大數(shù)據(jù)背景下基于機器學習的公司財務風險識別研究初探

李仕瑾

【摘要】傳統(tǒng)的財務風險識別主要依賴對財務報表的分析和判斷，但財務報表可能存在偽裝、欺詐等問題，這將導致分析結(jié)果存在偏差。本文基于機器學習算法，構建了以企業(yè)財務評價指標和非財務評價指標為維度的財務風險識別體系，并對這兩個維度所采用的預測模型進行了初步分析。

【關鍵詞】大數(shù)據(jù)背景；機器學習；財務風險識別

【基金項目】江西省教育廳科學技術研究項目“大數(shù)據(jù)背景下基于機器學習的企業(yè)財務風險識別研究”（GJJ2205225）；江西省高等學校教學改革研究重點課題“基于CDIO理念的大數(shù)據(jù)與會計專業(yè)課程體系優(yōu)化與實踐”（JXJG-22-53-2）；江西省教育科學“十四五”規(guī)劃年度課題“崗課賽證融通背景下高職商科專業(yè)教學質(zhì)量學生滿意度實證研究”（22GZQN62）；江西交通職業(yè)技術學院教改課題“基于CDIO理念的“一異二型三化”會計專業(yè)課程教學體系改革研究（2022JG16）”。

一、引言

2015年，國務院印發(fā)了《促進大數(shù)據(jù)發(fā)展行動綱要》，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第五次全體會議將大數(shù)據(jù)戰(zhàn)略上升至國家戰(zhàn)略層面，提出了要實施“國家大數(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期大數(shù)據(jù)及大數(shù)據(jù)相關產(chǎn)業(yè)的發(fā)展目標。目前，大數(shù)據(jù)及大數(shù)據(jù)技術已廣泛的應用到行業(yè)的方方面面，助力經(jīng)濟社會發(fā)展。

隨著經(jīng)濟全球化發(fā)展及我國經(jīng)濟體制改革的深入，企業(yè)需要面臨更加復雜的市場環(huán)境。當前，中美貿(mào)易摩擦、匯率變動、物價變化等市場外部環(huán)境越來越復雜，這給企業(yè)的經(jīng)營增加了許多不可控因素。如果企業(yè)的外部市場或政策出現(xiàn)異常變動，企業(yè)的內(nèi)部投資和融資決策出現(xiàn)問題，將會導致企業(yè)出現(xiàn)財務風險。上市公司作為市場經(jīng)濟的重要組成部分，其財務狀況和風險對投資者、股東、經(jīng)理人員和其他利益相關者都密切相關。

傳統(tǒng)的財務風險識別主要依賴對財務報表的分析和判斷。但財務報表可能存在偽裝、欺詐等問題，這將導致分析結(jié)果存在偏差。因此，基于數(shù)據(jù)挖掘技術對上市公司的各類數(shù)據(jù)進行分析，在海量的財務數(shù)據(jù)中發(fā)現(xiàn)潛在的風險因素，提前預測財務分險，對上市公司、投資者、股東及證券監(jiān)管部門均具有重要意義。

二、國內(nèi)外研究現(xiàn)狀

國外關于財務風險的研究始于上世紀30年代，到目前已有90多年的歷史。縱觀相關學者的研究成果，主要聚焦在了財務風險預警模型上。經(jīng)文獻梳理，研究成果從最初的單一變量預警模型發(fā)展到多變量風險預警模型，基于人工智能的預警方法也在不斷完善與發(fā)展。Fiztpatrick（1932）提出了最早的單元風險預警模型，選取了債務保障率、資產(chǎn)收益率、資產(chǎn)負債率、資金安全率、安全邊際率等單一財務變量作為預警變量；Altman（1968）突破單一變量風險識別方法的局限，首次提出了Z-Score多元判別分析模型；Martin（1977）打破財務指標數(shù)據(jù)必須服從正態(tài)分布的假設，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)絡理論應用于財務風險預警研究。進入21世紀以后，隨著計算機技術術的發(fā)展，財務風險預警模型的構建也在不斷創(chuàng)新。VanGestel（2003）建立了LS-SVM模型識別財務危機；Zieba等（2016）將梯度提升決策樹應用于破產(chǎn)預測；Halteh&Kumar等（2018）將決策樹、隨機梯度增強和隨機森林應用于101家伊斯蘭上市銀行組成的數(shù)據(jù)集的金融困境預測。

