程雨晴 孫乃立 陳心淼

【摘 ?要】當(dāng)前信息化的大數(shù)據(jù)時(shí)代，新的技術(shù)為企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警帶來了更多的可能性。論文結(jié)合制造業(yè)企業(yè)的發(fā)展現(xiàn)狀與行業(yè)特點(diǎn)，以2019-2021年525家上市制造業(yè)公司為樣本，根據(jù)其基期前1～5年財(cái)務(wù)與非財(cái)務(wù)數(shù)據(jù)，構(gòu)建了結(jié)合財(cái)務(wù)與非財(cái)務(wù)指標(biāo)的監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)兩類預(yù)警模型，并對(duì)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的有效性進(jìn)行了分析。結(jié)果發(fā)現(xiàn)：兩類模型在企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警方面都有一定的效果，但監(jiān)督學(xué)習(xí)模型無論對(duì)高風(fēng)險(xiǎn)企業(yè)還是正常企業(yè)，均有更好的預(yù)測(cè)識(shí)別效果。未來企業(yè)可以導(dǎo)入監(jiān)督學(xué)習(xí)方法構(gòu)建財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)體系，提前應(yīng)對(duì)高風(fēng)險(xiǎn)事件的發(fā)生。

【關(guān)鍵詞】財(cái)務(wù)風(fēng)險(xiǎn)；監(jiān)督學(xué)習(xí)；非監(jiān)督學(xué)習(xí)；預(yù)警模型

【中圖分類號(hào)】F275 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 【文獻(xiàn)標(biāo)志碼】A ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 【文章編號(hào)】1673-1069（2023）06-0185-03

1 引言

在市場(chǎng)經(jīng)濟(jì)中，財(cái)務(wù)風(fēng)險(xiǎn)的發(fā)生可能導(dǎo)致企業(yè)破產(chǎn)，從而對(duì)企業(yè)利益相關(guān)者造成巨大的損失。及時(shí)預(yù)警財(cái)務(wù)風(fēng)險(xiǎn)，有助于采取有效的措施降低風(fēng)險(xiǎn)。長(zhǎng)久以來，財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警便是企業(yè)管理、投資分析、金融監(jiān)管等領(lǐng)域的重要研究課

題[1，2]。然而，受制于模型性能及影響因素，風(fēng)險(xiǎn)預(yù)警在應(yīng)用層面存在一定的局限性。因此，如何對(duì)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行準(zhǔn)確預(yù)警，仍需深入研究和探索?；诖?，本文以被標(biāo)記為*ST的企業(yè)為研究對(duì)象，結(jié)合財(cái)務(wù)與非財(cái)務(wù)數(shù)據(jù)，構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型、K-means聚類模型和高斯混合聚類模型，考察監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)兩類模型在企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警方面的適用性。本文的邊際貢獻(xiàn)主要體現(xiàn)在：第一，本文在模型判斷時(shí)，采用了召回率與F1得分等偏重于對(duì)陷入財(cái)務(wù)危機(jī)企業(yè)識(shí)別的指標(biāo)，防止正常企業(yè)過多而造成了判斷偏誤，揭示了當(dāng)前模型的真實(shí)效果；第二，本文展示了在相同樣本下監(jiān)督學(xué)習(xí)方法與非監(jiān)督學(xué)習(xí)方法的預(yù)測(cè)效果，為未來模型的進(jìn)一步發(fā)展提供了有效證據(jù)。顯然，這與已有文獻(xiàn)僅從單一類型模型進(jìn)行財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警研究有著明顯不同。

