吳榮順 ，王丹陽，戚嘯艷，

（1東南大學(xué) 反腐敗法治研究中心，江蘇 南京 210096；2東南大學(xué) 經(jīng)濟管理學(xué)院，江蘇 南京 210096）

一、引 言

近年來，我國高新技術(shù)企業(yè)發(fā)展勢頭強勁，相當(dāng)多的企業(yè)進入了資本市場。然而，隨著競爭的全球化以及技術(shù)升級周期的短期化，高新技術(shù)企業(yè)發(fā)展的不確定性顯現(xiàn)，股東、債權(quán)人等外部利益相關(guān)者需要更有效的績效預(yù)測方法，為其決策提供依據(jù)，實現(xiàn)既定風(fēng)險下的收益最大化。

支持向量機模型（Support Vector Machine，簡稱SVM）最早由Vapnik提出，是典型的人工智能算法預(yù)測模型之一。支持向量機模型因其在解決小樣本、非線性以及高維識別模式中表現(xiàn)的各種優(yōu)勢而被應(yīng)用于預(yù)測領(lǐng)域，如Fan等人［1］采用多種模型預(yù)測企業(yè)績效，實證結(jié)果顯示SVM模型預(yù)測準(zhǔn)確度高于多元判別模型和神經(jīng)網(wǎng)絡(luò)模型。Shin［2］選取1996年到1999年韓國破產(chǎn)企業(yè)作為研究對象，分別構(gòu)建神經(jīng)網(wǎng)絡(luò)模型和SVM模型對樣本企業(yè)進行績效預(yù)測，結(jié)果顯示SVM模型預(yù)測總體表現(xiàn)優(yōu)于BP神經(jīng)網(wǎng)絡(luò)模型，并且訓(xùn)練樣本越小，這種優(yōu)異性越明顯。張再旭等人［3］引入支持向量機構(gòu)建企業(yè)績效預(yù)測模型，結(jié)果表明該模型具有較高的預(yù)測精確度。張曉琦［4］以企業(yè)是否爆發(fā)大規(guī)模財務(wù)危機從而發(fā)生銀行貸款違約且違約時間在一年及以上作為分類標(biāo)準(zhǔn)，選取浦東發(fā)展銀行全國客戶池中75家未上市高新技術(shù)企業(yè)作為研究樣本，其中包含50家財務(wù)正常企業(yè)和25家違約企業(yè)，構(gòu)建SVM模型，實證結(jié)果顯示SVM模型預(yù)測效果較為理想。

為了進一步改進支持向量機的預(yù)測準(zhǔn)確度，本文試圖將集成學(xué)習(xí)方法引入支持向量機預(yù)測模型，并將其應(yīng)用于高新技術(shù)企業(yè)的績效預(yù)測。

二、支持向量機集成學(xué)習(xí)方法的基本原理及模型

1.支持向量機學(xué)習(xí)方法基本原理

支持向量機是在統(tǒng)計學(xué)習(xí)理論的基礎(chǔ)上發(fā)展起來的一種新的學(xué)習(xí)方法，它基于結(jié)構(gòu)風(fēng)險最小化原則，能有效地解決學(xué)習(xí)問題，具有良好的推廣性和比較好的分類精度。

使用Adaboost構(gòu)建支持向量機集成學(xué)習(xí)方法時，先將支持向量機方法定義為弱分類器，支持向量機集成學(xué)習(xí)方法定義為強學(xué)習(xí)器，所構(gòu)建的支持向量機集成學(xué)習(xí)方法是將原始數(shù)據(jù)的分類過程等分為若干層支持向量機弱學(xué)習(xí)器的組合疊加，每層抽選固定數(shù)量的樣本，使用支持向量機弱分類器進行分類處理，對于每層處理結(jié)果中分類正確和錯誤的樣本分別減少和增加其權(quán)重，使得支持向量機弱分類器聚焦在那些分類困難的數(shù)據(jù)樣本上，最后使用權(quán)重投票方式對支持向量機弱分類器進行融合，得到最終的支持向量機集成學(xué)習(xí)方法強分類器［5］。

