伍 威

(廣州華南商貿(mào)職業(yè)學(xué)院，廣東 廣州 510000)

企業(yè)是我國(guó)社會(huì)經(jīng)濟(jì)發(fā)展的基礎(chǔ),而企業(yè)的財(cái)務(wù)問(wèn)題是企業(yè)發(fā)展需要解決的核心問(wèn)題之一。我國(guó)針對(duì)企業(yè)信息化財(cái)務(wù)危機(jī)預(yù)警的研究較少且研究技術(shù)不夠成熟,目前應(yīng)用的財(cái)務(wù)危機(jī)預(yù)警模型不僅預(yù)測(cè)速度慢且準(zhǔn)確率較低,不能滿足企業(yè)的發(fā)展需求。針對(duì)目前常用的集中財(cái)務(wù)危機(jī)預(yù)警模型,宋宇等(2019)提出的基于Cox回歸的企業(yè)信息化財(cái)務(wù)危機(jī)預(yù)警模型,通過(guò)半?yún)?shù)模型對(duì)不同生存時(shí)間的評(píng)價(jià)因子進(jìn)行多因素分析,能夠有效利用截尾數(shù)據(jù)預(yù)測(cè)財(cái)務(wù)危機(jī)，但由于在運(yùn)算過(guò)程中忽略了影響因子的分布和特征,降低了模型的財(cái)務(wù)危機(jī)識(shí)別能力,導(dǎo)致預(yù)測(cè)準(zhǔn)確度較低；楊貴軍等(2019)提出的基于Benford-Logistic的企業(yè)信息化財(cái)務(wù)預(yù)警模型與基于Cox回歸的模型有相似之處,不同點(diǎn)在于該模型應(yīng)用廣義線性論改變因變量,對(duì)數(shù)據(jù)進(jìn)行連續(xù)的多重線性回歸,但由于缺少數(shù)據(jù)挖掘,預(yù)測(cè)精度不夠理想；侯旭華(2019)提出的基于模糊綜合評(píng)價(jià)法的財(cái)務(wù)危機(jī)預(yù)警模型,利用層次分析法將影響企業(yè)財(cái)務(wù)狀況的多種因素分層處理,系統(tǒng)性較強(qiáng),但由于需進(jìn)行指標(biāo)權(quán)重分配和評(píng)議,模型運(yùn)行時(shí)間較長(zhǎng),降低了預(yù)測(cè)效率。綜合上述幾種財(cái)務(wù)預(yù)警模型的弊端,本文提出一種基于風(fēng)險(xiǎn)識(shí)別的企業(yè)信息化財(cái)務(wù)危機(jī)預(yù)警模型,在對(duì)企業(yè)信息化財(cái)務(wù)進(jìn)行風(fēng)險(xiǎn)識(shí)別的基礎(chǔ)上,結(jié)合主成分分析法和雙子支持向量機(jī)分析法構(gòu)建PCA-SVW組合財(cái)務(wù)危機(jī)預(yù)警模型,結(jié)合財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)指標(biāo)制定財(cái)務(wù)危機(jī)預(yù)警指標(biāo),實(shí)現(xiàn)高精度、高效率的財(cái)務(wù)預(yù)警,經(jīng)過(guò)對(duì)比實(shí)驗(yàn)驗(yàn)證,本文提出的模型的實(shí)際應(yīng)用性能高于目前常用的幾種模型的性能,具有較高的應(yīng)用價(jià)值。

一、企業(yè)信息化財(cái)務(wù)風(fēng)險(xiǎn)識(shí)別

根據(jù)海量的財(cái)務(wù)數(shù)據(jù),分析企業(yè)信息化財(cái)務(wù)風(fēng)險(xiǎn)的特征,參考多種指標(biāo)對(duì)企業(yè)信息化財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行分類(lèi),結(jié)果如圖1所示。

