中小企业在中国市场经济中扮演着越来越重要的角色。中小企业是国民经济和社会发展的生力军，是建设现代化经济体系、推动经济实现高质量发展的重要基础，是扩大就业、改善民生的重要支撑。本文动力在于提高中小企业财务危机预警的准确性，帮助它们在危机的孵化期发现潜在危险，并有效应对财务危机本研究旨在提高中小企业财务危机预警的准确性，帮助它们在危机潜伏期发现潜在风险并有效应对。首先，本研究分析中小企业的发展特点、面临的危机以及财务危机预警系统。然后，使用统计方法确定哪些指标对实施预警模型至关重要，以确定指标体系。本文为此引入了相关的机器学习算法，采用堆叠融合方法实现企业财务危机管理与预警系统，帮助企业经营者在危机孵化期发现潜在危险。
本文旨在提高中小企业财务危机预警的准确性，提供了一种更实用、效率更高、精度更高的预测方法。原文为英文， “IMI财经观察”对文章核心观点进行了编译，以飨读者。
Machine-learning-enabled intelligence computing for crisis management in small and medium-sized enterprises (SMEs)
本研究旨在提高中小企业财务危机预警的准确性，帮助它们在危机潜伏期发现潜在风险并有效应对。首先，本研究分析中小企业的发展特点、面临的危机以及财务危机预警系统。然后，使用统计方法确定哪些指标对实施预警模型至关重要，以确定指标体系。为此，引入了相关的机器学习算法，采用堆叠融合方法实现企业财务危机管理与预警系统（CFCM-EWS）。CFCM-EWS能够挖掘数据之间的关系，分析非线性和难以解释的问题。将经典的财务预警模型（反向传播神经网络和逻辑回归模型）与XGBoost模型进行比较，突出了XGBoost模型的优势。模型的判别结果显示，其对特别处理和非特别处理企业的预测准确率分别为85.8%和81.9%。使用堆叠方法将逻辑回归、XGBoost和BPNN模型进行融合。与传统计量经济学模型相比，机器学习提供了一种更实用、效率更高、精度更高的预测方法。最终融合模型在预测性能上优于投票和平均方法。这讨论的基于智能计算的CFCM-EWS对中小企业准确预测财务危机并采取及时对策具有重要价值。
经济一体化正在进一步加剧企业间的竞争。2008年的金融海啸在全球经济中造成了巨大的动荡，创造了在范围和深度上前所未有的经济危机。自那时以来，更多企业开始集中关注企业财务危机管理和预警。同时，政府也特别关注对各自国家经济的企业财务危机管理和预警。2022年，全球经济受到新冠大流行和俄罗斯与乌克兰之间的军事冲突的打击。这些多重打击引发了粮食价格飙升和市场萎缩。由于现金流枯竭，许多中小型企业已经倒闭，几乎无法生存。特别是，企业财务危机管理和预警具有不确定性、紧迫性和预防性的特点。通常，危机会造成严重的经济损失并损害品牌形象。不当的危机处理可能导致破产。因此，大型企业将企业财务危机管理和预警视为企业发展的首要任务。根据危机发展过程，企业财务危机管理和预警可划分为危机预防、危机管理和危机总结。
企业业务流程中的企业财务危机管理和预警可直接决定其生存。金融危机可以损害企业发展，并受到具有长潜伏期的复杂和多重因素的影响。通常金融危机的形成遵循特定规则，基于规则可以设计出企业财务危机管理预警系统。企业财务危机管理预警系统基于公司资产负债表、公司战略和市场环境。定量或定性向公司所有者和其他合作伙伴通报业务风险。
同时，企业财务危机管理预警系统能够分析异常商业波动或金融危机的原因，并挖掘企业财务操作系统中隐藏的问题。然后，企业财务危机管理预警系统迫切要求企业管理部门采取预防性和控制性的对策和行动。它还为行政部门提供了决策制定、风险控制以及组织层面的分析手段和技术。股市总是被视为非常危险，因为它可能在人们最不期望的时候崩溃，使人们和投资组合经理措手不及。事实上，这样的崩溃并非突然发生，而是可以通过无数微观和宏观因素被察觉。然而，人们很难提前发现这些线索。机器学习和时间序列模型可以用来提前预测这些模式，从而在问题发生之前采取及时行动。基于学习的政策优化算法可以提高泛化能力。通过财务预警系统，可以观察到企业的经营活动是否处于安全状态，以及企业的生产经营行为是否符合规定。该系统可提前检测到企业危机的迹象，提醒企业所有者和决策者采取及时措施，防止企业真正陷入财务危机，保护投资者和债权人的利益。
