基于知識(shí)圖譜的企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型構(gòu)建

汪新宇　白咸芳

摘 要：風(fēng)險(xiǎn)預(yù)警具有事前控制的作用，預(yù)警效率的提高能夠有效提升應(yīng)急管理效果。以風(fēng)險(xiǎn)預(yù)警模型為核心，圍繞風(fēng)險(xiǎn)監(jiān)測(cè)與預(yù)警模型兩個(gè)方面，以知識(shí)圖譜為工具，構(gòu)建基于數(shù)據(jù)驅(qū)動(dòng)的企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型。研究結(jié)果表明，構(gòu)建的模型在預(yù)警效果上具有良好的表現(xiàn)，且能夠反映出各自變量對(duì)于因變量影響的重要程度，可用于指導(dǎo)實(shí)際的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警工作與應(yīng)急預(yù)警機(jī)制的設(shè)計(jì)，為有效提高財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警效率提供了新方法。

關(guān)鍵詞：風(fēng)險(xiǎn)預(yù)警模型；應(yīng)急預(yù)警；知識(shí)圖譜；Logistic回歸

中圖分類號(hào)：F275 文獻(xiàn)標(biāo)識(shí)碼：A DOI：10.7535/j.issn.1671-1653.2023.02.004

Construction of Enterprise Financial Risk Early Warning

Model Based on Knowledge Graph

WANG Xinyu， BAI Xianfang

（School of Economics and Management， Shenyang University of Chemical Technology， Shenyang 110142，China）

Abstract：Risk early warning is an important part of emergency management， which plays the function of beforehand control. Improving the efficiency of early warning can effectively promote emergency management effect. A data-driven enterprise financial risk early warning model was constructed by taking the risk early warning model as the core， revolving around two aspects of risk monitoring and early warning model， and using the existing knowledge graph as the tool. The results show that the constructed model has good performance in the early warning effect， and can reflect the importance of respective variables to the dependent variable. It can be used to guide the actual financial risk early warning work and the design of emergency early warning mechanism， which provides a new method to improve the efficiency of financial risk early warning effectively.

Keywords：risk warning model; emergency early warning; knowledge graph; Logistic regression

我國應(yīng)急管理體系逐漸完善，目前的應(yīng)急管理機(jī)制及應(yīng)急管理預(yù)案對(duì)國內(nèi)發(fā)生的重大突發(fā)事件發(fā)揮了較好的作用。應(yīng)急預(yù)警是應(yīng)急管理工作的第一重要任務(wù)，預(yù)警的及時(shí)性與準(zhǔn)確性直接影響應(yīng)急管理工作的整體效率，而預(yù)警效果直接取決于預(yù)警模型的設(shè)計(jì)。目前人工智能與大數(shù)據(jù)發(fā)展迅速，各種遙感衛(wèi)星、傳感器等提供了豐富的數(shù)據(jù)源，因此提高數(shù)據(jù)整合能力，助力應(yīng)急預(yù)警機(jī)制的設(shè)計(jì)，對(duì)完善我國應(yīng)急管理體系具有重要意義。

知識(shí)圖譜于2012年由Google正式提出，它融合了多個(gè)學(xué)科的理論與方法，以符號(hào)形式描述物理世界中的概念及其相互關(guān)系，廣泛應(yīng)用于智能搜索、深度問答及社交網(wǎng)絡(luò)等多個(gè)場景。當(dāng)前，知識(shí)圖譜在金融、醫(yī)療、情報(bào)等領(lǐng)域發(fā)展相對(duì)較為成熟，但在應(yīng)急管理領(lǐng)域，多是針對(duì)應(yīng)急處置、應(yīng)急知識(shí)圖譜構(gòu)建的相關(guān)研究。杜志強(qiáng)等[1]（P1344-1355）構(gòu)建了自下向上和自上向下相結(jié)合的自然災(zāi)害應(yīng)急知識(shí)圖譜。李澤荃等[2]（P94-100）構(gòu)建了多源異構(gòu)數(shù)據(jù)的應(yīng)急知識(shí)圖譜，助力應(yīng)急領(lǐng)域知識(shí)的形式化表達(dá)。劉永立等[3]（P144-150）利用數(shù)據(jù)融合技術(shù)，構(gòu)建了火災(zāi)及耦合災(zāi)害知識(shí)圖譜，并建立了多部門應(yīng)急處置預(yù)案模型。邱芹軍等[4]（P1875-1891）構(gòu)建了面向?yàn)?zāi)害應(yīng)急響應(yīng)的地質(zhì)災(zāi)害鏈知識(shí)圖譜。劉政昊等[5]（P137-151）構(gòu)建了面向應(yīng)急管理的金融事理知識(shí)圖譜，用以輔助應(yīng)急管理決策。已有研究缺少對(duì)基于知識(shí)圖譜構(gòu)建預(yù)警機(jī)制的探討，

