龍志 陳湘州

DOI：10．19641/j．cnki．42-1290/f．2023．24．008

【摘要】如何有效評估企業(yè)財務(wù)風險狀況是當前風險預警領(lǐng)域的研究重點。本文以2018 ～ 2022年我國A股上市公司為例， 提出了一種融合熵權(quán)TOPSIS-FCM-CNN的企業(yè)財務(wù)風險預警模型并開展實證研究。結(jié)果表明： 各項指標對各財務(wù)風險等級企業(yè)的影響程度不同， 其中全部現(xiàn)金回收率指標最為重要； 利用RF算法篩選指標有效地提高了模型的預測性能， 提升幅度達到4.16%； 與其他模型相比， 本文提出的模型預測準確率達到92.11%， 平均提升了34.31%， 充分表明了該模型的可行性和實用價值。

【關(guān)鍵詞】財務(wù)風險預警；熵權(quán)TOPSIS；聚類；深度學習；智能預測

【中圖分類號】TP183； F832.51； F275? ? 【文獻標識碼】A? ? 【文章編號】1004-0994（2023）24-0054-8

一、 引言

隨著經(jīng)濟全球化進程的加速和經(jīng)濟政策改革， 中國經(jīng)濟得到快速發(fā)展， 成為世界第二大經(jīng)濟體。黨的二十大報告中強調(diào)了優(yōu)化資源配置、 加強統(tǒng)籌推進， 以推動企業(yè)綠色創(chuàng)新和高質(zhì)量發(fā)展。然而， 隨著我國企業(yè)規(guī)模的擴大， 企業(yè)在高質(zhì)量發(fā)展道路上必然會面臨艱巨的挑戰(zhàn)。作為國民經(jīng)濟的重要組成部分， 企業(yè)的健康成長對于國家保持可持續(xù)性的高質(zhì)量發(fā)展至關(guān)重要。財務(wù)狀況是企業(yè)發(fā)展情況的直觀體現(xiàn)， 也成為投資者、 企業(yè)和政府等利益相關(guān)者關(guān)注的焦點。因此， 利益相關(guān)者需要對企業(yè)的財務(wù)風險進行合理評估， 以作出科學決策。

財務(wù)風險是指企業(yè)在特定的經(jīng)濟環(huán)境下， 其財務(wù)狀況和財務(wù)健康可能受到內(nèi)部和外部因素的影響， 從而導致經(jīng)濟損失、 債務(wù)違約、 利潤下降或資不抵債等風險（Acharya和Richardson， 2009）。相應(yīng)地， 財務(wù)風險預警是一種早期發(fā)現(xiàn)和識別企業(yè)財務(wù)風險的過程。其目的是幫助企業(yè)和監(jiān)管機構(gòu)及時識別潛在的財務(wù)問題， 并采取適當?shù)拇胧﹣矸婪逗突怙L險， 以確保企業(yè)的財務(wù)健康和可持續(xù)發(fā)展（Koyuncugil和Ozgulbas，2012；蔡立新和李嘉歡，2018）。20世紀30年代， Fitzpatrick（1932）以健康企業(yè)和破產(chǎn)企業(yè)為研究對象構(gòu)建了單變量財務(wù)風險預警模型， 結(jié)果表明眾多財務(wù)指標中的股東權(quán)益率和資產(chǎn)負債率具有更好的判別性， 為后續(xù)研究提供了早期的理論基礎(chǔ)。隨后， Beaver（1966）和Altman（1968）分別提出了單變量模型和Z-score模型， 并將其用于企業(yè)財務(wù)困境的預測。然而， 這些方法存在嚴格的前提條件， 例如變量間必須存在線性關(guān)系， 而現(xiàn)實并非如此。

