马莉娜，张　倩

(河海大学 商学院， 南京　211100)



引用格式：马莉娜，张倩.基于支持向量机的新能源上市公司绩效评价[J].重庆理工大学学报(自然科学版)，2016(1):54-62.

Citation format：MA Li-na, ZHANG Qian.Performance Evaluation on New Energy Listed Companies Based on Support Vector Machine[J].Journal of Chongqing University of Technology(Natural Science)，2016(1):54-62.

基于支持向量机的新能源上市公司绩效评价

马莉娜，张倩

(河海大学 商学院， 南京211100)

摘要：在分别介绍新能源上市公司绩效评价方法及支持向量机(SVM)理论的基础上，将SVM理论引入上市公司绩效评价中，构建了基于SVM的新能源上市公司绩效评价模型，并通过案例分析证实了基于SVM的新能源上市公司绩效评价方法的可行性。

关键词：支持向量机；新能源上市公司；绩效评价

新能源将会是未来能源消费的主流。中国的新能源产业面临着巨大的机遇和挑战。在2007年，中国新能源消费占总能源消费的8.5%，《可再生能源中长期发展规划》指出：到2010年中国可再生能源消费将占总能源消费的10%，到2020年将达到15%[1]。不断提升新能源产业的竞争力，对保障新能源产业拥有持续、健康、快速的发展具有重大的研究意义和实践意义。刘慧娟[2]总结出我国新能源产业不断壮大和加速发展，但还没有形成完整的产业链，且整体技术水平较低、开发成本较高。因此，中国新能源产业急需提升生产能力和综合竞争力。进行科学合理的绩效评价对上市公司提高经营管理水平和综合竞争能力具有重要的作用，它有利于上市公司相关利益方综合了解公司经营状况及其发展变化趋势，有利于公司建立健全的激励和约束机制。如何正确分析和运用各种信息资料，对新能源上市公司绩效进行量化和科学的评价，在理论和现实上日益凸现其重要性、迫切性和必要性。目前，主要的上市公司绩效评价方法有4种：传统财务模式方法、平衡记分卡(BSC)、自由现金流量(FCF)、经济增加值(EVA)方法。而这4种方法都不尽完善，有其各自的优劣之处[3-9]。

支持向量机是一种基于统计学习理论的新型机器学习算法，其理论基础是Vapnik等提出的统计学习理论，是统计学习理论中最年轻的部分。在统计学习理论的VC维理论和结构风险最小原理的基础上建立的支持向量机方法，通过在有限样本信息模型的复杂性和学习能力之间寻求最佳折中方案来获得足够好的推广能力。基于支持向量机基础理论，国内外许多学者对该算法做了进一步的研究和改进[10-16]。本文首先依照关注财务目标、重视财务纪律、遵循行业规律的要求，设计了一套科学合理简单易行的新能源上市公司绩效评价指标体系；在绩效评价中引入SVM理论方法，将支持向量机引入新能源上市公司绩效评价中，构建了基于SVM的新能源上市公司绩效评价模型。

1我国新能源上市公司绩效评价指标体系

在上市公司评价指标体系方面，不同国家存在多个评价指标体系模式，在指标内容与数量上都不尽相同。杨琳[17]认为：过去的绩效评价指标体系受制于资本成本计算的不精确和会计信息的不全面，无法准确反映公司当期创造的价值，这一缺点在使用EVA绩效评价体系时得到了明显的改善，同时在评价过程中以企业投入的资本为基础，调整会计体系中不合理的部分，从而能更全面、客观地反映公司的价值创造能力。李军农[18]认为：传统的上市公司综合绩效评价模型过分注重财务绩效评价指标的可直接计价因素，忽视了非财务指标的不可直接计价因素，而事实上，市场竞争环境越来越需要管理者提示经营决策的合理性，因此诸如创新、生产力、质量和服务、市场占有率以及培训等这类非财务指标在绩效计量方面起着比以往更大的作用。徐兵[19]认为：上市公司绩效评价模型既要涵盖传统的财务评价指标，又要针对上市公司所在的行业特色和发展阶段选取其他非财务评价指标，同时要注重考察上市公司长期绩效是否持续改善。他通过分析目前上市公司现状及发展趋势，得出上市公司绩效评价应将财务指标评价和非财务指标评价结合进行的结论。王敏等[20]通过研究分析国内外企业及上市公司绩效评价的现状，建立了一套上市公司绩效评价指标体系。该体系从财务和非财务两方面考察上市公司的经营绩效，其中财务方面通过5个维度，14个指标来衡量，非财务方面用3个指标来衡量。整个指标体系指标全面、结构合理，具有较好的实际应用价值。

