王拉娣 韓江旭

【摘 要】 為使房地產(chǎn)上市公司的財(cái)務(wù)風(fēng)險(xiǎn)評價(jià)更加客觀合理，且能對風(fēng)險(xiǎn)等級進(jìn)行合理分檔，文章對熵值賦權(quán)法做出改進(jìn)，與TOPSIS法結(jié)合增加了賦權(quán)的客觀性，秩和比法的引入對模型實(shí)現(xiàn)了進(jìn)一步擴(kuò)展。運(yùn)用文章構(gòu)建的風(fēng)險(xiǎn)評價(jià)模型先對樣本公司進(jìn)行排名，并在此基礎(chǔ)上劃分財(cái)務(wù)風(fēng)險(xiǎn)等級，實(shí)證結(jié)果表明風(fēng)險(xiǎn)顯著以上的樣本公司占比過重，應(yīng)當(dāng)引起管理者及投資者的足夠重視。該模型能有效評價(jià)房地產(chǎn)上市公司的財(cái)務(wù)風(fēng)險(xiǎn)。

【關(guān)鍵詞】 EW-TOPSIS-RSR模型; 財(cái)務(wù)風(fēng)險(xiǎn); 評價(jià)模型

【中圖分類號(hào)】 F275 ?【文獻(xiàn)標(biāo)識(shí)碼】 A ?【文章編號(hào)】 1004-5937（2020）10-0031-06

一、引言

2003年國務(wù)院18號(hào)文件指出“房地產(chǎn)業(yè)已成為我國國民經(jīng)濟(jì)的支柱產(chǎn)業(yè)”，可見其對經(jīng)濟(jì)增長起著不可或缺的助推作用。但日本的泡沫危機(jī)與美國的次貸危機(jī)也給予了我們警示。因此，樓市的每一次興衰必定會(huì)給經(jīng)濟(jì)帶來一定影響，而穩(wěn)定的經(jīng)濟(jì)環(huán)境會(huì)為房地產(chǎn)市場創(chuàng)造健康發(fā)展的條件。如今，房地產(chǎn)市場正處于迅速發(fā)展階段，房價(jià)的飛漲暴露了我國房地產(chǎn)市場中隱藏的諸多問題，加之市場體制不完善，居民傳統(tǒng)觀念以及投資羊群行為成為催生房地產(chǎn)泡沫的關(guān)鍵因素，隨之而來的風(fēng)險(xiǎn)不容小覷。接連出臺(tái)的宏觀調(diào)控政策又使房地產(chǎn)市場面臨嚴(yán)峻考驗(yàn)，“限購”“限貸”“限售”“限商”“新土管政策”“房產(chǎn)稅”等措施頻出，2017年被稱為“史上宏觀調(diào)控政策出臺(tái)最密集”的一年。作為房地產(chǎn)開發(fā)、建設(shè)、經(jīng)營和管理的主體，房地產(chǎn)上市公司同樣面臨危機(jī)。

房地產(chǎn)業(yè)受行業(yè)特點(diǎn)影響，初期投資量大，資金回收期較長，資產(chǎn)負(fù)債率較高，上漲的房價(jià)為房地產(chǎn)企業(yè)帶來了高收益，同時(shí)又伴隨著高風(fēng)險(xiǎn)。近年來，房地產(chǎn)上市公司的資產(chǎn)負(fù)債率逐年上升，至2017年底已達(dá)78.24%，遠(yuǎn)高于安全線。從資本結(jié)構(gòu)來看，銀行借款依然是主要的資金來源，流動(dòng)負(fù)債的占比逐年上升，已經(jīng)接近50%，一旦資金鏈斷裂，面臨的信貸風(fēng)險(xiǎn)將會(huì)進(jìn)一步上升，并且借款逾期很有可能引發(fā)銀行系統(tǒng)性金融風(fēng)險(xiǎn)，嚴(yán)重的甚至?xí)＜昂暧^經(jīng)濟(jì)。因此，運(yùn)用有效的方法構(gòu)建風(fēng)險(xiǎn)評價(jià)體系對房地產(chǎn)上市公司的財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行評價(jià)，為投資者提供科學(xué)可靠的決策基礎(chǔ)、為房地產(chǎn)上市公司識(shí)別潛在的財(cái)務(wù)風(fēng)險(xiǎn)、及時(shí)提醒企業(yè)管理者及時(shí)調(diào)整運(yùn)營策略、提高企業(yè)抗風(fēng)險(xiǎn)能力、促進(jìn)房地產(chǎn)上市公司健康發(fā)展有積極作用。

