[发明专利]一种基于大数据的企业财务诊断系统和方法

说明书

本发明公开了一种基于大数据的企业财务诊断系统和方法，涉及财务管理领域，包括智能采集模块，用于智能采集相关企业信息，基于大数据展开数据分析，形成企业数据集；还包括核查模块，用于调用企业数据集，对企业的财务报表进行勾稽核查，检查表内和表间勾稽关系是否正常；还包括评估单元，用于对非严重异常企业进行识别和评估，并进行财务综合分析，输出舞弊指数以及健康指数；通过特征工程提取舞弊特征，定性定量相结合，不仅能识别具体舞弊事件，根据严重程度对舞弊事件进行风险等级划分；引进大数据、机器学习等技术，不仅提高了模型的准确率，而且模型具有自我学习能力，能及时发现新型舞弊特征。

技术领域

本发明涉及财务管理领域，特别涉及一种基于大数据的企业财务诊断系统和方法。

背景技术

财务舞弊事件在证券市场屡见不鲜，有上市公司爆出财务舞弊的丑闻，可以说财务舞弊现象伴随着证券市场而发展始终。近年来，财务欺诈案件更是显著增加，而且舞弊手段愈发复杂、隐蔽，已暴露欺诈案与真实存在的财务欺诈相比，仅是冰山一角。财务欺诈案的层出不穷，使人们对企业财报的可信度产生怀疑，同时对财务报告审计者的信誉带来了一定的挑战，企业的财务欺诈行为侵害了广大投资人的利益，极大的打击了投资者的信心，对资源分配和资本市场的健康发展产生了重大影响，加强对舞弊情况进行梳理与分析也显得尤为必要。

目前流行的识别财务舞弊的做法是采用M-score模型。M-score是一种用于表示企业财务造假倾向性或可能性的数值指标，由Beneish1999提出。M-score 的核心方法是提出了8项能够表示企业财务操纵行为的指标，并用probit模型回归估计出指标所预示的企业进行了财务操纵的概率。

直接应用M-score模型识别我国企业的财务舞弊情况存在以下四个主要缺陷：首先，M-score模型是Beneish以美国资本市场上的案例为样本构建而来，由于我国资本市场与美国资本市场在成熟度、投资者素质等方面存在较大差异， M-score模型不一定适用于我国市场；其次，Beneish于1999年提出M-score模型，距今已有20多年，今天的市场和会计环境已巨大变化，再加上财务舞弊手法愈发复杂，模型的有效性大打折扣；再次，M-score模型的可解释性较差，无法识别出财务舞弊的手法以及存在舞弊的具体科目；最后，M-score模型本质上是一种回归模型，模型的学习能力和预测能力有限，无法识别新型舞弊手法。

发明内容

为实现上述目的，以我国股市非金融业上市公司为研究对象，基于上市公司所披露、公开的数据，利用国内外关于上市公司财务舞弊风险因子和财务舞弊监测模型进行规范研究，并在规范研究的基础上通过大量的实验进行实证研究，学习舞弊样本的财务欺诈模式及特征，对上市公司的财务舞弊情况及财务健康性进行量化评估，为上市公司财务舞弊识别及财务健康分析提供科学、有效的依据。

M-score模型包含的8大指标分别为基于应收账款的日销售指数DSRI、毛利率指数GMI、资产质量指数AQI、销售增长指数SGI、折旧指数DEPI、销售及行政开支指数SGAI、杠杆指数LVGI以及总应计负债对总资产比例TATA。M 值越高，则一家公司财务操纵的可能性越大，通常当M＜-2.22时，则认为公财务造假的可能性不高；如果－2.22≤M＜-1.78之间，证明公司有一定的可能性造假；而如果M≥-1.78，则证明公司非常有可能造假。

区别于M-score模型，著名财务专家Altman在1968年提出了Z-score模型，他经过了大量的实证考察，选取了一系列的财务指标，运用统计分析方法，最终选出了5个最具有代表性的财务指标作为Z模型的自变量。

模型如下：

Z＝1.2X1+1.4X2+3.3X3+0.6X4+0.999X5