| 王贺敏 刘明玮

一、引言

2015年8月31日国务院印发《促进大数据发展行动纲要》明确指出，大数据是以容量大、类型多、存取速度快、应用价值高为主要特征的数据集合，正快速发展为对数量巨大、来源分散、格式多样的数据进行采集、存储和关联分析，从中发现新知识、创造新价值、提升新能力的新一代信息技术和服务业态。同年10月召开的中国共产党第十八届中央委员会第五次全体会议提出实施“国家大数据战略”，将大数据战略上升至国家战略层次，开启了我国大数据建设的新篇章。2021年11月30日工信部出台《“十四五”大数据产业发展规划》，制定了新阶段我国大数据产业发展目标：到2025年，我国大数据产业测算规模突破3万亿元，年均复合增长率保持在25%左右，创新力强、附加值高、自主可控的现代化大数据产业体系基本形成。由此可见，我国大数据产业发展速度逐渐加快，而知识经济时代下，基于时代需求和政府政策鼓励，越来越多的企业将大数据等现代技术应用于企业管理经营活动中，极大提升了企业的管理效率。

随着经济全球化发展，我国经济体制深入改革，市场化程度加深，市场环境日益复杂，物价变动、汇率波动、人民币贬值等市场外部环境的变化导致企业经营增加了许多不确定性因素，企业财务风险也因此增加。因此在复杂化的市场环境和国际环境下，企业长久健康的发展离不开财务风险的识别与监管。而大数据技术的应用可以显著拓宽企业信息获取渠道，并提升信息获取速度，提升企业财务信息管理效率。但是在应用大数据的同时，如何提升企业信息甄别、筛选能力，降低企业财务风险也尤为重要，这已经成为当今企业发展需要思考的重要问题，同时也是学术界的热点研究领域。

二、文献回顾

（一）企业财务风险定义及来源

我国财务风险研究起步于20世纪末，但是截至目前，国内学者对财务风险定义研究结论并不完全统一。其中，我国较早的关于财务风险的定义为“各种不确定性因素下，企业实际收益与预期收益不相符而遭受损失的可能性”。对于财务风险来源，学者们研究意见也存在一些差异，可将其来源归纳为二个方面：一是企业经营失误，企业由于经营管理出现失误，导致企业造遭受财务损失，或者经营收益下降，且根据风险因素的可控性，将其分为可控财务风险和不可控财务风险；二是企业财务风险来源于企业财务结构不合理，财务杠杆失衡，导致企业负债经营比重过高，无法较快获得周转资金；三是外部环境因素变化，包括自然环境、市场环境以及社会文化环境等方面，外部环境因素发生明显波动将对企业经营产生影响，尤其是负面环境事件，将导致企业经营损失概率提升，导致财务风险。从上述关于财务风险定义及来源的分析来看，学者研究多认为企业财务风险来源于企业内部和外部两个方面，内部主要包括经营决策、财务决策、治理结构、财务结构等内部管理因素不科学，外部主要包括发生自然灾害、突发社会事件、市场改革、宏观政策变化等因素。

（二）大数据与企业财务风险识别与管控

目前国内外关于企业财务风险识别与管控的指标研究相对丰富。国外学者关于财务风险识别的研究倾向于财务风险预警模型和方法领域，Katarina等(2019)在研究企业可持续发展财务风险测度与预测中建立了财务风险预警模型，包含了流动、盈利、偿债、营运和成长五大比例指标，该模型获得了较为准确的财务风险预测结果。Gospodinov等(2018)在风险模型中同时引入了SVM、ANN等研究方法，用于识别整个企业经营过程中的财务风险，结果显示，SVM方法下的财务风险估计结果准确度更高。国内学者关于财务风险识别的研究倾向于指标体系的构建，张蓓蓓和李光龙(2021)研究企业财务风险控制中指出，高准确度和高效率的财务风险识别指标体系应当综合定量和定性两种类型的指标。王博和王建玲(2019)利用模糊评价法测度企业财务管理风险中，从内部和外部两个维度选取了相应的评价指标，其中内部指标主要包括企业战略调整、组织结构变更、供应商变更等；外部指标主要包括经济政策变化、法律法规变化、市场需求变化等。

