大數據在財務風險識別與管控中的應用探析

| 王賀敏 劉明瑋

一、引言

2015年8月31日國務院印發《促進大數據發展行動綱要》明確指出，大數據是以容量大、類型多、存取速度快、應用價值高為主要特征的數據集合，正快速發展為對數量巨大、來源分散、格式多樣的數據進行采集、存儲和關聯分析，從中發現新知識、創造新價值、提升新能力的新一代信息技術和服務業態。同年10月召開的中國共產黨第十八屆中央委員會第五次全體會議提出實施“國家大數據戰略”，將大數據戰略上升至國家戰略層次，開啟了我國大數據建設的新篇章。2021年11月30日工信部出臺《“十四五”大數據產業發展規劃》，制定了新階段我國大數據產業發展目標：到2025年，我國大數據產業測算規模突破3萬億元，年均復合增長率保持在25%左右，創新力強、附加值高、自主可控的現代化大數據產業體系基本形成。由此可見，我國大數據產業發展速度逐漸加快，而知識經濟時代下，基于時代需求和政府政策鼓勵，越來越多的企業將大數據等現代技術應用于企業管理經營活動中，極大提升了企業的管理效率。

隨著經濟全球化發展，我國經濟體制深入改革，市場化程度加深，市場環境日益復雜，物價變動、匯率波動、人民幣貶值等市場外部環境的變化導致企業經營增加了許多不確定性因素，企業財務風險也因此增加。因此在復雜化的市場環境和國際環境下，企業長久健康的發展離不開財務風險的識別與監管。而大數據技術的應用可以顯著拓寬企業信息獲取渠道，并提升信息獲取速度，提升企業財務信息管理效率。但是在應用大數據的同時，如何提升企業信息甄別、篩選能力，降低企業財務風險也尤為重要，這已經成為當今企業發展需要思考的重要問題，同時也是學術界的熱點研究領域。

二、文獻回顧

（一）企業財務風險定義及來源

我國財務風險研究起步于20世紀末，但是截至目前，國內學者對財務風險定義研究結論并不完全統一。其中，我國較早的關于財務風險的定義為“各種不確定性因素下，企業實際收益與預期收益不相符而遭受損失的可能性”。對于財務風險來源，學者們研究意見也存在一些差異，可將其來源歸納為二個方面：一是企業經營失誤，企業由于經營管理出現失誤，導致企業造遭受財務損失，或者經營收益下降，且根據風險因素的可控性，將其分為可控財務風險和不可控財務風險；二是企業財務風險來源于企業財務結構不合理，財務杠桿失衡，導致企業負債經營比重過高，無法較快獲得周轉資金；三是外部環境因素變化，包括自然環境、市場環境以及社會文化環境等方面，外部環境因素發生明顯波動將對企業經營產生影響，尤其是負面環境事件，將導致企業經營損失概率提升，導致財務風險。從上述關于財務風險定義及來源的分析來看，學者研究多認為企業財務風險來源于企業內部和外部兩個方面，內部主要包括經營決策、財務決策、治理結構、財務結構等內部管理因素不科學，外部主要包括發生自然災害、突發社會事件、市場改革、宏觀政策變化等因素。

（二）大數據與企業財務風險識別與管控

目前國內外關于企業財務風險識別與管控的指標研究相對豐富。國外學者關于財務風險識別的研究傾向于財務風險預警模型和方法領域，Katarina等(2019)在研究企業可持續發展財務風險測度與預測中建立了財務風險預警模型，包含了流動、盈利、償債、營運和成長五大比例指標，該模型獲得了較為準確的財務風險預測結果。Gospodinov等(2018)在風險模型中同時引入了SVM、ANN等研究方法，用于識別整個企業經營過程中的財務風險，結果顯示，SVM方法下的財務風險估計結果準確度更高。國內學者關于財務風險識別的研究傾向于指標體系的構建，張蓓蓓和李光龍(2021)研究企業財務風險控制中指出，高準確度和高效率的財務風險識別指標體系應當綜合定量和定性兩種類型的指標。王博和王建玲(2019)利用模糊評價法測度企業財務管理風險中，從內部和外部兩個維度選取了相應的評價指標，其中內部指標主要包括企業戰略調整、組織結構變更、供應商變更等；外部指標主要包括經濟政策變化、法律法規變化、市場需求變化等。

