李詩軒，陳 燁，石文萱，楊達(dá)森

(1.武漢理工大學(xué) 安全科學(xué)與應(yīng)急管理學(xué)院，湖北 武漢 430070；2.華中師范大學(xué) 信息管理學(xué)院，湖北 武漢 430079；3.武漢大學(xué) 信息管理學(xué)院，湖北 武漢 430072；4.中國人民大學(xué) 信息資源管理學(xué)院，北京 100872)

上市公司財(cái)務(wù)危機(jī)預(yù)警是經(jīng)濟(jì)金融領(lǐng)域長期關(guān)注的研究問題之一。當(dāng)上市公司陷入財(cái)務(wù)危機(jī)時(shí)，會(huì)影響其正常的生產(chǎn)和經(jīng)營活動(dòng)，導(dǎo)致公司經(jīng)濟(jì)利益受損，嚴(yán)重時(shí)會(huì)對地區(qū)及國家的經(jīng)濟(jì)安全造成危害[1]。因此，開展財(cái)務(wù)危機(jī)預(yù)警研究對企業(yè)風(fēng)險(xiǎn)管理和保障資本市場穩(wěn)定發(fā)展具有重要意義。財(cái)務(wù)危機(jī)預(yù)警是基于歷史的財(cái)務(wù)及非財(cái)務(wù)信息資源，綜合利用統(tǒng)計(jì)模型或人工智能模型對企業(yè)的財(cái)務(wù)狀況進(jìn)行預(yù)測。有效的財(cái)務(wù)危機(jī)預(yù)警可以為相關(guān)利益主體提供早期預(yù)警信息，投資者能夠盡早調(diào)整投資策略，企業(yè)和政府機(jī)關(guān)相關(guān)決策者可以及時(shí)制定補(bǔ)救措施，以減少經(jīng)濟(jì)損失。

目前，已有研究主要集中于財(cái)務(wù)危機(jī)預(yù)警指標(biāo)體系構(gòu)建和財(cái)務(wù)危機(jī)預(yù)警模型優(yōu)化兩個(gè)方面。在財(cái)務(wù)危機(jī)預(yù)警指標(biāo)體系構(gòu)建方面，現(xiàn)有研究大多是基于企業(yè)財(cái)務(wù)報(bào)表數(shù)據(jù)、股票交易等定量數(shù)據(jù)來實(shí)現(xiàn)財(cái)務(wù)危機(jī)預(yù)警[2]，而對大量定性的文本信息資源的利用仍不夠充分，例如年報(bào)、財(cái)經(jīng)新聞和相關(guān)社交媒體評論。在財(cái)務(wù)危機(jī)預(yù)警模型優(yōu)化方面，早期研究集中于利用數(shù)理統(tǒng)計(jì)模型實(shí)現(xiàn)財(cái)務(wù)危機(jī)預(yù)警，隨著人工智能等技術(shù)的發(fā)展，機(jī)器學(xué)習(xí)模型被廣泛應(yīng)用于這一研究主題[3]。但是，這類模型大多為黑箱模型，可解釋性十分有限，故這類模型的現(xiàn)實(shí)適用性相對不足。因此，筆者以財(cái)務(wù)數(shù)據(jù)與非財(cái)務(wù)信息資源為基礎(chǔ)，構(gòu)建基于定量和定性信息的財(cái)務(wù)危機(jī)預(yù)警模型，以此為指導(dǎo)進(jìn)一步構(gòu)建上市公司財(cái)務(wù)危機(jī)預(yù)警本體知識庫，利用知識推理實(shí)現(xiàn)可解釋較強(qiáng)的財(cái)務(wù)危機(jī)預(yù)警。

1 文獻(xiàn)綜述

1.1 財(cái)務(wù)危機(jī)預(yù)警指標(biāo)

