企业财务预警PCA―SVM模型研究
随着我国社会经济发展脚步的不断加快，提高企业财务管理效率也成为了诸多企业所面临的一项重大课题。传统财务预警包括一元判别法和多元判别法，虽然这些预警模型都能够在一定程度上满足企业财务的管理需求，但同时也存在着一些有待解决的问题，比如说线性判别的局限性、网络推广能力不高等。为此，本文介绍了一种基于主成分分析和支撑向量机相结合的企业财务预警模型，以此来更好的对企业财务预警模型进行完善，促进企业的可持续发展。
1、企业财务预警概述
所谓财务预警，主要是指根据企业所提供的财务报表以及其他会计资料，利用金融、企业管理、市场营销等理论，对企业当前的经营状况和财务活动等工作进行全面、系统的分析预测，从而通过预测结果来发现企业发展过程中所面临的风险，并根据企业发展的实际情况，采取相应的措施规避风险，以此来避免这些风险发生而给企业带来的经济损失。就以往企业财务预警的分类来看，主要包括两种类型，即一元判别法和多元判别法。其中，一元判别法又称单变量模型，这种财务预警模型是以某个单项指标作为评判标准的预警模型，虽然能够在某些方法将企业的经营状况和财务活动反映出来，但由于评判标准存在片面性，因此，并不能全面的将财务特征的缺陷表现出来。多元判别法的出现将一元判别法的缺点进行的有效弥补，该预警模型主要是通过多元线性判别式产生判别分，并通过判别分来对企业的经营状况和财务活动进行全面分析、预测，从而得到最为全面的预测结果。但无论是一元判别法还是多元判别法，都无法突破线性判别方法的局限性，从而导致无法进行动态学习和调整。
为了更好的对企业财务预警模型进行完善，专家尝试将神经网络应用到预警模型中。所谓神经网络，是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。但是，这种方法需要大量的样本数据作为基础，一旦样本数据的数量达不到要求，那么就会直接影响到神经网络的推广能力。近年来，神经网络在企业财务预警中的应用越来越广泛，如何将其在财务预警中的作用充分发挥出来也成为了专家所面临的重大课题。
2、企业财务预警PCA―SVM模型构建与研究思路
本文所介绍的PCA―SVM模型的构建大致可以分为两个部分，即对数据进行主成分分析和利用SVM进行分类。其中，对数据进行主成分分析主要是在诸多变量中选取几个最具代表性、信息含量最丰富的变量作为主成分，然后对其进行分析并形成样本数据，这样做是为了尽可能减少数据分析时的复杂操作，从而将大量的数据简单化，从而为接下来的数据处理工作奠定基础。利用SVM进行分类实质上是一种统计学习方法，这种方法最适合小样本问题，是将空间中不可分问题通过非线性高换映射到高维线性可分的特征空间，并在此基础上进行分类。
3、实证研究及分析
为了更好的对财务预警PCA―SVM模型进行研究，本文选取了15家公司3年的财务报表和相关的会计资料作为基础数据，这些公司均为房地产公司，所要证实的内容主要包括2点：一是财务报表可以确保一定的真实性；二是以原始数据为主，可以尽可能避免不同分析方法所产生的误差。
3.1、原始比率变量分析
首先，提取主成分实现维数压缩，减小各输入值之间的相关性，在对15家公司的财务报告进行分析之后，发现整体原始数据上存在较大的冗余性，可以进行简化。同时，流动比率与速动比率之间存在较强的相关性，其他的几项指标之间也都存在着较大的相关性，比如说总资产周转率、净资产收益率和成本费用利润率等。相比之下，也有一些相关性比较弱的指标，比如说股东权益比率、存货周转率以及流动资产周转率等。
3.2、主成分选择及解释
表1所介绍的是主成分的特征值和贡献率，如果想要对表1中的5个主成分因子进行解释，就必须利用原始的财务数据，换句话说，原始数据域主成分因子之间存在着必然的联系。其中，主成分1需要由股东权益比率、主营业务利润率、成本费用利润率、净资产收益率以及总资产收益率解释；主成分2需要由流动比率、速动比率、资产负债率和负债权益比率解释；主成分3需要由负债权益比率、固定资产周转率和总资产周转率解释；主成分4需要由现金比率和主营业务毛利率解释；主成分5需要由应收账款周转率解释。
3.3、建立模型识别部分
从上文的分析我们已经得到了5个典型的数据样本，我们将主成分1到主成分5作为输入，以SVM作为模式识别工具。在实际操作中，我们以软件Maltalb6.5作为主要软件，采用SMO训练算法，结合DDAG实现多类划分。通过该实验的设计和实施，我们完成了两种分类，即二类划分和三类划分，划分的具体结果如表2和表3所示：
从表2我们能够看出，正常类样本100%正确识别，关注类样本100%正确识别，报警类测试样本被识别为关注。说明支撑向量机提取正常与关注的区别特征，并可利用这种特征进行正确的分类识别。证实了利用支撑向量机进行财务数据分类的可行性。
从表3我们能够看出，正常类样本全部正确识别；关注类样本有2个正确识别，1个误识为正常，一个误识为报警；报警类4个样本全部正确识别。由于企业样本自身分类的模糊性，关注类样本介于正常和报警类样本之间，此处测试结果在可接受范围之内。由于SVM的c类划分是由c（c一1）/2个2类SVM分类器组成，每个SVM只对其中的2类进行区别，可能出现无法正确区分的情况。
3.4、结果分析
从本文的分析我们可以得出以下结论：首先，利用SVM对提取的样本进行分类，可以有效克服以往财务预警模式在区分企业状态方法上线性判别的局限性，得到的最终结果要优于BP神经网络的结果。其次，从实验中我们也能够得知，一旦训练样本得以确定，那么BP神经网络便不能够有效提取不同类别企业的财务数据特征，从而无法实现对财务数据的有效分析和预测。最后，由于样本数量的绝对限制，PCA-SVM模型尚有一定缺陷，比如：准确率达不到100V%的正确，多类划分出现误差。但是，也可以看出，在相同样本数量条件下，多变量模型根本无法使用，BP神经网络也未能提取其分类特征，SVM在同等条件下达到的效果，也在我们可以接受的范围之内。PCA-SVM模型是将人工智能算法与传统方法结合构成新型专家系统的一次有效尝试。因此，在未来的时间里，我们需要不断对企业财务预警PCA―SVM模型进行不断优化与完善，尽可能将其尚有的缺陷弥补，从而使其作用能够在企业财务管理工作中充分发挥出来，提升企业的经济效益和社会效益。
4、结语
综上所述，财务预警PCA―SVM模型不仅能够克服以往财务预警模式在区分企业状态方法上线性判别的局限性，而且还能够进一步增强BP的网络推广能力。随着我国社会经济的飞速发展，财务预警PCA―SVM模型在未来企业财务管理的应用上必然会越来越广泛，因此，企业必须要提高对该模型的重视程度，将其作用在企业财务管理中充分发挥出来，从而更好的提升企业的经济效益和社会效益。
