论文导读:：中小企业资产证券化融资的障碍。中小企业预警指标体系研究。
论文关键词：风险预警，非财务指标，支持向量机，中小企业
一、引言
目前，我国约有99%的企业是中小企业，中小企业对GDP的贡献超过60%，对税收的贡献超过50%，提供了75%以上的城镇就业岗位，在我国经济发展中起到了非常重要的作用[1]。然而由于中小企业规模小，经营风险意识淡薄，在风险来临之前无法有效规避风险，导致中小企业破产严重。因此建立一个有效的中小企业财务风险预警模型很有必要，有利于中小企业提早预知出现的危机，为管理者防范和化解危机提供宝贵时间。而一个有效的风险预警模型，不仅需要先进的预警方法，合理的预警指标体系也是至关重要的。
目前，对中小企业进行风险预警的文献很少，指标体系研究也多停留在理论研究之上，很少进行实证研究。而现有文献针对主板大企业的预警问题研究已经形成了丰富的理论和应用成果，1999年陈静利用几个财务指标对企业风险进行预警[2]，随着时间的推移，学者开始从盈利、偿债、发展、营运等方面综合考虑[3-4]，到后来意识到现金流量指标的重要性，在指标体系中加入了现金流量指标[5-7]支持向量机，如今随着非财务指标的逐渐应用，学者也开始在指标体系中引入一些非财务指标[8-11]。这些成果为中小企业的预警指标体系研究提供了坚实的理论基础，但我们也不能照搬照抄的应用到中小企业上去。这是因为，这些文献主要是围绕主板大企业进行，考虑的指标不是很全面，且很少考虑财务杠杆等风险水平指标，而且部分学者在应用指标时未对指标的多重共线性或区分度进行分析[6-7]，导致使用过多的冗余指标，信息重叠多，增加模型的复杂性，影响模型的准确率。实际上，与大企业相比，中小企业有自己的特点，生产规模小，数量大，分布范围广，经营方式灵活多样，竞争力弱，寿命短，停业破产率高[12]，需要根据中小企业的特点引入一些相应的非财务指标,如考虑规模的资产规模；考虑发展环境的地域因素；考虑到企业可能操作利润嫌疑的配股或保盈因素影响；考虑到大股东通过各种形式对企业进行“掏空”，影响企业营运资金的大股东资金占用；考虑到中小企业抵抗风险弱需企业管理者和员工抵御风险能力强的管理者素质和员工素质等。因此，文章综合考虑中小
企业特点，引入非财务指标，建立一套有别于大企业的适合中小企业的财务预警指标体系。
综上所述，考虑到中小企业不同于大企业，有自己的特点，因此应该重新建立一套更适合中小企业的预警指标体系。文章最终利用中小企业被ST前3年的数据，以企业因财务危机而被ST作为界定财务危机的标准，根据中小企业特点引入相应非财务指标，建立一套适合中小企业T-3年的预警指标体系，并利用支持向量机的方法，建立预警模型，验证指标体系的可行性。实验证明，所采用的指标体系是合理和可行的。
二、研究样本的处理
2.1 研究样本的确定
由于我国中小企业普遍没有上市，企业信息的收集比较困难，因此文章采用上市公司的数据作为训练和测试样本，主要以深交所上市的中小板企业作为研究对象，部分企业取自沪深证交所上市的A股上市公司。这是因为目前在中小板上市超过3年的企业很少，而到目前为止被ST的更是寥寥无几，只有3家。因此只有从主板上寻找规模相近且被ST的企业来进行配对。根据2003年国家发布的中小企划分标准，中小型企业资产必须小于4亿，而目前中小板企业大部分企业资产规模都超过4亿支持向量机，为了更多的获取企业样本，文章选取的样本资产规模都小于20亿论文格式。考虑到2007年会计制度的更改，与前几年财务数据有变化，为了模型的可适用性，因此文章采用上市公司（t-3）年即2007年的年报数据来预测企业是否会在（t）年即2010年被ST。
文章在选择ST企业样本时，首先根据国元证券网上行情系统里风险因素所述的企业被ST情况进行汇总，选取2007年资产规模在20亿以内、企业在2010年因财务状况异常而被ST、2007年至2009年未因财务状况异常而被ST的企业作为ST样本企业。而正常企业是在2007年至2010年均未被ST的企业，样本全部取自中小板。最终选取了002003至002124中间的100家企业作为正常企业样本组，而从深沪两市主板和中小板里选取了29家企业作为ST企业。