2.支持向量機與支持向量機集成學(xué)習(xí)方法模型的構(gòu)建

（1）支持向量機模型構(gòu)建

支持向量機模型的構(gòu)建主要有以下幾步：第一步是對數(shù)據(jù)集的整理，通過查詢數(shù)據(jù)庫取得建模需要的數(shù)據(jù)指標(biāo)，剔除數(shù)據(jù)缺失樣本。將初步得到的數(shù)據(jù)樣本通過SPSS軟件進行非參數(shù)檢驗以及T檢驗、相關(guān)性檢驗之后得到指標(biāo)體系，再將其按照libsvm要求的格式進行整理，得到最終的建模數(shù)據(jù)集；第二步是將數(shù)據(jù)集進行歸一化處理，將其規(guī)范到［0，1］ 范圍內(nèi)；第三步是核函數(shù)的選擇，由于徑向基核函數(shù)（RBF核函數(shù)）的應(yīng)用范圍相對較廣，不論低維度還是高維度，大樣本還是小樣本都適用，因此本文選擇徑向基核函數(shù)（RBF核函數(shù)）作為構(gòu)建高新技術(shù)企業(yè)績效預(yù)測模型的核函數(shù)；第四步是參數(shù)的設(shè)置，選擇是RBF核函數(shù)涉及參數(shù)g和懲罰因子c，本文使用網(wǎng)格搜索法確定參數(shù)g和c；最后一步是對訓(xùn)練集進行訓(xùn)練獲取模型并進行預(yù)測，首先將樣本企業(yè)人工分為訓(xùn)練集和測試集，將訓(xùn)練集通過訓(xùn)練得到預(yù)測模型，然后用測試集檢測模型精度。

（2）支持向量機集成學(xué)習(xí)方法預(yù)測模型的構(gòu)建

在構(gòu)建支持向量機集成學(xué)習(xí)方法預(yù)測模型時，為了使得所構(gòu)建的支持向量機集成學(xué)習(xí)方法預(yù)測模型與單一支持向量機模型具有可比性，樣本選取與最優(yōu)參數(shù)和構(gòu)建單一支持向量機預(yù)測模型時相同。構(gòu)建支持向量機集成學(xué)習(xí)方法預(yù)測模型的步驟如下：

步驟二，for t=1to T do；

步驟四，根據(jù)抽樣得到的m個樣本集構(gòu)造弱分類器，即子支持向量機分類器gt；

步驟六，如果εt＞0.5，則重置wi=1/N（i=1，2，…，N），返回步驟三；

步驟八，end for

三、高新技術(shù)上市公司績效預(yù)測指標(biāo)體系

企業(yè)經(jīng)營的最終目標(biāo)是創(chuàng)造價值，因此企業(yè)績效預(yù)測可以理解為企業(yè)價值預(yù)測［6］。湯谷良等人［7］認為企業(yè)價值由增長、盈利和風(fēng)險三個維度構(gòu)成，成長是企業(yè)在運營過程中業(yè)務(wù)的增長程度和速度，盈利是企業(yè)獲得超額收益的能力，風(fēng)險是企業(yè)在運營過程中存在的財務(wù)風(fēng)險和經(jīng)營風(fēng)險，只有完成對企業(yè)增長、盈利、風(fēng)險的三重管理任務(wù)，企業(yè)價值目標(biāo)才能得到保證。錢愛民和張新民［8］在此基礎(chǔ)上建立企業(yè)財務(wù)狀況質(zhì)量三維綜合評價體系，并將其應(yīng)用于對我國A股制造業(yè)上市公司績效的檢驗。因此，本文將采納湯谷良等人的觀點，以創(chuàng)業(yè)板高新技術(shù)企業(yè)為樣本，從盈利、成長和風(fēng)險三維度評價企業(yè)績效。

（1）成長性指標(biāo)。企業(yè)成長需要從成長速度以及運營過程中經(jīng)營資產(chǎn)質(zhì)量兩個方面考察，成長速度可以通過企業(yè)資產(chǎn)增長率進行反映，經(jīng)營資產(chǎn)質(zhì)量可以通過企業(yè)資產(chǎn)周轉(zhuǎn)性進行反映。

