基于BP神经网络的企业债务风险预警系统构建

孟切

摘要：企业债务风险的提升与其自身经营管理水平的波动及投资决策是否失误存在密切关联。文章基于BP神经网络构建了一种企业债务风险预警系统，该系统由基础应用层、虚拟网络层、安全共识层、数据处理层及实际应用层等结构组成，实现了企业债务风险预警工作必需的功能，如构建基于BP神经网络的非线性预警模型等。

关键词：BP神经网络；企业债务风险；预警系统；智能风险监控

中图分类号：TN915.03文献标志码：A0引言企业外部生存环境的恶劣及企业间竞争的加剧，促使企业向规模化、专业化发展。在企业的一般经营活动中，面向外部筹集企业发展壮大所需资金属于较为常见的行为。依托信息化手段构建公司债务风险防控管理平台，旨在摸清债务风险底数、强化日常债务管理、执行债务风险动态监控、出具准确定期报告等工作，层层强化责任，严防公司发生系统性风险事件，为切实提高公司债务风险的防范化解综合管理水平，为在“稳增长、调结构、防风险”任务落实提供工作抓手［1］。本文基于BP神经网络、人工智能等技术构建了一种企业债务风险预警系统，实现了企业债务风险预警必需的若干功能，旨在通过优化企业债务风险预警系统带动企业实现稳定发展。

1系统需求1.1功能需求功能需求指的是企业债务风险预警系统的具体功能需要满足企业财务、债务相关数据的管理。由于债务数据涉及面广，数据规模大，面向用户信息多，统计信息包括单位情况、建设项目、债务融资、抵押担保、资产、财务、债务转贷等。因此，企业债务风险预警系统需要根据企业常见债务类型进行划分，构建包含债务智能数据中心、数据加密性维护、债务数据采集与分类等在内的系统功能。

1.2性能需求从系统性能视角来看，企业债务风险预警系统主要面向企业的债务风险数据采集、筛选、存储等，一方面要求系统具有稳定的运行效果，可以保证企业在长期的运营过程中不会因为债务问题而出现经营风险；另一方面则要求系统内部算法具有较高的可靠性，在分析、筛选和统计企业债务数据时不发生错误。

2系统构建

2.1系统框架传统的企业财务风险预警系统大多只包含实际应用层、网络层、数据处理层等模块。本文在传统企业财务风险预警系统的基础上，结合企业债务风险预警系统功能需求，搭建了如图1所示的企业债务风险预警系统。该系统除实际应用层、网络层、数据处理层外，还加入了基础数据层、安全共识层，以满足企业债务管理的需求。

实际应用层属于企业债务风险预警系统框架的最高层，由财务中心、客户端和移动端3部分组成，主要负责向企业财务人员、高层管理人员等提供企业债务、债务风险及债务风险预警等的相关数据。企业财务管理人员可以通过实际应用层对企业债务系统进行监管，也可以直观获得债务风险警报。

数据处理层由智能合约、BP神经网络、数据存储发布等部分组成。其中，智能合約是企业对债务风险预警原始数据进行计算和判断的主要模块，智能合约可以通过初步的数据比较判断某一企业/个体是否会对企业债务形成风险［2-3］；BP神经网络是一种神经网络学习算法，适用于需要反复学习的过程，在企业债务风险预警数据处理层中BP神经网络的存在可以不断实现系统的自我完善与优化，从而满足更为复杂的企业债务风险预警；数据存储发布模块主要负责企业债务数据的存储和调用，以大数据可视化等为基础向应用层提供处理后可直接应用的各项数据。

安全共识层采用过重共识机制和先进算法等构建企业债务风险预警系统的高速流动信任通道，经过非对称加密和数字签名等实现对企业债务风险预警系统登录人员的信息核实。安全共识层可以根据登录人员的信息自动划分不同的系统权限。

网络层是连接企业内部财务部门设备与财务中心服务器的主要桥梁。一般的企业财务风险预警系统大多通过网线等物理形式进行连接，本文为保证系统运行的稳定性和可靠性，采用VLAN虚拟网络+物理连接网络的形式构建网络层，双网络体系在VLAN虚拟网络的帮助下可以无限扩展，企业债务风险预警系统可以通过任何节点进入系统，很好地解决了一般集中式债务风险预警系统的安全信任问题。

基础数据层是企业债务风险预警系统的底层，采用分块式和链式结构构建数据信息流，对企业债务相关数据进行采集、筛选，还可以在企业规定的范围内对部分债务相关数据进行共享，以满足企业整体对债务风险预警工作的需求。

