英语原文共 9 页，剩余内容已隐藏，支付完成后下载完整资料
附录A 译文
基于DS-RF模型的企业财务风险预警方法优化研究
企业的财务风险预警过程面临着不确定性和复杂性等问题。在大数据环境下，继续使用传统评估方法的学者和企业将面临巨大挑战。结合人工智能算法，动态监控其财务风险，准确有效地开展财务风险预警流程，对于企业的可持续运营至关重要。本研究提出了一种基于证据理论-随机森林（DS-RF）模型的企业财务风险预警方法。该模型有四个维度：盈利能力、资产质量、债务风险和经营增长。在预测风险的同时，确定证据的可信度，然后使用D-S合成规则进行信息融合。以JS垦务集团为研究对象，分析了一个案例。与随机森林算法和传统模型的预警结果相比，本文提出的DS-RF模型具有较高的预警准确率，结果呈现更加全面、系统，有效提高了企业财务风险预警的效率，帮助管理者高效、科学地做出相关决策。
1. 介绍
组织管理模式的集体化、国际化、平台化，增加了企业管理的复杂性。持续的新冠肺炎疫情、动荡的国际形势和政策环境的不确定性，加大了企业的风险。数字经济、知识经济和网络经济的兴起，引发了企业商业模式和风险特征的变化。企业急需打破传统数据、算法和组织在财务风险预警中的界限。人工智能技术为企业财务风险预警提供全面高效的技术解决方案和工具支持。支持多种智能分析方法，可以更好地描绘企业财务风险的特征，洞察企业财务风险的关键影响因素及其相互关系。证据理论提高了复杂不确定决策问题的融合分析能力，能够更全面、更准确地评估和预测企业财务风险。
传统的财务风险预警模型选择单个或多个变量，并使用线性回归和逻辑回归等方法。指标选择不仅主观性强，而且难以有效整合与财务风险相关的多源数据。企业的财务风险水平无法全面、系统地描述。此外，企业财务状况恶化是一个动态过程，传统的财务风险预警模型无法捕捉到这一过程中风险因素的动态变化。在新一代信息技术环境中，财务风险预警模型与人工智能算法相结合不断创新提高了财务风险警告的准确性。企业财务风险的动态演变主要体现在盈利能力、资产质量、债务风险和运营增长四个维度的财务状况动态变化上，是反映企业财务风险特征的关键证据。为了系统地整合上述四个维度的财务数据，全面描绘财务风险，迫切需要对企业财务风险评估的理论和方法进行系统改革。证据理论为解决复杂的不确定性问题提供了一个动态的自适应框架。证据综合规则也为多源信息的有效融合提供了理论依据。在证据理论中，基本概率分配（BPA）代表了证据支持的程度。大多数现有研究依靠主观经验判断来给出BPA的价值。因此，如何客观有效地确定BPA值得讨论。
基于企业财务风险评估和多源信息融合视角的预测，每条不同来源和类型的信息都可以作为财务风险评估的证据。随机森林是对决策树算法的集成和改进。树状结构的特征分类算法模型符合决策者的思维习惯和认知。因此，本研究采用随机森林算法，面对企业盈利能力、资产质量、债务风险和经营增长四个维度的财务状况的动态变化。通过随机森林算法挖掘分析了财务状况与财务风险的分类映射关系，可有效解决证据理论在特定应用领域面临的证据获取过程中的瓶颈问题。以证据理论综合规则为工具，从企业盈利能力、资产质量、债务风险、经营增长四个维度有效整合财务信息。它给出了企业财务风险的等级和可能性分布，而不是传统的财务风险评估只给出风险值。这样，它不仅可以系统客观地预测企业的财务风险，还可以帮助追踪导致企业财务风险的不同维度的财务特征，并且可以更详细地描述财务风险的原因和处理信息。
本文创造性地提出了随机森林与证据理论的有机结合，构建了基于DS-RF模型的企业财务风险预警综合模型。本文的主要研究贡献如下：
(1) 基于随机森林的财务风险评价多源证据获取方法研究，科学合理地获取不确定决策所需的证据信息，是证据理论应用的关键。本文将随机森林算法引入集团企业财务风险新特征的证据理论框架中，并以随机森林的分类和判断结果作为BPA进行财务风险特征的评估，提供了一种更加客观、有效、智能的证据信息获取方法。
(2) 建立基于DS-RF模型的企业财务风险预警综合模型。通过随机森林算法预测与财务信息的四个维度相对应的财务风险水平：盈利能力、资产质量、债务风险和经营增长。以证据理论的证据综合规则为多源信息融合的技术工具，有效整合财务信息的四个维度。通过证据理论综合后，得到企业财务风险的等级及其相应的可能性分布。在预警结果的呈现中，决策者可以了解企业财务信息四个维度的不同风险等级的概率和相应的风险等级，同时获得企业的财务风险等级。与传统的财务风险评估相比，DS-RF模型可以更好地揭示财务风险的特征和原因。
2. 文献综述
