摘要：在過去的幾十年中，人們一直在深入研究企業(yè)危機預測問題。從傳統(tǒng)的統(tǒng)計模型到智能的機器學習模型，已經(jīng)構建各種預測模型應用于不同數(shù)據(jù)集，尤其是人工智能技術的發(fā)展為該類問題提供了更多方法，因此本文首先以電子商務環(huán)境下的ST公司為研究樣本，構建基于卷積神經(jīng)網(wǎng)絡的財務危機預測模型，對電子商務企業(yè)財務狀態(tài)分類進行實證研究。研究結果表明，相比于傳統(tǒng)類預測方法，基于CNN的分類模型對ST公司的預測準確率明顯高于其他幾種模型，具有較好的預測性能。

關鍵詞：卷積神經(jīng)網(wǎng)絡；財務危機；電子商務；ST公司

引言

風險水平是銀行和投資者進行投資決策的主要關注點，它可以衡量公司經(jīng)營狀況的潛在不確定性并評價日常的經(jīng)營活動。因此，非常需要能夠預測投資者愿意投資的公司破產(chǎn)的可能性。電子商務企業(yè)財務危機是指企業(yè)運營管理失效，致使企業(yè)無法適應經(jīng)營環(huán)境的變化和做出管理策略的改變，出現(xiàn)到期不能清償債務的情況，最終使得企業(yè)生存發(fā)展陷入困境。根據(jù)中國證券市場的規(guī)定，一般將財務報表中連續(xù)兩年出現(xiàn)負盈利的的企業(yè)做出警示，在企業(yè)名稱前添加“ST”標記，從企業(yè)的角度來看對未來經(jīng)營、投融資活動會產(chǎn)生不利的影響，為了避免這種情況需要提前識別財務風險，積極采取措施解決問題。

1、文獻綜述

通過國內(nèi)外財務危機研究的梳理，主要的關注點是預測變量選擇和預測模型構建。徐安（2016）認為應該減少變量的個數(shù)，一是太多變量會導致數(shù)據(jù)不完整。二是如果有很多變量，很難解釋變量與分類結果之間的關系。Tadaaki Hosaka（2018）認為從模型性能角度看減少變量個數(shù)會使得信息丟失，降低預測的準確性。因此結合主成分分析對數(shù)據(jù)預處理提高效率，既可以減少輸入變量個數(shù)，又最大限度保證了數(shù)據(jù)量。危機預測問題關鍵是衡量公司償債能力，初始模型主要是基于統(tǒng)計學，F(xiàn)itzpatrick最早構建單變量模型，Altman引入多變量產(chǎn)生經(jīng)典Z分數(shù)模型，Meyer等（1970）在前者的研究基礎上引入邏輯回歸預測財務危機發(fā)生的概率，包括logistic和probit模型。

雖然這些模型已廣泛應用于學術界和工業(yè)界，但統(tǒng)計模型在提高預測能力方面受到限制，為了克服統(tǒng)計模型的局限性，在機器學習領域積極開發(fā)了使用模式識別方法的研究，如支持向量機（SVM），遺傳算法、神經(jīng)網(wǎng)絡（NN）和Adboost模型之類的機器學習技術方法，研究表明確實比傳統(tǒng)的統(tǒng)計方法有更高的準確率。趙冠華（2009）的研究結論表明，遺傳算法能自動尋優(yōu)到最佳參數(shù)，顯著提高了模型預測的正確率。Bredart（2014）研究神經(jīng)網(wǎng)絡與Logistic的預測效率表明前者有更高的準確性。Flavio Barboza等（2017）使用新的變量，例如以經(jīng)營利潤率、股本回報率、銷售收入、資產(chǎn)、員工數(shù)量相關的增長指標作為預測變量。結果表明與傳統(tǒng)模型相比，機器學習模型平均顯示出超過10%的準確度。將所提出模型與所有預測變量進行比較，與隨機森林相關的機器學習技術貢獻87%的準確度，而邏輯回歸和線性判別分析在測試樣本中分別產(chǎn)生69%和50%的準確率。Marcantonio M等（2014）基于遺傳算法和Gregorio（2016）基于案例推理而建立的財務危機預測模型，已被應用于獲得決策破產(chǎn)規(guī)則。A.Chaudhuri，K.DeFuzzy （2012）應用模糊SVM來解決破產(chǎn)分類問題。這種增強的方法結合了機器學習和模糊集的優(yōu)點，在聚類能力方面優(yōu)于概率神經(jīng)網(wǎng)絡。

最近的研究表明，卷積神經(jīng)網(wǎng)絡正被應用于各種領域的識別問題，某些領域已有的研究顯示出它有比于統(tǒng)計模型具有更高的識別精度和更低的誤差頻率，這為電子商務環(huán)境下的企業(yè)財務危機預測研究開闊了新的思路，提供了新的理論和技術支持。

2、實證研究

2.1 樣本選擇

互聯(lián)網(wǎng)電子商務的發(fā)展是從1999年B2C網(wǎng)站開通，網(wǎng)上在線納稅、教育、購物等應用開始，伴隨互聯(lián)網(wǎng)技術的發(fā)展和移動通信工具的普及應運而生，電子商務利用信息網(wǎng)絡技術，在互聯(lián)網(wǎng)、局部網(wǎng)和增值網(wǎng)上以電子交易方式進行交易行為和相關服務的活動，現(xiàn)如今互聯(lián)網(wǎng)行業(yè)產(chǎn)值已超5000千億，對該領域中的財務危機研究具有重要意義。因此從軟件和信息技術服務業(yè)和電子商務中心2018年公布的500強電商企業(yè)中選取120家公司做為研究樣本。

