陳藝云

(華南理工大學(xué)經(jīng)濟(jì)與貿(mào)易學(xué)院，廣東 廣州 510006)

1 引言

近年來，隨著我國經(jīng)濟(jì)步入新常態(tài)，增長速度放緩，不少公司企業(yè)經(jīng)營業(yè)績下滑，債務(wù)償還能力下降，信用違約事件不斷增多，以信用債為例，根據(jù)Wind資訊的統(tǒng)計(jì)數(shù)據(jù)，2014年以前，中國債券市場未發(fā)生過實(shí)質(zhì)性違約，而從2014年3月“11超日債”違約開始，當(dāng)年有6只債券違約，2015年為23只，到2016年進(jìn)一步增加到79只，涉及34家公司企業(yè)，違約總金額高達(dá)403億元，信用風(fēng)險(xiǎn)對我國金融市場和宏觀經(jīng)濟(jì)提出了嚴(yán)峻挑戰(zhàn)，準(zhǔn)確預(yù)測公司企業(yè)的財(cái)務(wù)困境對于強(qiáng)化信用風(fēng)險(xiǎn)管理，有效防范信用危機(jī)和債務(wù)危機(jī)具有重要的理論和現(xiàn)實(shí)意義。

一直以來，對于公司企業(yè)財(cái)務(wù)困境預(yù)測的研究都是以會(huì)計(jì)信息和市場信息為基礎(chǔ)的，如Altman基于財(cái)務(wù)數(shù)據(jù)的Z評分模型[1]、Merton基于市場數(shù)據(jù)的結(jié)構(gòu)模型[2]、Shumway結(jié)合兩者提出的風(fēng)險(xiǎn)模型(Hazard Model)[3]等，這些方法在國內(nèi)對上市公司財(cái)務(wù)困境預(yù)測的研究中都有普遍應(yīng)用[4-8]，不過這些研究存在著一個(gè)共同的缺陷，都是以定量數(shù)據(jù)為基礎(chǔ)，忽視了定性的文本信息，而標(biāo)準(zhǔn)普爾在2003年的報(bào)告中就曾指出，“定性信息中包含著區(qū)分信用風(fēng)險(xiǎn)的重要信息”[9]。

從公司信息披露的角度來看，定量數(shù)據(jù)直觀的反映了公司的經(jīng)營和財(cái)務(wù)狀況，而描述性文本信息是相應(yīng)的具體說明和分析，也是與潛在股東和債權(quán)人溝通的重要機(jī)會(huì)，是對定量數(shù)據(jù)的有效補(bǔ)充，由此可以吸引讀者的注意，促使投資者購買更多的股票或?qū)⒏噘Y金放貸給企業(yè)，抑制出售公司股票和債權(quán)的沖動(dòng)[10]。當(dāng)公司財(cái)務(wù)狀況開始惡化時(shí)，管理層的這種激勵(lì)就會(huì)更為強(qiáng)烈，公司信息披露文本的措辭與風(fēng)格就會(huì)隨著經(jīng)營和財(cái)務(wù)狀況的變化而不同，這樣以來，這些文本內(nèi)容就可能為判斷經(jīng)理人與公司的違約傾向提供重要線索。Tennyson等通過對比23家破產(chǎn)企業(yè)和正常企業(yè)年報(bào)董事長致辭以及管理層討論與分析部分的文本內(nèi)容發(fā)現(xiàn)其主題會(huì)隨著企業(yè)財(cái)務(wù)狀況的惡化而變化[10]，而Cecchini等對78家破產(chǎn)企業(yè)和正常企業(yè)年報(bào)管理層討論與分析文本內(nèi)容本體的分析得到了類似的結(jié)論[11]。

國內(nèi)不少學(xué)者對我國上市公司年報(bào)管理層討論與分析(Management Discussion & Analysis, MD&A)有用性的研究表明MD&A能為預(yù)測公司未來經(jīng)營業(yè)績提供增量信息[12-14]，不過在研究方法上，大多采用人工閱讀分析或打分的方法，采用自動(dòng)文本分析的研究不多，如蔣艷輝等采用余弦相似度檢驗(yàn)了創(chuàng)業(yè)板上市公司MD&A文本是否隨時(shí)間和經(jīng)營情況的變化進(jìn)行更新和變換[15]，蔣艷輝等在語句層面從可讀性、業(yè)績自利性歸因、匹配信息密度、自我指涉度、前瞻性深度來衡量MD&A言語的有效性[16]，而在財(cái)務(wù)困境預(yù)測或信用風(fēng)險(xiǎn)評價(jià)領(lǐng)域還鮮見考慮MD&A或其他信息披露文本的研究。

近年來，在公司金融領(lǐng)域，有不少研究通過對公司信息披露文本內(nèi)容的自動(dòng)分析，以正面和負(fù)面的情感表達(dá)來衡量其傳遞的管理層語調(diào)，并從實(shí)證角度對管理層語調(diào)的信息價(jià)值進(jìn)行了檢驗(yàn)[17-21]?；谶@些研究，本文試圖通過對中文年報(bào)MD&A的自動(dòng)文本分析，以特定情感詞典為基礎(chǔ)來衡量管理層語調(diào)，檢驗(yàn)管理層語調(diào)能否為財(cái)務(wù)困境預(yù)測提供增量信息，并提高預(yù)測的準(zhǔn)確性。本文可能的研究貢獻(xiàn)主要有：一是從財(cái)務(wù)困境預(yù)測的角度拓展了對MD&A信息價(jià)值的研究；二是在衡量管理層語調(diào)時(shí)，充分考慮情感詞典、分詞方法、權(quán)重設(shè)置、語調(diào)計(jì)算方法等因素的影響，有助于拓展中文文本分析在公司金融領(lǐng)域的應(yīng)用；三是研究結(jié)果表明管理層語調(diào)是對財(cái)務(wù)數(shù)據(jù)的重要補(bǔ)充，而且負(fù)面語調(diào)具有更高的信息價(jià)值。

