王 言， 周 紹 妮， 石 凱

(1.北京交通大學(xué) 經(jīng)濟(jì)管理學(xué)院 中國企業(yè)兼并重組研究中心，北京 100044；2.北京郵電大學(xué) 計(jì)算機(jī)學(xué)院，北京 100876)

一、引 言

黨的十八屆三中全會(huì)以來，隨著頂層設(shè)計(jì)方案的出臺(tái)，國有企業(yè)(以下簡稱“國企”)改革逐步駛?cè)肟燔嚨?。通過國有資本和社會(huì)資本的交叉融合[1]，進(jìn)一步推動(dòng)我國國企解決結(jié)構(gòu)不平衡、不協(xié)調(diào)等問題，全面提高國企發(fā)展的質(zhì)量效益，不斷增強(qiáng)國企可持續(xù)發(fā)展能力，提高國企治理效率。并購重組成為國企改革、實(shí)現(xiàn)國企資源優(yōu)化配置的重要手段，推進(jìn)國企并購重組是國企改革的重要一環(huán)[2]。近年來，在國企改革的政策引導(dǎo)下出現(xiàn)了大量國企并購行為，尤其是國有控股上市公司(以下簡稱“國有上市公司”)表現(xiàn)最為明顯。根據(jù)上交所數(shù)據(jù)顯示，2017年滬市國企通過混合所有制改革、專業(yè)化重組以及資產(chǎn)證券化等方式，大力推動(dòng)企業(yè)資源整合，重組價(jià)值超過5 400億元，重大重組價(jià)值接近2 000億元；深交所數(shù)據(jù)顯示，2017年深市主板完成的重大資產(chǎn)重組公司有46%重組前為國有控股，重組價(jià)值達(dá)2 281.57億元[3]。然而經(jīng)過近幾年的實(shí)踐發(fā)現(xiàn)，國企在如此大規(guī)模并購交易背景下，很多企業(yè)超出自身能力范圍盲目進(jìn)行并購而導(dǎo)致并購效果不佳，未能充分發(fā)揮并購協(xié)同作用[4]。如鞍鋼2010年兼并攀鋼后，2015年陷入數(shù)十億元的巨虧。由此看來，研究國有上市公司并購風(fēng)險(xiǎn)預(yù)警可以對(duì)風(fēng)險(xiǎn)早防范、早發(fā)現(xiàn)、早干預(yù)，對(duì)提高國企并購成功率具有十分重要的理論和現(xiàn)實(shí)意義。

二、文獻(xiàn)綜述

明確影響國有上市公司并購風(fēng)險(xiǎn)的關(guān)鍵因素是進(jìn)行并購風(fēng)險(xiǎn)預(yù)警的重要前提?，F(xiàn)有文獻(xiàn)對(duì)并購風(fēng)險(xiǎn)主要從并購業(yè)績角度衡量，對(duì)于并購績效的影響因素分別從理論和實(shí)證兩方面進(jìn)行研究。在理論方面，國內(nèi)外學(xué)者研究較早，Jensen和Meckling從代理理論出發(fā)認(rèn)為，管理者為了追求自身利益而發(fā)動(dòng)并購，這主要是由于管理者和所有者的利益沖突所致，管理者為了分散個(gè)人風(fēng)險(xiǎn)往往會(huì)通過多元化并購的方式實(shí)現(xiàn)，但基于此目的并購績效仍需商榷[5]305。邱金輝和王紅昕按照并購動(dòng)機(jī)、并購行為、并購績效的邏輯順序，探索并購理論在我國的發(fā)展和研究方向，對(duì)于非國有企業(yè)，并購是一種逐利行為，而對(duì)于國有或國有控股企業(yè)來講，還反映了政府意志，政府制定了許多財(cái)政、稅收優(yōu)惠政策鼓勵(lì)并購[6]7。在實(shí)證方面，國外學(xué)者Bruton等發(fā)現(xiàn)，在財(cái)務(wù)困境時(shí)候并購，并購經(jīng)驗(yàn)對(duì)績效的感知測量是正效應(yīng)[7]972；Shahwan發(fā)現(xiàn)，并購商譽(yù)與上市公司市場價(jià)值之間顯著正相關(guān)[8]63；Wangerin發(fā)現(xiàn)，隨著并購盡職調(diào)查的減少不利于并購績效的提升[9]；Thompson和Kim發(fā)現(xiàn)，并購花費(fèi)時(shí)間較長與并購績效呈顯著負(fù)相關(guān)[10]。國內(nèi)學(xué)者李善民等發(fā)現(xiàn)，支付對(duì)價(jià)是影響并購績效的主要因素[11]60；陳芳和景世民研究了資產(chǎn)結(jié)構(gòu)包括應(yīng)收賬款、資產(chǎn)周轉(zhuǎn)率、流動(dòng)比率與并購績效的關(guān)系[12]117；翟進(jìn)步等發(fā)現(xiàn)，債務(wù)融資降低了收購公司的市場績效[13]100；郭妍和張立光通過實(shí)證得出，成長性、盈利能力是銀行并購績效的重要影響因素[14]42；黃旭和李衛(wèi)民研究認(rèn)為，員工薪酬越高，企業(yè)并購績效越好[15]113；余鵬翼和王滿四發(fā)現(xiàn)，第一大股東持股比例越高，越有利于提高企業(yè)跨國并購績效[16]64；周紹妮等證明了交易型機(jī)構(gòu)投資者股東可以提高國企并購績效[17]73；王艷和李善民發(fā)現(xiàn)，主并方社會(huì)信任度越高，越有利于提高并購價(jià)值創(chuàng)造能力[18]125；宋賀和段軍山研究認(rèn)為，并購財(cái)務(wù)顧問會(huì)降低并購績效[19]155。