財(cái)務(wù)危機(jī)預(yù)警指標(biāo)的選擇直接影響著財(cái)務(wù)危機(jī)預(yù)警效果。ZHOU等[4]指出早期研究主要利用財(cái)務(wù)報(bào)表中的定量信息進(jìn)行財(cái)務(wù)危機(jī)預(yù)警，財(cái)務(wù)指標(biāo)涉及公司的償債能力、盈利能力、財(cái)務(wù)結(jié)構(gòu)、營運(yùn)能力、發(fā)展能力等方面的信息，能夠刻畫公司的財(cái)務(wù)狀況。但是，隨著對財(cái)務(wù)危機(jī)預(yù)警研究的深入，HAJEK等[5]發(fā)現(xiàn)財(cái)務(wù)指標(biāo)中蘊(yùn)含的信息并不能完整地展示公司經(jīng)營狀況的全貌。因此，為了提升財(cái)務(wù)危機(jī)預(yù)警模型的效果，JIANG等[6-7]嘗試將更多能夠體現(xiàn)公司經(jīng)營狀況的信息引入財(cái)務(wù)危機(jī)預(yù)警研究，包括董事會(huì)特征、高管持股比例、董事高管責(zé)任保險(xiǎn)、內(nèi)部治理結(jié)構(gòu)等方面的信息，研究表明上述多源信息可以在一定程度上彌補(bǔ)財(cái)務(wù)指標(biāo)的不足，提升財(cái)務(wù)危機(jī)預(yù)警的準(zhǔn)確率。

此外，上市公司年報(bào)、財(cái)經(jīng)新聞、股吧評論等定性文本信息也能在一定程度上描述公司的經(jīng)營運(yùn)行狀況及未來發(fā)展趨勢。HAJEK等[8]將金融文本應(yīng)用于財(cái)務(wù)欺詐識別研究；WANG等[9]將文本信息資源引入財(cái)務(wù)危機(jī)預(yù)警研究，利用情感分析方法揭示金融文本在語義層次上的特征，并將情感分析結(jié)果引入財(cái)務(wù)危機(jī)預(yù)警指標(biāo)體系，作為補(bǔ)充信息輔助財(cái)務(wù)危機(jī)預(yù)警。LOUGHRAN等[10]首次面向金融領(lǐng)域文本，構(gòu)建了金融情感詞典(L&M)，該詞典在美國上市公司年報(bào)文本分析中發(fā)揮了重要的作用。因此，充分利用非財(cái)務(wù)信息資源作為財(cái)務(wù)指標(biāo)的輔助信息進(jìn)行財(cái)務(wù)危機(jī)預(yù)警是該研究主題的重要發(fā)展方向，筆者將公司管理和文本指標(biāo)引入財(cái)務(wù)危機(jī)預(yù)警研究，擴(kuò)充財(cái)務(wù)危機(jī)預(yù)警指標(biāo)體系，以期輔助傳統(tǒng)的結(jié)構(gòu)化財(cái)務(wù)指標(biāo)實(shí)現(xiàn)更高效率的財(cái)務(wù)危機(jī)預(yù)警。

1.2 財(cái)務(wù)危機(jī)預(yù)警模型

財(cái)務(wù)危機(jī)預(yù)警模型可以分為兩大類：統(tǒng)計(jì)模型和人工智能模型。統(tǒng)計(jì)模型是早期財(cái)務(wù)危機(jī)預(yù)警研究中使用較多的一類模型，主要包括單變量分析模型、多元判別模型、回歸分析、因子分析等，此類模型在財(cái)務(wù)危機(jī)預(yù)警研究中發(fā)揮了重要作用。但是統(tǒng)計(jì)模型大多對數(shù)據(jù)的分布有嚴(yán)格的要求，需要數(shù)據(jù)符合正態(tài)分布、滿足線性假設(shè)等，因此模型的適用性有限。相較于統(tǒng)計(jì)模型，人工智能模型對數(shù)據(jù)的分布沒有嚴(yán)格要求，此類模型近年來被廣泛應(yīng)用于財(cái)務(wù)危機(jī)預(yù)警研究，主要包括支持向量機(jī)、遺傳算法、決策樹、粗糙集理論等。

