Abstract： In this paper， the financial data of listed real companies is referred. Combined with correlation analysis， screening and establish the indicator system impact of financial risk. The SVM is used to establish the forecasting models of financial risk analysis. The gray relational theory is used to analyze sensitivity and the most sensitive indicators of the impact of financial risk is obtained.
Key words： real estate；financial risk；prediction；support vector machine；sensitivity
中图分类号：F293.3；F224 文献标识码：A 文章编号：1006-4311（2014）29-0189-02
0 引言
近几年，国家政策与经济形势不容乐观，关于房地产备受争议，出现频率最多的几个名词如“房地产泡沫”、“房地产市场崩盘”、“鬼城”等在一定程度上昭示了房地产企业在财务风险控制的迫切性以及必要性，尤其是市场激烈竞争程度增加，向房地产企业提出了高度重视公司财务的风险识别、风险预警、风险控制的要求。为此，亟待建立系统、科学的分析方法模型，准确、全面地对房地产企业财务进行风险分析，以帮助房地产企业全面把握经营过程中的风险，做出正确战略决策，从而防患于未然，最大限度地实现财务风险的降低和转移。
本文基于支持向量机提出一种房地产财务风险分析模型并通过范例证实其可行性。选取房地产上市公司的财务数据作为研究对象，从财务风险的微观层次出发，通过Person相关系数对大量影响房地产财务风险的指标进行相关性分析，筛选出具有代表性的指标，从而建立房地产企业财务风险分析指标体系；运用支持向量分类机建立财务风险预测模型，通过模型的训练及检验，达到预想效果，结合灰色关联理论进行敏感性分析，得到影响财务风险最敏感的指标。
1 风险预测及敏感性分析理论概述
1.1 相关性理论 采用Pearson相关系数检验两个指标之间的相关性，设两个随机样本为X=（x1，x2，…，xn）和Y=（y1，y2，…，yn），则两个样本相关系数为[1]
r=■ （1）
式中：|r|≥0.8时为高度相关；0.5≤|r|<0.8时为中度相关；0.3≤|r|<0.5时为低度相关；|r|<0.3时两变量之间的相关程度极弱，可视为不相关。
1.2 支持向量分类机 支持向量机（Support Vector Machine，简称SVM）是在统计学习理论的基础上发展起来的一种新的机器学习方法[2-3]，其核心思想是通过选择的非线性映射将一个线性不可分的空间映射到一个高维的线性可分的空间。在此空间利用结构风险最小化原则构造最优分类超平面，其过程变为如下优化问题：
min J（w，ξ）=■w■w+C■ξ■ （2）
限制条件：y■w■x■+b？叟1-ξ■，ξ？叟0，i=1，2，…，n
式中：C为误差惩罚参数，则支持向量机的判决函数为
f（x）=sign■α■■y■Kx■，x+b■ （3）
式中：SV为支持向量，b*为分类阈值，Kx■，x为核函数。
1.3 灰色关联理论 灰色关联理论是一种系统科学理论，基本思想是根据序列曲线几何形状的相似程度判断关联是否紧密，曲线越接近，相应序列之间关联度就越大，反之就越小[4]，分析之前须对各序列进行无量纲化处理，然后确定关联系数和关联度。
1.4 预测分析基本步骤 ①初步选取影响房地产财务风险的指标体系；②利用Person相关系数检验两两指标之间的相关性，将高度相关的指标分为一组，并选出每组中的代表性指标，与其它不相关的指标重新组成指标体系；③利用支持向量分类机建立输入指标与输出指标之间的非线性映射关系，并进行检验，从而得到房地产财务风险预测模型；④采用灰色关联理论进行敏感性分析，得到影响财务风险最敏感的指标。
2 案例分析
本文选取2010年我国沪深证券交易所房地产行业中63家公司的财务数据作为研究对象，其中有11家ST公司和52家非ST公司，数据来源于新浪财经及和讯网。
