基于关联规则的企业财务风险分析

吕烜;莫宏敏;张勇

【摘 要】企业对自身财务风险的管理直接影响企业的可持续性发展,具有重要意义.基于2015年我国上市ST(Special T reatment)公司财务指标数据对公司财务风险进行分析.首先,对财务数据进行预处理,运用关联规则,挖掘出隐藏在财务指标中的规则,最后选取具有较高代表性的财务指标,对公司财务风险进行分析预警.实证分析表明:当上市公司财务出现危机时,总是存在一些集中出现的财务指标,它们的波动对企业财务风险有直接影响.通过分析这些指标可以对上市公司财务风险进行预警防范. 【期刊名称】《科技和产业》 【年(卷),期】2017(017)012 【总页数】5页(P131-135)

【关键词】关联规则;Apriori算法;财务风险分析 【作 者】吕烜;莫宏敏;张勇

【作者单位】吉首大学数学与统计学院 ,湖南吉首416000;吉首大学数学与统计学院 ,湖南吉首416000;吉首大学数学与统计学院 ,湖南吉首416000 【正文语种】中 文 【中图分类】F275;F830

随着我国经济发展进入新常态，企业发展的环境愈发复杂，因此，企业在经营中将面临更多的不确定性，这些不确定性就给企业带来了更大的风险。企业对自身存在

的财务风险进行管理直接影响到企业自身的可持续性发展。企业如果不对风险进行管理控制，就容易遭受巨大的损失，甚至破产。因此，企业财务风险分析及预防至关重要。大数据时代的核心是从数据到决策[1]，但在企业财务数据分析过程中，传统统计模型较为严格的假设条件以及复杂的计算过程大大地限制了它的实用价值。 随着数据挖掘技术的发展，企业的财务风险分析迎来了更多新的研究方法。如庄慧和饶扬胜[2]利用Logistic模型对上市公司财务困境进行了预测，结果表明该模型对企业未来财务状况具有较强的预警能力，但该研究存在样本数量不足的问题。苏鲁娜[3]利用Z分数模型对A公司进行了破产分析，列举了几个明显而重要的风险，提出相应的财务风险防范措施，但未能及时发现其他存在的风险，且未能选取相应的灵敏指标设定日常预警机制。罗旻婧[4]运用时间序列方法对财务风险进行分析预测,具有较高准确性，但局限于有周期性规律的财务数据。徐力[5]结合了多种数据挖掘技术，对制造业上市公司进行了财务诊断研究，结果认为不同挖掘方法各有优势，研究时应根据需要选取具体的模型，但只选取了制造业板块，缺乏广泛性，不能很好地反映上市公司整体情况。李青[6]利用遗传算法建立了财务危机预测模型，且模型具有较高准确率。Altman[7]在1968年经过对五项财务指标加权汇总，得出Z值来对企业的财务风险进行预测。1977年，Altman 与 Haldemand等人[8]在Z值公式模型的基础上，构建了ZETA评分模型。

基于已有的研究理论，本文采用数据挖掘中的关联规则挖掘技术，通过对我国上市ST公司财务指标的挖掘，探寻隐藏在各财务指标中的规则，挖掘出了净利润、销售毛利率、流动资产周转率、净资产增长率、总资产增长率、流动比率、资产的经营现金流量回报率等7个具有较高代表性的财务指标，然后对企业财务风险防范提出建议。

下文的结构安排是：第二部分对关联规则挖掘的原理进行了简单介绍；第三部分是基于关联规则的企业财务风险分析实证研究；第四部分给出了实证研究的结论与分

析。

1 基于关联规则的企业财务风险分析模型

基于关联挖掘的企业财务风险分析主要包括以下三个阶段： 第一阶段，企业财务风险指标体系构建。 第二阶段，企业财务风险分析模型构建。 第三阶段，企业财务风险防范预警。