關于大數據技術在企業財務風險識別與管控中的應用，Dutta等(2019)研究顯示，大數據技術引入壽險企業資產決策系統極大提升了決策效率，且提升了決策風險預測準確度。Thomas等(2018)在研究風險評估領域大數據應用中指出，在風險預警過程中使用數據挖掘技術和語言處理技術提升風險預警準確度。張敏等(2021)在大數據與企業風險管理研究中指出，大數據環境下企業需要根據環境變化實時調整財務管理決策，利用大數據工具進行信息收集和數據處理可以有效提升企業財務風險管理的效率，并降低財務風險。陳位(2019)在研究“大智移云”背景下財務共享服務中指出，大數據技術的應用提升了非結構化信息的價值，因此，在利用大數據工具進行財務風險管理時，企業需要加大對非結構化信息的關注度。蔡立新和李嘉歡(2018)在探究大數據時代企業財務風險預警機制中將數據挖掘技術引入到企業財務管理中，認為企業財務管理軟件應用大數據工具將顯著提升數據分析準確度。

從現有文獻來看，國外學者多傾向于關注大數據環境下企業財務風險預警特點的研究，強調以大數據技術為基礎建設信息共享系統。而我國學者的研究多聚焦于大數據應用對企業財務管理工作的影響視角，試圖用不同的方法從不同角度提升企業對財務風險的識別與監管能力。當前，雖然國內外學者在大數據視角下企業財務風險預警、財務風險識別等方面已經形成一定的研究基礎，但是關于大數據背景下企業財務風險定義、來源、財務風險識別與管控指標體系等研究結果論并不統一，還有待進一步完善和豐富。

三、大數據背景下企業財務風險識別指標的構建

（一）指標選擇分析

從上述關于財務風險管理預警指標文獻來看，在傳統財務風險識別與監管中，財務風險識別指標多以傳統財務指標為依據建立，包括盈利、償債、營運和成長四個主要維度。隨著大數據等現代信息工具的應用，非結構化信息在企業財務風險識別中的重要性越發顯著，即企業財務信息來源不再局限于紙質文件，電子文檔、網頁、視頻文件、多媒體等多樣化信息渠道被廣泛接受，因此，在企業財務風險識別中，對信息的關注也不再局限于傳統財務報表的財務指標內容，非財務指標對企業財務風險識別也越發重要。

狹義識別理論在學術界關于財務風險管理指標研究中認同度最高，即以財務比率作為風險指標，也有學者對此表示質疑，認為財務比率只能反映企業當前財務決策的風險性程度，對于企業戰略高度有所忽略，且無法克服主觀性問題。此外，還有部分學者指出，以狹義識別理論為基礎選取財務風險識別指標時，會遺漏非財務指標，且缺乏靈活性。由此可見，隨著科學技術和理論的發展，市場環境日益復雜，以財務指標為核心的財務風險識別指標體系過于單一，且存在明顯滯后性，尤其是大數據時代背景下，傳統財務指標預警財務風險時效性不足的缺陷越發顯著，為提升財務風險識別指標體系的風險預警能力，對非財務指標的關注度日益提升。大數據技術的發展極大提升了企業獲取數據信息的全面性，也為多維度非財務指標數據獲取提供了更多可能。因此，在大數據背景下，企業財務風險識別與管控指標體系的構建不再以單一的財務指標為核心，將非財務指標納入其中的意義重大。

