大數(shù)據(jù)背景下基于機(jī)器學(xué)習(xí)的公司財(cái)務(wù)風(fēng)險(xiǎn)識(shí)別研究初探

李仕瑾

【摘要】傳統(tǒng)的財(cái)務(wù)風(fēng)險(xiǎn)識(shí)別主要依賴(lài)對(duì)財(cái)務(wù)報(bào)表的分析和判斷，但財(cái)務(wù)報(bào)表可能存在偽裝、欺詐等問(wèn)題，這將導(dǎo)致分析結(jié)果存在偏差。本文基于機(jī)器學(xué)習(xí)算法，構(gòu)建了以企業(yè)財(cái)務(wù)評(píng)價(jià)指標(biāo)和非財(cái)務(wù)評(píng)價(jià)指標(biāo)為維度的財(cái)務(wù)風(fēng)險(xiǎn)識(shí)別體系，并對(duì)這兩個(gè)維度所采用的預(yù)測(cè)模型進(jìn)行了初步分析。

【關(guān)鍵詞】大數(shù)據(jù)背景；機(jī)器學(xué)習(xí)；財(cái)務(wù)風(fēng)險(xiǎn)識(shí)別

【基金項(xiàng)目】江西省教育廳科學(xué)技術(shù)研究項(xiàng)目“大數(shù)據(jù)背景下基于機(jī)器學(xué)習(xí)的企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)識(shí)別研究”（GJJ2205225）；江西省高等學(xué)校教學(xué)改革研究重點(diǎn)課題“基于CDIO理念的大數(shù)據(jù)與會(huì)計(jì)專(zhuān)業(yè)課程體系優(yōu)化與實(shí)踐”（JXJG-22-53-2）；江西省教育科學(xué)“十四五”規(guī)劃年度課題“崗課賽證融通背景下高職商科專(zhuān)業(yè)教學(xué)質(zhì)量學(xué)生滿意度實(shí)證研究”（22GZQN62）；江西交通職業(yè)技術(shù)學(xué)院教改課題“基于CDIO理念的“一異二型三化”會(huì)計(jì)專(zhuān)業(yè)課程教學(xué)體系改革研究（2022JG16）”。

一、引言

2015年，國(guó)務(wù)院印發(fā)了《促進(jìn)大數(shù)據(jù)發(fā)展行動(dòng)綱要》，明確了大數(shù)據(jù)的主要特征。同年，黨的十八屆中央委員會(huì)第五次全體會(huì)議將大數(shù)據(jù)戰(zhàn)略上升至國(guó)家戰(zhàn)略層面，提出了要實(shí)施“國(guó)家大數(shù)據(jù)戰(zhàn)略”。2021年，工業(yè)和信息化部在《“十四五”大數(shù)據(jù)產(chǎn)業(yè)發(fā)展規(guī)劃》中明確了新的歷史時(shí)期大數(shù)據(jù)及大數(shù)據(jù)相關(guān)產(chǎn)業(yè)的發(fā)展目標(biāo)。目前，大數(shù)據(jù)及大數(shù)據(jù)技術(shù)已廣泛的應(yīng)用到行業(yè)的方方面面，助力經(jīng)濟(jì)社會(huì)發(fā)展。

隨著經(jīng)濟(jì)全球化發(fā)展及我國(guó)經(jīng)濟(jì)體制改革的深入，企業(yè)需要面臨更加復(fù)雜的市場(chǎng)環(huán)境。當(dāng)前，中美貿(mào)易摩擦、匯率變動(dòng)、物價(jià)變化等市場(chǎng)外部環(huán)境越來(lái)越復(fù)雜，這給企業(yè)的經(jīng)營(yíng)增加了許多不可控因素。如果企業(yè)的外部市場(chǎng)或政策出現(xiàn)異常變動(dòng)，企業(yè)的內(nèi)部投資和融資決策出現(xiàn)問(wèn)題，將會(huì)導(dǎo)致企業(yè)出現(xiàn)財(cái)務(wù)風(fēng)險(xiǎn)。上市公司作為市場(chǎng)經(jīng)濟(jì)的重要組成部分，其財(cái)務(wù)狀況和風(fēng)險(xiǎn)對(duì)投資者、股東、經(jīng)理人員和其他利益相關(guān)者都密切相關(guān)。