現(xiàn)有文獻(xiàn)已經(jīng)應(yīng)用大量預(yù)警模型來對(duì)風(fēng)險(xiǎn)進(jìn)行預(yù)警，分布于自然、日常生活以及經(jīng)濟(jì)等各個(gè)領(lǐng)域，尤其是財(cái)務(wù)金融方面尤為突出。在自然領(lǐng)域，Yuceer等通過采集土耳其耶斯里爾馬克河(Yesilirmak)流域?qū)嵉赜^測數(shù)據(jù)，利用RSDS水質(zhì)模型對(duì)流域水質(zhì)污染問題進(jìn)行了預(yù)測[20]；李楊帆等基于風(fēng)險(xiǎn)受體敏感性、城市不透水面變化率等指標(biāo)構(gòu)建了景觀生態(tài)風(fēng)險(xiǎn)空間預(yù)警模型，提出了改進(jìn)措施[21]。在日常生活及應(yīng)用方面，李祥飛和閻耀軍利用支持向量機(jī)模型實(shí)現(xiàn)了對(duì)公共危機(jī)事件危害范圍的預(yù)警[22]；馮文剛和黃靜基于民航、公安數(shù)據(jù)庫和三層深度神經(jīng)網(wǎng)絡(luò)構(gòu)建出旅客安檢和航班預(yù)警模型對(duì)機(jī)場安全檢查進(jìn)行分級(jí)分類安檢，極大地提升了工作效率和用戶體驗(yàn)[23]；Zhong等基于機(jī)場道路表面紋理的分形特征和胎面膠的粘彈性，建立了以摩擦系數(shù)為評(píng)價(jià)標(biāo)準(zhǔn)的機(jī)場路面防滑風(fēng)險(xiǎn)動(dòng)態(tài)評(píng)價(jià)預(yù)警模型[24]。在財(cái)務(wù)金融方面，Li和Wang將Logistic財(cái)務(wù)預(yù)警模型應(yīng)用到DEA效率評(píng)價(jià)中[25]；王玉冬結(jié)合PSO-BP和FOA-BP神經(jīng)網(wǎng)絡(luò)模型原理，選取高新技術(shù)企業(yè)財(cái)務(wù)數(shù)據(jù)，對(duì)高新企業(yè)財(cái)務(wù)危機(jī)進(jìn)行了有效預(yù)警[26]；Louzis和Vouldis通過構(gòu)建金融系統(tǒng)性壓力指數(shù)(FSSI)對(duì)金融危機(jī)進(jìn)行預(yù)警[27]；谷慎和汪淑娟構(gòu)建了支持向量機(jī)的碳金融風(fēng)險(xiǎn)預(yù)警模型[28]；Mancino和Sanfelici基于給定市場沖擊的傳播衰減率計(jì)算金融不穩(wěn)定性預(yù)警指標(biāo)，利用CEV模型并使用S&P500指數(shù)期貨逐筆數(shù)據(jù)對(duì)指標(biāo)的屬性進(jìn)行研究[29]。

綜上所述，現(xiàn)有文獻(xiàn)利用人工智能算法進(jìn)行了諸多分類與預(yù)測研究。但是，還沒有針對(duì)并購重組問題引入人工智能預(yù)測模型，并購重組研究依然停留在傳統(tǒng)的實(shí)證計(jì)量方法，并且傳統(tǒng)的實(shí)證方法只能研究關(guān)系型問題，而對(duì)預(yù)測問題卻不適用。人工智能算法功能十分強(qiáng)大，這將為傳統(tǒng)計(jì)量方法不能解決的預(yù)測問題提供基礎(chǔ)。人工智能算法包含機(jī)器學(xué)習(xí)和深度學(xué)習(xí)，深度學(xué)習(xí)適合擁有海量數(shù)據(jù)的研究，本文研究內(nèi)容為并購問題，數(shù)據(jù)量較少，遂選用機(jī)器學(xué)習(xí)算法更為適宜?；谏鲜鰞?nèi)容，建立了國有上市公司并購風(fēng)險(xiǎn)指標(biāo)評(píng)價(jià)體系，基于XGBoost算法構(gòu)建國有上市公司并購風(fēng)險(xiǎn)預(yù)警模型，將預(yù)警結(jié)果與經(jīng)典機(jī)器學(xué)習(xí)模型GBDT(梯度提升決策樹)、RF(隨機(jī)森林)和傳統(tǒng)Logistic(邏輯回歸)模型作對(duì)比實(shí)驗(yàn)，顯示出其精度上的優(yōu)越性，并運(yùn)用多元線性回歸模型對(duì)影響因素實(shí)證檢驗(yàn)。

三、XGBoost算法和設(shè)計(jì)

1.CART回歸樹

XGBoost算法是基于CART回歸樹模型實(shí)現(xiàn)的。CART的回歸樹是二叉樹模型，其會(huì)根據(jù)特征不斷分裂左子樹和右子樹，式(1)中R代表樣本，j代表樣本特征，s代表特征值，即第j個(gè)特征中小于s特征值的樣本為左子樹，大于s特征值的樣本為右子樹。

(1)

所以CART回歸樹就是基于樣本特征劃分樣本空間，那么如何使空間的劃分最為合理是必須要解決的問題，既是難點(diǎn)也是重點(diǎn)，這直接決定了模型的精度。CART回歸樹產(chǎn)生的目標(biāo)函數(shù)如式(2)所示：

(2)

如果想得到最優(yōu)的切分特征j和切分點(diǎn)s，可以將式(2)轉(zhuǎn)化為求解式(3)這種目標(biāo)函數(shù)：

(3)

這時(shí)只要求解所有特征的所有切分點(diǎn)，就可以找到最優(yōu)切分特征和切分點(diǎn)，得到一棵整體回歸樹。

2.XGBoost算法思想和原理

(1)XGBoost算法思想

XGBoost算法是Chen和Guestrin提出的一種集成學(xué)習(xí)模型，借助了CART回歸樹的思想，又有所改進(jìn)[30]。算法的核心思想是不斷地添加樹，新添加的樹會(huì)根據(jù)特征分裂再生長一棵樹，添加樹的過程就是學(xué)習(xí)新函數(shù)的過程。根據(jù)樣本特征將每棵樹落到對(duì)應(yīng)的葉子節(jié)點(diǎn)上，將每個(gè)葉子節(jié)點(diǎn)上的分?jǐn)?shù)相加就能得到預(yù)測值。

