(杭州電子科技大學(xué) 浙江 杭州 310000)

一、傳統(tǒng)財(cái)務(wù)危機(jī)預(yù)警研究綜述

(一)財(cái)務(wù)指標(biāo)研究

財(cái)務(wù)危機(jī)預(yù)警萌芽于20世紀(jì)30年代。Fitzpatrick(1932)初次采用財(cái)務(wù)比率作為檢驗(yàn)方法，選擇19家經(jīng)營企業(yè)作為樣本，依據(jù)單個(gè)財(cái)務(wù)比率將樣本劃分為破產(chǎn)和非破產(chǎn)兩組，測試結(jié)果表明：凈利潤/凈資產(chǎn)和凈資產(chǎn)/負(fù)債這兩個(gè)比率預(yù)測能力最強(qiáng)。Beaver(1966)以資產(chǎn)規(guī)模和行業(yè)的不同作為選取樣本的依據(jù)，選取了79家失敗企業(yè)和79家正常企業(yè)，記錄了失敗企業(yè)破產(chǎn)前5年的財(cái)務(wù)數(shù)據(jù)。通過對(duì)158家企業(yè)隨機(jī)排序分組、兩分法檢驗(yàn)、對(duì)比分析，最后得出5個(gè)最具代表性的財(cái)務(wù)指標(biāo)：資產(chǎn)收益率、債務(wù)保障率、資產(chǎn)負(fù)債率、營運(yùn)資本資產(chǎn)比率、貼現(xiàn)率，其中，債務(wù)保障率對(duì)破產(chǎn)公司的財(cái)務(wù)狀況預(yù)測能力明顯高出一大截。幾乎同時(shí)，Altman(1968)首次將多變量分析技術(shù)應(yīng)用于財(cái)務(wù)危機(jī)預(yù)警中，構(gòu)建了著名的Z-score模型。

財(cái)務(wù)指標(biāo)的相關(guān)研究在前人努力下趨于成熟，逐漸形成了包括盈利能力、營運(yùn)能力、償債能力、發(fā)展能力和現(xiàn)金流量等五類指標(biāo)的綜合財(cái)務(wù)指標(biāo)預(yù)警體系，獲得了較為理想的預(yù)警效果，也被廣大研究者所接受，但研究成果中的高判別率，卻難以轉(zhuǎn)化為現(xiàn)實(shí)中的高預(yù)測率。

(二)非財(cái)務(wù)指標(biāo)研究

財(cái)務(wù)指標(biāo)體系的現(xiàn)實(shí)預(yù)測效果受限于指標(biāo)本身的滯后性，研究者們開始嘗試將非財(cái)務(wù)因素納入預(yù)警模型。Altman(1983)指出：在整體經(jīng)濟(jì)增長時(shí)期企業(yè)很難出現(xiàn)財(cái)務(wù)危機(jī)，而宏觀經(jīng)濟(jì)衰敗、股市大盤大幅下跌、國家通貨膨脹等會(huì)使很多企業(yè)出現(xiàn)財(cái)務(wù)危機(jī)。很多學(xué)者強(qiáng)調(diào)，破產(chǎn)企業(yè)中，很大一部分并不是財(cái)務(wù)出狀況，而是企業(yè)內(nèi)部管理出現(xiàn)嚴(yán)重問題。

盡管學(xué)者們對(duì)財(cái)務(wù)危機(jī)預(yù)警中指標(biāo)體系進(jìn)行了有效擴(kuò)充，各類研究成果也顯示，企業(yè)自身的管理因素和所處經(jīng)濟(jì)環(huán)境等因素，都會(huì)導(dǎo)致財(cái)務(wù)危機(jī)的爆發(fā)。然而，到底有哪些非財(cái)務(wù)指標(biāo)影響企業(yè)財(cái)務(wù)危機(jī)，當(dāng)前的研究都不夠系統(tǒng)化。有學(xué)者指出，非財(cái)務(wù)指標(biāo)的選取和量化缺乏科學(xué)性，研究人員的素質(zhì)能力和相關(guān)信息的獲取難度直接決定了非財(cái)務(wù)指標(biāo)的選擇和計(jì)量。

(三)財(cái)務(wù)危機(jī)預(yù)警模型研究

傳統(tǒng)財(cái)務(wù)危機(jī)預(yù)警研究往往集中于以下兩方面：預(yù)警指標(biāo)研究和預(yù)警模型研究。后者的研究經(jīng)歷了從統(tǒng)計(jì)模型向非統(tǒng)計(jì)模型發(fā)展的路程

