前言：本站為你精心整理了房產風險警示體系探究范文，希望能為你的創作提供參考價值，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：中南財經政法大學會計學院

0引言

目前，對房地產企業財務風險預警系統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企業的財務風險預警系統做定量研究較為少見。本文將從財務信息和非財務信息方面構建一個財務風險預警系統的指標體系，并采用因子-神經網絡模型對房地產上市公司的財務風險預警進行分析和預測，并得出相關結論。

1樣本的選取及指標體系的建立

1.1研究樣本的選取

為便于財務數據的獲得和研究成果的對比，本文選擇房地產A股上市公司的財務數據作為分析樣本，把滬、深兩地證券市場中的ST房地產公司界定為處于財務危機的公司，非ST房地產公司界定為財務正常的公司。根據上市房地產公司的實際情況，采用非配對抽樣，抽取相對少量的財務危機企業與相對較多的正常企業。基于以上原則，并根據CCERDATA和新浪網站公布的房地產上市公司報表及CSRC和GISC的行業分類標準，選取滬、深兩市房地產上市公司。選取的房地產企業情況如表1所示，由于2006年的數據缺省太多，且2010年的被ST房地產公司數量很少不便于預測，故本文僅選取2007~2009年的房地產企業作為研究樣本，分為財務正常企業和財務危機企業兩種樣本(表1)。

1.2財務預警指標的選取

由于對財務危機預警的研究始終缺少系統的經濟理論支持，很難在已有的參考資料中找到企業內部影響因素的公認指標。故本文試圖結合房地產上市公司的實際情況，并基于可采取可量化的原則，將選擇涵蓋企業償債能力、現金流量能力、盈利能力、營運能力、股東獲利能力、成長能力等方面的財務指標共32個，同時也將選擇涵蓋公司規模、股權結構、市場信息、審計等方面的非財務指標共20個，見表2。表2中的指標能比較全面地衡量房地產上市公司各方面的情況。然而財務危機預警指標過多，會導致神經網絡分析的過分擬合，同時指標之間的相互關聯反而會導致預警判別結果出現偏差。因此在對數據進行神經網絡分析前，必須先對這些財務危機預警指標進一步篩選，去掉冗余信息。

2模型構建與對比分析

2.1財務數據處理

由于在采集到的企業原始數據中，有些企業的部分數據缺乏，故首先要做預處理，才能進行深層次的分析。處理情況包括以下幾種：（1）對于在財務報表中未披露的數據。本文將用該企業前后兩年的平均數作為缺省數據補充，以保證整體數據的完整性。（2）對于在公開信息中無法獲得或依據公開信息無法判斷的數據。本文將依據悲觀準則用“不利”數據進行填充。比如，對于無法獲得董事長是否變更的情況，都一律認為發生變更。當數據處理完整之后，利用SPSS統計分析軟件提供的K-S檢驗，對2007~2009年的127個樣本的52個指標進行正態分布檢驗。檢驗結果顯示，在顯著性水平為0.05下，流動負載比例、長期負載比例、年度股東大會會議出席率、董事監事和高級管理人員總人數、CR10指數、換手率這6個變量的K統計量的p值大于0.05，符合正態分布，其余指標樣本不符合正態分布。

2.2顯著性檢驗

2.2.1服從正態分布的財務危機預警指標的均值相等性檢驗

對于服從正態分布的變量，可根據兩種樣本（財務正常企業和財務危機企業）的均值差的t統計量，對其進行獨立樣本的均值相等性檢驗，從而判斷兩種樣本中的財務危機預警指標是否存在顯著性差異。在0.05的顯著性水平下，長期負債比例、CR10指數、流動負載比例這3個指標通過了t檢驗的顯著性水平檢驗，即兩個樣本中的這3個指標有顯著性差異。董事監事和高級管理人員總人數、換手率、年度股東大會會議出席率這3個指標沒有通過t檢驗，即兩個樣本中的這3個指標沒有顯著性差異。如表3所示。

2.2.2不服從正態分布的財務危機預警指標的非參數檢驗

對其余47個不服從正態分布的財務危機預警指標變量，因其不符合t檢驗的前提條件，不能采用t檢驗的方法。本文采用非參數檢驗中的兩獨立樣本非參數檢驗的Mann-WhitneyU檢驗、Wald-WolfowitzW檢驗和Kolmogorov-Smirnov檢驗相結合的方式，若有一半以上非參數檢驗認為指標有差異，則認為通過了顯著性檢驗。通過SPSS檢驗后，流動比例、速動比例、營運資金比例、現金流量對流動負載比例、資產負債率、權益負債率、固定資產比例、長期負債比例利息保障倍數、存貨周轉率、資產周轉率、應收賬款周轉率、營運收入凈利潤率、營業利潤率、每股收益、市凈率、市盈率、凈資產增長率、營業利潤增長率、財務杠桿系數、年度內董事會的會議次數、金額最高的前三名董事的報酬總額、回報率、西格瑪系數、貝塔系數這24個指標通過顯著性檢驗；其余指標在兩種樣本中沒有顯著性差異。