2.2 数据的选取
文章所有数据均来自于深沪证交所网站、巨潮资讯网站、国泰安财经数据库及国元证劵网上行情系统。其中财务指标数据大部分取自国泰安财经数据库，少部分根据年报数据整理而得；非财务指标均取自深沪两市证交所、巨潮资讯网站上下载的年报数据整理而得；国元证劵网上行情系统主要是收集企业被ST情况。
三、基于非财务指标的中小企业预警模型指标的研究
3.1 初选指标的确定
为了保持模型的性能，初选指标应多多益善，根据数据的可得性原则，综合前人研究中的众多可用指标，参考国泰安财经研究数据库提供的指标体系，采用定性分析的方法，最终选择了包含长期偿债能力、短期偿债能力、发展能力、风险水平、获利能力、现金流量、盈利能力、营运能力、非财务指标等9大类指标。其中包含财务指标中的长期偿债能力13个、短期偿债能力7个、发展能力9个、风险水平3个、获利能力12个、现金流量16个、盈利能力15个、营运能力9个等84个；非财务指标中的股权结构8个、年报披露4个、公司治理7个及资产规模、代理成本、大股东资金占用、配股或保盈因素对公司报表的影响、重大关联交易、对外担保、地域因素等26个指标。
3.2 数据的预处理
由于所取的企业来自不同行业，各行业指标间的量纲或数量级不尽相同，为了消除这些影响，加强模型的适用性，需要对数据进行归一化处理，使指标数据处于-1到1之间，其中连续型指标使用的方法如下：
设：，则
对于两值数据则为：
3.3 关键指标的确定
在构建模型之前，需要对初选的110个备选指标进行初步的筛选工作，以获得最合适的指标体系来构建模型。这是因为过多的指标导致数据收集处理工作量大，建立模型时不易寻找最优参数结果，还增加了模型的复杂性；另外选取的指标可能在区分ST和正常企业时不一定存在显著性差异，指标间也可能存在多重共线性相关，如果选取这些冗余指标，不但增加工作量，更可能会导致模型准确率下降。
为了筛选出最合适的指标体系，能够有效的区分ST和正常企业，需要对这110个指标进行显著性检验。首先对所有指标变量进行单样本K-S检验，验证其是否服从正态分布；然后对服从正态分布的指标进行独立样本T检验，对不满足正态分布的指标进行非参数检验；最后对剩下的指标进行相关性检验，剔除相关性强的指标，最后剩余指标作为模型的指标体系。
3.3.1 指标数据的分布检验
运用SPSS里的单样本K-S检验对样本指标数据的分布情况进行检验，以验证指标的数据是否服从正态分布。最终只有流动资产比率、固定资产比率、每股净资产、每股公积金、全部资产现金回收率、总资产净利润率、净资产收益率、全面摊薄净资产收益率、资产规模、代理成本、第一大股东持股比例、前两大股东持股差、股权集中度、已流通股比例、年度股东大会出席率15个指标的Kolmogorov-Smirnov Z统计量在0.05的显著性水平下的P值大于0.05，说明这15个指标数据服从正态分布，可以进行独立样本T检验；而其他95个指标则不服从正态分布，只能进行非参数检验。
3.3.2 指标区分度检验
对服从正态分布的15个指标进行独立样本T检验，对其余95个指标进行非参数检验，以验证指标是否能正确区分ST企业和正常企业。
(1)独立样本T检验
利用SPSS里的独立样本T检验支持向量机，对样本数据服从正态分布的15个指标进行独立样本T检验。最终发现，在显著性水平为0.05的情况下，只有固定资产比率、全部资产现金回收率、资产规模、代理成本、第一大股东持股比例、前两大股东持股差6个指标的t统计量的概率P值大于0.05，故这些指标在区分ST和正常企业的时候不显著，予以剔除。其他9个指标均通过了区分度检验，在区分ST和正常企业的时候存在显著差异。
(2)非参数检验
利用SPSS非参数检验中两独立样本检验的Mann-Whitney U检验，对不服从正态分布的95个指标进行非参数检验。以长期偿债能力为例，结果见表1：
表1：长期偿债能力的非参数检验
指标
代码
Z
双尾渐进概率P值
资产负债率
C1
-3.75183
0.000176
有形净值债务率
C2
-2.82684
0.004701