关于大数据技术在企业财务风险识别与管控中的应用，Dutta等(2019)研究显示，大数据技术引入寿险企业资产决策系统极大提升了决策效率，且提升了决策风险预测准确度。Thomas等(2018)在研究风险评估领域大数据应用中指出，在风险预警过程中使用数据挖掘技术和语言处理技术提升风险预警准确度。张敏等(2021)在大数据与企业风险管理研究中指出，大数据环境下企业需要根据环境变化实时调整财务管理决策，利用大数据工具进行信息收集和数据处理可以有效提升企业财务风险管理的效率，并降低财务风险。陈位(2019)在研究“大智移云”背景下财务共享服务中指出，大数据技术的应用提升了非结构化信息的价值，因此，在利用大数据工具进行财务风险管理时，企业需要加大对非结构化信息的关注度。蔡立新和李嘉欢(2018)在探究大数据时代企业财务风险预警机制中将数据挖掘技术引入到企业财务管理中，认为企业财务管理软件应用大数据工具将显著提升数据分析准确度。

从现有文献来看，国外学者多倾向于关注大数据环境下企业财务风险预警特点的研究，强调以大数据技术为基础建设信息共享系统。而我国学者的研究多聚焦于大数据应用对企业财务管理工作的影响视角，试图用不同的方法从不同角度提升企业对财务风险的识别与监管能力。当前，虽然国内外学者在大数据视角下企业财务风险预警、财务风险识别等方面已经形成一定的研究基础，但是关于大数据背景下企业财务风险定义、来源、财务风险识别与管控指标体系等研究结果论并不统一，还有待进一步完善和丰富。

三、大数据背景下企业财务风险识别指标的构建

（一）指标选择分析

从上述关于财务风险管理预警指标文献来看，在传统财务风险识别与监管中，财务风险识别指标多以传统财务指标为依据建立，包括盈利、偿债、营运和成长四个主要维度。随着大数据等现代信息工具的应用，非结构化信息在企业财务风险识别中的重要性越发显著，即企业财务信息来源不再局限于纸质文件，电子文档、网页、视频文件、多媒体等多样化信息渠道被广泛接受，因此，在企业财务风险识别中，对信息的关注也不再局限于传统财务报表的财务指标内容，非财务指标对企业财务风险识别也越发重要。

狭义识别理论在学术界关于财务风险管理指标研究中认同度最高，即以财务比率作为风险指标，也有学者对此表示质疑，认为财务比率只能反映企业当前财务决策的风险性程度，对于企业战略高度有所忽略，且无法克服主观性问题。此外，还有部分学者指出，以狭义识别理论为基础选取财务风险识别指标时，会遗漏非财务指标，且缺乏灵活性。由此可见，随着科学技术和理论的发展，市场环境日益复杂，以财务指标为核心的财务风险识别指标体系过于单一，且存在明显滞后性，尤其是大数据时代背景下，传统财务指标预警财务风险时效性不足的缺陷越发显著，为提升财务风险识别指标体系的风险预警能力，对非财务指标的关注度日益提升。大数据技术的发展极大提升了企业获取数据信息的全面性，也为多维度非财务指标数据获取提供了更多可能。因此，在大数据背景下，企业财务风险识别与管控指标体系的构建不再以单一的财务指标为核心，将非财务指标纳入其中的意义重大。

