基于深入学习的企业破产预测研究

摘要：金融危机的频繁爆发导致了社会经济的萧条，给投资者、债权人、企业以及政府带来了沉重的打击。大量的企业将面临着重构、重组、超额负债，甚至破产清算的境地。对于企业来说，无法提前预知风险的到来，就难以采取有效的行动来预防困境的形成。然而，随着人工智能信息技术，特别是深度学习模型的发展，在一定程度上能够有效预防，甚至阻止此类风险事件的发生。因此，以深度学习模型为基础，通过提出新的破产预测模型来研究中国企业破产事件的形成原因，并提出相应的解决对策，进而识别潜在的危机并采取相应的措施。

关键词：深度学习;破产预测;风险管理;预测模型

1绪论

企业破产预测的研究最早开始于20世纪30年代，研究者们认为企业在经营过程中会受到内外部环境的综合作用，这种作用最终会以另一种形式反映在企业的经营状况上。然而，直到20世纪60年代之后破产预测的研究才引起学者们广泛的重视。在这一研究中，破产事件作为人们的研究变量直接影响着最终的预测结果，学者们对破产发生的概念却有着不同的解释。究其原因，发现破产事件的出现往往是一个连续的过程，无法找到一个明确统一的分界点来进行界定，因此不同的学者对破产的看法各执一词。国外大多数研究者认为当企业向法院提出破产申请时就标志着该企业即将陷入破产清算的境地，进入法定的破产程序就是法律上的破产。

对比之下，国内学者们对于破产预测的研究起步较晚，在一些概念上基本沿用了国外的理论成果，大多数对于中国企业破产预测的研究往往以是否被ST(SpecialTreat)来作为企业是否破产的标志，被ST的企业就代表着破产的企业，否则，就是健康的企业。除此之外，一些学者对破产的概念有其他的界定标准。然而，不论哪一种解释，都是尽可能真实地反映企业破产所属的情况。

总的来说，企业破产的发生是一个阶段性的过程，从破产危机萌芽到最终危机形成，是一系列动态的过程。如果能够在危机发生之前及时发现潜在的风险并采取措施，就能够有效地防止企业破产。但是，从根本上阻止企业破产就是要找到企业破产事件发生的原因，只有对原因进行改善，才有可能从源头上找到突破口。其次，中国当前对破产预测的研究相比国外略显不足，人们对风险管理的意识也相对淡薄，必须提出新的破产预测模型来针对性地解决当前部分中国企业濒临破产而不自知的困境。

2中国上市公司破产的原因

2.1经营管理不善造成的决策失误

企业的管理者需要具备领导者的基本素养，不仅要做好组织生产的工作，还要对未来有一定的预见能力。这就对企业的管理者提出了较高的要求，而就目前来说，中国企业大部分的管理者往往更相信个人经验，凭个人感觉作出决策。这对于规模小、结构精简且主营业务单一的小型企业来说可能相对有效。但对业务模式略显复杂的企业，不可预见的风险因素更多，这种决策方式不仅缺乏科学性，也不能作为其他决策的理论指导。在大数据时代，这种管理方式更不具备可行性，往往会导致决策的失误。长时间的决策失误会使得企业资金周转困难，这种状态持续一段时间而得不到有效解决就会导致企业无法继续正常经营，最终就会走向破产。

2.2风险管理意识淡薄

企业发展受外界环境影响(如相关政策的出台，法律法规的颁布等)，组织决策需要及时根据环境预知风险作出调整。尤其是目前企业的内外部环境变化迅速，破产预测的管理应具备一套完整的机制来监测并管控风险。而市场监管规则的制定往往存在滞后性，企业必须做好自身的风险控制。而一些初具规模或者发展稳定的企业，由于其发展历程中经历了多次的竞争才在市场上占据一定的份额，因此面对风险都较为乐观。往往这些企业也存在着一定的管理自信，认为凭借自身的力量就足以抵抗风险，进而导致风险管理意识的薄弱。对此，必须提出更加高效的预测模型来提升风险管理实施效果，强化管理人员的风险管理意识。

2.3风险管理方法落后

当前的大部分企业，特别是对于中小型企业来说，存在自身规模、资金等实力背景的限制，从而难以建立科学完备的风险防控机制。在风险管理方法仍然以单一的线性、单变量模型为主。然而，就当前复杂的社会因素来说，企业最终出现破产是由一系列指标之间的相互作用而导致的，各指标之间不仅仅是一些线性的关系，更多的是一些非线性关系的相互影响。因此，企业在构建风险模型时应该结合现实的社会因素，考虑到指标之间的复杂关系。与此同时，人们所处的是一个动态的环境，在不同时期，各因素之间的相互作用也可能是千差万别的，人们更应该从动态的角度来完善风险管理模型，从而能及时发现潜在的风险因素。

