財務風險指標架構(gòu)設(shè)計與預測淺析
前言：想要寫出一篇引人入勝的文章？我們特意為您整理了財務風險指標架構(gòu)設(shè)計與預測淺析范文，希望能給你帶來靈感和參考，敬請閱讀。
摘要：財務狀況是企業(yè)決策層對未來經(jīng)營活動進行調(diào)整的重要參考依據(jù)，財務風險的指標化和模型化識別是企業(yè)實現(xiàn)從數(shù)據(jù)治理轉(zhuǎn)型為數(shù)字化治理的重要途徑。文章采取了新的視角對企業(yè)財務風險指標進行構(gòu)建，融入了傳統(tǒng)指標的變動情況并且對凈利潤指標進行了改進，使其更符合股東權(quán)益角度的需求，還提出了幾點基于深度學習算法的模型構(gòu)建框架，對企業(yè)未來數(shù)據(jù)模型化治理提出展望。
關(guān)鍵詞：數(shù)據(jù)治理；財務風險預警；指標構(gòu)建體系
企業(yè)的發(fā)展離不開日常經(jīng)營活動，然而有時日常經(jīng)營活動中形成的一系列隱藏的危機對于企業(yè)而言是致命的，因此企業(yè)在日常的經(jīng)營活動中就應當對未來的經(jīng)營中可能出現(xiàn)的不確定性風險做好預警與防范。為了確保企業(yè)持續(xù)穩(wěn)健地發(fā)展，就必須構(gòu)建一套精準的企業(yè)財務狀況管理機制對其進行有效的監(jiān)控，從而確保企業(yè)的財務狀況處于健康的狀態(tài)，避免財務危機。當前，企業(yè)決策層需要找到一套基于指標體系架構(gòu)的風險識別機制，構(gòu)建一套合適的財務風險預測模型以適應現(xiàn)今財務數(shù)據(jù)高數(shù)據(jù)量、高復雜性、高冗余度的特點，滿足企業(yè)對于模型精準性、可操作性、高適應性的要求。
1.研究現(xiàn)狀
企業(yè)業(yè)務不斷發(fā)展，業(yè)務內(nèi)容也逐漸復雜化，關(guān)于企業(yè)財務數(shù)據(jù)指標體系化與風險預測模型化的研究已經(jīng)有了一定突破，并且正在不斷完善與發(fā)展。在指標體系構(gòu)建方面，韋德洪等人針對財務管理能力做出了系統(tǒng)的解釋，指出企業(yè)財務活動包括籌資活動、投資活動與經(jīng)營活動，為財務分析指標的架構(gòu)奠基了著手點；蔡巖松等人指明了財務風險指標中存在的缺陷，考慮到了人為因素、附加因素、核算角度因素等因素的影響，對企業(yè)財務申報與分析的準確性提出了更高的要求；沈曉東等人提出了EVA在財務指標構(gòu)建中的優(yōu)勢，將股東的投資也納入了資本成本，使利潤的核算更為準確嚴謹。在模型構(gòu)建方面，閔劍等指出財務預警機制的3種模型——對定性指標進行模糊統(tǒng)計的統(tǒng)計分析方法、分類回歸等計量方法以及人工智能方法，提出了企業(yè)生命周期視角下的生存分析模型。前兩種模型分析已經(jīng)取得了一定的進展，比如官銀等人針對制造業(yè)企業(yè)提出的基于貝葉斯判別法的財務預警計量分析，練舒瑜提到的基于費希爾判別法的財務預警分析，前者的模型準確性高達90%，而后者具有較高模型準確度的同時還具有操作簡單的特點?；谌斯ぶ悄芊椒ǖ哪Ｐ?a href="http://articshipping.com/lunwen/cwzblw/187102.html" target="_blank">設(shè)計也已發(fā)展得較為完善，隨著企業(yè)面對的財務風險日益復雜化，對模型的適用性、準確性、可操作性等方面也有了更高的要求。為此，人工智能技術(shù)的不斷發(fā)展，企業(yè)財務預警模型也應融入新的技術(shù)不斷進行自我完善。
2.企業(yè)財務風險指標化模型架構(gòu)
2.1財務風險指標的選取
企業(yè)財務風險是指企業(yè)在日常的財務活動中面臨的一切風險，這里所指的財務活動包括企業(yè)在生產(chǎn)過程中資金的籌集、運轉(zhuǎn)、分配等一系列周轉(zhuǎn)活動。企業(yè)的財務狀況關(guān)乎企業(yè)能否進行正常的生產(chǎn)經(jīng)營活動，主要從企業(yè)經(jīng)營活動中的環(huán)節(jié)分析企業(yè)的財務風險，基于多維度、多角度的指標體系進行架構(gòu)。此處，對于財務風險項的指標選取主要從經(jīng)營活動中所體現(xiàn)的財務風險——償債能力、盈利能力、營運能力以及對未來企業(yè)財務狀況的預測——發(fā)展能力著手，其中，償債能力是指企業(yè)清償債務的能力，能夠有效地反映出企業(yè)的財務狀況與經(jīng)營能力，為企業(yè)防范財務風險提供切合的出發(fā)點。