基于監督學習和非監督學習模型的企業財務風險預警對比研究

程雨晴 孫乃立 陳心淼

【摘 ?要】當前信息化的大數據時代，新的技術為企業財務風險預警帶來了更多的可能性。論文結合制造業企業的發展現狀與行業特點，以2019-2021年525家上市制造業公司為樣本，根據其基期前1～5年財務與非財務數據，構建了結合財務與非財務指標的監督學習和非監督學習兩類預警模型，并對財務風險預警模型的有效性進行了分析。結果發現：兩類模型在企業財務風險預警方面都有一定的效果，但監督學習模型無論對高風險企業還是正常企業，均有更好的預測識別效果。未來企業可以導入監督學習方法構建財務風險預測體系，提前應對高風險事件的發生。

【關鍵詞】財務風險；監督學習；非監督學習；預警模型

【中圖分類號】F275 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 【文獻標志碼】A ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 【文章編號】1673-1069（2023）06-0185-03

1 引言

在市場經濟中，財務風險的發生可能導致企業破產，從而對企業利益相關者造成巨大的損失。及時預警財務風險，有助于采取有效的措施降低風險。長久以來，財務風險預警便是企業管理、投資分析、金融監管等領域的重要研究課

題[1，2]。然而，受制于模型性能及影響因素，風險預警在應用層面存在一定的局限性。因此，如何對企業財務風險進行準確預警，仍需深入研究和探索。基于此，本文以被標記為*ST的企業為研究對象，結合財務與非財務數據，構建BP神經網絡模型、K-means聚類模型和高斯混合聚類模型，考察監督學習和非監督學習兩類模型在企業財務風險預警方面的適用性。本文的邊際貢獻主要體現在：第一，本文在模型判斷時，采用了召回率與F1得分等偏重于對陷入財務危機企業識別的指標，防止正常企業過多而造成了判斷偏誤，揭示了當前模型的真實效果；第二，本文展示了在相同樣本下監督學習方法與非監督學習方法的預測效果，為未來模型的進一步發展提供了有效證據。顯然，這與已有文獻僅從單一類型模型進行財務風險預警研究有著明顯不同。

2 文獻綜述

學界對財務風險的預警模型以Beaver（1966）為開端，歷經單因素、多因素模型、Logistic回歸模型、機器學習模型等階段[3]。以BP神經網絡為代表的監督學習方法，在企業財務風險預警研究中一直都是學者關注的重點，其顯著優點是對風險判別具有較高的準確度，有利于企業預測未來財務風險[4，5]。如結合現金流管理思想建立人工神經網絡財務風險評估模型，結果顯示該模型能夠為制藥行業減少由資金鏈所產生的風險[6]。國外學者將西班牙銀行作為研究對象構建人工神經網絡預警模型解決短期財務問題，結果顯示該模型對預測短期財務風險有很強的適用性[7]。非監督學習模型方面，運用K-means聚類模型對企業風險等級進行劃分，發現基于該模型的風險預警體系能夠將準確率提升至95.09%[8]。學者使用了K-means聚類算法與高斯混合聚類算法來對上市公司的財務風險進行甄別，研究發現對于“特別處理”事件的識別，高斯混合模型的召回率和準確率都顯著高于K-means聚類模型[9]。

總體而言，研究表明機器學習有助于改善現有財務預警模型的局限性。這為本文深化研究提供了可供借鑒的研究思路與理論認知。然而，目前關于企業財務風險預警的研究鮮有研究關注監督學習與非監督學習的效果差別對比，且多數文獻僅考察風險事件發生一兩年前的預測情況，導致該領域缺失中長期預測效果的驗證。基于此，本文將*ST類公司視為財務危機的企業，對監督學習與非監督學習模型的中長期預測效果進行對比研究。

