财会智能化

2024-05-11

▼

更多精彩推荐，请关注我们

▼

2021年2月，国务院国资委印发《关于加强地方国有企业债务风险管控工作的指导意见》，强调了对地方国有企业债务风险的管控工作要求。如何抓住地方国企债务风险的特点，建设一套契合度高、实用性强、可落地应用的债务风险预警体系，是地方国有企业债务风险管控工作的关键。浙江省交通投资集团作为浙江省综合交通投融资主平台和综合交通建设主力军，借助数字技术，构建了“风险可衡量、成因可分析、执行可跟踪、隐患可预警、影响可控制”的企业集团债务风险管理体系。现阶段，我国对国资国企债务风险管理的研究仍十分缺乏。我们相信，浙江交通投资集团的债务风险管理实践，一方面可以为国资国企债务风险管控提供参考；另一方面，也可以为省国资委建立健全风险预警体系提供新思路，推动风险并表监管、智慧监管方面的创新，进一步释放国资监管效能。

01

引言

加强债务风险管控是打好防范化解重大风险攻坚战的重要举措，也是推动国有企业加快实现高质量发展的内在要求。企业债务水平的持续高位运行将影响企业的核心竞争能力和企业全局性战略，加之新形势下企业举债方式多元化，债务规模庞大且多为隐性债务，不利于风险研判，且地方国有企业在向银行借款中具有融资优势，其银行借款数额巨大，在国内整体经济杠杆率攀升、边际投资回报率下降的经营环境下，地方国有企业信用风险不断上升，一旦其流动性风险加剧，可能引发国有资产抛售与大幅流失，还会加大金融机构的经营风险，进而引发总体的经济金融系统性风险。

交通基础设施建设在国民经济中发挥着先导性、基础性、战略性和服务性作用，是典型的资金密集型产业，具有技术要求高、生产投资规模大、回收周期较长、资金运作难度大等特点，因此其必须重视债务风险管理。同时，随着永煤集团、刚泰集团、广州浪奇等国内外企业债务违约事件频发，党的十九届五中全会提出了“防范化解重大风险”的要求。2021年2月，国务院国资委印发了《关于加强地方国有企业债务风险管控工作的指导意见》，进一步强调了对地方国有企业债务风险的管控工作要求，如何妥善防范化解地方国有企业债务风险成为当前各地方国资委的工作重点，首先受到关注的就是身处高负债运营的交通设施类企业。在行业内生需求与外部监管压力推动下，研究如何融合管理理论与数字技术，着力打造债务风险防控体系，成为写作本文的出发点。

本文主要研究了为达到建立健全国有企业债务风险预警防控机制、提高企业风控管理效率、防范重大债务风险的目的，应如何构建一套真正适合我国国情的债务风险管理体系及具体应用路径。本文以数字技术与管理会计深度融合为抓手，以现有债务风险看不清、摸不着、管不好为切入点，以债务水平、负债结构、盈利能力、现金保障、资产质量和隐性负债六大方面为着力点，引入大数据与智能技术，构建风险指数预警潜在风险、构建归因模型挖掘风险成因、构建举措建议库匹配行动方案、构建交互流程打造风险管理闭环，实现风险“早发现、早预警、早处置”，助力国有企业统筹安全与发展。研究结论显示，基于机器学习的债务风险管理体系基本实现了对企业债务风险防控的动态化和过程化管理，同时对省国资委及其他国有企业债务风险管理体系及未来的数字化风险防控具有较大的实践参考意义。

02

理论基础和文献分析

（一）管理制度的理论基础

对于债务规模控制的研究，各学者在研究方式和研究理念等大方向上趋同，但仍存在差异。Pattillo et al.（2002）发现经济增长和债务之间是互相关联的，并以倒“U”式结构存在。之后，诸多学者开始研究债务存在的“阈值”并对其进行合理分析设定。基于欧盟的相关经验，刘迎秋（2001）认为30%—35%是合适的债务率区间，债务率超过58%，需要引发预警机制，引起集团管理层警觉。胡文军（2018）要求国企负债率应不高于65%，一旦超过限额，需要严格管控投资规模。即使涉及的投资可能影响企业的核心竞争能力和企业全局性，也必须严格按照规定的程序进行审批，控制债务规模和债务风险。付洪（2021）强调降杠杆的作用，在控制债务风险方面，需要努力地降低杠杆，保证宏观杠杆率的稳定性，并保证其能逐步下降。在推进债务目标管理工作时，需要建立健全债务约束机制及问责机制。