(4)

WhereF={f(x)=ωq(x)}(q:Rm→T,ω∈RT)

(5)

注：ωq(x)為葉子節(jié)點(diǎn)q的分?jǐn)?shù)，f(x)為其中一棵回歸樹，T表示葉子結(jié)點(diǎn)個(gè)數(shù)。

(2)XGBoost算法原理

XGBoost目標(biāo)函數(shù)定義為：

(6)

目標(biāo)函數(shù)包括真實(shí)預(yù)測偏差和正則化項(xiàng)兩個(gè)部分。其中，由于新樹需要擬合上次預(yù)測偏差，所以當(dāng)t棵樹生成以后預(yù)測分?jǐn)?shù)可以寫成：

(7)

因此，目標(biāo)函數(shù)就變?yōu)椋?/p>

(8)

根據(jù)式(3)找到使目標(biāo)函數(shù)最小化的ft，XG Boost利用其在ft=0處的泰勒二階展開近似它，得到：

(9)

其中，gi為一階導(dǎo)數(shù)，hi為二階導(dǎo)數(shù)：

(10)

由于目標(biāo)函數(shù)優(yōu)化不受y的殘差與預(yù)測分?jǐn)?shù)影響，故簡化目標(biāo)函數(shù)為：

(11)

上式是將每個(gè)樣本的損失函數(shù)值加起來，由于最終每個(gè)樣本都會(huì)落到一個(gè)葉子結(jié)點(diǎn)，可以將同一個(gè)葉子結(jié)點(diǎn)的樣本重組起來，步驟如式(12)所示：

(12)

其中，T表示葉子結(jié)點(diǎn)個(gè)數(shù)，ω表示葉子節(jié)點(diǎn)分?jǐn)?shù)，γ表示可以控制葉子結(jié)點(diǎn)個(gè)數(shù)，λ表示可以控制葉子節(jié)點(diǎn)分?jǐn)?shù)，防止過擬合。這樣就將目標(biāo)函數(shù)改寫成關(guān)于葉子結(jié)點(diǎn)分?jǐn)?shù)ω的一個(gè)一元二次函數(shù)，結(jié)合頂點(diǎn)公式最優(yōu)的葉子節(jié)點(diǎn)分?jǐn)?shù)ω和目標(biāo)函數(shù)公式為：

(13)

(14)

最后，運(yùn)用貪婪算法確定樹的結(jié)構(gòu)，找出所有特征的分裂點(diǎn)，利用式(14)目標(biāo)函數(shù)值作為評(píng)價(jià)函數(shù)。分裂后目標(biāo)函數(shù)值比葉子節(jié)點(diǎn)的目標(biāo)函數(shù)值增益，但為了限制樹生長過深而增加了閾值，只有當(dāng)增益大于該閾值才進(jìn)行分裂。同時(shí)，還可以設(shè)置樹的最大深度、樣本權(quán)重等來防止過擬合。

四、國有上市公司并購風(fēng)險(xiǎn)界定和影響因素

1.國有上市公司并購風(fēng)險(xiǎn)的界定

根據(jù)上述文獻(xiàn)研究成果，并購?fù)瓿珊蟮目冃菄猩鲜泄静①彸晒εc否的主要衡量標(biāo)準(zhǔn)，也是并購風(fēng)險(xiǎn)度量最重要的指標(biāo)。結(jié)合本文研究內(nèi)容采用周紹妮等[17]71衡量并購績效的方法，即并購?fù)瓿汕昂笠荒陜糍Y產(chǎn)收益率的差額。如果并購后企業(yè)績效提高，則為安全并購；如果并購后企業(yè)績效降低，則說明并購風(fēng)險(xiǎn)較大。

2.影響并購風(fēng)險(xiǎn)的關(guān)鍵因素

通過前述文獻(xiàn)分析，本文總結(jié)包括企業(yè)資產(chǎn)結(jié)構(gòu)風(fēng)險(xiǎn)、創(chuàng)利能力風(fēng)險(xiǎn)、價(jià)值再造風(fēng)險(xiǎn)、法人治理風(fēng)險(xiǎn)、外部監(jiān)督風(fēng)險(xiǎn)以及并購特征風(fēng)險(xiǎn)共同作用的19個(gè)可能影響國有上市公司并購風(fēng)險(xiǎn)的指標(biāo)，具體如表1所示。

表1 國有上市公司并購風(fēng)險(xiǎn)指標(biāo)評(píng)價(jià)體系

五、樣本和變量的選取與分析

1.數(shù)據(jù)選取、處理及分析

(1)并購事件

本文基于同花順iFinD數(shù)據(jù)庫，選取滬深A(yù)股國有上市公司2014～2017年并購事件為研究樣本，并購收購標(biāo)的為股權(quán)，剔除資產(chǎn)剝離、資產(chǎn)置換、資產(chǎn)收購、債務(wù)重估以及吸收合并等廣義并購形式。經(jīng)過數(shù)據(jù)篩選和處理最終得到1 806條并購樣本。具體篩選和處理步驟為：①首次公告日實(shí)際控制人為國務(wù)院國資委、地方國資委或其他具有政府機(jī)構(gòu)性質(zhì)的行政機(jī)關(guān)、事業(yè)單位、國有企業(yè)等研究對(duì)象，不包括國有股東為第一大股東但無實(shí)際控制人的上市公司的并購交易[17]70；②上市公司為收購方的樣本；③剔除并購交易未完成或已經(jīng)終止的樣本，以及并購交易正在進(jìn)行中的樣本；④剔除金融類企業(yè)；⑤剔除上市年份不足以及被特別處理(ST)的樣本；⑥剔除其他關(guān)鍵研究數(shù)據(jù)不全或缺失的樣本。

