前言：大數(shù)據(jù)與人工智能等新一代信息技術(shù)為數(shù)據(jù)獲取、數(shù)據(jù)關(guān)聯(lián)、數(shù)據(jù)計(jì)量與分析、數(shù)據(jù)融合提供了便利，也將傳統(tǒng)的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警方法進(jìn)行了擴(kuò)展和補(bǔ)充。因此該公眾號(hào)推出大數(shù)據(jù)與人工智能環(huán)境下的智能全面風(fēng)險(xiǎn)預(yù)警方法一系列推文，介紹前沿性的預(yù)警方法、應(yīng)用情景和案例分享，以期企業(yè)可以有選擇性的進(jìn)行科學(xué)度量經(jīng)營(yíng)風(fēng)險(xiǎn)。
“大數(shù)據(jù)與人工智能環(huán)境下的智能財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警方法”系列推文一：
財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警是通過(guò)對(duì)公司財(cái)務(wù)報(bào)表及相關(guān)經(jīng)營(yíng)資料的分析，利用及時(shí)的財(cái)務(wù)數(shù)據(jù)和相應(yīng)的數(shù)據(jù)化管理方式，將公司所面臨的危險(xiǎn)情況預(yù)先告知公司經(jīng)營(yíng)者和其他利益相關(guān)者，并分析公司發(fā)生財(cái)務(wù)危機(jī)的原因和財(cái)務(wù)運(yùn)營(yíng)體系隱藏的問(wèn)題，以提早做好防范措施的財(cái)務(wù)管理活動(dòng)。在財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警分析中，常用的基本方法有定性分析法與定量分析法。
一、定性預(yù)警法
定性分析法是依靠人們的主觀分析判斷進(jìn)行財(cái)務(wù)預(yù)警分析的方法，主要有標(biāo)準(zhǔn)化調(diào)查法、“四階段癥狀”分析法、流程圖分析法、管理評(píng)分法等。
1.標(biāo)準(zhǔn)化調(diào)查法。又稱風(fēng)險(xiǎn)分析調(diào)查法，即通過(guò)專業(yè)人員、調(diào)查公司、協(xié)會(huì)等，對(duì)公司可能遇到的問(wèn)題進(jìn)行詳細(xì)的調(diào)查與分析，并形成報(bào)告文件供公司管理者參考的方法。
該方法的優(yōu)點(diǎn)是在調(diào)查過(guò)程中所提出的問(wèn)題對(duì)所有公司或組織都有意義，普遍適用;它的缺點(diǎn)是無(wú)法針對(duì)特定公司的特定問(wèn)題進(jìn)行調(diào)查分析。另外，調(diào)查時(shí)沒(méi)有對(duì)要求回答的每個(gè)問(wèn)題進(jìn)行解釋，也沒(méi)有引導(dǎo)使用者對(duì)所問(wèn)問(wèn)題之外的相關(guān)信息做出正確判斷。
2.“四階段癥狀”分析法。公司財(cái)務(wù)運(yùn)營(yíng)情況不佳，甚至出現(xiàn)財(cái)務(wù)危機(jī)是有特定癥狀的，而且是逐漸加劇的，財(cái)務(wù)運(yùn)營(yíng)病癥大體可以分為四個(gè)階段，即財(cái)務(wù)危機(jī)潛伏期、發(fā)作期、惡化期、實(shí)現(xiàn)期，每個(gè)階段都有反映危機(jī)輕重程度的典型癥狀。財(cái)務(wù)危機(jī)潛伏期：盲目擴(kuò)張；無(wú)效市場(chǎng)營(yíng)銷，銷售額上升，利潤(rùn)下降；企業(yè)資產(chǎn)流動(dòng)性差，資源分配不當(dāng)；資本結(jié)構(gòu)不合理，疏于風(fēng)險(xiǎn)管理；財(cái)務(wù)經(jīng)營(yíng)信譽(yù)持續(xù)降低，缺乏有效的管理制度；無(wú)視環(huán)境的重大變化。