因此，本研究以風(fēng)險(xiǎn)預(yù)警模型為核心，圍繞風(fēng)險(xiǎn)監(jiān)測(cè)與預(yù)警模型兩個(gè)方面，以知識(shí)圖譜為工具，構(gòu)建基于數(shù)據(jù)驅(qū)動(dòng)的風(fēng)險(xiǎn)預(yù)警模型，旨在從豐富的數(shù)據(jù)中獲取有效特征，實(shí)現(xiàn)傳統(tǒng)預(yù)警機(jī)制向數(shù)據(jù)驅(qū)動(dòng)預(yù)警機(jī)制的轉(zhuǎn)變，以期為有效提高應(yīng)急預(yù)警效率提供新方法。

一、知識(shí)圖譜的定義與架構(gòu)

（一）定義

知識(shí)圖譜的主要目標(biāo)是描述真實(shí)世界中存在的各種實(shí)體關(guān)系和概念，其基本組成單位是“實(shí)體-關(guān)系-實(shí)體”構(gòu)成的三元組。在基本單位中，實(shí)體需要屬性值來標(biāo)記，關(guān)系負(fù)責(zé)連接兩個(gè)實(shí)體，從而描述客觀世界存在的復(fù)雜關(guān)系（如圖1所示）。如果兩個(gè)節(jié)點(diǎn)之間存在關(guān)系，則兩者之間由有向邊來連接，節(jié)點(diǎn)稱之為實(shí)體，有向邊稱之為關(guān)系，屬性值是對(duì)實(shí)體所做的標(biāo)記。

在邏輯上，知識(shí)圖譜可分為兩個(gè)層次：數(shù)據(jù)層和模式層[6]（P23-27） ，數(shù)據(jù)層存儲(chǔ)真實(shí)的數(shù)據(jù)記錄，如圖1中的企業(yè)財(cái)務(wù)危機(jī)-財(cái)務(wù)報(bào)表；模式層建立在數(shù)據(jù)層之上，是知識(shí)圖譜的核心，數(shù)據(jù)經(jīng)處理形成知識(shí)存儲(chǔ)于模式層并通過本體庫進(jìn)行管理。

（二）整體架構(gòu)

知識(shí)圖譜的構(gòu)建過程主要包括數(shù)據(jù)獲取、知識(shí)抽取、知識(shí)融合、知識(shí)加工4個(gè)過程。

知識(shí)圖譜的構(gòu)建始于原始數(shù)據(jù)的獲取和處理，數(shù)據(jù)是知識(shí)的來源，因此數(shù)據(jù)獲取與預(yù)處理是知識(shí)圖譜的基礎(chǔ)。依數(shù)據(jù)類型，原始數(shù)據(jù)可分為結(jié)構(gòu)化、半結(jié)構(gòu)化和非結(jié)構(gòu)化三類數(shù)據(jù)，其中，結(jié)構(gòu)化數(shù)據(jù)可直接用于知識(shí)圖譜的構(gòu)建，而半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)需要進(jìn)行信息抽取才能用于建立知識(shí)圖譜，來源不同的數(shù)據(jù)進(jìn)行預(yù)處理的結(jié)果是形成一個(gè)統(tǒng)一的數(shù)據(jù)集，在此基礎(chǔ)上進(jìn)行知識(shí)圖譜的構(gòu)建[7]（P1-13）。

知識(shí)抽取依據(jù)知識(shí)圖譜的基本組成單位可分為實(shí)體抽取、關(guān)系抽取和屬性抽取，它自動(dòng)化地從半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)中進(jìn)行實(shí)體、關(guān)系和屬性的抽取，并形成結(jié)構(gòu)化信息。其中，實(shí)體抽取是從文本數(shù)據(jù)集中自動(dòng)識(shí)別命名實(shí)體，因此也被稱為命名實(shí)體識(shí)別。關(guān)系抽取是為了得到語義信息，從相關(guān)語料中提取出實(shí)體之間的關(guān)聯(lián)關(guān)系，只有通過關(guān)系將實(shí)體聯(lián)系起來，才能形成網(wǎng)狀的知識(shí)結(jié)構(gòu)。屬性抽取的目標(biāo)是從不同的數(shù)據(jù)源中采集特定實(shí)體的屬性信息，采用數(shù)據(jù)挖掘的方法從文本中挖掘?qū)嶓w屬性和屬性值之間的關(guān)系模式，以實(shí)現(xiàn)屬性名與屬性值在文本中的定位[8]（P46-54）。如圖1中的企業(yè)財(cái)務(wù)危機(jī)，其發(fā)生時(shí)間與損失報(bào)告是企業(yè)財(cái)務(wù)危機(jī)實(shí)體的屬性值。