(2)指標(biāo)數(shù)據(jù)搜集

現(xiàn)有文獻(xiàn)對(duì)影響國有上市公司并購風(fēng)險(xiǎn)指標(biāo)進(jìn)行了大量規(guī)范性研究，但是，很多治理、監(jiān)督指標(biāo)數(shù)據(jù)都不能直接從數(shù)據(jù)庫獲得，這些指標(biāo)獲取難度大且可能會(huì)對(duì)國有上市公司并購風(fēng)險(xiǎn)預(yù)警產(chǎn)生很大影響。所以，本文首先選用同花順iFinD數(shù)據(jù)庫提取部分直接可獲得數(shù)據(jù)，然后基于扎根理論(Grounded Theory)[31]的原理和方法，利用文本挖掘(Textual Mining)[32]和網(wǎng)絡(luò)爬蟲(Web Crawler)[33]技術(shù)，通過列出指標(biāo)關(guān)鍵詞，使用python和正則法則進(jìn)行匹配，抓取了上市公司一手不易獲得的數(shù)據(jù)。詳細(xì)操作過程如圖1所示。其中，運(yùn)用扎根理論是通過挖掘大量經(jīng)驗(yàn)資料，總結(jié)并升華到理論的過程；文本挖掘是從海量的文本庫中抽取隱含的、未知的、有價(jià)值數(shù)據(jù)的技術(shù)；網(wǎng)絡(luò)爬蟲是通過模擬人訪問網(wǎng)絡(luò)，從而獲取圖片、數(shù)據(jù)等有用信息的過程；正則法則是對(duì)字符串操作的一種邏輯公式，用以匹配相應(yīng)關(guān)鍵詞。此外，在進(jìn)行數(shù)據(jù)抓取前，還需制作指標(biāo)抓取具體規(guī)則，即需求文檔，針對(duì)不可直接獲得的3項(xiàng)指標(biāo)數(shù)據(jù)(COO、FB、WHP)的需求文檔如表2所示。

表2 抓取網(wǎng)頁和文本數(shù)據(jù)的需求文檔

圖1 基于扎根理論的文本挖掘和網(wǎng)絡(luò)爬蟲抓取數(shù)據(jù)分析框架與流程

(3)指標(biāo)數(shù)據(jù)處理

①屬性值處理和轉(zhuǎn)化數(shù)值類型。屬性值處理即非數(shù)值屬性的數(shù)值化，經(jīng)過分析發(fā)現(xiàn)非數(shù)值屬性可分為兩種：屬性值之間有趨勢(shì)的文本屬性和屬性值之間無趨勢(shì)的文本屬性。國有上市公司并購風(fēng)險(xiǎn)關(guān)鍵因素的三級(jí)19項(xiàng)指標(biāo)體系中非數(shù)值屬性數(shù)據(jù)都屬于屬性值之間有趨勢(shì)的文本屬性，如是否有首席執(zhí)行官、所聘事務(wù)所是否四大會(huì)計(jì)師事務(wù)所以及是否有扶助貧困行為，采用0和1量化的方法進(jìn)行取值，是則取值為1，反之為0。此外，對(duì)于有些特征，本身不是數(shù)值類型的，這些數(shù)據(jù)是不能被算法直接使用的，所以要將所有的非數(shù)值型數(shù)據(jù)轉(zhuǎn)化成數(shù)值型。

②正向化和連續(xù)數(shù)值歸一化處理。利用XGBoost算法構(gòu)建的預(yù)警模型對(duì)國有上市公司并購風(fēng)險(xiǎn)進(jìn)行預(yù)警之前，若指標(biāo)方向不全是正向化的，或者存在逆向指標(biāo)，則不會(huì)得到有效結(jié)論，故需要將逆向指標(biāo)進(jìn)行正向化處理，方法是將逆向指標(biāo)取倒數(shù)變?yōu)檎蚧笜?biāo)。本文選取的指標(biāo)除應(yīng)收占比、商譽(yù)水平、支付對(duì)價(jià)凈利潤比以及支付對(duì)價(jià)權(quán)益比四個(gè)指標(biāo)外其余均為正向化指標(biāo)，即指標(biāo)數(shù)值越大越好。此外，由于有些屬性的連續(xù)數(shù)值規(guī)模較大，預(yù)警模型對(duì)指標(biāo)的量綱要求較高，對(duì)收斂速度有很大影響，故為了使各項(xiàng)指標(biāo)間具有可比性以及模型的預(yù)測結(jié)果更加精準(zhǔn)，需要對(duì)各項(xiàng)連續(xù)指標(biāo)進(jìn)行歸一化處理。本文利用python軟件按照歸一化公式編程進(jìn)行處理。

2.描述性統(tǒng)計(jì)分析

(1)并購發(fā)生的地域分布

國有上市公司并購樣本中，東部沿海地區(qū)發(fā)生并購次數(shù)最多，東北地區(qū)和中部地區(qū)發(fā)生并購次數(shù)居中；西部地區(qū)除新疆外，發(fā)生并購次數(shù)較少。北京、廣東、上海發(fā)生并購次數(shù)位列前3名，分別為245次、222次、201次，占并購樣本比例分別為13.57%、12.29%、11.13%，總和占比為36.99%，超過全體并購樣本的1/3。由此可見，國有上市公司并購與當(dāng)?shù)亟?jīng)濟(jì)發(fā)展具有高度相關(guān)性。

(2)并購發(fā)生的行業(yè)分布

國有上市公司并購樣本中，制造業(yè)、批發(fā)和零售業(yè)、房地產(chǎn)業(yè)是并購的高發(fā)區(qū)，分別為796次、176次、163次，占并購樣本比例分別為44.08%、9.75%、9.03%，總和占比為62.86%，超過全體樣本的60%。原因是從整個(gè)A股上市公司來看，這些行業(yè)的公司樣本較多。