2.2 數(shù)據(jù)收集與預處理

電子商務ST企業(yè)樣本的財務指標數(shù)據(jù)來源于深圳國泰安數(shù)據(jù)庫、金融數(shù)據(jù)庫以及各類財經(jīng)數(shù)據(jù)網(wǎng)站，按照1：2的比例選取了2016-2019年電子商務行業(yè)中120家首次被ST與財務健康的A股公司。并按照時間將樣本分為訓練組和測試組，訓練樣本由2016-2018年75家財務異常和財務正常公司組成，作為訓練樣本用來訓練模型，其中財務異常的公司有25家，由0，1編碼區(qū)分兩組變量類別，ST公司所屬類別的變量被定義為1，財務健康的企業(yè)被定義為變量0，剩下的2019年45家以1：2對比的財務異常和財務正常公司作為測試樣本用來檢驗模型的精確度。

2.3 財務危機預測指標

財務危機預測領域?qū)τ谪攧罩笜诉x取的研究還沒有統(tǒng)一的標準，但大部分研究集中是從財務指標角度出發(fā)，因此為了使本文研究結果與一般方法具有可比性，財務危機預測領域?qū)τ谪攧罩笜诉x取的研究還沒有統(tǒng)一的標準，但大部分研究集中是從財務指標角度出發(fā)，因此為了使本文研究結果與一般方法具有可比性，初步選取由盈利能力、創(chuàng)新成長能力、營運能力、償債能力組成的12個財務指標，其中盈利能力包括總資產(chǎn)、主營業(yè)務利潤率、凈資產(chǎn)收益率，銷售成長能力包括收入、凈資產(chǎn)增長率和研發(fā)人員占比，營運能力包括應收帳款、總資產(chǎn)、股東權益周轉(zhuǎn)率；償債能力包括流動、速動比率和資產(chǎn)負債率。運用SPSS對數(shù)據(jù)進行主成分分析。結果如表1。

表1是利用SPSS對總體樣本進行描述性統(tǒng)計的結果，其中營收賬款周轉(zhuǎn)率、存貨周轉(zhuǎn)率和產(chǎn)權比率的均值和標準差數(shù)值偏大，沒有通過三倍標準差交叉檢驗，于是在PCA分析中，選取剩余的12個指標作為自變量，確定5個主成分因子并保存為變量，結合旋轉(zhuǎn)成份矩陣將變量命名為盈利能力、償債能力、成長能力、財務杠桿、經(jīng)營能力，做為卷積神經(jīng)網(wǎng)絡的輸入。

2.4 基于卷積神經(jīng)網(wǎng)絡的分類預測

卷積神經(jīng)網(wǎng)絡結構包括2個卷積層、2個池化層和一個完全連接層，主要結構如圖1下。

如圖2所示，它是由PCA確定的5個變量在卷積神經(jīng)網(wǎng)絡上的實驗結果。圖中training acc表示訓練準確率，train loss表示訓練損失函數(shù)，val acc為測試準確率，val loss為測試損失函數(shù)。在實驗中，輸入數(shù)據(jù)的大小為9000×1，樣本個數(shù)為45個。

通過不斷訓練和調(diào)整參數(shù)可知，當epoch為100時，準確率和損失值的震蕩幅度最小。由圖3觀察可知，測試樣本上的損失值普遍要比訓練樣本中小，而準確率普遍要高，其中測試準確率和損失值曲線的波動度要比訓練樣本強烈，這代表訓練樣本的學習率和擬合度比較高。測試準確率曲線中準確率主要在0.7～0.9之間，其中最高值為89.31%，最小值為74.24%，平均準確率大概為85%。損失值函數(shù)曲線是紅色曲線，變動范圍在0.3至0.5之間，平均值為45%。統(tǒng)計結果如表2。

卷積網(wǎng)絡財務危機預測模型的實證研究統(tǒng)計結果如表4所示，在對財務指標的研究中可知，判斷正確率達到91.67%。其中，在對檢測樣本的統(tǒng)計結果中，財務危機公司誤判成健康公司的個數(shù)為4；而將健康公司誤判成財務危機公司的個數(shù)是2。這顯示了卷積神經(jīng)網(wǎng)絡在分類預警中的優(yōu)勢，降低了將危機公司判斷成健康公司的概率。

3、結論

以電子商務環(huán)境下上市公司的財務危機具有持續(xù)性和累積性為出發(fā)點，綜合運用卷積神經(jīng)、財務危機預測理論以及SPSS和Python編程技術，構建了以盈利能力、償債能力、成長能力、財務杠桿、經(jīng)營能力為主的指標體系，提出了基于卷積神經(jīng)網(wǎng)絡的財務危機預測模型，通過對120家樣本公司的實證研究表明該方法在誤差率和識別正確率上顯示了優(yōu)越的性能，研究顯示預測準確率達到91%，相比于統(tǒng)計類預測模型有很大的改善。這對于財務危機預測模型是一個巨大的進步，具有廣闊的應用前景。

參考文獻：

[1] Tadaaki Hosaka.Bankruptcy prediction using imaged financial ratios and convolutional neural networks[J]. Expert Systems with Applications ，2019.117（1）：287-299.

[2] A.Chaudhuri，K.DeFuzzy.support vector machine for bankruptcy prediction[J].Appl.Soft Comput，2012（2）： 2472-2486.

[3] Marcantonio M D，Dellepiane U，Laghi E. Bankruptcy Prediction Using Support Vector Machines and Feature Selection During the Recent Financial Crisis[J]. International Journal of Economics and Finance，2015， 7（8）：182-195.

作者簡介：黃麗霞，研究生，上海工程技術大學會計學專業(yè)。