傳統(tǒng)的財(cái)務(wù)風(fēng)險(xiǎn)識(shí)別主要依賴(lài)對(duì)財(cái)務(wù)報(bào)表的分析和判斷。但財(cái)務(wù)報(bào)表可能存在偽裝、欺詐等問(wèn)題，這將導(dǎo)致分析結(jié)果存在偏差。因此，基于數(shù)據(jù)挖掘技術(shù)對(duì)上市公司的各類(lèi)數(shù)據(jù)進(jìn)行分析，在海量的財(cái)務(wù)數(shù)據(jù)中發(fā)現(xiàn)潛在的風(fēng)險(xiǎn)因素，提前預(yù)測(cè)財(cái)務(wù)分險(xiǎn)，對(duì)上市公司、投資者、股東及證券監(jiān)管部門(mén)均具有重要意義。

二、國(guó)內(nèi)外研究現(xiàn)狀

國(guó)外關(guān)于財(cái)務(wù)風(fēng)險(xiǎn)的研究始于上世紀(jì)30年代，到目前已有90多年的歷史。縱觀相關(guān)學(xué)者的研究成果，主要聚焦在了財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型上。經(jīng)文獻(xiàn)梳理，研究成果從最初的單一變量預(yù)警模型發(fā)展到多變量風(fēng)險(xiǎn)預(yù)警模型，基于人工智能的預(yù)警方法也在不斷完善與發(fā)展。Fiztpatrick（1932）提出了最早的單元風(fēng)險(xiǎn)預(yù)警模型，選取了債務(wù)保障率、資產(chǎn)收益率、資產(chǎn)負(fù)債率、資金安全率、安全邊際率等單一財(cái)務(wù)變量作為預(yù)警變量；Altman（1968）突破單一變量風(fēng)險(xiǎn)識(shí)別方法的局限，首次提出了Z-Score多元判別分析模型；Martin（1977）打破財(cái)務(wù)指標(biāo)數(shù)據(jù)必須服從正態(tài)分布的假設(shè)，首次引入了多元邏輯（Logit）回歸模型；Odom等（1990），首次將神經(jīng)網(wǎng)絡(luò)理論應(yīng)用于財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警研究。進(jìn)入21世紀(jì)以后，隨著計(jì)算機(jī)技術(shù)術(shù)的發(fā)展，財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的構(gòu)建也在不斷創(chuàng)新。VanGestel（2003）建立了LS-SVM模型識(shí)別財(cái)務(wù)危機(jī)；Zieba等（2016）將梯度提升決策樹(shù)應(yīng)用于破產(chǎn)預(yù)測(cè)；Halteh&Kumar等（2018）將決策樹(shù)、隨機(jī)梯度增強(qiáng)和隨機(jī)森林應(yīng)用于101家伊斯蘭上市銀行組成的數(shù)據(jù)集的金融困境預(yù)測(cè)。

相較于國(guó)外，國(guó)內(nèi)關(guān)于財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警的研究起步較晚。吳世農(nóng)等（1986）最早開(kāi)始國(guó)內(nèi)的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警研究；陳靜（1999）通過(guò)27家被ST和正常公司的財(cái)務(wù)數(shù)據(jù)開(kāi)展了單變量分析和多元判定，開(kāi)創(chuàng)了我國(guó)學(xué)者對(duì)上市公司進(jìn)行財(cái)務(wù)風(fēng)險(xiǎn)識(shí)別預(yù)警的先河；關(guān)欣等（2016）將邏輯回歸模型及BP神經(jīng)網(wǎng)絡(luò)模型應(yīng)于財(cái)務(wù)預(yù)警模的實(shí)證分析；王玉冬等（2018）采用粒子群算法進(jìn)行了改進(jìn)，建立PSO-BP和FOA-BP神經(jīng)網(wǎng)絡(luò)模型；楊貴軍等（2022）利用Benford律和Myer指數(shù)，構(gòu)造了BM-BP神經(jīng)網(wǎng)絡(luò)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型。