（二）指標體系構建

根據上述分析，大數據背景下企業財務風險識別與管控指標體系主要從財務指標與非財務指標兩個維度構建。

1.財務指標。傳統財務指標主要包括盈利、償債、營運和發展四個大類，現代學者在研究中進一步將財務指標擴展至五個維度，即加入了現金流量指標，共計33個財務指標：(1)盈利指標。主要反映企業通過經營活動獲得收益的能力，是企業的重要現金來源和發展目標。獲得收益是企業開展經營活動的主要目標，也是企業能夠長久健康發展的經濟基礎，一旦企業盈利水平收縮，企業經濟來源將大幅降低，對企業償債、后續營運資金投入、發展均會產生負面影響，進而引發財務風險。(2)償債指標。主要反映企業償還債務的能力，舉債經營是當前大部分企業的現狀，企業的償債能力直接影響其獲得更多融資的可能性，償債能力下降，企業可能面臨財務杠桿失衡的可能，導致企業財務風險增加。(3)營運指標。主要反映企業運用資產的效率，同樣的資產數量和質量下，企業利用該資產獲得的收益越多則營運能力越強，表示企業內部管理水平越高，有助于企業盈利水平的提升，企業發生財務風險的可能性也越低。(4)發展指標。主要反映企業擴大規模、競爭力增強的能力。企業目標并不是只追求短期內的收益最大，長久持續的發展才是企業的最終目標，在競爭激勵的市場環境中，只有具備穩定經營能力的企業才具備抵抗風險的能力，才能長久生存。(5)現金流量指標。主要反映企業獲取現金的能力，現金獲取能力越強的企業，其償付債務的資金越充足，收益質量越高，越不容易出現財務風險。

2.非財務指標。在大數據背景下，企業獲得信息的渠道得以擴寬，且自動化的識別程序可以幫助企業篩選信息，提升信息有效性。基于數據可獲得性原則，本文根據Thomas(2018)、丁平(2020)、林敏(2022)等學者的研究，選取了股權結構、董事會結構、管理成本、審計意見四個維度的非財務指標，這些非財務指標數據均可從企業年度報告和審計報告中獲取。但是僅從企業披露的非財務信息來識別企業的財務風險具有片面性，因此，本文參考Oláh(2019)的研究，在非財務指標中引入網絡輿情指標，用以反映社會對企業的評價與傳播情況。大數據時代，社會對企業的滿意度、信用評價等信息通過互聯網迅速傳播，對企業的社會形象、市場競爭力等均會產生一定影響。本文根據網民對企業表現出的情感極性統計獲得正面、中性、負面、正負交互情緒指數以及信息頻次五個網絡輿情指標。

洞庭湖濕地作為全球重要生態區之一，在維系生態平衡中有重要影響。湖區濕地生物資源豐富，動植物種類繁多，水源足調蓄力巨大，其獨特的自然人文地理環境，使洞庭湖濕地生態旅游資源景有自己的特質，開發前景廣闊。可近年來，湖泊面積萎縮，已退居我國第二大淡水湖。當前人們雖早已認識到濕地重要性，但仍然高強度索取，使得濕地開發向破碎化、陸地化趨勢發展。忽視濕地的生態價值，忽視長久發展，只會讓資源日益枯竭，導致突發性災害時有發生，所以加強濕地保護迫在眉睫。

本研究構建大數據背景下財務風險識別與管控指標體系，如表1所示。

表1 大數據背景下財務風險識別與管控指標體系

（三）數據來源

本研究大數據背景下企業財務風險識別與管控，從財務、非財務與大數據三個維度選取指標構建風險預警指標體系，為驗證指標體系的有效性，以發生過財務危機的企業為樣本，以計算出指標的衡量標準。根據Dutta(2019)等學者的研究，國外上市企業舉債經營比例較高，企業出現無力償還債務的情況需要向政府申請破產，因此，國外研究通常認為進入破產程序的企業即為企業出現財務危機的標志。而我國企業管理法律有所差異，在無力償還債務的情況下，上市企業實質性破產的概率并不高，因此，根據我國的實際情況，參考沈恂(2020)、張敏(2021)等學者的研究，本文以滬深A股上市企業為樣本范圍，從中選取被特別處理的上市企業作為出現財務危機的樣本，即以被標記“ST”和“＊ST”的上市企業為樣本對象，選取時間范圍為2015年至2019年，共計65個樣本企業。其中，樣本期間內再次被退市風險警示的企業由于存在“摘帽”動機，可能出現財務作假的行為，因此刪除這類樣本，同時刪除存在其他狀況異常而被實行退市風險警示的樣本企業，主要是由于其他狀況異常不屬于財務問題。最終保留25家樣本作為研究對象。為減少隨機誤差，以樣本組企業所在行業前一年以及其股本規模為標準進行配對，獲得配對樣本，如表2所示。

