前言：本站為你精心整理了房產(chǎn)風(fēng)險警示體系探究范文，希望能為你的創(chuàng)作提供參考價值，我們的客服老師可以幫助你提供個性化的參考范文，歡迎咨詢。

本文作者：周梅妍作者單位：中南財(cái)經(jīng)政法大學(xué)會計(jì)學(xué)院

0引言

目前，對房地產(chǎn)企業(yè)財(cái)務(wù)風(fēng)險預(yù)警系統(tǒng)模型的定量研究僅主要采用線性或者廣域線性模型，而采用非線性模型對房地產(chǎn)企業(yè)的財(cái)務(wù)風(fēng)險預(yù)警系統(tǒng)做定量研究較為少見。本文將從財(cái)務(wù)信息和非財(cái)務(wù)信息方面構(gòu)建一個財(cái)務(wù)風(fēng)險預(yù)警系統(tǒng)的指標(biāo)體系，并采用因子-神經(jīng)網(wǎng)絡(luò)模型對房地產(chǎn)上市公司的財(cái)務(wù)風(fēng)險預(yù)警進(jìn)行分析和預(yù)測，并得出相關(guān)結(jié)論。

1樣本的選取及指標(biāo)體系的建立

1.1研究樣本的選取

為便于財(cái)務(wù)數(shù)據(jù)的獲得和研究成果的對比，本文選擇房地產(chǎn)A股上市公司的財(cái)務(wù)數(shù)據(jù)作為分析樣本，把滬、深兩地證券市場中的ST房地產(chǎn)公司界定為處于財(cái)務(wù)危機(jī)的公司，非ST房地產(chǎn)公司界定為財(cái)務(wù)正常的公司。根據(jù)上市房地產(chǎn)公司的實(shí)際情況，采用非配對抽樣，抽取相對少量的財(cái)務(wù)危機(jī)企業(yè)與相對較多的正常企業(yè)?；谝陨显瓌t，并根據(jù)CCERDATA和新浪網(wǎng)站公布的房地產(chǎn)上市公司報(bào)表及CSRC和GISC的行業(yè)分類標(biāo)準(zhǔn)，選取滬、深兩市房地產(chǎn)上市公司。選取的房地產(chǎn)企業(yè)情況如表1所示，由于2006年的數(shù)據(jù)缺省太多，且2010年的被ST房地產(chǎn)公司數(shù)量很少不便于預(yù)測，故本文僅選取2007~2009年的房地產(chǎn)企業(yè)作為研究樣本，分為財(cái)務(wù)正常企業(yè)和財(cái)務(wù)危機(jī)企業(yè)兩種樣本(表1)。

1.2財(cái)務(wù)預(yù)警指標(biāo)的選取

由于對財(cái)務(wù)危機(jī)預(yù)警的研究始終缺少系統(tǒng)的經(jīng)濟(jì)理論支持，很難在已有的參考資料中找到企業(yè)內(nèi)部影響因素的公認(rèn)指標(biāo)。故本文試圖結(jié)合房地產(chǎn)上市公司的實(shí)際情況，并基于可采取可量化的原則，將選擇涵蓋企業(yè)償債能力、現(xiàn)金流量能力、盈利能力、營運(yùn)能力、股東獲利能力、成長能力等方面的財(cái)務(wù)指標(biāo)共32個，同時也將選擇涵蓋公司規(guī)模、股權(quán)結(jié)構(gòu)、市場信息、審計(jì)等方面的非財(cái)務(wù)指標(biāo)共20個，見表2。表2中的指標(biāo)能比較全面地衡量房地產(chǎn)上市公司各方面的情況。然而財(cái)務(wù)危機(jī)預(yù)警指標(biāo)過多，會導(dǎo)致神經(jīng)網(wǎng)絡(luò)分析的過分?jǐn)M合，同時指標(biāo)之間的相互關(guān)聯(lián)反而會導(dǎo)致預(yù)警判別結(jié)果出現(xiàn)偏差。因此在對數(shù)據(jù)進(jìn)行神經(jīng)網(wǎng)絡(luò)分析前，必須先對這些財(cái)務(wù)危機(jī)預(yù)警指標(biāo)進(jìn)一步篩選，去掉冗余信息。