（2）盈利性指標(biāo)。企業(yè)盈利性需要從盈利數(shù)量和盈利質(zhì)量兩個方面考察。盈利數(shù)量是企業(yè)的盈利水平，可通過企業(yè)財務(wù)報表直接獲得；盈利質(zhì)量則是隱形的，是企業(yè)盈利水平的內(nèi)在表現(xiàn)，需要結(jié)合企業(yè)利潤與現(xiàn)金流量相關(guān)指標(biāo)進行分析。

（3）風(fēng)險性指標(biāo)。企業(yè)發(fā)展面臨諸多風(fēng)險，創(chuàng)業(yè)板高新技術(shù)企業(yè)處于高速成長期，需要大量資金支持，財務(wù)風(fēng)險是其主要風(fēng)險之一?？紤]到數(shù)據(jù)的可得性，關(guān)于風(fēng)險維度，本文僅考察企業(yè)的財務(wù)風(fēng)險，用流動負債占比考察企業(yè)債務(wù)的期限構(gòu)成；用流動比率、速動比率、現(xiàn)金比率考察資產(chǎn)對負債的保障程度；用利息保障倍數(shù)、現(xiàn)金流動負債比率、現(xiàn)金流利息保障倍數(shù)、現(xiàn)金債務(wù)總額比等來考察現(xiàn)金對負債的保障程度；此外，衡量企業(yè)財務(wù)風(fēng)險還需要考察企業(yè)的長期還款能力，考察指標(biāo)主要有資產(chǎn)負債比率、產(chǎn)權(quán)比率、長期資本負債比率等。歸納分析后，得到表1。

表1 指標(biāo)的初步選取

表1指標(biāo)只是從理論上進行選擇，構(gòu)建基于支持向量機集成學(xué)習(xí)方法的高新技術(shù)企業(yè)績效預(yù)測模型，需對指標(biāo)進行進一步的處理，如指標(biāo)的標(biāo)準(zhǔn)化、正態(tài)分布檢驗、非參數(shù)檢驗、T檢驗以及相關(guān)性檢驗等。

四、實證結(jié)果與分析

基于支持向量機集成學(xué)習(xí)方法的企業(yè)績效預(yù)測主要包括三大步驟：一是樣本企業(yè)選取與判別分類；二是變量篩選過程，包括建模指標(biāo)選取以及通過統(tǒng)計軟件進行指標(biāo)篩選；三是支持向量機及支持向量機集成學(xué)習(xí)方法模型的構(gòu)建，包括選定測試集和訓(xùn)練集，建立子分類器，測試數(shù)據(jù)驗證以及子支持向量機的集成。

1.樣本的選取與數(shù)據(jù)來源

我國創(chuàng)業(yè)板成立時間較晚，國泰安數(shù)據(jù)庫的統(tǒng)計數(shù)據(jù)顯示，2013、2012、2011和2010年能查到公司數(shù)據(jù)的企業(yè)分別為379、355、293和181家。本文將2013年作為預(yù)測年度，設(shè)為t年，2012年為t-1年，以此類推，對2013年進行預(yù)測，需要2012、2011、2010年的數(shù)據(jù)。剔除非高新技術(shù)企業(yè)，并通過查閱企業(yè)對應(yīng)年度財務(wù)報告補全數(shù)據(jù)庫中缺少數(shù)據(jù)，最終得到用于t-1年預(yù)測的企業(yè)共有273家，用于t-2年預(yù)測的企業(yè)共有172家。

2.樣本企業(yè)績效狀況的判別與分類

學(xué)界通常將上市公司是否被ST作為判別企業(yè)績效好壞的標(biāo)準(zhǔn)，由于創(chuàng)業(yè)板成立時間較短，目前尚無ST公司。因此，本文結(jié)合創(chuàng)業(yè)板上市的高新技術(shù)企業(yè)的特點及實際情況，找出合理的分類和判定標(biāo)準(zhǔn)，以得到適宜的樣本。

根據(jù)《深圳證券交易所創(chuàng)業(yè)板股票上市規(guī)則》（2012年修訂）中第十三章暫停、恢復(fù)、終止上市的描述，判定這些企業(yè)財務(wù)狀況好壞的標(biāo)準(zhǔn)可通過重點關(guān)注企業(yè)的凈利潤、凈資產(chǎn)及年度會計報表審計意見。將符合下述條件的企業(yè)的、判別為績效狀況劣：（1）t年凈資產(chǎn)為負；（2）t年與t-1年凈利潤為負；（3）t年相對于t-1年利潤大幅下滑超過50%；（4）最近兩個年度會計報表被注冊會計師出具否定意見或保留意見。