財(cái)務(wù)危機(jī)發(fā)作期:自有資本不足；過(guò)分依賴外部資金，利息負(fù)擔(dān)重；缺乏會(huì)計(jì)的預(yù)警作用；債務(wù)拖延償付。 財(cái)務(wù)危機(jī)惡化期:經(jīng)營(yíng)者無(wú)心經(jīng)營(yíng)業(yè)務(wù)，專心于財(cái)務(wù)周轉(zhuǎn);資金周轉(zhuǎn)困難;債務(wù)到期違約不支付。財(cái)務(wù)危機(jī)實(shí)現(xiàn)期:負(fù)債超過(guò)資產(chǎn)，喪失償付能力;宣布倒閉。根據(jù)上述癥狀進(jìn)行綜合分析，公司如有相應(yīng)癥狀出現(xiàn)，一定要盡快弄清病因，判定公司財(cái)務(wù)危機(jī)的程度，對(duì)癥下藥，防止危機(jī)的進(jìn)一步發(fā)展，使公司盡快擺脫財(cái)務(wù)困境，以恢復(fù)財(cái)務(wù)的正常運(yùn)作。這種方法簡(jiǎn)單明了，但實(shí)際中很難將這四個(gè)階段作截然的劃分，特別是財(cái)務(wù)危機(jī)的表現(xiàn)癥狀，它們可能在各個(gè)階段都有相似或互有關(guān)聯(lián)的表現(xiàn)。
3.流程圖分析法。流程圖分析是一種動(dòng)態(tài)分析方法，對(duì)識(shí)別公司生產(chǎn)經(jīng)營(yíng)和財(cái)務(wù)活動(dòng)的關(guān)鍵點(diǎn)特別有用，運(yùn)用這種分析方法可以暴露公司潛在的風(fēng)險(xiǎn)。在公司生產(chǎn)經(jīng)營(yíng)流程中，必然存在著一些關(guān)鍵點(diǎn)，如果在關(guān)鍵點(diǎn)上出現(xiàn)堵塞和發(fā)生損失，將會(huì)導(dǎo)致公司全部經(jīng)營(yíng)活動(dòng)終止或資金運(yùn)轉(zhuǎn)終止。在畫(huà)出的流程圖中，每個(gè)公司都可以找出一些關(guān)鍵點(diǎn)，對(duì)公司潛在風(fēng)險(xiǎn)進(jìn)行判斷和分析，發(fā)現(xiàn)問(wèn)題及時(shí)預(yù)警，在關(guān)鍵點(diǎn)處采取防范的措施，才可能有效降低風(fēng)險(xiǎn)。
4.管理評(píng)分法。美國(guó)的仁翰 阿吉蒂調(diào)查了企業(yè)的管理特性及可能導(dǎo)致破產(chǎn)的公司缺陷企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)，按照幾種缺陷、錯(cuò)誤和征兆進(jìn)行對(duì)比打分，還根據(jù)這幾項(xiàng)對(duì)破產(chǎn)過(guò)程產(chǎn)生影響的大小程度對(duì)它們作了加權(quán)處理。用管理評(píng)分法對(duì)公司經(jīng)營(yíng)管理進(jìn)行評(píng)估時(shí)，每一項(xiàng)得分要么是零分，要么是滿分，不容許給中間分。所給的分?jǐn)?shù)就表明了管理不善的程度，總分是100分，參照管理評(píng)分法中設(shè)置的各項(xiàng)目進(jìn)行打分，分?jǐn)?shù)越高，則公司的處境越差。在理想的公司中，這些分?jǐn)?shù)應(yīng)當(dāng)為零；如果評(píng)價(jià)的分?jǐn)?shù)總計(jì)超過(guò)25分，就表明公司正面臨失敗的危險(xiǎn)；如果評(píng)價(jià)的分?jǐn)?shù)總計(jì)超過(guò)35分，公司就處于嚴(yán)重的危機(jī)之中；公司的安全得分一般小于18分。這種管理評(píng)分法試圖把定性分析判斷定量化，這一過(guò)程需要進(jìn)行認(rèn)真的分析，深入公司及車間，細(xì)致的對(duì)公司高層管理人員進(jìn)行調(diào)查，全面了解公司管理的各個(gè)方面，才能對(duì)公司的管理進(jìn)行客觀的評(píng)價(jià)。這種方法簡(jiǎn)單易懂，行之有效，但其效果還取決于評(píng)分者是否對(duì)被評(píng)分公司及其管理者有直接、相當(dāng)?shù)牧私狻?/p>