2模型構(gòu)建與對比分析

2.1財(cái)務(wù)數(shù)據(jù)處理

由于在采集到的企業(yè)原始數(shù)據(jù)中，有些企業(yè)的部分?jǐn)?shù)據(jù)缺乏，故首先要做預(yù)處理，才能進(jìn)行深層次的分析。處理情況包括以下幾種：（1）對于在財(cái)務(wù)報(bào)表中未披露的數(shù)據(jù)。本文將用該企業(yè)前后兩年的平均數(shù)作為缺省數(shù)據(jù)補(bǔ)充，以保證整體數(shù)據(jù)的完整性。（2）對于在公開信息中無法獲得或依據(jù)公開信息無法判斷的數(shù)據(jù)。本文將依據(jù)悲觀準(zhǔn)則用“不利”數(shù)據(jù)進(jìn)行填充。比如，對于無法獲得董事長是否變更的情況，都一律認(rèn)為發(fā)生變更。當(dāng)數(shù)據(jù)處理完整之后，利用SPSS統(tǒng)計(jì)分析軟件提供的K-S檢驗(yàn)，對2007~2009年的127個樣本的52個指標(biāo)進(jìn)行正態(tài)分布檢驗(yàn)。檢驗(yàn)結(jié)果顯示，在顯著性水平為0.05下，流動負(fù)載比例、長期負(fù)載比例、年度股東大會會議出席率、董事監(jiān)事和高級管理人員總?cè)藬?shù)、CR10指數(shù)、換手率這6個變量的K統(tǒng)計(jì)量的p值大于0.05，符合正態(tài)分布，其余指標(biāo)樣本不符合正態(tài)分布。

2.2顯著性檢驗(yàn)

2.2.1服從正態(tài)分布的財(cái)務(wù)危機(jī)預(yù)警指標(biāo)的均值相等性檢驗(yàn)

對于服從正態(tài)分布的變量，可根據(jù)兩種樣本（財(cái)務(wù)正常企業(yè)和財(cái)務(wù)危機(jī)企業(yè)）的均值差的t統(tǒng)計(jì)量，對其進(jìn)行獨(dú)立樣本的均值相等性檢驗(yàn)，從而判斷兩種樣本中的財(cái)務(wù)危機(jī)預(yù)警指標(biāo)是否存在顯著性差異。在0.05的顯著性水平下，長期負(fù)債比例、CR10指數(shù)、流動負(fù)載比例這3個指標(biāo)通過了t檢驗(yàn)的顯著性水平檢驗(yàn)，即兩個樣本中的這3個指標(biāo)有顯著性差異。董事監(jiān)事和高級管理人員總?cè)藬?shù)、換手率、年度股東大會會議出席率這3個指標(biāo)沒有通過t檢驗(yàn)，即兩個樣本中的這3個指標(biāo)沒有顯著性差異。如表3所示。

2.2.2不服從正態(tài)分布的財(cái)務(wù)危機(jī)預(yù)警指標(biāo)的非參數(shù)檢驗(yàn)

對其余47個不服從正態(tài)分布的財(cái)務(wù)危機(jī)預(yù)警指標(biāo)變量，因其不符合t檢驗(yàn)的前提條件，不能采用t檢驗(yàn)的方法。本文采用非參數(shù)檢驗(yàn)中的兩獨(dú)立樣本非參數(shù)檢驗(yàn)的Mann-WhitneyU檢驗(yàn)、Wald-WolfowitzW檢驗(yàn)和Kolmogorov-Smirnov檢驗(yàn)相結(jié)合的方式，若有一半以上非參數(shù)檢驗(yàn)認(rèn)為指標(biāo)有差異，則認(rèn)為通過了顯著性檢驗(yàn)。通過SPSS檢驗(yàn)后，流動比例、速動比例、營運(yùn)資金比例、現(xiàn)金流量對流動負(fù)載比例、資產(chǎn)負(fù)債率、權(quán)益負(fù)債率、固定資產(chǎn)比例、長期負(fù)債比例利息保障倍數(shù)、存貨周轉(zhuǎn)率、資產(chǎn)周轉(zhuǎn)率、應(yīng)收賬款周轉(zhuǎn)率、營運(yùn)收入凈利潤率、營業(yè)利潤率、每股收益、市凈率、市盈率、凈資產(chǎn)增長率、營業(yè)利潤增長率、財(cái)務(wù)杠桿系數(shù)、年度內(nèi)董事會的會議次數(shù)、金額最高的前三名董事的報(bào)酬總額、回報(bào)率、西格瑪系數(shù)、貝塔系數(shù)這24個指標(biāo)通過顯著性檢驗(yàn)；其余指標(biāo)在兩種樣本中沒有顯著性差異。

