基于貝葉斯網絡的企業(yè)財務風險研究

姚衡+王雙成

【摘要】企業(yè)財務風險是指由多種因素的相互作用，使企業(yè)不能實現(xiàn)預期效益。目前主要采用以線性回歸為基礎的格蘭杰方法發(fā)現(xiàn)企業(yè)運行指標之間的因果關系，但使用這種方法所發(fā)現(xiàn)的因果關系在理論和應用兩方面均具有局限性。本文結合專家知識和打分—搜索方法進行貝葉斯網絡學習，并將貝葉斯網絡用于企業(yè)財務風險因果關系發(fā)現(xiàn)和分析，可為企業(yè)防范和管理財務風險提供決策支持。

【關鍵詞】企業(yè)財務風險 因果關系 貝葉斯網絡 馬爾科夫毯

一、引言

貝葉斯網絡（Bayesian networks）是描述隨機變量之間依賴關系的圖模型，由結構（有向無環(huán)圖，用于定性描述變量之間的依賴和因果關系）和參數（條件概率分布表，用于定量描述變量之間的依賴和因果關系）兩部分構成，具有多功能性、有效性和開放性等特征?？赊D化數據為知識，并利用這些知識進行推理來解決實際問題，其有效性已在許多領域得到驗證。貝葉斯網絡中弧的方向具有因果語義，因此，貝葉斯網絡是發(fā)現(xiàn)因果關系和進行因果分析的有力工具，在企業(yè)財務風險因果關系研究方面具有廣闊的應用前景。本文依據領域專家知識進行變量排序，結合MDL（minimal description length）標準和局部搜索方法進行貝葉斯網絡學習，并將貝葉斯網絡結構用于企業(yè)財務風險因果關系發(fā)現(xiàn)和量化影響分析。

二、貝葉斯網絡

自從Pearl（1988）建立貝葉斯網絡體系以來，貝葉斯網絡已在許多領域得到了廣泛的應用。

（一）貝葉斯網絡概念

Pearl（1988）給出了貝葉斯網絡的嚴格定義，但這一定義比較復雜，很難理解，Jensen（2001）給出的更加形象直觀的貝葉斯網絡描述性定義。

定義 1 把滿足如下條件的有向無環(huán)圖稱為貝葉斯網絡。

（2）每一個變量都取有限個離散值。

從貝葉斯網絡的定義中可以看出，貝葉斯網絡由兩部分構成，分別是貝葉斯網絡結構（有向無環(huán)圖）和貝葉斯網絡參數（條件概率分布表）?；跀祿⒇惾~斯網絡的核心是貝葉斯網絡結構學習，現(xiàn)有的貝葉斯網絡結構學習方法可大致分成兩類，一類是基于打分—搜索的貝葉斯網絡結構學習，另一類是基于依賴分析的貝葉斯網絡結構學習，兩者側重的都是發(fā)現(xiàn)數據中所蘊含的變量之間最優(yōu)因果結構，以用于因果分析和推理。

（二）貝葉斯網絡學習

局部打分—搜索能夠顯著提高貝葉斯網絡結構學習的效率，而可分解定理將為基于MDL標準的局部打分—搜索提供理論依據。

三、企業(yè)財務風險因果關系分析

企業(yè)的運行情況一般是借助指標來描述，這些指標之間存在著錯綜復雜的因果聯(lián)系。通過建立這些指標的貝葉斯網絡，能夠清晰地展現(xiàn)指標之間的因果制約關系，再結合量化推理計算可為企業(yè)決策者提供支持。按以下程序建立企業(yè)運行指標貝葉斯網絡。

（一）企業(yè)財務風險指標

選擇13個企業(yè)財務風險指標，分別是：已獲利息倍數（EBIT/利息費用）本期（X1），每股收益本期（X2），每股經營現(xiàn)金流量本期（X3），銷售毛利率本期（X4），凈資產收益率本期（X5），總資產凈利率本期（X6），資產負債率本期（X7），本期存貨周轉率（X8），應收賬款周轉率本期（X9），總資產周轉率本期（X10），總資產增長率（X11），營業(yè)總收入增長率（X12），營業(yè)利潤增長率（X13）。根據所選擇的13個企業(yè)財務風險指標，從萬德數據庫中獲取2014年的上市公司企業(yè)財務風險數據。

（二）企業(yè)財務風險貝葉斯網絡學習

依據圖（2）中的馬爾科夫毯結構，對選擇的四個變量的馬爾科夫毯中變量對這四個變量的因果影響情況如表（1）到表（4）所示。

表（1）到表（4）分別給出了變量之間的量化因果影響。對X12影響最大和最小的變量是X11（不確定性降低8.19%）和X9（不確定性降低1.03%），具體狀態(tài)對X12影響最大和最小的變量是X11達到狀態(tài)“高”（不確定性降低45.32%）和X4達到狀態(tài)“中”（不確定性降低0.42%），相對于X12最敏感的變量是X11 （標準差是7.36），最不敏感的變量是X9（標準差是0.69）。對X13影響最大和最小的變量是X6（不確定性降低7.55%）和X10（不確定性降低1.32%），具體狀態(tài)對X1影響最大和最小的變量是X6達到狀態(tài)“低”（不確定性降低45.32%）和X1達到狀態(tài)“高”（不確定性降低0.13%），相對于X1最敏感的變量是X6（標準差是8.88），最不敏感的變量是X4（標準差是1.55）。對X1影響最大和最小的變量是X6（不確定性降低23.58%）和X9（不確定性降低0.16%），具體狀態(tài)對X1影響最大和最小的變量是X6達到狀態(tài)“低”（不確定性降低45.32%）和X9達到狀態(tài)“中”（不確定性降低0.09%），相對于X1最敏感的變量是X6（標準差是26.79），最不敏感的變量是X9（標準差是0.12）。對X2影響最大和最小的變量是X5（不確定性降低42.39%）和X8（不確定性降低0.29%），具體狀態(tài)對X2影響最大和最小的變量是X5達到狀態(tài)“低”（不確定性降低57.65%）和X11達到狀態(tài)“中”（不確定性降低0.28%），相對于X2最敏感的變量是X6（標準差是30.42），最不敏感的變量是X8（標準差是0.31）。這些信息將使企業(yè)管理人員進一步了解企業(yè)的運轉情況，并為決策者提供有力的決策支持。

四、結語

本文在結合依據領域專家知識的變量排序、MDL標準和局部搜索的企業(yè)財務風險貝葉斯網絡學習的基礎上，通過不確定性推理對企業(yè)運行指標的因果影響進行了分析，可為企業(yè)經營管理人員提供人機結合的決策支持，在企業(yè)運行指標因果關系發(fā)現(xiàn)和分析方面具有不可替代的優(yōu)勢。

參考文獻

[1] 王雙成， 冷翠平， 李小琳. 小數據集中的貝葉斯網絡結構學習[J].自動化學報， 2009 （8）： 1063-1070.

[2] 姚衡，高瑞，王雙成. 基于貝葉斯網絡分類器的財務信息失真識別研究[J].新會計， 2015 （6）： 37-40.注：外文參考文獻（略）。