根据房地产上市公司的财务数据，从每股指标、盈利能力、成长能力、运营能力、偿债及资本机构、现金流量六个方面出发，其中每股指标包括摊薄每股收益（X1）、每股收益-调整后（X2）、每股经营性现金流（X3）、每股资本公积金（X4）、每股未分配利润（X5），盈利能力包括总资产利润率（X6）、总资产收益率（X7）、主营业务利润率（X8）、总资产净利润率（X9）、净利润率（X10）、成本费用利润率（X11）、营业利润率（X12）、主营业务成本率（X13）、销售净利率（X14）、股本报酬率（X15）、资产报酬率（X16）、销售毛利率（X17）、三项费用比重（X18）、非主营利润比重（X19）、主营利润比重（X20）、主营业务利润（X21）、净资产收益率（X22），成长能力包括主营业务收入增长率（X23）、净资产增长率（X24）、总资产增长率（X25），营运能力包括应收账款周转率（X26）、存货周转率（X27）、总资产周转率（X28）、总资产周转天数（X29）、净资产周转率（X30）、流动资产周转率（X31）、流动资产周转天数（X32）、股东权益周转率（X33）、经营周期（X34），偿债及资本结构包括流动比率（X35）、速动比率（X36）、现金比率（X37）、利息支付倍数（X38）、股东权益比率（X39）、股东权益与固定资产比率（X40）、资本固定化比率（X41）、产权比率（X42）、资产负债率（X43）、总资产（X44），现金流量包括经营现金净流量对销售收入比率（X45）、资产的经营现金流量回报率（X46）、经营现金净流量与净利润的比率（X47）、现金流量比率（X48）考虑影响财务风险的指标共48个。 通过运用Person相关系数对指标变量进行两两相关性分析，当p=0.8时，指标间存在高度相关性，故将相关系数大于0.8的指标分为一组，选出每组中的代表性指标。相关性分析结果表明，X1、X5、X15之间，X6、X7、X9、X22之间，X10、X11、X12、X14、X18、X29、X32、X34之间，X13、X17之间，X28、X30、X31、X33之间，X36、X37之间，X39、X43之间，X46、X47、X48之间8组数据存在较强的相关性，选出每组中的代表性指标，并与其它相关性较小的指标共同组成财务风险分析的指标体系，共28个指标，详细见表1。
根据63组训练样本，每组样本有28个不相关的指标，作为输入样本，定义ST公司为-1，非ST公司为1，作为输出样本，利用支持向量机建立输入样本与输出样本之间的非线性映射关系，从而得到财务风险预测模型，并用10个样本对模型进行检验，分类准确率为90%。对2011年的20家公司进行财务风险预测，结果见表2。由表2可以看出，预测结果的准确率达85%，说明模型具有良好的预测应用效果，可以有效的预测房地产企业财务风险。
针对上述63组试验样本，采用灰色关联理论进行敏感性分析，则28个指标对财务风险的敏感性依次为资产负债率（r43=0.9467）、净资产收益率（r22=0.9432）、主营业务收益率（r8=0.9431）、主营业务成本率（r13=0.9428）、产权比率（r42=0.9402）、每股未分配利润（r5=0.939）、流动比率（r35=0.9378）、速动比率（r36=0.9338）、股东权益周转率（r33=0.9318）、资本固定化比率（r41=0.9306）、资产报酬率（r16=0.9267）、主营利润比重（r20=0.9261）、总资产增长率（r25=0.9254）、每股资本公积金（r4=0.9194）、主营业务利润（r21=0.9183）、总资产（r44=0.9178）、净资产增长率（r24=0.9092）、股东权益与固定资产比率（r23=0.9078）、存货周转率（r27=0.9021）、应收账款周转率（r26=0.8986）、每股收益-调整后（r2=0.8948）、每股经营现金流（r3=0.878）、经营现金净流量对销售收入比率（r45=0.8743）、利息支付倍数（r38=0.8603）、营业利润率（r12=0.8382）、现金流量比率（r48=0.831）。
可见，资产负债率的变化对房地产的财务风险最为敏感，将房地产企业负债率控制在合理范围对房地产企业的财务风险控制具有现实作用。
3 结论
①引入Person相关系数对两两指标进行相关性分析，将不相关的指标重新组成指标体系，从而可以精简指标体系。②利用支持向量机建立房地产财务风险预测模型。案例结果表明，该模型预测精度较高，可以对房地产财务风险进行预测。③结合灰色关联理论进行敏感性分析，结果表明，资产负债率的变化对房地产的财务风险最为敏感，从而可指导房地产企业可针对性加强对财务风险的控制。
