多源數據驅動的上市公司風險識別路徑分析

譚明亮 吳昶欣

【摘? 要】防范化解金融風險和維護金融安全是黨和國家的重大戰略需求，統籌和處理好穩增長和防風險之間的關系是維護經濟金融大局穩定和促進經濟持續健康發展的必然要求。上市公司風險識別是證券投資分析、資產風險管理、證券市場監管等金融管理決策過程中的重要內容，同時對于防范化解系統性金融風險和保障金融安全有著重要的意義。論文從基于結構化數據的上市公司風險識別和引入非結構化文本數據的上市公司風險識別兩個方面對研究文獻進行綜述，以期為上市公司風險識別研究提供借鑒參考。

【關鍵詞】多源數據;上市公司;風險識別

【中圖分類號】F276? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?【文獻標志碼】A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?【文章編號】1673-1069（2022）06-0046-03

1 引言

根據《中華人民共和國公司法》（2018年修正），上市公司（Listed Company）是指股票在證券交易所上市交易的股份有限公司。由于上市公司通過證券市場向社會公眾發行股票來籌集資金，其財產來自于全社會，其投資者由成千上萬的社會公眾所構成，同時受到廣泛的社會監督，因此上市公司在國際上也被稱為公眾公司（Public Company）。在中國，股份有限公司申請其股票上市必須在注冊資金、股本總額、財務狀況和公司治理等多個方面滿足嚴格的要求;在美國，紐約證券交易所（NYSE）、納斯達克證券交易所（NASDAQ）等對于申請股票上市的公司也有著各自的要求，具體包括市值、凈資產、稅前收入、公眾持股數和股東人數等多個方面。

上市公司風險識別是證券投資分析、資產風險管理、證券市場監管等金融管理決策過程中的重要內容，同時對于防范化解系統性金融風險和保障金融安全有著重要的意義。習近平總書記和李克強總理等黨和國家領導人多次在重要的會議和場合上強調防控金融風險對于打贏防范化解重大風險攻堅戰的極端重要性以及金融安全在國家安全中的重要戰略地位，指出要及時有效地識別、發現、處置和化解系統性金融風險。本文從基于結構化數據的上市公司風險識別和引入非結構化文本數據的上市公司風險識別兩個方面對研究文獻進行綜述，以期為上市公司風險識別研究提供借鑒參考。

2 上市公司風險的概念

風險這一概念最初主要被用來描述自然風險，如今這一概念已經被廣泛應用于政治、軍事、經濟、文化和社會等領域中。盡管風險這一概念在各種場合和情境下被廣泛使用，但是學術界對于風險的概念還沒有一個統一的定義。美國學者Haynes于1895年在其著作《Risk as an Economic Factor》中最早對風險這一概念進行了定義，他指出風險意味著發生損害或損失的可能性。另外，可以從一些政府部門和相關組織機構發布的文件中獲取風險的定義。世界上第一個國家風險管理標準《澳大利亞-新西蘭風險管理標準》（AS/NZS4360：2004）將風險定義為事項發生的可能性和對目標的影響。巴塞爾委員會（BCBS）于2004年頒布的《巴塞爾新資本協議》（Basel II）將風險定義為由于可能的損失而導致預期收益的不確定性。美國反虛假財務報告委員會下屬的發起人委員會（COSO）于2004年頒布的《企業風險管理——整合框架》將風險定義為對目標產生負面影響的事項。國際標準化組織（ISO）于2009年頒布的風險管理標準《ISO/FDIS31000風險管理—原則和指引》將風險定義為不確定性對目標的影響。2009年頒布的中國國家標準《風險管理術語》（GB/T 23694—2009）將風險定義為某一事件發生的概率和其后果的組合。2013年修訂頒布的中國國家標準《風險管理術語》（GB/T 23694—2013）則將風險定義為不確定性對目標的影響。

