姚衡+王雙成

【摘要】企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)是指由多種因素的相互作用，使企業(yè)不能實(shí)現(xiàn)預(yù)期效益。目前主要采用以線性回歸為基礎(chǔ)的格蘭杰方法發(fā)現(xiàn)企業(yè)運(yùn)行指標(biāo)之間的因果關(guān)系，但使用這種方法所發(fā)現(xiàn)的因果關(guān)系在理論和應(yīng)用兩方面均具有局限性。本文結(jié)合專家知識(shí)和打分—搜索方法進(jìn)行貝葉斯網(wǎng)絡(luò)學(xué)習(xí)，并將貝葉斯網(wǎng)絡(luò)用于企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)因果關(guān)系發(fā)現(xiàn)和分析，可為企業(yè)防范和管理財(cái)務(wù)風(fēng)險(xiǎn)提供決策支持。

【關(guān)鍵詞】企業(yè)財(cái)務(wù)風(fēng)險(xiǎn) 因果關(guān)系 貝葉斯網(wǎng)絡(luò) 馬爾科夫毯

一、引言

貝葉斯網(wǎng)絡(luò)（Bayesian networks）是描述隨機(jī)變量之間依賴關(guān)系的圖模型，由結(jié)構(gòu)（有向無(wú)環(huán)圖，用于定性描述變量之間的依賴和因果關(guān)系）和參數(shù)（條件概率分布表，用于定量描述變量之間的依賴和因果關(guān)系）兩部分構(gòu)成，具有多功能性、有效性和開(kāi)放性等特征?？赊D(zhuǎn)化數(shù)據(jù)為知識(shí)，并利用這些知識(shí)進(jìn)行推理來(lái)解決實(shí)際問(wèn)題，其有效性已在許多領(lǐng)域得到驗(yàn)證。貝葉斯網(wǎng)絡(luò)中弧的方向具有因果語(yǔ)義，因此，貝葉斯網(wǎng)絡(luò)是發(fā)現(xiàn)因果關(guān)系和進(jìn)行因果分析的有力工具，在企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)因果關(guān)系研究方面具有廣闊的應(yīng)用前景。本文依據(jù)領(lǐng)域?qū)＜抑R(shí)進(jìn)行變量排序，結(jié)合MDL（minimal description length）標(biāo)準(zhǔn)和局部搜索方法進(jìn)行貝葉斯網(wǎng)絡(luò)學(xué)習(xí)，并將貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)用于企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)因果關(guān)系發(fā)現(xiàn)和量化影響分析。

二、貝葉斯網(wǎng)絡(luò)

自從Pearl（1988）建立貝葉斯網(wǎng)絡(luò)體系以來(lái)，貝葉斯網(wǎng)絡(luò)已在許多領(lǐng)域得到了廣泛的應(yīng)用。

（一）貝葉斯網(wǎng)絡(luò)概念

Pearl（1988）給出了貝葉斯網(wǎng)絡(luò)的嚴(yán)格定義，但這一定義比較復(fù)雜，很難理解，Jensen（2001）給出的更加形象直觀的貝葉斯網(wǎng)絡(luò)描述性定義。

定義 1 把滿足如下條件的有向無(wú)環(huán)圖稱為貝葉斯網(wǎng)絡(luò)。

（2）每一個(gè)變量都取有限個(gè)離散值。

從貝葉斯網(wǎng)絡(luò)的定義中可以看出，貝葉斯網(wǎng)絡(luò)由兩部分構(gòu)成，分別是貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)（有向無(wú)環(huán)圖）和貝葉斯網(wǎng)絡(luò)參數(shù)（條件概率分布表）?；跀?shù)據(jù)建立貝葉斯網(wǎng)絡(luò)的核心是貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)，現(xiàn)有的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)方法可大致分成兩類，一類是基于打分—搜索的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)，另一類是基于依賴分析的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)，兩者側(cè)重的都是發(fā)現(xiàn)數(shù)據(jù)中所蘊(yùn)含的變量之間最優(yōu)因果結(jié)構(gòu)，以用于因果分析和推理。

（二）貝葉斯網(wǎng)絡(luò)學(xué)習(xí)

局部打分—搜索能夠顯著提高貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)的效率，而可分解定理將為基于MDL標(biāo)準(zhǔn)的局部打分—搜索提供理論依據(jù)。

三、企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)因果關(guān)系分析

企業(yè)的運(yùn)行情況一般是借助指標(biāo)來(lái)描述，這些指標(biāo)之間存在著錯(cuò)綜復(fù)雜的因果聯(lián)系。通過(guò)建立這些指標(biāo)的貝葉斯網(wǎng)絡(luò)，能夠清晰地展現(xiàn)指標(biāo)之間的因果制約關(guān)系，再結(jié)合量化推理計(jì)算可為企業(yè)決策者提供支持。按以下程序建立企業(yè)運(yùn)行指標(biāo)貝葉斯網(wǎng)絡(luò)。