2 研究設(shè)計(jì)

2.1 實(shí)證方法與思路

本文將采用Shumway[3]的離散時(shí)間風(fēng)險(xiǎn)模型(Discrete-time Hazard Model，DHM)來規(guī)避配對抽樣的研究設(shè)計(jì)導(dǎo)致的樣本量受限問題，同時(shí)考慮財(cái)務(wù)困境發(fā)生概率隨時(shí)間變化的情況，解決靜態(tài)模型估計(jì)的有偏性問題。公司i在t+1時(shí)刻陷入財(cái)務(wù)困境的離散概率滿足

(1)

其中Xi,t表示公司i在t時(shí)刻的協(xié)變量，αt表示時(shí)變的基準(zhǔn)風(fēng)險(xiǎn)率，這樣就利用所有可觀測公司-年度樣本，消除靜態(tài)模型的選擇性偏誤問題。

在離散時(shí)間風(fēng)險(xiǎn)模型的基礎(chǔ)上，本文首先對公司年報(bào)文本的量化指標(biāo)——管理層語調(diào)在預(yù)測上市公司財(cái)務(wù)困境中的作用進(jìn)行單變量分析，然后以傳統(tǒng)會(huì)計(jì)信息和市場信息模型為基礎(chǔ)，加入管理層語調(diào)，比較加入前后模型的擬合效果，再對這些模型的預(yù)測結(jié)果以及由Merton違約距離模型得到的預(yù)期違約概率的信息含量進(jìn)行檢驗(yàn)，以確定管理層語調(diào)的信息增量價(jià)值，最后采用滾動(dòng)窗口方法對管理層語調(diào)的預(yù)測能力進(jìn)行檢驗(yàn)。

2.2 主要變量

2.2.1 會(huì)計(jì)信息與市場信息變量的選擇

以往公司財(cái)務(wù)困境預(yù)測的相關(guān)研究中選擇的財(cái)務(wù)變量與市場變量非常多，而本文側(cè)重檢驗(yàn)管理層語調(diào)在財(cái)務(wù)困境預(yù)測中的作用，為此根據(jù)Altman[1]、Shumway[3]、Campbell等[22](簡稱CHS模型)的研究選擇了四個(gè)模型：一是Altman財(cái)務(wù)比率模型，包括營運(yùn)資本/總資產(chǎn)(WCTA)、留存收益/總資產(chǎn)(RETA)、息稅前利潤/總資產(chǎn)(EBIT)、權(quán)益市值/債務(wù)面值(MTL)和銷售收入/總資產(chǎn)(STA)五個(gè)變量；二是市場變量模型，包括波動(dòng)率(SIGMA，股票市場日收益率的年化標(biāo)準(zhǔn)差)、超額收益率(EXCESS，年收益率與滬深300指數(shù)收益率之差)、股票價(jià)格(PRICE，年末股票價(jià)格的對數(shù)值)、相對規(guī)模(RSIZE，公司年末股票市值與滬深股市市值總和比值的對數(shù)值)和市值賬面比(MB，股票年末市值/賬面價(jià)值)；三是Shumway模型，包括凈利潤/總資產(chǎn)(NITA)、總負(fù)債/總資產(chǎn)(TLTA)、波動(dòng)率(SIGMA)、超額收益率(EXCESS)和相對規(guī)模(RSIZE)；四是CHS模型，包括凈利潤/經(jīng)市值調(diào)整的總資產(chǎn)(NIMTA)、總負(fù)債/經(jīng)市值調(diào)整的總資產(chǎn)(TLMTA)、現(xiàn)金/經(jīng)市值調(diào)整的總資產(chǎn)(CASHMTA)、波動(dòng)率(SIGMA)、超額收益率(EXCESS)、股票價(jià)格(PRICE)、相對規(guī)模(RSIZE)和市值賬面比(MB)，其中經(jīng)市值調(diào)整的總資產(chǎn)等于股權(quán)市值與負(fù)債賬面價(jià)值之和。以上述四個(gè)模型為基礎(chǔ)，加入文本信息量化得到的管理層語調(diào)進(jìn)行重新估計(jì)，對比前后模型的擬合情況，由此來檢驗(yàn)管理層語調(diào)能否提供增量信息。

2.2.2 基于Merton違約距離模型的預(yù)期違約概率

以Merton(1974)為代表的結(jié)構(gòu)模型以未定權(quán)益分析為基礎(chǔ)，通過計(jì)算違約距離來估計(jì)公司的預(yù)期違約概率[2]，理論基礎(chǔ)更好，但需要對公司價(jià)值及其波動(dòng)性進(jìn)行估計(jì)。Bharath和Shumway指出基于Merton違約距離的預(yù)期違約概率模型的價(jià)值在于其函數(shù)形式和輸入變量，并非對公司價(jià)值及波動(dòng)性的估計(jì)[23]，因此本文采用他們的方法來計(jì)算預(yù)期違約概率：資產(chǎn)價(jià)值等于股權(quán)市值E與債務(wù)面值K之和，σV根據(jù)上一年股票收益率的波動(dòng)率σE來計(jì)算：

