大數據對財務風險預警的支持性

導語：大數據對財務風險預警的支持性一文來源于網友上傳，不代表本站觀點，若需要原創文章可咨詢客服老師，歡迎參考。

【摘要】本文嘗試分析當前財務風險預警模型的弊端以及大數據技術的優點，建立大數據視角下多維度，全方面、高速度的企業財務預警機制，以及大數據對財務風險預警模型的支持性。

【關鍵詞】大數據；財務風險預警模型；支持性

一、當前財務風險預警模型的弊端

（一）財務風險預警模型主要以財務指標為預測依據。1.財務指標具有滯后反應性，不完全性和主觀性。企業財務預警分析是為了企業了解和適應市場，主要采用定量分析，通常只考慮財務因素。而財務指標往往只是財務發生危機的一種表現形式，甚至還有滯后反應性，不完全性和主觀性?；旧纤衅髽I在制定財務風險預警模型時都帶有主觀性，大部分企業的財務風險預警模型都不完全，財務指標不全面，無法涵蓋所有方面，全面表達企業現狀。并且財務指標本身就具有滯后反應性，這個特性與企業使用分析財務指標的初衷——預警，就是相沖突的。以財務指標為主要預測依據建立的財務風險預警模型在實際應用中很難真正預測到企業的財務風險，有很大的弊端。2.財務數據是真實可靠的假設在現實無法成立。學者們在在研究財務風險預警模型的時候，都有一個假設前提，即研究所用到的數據都是真實可靠的。這是研究的基本假設，如果沒有這一假設，研究就沒有任何意義。但是這一假設在現實應用中極有可能無法滿足，財務舞弊和會計不作為現象非常常見，基于這些得到的財務風險預警報告不僅是失靈的，失去預警作用，可能還會有錯誤的引導，成為造成危機的原因。3.忽視非財務因素的重要性。財務風險預警分析應該從簡單的財務報表數據分析中拓展出來，在企業運營過程中，非財務因素顯得越來越重要，甚至會給企業造成致命的打擊。河北三鹿企業是一個經典案例。2007年，三鹿企業超過百億的年銷售收額，巨額的銷售收入引入外資入股，但是三鹿集團僅在上市三年的時間便轟然倒塌。三聚氰胺是整個事件的直接原因，而最根本的原因是風險管理失控。所以僅對企業報表數據的分析還遠遠不夠，應定量定性結合，重視對非財務指標的分析。（二）非財務指標應用的困難巨大。1.非財務指標依靠試錯方法引入。許多學者建立了結合非財務指標的模型，但這些非財務指標都是通過試錯引入的。即都是在危機發生后，才能確認指標再進一步引入模型中。但是下一次危機類型基本上都不會與上次相同，那么之前建立的財務預警模型就無法預測危機。因此靠試錯方法和舉例方法引入的非財務指標是片面的，不完全的。主要關注指標與危機間的因果關系，而不是指標與危機，指標與指標之間的相關性。這樣很有可能導致指標過少，模型失效的后果。這種方法帶來的弊端影響是巨大的。2.非財務指標難以量化分析。非財務指標并不像財務指標一樣容易量化計算分析，難以用數據衡量，即使有了數據說明也無法建立一個統一的標準來分析。如企業團隊精神，是很難量化并且建立標準的。引入到財務風險管理模型中有很大的困難性。