二、文獻(xiàn)綜述

房地產(chǎn)業(yè)與國民經(jīng)濟(jì)有較強(qiáng)的關(guān)聯(lián)性，與其相關(guān)的風(fēng)險(xiǎn)也是眾多學(xué)者研究探索的方面，從宏觀到微觀，從國外到國內(nèi)，無論是模型還是觀點(diǎn)都形成了大量可供參考的研究成果。Kaklauskas等[ 1 ]考慮了建筑業(yè)和房地產(chǎn)業(yè)風(fēng)險(xiǎn)的生命周期，結(jié)合房地產(chǎn)業(yè)面臨的內(nèi)外部環(huán)境綜合分析了影響建筑業(yè)及房地產(chǎn)業(yè)的各方面因素，從微觀、中觀和宏觀方面進(jìn)行了概念建模，并針對性地為立陶宛提出了宏觀政策建議。Valverde[ 2 ]結(jié)合金融理論專門針對房地產(chǎn)業(yè)的風(fēng)險(xiǎn)管理開發(fā)了商務(wù)智能系統(tǒng)（BIS），協(xié)助房地產(chǎn)管理人員進(jìn)行財(cái)務(wù)決策，規(guī)避決策失誤風(fēng)險(xiǎn)。孟志青等[ 3 ]運(yùn)用CVaR模型度量房地產(chǎn)組合投資風(fēng)險(xiǎn)，研究投資風(fēng)險(xiǎn)最優(yōu)化組合，確定房地產(chǎn)投資組合的最優(yōu)組成比例，證明動(dòng)態(tài)組合投資對降低投資風(fēng)險(xiǎn)有著重要的意義。劉晨暉和陳長石[ 4 ]以我國去泡沫化的宏觀調(diào)控政策為基礎(chǔ)，定量測算房地產(chǎn)市場的預(yù)期變化及泡沫風(fēng)險(xiǎn)狀況，從泡沫積累風(fēng)險(xiǎn)和破裂風(fēng)險(xiǎn)兩方面對泡沫的敏感性和泡沫風(fēng)險(xiǎn)的臨界值進(jìn)行了分析。

對于財(cái)務(wù)風(fēng)險(xiǎn)，其識(shí)別與評價(jià)一直是相關(guān)學(xué)者關(guān)注的焦點(diǎn)，這一領(lǐng)域的研究多基于財(cái)務(wù)指標(biāo)進(jìn)行，最早的相關(guān)研究起源于國外。美國斯坦福大學(xué)會(huì)計(jì)學(xué)教授Beaver[ 5 ]采用單變量分析法將財(cái)務(wù)比率與破產(chǎn)風(fēng)險(xiǎn)相聯(lián)系。由于單一變量模型存在缺陷，隨后，多變量分析法得到發(fā)展。Altman做出了杰出的貢獻(xiàn)，他在1968年選取22個(gè)財(cái)務(wù)指標(biāo)建立了著名的五變量Z-Score模型，之后，Haldeman、Narayanan[ 6 ]將該模型擴(kuò)展為ZETA模型，由五個(gè)變量增加到七個(gè)，使用范圍更廣，形成第二代模型。該模型開始是作為信用風(fēng)險(xiǎn)評級模型來測定破產(chǎn)概率，后來被引入到企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的預(yù)測中。在此基礎(chǔ)上，多變量分析法逐漸豐富。Ohlson[ 7 ]在研究中強(qiáng)調(diào)某些公司會(huì)延遲會(huì)計(jì)報(bào)表對外公布的時(shí)間，增大了投資者的投資風(fēng)險(xiǎn)，因此以條件Logistic分析方法建立公司破產(chǎn)概率的預(yù)測模型，得出公司規(guī)模、財(cái)務(wù)結(jié)構(gòu)、性能指標(biāo)和流動(dòng)性這四個(gè)有統(tǒng)計(jì)意義的風(fēng)險(xiǎn)影響因素。該方法在風(fēng)險(xiǎn)預(yù)測能力和穩(wěn)定性上都優(yōu)于線性判別模型，因而被廣泛應(yīng)用。

