多指标分析的电炉企业财务风险预警模型

王 丹,应晨林,曾薇伟

(1.西安交通大学 城市学院,陕西 西安 710018;2.西安交通大学 财务处,陕西 西安 710049)

在我国市场经济体制改革和发展过程中,各行各业面临的财务风险也与日俱增。对电炉企业和国家来说,在线监测金融风险的重要性不言而喻,亟需采取相应在线预警手段来规避财务风险。

在已有的财务风险预警方案中,文献[1]从两个方面建立了财务风险预警体系,分别对不同的电炉企业财务信息进行了分析,并针对不同的行业建立了相应的风险预警指标和权重,并进行了绩效考核。然而,由于财务资料的复杂性,这种方法在后期会产生很大的误差。文献[2]在云计算的基础上设计了财务风险管控模型。采用云服务的方式对异常财务进行预警,并建立相应的风险指数,并对其进行风险评价。在模型的测试阶段,尽管这种方法具有很好的风险管理和控制效果,但是它的整体计算量过大,计算速度过慢。

为了解决以上问题,本文引入了卡尔曼过滤提升财务模型在线监控风险的能力。利用卡尔曼滤波技术滤除财务信息中的噪声数据,针对不同级别的危险程度,有不同的报警情况,从多方面建立风险评价指标体系,划分财务风险等级详情,并采用了相应的在线预警手段;通过该模型对财务风险进行在线预警检验,及时发现和处理财务风险信息。

1 电炉企业财务风险在线预警模型设计

财务风险在线预警模型应该立足于财务风险的发展规划、财务状况、生产经营状况以及外部行业资料,借助于先进的技术手段和理论研究成果,使财务风险在线预警手段更具权威性,从而为财务风险管理者提供科学的在线预警手段和风险规避方法。本文设计的财务风险在线预警模型主要由财务风险识别模型、财务风险预警模型和财务风险控制模型和模型基本数据库、风险评估库共同组成。模型流程图如图1所示。

图1 财务风险在线预警模型流程图

1.1 财务风险识别子模型

财务风险识别子模型主要是分析财务风险数据中是否含有风险行为[3],或者对风险的特征识别和预警,帮助财务风险及时发现财务风险,做好应对措施。由此可见,财务风险识别模型的主要功能是预警。模型构成如图2所示。

图2 财务风险识别模型构成图

归根结底,财务风险的主要来源为财务风险内部规章制度的失调、市场环境的变化和利益冲突。财务风险应立足自身发展条件,及时应对市场环境的变化[4],平衡好各个利益相关者之间的关系,从根本上减少财务风险出现的概率。

1.2 财务风险预警子模型

财务风险预警子模型从定量的角度出发,通过对财务风险发展过程中的各项财务指标进行模型的分析,再利用计算机技术实现对财务风险有效预警。该模型主要由单目标预警模型和综合预警模型构成。

财务风险在完成财务风险识别后,制定了一系列适合本财务风险发展的风险评估体系以及风险控制指标,对于一些特殊的数据,如产品成本、回报率、资产营收、销售收入等,应将其加入单目标预警模型中,制定报警阈值并实时预警。这样可以实现对财务风险数据进行最为直观的预警,可及时发现财务风险数据状态的变化以及财务风险的出现,当某个目标超出报警阈值后,可以及时查明原因,实施相应的在线预警措施。

综合预警模型实现了将预警模型转化为计算机可识别的模式,将各类报警阈值、财务数据、计算机模型输入综合预警模型中,来判断财务风险数据是否出现风险,以全局视角审视财务风险数据状况。在输入的各类数据中,财务风险必须保证数据的真实性和实时性,才可实现预警模型的有效预警。

1.3 财务风险预警子模型

财务风险预警子模型是在风险评估库的基础上实现的,当财务风险数据指数变化较大,出现严重的风险状态,该模型即可根据风险状态和警情的不同,作出不同的报警提醒和相应的预警措施。财务风险预警子模型可帮助财务风险管理者发现细微的财务风险变化,对于模糊不定、没有标准的个案,实施模糊对待或者特殊对待,也可交由专业人员处理,财务风险也可将处理结果存储在财务风险基本信息库中,作为经验知识为类似事件提供参考依据。条件允许的情况下,财务风险也可在该模型中加入专家方案模块和案例分析模型,为财务风险提供更为丰富的规避对策。