（二）指标设定的理论基础

Fitzpatrick（1932）对财务困境进行预测分析时，选择净资产收益率、权益乘数进行度量，使得债务风险的度量进入量化时代。随着债务风险评估与预警机制的不断发展，Ramer（1971）和Smith（1975）等学者尝试通过分析多种财务指标评估企业存在的债务风险。基于风险预警机制中债务作为核心的理念，姚绍学等（2003）依托网络，通过趋势分析和层次分析的方法，以债务为主体内容，基于项目监控企业的清偿能力和流动性，进而建立一个全流程的债务风险预警模型。郭玉清（2011）从债务具体表现形式的不同，探讨了各种债务的特点、偿债需求和实际偿还情况，并在此基础上，采取不同的数理经济学方法来测算债务违约的规模和偿债合理准备金，但基于逾期债务视角的财务风险预警控制方法毕竟是全新的理论尝试。其中很多问题有深入研究的必要，如风险阈值、偿债权重、转化概率有赖于根据历史经验判断确定，定性与定量的相互结合是难以避免的。谢燕（2021）提出，在债务风险管控制度建立的基础上，国有企业应及时建立债务风险预警机制，从过去的事后被动管理，转变为应用以预防为主、防控结合的新模式新手段，对下属企业债务风险提前动态监测。林世权（2021）认为，应综合考虑债务端、偿债资金端和可控性对债务风险进行管控，可以通过债务率和负债率对债务规模风险的指标进行度量，通过债务举措匹配度和再融资债券发行率对债务举借风险进行度量，通过借新还旧率、债务还本负担率、债务付息负担率和偿债率对债务偿还风险进行度量，通过新增一般债务依存度和新增专项债务依存度对举债依赖程度进行度量，通过债务财力弹性、负债经济弹性对债务增速风险进行度量。

（三）模型构建的理论基础

由于多元线性判别方法存在一些弊端，Martin（1977）在企业预警研究的过程中引入多元逻辑回归模型，成功预测和度量58家美联储成员银行财务困境。Brixi（1998）论文中提到的财政风险矩阵（The Fiscal Risk Matrix），主要从是否显露和是否具有法律或合同明确规定这两个角度出发，对政府债务进行分类，具体来说包括直接显性、直接隐性、或有隐性、或有显性四类债务。吴世农等（2001）利用多元线性回归分析（LPM）、Logistic回归分析及Fisher线性判定分析三种方法对70家财务困境公司和70家财务正常公司进行了指标测试，并建立了相应的财务预警模型。比较三种模型的结果，他们认为，Logistic的判定准确性最高。阿卓（2014）对现有风险预警模型的研究进行总结分类，认为风险预警模型主要分为单变量模型、多变量线性模型（Z分数模型）、非线性计量模型、人工神经网络模型四种。单变量模型已经较少得到应用，其余三种模型用不同的处理方法对财务预警进行了研究，各有优劣，仍被应用于实证研究中。阿卓利用改进后的ZETA模型、Logistic模型对生物制药行业上市公司财务风险进行分析，同时选用Fisher判别法建立模型对财务预警效果进行检验。Wu（2016）介绍了对多元线性预警模型进行改进的方法，强调多变量财务风险预警模型应随着社会的发展不断地改进，顺应时代发展需求。王磊（2018）认为，融资债务风险管理作为企业整体风险管理的重要环节，其风险管理体系建设对企业持续、健康、稳定发展起着重要作用。在风险识别方面，可以加入对融资债务风险识别具体措施的规定，可采用的定性识别方法有座谈会法、德尔菲法、资产负债表结构识别法等；在风险评价方面，以国务院国资委《企业绩效评价标准值》为参考，确定相关指标及统一评价标准。同时，可添加运用多个财务指标建立评价模型的年度综合指标辅助评价企业融资债务风险情况，如将Altman教授的Z-Score 模型运用于企业财务失败预警分析。文保杰（2020）基于Z-score模型对集团进行风险识别，基于熵值法建立债务风险分析模型的指标体系，基于功效系数法对集团债务风险的预警度量进行分析和评价。