2.2系统工作流程从系统框架结构来看，企业债务风险预警系统基本按照基础数据层→网络层→安全共识层→数据处理层→实际应用层的顺序开展工作。但在实际的系统工作环境下这一流程会略微复杂一些，如图2所示为本文构建的企业债务风险预警系统工作流程。

系统工作过程中会由数据处理层对反馈来的企业债务风险进行识别和度量，旨在对债务风险进行评级。根据债务风险的危险程度，将债务预警决策分为低风险、中风险和高风险3种。其中，低风险决策采用常规监控即可；中风险决策需要采用风险控制策略，根据风险分析将风险分为特定风险事件、可市场化管理的风险、不可抗力风险、政治/法律/政策风险等，根据不同的风险类别进行风险规避、风险转移、风险减轻、风险接受与损失控制；高风险决策需要制定专门的应急预案，在对风险进行分类处置后由企业财务部门、管理部门等的相关人员重新规划财务计划，在解除风险以后将完整的风险预警流程纳入企业经济总则并开展后续的动态监控［4］。在企业的轻、中、高风险预警过程中，均需要BP神经网络算法进行反复的计算与学习，从而使系统的风险预警自动化、智能化水平不断提升。

3系统关键功能实现3.1基于BP神经网络的非线性预警模型企业的债务风险种类多样，风险程度不同，企业债务风险预警系统所需的预警模型均为非线性模型。以BP神经网络为核心构建的非线性预警模型，可以对企业债务风险相关复杂数据进行有效释放，在经过大量的适应性学习以后，BP神经网络的算法能力可以实现企业债务风险数据的动态、智能化预警［5］。如图3所示为BP神经网络非线性预警模型的工作流程。

BP神经网络算法可以借助万能模型+误差修正函数等对企业债务风险预警的每一次训练结果与预想结果进行误差分析，不符合预警结果的再次进入训练过程，符合的则给出训练结果。图3所示的基于BP神经网络的非线性预警模型为企业债务风险预警提供了较为理想的学习能力，可以对债务风险训练集中每一个“输入-输出”样本对重复以上步骤，直到整个训练样本集的误差减小到符合要求为止。与其他算法相比，BP神经网络算法的智能化水平理想，可以在不断的学习过程中提升企业债务风险预警的效率和稳定性。

3.2非对称加密非对称加密也被称为公钥密码，与对称加密不同的是非对称加密采用公钥加密但在解密时采用私钥［6］。本文构建的企业债务风险预警系统借助RSA算法生成密钥对的过程如下：

//生成密钥对

public static KeyPair getKeyPair（） throws Exception {

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

keyGen.initialize（512）;

KeyPair keyPair = keyGen.generateKeyPair（）;

return keyPair;

}

3.3债务数据采集与分类企业债务风险预警系统的数据采集与分类需要高度的自动化与智能化。本文在实现这一系统功能时，借助数据集理论，将债务风险预警系统采集的前80%数据用于训练，80%～90%用于测试，90%～100%用于验证。债务数据采集与分类的部分代码如下：

trainDir = "./RSICD_train/"#（将训练集放在这个文件夹下）

if not os.path.exists（trainDir）：

os.mkdir（trainDir）

validDir = './RSICD_val/'#（将验证集放在这个文件夹下）

if not os.path.exists（validDir）：

os.mkdir（validDir）

testDir = './RSICD_test/'#（将测试集放在这个文件夹下）

if not os.path.exists（testDir）：

os.mkdir（testDir）

4结语由于债务所涉及的信息复杂，债务管理工作人员对存在的债务偿还风险很难做到提前防范。本文认为，企业债务风险预警系统构建的主要需求是提供必须的债务风险预警体系。本文所构建的体系能够将企业复杂的、海量的、处理时效差异极大的债务风险问题进行科学的、统一的、高效的处理，可以幫助企业实现债务风险的智能化预警与风险规避。

参考文献

［1］苏振兴，扈文秀，夏元婷.基于机器学习的地方政府隐性债务风险先导预警模型［J］.统计与决策，2022（7）：20-25.

［2］陶芸辉.企业并购重组过程中的财务风险及控制策略［J］.湖南科技学院学报，2021（2）：79-82.

［3］聂颖，郭艳娇.地方政府债务、经济发展与风险预警研究［J］.沈阳工业大学学报，2022（5）：426-433.

［4］范远.负债经营下的房地产企业财务风险控制探讨［J］.投资与创业，2021（24）：98-100.

［5］李丽珍.地方政府或有隐性债务风险预警系统构建与应用研究——基于BP神经网络分析法［J］.财经论丛，2021（3）：14-25.

［6］张颜江，王胜，魏敏.地方政府债务风险预警体系构建与应用研究——基于广东省地级及以上城市数据［J］.河南财政税务高等专科学校学报，2021（5）：10-20.

（编辑 沈强）

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