徐凱 萬春 肖華瑋 韋淼 黃迅

【摘 要】 文章以成都高新技術(shù)企業(yè)為研究對(duì)象，將RU與SMOTE兩種不平衡處理方法相結(jié)合，構(gòu)建新的不平衡樣本處理技術(shù)RU-SMOTE，進(jìn)而引入SVM人工智能技術(shù)對(duì)成都高新技術(shù)企業(yè)利潤(rùn)操縱行為進(jìn)行研究。研究結(jié)果表明：基于RBF核函數(shù)的RU-SMOTE-SVM智能模型具有最優(yōu)識(shí)別性能，能夠準(zhǔn)確有效地對(duì)成都高新技術(shù)企業(yè)的利潤(rùn)操縱行為進(jìn)行識(shí)別。

【關(guān)鍵詞】 利潤(rùn)操縱; 高新技術(shù)企業(yè); 識(shí)別研究

【中圖分類號(hào)】 F224? 【文獻(xiàn)標(biāo)識(shí)碼】 A? 【文章編號(hào)】 1004-5937（2019）06-0051-04

一、引言

成都市作為我國(guó)西部經(jīng)濟(jì)樞紐，在科技革命和產(chǎn)業(yè)變革持續(xù)發(fā)酵中肩負(fù)著引領(lǐng)西部產(chǎn)業(yè)轉(zhuǎn)型與發(fā)展的重要使命。以科技進(jìn)步和創(chuàng)新為支撐的高新技術(shù)企業(yè)的發(fā)展不僅是產(chǎn)業(yè)優(yōu)化升級(jí)的關(guān)鍵，而且是推動(dòng)成都市經(jīng)濟(jì)發(fā)展的巨大引擎[ 1 ]。當(dāng)前，成都市不斷加大對(duì)高新技術(shù)企業(yè)的投入力度，放寬信貸標(biāo)準(zhǔn)，然而，如果高新技術(shù)企業(yè)通過非法手段進(jìn)行盈余管理，即采取利潤(rùn)操縱行為粉飾財(cái)務(wù)報(bào)表，勢(shì)必會(huì)不利于信貸資源與政府補(bǔ)助在產(chǎn)業(yè)間的優(yōu)化配置，甚至阻礙西部經(jīng)濟(jì)的產(chǎn)業(yè)結(jié)構(gòu)調(diào)整進(jìn)程，進(jìn)而影響整個(gè)中國(guó)經(jīng)濟(jì)的協(xié)調(diào)發(fā)展[ 2 ]。因此，構(gòu)建科學(xué)而準(zhǔn)確的模型就成都高新技術(shù)企業(yè)的利潤(rùn)操縱行為進(jìn)行識(shí)別，對(duì)引導(dǎo)利益主體依據(jù)準(zhǔn)確的企業(yè)信息做出科學(xué)合理的投資決策，乃至促進(jìn)成都金融經(jīng)濟(jì)環(huán)境的健康發(fā)展都具有非常重要的意義。

目前，已有很多識(shí)別企業(yè)利潤(rùn)操縱的方法，如單變量模型、Z Score多元判別分析（Multiple Discriminant Analysis，MDA）模型、邏輯（Logit）回歸模型、概率比（Probit）回歸模型、KLR信號(hào)模型、主成分分析（Principle Component Analysis，PCA）模型等。盡管這些方法具有可解釋性的突出優(yōu)點(diǎn)，也取得了較好的研究效果并被實(shí)務(wù)界廣泛應(yīng)用，但這些方法仍然存在前提條件過于苛刻、指標(biāo)選擇主觀性強(qiáng)、缺乏動(dòng)態(tài)預(yù)警能力等諸多問題[ 3 ]。由于以支持向量機(jī)（Support Vector Machine，SVM）為代表的人工智能方法具有良好的容錯(cuò)性和自適應(yīng)性等優(yōu)越的學(xué)習(xí)能力與泛化推廣能力，因而被相關(guān)學(xué)者廣泛運(yùn)用于財(cái)務(wù)危機(jī)預(yù)警、違約風(fēng)險(xiǎn)判斷、信用風(fēng)險(xiǎn)識(shí)別等眾多研究領(lǐng)域，并取得了良好的研究效果?；诖?，本文將計(jì)算機(jī)科學(xué)智能技術(shù)領(lǐng)域的SVM人工智能方法引入成都高新技術(shù)企業(yè)的利潤(rùn)操縱識(shí)別研究中。

