、3 所示）。（三）实证分析1.样本数据划分特征向量矩阵 train_data 是
15、 m*n 矩阵，m 表示样本数量，n 表示特征维度，即上文最终选取的指标。类别矩阵 train_label 为 m*1 矩阵，其中 m 仍为样本数量，列数 1 表示此样本的属性，财务风险企业以“-1”表示，健康企业以“1”表示。2.归一化处理由于数据中可能会存在奇异样本数据，使得特征数据量纲不一致，特征值之间差异较大，此时会降低模型运算速度和精度。而进行归一化处理后，能减少迭代次数，可以更迅速找到最优点，并且还能增加不同特征数据之间的可比性，便于下一步处理。3.选择核函数在核函数的选择上，由于本文特征维度和样本较少且二者量级相差不大，此时选择线性核函数不会造成过拟合现象，会取得相对更好的预测效
16、果。因而本文选择线性（linear）核函数来构建模型。4.参数选择及预测结果由于本文研究对象样本量小，且风险企业与健康企业比例不平衡，所以训练会存在偶然性，因此有必要通过反复训练寻找最优参数以提高模型的准确性。本文采用五折交叉验证法搜寻最优参数，872023年第1期NORTHERN ECONOMY AND TRADE最终选择的最优参数分别为：c=5.278，g=0.008。经过训练，本文构建的支持向量机预测准确率为 90.91%（结果如图 1 所示）。图 1测试集 SVM 预测结果（linear 核函数）5.特征权重分析由于支持向量是映射在高维空间的向量，无法以二维空间中的输入特征变量呈示，因此在探求预警指标在 SVM 模型中的影响大小时，可以通过SVM-RFE（递归特征消除）算法得到指标特征的贡献性排序。RFE 算法通过 SVM 模型训练样本，得出本次训练特征权重，再剔除权重平方和最小的特征进行下次训练，如此迭代直至没有特征，由此算法的最终输出变量即为特征重要降序排序。在本文构建的 W-SVM 模型基础上调用 SVM-RFE 算法，得到特征权重排序为：X11、X12、X19、X5、X
