大數(shù)據(jù)對(duì)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警的支持性

導(dǎo)語：大數(shù)據(jù)對(duì)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警的支持性一文來源于網(wǎng)友上傳，不代表本站觀點(diǎn)，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

【摘要】本文嘗試分析當(dāng)前財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的弊端以及大數(shù)據(jù)技術(shù)的優(yōu)點(diǎn)，建立大數(shù)據(jù)視角下多維度，全方面、高速度的企業(yè)財(cái)務(wù)預(yù)警機(jī)制，以及大數(shù)據(jù)對(duì)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的支持性。

【關(guān)鍵詞】大數(shù)據(jù)；財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型；支持性

一、當(dāng)前財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的弊端

（一）財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型主要以財(cái)務(wù)指標(biāo)為預(yù)測(cè)依據(jù)。1.財(cái)務(wù)指標(biāo)具有滯后反應(yīng)性，不完全性和主觀性。企業(yè)財(cái)務(wù)預(yù)警分析是為了企業(yè)了解和適應(yīng)市場(chǎng)，主要采用定量分析，通常只考慮財(cái)務(wù)因素。而財(cái)務(wù)指標(biāo)往往只是財(cái)務(wù)發(fā)生危機(jī)的一種表現(xiàn)形式，甚至還有滯后反應(yīng)性，不完全性和主觀性。基本上所有企業(yè)在制定財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型時(shí)都帶有主觀性，大部分企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型都不完全，財(cái)務(wù)指標(biāo)不全面，無法涵蓋所有方面，全面表達(dá)企業(yè)現(xiàn)狀。并且財(cái)務(wù)指標(biāo)本身就具有滯后反應(yīng)性，這個(gè)特性與企業(yè)使用分析財(cái)務(wù)指標(biāo)的初衷——預(yù)警，就是相沖突的。以財(cái)務(wù)指標(biāo)為主要預(yù)測(cè)依據(jù)建立的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型在實(shí)際應(yīng)用中很難真正預(yù)測(cè)到企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)，有很大的弊端。2.財(cái)務(wù)數(shù)據(jù)是真實(shí)可靠的假設(shè)在現(xiàn)實(shí)無法成立。學(xué)者們?cè)谠谘芯控?cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的時(shí)候，都有一個(gè)假設(shè)前提，即研究所用到的數(shù)據(jù)都是真實(shí)可靠的。這是研究的基本假設(shè)，如果沒有這一假設(shè)，研究就沒有任何意義。但是這一假設(shè)在現(xiàn)實(shí)應(yīng)用中極有可能無法滿足，財(cái)務(wù)舞弊和會(huì)計(jì)不作為現(xiàn)象非常常見，基于這些得到的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警報(bào)告不僅是失靈的，失去預(yù)警作用，可能還會(huì)有錯(cuò)誤的引導(dǎo)，成為造成危機(jī)的原因。3.忽視非財(cái)務(wù)因素的重要性。財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警分析應(yīng)該從簡(jiǎn)單的財(cái)務(wù)報(bào)表數(shù)據(jù)分析中拓展出來，在企業(yè)運(yùn)營(yíng)過程中，非財(cái)務(wù)因素顯得越來越重要，甚至?xí)o企業(yè)造成致命的打擊。河北三鹿企業(yè)是一個(gè)經(jīng)典案例。2007年，三鹿企業(yè)超過百億的年銷售收額，巨額的銷售收入引入外資入股，但是三鹿集團(tuán)僅在上市三年的時(shí)間便轟然倒塌。三聚氰胺是整個(gè)事件的直接原因，而最根本的原因是風(fēng)險(xiǎn)管理失控。所以僅對(duì)企業(yè)報(bào)表數(shù)據(jù)的分析還遠(yuǎn)遠(yuǎn)不夠，應(yīng)定量定性結(jié)合，重視對(duì)非財(cái)務(wù)指標(biāo)的分析。（二）非財(cái)務(wù)指標(biāo)應(yīng)用的困難巨大。1.非財(cái)務(wù)指標(biāo)依靠試錯(cuò)方法引入。許多學(xué)者建立了結(jié)合非財(cái)務(wù)指標(biāo)的模型，但這些非財(cái)務(wù)指標(biāo)都是通過試錯(cuò)引入的。即都是在危機(jī)發(fā)生后，才能確認(rèn)指標(biāo)再進(jìn)一步引入模型中。但是下一次危機(jī)類型基本上都不會(huì)與上次相同，那么之前建立的財(cái)務(wù)預(yù)警模型就無法預(yù)測(cè)危機(jī)。因此靠試錯(cuò)方法和舉例方法引入的非財(cái)務(wù)指標(biāo)是片面的，不完全的。主要關(guān)注指標(biāo)與危機(jī)間的因果關(guān)系，而不是指標(biāo)與危機(jī)，指標(biāo)與指標(biāo)之間的相關(guān)性。這樣很有可能導(dǎo)致指標(biāo)過少，模型失效的后果。這種方法帶來的弊端影響是巨大的。2.非財(cái)務(wù)指標(biāo)難以量化分析。非財(cái)務(wù)指標(biāo)并不像財(cái)務(wù)指標(biāo)一樣容易量化計(jì)算分析，難以用數(shù)據(jù)衡量，即使有了數(shù)據(jù)說明也無法建立一個(gè)統(tǒng)一的標(biāo)準(zhǔn)來分析。如企業(yè)團(tuán)隊(duì)精神，是很難量化并且建立標(biāo)準(zhǔn)的。引入到財(cái)務(wù)風(fēng)險(xiǎn)管理模型中有很大的困難性。

