基于MD&A多文本特征的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型研究

喬冰琴 段全虎 趙丹

【摘 要】 以2017—2020年滬深主板A股非金融上市公司為樣本，提取其年報(bào)MD&A章節(jié)中反映不同文本特征的多個(gè)文本指標(biāo)，并引入上市公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型。采用人工神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)兩種方法對(duì)模型的預(yù)測(cè)能力進(jìn)行實(shí)證。結(jié)果表明，在常規(guī)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型中引入MD&A多文本特征可提升模型預(yù)測(cè)的AUC值。在此基礎(chǔ)上繼續(xù)增加融資約束、財(cái)務(wù)困境指數(shù)測(cè)度、非效率投資程度和過度負(fù)債程度等指標(biāo)，模型預(yù)測(cè)的AUC值提升更顯著。對(duì)比兩種實(shí)證方法得到結(jié)論：基于卷積神經(jīng)網(wǎng)絡(luò)方法的MD&A多文本特征上市公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的預(yù)測(cè)能力更高、誤報(bào)率和漏報(bào)率更平衡。

【關(guān)鍵詞】 管理層討論與分析； 財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警； 卷積神經(jīng)網(wǎng)絡(luò)； 文本分析

【中圖分類號(hào)】 F275? 【文獻(xiàn)標(biāo)識(shí)碼】 A? 【文章編號(hào)】 1004-5937（2023）05-0016-08

一、引言

數(shù)據(jù)對(duì)于我國當(dāng)前數(shù)字經(jīng)濟(jì)發(fā)展、數(shù)字產(chǎn)業(yè)化、產(chǎn)業(yè)數(shù)字化的重要性不言而喻。傳統(tǒng)的數(shù)據(jù)主要以結(jié)構(gòu)化數(shù)據(jù)形式進(jìn)行存儲(chǔ)和提取?！按笾且圃莆铩钡刃录夹g(shù)的深入發(fā)展及場(chǎng)景化應(yīng)用，極大豐富了非結(jié)構(gòu)化數(shù)據(jù)的形式，擴(kuò)大了非結(jié)構(gòu)化數(shù)據(jù)的數(shù)量。非結(jié)構(gòu)化數(shù)據(jù)的主要呈現(xiàn)形式有文本、圖片、視頻、日志等，其中，文本作為非結(jié)構(gòu)化數(shù)據(jù)的重要組成部分，頻繁地出現(xiàn)在社交網(wǎng)絡(luò)、新聞媒體、政府文件、公司公告、公司年報(bào)及數(shù)字出版物等各類載體中。

劉云菁等[1]指出，財(cái)務(wù)與會(huì)計(jì)領(lǐng)域的文本數(shù)據(jù)具有較高的研究價(jià)值，可基于特定技術(shù)從文本數(shù)據(jù)中挖掘出情緒、隱含語義、文本可讀性和相似度等，以增強(qiáng)和改進(jìn)傳統(tǒng)的預(yù)測(cè)分析與因素分析。胡楠等[2]基于上市公司年報(bào)中的管理層討論與分析（Management Discussion and Analysis，MD&A）章節(jié)進(jìn)行管理者“短期視域”文本提取，并對(duì)管理者短視是否會(huì)影響企業(yè)長期投資進(jìn)行了研究。苗霞等[3]研究了財(cái)務(wù)報(bào)告前瞻性信息中的管理層超額樂觀語調(diào)對(duì)企業(yè)財(cái)務(wù)危機(jī)預(yù)測(cè)的價(jià)值，隨后苗霞[4]又研究了上市公司年報(bào)中的管理層語調(diào)和相關(guān)媒體報(bào)道對(duì)企業(yè)財(cái)務(wù)危機(jī)預(yù)測(cè)的影響。趙納暉等[5]基于上市公司文本型年報(bào)中的MD&A章節(jié)建立了識(shí)別企業(yè)財(cái)務(wù)報(bào)告舞弊模型。

綜上可知，從文本中提取和挖掘信息用于企業(yè)經(jīng)營預(yù)測(cè)和決策，已是當(dāng)前數(shù)字經(jīng)濟(jì)時(shí)代眾多學(xué)者的研究方向。而年報(bào)MD&A章節(jié)的文本更是暗含了企業(yè)管理層對(duì)企業(yè)現(xiàn)狀和未來發(fā)展的態(tài)度、情緒傾向、語調(diào)語義等特征，這對(duì)于企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)的價(jià)值更是不容小覷?；诖耍疚膶哪陥?bào)MD&A章節(jié)中提取出多個(gè)反映文本隱含語義特征的指標(biāo)，并引入企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型；同時(shí)，將反映企業(yè)融資約束、財(cái)務(wù)困境指數(shù)測(cè)度、非效率投資程度及過度負(fù)債程度等指標(biāo)也引入財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型，實(shí)證分析多文本分析指標(biāo)和多樣化指標(biāo)對(duì)模型預(yù)測(cè)能力大小的影響，分別以人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）和卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）兩種方法進(jìn)行實(shí)驗(yàn)。結(jié)果表明，引入多文本指標(biāo)及增強(qiáng)指標(biāo)多樣化均能顯著提升財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的預(yù)測(cè)能力，并且基于卷積神經(jīng)網(wǎng)絡(luò)方法的模型的誤報(bào)率和漏報(bào)率更加平衡。