关联规则是数据挖掘中一种重要的挖掘技术，它从大量数据中挖掘数据之间隐藏的关联关系。如果数据属性之间存在关联，那么就可以依据其他属性值对数据的某一属性进行预测。关联规则挖掘问题主要包括两个方面内容：第一个是找出数据中符合支持度阈值的数据项集；第二是利用生成频繁项集的关联规则，根据预设的置信度阈值进行筛选，得到强关联规则[9]。

关联规则算法有多种，其中最具代表性的是Apriori算法。本文基于Apriori算法建立企业财务风险分析模型如下：

设I是由所有上市公司组成的集合，D={Ti,i=1,2,…,n}。D表示上市ST公司组成的集合，Ti表示上市ST公司，且Ti∈D,Ti∈I。设X、Y都是上市ST公司Ti的财务指标或指标集合，且X∩Y=φ，如果Ti同时包含X和Y，那么就可以得到关联规则： X⟹Y(S,C,I) (1)

S为支持度，表示满足条件的公司Ti在上市ST公司集合D中所占的比例，计算公式如下： S(X⟹Y)= (2)

式(2)中，|·|表示集合中的元素数目。在公司Ti中所有满足最小支持度的项集，称

为频繁项集。

C为置信度，反映了X出现的条件下，Y出现的条件概率，表示关联规则的强度，衡量了关联规则的准确度，计算公式如下： C(X⟹Y) (3)

通过关联规则对企业财务风险指标挖掘，根据要求调整支持度和置信度阈值，找寻出各财务指标之间的关系。选取具有高代表性的指标进行分析，对企业财务风险提出预警。

2 基于关联规则的企业财务风险分析实证研究 2.1 样本企业的选取

本文选取上市公司中的ST公司作为样本，主要考虑ST公司连续两年出现亏损，企业财务风险问题比较突出，具有较强的代表性。由于部分公司2016年年报暂时还未公布，所以本研究选取了2015年年底上市公司中的64家ST公司，剔除其中存在异常数据和缺失数据的公司，最后保留48家公司作为样本。样本数据来源于锐思数据库。 2.2 财务风险指标的选择

企业财务风险主要体现在盈利能力、营运能力、成长能力、偿债能力和现金流量这五个方面。在财务风险分析指标的选取上，应尽可能多地收集相关指标。本文选取了29个财务指标，具体指标如表1所示。

表1 符号说明符号财务指标符号财务指标X1每股收益X16流动资产周转率X2每股净资产X17营业收入增长率X3净资产收益率X18净利润增长率X4经营活动产生的现金流量净额X19净资产增长率X5每股净现金流量X20总资产增长率X6每股经营活动现金流量净额X21每股收益增长率X7净利润X22股东权益增长率X8销售净利率X23流动比率X9销售毛利率X24速动比率X10营业收入X25资

产负债率X11每股营业收入X26资产的经营现金流量回报率X12应收账款周转率X27资产的经营现金流量回报率X13应收账款周转天数X28经营现金净流量对负债比率X14存货周转率X29经营净现金流量/流动负债(现金流量比率)X15存货周转天数

由于财务指标之间存在一定的相关性，所以还需进一步对选取的财务指标进行相关性分析，剔除相关性较高的财务指标，以减少指标间的共线性。

通过对相关系数分析，去除相关性较高的x4经营活动产生的现金流量净额、x14存货周转率、x18净利润增长率、x22股东权益增长率、x24速动比率、x28经营现金净流量对负债比率这6个财务指标，保留剩下的23个财务指标。 2.3 风险等级划分以及财务指标数据库重构

不同设计者对财务风险的感受不一样，因此会有不同的财务风险划分标准。根据数据特征，结合赵春[10]所定义的财务风险等级划分标准，本文将财务风险等级划分如表2所示。

表2 企业财务指标风险等级定义表财务风险指标a级b级c级d级e级每股收益(元)>1[1,0.3][0.3,-0.3][-0.3,-1]<-1每股净资产(元)>5[5,2][2,1][1,0.5][0.5,0]净资产收益率>0.4[0.4,0.1][0.1,-0.1][-0.1,-0.4]<-0.4每股净现金流量