人工智能模型的應(yīng)用豐富了財(cái)務(wù)危機(jī)預(yù)警理論，提升了財(cái)務(wù)危機(jī)預(yù)警研究的準(zhǔn)確率。但人工智能模型多為黑箱模型，模型的可解釋性十分有限，相關(guān)利益主體只能得到單一的預(yù)測結(jié)果，難以進(jìn)一步了解是何種因素影響企業(yè)發(fā)生財(cái)務(wù)危機(jī)，進(jìn)而導(dǎo)致模型的現(xiàn)實(shí)適用性受到制約。唐曉波等[11]首次提出利用本體知識庫構(gòu)建可解釋性較強(qiáng)的企業(yè)破產(chǎn)預(yù)警模型，進(jìn)而能夠從預(yù)警結(jié)果中抽取出能輔助企業(yè)破產(chǎn)預(yù)警的新的領(lǐng)域知識，這是豐富企業(yè)危機(jī)理論的重要方向之一。為了提升基于機(jī)器學(xué)習(xí)的財(cái)務(wù)危機(jī)預(yù)警模型的可解釋性，筆者將本體知識庫的構(gòu)建及推理模型引入財(cái)務(wù)危機(jī)預(yù)警研究中，以期能夠?qū)崿F(xiàn)可解釋的財(cái)務(wù)危機(jī)預(yù)警，更易于向相關(guān)利益主體提供財(cái)務(wù)危機(jī)預(yù)警信息。

2 研究模型

將構(gòu)建本體知識庫的方法(包括構(gòu)建領(lǐng)域本體和規(guī)則庫)引入財(cái)務(wù)危機(jī)預(yù)警指標(biāo)體系的構(gòu)建過程中，將知識推理的方法用于財(cái)務(wù)危機(jī)預(yù)警推理。具體而言，構(gòu)建包含知識獲取層、知識處理層和知識應(yīng)用層的上市公司財(cái)務(wù)危機(jī)預(yù)警模型。其中，知識獲取層是整個(gè)財(cái)務(wù)危機(jī)預(yù)警模型的基礎(chǔ)，獲取各類信息資源是知識獲取層的主要任務(wù)；知識處理層是財(cái)務(wù)危機(jī)預(yù)警模型的核心部分，構(gòu)建數(shù)據(jù)庫、實(shí)例填充、規(guī)則抽取、構(gòu)建財(cái)務(wù)危機(jī)預(yù)警本體是知識處理層的主要任務(wù)；知識應(yīng)用層是基于財(cái)務(wù)危機(jī)預(yù)警本體和相關(guān)規(guī)則構(gòu)建財(cái)務(wù)危機(jī)預(yù)警本體知識庫，利用推理機(jī)進(jìn)行知識推理，實(shí)現(xiàn)上市公司財(cái)務(wù)危機(jī)預(yù)警。

2.1 知識獲取層

知識獲取層為上市公司財(cái)務(wù)危機(jī)預(yù)警模型提供信息資源，包括從歷史文獻(xiàn)中獲取的財(cái)務(wù)危機(jī)預(yù)警領(lǐng)域知識，從財(cái)務(wù)報(bào)表、上市公司年報(bào)等信息源中獲取相關(guān)知識資源。具體而言，可以從財(cái)務(wù)報(bào)表中獲取能夠描述上市公司盈利能力、償債能力、經(jīng)營能力、發(fā)展能力等方面的定量數(shù)據(jù)；從上市公司年報(bào)和相關(guān)公告中獲取能夠描述上市公司董事會(huì)結(jié)構(gòu)、股權(quán)特征、內(nèi)部控制情況、審計(jì)師意見等反映上市公司管理情況的定量數(shù)據(jù)；從定性的上市公司年報(bào)文本中提取年報(bào)文本字?jǐn)?shù)、積極詞匯數(shù)、消極詞匯數(shù)、年報(bào)情感值等文本特征。將預(yù)處理后的財(cái)務(wù)數(shù)據(jù)、管理數(shù)據(jù)和文本數(shù)據(jù)存入對應(yīng)的數(shù)據(jù)庫，輔助知識處理層中上市公司財(cái)務(wù)危機(jī)預(yù)警本體庫及規(guī)則庫的構(gòu)建。