(3)并購風(fēng)險(xiǎn)指標(biāo)整體描述

對(duì)國有上市公司并購風(fēng)險(xiǎn)全部評(píng)價(jià)指標(biāo)進(jìn)行了描述性統(tǒng)計(jì)分析，表3列出了25% 分位數(shù)、中位數(shù)、75%分位數(shù)、均值、標(biāo)準(zhǔn)差、最小值和最大值。在2014～2017年除金融行業(yè)之外的滬深A(yù)股國有上市公司并購事件中：歷史是否發(fā)生并購指標(biāo)的中位數(shù)為1，均值為0.62，表明國有上市公司較多發(fā)生過并購，具有較強(qiáng)的并購經(jīng)驗(yàn)；支付對(duì)價(jià)凈利潤比均值為2.33，表明較多國有上市公司并購支付價(jià)款高于公司當(dāng)年凈利潤；流動(dòng)比率均值為1.71，中位數(shù)為1.29，說明過半數(shù)國有上市公司流動(dòng)比率低于平均水平；凈利現(xiàn)金含量和收入增長率標(biāo)準(zhǔn)差較大，說明國有上市公司凈利現(xiàn)金含量和收入增長率波動(dòng)大。

表3 并購風(fēng)險(xiǎn)預(yù)警樣本各變量描述性統(tǒng)計(jì)

3.相關(guān)性分析

并購風(fēng)險(xiǎn)預(yù)警變量間可能存在共線性關(guān)系，進(jìn)而干擾預(yù)警精確度。為了使研究結(jié)論更具穩(wěn)健性，本文同時(shí)選用Kaiser-Meyer-Olkin(KMO)統(tǒng)計(jì)量、Bartlett’s球形、Pearson相關(guān)性矩陣以及方差膨脹因子(Variance Inflation Factor，VIF)進(jìn)行相關(guān)性驗(yàn)證：KMO和Bartlett的Sig值為0，小于0.05，但KMO值為0.438，小于0.6，表明變量不太適合因子分析；各變量的VIF值最大值為2.37，均值為1.42；Pearson相關(guān)性矩陣變量之間的相關(guān)系數(shù)都小于0.65。所以，綜上4種方法說明變量間不存在多重共線性的干擾并且變量選取合理。本文所有檢驗(yàn)均通過SPSS 20.0軟件得出。

六、實(shí)驗(yàn)結(jié)果分析

1.類別聚合

為了加強(qiáng)樣本分類方法訓(xùn)練集與測試集的泛化能力，本文驗(yàn)證分類方法的精度使用K折交叉驗(yàn)證法進(jìn)行估計(jì)。Kohavi[34]指出K折交叉驗(yàn)證是將整個(gè)數(shù)據(jù)集分成互斥的K個(gè)子集，每次使用(K-1)個(gè)子集作為訓(xùn)練集，剩余一個(gè)子集作為測試集，這樣總共得到K次訓(xùn)練和測試結(jié)果，K次測試結(jié)果的平均值即為驗(yàn)證分類方法的精度估計(jì)值，如式(15)所示。本文采用五折交叉驗(yàn)證方法，按照4:1比例將樣本大體分為5份，每份約362個(gè)樣本。從5份樣本中逐次抽取4份即1 444個(gè)樣本作為訓(xùn)練集，剩下362個(gè)樣本作為測試集。一部分用來訓(xùn)練分類器，另一部分用來檢驗(yàn)分類器的效果，每個(gè)樣本有19個(gè)屬性和1個(gè)標(biāo)簽，總共訓(xùn)練5次，計(jì)算5次結(jié)果的均值求得模型精度估計(jì)值。

(15)

2.XGBoost算法的主要參數(shù)及說明

XGBoost算法主要包括3種類型的參數(shù)，即通用類型參數(shù)、Booster參數(shù)和目標(biāo)參數(shù)，其中對(duì)算法性能影響較大的是Booster參數(shù)，每類參數(shù)又包括多個(gè)具體的參數(shù)，總共多達(dá)幾十個(gè)。這些參數(shù)的主要作用是提高模型性能和預(yù)測準(zhǔn)確性，所以，參數(shù)的配置和調(diào)整也是十分必要的。本文利用XGBoost算法構(gòu)建國有上市公司并購風(fēng)險(xiǎn)預(yù)警模型，模型的主要參數(shù)及說明如表4所示。

表4 XGBoost算法構(gòu)建預(yù)警模型的主要參數(shù)及說明

3.預(yù)警模型結(jié)果及對(duì)比

(1)混淆矩陣、查準(zhǔn)率、召回率與準(zhǔn)確率

在衡量模型預(yù)測結(jié)果時(shí)，通常采用混淆矩陣對(duì)結(jié)果進(jìn)行區(qū)分，具體如表5所示。在混淆矩陣中，模型分類結(jié)果被分為真正例(TP)、假正例(FP)、真反例(TN)以及假反例(FN)，即積極樣本被分類正確、積極樣本被分類錯(cuò)誤、消極樣本被分類正確以及消極樣本被分類錯(cuò)誤，其中FP與FN分別被稱為第一類錯(cuò)誤與第二類錯(cuò)誤。

表5 預(yù)警模型的混淆矩陣

通過混淆矩陣可以很快速地計(jì)算查準(zhǔn)率(precision)與召回率(recall)、準(zhǔn)確率(accuracy)等指標(biāo)，具體定義如下：

(16)

(17)

(18)

