基于深度學習的企業破產預測研究

韓歡歡

基于深度學習的企業破產預測研究

韓歡歡

（首都經濟貿易大學管理工程學院，北京 100070）

金融危機的頻繁爆發導致了社會經濟的蕭條，給投資者、債權人、企業以及政府帶來了沉重的打擊。大量的企業將面臨著重構、重組、超額負債，甚至破產清算的境地。對于企業來說，無法提前預知風險的到來，就難以采取有效的行動來預防困境的形成。然而，隨著人工智能信息技術，特別是深度學習模型的發展，在一定程度上能夠有效預防，甚至阻止此類風險事件的發生。因此，以深度學習模型為基礎，通過提出新的破產預測模型來研究中國企業破產事件的形成原因，并提出相應的解決對策，進而識別潛在的危機并采取相應的措施。

深度學習；破產預測；風險管理；預測模型

1 緒論

企業破產預測的研究最早開始于20世紀30年代，研究者們認為企業在經營過程中會受到內外部環境的綜合作用，這種作用最終會以另一種形式反映在企業的經營狀況上。然而，直到20世紀60年代之后破產預測的研究才引起學者們廣泛的重視。在這一研究中，破產事件作為人們的研究變量直接影響著最終的預測結果，學者們對破產發生的概念卻有著不同的解釋。究其原因，發現破產事件的出現往往是一個連續的過程，無法找到一個明確統一的分界點來進行界定，因此不同的學者對破產的看法各執一詞。國外大多數研究者認為當企業向法院提出破產申請時就標志著該企業即將陷入破產清算的境地，進入法定的破產程序就是法律上的破產。

對比之下，國內學者們對于破產預測的研究起步較晚，在一些概念上基本沿用了國外的理論成果，大多數對于中國企業破產預測的研究往往以是否被ST（Special Treat）來作為企業是否破產的標志，被ST的企業就代表著破產的企業，否則，就是健康的企業。除此之外，一些學者對破產的概念有其他的界定標準。然而，不論哪一種解釋，都是盡可能真實地反映企業破產所屬的情況。

總的來說，企業破產的發生是一個階段性的過程，從破產危機萌芽到最終危機形成，是一系列動態的過程。如果能夠在危機發生之前及時發現潛在的風險并采取措施，就能夠有效地防止企業破產。但是，從根本上阻止企業破產就是要找到企業破產事件發生的原因，只有對原因進行改善，才有可能從源頭上找到突破口。其次，中國當前對破產預測的研究相比國外略顯不足，人們對風險管理的意識也相對淡薄，必須提出新的破產預測模型來針對性地解決當前部分中國企業瀕臨破產而不自知的困境。

2 中國上市公司破產的原因

2.1 經營管理不善造成的決策失誤

企業的管理者需要具備領導者的基本素養，不僅要做好組織生產的工作，還要對未來有一定的預見能力。這就對企業的管理者提出了較高的要求，而就目前來說，中國企業大部分的管理者往往更相信個人經驗，憑個人感覺作出決策。這對于規模小、結構精簡且主營業務單一的小型企業來說可能相對有效。但對業務模式略顯復雜的企業，不可預見的風險因素更多，這種決策方式不僅缺乏科學性，也不能作為其他決策的理論指導。在大數據時代，這種管理方式更不具備可行性，往往會導致決策的失誤。長時間的決策失誤會使得企業資金周轉困難，這種狀態持續一段時間而得不到有效解決就會導致企業無法繼續正常經營，最終就會走向破產。

2.2 風險管理意識淡薄

企業發展受外界環境影響（如相關政策的出臺，法律法規的頒布等），組織決策需要及時根據環境預知風險作出調整。尤其是目前企業的內外部環境變化迅速，破產預測的管理應具備一套完整的機制來監測并管控風險。而市場監管規則的制定往往存在滯后性，企業必須做好自身的風險控制。而一些初具規模或者發展穩定的企業，由于其發展歷程中經歷了多次的競爭才在市場上占據一定的份額，因此面對風險都較為樂觀。往往這些企業也存在著一定的管理自信，認為憑借自身的力量就足以抵抗風險，進而導致風險管理意識的薄弱。對此，必須提出更加高效的預測模型來提升風險管理實施效果，強化管理人員的風險管理意識。

2.3 風險管理方法落后

當前的大部分企業，特別是對于中小型企業來說，存在自身規模、資金等實力背景的限制，從而難以建立科學完備的風險防控機制。在風險管理方法仍然以單一的線性、單變量模型為主。然而，就當前復雜的社會因素來說，企業最終出現破產是由一系列指標之間的相互作用而導致的，各指標之間不僅僅是一些線性的關系，更多的是一些非線性關系的相互影響。因此，企業在構建風險模型時應該結合現實的社會因素，考慮到指標之間的復雜關系。與此同時，人們所處的是一個動態的環境，在不同時期，各因素之間的相互作用也可能是千差萬別的，人們更應該從動態的角度來完善風險管理模型，從而能及時發現潛在的風險因素。

