企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的構(gòu)建與檢驗(yàn)

龍志 陳湘州

DOI：10．19641/j．cnki．42-1290/f．2023．24．008

【摘要】如何有效評(píng)估企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)狀況是當(dāng)前風(fēng)險(xiǎn)預(yù)警領(lǐng)域的研究重點(diǎn)。本文以2018 ～ 2022年我國A股上市公司為例， 提出了一種融合熵權(quán)TOPSIS-FCM-CNN的企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型并開展實(shí)證研究。結(jié)果表明： 各項(xiàng)指標(biāo)對(duì)各財(cái)務(wù)風(fēng)險(xiǎn)等級(jí)企業(yè)的影響程度不同， 其中全部現(xiàn)金回收率指標(biāo)最為重要； 利用RF算法篩選指標(biāo)有效地提高了模型的預(yù)測(cè)性能， 提升幅度達(dá)到4.16%； 與其他模型相比， 本文提出的模型預(yù)測(cè)準(zhǔn)確率達(dá)到92.11%， 平均提升了34.31%， 充分表明了該模型的可行性和實(shí)用價(jià)值。

【關(guān)鍵詞】財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警；熵權(quán)TOPSIS；聚類；深度學(xué)習(xí)；智能預(yù)測(cè)

【中圖分類號(hào)】TP183； F832.51； F275? ? 【文獻(xiàn)標(biāo)識(shí)碼】A? ? 【文章編號(hào)】1004-0994（2023）24-0054-8

一、 引言

隨著經(jīng)濟(jì)全球化進(jìn)程的加速和經(jīng)濟(jì)政策改革， 中國經(jīng)濟(jì)得到快速發(fā)展， 成為世界第二大經(jīng)濟(jì)體。黨的二十大報(bào)告中強(qiáng)調(diào)了優(yōu)化資源配置、 加強(qiáng)統(tǒng)籌推進(jìn)， 以推動(dòng)企業(yè)綠色創(chuàng)新和高質(zhì)量發(fā)展。然而， 隨著我國企業(yè)規(guī)模的擴(kuò)大， 企業(yè)在高質(zhì)量發(fā)展道路上必然會(huì)面臨艱巨的挑戰(zhàn)。作為國民經(jīng)濟(jì)的重要組成部分， 企業(yè)的健康成長對(duì)于國家保持可持續(xù)性的高質(zhì)量發(fā)展至關(guān)重要。財(cái)務(wù)狀況是企業(yè)發(fā)展情況的直觀體現(xiàn)， 也成為投資者、 企業(yè)和政府等利益相關(guān)者關(guān)注的焦點(diǎn)。因此， 利益相關(guān)者需要對(duì)企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行合理評(píng)估， 以作出科學(xué)決策。

財(cái)務(wù)風(fēng)險(xiǎn)是指企業(yè)在特定的經(jīng)濟(jì)環(huán)境下， 其財(cái)務(wù)狀況和財(cái)務(wù)健康可能受到內(nèi)部和外部因素的影響， 從而導(dǎo)致經(jīng)濟(jì)損失、 債務(wù)違約、 利潤下降或資不抵債等風(fēng)險(xiǎn)（Acharya和Richardson， 2009）。相應(yīng)地， 財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警是一種早期發(fā)現(xiàn)和識(shí)別企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的過程。其目的是幫助企業(yè)和監(jiān)管機(jī)構(gòu)及時(shí)識(shí)別潛在的財(cái)務(wù)問題， 并采取適當(dāng)?shù)拇胧﹣矸婪逗突怙L(fēng)險(xiǎn)， 以確保企業(yè)的財(cái)務(wù)健康和可持續(xù)發(fā)展（Koyuncugil和Ozgulbas，2012；蔡立新和李嘉歡，2018）。20世紀(jì)30年代， Fitzpatrick（1932）以健康企業(yè)和破產(chǎn)企業(yè)為研究對(duì)象構(gòu)建了單變量財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型， 結(jié)果表明眾多財(cái)務(wù)指標(biāo)中的股東權(quán)益率和資產(chǎn)負(fù)債率具有更好的判別性， 為后續(xù)研究提供了早期的理論基礎(chǔ)。隨后， Beaver（1966）和Altman（1968）分別提出了單變量模型和Z-score模型， 并將其用于企業(yè)財(cái)務(wù)困境的預(yù)測(cè)。然而， 這些方法存在嚴(yán)格的前提條件， 例如變量間必須存在線性關(guān)系， 而現(xiàn)實(shí)并非如此。