2 文獻(xiàn)綜述

學(xué)界對(duì)財(cái)務(wù)風(fēng)險(xiǎn)的預(yù)警模型以Beaver（1966）為開端，歷經(jīng)單因素、多因素模型、Logistic回歸模型、機(jī)器學(xué)習(xí)模型等階段[3]。以BP神經(jīng)網(wǎng)絡(luò)為代表的監(jiān)督學(xué)習(xí)方法，在企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警研究中一直都是學(xué)者關(guān)注的重點(diǎn)，其顯著優(yōu)點(diǎn)是對(duì)風(fēng)險(xiǎn)判別具有較高的準(zhǔn)確度，有利于企業(yè)預(yù)測(cè)未來財(cái)務(wù)風(fēng)險(xiǎn)[4，5]。如結(jié)合現(xiàn)金流管理思想建立人工神經(jīng)網(wǎng)絡(luò)財(cái)務(wù)風(fēng)險(xiǎn)評(píng)估模型，結(jié)果顯示該模型能夠?yàn)橹扑幮袠I(yè)減少由資金鏈所產(chǎn)生的風(fēng)險(xiǎn)[6]。國(guó)外學(xué)者將西班牙銀行作為研究對(duì)象構(gòu)建人工神經(jīng)網(wǎng)絡(luò)預(yù)警模型解決短期財(cái)務(wù)問題，結(jié)果顯示該模型對(duì)預(yù)測(cè)短期財(cái)務(wù)風(fēng)險(xiǎn)有很強(qiáng)的適用性[7]。非監(jiān)督學(xué)習(xí)模型方面，運(yùn)用K-means聚類模型對(duì)企業(yè)風(fēng)險(xiǎn)等級(jí)進(jìn)行劃分，發(fā)現(xiàn)基于該模型的風(fēng)險(xiǎn)預(yù)警體系能夠?qū)?zhǔn)確率提升至95.09%[8]。學(xué)者使用了K-means聚類算法與高斯混合聚類算法來對(duì)上市公司的財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行甄別，研究發(fā)現(xiàn)對(duì)于“特別處理”事件的識(shí)別，高斯混合模型的召回率和準(zhǔn)確率都顯著高于K-means聚類模型[9]。

總體而言，研究表明機(jī)器學(xué)習(xí)有助于改善現(xiàn)有財(cái)務(wù)預(yù)警模型的局限性。這為本文深化研究提供了可供借鑒的研究思路與理論認(rèn)知。然而，目前關(guān)于企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警的研究鮮有研究關(guān)注監(jiān)督學(xué)習(xí)與非監(jiān)督學(xué)習(xí)的效果差別對(duì)比，且多數(shù)文獻(xiàn)僅考察風(fēng)險(xiǎn)事件發(fā)生一兩年前的預(yù)測(cè)情況，導(dǎo)致該領(lǐng)域缺失中長(zhǎng)期預(yù)測(cè)效果的驗(yàn)證?；诖?，本文將*ST類公司視為財(cái)務(wù)危機(jī)的企業(yè)，對(duì)監(jiān)督學(xué)習(xí)與非監(jiān)督學(xué)習(xí)模型的中長(zhǎng)期預(yù)測(cè)效果進(jìn)行對(duì)比研究。

3 研究設(shè)計(jì)

3.1 樣本與數(shù)據(jù)

本文選取了制造業(yè)中由正常企業(yè)轉(zhuǎn)變?yōu)?ST企業(yè)的樣本作為實(shí)驗(yàn)組，選取同行業(yè)且規(guī)模相似的正常企業(yè)作為對(duì)照組樣本，并在2019-2021年的時(shí)間跨度內(nèi)進(jìn)行樣本選取。為避免正常企業(yè)樣本過多導(dǎo)致的非平衡采樣問題，將正常企業(yè)與*ST企業(yè)的比例設(shè)定為3∶1。本文使用t年份（即實(shí)驗(yàn)組企業(yè)被標(biāo)記為*ST的年份）的前5年至前1年的數(shù)據(jù)來驗(yàn)證財(cái)務(wù)預(yù)警模型。在此基礎(chǔ)上，剔除了數(shù)據(jù)存在空值、異常值樣本，剔除了金融行業(yè)相關(guān)企業(yè)樣本，以及財(cái)務(wù)與非財(cái)務(wù)數(shù)據(jù)存在空值、異常值樣本。最終保留了525家企業(yè)共計(jì)2 630個(gè)樣本，財(cái)務(wù)和非財(cái)務(wù)數(shù)據(jù)均來自國(guó)泰安（CSMAR）金融經(jīng)濟(jì)數(shù)據(jù)庫。

