孟切

摘要：企業(yè)債務(wù)風(fēng)險的提升與其自身經(jīng)營管理水平的波動及投資決策是否失誤存在密切關(guān)聯(lián)。文章基于BP神經(jīng)網(wǎng)絡(luò)構(gòu)建了一種企業(yè)債務(wù)風(fēng)險預(yù)警系統(tǒng)，該系統(tǒng)由基礎(chǔ)應(yīng)用層、虛擬網(wǎng)絡(luò)層、安全共識層、數(shù)據(jù)處理層及實際應(yīng)用層等結(jié)構(gòu)組成，實現(xiàn)了企業(yè)債務(wù)風(fēng)險預(yù)警工作必需的功能，如構(gòu)建基于BP神經(jīng)網(wǎng)絡(luò)的非線性預(yù)警模型等。

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)；企業(yè)債務(wù)風(fēng)險；預(yù)警系統(tǒng)；智能風(fēng)險監(jiān)控

中圖分類號：TN915.03文獻(xiàn)標(biāo)志碼：A0引言企業(yè)外部生存環(huán)境的惡劣及企業(yè)間競爭的加劇，促使企業(yè)向規(guī)?；?、專業(yè)化發(fā)展。在企業(yè)的一般經(jīng)營活動中，面向外部籌集企業(yè)發(fā)展壯大所需資金屬于較為常見的行為。依托信息化手段構(gòu)建公司債務(wù)風(fēng)險防控管理平臺，旨在摸清債務(wù)風(fēng)險底數(shù)、強(qiáng)化日常債務(wù)管理、執(zhí)行債務(wù)風(fēng)險動態(tài)監(jiān)控、出具準(zhǔn)確定期報告等工作，層層強(qiáng)化責(zé)任，嚴(yán)防公司發(fā)生系統(tǒng)性風(fēng)險事件，為切實提高公司債務(wù)風(fēng)險的防范化解綜合管理水平，為在“穩(wěn)增長、調(diào)結(jié)構(gòu)、防風(fēng)險”任務(wù)落實提供工作抓手［1］。本文基于BP神經(jīng)網(wǎng)絡(luò)、人工智能等技術(shù)構(gòu)建了一種企業(yè)債務(wù)風(fēng)險預(yù)警系統(tǒng)，實現(xiàn)了企業(yè)債務(wù)風(fēng)險預(yù)警必需的若干功能，旨在通過優(yōu)化企業(yè)債務(wù)風(fēng)險預(yù)警系統(tǒng)帶動企業(yè)實現(xiàn)穩(wěn)定發(fā)展。

1系統(tǒng)需求1.1功能需求功能需求指的是企業(yè)債務(wù)風(fēng)險預(yù)警系統(tǒng)的具體功能需要滿足企業(yè)財務(wù)、債務(wù)相關(guān)數(shù)據(jù)的管理。由于債務(wù)數(shù)據(jù)涉及面廣，數(shù)據(jù)規(guī)模大，面向用戶信息多，統(tǒng)計信息包括單位情況、建設(shè)項目、債務(wù)融資、抵押擔(dān)保、資產(chǎn)、財務(wù)、債務(wù)轉(zhuǎn)貸等。因此，企業(yè)債務(wù)風(fēng)險預(yù)警系統(tǒng)需要根據(jù)企業(yè)常見債務(wù)類型進(jìn)行劃分，構(gòu)建包含債務(wù)智能數(shù)據(jù)中心、數(shù)據(jù)加密性維護(hù)、債務(wù)數(shù)據(jù)采集與分類等在內(nèi)的系統(tǒng)功能。

1.2性能需求從系統(tǒng)性能視角來看，企業(yè)債務(wù)風(fēng)險預(yù)警系統(tǒng)主要面向企業(yè)的債務(wù)風(fēng)險數(shù)據(jù)采集、篩選、存儲等，一方面要求系統(tǒng)具有穩(wěn)定的運行效果，可以保證企業(yè)在長期的運營過程中不會因為債務(wù)問題而出現(xiàn)經(jīng)營風(fēng)險；另一方面則要求系統(tǒng)內(nèi)部算法具有較高的可靠性，在分析、篩選和統(tǒng)計企業(yè)債務(wù)數(shù)據(jù)時不發(fā)生錯誤。

