大数据对财务风险预警的支持性.docVIP

大数据对财务风险预警的支持性 【摘要】本文尝试分析当前财务风险预警模型的弊端以及大数据技术的优点，建立大数据视角下多维度，全方面、高速度的企业财务预警机制，以及大数据对财务风险预警模型的支持性。 【关键词】大数据；财务风险预警模型；支持性 一、当前财务风险预警模型的弊端 （一）财务风险预警模型主要以财务指标为预测依据。1.财务指标具有滞后反应性，不完全性和主观性。企业财务预警分析是为了企业了解和适应市场，主要采用定量分析，通常只考虑财务因素。而财务指标往往只是财务发生危机的一种表现形式，甚至还有滞后反应性，不完全性和主观性。基本上所有企业在制定财务风险预警模型时都带有主观性，大部分企业的财务风险预警模型都不完全，财务指标不全面，无法涵盖所有方面，全面表达企业现状。并且财务指标本身就具有滞后反应性，这个特性与企业使用分析财务指标的初衷——预警，就是相冲突的。以财务指标为主要预测依据建立的财务风险预警模型在实际应用中很难真正预测到企业的财务风险，有很大的弊端。2.财务数据是真实可靠的假设在现实无法成立。学者们在在研究财务风险预警模型的时候，都有一个假设前提，即研究所用到的数据都是真实可靠的。这是研究的基本假设，如果没有这一假设，研究就没有任何意义。但是这一假设在现实应用中极有可能无法满足，财务舞弊和会计不作为现象非常常见，基于这些得到的财务风险预警报告不仅是失灵的，失去预警作用，可能还会有错误的引导，成为造成危机的原因。3.忽视非财务因素的重要性。财务风险预警分析应该从简单的财务报表数据分析中拓展出来，在企业运营过程中，非财务因素显得越来越重要，甚至会给企业造成致命的打击。河北三鹿企业是一个经典案例。2007年，三鹿企业超过百亿的年销售收额，巨额的销售收入引入外资入股，但是三鹿集团仅在上市三年的时间便轰然倒塌。三聚氰胺是整个事件的直接原因，而最根本的原因是风险管理失控。所以仅对企业报表数据的分析还远远不够，应定量定性结合，重视对非财务指标的分析。（二）非财务指标应用的困难巨大。1.非财务指标依靠试错方法引入。许多学者建立了结合非财务指标的模型，但这些非财务指标都是通过试错引入的。即都是在危机发生后，才能确认指标再进一步引入模型中。但是下一次危机类型基本上都不会与上次相同，那么之前建立的财务预警模型就无法预测危机。因此靠试错方法和举例方法引入的非财务指标是片面的，不完全的。主要关注指标与危机间的因果关系，而不是指标与危机，指标与指标之间的相关性。这样很有可能导致指标过少，模型失效的后果。这种方法带来的弊端影响是巨大的。2.非财务指标难以量化分析。非财务指标并不像财务指标一样容易量化计算分析，难以用数据衡量，即使有了数据说明也无法建立一个统一的标准来分析。如企业团队精神，是很难量化并且建立标准的。引入到财务风险管理模型中有很大的困难性。 二、大数据技术及对其对财务风险管理模型的支持性 （一）大数据技术。一般认为具有4V特征的数据可以称为大数据。大数据狭义概念上的4V是：Volume，Variety，Value，Velocity。Volume是指具有超大规模和超快增长的非结构化数据。Variety是指数据的种类繁多。Value是指数据的价值密度分布低，而商业价值高。Velocity是指数据处理速度快。广义上来讲，学者认为大数据是一种思维范式。大数据具有规模大、种类多、生成速度快、价值巨大但密度低的特点。（二）大数据技术对财务风险模型的支持性。1.海量数据分析成为可能。高质量的财务风险预警需要以海量数据为基础，在现有预警机制下，数据的维度不足，对非财务指标的利用程度不够，导致预警质量无法满足企业需求。海量数据分析需要大量的时间和成本，很大程度制约了财务风险预警模型的使用。大数据技术可以有效改善这一弊端。大数据的对象是总体样本数据分析，不是抽样，涵盖人机互动产生的所有数据。大数据可以高速分析海量数据，对解决当前财务预警模型的滞后反应性和拓宽适用范围有很大帮助。2.大数据技术得到的数据更加客观。人机互动产生的数据是大数据的主要来源，用户们在互联网世界产生的数据痕迹，并不是有意识留下的数据，这些数据相比于人们去选择的用于预测指标的数据会更加客观。从社会学角度来看，获取数据的无意识性越强，数据就会越客观，那么分析得出的结论也就越会接近事情的本质。危机的属性就是让人出乎意料的，具备更强无意识度的信息会对财务预警分析有更重要的意义。3.大数据关注相关性。现有的财务风险预警模型关注的目标在因果关系，着手点是造成危机的原因，尤其是试错引入就是这种思维的运用结果。这种思维的运用最直接的后果就是指标的片面性。随着研究的进步与深入，财务风险预警模型的研究不能仅仅停留在因果关系这种思维模式上，应该拓宽