2.2.3顯著性檢測結果

綜合上述t檢驗及非參數檢驗的結果，一共選取27個財務危機預警指標作為下一步分析對象。其中財務指標20個，非財務指標7個。

2.3財務指標的因子分析

上面確定的27個財務危機預警指標具有顯著性，這些指標從不同方面反映了公司的財務狀況。但財務危機預警指標項過多會導致神經網絡模型的過分擬合，反而影響結果的正確性[2]。本文考慮用因子分析的方法對財務危機預警指標進行降維處理。首先利用KMO檢驗對20個財務指標變量之間的相關性進行測定，把原有變量的指標數值代入SPSS軟件，計算結果如表3所示。變量指標的KMO測度值為0.674，球形檢驗P值小于0.05，檢驗結果顯著，可以做因子分析。檢驗結果如表4所示。把樣本數據代入SPSS，采用主成分分析方法，并取累計貢獻率為78.517%，則主成份為8個，即用這8個主成份來代替原來的20個財務指標。本文采用正交旋轉法中的方差最大法進行轉換。結果如表5所示。觀察表5，可以將這8個因子歸納為，短期償債和現金流動能力因子、盈利能力因子、營運能力因子、獲利能力因子、風險評價能力因子、資本成長潛力能力因子、資產營運負債能力因子、股東獲利能力因子。同時對非財務指標進行因子分析，發現不滿足KMO檢驗，無法進行主成分提取，故可直接將7個非財務指標作為神經網路的輸入。

2.4BP-Adaboost神經網絡模型

Adaboost算法的思想是合并多個“弱”分類器的輸出以產生有效的分類。BP-Adaboost模型即把BP神經網絡作為弱分類器，反復訓練BP神經網絡預測樣本輸出，通過Ada-boost算法得到多個BP神經網絡弱分類器組成的強分類器。對于本案例來說，輸入節點為15維，代表上述8個財務因子和7個非財務指標，輸出為1維，代表公司財務狀況。輸出為1時表示財務狀況良好，輸出為-1時表示財務狀況出現問題。BP神經網絡的激發函數選取Sigmoid函數。同時應注意隱含層節點數的選擇，如果隱含節點數太少，BP神經網絡不能建立復雜的映射關系，預測誤差較大，節點數過多，網絡學習時間增加，可能出現“過分擬合”現象，導致訓練樣本預測準確，但對其它樣本預測的誤差則較大。一般采用經驗法，中間隱含節點數參考下面公式：（略）。本文通過試錯法，確定BP神經網絡的結構為15-4-1，共訓練生成15個BP神經網路弱分類器；并用這15個弱分類器組成強分類器對公司財務狀況進行分類。抽取2007~2008年共127組數據作為訓練數據，再抽取2009年84組數據作為測試數據。根據Adaboost和BP神經網絡原理，采用Matlab進行仿真，設定單個BP迭代次數為50，學習率為0.1，目標為0.00004。采用多次訓練求平均值的方法確定分類錯誤和誤差率，作為訓練的結果，如表6所示。

2.5模擬結果分析

BP-Adaboost作為強分類器，比BP分類器的準確性要強，同時和Logistic回歸模型相比，誤差率要相應小一些[3][4]，該模型和指標項對財務正常的企業具有較高的判斷能力，誤差率只有2.71%。但本模型對于財務異常企業的判斷能力就有些弱了。一方面，2007~2009年中國和國際經濟形勢發生了巨大變化，而房地產企業受外部環境和政策的影響很大；又由于房地產企業的特殊性，其財務指標往往帶有滯后性，故若忽略這些因素，而只選取公司內部指標來判斷一個企業財務狀況是否正常有些欠妥。另一方面，對于異常企業來說，其部分數據太過異常，淹沒了其它數據之間的差異性，從而對該部分數據的標準化肯定會影響該指標項的其他數據，給最終結果帶來影響。

3結論

本文構建了財務風險預警指標體系，采用因子和神經網絡模型對財務危機預警指標進行了分析研究發現：（1）房地產行業對數據重要性的意識在增強，數據公開的程度都有加強。2006年過半數的房地產上市企業的財務數據不完整或未披露，到2010年就有80%以上的房地產上市企業的財務數據是完整的。（2）通過因子分析方法，找出了影響房地產上市企業的財務指標的主要因子包括短期償債和現金流動能力、盈利能力、營運能力、獲利能力、風險評價能力、資本成長潛力能力、資產營運負債能力、股東獲利能力，并說明從這幾個方面選取指標，構建指標體系是合理的。（3）神經網絡模型在房地產公司財務風險預警上具有較高的準確性，BP-Adaboost強分類器比一般的BP分類器預測效果要好。