二、大數(shù)據(jù)技術(shù)及對(duì)其對(duì)財(cái)務(wù)風(fēng)險(xiǎn)管理模型的支持性

（一）大數(shù)據(jù)技術(shù)。一般認(rèn)為具有4V特征的數(shù)據(jù)可以稱為大數(shù)據(jù)。大數(shù)據(jù)狹義概念上的4V是：Volume，Variety，Value，Velocity。Volume是指具有超大規(guī)模和超快增長(zhǎng)的非結(jié)構(gòu)化數(shù)據(jù)。Variety是指數(shù)據(jù)的種類繁多。Value是指數(shù)據(jù)的價(jià)值密度分布低，而商業(yè)價(jià)值高。Velocity是指數(shù)據(jù)處理速度快。廣義上來講，學(xué)者認(rèn)為大數(shù)據(jù)是一種思維范式。大數(shù)據(jù)具有規(guī)模大、種類多、生成速度快、價(jià)值巨大但密度低的特點(diǎn)。（二）大數(shù)據(jù)技術(shù)對(duì)財(cái)務(wù)風(fēng)險(xiǎn)模型的支持性。1.海量數(shù)據(jù)分析成為可能。高質(zhì)量的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警需要以海量數(shù)據(jù)為基礎(chǔ)，在現(xiàn)有預(yù)警機(jī)制下，數(shù)據(jù)的維度不足，對(duì)非財(cái)務(wù)指標(biāo)的利用程度不夠，導(dǎo)致預(yù)警質(zhì)量無法滿足企業(yè)需求。海量數(shù)據(jù)分析需要大量的時(shí)間和成本，很大程度制約了財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的使用。大數(shù)據(jù)技術(shù)可以有效改善這一弊端。大數(shù)據(jù)的對(duì)象是總體樣本數(shù)據(jù)分析，不是抽樣，涵蓋人機(jī)互動(dòng)產(chǎn)生的所有數(shù)據(jù)。大數(shù)據(jù)可以高速分析海量數(shù)據(jù)，對(duì)解決當(dāng)前財(cái)務(wù)預(yù)警模型的滯后反應(yīng)性和拓寬適用范圍有很大幫助。2.大數(shù)據(jù)技術(shù)得到的數(shù)據(jù)更加客觀。人機(jī)互動(dòng)產(chǎn)生的數(shù)據(jù)是大數(shù)據(jù)的主要來源，用戶們?cè)诨ヂ?lián)網(wǎng)世界產(chǎn)生的數(shù)據(jù)痕跡，并不是有意識(shí)留下的數(shù)據(jù)，這些數(shù)據(jù)相比于人們?nèi)ミx擇的用于預(yù)測(cè)指標(biāo)的數(shù)據(jù)會(huì)更加客觀。從社會(huì)學(xué)角度來看，獲取數(shù)據(jù)的無意識(shí)性越強(qiáng)，數(shù)據(jù)就會(huì)越客觀，那么分析得出的結(jié)論也就越會(huì)接近事情的本質(zhì)。危機(jī)的屬性就是讓人出乎意料的，具備更強(qiáng)無意識(shí)度的信息會(huì)對(duì)財(cái)務(wù)預(yù)警分析有更重要的意義。3.大數(shù)據(jù)關(guān)注相關(guān)性?，F(xiàn)有的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型關(guān)注的目標(biāo)在因果關(guān)系，著手點(diǎn)是造成危機(jī)的原因，尤其是試錯(cuò)引入就是這種思維的運(yùn)用結(jié)果。