表2 樣本組匹配結果

本研究以標記“ST”的上市企業為樣本，借鑒安學麗(2018)、王博(2019)等學者的研究，與正常經營狀態的企業相比，被標記“ST”的企業在被實行退市風險警告之前的幾年內，其財務狀況已經出現異常，尤其是靠近被實行退市風險警告時間的財務狀況異常情況明顯。因此，本文研究中將樣本研究時間段確定為樣本被實行退市風險警告起前三年。假設樣本企業在第T年被標記“ST”，則其研究時間段為T-1、T-2、T-3。

（四）指標篩選

在正式回歸之前，由于表1中財務指標數量過多，對財務指標進行篩選，避免由于指標體系過于復雜而導致研究結果偏差。本文利用t檢驗篩選出有效的指標。在進行t檢驗之前，首先對指標進行K-S檢驗，只有K-S檢驗下符合正態分布的指標才能進行t檢驗。K-S檢驗結果如表3所示。31個指標的p值均在5%置信水平下通過顯著性檢驗，即均服從正態分布，可以進行t檢驗。

表3 財務指標K-S檢驗結果

表2中ST樣本企業和非ST樣本企業的數據具有獨立性，因此對這兩組樣本下的指標分別進行t檢驗，結果見表4。22個財務指標中，僅有指標PRO、PRO、REP、REP、OPE、DEV、DEV、CASH的顯著性達到5%置信水平，即僅有這8個財務指標達到有效性。

表4 財務指標t檢驗結果

四、基于上市公司的驗證

（一）Logistic模型構建與回歸

從上述樣本選取看，本研究涉及分類變量，且變量屬于二分項變量，即僅有被退市警告和沒有被退市警告上市企業兩類，根據Katarina(2018)、Cao(2021)等學者的研究，Binary Logistic回歸模型在二分類變量研究中具有較好的適用性，因此本文利用Binary Logistic回歸模型研究大數據背景下財務風險識別與管控指標體系的有效性。假設企業財務風險符號為Y，二分類變量下，其表達式如下：

根據公式(1)，當樣本企業為非ST時，則該樣本企業沒有發生財務風險事件；反之，當樣本企業為ST標記企業時，則該樣本企業發生了財務風險事件。

公式(2)中，P(event)表示事件發生的概率，其值域為[0，1]，當P(event)＜0.5時，表示企業沒有嚴重的財務風險，財務狀況相對良好；當P(event)＞0.5時，表示企業存在嚴重的財務風險，財務狀況較為嚴峻。公式(3)中，x、x、…、x為解釋變量，即表1中的風險識別指標；a、a、…a、為解釋變量系數；a為常數項。

將t檢驗結果下的有效財務指標以及非財務指標、大數據指標作為解釋變量加入Logistic模型(2)中，利用向前逐步選擇法和向后逐步剔除法構建模型，對比模型回代準確率，以其中回代準確率最大方法下的回歸模型為最終模型。其中T-1年、T-2年、T-3年樣本下的Logistic模型均在向前逐步法下模型回代率達到最大，分別為95.02%、92.33%、91.84%，由此確定T-1年、T-2年、T-3年樣本下的Logistic模型如下：

T-1年：

回歸系數結果見表5。T-1年、T-2年、T-3年樣本下的Logistic模型均以0.5作為概率P(event)臨界點，將企業數據代入公式(4)、(5)和(6)，以此計算概率，若概率結果大于0.5，即表示該企業發生財務風險事件的概率較高，且財務風險將造成較大的企業損失；反之，若概率結果小于0.5，即表示該企業發生財務風險事件的概率較低，或者財務風險在企業可控范圍內。

表5 Logistic模型回歸結果

模型擬合優度結果見表6。Cox$Snell R和Nagelkerke R為廣義決定系數，其值越大，表示變量對模型解釋的比例越高，模型預測的準確性也越高。從表6中模型擬合優度檢驗結果來看，對比T-1年、T-2年、T-3年樣本下的Logistic模型的Cox$Snell R和Nagelkerke R結果，擬合優度排序由高至低依次為T-1年模型、T-2年模型、T-3年模型，即隨著樣本距離被實行停牌風險警告時間越長，模型擬合優度逐漸下降，即模型解釋效果下降。