2.2 知識處理層

知識處理層是上市公司財(cái)務(wù)危機(jī)預(yù)警模型的核心環(huán)節(jié)，該層主要包含兩個(gè)子任務(wù)：①上市公司財(cái)務(wù)危機(jī)預(yù)警本體構(gòu)建。領(lǐng)域本體是對特定領(lǐng)域知識概念化的規(guī)范說明，明確闡述了該領(lǐng)域的概念及概念間的關(guān)系，提供了一種形式化且機(jī)器可讀的知識組織方式[12]。常見的本體構(gòu)建方法包括評價(jià)法、骨架法、Methontology方法和七步法，其中七步法主要用于領(lǐng)域本體的構(gòu)建[13]，故筆者參照七步法構(gòu)建上市公司財(cái)務(wù)危機(jī)預(yù)警本體。②上市公司財(cái)務(wù)危機(jī)預(yù)警規(guī)則生成。為了從財(cái)務(wù)數(shù)據(jù)、管理數(shù)據(jù)和上市公司年報(bào)文本數(shù)據(jù)中發(fā)現(xiàn)財(cái)務(wù)危機(jī)預(yù)警的IF-THEN規(guī)則，筆者利用CART決策樹實(shí)現(xiàn)IF-THEN規(guī)則的抽取，再將IF-THEN規(guī)則轉(zhuǎn)換為SWRL規(guī)則語言，SWRL規(guī)則語言可以與OWL知識庫結(jié)合輔助知識應(yīng)用層的知識推理。

2.3 知識應(yīng)用層

知識應(yīng)用層是對上市公司財(cái)務(wù)狀況進(jìn)行預(yù)測，判別相關(guān)公司是否發(fā)生財(cái)務(wù)危機(jī)，并對預(yù)測結(jié)果進(jìn)行解釋。知識應(yīng)用層基于上市公司財(cái)務(wù)危機(jī)預(yù)警本體和SWRL規(guī)則庫構(gòu)建上市公司財(cái)務(wù)危機(jī)預(yù)警本體知識庫，利用推理引擎對本體知識庫進(jìn)行知識推理，從中獲取隱含的財(cái)務(wù)危機(jī)預(yù)警知識，以實(shí)現(xiàn)上市公司財(cái)務(wù)危機(jī)預(yù)警，并對預(yù)測結(jié)果進(jìn)行分析，能夠?yàn)橄嚓P(guān)利益主體提供早期財(cái)務(wù)危機(jī)預(yù)警信號，輔助其進(jìn)行決策。此外，筆者將文獻(xiàn)[9]中的LR模型和文獻(xiàn)[14]中的SVM模型作為基準(zhǔn)模型，與筆者所構(gòu)建模型的預(yù)測效果進(jìn)行對比，以證明模型的有效性。

綜上，構(gòu)建包含知識獲取層、知識處理層和知識應(yīng)用層的上市公司財(cái)務(wù)危機(jī)預(yù)警模型，如圖1所示。

圖1 上市公司財(cái)務(wù)危機(jī)預(yù)警模型

3 上市公司財(cái)務(wù)危機(jī)預(yù)警信息資源的獲取

上市公司財(cái)務(wù)危機(jī)預(yù)警信息資源的獲取是實(shí)現(xiàn)財(cái)務(wù)危機(jī)預(yù)警的基礎(chǔ)和前提，筆者基于歷史文獻(xiàn)，將廣泛應(yīng)用的定量財(cái)務(wù)指標(biāo)、蘊(yùn)含公司內(nèi)部管理信息的定量知識資源和包含公司發(fā)展?fàn)顩r與趨勢的定性年報(bào)指標(biāo)引入財(cái)務(wù)危機(jī)預(yù)警模型。實(shí)驗(yàn)數(shù)據(jù)均從經(jīng)濟(jì)金融研究數(shù)據(jù)庫(CSMAR)和中國研究數(shù)據(jù)服務(wù)平臺(tái)(CNRDS)獲得。