（二）指标体系构建

根据上述分析，大数据背景下企业财务风险识别与管控指标体系主要从财务指标与非财务指标两个维度构建。

1.财务指标。传统财务指标主要包括盈利、偿债、营运和发展四个大类，现代学者在研究中进一步将财务指标扩展至五个维度，即加入了现金流量指标，共计33个财务指标：(1)盈利指标。主要反映企业通过经营活动获得收益的能力，是企业的重要现金来源和发展目标。获得收益是企业开展经营活动的主要目标，也是企业能够长久健康发展的经济基础，一旦企业盈利水平收缩，企业经济来源将大幅降低，对企业偿债、后续营运资金投入、发展均会产生负面影响，进而引发财务风险。(2)偿债指标。主要反映企业偿还债务的能力，举债经营是当前大部分企业的现状，企业的偿债能力直接影响其获得更多融资的可能性，偿债能力下降，企业可能面临财务杠杆失衡的可能，导致企业财务风险增加。(3)营运指标。主要反映企业运用资产的效率，同样的资产数量和质量下，企业利用该资产获得的收益越多则营运能力越强，表示企业内部管理水平越高，有助于企业盈利水平的提升，企业发生财务风险的可能性也越低。(4)发展指标。主要反映企业扩大规模、竞争力增强的能力。企业目标并不是只追求短期内的收益最大，长久持续的发展才是企业的最终目标，在竞争激励的市场环境中，只有具备稳定经营能力的企业才具备抵抗风险的能力，才能长久生存。(5)现金流量指标。主要反映企业获取现金的能力，现金获取能力越强的企业，其偿付债务的资金越充足，收益质量越高，越不容易出现财务风险。

2.非财务指标。在大数据背景下，企业获得信息的渠道得以扩宽，且自动化的识别程序可以帮助企业筛选信息，提升信息有效性。基于数据可获得性原则，本文根据Thomas(2018)、丁平(2020)、林敏(2022)等学者的研究，选取了股权结构、董事会结构、管理成本、审计意见四个维度的非财务指标，这些非财务指标数据均可从企业年度报告和审计报告中获取。但是仅从企业披露的非财务信息来识别企业的财务风险具有片面性，因此，本文参考Oláh(2019)的研究，在非财务指标中引入网络舆情指标，用以反映社会对企业的评价与传播情况。大数据时代，社会对企业的满意度、信用评价等信息通过互联网迅速传播，对企业的社会形象、市场竞争力等均会产生一定影响。本文根据网民对企业表现出的情感极性统计获得正面、中性、负面、正负交互情绪指数以及信息频次五个网络舆情指标。

洞庭湖湿地作为全球重要生态区之一，在维系生态平衡中有重要影响。湖区湿地生物资源丰富，动植物种类繁多，水源足调蓄力巨大，其独特的自然人文地理环境，使洞庭湖湿地生态旅游资源景有自己的特质，开发前景广阔。可近年来，湖泊面积萎缩，已退居我国第二大淡水湖。当前人们虽早已认识到湿地重要性，但仍然高强度索取，使得湿地开发向破碎化、陆地化趋势发展。忽视湿地的生态价值，忽视长久发展，只会让资源日益枯竭，导致突发性灾害时有发生，所以加强湿地保护迫在眉睫。

本研究构建大数据背景下财务风险识别与管控指标体系，如表1所示。

表1 大数据背景下财务风险识别与管控指标体系

（三）数据来源

本研究大数据背景下企业财务风险识别与管控，从财务、非财务与大数据三个维度选取指标构建风险预警指标体系，为验证指标体系的有效性，以发生过财务危机的企业为样本，以计算出指标的衡量标准。根据Dutta(2019)等学者的研究，国外上市企业举债经营比例较高，企业出现无力偿还债务的情况需要向政府申请破产，因此，国外研究通常认为进入破产程序的企业即为企业出现财务危机的标志。而我国企业管理法律有所差异，在无力偿还债务的情况下，上市企业实质性破产的概率并不高，因此，根据我国的实际情况，参考沈恂(2020)、张敏(2021)等学者的研究，本文以沪深A股上市企业为样本范围，从中选取被特别处理的上市企业作为出现财务危机的样本，即以被标记“ST”和“＊ST”的上市企业为样本对象，选取时间范围为2015年至2019年，共计65个样本企业。其中，样本期间内再次被退市风险警示的企业由于存在“摘帽”动机，可能出现财务作假的行为，因此删除这类样本，同时删除存在其他状况异常而被实行退市风险警示的样本企业，主要是由于其他状况异常不属于财务问题。最终保留25家样本作为研究对象。为减少随机误差，以样本组企业所在行业前一年以及其股本规模为标准进行配对，获得配对样本，如表2所示。