結(jié)合國(guó)內(nèi)外的研究現(xiàn)狀，關(guān)于財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警，經(jīng)歷了簡(jiǎn)單的單元預(yù)警模型、多元判別模型、邏輯回歸模型向復(fù)雜的神經(jīng)網(wǎng)絡(luò)模型、支持向量機(jī)模型和其他混合模型發(fā)展歷程，相關(guān)文獻(xiàn)的研究結(jié)果證明了機(jī)器學(xué)習(xí)算法在財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警領(lǐng)域的適切性。

三、傳統(tǒng)的財(cái)務(wù)風(fēng)險(xiǎn)識(shí)別指標(biāo)體系

早期的研究中，受數(shù)據(jù)獲取渠道及計(jì)算機(jī)技術(shù)等方面的條件制約，難于獲取海量的公司財(cái)務(wù)數(shù)據(jù)，也難以實(shí)現(xiàn)對(duì)大規(guī)模數(shù)據(jù)的分析處理。因此，在傳統(tǒng)的財(cái)務(wù)風(fēng)險(xiǎn)識(shí)別過(guò)程，一般選取與企業(yè)財(cái)務(wù)信息相關(guān)的盈利能力、償債能力、營(yíng)運(yùn)能力和發(fā)展能力等方面的指標(biāo)進(jìn)行模型構(gòu)建，采用的模型主要有邏輯回歸模型、BP神經(jīng)網(wǎng)絡(luò)模型、粒子群算法改進(jìn)的神經(jīng)網(wǎng)絡(luò)模型等。從目前的發(fā)展?fàn)顩r來(lái)看，包含傳統(tǒng)財(cái)務(wù)指標(biāo)體系的賬務(wù)風(fēng)險(xiǎn)識(shí)別模型的構(gòu)建已相對(duì)完善。

四、大數(shù)據(jù)背景下財(cái)務(wù)風(fēng)險(xiǎn)識(shí)別指標(biāo)體系構(gòu)建

隨著云存儲(chǔ)、區(qū)塊鏈、計(jì)算機(jī)等技術(shù)的飛速發(fā)展，海量數(shù)據(jù)的存儲(chǔ)、管理和應(yīng)用變成了可能。大數(shù)據(jù)及大數(shù)據(jù)處理相關(guān)技術(shù)的應(yīng)用，拓寬了投資者獲取企業(yè)財(cái)務(wù)信息渠道，也使快速、準(zhǔn)確地收集、整理和分析財(cái)務(wù)數(shù)據(jù)成為了可能。云計(jì)算、大型計(jì)算機(jī)服務(wù)器的算力指數(shù)級(jí)增加，這使得對(duì)大規(guī)模數(shù)據(jù)的分析與處理成為了可能。