在实践中，对企业财务危机的早期预警及其随时间采取的相应措施对于在危机的萌芽阶段遏制危机具有重大意义。多变量线性预测模型使用多个财务指标来预测财务危机，它在财务危机预测中最常用。多变量风险预警模型包括多变量线性判别、Fisher和主成分分析模型。近几十年来，人工智能经历蓬勃发展，在企业财务危机管理预警系统中作为智能手段找到应用。一个智能的企业财务危机管理预警系统能够根据企业运营和财务目标分析资本流动的规律，并及时捕捉影响财务回报的主要管理错误和波动信号，如堵塞、浪费和滞留。系统可以评估资金使用情况，提供预警，并帮助企业采取相应措施，以增强风险措施的稳健性。
中小企业在中国市场经济中扮演着越来越重要的角色。本文动力在于提高中小企业财务危机预警的准确性，帮助它们在危机的孵化期发现潜在危险，并有效应对财务危机。因此，本文将基于中小企业的数据研究企业财务危机管理。本文创新之处在于设计了针对中小企业数据特点的CFCM-EWS模型。它实现了企业财务危机的早期预警，并帮助企业经营者在危机孵化期发现潜在危险。该CFCM-EWS模型采用大数据技术驱动的思维范式，通过人工智能中的神经网络模型进行模拟，并通过遗传算法进行优化。
危机通常是概率低但影响大的事件，它们威胁到组织的生命力。企业需要通过危机管理来收集和监控信息。为此，企业首先收集对产品信息的公众反应，随时监控具有代表性的危机因素。其次，必须掌握行业信息，以讨论和调整企业的战略和经营政策。第三，要有效识别、分类和分析监控信息，预测未来可能发生的危机类型，并在必要时生成危机敏感报告。企业应该准备好应对潜在的危机，并建立危机管理组织。同时，应基于对管理者指导和每个成员责任的全面理解来制定危机管理任务。在信息社会中，企业只有通过持续获取准确及时的信息才能确保自身的生存和发展。企业必须建立一个对金融危机敏感且准确的信息监控系统。此外，必须收集和处理多维（即空间和时间）信息，并在危机初露端倪时消除危机。
与财务困境相关的成本以及确保财务灵活性是塑造资本结构最有影响力的因素，并且投资实践可以有效避免与金融危机相关的资本配给。CFCM分为四个阶段：潜在危机期、危机紧急期、危机扩散期和危机解决期。危机扩散期是四个阶段中最长的。如果CFCM能够准备精细的危机计划，危机就有可能扭转。CFCM监控企业内外部环境，尽可能找到可能爆发危机的迹象，并制定响应计划，明确战术层面的具体流程、实施方法和危机应对技巧。
失衡理论和诊断理论为企业财务危机的原因和过程以及如何早期发现危机现象提供了理论基础。财务危机预警系统是一个金融分析系统，企业通过观察一系列关键财务变量的变化来预测他们将面临的财务危机。财务部门应提供数据以估计潜在的财产损失和净收入。此外，财务管理部门的财务监督应及时发现财务漏洞，从而避免单位财产风险的危机。
企业财务危机会对企业发展造成致命打击，并且是由多种因素造成，具有较长的潜伏期。通常，金融危机的形成遵循一定的规则。因此，根据企业的财务报表、商业计划、相关业务数据和外部数据，在内部组织中建立预警系统是至关重要的。可以使用各种定量或定性分析方法，提前告知业务经营者和其他利益相关者业务波动和企业危机。构建预警系统的主要问题是财务指数的选择。这些指数应全面反映企业的财务状况和运营规律，及时预警运营中的财务危机，并迅速采取预防和控制措施。