2.2.3顯著性檢測結(jié)果

綜合上述t檢驗(yàn)及非參數(shù)檢驗(yàn)的結(jié)果，一共選取27個財(cái)務(wù)危機(jī)預(yù)警指標(biāo)作為下一步分析對象。其中財(cái)務(wù)指標(biāo)20個，非財(cái)務(wù)指標(biāo)7個。

2.3財(cái)務(wù)指標(biāo)的因子分析

上面確定的27個財(cái)務(wù)危機(jī)預(yù)警指標(biāo)具有顯著性，這些指標(biāo)從不同方面反映了公司的財(cái)務(wù)狀況。但財(cái)務(wù)危機(jī)預(yù)警指標(biāo)項(xiàng)過多會導(dǎo)致神經(jīng)網(wǎng)絡(luò)模型的過分?jǐn)M合，反而影響結(jié)果的正確性[2]。本文考慮用因子分析的方法對財(cái)務(wù)危機(jī)預(yù)警指標(biāo)進(jìn)行降維處理。首先利用KMO檢驗(yàn)對20個財(cái)務(wù)指標(biāo)變量之間的相關(guān)性進(jìn)行測定，把原有變量的指標(biāo)數(shù)值代入SPSS軟件，計(jì)算結(jié)果如表3所示。變量指標(biāo)的KMO測度值為0.674，球形檢驗(yàn)P值小于0.05，檢驗(yàn)結(jié)果顯著，可以做因子分析。檢驗(yàn)結(jié)果如表4所示。把樣本數(shù)據(jù)代入SPSS，采用主成分分析方法，并取累計(jì)貢獻(xiàn)率為78.517%，則主成份為8個，即用這8個主成份來代替原來的20個財(cái)務(wù)指標(biāo)。本文采用正交旋轉(zhuǎn)法中的方差最大法進(jìn)行轉(zhuǎn)換。結(jié)果如表5所示。觀察表5，可以將這8個因子歸納為，短期償債和現(xiàn)金流動能力因子、盈利能力因子、營運(yùn)能力因子、獲利能力因子、風(fēng)險評價能力因子、資本成長潛力能力因子、資產(chǎn)營運(yùn)負(fù)債能力因子、股東獲利能力因子。同時對非財(cái)務(wù)指標(biāo)進(jìn)行因子分析，發(fā)現(xiàn)不滿足KMO檢驗(yàn)，無法進(jìn)行主成分提取，故可直接將7個非財(cái)務(wù)指標(biāo)作為神經(jīng)網(wǎng)路的輸入。