二、文獻(xiàn)回顧與理論分析

國內(nèi)外對(duì)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警的研究主要集中在計(jì)量工具及模型的改進(jìn)研究方面。國外財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型從1932年Fitzpatrick以財(cái)務(wù)比率預(yù)測(cè)財(cái)務(wù)困境開始，歷經(jīng)1966年Beaver建立的單變量模型、1968年Altman建立的多元判別分析Z模型，到1980年Ohlson建立的Logit回歸模型、1988年Franco et al.建立遺傳算法財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)模型、1990年Sharda et al.建立BP神經(jīng)網(wǎng)絡(luò)財(cái)務(wù)困境預(yù)測(cè)模型，1997年Martin建立邏輯回歸財(cái)務(wù)困境預(yù)測(cè)模型，再到1998年Bradley et al.建立的支持向量機(jī)財(cái)務(wù)困境預(yù)測(cè)模型等過程，財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)模型從傳統(tǒng)模型轉(zhuǎn)向現(xiàn)代模型，從單變量分析轉(zhuǎn)向多變量分析，從單純的財(cái)務(wù)指標(biāo)分析轉(zhuǎn)向基于財(cái)務(wù)指標(biāo)和非財(cái)務(wù)指標(biāo)的分析[6-7]。

國內(nèi)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型研究相對(duì)于國外起步較晚，受限于數(shù)字技術(shù)應(yīng)用成熟度，國內(nèi)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型多是基于結(jié)構(gòu)化數(shù)據(jù)庫中的數(shù)值類財(cái)務(wù)指標(biāo)進(jìn)行研究。1996年周首華等建立了F分?jǐn)?shù)模型，2007年鮮文鐸等建立了混合Logit模型，2009年郭德仁等建立了模糊聚類預(yù)測(cè)模型[6-7]。

隨著現(xiàn)代數(shù)字技術(shù)的迅猛發(fā)展，將文本數(shù)據(jù)引入財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型無論在文本數(shù)據(jù)來源還是在模型構(gòu)建技術(shù)方面都具備了充分的條件。陳藝云等[8]從公司年報(bào)MD&A章節(jié)提取文本特征詞構(gòu)建公司經(jīng)理人違約傾向指標(biāo)，進(jìn)而與財(cái)務(wù)數(shù)值指標(biāo)一起構(gòu)建財(cái)務(wù)困境預(yù)測(cè)模型，并分別采用Logistic回歸和SVM方法對(duì)模型進(jìn)行實(shí)證。隨后，陳藝云[9]又從管理層語調(diào)角度實(shí)證了文本分析能對(duì)財(cái)務(wù)困境預(yù)測(cè)提供增量信息，提高預(yù)測(cè)準(zhǔn)確性。梁龍躍等[10]在前人研究的基礎(chǔ)上，進(jìn)一步提取了上市公司年報(bào)中MD&A章節(jié)和審計(jì)報(bào)告章節(jié)的文本特征，構(gòu)建兩種文本指標(biāo)和財(cái)務(wù)數(shù)值指標(biāo)融合的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型，并分別采用Logistic回歸、XGBoost決策樹、人工神經(jīng)網(wǎng)絡(luò)及卷積神經(jīng)網(wǎng)絡(luò)四種方法對(duì)模型預(yù)測(cè)效果進(jìn)行驗(yàn)證。

對(duì)上述文獻(xiàn)從財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型指標(biāo)體系構(gòu)成、財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型訓(xùn)練方法兩個(gè)方面進(jìn)行分析，并提出本文的研究內(nèi)容。

（一）財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型指標(biāo)體系

從文本中提取與企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警相關(guān)的文本指標(biāo)，并將其納入到財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警指標(biāo)體系中，均能有效提高財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的預(yù)測(cè)能力，但同時(shí)也可以發(fā)現(xiàn)以下問題。其一，上述文獻(xiàn)在財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)模型中引入的文本指標(biāo)大多為1至2個(gè)，相比十幾個(gè)乃至幾十個(gè)財(cái)務(wù)數(shù)值指標(biāo)而言，文本指標(biāo)所占的比重及所起的作用并不明顯。其二，模型所涉及的財(cái)務(wù)指標(biāo)多是單純的財(cái)務(wù)指標(biāo)，而能對(duì)企業(yè)經(jīng)營進(jìn)行多方面、多維度刻畫的內(nèi)部治理指標(biāo)、違約風(fēng)險(xiǎn)指標(biāo)等非財(cái)務(wù)指標(biāo)應(yīng)用不多。其三，將融資約束、財(cái)務(wù)困境指數(shù)測(cè)度、非效率投資程度及過度負(fù)債程度等經(jīng)營困境類指標(biāo)應(yīng)用于財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)模型的討論也相對(duì)較少。故而上述模型并不能全面地反映企業(yè)所處的經(jīng)營內(nèi)外部環(huán)境可能給企業(yè)財(cái)務(wù)帶來的風(fēng)險(xiǎn)。