Altman在1968年首次使用基于五个财务指数的神经网络（NN）模型研究企业风险预警系统。揭示了基于NN的EWS在训练样本上的准确度高达100%，表明NN具有很高的预测准确性。K-均值聚类（KMC）算法在处理数值数据方面比NN更简单。同时，随后的K-Modes算法可以用于数据分类。该算法在数值数据的基础上使用匹配差异函数处理其他数据类型。此外，随机森林（RF）从不同角度和入口点分析财务报表。最后，他们总结分析结果以产生最终决策。研究通过构建多个决策树来模拟分析团队。最后，他们通过投票决定最终模型预测，从而整合了机器学习技术。基于Dempster-Shafer-随机森林（DS-RF）模型的企业财务风险预警方法，将经典的机器学习方法，RF算法，引入证据理论框架，构建了一个具有四个维度的随机森林模型：盈利能力、资产质量、债务风险和运营增长。在预测风险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。
财务危机预警模型可以根据是否具有学习功能分为两种类型：静态和动态财务危机预警模型。静态财务危机预警模型包括单变量判断模型、多元线性模型及其衍生模型和概率模型。动态财务危机预警模型主要基于神经网络分析。
上述研究表明，在企业财务危机预警问题上，内部组织建立EWS是一个普遍接受的方法。它对公司随后的财务危机管理具有重要意义。关于CFCM和预警的现有文献已经从不同角度进行了研究，主要在危机的早期阶段。然而，关于EWS具体实践和应用的研究相对缺乏。本研究将专注于中小企业作为研究对象，并应用智能计算（IC）方法来实现CFCM-EWS模型。创新之处在于构建一个基于机器学习算法理论基础的堆叠模型融合方法的危机预测模型。它在帮助中小企业有效应对即将到来的财务危机方面具有重要价值。
（一）中小企业的发展特点与危机
中小企业的发展和管理以高速和轻量为特点，内部控制系统往往不够完善。因此，中小企业的管理者和员工普遍缺乏风险意识。与大公司相比，灵活性可能是中小企业最显著的特征。它们规模小，几乎完全基于自我管理。同时，中小企业的经营者通常对企业的运营和发展具有更高的动力和热情。他们能够迅速应对市场变化，并且拥有管理和执行公司的独家权利和决策权。因此，他们能够做出快速决策，响应积极的企业发展因素。另一方面，由于规模小，中小企业在物质、人力和财务资源方面有限。它们缺乏经营各种产品的核心竞争能力和抵御市场风险的韧性，生产条件远不如大公司。因此，中小企业通常更专注于产品细节的财务和人力资源，以求生存和发展。产品可能单一，但中小企业强调产品质量，以在激烈的市场竞争中立足。中小企业可以根据其资源特征选择或转变盈利模式，实现可持续发展。
由于固有条件和信用问题，中小企业无法获得足够的财务支持，从金融机构借款有困难。因此，企业发展的后续资金没有保障，而社会融资成本过高。此外，中小企业通常处于起步阶段，它们的商业模式以产品或用户为导向。许多中小企业缺乏明确和创新的商业模式。有些则从事高科技产业或专注于新产品开发、新技术发展和试点项目。这些类型的企业运营通常被称为风险管理。中小企业的生存和发展关键在于现金流。其次，非财务因素，如不完善的公司治理结构和管理水平低下，增加了金融危机发生的概率。
（二）企业财务危机评估与危机管理
识别、分类和分析监控的财务信息至关重要，这有助于使其组织得当，并突显财务危机的变化。这样，企业可以对未来可能发生的财务危机类型及其危害程度进行估计。预警机制还应包括一个完整的风险评估管理系统。时间和资源总是稀缺的，因此我们需要建立某种形式的优先关注。通过风险评估识别并确定财务危机来源的全部范围，并对其进行优先排序，以便进一步考虑如何最好地管理每个财务危机来源。通常，企业财务危机的根本原因包括外部和内部原因。外部原因是威胁企业的相关危险因素，如政策和法规、社会环境和经济形势，这些属于不可控类别。内部原因是由于管理不善导致企业陷入管理困境的相关危险因素。它受人的主观主动性影响，属于企业调节范畴。应该诊断企业危机的内部原因。企业危机评估涉及三个维度：（1）危机对品牌核心利益的有害程度，如车辆安全和食物中毒。这些都是严重的危机。（2）危机的普遍性。（3）危机的频率。危机频率显著影响公众态度，包括企业内部和行业内类似危机的频率。