知識(shí)融合是在知識(shí)抽取完成后，對(duì)數(shù)據(jù)進(jìn)行的邏輯歸屬與錯(cuò)誤、冗雜的過濾過程，對(duì)于結(jié)構(gòu)化數(shù)據(jù)，主要通過知識(shí)合并的流程實(shí)現(xiàn)第三方庫的合并，以處理數(shù)據(jù)層與模式層的沖突；對(duì)于非結(jié)構(gòu)化數(shù)據(jù)，主要通過實(shí)體鏈接實(shí)現(xiàn)實(shí)體消歧和共指消解，實(shí)體消歧解決同名實(shí)體產(chǎn)生歧義問題，共指消解解決多個(gè)指稱對(duì)應(yīng)同一實(shí)體對(duì)象的問題[9]（P459-473）。

知識(shí)加工過程包括本體構(gòu)建、知識(shí)推理、質(zhì)量評(píng)估和知識(shí)更新。本體構(gòu)建是實(shí)體間并列關(guān)系的相似度計(jì)算、上下位關(guān)系的抽取以及本體的自動(dòng)生成，實(shí)現(xiàn)數(shù)據(jù)歸類的過程；知識(shí)推理是通過基于邏輯規(guī)則、分布式表示以及機(jī)器學(xué)習(xí)等的知識(shí)推理，解決圖譜之間關(guān)系值的缺失問題；質(zhì)量評(píng)估是通過設(shè)置置信度對(duì)知識(shí)的可信度進(jìn)行定量化表達(dá)，以保障知識(shí)庫的可信度；知識(shí)更新是根據(jù)圖譜投入使用后產(chǎn)生的新數(shù)據(jù)對(duì)整體架構(gòu)進(jìn)行更新。其構(gòu)建過程如圖2所示。

知識(shí)圖譜在構(gòu)建完成后，與行業(yè)特有的應(yīng)用形態(tài)、領(lǐng)域數(shù)據(jù)和業(yè)務(wù)場景相結(jié)合，即可助力某一特定領(lǐng)域的發(fā)展。本文的主要內(nèi)容不涉及知識(shí)圖譜的具體構(gòu)建，只將知識(shí)圖譜搜索結(jié)果應(yīng)用于應(yīng)急預(yù)警機(jī)制的設(shè)計(jì)過程。

（三）企業(yè)財(cái)務(wù)危機(jī)知識(shí)圖譜

企業(yè)財(cái)務(wù)危機(jī)知識(shí)圖譜是利用網(wǎng)絡(luò)搜索，結(jié)合定性分析，利用實(shí)體之間的關(guān)系和特征分析企業(yè)財(cái)務(wù)危機(jī)的詳細(xì)信息，用于企業(yè)財(cái)務(wù)危機(jī)指標(biāo)體系的構(gòu)建，為后續(xù)設(shè)計(jì)風(fēng)險(xiǎn)預(yù)警模型奠定基礎(chǔ)，同時(shí)根據(jù)應(yīng)急預(yù)警模型實(shí)現(xiàn)預(yù)警信息的可視化，以此指導(dǎo)企業(yè)的財(cái)務(wù)應(yīng)急預(yù)警工作，為企業(yè)發(fā)展提供保障。本文根據(jù)特定企業(yè)的財(cái)務(wù)現(xiàn)狀及影響因素，參考相關(guān)文獻(xiàn)，繪制出企業(yè)財(cái)務(wù)危機(jī)知識(shí)圖譜（如圖3所示）?；谠撝R(shí)圖譜，在進(jìn)行企業(yè)財(cái)務(wù)危機(jī)分析時(shí)，可將圖譜呈現(xiàn)內(nèi)容分為數(shù)值數(shù)據(jù)和非數(shù)值數(shù)據(jù)，數(shù)值數(shù)據(jù)可直接利用于模型的構(gòu)建；非數(shù)值數(shù)據(jù)可結(jié)合特定行業(yè)要求與數(shù)值分析結(jié)果進(jìn)行定性分析。

二、基于知識(shí)圖譜的企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型

應(yīng)急預(yù)警機(jī)制是包含多個(gè)系統(tǒng)和要素及其結(jié)構(gòu)關(guān)系的運(yùn)行機(jī)制。其社會(huì)學(xué)內(nèi)涵可闡述為：在正視事物各個(gè)部分存在的前提下，

動(dòng)員社會(huì)各種力量，利用有效的監(jiān)控系統(tǒng)，對(duì)可能引起公共危機(jī)的多種風(fēng)險(xiǎn)因素和危機(jī)征兆進(jìn)行監(jiān)測(cè)，