中國證券監(jiān)督管理委員會(huì)要求當(dāng)上市公司出現(xiàn)財(cái)務(wù)狀況或其他狀況異常時(shí)，證券交易所應(yīng)對其股票交易實(shí)行特別處理(special treatment，ST)。其中異常主要包括兩種情況：上市公司經(jīng)審計(jì)兩個(gè)會(huì)計(jì)年度的凈利潤均為負(fù)值；上市公司最近一個(gè)會(huì)計(jì)年度經(jīng)審計(jì)的每股凈資產(chǎn)低于股票面值?；谥袊善笔袌鰧μ貏e處理的判定標(biāo)準(zhǔn)，許多學(xué)者把ST視為公司發(fā)生財(cái)務(wù)危機(jī)的標(biāo)志。筆者遵循這一原則，選取2014—2018年間A股被首次標(biāo)注ST的212家上市公司作為財(cái)務(wù)危機(jī)樣本，按照1∶1配對的原則，以2018年為基準(zhǔn)，選擇相同行業(yè)和相似資產(chǎn)規(guī)模的212家上市公司作為健康公司樣本。此外，由于利用ST判別前一年和前兩年的數(shù)據(jù)進(jìn)行預(yù)警的現(xiàn)實(shí)意義較小，故收集ST判定年前三、四、五年的財(cái)務(wù)數(shù)據(jù)、管理數(shù)據(jù)、上市公司年報(bào)數(shù)據(jù)進(jìn)行財(cái)務(wù)危機(jī)預(yù)警。

3.1 財(cái)務(wù)指標(biāo)

財(cái)務(wù)指標(biāo)能夠直觀反映企業(yè)的部分經(jīng)營狀況，在財(cái)務(wù)危機(jī)預(yù)警中發(fā)揮了重要作用。參照文獻(xiàn)[9]，從盈利能力、償債能力、比率結(jié)構(gòu)、經(jīng)營能力、發(fā)展能力和每股指標(biāo)6個(gè)方面收集了46個(gè)財(cái)務(wù)指標(biāo)，如表1所示。

表1 財(cái)務(wù)指標(biāo)

續(xù)表1

3.2 公司管理指標(biāo)

上市公司的內(nèi)部治理結(jié)構(gòu)在一定程度上也會(huì)對公司的運(yùn)營狀況產(chǎn)生影響[15]，參照文獻(xiàn)[5]和文獻(xiàn)[6]，從董事會(huì)結(jié)構(gòu)、股權(quán)結(jié)構(gòu)、內(nèi)部控制信息和審計(jì)師意見4個(gè)方面收集了13個(gè)公司管理指標(biāo)，如表2所示。

表2 管理指標(biāo)

3.3 文本指標(biāo)

上市公司年報(bào)文本中蘊(yùn)含著公司經(jīng)營狀況及未來發(fā)展趨勢的相關(guān)信息，特別是管理層分析與討論部分，筆者主要基于年報(bào)文本的詞匯數(shù)、句子數(shù)等基本研究本特征和文本情感特征構(gòu)建上市公司財(cái)務(wù)危機(jī)預(yù)警文本指標(biāo)體系，如表3所示。其中，在情感計(jì)算方面，分別應(yīng)用L&M詞典和臺(tái)灣大學(xué)中文情感極性詞典對上市公司年報(bào)進(jìn)行文本分析，這兩種情感詞典均已被應(yīng)用于中國上市公司年報(bào)文本分析[16-17]。

表3 文本指標(biāo)