經(jīng)過分析，t-1年模型預(yù)測中，樣本企業(yè)共有273家，其中，財務(wù)正常的企業(yè)有230家，財務(wù)非正常企業(yè)有43家。t-2年模型預(yù)測中，樣本企業(yè)共有172家，其中，財務(wù)正常的企業(yè)有143家，財務(wù)非正常企業(yè)有29家。用表格表示如表2。

表2 高新技術(shù)企業(yè)績效判定結(jié)果

表3 K-S檢驗結(jié)果

3.績效預(yù)測指標(biāo)的篩選

考慮到指標(biāo)量綱的差異可能會對結(jié)果產(chǎn)生影響，因此首先對原始數(shù)據(jù)進行標(biāo)準(zhǔn)化處理。

本文選取了35個指標(biāo)，數(shù)量較多，在構(gòu)建支持向量機預(yù)測模型之前需要對其進行初步分析，篩選出能夠鑒別高新技術(shù)企業(yè)不同財務(wù)狀況的指標(biāo)。

首先對選取的指標(biāo)進行非參數(shù)檢驗中的Kolmogorov-Smirnov檢驗，得到結(jié)果表3。

K-S檢驗結(jié)果顯示14個指標(biāo)符合正態(tài)分布，可以使用參數(shù)檢驗中的獨立樣本T檢驗，判斷這些指標(biāo)在不同主體中是否存在顯著性差異，處理結(jié)果如表4。

表4 獨立樣本檢驗

從上述結(jié)果中可以看到，X4、X7、X8、X9、X11、X21、X24、X27、X28、X30的方差方程的Levene檢驗的顯著性大于0.05，這些指標(biāo)具有顯著性差異，因此應(yīng)該保留；而X10、X22、X23、X35這四個指標(biāo)Levene檢驗的顯著性小于0.05，不具有顯著性差異，不能有效構(gòu)建高新技術(shù)上市公司績效預(yù)測模型，因此應(yīng)該剔除。

對于除上述未經(jīng)過獨立樣本T檢驗的不服從正態(tài)分布的指標(biāo)，由于不滿足獨立樣本T檢驗的條件，因此需要將其進行非參數(shù)檢驗，選用兩獨立樣本的非參數(shù)檢驗。本文選用曼—惠特尼U檢驗，結(jié)果如表5。

表5 非參數(shù)檢驗結(jié)果

由上述結(jié)果可知，上述15個指標(biāo)顯著性性均小于0.05，具有顯著性，應(yīng)該保留這些指標(biāo)。

經(jīng)過上述步驟，剔除與保留下來的指標(biāo)匯總?cè)绫?。

表6 樣本指標(biāo)選取結(jié)果

對經(jīng)過上述步驟保留下來的指標(biāo)進行相關(guān)性分析。本文選用Pearson簡單相關(guān)系數(shù)檢驗，通過比較相關(guān)系數(shù)進行指標(biāo)的篩選。將≥0.6的兩變量之間認為存在較強的相關(guān)性。X1、X13、X17、X18、X19、X20指標(biāo)之間具有較強的相關(guān)性，將X1作為代表指標(biāo)，剔除其余指標(biāo)；X25、X26、X27、X29這四個指標(biāo)相關(guān)性較強，選取X25作為代表指標(biāo)；X32、X33、X34這三個指標(biāo)相關(guān)性較強，選取X33作為代表指標(biāo)；X8、X12這兩個指標(biāo)相關(guān)性較強，選取X8作為代表指；X14、X15這兩個指標(biāo)相關(guān)性較強，選取X14作為代表指標(biāo)。結(jié)果見表7。

表7 指標(biāo)選取最終結(jié)果

4.預(yù)測模型的測試

構(gòu)建企業(yè)績效預(yù)測模型，需要注意兩方面的結(jié)果，一是預(yù)測結(jié)果的正確率，二是預(yù)測結(jié)果的誤判率。預(yù)測結(jié)果的誤判率對于預(yù)測結(jié)果有著非常重要的意義。誤判率分為兩種形式，一種稱為“型一錯誤”，即“棄真錯誤”，第二種稱為“型二錯誤”，即“納偽錯誤”。本文將“型一錯誤”定義為績效不正常企業(yè)誤判為績效正常企業(yè)，將“型二錯誤”定義為績效正常企業(yè)誤判為績效不正常企業(yè)。