企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)與企業(yè)的財(cái)務(wù)評(píng)價(jià)指標(biāo)和非財(cái)務(wù)評(píng)價(jià)指標(biāo)相關(guān)。傳統(tǒng)的財(cái)務(wù)風(fēng)險(xiǎn)識(shí)別只考慮企業(yè)的財(cái)務(wù)評(píng)價(jià)指標(biāo)，但對(duì)上市公司而言，社會(huì)網(wǎng)絡(luò)輿情數(shù)據(jù)、股權(quán)結(jié)構(gòu)、董事會(huì)結(jié)構(gòu)、管理成本、審計(jì)意見(jiàn)等非財(cái)務(wù)評(píng)價(jià)指標(biāo)也與企業(yè)的正常經(jīng)營(yíng)息息相關(guān)。非財(cái)務(wù)評(píng)價(jià)指標(biāo)一般為文本型數(shù)據(jù)，具有難于量化的特點(diǎn)，而機(jī)器學(xué)習(xí)算法對(duì)文本、圖像都具有強(qiáng)大的處理能力。因此，應(yīng)用機(jī)器學(xué)習(xí)算法，結(jié)合企業(yè)的非財(cái)務(wù)指標(biāo)對(duì)風(fēng)險(xiǎn)識(shí)別模型進(jìn)行改進(jìn)，可以取得更好的風(fēng)險(xiǎn)識(shí)別效果。有鑒于此，筆者對(duì)傳統(tǒng)的財(cái)務(wù)風(fēng)險(xiǎn)識(shí)別模型進(jìn)行改進(jìn)，采用財(cái)務(wù)評(píng)價(jià)指標(biāo)和非財(cái)務(wù)指標(biāo)兩個(gè)維度構(gòu)建大數(shù)據(jù)背景下的財(cái)務(wù)風(fēng)險(xiǎn)識(shí)別模型。具體構(gòu)建中，財(cái)務(wù)評(píng)價(jià)指標(biāo)主要選取盈利能力、償債能力、營(yíng)運(yùn)能力、發(fā)展能力、現(xiàn)金流量等幾個(gè)代表參數(shù)；非財(cái)務(wù)評(píng)價(jià)指標(biāo)主要選取社會(huì)網(wǎng)絡(luò)輿情數(shù)據(jù)、股權(quán)結(jié)構(gòu)、董事會(huì)結(jié)構(gòu)、管理成本、管理層穩(wěn)定性、審計(jì)意見(jiàn)等參數(shù)。按照指標(biāo)屬性、指標(biāo)維度及具體的指標(biāo)選取值，模型結(jié)構(gòu)如圖1所示。

五、財(cái)務(wù)評(píng)價(jià)指標(biāo)及非財(cái)務(wù)評(píng)價(jià)預(yù)測(cè)模型選擇

大數(shù)據(jù)背景下財(cái)務(wù)風(fēng)險(xiǎn)識(shí)別指標(biāo)體系由企業(yè)的財(cái)務(wù)評(píng)價(jià)指標(biāo)和非財(cái)務(wù)評(píng)價(jià)指標(biāo)兩部分組成。在風(fēng)險(xiǎn)模型構(gòu)建時(shí)，財(cái)務(wù)評(píng)價(jià)指標(biāo)采用的是財(cái)務(wù)報(bào)表中以數(shù)值形式出現(xiàn)的反應(yīng)盈利能力、償債能力、營(yíng)運(yùn)能力、發(fā)展能力及現(xiàn)金流量數(shù)據(jù)；非財(cái)務(wù)評(píng)價(jià)指標(biāo)采用的是反映企業(yè)的股權(quán)結(jié)構(gòu)、董事會(huì)結(jié)構(gòu)、客理成本、管理層穩(wěn)定性、審計(jì)意見(jiàn)及與企業(yè)相關(guān)的網(wǎng)絡(luò)輿情數(shù)據(jù)，這類(lèi)數(shù)據(jù)在企業(yè)年報(bào)中，經(jīng)常以文本的形式出現(xiàn)。針對(duì)以上兩種不同的數(shù)據(jù)類(lèi)開(kāi)型，在模型構(gòu)建的過(guò)程中，需要采用不能的預(yù)測(cè)模型進(jìn)行數(shù)據(jù)處理。