（二）財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型訓(xùn)練方法

在模型訓(xùn)練方法方面，上述文獻(xiàn)的很多作者采用了神經(jīng)網(wǎng)絡(luò)、決策樹、遺傳算法、支持向量機(jī)等方法訓(xùn)練財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型，個(gè)別作者采用深度學(xué)習(xí)方法提取文本和訓(xùn)練模型。然而深度學(xué)習(xí)發(fā)展迅猛，新技術(shù)和新方法不斷迭代更新。將性能更優(yōu)、用法更簡單的深度學(xué)習(xí)技術(shù)引入財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型，這將對(duì)提升模型預(yù)測(cè)能力大有裨益，將給企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)發(fā)現(xiàn)和預(yù)警帶來更多機(jī)會(huì)。

基于上述分析，本文擬從擴(kuò)大文本指標(biāo)數(shù)量和增選融資約束、財(cái)務(wù)困境指數(shù)測(cè)度、非效率投資程度及過度負(fù)債程度等指標(biāo)入手，建立兩種企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型：（1）融合多文本指標(biāo)和常規(guī)財(cái)務(wù)指標(biāo)的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型；（2）融合多文本指標(biāo)、融資約束指標(biāo)、財(cái)務(wù)困境指數(shù)測(cè)度指標(biāo)、非效率投資程度指標(biāo)及過度負(fù)債程度指標(biāo)、常規(guī)財(cái)務(wù)指標(biāo)的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型。

同時(shí)，鑒于深度學(xué)習(xí)強(qiáng)大的性能及Python的Keras深度學(xué)習(xí)庫的簡潔易用等特點(diǎn)，本文將基于Keras分別構(gòu)建多層Dense堆疊神經(jīng)網(wǎng)絡(luò)模型和Convolution1D卷積神經(jīng)網(wǎng)絡(luò)模型，對(duì)多文本指標(biāo)及多樣化指標(biāo)是否能夠提高財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的預(yù)測(cè)能力進(jìn)行實(shí)證檢驗(yàn)。在檢驗(yàn)過程中，對(duì)模型1和模型2的預(yù)測(cè)效果進(jìn)行對(duì)比分析，評(píng)測(cè)多文本指標(biāo)和融資約束指標(biāo)、財(cái)務(wù)困境指數(shù)測(cè)度指標(biāo)、非效率投資程度指標(biāo)及過度負(fù)債程度指標(biāo)在提升企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型預(yù)測(cè)能力方面的價(jià)值。

三、指標(biāo)設(shè)計(jì)

下面說明本文構(gòu)建的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型所選取的指標(biāo)及其含義。

（一）常規(guī)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型指標(biāo)的選取

根據(jù)已有文獻(xiàn)的研究思路，選取常規(guī)的可以用作財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警的指標(biāo)作為本文財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的基本指標(biāo)組成?？紤]到深度學(xué)習(xí)優(yōu)秀的數(shù)據(jù)特征挖掘能力，盡可能選取更多的常規(guī)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警指標(biāo)及公司內(nèi)部治理指標(biāo)來描述企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)特征。表1所示為選取的常規(guī)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警指標(biāo)，包括償債能力、營運(yùn)能力、盈利能力、發(fā)展能力、現(xiàn)金流比率、結(jié)構(gòu)比率和內(nèi)部治理7類30個(gè)指標(biāo)。

（二）文本指標(biāo)的選取

從公司年報(bào)MD&A章節(jié)中提取多種文本特征，旨在從不同角度反映MD&A章節(jié)所蘊(yùn)含的管理層情緒和態(tài)度等信息。選取的文本指標(biāo)如表2所示。

其中，正面詞匯數(shù)量、負(fù)面詞匯數(shù)量、詞匯總量、句子數(shù)量、文字?jǐn)?shù)量是基礎(chǔ)指標(biāo)，而與前一年相比文本相似度、情感語調(diào)1、情感語調(diào)2是進(jìn)一步計(jì)算得到的指標(biāo)。兩類指標(biāo)均納入本文構(gòu)建的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型，利用深度學(xué)習(xí)技術(shù)自動(dòng)學(xué)習(xí)指標(biāo)特征及指標(biāo)關(guān)系，以期得到更好的模型。

（三）融資約束、財(cái)務(wù)困境指數(shù)測(cè)度、非效率投資程度及過度負(fù)債程度指標(biāo)的選取

影響企業(yè)陷入財(cái)務(wù)困境和經(jīng)營困境的因素有很多，融資約束、財(cái)務(wù)困境指數(shù)測(cè)度、非效率投資程度、過度負(fù)債程度等都會(huì)對(duì)企業(yè)財(cái)務(wù)及經(jīng)營產(chǎn)生一定的影響。