二、定量分析法
定量分析法是根據(jù)過(guò)去比較完備的統(tǒng)計(jì)資料，應(yīng)用一定的數(shù)學(xué)模型或數(shù)理統(tǒng)計(jì)方法對(duì)各種數(shù)據(jù)資料進(jìn)行科學(xué)的加工處理，風(fēng)險(xiǎn)預(yù)警定量研究主要有單變量預(yù)警模型、多變量預(yù)警模型、以及智能財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警等方法。
1. 單變量模型：?jiǎn)巫兞磕Ｐ途哂泻?jiǎn)單明了、一定程度的準(zhǔn)確率、便于理解和使用的特點(diǎn)使其從提出后便吸引了眾多的學(xué)者采用單變量模型進(jìn)行風(fēng)險(xiǎn)預(yù)警。單變量模型，顧名思義，是以某一項(xiàng)單一的財(cái)務(wù)指標(biāo)作為判別標(biāo)準(zhǔn)來(lái)判斷企業(yè)是否處于破產(chǎn)狀態(tài)的預(yù)測(cè)模型。
隨著單變量模型在企業(yè)風(fēng)險(xiǎn)預(yù)警研究中的廣泛運(yùn)用，發(fā)現(xiàn)存在下面的局限性：一是風(fēng)險(xiǎn)預(yù)警指標(biāo)的單一性，僅用一個(gè)財(cái)務(wù)指標(biāo)不能充分完全反映企業(yè)的情況，不能有效地預(yù)測(cè)企業(yè)的風(fēng)險(xiǎn)；二是多元指標(biāo)重復(fù)單一預(yù)警忽視指標(biāo)之間的相關(guān)性造成風(fēng)險(xiǎn)預(yù)警的實(shí)證結(jié)果不穩(wěn)定，即使用多個(gè)指標(biāo)進(jìn)行分別判斷企業(yè)的風(fēng)險(xiǎn)，若這些指標(biāo)存在緊密的聯(lián)系，可能會(huì)產(chǎn)生矛盾，不同的分析者可能會(huì)得到不同的結(jié)論，以致無(wú)法做出正確的判斷。
2. 多變量預(yù)警模型：多變量風(fēng)險(xiǎn)預(yù)警模型包括多元線性判別模型、fisher判別模型、主成分分析模型等方法。多變量預(yù)警風(fēng)險(xiǎn)模型即運(yùn)用多種財(cái)務(wù)比率指標(biāo)加權(quán)匯總或者通過(guò)指標(biāo)降維處理后而構(gòu)成多元線性函數(shù)公式來(lái)進(jìn)行企業(yè)風(fēng)險(xiǎn)預(yù)警。
多元邏輯模型主要依據(jù)是條件概率和對(duì)數(shù)函數(shù)的方法，不需要做任何假設(shè)，與其他多變量風(fēng)險(xiǎn)預(yù)警模型相比更容易推廣。多變量風(fēng)險(xiǎn)預(yù)警模型與單變量風(fēng)險(xiǎn)預(yù)警模型相比具有較高的判別精度，但是多變量風(fēng)險(xiǎn)預(yù)警模型運(yùn)用沒(méi)有單變量風(fēng)險(xiǎn)預(yù)警模型廣泛，原因在于多變量模型假定條件過(guò)于苛刻。
3.大數(shù)據(jù)與人工智能環(huán)境下的智能財(cái)務(wù)預(yù)警方法
企業(yè)智能財(cái)務(wù)預(yù)警就是根據(jù)企業(yè)經(jīng)營(yíng)和財(cái)務(wù)目標(biāo)，分析資金流動(dòng)運(yùn)行規(guī)律，即時(shí)捕捉資金管理過(guò)程中的堵塞、浪費(fèi)、過(guò)度滯留等影響財(cái)務(wù)收益的重大管理失誤和管理波動(dòng)信號(hào)，并對(duì)企業(yè)的資金使用效果進(jìn)行分析評(píng)價(jià)，及時(shí)發(fā)出警報(bào)，采取相應(yīng)措施，建立免疫機(jī)制，不斷提高企業(yè)抵抗財(cái)務(wù)風(fēng)險(xiǎn)的能力，使企業(yè)的財(cái)務(wù)管理活動(dòng)始終處于安全、可靠的運(yùn)行狀態(tài)，從而實(shí)現(xiàn)企業(yè)價(jià)值最大化的財(cái)務(wù)目標(biāo)。