隨著機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的應(yīng)用與發(fā)展， 這類模型能夠自動(dòng)從數(shù)據(jù)中學(xué)習(xí)和提取特征， 自適應(yīng)地調(diào)整模型參數(shù)， 同時(shí)能夠捕捉和處理數(shù)據(jù)中的非線性關(guān)系（Jordan和Mitchell，2015；LeCun等，2015）。因此， 它們?cè)谔幚泶髽颖尽?高維度數(shù)據(jù)上比傳統(tǒng)數(shù)理模型更為有效。以機(jī)器學(xué)習(xí)為例， Halteh 等（2018）選取18個(gè)財(cái)務(wù)指標(biāo)構(gòu)建了基于隨機(jī)森林和隨機(jī)梯度提升的融合模型， 加速推進(jìn)了企業(yè)財(cái)務(wù)困境的預(yù)測(cè)研究。另外， Yao等（2019）采用遺傳算法（GA）自動(dòng)優(yōu)化支持向量機(jī)（SVM）模型的超參數(shù)， 驗(yàn)證了機(jī)器學(xué)習(xí)在財(cái)務(wù)預(yù)測(cè)中的有效性。此外， Metawa 等（2021）從特征選擇角度考慮， 提出了一種PIO-XGBoost模型， 該模型能夠有效預(yù)測(cè)企業(yè)是否會(huì)倒閉。

然而， 上述機(jī)器學(xué)習(xí)模型在處理高維度、 復(fù)雜樣本時(shí)存在一定的不適應(yīng)性。因此， 學(xué)者們紛紛將深度學(xué)習(xí)引入金融領(lǐng)域。Chen 等（2020）利用卷積神經(jīng)網(wǎng)絡(luò)（CNN）模型進(jìn)行金融量化投資， 并獲得了風(fēng)險(xiǎn)更低、 收益更高的投資策略。Jang 等（2020）將建筑行業(yè)內(nèi)的特殊指標(biāo)引入基于長短期記憶（LSTM）神經(jīng)網(wǎng)絡(luò)的模型中， 分別預(yù)測(cè)未來1年、 2年和3年建筑承包商的績效。Yin 等（2022）構(gòu)建了基于CNN的供應(yīng)鏈金融風(fēng)險(xiǎn)預(yù)警模型， 但僅根據(jù)是否被ST簡單地將企業(yè)劃分為兩個(gè)類別， 且樣本量較少。Li 等（2023）通過對(duì)2017 ～ 2020年上市公司的財(cái)務(wù)風(fēng)險(xiǎn)分析， 發(fā)現(xiàn)基于優(yōu)化的反向傳播神經(jīng)網(wǎng)絡(luò)（BPNN）模型的準(zhǔn)確率能夠達(dá)到80%以上。

綜上， 目前企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警研究還存在以下問題： 一是大多數(shù)預(yù)警研究僅實(shí)現(xiàn)對(duì)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的度量和評(píng)級(jí)， 而鮮有學(xué)者利用深度學(xué)習(xí)對(duì)其進(jìn)行智能預(yù)測(cè)分類； 二是指標(biāo)體系龐大， 可能導(dǎo)致模型出現(xiàn)過擬合問題， 從而影響預(yù)測(cè)準(zhǔn)確率； 三是關(guān)于企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)等級(jí)的劃分， 現(xiàn)有文獻(xiàn)大多將其分為兩類（如健康或被ST處理過）， 可能導(dǎo)致不同類別樣本量不平衡的問題。針對(duì)上述問題， 本文展開如下研究工作： 首先， 運(yùn)用熵權(quán)TOPSIS對(duì)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行綜合評(píng)分； 其次， 對(duì)評(píng)分結(jié)果進(jìn)行FCM聚類， 有效劃分財(cái)務(wù)風(fēng)險(xiǎn)的等級(jí)區(qū)間， 為CNN模型的監(jiān)督學(xué)習(xí)奠定基礎(chǔ)； 然后， 引入SMOTE算法解決各等級(jí)企業(yè)樣本不平衡的問題； 最后， 通過消融和多模型對(duì)比實(shí)驗(yàn)， 驗(yàn)證本文所構(gòu)建模型的預(yù)測(cè)性能。本文的研究旨在實(shí)現(xiàn)更準(zhǔn)確、 全面和可靠的企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)評(píng)估， 為我國企業(yè)的可持續(xù)發(fā)展提供實(shí)踐和政策指導(dǎo)。

二、 研究設(shè)計(jì)

（一）樣本選取與數(shù)據(jù)來源

金融企業(yè)通常具有較大的財(cái)務(wù)風(fēng)險(xiǎn)， 并且其業(yè)務(wù)模式與其他行業(yè)的企業(yè)存在顯著差異， 這可能對(duì)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的預(yù)測(cè)性能產(chǎn)生影響（Abdulsaleh和Worthington，2013；Wu和Huang，2022）。因此， 本文在選擇樣本時(shí)剔除了金融行業(yè)的企業(yè)。本文以2018 ～ 2022年我國4975家A股上市公司的財(cái)務(wù)數(shù)據(jù)為研究對(duì)象， 包括零售業(yè)、 信息技術(shù)、 制造、 醫(yī)藥等多個(gè)行業(yè)。經(jīng)過缺失值處理后， 最終得到20183個(gè)樣本。為平衡樣本的類別分布， 本文采用了SMOTE過采樣方法， 將樣本容量調(diào)整為36180個(gè)。隨后， 將數(shù)據(jù)集按照樣本比例7∶1∶ 2分別抽取訓(xùn)練集、 驗(yàn)證集和測(cè)試集。數(shù)據(jù)來源于CSMAR數(shù)據(jù)庫。本文所有實(shí)驗(yàn)均基于Pytorch深度學(xué)習(xí)框架的PyCharm編程軟件完成。