并通過預(yù)判其危害程度進(jìn)而發(fā)出正確的警報(bào)，同時(shí)在政府及其他部門的協(xié)同工作下，

協(xié)調(diào)系統(tǒng)各部分之間的關(guān)系以更好發(fā)揮應(yīng)急預(yù)警作用的具體運(yùn)行方式。因此，應(yīng)急預(yù)警機(jī)制可以看作一個(gè)系統(tǒng)，即通過綜合考慮對(duì)研究目標(biāo)產(chǎn)生影響的因素，能夠靈敏準(zhǔn)確感知危險(xiǎn)前兆的系統(tǒng)，以實(shí)現(xiàn)信息的超前反饋，為決策者及時(shí)采取措施奠定基礎(chǔ)。而整個(gè)應(yīng)急預(yù)警機(jī)制包括對(duì)風(fēng)險(xiǎn)因素的監(jiān)測(cè)、風(fēng)險(xiǎn)預(yù)警分析以及分析結(jié)果的傳達(dá)，其中風(fēng)險(xiǎn)預(yù)警模型在整個(gè)過程發(fā)揮核心作用。知識(shí)圖譜作為一種描述客觀世界復(fù)雜關(guān)系的技術(shù)，能夠?qū)︼L(fēng)險(xiǎn)因素的監(jiān)測(cè)與結(jié)果的可視化表達(dá)提供有力支撐，本文基于應(yīng)急預(yù)警機(jī)制的主要內(nèi)容與技術(shù)支撐設(shè)計(jì)了基于知識(shí)圖譜的風(fēng)險(xiǎn)預(yù)警框架，如圖4所示。知識(shí)圖譜要根據(jù)特定領(lǐng)域知識(shí)與行業(yè)要求構(gòu)建，形成相應(yīng)的數(shù)據(jù)層與模式層后再應(yīng)用于風(fēng)險(xiǎn)監(jiān)測(cè)系統(tǒng)與風(fēng)險(xiǎn)預(yù)警系統(tǒng)。

（一）風(fēng)險(xiǎn)監(jiān)測(cè)系統(tǒng)指標(biāo)選取

對(duì)風(fēng)險(xiǎn)因素的監(jiān)測(cè)本質(zhì)上是風(fēng)險(xiǎn)的識(shí)別過程，風(fēng)險(xiǎn)監(jiān)測(cè)系統(tǒng)的主要任務(wù)是根據(jù)各種潛在的風(fēng)險(xiǎn)指標(biāo)，構(gòu)建風(fēng)險(xiǎn)監(jiān)測(cè)指標(biāo)體系，同時(shí)對(duì)數(shù)據(jù)進(jìn)行相關(guān)處理后初步判斷研究目標(biāo)的現(xiàn)狀，處理后的數(shù)據(jù)用于風(fēng)險(xiǎn)預(yù)警系統(tǒng)中的模型分析階段。在綜合考慮數(shù)據(jù)獲取難易程度、預(yù)警標(biāo)志的設(shè)計(jì)、知識(shí)圖譜可視化結(jié)果等多個(gè)方面后，構(gòu)建企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型，進(jìn)行應(yīng)急預(yù)警機(jī)制的設(shè)計(jì)與實(shí)證分析。

姚爽等[10]（P136-140）綜合選取了12個(gè)財(cái)務(wù)指標(biāo)和7個(gè)非財(cái)務(wù)指標(biāo)對(duì)企業(yè)的信用風(fēng)險(xiǎn)進(jìn)行定量分析。關(guān)璧麟等[11]（P82-89）選取了資產(chǎn)結(jié)構(gòu)、財(cái)務(wù)結(jié)構(gòu)等方面的29個(gè)指標(biāo)進(jìn)行了企業(yè)財(cái)務(wù)危機(jī)的信號(hào)與預(yù)測(cè)分析。參考相關(guān)文獻(xiàn)[12]（P41-44），選取了14個(gè)財(cái)務(wù)指標(biāo)作為監(jiān)測(cè)指標(biāo)，見表1。

（二）風(fēng)險(xiǎn)預(yù)警系統(tǒng)模型構(gòu)建

1.預(yù)警標(biāo)志確定

風(fēng)險(xiǎn)預(yù)警系統(tǒng)的主要任務(wù)是根據(jù)預(yù)警標(biāo)志判定研究系統(tǒng)是否需要報(bào)警[13]（P126-129）。對(duì)企業(yè)財(cái)務(wù)危機(jī)的界定方法眾多，比如依據(jù)企業(yè)股票是否為ST股票作為判定標(biāo)準(zhǔn)。本文將資產(chǎn)的經(jīng)營性現(xiàn)金流量回報(bào)率是否為負(fù)作為判定企業(yè)財(cái)務(wù)危機(jī)的標(biāo)準(zhǔn)。資產(chǎn)的經(jīng)營性現(xiàn)金流量回報(bào)率是經(jīng)營活動(dòng)產(chǎn)生的現(xiàn)金流量凈額與總資產(chǎn)的比值，其正負(fù)取決于企業(yè)經(jīng)營性現(xiàn)金流量凈額的正負(fù)，若經(jīng)營性現(xiàn)金流凈額為負(fù)，說明在報(bào)告期內(nèi)經(jīng)營活動(dòng)的現(xiàn)金流出大于現(xiàn)金流入，企業(yè)面臨現(xiàn)金流動(dòng)危機(jī)，因此該指標(biāo)相對(duì)于ST股票更具合理性。