(一)企業(yè)信息化財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)指標(biāo)的確定

確定企業(yè)信息化財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)指標(biāo)便于梳理企業(yè)多種信息化財(cái)務(wù)狀況,形成條理清晰、側(cè)重點(diǎn)明確的財(cái)務(wù)指標(biāo)關(guān)系網(wǎng)絡(luò)。通常情況下,依據(jù)有效的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)指標(biāo)可以更加準(zhǔn)確全面地了解企業(yè)的整體財(cái)務(wù)運(yùn)營(yíng)情況,在很大程度上給予企業(yè)管理者更加科學(xué)合理的參考性決策意見(jiàn)，在專業(yè)程度上可進(jìn)一步展現(xiàn)企業(yè)的各項(xiàng)財(cái)務(wù)狀況,明確影響財(cái)務(wù)狀況的關(guān)聯(lián)因素。

圖1 企業(yè)信息化財(cái)務(wù)風(fēng)險(xiǎn)分類(lèi)

根據(jù)企業(yè)信息化財(cái)務(wù)風(fēng)險(xiǎn)的類(lèi)型,結(jié)合數(shù)據(jù)資料,本文確定的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)指標(biāo)在滿足全面性原則、概括性原則、敏感性原則、先驗(yàn)性原則以及可度量可操作性原則等五大指標(biāo)篩選原則的前提下,包含13項(xiàng)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)指標(biāo),如表1所示。

表1 企業(yè)信息化財(cái)務(wù)風(fēng)險(xiǎn)識(shí)別

由于篩選的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)指標(biāo)之間存在線性相關(guān)性、非線性相關(guān)性等多重關(guān)系問(wèn)題,內(nèi)容重復(fù)的指標(biāo)無(wú)法準(zhǔn)確評(píng)估企業(yè)財(cái)務(wù)的真實(shí)狀況,為驗(yàn)證本文確定的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)指標(biāo)的有效性,將初步篩選的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)指標(biāo)生成初始備選財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)指標(biāo)集,利用K-S正態(tài)分布檢驗(yàn)方法驗(yàn)證各財(cái)務(wù)指標(biāo)是否滿足正態(tài)分布,依據(jù)均值比較獨(dú)立指標(biāo)檢驗(yàn)結(jié)果和非參數(shù)檢驗(yàn)K-W檢驗(yàn)結(jié)果,生成存在顯著性差異的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)指標(biāo)集,考慮指標(biāo)間的關(guān)聯(lián)性,引用多重共線檢驗(yàn)因子分析進(jìn)行指標(biāo)檢驗(yàn),篩選滿足企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)需求的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)指標(biāo),生成有效財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)指標(biāo)集。企業(yè)備選財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)指標(biāo)的檢驗(yàn)和分析流程如圖2所示。經(jīng)過(guò)上述檢驗(yàn),本文提出的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)指標(biāo)均滿足標(biāo)準(zhǔn),具有一定的可靠性和實(shí)用性。

圖2 企業(yè)備選財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)指標(biāo)的檢驗(yàn)和分析流程

(二)企業(yè)信息化財(cái)務(wù)風(fēng)險(xiǎn)的特征提取

企業(yè)信息化財(cái)務(wù)風(fēng)險(xiǎn)由多種要素構(gòu)成,依據(jù)風(fēng)險(xiǎn)類(lèi)型、風(fēng)險(xiǎn)識(shí)別需求以及財(cái)務(wù)統(tǒng)計(jì)習(xí)慣,將財(cái)務(wù)風(fēng)險(xiǎn)的組成要素分為多層,在多層風(fēng)險(xiǎn)因素相互影響的情況下,進(jìn)行企業(yè)信息化財(cái)務(wù)風(fēng)險(xiǎn)的特征提取,當(dāng)采集的數(shù)據(jù)樣本包含風(fēng)險(xiǎn)特征時(shí),可初步判斷所屬風(fēng)險(xiǎn)類(lèi)型,便于企業(yè)信息化財(cái)務(wù)風(fēng)險(xiǎn)的識(shí)別。