（二）財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警指標(biāo)體系

參考國內(nèi)外相關(guān)研究（Wang和Wu， 2017； 趙騰和楊世忠， 2019； Zhang等， 2022； Venkateswarlu等， 2022）， 從償債能力、 經(jīng)營能力、 盈利能力、 現(xiàn)金流能力、 發(fā)展能力五個(gè)方面選取財(cái)務(wù)指標(biāo)。同時(shí)， 本文額外選取了5個(gè)公司治理結(jié)構(gòu)方面的非財(cái)務(wù)指標(biāo)， 分別是股東總數(shù)、 員工人數(shù)、 董事薪酬總額、 監(jiān)事薪酬總額和高級(jí)管理人員薪酬總額。具體的指標(biāo)體系見表1。

（三）熵權(quán)TOPSIS-FCM-CNN模型的構(gòu)建

1. 熵權(quán)TOPSIS。本文采用熵權(quán)TOPSIS方法來確定指標(biāo)體系中各指標(biāo)的權(quán)重和各企業(yè)的綜合評(píng)分。熵權(quán)TOPSIS方法是一種多屬性決策分析方法， 通常用于評(píng)估多個(gè)備選方案或?qū)ο蟮淖罴堰x擇。它結(jié)合了熵權(quán)法和TOPSIS方法， 可更好地處理不確定性和主觀性信息。具體步驟如下：

第一步， 構(gòu)造具有多屬性的初始評(píng)價(jià)矩陣。假設(shè)企業(yè)數(shù)量為m個(gè)， 影響企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的指標(biāo)有n個(gè)， 第i個(gè)樣本的第j個(gè)指標(biāo)的評(píng)價(jià)值為a_ij， 則評(píng)價(jià)矩陣為：

A=（a_ij）_m×n（1）

采用最大最小值標(biāo)準(zhǔn)化方法來無量綱化各指標(biāo)。其中， 正向指標(biāo)、 中性指標(biāo)用公式（2）處理， 負(fù)向指標(biāo)用公式（3）處理：

a_ij=［a_ij-Min（a_j）］/［Max （a_j）-Min（a_j）］? ? ? （2）

a_ij=［Max （a_j）-a_ij］/［Max （a_j）-Min（a_j）］? ? ? （3）

第二步， 利用熵權(quán)法確定各指標(biāo)的權(quán)重。例如， 第j個(gè)指標(biāo)的權(quán)重為w_j， 公式如下：

W=［w₁，…，w_n］? ? ? ? ?（6）

第三步， 利用TOPSIS法確定評(píng)價(jià)對(duì)象與正、 負(fù)理想解之間的歐式距離。計(jì)算評(píng)價(jià)矩陣A=W×（a_ij）_m×n。a_ij的正、 負(fù)理想解為：

式中： m∈［1，∞）是加權(quán)指數(shù)， 一般取1.5≤m≤2.5。

目標(biāo)函數(shù)J（U，V）表示各類別中樣本到其所在聚類中心的加權(quán)距離平方和。其中， 權(quán)重是樣本x_k對(duì)第i類隸屬度的m次方。通過引入J（U，V）， 將聚類問題轉(zhuǎn)化為求解MinJ（U，V）的非線性規(guī)劃問題， 經(jīng)過優(yōu)化迭代后， 獲得近似最優(yōu)解U、 V， 便可以最終確定樣本所屬的類別。具體計(jì)算過程如下：

第一步， 初始化參數(shù)。假定企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)等級(jí)個(gè)數(shù)為C（聚類類別數(shù)為C）， 2≤C≤n， 模糊加權(quán)指數(shù)m=2。設(shè)定迭代停止的閾值為ε， 0.001≤ε≤0.01。初始化聚類原型模式V。

第二步， 計(jì)算或更新劃分矩陣U。對(duì)于?_i，k， 如果d_ik>0， 則有：

第四步， 計(jì)算目標(biāo)函數(shù)J（U，V）。如果J（U，V）<ε， 則算法停止并輸出隸屬度矩陣U和聚類原型矩陣V， 否則重復(fù)上述步驟二和三。