3.2 指標(biāo)選擇

現(xiàn)有研究發(fā)現(xiàn)財(cái)務(wù)指標(biāo)、非財(cái)務(wù)指標(biāo)對(duì)財(cái)務(wù)風(fēng)險(xiǎn)的預(yù)測(cè)均有一定的貢獻(xiàn)[10-12]?；谏鲜鲅芯康某晒疚倪x取16個(gè)財(cái)務(wù)指標(biāo)和5個(gè)非財(cái)務(wù)指標(biāo)作為上市公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)模型的分析變量。其中，財(cái)務(wù)指標(biāo)包括流動(dòng)比率、速動(dòng)比率、現(xiàn)金比率、資產(chǎn)負(fù)債率、應(yīng)收賬款周轉(zhuǎn)率、存貨周轉(zhuǎn)率、總資產(chǎn)周轉(zhuǎn)率、流動(dòng)資產(chǎn)周轉(zhuǎn)率、營(yíng)運(yùn)資金比率、留存收益資產(chǎn)比、資產(chǎn)報(bào)酬率、總資產(chǎn)凈利率、營(yíng)業(yè)利潤(rùn)率、營(yíng)業(yè)收入增長(zhǎng)率、總資產(chǎn)增長(zhǎng)率、凈資產(chǎn)收益率增長(zhǎng)率等；非財(cái)務(wù)指標(biāo)包括高管人員持股比例、董事會(huì)規(guī)模、股權(quán)集中度、審計(jì)意見類型和政府補(bǔ)助等。

3.3 模型構(gòu)建

BP神經(jīng)網(wǎng)絡(luò)模型是本文主要的監(jiān)督學(xué)習(xí)模型。BP神經(jīng)網(wǎng)絡(luò)的過程主要分為信號(hào)的前向傳播與反向傳播兩個(gè)階段，依次調(diào)節(jié)隱層到輸出層、輸入層到隱層的權(quán)重和偏置。本文構(gòu)建基于BP神經(jīng)網(wǎng)絡(luò)的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型，其激活函數(shù)是sigmoid函數(shù)，隱層數(shù)為2，輸入層為財(cái)務(wù)風(fēng)險(xiǎn)計(jì)量指標(biāo)，節(jié)點(diǎn)數(shù)為21，即16個(gè)財(cái)務(wù)指標(biāo)與5個(gè)非財(cái)務(wù)指標(biāo)。輸出節(jié)點(diǎn)為樣本企業(yè)t年度風(fēng)險(xiǎn)狀況，其中被標(biāo)記為*ST的實(shí)驗(yàn)組樣本風(fēng)險(xiǎn)狀況被標(biāo)記為1，對(duì)照組正常企業(yè)風(fēng)險(xiǎn)狀況被標(biāo)記為0。

進(jìn)一步，本文構(gòu)建基于K-means聚類模型與高斯混合模型的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型。其中K-means模型是基于劃分的聚類K表示的是聚類為K個(gè)簇，means代表取每一個(gè)聚類中數(shù)據(jù)值的均值作為該簇的中心。高斯混合模型則是一種業(yè)界廣泛使用的聚類算法，該方法使用了高斯分布作為參數(shù)模型，并使用了期望最大化（EM）算法進(jìn)行擬合。本文構(gòu)建K-means聚類模型和高斯混合模型時(shí)，維度參數(shù)均為21，即導(dǎo)入16個(gè)財(cái)務(wù)指標(biāo)與5個(gè)非財(cái)務(wù)指標(biāo)，共計(jì)21個(gè)指標(biāo)，導(dǎo)出分類數(shù)量為2，即是否為*ST企業(yè)。

為更好地進(jìn)行交叉驗(yàn)證，防止模型的過擬合現(xiàn)象，對(duì)本文樣本進(jìn)行了訓(xùn)練集與測(cè)試集的劃分。上述3個(gè)模型在訓(xùn)練集與測(cè)試集樣本劃分方面，均采用80%的樣本作為訓(xùn)練集，20%的樣本作為測(cè)試集。