1.4 基本信息库

基本信息库是财务风险实现财务风险在线预警的重要构成部分,集合了财务风险内部所有财务数据和外部行业数据。该信息库的建立,可参考同行业信息或者国家统计局提供的相关行业数据。信息库中的数据应保证其实时性和有效性,对于不断变化的市场环境应做好及时完善和补充,并且对于财务风险发展的各类数据应保证其真实性,尤其是财务数据,这对于后期分析财务风险真实的生产经营状况非常重要。管理信息库的工作人员,应从客观、理性的角度出发,为财务风险在线预警提供真实数据,提高在线预警模型数据处理精度。

2 基于卡尔曼滤波的电炉企业财务风险在线预警仿真分析

2.1 财务风险预测

由于财务风险信息属于保密内容[5-6],无法得到具体数据,本文通过一系列财务指标(见图1)来代指。基于此,得到了财务风险在线预警模型:

St=At|t-1St-1+Wt-1

(1)

Bt=HtSt+Vt

(2)

式中:St为财务风险在t时期的财务状态;Bt为财务风险在t时期的财务指标;Wt-1为财务风险在t-1时期内财务状态的噪声信息;Vt为财务风险在t时期的财务风险在线预警指标观测噪声;At|t-1为财务风险的财务状态从t-1时期到t时期转移的过程矩阵;Ht为在t时期,财务风险的财务状况与指标之间的关联矩阵。本文将方程组中存在的噪声看作为白噪声,互不连接、服从正态分布,且满足式(3):

再如，临床科室在给患者诊治过程中供电出现故障导致诊疗中断，会直接威胁到患者生命安全；患者就诊完毕后，在院内行走时，遇到地面有积水打滑或墙粉滑落，也会导致患者受到二次伤害，等等。

(3)

式中:Qt为Wt-1的p×p维对称非负定方差矩阵;Rt为Vt的m×m维对称正定方差矩阵;δtj为Kronecker-δ函数。

完成上述计算后,引入卡尔曼滤波[7]对方程组进行求解。卡尔曼滤波在Bt的基础上,寻找使St的线性离散最小方差的最优估计法,实现过程如下所示:

(4)

(2)根据式(4)求得预测误差方差矩阵:

(5)

(3)计算Kalman增益矩阵;

(6)

(7)

(5)根据式(7)的计算结果修正预测误差方差:

Pt|t=[I-KtHt]Pt|t-1

(8)

2.2 财务风险在线预警

风险评估库的主要作用是对财务风险数据中出现的异常数据进行风险评估,实现财务风险在线预警[11]。根据风险状态的轻重缓急,将风险等级划分为五级,划分标准如表1所示。假设等级划分的第一档基础分为x,第二档为y,风险评估的实际结果为o,那么异常财务数据的评估功效系数z为

表1 财务风险等级详情

z=(o-y)/(x-y)

(9)

由式(9)可得出等级的调整分f为

f=z*(x-y)

(10)

将基础分与调整分相加,即为异常财务数据的单项指标得分,各个指标得分相加即为综合得分[12],如式(11)所示:

(11)

式中:J为指标的权数。计算式(11)即可获得财务数据的风险等级划分。

通过表1的风险等级划分标准,电炉企业可自行检查,如若发现风险状态较高的情况,应及时采取措施加以改善,避免出现严重后果。在本模型中,根据风险状态和警情的不同,设定了管控手段[13-15]。首先,提取异常财务风险信息,利用编程语言获得信息代码,并利用大数据技术对其进行深入分析;最终根据风险特点,采取相应的处理方式实施对财务风险的管控,及时规避财务风险事件的发生。

3 实验分析

为了及时发现和纠正模型中的不足,进行模型性能测试实验,在模型构建过程中,选取了5家公司2020年度的财务运营状况作为抽样样本,以2021年度的财务运营状况为测试样本,利用该模型对2021年度的财务风险状况进行了预警,并与文献[1]、文献[2]方法进行对比。

3.1 异常财务数据滤波效果

选取了某电炉企业3组异常财务数据作为测试用例,将与文献[1]、文献[2]方法进行实际应用性能对比。验证不同方法对异常财务数据的滤波效果,如图3所示。

图3 异常财务数据滤波效果

如图3所示,3组异常财务数据分布较为混乱,而经本文方法滤波处理后,剔除了边缘数据,对不同种类的数据进行了准确聚类,有效提升了数据的处理性能。得出上述结果的原因为,本文方法采用卡尔曼滤波技术对财务信息进行滤波,能够滤除异常财务数据中的冗余数据,实现异常财务数据的聚类。

