大数据环境下财务危机预警研究

(杭州电子科技大学 浙江 杭州 310000)

一、传统财务危机预警研究综述

(一)财务指标研究

财务危机预警萌芽于20世纪30年代。Fitzpatrick(1932)初次采用财务比率作为检验方法，选择19家经营企业作为样本，依据单个财务比率将样本划分为破产和非破产两组，测试结果表明：净利润/净资产和净资产/负债这两个比率预测能力最强。Beaver(1966)以资产规模和行业的不同作为选取样本的依据，选取了79家失败企业和79家正常企业，记录了失败企业破产前5年的财务数据。通过对158家企业随机排序分组、两分法检验、对比分析，最后得出5个最具代表性的财务指标：资产收益率、债务保障率、资产负债率、营运资本资产比率、贴现率，其中，债务保障率对破产公司的财务状况预测能力明显高出一大截。几乎同时，Altman(1968)首次将多变量分析技术应用于财务危机预警中，构建了著名的Z-score模型。

财务指标的相关研究在前人努力下趋于成熟，逐渐形成了包括盈利能力、营运能力、偿债能力、发展能力和现金流量等五类指标的综合财务指标预警体系，获得了较为理想的预警效果，也被广大研究者所接受，但研究成果中的高判别率，却难以转化为现实中的高预测率。

(二)非财务指标研究

财务指标体系的现实预测效果受限于指标本身的滞后性，研究者们开始尝试将非财务因素纳入预警模型。Altman(1983)指出：在整体经济增长时期企业很难出现财务危机，而宏观经济衰败、股市大盘大幅下跌、国家通货膨胀等会使很多企业出现财务危机。很多学者强调，破产企业中，很大一部分并不是财务出状况，而是企业内部管理出现严重问题。

尽管学者们对财务危机预警中指标体系进行了有效扩充，各类研究成果也显示，企业自身的管理因素和所处经济环境等因素，都会导致财务危机的爆发。然而，到底有哪些非财务指标影响企业财务危机，当前的研究都不够系统化。有学者指出，非财务指标的选取和量化缺乏科学性，研究人员的素质能力和相关信息的获取难度直接决定了非财务指标的选择和计量。

(三)财务危机预警模型研究

传统财务危机预警研究往往集中于以下两方面：预警指标研究和预警模型研究。后者的研究经历了从统计模型向非统计模型发展的路程

统计类模型，主要包括单变量判别模型、多变量判别模型、多元概率分析模型。单变量模型主要比较样本企业的财务指标平均值，通过设立判别点的方法判定样本是否属于财务危机企业。多变量模型则不止选用一个指标，而是综合考虑企业的各种能力，选定多个财务指标对样本进行判别，两者的缺点在于指标受到严格的统计条件约束。多元条件概率模型则摆脱了这一固有缺陷，对指标的选取约束较少，主要运用Probit和Logistic模型进行判别。

非统计模型，主要包括人工神经网络模型、遗传算法模型、粗糙集模型和支持向量机模型等。人工神经智能网络，是最早被应用于财务危机预警领域的非统计模型，缺点在于缺乏成熟完善的理论框架支撑，难以对运行结果作出令人信服的分析。遗传算法模型则是基于模拟生物遗传进化规律来预测企业的财务状况，尽管易于理解，但多年研究过程中，预测准确率的效果始终低于其他模型。粗糙集理论发源于数学理论，最大的优点是有一个成熟的理论体系支撑，但对使用者的职业判断能力有较高的要求。支持向量机模型是近些年来逐渐兴起的研究方式，有着自动纠错、准确率高、运行速度快等优点，但其使用要求研究者有较高的计算机专业技术，所以很难被推广。

二、大数据背景下的财务危机预警现状

鉴于财务数据的滞后性和非财务数据片面性，大数据信息开始为研究者们所重视。大数据技术对于财务危机预警具有重要意义。如何将大数据信息转化为研究所需要的量化指标，主要方法分为网络评论的爬取和文本情感倾向的分析。超大容量的网络舆情数据经过量化处理后形成的热度指标和情感倾向指标对于财务危机预警模型的准确率有很大的提升作用。

网络评论的热度指标，主要指评论的阅读数，考虑到数值巨大，一般处理取对数即可。网络评论的文本情感倾向，则需要运用计算机自然语言处理技术(NLP)，对文本内容进行分词处理，通过词汇、证据、文档的三级方式，将情感倾向分类为积极、中立、消极三等。

将经过量化处理后的热度指标和情感倾向指标融入预警模型，可以显著提升预测准确率。

学者们使用的网络数据来源广泛，有上市公司披露的财务报表、权威媒体的新闻报道、网络自媒体的报道、投资者发帖评论等等。前两类的信息质量高，相关性强，但较难判断具体情感倾向，后两类信息虽然很容易判断情感倾向，却有着质量低、语言凌乱的缺陷。

总的来说，大数据网络信息要整体融入财务危机预警研究，还有很长的一段路要走。