基于系统结构模型的大数据财务预警指标分析

宋彪+徐沙沙+丁庆洋+朱建明

【摘 要】 大数据是当前学术界的研究热点，同时大数据在各行业的具体应用也是当前亟待解决的难题。由于财务指标存在一定滞后和失真，非财务指标难以客观量化，导致企业财务预警模型一直存在诟病，因此将大数据指标合理地引入到企业财务预警模型是必要的。大数据具有高维度低价值含量的特点，在财务预警应用中难以确定指标。通过系统结构模型分析，分析出大数据指标并针对上市制造业企业实证。结果表明，所选择的大数据指标可以起到优化财务预警模型的作用。文章提出的大数据企业财务预警模型提高了企业财务预警效果，同时采用的系统结构模型方法也为其他领域对大数据指标的选择及应用提供了借鉴。

【关键词】 大数据； 财务预警； 非财务指标； 系统结构模型

【中图分类号】 C931 【文献标识码】 A 【文章编号】 1004-5937（2017）09-0095-05

一、研究现状

财务预警是一个世界性难题。国外对财务预警的研究较国内要早，多集中在多变量动态分析模型的基础之上，国内尚未有人提出适合我国企业实际并得到有效验证的财务预警模型。国内很多学者对财务预警进行了开创性的尝试，财务预警管理已经成为企业管理研究的一个热点话题[1]。

财务预警从选取的指标上划分，可以分为基于财务指标和非财务指标两种。基于财务指标的财务预警效果一直受限于会计信息的失真和滞后性。而基于非财务指标的财务预警模型又因为指标获取的主观性饱受诟病。以2008年发表在《自然》杂志上论述大数据科学的多篇文章为标志，世界范围内对数据科学问题的研究正式拉开帷幕。伴随着社会实践的推进以及科学技术的发展，国内外对大数据科学问题的研究进一步深入，现阶段学者研究的主题主要围绕以下方面：（1）大数据是什么，即如何对大数据进行科学规范的定义问题。（2）大数据的影响，即大数据技术的发展会对人类社会的发展产生怎样的变革，其中所蕴含的机遇与挑战是什么。（3）大数据应用于人类社会发展实践中所必须得以突破的关键技术是什么以及应该如何进行突破。（4）面对大数据时代的到来该如何应对等。在社会经济领域，Michael et al.[2]指出，大数据时代来临的趋势已经不可逆转，在审计领域，审计师将大数据技术应用到审计工作中已经成为了应对时代变革的重要举措，其呼声也越来越高。宋彪等[3]首次把大数据引进财务预警模型，根据上市公司的ST情况进行了实证，结果显示预警的效果大为提高。目前的相关研究大都提出技术框架，或者关注技术实现，大数据如何引入财经领域的理论论证尚未完善。本文从理论的角度分析了大数据指标引入的可行性和途径。一般把大数据引入到财经领域的研究中，需要研究企业大数据信息正面情绪指标、中性情绪指标、负面情绪指标、正面与负面情绪交互指标以及大数据信息发布频次指标。这里所说的大数据是为了与财务指标区分，严格意义上来讲，财务指标也是企业大数据的一部分。本文所提及的大数据指标，是通过对互联网上无数网民这个企业传感器进行搜集和信号融合而得到的。它的特点是来源广泛，结构非常复杂，需要从网络的海量信息中在线筛选才可获取，能够从所有利益相关人在线回馈信号流角度反映企业运行的全貌，个别力量难以左右其趋势，具有群体智慧性，并且呈信息碎片化和无意识状态，符合大数据的相关定义。这些信号流中已经包含了以往财务预警研究中涉及到的非财务指标信息，而且这种信号传递的信息比以往研究中，通过调研或者一些定性方法获得的个别非财务指标要更加客观和全面。

二、基于系统结构模型的分析

确定大数据指标和非财务指标的关系，是一项极其庞大而复杂的任务。ISM即解释结构模型，作为一种成熟的系统结构模型化技术，为研究大数据指标和非财务指标的系统关系提供了强有力的工具。