考慮風(fēng)險(xiǎn)特征之間的信息冗余問(wèn)題,為實(shí)現(xiàn)數(shù)量少且有效度高的特征提取,針對(duì)數(shù)據(jù)樣本中的不相關(guān)特征和冗余特征進(jìn)行首要剔除,利用信息值I對(duì)定性特征的重要性進(jìn)行衡量。信息值I的計(jì)算方式如下:

(1)

其中,ni1表示該特征變量第i個(gè)屬性對(duì)應(yīng)的正常財(cái)務(wù)類(lèi)型;n1表示樣本中總的正常財(cái)務(wù)類(lèi)型數(shù)量;ni2表示該特征變量第i個(gè)屬性對(duì)應(yīng)的風(fēng)險(xiǎn)財(cái)務(wù)類(lèi)型;n2表示樣本中總的風(fēng)險(xiǎn)財(cái)務(wù)類(lèi)型數(shù)量。當(dāng)I>0.5時(shí),說(shuō)明該特征具有良好的預(yù)測(cè)能力,可以被采用;當(dāng)0.1

針對(duì)定量特征提取,采用相關(guān)性分析方法,引入皮爾遜相關(guān)系數(shù)進(jìn)行定量特征選擇。皮爾遜相關(guān)系數(shù)的定義式如下:

(2)

除以上兩種特征提取方法外,遞歸消減方法也是進(jìn)行特征提取的有效方法之一,即通過(guò)構(gòu)建邏輯回歸模型多次訓(xùn)練樣本數(shù)據(jù),逐步減少特征數(shù)量,對(duì)比預(yù)選特征預(yù)測(cè)誤差的顯著性,篩選預(yù)測(cè)力較好的特征,產(chǎn)生特征集。

結(jié)合上述風(fēng)險(xiǎn)預(yù)測(cè)指標(biāo),深入挖掘企業(yè)的信息化財(cái)務(wù)數(shù)據(jù),當(dāng)提取的關(guān)鍵數(shù)據(jù)具有已知財(cái)務(wù)風(fēng)險(xiǎn)的特征時(shí),可推斷該企業(yè)是否具有財(cái)務(wù)風(fēng)險(xiǎn)和風(fēng)險(xiǎn)類(lèi)型。

二、構(gòu)建基于風(fēng)險(xiǎn)識(shí)別的企業(yè)信息化財(cái)務(wù)危機(jī)預(yù)警模型

(一)數(shù)據(jù)收集

數(shù)據(jù)樣本選取近兩年內(nèi)京滬兩市共60家企業(yè)，優(yōu)先選取數(shù)據(jù)全面、無(wú)偏差的50家上市企業(yè)作為預(yù)選企業(yè)。按照企業(yè)間資產(chǎn)規(guī)模相近原則，在剩下的10家企業(yè)中篩選出8家資產(chǎn)規(guī)模相近的企業(yè)，再在此8家企業(yè)中篩選出2家上市企業(yè)。至此，共收集并選取52家上市企業(yè)財(cái)務(wù)數(shù)據(jù)作為研究的數(shù)據(jù)樣本。

基于風(fēng)險(xiǎn)識(shí)別的企業(yè)信息化財(cái)務(wù)危機(jī)預(yù)警模型的研究,本文將收集的符合標(biāo)準(zhǔn)的數(shù)據(jù)大致分為訓(xùn)練數(shù)據(jù)與測(cè)試數(shù)據(jù)兩種類(lèi)型。針對(duì)預(yù)警模型的訓(xùn)練需求,將訓(xùn)練數(shù)據(jù)與測(cè)試數(shù)據(jù)樣本進(jìn)行比例劃分,規(guī)定收集數(shù)據(jù)中80%左右的數(shù)據(jù)為訓(xùn)練數(shù)據(jù),20%左右的數(shù)據(jù)為測(cè)試數(shù)據(jù)。訓(xùn)練數(shù)據(jù)用于財(cái)務(wù)危機(jī)訓(xùn)練預(yù)警模型,測(cè)試數(shù)據(jù)用于檢驗(yàn)?zāi)Ｐ蛿?shù)據(jù)訓(xùn)練結(jié)果的準(zhǔn)確性。針對(duì)收集數(shù)據(jù)進(jìn)行5次隨機(jī)劃分,通過(guò)數(shù)據(jù)訓(xùn)練獲得相應(yīng)的財(cái)務(wù)危機(jī)預(yù)測(cè)結(jié)果,并分別予以有效測(cè)試。