這種思維的運(yùn)用最直接的后果就是指標(biāo)的片面性。隨著研究的進(jìn)步與深入，財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的研究不能僅僅停留在因果關(guān)系這種思維模式上，應(yīng)該拓寬思路，考慮事物的相關(guān)性。大數(shù)據(jù)分析因?yàn)槠溲芯繉?duì)象的全面性就正好符合這一點(diǎn)。4.拉低人為修改數(shù)據(jù)的影響。企業(yè)產(chǎn)生危機(jī)的原因很有可能是會(huì)計(jì)舞弊和其他人為操控。在現(xiàn)有財(cái)務(wù)預(yù)警模型中，模型的預(yù)測(cè)指標(biāo)明確，數(shù)據(jù)來源公開，數(shù)據(jù)樣本相比于大數(shù)據(jù)樣本規(guī)模很小。在這樣的情況下，人為更改數(shù)據(jù)引發(fā)企業(yè)財(cái)務(wù)危機(jī)的可行性很大，并且成功性非常高。但是在引入大數(shù)據(jù)技術(shù)挖掘分析數(shù)據(jù)后，就會(huì)大大降低這種行為導(dǎo)致的企業(yè)財(cái)務(wù)危機(jī)發(fā)生的概率。因?yàn)榇髷?shù)據(jù)的分析對(duì)象是互聯(lián)網(wǎng)上與企業(yè)相關(guān)的所有數(shù)據(jù)，數(shù)據(jù)規(guī)模龐大，同時(shí)也就是對(duì)企業(yè)有價(jià)值的，模型中真正需要的信息密度非常小。這種特征使人為修改在總數(shù)均衡下，對(duì)信息的價(jià)值影響非常小，可以避免僅依靠信息提供者而受到蒙蔽的現(xiàn)象。5.處理難以定量的非財(cái)務(wù)指標(biāo)信息。在引入非財(cái)務(wù)指標(biāo)建立財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型時(shí)的一個(gè)主要困難便是，有些非財(cái)務(wù)指標(biāo)只能做到定性分析，無法做到精確的定量分析。我們以網(wǎng)絡(luò)輿情信息為例來說明大數(shù)據(jù)技術(shù)在處理這些難題時(shí)的優(yōu)越性。企業(yè)員工的網(wǎng)上搜索信息，經(jīng)常瀏覽的網(wǎng)頁，企業(yè)的或者關(guān)注的對(duì)象，以及各種平臺(tái)上的企業(yè)相關(guān)信息這些留在網(wǎng)絡(luò)上的不故意的足跡往往就會(huì)反映出一些企業(yè)的真實(shí)信息，而且這些信息是多樣的，包含了企業(yè)方方面面的信息。也正是由于信息規(guī)模龐大，并且十分復(fù)雜，企業(yè)很難對(duì)其進(jìn)行有效分析并且加以利用。但是大數(shù)據(jù)技術(shù)可以快速處理信息，把這些信息通過大數(shù)據(jù)的處理技術(shù)量化后引入到財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型當(dāng)中。大數(shù)據(jù)技術(shù)為我們解決了量化這一難題，在建立財(cái)務(wù)危機(jī)預(yù)警模型引入非財(cái)務(wù)指標(biāo)的進(jìn)程中邁出了一大步。