4 預(yù)測(cè)結(jié)果分析

基于上述樣本及數(shù)據(jù)，通過python代碼實(shí)現(xiàn)，得到了基于監(jiān)督學(xué)習(xí)與非監(jiān)督學(xué)習(xí)3個(gè)模型的準(zhǔn)確率、召回率與F1得分3項(xiàng)模型效果評(píng)價(jià)指標(biāo)（見表1）①。從預(yù)測(cè)時(shí)間跨度來看，通過比較t-1至t-5期的預(yù)測(cè)結(jié)果可以看出，無論監(jiān)督學(xué)習(xí)還是非監(jiān)督學(xué)習(xí)模型，t-1期的準(zhǔn)確率、召回率和F1得分都高于其他期間；t-5期的準(zhǔn)確率最低，且除t-1期間以外的4個(gè)時(shí)期數(shù)據(jù)表現(xiàn)出的準(zhǔn)確度都彼此相近，沒有較大幅度的變動(dòng)。綜合上述對(duì)兩種企業(yè)風(fēng)險(xiǎn)預(yù)警的預(yù)測(cè)分析可知，距離風(fēng)險(xiǎn)事件發(fā)生時(shí)間越近，預(yù)測(cè)的準(zhǔn)確度越高，無論是準(zhǔn)確率指標(biāo)、召回率指標(biāo)還是F1得分指標(biāo)，均呈現(xiàn)出同樣的趨勢(shì)。從模型表現(xiàn)來看，BP神經(jīng)網(wǎng)絡(luò)模型和K-means聚類模型準(zhǔn)確率結(jié)果較好，高斯混合模型結(jié)果較差。其中，K-means模型的準(zhǔn)確率高于BP神經(jīng)網(wǎng)絡(luò)模型，但BP神經(jīng)網(wǎng)絡(luò)模型結(jié)果變動(dòng)趨勢(shì)的穩(wěn)定性明顯優(yōu)于K-means模型；就召回率而言，盡管t-1年K-means達(dá)到了0.75，但整體而言對(duì)財(cái)務(wù)風(fēng)險(xiǎn)事件的識(shí)別表現(xiàn)較差，尤其是t-2到t-5年，非監(jiān)督學(xué)習(xí)模型的效果遠(yuǎn)低于監(jiān)督學(xué)習(xí)模型，且其中高斯混合模型預(yù)測(cè)結(jié)果均為0，說明其難以勝任財(cái)務(wù)風(fēng)險(xiǎn)識(shí)別；就F1得分而言，BP神經(jīng)網(wǎng)絡(luò)模型表現(xiàn)總體高于K-means模型與高斯混合模型，說明以BP神經(jīng)網(wǎng)絡(luò)模型為代表的監(jiān)督學(xué)習(xí)模型預(yù)測(cè)效果優(yōu)于以K-means聚類模型和高斯混合模型為代表的非監(jiān)督學(xué)習(xí)模型。

綜合對(duì)比時(shí)間跨度和預(yù)測(cè)指標(biāo)來看，以BP神經(jīng)網(wǎng)絡(luò)為代表的監(jiān)督學(xué)習(xí)模型最為穩(wěn)定，對(duì)風(fēng)險(xiǎn)企業(yè)和正常企業(yè)識(shí)別度均較好，而非監(jiān)督學(xué)習(xí)模型在部分場(chǎng)合下表現(xiàn)出了較高的準(zhǔn)確度，但表現(xiàn)不穩(wěn)定，對(duì)風(fēng)險(xiǎn)企業(yè)的預(yù)測(cè)效果較差?？梢?，監(jiān)督學(xué)習(xí)模型對(duì)于企業(yè)的風(fēng)險(xiǎn)預(yù)測(cè)方面有更為明顯的優(yōu)勢(shì)，能夠更好地對(duì)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警指標(biāo)進(jìn)行預(yù)測(cè)和控制。

5 結(jié)論

本文以2019-2021年標(biāo)記為*ST企業(yè)的制造業(yè)公司為實(shí)驗(yàn)組樣本，按1∶3比例匹配正常企業(yè)為對(duì)照組樣本，財(cái)務(wù)指標(biāo)與非財(cái)務(wù)指標(biāo)，構(gòu)建基于監(jiān)督學(xué)習(xí)與非監(jiān)督學(xué)習(xí)模型的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型，對(duì)比其在財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)中的表現(xiàn)。本文發(fā)現(xiàn)：第一，隨著時(shí)間的推移，各個(gè)模型的預(yù)測(cè)準(zhǔn)確性均有明顯提升。第二，無論從哪個(gè)指標(biāo)的角度來看，監(jiān)督學(xué)習(xí)均呈現(xiàn)出更優(yōu)的預(yù)測(cè)表現(xiàn)；非監(jiān)督學(xué)習(xí)模型預(yù)測(cè)表現(xiàn)則較差，幾乎難以對(duì)高風(fēng)險(xiǎn)企業(yè)進(jìn)行準(zhǔn)確識(shí)別。因此，以BP神經(jīng)網(wǎng)絡(luò)為代表的監(jiān)督學(xué)習(xí)對(duì)于企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型具有較高的預(yù)測(cè)準(zhǔn)確率，在實(shí)務(wù)中也能夠更加有效地對(duì)財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行識(shí)別，有效地減少因不確定性而帶來的損失。