隨著機器學習和深度學習的應(yīng)用與發(fā)展， 這類模型能夠自動從數(shù)據(jù)中學習和提取特征， 自適應(yīng)地調(diào)整模型參數(shù)， 同時能夠捕捉和處理數(shù)據(jù)中的非線性關(guān)系（Jordan和Mitchell，2015；LeCun等，2015）。因此， 它們在處理大樣本、 高維度數(shù)據(jù)上比傳統(tǒng)數(shù)理模型更為有效。以機器學習為例， Halteh 等（2018）選取18個財務(wù)指標構(gòu)建了基于隨機森林和隨機梯度提升的融合模型， 加速推進了企業(yè)財務(wù)困境的預測研究。另外， Yao等（2019）采用遺傳算法（GA）自動優(yōu)化支持向量機（SVM）模型的超參數(shù)， 驗證了機器學習在財務(wù)預測中的有效性。此外， Metawa 等（2021）從特征選擇角度考慮， 提出了一種PIO-XGBoost模型， 該模型能夠有效預測企業(yè)是否會倒閉。

然而， 上述機器學習模型在處理高維度、 復雜樣本時存在一定的不適應(yīng)性。因此， 學者們紛紛將深度學習引入金融領(lǐng)域。Chen 等（2020）利用卷積神經(jīng)網(wǎng)絡(luò)（CNN）模型進行金融量化投資， 并獲得了風險更低、 收益更高的投資策略。Jang 等（2020）將建筑行業(yè)內(nèi)的特殊指標引入基于長短期記憶（LSTM）神經(jīng)網(wǎng)絡(luò)的模型中， 分別預測未來1年、 2年和3年建筑承包商的績效。Yin 等（2022）構(gòu)建了基于CNN的供應(yīng)鏈金融風險預警模型， 但僅根據(jù)是否被ST簡單地將企業(yè)劃分為兩個類別， 且樣本量較少。Li 等（2023）通過對2017 ～ 2020年上市公司的財務(wù)風險分析， 發(fā)現(xiàn)基于優(yōu)化的反向傳播神經(jīng)網(wǎng)絡(luò)（BPNN）模型的準確率能夠達到80%以上。

綜上， 目前企業(yè)財務(wù)風險預警研究還存在以下問題： 一是大多數(shù)預警研究僅實現(xiàn)對企業(yè)財務(wù)風險的度量和評級， 而鮮有學者利用深度學習對其進行智能預測分類； 二是指標體系龐大， 可能導致模型出現(xiàn)過擬合問題， 從而影響預測準確率； 三是關(guān)于企業(yè)財務(wù)風險等級的劃分， 現(xiàn)有文獻大多將其分為兩類（如健康或被ST處理過）， 可能導致不同類別樣本量不平衡的問題。針對上述問題， 本文展開如下研究工作： 首先， 運用熵權(quán)TOPSIS對企業(yè)財務(wù)風險進行綜合評分； 其次， 對評分結(jié)果進行FCM聚類， 有效劃分財務(wù)風險的等級區(qū)間， 為CNN模型的監(jiān)督學習奠定基礎(chǔ)； 然后， 引入SMOTE算法解決各等級企業(yè)樣本不平衡的問題； 最后， 通過消融和多模型對比實驗， 驗證本文所構(gòu)建模型的預測性能。本文的研究旨在實現(xiàn)更準確、 全面和可靠的企業(yè)財務(wù)風險評估， 為我國企業(yè)的可持續(xù)發(fā)展提供實踐和政策指導。

二、 研究設(shè)計

（一）樣本選取與數(shù)據(jù)來源

金融企業(yè)通常具有較大的財務(wù)風險， 并且其業(yè)務(wù)模式與其他行業(yè)的企業(yè)存在顯著差異， 這可能對財務(wù)風險預警模型的預測性能產(chǎn)生影響（Abdulsaleh和Worthington，2013；Wu和Huang，2022）。因此， 本文在選擇樣本時剔除了金融行業(yè)的企業(yè)。本文以2018 ～ 2022年我國4975家A股上市公司的財務(wù)數(shù)據(jù)為研究對象， 包括零售業(yè)、 信息技術(shù)、 制造、 醫(yī)藥等多個行業(yè)。經(jīng)過缺失值處理后， 最終得到20183個樣本。為平衡樣本的類別分布， 本文采用了SMOTE過采樣方法， 將樣本容量調(diào)整為36180個。隨后， 將數(shù)據(jù)集按照樣本比例7∶1∶ 2分別抽取訓練集、 驗證集和測試集。數(shù)據(jù)來源于CSMAR數(shù)據(jù)庫。本文所有實驗均基于Pytorch深度學習框架的PyCharm編程軟件完成。