长期资本负债率
C3
-0.98495
0.324651
长期负债与营运资金比率
C4
-0.16595
0.868195
利息保障倍数
C5
-4.73668
2.17E-06
负债与权益市价比率
C6
-2.41508
0.015732
权益对负债比率
C7
-3.75182
0.000176
长期资产适合率
C8
-4.09033
4.31E-05
股东权益对固定资产比率
C9
-3.31175
0.000927
有形资产比率
C12
-0.70527
0.480644
流动负债比率
C13
-0.00565
0.995491
由表可知，在显著性水平为0.05的情况下，只有C1、C2、C5、C6、C7、C8、C9这7个指标在区分ST企业和正常企业的时候存在显著差异，其他4个指标予以剔除。其他类指标作类似处理。
最后，经过指标区分度检验，110个指标只有63个指标能够显著区分ST企业和正常企业。
3.3.3 指标间多重相关性检验
通过独立样本T检验和非参数检验，最后剩下的63个指标。这63个指标之间可能存在多重共线性关系，因此必须对剩下的指标进行相关分析，对相关程度高的指标进行合并、剔除，最终剩下的指标作为文章的模型预警指标体系。
本次试验是在SPSS15.0软件下进行，首先对63个指标进行划分：连续型数据指标进行双变量相关分析；离散型的两值数据指标则进行距离分析。这63个指标中只有对外担保、地域因素、审计意见类型、有无简称变更4个指标数据是离散型的两值数据，其他59个指标数据均为连续型数据。
(1)距离分析
采用SPSS里距离分析中的海明相似性测度对两值数据之间的相关性进行分析。对对外担保F6、地域因素F7、审计意见类型F16、有无简称变更F19这4个两值数据指标进行海明相似性测度结果见表2：
表2：距离分析
F6
F7
F16
F19
F6
1
-0.13178
-0.34884
0.302326
F7
-0.13178
1
0.379845
-0.39535
F16
-0.34884
0.379845
1
-0.89147
F19
0.302326
-0.39535
-0.89147
1
由表可知：只有审计意见和有无简称变更两个指标存在高度相关，其他指标间的相关程度均不高，均小于0.5。因此文章删除其中之一的有无简称变更，这是因为审计意见作为非财务指标已经被众多学者所接受，而且有学者论证审计意见作为预警模型指标，对预警的准确率有很大提高，因此文章予以保留。
(2)双变量相关分析
文章的双变量相关分析是采用SPSS里的Pearson简单相关系数分析。为了最大限度筛选指标，优化模型指标体系，取相关度为0.5以上为两指标相关，舍弃其中之一。为了减少指标之间的多重共线性，文章先对各大类指标项之间的指标进行相关分析，按照最大限度保留企业信息，保证各个大类指标项中均有指标，留下更多的不相关指标，保证删除的指标数是最少的，留下那些常用合理的指标，并综合专家意见，剔除指标。几个大类指标相关关系分析完以后，对保留的指标再综合起来进行相关分析，最后剔除相关度高的几个指标。如此处理完以后，最后剩余23个指标，对这剩余的23个指标进行相关分析，发现指标间的相关程度均不高论文格式。另文章为了保证不错删指标，最大化保留指标体系，文章还将所有的59个连续型数据指标一起做相关分析支持向量机，并按照上述方法，筛选指标，最后所得指标与上述方法所得指标一致，因此，这23个指标可以作为模型的预警指标使用。
3.4 预警指标体系
3.4.1 加入非财务指标的预警指标体系
经过关键指标的选择，最终剩余23个指标，包括企业9个方面信息，指标区分ST和正常企业显著，指标之间相关程度不高，可以作为模型的T-3年预警指标体系。这些指标分别为：①长期偿债能力：资产负债率、利息保障倍数、长期资产适合率、流动资产比率；②短期偿债能力：速动比率、营运资金对净资产总额比率；③发展能力：固定资产增长率、总资产增长率、利润总额增长率；④风险水平：综合杠杆；⑤获利能力：每股收益、市盈率、每股公积金；⑥现金流量：现金与利润总额比、每股投资活动现金净流量；⑦盈利能力：营业毛利率、销售净利率；⑧营运能力：营运资金周转率、总资产周转率；⑨非财务指标：大股东资金占用、配股或保盈因素对公司报表的影响、股权集中度、高管持股比例、对外担保、地域因素、审计意见类型；