3 基于深度學習模型的企業破產預測研究

以現有的國內外企業破產預測研究為背景，結合現實情況下企業無法對危機及時作出反應的困境，提出了一種高效的破產預測模型。該模型重點考慮到處于困境中的企業內部影響指標之間的相互作用關系，并通過構造圖數據的形式將這種相互作用以圖的形式顯性地反映出來，進而能夠達到與深度學習模型之間的契合。進一步，使用深度學習模型對生成的圖數據直接進行特征提取與分類。基于以上考慮，最終對模型作出以下改進方案。

3.1 以動態數據來替換傳統的截面數據

前人對于企業破產預測的研究大多使用數值型的指標，部分研究根據企業所處的困境與危機的階段差異將研究對象分為多個觀測期，如-1、-2等，分別代表處于破產發生的前一年、前兩年等。然而，現實情況下企業破產的形成是動態的，在這個變化的過程中，各影響因素之間的相互作用是存在著差異的。由于破產這一狀態的出現并不在一個時間節點，也不是一個瞬間的動作。它是經歷多次累積后的聚合效果，是處于某個時間段內的，這就造成了靜態數據不能很好地反映這種動態變化過程。

然而，時間序列數據代表了變量在一定時間段內的動態變化過程，特別是多變量時間序列數據包含了豐富的多維信息。很明顯，這一數據類型與人們對破產動態變化的定義是一致的，它能夠反映企業從困境的萌芽到最終破產清算的整個變化過程。并且，大量的指標之間的相互作用能夠通過多變量時間序列的趨勢變化反映出來。但是，據人們所知，使用多變量時間序列的破產預測模型相對較少。一方面，這可能與多變量時間序列破產預測樣本獲取較難相關；另一方面，將多變量時間序列與破產預測問題相結合存在一定的難度，關鍵在于如何進行特征提取并進行最終的分類。

3.2 將數值型變量轉換成反映變量間復雜關系的圖（graph）數據

企業破產事件發生的同時，內部指標之間的相互作用關系也處于不斷變化之中。然而，現有大量的文獻都是建立在對于數值型指標的研究基礎之上，并且大多集中于處理單個指標在不同時期的一種表現。一方面，如果人們直接對多變量進行時間序列的分類，就無法反映各個時間序列變量之間的相關關系；另一方面，人們必須使所研究的對象與最終的分類器達成形式上的統一。這就要求在充分考慮指標之間相關關系的同時，構造的圖必須是分類器能夠接受的輸入信息。基于以上考慮，筆者們注意到許多天然的或者是合成的系統都有著天然的圖表征的特性，特別是圖數據包含了變量之間的相互作用關系。對于一個企業來說，圖更是一種理想的工具來構造各個指標之間的相關關系。于是提出將研究變量之間的相互關系轉換成圖數據的形式來代替以往研究中僅使用數值型變量的限制。在這種情況下，各個變量就轉換成與圖相對應的節點，每一個節點有相應的標簽來表征該節點所代表的變量的種類；變量之間的相互作用關系通過動態規整距離獲取的相關關系矩陣得到，并且以邊的形式反映在圖上。通過一定的構造規則，構造出屬于任何一個企業的唯一的圖。

3.3 使用深度學習模型整合特征提取與分類兩階段

傳統的破產預測模型大致可以分為統計類模型、淺層機器學習模型與深度學習模型三種。而淺層機器學習模型對企業破產的預測一般分為兩個步驟，即特征提取與分類。對于大多數的破產預測的研究基本都需要遵循這兩個步驟，第一個過程中的特征提取在隨后的分類過程中起到很大的決定作用。使用兩個獨立的模型來分別進行特征提取與分類可能出現一些不兼容的問題。一些深度學習模型，如深度卷積神經網絡作為深度學習中新興的研究領域而受到研究者的追捧。尤其是它能夠集特征提取與分類兩個階段于一體，首先使用卷積操作來提取圖像的特征，隨后直接能夠對特征進行分類并輸出預測結果。而大部分研究將其運用于圖像識別、過程監測、金融市場分析與故障診斷等領域。在破產預測中的運用相當有限，而這一難點在于將數值型的一些影響指標轉化為深度學習模型可接受的輸入，打破了以往淺層機器學習模型先進行特征提取后再分類的限制。

4 結論

本文提出一種新的破產預測模型，將多變量時間序列數據作為研究對象，通過提取多變量時間序列數據之間的相互作用關系特征來構造深度卷積神經網絡模型的學習對象數據集。其次，將深度學習模型在人們所構建的數據集上進行訓練并調參。隨后使用訓練過的深度學習模型來提取處于破產清算中企業的特征，并將測試對象輸出為破產或者健康兩種狀態。最后，通過在中國上市公司的數據集上的大量實驗證明了筆者們所提出方法的有效性。

［1］彭旭.破產預測模型的比較研究［D］.成都：西南財經大學，2013.

［2］楊鐘瑾.粒子群和遺傳算法優化支持向量機的破產預測［J］.計算機工程與應用，2013（18）：265-270.

F270.7

A

10.15913/j.cnki.kjycx.2021.08.065

2095－6835（2021）08－0160－02

韓歡歡（1994—），女 ，碩士研究生，研究方向為破產預測。

〔編輯：王霞〕