查準(zhǔn)率表示在模型預(yù)測某一預(yù)警區(qū)間樣本中，實(shí)際上也處在這一預(yù)警區(qū)間的樣本所占的比例。召回率表示在實(shí)際某一預(yù)警區(qū)間樣本中，能夠被模型準(zhǔn)確地預(yù)測為這一預(yù)警區(qū)間的樣本所占的比例。準(zhǔn)確率表示所有樣本被正確分類的比例。此外，對(duì)于分類問題，準(zhǔn)確率在作為衡量分類模型性能的指標(biāo)時(shí)具有明顯缺陷，所以，本文采用查準(zhǔn)率與召回率而非準(zhǔn)確率作為衡量模型好壞的標(biāo)準(zhǔn)。

(2)F1 score

在某些情況下，查準(zhǔn)率和召回率也會(huì)相互矛盾，為了綜合評(píng)判模型的預(yù)測能力，可以使用F1score進(jìn)行判定，F(xiàn)1score計(jì)算如式(19)所示，即為查準(zhǔn)率與召回率的乘積除以兩者和的二倍。當(dāng)兩者其一值比較小時(shí)F1score會(huì)急劇下降，是查準(zhǔn)率與召回率的加權(quán)體現(xiàn)。根據(jù)定義，F(xiàn)1score的取值范圍在[0，1]區(qū)間，取值越大，表明模型的預(yù)測能力越強(qiáng)。

(19)

(3)預(yù)警模型結(jié)果比較

為了驗(yàn)證XGBoost算法預(yù)警能力，本文分別采用經(jīng)典機(jī)器學(xué)習(xí)模型GBDT、RF和傳統(tǒng)Logistic模型與XGBoost作對(duì)比實(shí)驗(yàn)。圖2報(bào)告的是4個(gè)模型的查準(zhǔn)率與召回率對(duì)比。召回率表達(dá)的是模型找到數(shù)據(jù)集中相關(guān)實(shí)例的能力，而查準(zhǔn)率表達(dá)的是模型找到的數(shù)據(jù)點(diǎn)中實(shí)際相關(guān)的比例。簡而言之，查準(zhǔn)率高則對(duì)判為正例要求嚴(yán)格，召回率高則對(duì)判為反例的要求嚴(yán)格。XGBoost、GBDT、RF、Logistic查準(zhǔn)率分別為82%、82%、79%、91%，召回率分別為79%、74%、75%、59%。XGBoost查準(zhǔn)率與GBDT一致，比RF高3%，低于Logistic；XGBoost召回率比GBDT高5%，比RF高4%，大幅高于Logistic。由于查準(zhǔn)率與召回率不能明顯看出差距，需要繼續(xù)用F1score進(jìn)行判斷。

圖2 預(yù)測模型的查準(zhǔn)率和召回率對(duì)比

如圖3所示，XGBoost、GBDT、RF、Logistic 4個(gè)模型的F1score分別為80%、76%、76%、69%。XGBoost較Logistic高出11%，比RF和GBDT高出4%，表明基于XGBoost算法構(gòu)建的預(yù)警模型預(yù)測能力最強(qiáng)，其次是RF和GBDT，最后是Logistic 回歸模型，可見XGBoost的優(yōu)勢(shì)比較明顯，基于XGBoost算法分類器對(duì)國有上市公司并購風(fēng)險(xiǎn)預(yù)警問題具有非常好的分類效果。

圖3 預(yù)警模型的F1 Score對(duì)比

(4)指標(biāo)重要性排序

基于XGBoost模型的訓(xùn)練結(jié)果，探討了19個(gè)并購風(fēng)險(xiǎn)預(yù)警指標(biāo)對(duì)預(yù)測模型的相對(duì)重要性。根據(jù)指標(biāo)重要性排序的19個(gè)并購風(fēng)險(xiǎn)預(yù)警指標(biāo)如圖4所示。排名前三位的指標(biāo)分別為投入資本回報(bào)率(權(quán)重系數(shù)0.100)、營業(yè)利潤率(權(quán)重系數(shù)0.082)和支付對(duì)價(jià)凈利潤比(權(quán)重系數(shù)0.075)。與其他影響因素相比，這3項(xiàng)指標(biāo)對(duì)于并購風(fēng)險(xiǎn)預(yù)警模型的區(qū)分能力明顯強(qiáng)于其他指標(biāo)，它們的共同特點(diǎn)是都和企業(yè)利潤相關(guān)，說明企業(yè)自身盈利能力對(duì)于國有上市公司并購風(fēng)險(xiǎn)的預(yù)測更加重要和有效。

圖4 并購風(fēng)險(xiǎn)預(yù)警指標(biāo)的相對(duì)重要性排序

4.影響因素分析

(1)多元線性回歸模型

為了檢驗(yàn)各個(gè)指標(biāo)對(duì)國有上市公司并購風(fēng)險(xiǎn)的影響，構(gòu)建以并購凈資產(chǎn)收益率增長額為被解釋變量，影響因素為解釋變量，且包含其他控制變量的計(jì)量模型，具體如模型(20)。

ΔROEi，t=β0+β1*RSi，t-1+β2*TATi，t-1+β3*GLi，t-1+β4*GRi，t-1+β5*ROICi，t-1+β6*NPi，t-1+β7*OMPi，t-1+β8*IOBPSi，t-1+β9*ECi，t-1+β10*TAi，t-1+β11*WMAOi，t-1+β12*IGRi，t-1+β13*EBi，t-1+β14*COOi，t-1+β15*FBi，t-1+β16*WHPi，t-1+β17*IISi，t-1+β18*PNPRi，t-1+β19*PCi，t-1+∑INDUSTRY+εi，t-1

(20)

其中，i代表企業(yè)，t為時(shí)間；ΔROE為i公司t年并購?fù)瓿傻暮笠荒昱c前一年凈資產(chǎn)收益率的差額；RS至PC表示i公司t-1年末的指標(biāo)狀況，采取滯后一期目的是盡量緩解反向因果可能導(dǎo)致的內(nèi)生性問題；β1～19為變量對(duì)應(yīng)估計(jì)系數(shù)；INDUSTRY為按照2012年最新版中國證監(jiān)會(huì)行業(yè)劃分標(biāo)準(zhǔn)的行業(yè)虛擬變量；β0和ε分別表示常數(shù)項(xiàng)和隨機(jī)誤差項(xiàng)。