1.融資約束指標(biāo)的選取

當(dāng)企業(yè)融資管理出現(xiàn)效率缺口時(shí)，企業(yè)的債務(wù)違約風(fēng)險(xiǎn)增加，進(jìn)而使得財(cái)務(wù)風(fēng)險(xiǎn)增加，企業(yè)陷入財(cái)務(wù)困境的可能性也將增大。為體現(xiàn)融資約束對(duì)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的影響，本文創(chuàng)新性地將目前在融資約束研究中占主流的、衡量融資約束的四項(xiàng)指數(shù)——SA指數(shù)、KZ指數(shù)、WW指數(shù)和FC指數(shù)引入模型，由深度學(xué)習(xí)技術(shù)自動(dòng)刻畫融資約束特征對(duì)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的影響。

2.財(cái)務(wù)困境指數(shù)測(cè)度指標(biāo)的選取

在傳統(tǒng)的財(cái)務(wù)困境研究中，Z_Score模型、O_Score模型、RLPM模型及Merton DD模型常用于對(duì)企業(yè)財(cái)務(wù)困境的評(píng)價(jià)。為豐富本文所建模型，提取出這四種模型中的常用指標(biāo)，與本文的常規(guī)財(cái)務(wù)指標(biāo)和多文本分析指標(biāo)相結(jié)合，構(gòu)建財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型，以提升本文所建模型的預(yù)測(cè)能力。財(cái)務(wù)困境指數(shù)測(cè)度指標(biāo)如表3所示。

3.非效率投資程度指標(biāo)及過度負(fù)債程度指標(biāo)的選取

投資過度及投資不足構(gòu)成的非效率投資也是造成企業(yè)出現(xiàn)財(cái)務(wù)風(fēng)險(xiǎn)的因素之一。非效率投資程度是基于相關(guān)財(cái)務(wù)指標(biāo)分年度進(jìn)行OLS回歸，模型估計(jì)的殘差絕對(duì)值為公司非效率投資程度。殘差絕對(duì)值越大，意味著非效率投資的程度越高，即投資效率越低。殘差為正表示過度投資，殘差為負(fù)表示投資不足。本文選取非效率投資程度指標(biāo)納入企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型，以提升財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)效果。

過度負(fù)債程度是實(shí)際負(fù)債率減去目標(biāo)負(fù)債率的差額，其中，實(shí)際負(fù)債率為賬面資產(chǎn)負(fù)債率，用總負(fù)債與總資產(chǎn)的比值來計(jì)算；目標(biāo)負(fù)債率為通過Tobit回歸方法對(duì)實(shí)際負(fù)債率、產(chǎn)權(quán)性質(zhì)、權(quán)益凈利潤、資產(chǎn)負(fù)債率、總資產(chǎn)增長率、固定資產(chǎn)占比、公司規(guī)模、公司第一大股東比率分年度進(jìn)行回歸得到。過度舉債會(huì)加劇企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)，而高財(cái)務(wù)杠桿也是企業(yè)出現(xiàn)財(cái)務(wù)風(fēng)險(xiǎn)的因素之一。因此，本文將過度負(fù)債程度指標(biāo)也納入上市公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型。

非效率投資程度指標(biāo)和過度負(fù)債程度指標(biāo)如表4所示。

四、模型構(gòu)建與訓(xùn)練

為驗(yàn)證本文所選取的MD&A多文本指標(biāo)（下文標(biāo)記為①）、融資約束指標(biāo)、財(cái)務(wù)困境指數(shù)測(cè)度指標(biāo)、非效率投資程度指標(biāo)和過度負(fù)債程度指標(biāo)（下文標(biāo)記為②）對(duì)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的作用，下面分別構(gòu)建（1）融合①和常規(guī)財(cái)務(wù)指標(biāo)的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型、（2）融合①、②及常規(guī)財(cái)務(wù)指標(biāo)的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型，并分別采用多層Dense堆疊神經(jīng)網(wǎng)絡(luò)和1維卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行實(shí)證。

（一）樣本選擇

本文所有數(shù)據(jù)均來自國泰安數(shù)據(jù)庫。選擇2017—2020年滬深兩市主板A股上市公司為研究樣本，剔除金融類企業(yè)，剔除缺失數(shù)據(jù)比率超過30%的企業(yè)。

借鑒已有的研究思路，將上市公司被ST作為其陷入財(cái)務(wù)困境的標(biāo)志。同時(shí)，鑒于上市公司陷入財(cái)務(wù)困境是一個(gè)動(dòng)態(tài)的、持續(xù)變化的過程和狀態(tài)，即大多數(shù)公司在被ST之前都會(huì)經(jīng)歷財(cái)務(wù)風(fēng)險(xiǎn)增加直到陷入財(cái)務(wù)困境，因此，財(cái)務(wù)異常樣本集定義為t年被ST公司的t-1年至t-4年的年度數(shù)據(jù)。最終得到623條財(cái)務(wù)異常樣本數(shù)據(jù)。