上述几种评价指标体系模式虽然注重将财务指标和非财务指标相结合，但依然没有很好地反映行业特色、企业长期发展能力、企业遵纪守法的情况，以及企业对社会的贡献，且指标间有重复或相互涵盖，故以此作为评价结果无法实现有效促进上市公司注重财务目标、财务纪律的作用。在本文构建的评价指标体系中，不仅关注上市公司财务目标，而且重点考察了上市公司遵守财务纪律的功能，具体包括反映上市公司偿债能力、获利能力、经营效率、发展能力、贡献能力和遵纪守法方面的6个1级指标及具体的12个2级指标。指标体系如表1所示。

表1　新能源上市公司绩效评价指标体系组成

2基于SVM的新能源上市公司绩效评价模型

2.1支持向量机基本原理

图1　最优分类超平面示意图

对于分类问题，标准的支持向量分类算法是给定训练集S={(xi,xj),i=1,2,…,l}，其中输入x∈Rd，输出yi∈{-1,+1}，l为样本数。采用非线性映射Φ:Rd→H将输入样本数据映射到一个高维空间以求得到线性模型，并定义核函数K(xi,xj)=Φ(xi)·Φ(xj)，用来取代向量的内积运算，然后求解下列最优化问题：

其中：ξi为松弛项，表示错分样本的惩罚程度；C为常数项，用于控制对错分样本惩罚的程度，实现在错分样本数与模型复杂性之间的折衷；ω和b为判决函数中的权向量和阈值。其对偶形式如下：

可以得到决策函数

将SVM理论引入绩效评价中，建立了基于SVM的新能源上市公司绩效评价模型。图2是基于SVM的新能源上市公司绩效评价模型框图。

图2　基于SVM的新能源上市企业绩效评价模型框图

2.2原始数据处理

本文构建的新能源上市公司绩效评价指标体系中的12个指标分属不同类型，为了消除量纲不同带来的影响，必须对指标进行标准化处理。常见的指标类型有：① 极大型，又称正向指标，即指标值越大越好；② 极小型，又称逆向指标，即指标值越小越好；③ 区间型，即指标值处在一定范围内为优。

在本文构建的评价指标体系中，“资产负债率”指标反映企业长期偿债能力，而“流动比率”指标能够反映企业短期偿债能力。对于新能源上市公司，一般认为流动比率的数值在160%～250%，而资产负债率则保持在30%～60%为宜，因此这2个指标属于区间型指标。“成本费用利润率”反映耗费1元钱所取得的报酬水平；“资产报酬率”反映1元资产的创利水平；“资本收益率”反映垫支1元资本而得到的报酬水平。这3个指标综合反映了上市公司的获利能力，属于正向指标。“工资增加值率” 反映支付1元工资费用提供了多少元增加值，以此表达劳动投入与产出关系；“产销平衡率”指标反映一定时期上市公司生产成果为社会承认的程度，该指标数值如果过低，反映出产品销路不佳。这2个指标能够比较客观地反映上市公司的经营效率。“销售增长率”和“净资产增长率”属于极大型指标，指标数值越大，说明企业成长越快，相应的财务状况就越好。“社会贡献率” 与“社会积累率” 同属正向指标，表示上市公司贡献水平，它们反映了上市公司在一定时期内对整个社会和政府所作的贡献。“罚项支出比率” 是一个逆向指标，其中的罚项指上市公司支付的各种罚金、罚款、罚息、滞纳金、赔偿费、诉讼费等，它反映了一个上市公司遵纪守法的情况，指标数值应越小越好。通过以下数学模型分别对以上12个指标进行规范化处理。

1) 对于极大型指标：

2) 对于极小型指标：

3) 对于区间型指标：

2.3核函数和核参数的选择

设计SVM评价模型的一个重要步骤就是选择核函数和核参数。基于SVM的新能源上市公司绩效评价研究，还需要确定核函数和核参数的选择。本文在基于SVM的新能源上市公司绩效评价中采用多项式作为内积函数。通过实验，使用同样的训练集和测试集，分别调整多项式核函数的参数，得到多项式核函数参数的调整实验结果，如表2所示。

从表2得出结论：以多项式内积函数为核函数构造的SVM模型，其准确率受多项式次数影响较大，而运算速度则主要受c值影响。注意到，当d=3，c=0.1时的准确率最高且速度最快，这就是本研究需要的多项式核函数参数：d=3，c=0.1。