（1） 人工神經(jīng)網(wǎng)絡(luò)：Altman在1968年首先運(yùn)用人工神經(jīng)網(wǎng)絡(luò)風(fēng)險(xiǎn)預(yù)警模型進(jìn)行企業(yè)風(fēng)險(xiǎn)預(yù)警研究，他選取了５個(gè)財(cái)務(wù)比率指標(biāo)作為研究變量，研究結(jié)果發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)風(fēng)險(xiǎn)預(yù)警模型訓(xùn)練樣本的準(zhǔn)確率高達(dá)百分之百，說(shuō)明人工神經(jīng)網(wǎng)絡(luò)具有較高的預(yù)測(cè)精度。
人工神經(jīng)網(wǎng)絡(luò)特有的非線性適應(yīng)性信息處理能力，克服了傳統(tǒng)人工智能方法對(duì)于直覺(jué)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)，如模式、語(yǔ)音識(shí)別、非結(jié)構(gòu)化信息處理方面的缺陷，使之在神經(jīng)專家系統(tǒng)、模型識(shí)別、智能控制、組合優(yōu)化、預(yù)測(cè)等領(lǐng)域得到成功應(yīng)用。BP 神經(jīng)網(wǎng)絡(luò)是當(dāng)前應(yīng)用最為廣泛的人工神經(jīng)網(wǎng)絡(luò)之一。1985年，由美國(guó)學(xué)者 Rumelhart 和 Mc Cielland 領(lǐng)導(dǎo)的并行分布式處理小組提出了一個(gè)人工神經(jīng)網(wǎng)絡(luò)算法和對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)。由于這個(gè)算法具有誤差反向傳播（Back Propagation Algorithm）的特點(diǎn)，因此被簡(jiǎn)稱為BP算法，相應(yīng)的網(wǎng)絡(luò)為BP神經(jīng)網(wǎng)絡(luò)。
（2）機(jī)器學(xué)習(xí)風(fēng)險(xiǎn)預(yù)警模型：是指運(yùn)用機(jī)器學(xué)習(xí)算法對(duì)企業(yè)進(jìn)行風(fēng)險(xiǎn)預(yù)警。機(jī)器學(xué)習(xí)風(fēng)險(xiǎn)預(yù)警模型主要包括KNN風(fēng)險(xiǎn)預(yù)警模型、SVM風(fēng)險(xiǎn)預(yù)警模型、隨機(jī)森林風(fēng)險(xiǎn)預(yù)警模型等。
K-近鄰分類方法在二十世紀(jì)五十年代首次提出，隨后1967年Cover和Hart發(fā)表了論文《Nearest Neighbor Pattern Classification》后得到廣泛的運(yùn)用。Ｋ均值聚類算法處理數(shù)值型數(shù)據(jù)，該算法比神經(jīng)網(wǎng)絡(luò)算法更簡(jiǎn)單。其后的K-Modes算法是一種能夠處理分類屬性數(shù)據(jù)的算法。該算法利用匹配差異度函數(shù)改進(jìn)了之前的只能處理數(shù)值型數(shù)據(jù)的缺陷，但是該算法不能處理混合屬性類型的數(shù)據(jù)。之后，K-Modes算法擴(kuò)展為K-Prototypes算法，之后KNN算法就可以處理分類型數(shù)據(jù)的聚類問(wèn)題。但是由于該算法增加時(shí)長(zhǎng)消耗和算法復(fù)雜度，因此不適用于大型數(shù)據(jù)樣本研究。