需要說明的是，在實(shí)際研究過程中，獲取的未進(jìn)行利潤(rùn)操縱的企業(yè)樣本（多數(shù)類樣本）數(shù)量往往多于進(jìn)行了利潤(rùn)操縱的企業(yè)樣本（少數(shù)類樣本）數(shù)，于是這兩類數(shù)量不同的樣本就構(gòu)成了一個(gè)不平衡樣本集。運(yùn)用傳統(tǒng)的SVM人工智能方法對(duì)未進(jìn)行利潤(rùn)操縱和進(jìn)行了利潤(rùn)操縱樣本所構(gòu)成的不平衡樣本集進(jìn)行識(shí)別時(shí)會(huì)存在嚴(yán)重的傾向性，即識(shí)別效果總會(huì)傾向于以未進(jìn)行利潤(rùn)操縱企業(yè)樣本為代表的多數(shù)類樣本，因而導(dǎo)致對(duì)以利潤(rùn)操縱企業(yè)樣本為代表的少數(shù)類樣本的識(shí)別效果較差[ 4 ]。這一缺陷在識(shí)別企業(yè)利潤(rùn)操縱行為上表現(xiàn)為無法準(zhǔn)確地識(shí)別出企業(yè)利潤(rùn)操縱行為。由此可見，如何有效地克服不平衡樣本問題，就成為SVM人工智能方法能否準(zhǔn)確識(shí)別企業(yè)利潤(rùn)操縱行為的關(guān)鍵所在。合成少數(shù)類過采樣技術(shù)（Synthetic Minority Over-sampling Technique，SMOTE）作為不平衡樣本處理方法中最為經(jīng)典的一類方法，其良好的處理性能已獲得廣大學(xué)者的認(rèn)可[ 5 ]。但由于SMOTE技術(shù)只能針對(duì)少數(shù)類樣本進(jìn)行處理，忽略了多數(shù)類樣本在不平衡樣本問題中所產(chǎn)生的負(fù)面影響，因而SMOTE方法仍然存在不足[ 6 ]。隨機(jī)欠采樣（Random Under-sampling，RU）方法正好可以針對(duì)多數(shù)類樣本處理不平衡樣本問題，能夠有效克服SMOTE方法的缺陷[ 7 ]?；诖?，本文結(jié)合RU與SMOTE方法，提出RU-SMOTE不平衡樣本處理技術(shù)，并與SVM相結(jié)合，對(duì)成都高新技術(shù)企業(yè)利潤(rùn)操縱行為展開識(shí)別研究，以有效提升模型的識(shí)別性能。

基于以上分析與認(rèn)識(shí)，本文以成都高新技術(shù)企業(yè)為研究對(duì)象，將RU與SMOTE兩種不平衡處理方法相結(jié)合，構(gòu)建新的不平衡樣本處理技術(shù)RU-SMOTE，進(jìn)而引入SVM人工智能技術(shù)對(duì)成都高新技術(shù)企業(yè)利潤(rùn)操縱進(jìn)行研究，這對(duì)于提升成都市政府的企業(yè)監(jiān)管能力，營(yíng)造健康的企業(yè)外部發(fā)展和投資環(huán)境，促進(jìn)成都金融經(jīng)濟(jì)健康發(fā)展具有重要的現(xiàn)實(shí)意義。

迄今為止，部分學(xué)者已圍繞利潤(rùn)操縱識(shí)別問題展開了一定的研究，如李雙杰和陳星星[ 8 ]，筆者也曾利用Z模型和FSVM模型對(duì)財(cái)務(wù)危機(jī)進(jìn)行預(yù)警研究[ 9-10 ]。然而，將SVM智能技術(shù)應(yīng)用于識(shí)別企業(yè)利潤(rùn)操縱行為的文獻(xiàn)比較鮮見，該方法尚未廣泛應(yīng)用于解決企業(yè)樣本存在的不平衡問題，尤其尚未針對(duì)成都高新技術(shù)企業(yè)的利潤(rùn)識(shí)別展開研究。由此可見，本文具有良好的創(chuàng)新性。