（二）財務(wù)風險預警指標體系

參考國內(nèi)外相關(guān)研究（Wang和Wu， 2017； 趙騰和楊世忠， 2019； Zhang等， 2022； Venkateswarlu等， 2022）， 從償債能力、 經(jīng)營能力、 盈利能力、 現(xiàn)金流能力、 發(fā)展能力五個方面選取財務(wù)指標。同時， 本文額外選取了5個公司治理結(jié)構(gòu)方面的非財務(wù)指標， 分別是股東總數(shù)、 員工人數(shù)、 董事薪酬總額、 監(jiān)事薪酬總額和高級管理人員薪酬總額。具體的指標體系見表1。

（三）熵權(quán)TOPSIS-FCM-CNN模型的構(gòu)建

1. 熵權(quán)TOPSIS。本文采用熵權(quán)TOPSIS方法來確定指標體系中各指標的權(quán)重和各企業(yè)的綜合評分。熵權(quán)TOPSIS方法是一種多屬性決策分析方法， 通常用于評估多個備選方案或?qū)ο蟮淖罴堰x擇。它結(jié)合了熵權(quán)法和TOPSIS方法， 可更好地處理不確定性和主觀性信息。具體步驟如下：

第一步， 構(gòu)造具有多屬性的初始評價矩陣。假設(shè)企業(yè)數(shù)量為m個， 影響企業(yè)財務(wù)風險的指標有n個， 第i個樣本的第j個指標的評價值為a_ij， 則評價矩陣為：

A=（a_ij）_m×n（1）

采用最大最小值標準化方法來無量綱化各指標。其中， 正向指標、 中性指標用公式（2）處理， 負向指標用公式（3）處理：

a_ij=［a_ij-Min（a_j）］/［Max （a_j）-Min（a_j）］? ? ? （2）

a_ij=［Max （a_j）-a_ij］/［Max （a_j）-Min（a_j）］? ? ? （3）

第二步， 利用熵權(quán)法確定各指標的權(quán)重。例如， 第j個指標的權(quán)重為w_j， 公式如下：

W=［w₁，…，w_n］? ? ? ? ?（6）

第三步， 利用TOPSIS法確定評價對象與正、 負理想解之間的歐式距離。計算評價矩陣A=W×（a_ij）_m×n。a_ij的正、 負理想解為：

式中： m∈［1，∞）是加權(quán)指數(shù)， 一般取1.5≤m≤2.5。

目標函數(shù)J（U，V）表示各類別中樣本到其所在聚類中心的加權(quán)距離平方和。其中， 權(quán)重是樣本x_k對第i類隸屬度的m次方。通過引入J（U，V）， 將聚類問題轉(zhuǎn)化為求解MinJ（U，V）的非線性規(guī)劃問題， 經(jīng)過優(yōu)化迭代后， 獲得近似最優(yōu)解U、 V， 便可以最終確定樣本所屬的類別。具體計算過程如下：

第一步， 初始化參數(shù)。假定企業(yè)財務(wù)風險等級個數(shù)為C（聚類類別數(shù)為C）， 2≤C≤n， 模糊加權(quán)指數(shù)m=2。設(shè)定迭代停止的閾值為ε， 0.001≤ε≤0.01。初始化聚類原型模式V。

第二步， 計算或更新劃分矩陣U。對于?_i，k， 如果d_ik>0， 則有：

第四步， 計算目標函數(shù)J（U，V）。如果J（U，V）<ε， 則算法停止并輸出隸屬度矩陣U和聚類原型矩陣V， 否則重復上述步驟二和三。

3. CNN深度學習模型。在通過聚類生成等級標簽并使用SMOTE擴充樣本后， 本文采用CNN模型來實現(xiàn)企業(yè)財務(wù)風險等級的分類預測。CNN是深度前饋神經(jīng)網(wǎng)絡(luò)， 包括卷積和深度結(jié)構(gòu)， 由多個卷積、 池化和全連接層組成， 用于處理企業(yè)財務(wù)風險指標。它的參數(shù)共享和GPU并行計算提高了模型效率， 降低了模型應(yīng)用的復雜度和計算成本。 CNN在圖像處理等領(lǐng)域表現(xiàn)出色。近些年， 開始有學者將CNN引入企業(yè)破產(chǎn)預測研究中（Hosaka，2019）， 證明了CNN對處理企業(yè)財務(wù)數(shù)據(jù)信息具有可行性。