基于大数据技术（BDT）的CFCM系统模型面向企业，并以BDT作为技术基础和主要手段。它指涉与企业危机管理相关的大数据来做出决策。主要来说，它可以根据企业发展趋势和产业环境追踪外部市场的潜在或明显的非连续变化。结合企业的特殊情况，CFCM系统模型分析竞争对手的优势和客户趋势。企业可以应用云计算等先进技术构建危机管理平台，并通过现代媒体工具收集危机事件数据。同时，它们可以采用数学统计方法快速有效地筛选、分析和追踪数据。通过可视化技术，将复杂和抽象的数据标准化为可用的决策信息。从而，可以及时制定统一的危机决策方案。
CFCM团队旨在预防、消除或减少由危机引起的损失。最佳干预时间是在危机形成阶段。CFCM团队由高级管理人员、职能部门和外部专业人员组成，他们协调、指挥并把握真实的危机情况。进一步地，CFCM团队需要确认危机的性质和原因，进行初步评估和决策，预测影响和后果，并制定对策。
最后，在CFCM中必须明确基本行动准则，例如危机情况下与外界（包括媒体、客户和其他社会公众）的沟通机制。CFCM还必须考虑几个其他问题。应该首先考虑哪些部门或群体？谁或哪个单位有权在危机中作为企业的全权代表？这些基本原则的明确将有助于提高员工的危机意识，更重要的是，让企业在危机情况下有法可依、有章可循。
（三）在大数据下的企业财务危机管理预警系统）
财务危机也被称为财务困境，是指现金流不足以偿还债务的情况。企业的整体价值应由预期现金流的净现值反映。企业寻求不同的方法和措施来预防财务危机和破产，并在激烈的市场竞争中生存。必须关注财务危机分析和管理。CFCM-EWS基于企业的财务报表、商业计划、相关运营数据和外部市场数据。根据企业的组织结构，可以提前通过定量或定性分析方法告知经营者和其他利益相关者业务波动和危机。预警系统还可以分析不规律业务波动或财务危机的原因，并挖掘企业财务运营中隐藏的问题。企业经理可以及时采取预防措施。
构建CFCM-EWS需要遵循相关性原则。预警指标必须与企业特点结合，并且可靠和真实。同时，必须考虑全面性原则。预警系统的指标体系应全面系统地反映财务危机程度，并涵盖主要潜在危机因素。进一步地必须遵循动态原则。即通过分析当前形势预测企业发展的未来趋势。此外，预警系统指标体系应根据经济发展和环境变化不断修订和补充，以确保预警的及时性。最后但同样重要的是，可行性原则至关重要。预警系统可以在业务情况或财务状况恶化之前及时发出警报。预警信号应清晰，指标应简单易行。
大数据技术中的网络爬虫可以将上市公司的信息处理成结构化数据，并降低数据维度。通过考虑大数据指标和财务指标建立CFCM-EWS，可以看到，互联网用户的情绪可以映射到互联网上。用户在网络互动后会经历融合和排斥，形成最终的集体智慧，可以反映企业的某种状态。在特定操作中可以对企业传感器信号进行语义分析。最终，生成一个综合各种行为的综合指数。在特定处理中可以对企业传感器信号进行语义分析。这些信号流可以通过相关指标量化，形成各种行为的综合指数。
CFCM-EWS的构建分为以下五个步骤。第一，确定预警系统的对象、指标和原则，并在预警系统原则下考虑指标体系。第二，确认风险预警级别和警戒线。第三，在数据收集和处理过程中标准化定量和定性指标。第四，建立数学模型分析和评估企业危机。第五，分析结果并给出预警响应。
（四）机器学习与企业财务预测
数据和特征决定了机器学习（ML）的上限。这个极限对于模型的性能来说是不可逾越的。特别是，数据是随机森林基础预测模型有效性和准确性的基础。选择相关、准确和完整的性能预测变量，区分正常企业和财务欺诈企业至关重要。企业财务欺诈有三个特点。企业存在问题，这个问题相对较大；问题是突然暴露的，没有预警。
决策树（DT）是基于树状结构的数据分类模型。通常，树根（总训练数据集）根据与预测变量相关的规则（分支）被分成几个子数据集（节点）。分割过程持续进行，直到无法再分割（节点的数据纯度非常高，或者找不到合适的分割规则）。最终的决策树模型将形成一系列分割规则，可用于将新样本划分为某个类别。使用250个决策树弱学习器来训练模型。同时，通过放回随机抽样的方式，从训练数据集中选择100个样本来训练弱学习器。然后，使用230个决策树作为弱学习器来训练AdaBoost模型。AdaBoost将根据前一个弱学习器的预测结果调整样本权重。在给预测错误样本更高的权重后，它将样本传递给下一个弱学习器进行训练，最终的预测结果是弱学习器的加权平均结果。