對(duì)于財(cái)務(wù)正常樣本的選取，按照ST與非ST行業(yè)匹配、規(guī)模匹配及樣本量比率為1■1的原則，同樣取得623條財(cái)務(wù)正常樣本。所有樣本共計(jì)1 246條。

（二）財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型構(gòu)建

1.融合①和常規(guī)財(cái)務(wù)指標(biāo)的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型

此模型包括的指標(biāo)主要是表1所示的30個(gè)常規(guī)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警指標(biāo)和表2所示的8個(gè)MD&A文本特征指標(biāo)，共計(jì)38個(gè)指標(biāo)。

2.融合①、②及常規(guī)財(cái)務(wù)指標(biāo)的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型

此模型包括的指標(biāo)主要是表1所示的30個(gè)常規(guī)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警指標(biāo)、表2所示的8個(gè)MD&A文本特征指標(biāo)、融資約束及表3的財(cái)務(wù)困境指數(shù)測(cè)度和表4的非效率投資程度與過度負(fù)債程度等13個(gè)指標(biāo)，共計(jì)51個(gè)指標(biāo)。

（三）實(shí)證方法選擇

參考梁龍躍等[10]使用的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型訓(xùn)練方法，本文引入人工神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)兩種方法完成財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的訓(xùn)練，以期得到更有效、性能更好的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型。文中所有實(shí)證均基于Python的Keras深度學(xué)習(xí)庫完成。實(shí)驗(yàn)環(huán)境采用Anaconda3，conda版本是4.10.1，Python版本是3.8.8，Jupyter Notebook版本是6.3.0，Keras版本是2.7.0。

1.多層Dense堆疊神經(jīng)網(wǎng)絡(luò)

Dense是Keras中的全連接（Fully Connection）層，也叫密集連接層（Densely Connected Layer）或密集層（Dense Layer）。由多個(gè)Dense層連接形成的神經(jīng)網(wǎng)絡(luò)模型稱為Dense堆疊神經(jīng)網(wǎng)絡(luò)模型。

由于財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的數(shù)據(jù)量較小，指標(biāo)特征相對(duì)也較少，因此，Dense網(wǎng)絡(luò)僅需4層即可完成模型訓(xùn)練。同時(shí)，為降低過擬合，前三個(gè)Dense層后各接一個(gè)Dropout層，最后一個(gè)Dense層采用sigmoid激活函數(shù)完成輸出分類即可。

2.Convolution1D卷積神經(jīng)網(wǎng)絡(luò)

Convolution1D是Keras中的一維卷積神經(jīng)網(wǎng)絡(luò)模型，對(duì)于文本分類、時(shí)間序列等簡單任務(wù)，構(gòu)建小型的Convolution1D網(wǎng)絡(luò)可以使模型訓(xùn)練速度更快。一維卷積層可以從財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)樣本中提取局部樣本特征，并能利用一維卷積神經(jīng)網(wǎng)絡(luò)的平移不變性將提取到的特征在樣本其他位置進(jìn)行識(shí)別。

CNN常用于圖像領(lǐng)域。由于圖像的特征維度很高，為減少特征數(shù)量，CNN層常與最大池化層連接，通過最大池化層的下采樣達(dá)到降低維度和擴(kuò)大卷積層觀察窗口的作用。同時(shí)，對(duì)于具有高維特征的圖像而言，最大池化層的下采樣也基本不會(huì)影響圖像識(shí)別結(jié)果。而將CNN應(yīng)用于本文的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型時(shí)，由于模型的特征指標(biāo)數(shù)量很少，且每個(gè)指標(biāo)都各有其意義，因此，針對(duì)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的這一特性，本文在設(shè)計(jì)CNN模型時(shí)，沒有使用最大池化層，僅在各卷積層下接Dropout層以降低過擬合。

同樣，由于財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型較小，故CNN模型僅需4層，每層卷積核大小為3；每個(gè)卷積層后接一個(gè)Dropout層。最后對(duì)卷積輸出進(jìn)行展平，在其后再接一層Dense層，利用Sigmoid激活函數(shù)完成輸出分類即可。

（四）實(shí)驗(yàn)步驟

實(shí)驗(yàn)步驟如圖1所示。

（五）實(shí)驗(yàn)結(jié)果

為了對(duì)比本文所建財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型與已有模型的預(yù)測(cè)效果，分別建立如表5所示的四種財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型，所有模型均在相同的樣本集上選擇如表5所示的指標(biāo)數(shù)據(jù)。

分別以Dense堆疊網(wǎng)絡(luò)和Convolution1D卷積神經(jīng)網(wǎng)絡(luò)對(duì)表5中的4種預(yù)警模型進(jìn)行訓(xùn)練，所得模型在測(cè)試集上的AUC值（Area Under Curve，ROC曲線下面積）和混淆矩陣比較如表6所示。

五、結(jié)果分析

（一）四種財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型對(duì)比

下面分別從財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型指標(biāo)體系構(gòu)成和實(shí)證方法兩方面對(duì)這些模型的預(yù)測(cè)效果進(jìn)行對(duì)比分析。