相比于國外，我國房地產(chǎn)業(yè)興起時(shí)間不長，國內(nèi)學(xué)者對房地產(chǎn)上市公司的研究起步雖然較晚但仍然很豐富。張堯庭[ 8 ]證明了copula技術(shù)在對財(cái)務(wù)風(fēng)險(xiǎn)估計(jì)時(shí)的可用性。王升[ 9 ]通過Black-Scholes期權(quán)定價(jià)模型，揭示了房地產(chǎn)廠商強(qiáng)勢定價(jià)與負(fù)債能力的明確數(shù)量關(guān)系，指出受利潤最大化的驅(qū)使，公司為房地產(chǎn)過高定價(jià)將會(huì)引發(fā)財(cái)務(wù)風(fēng)險(xiǎn)，甚至?xí)绊憞医鹑谙到y(tǒng)的穩(wěn)定性。Z模型同樣也被引進(jìn)我國房地產(chǎn)上市公司的財(cái)務(wù)風(fēng)險(xiǎn)評價(jià)中。楊軍芳[ 10 ]根據(jù)我國房地產(chǎn)市場的特點(diǎn)對該模型進(jìn)行了修正，并證明修正后的模型具有較好的實(shí)用價(jià)值。同時(shí)，Z-Score模型也由嚴(yán)碧紅和馬廣奇[ 11 ]進(jìn)行了實(shí)證檢驗(yàn)并對房地產(chǎn)上市公司的財(cái)務(wù)風(fēng)險(xiǎn)做出了評價(jià)。隨后神經(jīng)網(wǎng)絡(luò)模型發(fā)展迅速，在不同領(lǐng)域得到了應(yīng)用。周梅妍[ 12 ]采用BP-Adaboost神經(jīng)網(wǎng)絡(luò)算法對房地產(chǎn)公司的財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行了預(yù)測，證明BP-Adaboost準(zhǔn)確性較BP分類器要強(qiáng)，且誤差率小于Logistic回歸模型。利用評分值對房地產(chǎn)上市公司的財(cái)務(wù)風(fēng)險(xiǎn)排序是另一種風(fēng)險(xiǎn)測定方法。李素紅和陳立文[ 13 ]、程言美和程杰[ 14 ]分別基于因子分析法和主成分分析法對房地產(chǎn)上市公司的財(cái)務(wù)風(fēng)險(xiǎn)作了評價(jià)。王曉燕[ 15 ]在財(cái)務(wù)風(fēng)險(xiǎn)監(jiān)控系統(tǒng)中引入在險(xiǎn)價(jià)值（VAR）進(jìn)一步提升了風(fēng)險(xiǎn)預(yù)測的準(zhǔn)確性。

綜合以上分析，對房地產(chǎn)上市公司財(cái)務(wù)風(fēng)險(xiǎn)的研究逐年增多，指標(biāo)維度也越來越豐富，單一方法評價(jià)已經(jīng)無法滿足研究的需求，且企業(yè)環(huán)境的多樣化使戰(zhàn)略決策開始涉及多屬性決策。在確定影響因素權(quán)重的方法中層次分析法（AHP）和德爾菲法（Delphi）被廣泛采用，但權(quán)重中難免會(huì)摻雜專家的個(gè)人因素，因此，主觀賦權(quán)存在一定的片面性，在不同程度上使預(yù)測結(jié)果偏離實(shí)際。近年來，客觀賦權(quán)法逐漸受到重視，這類賦權(quán)法根據(jù)指標(biāo)本身的特點(diǎn)進(jìn)行賦權(quán)，具有較好的規(guī)范性，主要有變異系數(shù)法、主成分分析法、熵權(quán)法等。