（四）总结

综合上述文献分析，首先，由于现阶段国内外针对债务风险预警及防控机制的研究大多集中于地方政府和区域性债务风险，少有以大型国有集团为视角的研究方向，所以本文对国有企业集团债务风险预警及防控机制的研究，有利于丰富债务风险预警理论，基于对研究对象的深入调研与分析，有助于补充和完善相关理论，夯实债务风险预警管理体系的理论基础。其次，本文立足并表监管，明确债务风险管理框架体系的构成，论证管理机制的系统性、可操作性、可持续性，并完善相应债务风险指标认定和分类体系的理论框架，对债务风险来源、业务结构、风险类型进行梳理。再次，从已有文献来看，债务风险的预警规则较为单一，大多基于核心财务指标的绝对数值进行区间设计，实现风险指标的区间预警，缺乏应有的创新。因此，本文将基于静态区间预警进一步研究基于指标波动率进行阈值设定的动态波动预警，采用“静态+动态”的预警模式，精准定位核心风险。最后，伴随着大数据、机器学习等技术的发展，早期的单变量风险预警模型和多变量风险预警模型逐步向人工神经网络、机器学习模型跃进，本文在指标和区间的基础上，基于机器学习模型计算企业的债务风险指数和债务风险重要性指标，帮助企业更快速评估风险等级，更准确定位核心风险。

03

基于机器学习的债务风险管理体系的构建与应用

（一）案例企业简介

浙江省交通投资集团有限公司（以下简称浙江交通投资集团）是浙江省综合交通投融资主平台和综合交通建设主力军，统筹承担全省高速公路、铁路、重要的跨区域轨道交通和综合交通枢纽等交通基础设施的“投融资、建设、运营及管理职责”。“十四五”期间，浙江交通投资集团规划完成超5000亿元的交通基础设施投资任务，并将进一步拓展业务布局，成为覆盖咨询设计、工程施工、建筑材料、商贸物流、交通商业服务、土地资源开发、信息与数字技术、交通装备制造、产业金融等业务的交通全产业链多元化企业集团。

（二）背景和现状分析

浙江省是我国经济发展最活跃的省份之一，在以国有经济为主导，民营经济活跃的前提下，结合以互联网为核心的信息经济实现了经济飞速发展。统计数据显示，2020年浙江省GDP（国内生产总值）达到了6.46万亿元，全国排名第4，增速为 3.6%，境内上市公司518家，居全国第2位。在金融改革创新方面，浙江省秉持现代化先行、新发展格局、数字化改革、高质量发展等发展新内涵，构建数智化区域金融运行体系，走在了时代的前列。但是近年来，部分浙江大型企业债务风险问题不断引起社会的关注，如新光控股集团、盾安集团债务问题等。央行此前发布的《中国金融稳定报告（2020）》也提出，截至2019年末，全国共有575家大型企业出险。其中，460家企业出现严重流动性困难、120家企业未兑付已发行债券、27家企业股权被冻结、67家企业申请破产重整。再加上目前“严”“紧”的经济形势，密切关注债务问题，提高流动性管理水平，有效防控国有企业债券违约、上市公司股票质押、企业资金链担保等风险已经成为亟待解决的重要问题。

浙江交通投资集团下属成员公司众多，业态分布丰富，已拥有 60 家二级子公司及基建、物资贸易、化工、产业金融等多元业务布局，形成了交通基础设施、产业金融和交通关联产业“一体两翼”协同发展、多元反哺的业务布局，为浙江省高水平交通强省建设做出了积极贡献。在“十四五”开局之年，浙江交通投资集团作为综合性交通集团，投资经营规模扩大，资金需求量上升，负债规模也将逐步提高。