3. CNN深度學(xué)習(xí)模型。在通過聚類生成等級(jí)標(biāo)簽并使用SMOTE擴(kuò)充樣本后， 本文采用CNN模型來實(shí)現(xiàn)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)等級(jí)的分類預(yù)測(cè)。CNN是深度前饋神經(jīng)網(wǎng)絡(luò)， 包括卷積和深度結(jié)構(gòu)， 由多個(gè)卷積、 池化和全連接層組成， 用于處理企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)指標(biāo)。它的參數(shù)共享和GPU并行計(jì)算提高了模型效率， 降低了模型應(yīng)用的復(fù)雜度和計(jì)算成本。 CNN在圖像處理等領(lǐng)域表現(xiàn)出色。近些年， 開始有學(xué)者將CNN引入企業(yè)破產(chǎn)預(yù)測(cè)研究中（Hosaka，2019）， 證明了CNN對(duì)處理企業(yè)財(cái)務(wù)數(shù)據(jù)信息具有可行性。

4. 模型性能評(píng)估。實(shí)際上， 企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)可視為一個(gè)多類別不平衡分類問題。對(duì)于該問題， 通常使用多角度、 多模型和多指標(biāo)來綜合評(píng)估模型的性能。本文采用消融實(shí)驗(yàn)和多模型對(duì)比思路， 分別對(duì)BP神經(jīng)網(wǎng)絡(luò)、 支持向量機(jī)SVM、 隨機(jī)森林RF、 極限梯度增強(qiáng)算法XGBoost、 輕型梯度增強(qiáng)機(jī)LightGBM進(jìn)行預(yù)測(cè)效果對(duì)比， 以檢驗(yàn)本文所構(gòu)建模型的有效性和優(yōu)越性。

5. 企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警流程?；陟貦?quán)TOPSIS-FCM-CNN模型的企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警流程， 如圖2所示。

三、 實(shí)驗(yàn)結(jié)果與分析

（一）熵權(quán)TOPSIS綜合評(píng)分

通過熵權(quán)TOPSIS法中的公式， 計(jì)算出各企業(yè)與正理想解、 負(fù)理想解之間的歐式距離? ? ? ? ? ? ? ? ? ? ? ， 并獲得各企業(yè)的綜合評(píng)分Gi。其中， 綜合評(píng)分越高， 表明該企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)越小。熵權(quán)TOPSIS模型下綜合評(píng)分最高的6家企業(yè)和最低的6家企業(yè)， 如表2所示。

由表2可知： 第一， 企業(yè)綜合評(píng)分的均值為0.3951， 標(biāo)準(zhǔn)差為0.0073， 變異系數(shù)為0.0184， 25%分位數(shù)為0.3913， 50%分位數(shù)為0.3945， 75%分位數(shù)為0.3982， 表明企業(yè)整體綜合評(píng)分?jǐn)?shù)據(jù)相對(duì)較為穩(wěn)定， 但有近四分之三的企業(yè)綜合評(píng)分低于均值水平； 第二， 排名前六位的行業(yè)包括電氣機(jī)械及器材制造業(yè)、 金屬制品業(yè)、 研究和試驗(yàn)發(fā)展、 醫(yī)藥制造業(yè)和專用設(shè)備制造業(yè)， 且年份主要集中在2020 ～ 2022年， 而排名后六位的行業(yè)包括軟件和信息技術(shù)服務(wù)業(yè)、 零售業(yè)、 廢棄資源綜合利用業(yè)和醫(yī)藥制造業(yè)， 且年份主要集中在2018 ～ 2021年。以上研究結(jié)果表明， 綜合評(píng)分高的企業(yè)所在行業(yè)之間存在協(xié)同發(fā)展情況， 在創(chuàng)新能力、 競爭能力等方面表現(xiàn)出色， 同時(shí)也反映出我國正逐步推進(jìn)高質(zhì)量發(fā)展。

將熵權(quán)TOPSIS的綜合評(píng)分與標(biāo)準(zhǔn)化后的指標(biāo)數(shù)據(jù)代入多元線性回歸模型中， 進(jìn)一步分析各指標(biāo)與企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)之間的關(guān)系。具體結(jié)果如表3所示。

由表3可知： 第一， 現(xiàn)金流能力對(duì)企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)影響最大， 而治理結(jié)構(gòu)（非財(cái)務(wù)指標(biāo)）對(duì)財(cái)務(wù)風(fēng)險(xiǎn)的影響程度最?。?第二， 多元回歸模型的線性關(guān)系是顯著的（Significance F=0.000<α）， 但回歸系數(shù)檢驗(yàn)中卻有3個(gè)指標(biāo)（應(yīng)收賬款周轉(zhuǎn)率X4、 固定資產(chǎn)周轉(zhuǎn)率X5和營業(yè)收入增長率X15）沒有通過t檢驗(yàn)， 表明模型中存在多重共線性問題； 第三， 速動(dòng)比率X2、 固定資產(chǎn)周轉(zhuǎn)率X5、 凈資產(chǎn)收益率X8、 每股現(xiàn)金凈流量X12、 固定資產(chǎn)增長率X13和員工人數(shù)X17的回歸系數(shù)為負(fù)值， 即它們的增加會(huì)使企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)增加， 這與預(yù)期不一致， 同樣表明模型中存在多重共線性問題。