(2)

根據(jù)違約距離模型，公司的預(yù)期違約概率為

(3)

其中σE根據(jù)觀測的日收益率計(jì)算并進(jìn)行年化處理；債務(wù)面值K，設(shè)定為短期債務(wù)加長期債務(wù)的一半來確定；股權(quán)市場價(jià)值E以股票市價(jià)與普通股股數(shù)之積來直接計(jì)算；T設(shè)置為1年。在計(jì)算預(yù)期違約概率時(shí)，對r分別選取上一年度公司股票的超額收益率和無風(fēng)險(xiǎn)利率來計(jì)算，得到兩個(gè)預(yù)期違約概率pBS和pBSr。

2.4 文本分析方法與管理層語調(diào)的衡量

在分析金融文本的情感或語調(diào)時(shí)，一般有兩種方法：一種是基于詞典或詞表的方法，即詞袋方法，根據(jù)特定詞典或詞表對正面、負(fù)面、不確定等各類特征詞的劃分來對文本進(jìn)行分類，對于特征詞詞典，可直接引入其他領(lǐng)域的成熟詞典，如哈佛GI詞典[24-25]、 Diction詞典[18]、知網(wǎng)Hownet詞典[26]，這些詞典的詞語分類很成熟，但對金融領(lǐng)域詞語的特殊性往往考慮不足，如稅收、成本、資本、折舊等常見的負(fù)面情緒詞語在會(huì)計(jì)領(lǐng)域并沒有負(fù)面的含義，原油、癌癥、礦井等負(fù)面詞語僅代表著特定行業(yè)[17]，因而一些學(xué)者以特定財(cái)經(jīng)文本為基礎(chǔ)構(gòu)建了專門用于財(cái)經(jīng)文本情感或語調(diào)分析的詞表，如Henry[27]、Loughran和McDonald等[17]，并得到了廣泛的應(yīng)用，謝德仁和林樂在對國內(nèi)上市公司年度業(yè)績說明會(huì)文本內(nèi)容的分析中采用的就是他們所構(gòu)建的詞表[21]，在中文方面，You Jiaxing等以中文財(cái)經(jīng)新聞報(bào)道內(nèi)容為基礎(chǔ)構(gòu)建了用以分析財(cái)經(jīng)新聞媒體報(bào)道傾向的詞表[28]；另一種是機(jī)器學(xué)習(xí)方法，以樸素貝葉斯、支持向量機(jī)等特定算法對預(yù)先選取的訓(xùn)練集數(shù)據(jù)進(jìn)行訓(xùn)練，確定文本情緒分類的規(guī)則，再應(yīng)用于全部文本[29-31]。機(jī)器學(xué)習(xí)方法需要預(yù)先選擇訓(xùn)練樣本，而計(jì)算機(jī)在訓(xùn)練中采用的樸素貝葉斯規(guī)則或過濾原則非常多，因而其結(jié)果很難應(yīng)用于對其他類似文本的分析，而詞袋方法在選定詞典或詞表后，就可以避免研究者自身的主觀性[32]。因此，本文參照謝德仁和林樂的研究，采用詞袋方法來衡量管理層語調(diào)，在詞典或詞表的選取方面，由于分析對象為年報(bào)文本，故以LM詞表為基礎(chǔ)，并選取兩個(gè)詞表作為穩(wěn)健性檢驗(yàn)的詞表：一是You Jiaxing等[28]基于中文財(cái)經(jīng)新聞文本的詞表(簡稱YZZ詞表)；二是國內(nèi)中文文本情感分析時(shí)經(jīng)常采用的方法，以知網(wǎng)Hownet、臺大NTUSD情感詞典和學(xué)生褒貶義詞典的情感詞語為基礎(chǔ)，經(jīng)過去重后所構(gòu)建的情感詞典(簡稱綜合情感詞典)。

在以詞典或詞表為基礎(chǔ)計(jì)算文本的情感或語調(diào)值時(shí)，還需要設(shè)定情感詞的權(quán)重，最常用的方法就是簡單比例加權(quán)方法，假定各個(gè)情感詞的權(quán)重相同，而Loughran和McDonald指出情感詞權(quán)重的設(shè)定還需要考慮情感詞在全部文檔中的重要性[17]。本文以簡單比例加權(quán)方法來計(jì)算管理層語調(diào)，并以TFIDF(Term Frequency-Inverse Document Frequency，詞頻-逆向文檔頻率)進(jìn)行穩(wěn)健性檢驗(yàn)。

