王夢瑤 孫偉琪 陳冰冰 王嘯婷

【摘要】 隨著人工智能時代的到來，大數(shù)據(jù)在企業(yè)財務風險識別發(fā)揮了越來越重要的作用。貝葉斯判別法作為人工智能領(lǐng)域的重要預測方法，較少應用在財務預警分析中。本文以在深圳證券交易所上市的信息技術(shù)行業(yè)200家企業(yè)為研究對象，運用貝葉斯判別法對其進行財務預警分析。

【關(guān)鍵詞】 貝葉斯判別;財務危機;財務預警

【DOI編碼】 10.3969/j.issn.1674-4977.2021.01.018

Abstract： With the advent of artificial intelligence era，big data plays an increasingly important role in enterprise financial risk identification. As an important prediction method in the field of artificial intelligence，Bayesian discriminant method is seldom used in financial early warning analysis. This paper takes 200 information technology enterprises listed in Shenzhen Stock Exchange as the research object，and uses Bayesian discriminant method to analyze their financial early warning.

Key words： bayesian discrimination;financial crisis;financial early warning

現(xiàn)階段我國的財務預警系統(tǒng)存在著許多問題。如何選取合理的財務指標和有效的方式對企業(yè)進行正確的財務預警是值得本文深入探究的問題。本文通過貝葉斯判別分析構(gòu)建財務預警模型，對企業(yè)進行財務預警分析。

1 文獻回顧

國內(nèi)外學者對企業(yè)財務危機預警模型的研究已有七十多年的歷史，產(chǎn)生了大量有效的財務危機預警模型。而運用貝葉斯模型在企業(yè)財務危機預測方面的研究也是取得了一些有效的成果：宋力和李堯（2006）建立了一個易于中小投資者使用判別上市公司財務預警的模型。利用SPSS軟件分別將滿足要求的樣本A和樣本B的財務指標進行獨立樣本的T檢驗，得到了用于分析上市公司財務狀況特征的財務指標體系，選取11項財務指標構(gòu)建了貝葉斯財務預警模型。張樂（2008）則將反應企業(yè)財務狀況的指標體系分為三大公共因子，利用SPSS軟件對確定的三大因子進行貝葉斯判別分析。趙文平等參考了杜邦分析法和專家知識進行貝葉斯網(wǎng)絡結(jié)構(gòu)學習，構(gòu)建了復雜貝葉斯網(wǎng)絡拓撲圖，利用訓練樣本進行參數(shù)學習，選用最大后驗估計法（MAP），求解條件概率表，構(gòu)建了基于貝葉斯網(wǎng)絡的工業(yè)上市公司財務困境預警模型。

由上述學者的研究文獻可見，隨著時間的推移，研究者構(gòu)建財務預警的樣本數(shù)據(jù)越來越豐富和全面，普遍選用了SPSS軟件對大量數(shù)據(jù)進行統(tǒng)計分析。其選取的指標雖各有不同，但基本都是從企業(yè)的償債能力、營運能力、盈利能力和增長能力四個方面各選取指標分析，可以更加準確的體現(xiàn)公司的整體財務狀況。

2 貝葉斯判別法概述

貝葉斯定理：[P（Wi/X）=P（X/Wi）P（Wi）PX/WiP（Wi）]，由貝葉斯定理可知，后驗概率[ PWi]可由類別[Wi]的先驗概率[PWi]和[X]的條件概率密度[ PX/Wi]來計算。其中所謂先驗概率就是根據(jù)以往經(jīng)驗和分析，不考慮其他的統(tǒng)計出來的屬于[ Wi]類的概率;后驗概率是在發(fā)生了事件[X]之后，屬于[Wi]類的概率;條件概率密度[PX/Wi]就是在[Wi]類中發(fā)生事件[X]的概率。

貝葉斯判別法原理是把某特征矢量X落入某類集群的條件概率看作分類判別函數(shù)（概率判別函數(shù)），其中X落入某集群中概率最大的類就是X的類別，這種分類判別規(guī)則就是貝葉斯判別規(guī)則。貝葉斯判別規(guī)則的準則是追求判別的錯分概率及風險最小。貝葉斯最小概率判別的目的是要確定X是屬于W1類還是W2類，要通過X來自W1類的概率P（W1/X）和來自W2的概率P（W2/X）大小比較判斷。即若P（W1/X）>P（W2/X），則X屬于W1類;若P（W1/X）