2.預(yù)警模型構(gòu)建

在預(yù)警標(biāo)志確定的基礎(chǔ)上，因變量Y為企業(yè)是否出現(xiàn)財(cái)務(wù)危機(jī)，當(dāng)企業(yè)經(jīng)營性現(xiàn)金流量凈額為正時(shí)，Y賦值為1，反之則賦值為0。由于Y為二值分類變量，因此選用二元Logistic回歸分析對(duì)該問題進(jìn)行建模。上述風(fēng)險(xiǎn)監(jiān)測(cè)系統(tǒng)確定的n（n=14）個(gè)指標(biāo)為Y的影響因素，則令P表示在n個(gè)影響因子下企業(yè)出現(xiàn)財(cái)務(wù)危機(jī)的概率，則函數(shù)關(guān)系可記為P=P（Y=0|x1，x2，x3，…， x14）。

回歸模型為

將上式進(jìn)行對(duì)數(shù)變換，得到以下線性模型：

Logistic P=β0+β1x1+β2x2+…+βnx14，

其中，回歸系數(shù)βi用來表示變量xi對(duì)企業(yè)財(cái)務(wù)危機(jī)出現(xiàn)的影響程度。

三、實(shí)例分析

（一）數(shù)據(jù)獲取與預(yù)處理

以上市企業(yè)為研究對(duì)象開展實(shí)證研究，選取2022年中國A股市場70家上市公司的財(cái)務(wù)數(shù)據(jù)，其中50家企業(yè)數(shù)據(jù)用于模型訓(xùn)練，20家企業(yè)數(shù)據(jù)用于模型驗(yàn)證。財(cái)務(wù)指標(biāo)數(shù)據(jù)來源于新浪財(cái)經(jīng)網(wǎng)的公開數(shù)據(jù)。以經(jīng)營性現(xiàn)金流是否為負(fù)作為企業(yè)財(cái)務(wù)危機(jī)的判別標(biāo)準(zhǔn)，其中，正常企業(yè)23家，危機(jī)企業(yè)27家。預(yù)處理過程包括數(shù)據(jù)缺失值檢查與標(biāo)準(zhǔn)化處理，將有缺失值的企業(yè)刪除，并替換為無缺失值的其他企業(yè)；標(biāo)準(zhǔn)化處理是為了消除量綱影響。

（二）主成分分析

對(duì)選取的財(cái)務(wù)指標(biāo)做主成分分析，以降低指標(biāo)之間的相關(guān)性。在經(jīng)過預(yù)處理之后，選用SPSS25軟件對(duì)歸一化后的數(shù)據(jù)進(jìn)行主成分分析，得到KMO、巴特利特檢驗(yàn)、評(píng)價(jià)指標(biāo)的累積方差貢獻(xiàn)率和旋轉(zhuǎn)后的成分矩陣，見表2、表3和表4。

由表2，KMO取樣適切性量數(shù)為0.677>0.5，說明數(shù)據(jù)可以接受做因子分析，巴特利特球形度檢驗(yàn)顯著性為0.000<0.05，說明該變量可以為因子分析提供合理基礎(chǔ)。

由表3可知，前5個(gè)公共因子可以解釋原始變量總方差的80.383%，說明這5個(gè)公因子對(duì)于總體有較好的代表性，因此本文從14個(gè)財(cái)務(wù)指標(biāo)中提取出5個(gè)公共因子進(jìn)行后續(xù)分析。

表4是使用凱撒正態(tài)化最大方差法得到的旋轉(zhuǎn)后的成分矩陣，根據(jù)各變量的因子載荷系數(shù)判斷因子歸類。公因子1由流動(dòng)比率、速動(dòng)比率、現(xiàn)金比率和資產(chǎn)負(fù)債率構(gòu)成，反映企業(yè)的債務(wù)狀況；公因子2由成本費(fèi)用利潤率、銷售凈利率和凈資產(chǎn)收益構(gòu)成，表示企業(yè)的贏利能力；公因子3由主營業(yè)務(wù)收入增長率、凈利潤增長率和凈資產(chǎn)增長率構(gòu)成，表示企業(yè)的成長能力；公因子4由經(jīng)營現(xiàn)金凈流量對(duì)銷售收入比率、資產(chǎn)的經(jīng)營現(xiàn)金流量回報(bào)率、經(jīng)營現(xiàn)金凈流量對(duì)負(fù)債比率構(gòu)成，表示企業(yè)的現(xiàn)金流量；公因子5由主營業(yè)務(wù)成本率構(gòu)成，表示企業(yè)的付出成本。見表5。

由于旋轉(zhuǎn)后的成分矩陣并不是主成分載荷矩陣，因子在SPSS中根據(jù)公式（1）計(jì)算主成分載荷矩陣，并計(jì)算得出每個(gè)主成分的表達(dá)式。