4. 模型性能評估。實際上， 企業(yè)財務(wù)風險預測可視為一個多類別不平衡分類問題。對于該問題， 通常使用多角度、 多模型和多指標來綜合評估模型的性能。本文采用消融實驗和多模型對比思路， 分別對BP神經(jīng)網(wǎng)絡(luò)、 支持向量機SVM、 隨機森林RF、 極限梯度增強算法XGBoost、 輕型梯度增強機LightGBM進行預測效果對比， 以檢驗本文所構(gòu)建模型的有效性和優(yōu)越性。

5. 企業(yè)財務(wù)風險預警流程?；陟貦?quán)TOPSIS-FCM-CNN模型的企業(yè)財務(wù)風險預警流程， 如圖2所示。

三、 實驗結(jié)果與分析

（一）熵權(quán)TOPSIS綜合評分

通過熵權(quán)TOPSIS法中的公式， 計算出各企業(yè)與正理想解、 負理想解之間的歐式距離? ? ? ? ? ? ? ? ? ? ? ， 并獲得各企業(yè)的綜合評分Gi。其中， 綜合評分越高， 表明該企業(yè)的財務(wù)風險越小。熵權(quán)TOPSIS模型下綜合評分最高的6家企業(yè)和最低的6家企業(yè)， 如表2所示。

由表2可知： 第一， 企業(yè)綜合評分的均值為0.3951， 標準差為0.0073， 變異系數(shù)為0.0184， 25%分位數(shù)為0.3913， 50%分位數(shù)為0.3945， 75%分位數(shù)為0.3982， 表明企業(yè)整體綜合評分數(shù)據(jù)相對較為穩(wěn)定， 但有近四分之三的企業(yè)綜合評分低于均值水平； 第二， 排名前六位的行業(yè)包括電氣機械及器材制造業(yè)、 金屬制品業(yè)、 研究和試驗發(fā)展、 醫(yī)藥制造業(yè)和專用設(shè)備制造業(yè)， 且年份主要集中在2020 ～ 2022年， 而排名后六位的行業(yè)包括軟件和信息技術(shù)服務(wù)業(yè)、 零售業(yè)、 廢棄資源綜合利用業(yè)和醫(yī)藥制造業(yè)， 且年份主要集中在2018 ～ 2021年。以上研究結(jié)果表明， 綜合評分高的企業(yè)所在行業(yè)之間存在協(xié)同發(fā)展情況， 在創(chuàng)新能力、 競爭能力等方面表現(xiàn)出色， 同時也反映出我國正逐步推進高質(zhì)量發(fā)展。

將熵權(quán)TOPSIS的綜合評分與標準化后的指標數(shù)據(jù)代入多元線性回歸模型中， 進一步分析各指標與企業(yè)財務(wù)風險之間的關(guān)系。具體結(jié)果如表3所示。

由表3可知： 第一， 現(xiàn)金流能力對企業(yè)的財務(wù)風險影響最大， 而治理結(jié)構(gòu)（非財務(wù)指標）對財務(wù)風險的影響程度最小； 第二， 多元回歸模型的線性關(guān)系是顯著的（Significance F=0.000<α）， 但回歸系數(shù)檢驗中卻有3個指標（應(yīng)收賬款周轉(zhuǎn)率X4、 固定資產(chǎn)周轉(zhuǎn)率X5和營業(yè)收入增長率X15）沒有通過t檢驗， 表明模型中存在多重共線性問題； 第三， 速動比率X2、 固定資產(chǎn)周轉(zhuǎn)率X5、 凈資產(chǎn)收益率X8、 每股現(xiàn)金凈流量X12、 固定資產(chǎn)增長率X13和員工人數(shù)X17的回歸系數(shù)為負值， 即它們的增加會使企業(yè)財務(wù)風險增加， 這與預期不一致， 同樣表明模型中存在多重共線性問題。