4 上市公司財(cái)務(wù)危機(jī)預(yù)警的知識處理

在完成上市公司財(cái)務(wù)危機(jī)預(yù)警知識資源獲取的基礎(chǔ)上，對獲取到的知識資源進(jìn)行處理：一是構(gòu)建上市公司財(cái)務(wù)危機(jī)預(yù)警本體，二是利用CART決策樹算法從獲取到的知識資源中抽取出用于財(cái)務(wù)危機(jī)預(yù)警的IF-THEN規(guī)則，并將IF-THEN規(guī)則轉(zhuǎn)換為SWRL規(guī)則以構(gòu)建上市公司財(cái)務(wù)危機(jī)預(yù)警規(guī)則庫。具體而言，從平衡數(shù)據(jù)集424家上市公司中隨機(jī)選擇340家公司(ST公司170家，健康公司170家)作為訓(xùn)練集，進(jìn)行IF-THEN規(guī)則的抽??；其余84家上市公司作為測試集(ST公司42家，健康公司42家)，以實(shí)例的形式存入上市公司財(cái)務(wù)危機(jī)預(yù)警本體，知識應(yīng)用層將利用推理機(jī)對84個(gè)上市公司實(shí)例進(jìn)行知識推理，以實(shí)現(xiàn)上市公司財(cái)務(wù)危機(jī)預(yù)警。

4.1 上市公司財(cái)務(wù)危機(jī)預(yù)警本體構(gòu)建

利用Protégé軟件實(shí)現(xiàn)本體構(gòu)建，在定義類和屬性的基礎(chǔ)上添加實(shí)例，并用Protégé軟件內(nèi)嵌的推理機(jī)進(jìn)行一致性檢測，最終構(gòu)建上市公司財(cái)務(wù)危機(jī)預(yù)警本體。本體中的類描述了領(lǐng)域概念及概念間的關(guān)系，上市公司財(cái)務(wù)危機(jī)預(yù)警本體包括4個(gè)超類，即公司、財(cái)務(wù)指標(biāo)、管理指標(biāo)和文本指標(biāo)。其中，3個(gè)指標(biāo)類的層次結(jié)構(gòu)是參照上述指標(biāo)體系構(gòu)建。

本體中的屬性闡述了類的實(shí)例之間的關(guān)系，包括對象屬性和數(shù)據(jù)屬性。上市公司財(cái)務(wù)危機(jī)預(yù)警本體的主要屬性及其定義域與值域如表4所示。

表4 上市公司財(cái)務(wù)危機(jī)預(yù)警本體的主要屬性

4.2 上市公司財(cái)務(wù)危機(jī)預(yù)警規(guī)則生成

利用CART算法生成決策樹，以此抽取IF-THEN規(guī)則。具體而言，利用Python程序語言的第三方庫Scikit-learn實(shí)現(xiàn)決策樹算法，并利用網(wǎng)絡(luò)搜索算法確定樹的深度與相關(guān)參數(shù)，最終輸出樹型結(jié)構(gòu)，如圖2所示。

圖2 T-3年度數(shù)據(jù)決策樹示例

決策樹的每一個(gè)分支可以轉(zhuǎn)換成一條IF-THEN規(guī)則，共計(jì)15條規(guī)則。如第一條規(guī)則(Rule-1)可表示為：IFNB7<=1 146.5 andMG4 <= 0.202 andYL5 <= -0.122 THEN Health。再根據(jù)SWRL語法將IF-THEN規(guī)則轉(zhuǎn)化成SWRL規(guī)則，進(jìn)而生成SWRL規(guī)則庫。利用Protégé軟件的SWRLTab 插件完成SWRL規(guī)則的添加，則Rule-1可以轉(zhuǎn)化為如下形式：

[rule1]:公司(?x)^NB7(?y)^hasTextualFeature(?x,?y)^hasValue(?y,?v1)^swrlb:lessThanOrEqual(?v1,1 146.5)^MG4(?z)^hasFinancialFeature(?x,?z)^hasValue(?z,?v2)^swrlb:lessThanOrEqual(?v2,0.202)^YL5(?a)^hasFinancialFeature(?x,?a)^hasValue(?a,?v3)^swrlb:lessThanOrEqual(?v3,-0.122)->hasPredictionResultAndReason(?x,"Rule-1: IF NB7<=1 146.5 andMG4<=0.202 andYL5 <=-0.122 THEN Health")