(二)數(shù)據(jù)的標(biāo)準(zhǔn)化處理

財(cái)務(wù)危機(jī)預(yù)警模型在應(yīng)用前應(yīng)對(duì)數(shù)據(jù)樣本進(jìn)行數(shù)據(jù)的標(biāo)準(zhǔn)化處理,在提升數(shù)據(jù)適應(yīng)性的同時(shí),有利于快速地生成準(zhǔn)確的訓(xùn)練結(jié)果。在上述財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)指標(biāo)和風(fēng)險(xiǎn)特征提取的基礎(chǔ)上,本文構(gòu)建的財(cái)務(wù)預(yù)警模型應(yīng)用的數(shù)據(jù)預(yù)處理方法包含主成分分析法和雙子支持向量機(jī)分析法。

1.主成分分析法。應(yīng)用主成分分析法進(jìn)行數(shù)據(jù)處理的優(yōu)勢(shì)在于能夠降低冗余變量對(duì)模型計(jì)算過(guò)程的影響。主成分分析法主要通過(guò)正交交換手法轉(zhuǎn)換數(shù)據(jù)屬性間重疊的觀察值,以相關(guān)性觀察值為依據(jù)消除數(shù)據(jù)間的關(guān)聯(lián)關(guān)系,提取出具有獨(dú)立特征的新數(shù)據(jù),并確保提取的新數(shù)據(jù)能夠反映全部數(shù)據(jù)的整體特征,我們將提取出的新數(shù)據(jù)稱為數(shù)據(jù)樣本中的主成分。

假設(shè)收集的某一企業(yè)的財(cái)務(wù)數(shù)據(jù)中包含n個(gè)風(fēng)險(xiǎn)特征維度,m行數(shù)據(jù),則構(gòu)建的協(xié)方差矩陣C的大小為m×n,矩陣C的風(fēng)險(xiǎn)特征值始終為實(shí)數(shù),風(fēng)險(xiǎn)特征變量為正交。矩陣C的構(gòu)建公式如下:

(3)

其中,S表示風(fēng)險(xiǎn)特征矩陣;r表示風(fēng)險(xiǎn)特征維度屬性。

對(duì)于風(fēng)險(xiǎn)特征矩陣S,由于無(wú)法完全避免收集數(shù)據(jù)重復(fù),為降低重復(fù)數(shù)據(jù)對(duì)訓(xùn)練數(shù)值的影響,將風(fēng)險(xiǎn)特征矩陣轉(zhuǎn)換到另一個(gè)特征空間,生成新的特征矩陣Z。在特征空間內(nèi),各風(fēng)險(xiǎn)特征向量呈現(xiàn)出正交關(guān)系,即特征值之間的線性相關(guān)性可以直接忽略。特征矩陣Z的轉(zhuǎn)換公式如下:

(4)

若在特征空間中,矩陣S到矩陣Z的轉(zhuǎn)換過(guò)程為:

SU=Z

(5)

其中，U為C的特征向量矩陣,則矩陣Z的特征向量矩陣D的表達(dá)方式為:

(6)