多重共線性是回歸分析中的問題， 指自變量間高度相關(guān)， 導致模型過擬合風險。為應(yīng)對此問題， 本文采用RF機器學習模型進行指標篩選。RF通過評估指標劃分前后信息熵減少來衡量指標相對重要性， 且RF模型具有高效和可解釋的特點。本文使用RF評估了20個影響企業(yè)財務(wù)風險的指標， 計算了其重要性。數(shù)值越大， 指標越重要。取10次實驗的平均值作為最終結(jié)果， 如表4所示。

由表4可知： 第一， 根據(jù)重要性程度， 一級指標從高到低排序依次為現(xiàn)金流能力、 治理結(jié)構(gòu)、 盈利能力、 償債能力、 經(jīng)營能力、 發(fā)展能力； 第二， 根據(jù)重要性程度， 二級指標從高到低排序依次為X10、 X12、 X8、 X19、 X20、 X18、 X6、 X1、 X3、 X2、 X16、 X14、 X9、 X7、 X11、 X17、 X4、 X5、 X15、 X13。為了比較在后續(xù)實驗中RF篩選指標是否對模型的預測性能產(chǎn)生影響， 借鑒楊貴軍等（2022）的研究， 本文對于重要程度小于0.01的二級指標不予考慮， 故選取前7個財務(wù)風險指標作為指標篩選的最終結(jié)果。

（二）基于FCM聚類的無監(jiān)督學習

本文選擇將企業(yè)財務(wù)風險聚類為4個等級， 分別用A、 B、 C、 D表示非常低風險、 低風險、 中風險和高風險。通過FCM算法中的公式， 得到企業(yè)的聚類結(jié)果， 并生成相應(yīng)的等級標簽。具體的聚類情況如表5所示。

由表5可知： 第一， 企業(yè)數(shù)量上， 近四分之三的企業(yè)財務(wù)風險處于B、 C等級。其中， 有578家A等級的企業(yè)、 6071家B等級的企業(yè)、 10752家C等級的企業(yè)、 2782家D等級的企業(yè)。這是典型的樣本類別不均衡現(xiàn)象， 故本文采用SMOTE過采樣算法來解決該問題。第二， 聚類后的A、 B、 C、 D等級企業(yè)的平均得分分別為0.4178、 0.4006、 0.3933、 0.3853， 數(shù)據(jù)上呈現(xiàn)逐級遞減的變化趨勢。第三， 變異系數(shù)上， A等級的變異系數(shù)值最大， 即數(shù)據(jù)的相對離散程度最高， 表明A等級中企業(yè)的綜合評分存在較大的波動幅度， 其次是D、 B、 C等級。第四， 未進行FCM聚類前， 被ST或?ST處理過的企業(yè)有495家。而進行FCM聚類后， 等級為C的被ST或?ST處理過的企業(yè)有206家， 等級為D的被ST或?ST處理過的企業(yè)有216家， 證明了熵權(quán)TOPSIS方法和FCM聚類算法的有效性與合理性。

為了給各等級企業(yè)提供有針對性的參考意見， 深入了解在不同等級中發(fā)揮重要作用的風險指標， 并對企業(yè)的財務(wù)風險進行整體評估和及時調(diào)整， 本文采用熵權(quán)法進一步分析各等級企業(yè)財務(wù)風險的各項指標權(quán)重。具體情況如圖3所示。

由圖3可知： 第一， 財務(wù)風險等級為A的企業(yè)中， 權(quán)重較大的指標依次為資產(chǎn)報酬率X7、 凈資產(chǎn)收益率X8、 固定資產(chǎn)增長率X13、 每股現(xiàn)金凈流量X12、 監(jiān)事薪酬總額X19、 員工人數(shù)X17、 全部現(xiàn)金回收率X10， 累計權(quán)重為0.5533； 第二， 財務(wù)風險等級為B的企業(yè)中， 權(quán)重較大的指標依次為全部現(xiàn)金回收率X10、 總資產(chǎn)周轉(zhuǎn)率X6、 凈資產(chǎn)收益率X8、 員工人數(shù)X17、 董事薪酬總額X18， 累計權(quán)重為0.5425； 第三， 財務(wù)風險等級為C的企業(yè)中， 權(quán)重較大的指標依次為全部現(xiàn)金回收率X10、 凈資產(chǎn)收益率X8、 員工人數(shù)X17、 每股現(xiàn)金凈流量X12、 固定資產(chǎn)周轉(zhuǎn)率X5、 董事薪酬總額X18， 累計權(quán)重為0.5603； 第四， 財務(wù)風險等級為D的企業(yè)中， 權(quán)重較大的指標依次為員工人數(shù)X17、 流動比率X1、 股東總數(shù)X16、 董事薪酬總額X18、 總資產(chǎn)增長率X14、 速動比率X2， 累計權(quán)重為0.5468。