2系統(tǒng)構(gòu)建

2.1系統(tǒng)框架傳統(tǒng)的企業(yè)財務(wù)風(fēng)險預(yù)警系統(tǒng)大多只包含實際應(yīng)用層、網(wǎng)絡(luò)層、數(shù)據(jù)處理層等模塊。本文在傳統(tǒng)企業(yè)財務(wù)風(fēng)險預(yù)警系統(tǒng)的基礎(chǔ)上，結(jié)合企業(yè)債務(wù)風(fēng)險預(yù)警系統(tǒng)功能需求，搭建了如圖1所示的企業(yè)債務(wù)風(fēng)險預(yù)警系統(tǒng)。該系統(tǒng)除實際應(yīng)用層、網(wǎng)絡(luò)層、數(shù)據(jù)處理層外，還加入了基礎(chǔ)數(shù)據(jù)層、安全共識層，以滿足企業(yè)債務(wù)管理的需求。

實際應(yīng)用層屬于企業(yè)債務(wù)風(fēng)險預(yù)警系統(tǒng)框架的最高層，由財務(wù)中心、客戶端和移動端3部分組成，主要負(fù)責(zé)向企業(yè)財務(wù)人員、高層管理人員等提供企業(yè)債務(wù)、債務(wù)風(fēng)險及債務(wù)風(fēng)險預(yù)警等的相關(guān)數(shù)據(jù)。企業(yè)財務(wù)管理人員可以通過實際應(yīng)用層對企業(yè)債務(wù)系統(tǒng)進(jìn)行監(jiān)管，也可以直觀獲得債務(wù)風(fēng)險警報。

數(shù)據(jù)處理層由智能合約、BP神經(jīng)網(wǎng)絡(luò)、數(shù)據(jù)存儲發(fā)布等部分組成。其中，智能合約是企業(yè)對債務(wù)風(fēng)險預(yù)警原始數(shù)據(jù)進(jìn)行計算和判斷的主要模塊，智能合約可以通過初步的數(shù)據(jù)比較判斷某一企業(yè)/個體是否會對企業(yè)債務(wù)形成風(fēng)險［2-3］；BP神經(jīng)網(wǎng)絡(luò)是一種神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，適用于需要反復(fù)學(xué)習(xí)的過程，在企業(yè)債務(wù)風(fēng)險預(yù)警數(shù)據(jù)處理層中BP神經(jīng)網(wǎng)絡(luò)的存在可以不斷實現(xiàn)系統(tǒng)的自我完善與優(yōu)化，從而滿足更為復(fù)雜的企業(yè)債務(wù)風(fēng)險預(yù)警；數(shù)據(jù)存儲發(fā)布模塊主要負(fù)責(zé)企業(yè)債務(wù)數(shù)據(jù)的存儲和調(diào)用，以大數(shù)據(jù)可視化等為基礎(chǔ)向應(yīng)用層提供處理后可直接應(yīng)用的各項數(shù)據(jù)。

安全共識層采用過重共識機(jī)制和先進(jìn)算法等構(gòu)建企業(yè)債務(wù)風(fēng)險預(yù)警系統(tǒng)的高速流動信任通道，經(jīng)過非對稱加密和數(shù)字簽名等實現(xiàn)對企業(yè)債務(wù)風(fēng)險預(yù)警系統(tǒng)登錄人員的信息核實。安全共識層可以根據(jù)登錄人員的信息自動劃分不同的系統(tǒng)權(quán)限。

網(wǎng)絡(luò)層是連接企業(yè)內(nèi)部財務(wù)部門設(shè)備與財務(wù)中心服務(wù)器的主要橋梁。一般的企業(yè)財務(wù)風(fēng)險預(yù)警系統(tǒng)大多通過網(wǎng)線等物理形式進(jìn)行連接，本文為保證系統(tǒng)運行的穩(wěn)定性和可靠性，采用VLAN虛擬網(wǎng)絡(luò)+物理連接網(wǎng)絡(luò)的形式構(gòu)建網(wǎng)絡(luò)層，雙網(wǎng)絡(luò)體系在VLAN虛擬網(wǎng)絡(luò)的幫助下可以無限擴(kuò)展，企業(yè)債務(wù)風(fēng)險預(yù)警系統(tǒng)可以通過任何節(jié)點進(jìn)入系統(tǒng)，很好地解決了一般集中式債務(wù)風(fēng)險預(yù)警系統(tǒng)的安全信任問題。

基礎(chǔ)數(shù)據(jù)層是企業(yè)債務(wù)風(fēng)險預(yù)警系統(tǒng)的底層，采用分塊式和鏈?zhǔn)浇Y(jié)構(gòu)構(gòu)建數(shù)據(jù)信息流，對企業(yè)債務(wù)相關(guān)數(shù)據(jù)進(jìn)行采集、篩選，還可以在企業(yè)規(guī)定的范圍內(nèi)對部分債務(wù)相關(guān)數(shù)據(jù)進(jìn)行共享，以滿足企業(yè)整體對債務(wù)風(fēng)險預(yù)警工作的需求。

