财务状况多分类财务困境预警研究

摘要：在财务预警研究中，通常仅将上市公司划分为困境与非困境企业两类，而二分类预警研究存在一些弊端。为了对公司财务状况进行合理分类，本文运用K均值聚类将上市公司财务状况划分为健康、中等、困境边缘和财务困境4类，然后将聚类结果作为样本标签，分别使用2016年～2018的数据构建Softmax回归模型，进行财务预警。最终，基于Softmax回归的多分类预警模型预测性能良好，且具有良好的可解释性。

关键词：财务困境；K均值聚类；Softmax回归

一、引言

上市公司财务状况和经营成果都受到投资者和债权人等多方利益相关者的关注，而公司一旦陷入财务困境会给许多利益相关者带来直接和间接的损失。如果能够及时地识别可能出现财务困境的公司，并在财务状况进一步恶化之前采取必要的措施，那么这些损失是可以避免的。财务困境预警试图识别出可能出现财务困境的公司，揭示财务困境的影响因素，是防范和化解财务困境有效途径。关于财务困境预警已有大量实证研究，但是基于不同的研究思路和方法，不同的学者给出了许多不同的财务困境的界定标准。例如Beaver（1966）[1]将企业失败明确定义为企业不能偿付到期债务；吕长江、徐丽莉和周琳（2004）[2]则认为公司财务困境的表现是公司流动比率长期小于1。这些界定标准都将公司财务状况简单地划分为“好”与“坏”两类。财务状况二分类的思想存在一些问题：公司出现财务困境不是一个一蹴而就的过程，非困境公司的财务状况也可能并不健康[3]；不论以何种标准划分困境与非困境企业，这两类企业的数量都存在巨大差异，导致了其研究很难获取到足够数量的非困境样本[4-5]。所以，财务困境预警首要的问题是公司财务状况的分类。本文将使用聚类分析对上市公司财务状况进行分类，以期得到较为合理的分类结果。将聚类结果作为样本标签，训练并测试多分类预警模型。

二、文献回顾

现有研究多集中在二分类预警模型，例如徐炜（2019）[6]和Chow等（2018）[7]。然而，Amy（1987）[8]认为企业的财务状态具有连续性，不应简单地划分为失败与非失败。Hensher，Jones和Greene（2007）[9]指出，公司彻底破产并不能反映实际中财务困境的全部状态。Chancharat等（2010）[10]考察了不同公司退市的原因，而每种退市方式都可能是不同的影响因素所导致的。KingsleyOpokuAppiah（2017）[11]提到在财务预警实证研究中，依据不同的定义和标准，不同的文献中存在样本选择偏差的问题。吕长江（2004）[12]提出，将上市公司直接划分为“好”与“坏”两种极端的情况是不合理的，并深刻剖析了二分类预警研究存在的弊病。首先，非财务困境公司的财务状况也不一定良好，存在一些处在困境边缘的公司。其次，就是基于历史数据来揭示可能导致公司陷入财务困境的影响因素，而一些偶发性因素不一定能通过分析历史数据进行溯源。最终，使用聚类分析将上市公司财务状态划分为财务闲置、财务充盈、财务均衡、财务困境和财务破产五类。

三、实证研究

（一）研究变量

目前，对上市公司质量进行评价，主要使用财务指标评价和会计信息质量评价。预警指标既要参考以前研究中采用的指标，还需要具有可操作性。财务预警依赖于真实可靠的会计信息，盈余管理程度已是现有研究中衡量会计信息质量的重要指标之一。借鉴现有文献中成熟的预警指标体系，最终选择了如表1所示的14个预警指标。

（二）数据来源与预处理

本文从国泰安数据库，获取了2775家上市公司2016年～2019年的财务指标。为了便于聚类分析，对2019年数据进行标准化处理。而2016年～2017年数据则先以0.25的比例划分测试数据集，然后对该年的训练集和测试集分别进行标准化处理。