綜合國內外的專家學者、政府部門和相關組織機構對風險的相關定義，本文將上市公司風險定義為：上市公司在生產經營的過程中，由于各種不確定因素和發生不利事件，從而有遭受損失的可能性。作為一個特殊的企業群體，上市公司除了面臨著一般企業所面臨的破產風險、信用風險、財務風險、政策風險、運營風險、管理風險、市場風險、人力資源風險、技術風險和戰略風險等共性風險以外，還面臨著強制退市風險、信息披露違規風險和股價暴跌風險等上市公司所特有的風險。與此同時，不同行業、不同規模、不同商業模式、不同業務性質、不同發展階段、不同股權結構、不同財務狀況和不同經營管理水平的上市公司所面臨的風險也不盡相同。

3 基于結構化數據的上市公司風險識別

當前用于上市公司風險識別的數據源主要是根據上市公司的資產負債表、利潤表和現金流量表計算所得的財務指標數據，研究者們主要關注于各類財務指標的選取。美國芝加哥大學的教授Beaver[1]研究發現上市公司的財務指標數據中包含了破產預測所需要的有價值的信息，其中凈收入/總負債這一項財務指標的預測能力最高。紐約大學著名的財務專家Altman[2]通過對美國破產的上市公司的財務報表數據進行研究，對22個財務比率進行數理統計篩選，最終共保留了5個常用的財務指標作為破產預測因子，構建了用于破產預測的5變量Z-Score模型。該模型通過對上市公司的5個財務指標數據進行一定的加權求和，得到上市公司的Z分數，上市公司發生破產的可能性與模型計算所得的Z分數成反比關系，即Z分數越小則意味著上市公司破產的可能性越大。在美國、英國、法國和日本等多個國家，Z-Score模型得到了廣泛的應用。

Altman等[3]后續又在破產公司樣本數據的收集和分析的基礎上對Z-Score模型進行了優化和擴展，建立了包含7個財務指標的Zeta模型。相較于Z-Score模型，Zeta模型具有更全的財務比率覆蓋面、更大的適用范圍以及更高的預測準確率。如今Zeta模型已經被美國、意大利等國的商業銀行廣泛地應用于上市公司的破產預測、財務危機預測和信用評級等場景中，創造了巨大的經濟效益，但是Zeta模型中的7個變量的權重系數由于涉及商業秘密，因此并未公開。

自Beaver和Altman的研究之后，國內外的研究者們將財務指標數據廣泛地應用于上市公司的破產預測、財務危機預測、信用風險預測等場景中。Kim等[4]選取了涵蓋企業債務清償、資本結構、盈利能力、營運能力、財務杠桿、流動性和公司規模等7個方面的30個財務指標用于韓國上市公司的破產預測。Zi■ba等[5]選取了64個財務指標應用于波蘭的制造業公司的破產預測中。Zhang等[6]選取了反映企業抗風險能力、運營效率、盈利能力和增長能力4個方面的20個財務指標來識別上市公司的信用風險。Du Jardin[7]選取了反映企業流動能力、周轉能力、盈利能力、營運能力、償付能力和財務結構6個方面的30個財務指標應用于法國上市公司的破產預測。

黃志敏[8]指出上市公司的財務危機預測模型需要考慮到上市公司的行業特征，而不是使用同一個預測模型來對所有行業的上市公司的財務危機進行預測，并在詳細分析旅游類上市公司的行業特征的基礎上，構建了涵蓋償債能力、盈利能力、運營能力、發展能力、資本結構和投資收益6個方面的旅游上市公司財務危機預測指標體系。李雪[9]從盈利能力、成長能力、營運能力、償債能力4個方面選取了12個財務指標來衡量創業板上市公司的退市風險。方匡南等[10]在已有的相關研究文獻的基礎上，選取了反映企業的償債能力、盈利能力、營運能力、成長能力、資產結構和每股指標6個方面的48個指標來實現上市公司的信用風險預測。

