房产业财务风险观测探析范文

我国对于房地产企业财务风险预警研究还基本停留于传统的统计学方法。因此，本文将借鉴企业财务风险预警模型的最新研究成果，运用智能方法———支持向量机方法其财务风险智能预警进行研究，以期达到比以往传统预警方法更准确的预测及更广泛的运用。

支持向量机模型的构建

1SVM算法基本思想支持向量机（SupportVectorMachine，简称SVM）是建立在结构风险最小化原则和VC维理论基础上的一种新型机器算法。它可以有效地实现小样本在高维空间非线性系统的精确拟合。其主要思想是在二分类问题中，在高维空间寻找一个超平面作为两类的分类面，以保证最小的分类错误率。根据训练集训练得出的决策函数，可对任意输入x预测其所对应的y，即可对企业财务进行预警。

2SVM求解过程财务预警是一个非线性问题，可以通过非线性变换将原低维空间非线性问题转化为某个高维空间中的线性问题，在变换空间求最优分类面。在高维空间中分类面表达式为：w•准(x)+b=0准(x)是输入向量x从空间Rn到高维空间的变换。由最大间隔思想及软间隔思想可得，求解上式可转化为对下列凸二次规划问题求解：

实证分析

1样本选取数据来源本文采用沪深证券交易所上市公司财务数据，数据来自证券之星，新浪财经网站，为了避免采用破产后数据信息建立预警模型会高估模型的预测能力，本文选取训练样本时，采用上市公司被ST或*ST前两年的财务信息(即：公司2011年被ST，则选用2009年的财务信息)作为训练数据构建预警模型，以预测上市公司是否会在下年因严重财务风险而被特别处理。本文随机选取2011年被ST或*ST的5家公司，10家非ST公司作为训练集样本；随机选取2家ST或*ST公司，3家非ST公司作为测试集样本。

2预警指标选取预警指标的选取目前尚未形成一套成熟的标准，宋雪枫，杨朝军（2006）在国家自然科学基金项目研究中，用杜邦分析从上市公司的盈利能力，负债结构，周转能力三个方面选取18个相关预警指标，并采用Kuskal-WallisH非参数检验最后确定了总资产收益率、总资产周转率、流动资产周转率、主营业务利润率、超速动比率、流动负债比率、资产负债率、应收账款周转率、和存货周转率9个财务危机上市公司与非财务危机上市公司之间存在显著差异的指标。本文也将采用这几个指标作为输入指标对房地产企业财务风险进行预警研究。在输出指标中，未被ST的公司视为财务正常公司，输出为1，被ST的公司视为财务异常公司，输出为-1。

3实证分析以选取的20家上市房地产公司最为研究对象，对其原始财务数据进行收集，并对样本企业进行编号如表1。运用MATLAB7.0，安装libsvm-mat-2[1]89-3工具箱，将表1中数据标准化后，以前15组样本作为训练集样本，后5组样本作为测试集样本。采用5层交叉验证法对训练集进行训练。C=200，σ2=3。采用该模型对测试集进行测试的测试结果如下：由表2可以看出，预测分类结果与实际分类结果完全符合，模型具有良好的应用效果。

结语

研究结果表明，支持向量机方法在上市房地产企业财务预警模型建立中可行，有效，且比以往传统统计学学方法和神经网络方法更加方便，克服了传统方法的固有缺陷，体现了其在小样本数据条件下高精度预警的优越性。为我国房地产企业财务风险预警研究的智能化发展提供了新思路。

作者：董雅丽单位：河北工程大学经管学院