表2　多项式核函数参数的调整实验结果

2.4训练及执行分类

在此，假设m为待评价的新能源上市公司数量，n为指标体系中的指标数量。本文中n等于12，分量Xij对应于第i个待评价新能源上市公司的第j个指标分值，将第i个待评价新能源上市公司的指标以一个n维向量表示：Xi=(Xi1,Xi2,…,Xin),i=1,2,…,m。

2.5积分累加和最优新能源上市公司的确定

通过拼接向量并对拼接类别进行判断，实现了将SVM引入新能源上市公司绩效评价中。为了完成待评公司的综合排序，需要将分类结果转化为绝对数值。使用循环的方法，让每个新能源上市公司依次与所有其他待评上市公司作比较。假设gi(Xj)是第i个待评新能源上市公司相对于第j个待评新能源上市公司比较的得分，则规定：① 如果第i个待评新能源上市公司优于第j个，则第i个待评新能源上市公司得2分；② 如果第i个待评新能源上市公司与第j个相当，则第i个待评新能源上市公司得1分；③ 如果第i个待评新能源上市公司劣于第j个，则第i个待评新能源上市公司得0分。由此得到如下定义：

将这些得分叠加就可以得到第i个待评新能源上市公司的分值f′(Xi)，其计算公式为

最终，通过上述步骤就可以得出绩效最优的新能源上市公司。

3案例分析——以新能源上市公司为例

本文选择10家典型的新能源上市公司，分别是：保定天威、长城电工、春兰股份、乐山电力、力诺太阳、岷江水电、特变电工、维科精华、新华光、华东科技。对这10家新能源上市公司进行绩效评价。数据来源于2009年度上市公司年报，原始数据见表3。

按照本文的数学模型对各项指标的原始数据进行规范化处理，结果见表4。

表3　新能源上市公司原始数据

表4　新能源上市公司评价指标标准化数值

表5　良中分类样本数据

表6　待评价新能源上市公司分类结果

进一步通过将待评价新能源上市公司进行两两循环比较，并通过本文2.6节的积分累加公式得到待评价新能源上市公司的积分累加值，进而得到绩效最优的新能源上市公司。从表7的结果可以看出：7号新能源上市公司为绩效最优企业。

表7　待评价新能源上市公司循环比较分类结果及积分累加值

4结束语

本文以注重财务目标和财务纪律为导向，考虑新能源上市公司的实情，从上市企业偿债能力、获利能力、经营效率、发展能力、贡献能力和遵纪守法等6个方面提取指标，建立了新能源上市公司绩效评价指标体系。

本文将支持向量机引入新能源上市企业绩效评价领域，建立了基于支持向量机的新能源上市公司绩效评价模型。首先通过将多个待评价的反映创业板上市企业绩效的相应指标数据的拼接形成大向量集，从而将绩效评价问题简化为分类问题；其次采用3个二值分类的分类器来完成3个分类，通过1对1的组合方式，实现了多分类功能；最后通过将待评价的样本公司进行两两组合，对类别标签进行定义和比较，实现了分类结果转化为绝对分值的功能，从而得出总的排序。本文利用实例研究说明基于支持向量机的新能源上市公司绩效评价方法是可行的。

参考文献：

[1]GAO C,ZHANG J Z,LI X D.Technical Efficiency Analysis of New Energy Listed Companies Based on DEA[C]//Artificial Intelligence and Computational Intelligence,International Conference,AICI 2010,Sanya,China:[s.n.],2010:161-168.

[2]刘慧娟.我国新能源类上市公司治理绩效与对策研究[D].南京:东南大学,2010.

[3]MAUREEN M,MATTHEW P.Performance Management for Social Enterprises[J].Systemic Practice and Action Research,2010,23(2):127-141.

[4]SEOKI L，KIM W G.EVA,refined EVA,MVA,or traditional performance measures for the hospitality industry[J].International Journal of Hospitality Management,2009,28(3):439-445.

[5]MICHALSKA J.The usage of The Balanced Scorecard for the estimation of the enterprise’s effectiveness[J].Journal of Materials Processing Technology,2005(162/163):751-758.

[6]BRUSHT H,BROMILEY P，HENDRISKX M.The Free Cash Flow Hypothesis for Sales Growth and Firm Performance[J].Strategic Management Journal,2000,21(4):455-472.