5 上市公司財(cái)務(wù)危機(jī)預(yù)警的知識應(yīng)用

知識應(yīng)用層以半自動(dòng)方式構(gòu)建上市公司財(cái)務(wù)危機(jī)預(yù)警本體知識庫，在此基礎(chǔ)上進(jìn)行知識推理。具體而言，分別對T-3、T-4和T-5年度的數(shù)據(jù)進(jìn)行知識推理，并將包含財(cái)務(wù)指標(biāo)、管理指標(biāo)和文本指標(biāo)的預(yù)測結(jié)果與只利用財(cái)務(wù)指標(biāo)的預(yù)測結(jié)果進(jìn)行對比。各本體知識庫包含的規(guī)則數(shù)如表5所示。

表5 各本體知識庫包含的規(guī)則數(shù)對比

5.1 上市公司財(cái)務(wù)危機(jī)預(yù)警知識推理

利用Protégé軟件自帶的規(guī)則引擎實(shí)現(xiàn)知識推理，規(guī)則引擎能夠?qū)⑹聦?shí)、數(shù)據(jù)和產(chǎn)生式規(guī)則進(jìn)行匹配，最終實(shí)現(xiàn)知識推理。Protégé軟件自帶的規(guī)則引擎Drools的運(yùn)行流程：先將本體知識庫中的OWL本體建模語言和SWRL規(guī)則加載至推理引擎，然后運(yùn)行推理引擎，最后將推理的新知識存入本體知識庫。

5.2 知識推理結(jié)果分析

遵循上述步驟，完成基于T-3、T-4和T-5數(shù)據(jù)集的知識推理，并采用準(zhǔn)確率(Accuracy)、第一類錯(cuò)誤率(TypeIerror)和第二類錯(cuò)誤率(TypeIIerror)對知識推理結(jié)果進(jìn)行評估。

(1)

(2)

(3)

式中：TP為將財(cái)務(wù)危機(jī)企業(yè)正確判定為有財(cái)務(wù)危機(jī)風(fēng)險(xiǎn)的情況；FP為將健康企業(yè)錯(cuò)誤判定為有財(cái)務(wù)危機(jī)風(fēng)險(xiǎn)的情況；TN為將健康企業(yè)正確判定為沒有財(cái)務(wù)危機(jī)風(fēng)險(xiǎn)的情況；FN為將財(cái)務(wù)危機(jī)企業(yè)錯(cuò)誤判定為沒有財(cái)務(wù)危機(jī)風(fēng)險(xiǎn)的情況。不同數(shù)據(jù)集與模型的預(yù)測效果對比如表6所示。

表6 上市公司財(cái)務(wù)危機(jī)預(yù)警模型效果評估 %

在準(zhǔn)確率方面，財(cái)務(wù)+管理+文本指標(biāo)的預(yù)測效果整體優(yōu)于僅依賴于財(cái)務(wù)指標(biāo)的預(yù)測，筆者所提出的知識推理模型的預(yù)測準(zhǔn)確率也整體優(yōu)于LR和SVM模型。其中，知識推理模型在財(cái)務(wù)+管理+文本指標(biāo)下的T-4年度的準(zhǔn)確率最高，達(dá)到89.74%，其次是T-3(88.09%)和T-5(85.71%)；而在僅包含財(cái)務(wù)指標(biāo)的數(shù)據(jù)集中，T-3年度的準(zhǔn)確率最高，達(dá)到85.17%，其次是T-4(84.95%)和T-5(82.57%)。由此可見，包含管理和文本信息的數(shù)據(jù)能夠在更長的時(shí)間區(qū)間上實(shí)現(xiàn)財(cái)務(wù)危機(jī)預(yù)警，而僅包含財(cái)務(wù)信息的數(shù)據(jù)在財(cái)務(wù)危機(jī)預(yù)警上的準(zhǔn)確率隨著年份的增長而衰減。換而言之，管理和文本信息能夠作為財(cái)務(wù)指標(biāo)的輔助信息來支撐更長時(shí)間范圍內(nèi)的財(cái)務(wù)危機(jī)預(yù)警，能夠更早為相關(guān)利益主體提供預(yù)警信號。

