基于监督学习和非监督学习模型的企业财务风险预警对比研究

程雨晴 孙乃立 陈心淼

【摘  要】当前信息化的大数据时代，新的技术为企业财务风险预警带来了更多的可能性。论文结合制造业企业的发展现状与行业特点，以2019-2021年525家上市制造业公司为样本，根据其基期前1～5年财务与非财务数据，构建了结合财务与非财务指标的监督学习和非监督学习两类预警模型，并对财务风险预警模型的有效性进行了分析。结果发现：两类模型在企业财务风险预警方面都有一定的效果，但监督学习模型无论对高风险企业还是正常企业，均有更好的预测识别效果。未来企业可以导入监督学习方法构建财务风险预测体系，提前应对高风险事件的发生。

【关键词】财务风险；监督学习；非监督学习；预警模型

【中图分类号】F275                                             【文献标志码】A                                                 【文章编号】1673-1069（2023）06-0185-03

1 引言

在市场经济中，财务风险的发生可能导致企业破产，从而对企业利益相关者造成巨大的损失。及时预警财务风险，有助于采取有效的措施降低风险。长久以来，财务风险预警便是企业管理、投资分析、金融监管等领域的重要研究课

题[1，2]。然而，受制于模型性能及影响因素，风险预警在应用层面存在一定的局限性。因此，如何对企业财务风险进行准确预警，仍需深入研究和探索。基于此，本文以被标记为*ST的企业为研究对象，结合财务与非财务数据，构建BP神经网络模型、K-means聚类模型和高斯混合聚类模型，考察监督学习和非监督学习两类模型在企业财务风险预警方面的适用性。本文的边际贡献主要体现在：第一，本文在模型判断时，采用了召回率与F1得分等偏重于对陷入财务危机企业识别的指标，防止正常企业过多而造成了判断偏误，揭示了当前模型的真实效果；第二，本文展示了在相同样本下监督学习方法与非监督学习方法的预测效果，为未来模型的进一步发展提供了有效证据。显然，这与已有文献仅从单一类型模型进行财务风险预警研究有着明显不同。

2 文献综述

学界对财务风险的预警模型以Beaver（1966）为开端，歷经单因素、多因素模型、Logistic回归模型、机器学习模型等阶段[3]。以BP神经网络为代表的监督学习方法，在企业财务风险预警研究中一直都是学者关注的重点，其显著优点是对风险判别具有较高的准确度，有利于企业预测未来财务风险[4，5]。如结合现金流管理思想建立人工神经网络财务风险评估模型，结果显示该模型能够为制药行业减少由资金链所产生的风险[6]。国外学者将西班牙银行作为研究对象构建人工神经网络预警模型解决短期财务问题，结果显示该模型对预测短期财务风险有很强的适用性[7]。非监督学习模型方面，运用K-means聚类模型对企业风险等级进行划分，发现基于该模型的风险预警体系能够将准确率提升至95.09%[8]。学者使用了K-means聚类算法与高斯混合聚类算法来对上市公司的财务风险进行甄别，研究发现对于“特别处理”事件的识别，高斯混合模型的召回率和准确率都显著高于K-means聚类模型[9]。

总体而言，研究表明机器学习有助于改善现有财务预警模型的局限性。这为本文深化研究提供了可供借鉴的研究思路与理论认知。然而，目前关于企业财务风险预警的研究鲜有研究关注监督学习与非监督学习的效果差别对比，且多数文献仅考察风险事件发生一两年前的预测情况，导致该领域缺失中长期预测效果的验证。基于此，本文将*ST类公司视为财务危机的企业，对监督学习与非监督学习模型的中长期预测效果进行对比研究。

3 研究设计

3.1 样本与数据

本文选取了制造业中由正常企业转变为*ST企业的样本作为实验组，选取同行业且规模相似的正常企业作为对照组样本，并在2019-2021年的时间跨度内进行样本选取。为避免正常企业样本过多导致的非平衡采样问题，将正常企业与*ST企业的比例设定为3∶1。本文使用t年份（即实验组企业被标记为*ST的年份）的前5年至前1年的数据来验证财务预警模型。在此基础上，剔除了数据存在空值、异常值样本，剔除了金融行业相关企业样本，以及财务与非财务数据存在空值、异常值样本。最终保留了525家企业共计2 630个样本，财务和非财务数据均来自国泰安（CSMAR）金融经济数据库。

3.2 指标选择

现有研究发现财务指标、非财务指标对财务风险的预测均有一定的贡献[10-12]。基于上述研究的成果，本文选取16个财务指标和5个非财务指标作为上市公司财务风险预测模型的分析变量。其中，财务指标包括流动比率、速动比率、现金比率、资产负债率、应收账款周转率、存货周转率、总资产周转率、流动资产周转率、营运资金比率、留存收益资产比、资产报酬率、总资产净利率、营业利润率、营业收入增长率、总资产增长率、净资产收益率增长率等；非财务指标包括高管人员持股比例、董事会规模、股权集中度、审计意见类型和政府补助等。

3.3 模型构建

BP神经网络模型是本文主要的监督学习模型。BP神经网络的过程主要分为信号的前向传播与反向传播两个阶段，依次调节隐层到输出层、输入层到隐层的权重和偏置。本文构建基于BP神经网络的财务风险预警模型，其激活函数是sigmoid函数，隐层数为2，输入层为财务风险计量指标，节点数为21，即16个财务指标与5个非财务指标。输出节点为样本企业t年度风险状况，其中被标记为*ST的实验组样本风险状况被标记为1，对照组正常企业风险状况被标记为0。