在分詞方面，由于現(xiàn)有中文文本分詞技術(shù)較多，謝德仁和林樂采用了結(jié)巴中文分詞工具[21]，本文為確保結(jié)果的穩(wěn)健性，以R語言為基礎(chǔ)，在采用結(jié)巴中文分詞工具(JiebaR)的同時(shí)，以基于中科院ICTCLAS中文分詞算法的Rwordseg中文分詞工具進(jìn)行穩(wěn)健性檢驗(yàn)。在完成中文自動(dòng)分詞后，進(jìn)行詞頻統(tǒng)計(jì)，利用R語言的文本挖掘工具TM創(chuàng)建文檔詞語矩陣，然后再利用LM詞表、YZZ詞表以及綜合情感詞典來統(tǒng)計(jì)正面和負(fù)面的情感詞語詞頻POS和NEG(分別表示該類詞語數(shù)量占全部詞語總數(shù)的比例)。由于財(cái)務(wù)困境是公司風(fēng)險(xiǎn)的體現(xiàn)，因而本文以負(fù)面詞語詞頻NEG來衡量管理層的負(fù)面語調(diào)，同時(shí)由POS和NEG來構(gòu)建管理層的凈語調(diào)TONE：

(4)

由此共構(gòu)建了18個(gè)管理層語調(diào)的衡量指標(biāo)：JLMNEG、JLMTONE、JYNEG、JYTONE、JNEG、JTONE、RLMNEG、RLMTONE、RYNEG、RYTONE、RNEG、RTONE、JLMNEGTD、JNEGTD、JYNEGTD、JYTONETD、JLMTONETD、JTONETD，其中J和R分別代表結(jié)巴分詞和Rwordseg分詞工具，NEG和TONE分別表示負(fù)面語調(diào)和凈語調(diào)，TD表示按TFIDF權(quán)重計(jì)算，LM和Y表示分別按LM和YZZ詞表計(jì)算。

3 樣本和數(shù)據(jù)

3.1 樣本

參照國內(nèi)研究的一般做法，本文將因財(cái)務(wù)狀況異常而被特別處理(ST)作為上市公司陷入財(cái)務(wù)困境的標(biāo)志。由于我國上市公司年度報(bào)告是在該會(huì)計(jì)年度結(jié)束之日起4個(gè)月內(nèi)編制完成，因而上市公司t-1年年報(bào)公布與其在t年是否被特別處理這兩個(gè)時(shí)間是同時(shí)發(fā)生的，為此本文參照石曉軍等的做法[33]，利用上市公司t- 2年的數(shù)據(jù)建立模型來預(yù)測其是否會(huì)在t年陷入財(cái)務(wù)困境。同時(shí)，部分市場信息變量以及預(yù)期違約概率模型的計(jì)算都需要上市公司股權(quán)的市場價(jià)值，為避免對非流通股價(jià)值的估計(jì)問題，本文選取了2006年以來，股改基本完成后的股票交易數(shù)據(jù)來衡量股權(quán)市值。結(jié)合這兩個(gè)條件，本文的樣本包括了2008年～2016年被特別處理的上市公司，對應(yīng)的數(shù)據(jù)區(qū)間為2006年～2014年，并剔除了金融類上市公司、創(chuàng)業(yè)板上市公司以及跨市場在B股、H股上市的公司，在選擇特別處理樣本時(shí)，不考慮2008年以前已被特別處理的公司，以及被特別處理后的進(jìn)一步降級或撤銷特別處理的問題，此外還剔除了一年交易日不足70天的公司，最后樣本中包括2024家上市公司，其中184家上市公司被特別處理，共11071個(gè)公司-年度觀測樣本。

3.2 分詞結(jié)果

在采用JiebaR和Rwordseg兩種中文分詞工具對公司年報(bào)管理層討論與分析分詞后，對LM詞表、YZZ詞表和綜合情感詞典中出現(xiàn)頻率最高的詞語進(jìn)行了比較，結(jié)果顯示，不同分詞工具在采用同一詞表的差異很小，不過由于綜合情感詞典根據(jù)多個(gè)中文情感詞典綜合得到，是在其他領(lǐng)域應(yīng)用比較成熟的中文情感詞詞典，但對金融領(lǐng)域的特殊性考慮不足，一些詞語，如“負(fù)債”、“集團(tuán)”、“機(jī)械”、“競爭”、“利潤”等為會(huì)計(jì)或描述公司狀況時(shí)的常用詞語，并不能區(qū)分正面與負(fù)面的情感語調(diào)；YZZ詞表以新聞報(bào)道文本為基礎(chǔ)，一些詞語在年報(bào)文本中同樣不能區(qū)分正面與負(fù)面的情感語調(diào)，如“收入”、“負(fù)債”、“污染”等；而基于公司年報(bào)文本內(nèi)容的LM詞表盡管是由Loughran和McDonald的研究根據(jù)中文年報(bào)內(nèi)容翻譯得到，但相對綜合情感詞典和YZZ詞表而言可以更好的區(qū)分正面和負(fù)面的情感語調(diào)。

3.3 數(shù)據(jù)

本文利用非參數(shù)Wilcoxon Mann-Whitney檢驗(yàn)對全部變量是否在財(cái)務(wù)困境和正常公司兩組樣本之間存在顯著性差異進(jìn)行了檢驗(yàn)，結(jié)果表明除市值賬面比(MB)以外，其他財(cái)務(wù)和市場變量以及由不同方法得到的管理層語調(diào)變量都存在顯著性差異，可以區(qū)分財(cái)務(wù)困境和正常公司。為避免極端值對實(shí)證分析的影響，參照一般做法，對財(cái)務(wù)變量、市場變量、管理層語調(diào)變量按1%的水平進(jìn)行縮尾處理，對于預(yù)期違約概率pBS和pBSr則參照Hillegeist等的研究[34]，將其取值限制在0.00001～0.99999之間，在進(jìn)行信息含量檢驗(yàn)時(shí)，將預(yù)期違約概率轉(zhuǎn)換為邏輯分值：