以上指標對4個等級的企業(yè)財務(wù)風險影響較大， 且累計權(quán)重均超過0.5。其中， 全部現(xiàn)金回收率X10、 凈資產(chǎn)收益率X8和員工人數(shù)X17對企業(yè)財務(wù)風險的影響力最為顯著。因此， 在對某一企業(yè)進行財務(wù)風險評估時， 投資者、 企業(yè)和政府可重點關(guān)注這些指標的變化情況， 并據(jù)此制定科學合理的政策措施。

（三）CNN模型分類預測

本實驗針對財務(wù)風險的多分類問題， 旨在智能預測風險等級。經(jīng)過RF篩選的7個指標作為模型的輸入變量（自變量）， 而將FCM聚類后的4個財務(wù)風險等級作為模型的輸出變量（因變量）。CNN模型參數(shù)設(shè)置如下： 優(yōu)化器采用Adam優(yōu)化器， 激活函數(shù)為Relu函數(shù)， Batch_size為64個， CNN層數(shù)為2層， 卷積核數(shù)量為16， 卷積核大小為2， 學習率lr為0.01， 迭代次數(shù)Epochs為100次。由于各等級企業(yè)的數(shù)量比A∶B∶C∶D為578 ∶6071∶10752∶2782， 這是一個典型的類別不平衡多分類問題。因此， 在將數(shù)據(jù)集輸入神經(jīng)網(wǎng)絡(luò)進行訓練前， 首先通過SMOTE算法對少數(shù)類別的企業(yè)樣本進行下采樣。隨后， 進行CNN模型預測實驗。最終， 使用測試集來檢驗?zāi)Ｐ偷念A測性能， 并獲得混淆矩陣， 如圖4所示。

由圖4可知， 本文模型的總識別率為91.70%， 其中A等級企業(yè)識別率為89.91%、 B等級企業(yè)識別率為93.44%、 C等級企業(yè)識別率為89.89%、 D等級企業(yè)識別率為95.61%。以上研究結(jié)果表明， 本文構(gòu)建的CNN模型在財務(wù)風險預測上具有可行性和有效性。

（四）多模型性能比較

在熵權(quán)TOPSIS綜合評估企業(yè)、 FCM劃分等級后， 為進一步驗證本文構(gòu)建的融合模型的分類效果， 本文將其進行消融實驗和基準模型對比實驗。對比模型有RF-SMOTE-CNN模型（M1，本文模型）、 RF-CNN模型（M2）、 SMOTE-CNN模型（M3）、 CNN模型（M4）、 BP神經(jīng)網(wǎng)絡(luò)模型（M5）、 支持向量機SVM模型（M6）、 隨機森林RF模型（M7）、 極限梯度增強樹XGBoost模型（M8）、 輕量梯度增強機LightGBM模型（M9）。其中， M1 ～ M4為消融實驗， M5 ～ M9為基準模型對比實驗。取10次實驗的平均值作為最終結(jié)果， 各模型在測試集中評估指標的對比情況如圖5所示， 各模型評估指標的具體取值如表6所示。

第二， 模型的全面性。已知變異系數(shù)CV_i值越小， 數(shù)據(jù)的相對離散程度越低， 即模型的全面性越好。按照CV_i由大到小排序為：CV_M6>CV_M7>CV_M9>CV_M8>CV_M5>CV_M4>CV_M3>CV_M2>CV_M1， 本文對變異次數(shù)CV_i≥0.1的模型不予考慮， 則有CV_M1M2M3<0.1。綜上所述， 根據(jù)“準確性>全面性”的原則， 只有本文模型（M1）符合這一標準， 即基于熵權(quán)TOPSIS-FCM-CNN的企業(yè)財務(wù)風險預警模型能夠更有效地預測企業(yè)的財務(wù)風險等級。

