基于多分类不均衡支持向量机的制造型企业财务风险预警研究

作     者：吴恒铭 

作者单位：杭州电子科技大学 

学位级别：硕士

导师姓名：张忠良

授予年度：2024年

学科分类：120202[管理学-企业管理（含：财务管理、市场营销、人力资源管理）] 12[管理学] 0202[经济学-应用经济学] 02[经济学] 1202[管理学-工商管理] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 020205[经济学-产业经济学] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：多分类问题 不均衡数据 支持向量机 财务风险预警 制造型企业 

摘      要：制造业作为我国的支柱产业,是经济增长的重要的组成部分。随着经济全球化,中国制造业取得了巨大的发展,成为了全球制造业大国之一。其中,制造型企业在技术创新、产业升级和国际化发展方面对中国制造业发挥着重要作用。然而,企业在发展壮大的过程中,管理层决策不当、内部控制缺陷、人力资源等问题威胁着企业的生存,同时随着全球制造业的竞争激烈、国家贸易摩擦以及新冠疫情对经济的影响,企业的财务问题愈发受到各方重视。制造型企业内外部环境的各种不确定性使其面临的财务风险日益增大,如果忽视潜在的财务风险,企业的健康经营得不到保证,甚至可能陷入财务危机。因此,为制造型企业探索科学合理的财务风险预警方法尤为重要,通过有效财务风险预警方法,企业可以更好地识别和管理财务风险,保障生产经营和稳健发展。 在过去的几十年里,大量国内外学者对制造型企业财务风险预警方法进行研究,从提出的预警模型上看,基于支持向量机(Support vector machine,SVM)的财务风险预警模型,其预测准确率比Logistic回归以及人工神经网络更高。但是,传统的支持向量机为二分类问题设计,并假设数据样本是平衡的。针对财务风险预警场景样本多分类不平衡的特点,本文以支持向量机为分类器,构建了基于哈夫曼树(Huffman Tree,HT)的多分类支持向量机的财务风险预警模型。首先利用哈夫曼树将多分类不平衡问题分解为一系列相对平衡的二分类子问题,然后,将一种改进的支持向量机嵌入到哈夫曼树中,实现对多分类不平衡数据的处理,称为HT-SVM。最后,采用算术优化算法(Arithmetic Optimization Algorithm,AOA),对HT-SVM中使用的参数进行全局寻优,将该方法称为AOA-HT-SVM。为了验证AOA-HT-SVM的有效性,本文在20个公开的数据集上进行实验,以MAv A和MFM为指标,结果表明AOA-HT-SVM优于其他对比算法。 随后,本文以制造型企业为研究对象,从国泰安(CSMAR)数据库中选取了2013年至2022年制造业上市公司数据样本1323个,包括9种财务风险变动类别,指标体系由7大类指标,合计28个指标构成。在数据预处理中,利用统计检验筛选出对样本类别影响显著的指标,为了检验哪一类指标对预测效果的影响更大,通过剔除该类指标来查看对模型效果的影响,接着利用AOA-HTSVM模型以及T-2、T-3年的数据构建预警模型。 研究结果表明,在指标完整的情况下,AOA-HT-SVM模型对制造型企业财务风险T-2年的MAv A为0.7906,MFM为0.8073,T-3年的MAv A为0.7541,MFM为0.7726,说明该模型有出色的预测能力,可以有效应用到制造型企业财务风险预警问题上。研究发现发展能力、经营能力、偿债能力对模型预测效果影响较大。此外,影响各个类别预测效果的因素各有不同。最后,本文从模型的实验结果出发,对制造型企业如何管控财务风险给出相应的管理建议。