本研究中的上市公司财务危机预警实际上是对未来财务状况的二元分类过程。引入随机邻域嵌入算法可以将多维样本数据投影到二维和三维空间，从而便于观察和分析样本。具体来说，引入该算法是为了在分类前确定样本企业的可分性。初始模型训练后，引入特征工程算法。它可以适当筛选用于创新上市公司财务危机预警的先前选定的财务指数。这样做确保了在最优准确性下建立的模型的简洁性，同时减少了冗余的指数和计算。
（一）实验样本和数据选择
实验样本符合工业和信息化部规定的中小企业分类标准，并已在上海证券交易所（SSE）或深圳证券交易所（SZE）上市。与非上市公司相比，所选上市公司在获取类似的财务和非财务信息方面更为可靠。同时，大多数处于关键发展期的中小企业及其资本周期通常都是良性的。然而，财务危机对资本市场将产生广泛而深远的影响。样本为2018年至2021年被特别处理的上市公司（即ST公司）。然后，选取30家作为财务危机样本。在相同行业、成立时间和上市时间相似的非ST公司中，按1:3的比例选取配对样本，共90家。所有样本数据均来自国泰安数据中心，信息及时。
（二）基于SVM模型的企业大数据非线性关系区分
本节旨在确保危机预测模型在大数据程序处理要求下能够保持高准确度。首先，在Matlab环境中构建非线性关系的散点图。显然，两种数据类型的散点各有300个。在选择散点时，考虑了散点的具体含义，以测试SVM中核函数的有效性。结果表明，径向基函数（RBF）核能更好地拟合非线性关系变量，并且大大提高了程序的处理速度。
（三）CFCM-EWS的指数选择
根据可操作性、可比性、敏感性和全面性原则，初步选取了8个类别的60个指数（创新能力、偿债能力、运营能力、盈利能力、现金流分析、治理能力、风险水平和审计意见）。然后，对数据进行规范化处理，以消除指数维度影响。
所选CFCM-EWS指数的分布情况未知。因此，采用非参数检验中的检验（K-S）来判断指数是否符合正态分布。结果发现只有X10（资产负债率）、X47（实际控制权股东比例）和X49（财务S指数）的P值大于0.05，认为这些指数遵循正态分布。
进一步对X10、X47和X49进行独立t检验。首先，分别对两个样本进行描述性统计。然后在确认两个样本的方差相同后计算均值差异。大的均值差异表明两个样本来自不同的群体，因此拒绝原假设，即群体均值相等。显然，当方差相等时，只有指数X10的P值小于0.05，表明企业之间存在显著差异。因此，排除X47和X49指数。
（四）不同预测模型ROC曲线比较
在构建企业财务危机预测模型时，使用50%交叉验证方法进行参数优化，以有效比较不同预测模型的效果。采用基于合成少数过采样技术原理的上采样方法处理不平衡数据。模型的判别结果显示，LRM对ST和非ST公司的预测准确度分别为71.5%和85.8%。XGBoost模型对ST和非ST公司的预测准确度分别为85.8%和81.9%。BPNN模型对ST和非ST公司的预测准确度分别为78.5%和73.4%。
（五）融合模型预测性能
XGBoost模型在几个预测模型中表现出色且稳定。因此，本研究使用三个基础模型的预测结果作为特征变量来训练XGBoost模型。首先，将三个基础模型中的任意两个进行融合。将LRM + XGBoost融合模型定义为A，XGBoost + BPNN定义为B，LRM + BPNN定义为C。通过投票和平均两种不同的控制方法实现模型融合，并与本文提出的堆叠模型融合方法进行比较。根据融合模型A、B和C的判别结果和ROC曲线。显然，通过提出的堆叠方法获得的模型A、B和C比通过投票和平均获得的模型表现更好。提出的堆叠方法确保了高召回率，并显示出更强的鲁棒性。与平均相比，投票融合方法相对较差。