將最小錯誤概率的貝葉斯判別進行優(yōu)化進而提出條件平均風險[ RjX]。

設(shè)M類分類問題的條件平均風險[RjX]：對于M類問題，如果觀察樣本被判定屬于[ Wj]類，則條件平均風險為[Rj（X）=i=1MLijP（Wi/X）]。

其中，[Lij]稱為將本應屬于[Wi]類的模式判別成屬于[Wj]類的是非代價。有關(guān)[Lij]的取值：若i=j，即判別正確，得分，[Lij]可以取負值或零，表示不失分;若i≠j，即判別錯誤，失分，[Lij]應取正值。根據(jù)貝葉斯定理公式可以將條件平均風險寫成[Rj（X）=i=1MLijP（X/Wi）P（Wi）]，分別計算加入代價后的貝葉斯風險，風險越低，屬于該類的錯誤概率越小。

3 樣本公司選取

3.1 樣本來源

本文所選取的樣本公司均來源于深圳證券交易所的上市公司，作為中國大陸僅有的兩家證券交易所之一，深交所自創(chuàng)建以來一直穩(wěn)步發(fā)展，不斷完善信息披露監(jiān)管，提高上市公司透明度。截至2020年6月19日，在深圳證券交易所上市的公司達到2000家，總市值超過22萬億元。這些上市公司都有披露公司經(jīng)營狀況的義務，所以在深圳證券交易所的官網(wǎng)中可以查到的上市公司各季度、各年度詳細的財務報表，基本都是公司的一手資料，且真實性和可靠性更高且數(shù)據(jù)缺失的情況較少。所以無論是從上市公司數(shù)量還是獲取的樣本數(shù)據(jù)的完整度可靠度上，深圳證券交易所的上市公司數(shù)據(jù)都是非常有利于選取具體公司作為樣本研究的。

3.2 樣本行業(yè)選擇

本文選取深圳證券交易所中的信息技術(shù)行業(yè)的公司作為研究樣本，以便在構(gòu)建財務預警模型時排除不同行業(yè)對模型準確度的影響。深圳作為全國信息技術(shù)人才主要聚集地之一，再加上成熟的資本市場和政府的優(yōu)惠政策，為信息技術(shù)行業(yè)的發(fā)展提供了良好環(huán)境，許多信息技術(shù)行業(yè)的公司都選擇在深圳證券交易所上市，包括很多極具發(fā)展力和競爭力的企業(yè)。因此信息技術(shù)行業(yè)的上市公司在深圳證券交易所的上市公司中所占比例較大，能夠給予本文更大的選擇空間，有利于篩選出更好的研究數(shù)據(jù)。

3.3 樣本數(shù)據(jù)選擇

在比較了深圳證券交易所和上海證券交易所信息技術(shù)行業(yè)的各大上市公司各季度、半年度、年度的財務報表之后，筆者發(fā)現(xiàn)公司的年度財務報表中各項指標數(shù)據(jù)相對季度和半年度來說更加詳細和完整，其反應的公司整體經(jīng)營狀況更加全面準確。本文選擇了同一行業(yè)、同一年度以及總資產(chǎn)規(guī)模差別較小的上市公司財務報表來構(gòu)建財務預警模型，以確定構(gòu)建模型的準確性。

此外由于各大上市公司的財務報表年份越新，信息缺失的可能性越小，綜合以上原因考慮，此次研究選擇2019年的年度財務報表中的數(shù)據(jù)作為研究樣本。

本文最終選取了200家公司的數(shù)據(jù)作為樣本進行研究（均為2019年年度財務報表數(shù)據(jù)）。將選取的200家樣本公司劃分為兩個樣本，即估計樣本A和預測樣本B，在剔除部分異常狀況公司后大致按照4：1的比例選取估計樣本和預測樣本。其中估計樣本A 143家，包括財務正常公司（非ST）118家， 財務危機公司（ST）25家;預測樣本B48家，包括財務正常公司（非ST）40家， 財務危機公司（ST）8家。