3.2 速动比率及固定资产周转率预测性能

将2021年度3家公司的主要财务指标——速动比率和固定资产周转率——进行了预测,其中,速动比率是指电炉企业在一定经营期间的速动资产与流动负债的比率,固定资产周转率是电炉企业销售收入与固定资产净值的比率。给出了相应的预测结果,如图4所示。

图4 电炉企业财务指标预测结果

从图4可以看出,利用本文的预警模型进行训练,得出5家公司的速动比率、固定资产周转率两项指标具有很好的预测效果,并且与实际值的偏差很小,证明了本文模型对电炉企业财务风险指标的预测准确性较好。在预警模型中,可以根据对5家公司的统计数据设定速动率和固定资产周转率的阈值。将速动比率阈值设定为0.6,资产周转率设定为5,运用本文模型进行电炉企业财务风险预警。当速动比率小于0.6时,要重视负债风险,而在固定资产周转率为5以下时,要重视电炉企业设备利用率的风险。

3.3 预警用时及误报率

在此基础上测试不同方法的预警用时与误报率,验证不同方法在处理数据预警效率与精度方面的性能。实验结果如图5、图6所示。

图5 三种方法预警误报率对比结果

图6 三种方法预警用时对比

从图5中可以看出,在对异常财务数据误报率的计算过程中,文献[1]方法误报率的波动范围在3.5%～4.5%,平均误报率为4.1%;文献[2]方法误报率的波动范围在4.5%～6.2%,平均误报率为5.6%;本文方法误报率的波动范围在0.5%～1.0%,平均误报率仅为0.7%。不管随着数据量如何变化,本文方法误报率始终低于其他两种方法,说明本文方法预警计算精度较高。并且本文方法的计算残差在0.8～1.3,也体现了本文方法的计算误差较小,计算结果准确。分析得出上述结果的原因为,本文方法详细分析了财务风险在线预警指标,并计算了指标的财务风险状态预测值,以指标预测值为依据划分了财务风险等级详情,实现了电炉企业财务风险准确预警。

从图6中可以看出,在异常财务数据数量相同的前提下,本文方法预警用时均低于文献[1]与文献[2]两种方法。随着测试数据的不断增加,其他两种方法曲线呈直线上升的趋势,而本文方法的曲线则趋于平稳,呈缓慢上涨的趋势。当数据量达到6 000 Mb,文献[1]方法的预警用时为110 s,文献[2]方法的预警用时为105 s,本文方法的预警用时为28 s。分析得出该结果的原因是本文方法由于引入了卡尔曼滤波算法,滤除了数据冗余,保留了有效数据,因此预警过程中的无效数据较少,提升了预警效率。

综上所述,本文在处理异常财务数据时,具有超低的预警误报率和用时,为在线预警模型实施手段提供了坚实的技术基础。

3.4 异常财务数据风险在线预警性能分析

在验证了三种方法预警误报率和预警耗时后,为进一步体现所设计模型的实际应用性,验证本文设计的财务风险在线预警模型在实际应用中是否有效。分别运用三种方法对3组异常财务数据进行风险在线预警,对比三种方法下对测试用例的风险等级评判是否正确,实验结果如表2所示。

表2 三种方法下异常财务数据风险等级对比

由表2可知,采用三种方法对异常财务数据进行风险在线预警后,风险评价指数和风险状态均有所改善,但是本文方法在线预警下数据风险等级与其原数据风险等级一致,预警准确性均优于其他两种方法,说明本文方法对于财务风险的在线预警能力更强。综上所述,本文方法的预警用时较短,误报率较小,且异常财务数据风险在线预警结果准确,体现了该方法在电炉企业财务风险预警方面的有效性。

4 结 论

针对传统方法在处理财务风险数据时,常常出现计算效率低、风险在线预警能力差等问题,在卡尔曼滤波的基础上,提出了财务风险在线预警模型。本文设计的财务风险在线预警模型,适应财务发展需求,通过信息库和风险评估库的支持,制定了风险评估等级划分标准,根据不同的风险状态采取相应的对策,提高财务数据的计算效率,为财务风险做好规避措施,避免出现财务风险问题。