三、案例驗(yàn)證大數(shù)據(jù)對(duì)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的支持性

上文介紹了理論上大數(shù)據(jù)技術(shù)對(duì)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的支持性，下面我來對(duì)這些理論進(jìn)行驗(yàn)證，主要通過前人的實(shí)驗(yàn)及案例研究來證明。（一）宋彪、朱建明和李煦的“情緒”研究。宋彪、朱建明和李煦以網(wǎng)民為企業(yè)傳感器，引入大數(shù)據(jù)指標(biāo)建立財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型，利用網(wǎng)絡(luò)爬蟲技術(shù)獲取全網(wǎng)網(wǎng)絡(luò)數(shù)據(jù)，提取反映情緒的有效信息進(jìn)行處理，形成此類型大數(shù)據(jù)指標(biāo)。然后對(duì)比引入大數(shù)據(jù)指標(biāo)前后的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的準(zhǔn)確率，得出來引入大數(shù)據(jù)指標(biāo)后的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型有更高的有效性的結(jié)論。（二）曹野重慶鋼鐵研究。曹野從海量股吧評(píng)論量化得到大數(shù)據(jù)指標(biāo)，運(yùn)用Logistic方法，首先建立單純使用財(cái)務(wù)指標(biāo)的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型，然后建立引入大數(shù)據(jù)指標(biāo)的財(cái)務(wù)危機(jī)預(yù)警模型，以重慶鋼鐵企業(yè)為樣本測(cè)試兩種模型的預(yù)警效果。將29個(gè)檢驗(yàn)樣本帶入模型得到的實(shí)際效果如下所示：原始模型的總體的預(yù)測(cè)準(zhǔn)確率為71.75%。具體來看，檢驗(yàn)樣本包括7個(gè)ST樣本和22個(gè)非ST樣本，未引入大數(shù)據(jù)指標(biāo)的財(cái)務(wù)危機(jī)預(yù)警模型判斷出了4個(gè)ST樣本和19個(gè)非ST樣本，判斷準(zhǔn)確率分別為57.14%和86.36%。引入大數(shù)據(jù)指標(biāo)的改進(jìn)模型總體的預(yù)測(cè)準(zhǔn)確率為86.04%。仍然是相同的檢驗(yàn)樣本，改進(jìn)模型判斷出6個(gè)ST樣本和19個(gè)非ST樣本，對(duì)ST企業(yè)和非ST企業(yè)的判斷準(zhǔn)確率分別為85.71%和86.36%。對(duì)比曹野實(shí)驗(yàn)的兩種模型的檢驗(yàn)效果，可以得出結(jié)論：引入大數(shù)據(jù)指標(biāo)后的改進(jìn)模型相比未引入大數(shù)據(jù)指標(biāo)的原始模型，總體預(yù)測(cè)準(zhǔn)確率提高了14.29%。這可以明顯證明大數(shù)據(jù)對(duì)財(cái)務(wù)危機(jī)預(yù)警模型的支持性。

參考文獻(xiàn)：

[1]高野.大數(shù)據(jù)背景下企業(yè)財(cái)務(wù)危機(jī)預(yù)警改進(jìn)與應(yīng)用研究[D].西安外國(guó)語大學(xué),2018.

[2]張曉萍.基于數(shù)據(jù)挖掘的上市公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警研究[J].時(shí)代經(jīng)貿(mào),2019(11).

作者:王子瑩 李偉靜 侯婉婷 蘇雅哲 陳薇 譚潤(rùn)琳 單位:河北金融學(xué)院