基于支持向量机的房地产企业财务困境预测分析-financial distress prediction analysis of real estate enterprises based on support vector machine.docxVIP

摘要房地产业是我国经济的重要支柱产业之一。近几年由于国内政策和国际复杂环境的 影响，房地产企业面临着前所未有的挑战，而且由于自身资金结构上的特点，我国房地 产业对流动资产依赖度高，所要应对的财务风险也较高，因此对房地产企业进行有效地 财务困境预警具有重要意义。国际上对财务预警的研究具有悠久的历史，判别困境企业 的方法众多，包括多元判别分析法、逻辑回归模型（Logistic Regression）法、人工神经 网络(ANN)模型等方法和支持向量机方法等。而预警研究面临的主要困难是困境判定标 准模糊不清，以及实际条件下小样本数据建立判别模型容易拟合过度，通过对理论和方 法的不断研究和改进来克服这些问题是财务预警研究工作的重中之重。境内房地产企业相对与境外同类型企业有其自身鲜明特点，本次试验的样本将全部 采用我国境内上市的地产企业。对于财务困境的判别标准，国外研究者通常将破产企业 定义为财务困境企业。而在国内的同类实验中，通常将企业被“特别处理”作为辨别企 业是否陷入财务困境的标准。本文在详细分析财务困境理论和房地产企业财务特征的基 础之上，将一个会计年度净收益低于 0.00 元的企业定义为财务困境企业。一方面这样设 定更符合财务困境状况发生的初始阶段特征，另一方面这一新的判别标准将更加有利于 房地产企业防患未然，更好的预防风险。支持向量机（Support Vector Machine）是一种新颖的小样本机器学习方法，具有众 多的优良特性。考虑到房地产企业财务预警实验中训练样本集所具有的维数高样本少的 特点，本文选择支持向量机分类方法来进行房地产企业财务困境预测，同时为改善传统 C-支持向量机模型在学习过程中容易因忽视有限样本的差异性而导致的模型误分率提 高、推广能力减弱的状况，本实验将模糊理论引入支持向量机方法，从而改进了传统的 支持向量机算法，建立基于模糊隶属度的模糊支持向量机(FSVM)模型。作为关键性问 题，模糊隶属度函数的确定建立在对样本财务指标和经营状况的充分分析的基础之上， 通过统计方法将各个样本公司实际经营的稳定程度具体数值化来确定每个样本对应的 模糊隶属度。这样就能充分考虑企业现实因素从而合理地对样本加权，最终的实验结果 表明，对样本加权处理过的 FSVM 模型，比普通的 C-SVM 模型具有更好的分类效果和 更强的推广能力。关键词：财务困境;地产企业;支持向量机;线性分类机;模糊隶属度函数ABSTRACTThe real estate industry is one of the support effect industries in China. In recent years, the real estate business is facing many unprecedented challenges due to the impact of our domestic policies and complex environment in the world. And the real estate business is become more difficult to solve, so an effective real estate industry financial early-warning system has important significance. There are several methods to judge Companies in financial distress, such as: univariate discriminant analysis, Multivariate Discriminant Analysis, logistic regression, Neural network, NN Support Vector Machine and so on. But the main difficulties is faced by the work of Early warning research is financial distress criteria being fuzzy, and model become excessively obey data under small sample data in our real-world. Through continuous research and improve the theory and methods of the financial predicament warning experimental to overcome these problems is the most imp