3 研究設計

3.1 樣本與數據

本文選取了制造業中由正常企業轉變為*ST企業的樣本作為實驗組，選取同行業且規模相似的正常企業作為對照組樣本，并在2019-2021年的時間跨度內進行樣本選取。為避免正常企業樣本過多導致的非平衡采樣問題，將正常企業與*ST企業的比例設定為3∶1。本文使用t年份（即實驗組企業被標記為*ST的年份）的前5年至前1年的數據來驗證財務預警模型。在此基礎上，剔除了數據存在空值、異常值樣本，剔除了金融行業相關企業樣本，以及財務與非財務數據存在空值、異常值樣本。最終保留了525家企業共計2 630個樣本，財務和非財務數據均來自國泰安（CSMAR）金融經濟數據庫。

3.2 指標選擇

現有研究發現財務指標、非財務指標對財務風險的預測均有一定的貢獻[10-12]。基于上述研究的成果，本文選取16個財務指標和5個非財務指標作為上市公司財務風險預測模型的分析變量。其中，財務指標包括流動比率、速動比率、現金比率、資產負債率、應收賬款周轉率、存貨周轉率、總資產周轉率、流動資產周轉率、營運資金比率、留存收益資產比、資產報酬率、總資產凈利率、營業利潤率、營業收入增長率、總資產增長率、凈資產收益率增長率等；非財務指標包括高管人員持股比例、董事會規模、股權集中度、審計意見類型和政府補助等。

3.3 模型構建

BP神經網絡模型是本文主要的監督學習模型。BP神經網絡的過程主要分為信號的前向傳播與反向傳播兩個階段，依次調節隱層到輸出層、輸入層到隱層的權重和偏置。本文構建基于BP神經網絡的財務風險預警模型，其激活函數是sigmoid函數，隱層數為2，輸入層為財務風險計量指標，節點數為21，即16個財務指標與5個非財務指標。輸出節點為樣本企業t年度風險狀況，其中被標記為*ST的實驗組樣本風險狀況被標記為1，對照組正常企業風險狀況被標記為0。

進一步，本文構建基于K-means聚類模型與高斯混合模型的財務風險預警模型。其中K-means模型是基于劃分的聚類K表示的是聚類為K個簇，means代表取每一個聚類中數據值的均值作為該簇的中心。高斯混合模型則是一種業界廣泛使用的聚類算法，該方法使用了高斯分布作為參數模型，并使用了期望最大化（EM）算法進行擬合。本文構建K-means聚類模型和高斯混合模型時，維度參數均為21，即導入16個財務指標與5個非財務指標，共計21個指標，導出分類數量為2，即是否為*ST企業。

為更好地進行交叉驗證，防止模型的過擬合現象，對本文樣本進行了訓練集與測試集的劃分。上述3個模型在訓練集與測試集樣本劃分方面，均采用80%的樣本作為訓練集，20%的樣本作為測試集。

4 預測結果分析

基于上述樣本及數據，通過python代碼實現，得到了基于監督學習與非監督學習3個模型的準確率、召回率與F1得分3項模型效果評價指標（見表1）①。從預測時間跨度來看，通過比較t-1至t-5期的預測結果可以看出，無論監督學習還是非監督學習模型，t-1期的準確率、召回率和F1得分都高于其他期間；t-5期的準確率最低，且除t-1期間以外的4個時期數據表現出的準確度都彼此相近，沒有較大幅度的變動。綜合上述對兩種企業風險預警的預測分析可知，距離風險事件發生時間越近，預測的準確度越高，無論是準確率指標、召回率指標還是F1得分指標，均呈現出同樣的趨勢。從模型表現來看，BP神經網絡模型和K-means聚類模型準確率結果較好，高斯混合模型結果較差。其中，K-means模型的準確率高于BP神經網絡模型，但BP神經網絡模型結果變動趨勢的穩定性明顯優于K-means模型；就召回率而言，盡管t-1年K-means達到了0.75，但整體而言對財務風險事件的識別表現較差，尤其是t-2到t-5年，非監督學習模型的效果遠低于監督學習模型，且其中高斯混合模型預測結果均為0，說明其難以勝任財務風險識別；就F1得分而言，BP神經網絡模型表現總體高于K-means模型與高斯混合模型，說明以BP神經網絡模型為代表的監督學習模型預測效果優于以K-means聚類模型和高斯混合模型為代表的非監督學習模型。