本文的創(chuàng)新點(diǎn)在于：（1）考慮到數(shù)據(jù)的完整性和評價(jià)的可信度，對熵權(quán)—TOPSIS法做出進(jìn)一步改進(jìn)，有效避免了因剔除存在負(fù)值的樣本數(shù)據(jù)而對整體風(fēng)險(xiǎn)評價(jià)造成的影響。（2）構(gòu)建了EW-TOPSIS-RSR模型，并將其運(yùn)用到房地產(chǎn)上市公司財(cái)務(wù)風(fēng)險(xiǎn)評價(jià)中。改進(jìn)的熵權(quán)法消除了零值和負(fù)值的影響，并通過TOPSIS法對樣本公司進(jìn)行排名，在此基礎(chǔ)上，與秩和比法相結(jié)合對排序結(jié)果進(jìn)一步拓展，將財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行歸檔，綜合評價(jià)房地產(chǎn)上市公司財(cái)務(wù)風(fēng)險(xiǎn)，提高了評價(jià)的客觀性和具體性。

三、模型構(gòu)建及理論基礎(chǔ)

（一）熵權(quán)—TOPSIS法

熵權(quán)法是一種客觀賦權(quán)法，根據(jù)指標(biāo)之間的相對變化程度對系統(tǒng)整體的影響來決定指標(biāo)的權(quán)重，該權(quán)重反映了指標(biāo)信息熵值的效用值，避免了人為的影響因素，從而具有較高的再現(xiàn)性和可信度[ 16 ]，與TOPSIS法相結(jié)合彌補(bǔ)了確定權(quán)重系數(shù)上的缺陷與不足。但熵權(quán)法要求指標(biāo)數(shù)據(jù)均需大于零，否則無法計(jì)算權(quán)重，考慮到數(shù)據(jù)的完整性和信息含量的有效性，在此采用指標(biāo)平移的方法對熵權(quán)法做出改進(jìn)，將出現(xiàn)極端值或負(fù)值的指標(biāo)進(jìn)行平移[ 17 ]。該方法不僅保證了樣本數(shù)據(jù)容量，而且提高了評價(jià)的可信度。在改進(jìn)的熵權(quán)法中，平移之后的指標(biāo)為Hij，組成最終的標(biāo)準(zhǔn)化矩陣，平移的距離為指標(biāo)數(shù)據(jù)的和。定義Aij為第i個(gè)被評價(jià)對象上第j個(gè)指標(biāo)的原始值，i∈m，j∈n。

在構(gòu)造規(guī)范化決策矩陣時(shí)，TOPSIS法一般采用向量規(guī)范法進(jìn)行標(biāo)準(zhǔn)化，但Chakraborty[ 18 ]在研究不同規(guī)模的多屬性決策問題中，運(yùn)用仿真技術(shù)證明在方案和屬性的數(shù)量大于20×20時(shí)，四種規(guī)范化方法的一致性結(jié)果并無差異，因此選用極差變換法替代向量規(guī)范法。這兩種方法做替代之后可簡化計(jì)算步驟，且權(quán)重由熵權(quán)法而得，避免了后者主觀賦權(quán)對評價(jià)結(jié)果的影響，最終確定的加權(quán)規(guī)范化矩陣為zij=WjHij。

從加權(quán)規(guī)范化矩陣中確定正負(fù)理想解，定義正理想解為A+j=（z+i1，z+i2，…，z+in），負(fù)理想解為A-j=（z-i1，z-i2，…，z-in）。

則樣本的相對貼近度為Ci：

其中，s+i和s-i為依據(jù)正負(fù)理想解計(jì)算的歐式距離。

按照Ci大小排列方案的優(yōu)先序，Ci越大，表明Aj越接近A+j，方案越優(yōu);Ci越小，表明Aj越接近A-j，方案越劣。

（二）秩和比法（RSR）

秩和比是行（或列）秩次的平均值，且具有0～1連續(xù)變量的特征。其基本原理是：在一個(gè)n行m列矩陣中，通過秩運(yùn)算獲得無量綱統(tǒng)計(jì)量RSR，在此基礎(chǔ)上運(yùn)用參數(shù)統(tǒng)計(jì)分析的概念與方法，研究RSR的分布，以RSR值對評價(jià)對象直接排序或分檔排序[ 19 ]。該方法應(yīng)先對原始指標(biāo)矩陣根據(jù)各自的性能進(jìn)行相應(yīng)排序，高優(yōu)指標(biāo)按升序排列，低優(yōu)指標(biāo)按降序排列。