目前，非财务指标的既有研究所提出的各种指标缺乏系统性，研究非财务指标的系统性影响所使用的方法主要以规范为主，还没有一个公认的非财务指标对财务危机的整体影响评价模型。非财务指标有必要进行系统分析，才能考虑引入财务危机预警模型，否则非财务指标之间结论不会稳定，甚至会出现自相矛盾的情况。

ISM模型构建主要有以下步骤：系统构成要素确定、邻接矩阵确定、可达矩阵计算、层次化处理、绘制有向图和形成递阶结构模型。研究大数据指标与非财务指标对财务危机预警的系统性关系，首先要确定相关指标。指标获取方法主要是搜集文献，搜集使用非财务指标进行财务危机预警的相关文献，最终形成备择文献。其次，从备择文献中检索出所有出现的非财务指标，整理形成备择指标。最后，提请专家小组对备择指标进行评价，对指标进行增减，以及对指标内涵进行新的扩展，从而得到完备指标要素，即构成ISM构成要素。系统由17个要素组成，如表1。

系统中的17個要素是一个有机整体。为直观显示各要素之间的关系，本文利用邻接矩阵进行描述，将要素间的直接影响表述为aij=1，即若要素之间没有直接影响表述为aij=0，要素Ai对Aj没有直接影响。根据专家组及相关人员分析之后，建立邻接矩阵如表2。

根据邻接矩阵可以构建要素关系图，如图1。

各个要素之间的直接关系是靠邻接矩阵来表示的，然而事实上，间接关系也是这些要素之间要研究的重要内容。例如要素Ai会对Aj造成影响，同时Aj又对Ak产生影响，便将Ai视为基于Aj要素对Ak构成间接影响的要素，Ai对Ak产生了间接影响。这种间接影响则可以通过一个或者多个要素来进行传递。一般情况下研究的样本中这些直接或者非直接的各个要素之间所形成的各种影响关系，可以使用可达矩阵M来进行描述。其中矩阵中的元素aij=1是用来描述要素Ai直接或非直接地影响到Aj，相反，aij=0。具体结果如表3。

接下来的研究需要进行级位划分，主要是针对可达矩阵区域内元素进行地位确定，在整个过程中进行所有元素的层次地位划分。将区域中基于影响关系构成的要素集合进行逐个排查，观察找出系统中对其他任何要素都不产生影响的要素，将其定义为系统最高要素，并将其排除，之后重复上述过程逐级搜索一直到最低级的要素为止。

借助Matlab数据分析工具，可以快速将要素进行分级，结果见表4。

根据分级提取骨架矩阵，并构建递阶结构模型如图2。

由图2可以清楚地看到，大数据指标及非财务指标与财务危机关系系统是一个有8级的递阶结构模型。在线信号N1以及财务危机N2的直接原因就是股票价格N4的变化。而影响股票价格的直接原因有或有事项N5、审计意见N6、发展能力N14以及市场份额N17。或有事项和审计意见是一种外在因素，发展能力与市场份额的直接原因是公司治理N3和顾客满意N11，公司治理的直接影响因素是股份结构N9和独董人数N10，顾客满意的直接影响因素是产品质量N12。股份结构与独董人数的直接影响因素是战略目标N13，而产品质量直接影响因素是技术目标N16。战略目标的直接影响因素是市场变化N8，质量目标的直接影响因素是市场变化N8和创新能力N15。最低级行业背景N7是市场变化的原因。创新能力是一种系统客观存在的状态，在本系统中没有直接影响因素。

根据要素全关系图优化递阶结构模型，进而得到解释结构模型，如图3。

由于企业经营活动的复杂性，非财务指标的数量极其庞大，性质也特别复杂。对所有的非财务指标进行确定、跟踪和分析是不可能的一项任务。系统中的各个非财务指标都是目前文献中常用的，因此将未知的一些因素都放在或有事项里。这些指标在具体应用中的计算都比较困难，没有统一的标准。往往靠定性分析，或者简单地找到几个财务指标来反映复杂的非财务指标内涵。在解释结构模型中发现，在线信号可以预测股票价格的变化趋势，这在国外的文献中已有证明。同时，财务危机也是股票价格变化的一种结果，而且在线信号与财务危机具有相互作用的关系。因此以股票价格为流体，在线信号和财务危机形成一种连通器的构造，即在线信号的变化可以对财务危机进行同步的观察和预测。由于在线信号量化的容易性，考虑用在线信号替代不易量化的非财务指标是一个有效的处理手段。