根據(jù)以上說明，本文將列出如下公式：

型一錯誤率=非正常企業(yè)判為正常企業(yè)樣本數(shù)量/測試集樣本中非正常企業(yè)數(shù)量

非正常企業(yè)樣本預(yù)測準(zhǔn)確度=1-型一錯誤率

型二錯誤率=正常企業(yè)判為非正常企業(yè)樣本數(shù)量/測試集樣本中正常企業(yè)數(shù)量

正常企業(yè)樣本預(yù)測準(zhǔn)確度=1-型二錯誤率

總體預(yù)測準(zhǔn)確度=測試集中被正確分類的樣本數(shù)/測試集樣本企業(yè)數(shù)量

（1）支持向量機模型測試

構(gòu)建支持向量機預(yù)測模型時，分為t-1年預(yù)測和t-2年預(yù)測

①t-1年測試

t-1年模型預(yù)測中，樣本企業(yè)共有273家，其中，財務(wù)正常的企業(yè)有230家，財務(wù)非正常企業(yè)有43家。預(yù)測指標(biāo)為經(jīng)過篩選的指標(biāo)，共19個。支持向量機模型的構(gòu)建在Matlab中實現(xiàn)，同時使用臺灣大學(xué)林智仁教授開發(fā)的libsvm 3.17軟件包。首先進行數(shù)據(jù)集的整理，將樣本指標(biāo)歸一化到［0，1］ 區(qū)間范圍內(nèi)，選擇構(gòu)建模型選擇RBF核函數(shù)，并在MATLAB中確定懲罰參數(shù)c和核函數(shù)參數(shù)g，采用網(wǎng)格搜索法進行K折交叉驗證找出最佳參數(shù)。經(jīng)過檢驗，當(dāng)K為6時，支持向量機的性能最好，CV準(zhǔn)確度為95.22%，此時模型參數(shù)c和g分別為1024和0.25。我們將構(gòu)建6個支持向量機預(yù)測模型。將樣本數(shù)據(jù)的6部分分別用A、B、C、D、E、F表示，由SVM_Adaboost運算原理可知，在構(gòu)建支持向量機模型時將其中5組作為訓(xùn)練集，另一組作為測試集，使得樣本中每一部分都有機會被抽中，由此構(gòu)建出6個子支持向量機模型，得到的預(yù)測結(jié)果也是6組，分別用A-B-C-D-E、A-B-C-D-F、A-B-C-E-F、A-B-D-E-F、A-C-D-E-F、B-C-D-E-F表示。

通過將樣本企業(yè)指標(biāo)數(shù)據(jù)導(dǎo)入MATLAB軟件中，并使用libsvm工具箱構(gòu)建預(yù)測模型，得到的預(yù)測結(jié)果如表8所示。

表8 t-1年支持向量機模型預(yù)測結(jié)果

從上述表格的預(yù)測結(jié)果中可以看出，構(gòu)建的6個支持向量機模型最終得到的總的預(yù)測精確度為89.05%。其中，出現(xiàn)的型一錯誤率為21.69%，出現(xiàn)的型二錯誤率為8.52%?？梢钥闯觯陬A(yù)測時，構(gòu)建的支持向量機學(xué)習(xí)方法績效預(yù)測模型的型一錯誤率較高，達到21.69%，高于型二錯誤率8.52%。根據(jù)上文中對預(yù)測結(jié)果準(zhǔn)確度指標(biāo)的解釋可知，當(dāng)型一錯誤率高于型二錯誤率時，說明所構(gòu)建模型對企業(yè)未來績效預(yù)測效果不夠理想，預(yù)測結(jié)果的失真可能會對股東、債權(quán)人等外部相關(guān)者的投資決策提供誤導(dǎo)從而導(dǎo)致可能帶來的投資失誤帶來的巨大損失。因此需要對模型進行改進，提高其適用能力。