多重共線性是回歸分析中的問題， 指自變量間高度相關(guān)， 導(dǎo)致模型過擬合風(fēng)險(xiǎn)。為應(yīng)對(duì)此問題， 本文采用RF機(jī)器學(xué)習(xí)模型進(jìn)行指標(biāo)篩選。RF通過評(píng)估指標(biāo)劃分前后信息熵減少來衡量指標(biāo)相對(duì)重要性， 且RF模型具有高效和可解釋的特點(diǎn)。本文使用RF評(píng)估了20個(gè)影響企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的指標(biāo)， 計(jì)算了其重要性。數(shù)值越大， 指標(biāo)越重要。取10次實(shí)驗(yàn)的平均值作為最終結(jié)果， 如表4所示。

由表4可知： 第一， 根據(jù)重要性程度， 一級(jí)指標(biāo)從高到低排序依次為現(xiàn)金流能力、 治理結(jié)構(gòu)、 盈利能力、 償債能力、 經(jīng)營能力、 發(fā)展能力； 第二， 根據(jù)重要性程度， 二級(jí)指標(biāo)從高到低排序依次為X10、 X12、 X8、 X19、 X20、 X18、 X6、 X1、 X3、 X2、 X16、 X14、 X9、 X7、 X11、 X17、 X4、 X5、 X15、 X13。為了比較在后續(xù)實(shí)驗(yàn)中RF篩選指標(biāo)是否對(duì)模型的預(yù)測(cè)性能產(chǎn)生影響， 借鑒楊貴軍等（2022）的研究， 本文對(duì)于重要程度小于0.01的二級(jí)指標(biāo)不予考慮， 故選取前7個(gè)財(cái)務(wù)風(fēng)險(xiǎn)指標(biāo)作為指標(biāo)篩選的最終結(jié)果。

（二）基于FCM聚類的無監(jiān)督學(xué)習(xí)

本文選擇將企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)聚類為4個(gè)等級(jí)， 分別用A、 B、 C、 D表示非常低風(fēng)險(xiǎn)、 低風(fēng)險(xiǎn)、 中風(fēng)險(xiǎn)和高風(fēng)險(xiǎn)。通過FCM算法中的公式， 得到企業(yè)的聚類結(jié)果， 并生成相應(yīng)的等級(jí)標(biāo)簽。具體的聚類情況如表5所示。

由表5可知： 第一， 企業(yè)數(shù)量上， 近四分之三的企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)處于B、 C等級(jí)。其中， 有578家A等級(jí)的企業(yè)、 6071家B等級(jí)的企業(yè)、 10752家C等級(jí)的企業(yè)、 2782家D等級(jí)的企業(yè)。這是典型的樣本類別不均衡現(xiàn)象， 故本文采用SMOTE過采樣算法來解決該問題。第二， 聚類后的A、 B、 C、 D等級(jí)企業(yè)的平均得分分別為0.4178、 0.4006、 0.3933、 0.3853， 數(shù)據(jù)上呈現(xiàn)逐級(jí)遞減的變化趨勢(shì)。第三， 變異系數(shù)上， A等級(jí)的變異系數(shù)值最大， 即數(shù)據(jù)的相對(duì)離散程度最高， 表明A等級(jí)中企業(yè)的綜合評(píng)分存在較大的波動(dòng)幅度， 其次是D、 B、 C等級(jí)。第四， 未進(jìn)行FCM聚類前， 被ST或?ST處理過的企業(yè)有495家。而進(jìn)行FCM聚類后， 等級(jí)為C的被ST或?ST處理過的企業(yè)有206家， 等級(jí)為D的被ST或?ST處理過的企業(yè)有216家， 證明了熵權(quán)TOPSIS方法和FCM聚類算法的有效性與合理性。

為了給各等級(jí)企業(yè)提供有針對(duì)性的參考意見， 深入了解在不同等級(jí)中發(fā)揮重要作用的風(fēng)險(xiǎn)指標(biāo)， 并對(duì)企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行整體評(píng)估和及時(shí)調(diào)整， 本文采用熵權(quán)法進(jìn)一步分析各等級(jí)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的各項(xiàng)指標(biāo)權(quán)重。具體情況如圖3所示。