表2 样本组匹配结果

本研究以标记“ST”的上市企业为样本，借鉴安学丽(2018)、王博(2019)等学者的研究，与正常经营状态的企业相比，被标记“ST”的企业在被实行退市风险警告之前的几年内，其财务状况已经出现异常，尤其是靠近被实行退市风险警告时间的财务状况异常情况明显。因此，本文研究中将样本研究时间段确定为样本被实行退市风险警告起前三年。假设样本企业在第T年被标记“ST”，则其研究时间段为T-1、T-2、T-3。

（四）指标筛选

在正式回归之前，由于表1中财务指标数量过多，对财务指标进行筛选，避免由于指标体系过于复杂而导致研究结果偏差。本文利用t检验筛选出有效的指标。在进行t检验之前，首先对指标进行K-S检验，只有K-S检验下符合正态分布的指标才能进行t检验。K-S检验结果如表3所示。31个指标的p值均在5%置信水平下通过显著性检验，即均服从正态分布，可以进行t检验。

表3 财务指标K-S检验结果

表2中ST样本企业和非ST样本企业的数据具有独立性，因此对这两组样本下的指标分别进行t检验，结果见表4。22个财务指标中，仅有指标PRO、PRO、REP、REP、OPE、DEV、DEV、CASH的显著性达到5%置信水平，即仅有这8个财务指标达到有效性。

表4 财务指标t检验结果

四、基于上市公司的验证

（一）Logistic模型构建与回归

从上述样本选取看，本研究涉及分类变量，且变量属于二分项变量，即仅有被退市警告和没有被退市警告上市企业两类，根据Katarina(2018)、Cao(2021)等学者的研究，Binary Logistic回归模型在二分类变量研究中具有较好的适用性，因此本文利用Binary Logistic回归模型研究大数据背景下财务风险识别与管控指标体系的有效性。假设企业财务风险符号为Y，二分类变量下，其表达式如下：

根据公式(1)，当样本企业为非ST时，则该样本企业没有发生财务风险事件；反之，当样本企业为ST标记企业时，则该样本企业发生了财务风险事件。

公式(2)中，P(event)表示事件发生的概率，其值域为[0，1]，当P(event)＜0.5时，表示企业没有严重的财务风险，财务状况相对良好；当P(event)＞0.5时，表示企业存在严重的财务风险，财务状况较为严峻。公式(3)中，x、x、…、x为解释变量，即表1中的风险识别指标；a、a、…a、为解释变量系数；a为常数项。

将t检验结果下的有效财务指标以及非财务指标、大数据指标作为解释变量加入Logistic模型(2)中，利用向前逐步选择法和向后逐步剔除法构建模型，对比模型回代准确率，以其中回代准确率最大方法下的回归模型为最终模型。其中T-1年、T-2年、T-3年样本下的Logistic模型均在向前逐步法下模型回代率达到最大，分别为95.02%、92.33%、91.84%，由此确定T-1年、T-2年、T-3年样本下的Logistic模型如下：

T-1年：

回归系数结果见表5。T-1年、T-2年、T-3年样本下的Logistic模型均以0.5作为概率P(event)临界点，将企业数据代入公式(4)、(5)和(6)，以此计算概率，若概率结果大于0.5，即表示该企业发生财务风险事件的概率较高，且财务风险将造成较大的企业损失；反之，若概率结果小于0.5，即表示该企业发生财务风险事件的概率较低，或者财务风险在企业可控范围内。

表5 Logistic模型回归结果

模型拟合优度结果见表6。Cox$Snell R和Nagelkerke R为广义决定系数，其值越大，表示变量对模型解释的比例越高，模型预测的准确性也越高。从表6中模型拟合优度检验结果来看，对比T-1年、T-2年、T-3年样本下的Logistic模型的Cox$Snell R和Nagelkerke R结果，拟合优度排序由高至低依次为T-1年模型、T-2年模型、T-3年模型，即随着样本距离被实行停牌风险警告时间越长，模型拟合优度逐渐下降，即模型解释效果下降。