2.4BP-Adaboost神經(jīng)網(wǎng)絡(luò)模型

Adaboost算法的思想是合并多個“弱”分類器的輸出以產(chǎn)生有效的分類。BP-Adaboost模型即把BP神經(jīng)網(wǎng)絡(luò)作為弱分類器，反復(fù)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)預(yù)測樣本輸出，通過Ada-boost算法得到多個BP神經(jīng)網(wǎng)絡(luò)弱分類器組成的強(qiáng)分類器。對于本案例來說，輸入節(jié)點(diǎn)為15維，代表上述8個財(cái)務(wù)因子和7個非財(cái)務(wù)指標(biāo)，輸出為1維，代表公司財(cái)務(wù)狀況。輸出為1時表示財(cái)務(wù)狀況良好，輸出為-1時表示財(cái)務(wù)狀況出現(xiàn)問題。BP神經(jīng)網(wǎng)絡(luò)的激發(fā)函數(shù)選取Sigmoid函數(shù)。同時應(yīng)注意隱含層節(jié)點(diǎn)數(shù)的選擇，如果隱含節(jié)點(diǎn)數(shù)太少，BP神經(jīng)網(wǎng)絡(luò)不能建立復(fù)雜的映射關(guān)系，預(yù)測誤差較大，節(jié)點(diǎn)數(shù)過多，網(wǎng)絡(luò)學(xué)習(xí)時間增加，可能出現(xiàn)“過分?jǐn)M合”現(xiàn)象，導(dǎo)致訓(xùn)練樣本預(yù)測準(zhǔn)確，但對其它樣本預(yù)測的誤差則較大。一般采用經(jīng)驗(yàn)法，中間隱含節(jié)點(diǎn)數(shù)參考下面公式：（略）。本文通過試錯法，確定BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)為15-4-1，共訓(xùn)練生成15個BP神經(jīng)網(wǎng)路弱分類器；并用這15個弱分類器組成強(qiáng)分類器對公司財(cái)務(wù)狀況進(jìn)行分類。抽取2007~2008年共127組數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，再抽取2009年84組數(shù)據(jù)作為測試數(shù)據(jù)。根據(jù)Adaboost和BP神經(jīng)網(wǎng)絡(luò)原理，采用Matlab進(jìn)行仿真，設(shè)定單個BP迭代次數(shù)為50，學(xué)習(xí)率為0.1，目標(biāo)為0.00004。采用多次訓(xùn)練求平均值的方法確定分類錯誤和誤差率，作為訓(xùn)練的結(jié)果，如表6所示。

2.5模擬結(jié)果分析

BP-Adaboost作為強(qiáng)分類器，比BP分類器的準(zhǔn)確性要強(qiáng)，同時和Logistic回歸模型相比，誤差率要相應(yīng)小一些[3][4]，該模型和指標(biāo)項(xiàng)對財(cái)務(wù)正常的企業(yè)具有較高的判斷能力，誤差率只有2.71%。但本模型對于財(cái)務(wù)異常企業(yè)的判斷能力就有些弱了。一方面，2007~2009年中國和國際經(jīng)濟(jì)形勢發(fā)生了巨大變化，而房地產(chǎn)企業(yè)受外部環(huán)境和政策的影響很大；又由于房地產(chǎn)企業(yè)的特殊性，其財(cái)務(wù)指標(biāo)往往帶有滯后性，故若忽略這些因素，而只選取公司內(nèi)部指標(biāo)來判斷一個企業(yè)財(cái)務(wù)狀況是否正常有些欠妥。另一方面，對于異常企業(yè)來說，其部分?jǐn)?shù)據(jù)太過異常，淹沒了其它數(shù)據(jù)之間的差異性，從而對該部分?jǐn)?shù)據(jù)的標(biāo)準(zhǔn)化肯定會影響該指標(biāo)項(xiàng)的其他數(shù)據(jù)，給最終結(jié)果帶來影響。

3結(jié)論

本文構(gòu)建了財(cái)務(wù)風(fēng)險預(yù)警指標(biāo)體系，采用因子和神經(jīng)網(wǎng)絡(luò)模型對財(cái)務(wù)危機(jī)預(yù)警指標(biāo)進(jìn)行了分析研究發(fā)現(xiàn)：（1）房地產(chǎn)行業(yè)對數(shù)據(jù)重要性的意識在增強(qiáng)，數(shù)據(jù)公開的程度都有加強(qiáng)。2006年過半數(shù)的房地產(chǎn)上市企業(yè)的財(cái)務(wù)數(shù)據(jù)不完整或未披露，到2010年就有80%以上的房地產(chǎn)上市企業(yè)的財(cái)務(wù)數(shù)據(jù)是完整的。（2）通過因子分析方法，找出了影響房地產(chǎn)上市企業(yè)的財(cái)務(wù)指標(biāo)的主要因子包括短期償債和現(xiàn)金流動能力、盈利能力、營運(yùn)能力、獲利能力、風(fēng)險評價能力、資本成長潛力能力、資產(chǎn)營運(yùn)負(fù)債能力、股東獲利能力，并說明從這幾個方面選取指標(biāo)，構(gòu)建指標(biāo)體系是合理的。（3）神經(jīng)網(wǎng)絡(luò)模型在房地產(chǎn)公司財(cái)務(wù)風(fēng)險預(yù)警上具有較高的準(zhǔn)確性，BP-Adaboost強(qiáng)分類器比一般的BP分類器預(yù)測效果要好。