盈利能力是指企業(yè)資金增值的能力，是企業(yè)經(jīng)營能力最為直觀的體現(xiàn)，可以有效地幫助決策層識別經(jīng)營活動中存在的風險，營運能力一般用資產(chǎn)及資金的周轉(zhuǎn)效率來衡量，可以清楚地反映出企業(yè)的經(jīng)營水平，識別出財務風險。將3種能力統(tǒng)籌成為“三位一體”的指標體系并加入指標的同比與環(huán)比變動指標，可以精準地反映出企業(yè)的經(jīng)營狀況，同時，將上述指標的同比變動與環(huán)比變動也考慮進來，以反映出企業(yè)經(jīng)營狀況的變動情況。本文的指標體系架構(gòu)對“利潤”這一指標做了更為貼切的轉(zhuǎn)換。事實上，此處更為貼切的指標構(gòu)建方法是采用EVA（EconomicValueAdded）指標，即采用經(jīng)濟增加值作 為盈利能力分析的基礎(chǔ)，企業(yè)決策層將權(quán)益資本成本考慮進來，使企業(yè)利潤分析更為準確可靠且具有前瞻性（最終的指標構(gòu)建體系如表1所示）。
2.2財務風險預測機制
在具體的財務風險預測模型中，測試數(shù)據(jù)集即某企業(yè)基于上述財務風險指標的現(xiàn)時真實數(shù)據(jù)，訓練數(shù)據(jù)集可以選擇與需要進行財務風險預測的企業(yè)同類且經(jīng)營狀況相近企業(yè)的歷史數(shù)據(jù)。訓練數(shù)據(jù)集經(jīng)過主成分分析（PrincipleComponentAnalysis，PCA）后，在盡量不損失信息量且不影響預測模型性能的情況下對數(shù)據(jù)進行降維處理，不斷對模型進行訓練處理并根據(jù)輸出結(jié)果不斷循環(huán)優(yōu)化后得到最終模型，即可對目標企業(yè)進行財務風險預測。在模型選擇方面，幾類常用的深度學習算法均可以用于構(gòu)建預測模型，如卷積神經(jīng)網(wǎng)絡（ConvolutionalNeuralNetworks,CNN）、BP神經(jīng)網(wǎng)絡（BackPropagationNeuralNetworks）、支持向量機（SupportVectorMachine,SVM）等。深度學習算法的類別多種多樣，預測的機制也不同，做企業(yè)需求分析時應當結(jié)合具體情況選擇出適當?shù)乃惴?gòu)建預測模型。在上述提到的幾種模型中，3類深度學習算法都已經(jīng)獲得了比較深入的研究。輸出層作為一種分類器，在根據(jù)相似企業(yè)的歷史財務數(shù)據(jù)訓練后的模型中，可以對企業(yè)的經(jīng)營狀況與風險級別進行分類處理。比如，判斷企業(yè)處于何種風險級別，將處在不同經(jīng)營狀況的企業(yè)分為正常、關(guān)注、預警3類，進而判斷企業(yè)是否需要被ST?！罢！逼髽I(yè)從過去幾年的財務數(shù)據(jù)中表現(xiàn)出較為良好的經(jīng)營狀況，從而不需要被ST；“危機”企業(yè)近期已經(jīng)表現(xiàn)出持續(xù)性的虧損，雖然虧損不滿3年，但仍然存在被ST的風險，需要引起企業(yè)決策層的注意；“預警”企業(yè)在過去3年內(nèi)持續(xù)保持虧損狀態(tài)，已經(jīng)表現(xiàn)出重大的經(jīng)營風險危機，需要被ST。在模型選取方面，由于企業(yè)類型、市場狀況等都存在差別，加之隨著人工智能技術(shù)的不斷發(fā)展，深度學習算法自身也在不斷優(yōu)化，企業(yè)決策層可以選取適合的算法對數(shù)據(jù)集進行訓練，從而準確預測其未來的潛在財務風險。比如，空洞卷積、可變形卷積、反卷積均是對卷積神經(jīng)網(wǎng)絡預測模型的改進，相關(guān)的研究也正在進行中。未來，隨著企業(yè)指標體系的不斷開發(fā)完善以及模型算法的不斷自我更新，指標化財務風險預測將發(fā)揮更大的作用，使企業(yè)對財務風險的識別與把控愈加精準和及時。
3.結(jié)語
企業(yè)數(shù)據(jù)治理指標化、財務風險預測模型化是未來企業(yè)數(shù)字化轉(zhuǎn)型的大方向，本文構(gòu)建的指標體系融入了全新的角度，在模型構(gòu)建中選取了發(fā)展態(tài)勢最大的人工智能領(lǐng)域，根據(jù)企業(yè)具體需求可以選擇準確合適的預測模型，幫助企業(yè)精準識別財務風險，必要時根據(jù)需要盡力規(guī)避財務風險，使統(tǒng)籌化治理融入數(shù)字化浪潮，推動企業(yè)數(shù)字化轉(zhuǎn)型加速發(fā)展。
作者:劉一澎 郭樹行 單位:中央財經(jīng)大學