3.4.2 纯财务指标的预警指标体系
按照3.3关键指标的确定中所述方法，去除非财务指标，对原始的84个财务指标进行K-S检验，独立样本T检验，非参数检验，相关性分析，最后得到的T-3年财务预警指标体系为:加入非财务指标的预警指标体系中，去除非财务指标，还包括营运能力中的现金及现金等价物周转率。这是因为现金及现金等价物周转率与大股东资金占用相关性程度比较高，考虑到非财务指标体系时为了留下更多的非财务指标，剔除了这个财务指标。
四、实证研究
4.1 建立模型
文章采用林智仁等开发的SVM模式识别软件包libsvm来建立模型，使用高斯径向基核函数，其中的参数C和由libsvm自带的软件进行寻参。为了提高模型的可适用性及预测准确率，文章从100家正常企业和29家ST企业中按照80%的比率取80家正常企业和23家ST企业作为建模样本，其他20家正常企业和6家ST企业企业作为预测样本，最后这样随机选取10组企业数据作为建模样本和预测样本，计算每个模型的预测准确率，最后计算模型总体的预测准确率。
4.2 结果与分析
对上述纯财务指标和加入非财务指标的两个支持向量机模型的预测结果如下：
纯财务指标的结果见表3：
表3、纯财务指标预警模型的结果分析
组次
预测样本
建模样本回判
非ST
准确率
ST
准确率
总计
总体
准确率
1
20
1.0000
3
0.5
0.8846
101
0.9806
2
19
0.9500
5
0.8333
0.9231
100
0.9709
3
17
0.8500
5
0.8333
0.8462
99
0.9612
4
17
0.8500
5
0.8333
0.8462
96
0.9320
5
16
0.8000
4
0.6667
0.7692
101
0.9806
6
18
0.9000
5
0.8333
0.8846
99
0.9612
7
19
0.9500
6
1.0000
0.9615
97
0.9417
8
19
0.9500
5
0.8333
0.9231
101
0.9806
9
20
1.0000
1
0.1667
0.8077
95
0.9223
10
20
1.0000
3
0.5000
0.8846
100
0.9709
总计
0.9250
0.7000
0.8731
0.9602
加入非财务指标的结果见表4：
表4、加入非财务指标的预警模型结果分析
组次
预测样本
建模样本回判
非ST
准确率
ST
准确率
总计
总体
准确率
1
19
0.9500
5
0.8333
0.9232
97
0.9417
2
19
0.9500
5
0.8333
0.9231
101
0.9806
3
18
0.9000
6
1
0.9231
98
0.9515
4
17
0.8500
6
1
0.8846
98
0.9515
5
18
0.9000
5
0.8333
0.8846
100
0.9709
6
19
0.9500
3
0.5
0.8462
99
0.9612
7
19
0.9500
5
0.8333
0.9231
102
0.9903
8
20
1.0000
4
0.6667
0.9231
101
0.9806
9
20
1.0000
5
0.8333
0.9615
99
0.9612
10
19
0.9500
5
0.8333
0.9231
97
0.9417
总计
188
0.9400
49
0.8167
0.9116
992
0.9631
使用T-3年的年报数据，运用纯财务指标和加入非财务指标的两种指标体系建立的支持向量机模型预测我国中小企业财务危机，其分析结果如下：
(1)：两种指标体系建立的支持向量机模型的预测准确率都是可以接受的，一个总体预测准确率达到87.31%，一个则达到91.16%。相比之下，加入非财务指标的指标体系建立的预警模型预警准确率更高，这说明了，我国中小上市企业的非财务指标中包含着预测财务危机的信息，加入非财务指标预测企业财务危机是必要和可行的。