(2)模型估計(jì)結(jié)果

本文利用Stata 14.1統(tǒng)計(jì)軟件進(jìn)行多元線性回歸分析，結(jié)果如表6所示。Adj-R2指回歸直線對(duì)觀測值的擬合程度，其值為0.235，表明該模型的擬合效果比較好，模型可信度較高，自變量提供的信息能較好地解釋因變量。由表6得出影響國有上市公司并購風(fēng)險(xiǎn)預(yù)警模型(21)。

表6 多元線性回歸模型估計(jì)結(jié)果

y=0.465GR+8.243IOBPS+94.452TA+0.254PNPR+5.273PC-1.956TAT-1.167ROIC-0.001NP-1.144EB-2.259FB-2.385WHP-0.078IIS-4.997

(21)

(3)結(jié)果分析

通過多元線性回歸檢驗(yàn)，得到以下結(jié)論：

①資產(chǎn)結(jié)構(gòu)風(fēng)險(xiǎn)中總資產(chǎn)周轉(zhuǎn)率(β=-1.956，p<0.01)和投入資本回報(bào)率(β=-1.167，p<0.01)對(duì)國有上市公司并購風(fēng)險(xiǎn)具有十分顯著的抑制作用，即分別每提升一個(gè)單位，并購風(fēng)險(xiǎn)相應(yīng)減少1.956倍和1.167倍。總資產(chǎn)周轉(zhuǎn)率分析評(píng)價(jià)資產(chǎn)使用效率，越高說明企業(yè)銷售能力越強(qiáng)，投入資本回報(bào)率用于衡量投出資金的使用效果，兩項(xiàng)指標(biāo)都能說明公司資產(chǎn)投資的效益好，有利于帶動(dòng)被并購企業(yè)資源，降低并購風(fēng)險(xiǎn)。

②創(chuàng)利能力風(fēng)險(xiǎn)中每股借款利息(β=8.243，p<0.01)和稅收資產(chǎn)(β=94.452，p<0.01)增加了國有上市公司并購風(fēng)險(xiǎn)，即分別每提升一個(gè)單位，并購風(fēng)險(xiǎn)相應(yīng)增加8.243倍和94.452倍。公司付給借款人利息和國家的稅收越多，導(dǎo)致流動(dòng)資金越少，財(cái)務(wù)壓力越大，越不利于并購方安全支付并購款以及并購后的資源合理配置。

③法人治理風(fēng)險(xiǎn)中股權(quán)制衡度(β=-1.144，p<0.05)對(duì)國有上市公司并購風(fēng)險(xiǎn)具有顯著的抑制作用，即每提升一個(gè)單位，并購風(fēng)險(xiǎn)相應(yīng)減少1.144倍。股權(quán)制衡度較高，既能保留股權(quán)相對(duì)集中的優(yōu)勢(shì)，又能有效抑制大股東對(duì)上市公司利益的侵害，減少過度并購行為發(fā)生，從而將國有上市公司并購風(fēng)險(xiǎn)消滅在萌芽之中。

④外部監(jiān)督風(fēng)險(xiǎn)中所聘事務(wù)所為四大會(huì)計(jì)師事務(wù)所(β=-2.259，p<0.05)、具有扶貧行為(β=-2.385，p<0.01)以及機(jī)構(gòu)投資者股東持股比例較高(β=-0.078，p<0.01)對(duì)國有上市公司并購風(fēng)險(xiǎn)具有顯著的抑制作用，即分別每提升一個(gè)單位，并購風(fēng)險(xiǎn)相應(yīng)減少2.259倍、2.385倍、0.078倍。實(shí)證檢驗(yàn)發(fā)現(xiàn)，四大會(huì)計(jì)師事務(wù)所的確具有相對(duì)較高的審計(jì)質(zhì)量和健全的并購咨詢職能；企業(yè)具有扶貧行為，說明企業(yè)社會(huì)責(zé)任較強(qiáng)，社會(huì)認(rèn)可度高，企業(yè)文化氛圍好，容易被并購雙方和其他利益相關(guān)者接受；機(jī)構(gòu)投資者股東對(duì)國企并購具有治理作用[35]。這3項(xiàng)指標(biāo)都可以有效提高國有上市公司并購績效，有力控制和降低并購風(fēng)險(xiǎn)。

⑤并購特征風(fēng)險(xiǎn)中支付對(duì)價(jià)凈利潤比(β=0.254，p<0.01)和支付對(duì)價(jià)權(quán)益比(β=5.273，p<0.01)增加了國有上市公司并購風(fēng)險(xiǎn)，即分別每提升一個(gè)單位，并購風(fēng)險(xiǎn)相應(yīng)增加0.254倍和5.273倍。企業(yè)并購支付金額與并購企業(yè)內(nèi)在價(jià)值時(shí)差額越大，越會(huì)相應(yīng)增加企業(yè)自身的財(cái)務(wù)壓力，然而被并購企業(yè)由于短期內(nèi)無法帶來高速增長，導(dǎo)致并購整體效果不佳，并購風(fēng)險(xiǎn)加大。

七、結(jié)論與建議

1.研究結(jié)論

本文將人工智能算法引入到并購重組領(lǐng)域。選取滬深兩市A股國有上市公司2014～2017年并購事件，旨在通過對(duì)我國國有上市公司并購風(fēng)險(xiǎn)影響因素做出假設(shè)，基于XGBoost算法構(gòu)建國有上市公司并購風(fēng)險(xiǎn)預(yù)警模型進(jìn)行風(fēng)險(xiǎn)預(yù)警，并探究了各影響因素對(duì)并購風(fēng)險(xiǎn)預(yù)警影響的重要程度，運(yùn)用多元線性回歸模型對(duì)影響并購風(fēng)險(xiǎn)的相關(guān)因素進(jìn)行了顯著性分析，得到如下結(jié)論：

