基于机器学习的研发型制造业财务风险预警研究

一、引言

制造业作为我国实体经济的核心，其发展质量和水平对我国经济的发展起到举足轻重的作用。2022年，我国制造业增加值占全球比重近30%，制造业规模已经连续13年居世界首位。但同发达国家的先进制造业相比，现阶段我国制造业在许多方面都存在明显差距，总体水平还处在全球产业链的中低端（胡迟，2019），且面对全球贸易环境恶化、已有劳动力低成本优势减弱、创新能力不足、中低端和无效供给过剩、高端和有效供给不足（黄群慧，2017）等问题，传统制造业企业迫切需要加大以创新为导向的技术研发来实现转型升级，提高制造业发展质量和水平，以适应不断变化的内外部环境。以创新为导向的技术研发，包括新产品、新生产工艺以及新生产制造技术的研发。随着数字经济的发展，为提升转型效率，制造业企业加大对大数据、人工智能、移动互联网、云计算等数字技术的投入来助力企业技术研发，使得企业投入大量的资金到企业的数字化转型中。同时，在制造业企业技术创新的过程中，企业面临着全新的生产制造平台的变革。这个平台既包括制造智能化（生产制造过程的数字化），也包括运营管理过程中管理信息系统的数字化，这又会使得传统制造业面临成本上升、产品竞争更激烈的问题，从而使得其以前的规模效益曲线下降。为改变这一现状，传统制造业企业更加需要投入大量资金进行数字化转型。而在研发投入和数字化转型投入增加的双重压力下，企业将面临未来不确定竞争环境中的财务风险，因此亟须构建研发型制造业财务风险预警系统，动态预测企业的财务风险。

对于财务风险的预测是多数企业关注的重要问题。已有的风险预测方法主要可以分为两类。第一类是以财务比率为基础的财务预测指数方法。此类方法从关注单变量关键财务指标不断演化发展为关注多变量判别方法预警模型（Beaver，1966；Altman，1968），其中广泛应用的Z-Score 模型具有较为综合的评价效果。近年来，随着大数据分析技术的发展，构建机器学习的风险管理预警模型逐渐成为第二类预测风险的方法。孟杰（2014）通过随机森林与支持向量机等其他4种机器学习方法财务预测结果的对比，发现相比于其他常用的财务预警模型，随机森林模型的预测精度更高，稳健性更好。刘玉敏 等（2017）利用粒子群算法（PSO）优化支持向量机算法进行财务危机预警。刘玲莉 等（2021）利用本福特定律的随机森林，为上市公司危机预警研究提供新视角。

可见，国内外学者对于财务风险预警的研究在不断发展。由于当前企业所处的运营环境日益复杂，已有的预警模型中对于制造业企业生产经营活动所面临的多种叠加因素的影响的反映不够充分，尤其是，既要反映企业数字化转型提高生产运营效率获得行业竞争优势所面临的资金投入压力，还要同时反映企业适应产品创新和生产工艺创新为主的技术创新研发投入压力。因此，常见的财务风险预警模型无法满足研发型制造业财务预警的需要。所以，本文基于制造业企业面临的转型环境特征以及风险管理框架中的风险源评估要素，提出基于拓展的风险源分析框架的财务预警模型，结合应用机器学习测度工具，有针对性地提高对当前研发型制造业企业的风险预警模型的预测价值。

本文摘自《管理会计研究》2023年第5期，购买纸质期刊请请上微店购买

......