②t-2年測試

測試步驟同t-1年，采用網(wǎng)格搜索法進行K折交叉驗證找出最佳參數(shù)，最終得到K值取4，佳參數(shù)c和g分別為0.25和0.0156，我們將構(gòu)建4個弱分類器，即4個支持向量機預(yù)測模型。得到的預(yù)測結(jié)果也是4組，分別用A-B-C、A-B-D、A-C-D、B-C-D表示。同t-1年預(yù)測相同，預(yù)測得到的指標(biāo)值有四種。將樣本以及運算獲得的參數(shù)輸入MATLAB中構(gòu)建模型，得到的預(yù)測結(jié)果如表9。

表9 t-2年支持向量機模型預(yù)測結(jié)果

從上述表格的預(yù)測結(jié)果中可以看出，構(gòu)建的4個支持向量機模型最終得到的平均預(yù)測精確度為83.14%，預(yù)測精確度較高。其中，出現(xiàn)的型一錯誤率為29.17%，出現(xiàn)的型二錯誤率為14.32%。同樣，在構(gòu)建的t-2年支持向量機預(yù)測模型中，雖然總體預(yù)測準(zhǔn)確度較高，達到83.14%，但是，該模型型一錯誤率為30.21%，高于型二錯誤率14.2%，說明將非正常企業(yè)判定為正常企業(yè)的概率大于將正常企業(yè)判定為非正常企業(yè)的概率，會給相關(guān)投資者投資決策提供錯誤指導(dǎo)的風(fēng)險較大，因此需要對該模型進行改進。

（2）支持向量機集成學(xué)習(xí)方法模型測試

對支持向量機集成學(xué)習(xí)方法預(yù)測模型測試結(jié)果同樣用5個指標(biāo)表示。

①t-1年測試結(jié)果

將樣本數(shù)據(jù)代入MATLAB并使用libsvm工具包進行運算得到結(jié)果如表10。

表10 t-1年支持向量機集成學(xué)習(xí)方法模型預(yù)測結(jié)果

從上述表格的預(yù)測結(jié)果中可以看出，分別用不同的數(shù)據(jù)組構(gòu)建出6個支持向量機集成學(xué)習(xí)方法模型并用不同測試集進行測試得到的預(yù)測準(zhǔn)確度的平均值為92.34%，預(yù)測精確度相對支持向量機預(yù)測模型精確度更高。其中，出現(xiàn)的型一錯誤率為10.70%，仍然高于出現(xiàn)的型二錯誤率為7.79%，即將非正常企業(yè)判為正常企業(yè)的概率高于將正常企業(yè)判為非正常企業(yè)的概率。在支持向量機績效預(yù)測模型的測試結(jié)果分析中已經(jīng)說明，若預(yù)測結(jié)果中出現(xiàn)的型一錯誤率高于出現(xiàn)的型二錯誤率，說明所構(gòu)建的模型可能會給股東、債權(quán)人等外部利益相關(guān)者的投資決策提供錯誤指導(dǎo)，從而可能造成這些投資者的較大的損失。然而通過分析6組數(shù)組的預(yù)測結(jié)果可以看出，雖然最終得到的型一錯誤率平均數(shù)值高于型二錯誤率，但相對于上節(jié)中支持向量機預(yù)測模型的預(yù)測結(jié)果型一錯誤率有了較大的下降。因此，本文所構(gòu)建的支持向量機集成方法預(yù)測模型是有意義的，能夠幫助利益相關(guān)者們的決策提供相關(guān)的決策支持。

此外，由于原始樣本中正常企業(yè)與非正常企業(yè)的數(shù)量不均衡，非正常企業(yè)樣本數(shù)量相對于正常企業(yè)樣本數(shù)量較小，也會對最終預(yù)測準(zhǔn)確度的計算造成干擾，如何克服這種干擾，本文作者將在后續(xù)研究中進行探究。

②t-2年預(yù)測結(jié)果

將樣本數(shù)據(jù)代入MATLAB并使用libsvm工具包進行運算得到結(jié)果如表11。

從表11的預(yù)測結(jié)果中可以看出，構(gòu)建的4個子支持向量機模型經(jīng)過Adaboost集成之后最終得到的總的預(yù)測精確度為84.72%，預(yù)測精確度相對支持向量機模型精確度更高。其中，出現(xiàn)的型一錯誤為21.18%，出現(xiàn)的型二錯誤為14.97%。