Ui=Ai/√i ，（1）

其中，Ui是主成分載荷矩陣，Ai是因子載荷矩陣，λi是各個(gè)因子的特征值，Zxi是標(biāo)準(zhǔn)化后的變量。主成分表達(dá)式如下：

F1=-0.037 82Zx1-0.013 35Zx2-0.025 81Zx3-0.014 68Zx4+0.027 14Zx5-0.030 70Zx6+0.000 44Zx7+0.170 42Zx8+0.160 18Zx9+0.096 55Zx10-0.119 25Zx11+0.020 47Zx12+0.014 24Zx13+0.010 23Zx14。（2）

F2=0.007 37Zx1+0.156 48Zx2+0.326 57Zx3+0.159 88Zx4-0.075 97Zx5-0.065 2Zx6-

0.065 77Zx7-0.108 29Zx8-0.040 82Zx9-0.029 48Zx10-0.114 53Zx11+0.082 21Zx12-0.056 70Zx13-0.078 81Zx14。（3）

F3=0.001 83Zx1+0.005 49Zx2-0.172 97Zx3+0.029 29Zx4+0.474 05Zx5+0.396 27Zx6+0.297 43Zx7+0.175 71Zx8+0.033 86Zx9-0.107 07Zx10+0.170 22Zx11-0.018 30Zx12+0.043 01Zx13-0.169 30Zx14。（4）

F4=0.002 01Zx1+0.021 10Zx2-0.184 83Zx3-0.006 03Zx4-0.113 51Zx5-0.174 79Zx6+0.026 12Zx7-0.062 28Zx8-0.009 04Zx9+0.213 97Zx10-0.013 06Zx11+0.238 07Zx12+0.417 88Zx13+0.562 54Zx14。（5）

F5=0.636 66Zx1+0.067 24Zx2-0.119 77Zx3+0.029 42Zx4-0.419 19Zx5+0.222 73Zx6+0.148 13Zx7-0.213 27Zx8-0.114 52Zx9+0.217 47Zx10+0.180 70Zx11-0.514 79Zx12-0.027 32Zx13+0.121 87Zx14。（6）

（三）Logistic回歸分析

經(jīng)過主成分分析后得到的5個(gè)公因子彼此之間是線性無關(guān)的，因此可以將數(shù)據(jù)用于后續(xù)的Logistic回歸分析，并另隨機(jī)選取10家上市公司財(cái)務(wù)指標(biāo)進(jìn)行驗(yàn)證，訓(xùn)練樣本與驗(yàn)證樣本比例為8∶2。

使用主成分分析得到的5個(gè)公因子進(jìn)行Logistic回歸，采用向前LR方法，因變量為企業(yè)是否出現(xiàn)財(cái)務(wù)危機(jī)，并將出現(xiàn)財(cái)務(wù)危機(jī)的公司內(nèi)部編碼為0，正常公司內(nèi)部編碼為1，P值大于0.1時(shí)退出模型，分析結(jié)果見6。

由表6，公因子F1，F(xiàn)2，F(xiàn)4，F(xiàn)5被納入模型中，且P值均小于0.05，

Y=-3.783F1+14.269F2+16.634F4-6.918F5-3.009。（7）

根據(jù)SPSS軟件分析結(jié)果，該風(fēng)險(xiǎn)預(yù)警模型包含4個(gè)變量，分別是債務(wù)狀況、盈利能力、現(xiàn)金流量和付出成本。其中，盈利能力和現(xiàn)金流量兩個(gè)變量回歸系數(shù)為正，說明企業(yè)的盈利能力和現(xiàn)金流量與該企業(yè)是否發(fā)生財(cái)務(wù)危機(jī)呈負(fù)相關(guān)，企業(yè)盈利能力越強(qiáng)，現(xiàn)金流量越大，說明企業(yè)財(cái)務(wù)狀況更為樂觀；債務(wù)狀況和付出成本回歸系數(shù)為負(fù)，說明企業(yè)資產(chǎn)結(jié)構(gòu)不合理、成本控制不合理時(shí)，企業(yè)容易發(fā)生財(cái)務(wù)危機(jī)。

根據(jù)各變量對(duì)應(yīng)的瓦爾德系數(shù)可知，現(xiàn)金流量與付出成本對(duì)于企業(yè)的財(cái)務(wù)危機(jī)具有更大的貢獻(xiàn)度，其次是盈利能力，最后是債務(wù)狀況。上述分析結(jié)果啟示企業(yè)財(cái)務(wù)管理者應(yīng)著重關(guān)注公司的現(xiàn)金流量與成本控制，以預(yù)防財(cái)務(wù)危機(jī)的發(fā)生。

將驗(yàn)證樣本數(shù)據(jù)代入該風(fēng)險(xiǎn)預(yù)警模型，并與訓(xùn)練樣本正確率做對(duì)比。訓(xùn)練樣本預(yù)測(cè)正確數(shù)為48，訓(xùn)練樣本總數(shù)為50，訓(xùn)練集準(zhǔn)確率為96%；驗(yàn)證樣本預(yù)測(cè)正確數(shù)為17，驗(yàn)證樣本總數(shù)為20，驗(yàn)證集準(zhǔn)確率為85%，表明該模型在企業(yè)財(cái)務(wù)危機(jī)應(yīng)急預(yù)警方面有較好的表現(xiàn)。