四、實(shí)證分析

（一）指標(biāo)及樣本選取

本文初步選取了反映企業(yè)財(cái)務(wù)狀況和經(jīng)營成果的5個(gè)基本評價(jià)指標(biāo)類型：償債能力指標(biāo)、營運(yùn)能力指標(biāo)、盈利能力指標(biāo)、發(fā)展能力指標(biāo)和現(xiàn)金流量指標(biāo)。償債能力指標(biāo)用來評價(jià)企業(yè)的長期償債能力和短期償債能力，營運(yùn)能力指標(biāo)用來評價(jià)企業(yè)資產(chǎn)管理效率，盈利能力指標(biāo)用來評價(jià)企業(yè)獲取利潤的能力，發(fā)展能力指標(biāo)用來評價(jià)企業(yè)在現(xiàn)有基礎(chǔ)上擴(kuò)大規(guī)模的潛在能力，現(xiàn)金流量指標(biāo)用來評價(jià)企業(yè)經(jīng)營活動(dòng)產(chǎn)生的現(xiàn)金與債務(wù)之間的關(guān)系?？紤]到財(cái)務(wù)指標(biāo)選取的全面性，結(jié)合國內(nèi)外的研究加入了每股指標(biāo)，衡量每股股票創(chuàng)造利潤的能力以及其所代表的凈資產(chǎn)價(jià)值，并根據(jù)房地產(chǎn)上市公司的特點(diǎn)對各指標(biāo)體系做了刪減和填充。最終采用綜合反映以上6個(gè)方面的24個(gè)財(cái)務(wù)指標(biāo)構(gòu)成評價(jià)體系，除產(chǎn)權(quán)比率為低優(yōu)指標(biāo)外其余指標(biāo)均為高優(yōu)指標(biāo)，如表1所示。

本文從截至2017年底在滬深兩市A股上市的132家房地產(chǎn)公司中剔除了財(cái)務(wù)狀況異常以及被ST、*ST和SST的公司，所選指標(biāo)數(shù)據(jù)缺失的公司也被排除在外，最終確定60家房地產(chǎn)上市公司作為研究對象，所選指標(biāo)中有16個(gè)指標(biāo)均為正值，8個(gè)指標(biāo)含有部分負(fù)值。本文的數(shù)據(jù)來自Wind資訊金融數(shù)據(jù)庫和新浪財(cái)經(jīng)網(wǎng)，對房地產(chǎn)上市公司的劃分以證監(jiān)會(huì)發(fā)布的分類為標(biāo)準(zhǔn)。

（二）EW-TOPSIS-RSR模型的運(yùn)用

對原始數(shù)據(jù)中不存在負(fù)值的指標(biāo)選用極差變換法標(biāo)準(zhǔn)化，存在負(fù)值的指標(biāo)數(shù)據(jù)采用改進(jìn)后的標(biāo)準(zhǔn)化法式（1）進(jìn)行平移。規(guī)范化矩陣選取改進(jìn)后的熵權(quán)法形成的標(biāo)準(zhǔn)化決策矩陣，并根據(jù)式（4）計(jì)算相對貼近度（見表2）。以上步驟均依托于MATLAB 2017b進(jìn)行。