由圖3可知： 第一， 財(cái)務(wù)風(fēng)險(xiǎn)等級(jí)為A的企業(yè)中， 權(quán)重較大的指標(biāo)依次為資產(chǎn)報(bào)酬率X7、 凈資產(chǎn)收益率X8、 固定資產(chǎn)增長率X13、 每股現(xiàn)金凈流量X12、 監(jiān)事薪酬總額X19、 員工人數(shù)X17、 全部現(xiàn)金回收率X10， 累計(jì)權(quán)重為0.5533； 第二， 財(cái)務(wù)風(fēng)險(xiǎn)等級(jí)為B的企業(yè)中， 權(quán)重較大的指標(biāo)依次為全部現(xiàn)金回收率X10、 總資產(chǎn)周轉(zhuǎn)率X6、 凈資產(chǎn)收益率X8、 員工人數(shù)X17、 董事薪酬總額X18， 累計(jì)權(quán)重為0.5425； 第三， 財(cái)務(wù)風(fēng)險(xiǎn)等級(jí)為C的企業(yè)中， 權(quán)重較大的指標(biāo)依次為全部現(xiàn)金回收率X10、 凈資產(chǎn)收益率X8、 員工人數(shù)X17、 每股現(xiàn)金凈流量X12、 固定資產(chǎn)周轉(zhuǎn)率X5、 董事薪酬總額X18， 累計(jì)權(quán)重為0.5603； 第四， 財(cái)務(wù)風(fēng)險(xiǎn)等級(jí)為D的企業(yè)中， 權(quán)重較大的指標(biāo)依次為員工人數(shù)X17、 流動(dòng)比率X1、 股東總數(shù)X16、 董事薪酬總額X18、 總資產(chǎn)增長率X14、 速動(dòng)比率X2， 累計(jì)權(quán)重為0.5468。

以上指標(biāo)對(duì)4個(gè)等級(jí)的企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)影響較大， 且累計(jì)權(quán)重均超過0.5。其中， 全部現(xiàn)金回收率X10、 凈資產(chǎn)收益率X8和員工人數(shù)X17對(duì)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的影響力最為顯著。因此， 在對(duì)某一企業(yè)進(jìn)行財(cái)務(wù)風(fēng)險(xiǎn)評(píng)估時(shí)， 投資者、 企業(yè)和政府可重點(diǎn)關(guān)注這些指標(biāo)的變化情況， 并據(jù)此制定科學(xué)合理的政策措施。

（三）CNN模型分類預(yù)測(cè)

本實(shí)驗(yàn)針對(duì)財(cái)務(wù)風(fēng)險(xiǎn)的多分類問題， 旨在智能預(yù)測(cè)風(fēng)險(xiǎn)等級(jí)。經(jīng)過RF篩選的7個(gè)指標(biāo)作為模型的輸入變量（自變量）， 而將FCM聚類后的4個(gè)財(cái)務(wù)風(fēng)險(xiǎn)等級(jí)作為模型的輸出變量（因變量）。CNN模型參數(shù)設(shè)置如下： 優(yōu)化器采用Adam優(yōu)化器， 激活函數(shù)為Relu函數(shù)， Batch_size為64個(gè)， CNN層數(shù)為2層， 卷積核數(shù)量為16， 卷積核大小為2， 學(xué)習(xí)率lr為0.01， 迭代次數(shù)Epochs為100次。由于各等級(jí)企業(yè)的數(shù)量比A∶B∶C∶D為578 ∶6071∶10752∶2782， 這是一個(gè)典型的類別不平衡多分類問題。因此， 在將數(shù)據(jù)集輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練前， 首先通過SMOTE算法對(duì)少數(shù)類別的企業(yè)樣本進(jìn)行下采樣。隨后， 進(jìn)行CNN模型預(yù)測(cè)實(shí)驗(yàn)。最終， 使用測(cè)試集來檢驗(yàn)?zāi)Ｐ偷念A(yù)測(cè)性能， 并獲得混淆矩陣， 如圖4所示。

由圖4可知， 本文模型的總識(shí)別率為91.70%， 其中A等級(jí)企業(yè)識(shí)別率為89.91%、 B等級(jí)企業(yè)識(shí)別率為93.44%、 C等級(jí)企業(yè)識(shí)別率為89.89%、 D等級(jí)企業(yè)識(shí)別率為95.61%。以上研究結(jié)果表明， 本文構(gòu)建的CNN模型在財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)上具有可行性和有效性。

（四）多模型性能比較

在熵權(quán)TOPSIS綜合評(píng)估企業(yè)、 FCM劃分等級(jí)后， 為進(jìn)一步驗(yàn)證本文構(gòu)建的融合模型的分類效果， 本文將其進(jìn)行消融實(shí)驗(yàn)和基準(zhǔn)模型對(duì)比實(shí)驗(yàn)。對(duì)比模型有RF-SMOTE-CNN模型（M1，本文模型）、 RF-CNN模型（M2）、 SMOTE-CNN模型（M3）、 CNN模型（M4）、 BP神經(jīng)網(wǎng)絡(luò)模型（M5）、 支持向量機(jī)SVM模型（M6）、 隨機(jī)森林RF模型（M7）、 極限梯度增強(qiáng)樹XGBoost模型（M8）、 輕量梯度增強(qiáng)機(jī)LightGBM模型（M9）。其中， M1 ～ M4為消融實(shí)驗(yàn)， M5 ～ M9為基準(zhǔn)模型對(duì)比實(shí)驗(yàn)。取10次實(shí)驗(yàn)的平均值作為最終結(jié)果， 各模型在測(cè)試集中評(píng)估指標(biāo)的對(duì)比情況如圖5所示， 各模型評(píng)估指標(biāo)的具體取值如表6所示。