綜合對比時間跨度和預測指標來看，以BP神經網絡為代表的監督學習模型最為穩定，對風險企業和正常企業識別度均較好，而非監督學習模型在部分場合下表現出了較高的準確度，但表現不穩定，對風險企業的預測效果較差。可見，監督學習模型對于企業的風險預測方面有更為明顯的優勢，能夠更好地對企業財務風險預警指標進行預測和控制。

5 結論

本文以2019-2021年標記為*ST企業的制造業公司為實驗組樣本，按1∶3比例匹配正常企業為對照組樣本，財務指標與非財務指標，構建基于監督學習與非監督學習模型的財務風險預警模型，對比其在財務風險預測中的表現。本文發現：第一，隨著時間的推移，各個模型的預測準確性均有明顯提升。第二，無論從哪個指標的角度來看，監督學習均呈現出更優的預測表現；非監督學習模型預測表現則較差，幾乎難以對高風險企業進行準確識別。因此，以BP神經網絡為代表的監督學習對于企業財務風險預警模型具有較高的預測準確率，在實務中也能夠更加有效地對財務風險進行識別，有效地減少因不確定性而帶來的損失。

從本文的研究結論可以看出，監督學習模型是未來企業財務風險預警實務的發展方向，但其與實際應用仍然有一定的距離。因此在監督學習模型未來的發展中，公司應當制定一個體系完整且統一的風險評價制度和預警指標體系，以確保企業風險的內涵得以在信息中充分反映，幫助企業管理者準確地識別和防范財務風險的發生。此外，企業還應通過建立相關數據庫，充分利用其豐富性和可靠性，提高會計信息和數據的質量，為提高企業風險預警模型的性能提供堅實的基礎。

【注釋】

①受篇幅所限，本文所使用python代碼不在文中出現，備索。

【參考文獻】

【1】童思齊.非財務指標在債券信用風險預警中的應用[J].債券，2022（08）：88-92.

【2】黃永梁，苗瑋.財務風險視角下新能源汽車產業的發展路徑研究——基于對比亞迪公司財務指標的分析[J].經營與管理，2022（07）：187-192.

【3】Beaver.W.H. Financial Ratio as Predictors of Failure[J].Journal of Accounting Research，1966，4（3）：77-111.

【4】Nayak. M. K， Abdullah. T. Short-term Predication of Risk Management Integrating Artificial Neural Network （ANN）[J].International Journal of Engineering and Advanced Technology，2020，9（3）：2828.

【5】劉亞歆.基于BP神經網絡的互聯網上市公司財務風險評價研究[D].鎮江：江蘇大學，2019.

【6】Marinakos G， Daskalaki S， Ntrinias T. Defensive Financial Decisions Support for Retailers in Greek Pharmaceutical Industry[J]. Central European Journal of Operations Research，2014，22（3）：525-551.

【7】Escamilla S， Fernández P， Paule V， et al. Effect of the Disclosure of Corporate Social Responsibility on Business Profitability. A Dimensional Analysis in the Spanish Stock Market[J]. Sustainability，2019，11（23）：46-48.

【8】范俊明，劉洪久，胡彥蓉.基于熵權TOPSIS和K均值聚類的企業財務風險評價預警研究[J].上海商學院學報，2020，21（05）：13-27.

【9】曾昭倫.基于聚類算法對上市公司財務風險甄別的研究[D].南昌：江西財經大學，2020.

【10】曾繁榮，劉小淇.引入非財務變量的上市公司財務困境預警[J].財會月刊，2014（08）：25-30.

【11】柴建利，王艷芳，陳立文.上市公司財務風險預測模型的實證研究[J].河北工業大學學報，2003（05）：66-72.

【12】王玉龍，周榴，張滌霏.企業債務違約風險預測——基于機器學習的視角[J].財政科學，2022（06）：62-74.