（3）兩種模型預(yù)測結(jié)果對比分析

表11 t-2年支持向量機集成學(xué)習(xí)方法模型預(yù)測結(jié)果

將構(gòu)建的t-1年t-2年的兩類模型的預(yù)測結(jié)果進行分析，得到表12。

表12 兩種模型預(yù)測結(jié)果比較分析

t-1年預(yù)測結(jié)果顯示，支持向量機集成學(xué)習(xí)方法預(yù)測模型的預(yù)測精度92.34%高于支持向量機預(yù)測模型的預(yù)測精度89.05%，即支持向量機集成學(xué)習(xí)方法構(gòu)建的預(yù)測模型預(yù)測精度高于支持向量機構(gòu)建的模型；型一錯誤率，也即為將財務(wù)非正常企業(yè)誤判為財務(wù)正常企業(yè)的錯誤率有了明顯降低，支持向量機的型一錯誤率為21.69%，而支持向量機集成學(xué)習(xí)方法的型一錯誤率為10.70%；型二錯誤也即為將財務(wù)正常企業(yè)誤判為財務(wù)正常企業(yè)的錯誤率也降低，支持向量機型二錯誤率為8.52%，而支持向量機集成學(xué)習(xí)方法預(yù)測模型的型二錯誤率為7.79%，低于支持向量機預(yù)測模型。由此可得出支持向量機集成學(xué)習(xí)方法模型的預(yù)測效果整體高于支持向量機預(yù)測模型的預(yù)測效果，使用支持向量機集成學(xué)習(xí)方法預(yù)測模型能夠為高新技術(shù)企業(yè)的股東、債權(quán)人等利益相關(guān)者提供更為準(zhǔn)確的決策支持。

t-2年預(yù)測結(jié)果顯示，支持向量機集成學(xué)習(xí)方法預(yù)測模型的平均預(yù)測精度84.72%，高于支持向量機預(yù)測模型的預(yù)測精度83.14%，即支持向量機集成學(xué)習(xí)方法構(gòu)建的預(yù)測模型預(yù)測精度高于支持向量機構(gòu)建的模型；支持向量機的型一錯誤率為29.17%，而支持向量機集成學(xué)習(xí)方法模型的型一錯誤率為21.18%；支持向量機型二錯誤率為14.32%，高于支持向量機集成學(xué)習(xí)方法預(yù)測模型的型二錯誤率為13.55%。由此可知在t-2年預(yù)測中，支持向量機集成學(xué)習(xí)方法模型的預(yù)測效果整體高于支持向量機預(yù)測模型的預(yù)測效果，使用支持向量機集成學(xué)習(xí)方法預(yù)測模型能夠為高新技術(shù)企業(yè)的股東、債權(quán)人等利益相關(guān)者提供更為準(zhǔn)確的決策支持。

t-1年預(yù)測結(jié)果與t-2年預(yù)測結(jié)果進行對比，不管是支持向量機預(yù)測模型還是支持向量機集成學(xué)習(xí)方法預(yù)測模型，其t-1年預(yù)測結(jié)果型一錯誤率、型二錯誤率，均低于t-2年預(yù)測結(jié)果。由此可知，越接近預(yù)測年度，構(gòu)建出的模型預(yù)測效果越好。對于高新技術(shù)企業(yè)的股東、債權(quán)人等利益相關(guān)者而言，構(gòu)建的模型的預(yù)測應(yīng)盡量參照接近預(yù)測年度的數(shù)據(jù)構(gòu)建的預(yù)測結(jié)果，以減少決策失誤的風(fēng)險。

由上述對比結(jié)果可知，使用支持向量機集成學(xué)習(xí)方法構(gòu)建的t-1年預(yù)測模型的預(yù)測精確度最高，平均預(yù)測準(zhǔn)確度可達到92.34%，可使用t-1年支持向量機集成學(xué)習(xí)方法預(yù)測模型對未來一年績效進行預(yù)測。