(元)>1[1,0.5][0.5,0][0,-0.5]<-0.5每股经营活动现金流量净额(元)>3[3,1][1,0][0,-0.5]<-0.5净利润(百万元)>500[500,100][100,-100][-100,-500]<-500销售净利率>0.4[0.4,0.1][0.1,-0.1][-0.1,-0.4]<-0.4销售毛利率>0.6[0.6,0.2][0.2,-0.2][-0.2,-0.6]<-0.6营业收入(百万元)>1000[1000,100][100,50][50,20]<20每股营业收入(元)>10[10,5][5,2][2,1]<1应收账款周转率(次)>100[100,50][50,20][20,5][5,0]应收账款周转天数[0,30][30,60][60,90][90,180]>180存货周转天数[0,30][30,60][60,90][90,180]>180流动资产周转率

(次)>10[10,5][5,2][2,0.5][0.5,0]营业收入增长率>0.6[0.6,0.2][0.2,-0.2][-0.2,-0.6]<-0.6净资产增长率>1[1,0.3][0.3,0.1][0.1,0]<0总资产增长

率>1[1,0.3][0.3,0.1][0.1,0]<0每股收益增长率>0.5[0.5,0.1][0.1,-0.1][-0.1,-0.5]<-0.5流动比率>2[2,1][1,0.5][0.5,0.3][0.3,0]资产负债率[0,0.2][0.2,0.4][0.4,0.6][0.6,0.8][0.8,1]资产的经营现金流量回报率>0.5[0.5,0.1][0.1,-0.1][-0.1,-0.5]<-0.5经营现金净流量与净利润的比率>1[1,0.5][0.5,0][0,-0.5]<-0.5经营净现金流量/流动负债>1[1,0.5][0.5,0][0,-0.5]<-0.5

数据库重构是为了按照定义划分的风险等级将连续的财务指标转换成离散数据，以便进行后续的关联规则数据挖掘。但样本数据中的异常值会使企业财务风险的分析产生较大偏差。因此，在数据重构前，我们对样本数据进行了数值分析，剔除样本中的异常数据，最终留下30家企业样本。经重构的数据库如表3所示。 2.4 企业财务风险指标关联规则挖掘

利用spss modeler对重构后的财务指标数据进行关联规则挖掘。设置了三组不同的支持度和置信度阈值，得到了不同的关联规则。在不同支持度和置信度阈值下关联规则挖掘结果如下所示： 表3 财务指标重构表股票代码

x1x2x3x5x6x7…600701cccace…600212dcedce…000962ebddce…002513dacdbe…000913cbcdce…002061dcddce…600721ecedbe…002069dcddce…000670cdcdce…000037ecebce…000950dbdcce………………………

当同时设置支持度和置信度阈值为0.7时，共计发现81条关联规则，涉及x7净利润，x9销售毛利率，x16流动资产周转率，x19净资产增长率，x20总资产增长率，x23流动比率，x26资产的经营现金流量回报率等7个财务指标，结果如4所示。

表4 s=0.7,c=0.7关联规则表后项前项支持度置信度

x19ex20e0.766671x7ex20e0.766671x7ex19e0.91x19ex20e和

x9c0.733331x7ex20e和x9c0.733331x7ex20e和x19e0.766671x19ex20e和x7e0.766671x7ex9c和x9e0.833331x7ex26c和x19e0.81x7ex20e和x9c和x19e0.733331x19ex20e和x9c和x7e0.733331x7ex9c和x26c和x19e0.766671x7ex9c0.90.96296x7ex26c0.90.96296x19ex9c和x7e0.866670.96154…………

当同时设置支持度和置信度阈值为0.8时，共计发现38条关联规则，涉及x7净利润，x9销售毛利率，x19净资产增长率，x20总资产增长率，x26资产的经营现金流量回报率等5个财务指标，结果如表5所示。