1.從模型指標(biāo)體系構(gòu)成方面進(jìn)行對(duì)比

（1）AUC值對(duì)比

在深度學(xué)習(xí)中，AUC是非常重要的檢測(cè)模型好壞的指標(biāo)，AUC值越接近1，表示模型預(yù)測(cè)能力越高。從表6可以看出，無論是以Dense堆疊網(wǎng)絡(luò)還是Convolution1D網(wǎng)絡(luò)建立的預(yù)警模型，其M1到M4的AUC值均在不斷升高，這意味著預(yù)警模型的預(yù)測(cè)能力在不斷提升。

在Dense訓(xùn)練的預(yù)警模型中，相比M1，M3的AUC提升是因?yàn)樵黾恿?個(gè)MD&A多文本指標(biāo)；相比M2和M3，M4的AUC提升是因?yàn)镸4包含了全部51個(gè)指標(biāo)。同理，在Convolution1D訓(xùn)練的預(yù)警模型中，相比M1，M3的AUC提升是因?yàn)樵黾恿?個(gè)MD&A多文本指標(biāo)；相比M2和M3，M4的AUC提升是因?yàn)镸4包含了全部51個(gè)指標(biāo)。

（2）漏報(bào)率與誤報(bào)率對(duì)比

預(yù)測(cè)模型中，漏報(bào)率（FNR）是指將有風(fēng)險(xiǎn)的公司預(yù)測(cè)為無風(fēng)險(xiǎn)的比率；誤報(bào)率（FPR）是指將無風(fēng)險(xiǎn)的公司預(yù)測(cè)為有風(fēng)險(xiǎn)的比率。降低預(yù)警模型的這兩類錯(cuò)誤是判斷模型好壞的標(biāo)準(zhǔn)之一。

從表6可以看出，以Dense訓(xùn)練的四種預(yù)警模型中，M4模型的FNR與FPR之和（0.32）最低，并且相對(duì)持平（FNR與FPR相差0.02），說明M4模型預(yù)測(cè)的兩類錯(cuò)誤率較低且比較平衡。以Convolution1D訓(xùn)練的四種預(yù)警模型中，M4模型的FNR與FPR之和（0.33）稍高于M2模型（0.32），但M4模型比M2模型的預(yù)測(cè)要平衡得多（M4模型的FNR與FPR相差0.01），說明M4模型預(yù)測(cè)比較平衡。

由此得知，將MD&A中提取的多文本特征引入上市公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型，能有效提高模型的預(yù)測(cè)能力，印證了出自企業(yè)內(nèi)部管理層之手的MD&A章節(jié)文本內(nèi)容能夠體現(xiàn)管理層對(duì)企業(yè)未來的主觀判斷。同時(shí)，擴(kuò)充指標(biāo)后的模型表現(xiàn)出更好的風(fēng)險(xiǎn)預(yù)測(cè)能力，印證了模型指標(biāo)類型越豐富、數(shù)量越多，其預(yù)測(cè)風(fēng)險(xiǎn)的能力也越高，結(jié)果越穩(wěn)定。因此，構(gòu)建上市公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型時(shí)，合理加入MD&A的多文本特征及一些通過建模和計(jì)算得到的復(fù)合型指標(biāo)來提升模型預(yù)測(cè)能力是可行和可靠的。

2.從實(shí)證方法方面進(jìn)行對(duì)比

（1）AUC值對(duì)比

從表6可以看出，相比Dense訓(xùn)練的四種預(yù)警模型，Convolution1D訓(xùn)練的四種預(yù)警模型的AUC值分別高出0.027、0.030、0.026、0.017，說明Convolution1D比Dense訓(xùn)練的效果好。這表明Convolution1D比Dense更能挖掘出上市公司的財(cái)務(wù)風(fēng)險(xiǎn)特征，更適合作為財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型訓(xùn)練的方法。不過模型優(yōu)勢(shì)不是絕對(duì)的。通過交叉對(duì)比分析可以看出，指標(biāo)數(shù)量不斷增加及指標(biāo)含義更加豐富都可以彌補(bǔ)訓(xùn)練方法的缺陷。比如，Dense訓(xùn)練的M3模型使用了38個(gè)指標(biāo)，其AUC值為0.887，超過了Convolution1D訓(xùn)練的M1模型的AUC值，但是優(yōu)勢(shì)特別微弱，僅為0.001。而當(dāng)Dense訓(xùn)練的M4模型的指標(biāo)數(shù)量增加至51個(gè)時(shí)，其AUC值達(dá)到了0.903，超過Convolution1D訓(xùn)練的M1模型的AUC值（超過0.017），模型優(yōu)勢(shì)進(jìn)一步擴(kuò)大，說明指標(biāo)的豐富程度能夠影響模型的預(yù)測(cè)能力。