当今背景下，浙江交通投资集团同时面临来自内外部的债务风险防控建设压力。首先，是来自上级的迫切要求。近年来，随着永煤集团债券违约、刚泰集团违规担保、广州浪奇债务逾期等债务暴雷事件频发，党的十九届五中全会提出了“防范化解重大风险”的政治要求，国务院国资委进一步印发了《关于加强地方国有企业债务风险管控工作的指导意见》，并于2022年2月发布《关于中央企业加快建设世界一流财务管理体系的指导意见》，提出完善债务风险防控体系，建立分类分级风险评估和应对机制的要求。其次，是来自集团的内生需求。截至2022年底，集团计息负债规模已超过千亿元，资产负债率急速上升，同时还肩负着5000亿元的投资任务，融资压力日趋凸显、债务风险日益攀升，亟须借助数字化手段构筑全方位的集团债务风险预警防控体系，辅助预测、提前预警、及时行动。

（三）基于机器学习的债务风险管理体系的建设目标

本体系旨在通过数字技术构建“风险可衡量、成因可分析、执行可跟踪、隐患可预警、影响可控制”的企业集团债务风险管理机制，依托财务共享平台为集团提供“全业态、全流程、全方位”的债务风险管控支撑服务。

“风险可衡量”指结合浙江交通投资集团业务特点，建立一套债务风险指标体系，可视化展现风险分布，科学衡量各级单位的风险程度，使各单位的债务风险管理成效可横向对标、纵向评价。

“成因可分析”指结合债务风险的一般演变规律及浙江交通投资集团的业务特征，建立一套债务风险分析框架，通过科学的数据脉络和清晰的分析主题，展现集团债务风险形成逻辑与核心影响因素。

“执行可跟踪”指结合浙江交通投资集团现行风险管理机制与行业先进经验，建立集团债务风险管控流程，并与外部系统连接构建管理闭环，实现债务风险监测工作状态可跟踪、责任可追溯。

“隐患可预警”指依据政策要求、行业规范及先进企业经验，制定指标预警阈值区间并分析总结债务风险与指标间的相关性，构建债务风险预警模型，及时揭露成员单位的潜在债务风险。

“影响可控制”指基于债务风险防控理论，并结合集团各单位防控举措与反馈成效间的关联分析，总结沉淀一套债务风险应对方法论，为处于不同风险阶段的各行业公司提供针对性的管控举措建议。

（四）基于机器学习的债务风险管理体系的构建路径

1.建设指标体系，整体衡量债务风险

本文对国内出现债务风险的企业案例进行深入研究发现，出现债务风险的企业主要是由于现金保障能力不足以偿还债务，导致债务偿还压力加大。此类企业通常具有业务放缓、盈利下降、资产减值、现金流出、债务高企、隐性负债六类特征。对应到财务角度上，与国务院国资委《关于加强地方国有企业债务风险管控工作的指导意见》中对债务风险评估关键因素的要求一致。结合浙江交通投资集团行业特点、债务风险管理现状和诉求，将六大类指标逐一进行拆解，构建涵盖资产负债率、EBITDA利息保障倍数、流动比率等17项表征指标，191项分析指标（见图1）。

2.建设预警模型，快速评估风险等级

预警模型是集成各大主流风险管理理论成果、结合浙江交通投资集团行业特色、运用先进的机器学习技术而训练得出的数据算法。该模型可通过各单位关键指标数据，自动测算债务违约发生概率，并对各单位值得重点关注的事项做出预警提示。

（1）模型选取。由于多元线性判别方法存在一些弊端，本体系选取机器学习中的随机森林算法（见图2）进行债务风险预警模型的建模。随机森林是一种集成学习算法，使用多个决策树分类器进行分类，再利用分类结果进行投票得到最终结果。该模型具有精度高、避免过度拟合、适应能力强的特点，结果具有较高的精确度和泛化性能，可以识别风险指标之间的非线性关系，同时不受风险指标自身的相关性影响。

（2）指标选择。建模前对各初始财务指标间的相关性进行计算，根据模型中指标的重要性和业务逻辑筛选出10个最重要的指标。精简后的模型减少了输入数据的无用特征和噪声，避免了特征泄露，增强了模型中每一颗决策子树的分类能力。

