大數據環境下財務危機預警研究

(杭州電子科技大學 浙江 杭州 310000)

一、傳統財務危機預警研究綜述

(一)財務指標研究

財務危機預警萌芽于20世紀30年代。Fitzpatrick(1932)初次采用財務比率作為檢驗方法，選擇19家經營企業作為樣本，依據單個財務比率將樣本劃分為破產和非破產兩組，測試結果表明：凈利潤/凈資產和凈資產/負債這兩個比率預測能力最強。Beaver(1966)以資產規模和行業的不同作為選取樣本的依據，選取了79家失敗企業和79家正常企業，記錄了失敗企業破產前5年的財務數據。通過對158家企業隨機排序分組、兩分法檢驗、對比分析，最后得出5個最具代表性的財務指標：資產收益率、債務保障率、資產負債率、營運資本資產比率、貼現率，其中，債務保障率對破產公司的財務狀況預測能力明顯高出一大截。幾乎同時，Altman(1968)首次將多變量分析技術應用于財務危機預警中，構建了著名的Z-score模型。

財務指標的相關研究在前人努力下趨于成熟，逐漸形成了包括盈利能力、營運能力、償債能力、發展能力和現金流量等五類指標的綜合財務指標預警體系，獲得了較為理想的預警效果，也被廣大研究者所接受，但研究成果中的高判別率，卻難以轉化為現實中的高預測率。

(二)非財務指標研究

財務指標體系的現實預測效果受限于指標本身的滯后性，研究者們開始嘗試將非財務因素納入預警模型。Altman(1983)指出：在整體經濟增長時期企業很難出現財務危機，而宏觀經濟衰敗、股市大盤大幅下跌、國家通貨膨脹等會使很多企業出現財務危機。很多學者強調，破產企業中，很大一部分并不是財務出狀況，而是企業內部管理出現嚴重問題。

盡管學者們對財務危機預警中指標體系進行了有效擴充，各類研究成果也顯示，企業自身的管理因素和所處經濟環境等因素，都會導致財務危機的爆發。然而，到底有哪些非財務指標影響企業財務危機，當前的研究都不夠系統化。有學者指出，非財務指標的選取和量化缺乏科學性，研究人員的素質能力和相關信息的獲取難度直接決定了非財務指標的選擇和計量。

(三)財務危機預警模型研究

傳統財務危機預警研究往往集中于以下兩方面：預警指標研究和預警模型研究。后者的研究經歷了從統計模型向非統計模型發展的路程

統計類模型，主要包括單變量判別模型、多變量判別模型、多元概率分析模型。單變量模型主要比較樣本企業的財務指標平均值，通過設立判別點的方法判定樣本是否屬于財務危機企業。多變量模型則不止選用一個指標，而是綜合考慮企業的各種能力，選定多個財務指標對樣本進行判別，兩者的缺點在于指標受到嚴格的統計條件約束。多元條件概率模型則擺脫了這一固有缺陷，對指標的選取約束較少，主要運用Probit和Logistic模型進行判別。

非統計模型，主要包括人工神經網絡模型、遺傳算法模型、粗糙集模型和支持向量機模型等。人工神經智能網絡，是最早被應用于財務危機預警領域的非統計模型，缺點在于缺乏成熟完善的理論框架支撐，難以對運行結果作出令人信服的分析。遺傳算法模型則是基于模擬生物遺傳進化規律來預測企業的財務狀況，盡管易于理解，但多年研究過程中，預測準確率的效果始終低于其他模型。粗糙集理論發源于數學理論，最大的優點是有一個成熟的理論體系支撐，但對使用者的職業判斷能力有較高的要求。支持向量機模型是近些年來逐漸興起的研究方式，有著自動糾錯、準確率高、運行速度快等優點，但其使用要求研究者有較高的計算機專業技術，所以很難被推廣。

二、大數據背景下的財務危機預警現狀

鑒于財務數據的滯后性和非財務數據片面性，大數據信息開始為研究者們所重視。大數據技術對于財務危機預警具有重要意義。如何將大數據信息轉化為研究所需要的量化指標，主要方法分為網絡評論的爬取和文本情感傾向的分析。超大容量的網絡輿情數據經過量化處理后形成的熱度指標和情感傾向指標對于財務危機預警模型的準確率有很大的提升作用。

網絡評論的熱度指標，主要指評論的閱讀數，考慮到數值巨大，一般處理取對數即可。網絡評論的文本情感傾向，則需要運用計算機自然語言處理技術(NLP)，對文本內容進行分詞處理，通過詞匯、證據、文檔的三級方式，將情感傾向分類為積極、中立、消極三等。

將經過量化處理后的熱度指標和情感傾向指標融入預警模型，可以顯著提升預測準確率。

學者們使用的網絡數據來源廣泛，有上市公司披露的財務報表、權威媒體的新聞報道、網絡自媒體的報道、投資者發帖評論等等。前兩類的信息質量高，相關性強，但較難判斷具體情感傾向，后兩類信息雖然很容易判斷情感傾向，卻有著質量低、語言凌亂的缺陷。

總的來說，大數據網絡信息要整體融入財務危機預警研究，還有很長的一段路要走。