基于BP神經網絡的企業債務風險預警系統構建

孟切

摘要：企業債務風險的提升與其自身經營管理水平的波動及投資決策是否失誤存在密切關聯。文章基于BP神經網絡構建了一種企業債務風險預警系統，該系統由基礎應用層、虛擬網絡層、安全共識層、數據處理層及實際應用層等結構組成，實現了企業債務風險預警工作必需的功能，如構建基于BP神經網絡的非線性預警模型等。

關鍵詞：BP神經網絡；企業債務風險；預警系統；智能風險監控

中圖分類號：TN915.03文獻標志碼：A0引言企業外部生存環境的惡劣及企業間競爭的加劇，促使企業向規模化、專業化發展。在企業的一般經營活動中，面向外部籌集企業發展壯大所需資金屬于較為常見的行為。依托信息化手段構建公司債務風險防控管理平臺，旨在摸清債務風險底數、強化日常債務管理、執行債務風險動態監控、出具準確定期報告等工作，層層強化責任，嚴防公司發生系統性風險事件，為切實提高公司債務風險的防范化解綜合管理水平，為在“穩增長、調結構、防風險”任務落實提供工作抓手［1］。本文基于BP神經網絡、人工智能等技術構建了一種企業債務風險預警系統，實現了企業債務風險預警必需的若干功能，旨在通過優化企業債務風險預警系統帶動企業實現穩定發展。

1系統需求1.1功能需求功能需求指的是企業債務風險預警系統的具體功能需要滿足企業財務、債務相關數據的管理。由于債務數據涉及面廣，數據規模大，面向用戶信息多，統計信息包括單位情況、建設項目、債務融資、抵押擔保、資產、財務、債務轉貸等。因此，企業債務風險預警系統需要根據企業常見債務類型進行劃分，構建包含債務智能數據中心、數據加密性維護、債務數據采集與分類等在內的系統功能。

1.2性能需求從系統性能視角來看，企業債務風險預警系統主要面向企業的債務風險數據采集、篩選、存儲等，一方面要求系統具有穩定的運行效果，可以保證企業在長期的運營過程中不會因為債務問題而出現經營風險；另一方面則要求系統內部算法具有較高的可靠性，在分析、篩選和統計企業債務數據時不發生錯誤。

2系統構建

2.1系統框架傳統的企業財務風險預警系統大多只包含實際應用層、網絡層、數據處理層等模塊。本文在傳統企業財務風險預警系統的基礎上，結合企業債務風險預警系統功能需求，搭建了如圖1所示的企業債務風險預警系統。該系統除實際應用層、網絡層、數據處理層外，還加入了基礎數據層、安全共識層，以滿足企業債務管理的需求。

實際應用層屬于企業債務風險預警系統框架的最高層，由財務中心、客戶端和移動端3部分組成，主要負責向企業財務人員、高層管理人員等提供企業債務、債務風險及債務風險預警等的相關數據。企業財務管理人員可以通過實際應用層對企業債務系統進行監管，也可以直觀獲得債務風險警報。

數據處理層由智能合約、BP神經網絡、數據存儲發布等部分組成。其中，智能合約是企業對債務風險預警原始數據進行計算和判斷的主要模塊，智能合約可以通過初步的數據比較判斷某一企業/個體是否會對企業債務形成風險［2-3］；BP神經網絡是一種神經網絡學習算法，適用于需要反復學習的過程，在企業債務風險預警數據處理層中BP神經網絡的存在可以不斷實現系統的自我完善與優化，從而滿足更為復雜的企業債務風險預警；數據存儲發布模塊主要負責企業債務數據的存儲和調用，以大數據可視化等為基礎向應用層提供處理后可直接應用的各項數據。

安全共識層采用過重共識機制和先進算法等構建企業債務風險預警系統的高速流動信任通道，經過非對稱加密和數字簽名等實現對企業債務風險預警系統登錄人員的信息核實。安全共識層可以根據登錄人員的信息自動劃分不同的系統權限。

網絡層是連接企業內部財務部門設備與財務中心服務器的主要橋梁。一般的企業財務風險預警系統大多通過網線等物理形式進行連接，本文為保證系統運行的穩定性和可靠性，采用VLAN虛擬網絡+物理連接網絡的形式構建網絡層，雙網絡體系在VLAN虛擬網絡的幫助下可以無限擴展，企業債務風險預警系統可以通過任何節點進入系統，很好地解決了一般集中式債務風險預警系統的安全信任問題。

基礎數據層是企業債務風險預警系統的底層，采用分塊式和鏈式結構構建數據信息流，對企業債務相關數據進行采集、篩選，還可以在企業規定的范圍內對部分債務相關數據進行共享，以滿足企業整體對債務風險預警工作的需求。

2.2系統工作流程從系統框架結構來看，企業債務風險預警系統基本按照基礎數據層→網絡層→安全共識層→數據處理層→實際應用層的順序開展工作。但在實際的系統工作環境下這一流程會略微復雜一些，如圖2所示為本文構建的企業債務風險預警系統工作流程。