（2）漏報(bào)率與誤報(bào)率對(duì)比

Convolution1D訓(xùn)練的模型比Dense訓(xùn)練的模型在預(yù)測(cè)時(shí)要更加平衡。對(duì)于M3模型，Dense網(wǎng)絡(luò)的FNR與FPR之和（0.33）小于Convolution1D網(wǎng)絡(luò)的FNR與FPR之和（0.36），但Dense網(wǎng)絡(luò)的FNR與FPR之差（0.17）遠(yuǎn)大于Convolution1D網(wǎng)絡(luò)的FNR與FPR之差（0.06）。不過，指標(biāo)的豐富程度降低了這種差異，對(duì)于M4模型，Dense網(wǎng)絡(luò)的FNR與FPR之和（0.32）及之差（0.02）幾乎與Convolution1D網(wǎng)絡(luò)的FNR與FPR之和（0.33）及之差（0.01）持平。

（二）與其他文獻(xiàn)對(duì)比

在同一領(lǐng)域的研究中，梁龍躍等[10]基于BERT-AE提取MD&A文本特征和審計(jì)報(bào)告文本特征，并分別使用Logistic回歸、XGBoost、ANN及CNN訓(xùn)練加入兩種文本特征的財(cái)務(wù)預(yù)警模型，最終使模型的AUC值分別達(dá)到0.8577、0.8961、0.8757和0.8777。與本文所建的基于Convolution1D網(wǎng)絡(luò)的M3和M4模型相比，本文這兩個(gè)模型的AUC值均高于該文獻(xiàn)所有模型的AUC值。

袁美芬[11]所建預(yù)警模型共有45個(gè)財(cái)務(wù)和非財(cái)務(wù)指標(biāo)，其中包含了“審計(jì)意見類型”指標(biāo)，模型基于人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，在T-5時(shí)間步樣本集上得到0.901的AUC值。而在本文的前期實(shí)驗(yàn)中，曾專門將審計(jì)報(bào)告中的審計(jì)意見類型提取并量化后加入到M4模型中，在Convolution1D方法的訓(xùn)練下，M4模型的AUC值高達(dá)0.996，這印證了審計(jì)意見類型與企業(yè)是否陷入財(cái)務(wù)困境、是否可能被帶上ST帽子有著非常緊密和直接的聯(lián)系。然而審計(jì)意見類型由企業(yè)外部獨(dú)立的專業(yè)審計(jì)機(jī)構(gòu)提供，不依賴外部審計(jì)而從企業(yè)內(nèi)部管理層視角來測(cè)度財(cái)務(wù)風(fēng)險(xiǎn)，這對(duì)企業(yè)未來的可持續(xù)發(fā)展具有更為重要的意義。因此，本文所建的M3和M4模型沒有包含審計(jì)意見類型指標(biāo)。但即便不包括對(duì)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)影響如此之高的指標(biāo)，本文所建的基于卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練的M3和M4模型的AUC值也優(yōu)于袁美芬[11]所建模型。

湯惠蓉[12]建立的基于深度學(xué)習(xí)網(wǎng)絡(luò)的預(yù)警模型用到27個(gè)純財(cái)務(wù)數(shù)值指標(biāo)，其模型在T-3時(shí)間步上達(dá)到的AUC值為0.783，遠(yuǎn)低于本文基于Convolution1D的M3模型和M4模型的AUC值。

與上述文獻(xiàn)的AUC值對(duì)比如表7所示。

六、結(jié)論

管理層討論與分析是上市公司年報(bào)中重要的信息披露部分，能夠體現(xiàn)企業(yè)內(nèi)部管理層對(duì)未來的預(yù)期。將從MD&A章節(jié)提取的多文本指標(biāo)加入常規(guī)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警指標(biāo)體系可以提升模型預(yù)測(cè)的準(zhǔn)確性。本文構(gòu)建了基于MD&A多文本特征的上市公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警體系，并分別用Dense網(wǎng)絡(luò)和Convolution1D網(wǎng)絡(luò)實(shí)證這兩種模型的預(yù)測(cè)能力。結(jié)論如下：

1.從MD&A章節(jié)提取的多文本特征可以提升上市公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的預(yù)測(cè)能力。文本分析技術(shù)能夠挖掘MD&A章節(jié)的文本特征，展示管理層語調(diào)和情緒，提升風(fēng)險(xiǎn)預(yù)警的敏感度。從MD&A章節(jié)提取的正面詞匯數(shù)量、負(fù)面詞匯數(shù)量、詞匯總量、句子數(shù)量、文字?jǐn)?shù)量，以及經(jīng)過處理的與前一年相比文本相似度、情感語調(diào)1和情感語調(diào)2等文本特征，能夠體現(xiàn)企業(yè)管理層甚或高層對(duì)于企業(yè)未來發(fā)展的信心、態(tài)度以及預(yù)期。實(shí)證表明，將MD&A多文本特征加入上市公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型指標(biāo)體系明顯提升了模型的預(yù)測(cè)能力。