第二， 模型的全面性。已知變異系數(shù)CV_i值越小， 數(shù)據(jù)的相對(duì)離散程度越低， 即模型的全面性越好。按照CV_i由大到小排序?yàn)椋篊V_M6>CV_M7>CV_M9>CV_M8>CV_M5>CV_M4>CV_M3>CV_M2>CV_M1， 本文對(duì)變異次數(shù)CV_i≥0.1的模型不予考慮， 則有CV_M1M2M3<0.1。綜上所述， 根據(jù)“準(zhǔn)確性>全面性”的原則， 只有本文模型（M1）符合這一標(biāo)準(zhǔn)， 即基于熵權(quán)TOPSIS-FCM-CNN的企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型能夠更有效地預(yù)測(cè)企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)等級(jí)。

四、 結(jié)論

針對(duì)現(xiàn)有企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警研究僅實(shí)現(xiàn)風(fēng)險(xiǎn)水平的度量和評(píng)級(jí)， 缺乏對(duì)財(cái)務(wù)風(fēng)險(xiǎn)等級(jí)的智能預(yù)測(cè)、 財(cái)務(wù)風(fēng)險(xiǎn)數(shù)據(jù)樣本不均衡問題的處理， 本文以2018 ～ 2022年我國A股上市公司為例， 提出了一種融合熵權(quán)TOPSIS-FCM-CNN的企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型并開展了相關(guān)實(shí)證分析。具體的研究結(jié)論如下：

第一， 本文采用熵權(quán)TOPSIS模型對(duì)各企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行綜合評(píng)分， 并利用歐式距離來度量各企業(yè)的綜合評(píng)分G_i。例如， 電氣機(jī)械及器材制造業(yè)中600519（2021年）禾邁股份的財(cái)務(wù)風(fēng)險(xiǎn)較低， 而零售業(yè)中2356（2018年）赫美集團(tuán)的財(cái)務(wù)風(fēng)險(xiǎn)較高。因此， 上述結(jié)論也反映出我國正逐步推進(jìn)高質(zhì)量發(fā)展。

第二， 各項(xiàng)指標(biāo)對(duì)不同財(cái)務(wù)風(fēng)險(xiǎn)等級(jí)的企業(yè)存在不同的影響程度。在回歸模型分析中， 本文發(fā)現(xiàn)全部現(xiàn)金回收率指標(biāo)是最重要的， 高級(jí)管理人員薪酬總額指標(biāo)是最不重要的； 在采用熵權(quán)法來分析各財(cái)務(wù)風(fēng)險(xiǎn)等級(jí)企業(yè)的各項(xiàng)指標(biāo)權(quán)重時(shí)， 發(fā)現(xiàn)全部現(xiàn)金回收率指標(biāo)在各等級(jí)企業(yè)中的權(quán)重占比較大。因此， 利益相關(guān)者應(yīng)重點(diǎn)關(guān)注以上指標(biāo)的變化情況， 以制定更加科學(xué)合理的決策。

第三， 本文利用RF算法篩選財(cái)務(wù)風(fēng)險(xiǎn)指標(biāo)， 有效提高了模型的預(yù)測(cè)準(zhǔn)確率。其中， 在企業(yè)識(shí)別率平均水平Pi上， 采用該算法篩選過指標(biāo)的模型為88.01%， 沒有篩選過指標(biāo)的模型為83.85%， 提升了4.16%。

第四， 本文構(gòu)建的模型在財(cái)務(wù)風(fēng)險(xiǎn)等級(jí)分類預(yù)測(cè)任務(wù)中表現(xiàn)最佳。其中， 本文模型的預(yù)測(cè)準(zhǔn)確率達(dá)到92.11%， 與其他基準(zhǔn)模型相比， 平均提升了34.31%。

【 主 要 參 考 文 獻(xiàn) 】

蔡立新，李嘉歡．大數(shù)據(jù)時(shí)代企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警機(jī)制與路徑探究［ J］．財(cái)會(huì)月刊，2018（15）：38 ～ 43．

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（3）：166 ～ 171．

趙騰，楊世忠．熵權(quán)TOPSIS法在企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)評(píng)價(jià)中的應(yīng)用——以酒鬼酒公司為例［ J］．財(cái)會(huì)月刊，2019（3）：9 ～ 16．

Abdulsaleh A. M.， Worthington A. C.. Small and medium-sized enterprises financing： A review of literature［ J］．International Journal of Business and Management，2013（14）：36．

Acharya V. V.， Richardson M.. Causes of the financial crisis［ J］．Critical Review，2009（2-3）：195 ～ 210．

Albawi S.， Mohammed T. A.， Al-Zawi S.. Understanding of a convolutional neural network［C］．//2017 International Conference on Engineering and Technology （ICET），2017．

Beaver W. H.. Financial ratios as predictors of failure［ J］．Journal of Accounting Research，1966（4）：71 ～ 111．

Bezdek J. C.， Ehrlich R.， Full W.. FCM： The fuzzy c-means clustering algorithm［ J］．Computers & Geosciences，1984（2-3）：191 ～ 203．