四、 結(jié)論

針對現(xiàn)有企業(yè)財務(wù)風險預警研究僅實現(xiàn)風險水平的度量和評級， 缺乏對財務(wù)風險等級的智能預測、 財務(wù)風險數(shù)據(jù)樣本不均衡問題的處理， 本文以2018 ～ 2022年我國A股上市公司為例， 提出了一種融合熵權(quán)TOPSIS-FCM-CNN的企業(yè)財務(wù)風險預警模型并開展了相關(guān)實證分析。具體的研究結(jié)論如下：

第一， 本文采用熵權(quán)TOPSIS模型對各企業(yè)的財務(wù)風險進行綜合評分， 并利用歐式距離來度量各企業(yè)的綜合評分G_i。例如， 電氣機械及器材制造業(yè)中600519（2021年）禾邁股份的財務(wù)風險較低， 而零售業(yè)中2356（2018年）赫美集團的財務(wù)風險較高。因此， 上述結(jié)論也反映出我國正逐步推進高質(zhì)量發(fā)展。

第二， 各項指標對不同財務(wù)風險等級的企業(yè)存在不同的影響程度。在回歸模型分析中， 本文發(fā)現(xiàn)全部現(xiàn)金回收率指標是最重要的， 高級管理人員薪酬總額指標是最不重要的； 在采用熵權(quán)法來分析各財務(wù)風險等級企業(yè)的各項指標權(quán)重時， 發(fā)現(xiàn)全部現(xiàn)金回收率指標在各等級企業(yè)中的權(quán)重占比較大。因此， 利益相關(guān)者應(yīng)重點關(guān)注以上指標的變化情況， 以制定更加科學合理的決策。

第三， 本文利用RF算法篩選財務(wù)風險指標， 有效提高了模型的預測準確率。其中， 在企業(yè)識別率平均水平Pi上， 采用該算法篩選過指標的模型為88.01%， 沒有篩選過指標的模型為83.85%， 提升了4.16%。

第四， 本文構(gòu)建的模型在財務(wù)風險等級分類預測任務(wù)中表現(xiàn)最佳。其中， 本文模型的預測準確率達到92.11%， 與其他基準模型相比， 平均提升了34.31%。

【 主 要 參 考 文 獻 】

蔡立新，李嘉歡．大數(shù)據(jù)時代企業(yè)財務(wù)風險預警機制與路徑探究［ J］．財會月刊，2018（15）：38 ～ 43．

楊貴軍，杜飛，賈曉磊．基于首末位質(zhì)量因子的BP神經(jīng)網(wǎng)絡(luò)財務(wù)風險預警模型［ J］．統(tǒng)計與決策，2022（3）：166 ～ 171．

趙騰，楊世忠．熵權(quán)TOPSIS法在企業(yè)財務(wù)風險評價中的應(yīng)用——以酒鬼酒公司為例［ J］．財會月刊，2019（3）：9 ～ 16．

Abdulsaleh A. M.， Worthington A. C.. Small and medium-sized enterprises financing： A review of literature［ J］．International Journal of Business and Management，2013（14）：36．

Acharya V. V.， Richardson M.. Causes of the financial crisis［ J］．Critical Review，2009（2-3）：195 ～ 210．

Albawi S.， Mohammed T. A.， Al-Zawi S.. Understanding of a convolutional neural network［C］．//2017 International Conference on Engineering and Technology （ICET），2017．

Beaver W. H.. Financial ratios as predictors of failure［ J］．Journal of Accounting Research，1966（4）：71 ～ 111．

Bezdek J. C.， Ehrlich R.， Full W.. FCM： The fuzzy c-means clustering algorithm［ J］．Computers & Geosciences，1984（2-3）：191 ～ 203．

Chen C.， Zhang P.， Liu Y.， et al.. Financial quantitative investment using convolutional neural network and deep learning technology［ J］．Neurocomputing，2020（390）：384 ～ 390．

Chen F. H.， Howard H.. An alternative model for the analysis of detecting electronic industries earnings management using stepwise regression， random forest， and decision tree［ J］．Soft Computing，2016（5）：1945 ～ 1960．

Chen P.. Effects of the entropy weight on TOPSIS［ J］．Expert Systems with Applications，2021（168）：114186．