西方经济学家在1930年开始研究财务预警模型。经过国内外学者的不断探索，财务预警模型得到了完善。从单变量风险预警模型到多变量风险警告模型和大数据背景下的人工智能风险警告模型，在传统的预警模型中，单变量风险预警模型操作简单。Fitzpatrick（1932）首先使用单变量模型来区分两个比率：权益比率和净权益利润率，使用来自19家公司样本的数据。芝加哥大学的比弗教授（1966）在此基础上发现，现金流/总债务预测是最准确的。然而，单个变量并不能揭示财务状况，并且具有高度主观性，这导致结果缺乏真实性和准确性。Altman（1968）构建了著名的五变量Z-Score 模型。多元逻辑回归模型也是多元模型风险预警的典型代表。 Ohlson（1980）首次使用物流模型进行企业风险预警，发现影响破产预测准确性的重要因素是企业资产规模、资本结构、经济绩效 和流动性指标。然而，财务状况的恶化是一个动态过程，多变量预警模型无法捕捉到。
随着统计学、计算机技术和信息技术的快速发展，越来越多的人工智能和数据挖掘技术被用于商业信息处理。财务预警模型的构建在不断创新。学者们利用BP神经网络、K-最近邻算法、支持向量机（SVM）、决策树等算法，提高财务预警的准确性。Sharda（1990）首先应用BP神经网络研究了企业的财务困境，结果表明，财务预警模型的预警精度高于Z-Score模型。在此期间，自SVM模型以来在企业财务预警研究中得到了越来越多的应用。Yan（2008）比较了决策树法和逻辑回归模型在财务预警中的作用，发现决策树法在短期财务预警中具有更高的预测准确率。Halteh（2017）使用由101家伊斯兰上市银行组成的数据集，通过使用决策树，随机梯度增强和随机森林进行财务预警研究，并促进财务困境预测。
财务风险是动态的，是未来企业财务风险的预测问题，是不确定的决策问题。1967年，邓普斯特提出了上概率和下概率的概念。后来，这个概念被扩展并应用于一系列论文中。谢弗（1976）补充和改进了邓普斯特的概念，提出并推广了“证据理论”的基本概念和计算方法。为了纪念这两位学者的学术贡献，证据理论也被称为“邓普斯特-谢弗证据理论”（D-S证据理论）。证据理论问世以来，经过50多年的发展，许多学者对证据理论进行了广泛而深入的理论研究，研究取得了丰硕成果。同时，证据理论在科学技术评估中得到了广泛的应用，决策分析、信息融合、分类评估等领域近年来在解决不确定问题方面的具有一定的优势。
当使用证据理论做出科学决策时，不确定性信息应该首先通过BPA来表达，但仍然没有统一的确定BPA的方法值得讨论，主流的批量功能采集方法可分为两种类型。第一种类型是专家根据知识和经验给出主观意见，一种是一些学者通过问卷调查和头脑风暴获得了可靠性功能。第二种类型基于某些理论方法，如粗糙集理论、模糊集合论、熵函数理论和似然函数，通过建立数学模型生成BPA函数。这种方法的本质是通过某些理论或方法将证据映射到[0-1]空间，以构建质量函数。Deng（2016）通过结合BPA和熵函数重新定义了BPA算法。 Fang（2017）使用收集的样本构建似然函数，通过定义科学基础项目评估专家的语言评估信息来获得BPA。
基于以上研究，可以看出，与财务风险预警相关的研究相对丰富和成熟。国内大多数学者构建指数函数，采用不同的方法获得财务风险评估的指数权重。这些研究大多需要学者主观选择指标和数据预处理。随着新一代信息技术的广泛应用，人工智能预警手段的优势日益凸显。然而，动态算法很难在企业的财务预警系统中真正实现。企业的财务风险是不确定和复杂的。由于影响财务风险的因素不断变化和复杂，提前对财务风险进行预警是很困难的。作为人工智能的一个分支，D-S证据理论在表达、测量和融合不确定信息方面具有优势。现有学者在质量函数方面的研究成果相当丰富，可以获得证据理论。学者们密切关注通过科学合理的方法区分质量来源的关键问题。目前，还没有更统一的BPA方法。
本文认为，通过利用大数据挖掘技术中的深度学习深度，它寻求映射不同信息源的方法。随机森林算法采用决策树分类器的随机组合，不仅精度高，计算速度快。它可以有效地容忍噪音，具有更强的代表性（Nichol, Peterson, Peterson等人，2021）。随机森林算法可以在不进行特征选择的前提下处理高维数据，在解决其他分类算法问题上具有较好的性能。因此，本研究基于JS农垦集团的智能财务决策支持系统，以实际企业为背景，提出了一种基于DS-RF的财务风险预警模型，采用经典的机器学习算法之一：随机森林学习企业的历史财务数据，获得证据理论所要求的可信度， 并利用D-S综合规则综合证据，优化群体财务风险预警方法。
3. 模型体系结构
3.1 证据理论