3.4 樣本指標選取

根據(jù)指標選定原則中的相關(guān)性、全面性、可比性我們選取了以下10個財務指標：

盈利能力方面：X1資產(chǎn)報酬率、X2每股收益、X3凈資產(chǎn)收益率;營運能力方面：X4總資產(chǎn)周轉(zhuǎn)率、X5資產(chǎn)現(xiàn)金回收率;償債能力方面：X6資產(chǎn)負債率、X7流動比率、X8速動比率;增長能力方面：X9總增產(chǎn)增長率、X10營業(yè)利潤增長率。

4 實例分析

4.1 診斷回歸分析

使用統(tǒng)計軟件SPSS中分析選項卡下的回歸中進行共線性診斷分析，得出的共線性診斷表中，各個指標數(shù)據(jù)表現(xiàn)良好，基本可以認定不存在多重共線性。所有指標容忍度的值均介于0至1之間，多數(shù)指標容忍度大于0.1。而方差膨脹系數(shù)（以下簡稱“VIF”）值除流動比率、速動比率因換算單位不同而產(chǎn)生較大誤差外，其它8個指標的VIF值均小于5。

根據(jù)普遍認同的共線性診斷標準，當自變量的容忍度大于0.1時，VIF值小于10的范圍是可以接受的，表明自變量之間不存在嚴重的多重共線性問題，從而選擇這10個財務指標來預測公司財務狀況是比較合適的。

4.2 實證分析

使用統(tǒng)計軟件SPSS中分析選項下的Discriminan進行貝葉斯判別分析，建立判別函數(shù)時選用全模型法。根據(jù)分類函數(shù)系數(shù)表（表2）得到兩類費希爾（Fisher）線性判別函數(shù)：

財務正常組（非ST）：

Y1=-8.016+0.022X1+0.056X2+0.022X3-0.021X4+0.231X5+0.233X6+4.74X7-3.559X8-0.001X9+0*X10

財務危機組（ST）：

Y2=-9.187+0.019X1+0.828X2+0.02X3+0.394X4+0.299X5+0.23X6+4.002X7-2.876X8-0.001X9+0*X10

將各樣品的自變量值代入上述兩個貝葉斯判別函數(shù)，得到兩個函數(shù)。利用該貝葉斯判別式就可以直接計算預測樣本B屬于各類的得分，得分最高的一類就是該樣本所屬的類別。下面給出錯判矩陣（表3）：

從表中可以得出，剔除9家缺失判別變量的ST公司后，在33家實際被ST的公司中，有20家被正確地預測，13家被錯判，正確率為60.6%;在158家財務正常的公司中，有118家被正確預測，40家被錯判，正確率為74.7%;模型總體預測的正確率為72.3%，說明模型的判別效果比較理想。

5 總結(jié)

本文通過運用現(xiàn)有的網(wǎng)絡資源，整合樣本公司的財務報表、經(jīng)營計劃及其他相關(guān)會計資料，提取出了200家企業(yè)的指標數(shù)據(jù)，成功地運用貝葉斯判別方法構(gòu)建出了財務預警模型。

根據(jù)本文的研究成果可以看出，運用貝葉斯判別法構(gòu)建出的財務預警模型是能夠較為準確的預測出企業(yè)是否發(fā)生財務危機的，這便于企業(yè)對其財務狀況進行及時預警，并對公司的經(jīng)營方向與策略進行針對性的調(diào)整。

【參考文獻】

[1] 馬達.基于貝葉斯的判別理論及其算法實現(xiàn)[D].北京：中國地質(zhì)大學，2011：15-17.

[2] 張華平.常用判別方法的綜合比較[J].統(tǒng)計與決策，2015（22）：77-78.

[3] 張立軍，王瑛，劉菊紅.基于貝葉斯判別分析的上市公司財務危機預警模型研究[J].商業(yè)研究，2009（384）：113-114.

[4] 張樂.基于貝葉斯判別法的上市公司財務預警模型[J].南方金屬，2009（2）：52-54.

【作者簡介】

王夢瑤（1999-），女，南京財經(jīng)大學本科在讀，會計學專業(yè)。

孫偉琪（2000-），女，南京財經(jīng)大學本科在讀，會計學專業(yè)。

陳冰冰（2001-），女，南京財經(jīng)大學本科在讀，會計學專業(yè)。

王嘯婷（2000-），女，南京財經(jīng)大學本科在讀，會計學專業(yè)。