大数据时代企业财务风险预警机制与路径探究

蔡立新（教授），李嘉欢

一、引言

我国经济的高速发展使企业面临的经济环境日新月异，在获得更多发展机会的同时，财务风险也随之而生。时钰[1]指出，面临激烈的竞争和多变的市场状况，建立合理有效的财务风险预警机制是十分必要的。只有准确识别和预测财务风险，企业才能在全球经济竞争中立于不败之地。

世界范围内对财务风险预警的研究最早起源于20世纪30年代，Fitzpatrick[2]发现“净利润/股东权益”和“股东权益/负债”可以显著区分处于财务困境的公司和正常公司，并能发挥预测作用。Altman[3]利用多元判别分析法提出Z模型，之后又在Z模型的基础上提出了采用7个财务指标的Zeta模型，进一步提高了预测的准确性。

我国在这方面尽管起步相对较晚，但近年来也取得了丰硕的成果。周首华、杨继华和王平[4]在Z模型的基础上，加入现金流量这一自变量，提出了F模型，以弥补Z模型未充分考虑现金流量变动情况的不足。为了优化多变量模型，曲秀丽[5]选取了5个财务指标作为模型变量，构建了一个基于极值原理的Fisher线性判别模型。罗晓光、刘飞虎[6]将Logistic回归法引入商业银行财务风险预警模型，从资本充足性风险、信用风险、盈利能力风险、流动性风险和发展能力风险五个方面建立了适合商业银行的财务风险预警模型。随着计算机技术的发展，人工智能模型开始被应用于财务风险预警。丁德臣[7]提出了基于混合全局优化正交遗传算法（HOGA）和支持向量机（SVM）的财务风险预警模型（HOGA-SVM），通过使用混合全局优化正交遗传算法连同支持向量机来改进支持向量机进行财务风险预警的效果。张晓莉、孙朝阳和刘大为[8]使用若干财务指标，应用蚁群算法建立了新的财务风险预测模型。刘磊、郭岩[9]基于财务指标，运用RBF神经网络模型，构建了物流企业财务风险预警模型，发现该模型可以克服人为因素和模糊随机性的影响，且具有学习和动态跟踪的能力，并能有效识别高风险样本，可以更好地保证预测结果客观准确。

尽管这些模型都通过了实证检验，有些甚至已在实务中应用多年，但其预警效果的准确性和稳定性一直有待增强，尤其是当外在环境发生重大变化（如经济危机爆发）时，预警机制失效成为常态。这是因为高质量的财务风险预警需要以海量数据为基础，在现有预警机制下，数据的维度不足，对非财务指标的利用程度不够，导致预警质量无法完全满足企业需求。同时，海量数据分析需要的时间和成本制约了预警的及时性和使用范围。为了真正提高财务风险预警的及时性、准确性和稳定性，急需建立一个多维度、全方面、高速度的财务风险预警机制。

近年来，大数据技术取得了突破性进展。所谓“大数据”，相对狭义的概念是指具有Volume、Variety、Value和Velocity“4V”特征的数据。其中：Volume是指具有超大规模和超快增长的非结构化数据；Variety是指数据类型繁多；Value是指信息的价值分布密度低，而商业价值高；Velocity是指数据处理速度快。从广义上讲，宋彪、朱建明和李煦[10]认为大数据是一种思维范式。

大数据技术可以在短时间内处理海量数据，因此目前几乎各个领域都在研究大数据技术的应用，同时大数据技术也为财务风险预警新机制的建立提供了思路。目前，在风险预测和管理领域已存在诸多应用大数据技术的尝试。宋彪、朱建明和李煦[10]利用网络爬虫获取全网网络数据，对反映情绪的非结构化信息进行数值化处理，同时对相关上市公司的有效信息进行频次统计，从而形成能够反映非财务指标且更具全面性和普适性的大数据指标。将引入大数据前后的财务风险预警模型的准确率进行对比，发现引入大数据指标后的预警模型有更高的有效性。张仕元、刘行舟[11]结合国内外跨国能源企业实施信息化的案例，提出了基于大数据平台和大数据分析技术的全面风险管理模式，并提出了我国大型企业集团运用大数据技术进行风险管理的方法和路径。

不过，现有文献中将大数据技术应用于财务风险预警模型设计的研究并不多见，并且主要集中于股价的预测和分析方面。此外，多为实证研究，通过指标选取、模型设计和实证检验等来建立财务风险预警模型并设计财务风险预警机制和路径的理论探讨明显不足。有鉴于此，本文拟在此方面进行尝试性研究。