利用本文構(gòu)建的應(yīng)急預(yù)警機(jī)制優(yōu)化企業(yè)財(cái)務(wù)危機(jī)的知識(shí)圖譜[14]（P73-76）[15]（P68-73），根據(jù)風(fēng)險(xiǎn)監(jiān)測(cè)系統(tǒng)和風(fēng)險(xiǎn)預(yù)警系統(tǒng)的分析結(jié)果，在知識(shí)圖譜中添加實(shí)體關(guān)系，突出模型分析結(jié)果，展現(xiàn)危機(jī)預(yù)測(cè)方法，實(shí)現(xiàn)企業(yè)財(cái)務(wù)危機(jī)預(yù)警的可視化。如圖5所示，在應(yīng)急預(yù)警機(jī)制的風(fēng)險(xiǎn)監(jiān)測(cè)系統(tǒng)和風(fēng)險(xiǎn)預(yù)警系統(tǒng)下，重點(diǎn)關(guān)注企業(yè)的財(cái)務(wù)指標(biāo)和財(cái)務(wù)報(bào)表，使用主成分分析與二元Logistic回歸分析的模型方法，得出不同關(guān)注程度的綜合財(cái)務(wù)指標(biāo)，現(xiàn)金流量與付出成本為黃色標(biāo)記，需重點(diǎn)關(guān)注。優(yōu)化后的知識(shí)圖譜重點(diǎn)清晰，層次分明，對(duì)于企業(yè)財(cái)務(wù)危機(jī)預(yù)警工作具有實(shí)際參考意義。

四、結(jié)語

本文以當(dāng)前應(yīng)急預(yù)警機(jī)制中預(yù)警模型的設(shè)計(jì)為核心問題，借助知識(shí)圖譜的信息可視化，研究分析了預(yù)警的具體內(nèi)容，包括風(fēng)險(xiǎn)監(jiān)測(cè)系統(tǒng)和風(fēng)險(xiǎn)預(yù)警系統(tǒng)，構(gòu)建了風(fēng)險(xiǎn)監(jiān)測(cè)的指標(biāo)體系與風(fēng)險(xiǎn)預(yù)警模型；以企業(yè)財(cái)務(wù)危機(jī)為例，利用SPSS數(shù)據(jù)分析軟件進(jìn)行了實(shí)證分析。研究結(jié)論如下：訓(xùn)練樣本模型準(zhǔn)確度高達(dá)96%，驗(yàn)證樣本模型準(zhǔn)確率高達(dá)85%，這表明本文構(gòu)建的應(yīng)急預(yù)警模型在預(yù)警效果上表現(xiàn)良好。

知識(shí)圖譜為信息的獲取、管理與呈現(xiàn)提供了一種新的手段，為應(yīng)急預(yù)警工作中信息收集與可視化呈現(xiàn)提供方便，在當(dāng)前人工智能與大數(shù)據(jù)飛速發(fā)展的時(shí)代，基于數(shù)據(jù)驅(qū)動(dòng)的模型構(gòu)建能夠大幅度提高定量分析的準(zhǔn)確度，為應(yīng)急預(yù)警工作的決策提供可靠建議。另外，數(shù)據(jù)爆炸式增長不僅需要數(shù)據(jù)降維，更需要數(shù)據(jù)的篩選與系統(tǒng)呈現(xiàn)，應(yīng)急預(yù)警工作需要更多先驗(yàn)知識(shí)以構(gòu)建模型，先驗(yàn)知識(shí)越準(zhǔn)確，維度越多，模型準(zhǔn)確率越高，因此知識(shí)圖譜作為信息管理的新工具，既可以應(yīng)用于信息搜集與分析階段，也可以應(yīng)用于分析結(jié)果的呈現(xiàn)階段。

本文方法的有效性證明了知識(shí)圖譜應(yīng)用于應(yīng)急預(yù)警領(lǐng)域的可行性，為應(yīng)急預(yù)警工作的信息搜集、模型構(gòu)建與機(jī)制內(nèi)容設(shè)計(jì)提供了新的方法，對(duì)于新時(shí)期完善應(yīng)急管理體系具有重要意義。

本文不足之處包括知識(shí)圖譜應(yīng)用與數(shù)據(jù)選取方面。首先是本文并未通過數(shù)據(jù)層與模式層的搭建來構(gòu)建應(yīng)急領(lǐng)域的知識(shí)圖譜，只是應(yīng)用應(yīng)急知識(shí)的搜索以知識(shí)圖譜的形式進(jìn)行可視化展示，用以風(fēng)險(xiǎn)指標(biāo)體系的構(gòu)建；其次是以企業(yè)財(cái)務(wù)危機(jī)為例進(jìn)行實(shí)證分析，在數(shù)據(jù)選取方面缺乏動(dòng)態(tài)性，數(shù)據(jù)量相對(duì)較少，且未將非數(shù)值型數(shù)據(jù)納入數(shù)據(jù)選取范圍。