4 引入非結構化文本數據的上市公司風險識別

上市公司的財務指標數據由于具有容易獲取、便于計算以及分析結果易于決策者理解等優點，被廣泛應用于上市公司風險識別的學術研究和應用實踐中。然而財務指標數據也有著諸多的缺陷：首先，財務指標數據只能反映上市公司在過去的經營業績，而不能反映上市公司的經營計劃、外部競爭環境、未來發展戰略以及潛在風險等其他多個方面的重要信息。其次，披露上市公司財務指標數據的年報、半年報、季報等文件的更新頻率較低，因此財務指標數據很難及時地反映上市公司出現的風險。除此之外，財務指標數據表示的上市公司資產賬面價值可能與資產真正的價值存在差異，且存在被操縱的風險。最后，財務指標數據往往是建立在上市公司可持續經營的基礎上，并且在給定的監管框架內以相同的方式進行計算，即使具有同一財務指標數據的上市公司所面臨的內外部風險以及未來的收益往往并不相同。

金融領域存在的多源異構數據中的絕大部分是非結構化的文本數據，如上市公司的年報文本、招股說明書文本、半年報文本、臨時公告文本、公司研報文本、新聞報道文本和股吧評論等。以上市公司披露的年報文件為例，據前人的研究和統計結果表明，定量財務信息僅占上市公司年報中所有信息的20%左右，而其余80%左右的信息則以定性文本的形式存在。近年來，國內外的研究者們在開展金融數據分析與挖掘相關的研究時發現，與只關注過去經營業績的結構化的財務數據不同，上市公司的年報文本、新聞報道文本等非結構化文本數據不僅反映了上市公司在過去的經營成果和當前的財務狀況，還包含了公司發展前景、未來戰略規劃和所面臨的內外部風險等多個方面的重要補充信息。非結構化文本數據不僅具有結構化的財務數據所難以體現的豐富價值和內涵，而且還能夠有助于提高對定量會計信息的理解。也有少部分研究者探究了視頻和音頻等多媒體數據在金融決策支持中的應用，例如，Hobson等[11]利用一種可以根據人的語音來感知情緒變動以實現謊言的辨別和欺詐的識別的音頻情感分析軟件系統LVA來分析上市公司CEO在業績電話會議（Earnings Conference Calls）上的講話語音，并在此基礎上實現上市公司財務錯報的檢測。隨著互聯網的廣泛普及和以證監會為代表的政府監管機構對上市公司信息披露的要求日趨嚴格，上市公司的年報文本、招股說明書文本、季報文本、臨時公告文本、新聞報道文本和股吧評論等非結構化文本信息有著較高的可獲得性。

國內外的研究者們在將各種非結構化的金融文本數據應用于上市公司風險識別的研究上進行了積極的嘗試。Mayew等[12]研究發現，在上市公司破產的前3年時，MD&A披露的文本信息在預測破產方面比財務指標信息更加有用。Gupta等[13]對全球金融危機期間破產倒閉的52家美國上市銀行年報文本信息進行了分析，發現年報中表達的積極情感比消極情感具有更強的預測能力。Wang等[14]將上市公司年報文本中的情感特征和文本特征提取為非財務特征，并與傳統財務特征進一步融合，提高了上市公司財務危機預測的準確率。Wei等[15]基于840家美國能源上市公司的3 707份10-K年報中披露的風險因素文本信息，確定了能源企業的66種風險因素。

馬旭輝[16]將上市公司年報文本數據應用于上市公司的財務風險預測中，發現能夠提高風險預測的效能。李秉成等[17]發現上市公司年報MD&A中的前瞻性信息對于上市公司的財務危機預測能力有著顯著的提升作用。苗霞[18]研究發現上市公司年報MD&A中前瞻性文本信息所具有的凈積極情感值能夠在上市公司的財務危機預測發揮有效的作用，并且上市公司的網絡新聞報道能夠進一步提升MD&A中前瞻性文本中的情感信息在財務危機預測方面的價值和有用性。