相較于國外，國內(nèi)關于財務風險預警的研究起步較晚。吳世農(nóng)等（1986）最早開始國內(nèi)的財務風險預警研究；陳靜（1999）通過27家被ST和正常公司的財務數(shù)據(jù)開展了單變量分析和多元判定，開創(chuàng)了我國學者對上市公司進行財務風險識別預警的先河；關欣等（2016）將邏輯回歸模型及BP神經(jīng)網(wǎng)絡模型應于財務預警模的實證分析；王玉冬等（2018）采用粒子群算法進行了改進，建立PSO-BP和FOA-BP神經(jīng)網(wǎng)絡模型；楊貴軍等（2022）利用Benford律和Myer指數(shù)，構造了BM-BP神經(jīng)網(wǎng)絡財務風險預警模型。

結(jié)合國內(nèi)外的研究現(xiàn)狀，關于財務風險預警，經(jīng)歷了簡單的單元預警模型、多元判別模型、邏輯回歸模型向復雜的神經(jīng)網(wǎng)絡模型、支持向量機模型和其他混合模型發(fā)展歷程，相關文獻的研究結(jié)果證明了機器學習算法在財務風險預警領域的適切性。

三、傳統(tǒng)的財務風險識別指標體系

早期的研究中，受數(shù)據(jù)獲取渠道及計算機技術等方面的條件制約，難于獲取海量的公司財務數(shù)據(jù)，也難以實現(xiàn)對大規(guī)模數(shù)據(jù)的分析處理。因此，在傳統(tǒng)的財務風險識別過程，一般選取與企業(yè)財務信息相關的盈利能力、償債能力、營運能力和發(fā)展能力等方面的指標進行模型構建，采用的模型主要有邏輯回歸模型、BP神經(jīng)網(wǎng)絡模型、粒子群算法改進的神經(jīng)網(wǎng)絡模型等。從目前的發(fā)展狀況來看，包含傳統(tǒng)財務指標體系的賬務風險識別模型的構建已相對完善。

四、大數(shù)據(jù)背景下財務風險識別指標體系構建

隨著云存儲、區(qū)塊鏈、計算機等技術的飛速發(fā)展，海量數(shù)據(jù)的存儲、管理和應用變成了可能。大數(shù)據(jù)及大數(shù)據(jù)處理相關技術的應用，拓寬了投資者獲取企業(yè)財務信息渠道，也使快速、準確地收集、整理和分析財務數(shù)據(jù)成為了可能。云計算、大型計算機服務器的算力指數(shù)級增加，這使得對大規(guī)模數(shù)據(jù)的分析與處理成為了可能。

企業(yè)的財務風險與企業(yè)的財務評價指標和非財務評價指標相關。傳統(tǒng)的財務風險識別只考慮企業(yè)的財務評價指標，但對上市公司而言，社會網(wǎng)絡輿情數(shù)據(jù)、股權結(jié)構、董事會結(jié)構、管理成本、審計意見等非財務評價指標也與企業(yè)的正常經(jīng)營息息相關。非財務評價指標一般為文本型數(shù)據(jù)，具有難于量化的特點，而機器學習算法對文本、圖像都具有強大的處理能力。因此，應用機器學習算法，結(jié)合企業(yè)的非財務指標對風險識別模型進行改進，可以取得更好的風險識別效果。有鑒于此，筆者對傳統(tǒng)的財務風險識別模型進行改進，采用財務評價指標和非財務指標兩個維度構建大數(shù)據(jù)背景下的財務風險識別模型。具體構建中，財務評價指標主要選取盈利能力、償債能力、營運能力、發(fā)展能力、現(xiàn)金流量等幾個代表參數(shù)；非財務評價指標主要選取社會網(wǎng)絡輿情數(shù)據(jù)、股權結(jié)構、董事會結(jié)構、管理成本、管理層穩(wěn)定性、審計意見等參數(shù)。按照指標屬性、指標維度及具體的指標選取值，模型結(jié)構如圖1所示。

