基于LSTM神經網絡模型的企業財務舞弊風險預警方法

近年來，隨著市場經濟的不斷發展，企業財務舞弊事件偶有發生，不僅損害了企業的聲譽和形象，還危害了社會經濟的健康發展。本文通過引入LSTM神經網絡模型，以某企業為例，從償債能力、盈利能力、營運能力、發展能力和收益質量等5個維度選取13項財務指標，構建了企業財務舞弊風險預警指標體系，以有效規避企業財務舞弊風險，實現企業持續健康發展。

一、構建企業財務舞弊風險預警指標體系

在構建財務舞弊風險預警指標體系時，筆者結合某企業發展實際，從償債能力、盈利能力、營運能力、發展能力和收益質量等5個維度選取了13項財務指標。企業財務舞弊風險預警指標體系如圖1所示。

筆者結合財務舞弊風險預警指標體系，對數據進行了去耦合處理，防止指標耦合性過強造成LSTM神經網絡模型運行異常。針對選取的指標，筆者應用爬蟲技術，以該企業歷史財務數據作為樣本，對企業財務舞弊風險指標數據進行了二次處理。由于采集的數據可能存在缺失情況，因此，如果部分指標數據結果為空白或顯示未檢出，就可以用0代替此部分結果數據；如果檢測結果小于某標準數值，就可以轉換成所顯數值的邊界值。例如，當檢測結果小于0.1時，就用0.1代替。

我國《企業會計制度》規定，會計期間分為年度、半年度、季度和月度。因此，筆者結合該企業財務風險指數預警與監控數據的實際情況，以年為時序，建立了該企業財務風險預警與監控的時序序列。指標數據集中可能存在某一年中有多個檢測結果的情況。因此，筆者選取了檢測結果的平均值來反映一年中企業財務指標風險。

同時，企業財務舞弊風險預警監控結果具有隨機性、小均值和大方差等特征，且在檢測過程中存在無法避免的檢測噪音。如果直接對選定的財務指標進行預警和監測，LSTM網絡模型的訓練過程就會變得更加復雜。因此，筆者需要使用離散的風險水平來代替連續的檢測值，以對應預警指標。例如：將原來的含量預測改為風險值預測，以降低模型復雜度，從而進一步提高模型的魯棒性。

二、基于LSTM神經網絡模型的風險預測與預警

式（1）中，w（n）表示長度為n的窗函數，n表示序列長度，M表示窗口大小。其中，M的取值越大，說明曲線失真會越嚴重；原曲線越平滑，說明效果越好。

為了進一步提高LSTM神經網絡模型訓練效率，避免出現過擬合現象，在模型訓練過程中，筆者采用StandardScaler標準化方式對所選的企業財務風險指標數據進行了歸一化處理。同時，利用完成訓練的模型預測企業財務舞弊風險，根據模型輸出的預測值設置了不同等級的預警指標，如表1所示。

將模型得到的預測結果代入表1中，可以直觀地確定預警等級。企業可針對不同的預警等級采用不同的處理方式，從而防范和控制財務舞弊風險。

三、對比實驗

通過以上論述，筆者在引入LSTM神經網絡模型的基礎上，設計了一種全新的企業財務舞弊風險預警方法。為了驗證該方法的可行性，筆者將基于舞弊風險因子理論的預警方法和基于CFW-Boost的預警方法作為對照A組與對照B組，將基于LSTM神經網絡模型的預警方法作為實驗組。通過將三種預警方法應用到某企業中，來預測企業是否存在財務舞弊風險。具體步驟如下。

式（3）中，RMSE表示均方根差。RMSE值越小，說明對應預警方法的預測精準度越高，預測可靠性也越強。

根據上述依據，筆者分別記錄了運用三種預警方法對該企業五年財務舞弊風險預測的結果（見表2）。

從表2可以看出，三種預警方法預測結果的決定系數均呈逐年上升趨勢，均方根誤差均呈逐年下降趨勢，說明隨著企業財務數據的不斷增加，三種預警方法均能得到有效的數據依據，從而增強了預警性能。然而，通過對比三種預警方法的預測結果決定系數和均方根誤差可以看出，實驗組預警方法的決定系數始終最大，均方根誤差始終最小，其中決定系數均大于0.900，均方根誤差均小于0.200。上述實驗結果可以證明，在引入LSTM神經網絡模型后，新的預警方法對企業財務舞弊風險預測精度更高，預測可靠性更強，有助于企業提高財務管理效率，規避財務危機。

四、結語

綜上所述，基于LSTM神經網絡模型，本文提出了一種全新的企業財務舞弊風險預警方法。同時，筆者通過對比實驗的方式驗證了與現有預警方法相比，新的預警方法的預測精準度更高。因此，采用基于LSTM神經網絡模型的預警方法，能夠預測企業未來可能出現的財務風險，提高企業的財務風險防控能力和經濟效益，助力企業實現可持續發展。

（作者單位：中海油能源發展股份有限公司采油服務分公司）