5 結語

目前用于上市公司風險智能識別的數據源主要是上市公司的財務指標數據、公司治理數據、證券交易數據和宏觀經濟數據等結構化的數據。而非結構化的金融文本數據資源中包含了大量有關上市公司的過去經營成果、當前財務狀況、未來發展前景以及所面臨的內外部風險等多個方面的重要信息。非結構化的金融文本數據不僅具有財務指標數據、證券交易數據等結構化的數據難以體現的豐富價值和內涵，而且還能夠有助于提高對定量財務數據的理解。從國內外的相關研究發展現狀來看，越來越多的研究者開始關注于將上市公司的年報文本、新聞報道文本和股吧評論等非結構化文本數據應用于股票價格預測、公司業績預測等任務中。少部分的研究者嘗試將文本數據資源應用于上市公司風險智能識別研究中，但總體而言，這些研究還處于起步階段，將多種類型的非結構化文本數據應用于上市公司風險智能識別的研究仍然缺乏。

【參考文獻】

【1】Beaver W H.Financial ratios as predictors of failure [J].Journal of Accounting Research，1966（4）：71-111.

【2】Altman E I. Financial ratios， discriminant analysis and the prediction of corporate bankruptcy[J].Journal of Finance，1968，23（4）：589-609.

【3】Altman E I， Haldeman R G， Narayanan P. ZETATM analysis A new model to identify bankruptcy risk of corporations[J].Journal of banking & finance，1977，1（1）：29-54.

【4】Kim M J， Kang D K， Kim H B. Geometric mean based boosting algorithm with over-sampling to resolve data imbalance problem for bankruptcy prediction[J].Expert Systems with Applications，2015，42（3）：1074-1082.

【5】Zi?ba M， Tomczak S K， Tomczak J M. Ensemble boosted trees with synthetic features generation in application to bankruptcy prediction[J].Expert Systems with Applications，2016（58）：93-101.

【6】Zhang F， Tadikamalla P R， Shang J. Corporate credit-risk evaluation system： Integrating explicit and implicit financial performances[J].International Journal of Production Economics，2016（177）：77-100.

【7】Du Jardin P. Failure pattern-based ensembles applied to bankruptcy forecasting[J].Decision Support Systems，2018（107）： 64-77.

【8】黃志敏.基于行業特征的旅游上市公司財務危機預警分析[J].財會通訊，2014（29）：109-111.

【9】李雪.創業板上市公司退市風險預警研究[D].哈爾濱：東北農業大學，2015.

【10】方匡南，范新妍，馬雙鴿.基于網絡結構Logistic模型的企業信用風險預警[J].統計研究，2016，33（04）：50-55.

【11】Hobson J L， Mayew W J， Venkatachalam M.Analyzing speech to detect financial misreporting[J].Journal of Accounting Research，2012，50（2）：349-392.

【12】Mayew W J， Sethuraman M， Venkatachalam M. MD&A disclosure and the firm's ability to continue as a going concern[J].The Accounting Review，2015，90（4）：1621-1651.

【13】Gupta A，Simaan M，Zaki M J.Investigating bank failures using text mining[C]//2016 IEEE Symposium Series on Computational Intelligence，2016：1-8.

【14】Wang G，Chen G，Chu Y.A new random subspace method incorporating sentiment and textual information for financial distress prediction[J].Electronic Commerce Research and Applications，2018（29）：30-49.

【15】Wei L，Li G，Zhu X，et al. Developing a hierarchical system for energy corporate risk factors based on textual risk disclosures[J].Energy Economics，2019（80）：452-460.

【16】馬旭輝.基于機器學習的上市公司財務風險智能識別研究[D].南京：南京大學，2019.

【17】李秉成，苗霞，聶梓.MD&A前瞻性信息能提升財務危機預測能力嗎——基于信號傳遞和言語有效理論視角的實證分析[J].山西財經大學學報，2019，41（05）：108-124.

【18】苗霞.管理層語調、媒體報道與企業財務危機預測——基于年報前瞻性信息的分析[J].財會通訊，2019（27）：17-21.