中小企业通常依靠关键产品在短时间内快速发展，发展波动很大。此外，由于规模相对较小，它们有时在高度竞争的市场环境中比大公司面临更高的风险。因此，中小企业必须建立有效的预警系统以避免财务损失。有效的CFCM-EWS可以帮助企业经营者预测危机，并及时做出决策，以最小化未知风险的不利影响。
中小企业是国家经济快速发展的关键支柱。此外，在高科技快速发展和经济全球化的总体趋势下，中小企业前所未有地受到了冲击和震动，面临严峻的竞争和挑战。中小企业应该采取相应的措施来面对生存和发展的危机。本研究基于现有的危机管理理论研究，结合中小企业的特点，从企业的综合管理层面探索危机的可监控性和可预防性。
这里选择的样本公司是2018年至2021年被特别处理（ST）的上市公司，其中30家公司作为财务危机的样本。研究中国高科技企业的财务危机预警情况。首先，这里使用的指标来自两个方面：8类财务指标和非财务指标。接下来，通过独立样本t检验、卡方检验等方法，剔除ST企业和正常企业之间差异不显著的指标。然后，通过嵌入式方法筛选出最佳特征子集，以获得最终的预警指标体系。其中，利润是企业内外人员极为关注的一个关键问题，它直接影响企业的生产经营活动和可持续发展能力。公司利益相关者和政策压力对组织学习的中介效应的正向调节作用，这与本研究的发现大体一致。
盈利能力正是企业在经营活动中利润和盈利能力的指标。确定的指标体系被用作这里建立的Logistic回归模型、XGBoost模型和BPNN模型的输入。在融合模型的测试环节，更高的召回率表明，在测试集中给定的财务危机公司中，可以准确预测出可能发生财务危机的公司，这对研究是有益的。这里提出的堆叠危机预测方法保证了高召回率，并显示出稳健的预测效果。中小企业通常依赖关键产品在短时间内迅速扩散，并在发展中经历增加的波动性。中小企业关键产品短时间内激增对企业发展的影响，并得出大体一致的结论。创新、产品特性、广告强度、出口强度以及行业选择对外国市场的高级别资源承诺都具有积极影响。此外，由于规模相对较小，它们有时在高度竞争的市场环境中比大公司面临更高的风险。
随着全球化和经济信息化的发展，市场经济迅速发展，经济环境也在快速变化。在这样的市场环境中，风险无处不在，中小企业必须寻找有效的生存手段以实现资产的持续增值。如果企业想要实现可持续发展，就必须实施能够通过数据分析和算法比较有效预警危机的财务预警模型，然后引导企业利用现有经验发现未来可能出现的问题，并尽快处理，以预防财务危机的到来或降低危机发生的概率。预警企业的财务状况，使管理者能够及早发现危机信号并提前采取行动以防止危机爆发，已成为理论和实践研究的重要方向。
本研究以上市中小企业为财务危机预警建模的对象，财务危机样本为2018年至2021年的30家特别处理（ST）公司。然后，选择同一行业、成立时间和上市时间相似的90家非ST公司作为对照样本，比例为1:3。通过统计测试和随机森林（RF）原理筛选指数，建立了双层财务预警指标体系。统计测试用于筛选ST和非ST样本公司之间存在差异的指标，而非参数检验中的K-S检验用于判断指数是否符合正态分布。只有X10（资产负债率）、X47（实际控制权股东比例）和X49（财务S指数）的P值大于0.05，被认为符合正态分布。
通过这样的方法，研究旨在识别出能够显著区分ST和非ST企业的关键财务指标，从而构建出一个能够有效预警财务危机的模型。这样的模型不仅能够帮助企业提前发现潜在的财务问题，而且还能够为企业提供决策支持，帮助它们采取预防措施，以避免或减轻财务危机的影响。这对于中小企业来说尤为重要，因为它们通常资源有限，对市场变化的适应能力相对较弱，因此更需要一个有效的预警系统来维持其竞争力和市场地位。
（一）理论意义
本研究在中国特定的国情和上市公司财务危机的判定标准下，将被特别处理的上市公司视为陷入了财务危机。本研究采用了在该领域内研究者较少使用的XGBoost模型，这在理论上具有一定的创新意义。在相关的大数据技术背景下，本研究实现了面向中小企业的CFCM-EWS，利用智能计算方法来预测财务危机并发出预警，提供了新的视角和方法论。