三、實(shí)證研究

（一）樣本選擇

本文以中國(guó)A股市場(chǎng)中的成都高新技術(shù)上市公司為研究對(duì)象，利潤(rùn)操縱上市公司樣本從萬德上市公司違規(guī)數(shù)據(jù)庫(kù)中選取。在時(shí)間選擇上，對(duì)未進(jìn)行利潤(rùn)操縱的上市公司，選取其2016年相關(guān)指標(biāo)變量來進(jìn)行識(shí)別，而對(duì)利潤(rùn)操縱上市公司，則選擇了利潤(rùn)操縱年份前一年的相關(guān)指標(biāo)變量進(jìn)行識(shí)別。最終，利潤(rùn)操縱上市公司樣本29個(gè)，未進(jìn)行利潤(rùn)操縱上市公司的樣本50個(gè)，不平衡樣本比例為1：1.72。

（二）指標(biāo)變量選擇

為選擇能夠準(zhǔn)確刻畫企業(yè)利潤(rùn)操縱行為的指標(biāo)變量，本文借鑒李雙杰和陳星星[ 8 ]的研究成果，共選擇了27項(xiàng)指標(biāo)變量對(duì)利潤(rùn)操縱行為進(jìn)行刻畫，具體見表1。

（三）實(shí)證結(jié)果與分析

在獲得成都高新技術(shù)企業(yè)樣本數(shù)據(jù)集的基礎(chǔ)上，本文運(yùn)用RU-SMOTE-SVM模型進(jìn)行實(shí)證研究。為展示本文提出的智能識(shí)別模型的優(yōu)越性，一方面基于不同核函數(shù)選擇出最優(yōu)的RU-SMOTE-SVM模型，另一方面基于選擇出的最優(yōu)模型與單獨(dú)的SVM模型以及RU-SVM和SMOTE-SVM模型進(jìn)行性能對(duì)比研究。同時(shí)，為了使實(shí)驗(yàn)結(jié)果更為科學(xué)客觀，本文的實(shí)驗(yàn)基于十折交叉驗(yàn)證法完成，皆通過Matlab2015b編程軟件實(shí)現(xiàn)。

首先，本文對(duì)不同核函數(shù)下的RU- SMOTE-SVM模型識(shí)別性能進(jìn)行了實(shí)證研究，結(jié)果如表2和圖1所示。從表2和圖1的結(jié)果可以看出，從準(zhǔn)確率來看，RBF核函數(shù)下的RU-SMOTE-SVM具有最高值，而從一類錯(cuò)誤和二類錯(cuò)誤來看，RBF核函數(shù)下的RU-SMOTE-SVM又具有最低值，從而表明基于RBF核函數(shù)所構(gòu)建的RU-SMOTE-SVM比其余核函數(shù)下的RU-SMOTE-SVM在利潤(rùn)操縱識(shí)別上具有更為優(yōu)異的識(shí)別性能。

其次，為驗(yàn)證RBF核函數(shù)下的RU- SMOTE-SVM模型良好的識(shí)別結(jié)果，本文進(jìn)一步與SVM、RU-SVM和SMOTE-SVM模型進(jìn)行了性能對(duì)比實(shí)驗(yàn)，結(jié)果如表3和圖2所示。從表3和圖2可以發(fā)現(xiàn)，與SVM相比，加入了不平衡樣本處理方法的模型，即RU-SMOTE- SVM、RU-SVM和SMOTE-SVM的預(yù)測(cè)準(zhǔn)確率都更高，且一類錯(cuò)誤與二類錯(cuò)誤都更低，表明不平衡樣本處理方法能夠有效解決SVM的不平衡樣本問題。進(jìn)一步，對(duì)比不同的不平衡樣本處理技術(shù)可以發(fā)現(xiàn)，RU與SMOTE相結(jié)合的RU-SMOTE技術(shù)比單獨(dú)的RU和SMOTE具有更高的準(zhǔn)確率和更低的一類錯(cuò)誤和二類錯(cuò)誤，表明RU-SMOTE能夠最為有效提升SVM的識(shí)別性能。