表6 Logistic模型回歸擬合優度

（二）指標體系有效性檢驗

為進一步驗證上述T-1年、T-2年、T-3年樣本下的Logistic模型的有效性，將上文樣本規模擴大至2021年，依據上文步驟整理出2020年和2021年滿足條件的樣本企業，并確定配對樣本，共計12個樣本企業。按照遞進時間序列的思路整理樣本數據，代入上述模型中，以檢驗模型穩健性。根據表1中的指標，以2020年和2021年增加的12個樣本企業各自被標記“ST”的時間為參照從國泰安數據庫獲得對應企業在T-1年、T-2年、T-3年的指標數據，將其代入公式(4)、(5)和(6)中計算得到各樣本企業在T-1年、T-2年、T-3年的財務風險發生概率P(event)，以0.5為臨界點判斷各樣本企業在T-1年、T-2年、T-3年的財務風險，并將結果與樣本企業實際被實行退市風險警示的情況進行對比，以此得到模型的預測精確度。

本部分檢驗有效性延續上文的做法，用向前逐步法估計回歸模型。模型有效性檢驗結果見表7。將T-1年、T-2年、T-3年的Logistic模型預測準確率與上文各個年份Logistic模型的回代準確率進行比較分析，發現T-1年、T-2年、T-3年下模型的整體驗證準確率均超過60%，驗證準確率較高，即表示本文構建的財務風險識別模型對上市企業財務風險具有較好的預測能力。并且縱向對比T-1年、T-2年、T-3年下模型的整體驗證準確率，T-3年驗證準確率明顯小于T-1年驗證準確率，即表示企業越臨近被退市風險警告時間，模型預測的企業財務風險準確率越高。

表7 大數據背景下企業財務風險識別與管控模型有效性檢驗準確率

但是將樣本數據代入模型后得到判斷準確率結果均低于上文T-1年、T-2年、T-3年的Logistic模型回代準確率，主要是由于模型(4)、(5)和(6)是由2015年至2019年樣本企業數據計算所得，因此對樣本之外的企業財務風險預測效果會有所下降，并且2020年和2021年檢驗樣本的時間與2015年至2019年樣本的時間存在一定差異，這期間內市場政策、宏觀環境發生了變化，可能存在一些模型無法預測的因素，導致財務風險預測結果準確率有所下降。

五、結論與建議

本文構建大數據背景下企業財務風險識別指標體系，包含財務、非財務和大數據三個維度。其中財務指標從傳統盈利、營運、償債、發展四個維度選取，并增加了現金流量維度指標，共計22個指標；非財務指標主要包括股權結構、董事會結構、管理成本、審計意見4個指標；大數據指標僅有社會網絡輿情一個維度，利用正面情緒指數、中性情緒指數、負面情緒指數、正負交互情緒指數、信息頻次共5個指標來衡量。該指標體系共包含31個指標，利用K-S檢驗和t檢驗篩選財務指標，剔除14個指標，最終保留凈資產收益率、應收賬款周轉率等8個指標。以2015-2019年滬深A股市場被標記“ST”的企業為樣本，構建連續三期Logistic模型進行回歸，即分別以企業被退市風險警告前3年為研究區間構建模型，利用向前逐步法計算得到財務風險識別模型。最后通過2020-2021年的樣本來檢驗模型的預測有效性。研究結果顯示，本文以大數據維度下企業財務風險識別指標體系為基礎構建的三期Logistic模型能夠較好地預測上市企業的財務風險，且距離被實行退市風險警告的時間越近，模型對其財務風險預測準確率越高。

從預測模型來看，大數據維度指標在模型中回歸系數顯著，且大小遠大于財務指標，由此可見，大數據指標應用可以顯著提升企業財務風險識別準確率。大數據時代，企業應當發揮大數據工具的優勢，將大數據工具引入企業財務風險識別與管控系統中，充分利用人工智能、大數據等先進工具，通過精密的系統算法和智能信息識別功能，提升企業財務風險信息識別效率，同時拓寬信息獲取渠道，不再局限于傳統的財務指標信息，利用大數據技術、人工智能獲取非結構化的信息，提升企業對財務風險信息識別的全面性，對企業財務風險管控能力提升也有顯著促進效應。此外，企業還應當培養大數據等信息專業技術人員，培養內部專業人才和吸收外部優秀人才是企業靈活應用大數據工具管控財務風險的基礎。