（一）企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)指標(biāo)

選擇13個(gè)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)指標(biāo)，分別是：已獲利息倍數(shù)（EBIT/利息費(fèi)用）本期（X1），每股收益本期（X2），每股經(jīng)營(yíng)現(xiàn)金流量本期（X3），銷售毛利率本期（X4），凈資產(chǎn)收益率本期（X5），總資產(chǎn)凈利率本期（X6），資產(chǎn)負(fù)債率本期（X7），本期存貨周轉(zhuǎn)率（X8），應(yīng)收賬款周轉(zhuǎn)率本期（X9），總資產(chǎn)周轉(zhuǎn)率本期（X10），總資產(chǎn)增長(zhǎng)率（X11），營(yíng)業(yè)總收入增長(zhǎng)率（X12），營(yíng)業(yè)利潤(rùn)增長(zhǎng)率（X13）。根據(jù)所選擇的13個(gè)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)指標(biāo)，從萬(wàn)德數(shù)據(jù)庫(kù)中獲取2014年的上市公司企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)數(shù)據(jù)。

（二）企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)貝葉斯網(wǎng)絡(luò)學(xué)習(xí)

依據(jù)圖（2）中的馬爾科夫毯結(jié)構(gòu)，對(duì)選擇的四個(gè)變量的馬爾科夫毯中變量對(duì)這四個(gè)變量的因果影響情況如表（1）到表（4）所示。

表（1）到表（4）分別給出了變量之間的量化因果影響。對(duì)X12影響最大和最小的變量是X11（不確定性降低8.19%）和X9（不確定性降低1.03%），具體狀態(tài)對(duì)X12影響最大和最小的變量是X11達(dá)到狀態(tài)“高”（不確定性降低45.32%）和X4達(dá)到狀態(tài)“中”（不確定性降低0.42%），相對(duì)于X12最敏感的變量是X11 （標(biāo)準(zhǔn)差是7.36），最不敏感的變量是X9（標(biāo)準(zhǔn)差是0.69）。對(duì)X13影響最大和最小的變量是X6（不確定性降低7.55%）和X10（不確定性降低1.32%），具體狀態(tài)對(duì)X1影響最大和最小的變量是X6達(dá)到狀態(tài)“低”（不確定性降低45.32%）和X1達(dá)到狀態(tài)“高”（不確定性降低0.13%），相對(duì)于X1最敏感的變量是X6（標(biāo)準(zhǔn)差是8.88），最不敏感的變量是X4（標(biāo)準(zhǔn)差是1.55）。對(duì)X1影響最大和最小的變量是X6（不確定性降低23.58%）和X9（不確定性降低0.16%），具體狀態(tài)對(duì)X1影響最大和最小的變量是X6達(dá)到狀態(tài)“低”（不確定性降低45.32%）和X9達(dá)到狀態(tài)“中”（不確定性降低0.09%），相對(duì)于X1最敏感的變量是X6（標(biāo)準(zhǔn)差是26.79），最不敏感的變量是X9（標(biāo)準(zhǔn)差是0.12）。對(duì)X2影響最大和最小的變量是X5（不確定性降低42.39%）和X8（不確定性降低0.29%），具體狀態(tài)對(duì)X2影響最大和最小的變量是X5達(dá)到狀態(tài)“低”（不確定性降低57.65%）和X11達(dá)到狀態(tài)“中”（不確定性降低0.28%），相對(duì)于X2最敏感的變量是X6（標(biāo)準(zhǔn)差是30.42），最不敏感的變量是X8（標(biāo)準(zhǔn)差是0.31）。這些信息將使企業(yè)管理人員進(jìn)一步了解企業(yè)的運(yùn)轉(zhuǎn)情況，并為決策者提供有力的決策支持。

四、結(jié)語(yǔ)

本文在結(jié)合依據(jù)領(lǐng)域?qū)＜抑R(shí)的變量排序、MDL標(biāo)準(zhǔn)和局部搜索的企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)貝葉斯網(wǎng)絡(luò)學(xué)習(xí)的基礎(chǔ)上，通過(guò)不確定性推理對(duì)企業(yè)運(yùn)行指標(biāo)的因果影響進(jìn)行了分析，可為企業(yè)經(jīng)營(yíng)管理人員提供人機(jī)結(jié)合的決策支持，在企業(yè)運(yùn)行指標(biāo)因果關(guān)系發(fā)現(xiàn)和分析方面具有不可替代的優(yōu)勢(shì)。

參考文獻(xiàn)

[1] 王雙成， 冷翠平， 李小琳. 小數(shù)據(jù)集中的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)[J].自動(dòng)化學(xué)報(bào)， 2009 （8）： 1063-1070.

[2] 姚衡，高瑞，王雙成. 基于貝葉斯網(wǎng)絡(luò)分類器的財(cái)務(wù)信息失真識(shí)別研究[J].新會(huì)計(jì)， 2015 （6）： 37-40.注：外文參考文獻(xiàn)（略）。