系統工作過程中會由數據處理層對反饋來的企業債務風險進行識別和度量，旨在對債務風險進行評級。根據債務風險的危險程度，將債務預警決策分為低風險、中風險和高風險3種。其中，低風險決策采用常規監控即可；中風險決策需要采用風險控制策略，根據風險分析將風險分為特定風險事件、可市場化管理的風險、不可抗力風險、政治/法律/政策風險等，根據不同的風險類別進行風險規避、風險轉移、風險減輕、風險接受與損失控制；高風險決策需要制定專門的應急預案，在對風險進行分類處置后由企業財務部門、管理部門等的相關人員重新規劃財務計劃，在解除風險以后將完整的風險預警流程納入企業經濟總則并開展后續的動態監控［4］。在企業的輕、中、高風險預警過程中，均需要BP神經網絡算法進行反復的計算與學習，從而使系統的風險預警自動化、智能化水平不斷提升。

3系統關鍵功能實現3.1基于BP神經網絡的非線性預警模型企業的債務風險種類多樣，風險程度不同，企業債務風險預警系統所需的預警模型均為非線性模型。以BP神經網絡為核心構建的非線性預警模型，可以對企業債務風險相關復雜數據進行有效釋放，在經過大量的適應性學習以后，BP神經網絡的算法能力可以實現企業債務風險數據的動態、智能化預警［5］。如圖3所示為BP神經網絡非線性預警模型的工作流程。

BP神經網絡算法可以借助萬能模型+誤差修正函數等對企業債務風險預警的每一次訓練結果與預想結果進行誤差分析，不符合預警結果的再次進入訓練過程，符合的則給出訓練結果。圖3所示的基于BP神經網絡的非線性預警模型為企業債務風險預警提供了較為理想的學習能力，可以對債務風險訓練集中每一個“輸入-輸出”樣本對重復以上步驟，直到整個訓練樣本集的誤差減小到符合要求為止。與其他算法相比，BP神經網絡算法的智能化水平理想，可以在不斷的學習過程中提升企業債務風險預警的效率和穩定性。

3.2非對稱加密非對稱加密也被稱為公鑰密碼，與對稱加密不同的是非對稱加密采用公鑰加密但在解密時采用私鑰［6］。本文構建的企業債務風險預警系統借助RSA算法生成密鑰對的過程如下：

//生成密鑰對

public static KeyPair getKeyPair（） throws Exception {

KeyPairGenerator keyGen = KeyPairGenerator. getInstance（"RSA"）;

keyGen.initialize（512）;

KeyPair keyPair = keyGen.generateKeyPair（）;

return keyPair;

}

3.3債務數據采集與分類企業債務風險預警系統的數據采集與分類需要高度的自動化與智能化。本文在實現這一系統功能時，借助數據集理論，將債務風險預警系統采集的前80%數據用于訓練，80%～90%用于測試，90%～100%用于驗證。債務數據采集與分類的部分代碼如下：

trainDir = "./RSICD_train/"#（將訓練集放在這個文件夾下）

if not os.path.exists（trainDir）：

os.mkdir（trainDir）

validDir = './RSICD_val/'#（將驗證集放在這個文件夾下）

if not os.path.exists（validDir）：

os.mkdir（validDir）

testDir = './RSICD_test/'#（將測試集放在這個文件夾下）

if not os.path.exists（testDir）：

os.mkdir（testDir）

4結語由于債務所涉及的信息復雜，債務管理工作人員對存在的債務償還風險很難做到提前防范。本文認為，企業債務風險預警系統構建的主要需求是提供必須的債務風險預警體系。本文所構建的體系能夠將企業復雜的、海量的、處理時效差異極大的債務風險問題進行科學的、統一的、高效的處理，可以幫助企業實現債務風險的智能化預警與風險規避。

參考文獻

［1］蘇振興，扈文秀，夏元婷.基于機器學習的地方政府隱性債務風險先導預警模型［J］.統計與決策，2022（7）：20-25.

［2］陶蕓輝.企業并購重組過程中的財務風險及控制策略［J］.湖南科技學院學報，2021（2）：79-82.

［3］聶穎，郭艷嬌.地方政府債務、經濟發展與風險預警研究［J］.沈陽工業大學學報，2022（5）：426-433.

［4］范遠.負債經營下的房地產企業財務風險控制探討［J］.投資與創業，2021（24）：98-100.

［5］李麗珍.地方政府或有隱性債務風險預警系統構建與應用研究——基于BP神經網絡分析法［J］.財經論叢，2021（3）：14-25.

［6］張顏江，王勝，魏敏.地方政府債務風險預警體系構建與應用研究——基于廣東省地級及以上城市數據［J］.河南財政稅務高等專科學校學報，2021（5）：10-20.

（編輯 沈強）

Construction of enterprise debt risk early warning system based on BP neural networkMeng? Qie

（Guizhou Provincial Department of Finance， Guiyang 550001， China）Abstract：? The increase of enterprise debt risk is closely related to the fluctuation of its own management level and whether the investment decision is wrong. This paper constructs an enterprise debt risk early warning system based on BP neural network. The system is composed of basic application layer， virtual network layer， security consensus layer， data processing layer and practical application layer. The necessary functions of enterprise debt risk early warning work are realized， such as the construction of nonlinear early warning model based on BP neural network.

Key words： BP neural network; corporate debt risk; early warning system; intelligent risk monitoring