（三）聚类结果分析

首先要明确K均值聚类的原型个数k。本文进行了15次聚类实验，将轮廓系数作为实验结果，对三组实验结果采用成对T检验。检验结果显示，k=3时轮廓系数明显低于其他两组，而k=4和k=5两组结果的均值在0.1的水平下不具有显著性差异，P值约为0.1094。但是观察分类结果发现，当k=5时，时常会出现某一簇仅有1个样本，所以最终指定k=4。2019年上市公司的聚类结果如表2所示。通过对比各个簇与样本总体平均值之间以及各簇之间的差异，可以发现：簇1的样本量占总体的58%，ST的比例是各簇中最低的2.2%，除发展能力各项指标平均水平为各簇最高外，财务状况应当属于中等水平。簇2平均公司规模最小，但是资产负债率极低，流动资产充足，偿债能力和盈利能力最强，应是财务健康的公司。簇3偿债能力、发展能力和盈利能力均是最差，且全部样本均为2019年被特别处理的公司，所以应为财务困境的公司。簇4平均资产规模最大，虽然营运能力较强，但其偿债能力和盈利能力都低于样本总体平均水平，会计信息质量较低，其中有许多处于困境边缘的公司。据此，本文利用聚类分析将上市公司样本划分为4类，分别命名为健康、中等、困境边缘和财务困境，在表2中的排序为2、1、4和3。健康公司数量较少，而中等水平的公司占据了样本的大半。财务困境公司数量极少，其财务状况已经严重恶化。而困境边缘公司数量却不在少数，这一部分公司应引起足够的重视。

（四）预警模型

对于样本数据集有k个类别，即yi∈（1，2，…，k），如式（1）所示，softmax回归主要估算样本数据xi归属于每一类的概率。最后，以概率值最高的类别作为该样本的分类结果。将2016年～2018年的数据分别分割为训练集和测试集，训练集用于训练模型，测试集则用于评价模型预测性能。多分类结果的评价比二分类更为复杂，本文利用卡帕系数评价多分类模型的预测结果。卡帕系数是一种衡量分类精度的度量指标，与准确率和召回率一样，都可以根据分类结果的混淆矩阵计算得到。计算得到的真实类别和预测结果的卡帕系数，可以从0到1均匀地划分为五个区间，每个区间表示一个一致性水平，分别是轻微（slight）、一般（fair）、中等（moderate）、基本一致（substanial）和几乎完全一致（almostperfect）。观察基于不同年份数据的预警模型测试结果，能够得到以下结论：卡帕系数显示，基于2018年数据的预警模型，预测性能是三者中最优的，但0.78仍属于中等一致性水平。2016年财务中等的样本的预测结果准确率很低，这是因为有大量误判样本，这些误判样本真实类别为困境边缘。财务困境与困境边缘公司之间存在大量误判，2016年财务困境样本的召回率仅有0.25，被误判的样本有一半被模型识别为困境边缘的样本，另有约一半被分类为财务中等的样本。

（五）模型解释

基于2018年数据训练得到的模型预测性能最优，这符合一般实证研究的结论，即使用t-1期的数据得到的预警模型最为准确。2016年和2017年的预测结果存在许多误判，所以表4仅列示了2018年Softmax回归模型的系数。为了降低过拟合的风险，通常会在损失函数中加入正则化项，本文也使用了L2范数正则化。正则化能够将特征选择和训练过程融为一体，在模型训练过程中自动完成特征选择，会使得模型中不重要的特征的系数更加接近0。公司规模（X1）的系数绝对值均较高，而且对于财务健康和中等公司，公司规模与分类为这两类的概率呈负向关系，而与困境边缘和财务困境公司则是正向的。资产负债率（X5）也呈现出与公司规模类似的情况，资产负债率越高，公司财务状况恶化的可能性越高。发展能力相关的三个指标，总资产增长率（X8）、净利润增长率（X9）、可持续增长率（X10），的系数在Z3中均为负。盈利能力相关指标就显得不那么重要，例如净资产收益率（X11）在Z2中的系数仅为0.006。同时可以发现，总资产净利率（X13）越高，分类为困境边缘的公司的可能性越大而分类为财务中等的公司概率越低，说明该指标在这判断这两类样本是具有误导性。

四、结论

本文利用聚类分析试图对上市公司财务状况进行分类，最终划分为健康、中等、困境边缘和财务困境这四类。聚类结果表明，财务健康与困境公司都较少，但是我国大量上市公司财务状况不佳，处于财务困境的边缘。而且2016年和2017年的预测结果存在许多误判，误判样本集中在边缘与困境两类之间。依据2016年～2018年数据训练的模型，仅有2018年的模型对困境边缘和财务困境公司的分类较为准确。分析回归模型的系数，公司规模越小，偿债能力越强。发展能力指标对于识别财务困境公司，具有较大的作用。最后盈利能力指标的系数普遍较小，且在识别困境公司时，会产生一定的误导。

作者：梁创维 单位：中原工学院经济管理学院