統(tǒng)計(jì)類模型，主要包括單變量判別模型、多變量判別模型、多元概率分析模型。單變量模型主要比較樣本企業(yè)的財(cái)務(wù)指標(biāo)平均值，通過設(shè)立判別點(diǎn)的方法判定樣本是否屬于財(cái)務(wù)危機(jī)企業(yè)。多變量模型則不止選用一個(gè)指標(biāo)，而是綜合考慮企業(yè)的各種能力，選定多個(gè)財(cái)務(wù)指標(biāo)對(duì)樣本進(jìn)行判別，兩者的缺點(diǎn)在于指標(biāo)受到嚴(yán)格的統(tǒng)計(jì)條件約束。多元條件概率模型則擺脫了這一固有缺陷，對(duì)指標(biāo)的選取約束較少，主要運(yùn)用Probit和Logistic模型進(jìn)行判別。

非統(tǒng)計(jì)模型，主要包括人工神經(jīng)網(wǎng)絡(luò)模型、遺傳算法模型、粗糙集模型和支持向量機(jī)模型等。人工神經(jīng)智能網(wǎng)絡(luò)，是最早被應(yīng)用于財(cái)務(wù)危機(jī)預(yù)警領(lǐng)域的非統(tǒng)計(jì)模型，缺點(diǎn)在于缺乏成熟完善的理論框架支撐，難以對(duì)運(yùn)行結(jié)果作出令人信服的分析。遺傳算法模型則是基于模擬生物遺傳進(jìn)化規(guī)律來預(yù)測企業(yè)的財(cái)務(wù)狀況，盡管易于理解，但多年研究過程中，預(yù)測準(zhǔn)確率的效果始終低于其他模型。粗糙集理論發(fā)源于數(shù)學(xué)理論，最大的優(yōu)點(diǎn)是有一個(gè)成熟的理論體系支撐，但對(duì)使用者的職業(yè)判斷能力有較高的要求。支持向量機(jī)模型是近些年來逐漸興起的研究方式，有著自動(dòng)糾錯(cuò)、準(zhǔn)確率高、運(yùn)行速度快等優(yōu)點(diǎn)，但其使用要求研究者有較高的計(jì)算機(jī)專業(yè)技術(shù)，所以很難被推廣。

二、大數(shù)據(jù)背景下的財(cái)務(wù)危機(jī)預(yù)警現(xiàn)狀

鑒于財(cái)務(wù)數(shù)據(jù)的滯后性和非財(cái)務(wù)數(shù)據(jù)片面性，大數(shù)據(jù)信息開始為研究者們所重視。大數(shù)據(jù)技術(shù)對(duì)于財(cái)務(wù)危機(jī)預(yù)警具有重要意義。如何將大數(shù)據(jù)信息轉(zhuǎn)化為研究所需要的量化指標(biāo)，主要方法分為網(wǎng)絡(luò)評(píng)論的爬取和文本情感傾向的分析。超大容量的網(wǎng)絡(luò)輿情數(shù)據(jù)經(jīng)過量化處理后形成的熱度指標(biāo)和情感傾向指標(biāo)對(duì)于財(cái)務(wù)危機(jī)預(yù)警模型的準(zhǔn)確率有很大的提升作用。

網(wǎng)絡(luò)評(píng)論的熱度指標(biāo)，主要指評(píng)論的閱讀數(shù)，考慮到數(shù)值巨大，一般處理取對(duì)數(shù)即可。網(wǎng)絡(luò)評(píng)論的文本情感傾向，則需要運(yùn)用計(jì)算機(jī)自然語言處理技術(shù)(NLP)，對(duì)文本內(nèi)容進(jìn)行分詞處理，通過詞匯、證據(jù)、文檔的三級(jí)方式，將情感傾向分類為積極、中立、消極三等。

將經(jīng)過量化處理后的熱度指標(biāo)和情感傾向指標(biāo)融入預(yù)警模型，可以顯著提升預(yù)測準(zhǔn)確率。

學(xué)者們使用的網(wǎng)絡(luò)數(shù)據(jù)來源廣泛，有上市公司披露的財(cái)務(wù)報(bào)表、權(quán)威媒體的新聞報(bào)道、網(wǎng)絡(luò)自媒體的報(bào)道、投資者發(fā)帖評(píng)論等等。前兩類的信息質(zhì)量高，相關(guān)性強(qiáng)，但較難判斷具體情感傾向，后兩類信息雖然很容易判斷情感傾向，卻有著質(zhì)量低、語言凌亂的缺陷。

總的來說，大數(shù)據(jù)網(wǎng)絡(luò)信息要整體融入財(cái)務(wù)危機(jī)預(yù)警研究，還有很長的一段路要走。