(2)：通过对建模样本的回代判定，发现无论是单组还是总体预测准确率，两种模型的回代检验准确率都高于对预测样本的预测准确率，但相比之下加入非财务指标的预警模型优于纯财务指标模型，正确判定率下降的更慢，这说明加入非财务指标以后的支持向量机模型的泛化能力更强，容错能力更强。
(3)：无论是对正常企业还是ST企业的预测，加入非财务指标的预警模型预测准确率更优，这说明加入非财务指标的必要性。
(4)：通过10组数据进行的实验支持向量机，发现选取不同的建模样本和预测样本，预测的准确率都是不同的，这说明选择合适的建模样本和预测样本，对提高模型的预测准确率是有帮助的。文章在后续研究中通过将前10组数据预测中的异常样本、不同指标中的最大最小值的企业都加入到建模样本里时，通过最优参数选择，建立的预警模型，预测样本和回代样本的预测准确率都可以得到大幅度提升，其中加入非财务指标建立的预警模型可以达到预测样本和回代样本准确率都达到100%，而纯财务指标建立的预警模型无论怎么取样本，均未能都达到100%，这更加说明了加入非财务指标是必要的。
(5)：通过与其他学者的研究结果进行比较，如文献[13-14]，同是用纯财务指标和支持向量机进行预警，文章虽然预测样本较少，且样本数据属于不平衡数据，但其预测的准确率却远远高于其模型。这说明文章的预警指标体系是合理的和可行的。
五、结论与展望
文章以我国深沪两市中的中小板企业和部分主板A股企业作为研究对象，利用企业被ST前3年的年报数据，分别建立了一套T-3年纯财务预警指标体系和加入非财务指标的T-3年预警指标体系，构建了适合我国中小企业的财务风险预警模型，为广大投资者、债权人及其他利益相关者预测公司财务状况提供科学的决策手段,同时也为企业防范和化解危机提供了宝贵的时间。实验证明，两个预警指标体系是可行的，构建的两个预警模型均取得了比较好的预警效果。相比纯财务指标，引入非财务指标，更能明显提高企业的风险预警效果。
参考文献
[1] 2009年06月28日23:12CCTV《经济半小时》：社科院报告显示我国4成中小企业在生死线上挣扎
[2]陈静.上市公司财务恶化预测的实证分析[J].会计研究，1994，4：31-38
[3]刘洪，何光军.基于人工神经网络方法的上市公司经营失败预警研究[J].会计研究，2004，2：42-46
[4]杨淑娥，黄礼.基于BP神经网络的上市公司财务预警模型[J].系统工程理论与实践，2005，1：12-26
[5]宋新平，丁永生.基于最优支持向量机模型的经营失败预警研究[J].管理科学，2008，1：115-121
[6]张根明，向晓骥.基于支持向量机的上市公司财务预警模型研究[J].科技管理研究，2007，4：234-242
[7]惠守博，王文杰.基于支持向量机的财务预警模型与应用研究[J].计算机工程与设计，2006，7：1183-1186
[8]胡达沙，王坤华.基于PSO和SVM的上市公司财务危机预警模型[J].管理学报，2007，5：588-592
[9]李志强.财务预警指标拓展研究探析[J].河南大学学报(社会科学版)，2009，3：34-39
[10]桂梦吟，伍硕频.非财务视角下财务困境预警模型研究[J].金融经济，2007，22：132-133
[11]邓晓岚，王宗军，李红侠，杨忠诚.非财务视角下的财务困境预警———对中国上市公司的实证研究[J].管理科学，2006，3：71-80
[12]张海良.颠覆---中小企业生存之道[M].北京:清华大学出版社，2009
[13]宋姣.基于支持向量机的上市公司财务危机预警研究[J].哈尔滨商业大学学报(自然科学版)，2007，5：637-640
[14]黄海轮.基于支持向量机模型的财务预警应用研究[J].长江大学学报(自然版)理工卷，2007，3：85-87
中国论文网(www.lunwen.net.cn)免费学术期刊论文发表,目录,论文查重入口,本科毕业论文怎么写,职称论文范文,论文摘要,论文文献资料,毕业论文格式,论文检测降重服务。