进一步，本文构建基于K-means聚类模型与高斯混合模型的财务风险预警模型。其中K-means模型是基于划分的聚类K表示的是聚类为K个簇，means代表取每一个聚类中数据值的均值作为该簇的中心。高斯混合模型则是一种业界广泛使用的聚类算法，该方法使用了高斯分布作为参数模型，并使用了期望最大化（EM）算法进行拟合。本文构建K-means聚类模型和高斯混合模型时，维度参数均为21，即导入16个财务指标与5个非财务指标，共计21个指标，导出分类数量为2，即是否为*ST企业。

为更好地进行交叉验证，防止模型的过拟合现象，对本文样本进行了训练集与测试集的划分。上述3个模型在训练集与测试集样本划分方面，均采用80%的样本作为训练集，20%的样本作为测试集。

4 预测结果分析

基于上述样本及数据，通过python代码实现，得到了基于监督学习与非监督学习3个模型的准确率、召回率与F1得分3项模型效果评价指标（见表1）①。从预测时间跨度来看，通过比较t-1至t-5期的预测结果可以看出，无论监督学习还是非监督学习模型，t-1期的准确率、召回率和F1得分都高于其他期间；t-5期的准确率最低，且除t-1期间以外的4个时期数据表现出的准确度都彼此相近，没有较大幅度的变动。综合上述对两种企业风险预警的预测分析可知，距离风险事件发生时间越近，预测的准确度越高，无论是准确率指标、召回率指标还是F1得分指标，均呈现出同样的趋势。从模型表现来看，BP神经网络模型和K-means聚类模型准确率结果较好，高斯混合模型结果较差。其中，K-means模型的准确率高于BP神经网络模型，但BP神经网络模型结果变动趋势的稳定性明显优于K-means模型；就召回率而言，尽管t-1年K-means达到了0.75，但整体而言对财务风险事件的识别表现较差，尤其是t-2到t-5年，非监督学习模型的效果远低于监督学习模型，且其中高斯混合模型预测结果均为0，说明其难以胜任财务风险识别；就F1得分而言，BP神经网络模型表现总体高于K-means模型与高斯混合模型，说明以BP神经网络模型为代表的监督学习模型预测效果优于以K-means聚类模型和高斯混合模型为代表的非监督学习模型。

综合对比时间跨度和预测指标来看，以BP神经网络为代表的监督学习模型最为稳定，对风险企业和正常企业识别度均较好，而非监督学习模型在部分场合下表现出了较高的准确度，但表现不稳定，对风险企业的预测效果较差。可见，监督学习模型对于企业的风险预测方面有更为明显的优势，能够更好地对企业财务风险预警指标进行预测和控制。

5 结论

本文以2019-2021年标记为*ST企业的制造业公司为实验组样本，按1∶3比例匹配正常企业为对照组样本，财务指标与非财务指标，构建基于监督学习与非监督学习模型的财务风险预警模型，对比其在财务风险预测中的表现。本文发现：第一，随着时间的推移，各个模型的预测准确性均有明显提升。第二，无论从哪个指标的角度来看，监督学习均呈现出更优的预测表现；非监督学习模型预测表现则较差，几乎难以对高风险企业进行准确识别。因此，以BP神经网络为代表的监督学习对于企业财务风险预警模型具有較高的预测准确率，在实务中也能够更加有效地对财务风险进行识别，有效地减少因不确定性而带来的损失。

从本文的研究结论可以看出，监督学习模型是未来企业财务风险预警实务的发展方向，但其与实际应用仍然有一定的距离。因此在监督学习模型未来的发展中，公司应当制定一个体系完整且统一的风险评价制度和预警指标体系，以确保企业风险的内涵得以在信息中充分反映，帮助企业管理者准确地识别和防范财务风险的发生。此外，企业还应通过建立相关数据库，充分利用其丰富性和可靠性，提高会计信息和数据的质量，为提高企业风险预警模型的性能提供坚实的基础。

【注释】

①受篇幅所限，本文所使用python代码不在文中出现，备索。

【参考文献】

【1】童思齐.非财务指标在债券信用风险预警中的应用[J].债券，2022（08）：88-92.

【2】黄永梁，苗玮.财务风险视角下新能源汽车产业的发展路径研究——基于对比亚迪公司财务指标的分析[J].经营与管理，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】刘亚歆.基于BP神经网络的互联网上市公司财务风险评价研究[D].镇江：江苏大学，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，刘洪久，胡彦蓉.基于熵权TOPSIS和K均值聚类的企业财务风险评价预警研究[J].上海商学院学报，2020，21（05）：13-27.

【9】曾昭伦.基于聚类算法对上市公司财务风险甄别的研究[D].南昌：江西财经大学，2020.

【10】曾繁荣，刘小淇.引入非财务变量的上市公司财务困境预警[J].财会月刊，2014（08）：25-30.

【11】柴建利，王艳芳，陈立文.上市公司财务风险预测模型的实证研究[J].河北工业大学学报，2003（05）：66-72.

【12】王玉龙，周榴，张涤霏.企业债务违约风险预测——基于机器学习的视角[J].财政科学，2022（06）：62-74.