數據挖掘技術在財務預警中的應用進展研究

◎顧曉佳

一、引言

隨著我國證券市場的快速發展，我國的企業也在不斷發展，企業經營規模也在不斷擴大。但與此同時，在不斷變化的市場經濟條件下和競爭環境越來越激烈的情況下，企業的持續長遠發展受到阻礙，我國企業發生財務風險甚至陷入財務危機的現象不斷增加。財務風險的增加不僅給企業帶來嚴重的負面影響，也嚴重影響了證券市場的有效運行。此外，企業的持續運行也與我國證券市場的健康發展息息相關，并且影響著國民經濟的健康發展。

因此，對企業進行財務預警是幫助企業進行有效財務管理的一項重要措施。建立財務預警系統不僅僅是為了保障企業自身的長遠發展，也能夠保護與企業有關的利益相關者的權益，也能夠維護證券市場的健康發展。

由于數據挖掘技術存在多種方法，筆者通過閱讀與研究學者們通過不同的數據挖掘方法對財務預警的研究，探究其進展過程，并對此表達出自己的見解，并提出結論與建議。

二、數據挖掘技術與財務預警相關概念

（一）財務預警

財務預警又叫“企業破產預警”，主要是為了能夠讓企業能夠及時識別出財務管理中存在的問題，從而對財務風險及財務困境進行規避。財務預警主要通過收集分析企業大量的財務信息和非財務信息，動態地分析出企業目前所處的實際狀況，分析判斷出企業出現財務風險的概率。當出現財務指標異常時，企業的經營者可以根據預警發出的信號進行判斷，從而對出現的財務異常現象做出有效的處置，采取措施，減少企業財務狀況的進一步惡化，及時地避免財務危機的產生。同時，根據財務預警的提示，企業能夠有針對性地對財務異常指標進行分析，對財務管理進行優化，從而促進企業未來的持續健康發展。目前財務預警分析方法主要分為兩種：定性分析法和定量分析法。定性分析法即通過對企業財務指標外的非財務指標進行分析，如企業所處的行業環境、經濟市場環境等來進行財務預警分析。定量分析法主要包括單變量預警分析法和多變量預警分析法。單變量預警分析法主要通過構造單一變量的財務指標進行預警。多變量預警分析法最常用的包括Z-score 模型與F 分數模型。目前，不少學者也會將定性與定量法相結合對企業進行財務預警。

（二）數據挖掘技術

數據挖掘技術是數據庫知識發現中的一個步驟。數據挖掘通常與計算機科學相關。數據挖掘的目標主要是從數據集中提取出隱藏的具有預測性的信息，并最終篩選出少量決策有用的信息供使用者使用。數據挖掘的主要流程如下圖所示：

圖1 數據挖掘主要流程

在大數據時代，通過數據挖掘技術，能夠將使用者需要的信息進行自動分析，并且進行歸納，做出有用的判斷。目前，越來越多的企業意識到數據挖掘技術的重要性。將數據挖掘技術融入到企業的日常經營管理與財務管理之中，可以減少繁瑣的分析過程，并且能夠更加快速地將企業在管理中存在問題反饋給企業的管理者或者決策者，讓他們更加快速地制定有效的決策。除此之外，數據挖掘技術也被運用在股票價格變動、稅收征管、審計信息化和人力資源等諸多方面。大數據的挖掘常用的方法有決策樹法、神經網絡法、關聯規則法、遺傳算法、聚類分析法、時間序列、Web 頁挖掘及其他數據挖掘方法等。這些方法主要從不同的角度對數據進行挖掘。

三、數據挖掘技術在財務預警中的應用研究

目前，學者們通過數據挖掘技術在財務預警領域進行研究，已經卓有成效。筆者通過在閱讀相關的文獻，研究了解了不同數據挖掘技術在財務預警領域的進展。在我國學者研究數據挖掘技術在財務預警中的應用時，或進行單獨數據模型研究分析，或運用多種數據模型進行結合分析，或將多種數據模型進行比較分析。在不同的數據挖掘方法下產生的效果也不盡相同。目前，我國學者多數選擇使用不同的數據挖掘技術來對財務預警進行分析與研究保證其科學性與準確性。我國學者隨著數據挖掘技術的不斷改進，在研究中使用的數據挖掘技術方法也在不斷創新。