五、財務評價指標及非財務評價預測模型選擇

大數(shù)據(jù)背景下財務風險識別指標體系由企業(yè)的財務評價指標和非財務評價指標兩部分組成。在風險模型構建時，財務評價指標采用的是財務報表中以數(shù)值形式出現(xiàn)的反應盈利能力、償債能力、營運能力、發(fā)展能力及現(xiàn)金流量數(shù)據(jù)；非財務評價指標采用的是反映企業(yè)的股權結(jié)構、董事會結(jié)構、客理成本、管理層穩(wěn)定性、審計意見及與企業(yè)相關的網(wǎng)絡輿情數(shù)據(jù)，這類數(shù)據(jù)在企業(yè)年報中，經(jīng)常以文本的形式出現(xiàn)。針對以上兩種不同的數(shù)據(jù)類開型，在模型構建的過程中，需要采用不能的預測模型進行數(shù)據(jù)處理。

決策樹模型、隨機森林模型、梯度提升決策樹模型等以樹模型為基礎的預測模型對數(shù)值型數(shù)據(jù)具有強大的處理能力，可以很好的解決分類和回歸問題。因此，在財務風險的預測過程中，對于公司財務報表中的數(shù)值型數(shù)據(jù)，可以采用決策樹模型進行預測。利用對照組和實驗組數(shù)據(jù)，結(jié)合Bagging以及Boosting提升算法，可以模擬現(xiàn)實中人類決策行為，通過優(yōu)化決策樹，相當于提高了財務分析人員的決策能力，使模型對公司是否存在風險的判讀更加科學、準確。

機器學習中的卷積神經(jīng)網(wǎng)絡和循環(huán)神經(jīng)網(wǎng)絡可以很好的處理文本型數(shù)據(jù)。因此在財務風險預測過程中，對于非財務評價指標等文本型數(shù)據(jù)，采用神經(jīng)網(wǎng)絡中的詞袋（Bag of Words）模型進行，通過對非財務評價指標的分析，對比正常公司的年報文本和存在財務風險公司的年報文本，深度挖掘文本型數(shù)據(jù)下隱藏的規(guī)律，進而判斷公司是否面臨財務風險。

六、結(jié)束語

結(jié)合數(shù)值型數(shù)據(jù)，可以構建以財務報表為基礎，決策樹為主要算法的風險預測模型；結(jié)合文本型數(shù)據(jù)，可以構建以上市公司年度報告文本為基礎，深度神經(jīng)網(wǎng)絡為算法的風險預測模型。綜合上市公司的財務報表數(shù)據(jù)及年報文本數(shù)據(jù)，將兩種模型進行集成學習，便可以獲得一個同時接收財務報表數(shù)據(jù)和文本數(shù)據(jù)的財務風險預測模型。

········參考文獻·····················

[1]王賀敏，劉明瑋.大數(shù)據(jù)在財務風險識別與管控中的應用探析[J].中國注冊會計師，2022，（10）：107-112.

[2]吳世農(nóng)，黃世忠.企業(yè)破產(chǎn)的分析指標和預測模型[J].中國經(jīng)濟問題，1987.6（6）：20-28.

[3]陳靜.上市公司財務惡化預測的實證分析[J].會計研究，1999，4（9）：31-38.

[4]關欣，王征.基于Logistic回歸模型和BP神經(jīng)網(wǎng)絡的財務預警模型比較[J].統(tǒng)計與決策，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)絡財務風險預警模型[J].統(tǒng)計與決策，2022，38（3）：166-171.

（作者單位：江西交通職業(yè)技術學院運輸管理學院）