二、大数据与财务风险预警

企业财务风险预警贯穿于企业日常的经营活动、投资活动和融资活动之中，企业进行上述活动时主要从三个方面产生预警需求，即部门层面、业务层面和战略层面。由于不同层面会产生不同的决策需求，比如，战略层面需决定公司应拥有什么样的业务，业务层面需决定开发何种新产品，而部门层面需决定采用何种销售策略，因此各层面财务风险预警的需求也不相同。同时，不同的预警需求对应不同的数据分析基础，借助大数据技术，财务风险预警机制可以全面收集能够反映企业内部状况、供应链传导影响、行业风险、行业关联影响和宏观经济影响的海量数据。不同层面在进行风险预警时，可以根据本层面的特定需求抽取相关数据进行数据分析，从而满足各层面不同的预警需求。此外，数据可以实现一次收集反复利用，将大大减少单次预警的时间和成本，扩大财务风险预警的适用范围。因此，如图1所示，大数据视角下的企业财务风险预警机制是一个多维度、全方位的预警机制。

图1 大数据视角下财务风险预警的实现

现有财务风险预警机制大多面临准确性和稳定性不足的问题，这很大程度上是由于选取指标时对非财务因素考虑不足，同时，在选取非财务指标时，普遍采用列举和试错的方法，使得被选中的指标具有一定的滞后性，对未来的适用性不稳定。大数据视角下，财务风险预警机制以全样本数据为基础，从多个维度收集实时数据，同时不局限于分析特定财务或非财务指标，而是根据每次预警的需求进行选择，从而保障预警的准确性和稳定性。不容忽视的是，海量数据虽提高了准确性，却也对及时性提出了更高的挑战，大数据技术信息处理速度快的特点就为及时性提供了保障。以实时大数据处理架构之一的Storm为例，目前其已实现每个节点每秒钟处理100万个数据元组。这意味着大数据的高速数据收集和处理能力能够保证每次财务风险预测都在实时全样本数据分析的基础上快速进行，既保证预警的准确性，又兼顾预警的及时性。大数据视角下的企业财务风险预警机制不仅是多维度、全方面、高速度的，而且可以更好地满足财务风险预警准确性、稳定性和及时性的需求。

三、财务风险预警机制设计

大数据机制下的企业财务风险预警机制（简称“新机制”）可以分为常态预警机制和特殊预警机制两部分。常态预警机制贯穿企业存在的每一天，而特殊预警机制只有在企业即将进行重大决策时才会启动，这两种财务预警机制均如图2所示，可分为数据采集和处理、风险判断、报告出具和预警效果评价和反馈四个阶段。

图2 大数据下企业财务风险预警机制

1.数据采集和处理阶段的机制设计。在数据采集和处理阶段，相关人员借助计算机每天收集和更新与企业、行业和宏观经济有关的海量数据，包括企业内部的财务和非财务数据、供应链企业公开数据、本行业和相关行业数据以及宏观经济数据等，并根据数据类型对其进行分类整理，如财务数据等结构化数据直接作为变量储存到数据库中，而半结构化和非结构化数据则要先进行结构化处理。又如非结构化信息中最常见的文字信息，要对其进行语义分析和数据清洗以得到可以反映原始数据含义的数字化变量，为后续分析计算做准备。

2.风险判断阶段的机制设计。在风险判断阶段，新机制需要对风险类别和风险程度进行分析，并对是否做出风险预警进行独立判断，因此该阶段是整个新机制中最重要的一个阶段。通过对数据库中海量数据的计算，新机制可对企业内部状况、行业风险、行业关联影响、供应链传导影响和宏观经济影响等进行分析，从而识别和量化由其单独或交互影响产生的企业政治风险、法律风险、市场竞争风险、经营风险等各类容易引致财务风险的商业风险。在现有的财务预警机制中，当量化结果超过风险预警的临界值时，预警机制会做出预警决策。因此，临界值的选择对预警效果至关重要，临界值过高可能会导致企业忽略风险冒进，而过低则可能使企业错失良机。在新机制中，借助大数据和人工智能技术，新机制可以应用支持向量机模型和神经元模型，以找到更加优化的“临界值”。

支持向量机模型的本质就是寻找一个最优平面，将两种不同类型的数据分别开。数据库中计算得到的变量与判断企业是否存在财务风险的指标一起构成了多维空间，每个企业都是这个空间中的一个点，在新机制中应用该模型，实际上就是寻找一个可以将这些点有效区分为面临财务风险企业和未面临财务风险企业两部分的最优平面，并由此得到一个决策函数，这个函数就相当于临界值。当企业将某一时点的数据输入新机制后，若因此导致企业被识别归类为“具有财务风险的企业”，则新机制需要做出预警。