（一）單種數據挖掘技術在財務預警中的應用

在決策樹運用方面：

蔣艷輝（2005）研究認為傳統的財務預警模型預測準確性較低，應該將數據挖掘技術進行結合運用。因此學者應用數據挖掘中的決策樹算法建立了財務預警模型，并且選取了17 個財務指標對上市公司進行實證研究，研究得出基于決策樹算法的模型具有可移植性，而且能夠較好地運用到企業管理之中，且具有較好的財務困境預測能力。

禹久泓和王海平等（2015）研究認為傳統的財務預警的有效性變弱，因此將數據挖掘技術運用到企業財務預警中具有重要意義。所以學者通過選取決策樹算法進行財務預警，并且初創性地提出了從項目投資的角度進行財務危機預警，找到企業所處行業的參數值進行預警信號的判斷。

宋宇和李鴻禧（2020）在對制造業債券發行企業進行實證研究時發現，基于決策樹集成的財務預警模型準確率能夠高達78%，而簡單的決策樹預警模型只能識別出20%的危機企業，因此可以選取準確性較高的基于決策樹集成的財務預警模型對企業的財務風險進行預測。

在聚類應用方面：

馮征（2007）基于粗糙集或模糊集的聚類算法構建了新的財務預警模型，選取了出現財務危機的中國上市企業進行實證研究，研究得出財務預警模型需要專家判別的領域知識，從而能夠提高預警模型的預測準確性。阮昕簡（2014）通過研究200 多家上市企業，選取了17 個財務指標，研究得出使用基于時段基因的聚類方法進行財務預警，模型聚類效果明顯，預警準確性高，在實際應用中更具有效性。荊婷婷（2015）實證研究建立了一種新型的財務預警模型，即將改進后的近鄰傳播算法與模糊模式識別理論相結合。該學者認為改進的近鄰傳播算法的聚類風險法能夠有效提高預警準確率。

在預測方法應用方面：

在對滬深市上市公司的進行財務數據分析時，周元元（2008）研究得出企業如果希望提高預測財務困境的準確性，需要運用RS.SVM 預測方法，并實證得出財務預警中短期預測的重要性。

在Web 挖掘技術應用方面：

曲吉林（2020）研究得出Web 挖掘技術已經基本成熟。運用這些工具，可以幫助企業管理者集中精力分析和處理那些對企業經營、發展有重大或潛在影響的外部環境信息，抓住市場帶來的機會，獲得有關企業危機的預測信息，從而采取有效措施來規避危機，促使企業健康、持續地發展。

（二）多種數據挖掘技術在財務預警中的結合應用

曹明和閃四清等（2006）在研究我國A 股的上市公司時，選擇將決策樹、B-P 模型與Z 計分模型相結合構建混合財務預警模型。通過使用多種數據挖掘技術，提高的對于財務的預警能力。

鄭曉陽（2009）在對天津新技術產業園區的25 家工業企業進行財務預警系統的研究時，通過K-MEDOIDS 聚類進行分組；然后，采用決策樹方法對進行分析；最后，使用BP 神經網絡模型構建了專用的財務預警系統。通過與償債能力、盈利能力、營運能力和成長能力相關的10 個財務指標構建了財務預警系統，從而對下一年的經營狀況進行預測，并且結果證明該財務預警系統具有較強的預測能力。

由于神經網絡存在可解釋性差、結構復雜、訓練時間長等問題，王穎（2012）使用基于BP 神經網絡的分類算法，構建分類器模型，以及將BP 神經網絡模型與其他優化算法的結合，構建適合的財務預警分類器。其并對ST 公司進行實證檢驗，研究得出與多種優化算法的結合，能夠使神經網絡更有效地幫助企業決策層及早有效地規避和分散風險。

丘皓威（2016）運用多個數據挖掘技術中的分類器算法，在樣本訓練集上建立了多分類器財務預警模型，如神經網絡、Logistic、判別式、SVM、貝葉斯網絡和KNN 預警模型等，研究得出通過多種數據挖掘技術集合，能夠提高預測效力。

周萌（2019）通過將決策樹和Logistic 回歸算法結合構建財務預警模型，實證研究了2014-2017 年的中國上市公司的財務數據，最初選取了45 個指標進行研究，最終只驗證篩選出6 個對企業財務狀況有顯著影響的關鍵指標，從而提高財務預警指標的預測精確度。并據此，提出了企業除了需重點考察財務報表上的各項財務比率外，還需重點考察現金流量表中的各項財務指標，從而避免陷入財務困境。