BS-score=ln[pBS/(1-pBS)]

(5)

BSR-score=ln[pBSr/(1-pBSr)]

(6)

其取值范圍為-11.51292～+11.51292。

4 實(shí)證結(jié)果與分析

4.1 基于離散時(shí)間風(fēng)險(xiǎn)模型的估計(jì)

4.1.1 基于單變量模型的比較分析

本文首先對語調(diào)變量是否具有預(yù)測上市公司財(cái)務(wù)困境的能力進(jìn)行單變量檢驗(yàn)，結(jié)果如表1所示。從離散時(shí)間風(fēng)險(xiǎn)模型的AUC(Area Under Curve，受試者工作特征曲線ROC下面積)、AIC(Akaike Information Criterion，最小信息準(zhǔn)則)和Pseudo-R2來看，語調(diào)變量都具有一定的財(cái)務(wù)困境預(yù)測能力，JiebaR和Rwordseg兩種分詞工具的差別很??；在負(fù)面語調(diào)變量中，LM詞表效果最好，在凈語調(diào)變量中，YZZ詞表效果最好，而綜合情感詞典效果在兩種語調(diào)變量中都是最差的；在情感詞權(quán)重設(shè)置方面，以TFIDF來設(shè)置情感詞權(quán)重得到的結(jié)果比簡單比例加權(quán)方法要明顯更差。

表1 語調(diào)變量對財(cái)務(wù)困境的預(yù)測能力：基于單變量的比較分析

續(xù)表1 語調(diào)變量對財(cái)務(wù)困境的預(yù)測能力：基于單變量的比較分析

注：***、**、*分別表示1%、5%和10%水平下顯著；括號內(nèi)為標(biāo)準(zhǔn)誤。

4.1.2 基于傳統(tǒng)模型的比較分析

以傳統(tǒng)會(huì)計(jì)信息模型(Altman財(cái)務(wù)比率模型)、市場變量模型、混合模型(Shumway模型和CHS模型)為基礎(chǔ)，對負(fù)面語調(diào)和凈語調(diào)變量加入前后模型的擬合情況進(jìn)行比較，結(jié)果如表2：

表2 基于JiebaR分詞工具的離散時(shí)間風(fēng)險(xiǎn)模型的估計(jì)結(jié)果

注：***、**、*分別表示1%、5%和10%水平下顯著，括號內(nèi)為標(biāo)準(zhǔn)誤；本文側(cè)重分析管理層語調(diào)對財(cái)務(wù)困境預(yù)測的影響，故未給出對應(yīng)財(cái)務(wù)變量和市場變量的估計(jì)結(jié)果，如有需要可向作者索取，這些變量的估計(jì)結(jié)果都符合理論預(yù)期。

首先，負(fù)面語調(diào)和凈語調(diào)變量在所有模型中都顯著，其中負(fù)面語調(diào)變量的系數(shù)顯著為正，表明文本內(nèi)容傳遞的管理層語調(diào)越負(fù)面，上市公司陷入財(cái)務(wù)困境的可能性就越大，而凈語調(diào)變量的系數(shù)則顯著為負(fù)，表明管理層的凈語調(diào)越正面，上市公司陷入財(cái)務(wù)困境的可能性就越??；

其次，從模型的擬合情況來看，加入語調(diào)變量后，所有模型的AUC、AIC和Pseudo-R2都有一定的提高，其中市場變量模型最為顯著，Altman模型、Shumway模型和CHS模型擬合情況的改善相對要小一些，而這三個(gè)模型中都包含了財(cái)務(wù)變量，從這個(gè)角度來看，語調(diào)變量更多的是對會(huì)計(jì)信息的補(bǔ)充；

再次，在語調(diào)變量中，以LM詞表衡量語調(diào)時(shí)，模型的擬合程度最好，YZZ詞表次之，綜合情感詞典相對最差，這表明根據(jù)相關(guān)金融文本構(gòu)建的詞表能更好的反映管理層語調(diào)，而且對于中文年報(bào)文本的分析還是應(yīng)該以基于年報(bào)文本的情感詞表為基礎(chǔ)，LM詞表盡管是由英文根據(jù)中文年報(bào)內(nèi)容翻譯得到，但效果依然要略優(yōu)于YZZ詞表，而直接從其他領(lǐng)域引入的詞典，即綜合情感詞典在用于財(cái)經(jīng)文本分析的效果要更差一些；最后，負(fù)面語調(diào)和凈語調(diào)的結(jié)果非常接近，差異很小。

4.1.3 穩(wěn)健性檢驗(yàn)

本文采用以下方法進(jìn)行穩(wěn)健性檢驗(yàn)：一是以Rwordseg分詞工具重新計(jì)算管理層的負(fù)面語調(diào)和凈語調(diào)，以確保結(jié)果不受分詞工具的影響；二是在JiebaR分詞工具的基礎(chǔ)上，采用TFIDF來設(shè)定詞語的權(quán)重，重新計(jì)算負(fù)面語調(diào)和凈語調(diào)，以確保結(jié)果不受特征詞權(quán)重設(shè)置的影響。結(jié)果與表2保持一致，只是模型的擬合情況有細(xì)微的差別，管理層語調(diào)的加入在一定程度上可以提高財(cái)務(wù)困境預(yù)測模型的擬合度，而分詞工具、詞語權(quán)重設(shè)置都不會(huì)影響結(jié)果的穩(wěn)健性，而且基于公司年報(bào)文本的LM詞表在衡量管理層語調(diào)時(shí)的效果相對更好，基于財(cái)經(jīng)新聞文本的YZZ詞表次之，不過差異很小，而綜合情感詞典明顯更差。