20世紀(jì)90年代，支持向量機(jī)算法（SVM算法）誕生了，該算法是由神經(jīng)網(wǎng)絡(luò)算法衍生出了的一種機(jī)器學(xué)習(xí)算法。SVM算法在測(cè)試樣本的預(yù)測(cè)準(zhǔn)確率明顯優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。支持向量機(jī)是 Vapnik 等人根據(jù)統(tǒng)計(jì)學(xué)理論提出的一種機(jī)器學(xué)習(xí)方法，它集成了最大間隔超平面、Mercer核、凸二次規(guī)劃和松弛變量等多項(xiàng)技術(shù)。支持向量機(jī)根據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，大大提高學(xué)習(xí)機(jī)的泛化能力，它將優(yōu)化問(wèn)題轉(zhuǎn)化為求解一個(gè)凸二次規(guī)劃的問(wèn)題。二次規(guī)劃所得的解是唯一的且為全局最優(yōu)解，這樣就不存在一般神經(jīng)網(wǎng)絡(luò)的局部極值問(wèn)題。支持向量機(jī)由于較好地解決了小樣本、非線性、高維數(shù)、局部極小點(diǎn)等實(shí)際問(wèn)題，在若干具有挑戰(zhàn)性的應(yīng)用中，獲得了目前為止最好的性能。支持向量機(jī)已經(jīng)逐漸成為解決模式分類問(wèn)題的首選工具。
隨機(jī)森林算法是集成學(xué)習(xí)在決策樹(shù)上的一種實(shí)現(xiàn)。集成學(xué)習(xí)是一類將多個(gè)學(xué)習(xí)器進(jìn)行結(jié)合的算法，在構(gòu)建的模型中，決策樹(shù)的構(gòu)建過(guò)程模擬了分析人員基于各項(xiàng)財(cái)務(wù)報(bào)表數(shù)據(jù)對(duì)一家上市公司進(jìn)行分析的過(guò)程，那么對(duì)決策樹(shù)進(jìn)行優(yōu)化相當(dāng)于提高分析人員的能力，使得他能夠更加深入的理解財(cái)務(wù)報(bào)表，從而做出更加科學(xué)的判斷結(jié)果。隨機(jī)森林是基于不同的視角，從不同的切入點(diǎn)對(duì)一份財(cái)務(wù)報(bào)表進(jìn)行分析，最終將分析結(jié)果匯總產(chǎn)生最終的決策。通過(guò)構(gòu)建多個(gè)決策樹(shù)來(lái)模擬一個(gè)分析團(tuán)隊(duì)，最后通過(guò)投票來(lái)決定模型的最終預(yù)測(cè)結(jié)果，從而實(shí)現(xiàn)對(duì)于機(jī)器學(xué)習(xí)的集成。
經(jīng)邦大數(shù)據(jù)致力于數(shù)字賦能用戶，實(shí)現(xiàn)風(fēng)險(xiǎn)可控下的運(yùn)營(yíng)價(jià)值最大化。目前已經(jīng)在集團(tuán)企業(yè)決策支持平臺(tái)、AI分析建模平臺(tái)、移動(dòng)應(yīng)用平臺(tái)和大數(shù)據(jù)集成平臺(tái)上取得豐碩成果，司企共建一批全國(guó)樣板客戶案例，獲得業(yè)界良好口碑。基本企業(yè)全面風(fēng)險(xiǎn)管控體系的基礎(chǔ)內(nèi)控系統(tǒng)建設(shè)梳理與咨詢指導(dǎo)、核心風(fēng)控系統(tǒng)的開(kāi)發(fā)建設(shè)與實(shí)施落地、評(píng)價(jià)優(yōu)化系統(tǒng)的監(jiān)督評(píng)價(jià)與優(yōu)化改進(jìn)等服務(wù)，最終實(shí)現(xiàn)企業(yè)風(fēng)控目標(biāo)與戰(zhàn)略目標(biāo)的統(tǒng)一。
更多財(cái)稅咨詢、上市輔導(dǎo)、財(cái)務(wù)培訓(xùn)請(qǐng)關(guān)注理臣咨詢官網(wǎng) 素材來(lái)源：部分文字/圖片來(lái)自互聯(lián)網(wǎng)，無(wú)法核實(shí)真實(shí)出處。由理臣咨詢整理發(fā)布，如有侵權(quán)請(qǐng)聯(lián)系刪除處理。
400-835-0088