2.雙子支持向量機(jī)分析法。分類(lèi)間隔、對(duì)偶以及核函數(shù)是雙子支持向量機(jī)的三個(gè)基本點(diǎn),作為財(cái)務(wù)危機(jī)預(yù)警模型的核心數(shù)據(jù)處理技術(shù),決定了財(cái)務(wù)危機(jī)預(yù)警模型的結(jié)構(gòu)化風(fēng)險(xiǎn)與特征維度空間的分離性以及適用性等。雙子支持向量機(jī)的應(yīng)用不僅使模型具有了全局最優(yōu)解,還使模型的結(jié)構(gòu)更加清晰明了。針對(duì)收集數(shù)據(jù)的復(fù)雜線性關(guān)系、非線性關(guān)系、數(shù)據(jù)數(shù)量多以及數(shù)據(jù)維數(shù)高等問(wèn)題,具有較好的處理效果。

假設(shè)初始數(shù)據(jù)訓(xùn)練集為:

{(x1,y1),(x2,y2),…，(xn,yn)}

劃分線性超平面,若在線性超平面中存在兩種不同數(shù)據(jù)樣本,以這兩種數(shù)據(jù)樣本確立最優(yōu)分類(lèi)平面,最大化數(shù)據(jù)樣本的分類(lèi)間隔,支持向量即表示為與最優(yōu)分類(lèi)平面存在距離的數(shù)據(jù)樣本點(diǎn),最優(yōu)分類(lèi)平面示意圖如圖3所示。將處于低維空間中的數(shù)據(jù)樣本通過(guò)特征向量轉(zhuǎn)換手段轉(zhuǎn)換到高維空間中,針對(duì)無(wú)法采用線性超平面分離的數(shù)據(jù),通過(guò)特征轉(zhuǎn)化轉(zhuǎn)換到新的分類(lèi)平面中進(jìn)行分類(lèi)。在最優(yōu)分類(lèi)平面中,利用數(shù)據(jù)間對(duì)偶轉(zhuǎn)換實(shí)現(xiàn)最優(yōu)參數(shù)解,獲得相應(yīng)的分類(lèi)結(jié)果,雙子支持向量機(jī)的運(yùn)算形式如下:

(7)

(8)

圖3 最優(yōu)分類(lèi)平面示意圖

(三)企業(yè)信息化財(cái)務(wù)危機(jī)預(yù)警

在企業(yè)信息化財(cái)務(wù)風(fēng)險(xiǎn)識(shí)別的基礎(chǔ)上,綜合主成分分析法和雙子支持向量機(jī)分析法對(duì)預(yù)警財(cái)務(wù)危機(jī)的優(yōu)勢(shì),建立PCA-SVW組合財(cái)務(wù)危機(jī)預(yù)警模型,即主成分分析法和雙子支持向量機(jī)分析法的組合財(cái)務(wù)危機(jī)預(yù)警模型，主要有兩種組合方式。

一是在雙子向量機(jī)模型中嵌入主成分分析法對(duì)原始數(shù)據(jù)進(jìn)行分析,再利用雙子支持向量機(jī)分析法進(jìn)行數(shù)據(jù)分類(lèi)與預(yù)測(cè),得出相應(yīng)的危機(jī)預(yù)警結(jié)果。危機(jī)預(yù)警結(jié)果表示為:

M=SVW(PCA(X))

(9)

二是采用線性組合方式,即單獨(dú)采用主成分分析法提取數(shù)據(jù)主成分,獲取原始數(shù)據(jù)分析結(jié)果M1,再利用雙子支持向量機(jī)分析法對(duì)原始數(shù)據(jù)進(jìn)行預(yù)測(cè),生成預(yù)測(cè)結(jié)果M2,對(duì)生成的兩種結(jié)果進(jìn)行線性組合,輸出組合預(yù)測(cè)結(jié)果M。兩種分析方式的線性組合形式如下:

M=a1M1+a2M2

(10)