三、实证

为了对前面分析的结论进行验证，本文采用网络爬虫技术对60家企业的所有相关全网网络数据，包括博客、论坛、新闻等信息进行了采集，时间跨度为2009年1月1日到2013年12月31日。通过数据收集及数据清洗，共得到了7 000万余条，其中大部分数据为文本信息。而文本信息本身具有非结构化和大量重复的特点。这些大数据反映的相关情绪引入到财务预警模型，能否起到改善预警效果的作用呢？首先对数据进行过滤，将文本信息中的無效信息筛选出去，并对剩余信息进行数值化处理。利用财经领域词典对信息进行语义分析。同时为验证大数据有效信息频次对财务预警模型的影响，要对上市公司的相关有效信息进行频次统计。考虑到制造业企业数量占全部上市企业总数量的比重最高，同时所在行业不同其表征的财务特点并不一致，具有风险的企业要远远小于正常企业的数量。为使模型在实际应用中具有更好的代表性，研究中把制造业作为模型研究的样本企业。

在沪深A股中，制造业企业中的危机企业（以ST为准）要远远小于正常企业的数量。若按照资产规模进行1■1配对抽样，则会认为破坏样本的随机性，致使模型效果虚高，模型预测精度夸大[4]。目前，基于资产规模原则进行配对，虽为通行做法但缺乏有力的理论根据，而本文也利用此种配对方式进行了检验，结果显示对危机判断中的表现并不显著。因而，本文并未采用上述原则，而是将危机企业和正常企业采用1■2的方式进行随机抽样配比。收集的企业信息共有60家，其中包括20家危机企业和40家正常企业，危机企业的样本主要来源于2012年、2013年的工业制造企业（被沪深两市特别处理的），11家危机企业和22家正常企业来自2012年，另有9家危机企业和18家正常企业来自于2013年。危机企业选择的是上市以来首次被处理，超过5年的上市时间，被特别处理是因为连续两年亏损。采取随机抽取的原则对正常企业（上市时间超过5年，且未被处理过的工业上市企业）的样本进行选取，其财务指标源于RESST数据库。

选择了32个财务指标和4个大数据指标（文本积极、消极、频次和交互情绪），利用T-2和T-3年度的数据，对T年通过支持向量机模型进行预测、验证和比较（模型制定以及训练过程等限于篇幅不再给出，可查询参考文献[3]）。结果如表5。

从比较结果可以看出，在财务预警模型中引入大数据指标，可以显著改善预测的性能，而且在距离被预测年度的期间越大，大数据指标表现得越好。本文认为其原因是一些非正式来源的准确消息对滞后的财务信息起到了修正作用。

四、结论

大数据引入是各领域如何选取指标的一个难题。本文通过系统结构模型，理论上分析出在线大数据信号可以影响财务预警效果，进而指出可以通过大数据指标对企业财务预警模型进行优化。采集了60家上市企业，对结论进行了验证，研究结果为财经领域如何引入大数据提供了新的思路。后续研究将对大数据指标进行细分，并引入深度学习算法，实现无人监督算法的财经预测模型，进一步规避人为主观性带来的影响。

【参考文献】

[1] 马忠华.财务预警方法评析[J].会计之友，2012（3）：100-101.

[2] MICHAEL A，MIKLOS A V. Thick data： adding context to big data to enhance auditability[J].International Journal of Auditing Technology，2014，2（2）：95-108.

[3] 宋彪，朱建明，李煦.基于大数据的企业财务预警研究[J].中央财经大学学报，2015（6）：54-64.

[4] 吴星泽.财务危机预警研究：存在问题与框架重构[J].会计研究，2011（2）：59-65.