2.2系統(tǒng)工作流程從系統(tǒng)框架結(jié)構(gòu)來看，企業(yè)債務(wù)風(fēng)險預(yù)警系統(tǒng)基本按照基礎(chǔ)數(shù)據(jù)層→網(wǎng)絡(luò)層→安全共識層→數(shù)據(jù)處理層→實際應(yīng)用層的順序開展工作。但在實際的系統(tǒng)工作環(huán)境下這一流程會略微復(fù)雜一些，如圖2所示為本文構(gòu)建的企業(yè)債務(wù)風(fēng)險預(yù)警系統(tǒng)工作流程。

系統(tǒng)工作過程中會由數(shù)據(jù)處理層對反饋來的企業(yè)債務(wù)風(fēng)險進(jìn)行識別和度量，旨在對債務(wù)風(fēng)險進(jìn)行評級。根據(jù)債務(wù)風(fēng)險的危險程度，將債務(wù)預(yù)警決策分為低風(fēng)險、中風(fēng)險和高風(fēng)險3種。其中，低風(fēng)險決策采用常規(guī)監(jiān)控即可；中風(fēng)險決策需要采用風(fēng)險控制策略，根據(jù)風(fēng)險分析將風(fēng)險分為特定風(fēng)險事件、可市場化管理的風(fēng)險、不可抗力風(fēng)險、政治/法律/政策風(fēng)險等，根據(jù)不同的風(fēng)險類別進(jìn)行風(fēng)險規(guī)避、風(fēng)險轉(zhuǎn)移、風(fēng)險減輕、風(fēng)險接受與損失控制；高風(fēng)險決策需要制定專門的應(yīng)急預(yù)案，在對風(fēng)險進(jìn)行分類處置后由企業(yè)財務(wù)部門、管理部門等的相關(guān)人員重新規(guī)劃財務(wù)計劃，在解除風(fēng)險以后將完整的風(fēng)險預(yù)警流程納入企業(yè)經(jīng)濟(jì)總則并開展后續(xù)的動態(tài)監(jiān)控［4］。在企業(yè)的輕、中、高風(fēng)險預(yù)警過程中，均需要BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行反復(fù)的計算與學(xué)習(xí)，從而使系統(tǒng)的風(fēng)險預(yù)警自動化、智能化水平不斷提升。

3系統(tǒng)關(guān)鍵功能實現(xiàn)3.1基于BP神經(jīng)網(wǎng)絡(luò)的非線性預(yù)警模型企業(yè)的債務(wù)風(fēng)險種類多樣，風(fēng)險程度不同，企業(yè)債務(wù)風(fēng)險預(yù)警系統(tǒng)所需的預(yù)警模型均為非線性模型。以BP神經(jīng)網(wǎng)絡(luò)為核心構(gòu)建的非線性預(yù)警模型，可以對企業(yè)債務(wù)風(fēng)險相關(guān)復(fù)雜數(shù)據(jù)進(jìn)行有效釋放，在經(jīng)過大量的適應(yīng)性學(xué)習(xí)以后，BP神經(jīng)網(wǎng)絡(luò)的算法能力可以實現(xiàn)企業(yè)債務(wù)風(fēng)險數(shù)據(jù)的動態(tài)、智能化預(yù)警［5］。如圖3所示為BP神經(jīng)網(wǎng)絡(luò)非線性預(yù)警模型的工作流程。

BP神經(jīng)網(wǎng)絡(luò)算法可以借助萬能模型+誤差修正函數(shù)等對企業(yè)債務(wù)風(fēng)險預(yù)警的每一次訓(xùn)練結(jié)果與預(yù)想結(jié)果進(jìn)行誤差分析，不符合預(yù)警結(jié)果的再次進(jìn)入訓(xùn)練過程，符合的則給出訓(xùn)練結(jié)果。圖3所示的基于BP神經(jīng)網(wǎng)絡(luò)的非線性預(yù)警模型為企業(yè)債務(wù)風(fēng)險預(yù)警提供了較為理想的學(xué)習(xí)能力，可以對債務(wù)風(fēng)險訓(xùn)練集中每一個“輸入-輸出”樣本對重復(fù)以上步驟，直到整個訓(xùn)練樣本集的誤差減小到符合要求為止。與其他算法相比，BP神經(jīng)網(wǎng)絡(luò)算法的智能化水平理想，可以在不斷的學(xué)習(xí)過程中提升企業(yè)債務(wù)風(fēng)險預(yù)警的效率和穩(wěn)定性。