其中,a表示分析參數(shù)。

考慮主成分分析法針對(duì)非線性數(shù)據(jù)的降位劣勢(shì),受主觀影響較大,權(quán)重的預(yù)測(cè)結(jié)果缺少客觀性,在復(fù)雜情況下無(wú)法發(fā)揮最大化優(yōu)勢(shì),因此相較于第二種線性組合方式,第一種組合方式更具可靠性和準(zhǔn)確性,因此本文選用第一種組合方式構(gòu)建PCA-SVW組合財(cái)務(wù)危機(jī)預(yù)警模型,并參考上文的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)指標(biāo),制定財(cái)務(wù)危機(jī)預(yù)警指標(biāo),設(shè)定參考預(yù)警值,當(dāng)某一指標(biāo)的真實(shí)值超過(guò)預(yù)警值時(shí),觸發(fā)財(cái)務(wù)危機(jī)預(yù)警機(jī)制,實(shí)現(xiàn)企業(yè)信息化財(cái)務(wù)危機(jī)預(yù)警。財(cái)務(wù)危機(jī)預(yù)警指標(biāo)如表2所示。

表2 財(cái)務(wù)危機(jī)預(yù)警指標(biāo)

(四)預(yù)警模型評(píng)價(jià)

財(cái)務(wù)危機(jī)預(yù)警模型的表達(dá)式確定后,初始化模型參數(shù),將訓(xùn)練數(shù)據(jù)輸入財(cái)務(wù)危機(jī)預(yù)警模型性數(shù)據(jù)訓(xùn)練,生成財(cái)務(wù)危機(jī)預(yù)測(cè)結(jié)果。將危機(jī)預(yù)測(cè)結(jié)果大于0.5的企業(yè)輸出為正類(lèi)(具有財(cái)務(wù)危機(jī)),相應(yīng)預(yù)警機(jī)制,根據(jù)訓(xùn)練數(shù)據(jù)的特征信息,明確財(cái)務(wù)危機(jī)類(lèi)型,進(jìn)行財(cái)務(wù)危機(jī)匯總進(jìn)行信息反饋。反之則輸出為負(fù)類(lèi)(不具有財(cái)務(wù)危機(jī))。結(jié)束危機(jī)預(yù)測(cè)后,將測(cè)試數(shù)據(jù)輸入財(cái)務(wù)危機(jī)預(yù)警模型,對(duì)比預(yù)測(cè)結(jié)果和訓(xùn)練結(jié)果,評(píng)價(jià)財(cái)務(wù)危機(jī)預(yù)警的性能。

為精準(zhǔn)評(píng)價(jià)本文研究的財(cái)務(wù)危機(jī)預(yù)警模型,提升模型評(píng)價(jià)的可靠性,選擇多種評(píng)價(jià)指標(biāo)進(jìn)行模型評(píng)價(jià),選用的評(píng)價(jià)指標(biāo)和具體應(yīng)用介紹如表3所示。

表3 混淆矩陣

在混淆矩陣中,TN表示負(fù)類(lèi)預(yù)測(cè)為負(fù)類(lèi);TP表示正類(lèi)預(yù)測(cè)為負(fù)類(lèi);FN表示正類(lèi)預(yù)測(cè)為負(fù)類(lèi);FP表示負(fù)類(lèi)預(yù)測(cè)為正類(lèi)。

模型的準(zhǔn)確率體現(xiàn)了模型對(duì)企業(yè)信息化危機(jī)預(yù)警的精度,準(zhǔn)確率A的表達(dá)式為:

(11)

在非平衡數(shù)據(jù)集中,由于負(fù)類(lèi)數(shù)據(jù)樣本和正類(lèi)數(shù)據(jù)樣本的比例失衡,可能出現(xiàn)負(fù)類(lèi)數(shù)據(jù)樣本數(shù)量大于正類(lèi)數(shù)據(jù)樣本數(shù)量的情況,僅用準(zhǔn)確率不能全面地評(píng)價(jià)財(cái)務(wù)危機(jī)預(yù)警模型的真實(shí)性能,可能導(dǎo)致評(píng)價(jià)結(jié)果失真。因此引入精確率進(jìn)一步體現(xiàn)模型識(shí)別正類(lèi)數(shù)據(jù)樣本的準(zhǔn)確度,在數(shù)據(jù)訓(xùn)練中,精確率在數(shù)值上表示正類(lèi)樣本數(shù)量與總樣本數(shù)量的比值,精確率的計(jì)算公式為:

(12)

召回率體現(xiàn)了實(shí)際正類(lèi)數(shù)據(jù)樣本中,被財(cái)務(wù)危機(jī)預(yù)警模型預(yù)測(cè)為正類(lèi)的概率,在某種程度上,可以展現(xiàn)模型對(duì)正類(lèi)數(shù)據(jù)樣本識(shí)別的敏感程度,召回率R的表達(dá)式為:

(13)

F1值以評(píng)價(jià)對(duì)象的精確率和召回率作為參考變量計(jì)算調(diào)和平均值,F1的表達(dá)式為:

(14)

通過(guò)以上4個(gè)評(píng)價(jià)指標(biāo)對(duì)財(cái)務(wù)危機(jī)預(yù)警模型進(jìn)行評(píng)價(jià),得到的評(píng)價(jià)結(jié)果為優(yōu)秀,有力地驗(yàn)證了該模型的綜合性能。

三、實(shí)例仿真

為進(jìn)一步驗(yàn)證本文研究的基于風(fēng)險(xiǎn)識(shí)別的企業(yè)信息化財(cái)務(wù)危機(jī)預(yù)警模型的實(shí)際應(yīng)用性能,采用Matlb設(shè)計(jì)對(duì)比實(shí)驗(yàn),在相同的實(shí)驗(yàn)環(huán)境中選擇本文研究的財(cái)務(wù)危機(jī)預(yù)警模型和傳統(tǒng)基于Cox回歸的企業(yè)信息化財(cái)務(wù)危機(jī)預(yù)警模型以及基于模糊綜合評(píng)價(jià)法的企業(yè)信息化財(cái)務(wù)危機(jī)預(yù)警模型為實(shí)驗(yàn)對(duì)象,對(duì)比三種模型的實(shí)際應(yīng)用性能。

從數(shù)據(jù)收集的真實(shí)性和可獲得性出發(fā),本實(shí)驗(yàn)采用的數(shù)據(jù)樣本來(lái)源于WIND庫(kù)以及上市企業(yè)的年報(bào)財(cái)務(wù)信息。為保證數(shù)據(jù)樣本的多樣性,對(duì)不同主營(yíng)業(yè)務(wù)的企業(yè)進(jìn)行隨機(jī)挑選,且為驗(yàn)證本文研究模型對(duì)不同規(guī)模企業(yè)的適應(yīng)程度,最終選取24家小型企業(yè)和26家中型企業(yè)，并且隨機(jī)選取其中40家企業(yè)的財(cái)務(wù)數(shù)據(jù)作為模型訓(xùn)練數(shù)據(jù),其余10家企業(yè)的財(cái)務(wù)數(shù)據(jù)作為模型測(cè)試數(shù)據(jù)。

針對(duì)相同的數(shù)據(jù)樣本,三種模型的運(yùn)行結(jié)果如圖4所示。從圖4中可以看出,基于Cox回歸的預(yù)警模型由于在訓(xùn)練過(guò)程中沒(méi)有對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行深層次的數(shù)據(jù)分析,不能對(duì)數(shù)據(jù)樣本中包含的所有財(cái)務(wù)危機(jī)進(jìn)行準(zhǔn)確分類(lèi)和預(yù)警?；谀：C合評(píng)價(jià)法的預(yù)警模型的分類(lèi)效果較為優(yōu)秀,能夠識(shí)別差異性較為明顯的財(cái)務(wù)危機(jī)類(lèi)別,但針對(duì)差異性不明顯的財(cái)務(wù)危機(jī)分類(lèi)效果最差。經(jīng)過(guò)對(duì)比,本文研究的基于風(fēng)險(xiǎn)識(shí)別的預(yù)警模型在主成分分析的基礎(chǔ)上,利用雙子支持向量機(jī)分析法遍歷數(shù)據(jù)樣本尋找出最優(yōu)懲罰參數(shù)和核函數(shù),通過(guò)構(gòu)建最優(yōu)分類(lèi)平面進(jìn)行數(shù)據(jù)分類(lèi),提升了多樣性數(shù)據(jù)分類(lèi)的精度,進(jìn)而提升了預(yù)測(cè)準(zhǔn)確率。