具体来说，本研究在基于大数据技术构建的CFCM-EWS中，使用SVM算法拟合了一个相对平滑的函数。SVM模型的实现是通过将多个财务指数和大数据指数作为输入，而将ST（特别处理）和非ST公司作为输出。通过这种方式，研究不仅验证了SVM在财务危机预警方面的适用性，而且通过比较不同预测模型的应用效果，展示了XGBoost模型在ST和非ST公司预测准确度上的卓越表现，分别为85.8%和81.9%，超越了其他对照模型，显示出其在财务危机预测方面的稳定性和高效性。
这一研究结果不仅丰富了财务危机预警的理论框架，也为中小企业在复杂多变的市场环境中如何运用智能计算和大数据技术进行风险管理提供了理论支持。此外，研究还指出了XGBoost模型在财务危机预警领域的应用潜力，为后续相关研究提供了新的方向。
（二）实践意义
本研究的实践意义主要体现在以下几个方面：从企业自身角度来看，企业可以在运营过程中实时不断监测自身的财务状况，及时发现风险，采取预防措施，并在危机初露端倪时将其扑灭；本研究帮助企业了解自身的实际水平，促使管理者及时做出调整，降低企业危机的可能性，确保企业的健康发展；同时，预警研究可以提高企业员工对抵御财务危机的信心，并增强企业凝聚力。从投资者的角度来看，在投资企业之前，任何理性的投资者都必须首先对企业进行详细评估，并对企业的偿债能力、盈利能力、现金流、资产状况等有所了解。构建财务危机预警模型可以为投资者提供参考，有助于投资者对目标企业进行科学和准确的整体价值评估，帮助投资者制定合理的投资计划，避免因投资企业破产而造成的损失。从债权人的角度来看，他们最关心的是投资的资金能否及时回收以及能否获得理想的回报。财务危机预警模型可以帮助金融机构和债权人以更加方便和高效的方式掌握借款企业的真实情况，以便根据财务预警结果实时监控借款上市公司的财务状况。
本研究讨论的基于智能计算的CFCM-EWS对中小企业准确预测财务危机并采取及时对策具有重要价值。因此，基于XGBoost的CFCM-EWS具有重要的技术意义和经济价值。本研究构建了一个与实际市场情况相符的智能CFCM-EWS，这对中小企业预测危机并采取及时对策很重要。
然而，研究也存在一些局限性。所选中小企业数据来自上市公司，忽略了非上市公司的数据，因此结论可能有些片面。后续研究将收集非上市公司的相关数据，使模型的应用更具说服力。这种数据的扩展将有助于提高模型的泛化能力，确保其在不同类型的企业中都能发挥作用，从而为更广泛的企业群体提供财务危机预警的实用工具。
（三）局限性和建议
本研究也存在一些可以改进的不足之处。首先，目前有大量的变量筛选方法。本研究仅通过主成分分析（PCA）进行研究，后续研究中可以考虑其他变量筛选方法。其次，本研究的样本量较小，未能显示出非财务变量在财务危机中的影响，因此小样本量可能在一定程度上影响模型预测的全面性。第三，本研究选取的中国上市公司中小企业的数据全部来自中国股市与会计研究（CSMAR）数据库。由于企业财务报表和公共数据可能存在美化现象，以及企业数据的滞后性和静态性，数据的真实性和可靠性也需要考虑。未来研究中可以提高建模数据的质量。
面对中小企业可能遭遇的财务危机，本研究提出以下建议：(1) 中小企业可以与大学和研究机构积极合作，分享科学技术创新成果，并主动迎接大数据发展所带来的机遇与挑战；(2) 应增强员工对财务风险的认识培训，以提升财务人员素质；(3) 企业需要构建一个能够全面反映企业财务信息、非财务信息、宏观经济因素及发展动态的系统性指标体系，并选择合适的模型，包括传统的财务预警模型和新兴的人工智能（AI）模型。
作者信息：
赵子超（中国人民大学财政金融学院）
李德轩（北京大学经济学院）
戴稳胜（IMI特约研究员、中国人民大学财政金融学院）
来源：
《Technological Forecasting and Social Change》2023年6月
版面编辑｜王浩
责任编辑｜李锦璇、阎奕舟
主编｜朱霜霜