二、大數據技術及對其對財務風險管理模型的支持性

（一）大數據技術。一般認為具有4V特征的數據可以稱為大數據。大數據狹義概念上的4V是：Volume，Variety，Value，Velocity。Volume是指具有超大規模和超快增長的非結構化數據。Variety是指數據的種類繁多。Value是指數據的價值密度分布低，而商業價值高。Velocity是指數據處理速度快。廣義上來講，學者認為大數據是一種思維范式。大數據具有規模大、種類多、生成速度快、價值巨大但密度低的特點。（二）大數據技術對財務風險模型的支持性。1.海量數據分析成為可能。高質量的財務風險預警需要以海量數據為基礎，在現有預警機制下，數據的維度不足，對非財務指標的利用程度不夠，導致預警質量無法滿足企業需求。海量數據分析需要大量的時間和成本，很大程度制約了財務風險預警模型的使用。大數據技術可以有效改善這一弊端。大數據的對象是總體樣本數據分析，不是抽樣，涵蓋人機互動產生的所有數據。大數據可以高速分析海量數據，對解決當前財務預警模型的滯后反應性和拓寬適用范圍有很大幫助。2.大數據技術得到的數據更加客觀。人機互動產生的數據是大數據的主要來源，用戶們在互聯網世界產生的數據痕跡，并不是有意識留下的數據，這些數據相比于人們去選擇的用于預測指標的數據會更加客觀。從社會學角度來看，獲取數據的無意識性越強，數據就會越客觀，那么分析得出的結論也就越會接近事情的本質。危機的屬性就是讓人出乎意料的，具備更強無意識度的信息會對財務預警分析有更重要的意義。3.大數據關注相關性?，F有的財務風險預警模型關注的目標在因果關系，著手點是造成危機的原因，尤其是試錯引入就是這種思維的運用結果。這種思維的運用最直接的后果就是指標的片面性。隨著研究的進步與深入，財務風險預警模型的研究不能僅僅停留在因果關系這種思維模式上，應該拓寬思路，考慮事物的相關性。大數據分析因為其研究對象的全面性就正好符合這一點。4.拉低人為修改數據的影響。企業產生危機的原因很有可能是會計舞弊和其他人為操控。在現有財務預警模型中，模型的預測指標明確，數據來源公開，數據樣本相比于大數據樣本規模很小。在這樣的情況下，人為更改數據引發企業財務危機的可行性很大，并且成功性非常高。但是在引入大數據技術挖掘分析數據后，就會大大降低這種行為導致的企業財務危機發生的概率。因為大數據的分析對象是互聯網上與企業相關的所有數據，數據規模龐大，同時也就是對企業有價值的，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均衡下，對信息的價值影響非常小，可以避免僅依靠信息提供者而受到蒙蔽的現象。5.處理難以定量的非財務指標信息。在引入非財務指標建立財務風險預警模型時的一個主要困難便是，有些非財務指標只能做到定性分析，無法做到精確的定量分析。我們以網絡輿情信息為例來說明大數據技術在處理這些難題時的優越性。企業員工的網上搜索信息，經常瀏覽的網頁，企業的或者關注的對象，以及各種平臺上的企業相關信息這些留在網絡上的不故意的足跡往往就會反映出一些企業的真實信息，而且這些信息是多樣的，包含了企業方方面面的信息。也正是由于信息規模龐大，并且十分復雜，企業很難對其進行有效分析并且加以利用。但是大數據技術可以快速處理信息，把這些信息通過大數據的處理技術量化后引入到財務風險預警模型當中。大數據技術為我們解決了量化這一難題，在建立財務危機預警模型引入非財務指標的進程中邁出了一大步。

三、案例驗證大數據對財務風險預警模型的支持性

上文介紹了理論上大數據技術對財務風險預警模型的支持性，下面我來對這些理論進行驗證，主要通過前人的實驗及案例研究來證明。（一）宋彪、朱建明和李煦的“情緒”研究。宋彪、朱建明和李煦以網民為企業傳感器，引入大數據指標建立財務風險預警模型，利用網絡爬蟲技術獲取全網網絡數據，提取反映情緒的有效信息進行處理，形成此類型大數據指標。然后對比引入大數據指標前后的財務風險預警模型的準確率，得出來引入大數據指標后的財務風險預警模型有更高的有效性的結論。（二）曹野重慶鋼鐵研究。曹野從海量股吧評論量化得到大數據指標，運用Logistic方法，首先建立單純使用財務指標的財務風險預警模型，然后建立引入大數據指標的財務危機預警模型，以重慶鋼鐵企業為樣本測試兩種模型的預警效果。將29個檢驗樣本帶入模型得到的實際效果如下所示：原始模型的總體的預測準確率為71.75%。具體來看，檢驗樣本包括7個ST樣本和22個非ST樣本，未引入大數據指標的財務危機預警模型判斷出了4個ST樣本和19個非ST樣本，判斷準確率分別為57.14%和86.36%。引入大數據指標的改進模型總體的預測準確率為86.04%。仍然是相同的檢驗樣本，改進模型判斷出6個ST樣本和19個非ST樣本，對ST企業和非ST企業的判斷準確率分別為85.71%和86.36%。對比曹野實驗的兩種模型的檢驗效果，可以得出結論：引入大數據指標后的改進模型相比未引入大數據指標的原始模型，總體預測準確率提高了14.29%。這可以明顯證明大數據對財務危機預警模型的支持性。

參考文獻：

[1]高野.大數據背景下企業財務危機預警改進與應用研究[D].西安外國語大學,2018.

[2]張曉萍.基于數據挖掘的上市公司財務風險預警研究[J].時代經貿,2019(11).

作者:王子瑩 李偉靜 侯婉婷 蘇雅哲 陳薇 譚潤琳 單位:河北金融學院