表6 Logistic模型回归拟合优度

（二）指标体系有效性检验

为进一步验证上述T-1年、T-2年、T-3年样本下的Logistic模型的有效性，将上文样本规模扩大至2021年，依据上文步骤整理出2020年和2021年满足条件的样本企业，并确定配对样本，共计12个样本企业。按照递进时间序列的思路整理样本数据，代入上述模型中，以检验模型稳健性。根据表1中的指标，以2020年和2021年增加的12个样本企业各自被标记“ST”的时间为参照从国泰安数据库获得对应企业在T-1年、T-2年、T-3年的指标数据，将其代入公式(4)、(5)和(6)中计算得到各样本企业在T-1年、T-2年、T-3年的财务风险发生概率P(event)，以0.5为临界点判断各样本企业在T-1年、T-2年、T-3年的财务风险，并将结果与样本企业实际被实行退市风险警示的情况进行对比，以此得到模型的预测精确度。

本部分检验有效性延续上文的做法，用向前逐步法估计回归模型。模型有效性检验结果见表7。将T-1年、T-2年、T-3年的Logistic模型预测准确率与上文各个年份Logistic模型的回代准确率进行比较分析，发现T-1年、T-2年、T-3年下模型的整体验证准确率均超过60%，验证准确率较高，即表示本文构建的财务风险识别模型对上市企业财务风险具有较好的预测能力。并且纵向对比T-1年、T-2年、T-3年下模型的整体验证准确率，T-3年验证准确率明显小于T-1年验证准确率，即表示企业越临近被退市风险警告时间，模型预测的企业财务风险准确率越高。

表7 大数据背景下企业财务风险识别与管控模型有效性检验准确率

但是将样本数据代入模型后得到判断准确率结果均低于上文T-1年、T-2年、T-3年的Logistic模型回代准确率，主要是由于模型(4)、(5)和(6)是由2015年至2019年样本企业数据计算所得，因此对样本之外的企业财务风险预测效果会有所下降，并且2020年和2021年检验样本的时间与2015年至2019年样本的时间存在一定差异，这期间内市场政策、宏观环境发生了变化，可能存在一些模型无法预测的因素，导致财务风险预测结果准确率有所下降。

五、结论与建议

本文构建大数据背景下企业财务风险识别指标体系，包含财务、非财务和大数据三个维度。其中财务指标从传统盈利、营运、偿债、发展四个维度选取，并增加了现金流量维度指标，共计22个指标；非财务指标主要包括股权结构、董事会结构、管理成本、审计意见4个指标；大数据指标仅有社会网络舆情一个维度，利用正面情绪指数、中性情绪指数、负面情绪指数、正负交互情绪指数、信息频次共5个指标来衡量。该指标体系共包含31个指标，利用K-S检验和t检验筛选财务指标，剔除14个指标，最终保留净资产收益率、应收账款周转率等8个指标。以2015-2019年沪深A股市场被标记“ST”的企业为样本，构建连续三期Logistic模型进行回归，即分别以企业被退市风险警告前3年为研究区间构建模型，利用向前逐步法计算得到财务风险识别模型。最后通过2020-2021年的样本来检验模型的预测有效性。研究结果显示，本文以大数据维度下企业财务风险识别指标体系为基础构建的三期Logistic模型能够较好地预测上市企业的财务风险，且距离被实行退市风险警告的时间越近，模型对其财务风险预测准确率越高。

从预测模型来看，大数据维度指标在模型中回归系数显著，且大小远大于财务指标，由此可见，大数据指标应用可以显著提升企业财务风险识别准确率。大数据时代，企业应当发挥大数据工具的优势，将大数据工具引入企业财务风险识别与管控系统中，充分利用人工智能、大数据等先进工具，通过精密的系统算法和智能信息识别功能，提升企业财务风险信息识别效率，同时拓宽信息获取渠道，不再局限于传统的财务指标信息，利用大数据技术、人工智能获取非结构化的信息，提升企业对财务风险信息识别的全面性，对企业财务风险管控能力提升也有显著促进效应。此外，企业还应当培养大数据等信息专业技术人员，培养内部专业人才和吸收外部优秀人才是企业灵活应用大数据工具管控财务风险的基础。