4.2 基于信息含量檢驗(yàn)的分析

為進(jìn)一步確認(rèn)管理層語調(diào)能否帶來一定的信息增量，本文基于離散時(shí)間風(fēng)險(xiǎn)模型對不同財(cái)務(wù)困境預(yù)測模型、預(yù)期違約概率以及管理層語調(diào)的信息含量進(jìn)行了檢驗(yàn)。首先，由Altman模型、市場變量模型、Shumway模型和CHS模型的估計(jì)結(jié)果對各觀測樣本出現(xiàn)財(cái)務(wù)困境的邏輯分值進(jìn)行預(yù)測；然后，將這些邏輯分值以及由預(yù)期違約概率pBS和pBSr得到的邏輯分值BS-score和BSR-score分別加入負(fù)面和凈語調(diào)變量單變量估計(jì)得到的邏輯分值進(jìn)行估計(jì)；最后結(jié)合不同模型的邏輯分值并加入語調(diào)變量單變量估計(jì)得到的邏輯分值，對其信息增量進(jìn)行檢驗(yàn)。在進(jìn)行信息含量檢驗(yàn)時(shí)，加入上一年度上市公司出現(xiàn)財(cái)務(wù)困境的比率RATE作為基準(zhǔn)風(fēng)險(xiǎn)率，根據(jù)前面的分析只加入了兩個(gè)基于LM詞表的負(fù)面和凈語調(diào)變量得到的邏輯分值JLMNEG-score和JLMTONE-score。

4.2.1 信息量檢驗(yàn)

四個(gè)模型的預(yù)測結(jié)果A-score、M-score、S-score、CHS-score以及由預(yù)期違約概率得到的BS-score和BSR-score六個(gè)邏輯分值信息量檢驗(yàn)的結(jié)果如表3所示，其中對每個(gè)邏輯分值的檢驗(yàn)包括不加入語調(diào)變量的邏輯分值、加入負(fù)面語調(diào)變量的邏輯分值JLMNEG-score、加入凈語調(diào)變量的邏輯分值JLMTONE-score三個(gè)模型。由表3可見：

首先，四個(gè)模型和預(yù)期違約概率得到的邏輯分值都顯著為正，都包含預(yù)測上市公司財(cái)務(wù)困境的重要信息，從Log-likelihood(對數(shù)似然比)和Pseudo-R2來看，Shumway模型和CHS模型效果最好，市場變量模型及預(yù)期違約概率的效果最差；

其次，在加入負(fù)面語調(diào)和凈語調(diào)的邏輯分值后，JLMNEG-score和JLMTONE-score的估計(jì)系數(shù)都顯著為正，而且Log-likelihood和Pseudo-R2也都有一定程度的提高，尤其是在市場變量模型和預(yù)期違約概率模型中，可見管理層語調(diào)為預(yù)測公司財(cái)務(wù)困境提供了新的信息；

最后，在語調(diào)變量的邏輯分值中，加入負(fù)面語調(diào)邏輯分值JLMNEG-score對Log-likelihood和Pseudo-R2的提高要高于加入凈語調(diào)邏輯分值JLMTONE-score的結(jié)果，從這個(gè)角度來看，負(fù)面語調(diào)所包含的信息量要高于凈語調(diào)。

4.2.2 信息增量檢驗(yàn)

以Altman財(cái)務(wù)比率模型、基于市場信息的預(yù)期違約概率模型和會(huì)計(jì)信息與市場信息相結(jié)合的Shumway模型得到的A-score、BS-score和S-score為基礎(chǔ)來對管理層語調(diào)的信息增量進(jìn)行檢驗(yàn)，先兩兩結(jié)合，再加入負(fù)面語調(diào)和凈語調(diào)變量的邏輯分值JLMNEG-score和JLMTONE-score，最后再將三者結(jié)合，并加入負(fù)面語調(diào)和凈語調(diào)變量的邏輯分值來進(jìn)行檢驗(yàn)，結(jié)果如表4所示。

表3 信息量檢驗(yàn)的估計(jì)結(jié)果

注：***、**、*分別表示1%、5%和10%水平下顯著；括號內(nèi)為標(biāo)準(zhǔn)誤。

首先，在會(huì)計(jì)信息、市場信息以及兩者相結(jié)合的三類模型中，基于市場信息的預(yù)期違約概率模型的效果最差，估計(jì)系數(shù)都不顯著，且有多個(gè)系數(shù)為負(fù)；其次為Altman財(cái)務(wù)比率模型，而效果最好的為Shumway模型，從這個(gè)角度來看，在構(gòu)建我國上市公司財(cái)務(wù)困境預(yù)測模型時(shí)，同時(shí)結(jié)合會(huì)計(jì)信息和市場信息的效果會(huì)更好。