Edward I. Altman. Financial ratios， discriminant analysis and the prediction of corporate bankruptcy［ J］．The Journal of Finance，1968（4）：589 ～ 609．

Fernández A.， Garcia S.， Herrera F.， et al.. SMOTE for learning from imbalanced data： Progress and challenges， marking the 15-year anniversary［ J］．Journal of Artificial Intelligence Research，2018（61）：863 ～ 905．

Fitzpatrick P. J.. A comparison of ratios of successful industrial enterprises with those of fialedfirms［ J］．Certified Public Accountant，1932（2）：589 ～ 605．

Halteh K.， Kumar K.， Gepp A.. Financial distress prediction of Islamic banks using tree-based stochastic techniques［ J］．Managerial Finance，2018（6）：759 ～ 773．

Hosaka T.. Bankruptcy prediction using imaged financial ratios and convolutional neural networks［ J］．Expert Systems with Applications，2019（117）：287 ～ 299．

Huang H. H.， Hsieh S. J.， Chen M. S.， et al.. Machine learning predictive models for evaluating risk factors affecting sperm count： Predictions based on health screening indicators［ J］．Journal of Clinical Medicine，2023（3）：1220．

Jang Y.， Jeong I.， Cho Y. K.. Business failure prediction of construction contractors using a LSTM RNN with accounting， construction market， and macroeconomic variables［ J］．Journal of Management in Engineering，2020（2）：04019039．

Jordan M. I.， Mitchell T. M.. Machine learning： Trends， perspectives， and prospects［ J］．Science，2015（6245）：255 ～ 260．

J. Yao， Y. Pan， S. Yang， Y. Chen， Y. Li. Detecting fraudulent financial statements for the sustainable development of the socio-economy in China： Amulti-analytic approach［ J］．Sustainability，2019（11）：1579 ～ 1586．

Koyuncugil A. S.， Ozgulbas N.. Financial early warning system model and data mining application for risk detection［ J］．Expert Systems with Applications，2012（6）：6238 ～ 6253．

LeCun Y.， Bengio Y.， Hinton G.. Deep learning［ J］．Nature，2015（7553）：436 ～ 444．

Li H.， Liu H.， Hu Y.. Prediction of unbalanced financial risk based on GRA-TOPSIS and SMOTE-CNN［Z］．Scientific Programming，2022．

Li X.， Wang J.， Yang C.. Risk prediction in financial management of listed companies based on optimized BP neural network under digital economy［ J］．Neural Computing and Applications，2023（3）：2045 ～ 2058．

Metawa N.， Nguyen P. T.， Le Hoang Thuy To Nguyen Q.， et al.. Internet of things enabled financial crisis prediction in enterprises using optimal feature subset selection-based classification model［ J］．Big Data，2021（5）：331 ～ 342．

Venkateswarlu Y.， Baskar K.， Wongchai A.， et al.. An efficient outlier detection with deep learning-based financial crisis prediction model in big data environment［Z］．Computational Intelligence and Neuroscience，2022．

Wu Y.， Huang S.. The effects of digital finance and financial constraint on financial performance： Firm-level evidence from China's new energy enterprises［ J］．Energy Economics，2022（112）：106158．

Wang L.， Wu C.. A combination of models for financial crisis prediction： Integrating probabilistic neural network with back-propagation based on adaptive boosting［ J］．International Journal of Computational Intelligence Systems，2017（1）：507 ～ 520．

Yin L. L.， Qin Y. W.， Hou Y.， et al.. A convolutional neural network-based model for supply chain financial risk early warning［Z］．Computational Intelligence and Neuroscience，2022．

Zhang Z.， Xiao Y.， Fu Z.， et al.. A study on early warnings of financial crisis of Chinese listed companies based on DEA-SVM model［ J］．Mathematics，2022（12）：2142．

（責任編輯·校對： 許春玲? 李小艷）

【基金項目】國家社會科學基金項目“持續(xù)調(diào)控背景下房地產(chǎn)市場利益分配協(xié)調(diào)機制及政策研究”（項目編號：13BJY057）

【作者單位】1.湖南科技大學商學院， 湖南湘潭 411201；2.湖南省戰(zhàn)略性新興產(chǎn)業(yè)研究基地， 湖南湘潭 411201