房产风险警示体系探究

前言：本站为你精心整理了房产风险警示体系探究范文，希望能为你的创作提供参考价值，我们的客服老师可以帮助你提供个性化的参考范文，欢迎咨询。

本文作者：周梅妍作者单位：中南财经政法大学会计学院

0引言

目前，对房地产企业财务风险预警系统模型的定量研究仅主要采用线性或者广域线性模型，而采用非线性模型对房地产企业的财务风险预警系统做定量研究较为少见。本文将从财务信息和非财务信息方面构建一个财务风险预警系统的指标体系，并采用因子-神经网络模型对房地产上市公司的财务风险预警进行分析和预测，并得出相关结论。

1样本的选取及指标体系的建立

1.1研究样本的选取

为便于财务数据的获得和研究成果的对比，本文选择房地产A股上市公司的财务数据作为分析样本，把沪、深两地证券市场中的ST房地产公司界定为处于财务危机的公司，非ST房地产公司界定为财务正常的公司。根据上市房地产公司的实际情况，采用非配对抽样，抽取相对少量的财务危机企业与相对较多的正常企业。基于以上原则，并根据CCERDATA和新浪网站公布的房地产上市公司报表及CSRC和GISC的行业分类标准，选取沪、深两市房地产上市公司。选取的房地产企业情况如表1所示，由于2006年的数据缺省太多，且2010年的被ST房地产公司数量很少不便于预测，故本文仅选取2007~2009年的房地产企业作为研究样本，分为财务正常企业和财务危机企业两种样本(表1)。

1.2财务预警指标的选取

由于对财务危机预警的研究始终缺少系统的经济理论支持，很难在已有的参考资料中找到企业内部影响因素的公认指标。故本文试图结合房地产上市公司的实际情况，并基于可采取可量化的原则，将选择涵盖企业偿债能力、现金流量能力、盈利能力、营运能力、股东获利能力、成长能力等方面的财务指标共32个，同时也将选择涵盖公司规模、股权结构、市场信息、审计等方面的非财务指标共20个，见表2。表2中的指标能比较全面地衡量房地产上市公司各方面的情况。然而财务危机预警指标过多，会导致神经网络分析的过分拟合，同时指标之间的相互关联反而会导致预警判别结果出现偏差。因此在对数据进行神经网络分析前，必须先对这些财务危机预警指标进一步筛选，去掉冗余信息。

2模型构建与对比分析

2.1财务数据处理

由于在采集到的企业原始数据中，有些企业的部分数据缺乏，故首先要做预处理，才能进行深层次的分析。处理情况包括以下几种：（1）对于在财务报表中未披露的数据。本文将用该企业前后两年的平均数作为缺省数据补充，以保证整体数据的完整性。（2）对于在公开信息中无法获得或依据公开信息无法判断的数据。本文将依据悲观准则用“不利”数据进行填充。比如，对于无法获得董事长是否变更的情况，都一律认为发生变更。当数据处理完整之后，利用SPSS统计分析软件提供的K-S检验，对2007~2009年的127个样本的52个指标进行正态分布检验。检验结果显示，在显著性水平为0.05下，流动负载比例、长期负载比例、年度股东大会会议出席率、董事监事和高级管理人员总人数、CR10指数、换手率这6个变量的K统计量的p值大于0.05，符合正态分布，其余指标样本不符合正态分布。

2.2显著性检验

2.2.1服从正态分布的财务危机预警指标的均值相等性检验

对于服从正态分布的变量，可根据两种样本（财务正常企业和财务危机企业）的均值差的t统计量，对其进行独立样本的均值相等性检验，从而判断两种样本中的财务危机预警指标是否存在显著性差异。在0.05的显著性水平下，长期负债比例、CR10指数、流动负载比例这3个指标通过了t检验的显著性水平检验，即两个样本中的这3个指标有显著性差异。董事监事和高级管理人员总人数、换手率、年度股东大会会议出席率这3个指标没有通过t检验，即两个样本中的这3个指标没有显著性差异。如表3所示。

2.2.2不服从正态分布的财务危机预警指标的非参数检验

对其余47个不服从正态分布的财务危机预警指标变量，因其不符合t检验的前提条件，不能采用t检验的方法。本文采用非参数检验中的两独立样本非参数检验的Mann-WhitneyU检验、Wald-WolfowitzW检验和Kolmogorov-Smirnov检验相结合的方式，若有一半以上非参数检验认为指标有差异，则认为通过了显著性检验。通过SPSS检验后，流动比例、速动比例、营运资金比例、现金流量对流动负载比例、资产负债率、权益负债率、固定资产比例、长期负债比例利息保障倍数、存货周转率、资产周转率、应收账款周转率、营运收入净利润率、营业利润率、每股收益、市净率、市盈率、净资产增长率、营业利润增长率、财务杠杆系数、年度内董事会的会议次数、金额最高的前三名董事的报酬总额、回报率、西格玛系数、贝塔系数这24个指标通过显著性检验；其余指标在两种样本中没有显著性差异。