其次，在加入負(fù)面語調(diào)和凈語調(diào)變量的邏輯分值后，JLMNEG-score和JLMTONE-score的估計(jì)系數(shù)都顯著為正，另一方面Log-likelihood和Pseudo-R2都有一定幅度的提高，可見管理層語調(diào)確實(shí)為預(yù)測公司財(cái)務(wù)困境提供了新的信息；而兩個(gè)語調(diào)變量的對比結(jié)果與信息量檢驗(yàn)相同，加入JLMNEG-score對Log-likelihood和Pseudo-R2的提高要高于加入凈語調(diào)JLMTONE-score，即負(fù)面語調(diào)的信息增量同樣要高于凈語調(diào)。

4.3 基于預(yù)測能力的分析

對于財(cái)務(wù)困境模型的預(yù)測能力，一般是從樣本內(nèi)和樣本外兩個(gè)角度來進(jìn)行檢驗(yàn)。本文采用Shumway(2001)的十分位數(shù)檢驗(yàn)方法，將財(cái)務(wù)困境模型預(yù)測的違約概率按照十分位數(shù)分成十等分，計(jì)算各十分位數(shù)中財(cái)務(wù)困境公司占總的財(cái)務(wù)困境公司數(shù)的比例。

表4 信息增量檢驗(yàn)的估計(jì)結(jié)果

注：***、**、*分別表示1%、5%和10%水平下顯著；括號內(nèi)為標(biāo)準(zhǔn)誤。

表5 樣本內(nèi)預(yù)測的十分位數(shù)檢驗(yàn)

續(xù)表5 樣本內(nèi)預(yù)測的十分位數(shù)檢驗(yàn)

4.3.1 樣本內(nèi)預(yù)測

表5給出了四個(gè)模型以及加入JLMNEG和JLMTONE后預(yù)測的違約概率，作為比較，還給出了預(yù)期違約概率pBS和pBSr、以及JLMNEG和JLMTONE單變量模型預(yù)測的違約概率。

表6 樣本外預(yù)測的十分位數(shù)檢驗(yàn)

首先，市場變量模型與預(yù)期違約概率的樣本內(nèi)預(yù)測能力最差，結(jié)合了會(huì)計(jì)信息和市場信息的Shumway模型和CHS模型預(yù)測能力較好，這與之前模型估計(jì)以及信息量檢驗(yàn)的結(jié)果一致；而在市場變量模型和預(yù)期違約概率模型中，后者的預(yù)測能力更差，表明在市場變量基礎(chǔ)上按照Merton違約距離模型計(jì)算得到的預(yù)期違約概率可能因?yàn)檫^于概括和簡化，反而遺漏了一些重要信息而導(dǎo)致更差的預(yù)測能力，這與國內(nèi)近年的一些研究，如蔡玉蘭和崔毅的結(jié)論[35]是一致的；

其次，JLMNEG和JLMTONE單變量模型預(yù)測的違約概率對上市公司財(cái)務(wù)困境的預(yù)測能力比預(yù)期違約概率pBS和pBSr還要強(qiáng)，表明管理層語調(diào)確實(shí)具有一定的財(cái)務(wù)困境預(yù)測能力，而其中預(yù)測能力更好的JLMNEG單變量模型預(yù)測的違約概率甚至還要強(qiáng)于市場變量模型；

再次，在加入語調(diào)變量后，四個(gè)模型的預(yù)測能力都有一定的提高，其中市場變量模型預(yù)測能力的提高最為明顯，這與前面的分析一致；在四個(gè)模型中，除了Shumway模型外，其他三個(gè)模型在加入負(fù)面語調(diào)變量JLMNEG后，在第一個(gè)十分位數(shù)上預(yù)測能力的提高都明顯高于凈語調(diào)變量JLMTONE，由此可判斷負(fù)面語調(diào)在提高財(cái)務(wù)困境預(yù)測能力上要好于凈語調(diào)。

4.3.2 樣本外預(yù)測

對于樣本外預(yù)測，本文采用滾動(dòng)窗口(Rolling Window)方法：首先以2008～2010年的樣本來估計(jì)模型，以此預(yù)測2011年的違約概率，然后再以2008～2011年的樣本重新估計(jì)模型，以此來預(yù)測2012年的違約概率，以此類推來對2011年～2016年116家上市公司被特別處理的情況進(jìn)行預(yù)測，表6給出了樣本外預(yù)測十分位數(shù)檢驗(yàn)的結(jié)果，并給出預(yù)測的AUC和Brier score(布萊爾分?jǐn)?shù))。

從預(yù)測準(zhǔn)確的公司數(shù)量來看，語調(diào)變量的加入可以顯著提升市場變量模型的預(yù)測能力，但對其他三個(gè)模型的影響不太顯著，在第一個(gè)十分位數(shù)組上，JLMNEG提高了Altman模型的預(yù)測能力，對CHS模型沒有影響，而Shumway模型略有降低，JLMTONE提高了CHS模型的預(yù)測能力，而降低了Altman模型和Shumway模型的預(yù)測能力；進(jìn)一步擴(kuò)展到第二個(gè)十分位組后，可以發(fā)現(xiàn)不管是負(fù)面語調(diào)JLMNEG還是凈語調(diào)JLMTONE大多能提高，起碼不會(huì)降低模型的預(yù)測能力。