神经元模型则是模拟人类的神经网络和神经质的传递，当满足一定条件时，当前神经元就会被激活，并输出预定函数的计算结果。将其应用于新机制中，我们可以设定一个计算企业所处点与最优平面距离的函数，一旦这个函数的值小于预定值，则该神经元被激活，它将输出财务预警信号，以便企业更加及时地对潜在风险进行防范。在正式启用新机制前，需应用大量不同企业的历史数据对新机制进行训练，从而得到有效的决策函数。同时，在正式启用之后，新机制也会根据每次预警的效果对决策函数进行不断的修正和调整。在对风险做出预警后，新机制还可根据历史数据对该风险可能导致的经济后果进行分析预测。

3.预警报告出具阶段的预警决策信息生成。根据风险判断的结果，新机制可自动生成预警报告。报告主要由三部分组成：一是结构化处理后的财务和非财务数据，这些数据分为企业情况、行业情况和宏观情况三部分，以表格形式列出，方便报告使用者查阅和理解；二是对企业内部状况、行业风险、行业关联影响、供应链传导影响和宏观经济影响的文字分析，使报告使用者可以对当前企业自身状况和所处环境有清晰的了解；三是对企业所面临财务风险的预警，包括风险类型、风险等级、风险原因和预期经济后果，从而对预警报告使用者做出决策提供支持。

4.预警效果评价和反馈阶段的运行机理。预警效果评价和反馈阶段可以提高预警的准确性和稳定性。一方面，新机制可通过收集整理报告使用者对每次预警效果的评价，对上文提及的神经元模型中的预定值进行调整，从而控制预警的敏感度，满足每个企业对不同程度风险进行预警的个性化需求。另一方面，对于新机制来说，每一次预警同时也是一次训练，可以在使用的过程中不断对决策函数进行修正，从而提高对风险影响因素变化的适应性，保证和提高财务风险预警质量。

四、财务风险预警路径设计

常态预警机制和特殊预警机制都是基于企业内部状况分析、行业风险分析、行业关联影响分析、供应链传导影响分析和宏观经济影响分析实施的。

1.企业内部状况动态分析。对企业内部状况的分析是对该企业财务风险进行预测和预警最基本的工作。企业内部状况包括企业内部财务状况和非财务状况。其中：财务状况比较容易衡量，主要借助于企业ERP系统等财务软件提供的各项财务数据或财务指标，这些数据揭示了企业过去和现在的财务状况、经营成果和现金流量情况，反映了企业的盈利能力、偿债能力、经营能力、风险控制能力和发展能力，而这些能力极大地影响了企业未来的财务风险；非财务状况包括企业的治理结构、内部控制建设情况以及企业其他规章制度的实施后果等，这些因素都会对企业未来的财务风险产生潜在的影响，比如，一个内部控制制度不健全（存在重大缺陷或重要缺陷）的企业即使现阶段拥有良好的财务绩效，其未来的财务风险也可能会很大，因为一旦内部控制风险爆发，对企业造成的影响则难以预计。通过对这些数据的分析可提高预警效果的准确性和稳定性。

2.行业风险测度分析。行业风险分析是指对预警企业所处行业的基本现状对企业可能造成的影响进行分析。企业作为其所处行业的一分子，必然会受到行业整体发展速度、行业现状以及行业内竞争程度等各种行业因素的影响。这些因素可以通过行业集中度、行业利润率、行业销售增长率等一系列定量指标来衡量。借助大数据技术，一方面可以对这些量化指标进行实时更新，另一方面也可以对近年来新兴的如管理层语调等非结构化信息进行处理，从而获取其中的增量信息，提高预警分析的准确性。

3.行业关联影响分析。行业关联影响分析是指对除企业上下游行业以外的其他相关行业的发展变化对企业及其所处行业影响的分析。在整个宏观经济环境中，各行业之间都存在一定的联系和影响。比如房地产行业不景气会传导到钢铁、木材等上游行业、家电等下游行业以及银行等金融业，并波及居民收入，最终看似不相关的餐饮业也会因此受到影响。在新机制下，首先借助大数据技术对往年数据进行搜集和分析，从而判断出各行业对本行业的影响程度和影响方向以确定所谓的“相关行业”。然后通过对相关行业表现的分析结果预测该行业未来的发展态势，进而对是否存在风险及风险水平做出判断。

4.供应链传导影响分析。供应链传导影响是指上下游企业的财务状况及其变化趋势将通过供应链传导对本企业产生影响。以中兴通讯受到美国政府制裁为例，由于中兴通讯难以找到合适的国内芯片供应商，因此有相当一部分元器件由总部在美国的上游供应商提供，此次被禁止从美国进口任何商品直接扼住了中兴通讯发展甚至生存的咽喉，同时也对国内产业链上对中兴通讯依赖性较强的企业产生了影响。因此，评估企业财务风险时有必要分析供应链传导影响。首先应判断对上游和下游企业的依赖度，该因素可通过供应商（客户）所处行业的密集度、单家采购量（销售量）占比、零件（商品）重要性等指标来衡量。其次应对依赖度较高的上下游企业的财务状况进行分析，当发现它们可能面临财务危机时及时做出预警。