表5 s=0.8,c=0.8关联规则表后项前项支持度置信度x7ex19e0.91x7ex9c和x19e0.833331x7ex26c和

x19e0.81x7ex9c0.90.96296x7ex26c0.90.96296x7ex9c和x7e0.866670.96154x7ex9c和x26c0.833330.96x9cx26c和

x19e0.80.95833x19ex9c和x26c和x7e0.80.95833x9cx26c和x19e和x7e0.80.95833x19ex7e0.966670.93103x26cx9c0.90.92593x9cx26c0.90.92593x19ex9c0.90.92593x9cx19e0.90.92593x9cx19e和x7e0.90.92593x26cx9c和x7e0.866670.92308x9cx26c和x7e0.866670.92308…………

当同时设置支持度和置信度阈值为0.9时，共计发现9条关联规则，涉及x7净利润，x9销售毛利率，x19净资产增长率，x26资产的经营现金流量回报率等4个财务指标，结果如6所示：

表6 s=0.9,c=0.9 关联规则表后项前项支持度置信度

x7ex19e0.91x7ex9c0.90.96296x7ex26c0.90.96296x19ex7e0.966670.93103x26cx9c0.90.92593x9cx26c0.90.92593x19ex9c0.90.92593x9cx19e0.90.92593x9

cx19e和x7e0.90.92593 3 结论

通过对上市ST公司财务指标的关联规则挖掘，我们发现当上市公司出现财务风险时，存在部分财务指标总是频繁出现，这些指标分别为：x7净利润， x9销售毛利率， x16流动资产周转率， x19净资产增长率，x20总资产增长率，x23流动比率， x26资产的经营现金流量回报率等7个指标。对以上7个指标，通过我国上市公司的实际数据进行测试分析，证明这些关键指标的波动直接影响公司的财务风险程度。

我们可以通过对这7个财务指标分析对企业财务风险进行如下分析：

在企业盈利能力方面，可以分析x7净利润、 x9销售毛利率两个指标，它们直观体现了企业的盈利能力。净利润高，则说明企业的效益好，如果净利润低，则企业的效益就差。销售毛利率低，表明企业销售毛利占净利比率低，就表明了企业通过营业赚取利润的水平不高。

在企业营运能力方面，可以分析x16流动资产周转率，它反映了企业流动资产的利用效率。该指标越高，表明流动资产周转速度越快，则企业营运能力越强。 在企业成长能力方面，可以分析x19净资产增长率、x20总资产增长率两个指标，这两个指标都能直观的看出企业在一段时间内的资产规模扩张的速度。 在企业偿债能力方面，可以分析x23流动比率。流动比率体现了企业的变现能力和短期偿债能力，比率越高，能力越强。

在企业现金流量方面，可以分析x26资产的经营现金流量回报率，它是经营活动产生的现金流量净额与总资产的比值。该指标显示了企业的收现能力，回报率越高，收现能力越强。 参考文献

[1] 陈文伟,陈晟.从数据到决策的大数据时代[J].吉首大学学报：自然科学

版,2014(3):31-36.

[2] 庄慧,饶扬胜.数据挖掘技术在上市公司财务困境预测中的应用[J].现代经济信息,2016(19):143-144.

[3] 苏鲁娜.A公司财务风险分析与防范研究[D].北京：首都经济贸易大学,2016. [4] 罗旻婧.基于时间序列的财务风险预测研究[D].广州：广东财经大学,2016. [5] 徐力.基于数据挖掘的上市公司财务诊断研究[D].杭州：浙江财经大学,2016. [6] 李清.基于适度财务指标和遗传算法的财务危机预测模型研究[J].统计与信息论坛,2010(2):3-9.

[7] ALTMAN E I.Financial ratios,discriminant analysis,and the prediction of corporate bankruptcy[J].The Journal of Finance,1968,23(4):589-609. [8] ALTMAN E I,HALDEMAN R G,NARAYANAN P.ZETA TM analysis a new model to identify bankruptcy risk of corporations [J].Journal of Banking & Finance,1977,1(1):29-54.

[9] 王振武,徐慧.数据挖掘算法原理与实现[M].北京：清华大学出版社,2015:35-53. [10] 赵春.基于数据挖掘技术的财务风险分析与预警研究[D].北京：北京化工大学，2012.