AUC和Brier score則可以清楚的反映語調(diào)變量在樣本外預(yù)測中的作用。首先，負(fù)面語調(diào)和凈語調(diào)兩個(gè)變量的加入可以大幅提高市場變量模型的AUC，而且Altman模型、Shumway模型和CHS模型也都有一定程度的提高，其中JLMNEG帶來AUC的提高更為明顯；其次，負(fù)面語調(diào)變量的加入降低了所有模型的Brier score，而凈語調(diào)變量的加入只對市場變量模型產(chǎn)生了一定的作用。由此可見，語調(diào)變量的加入確實(shí)在一定程度上提高了傳統(tǒng)模型對財(cái)務(wù)困境的預(yù)測能力，而其中負(fù)面語調(diào)帶來的信息增量價(jià)值會(huì)更大一些。

5 結(jié)語

管理層討論與分析是上市公司信息披露的重要組成部分，對于分析上市公司的真實(shí)狀況以及經(jīng)理人對未來的預(yù)期有著非常重要的價(jià)值。本文在離散時(shí)間風(fēng)險(xiǎn)模型的基礎(chǔ)上分析了中文年報(bào)管理層討論與分析部分文本內(nèi)容所反映的管理層語調(diào)對于上市公司財(cái)務(wù)困境預(yù)測的信息價(jià)值進(jìn)行了分析，主要結(jié)論如下：

(1)管理層語調(diào)確實(shí)可以提高上市公司財(cái)務(wù)困境模型的預(yù)測能力。在傳統(tǒng)的會(huì)計(jì)信息模型、市場信息模型以及兩者相結(jié)合的混合模型中加入語調(diào)變量后，上市公司財(cái)務(wù)困境預(yù)測模型的擬合程度都有一定的提高，而且不會(huì)因分詞工具、情感特征詞詞典以及特征詞權(quán)重設(shè)置方法的選擇而出現(xiàn)變化。信息量與信息增量檢驗(yàn)的結(jié)果進(jìn)一步確認(rèn)了語調(diào)變量確實(shí)為預(yù)測財(cái)務(wù)困境提供了新的信息，而樣本內(nèi)和樣本外的十分位數(shù)檢驗(yàn)表明語調(diào)變量對于財(cái)務(wù)困境確實(shí)具有一定的預(yù)測能力。

(2)在各類模型中，語調(diào)變量的加入對于市場變量模型的擬合程度與預(yù)測能力有顯著的提高，而對于會(huì)計(jì)信息模型以及包含了會(huì)計(jì)信息的混合模型擬合程度與預(yù)測能力的改善則相對有限，這表明信息披露報(bào)告文本內(nèi)容傳遞的語調(diào)信息是對定量財(cái)務(wù)數(shù)據(jù)的重要補(bǔ)充，而且這些信息并沒有在市場價(jià)格中得到充分反映。

(3)在衡量管理層語調(diào)時(shí)，負(fù)面語調(diào)的價(jià)值要高于凈語調(diào)，特別是在信息量與信息增量檢驗(yàn)以及預(yù)測的十分位數(shù)檢驗(yàn)中效果更為明顯，這表明對于中文信息披露報(bào)告的分析應(yīng)該更著重于對負(fù)面語調(diào)的解釋與分析。

(4)在衡量管理層語調(diào)時(shí)，以特定財(cái)經(jīng)文本為基礎(chǔ)的LM詞表和YZZ詞表的效果要好于沒有考慮金融領(lǐng)域詞語特殊性的綜合情感詞典，這表明在財(cái)經(jīng)文本的挖掘分析中并不適合直接從其他領(lǐng)域引入成熟詞典來進(jìn)行分析；而基于年報(bào)文本的LM詞表盡管是從英文翻譯根據(jù)中文年報(bào)內(nèi)容得到，但整體效果要略優(yōu)于YZZ詞表，這表明在分析不同來源的財(cái)經(jīng)文本時(shí)，最好還是以該來源的文本為基礎(chǔ)構(gòu)建相應(yīng)的情感詞詞表。

由此可見，在分析和預(yù)測公司企業(yè)財(cái)務(wù)困境時(shí)，可通過對其信息披露文本的挖掘和分析來獲取有價(jià)值的信息，文本分析對于更好的強(qiáng)化信用風(fēng)險(xiǎn)管理有著重要意義。與此同時(shí)，本文基于財(cái)務(wù)困境預(yù)測的研究也可以很好的彌補(bǔ)以往更多從市場反應(yīng)、公司披露業(yè)績等角度來分析信息披露文本內(nèi)容的信息價(jià)值的研究，有助于拓展對公司信息披露，特別是對其描述性文本內(nèi)容的研究。

當(dāng)然，本文的研究還存在一定的局限性：一是現(xiàn)有中文分詞技術(shù)在切分文本時(shí)還存在一定的不足，有可能會(huì)對研究結(jié)論產(chǎn)生一定的影響；二是在文本內(nèi)容傳遞的語調(diào)衡量時(shí)，不管是直接引入國內(nèi)其他領(lǐng)域的成熟詞典，還是由國外年報(bào)文本內(nèi)容構(gòu)建的特征詞詞表，也都存在一定的局限性，前者對金融領(lǐng)域詞語的特殊性考慮不足，而后者則會(huì)對國內(nèi)公司信息披露的文本內(nèi)容考慮不足，因而可能最佳的解決方法還是如You Jiaxing在分析新聞媒體報(bào)道傾向時(shí)以新聞報(bào)道文本為基礎(chǔ)去構(gòu)建情感詞詞典一樣，以國內(nèi)上市公司披露的大量文本內(nèi)容為基礎(chǔ)來構(gòu)建相應(yīng)的特征詞詞典，以更好的分析上市公司信息披露的文本內(nèi)容。