在后續(xù)研究中，可以就某一領(lǐng)域的應(yīng)急管理工作構(gòu)建應(yīng)急預(yù)警知識(shí)圖譜，通過本文所述的構(gòu)建過程，實(shí)現(xiàn)知識(shí)圖譜的自動(dòng)化呈現(xiàn)。在數(shù)據(jù)選取方面，可嘗試動(dòng)態(tài)的時(shí)序數(shù)據(jù)，同時(shí)擴(kuò)大數(shù)據(jù)量與數(shù)據(jù)源進(jìn)行模型訓(xùn)練與驗(yàn)證。

參考文獻(xiàn)：

［1］杜志強(qiáng)，李鈺，張葉廷，等.自然災(zāi)害應(yīng)急知識(shí)圖譜構(gòu)建方法研究［J］.武漢大學(xué)學(xué)報(bào)（信息科學(xué)版），2020（9）.

［2］李澤荃，祁慧，曹家琳.多源異構(gòu)數(shù)據(jù)應(yīng)急知識(shí)圖譜構(gòu)建與應(yīng)用研究［J］.華北科技學(xué)院學(xué)報(bào)，2020（6）.

［3］劉永立，王海濤.基于知識(shí)圖譜的火災(zāi)及耦合災(zāi)害應(yīng)急處置管理［J］.煤礦安全，2022（9）.

［4］邱芹軍， 吳亮， 馬凱， 等.面向?yàn)?zāi)害應(yīng)急響應(yīng)的地質(zhì)災(zāi)害鏈知識(shí)圖譜構(gòu)建方法［J］.地球科學(xué)，2023（5）.

［5］劉政昊，曾曦，張志劍.面向應(yīng)急管理的金融突發(fā)事件事理知識(shí)圖譜構(gòu)建與分析研究［J］.信息資源管理學(xué)報(bào)，2022（3）.

［6］張吉祥，張祥森，武長旭，等.知識(shí)圖譜構(gòu)建技術(shù)綜述［J］.計(jì)算機(jī)工程，2022（3）.

［7］王毅，沈喆，姚毅凡，等.領(lǐng)域事件圖譜構(gòu)建方法綜述［J］.數(shù)據(jù)分析與知識(shí)發(fā)現(xiàn)，2020（10）.

［8］姜磊，劉琦，趙肄江，等.面向知識(shí)圖譜的信息抽取技術(shù)綜述［J］.計(jì)算機(jī)系統(tǒng)應(yīng)用，2022（7）.

［9］趙曉娟，賈焰，李愛平，等.多源知識(shí)融合技術(shù)研究綜述［J］.云南大學(xué)學(xué)報(bào)（自然科學(xué)版），2020（3）.

［10］姚爽，高江波，黃瑋強(qiáng).制造業(yè)上市公司信用風(fēng)險(xiǎn)預(yù)警研究——基于FA-BA-BP神經(jīng)網(wǎng)絡(luò)模型［J］.財(cái)會(huì)通訊，2022（12）.

［11］關(guān)璧麟，劉秋菊.制造業(yè)上市公司財(cái)務(wù)危機(jī)信號(hào)和預(yù)測(cè)分析——基于不同指標(biāo)類型的比較研究［J］.金融與經(jīng)濟(jì)，2022（5）.

［12］王紅偉.我國突發(fā)公共衛(wèi)生事件應(yīng)急管理體系建設(shè)研究［J］.衛(wèi)生經(jīng)濟(jì)研究，2021（9）.

［13］岳清春.協(xié)同應(yīng)急視閾下的監(jiān)測(cè)預(yù)警機(jī)制研究［J］.消防科學(xué)與技術(shù)，2016（1）.

［14］周苓羽.突發(fā)公共衛(wèi)生事件預(yù)警機(jī)制研究［J］.中國衛(wèi)生法制，2021（5）.

［15］范慧，范和生.疫情防控預(yù)警機(jī)制的社會(huì)脆弱性及優(yōu)化策略——基于新冠肺炎疫情的分析［J］.山東社會(huì)科學(xué)，2020（9）.

收稿日期：20220922

基金項(xiàng)目：教育部產(chǎn)學(xué)合作項(xiàng)目（220505095305856）

作者簡介：汪新宇（1971-），男，遼寧開原人，沈陽化工大學(xué)經(jīng)濟(jì)與管理學(xué)院教授，碩士，主要從事數(shù)據(jù)建模及優(yōu)化研究；白咸芳（1998-），女，山東濟(jì)寧人，沈陽化工大學(xué)經(jīng)濟(jì)與管理學(xué)院2021級(jí)管理科學(xué)與工程專業(yè)碩士研究生。