3基于深度学习模型的企业破产预测研究

以现有的国内外企业破产预测研究为背景，结合现实情况下企业无法对危机及时作出反应的困境，提出了一种高效的破产预测模型。该模型重点考虑到处于困境中的企业内部影响指标之间的相互作用关系，并通过构造图数据的形式将这种相互作用以图的形式显性地反映出来，进而能够达到与深度学习模型之间的契合。进一步，使用深度学习模型对生成的图数据直接进行特征提取与分类。基于以上考虑，最终对模型作出以下改进方案。

3.1以动态数据来替换传统的截面数据

前人对于企业破产预测的研究大多使用数值型的指标，部分研究根据企业所处的困境与危机的阶段差异将研究对象分为多个观测期，如T-1、T-2等，分别代表处于破产发生的前一年、前两年等。然而，现实情况下企业破产的形成是动态的，在这个变化的过程中，各影响因素之间的相互作用是存在着差异的。由于破产这一状态的出现并不在一个时间节点，也不是一个瞬间的动作。它是经历多次累积后的聚合效果，是处于某个时间段内的，这就造成了静态数据不能很好地反映这种动态变化过程。

然而，时间序列数据代表了变量在一定时间段内的动态变化过程，特别是多变量时间序列数据包含了丰富的多维信息。很明显，这一数据类型与人们对破产动态变化的定义是一致的，它能够反映企业从困境的萌芽到最终破产清算的整个变化过程。并且，大量的指标之间的相互作用能够通过多变量时间序列的趋势变化反映出来。但是，据人们所知，使用多变量时间序列的破产预测模型相对较少。一方面，这可能与多变量时间序列破产预测样本获取较难相关;另一方面，将多变量时间序列与破产预测问题相结合存在一定的难度，关键在于如何进行特征提取并进行最终的分类。

3.2将数值型变量转换成反映变量间复杂关系的图

(graph)数据

企业破产事件发生的同时，内部指标之间的相互作用关系也处于不断变化之中。然而，现有大量的文献都是建立在对于数值型指标的研究基础之上，并且大多集中于处理单个指标在不同时期的一种表现。一方面，如果人们直接对多变量进行时间序列的分类，就无法反映各个时间序列变量之间的相关关系;另一方面，人们必须使所研究的对象与最终的分类器达成形式上的统一。这就要求在充分考虑指标之间相关关系的同时，构造的图必须是分类器能够接受的输入信息。基于以上考虑，笔者们注意到许多天然的或者是合成的系统都有着天然的图表征的特性，特别是图数据包含了变量之间的相互作用关系。对于一个企业来说，图更是一种理想的工具来构造各个指标之间的相关关系。于是提出将研究变量之间的相互关系转换成图数据的形式来代替以往研究中仅使用数值型变量的限制。在这种情况下，各个变量就转换成与图相对应的节点，每一个节点有相应的标签来表征该节点所代表的变量的种类;变量之间的相互作用关系通过动态规整距离获取的相关关系矩阵得到，并且以边的形式反映在图上。通过一定的构造规则，构造出属于任何一个企业的唯一的图。

3.3使用深度学习模型整合特征提取与分类两阶段

传统的破产预测模型大致可以分为统计类模型、浅层机器学习模型与深度学习模型三种。而浅层机器学习模型对企业破产的预测一般分为两个步骤，即特征提取与分类。对于大多数的破产预测的研究基本都需要遵循这两个步骤，第一个过程中的特征提取在随后的分类过程中起到很大的决定作用。使用两个独立的模型来分别进行特征提取与分类可能出现一些不兼容的问题。一些深度学习模型，如深度卷积神经网络作为深度学习中新兴的研究领域而受到研究者的追捧。尤其是它能够集特征提取与分类两个阶段于一体，首先使用卷积操作来提取图像的特征，随后直接能够对特征进行分类并输出预测结果。而大部分研究将其运用于图像识别、过程监测、金融市场分析与故障诊断等领域。在破产预测中的运用相当有限，而这一难点在于将数值型的一些影响指标转化为深度学习模型可接受的输入，打破了以往浅层机器学习模型先进行特征提取后再分类的限制。

4结论

本文提出一种新的破产预测模型，将多变量时间序列数据作为研究对象，通过提取多变量时间序列数据之间的相互作用关系特征来构造深度卷积神经网络模型的学习对象数据集。其次，将深度学习模型在人们所构建的数据集上进行训练并调参。随后使用训练过的深度学习模型来提取处于破产清算中企业的特征，并将测试对象输出为破产或者健康两种状态。最后，通过在中国上市公司的数据集上的大量实验证明了笔者们所提出方法的有效性。

参考文献：

[1]彭旭.破产预测模型的比较研究[D].成都：西南财经大学，2013.

[2]杨钟瑾.粒子群和遗传算法优化支持向量机的破产预测[J].计算机工程与应用，2013(18)：265-270.