2.2.3显著性检测结果

综合上述t检验及非参数检验的结果，一共选取27个财务危机预警指标作为下一步分析对象。其中财务指标20个，非财务指标7个。

2.3财务指标的因子分析

上面确定的27个财务危机预警指标具有显著性，这些指标从不同方面反映了公司的财务状况。但财务危机预警指标项过多会导致神经网络模型的过分拟合，反而影响结果的正确性[2]。本文考虑用因子分析的方法对财务危机预警指标进行降维处理。首先利用KMO检验对20个财务指标变量之间的相关性进行测定，把原有变量的指标数值代入SPSS软件，计算结果如表3所示。变量指标的KMO测度值为0.674，球形检验P值小于0.05，检验结果显著，可以做因子分析。检验结果如表4所示。把样本数据代入SPSS，采用主成分分析方法，并取累计贡献率为78.517%，则主成份为8个，即用这8个主成份来代替原来的20个财务指标。本文采用正交旋转法中的方差最大法进行转换。结果如表5所示。观察表5，可以将这8个因子归纳为，短期偿债和现金流动能力因子、盈利能力因子、营运能力因子、获利能力因子、风险评价能力因子、资本成长潜力能力因子、资产营运负债能力因子、股东获利能力因子。同时对非财务指标进行因子分析，发现不满足KMO检验，无法进行主成分提取，故可直接将7个非财务指标作为神经网路的输入。

2.4BP-Adaboost神经网络模型

Adaboost算法的思想是合并多个“弱”分类器的输出以产生有效的分类。BP-Adaboost模型即把BP神经网络作为弱分类器，反复训练BP神经网络预测样本输出，通过Ada-boost算法得到多个BP神经网络弱分类器组成的强分类器。对于本案例来说，输入节点为15维，代表上述8个财务因子和7个非财务指标，输出为1维，代表公司财务状况。输出为1时表示财务状况良好，输出为-1时表示财务状况出现问题。BP神经网络的激发函数选取Sigmoid函数。同时应注意隐含层节点数的选择，如果隐含节点数太少，BP神经网络不能建立复杂的映射关系，预测误差较大，节点数过多，网络学习时间增加，可能出现“过分拟合”现象，导致训练样本预测准确，但对其它样本预测的误差则较大。一般采用经验法，中间隐含节点数参考下面公式：（略）。本文通过试错法，确定BP神经网络的结构为15-4-1，共训练生成15个BP神经网路弱分类器；并用这15个弱分类器组成强分类器对公司财务状况进行分类。抽取2007~2008年共127组数据作为训练数据，再抽取2009年84组数据作为测试数据。根据Adaboost和BP神经网络原理，采用Matlab进行仿真，设定单个BP迭代次数为50，学习率为0.1，目标为0.00004。采用多次训练求平均值的方法确定分类错误和误差率，作为训练的结果，如表6所示。

2.5模拟结果分析

BP-Adaboost作为强分类器，比BP分类器的准确性要强，同时和Logistic回归模型相比，误差率要相应小一些[3][4]，该模型和指标项对财务正常的企业具有较高的判断能力，误差率只有2.71%。但本模型对于财务异常企业的判断能力就有些弱了。一方面，2007~2009年中国和国际经济形势发生了巨大变化，而房地产企业受外部环境和政策的影响很大；又由于房地产企业的特殊性，其财务指标往往带有滞后性，故若忽略这些因素，而只选取公司内部指标来判断一个企业财务状况是否正常有些欠妥。另一方面，对于异常企业来说，其部分数据太过异常，淹没了其它数据之间的差异性，从而对该部分数据的标准化肯定会影响该指标项的其他数据，给最终结果带来影响。

3结论

本文构建了财务风险预警指标体系，采用因子和神经网络模型对财务危机预警指标进行了分析研究发现：（1）房地产行业对数据重要性的意识在增强，数据公开的程度都有加强。2006年过半数的房地产上市企业的财务数据不完整或未披露，到2010年就有80%以上的房地产上市企业的财务数据是完整的。（2）通过因子分析方法，找出了影响房地产上市企业的财务指标的主要因子包括短期偿债和现金流动能力、盈利能力、营运能力、获利能力、风险评价能力、资本成长潜力能力、资产营运负债能力、股东获利能力，并说明从这几个方面选取指标，构建指标体系是合理的。（3）神经网络模型在房地产公司财务风险预警上具有较高的准确性，BP-Adaboost强分类器比一般的BP分类器预测效果要好。