证据理论最初由Dempster（1967）提出，Shafer（1976）在Dempster的研究基础上进一步发展了它，并将其发展为不精确推理理论，也称Dempster-Shafer的证据理论（D-S证据理论），该方法具有处理不确定信息的能力，为证据的可靠性综合提供了系统的完整性。
定义 1. 辨别框架：如果所有可能的结果都代表集合Theta;方面的任何决策问题，那么任何命题都对应于Theta;的子集，这被称为辨别框架。从定义可以看出，Theta;取决于人们的知识和经验。在Theta;的辨别框架中，要求Theta;的元素是互斥的并且具有一个且只有一个结果是正确的，Theta;中的所有可能集都由功率集2Theta;表示。如果Theta;={theta;1，theta;2}，则存在Theta;的幂集：2I = {f，i，{theta;1}，{i2}} （1）
定义 2. 基本概率赋值：如果函数 m ：2Theta; → [0，1] 满足以下条件，则设 Theta; 为信息帧：{sum;m（phi;）= 0 m（A）= 1} （2）
Asub;Theta;函数 m 称为辨别 Theta; 帧上的基本概率赋值 （BPA），forall;A sub; Theta;，m（A）称为质量函数或基本置信数，可用于指示证据支持 A 的程度。如果forall;A ⫅ Theta;和m（A）gt;0，则A称为证据的焦点元素，所有元素的集合称为焦点元素的核心。由焦点要素和BPA生成的二元主体（A，m（A）） 称为证据主体，几个证据主体构成证据。
定义 3. 邓普斯特综合规则：假设E1和E2是来自辨别框架的两组证据，并且基本概率分配是m1和m2，焦点元素分别是Ai和Bj。
3.2. 随机森林
随机森林（RF）是一种算法，它通过集成学习来集成多个决策树，以在不同的决策树之间形成森林结构。其基本思想是在随机选择的操作过程中引入的，包括随机选择部分的样品特征划分。在对样本进行分类时，样本被输入到每个决策树分类中。每个基于少数原则的决策树都从属于多数投票，每个决策树投票决定存在什么样的分类。将投票数最大的特征分类用作随机森林的预测结果，从而提高算法的准确性，进而有助于做出决策。随机森林过程如图 1 所示：
图 1 随机森林分类过程。
3.3. DS-射频模型
结合随机森林和证据理论，本文提出的财务风险评估模型如下图所示（图2）。
企业财务数据输入后，首先建立财务风险评估证据框架，辨别Theta;={theta;1，theta;2，theta;3，theta;4，theta;5}={差、低、中、好、优}。我们使用Python的Scikit-Learn为企业盈利能力、资产质量、债务风险和企业增长创建四个随机森林。通过研究企业的历史财务情况，可以获得模型的最优参数。Python的Scikit-Learn机器学习包中“predict_proba（）”的返回值表示每个决策树的结果概率，概率的总和为1。将“predict_proba（）”的结果作为证据理论的基本概率赋值。最后，利用D-S合成规则进行可靠性融合。获得财务风险警告的结果。
4. 实验
集团企业的业务具有多样化、关系复杂的特点。数字化转型背景下企业的财务风险不容小觑。特别是农业集团企业的终端交易分散，与个人的交易量较大，现金交易量大。由于行业自身产品和生产环节的特点，农业上市公司一直是 财务风险的高风险领域。研究其财务风险评估具有重要的现实意义。本文选取JS农垦组作为研究对象。作为农业国有企业的龙头企业，JS农垦集团已形成五大产业板块，包括农业、林业、畜牧渔业、食品生产、药品研发、贸易和财务服务。集团已成为与大型农工企业融为一体的大型国有企业。此外，集团积极采用智能财务决策支持系统，不断升级和优化企业的智能风险管理信息系统。该集团在企业发展规模、盈利水平、信息技术应用、风险控制等方面是整个农垦行业的典型代表，并具有参考意义。
通过对JS农垦组的走访和调查，发现企业目前采用的财务预警方法存在局限性。在当前集团的智能财务决策支持系统中，通过传统的加权方法评估财务风险。按企业行业标准（优值、好值、平均值、低值、差值）划分间隔。首先，通过判断企业指数值在行业中对应的哪个级别，给出相应的指数得分。然后乘以每个指标的权重。最后，获得企业风险评价值。这种方法受权重影响较大，具有主观性的影响，传统方法不能应用于风险和预测动态的不确定性。为此，提出一种基于DS-RF的财务风险预警方法，并对原有系统方法进行了优
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[602972]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