5.模型預(yù)測的應(yīng)用

由測試結(jié)果可知，運用支持向量機集成學(xué)習(xí)方法構(gòu)建的t-1年預(yù)測模型的預(yù)測準(zhǔn)確度較高，達92.34%?，F(xiàn)隨機抽取10家樣本企業(yè)，將這些企業(yè)2013年的數(shù)據(jù)指標(biāo)代入已構(gòu)建的t-1年支持向量機集成學(xué)習(xí)方法預(yù)測模型預(yù)測2014年的績效情況，并將其與實際績效狀況進行比較，以驗證所構(gòu)建模型的有效性，得到的結(jié)果如表13。

表13 預(yù)測結(jié)果

由表13的預(yù)測結(jié)果可知，隨機抽取的10家企業(yè)中，績效正常企業(yè)有7家，績效非正常企業(yè)有3家，其中績效正常企業(yè)預(yù)測正確，而績效非正常企業(yè)中有一家企業(yè)預(yù)測出現(xiàn)錯誤，預(yù)測結(jié)果準(zhǔn)確率基本達到上節(jié)檢測t-1年支持向量機集成學(xué)習(xí)方法模型的預(yù)測精度。

五、結(jié) 語

高新技術(shù)企業(yè)一般樣本有限，特別是本文研究的樣本是在創(chuàng)業(yè)板上市的高新技術(shù)企業(yè)。此外，用于評價高新技術(shù)企業(yè)績效的數(shù)據(jù)指標(biāo)較多，構(gòu)建預(yù)測模型是一個高維度、非線性問題，支持向量機是一種人工智能算法，能夠有效解決有限樣本、高維數(shù)、非線性問題。Adaboost集成方法通過對不同子支持向量機賦予不同的權(quán)重經(jīng)過多次迭代，得到最終的強預(yù)測器，能夠顯著提高模型預(yù)測精準(zhǔn)度，這為研究高新技術(shù)企業(yè)績效預(yù)測提供了新思路。

實證部分分別對樣本企業(yè)進行了t-1年預(yù)測和t-2年預(yù)測，從預(yù)測結(jié)果準(zhǔn)確率可以看出，t-1年預(yù)測和t-2年預(yù)測模型中，集成支持向量機預(yù)測精確度均高于支持向量機預(yù)測模型精確度。由此可得出構(gòu)建集成支持向量機預(yù)測模型能夠更有效地對企業(yè)績效進行預(yù)測。

此外，通過隨機抽取10家樣本企業(yè)，實際應(yīng)用所構(gòu)建的t-1年支持向量機集成學(xué)習(xí)方法預(yù)測模型，利用這些企業(yè)2013年數(shù)據(jù)預(yù)測2014年績效情況，得到的預(yù)測結(jié)果說明了集成支持向量機模型的有效性。

［1］ Fan Palaniswanmim.A new approach to corporate loan default prediction from financial statements［C］ .Proceedings of the computational finance/forecasting financial markets conference，2000.

［2］ Kyung-Shik Shin，Taik Soo Lee，Hyun-jung Kim.An application of support vector machines in bankruptcy prediction model［J］ .Expert Systems with Applications，2005，28（1）：127-135.

［3］ 張在旭，宋杰鯤，張宇.一種基于支持向量機的企業(yè)財務(wù)危機預(yù)警新模型［J］ .中國石油大學(xué)學(xué)報：自然科學(xué)版，2006（04）：132-136.

［4］ 張曉琦.SVM算法在高新技術(shù)企業(yè)財務(wù)危機預(yù)警模型中的應(yīng)用研究［J］ .科技管理研究，2010（06）：147-149

［5］ 張震，汪斌強，梁寧寧，程國振.一種基于AdaBoost-SVM的流量分類方法［J］ .計算機應(yīng)用研究，2013（05）：1481-1485

［6］ Murphy，Sirgy M J.Measuring Corporate Performance by Building on the Stakeholders Model of Business Ethics［J］ .Journal of Business Ethics，2002（35）：143-162.

［7］ 湯谷良，杜菲.試論企業(yè)增長、盈利、風(fēng)險三維平衡戰(zhàn)略管理［J］ .會計研究，2004（11）：31-37.

［8］ 錢愛民，張新民.企業(yè)財務(wù)狀況質(zhì)量三維綜合評價體系的構(gòu)建與檢驗——來自我國A股制造業(yè)上市公司的經(jīng)驗證據(jù)［J］ .中國工業(yè)經(jīng)濟，2011（03）：88-98.