從本文的研究結(jié)論可以看出，監(jiān)督學(xué)習(xí)模型是未來企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警實(shí)務(wù)的發(fā)展方向，但其與實(shí)際應(yīng)用仍然有一定的距離。因此在監(jiān)督學(xué)習(xí)模型未來的發(fā)展中，公司應(yīng)當(dāng)制定一個(gè)體系完整且統(tǒng)一的風(fēng)險(xiǎn)評(píng)價(jià)制度和預(yù)警指標(biāo)體系，以確保企業(yè)風(fēng)險(xiǎn)的內(nèi)涵得以在信息中充分反映，幫助企業(yè)管理者準(zhǔn)確地識(shí)別和防范財(cái)務(wù)風(fēng)險(xiǎn)的發(fā)生。此外，企業(yè)還應(yīng)通過建立相關(guān)數(shù)據(jù)庫，充分利用其豐富性和可靠性，提高會(huì)計(jì)信息和數(shù)據(jù)的質(zhì)量，為提高企業(yè)風(fēng)險(xiǎn)預(yù)警模型的性能提供堅(jiān)實(shí)的基礎(chǔ)。

【注釋】

①受篇幅所限，本文所使用python代碼不在文中出現(xiàn)，備索。

【參考文獻(xiàn)】

【1】童思齊.非財(cái)務(wù)指標(biāo)在債券信用風(fēng)險(xiǎn)預(yù)警中的應(yīng)用[J].債券，2022（08）：88-92.

【2】黃永梁，苗瑋.財(cái)務(wù)風(fēng)險(xiǎn)視角下新能源汽車產(chǎn)業(yè)的發(fā)展路徑研究——基于對(duì)比亞迪公司財(cái)務(wù)指標(biāo)的分析[J].經(jīng)營(yíng)與管理，2022（07）：187-192.

【3】Beaver.W.H. Financial Ratio as Predictors of Failure[J].Journal of Accounting Research，1966，4（3）：77-111.

【4】Nayak. M. K， Abdullah. T. Short-term Predication of Risk Management Integrating Artificial Neural Network （ANN）[J].International Journal of Engineering and Advanced Technology，2020，9（3）：2828.

【5】劉亞歆.基于BP神經(jīng)網(wǎng)絡(luò)的互聯(lián)網(wǎng)上市公司財(cái)務(wù)風(fēng)險(xiǎn)評(píng)價(jià)研究[D].鎮(zhèn)江：江蘇大學(xué)，2019.

【6】Marinakos G， Daskalaki S， Ntrinias T. Defensive Financial Decisions Support for Retailers in Greek Pharmaceutical Industry[J]. Central European Journal of Operations Research，2014，22（3）：525-551.

【7】Escamilla S， Fernández P， Paule V， et al. Effect of the Disclosure of Corporate Social Responsibility on Business Profitability. A Dimensional Analysis in the Spanish Stock Market[J]. Sustainability，2019，11（23）：46-48.

【8】范俊明，劉洪久，胡彥蓉.基于熵權(quán)TOPSIS和K均值聚類的企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)評(píng)價(jià)預(yù)警研究[J].上海商學(xué)院學(xué)報(bào)，2020，21（05）：13-27.

【9】曾昭倫.基于聚類算法對(duì)上市公司財(cái)務(wù)風(fēng)險(xiǎn)甄別的研究[D].南昌：江西財(cái)經(jīng)大學(xué)，2020.

【10】曾繁榮，劉小淇.引入非財(cái)務(wù)變量的上市公司財(cái)務(wù)困境預(yù)警[J].財(cái)會(huì)月刊，2014（08）：25-30.

【11】柴建利，王艷芳，陳立文.上市公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)模型的實(shí)證研究[J].河北工業(yè)大學(xué)學(xué)報(bào)，2003（05）：66-72.

【12】王玉龍，周榴，張滌霏.企業(yè)債務(wù)違約風(fēng)險(xiǎn)預(yù)測(cè)——基于機(jī)器學(xué)習(xí)的視角[J].財(cái)政科學(xué)，2022（06）：62-74.