基本cox回歸的企業(yè)信息化財(cái)務(wù)危機(jī)預(yù)警模型的運(yùn)行結(jié)果

基本模糊綜合評(píng)價(jià)法的企業(yè)信息化財(cái)務(wù)危機(jī)預(yù)警模型的運(yùn)行結(jié)果

基于風(fēng)險(xiǎn)識(shí)別的企業(yè)信息化財(cái)務(wù)危機(jī)預(yù)警模型的運(yùn)行結(jié)果圖4 三種財(cái)務(wù)危機(jī)預(yù)警模型的運(yùn)行結(jié)果對(duì)比

為使上述運(yùn)行結(jié)果更具說(shuō)服力,輸入測(cè)試數(shù)據(jù)進(jìn)行驗(yàn)證,統(tǒng)計(jì)實(shí)驗(yàn)結(jié)果,計(jì)算三種模型的準(zhǔn)確率、精確率、召回率以及F1值等,得到以下統(tǒng)計(jì)結(jié)果，如表4所示。

表4 模型綜合評(píng)定結(jié)果

根據(jù)表4的統(tǒng)計(jì)結(jié)果可以看出,對(duì)比三種模型對(duì)于企業(yè)信息化財(cái)務(wù)危機(jī)預(yù)測(cè)的準(zhǔn)確率和精確率,進(jìn)一步驗(yàn)證了本文研究的基于風(fēng)險(xiǎn)識(shí)別的預(yù)警模型的準(zhǔn)確率和精確率明顯高于其他兩種預(yù)警模型。對(duì)比召回率和F1值可知,本文研究的模型針對(duì)財(cái)務(wù)危機(jī)敏感度更高,原因在于風(fēng)險(xiǎn)識(shí)別方法相較于其他兩種方法更能準(zhǔn)確挖掘數(shù)據(jù)間的聯(lián)系,識(shí)別敏銳度更強(qiáng)。對(duì)比運(yùn)行時(shí)間可知,本文研究的基于風(fēng)險(xiǎn)識(shí)別的預(yù)警模型由于采用主成分分析法和雙子支持向量機(jī)分析法,在參數(shù)尋優(yōu)方面更具優(yōu)勢(shì),可以簡(jiǎn)化繁雜的計(jì)算步驟,從而達(dá)到提升模型預(yù)測(cè)效率的目的。

四、結(jié)語(yǔ)

綜上所述,本文研究的基于風(fēng)險(xiǎn)識(shí)別的企業(yè)信息化財(cái)務(wù)危機(jī)預(yù)警模型對(duì)于多因素影響的財(cái)務(wù)危機(jī)預(yù)警具有更高的效率、準(zhǔn)確率以及敏感度。隨著企業(yè)信息化財(cái)務(wù)建設(shè)逐漸取得顯著成效,借鑒多種財(cái)務(wù)風(fēng)險(xiǎn)識(shí)別的經(jīng)驗(yàn),進(jìn)一步完善企業(yè)信息化財(cái)務(wù)危機(jī)預(yù)警模型的體系建設(shè),在減少企業(yè)財(cái)務(wù)工作量的同時(shí),降低企業(yè)信息化財(cái)務(wù)危機(jī)的預(yù)測(cè)難度,有利于企業(yè)選擇適合未來(lái)發(fā)展的方向,從而促進(jìn)我國(guó)經(jīng)濟(jì)的進(jìn)一步發(fā)展。