（三）多種數據挖掘技術在財務預警中的比較應用

田青和王寶帥（2010）選取了三種財務預警方法，包括決策樹、神經網絡以及邏輯回歸算法，選擇了12 種財務指標，并篩選出16 家ST 和相對照的16 家非ST 公司進行財務風險預測，并將預測結果與實際情況進行比較檢驗，得出三種模型均產生了較好的財務預警的效果，預測準確率在80%以上，并且決策樹的準確性更高，準確率可達90%。

馬曉波（2013）利用BP 神經元網絡技術建立財務預警模型與用傳統的logistic 回歸模型進行比較，對我國制造業上市企業進行實證研究得出得出利用BP 神經元網絡技術建立財務預警模型預測準確率為97%，傳統的logistic 回歸模型預測準確性為94%，因此利用BP 神經元網絡技術建立財務預警模型預測效果更優，更具有效性。

張亮和張玲玲等（2015）在對中國制造業的上市公司進行實證研究時，選取了SVM 和Logistic 回歸這兩種主流數據挖掘方法，同時融入信息融合技術，構建了新的財務預警模型，最終研究得出基于信息融合的數據挖掘方法能夠提高財務預警的準確率。

四、數據挖掘技術在財務預警中的應用進展評價

筆者通過閱讀我國學者在數據挖掘技術在財務預警方面的文獻，學習、研究并分析得出：

首先，隨著證券市場的不斷發展，我國企業對于財務預警的需求不再僅僅局限于定性分析法層面，更加著重于在專業知識定性的情況下運用科學的數據處理得到準確的預測。

其次，隨著信息技術的發展，數據挖掘方法在財務預警方面的運用越來越廣泛，數據挖掘技術的功能性更加得到體現。在財務預警領域，學者主要會選擇決策樹、聚類及神經網絡等方法進行研究。

再次，隨著時代的發展，隨著數據挖掘技術的不斷發展與改進，眾多學者對于數據挖掘技術在財務預警領域的研究不再只僅僅局限于某種方法，更加注重于將多種數據挖掘方法結合或者在同一種研究中運用多種數據挖掘技術選擇出最具有準確性的一種方法。學者們通過多種數據挖掘技術通過檢驗分析，提高財務預警的預測能力。

此外，許多學者在前人已經做出相關研究的情況下加以創新。由于傳統數據挖掘方法存在不足，學者們開始選擇創新出數據挖掘方法。包括設立優化算法，或者通過更新數據挖掘技術建立新的財務預警模型，促進數據挖掘技術在財務預警領域的研究。

最后，筆者在閱讀相關文獻時也發現目前我國學者們在數據挖掘技術在財務預警領域中也存在著一些不足，包括：我國目前已經新提出的挖掘方法仍然處于發展階段，各種新的算法不斷被提出，還未能廣泛應用于相關領域。相較于具有創新性的新數據挖掘技術，多數人更偏好于已經經過廣泛運用的傳統數據挖掘技術，而且其接受程度和適用范圍都明顯弱于傳統的方法；其次，對于財務狀況水平，多數學者主要分為財務困境與財務正常的狀況，沒有介于兩者之間的財務狀況，應當更加詳細的劃分財務狀況水平，從而更準確地判定財務狀況，進而進行財務預警；再次，目前也存在學者對于數據分析的不到位及不夠充分等情況；最后我國大多數學者主要選擇上市公司作為研究的樣本，很少有學者選取中小企業作為研究樣本。而在我國，中小企業占大多數，因此，學者可以選擇將數據挖掘技術在財務預警的研究向中小企業靠攏。

五、結論與建議

筆者在閱讀了數據挖掘技術在財務預警中的相關文獻后了解到，近年來，數據挖掘技術在財務預警領域的運用越來越廣泛。我國許多企業越來越注重通過科學的預測方法來保證公司經營及保證利益相關者的合法權益。因此，我國上市公司在面對多變得市場環境時，可以通過應用數據挖掘技術構建有效的財務預警體系，預測企業未來的財務狀況，減少企業出現財務風險的概率，避免財務危機的發生，從而能夠保護利益相關者的合法權益。

但目前，我國在數據挖掘技術在財務預警領域的應用還有待于深入研究。如進一步改進各種數據挖掘算法，使得數據挖掘技術能夠充分發揮其有效性；完善財務狀況的判定，完善財務危機和財務預警方面的經濟解釋，對預警所采用的數據進一步分析加工；學者們應當完善對于數據的處理分析過程；學者們可以從中小企業角度進行數據挖掘技術應用的研究等。綜上，我國在數據挖掘在財務預警中的應用領域中仍然有進一步探討與研究的空間。