Chen C.， Zhang P.， Liu Y.， et al.. Financial quantitative investment using convolutional neural network and deep learning technology［ J］．Neurocomputing，2020（390）：384 ～ 390．

Chen F. H.， Howard H.. An alternative model for the analysis of detecting electronic industries earnings management using stepwise regression， random forest， and decision tree［ J］．Soft Computing，2016（5）：1945 ～ 1960．

Chen P.. Effects of the entropy weight on TOPSIS［ J］．Expert Systems with Applications，2021（168）：114186．

Edward I. Altman. Financial ratios， discriminant analysis and the prediction of corporate bankruptcy［ J］．The Journal of Finance，1968（4）：589 ～ 609．

Fernández A.， Garcia S.， Herrera F.， et al.. SMOTE for learning from imbalanced data： Progress and challenges， marking the 15-year anniversary［ J］．Journal of Artificial Intelligence Research，2018（61）：863 ～ 905．

Fitzpatrick P. J.. A comparison of ratios of successful industrial enterprises with those of fialedfirms［ J］．Certified Public Accountant，1932（2）：589 ～ 605．

Halteh K.， Kumar K.， Gepp A.. Financial distress prediction of Islamic banks using tree-based stochastic techniques［ J］．Managerial Finance，2018（6）：759 ～ 773．

Hosaka T.. Bankruptcy prediction using imaged financial ratios and convolutional neural networks［ J］．Expert Systems with Applications，2019（117）：287 ～ 299．

Huang H. H.， Hsieh S. J.， Chen M. S.， et al.. Machine learning predictive models for evaluating risk factors affecting sperm count： Predictions based on health screening indicators［ J］．Journal of Clinical Medicine，2023（3）：1220．

Jang Y.， Jeong I.， Cho Y. K.. Business failure prediction of construction contractors using a LSTM RNN with accounting， construction market， and macroeconomic variables［ J］．Journal of Management in Engineering，2020（2）：04019039．

Jordan M. I.， Mitchell T. M.. Machine learning： Trends， perspectives， and prospects［ J］．Science，2015（6245）：255 ～ 260．

J. Yao， Y. Pan， S. Yang， Y. Chen， Y. Li. Detecting fraudulent financial statements for the sustainable development of the socio-economy in China： Amulti-analytic approach［ J］．Sustainability，2019（11）：1579 ～ 1586．

Koyuncugil A. S.， Ozgulbas N.. Financial early warning system model and data mining application for risk detection［ J］．Expert Systems with Applications，2012（6）：6238 ～ 6253．

LeCun Y.， Bengio Y.， Hinton G.. Deep learning［ J］．Nature，2015（7553）：436 ～ 444．

Li H.， Liu H.， Hu Y.. Prediction of unbalanced financial risk based on GRA-TOPSIS and SMOTE-CNN［Z］．Scientific Programming，2022．

Li X.， Wang J.， Yang C.. Risk prediction in financial management of listed companies based on optimized BP neural network under digital economy［ J］．Neural Computing and Applications，2023（3）：2045 ～ 2058．

Metawa N.， Nguyen P. T.， Le Hoang Thuy To Nguyen Q.， et al.. Internet of things enabled financial crisis prediction in enterprises using optimal feature subset selection-based classification model［ J］．Big Data，2021（5）：331 ～ 342．

Venkateswarlu Y.， Baskar K.， Wongchai A.， et al.. An efficient outlier detection with deep learning-based financial crisis prediction model in big data environment［Z］．Computational Intelligence and Neuroscience，2022．

Wu Y.， Huang S.. The effects of digital finance and financial constraint on financial performance： Firm-level evidence from China's new energy enterprises［ J］．Energy Economics，2022（112）：106158．

Wang L.， Wu C.. A combination of models for financial crisis prediction： Integrating probabilistic neural network with back-propagation based on adaptive boosting［ J］．International Journal of Computational Intelligence Systems，2017（1）：507 ～ 520．

Yin L. L.， Qin Y. W.， Hou Y.， et al.. A convolutional neural network-based model for supply chain financial risk early warning［Z］．Computational Intelligence and Neuroscience，2022．

Zhang Z.， Xiao Y.， Fu Z.， et al.. A study on early warnings of financial crisis of Chinese listed companies based on DEA-SVM model［ J］．Mathematics，2022（12）：2142．

（責(zé)任編輯·校對(duì)： 許春玲? 李小艷）

【基金項(xiàng)目】國家社會(huì)科學(xué)基金項(xiàng)目“持續(xù)調(diào)控背景下房地產(chǎn)市場(chǎng)利益分配協(xié)調(diào)機(jī)制及政策研究”（項(xiàng)目編號(hào)：13BJY057）

【作者單位】1.湖南科技大學(xué)商學(xué)院， 湖南湘潭 411201；2.湖南省戰(zhàn)略性新興產(chǎn)業(yè)研究基地， 湖南湘潭 411201