5.宏观经济影响分析。宏观经济决定了企业经营的大环境，诸如新出台的产业政策、经济危机、政府的宏观调控行为等宏观经济影响因素都会对企业的未来发展产生影响。同时，就像美国挑起的贸易战以及上文提到的对中兴通讯的制裁一样，宏观经济因素对企业造成的影响常常是企业无法控制的，且影响程度通常较大，有时甚至会扭转企业财务风险水平，因此在进行财务风险预警时必须对其加以重视。由于用于宏观经济因素分析的数据以文字为主，因此在分析预警时可考虑借助大数据技术进行语调分析，识别出利好信息和不利信息，再结合上文所述的其他分析结果做出最终的预警决策。

6.常态预警路径与特殊预警路径的差异分析。

上述方面的预警分析是常态预警和特殊预警都必须执行的路径，在数据收集、处理和分析程序实施的基础上，这两种机制后续的预警路径存在一些差异。

如图3所示，常态预警机制由财务部门主导，需每天进行数据更新，生成报告后可由财务部门的相关人员分别发送到不同层面的报告使用者手中。根据预警报告使用者的不同需求，报告发送频率可有所不同，在有紧急需求时，也可发送实时报告。另外，在内容上也可有所区别。

图3 常态预警路径示意

部门层面的财务风险预警属于较低层次的预警。在现有预警机制下，基于成本效益原则，该层面往往不进行财务风险预警。但在新机制下，各层面财务风险预警所需数据可以一次性收集完成，避免了多次收集数据产生的成本。数据的全面性和多维性为各层面的财务风险预警奠定了基础，使部门层面的风险预警得以进行。该层面的财务风险影响较小，因此该层面的报告使用者对预警准确性的要求较低，对及时性的要求较高。在进行数据采集时可钩选以企业内部数据为主的财务和非财务数据，对风险进行简单分析，并生成较为简单的预警报告。

业务层面的财务风险预警主要针对企业较为重大的经营活动和投融资活动。企业在进行上述活动时，必然要综合考虑自身因素和行业因素。在新机制下，通过对企业内部状况分析、行业风险分析、行业关联影响分析和供应链传导影响分析，可以清晰地刻画出企业在经营活动和投融资活动中面临的种种财务风险。在指标选取上，传统的财务指标可以很好地反映企业及行业发展现状，但贷款利率和税率等相关政策变动、行业内企业数量变动以及网络舆情等信息可以更好地显示出企业和行业未来的发展态势，因此在进行业务层面预警时也应加以考虑。同时，与部门层面相比，业务层面的预警报告内容更加充实。

相比上述两个层面，战略层面财务风险预警的影响最大，往往关乎企业未来的生存与发展。该层面需要考虑全局性、长远性的风险，从而为战略决策提供支持。因此，战略层面的风险预警不仅要考虑企业自身因素和相关行业发展影响，还要考虑宏观经济的影响。在指标选取上，应更多关注宏观经济数据，对宏观经济发展趋势加以判断和分析，识别当前经济态势和未来经济走向对本企业发展的影响，以便准确识别与应对经济危机级别的风险。同时，应更加重视以往对预测结果的评价，尽可能增加当前风险识别的准确性。因此，战略层面财务风险预警是基于全部预警指标进行的，预警报告一般提供给董事会，其内容也更加翔实。

图4 特殊预警路径示意

如图4所示，特殊预警机制在企业需要做出重大决策时启用，因此更具有针对性。在实施时一般由需要做出决策的组织主导，在进行数据采集时，可根据决策项目需要增加针对该项目的补充资料，也可对预警敏感性进行调整，从而使预警结果可以更好地满足决策需求。预警报告仅出具给该组织的相关人员，作为其决策参考。

五、研究结论与展望

大数据环境下，企业财务风险预警是在前所未有的超大规模数据的基础上展开的，这些数据在风险识别和分析机制中被多次加工和反复利用，从而实现多维度和全方位的风险预警，以满足不同层面的财务预警需求。同时，大数据下的财务风险预警机制可以快速支持企业内部状况分析、行业分析、供应链传导分析、行业关联影响分析和宏观经济影响分析等五个维度的数据挖掘与分析，为预警的及时性和准确性提供更加有力的保障。在今后的研究中，可以结合人工智能技术，根据各个企业自身的特点，为企业量身定制预警指标，并调整指标权重，实现个性化财务风险预警，使预警的准确性、及时性和稳定性得到更好的保障。