[7]FERDINAND A G.Free cash flow,debt-monitoring and managers’ LIFO/FIFO policy choice[J].Journal of Corporate Finance,2001,7(4):475-492.

[8]POPA G,MIHAILESCU L,CARAGEA C.EVA-Advanced Method for Performance Evaluation in Banks[M].Economia:Seria Management,2009.

[9]CHEN T Y,CHEN C B，PENG S Y.Firm operation performance analysis using data envelopment analysis and balanced scorecard:A case study of a credit cooperative bank[J].International Journal of Productivity and Performance Management,2008,57(7):523-539.

[10]CORINNA C，VLADIMIR V.Support-Vector Networks[J].Machine Learning,1995,20(3):273-297.

[11]OLIVIER C，VLADIMIR V，OLIVIER B,et al.Choosing Multiple Parameters for Support Vector Machines[J].Machine Learning,2002,46 (1/3):131-159.

[12]TAKASHI T,SHIN I.Ternary Bradley-Terry model-based decoding for multi-class classification and its extensions[J].Machine Learning,2011,85(3):249-272.

[13]HUANG J T,MA L H,QIAN J X.Improved support vector machine for multi-class classification problems[J].Journal-Zhejiang University Engineering Science,2004,38(12):1-61.

[14]ZHANG X F,SHEN L.A new hypersphere support vector machine algorithm[J].Journal of Electronics (China),2006,23(4):614-617.

[15]HEA X，ZHE W B.A simplified multi-class support vector machine with reduced dual optimization[J].Pattern Recognition Letters,2012,33(1):71-82.

[16]ARINDAM C,KAJAL D.Fuzzy Support Vector Machine for bankruptcy prediction[J].Applied Soft Computing,2011,11(2):2472-2486.

[17]杨琳.基于EVA的上市公司绩效评价[D].武汉:华中科技大学,2005.

[18]李军农.上市公司经营绩效评价研究[D].武汉:武汉大学,2004.

[19]徐兵.中国上市公司绩效评价研究[D].长沙:中南大学,2007.

[20]王敏,姜振萍.上市公司绩效评价指标体系的建立[J].科技创业月刊,2007 (3):40-41.

[21]王华秋，王斌.优化的邻近支持向量机在图像检索中的应用[J].重庆理工大学学报(自然科学版)，2014(9)：66-71.

[22]DING Y S,SONG X P,ZEN Y M.Forecasting financial condition of Chinese listed companies based on support vector machine[J].Expert Systems with Applications,2008,34(4):3081-3089.

[23]吕雍正，芮国胜，田文飚.基于直接支持向量机的蒸发波导参数反演研究[J].四川兵工学报，2015(2)：111-114.

[24]TANG F M,CHEN M Y,WANG Z D.New approach to training support vector machine[J].Journal of Systems Engineering and Electronics,2006,17(1):200-205.

[25]覃延，李冬梅，陈志泊.基于支持向量机的大规模试卷识别方法[J].西南大学学报(自然科学版)，2014(6)：180-185.

[26]JIANG Z Q,FU H G,LI L J.Support Vector Machine for mechanical faults classification[J].Journal of Zhejiang University-Science A,2005,6(5):433-439.

[27]林于力.基于模糊支持向量机的信用风险评估模型研究[J].重庆工商大学学报(自然科学版),2014(5):65-70.

[28]胡国胜,钱玲,张国红.支持向量机的多分类算法[J].系统工程与电子技术,2006,28(1):127-132.

(责任编辑刘舸)

Performance Evaluation on New Energy Listed Companies

Based on Support Vector Machine

MA Li-na, ZHANG Qian

(Business School, Hohai University, Nanjing 211100, China)

Abstract:Based on the respectively introduction of new energy listed company performance evaluation methods and support vector machine (SVM) theory, the SVM theory was introduced into the performance evaluation of listed companies to build a new energy performance evaluation of listed companies based on the SVM model, and through the case analysis, we confirmed that the performance evaluation method of new energy listed company based on SVM is feasibility.

Key words:support vector machine (SVM); new energy of the listed company; performance evaluation

文章编号：1674-8425(2016)01-0054-09

中图分类号：O21；TK-9

文献标识码：A

doi:10.3969/j.issn.1674-8425(z).2016.01.010

作者简介：马莉娜(1987—)，女，江苏徐州人，硕士研究生；张倩(1989—)，女，湖南长沙人，硕士研究生，主要从事金融数学研究。

基金项目：国家自然科学基金资助项目(71271107)

收稿日期：2015-03-15