2.豐富財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的指標(biāo)體系可以提升模型的預(yù)測(cè)能力。在常規(guī)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警指標(biāo)體系中，依次加入①指標(biāo)、②指標(biāo)，實(shí)證發(fā)現(xiàn)模型的AUC值不斷提升。②指標(biāo)均是從融資管理、投資管理和風(fēng)險(xiǎn)角度選取的、經(jīng)過一定計(jì)算得到的復(fù)合指標(biāo)，其本身具有反映財(cái)務(wù)困境的能力，融入本文模型后，表現(xiàn)出有效的模型預(yù)測(cè)提升能力。

3.實(shí)證表明，深度神經(jīng)網(wǎng)絡(luò)比傳統(tǒng)機(jī)器學(xué)習(xí)方法更能提升財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的預(yù)測(cè)能力，而卷積神經(jīng)網(wǎng)絡(luò)比人工神經(jīng)網(wǎng)絡(luò)更能提升財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的預(yù)測(cè)能力。Python的Keras深度學(xué)習(xí)庫提供了功能強(qiáng)大、簡單易用的深度學(xué)習(xí)工具包，它使模型的構(gòu)建和訓(xùn)練更加容易，僅需十幾行代碼就能完成財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的訓(xùn)練，這為企業(yè)應(yīng)用實(shí)踐財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型預(yù)判可能的財(cái)務(wù)風(fēng)險(xiǎn)提供了便利性和靈活性，為企業(yè)日常經(jīng)營決策活動(dòng)提供了智能支持。

數(shù)字經(jīng)濟(jì)時(shí)代，更多的企業(yè)經(jīng)營信息以非結(jié)構(gòu)化信息的形式涌現(xiàn)出來，充分挖掘這些信息間隱含的關(guān)聯(lián)，更精準(zhǔn)地刻畫企業(yè)財(cái)務(wù)特征、更及時(shí)地為企業(yè)提供財(cái)務(wù)預(yù)警、更智能地輔助企業(yè)決策是未來一段時(shí)間的重要研究內(nèi)容。同時(shí)，鑒于深度學(xué)習(xí)強(qiáng)大的性能，未來可以構(gòu)建更加多樣化、維度更豐富的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警指標(biāo)體系，使預(yù)警模型更加健壯，表征性更強(qiáng)，角度更全面。

【參考文獻(xiàn)】

［1］ 劉云菁，張紫怡，張敏.財(cái)務(wù)與會(huì)計(jì)領(lǐng)域的文本分析研究：回顧與展望［J］.會(huì)計(jì)與經(jīng)濟(jì)研究，2021，35（1）：3-22.

［2］ 胡楠，薛付婧，王昊楠.管理者短視主義影響企業(yè)長期投資嗎？——基于文本分析和機(jī)器學(xué)習(xí)［J］.管理世界，2021，37（5）：139-156，11，19-21.

［3］ 苗霞，李秉成.管理層超額樂觀語調(diào)與企業(yè)財(cái)務(wù)危機(jī)預(yù)測(cè)——基于年報(bào)前瞻性信息的分析［J］.商業(yè)研究，2019（2）：129-137.

［4］ 苗霞.管理層語調(diào)、媒體報(bào)道與企業(yè)財(cái)務(wù)危機(jī)預(yù)測(cè)——基于年報(bào)前瞻性信息的分析［J］.財(cái)會(huì)通訊，2019（27）：17-21.

［5］ 趙納暉，張?zhí)煅?基于MD&A文本和深度學(xué)習(xí)模型的財(cái)務(wù)報(bào)告舞弊識(shí)別［J］.會(huì)計(jì)之友，2022（8）：140-149.

［6］ 朱永明，徐璐銘.引入社會(huì)責(zé)任的上市公司財(cái)務(wù)困境預(yù)測(cè)模型研究［J］.商業(yè)研究，2015（3）：92-97.

［7］ 夏寧，宋學(xué)良.財(cái)務(wù)困境預(yù)測(cè)模型綜述［J］.會(huì)計(jì)之友，2015（8）：27-29.

［8］ 陳藝云，賀建風(fēng)，覃福東.基于中文年報(bào)管理層討論與分析文本特征的上市公司財(cái)務(wù)困境預(yù)測(cè)研究［J］.預(yù)測(cè)，2018，37（4）：53-59.

［9］ 陳藝云.基于信息披露文本的上市公司財(cái)務(wù)困境預(yù)測(cè)：以中文年報(bào)管理層討論與分析為樣本的研究［J］.中國管理科學(xué)，2019，27（7）：23-34.

［10］ 梁龍躍，劉波.基于文本挖掘的上市公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警研究［J］.計(jì)算機(jī)工程與應(yīng)用，2022，58（4）：255-266.

［11］ 袁美芬.深度學(xué)習(xí)驅(qū)動(dòng)的財(cái)務(wù)困境預(yù)測(cè)研究［D］.南昌：江西財(cái)經(jīng)大學(xué)碩士學(xué)位論文，2021.

［12］ 湯惠蓉.基于深度學(xué)習(xí)的上市公司財(cái)務(wù)困境預(yù)測(cè)研究［D］.南京：東南大學(xué)碩士學(xué)位論文，2020.