相對貼近度是房地產(chǎn)上市公司財(cái)務(wù)風(fēng)險(xiǎn)的量化表現(xiàn)，財(cái)務(wù)風(fēng)險(xiǎn)隨著相對貼近度的降低而增加。相對貼近度的取值范圍在0～1之間，相對貼近度越大，距離正目標(biāo)越近，財(cái)務(wù)風(fēng)險(xiǎn)越小;反之，相對貼近度越小，距離正目標(biāo)越遠(yuǎn)，財(cái)務(wù)風(fēng)險(xiǎn)越大。從總體來看，樣本公司的相對貼近度較小，表明房地產(chǎn)上市公司整體的財(cái)務(wù)風(fēng)險(xiǎn)較大。根據(jù)相對貼近度排名的結(jié)果來看，樣本中廣宇發(fā)展的相對貼近度最大，財(cái)務(wù)風(fēng)險(xiǎn)最小，北辰實(shí)業(yè)的相對貼近度最小，財(cái)務(wù)風(fēng)險(xiǎn)最大。

相對貼近度Ci屬于高優(yōu)指標(biāo)，按從小到大排序，獲得的秩見表2，且Ci的取值在0～1之間與秩和比值（RSR）分布相同，可以進(jìn)行歸檔。計(jì)算頻數(shù)和向下累積概率，通過查“百分率與概率單位換算表”得出相應(yīng)的概率Probit（見表3）;以概率為自變量，相對貼近度為因變量運(yùn)用Excel做回歸，得出回歸方程Ci=-0.2563+0.0635Probit，方差分析結(jié)果顯示F值為57.8332，P<0.05，說明該線性回歸方程具有統(tǒng)計(jì)學(xué)意義。

根據(jù)最佳分檔原理[ 20 ]，參照常用合理分檔數(shù)表，擬將樣本分為四檔。第一個(gè)百分位數(shù)為6.681，概率分界值為3.50;第二個(gè)百分位數(shù)為50，概率分界值為0.50;第三個(gè)百分位數(shù)為93.319，概率分界值為6.50。對房地產(chǎn)上市公司財(cái)務(wù)風(fēng)險(xiǎn)劃分結(jié)果見表4。

從財(cái)務(wù)指標(biāo)來看，幾乎沒有風(fēng)險(xiǎn)的四家企業(yè)中有三家財(cái)務(wù)指標(biāo)中含有負(fù)值，但總體表現(xiàn)并不劣于指標(biāo)均為正的樣本。廣宇發(fā)展雖然經(jīng)營活動(dòng)現(xiàn)金流量負(fù)債比和凈利潤現(xiàn)金凈含量存在負(fù)值但其應(yīng)收賬款周轉(zhuǎn)率兩期均值處于所有樣本數(shù)據(jù)的最高水平，達(dá)到了2 753 797.35次，從財(cái)務(wù)報(bào)表可知該公司不存在1—2年期的應(yīng)收賬款，主營業(yè)務(wù)收入及時(shí)收回，減少了資金短缺風(fēng)險(xiǎn)，或許與企業(yè)的收現(xiàn)政策有關(guān)。皇庭國際擁有較高的營運(yùn)能力和發(fā)展能力，存貨周轉(zhuǎn)率達(dá)到了106.52次，較高的周轉(zhuǎn)率使其免受因存貨積壓而造成的資金回流風(fēng)險(xiǎn)，減少了存貨的管理費(fèi)用，營業(yè)利潤及凈利潤較高的增長又給企業(yè)帶來了足夠的資金，加速企業(yè)成長。華聯(lián)控股的利息保障倍數(shù)居于首位，表明該企業(yè)支付負(fù)債利息的能力最強(qiáng)，且較強(qiáng)的長期償債能力也會(huì)受到債權(quán)人的青睞，容易籌措到資金。中國高科在償債能力、盈利能力與發(fā)展能力方面表現(xiàn)優(yōu)異，使其在其他指標(biāo)平平的情況下處于最優(yōu)等級。

26家企業(yè)具有顯著風(fēng)險(xiǎn)的主要原因在于長期償債能力和營運(yùn)能力較弱。持有較多的長期負(fù)債增加了資本成本，如若不能及時(shí)還本付息將面臨信用風(fēng)險(xiǎn)，增加了籌資難度，進(jìn)一步加大了財(cái)務(wù)風(fēng)險(xiǎn)，可能是企業(yè)盲目擴(kuò)大資產(chǎn)規(guī)模的結(jié)果;而營運(yùn)能力主要涉及周轉(zhuǎn)率問題，存貨較多，產(chǎn)大于銷，造成積壓，或是銷售收入無法及時(shí)收回形成應(yīng)收賬款，增加了資金回收風(fēng)險(xiǎn)和呆賬、爛賬的存在，營運(yùn)能力不佳，長此以往，企業(yè)將無法長期生存。