在第一類和第二類錯(cuò)誤率方面，與僅依賴財(cái)務(wù)指標(biāo)的預(yù)測效果相比，財(cái)務(wù)+管理+文本指標(biāo)的預(yù)測效果降低了第一類和第二類錯(cuò)誤率，與LR和SVM模型相比，知識推理模型的第一類和第二類錯(cuò)誤率相對較低。其中，各模型在財(cái)務(wù)+管理+文本指標(biāo)組合下能夠取得較低的第二類錯(cuò)誤率，說明在三類指標(biāo)的共同作用下能夠減少將財(cái)務(wù)危機(jī)企業(yè)錯(cuò)誤判定為沒有財(cái)務(wù)危機(jī)風(fēng)險(xiǎn)的概率，而僅依賴財(cái)務(wù)指標(biāo)的第二類錯(cuò)誤率較高。因此，將管理和文本信息作為財(cái)務(wù)指標(biāo)的輔助信息納入財(cái)務(wù)危機(jī)預(yù)警模型能夠有效降低對財(cái)務(wù)危機(jī)企業(yè)的誤判，提升財(cái)務(wù)危機(jī)預(yù)警效果。

6 結(jié)論

(1)構(gòu)建了基于本體知識庫與知識推理的上市公司財(cái)務(wù)危機(jī)預(yù)警模型，彌補(bǔ)了傳統(tǒng)財(cái)務(wù)危機(jī)預(yù)警模型解釋性較差的問題。具體而言，基于領(lǐng)域知識構(gòu)建了上市公司財(cái)務(wù)危機(jī)預(yù)警本體，并從定量和定性的信息資源中抽取出上市公司財(cái)務(wù)危機(jī)預(yù)警規(guī)則知識，實(shí)現(xiàn)上市公司財(cái)務(wù)危機(jī)預(yù)警本體知識庫的半自動(dòng)構(gòu)建，利用推理引擎進(jìn)行知識推理，實(shí)現(xiàn)上市公司財(cái)務(wù)危機(jī)預(yù)警，并對預(yù)測結(jié)果進(jìn)行分析。

(2)利用中國上市公司2014—2018年的ST企業(yè)及健康企業(yè)的數(shù)據(jù)對已構(gòu)建的上市公司財(cái)務(wù)危機(jī)預(yù)警模型進(jìn)行驗(yàn)證，實(shí)現(xiàn)了T-3、T-4和T-5年度的上市公司財(cái)務(wù)危機(jī)預(yù)警知識推理，實(shí)驗(yàn)證明所提出的財(cái)務(wù)危機(jī)預(yù)警模型能夠取得較好的預(yù)測效果，并且能夠顯性揭示影響企業(yè)發(fā)生財(cái)務(wù)危機(jī)的因素，從而輔助相關(guān)利益主體進(jìn)行決策。

(3)將管理特征和文本特征引入財(cái)務(wù)危機(jī)預(yù)警研究，構(gòu)建了包含財(cái)務(wù)、管理和文本特征的上市公司財(cái)務(wù)危機(jī)預(yù)警指標(biāo)體系，實(shí)驗(yàn)結(jié)果表明管理特征和文本特征能夠輔助傳統(tǒng)的財(cái)務(wù)特征實(shí)現(xiàn)更高效率的財(cái)務(wù)危機(jī)預(yù)警。

(4)后續(xù)研究可以進(jìn)一步探索文本特征在財(cái)務(wù)危機(jī)預(yù)警問題中的應(yīng)用：①將更多維度的文本信息資源引入上市公司財(cái)務(wù)危機(jī)預(yù)警模型，如財(cái)經(jīng)新聞、股吧評論等；②著重研究中文金融文本情感分析問題，構(gòu)建中文金融領(lǐng)域情感分析詞典，實(shí)現(xiàn)更準(zhǔn)確的中文金融文本分析。