（3）模型结果。本次建模共选取1590家发债企业数据进行模型训练，其中已发生违约主体129家，未发生违约主体1461家，行业分布有17个大类外加1个其他行业。同时，考虑到现实中违约企业数量极少，数据的样本数量极度不平衡，训练出的模型容易过度拟合，因此模型训练中采用svm smote数据增强模型训练后，由优化后的模型自动对所有企业进行债务风险指数的打分。随机森林模型在测试集中能够达到非平衡准确率95.8%，f1为82.29%，平衡准确率为81.86%。假定各企业的债务风险指数阈值为0-1，风险指数≤0.4为安全企业，0.4<风险指数≤0.45为关注企业，0.45<风险指数≤0.5为中警企业，风险指数>0.5为重警企业。

（4）模拟总结。结合债务风险预警模型的模拟结果，以及每家案例分析企业的模拟数据和部分已发生大规模债务违约的事实结果，可得知：①本案例构建的债务风险预警模型可以基本实现债务风险准确预警；②企业从健康状态发展到破产困境是风险不断积累与上升的过程，在这一过程中，债务风险预警模型可以通过风险等级变化实现风险预警。

3.建设预警区间，清晰展现影响因素

确定债务风险预警模型所需指标后，还需对指标进行合理的评价，对其值域进行合理的区间设计。本案例中，风险指标的区间设计采用了静态与动态相结合的方式，从行业、监管、历史等多个维度，设计合适的预警规则。

（1）行业对标。明确集团和所属企业行业对标原则，分别建立行业对标样本企业。其中，集团样本选取考虑贴合浙江交通投资集团特性，主要遵循企业属性可比、主营业务收入构成可比、企业规模可比及样本具备参考价值四大原则。所属企业样本选取考虑尽量贴合二级单位企业特性，主要遵循行业属性可比、规模可比、剔除极值影响、样本量具有代表性四大原则。

（2）监管对标。全面梳理监管要求和监管指标红线，对于有监管要求的指标，参照设置阈值。监管要求主要来源于中央及地方政府、国资委、证监会等监管单位发布的通知及指导意见等。

（3）历史对标。参考历史数据设置历史对标阈值，以从自身波动的角度反映债务风险变动情况。需要引起关注的并非单年的波动，而是长期的趋势。

（4）模拟测算。风险预警结果将通过红、黄、绿三种颜色的亮灯状态进行发布。红灯表示所属企业在该风险方面可能存在重大的负面影响，黄灯表示所属企业在该风险方面可能存在一定的负面影响，绿灯表示所属企业在该风险方面没有显著的负面影响。

4.建设分析框架，摸清风险形成逻辑

结合债务风险一般演变规律及浙江交通投资集团的业务特征，建立了一套债务风险分析框架，通过可视化的数据分析内容清晰展现集团各所属企业的债务风险形成逻辑与核心影响因素。通过负债规模与结构，分析企业整体债务有多少、债务重不重；通过货币资金、投资与经营活动三方面，分析企业债务用在哪；通过业务发展与盈利状况，分析企业债务收益率如何；通过现金流，分析企业盈利质量如何、债务是否可持续；通过预测现金流，分析企业债务最终风险。最终通过稳定、好转、恶化三个评级对企业债务风险发展链路走势做出评判分析。

5.建设管理流程，开展日常风险监管

本文搭建的债务风险管理体系，以“事前、事中、事后”全流程覆盖为框架，帮助集团企业强化事前风险指标预测及存量债务化解、事中风险边界管控和事后风险应对的闭环式风险预警管理机制，切实落地可行性高、实操性强的数字化管理平台，推动体系的有效运转。“事前、事中、事后”全流程监管包含事前预测、事中监管和事后应对三大块。

（1）事前预测。债务风险全流程管理始于事前风险管控，主要为风险指标的预测。风险指标预测包括三方面的内容：一是利用前瞻性宏观经济指标对企业经济运行情况进行预测；二是分析监管政策变化对企业经济运行的影响；三是集团下属风险管理部门应对企业内外部风险趋势开展定期研判，制定相关数据上报与分析机制，确保研判结果富有真实性、预判性与综合性。