四、結(jié)論

為了對(duì)成都高新技術(shù)企業(yè)的利潤(rùn)操縱行為開展識(shí)別研究，本文引入SVM智能技術(shù)構(gòu)建智能識(shí)別模型，并通過RU-SMOTE方法對(duì)SVM進(jìn)行改進(jìn)，以有效克服SVM存在的不平衡樣本問題，進(jìn)而運(yùn)用實(shí)證研究對(duì)RU-SMOTE-SVM智能識(shí)別模型的性能進(jìn)行了探討。結(jié)果表明，在眾多核函數(shù)中，基于RBF核函數(shù)所獲得的RU-SMOTE-SVM智能模型具有最優(yōu)的識(shí)別性能，并且與SVM、RU-SVM以及SMOTE-SVM相比，該最優(yōu)模型具有最高的準(zhǔn)確率和最低的一類錯(cuò)誤和二類錯(cuò)誤，表明該模型能夠最有效解決不平衡樣本問題，具有最為優(yōu)越的識(shí)別性能。

基于上述分析，本文認(rèn)為運(yùn)用RU-SMOTE-SVM智能模型，能夠準(zhǔn)確有效地對(duì)成都高新技術(shù)企業(yè)的利潤(rùn)操縱行為進(jìn)行識(shí)別，從而基于識(shí)別結(jié)果引導(dǎo)利益主體依據(jù)準(zhǔn)確的企業(yè)信息做出科學(xué)合理的投資決策，同時(shí)也有助于優(yōu)化政府部門對(duì)成都高新技術(shù)企業(yè)的科學(xué)監(jiān)管，從而提升政府的智能化監(jiān)管水平，最終推動(dòng)成都金融經(jīng)濟(jì)環(huán)境持續(xù)、健康、高效發(fā)展。

【參考文獻(xiàn)】

[1] 劉瑞明，趙仁杰.國(guó)家高新區(qū)推動(dòng)了地區(qū)經(jīng)濟(jì)發(fā)展嗎？——基于雙重差分方法的驗(yàn)證[J].管理世界，2015（8）：30-38.

[2] 宋鑫，阮永平，鄭凱.大股東認(rèn)購(gòu)、產(chǎn)權(quán)異質(zhì)與定向增發(fā)折價(jià)[J].預(yù)測(cè)，2017，36（4）：50-62.

[3] 蔡歡.基于遺傳算法和LS-SVM的財(cái)務(wù)危機(jī)預(yù)測(cè)[J].統(tǒng)計(jì)與決策，2017（2）：33-36.

[4] AKBANI R，KWEK S， JAPKOWICZ N. Applying? support? vector machines to imbalanced datasets[C].The 15th European Conference of Machine Learning，2004：39-50.

[5] CHAWLA N， BOWYER K，HALL L，et al. SMOTE： Synthetic minority over-sampling technique[J]. Journal of Artificial Intelligence Research，2002（16）：321-357.

[6] 薛薇.非平衡數(shù)據(jù)集的改進(jìn)SMOTE再抽樣算法[J].統(tǒng)計(jì)研究，2012，29（6）：95-98.

[7] DRUMMOND C， HOLTE R C. Severe class imbalance：why better algorithms aren't the answer[C].In Proceedings of the 16th European conference of Machine Learning LANI，2005：539-546.

[8] 李雙杰，陳星星.基于BP神經(jīng)網(wǎng)絡(luò)模型與DEA模型的中國(guó)上市公司利潤(rùn)操縱研究[J].數(shù)理統(tǒng)計(jì)與管理，2013，32（3）：440-451.

[9] 徐凱，邱煜，黃月娥.基于改進(jìn)Z模型的財(cái)務(wù)危機(jī)預(yù)警研究：來自醫(yī)藥行業(yè)上市公司的經(jīng)驗(yàn)證據(jù)[J].會(huì)計(jì)之友，2014（33）：66-69.

[10] 徐凱，黃迅，劉金彬.基于最優(yōu)模糊SVM的財(cái)務(wù)危機(jī)預(yù)警研究：來自成渝經(jīng)濟(jì)區(qū)上市公司的經(jīng)驗(yàn)證據(jù)[J].會(huì)計(jì)之友，2015（12）：73-77.