第一，將基于XGBoost算法構(gòu)建國有上市公司并購風(fēng)險(xiǎn)預(yù)警模型的預(yù)警結(jié)果與經(jīng)典機(jī)器學(xué)習(xí)模型GBDT、RF和傳統(tǒng) Logistic模型作對(duì)比，XGBoost模型對(duì)并購風(fēng)險(xiǎn)具有最優(yōu)的預(yù)測效果，其次是RF和GBDT，最后是Logistic 回歸模型。

第二，構(gòu)建的國有上市公司并購風(fēng)險(xiǎn)的指標(biāo)體系中的19個(gè)指標(biāo)對(duì)并購風(fēng)險(xiǎn)預(yù)警都具有作用，且發(fā)現(xiàn)從一級(jí)系統(tǒng)體系整體來看，資產(chǎn)結(jié)構(gòu)、創(chuàng)利能力、外部監(jiān)督和并購特征風(fēng)險(xiǎn)對(duì)并購風(fēng)險(xiǎn)預(yù)警較為重要，其中投入資本回報(bào)率、營業(yè)利潤率和支付對(duì)價(jià)凈利潤比3項(xiàng)指標(biāo)對(duì)并購風(fēng)險(xiǎn)預(yù)警最為重要。

第三，資產(chǎn)結(jié)構(gòu)風(fēng)險(xiǎn)中總資產(chǎn)周轉(zhuǎn)率和投入資本回報(bào)率越高、法人治理風(fēng)險(xiǎn)中股權(quán)制衡度越大、外部監(jiān)督風(fēng)險(xiǎn)中所聘事務(wù)所為四大會(huì)計(jì)師事務(wù)所、具有扶貧行為以及機(jī)構(gòu)投資者股東持股比例越高，越有利于降低并購風(fēng)險(xiǎn)；創(chuàng)利能力風(fēng)險(xiǎn)中每股借款利息和稅收資產(chǎn)越高、并購特征風(fēng)險(xiǎn)中支付對(duì)價(jià)凈利潤比和支付對(duì)價(jià)權(quán)益比越大，越會(huì)使得并購風(fēng)險(xiǎn)增加。同時(shí)，是否為四大會(huì)計(jì)師事務(wù)所、是否扶貧兩項(xiàng)指標(biāo)為利用文本挖掘技術(shù)抓取的指標(biāo)，這說明除財(cái)務(wù)、并購特征等容易獲得數(shù)據(jù)的指標(biāo)外，不容易獲取治理和監(jiān)督數(shù)據(jù)同樣會(huì)對(duì)國有上市公司并購風(fēng)險(xiǎn)預(yù)警產(chǎn)生很大影響。

2.啟示及建議

針對(duì)上述研究結(jié)論，國有上市公司可以采取以下具有針對(duì)性的措施有效地控制并購風(fēng)險(xiǎn)：

第一，國有上市公司應(yīng)加強(qiáng)存貨、應(yīng)收賬款等資產(chǎn)管理，減少固定資產(chǎn)、存貨和應(yīng)收賬款，開發(fā)適銷對(duì)路的新產(chǎn)品，提高資產(chǎn)的周轉(zhuǎn)效率；還應(yīng)加大控制成本力度，降低各種費(fèi)用，合理減少投入資本，開拓市場，提高收入，提升投入資本回報(bào)率。

第二，國有上市公司應(yīng)靈活使用財(cái)務(wù)杠桿，并購前期適當(dāng)減少有息負(fù)債，降低每股借款利息；還應(yīng)合理避稅，聘請(qǐng)會(huì)計(jì)、稅務(wù)、法律等相關(guān)專業(yè)技術(shù)人才，進(jìn)行充分的納稅籌劃。

第三，國有上市公司在并購初期盡可能聘請(qǐng)四大會(huì)計(jì)師事務(wù)所進(jìn)行高質(zhì)量審計(jì)和并購咨詢，積極聽取并采納相關(guān)建議；應(yīng)根據(jù)自身行業(yè)特點(diǎn)，多維度積極參與精準(zhǔn)扶貧；應(yīng)積極引進(jìn)機(jī)構(gòu)投資者尤其是戰(zhàn)略機(jī)構(gòu)投資者，與機(jī)構(gòu)投資者股東加強(qiáng)溝通。

第四，國有上市公司應(yīng)嚴(yán)格制定并購資金需求量及支出預(yù)算，在實(shí)施并購前對(duì)并購各環(huán)節(jié)的資金需求量進(jìn)行認(rèn)真核算，并據(jù)此做好資金預(yù)算，從而降低支付對(duì)價(jià)凈利潤比和支付對(duì)價(jià)權(quán)益比。

3.未來展望

在未來研究中，將繼續(xù)尋找影響國有上市公司并購風(fēng)險(xiǎn)的關(guān)鍵因素，對(duì)XGBoost算法參數(shù)和模型融合進(jìn)行優(yōu)化，以進(jìn)一步提高XGBoost算法的分類準(zhǔn)確性和計(jì)算效率，完善并購風(fēng)險(xiǎn)預(yù)警模型及其應(yīng)用?？傊S著國有資本和社會(huì)資本交叉融合的國企改革不斷深入、國企并購重組業(yè)務(wù)的不斷涌現(xiàn)，并購風(fēng)險(xiǎn)也會(huì)不可避免地隨之產(chǎn)生，人工智能算法對(duì)于構(gòu)建并購風(fēng)險(xiǎn)預(yù)警模型并進(jìn)行風(fēng)險(xiǎn)預(yù)警具有重要的應(yīng)用價(jià)值，可以早防范、早發(fā)現(xiàn)、早干預(yù)，從而使國企更有效地開展并購活動(dòng)。