（2）事中监管。事中监管主要包含两个层面。一是集团监管层面。在新形势下，企业举债方式多元化，债务规模庞大且多为隐性债务，需尽快建立对举债主体进行全面、合理评估的风险评估程序，强化下属企业的日常监控。首先，构建完善的日常债务风险监控体系。一个合理、全面的指标体系是对企业债务风险状态进行准确评估的基础，同时，还需配以全面、统一口径的指标评价标准和明确的监管警戒线。其次，制定企业债务指标情况的上报制度。确保风险指标体系中的管理指标能根据不同类型、不同行业的企业，针对性、差异化地对企业进行债务风险的评估与考核。二是所属企业层面。事中监管机制的有效运行依赖于企业对重大风险事件的及时报送、处理及化解。

（3）事后应对。在事后应对的监控环节，各级企业应建立“风险识别、评估、应对、跟踪和关闭”的全流程管理，通过部门协同、集团和所属企业协同等多种模式，针对识别的重大风险、重点企业，开展闭环管理。

（五）基于机器学习的债务风险管理体系的创新分析

2022年12月，浙江交通投资集团试点单位和浙江省国资委已同步上线应用，截至2023年9月，集团已全面施行债务风险管理。整体来看，浙江交通投资集团基于机器学习的债务风险管理体系具有如下鲜明的创新特色。

1.智能风控体系，促使风险信息全沉淀、风险过程全掌握，风险监管向智能化升级

一是风险信息全沉淀，风险预警准确率达95.8%。通过厘清浙江交通投资集团及所属企业重点行业风险形成逻辑和主要成因，将揭示债务风险和体现债务风险管控能力的核心指标，作为业财系统的数据建设基础，沉淀全集团数据资产。

二是风险过程全掌握，风险事件发生率为0。通过汇集业财多源债务风险数据信息，根据债务风险的演化过程，构建逻辑清晰的数据分析展示方案，实现债务风险“一站可视”“一触即达”，有效提升债务风险管控效率与质量。

三是风险监管向智能化升级，风险分析效率提升超80%。充分发挥数字赋能风险防控建设，实现对所属企业债务全方位、全过程、全周期的穿透式管控，推动债务风险监测向智能化发展，促使债务监管和风险防控不断提质增效。

浙江交通投资集团基于债务风险演进鱼骨图（见图3），构建了涵盖17项表征指标和191项分析指标的债务风险指标体系，实现财务数据、业务数据、外部市场环境、经济数据等多维数据的全面融合，全方位科学衡量债务风险情况，可视化展现风险分布，使各单位的债务风险管理成效可横向对标、纵向评价。同时，机器学习算法模型辅助债务风险预测，实现了对债务风险科学衡量和实时动态监测，提高了债务风险衡量水平。

2.多层次债务风险分析体系，为企业制定和落实战略提供支撑

传统的债务风险控制以事后的检查发现为主，很难将风险控制手段介入事前和事中，且事后的检查发现往往缺少更加高效的工具，难以发现关联风险。浙江交通投资集团通过建立多层次债务风险分析体系和风险全过程动态监控体系，能够持续跟踪债务风险变化情况和落实所属企业的债务风险执行情况，推动债务风险监管精细化，提高债务风险防范水平。

3.搭建债务风险预警模型，提升单位管理决策有用性

本文选用机器学习中的随机森林算法，搭建债务风险预警模型，利用1590家发债企业指标数据做模型训练，形成了准确性高、稳定性强的预警模型，判断准确率达95.8%，实现了对债务风险的“事前、事中、事后”全过程预警管理，风险管控的敏捷性大幅提升，能快速响应用户需求。一方面，用户能够更及时、直观地观测到潜在风险及程度，并做出相应的反应。另一方面，用户能及时发现引起重大债务风险产生的因素，并及时加以管控，杜绝重大债务风险出现。