對于具有高度風(fēng)險(xiǎn)的3個(gè)樣本，云南城投在多數(shù)指標(biāo)為正且表現(xiàn)一般的條件下，只有營業(yè)利潤增長率存在負(fù)值，且是所有樣本數(shù)據(jù)中下降幅度最大的，主要由于2016年該企業(yè)的營業(yè)利潤為-3.3億元，營業(yè)成本遠(yuǎn)大于營業(yè)收入，使?fàn)I業(yè)利潤同比增長率大幅度下滑。西藏城投與北辰實(shí)業(yè)的情況類似，雖然指標(biāo)數(shù)據(jù)中不存在負(fù)值，但多數(shù)指標(biāo)處于樣本數(shù)據(jù)的底端，尤其是現(xiàn)金流指標(biāo)，容易產(chǎn)生資金鏈斷裂的風(fēng)險(xiǎn)。

處于顯著風(fēng)險(xiǎn)水平和高度風(fēng)險(xiǎn)水平的企業(yè)應(yīng)引起外部投資者和內(nèi)部管理人員的高度重視，這些公司應(yīng)當(dāng)積極做好風(fēng)險(xiǎn)防范措施，及時(shí)發(fā)現(xiàn)潛在風(fēng)險(xiǎn)，提高企業(yè)運(yùn)營能力水平，創(chuàng)造良好的企業(yè)發(fā)展環(huán)境。

五、結(jié)論及展望

本文首先以滬深交易所A股上市的60家房地產(chǎn)上市公司為樣本，選取24個(gè)財(cái)務(wù)指標(biāo)，涵蓋償債能力、營運(yùn)能力、盈利能力、發(fā)展能力、現(xiàn)金流量及普通股每股獲利能力，運(yùn)用原始熵權(quán)法對正值指標(biāo)賦權(quán)，運(yùn)用改進(jìn)的熵權(quán)法消除了含負(fù)值指標(biāo)中極端值的影響，在保證有足夠?qū)嵶C樣本的前提下，提高了評價(jià)的客觀性，并根據(jù)相對貼近度進(jìn)行排序。之后，運(yùn)用秩和比法將樣本財(cái)務(wù)風(fēng)險(xiǎn)劃分為四檔，從分檔結(jié)果來看多數(shù)房地產(chǎn)上市公司具有較高的財(cái)務(wù)風(fēng)險(xiǎn)。最后，從總體到個(gè)體對樣本公司的財(cái)務(wù)風(fēng)險(xiǎn)及其產(chǎn)生原因做出綜合評價(jià)。

熵權(quán)法與TOPSIS的結(jié)合運(yùn)用避免了極端值對樣本個(gè)數(shù)的影響，增加了后者賦權(quán)的客觀性，并且秩和比法的加入解決了TOPSIS法無法進(jìn)行分檔排序的缺陷。實(shí)證分析表明，EW-TOPSIS-RSR模型使三種方法相互補(bǔ)充，不僅操作簡單，有較強(qiáng)的適用性，而且得出的結(jié)果與實(shí)際相符，能夠客觀有效地評價(jià)房地產(chǎn)上市公司的財(cái)務(wù)風(fēng)險(xiǎn)。

風(fēng)險(xiǎn)的形成并不是一蹴而就的，往往存在潛伏期，本文選取2016—2017年的樣本數(shù)據(jù)，涵蓋范圍較小，后續(xù)的研究應(yīng)當(dāng)擴(kuò)大財(cái)務(wù)報(bào)表數(shù)據(jù)的采集跨度，進(jìn)一步優(yōu)化該房地產(chǎn)上市公司財(cái)務(wù)風(fēng)險(xiǎn)評價(jià)體系。

【參考文獻(xiàn)】

[1] KAKLAUSKAS A，KELPSIENE L， ZAVADSKAS E K，et al. Crisis management in construction and real estate：conceptual modeling at the micro-，meso- and macro-levels[J].Land Use Policy，2011，28（1）：280-293.