決策樹(shù)模型、隨機(jī)森林模型、梯度提升決策樹(shù)模型等以樹(shù)模型為基礎(chǔ)的預(yù)測(cè)模型對(duì)數(shù)值型數(shù)據(jù)具有強(qiáng)大的處理能力，可以很好的解決分類(lèi)和回歸問(wèn)題。因此，在財(cái)務(wù)風(fēng)險(xiǎn)的預(yù)測(cè)過(guò)程中，對(duì)于公司財(cái)務(wù)報(bào)表中的數(shù)值型數(shù)據(jù)，可以采用決策樹(shù)模型進(jìn)行預(yù)測(cè)。利用對(duì)照組和實(shí)驗(yàn)組數(shù)據(jù)，結(jié)合Bagging以及Boosting提升算法，可以模擬現(xiàn)實(shí)中人類(lèi)決策行為，通過(guò)優(yōu)化決策樹(shù)，相當(dāng)于提高了財(cái)務(wù)分析人員的決策能力，使模型對(duì)公司是否存在風(fēng)險(xiǎn)的判讀更加科學(xué)、準(zhǔn)確。

機(jī)器學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)可以很好的處理文本型數(shù)據(jù)。因此在財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)過(guò)程中，對(duì)于非財(cái)務(wù)評(píng)價(jià)指標(biāo)等文本型數(shù)據(jù)，采用神經(jīng)網(wǎng)絡(luò)中的詞袋（Bag of Words）模型進(jìn)行，通過(guò)對(duì)非財(cái)務(wù)評(píng)價(jià)指標(biāo)的分析，對(duì)比正常公司的年報(bào)文本和存在財(cái)務(wù)風(fēng)險(xiǎn)公司的年報(bào)文本，深度挖掘文本型數(shù)據(jù)下隱藏的規(guī)律，進(jìn)而判斷公司是否面臨財(cái)務(wù)風(fēng)險(xiǎn)。

六、結(jié)束語(yǔ)

結(jié)合數(shù)值型數(shù)據(jù)，可以構(gòu)建以財(cái)務(wù)報(bào)表為基礎(chǔ)，決策樹(shù)為主要算法的風(fēng)險(xiǎn)預(yù)測(cè)模型；結(jié)合文本型數(shù)據(jù)，可以構(gòu)建以上市公司年度報(bào)告文本為基礎(chǔ)，深度神經(jīng)網(wǎng)絡(luò)為算法的風(fēng)險(xiǎn)預(yù)測(cè)模型。綜合上市公司的財(cái)務(wù)報(bào)表數(shù)據(jù)及年報(bào)文本數(shù)據(jù)，將兩種模型進(jìn)行集成學(xué)習(xí)，便可以獲得一個(gè)同時(shí)接收財(cái)務(wù)報(bào)表數(shù)據(jù)和文本數(shù)據(jù)的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)模型。

········參考文獻(xiàn)·····················

[1]王賀敏，劉明瑋.大數(shù)據(jù)在財(cái)務(wù)風(fēng)險(xiǎn)識(shí)別與管控中的應(yīng)用探析[J].中國(guó)注冊(cè)會(huì)計(jì)師，2022，（10）：107-112.

[2]吳世農(nóng)，黃世忠.企業(yè)破產(chǎn)的分析指標(biāo)和預(yù)測(cè)模型[J].中國(guó)經(jīng)濟(jì)問(wèn)題，1987.6（6）：20-28.

[3]陳靜.上市公司財(cái)務(wù)惡化預(yù)測(cè)的實(shí)證分析[J].會(huì)計(jì)研究，1999，4（9）：31-38.

[4]關(guān)欣，王征.基于Logistic回歸模型和BP神經(jīng)網(wǎng)絡(luò)的財(cái)務(wù)預(yù)警模型比較[J].統(tǒng)計(jì)與決策，2016，17（49）：179-181.

[5]楊貴軍，杜飛，賈曉磊.基于首末位質(zhì)量因子的BP神經(jīng)網(wǎng)絡(luò)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型[J].統(tǒng)計(jì)與決策，2022，38（3）：166-171.

（作者單位：江西交通職業(yè)技術(shù)學(xué)院運(yùn)輸管理學(xué)院）