04

总结

（一）研究的决策咨询作用

现阶段，我国对国资国企债务风险管理的研究仍十分缺乏。本文以浙江交通投资集团为案例进行分析研究，从债务风险管理体系的建设目标和构建路径两个方面进行总结，通过同类情况的比对，借鉴其科学的、合理的、高效的经营管理经验来分析该企业在债务风险方面存在的问题，针对这些问题进一步探究解决问题的途径。一方面，可以为国资国企债务风险管控提供更好的参考；另一方面，可以为省国资委建立健全风险预警体系提供新思路，推动风险并表监管、智慧监管方面的创新，进一步释放国资监管效能。同时，研究债务风险管理体系的落地，有利于风险意识的传导、预警机制的宣贯、管理系统的推广、较为成熟的管理体系的建立，为未来全面风险体系的建设打下基础。

（二）研究的经济社会价值

首先，从创造的经济社会价值来看，加强表外资产的监管，防止表外风险向表内传导有利于维护国有资产安全。其次，企业从健康状态发展到破产困境是风险不断积累与上升的过程，在这个过程中，以风险的视角对债务进行识别和管理，通过风险等级变化实现风险预警，尽早发现重大债务风险，有利于引导国资国企高质量发展。再次，建设基于债务风险的全面风险预警体系，增强风险研判的前瞻性和整体性，有利于为国资国企做强、做优、做大提供保障。

（三）研究的可复制推广性

从研究选取对象的适用性来看，浙江省交通投资集团在国资国企中具有较强的代表性。从研究模型的可行性来看，一方面，实体企业全面风险敞口探索为债务风险管理体系的建设提供了初步的实践论证。另一方面，基于同行业相关数据对同行业指标的重要性进行分析，构建指标体系，进而利用“动态+静态”的预警方式构建风险预警体系，是较为精准有效的。同时，本体系为强化债务动态监测，建立债务风险预警机制，建设债务风险管理长效机制，实现债务全覆盖、全级次管理，定期对财务指标异常、债务规模较大、债务风险较大、资产负债率管理任务艰巨的单位进行监测和预警，以实现债务风险防控的动态化和过程化管理。

参考文献

[1]柯剑，王琦琦.基于机器学习的研发型制造业财务风险预警研究[J].管理会计研究，2023，6（5）：22-32.

[2]阿卓.财务风险预警模型效果比较研究[D].重庆：西南大学，2014.

[3]付洪.集团企业融资管理存在的问题及应对措施[J].全国流通经济，2021(19):96-98.

[4]郭玉清.逾期债务、风险状况与中国财政安全：兼论中国财政风险预警与控制理论框架的构建[J].经济研究，2011，46(8):38-50.

[5]胡文军.新时代防范化解国有企业债务风险的探讨[J].中国管理信息化，2018，21(18):34-35.

[6]林世权.地方政府债务风险：度量指标与评估方法[J].预算管理与会计，2021(11):36-40.

[7]刘迎秋.论中国现阶段的赤字率和债务率及其警戒线[J].经济研究，2001(8):3-14，95.

[8]吴世农，卢贤义.我国上市公司财务困境的预测模型研究[J].经济研究，2001(6):46-55，96.

[9]谢燕.关于集团型国有企业债务风险管控方式的研究[J].质量与市场，2021(18):85-87.

[10]姚绍学，郭玉清，成军.地方财政风险预警机制研究[J].中国财经信息资料，2003(23):28-31.

[11]FITZPATRICK.A comparison of ratios of successful industrial enterprise with those of failed firms[M].Certified public accountant, 1932(12):598-605.

[12] BRIXI H P.Contingent government liabilities:a hidden risk for fiscal stability[R].Research papers in economics, 1998.

[13]MARTIN D.Early warning of bank failure:a logit regression approach[J].Journal of banking and finance,1977(12):249-276.

[14]RAMER J,FOSTER L A.Demonstration of ratio analysis[R].Urbana: University of illinois,1971.

[15]SMITH R,WINAKOR A.Changes in the financial structure of unsuccessful corporations[R].Bureau of business research,1975.

作者：姚慧亮陈再敏徐立言浙江省交通投资集团有限公司。本文发表于《管理会计研究》杂志2024年第2期总第35期数智化经营栏目，原标题：基于机器学习的债务风险管理体系构建与应用——以浙江省交通投资集团为例。

来源：管理会计研究网

【声明】内容源于网络

财会智能化

专注企业财务工作智能化

内容 317

粉丝 0

财会智能化专注企业财务工作智能化

总阅读0

粉丝0

内容317