3.2非對稱加密非對稱加密也被稱為公鑰密碼，與對稱加密不同的是非對稱加密采用公鑰加密但在解密時采用私鑰［6］。本文構(gòu)建的企業(yè)債務(wù)風(fēng)險預(yù)警系統(tǒng)借助RSA算法生成密鑰對的過程如下：

//生成密鑰對

public static KeyPair getKeyPair（） throws Exception {

KeyPairGenerator keyGen = KeyPairGenerator. getInstance（"RSA"）;

keyGen.initialize（512）;

KeyPair keyPair = keyGen.generateKeyPair（）;

return keyPair;

}

3.3債務(wù)數(shù)據(jù)采集與分類企業(yè)債務(wù)風(fēng)險預(yù)警系統(tǒng)的數(shù)據(jù)采集與分類需要高度的自動化與智能化。本文在實現(xiàn)這一系統(tǒng)功能時，借助數(shù)據(jù)集理論，將債務(wù)風(fēng)險預(yù)警系統(tǒng)采集的前80%數(shù)據(jù)用于訓(xùn)練，80%～90%用于測試，90%～100%用于驗證。債務(wù)數(shù)據(jù)采集與分類的部分代碼如下：

trainDir = "./RSICD_train/"#（將訓(xùn)練集放在這個文件夾下）

if not os.path.exists（trainDir）：

os.mkdir（trainDir）

validDir = './RSICD_val/'#（將驗證集放在這個文件夾下）

if not os.path.exists（validDir）：

os.mkdir（validDir）

testDir = './RSICD_test/'#（將測試集放在這個文件夾下）

if not os.path.exists（testDir）：

os.mkdir（testDir）

4結(jié)語由于債務(wù)所涉及的信息復(fù)雜，債務(wù)管理工作人員對存在的債務(wù)償還風(fēng)險很難做到提前防范。本文認(rèn)為，企業(yè)債務(wù)風(fēng)險預(yù)警系統(tǒng)構(gòu)建的主要需求是提供必須的債務(wù)風(fēng)險預(yù)警體系。本文所構(gòu)建的體系能夠?qū)⑵髽I(yè)復(fù)雜的、海量的、處理時效差異極大的債務(wù)風(fēng)險問題進(jìn)行科學(xué)的、統(tǒng)一的、高效的處理，可以幫助企業(yè)實現(xiàn)債務(wù)風(fēng)險的智能化預(yù)警與風(fēng)險規(guī)避。

參考文獻(xiàn)

［1］蘇振興，扈文秀，夏元婷.基于機(jī)器學(xué)習(xí)的地方政府隱性債務(wù)風(fēng)險先導(dǎo)預(yù)警模型［J］.統(tǒng)計與決策，2022（7）：20-25.

［2］陶蕓輝.企業(yè)并購重組過程中的財務(wù)風(fēng)險及控制策略［J］.湖南科技學(xué)院學(xué)報，2021（2）：79-82.

［3］聶穎，郭艷嬌.地方政府債務(wù)、經(jīng)濟(jì)發(fā)展與風(fēng)險預(yù)警研究［J］.沈陽工業(yè)大學(xué)學(xué)報，2022（5）：426-433.

［4］范遠(yuǎn).負(fù)債經(jīng)營下的房地產(chǎn)企業(yè)財務(wù)風(fēng)險控制探討［J］.投資與創(chuàng)業(yè)，2021（24）：98-100.

［5］李麗珍.地方政府或有隱性債務(wù)風(fēng)險預(yù)警系統(tǒng)構(gòu)建與應(yīng)用研究——基于BP神經(jīng)網(wǎng)絡(luò)分析法［J］.財經(jīng)論叢，2021（3）：14-25.

［6］張顏江，王勝，魏敏.地方政府債務(wù)風(fēng)險預(yù)警體系構(gòu)建與應(yīng)用研究——基于廣東省地級及以上城市數(shù)據(jù)［J］.河南財政稅務(wù)高等專科學(xué)校學(xué)報，2021（5）：10-20.

（編輯 沈強(qiáng)）

Construction of enterprise debt risk early warning system based on BP neural networkMeng? Qie

（Guizhou Provincial Department of Finance， Guiyang 550001， China）Abstract：? The increase of enterprise debt risk is closely related to the fluctuation of its own management level and whether the investment decision is wrong. This paper constructs an enterprise debt risk early warning system based on BP neural network. The system is composed of basic application layer， virtual network layer， security consensus layer， data processing layer and practical application layer. The necessary functions of enterprise debt risk early warning work are realized， such as the construction of nonlinear early warning model based on BP neural network.

Key words： BP neural network; corporate debt risk; early warning system; intelligent risk monitoring