[2] VALVERDE R. A business intelligence system for risk management in the real estate industry[J].International Journal of Computer Applications，2011，27（2）：14-22.

[3] 孟志青，虞曉芬，蔣敏，等.基于動(dòng)態(tài)CVaR模型的房地產(chǎn)組合投資的風(fēng)險(xiǎn)度量與控制策略[J].系統(tǒng)工程理論與實(shí)踐，2007，27（9）：69-76.

[4] 劉晨暉，陳長石.我國房地產(chǎn)去泡沫化風(fēng)險(xiǎn)及其應(yīng)對[J].經(jīng)濟(jì)學(xué)家，2015（11）：35-42.

[5] BEAVER W H. Financial ratios as predictors of failure[J]. Journal of Accounting Research，1966（4）：71-111.

[6] ALTMAN ? ?E ? ?I，HALDEMAN ? ?R ? ?G，NARAYANAN P. ZETATM analysis a new model to identify bankruptcy risk of corporations[J].Journal of Banking & Finance，1977，1（1）：29-54.

[7] OHLSON J A. Financial ratios and the probabilistic prediction of bankruptcy[J]. Journal of Accounting Research，1980，18（1）：109-131.

[8] 張堯庭.連接函數(shù)（copula）技術(shù)與金融風(fēng)險(xiǎn)分析[J]. 統(tǒng)計(jì)研究，2002，19（4）：48-51.

[9] 王升.房地產(chǎn)定價(jià)與公司財(cái)務(wù)風(fēng)險(xiǎn)度量研究[J].華南農(nóng)業(yè)大學(xué)學(xué)報(bào)，2008，7（3）：49-56.

[10] 楊軍芳.房地產(chǎn)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)實(shí)證分析及測度[J].財(cái)會(huì)通訊，2011（36）：57-59.

[11] 嚴(yán)碧紅，馬廣奇.基于Z-Score模型的我國房地產(chǎn)業(yè)上市公司財(cái)務(wù)風(fēng)險(xiǎn)的實(shí)證分析[J].財(cái)務(wù)與金融，2011（5）：37-41.

[12] 周梅妍.房地產(chǎn)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警系統(tǒng)研究[J].統(tǒng)計(jì)與決策，2012（15）：50-52.

[13] 李素紅，陳立文.基于因子分析法的房地產(chǎn)上市公司財(cái)務(wù)風(fēng)險(xiǎn)評價(jià)[J].河北工業(yè)大學(xué)學(xué)報(bào)，2011，40（6）：101-106.

[14] 程言美，程杰.我國房地產(chǎn)上市公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的建立與應(yīng)用[J].武漢理工大學(xué)學(xué)報(bào)，2013，35（6）：151-156.

[15] 王曉燕.引入在險(xiǎn)價(jià)值的中小型房地產(chǎn)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)監(jiān)控研究[J].商業(yè)研究，2017（8）：109-115.

[16] 孫利娟，邢小軍，周德群.熵值賦權(quán)法的改進(jìn)[J].統(tǒng)計(jì)與決策，2010（21）：153-154.

[17] 林同智，唐國強(qiáng)，羅盛鋒，等.基于改進(jìn)熵值賦權(quán)法和TOPSIS模型的綜合評價(jià)應(yīng)用[J].桂林理工大學(xué)學(xué)報(bào)，2015，35（3）：622-627.

[18] CHAKRABORTY S， YEH C H. A simulation comparison of normalization procedures for TOPSIS[C]. International Conference on Computers & Industrial Engineering. France：IEEE， 2009：1815-1820.

[19] 邱玉婷，李濟(jì)沅，鄧旭，等.基于改進(jìn)TOPSIS-RSR法的電能質(zhì)量綜合評價(jià)[J].高壓電器，2018，54（1）：44-50.

[20] 田鳳調(diào).RSR法中的分檔問題[J].中國衛(wèi)生統(tǒng)計(jì)，1993，10（2）：26-28.