据中国饲料工业协会数据显示，2020年全国饲料总产量高达2.53亿t，比2019年增长产量提高了10.4%[1]。中国饲料市场发展规模不断扩大，饲料企业市场竞争压力也随之增加。受资金、内部控制制度和财务人员风险意识等诸多因素影响，饲料企业会面临投资、筹资和资金回收等方面财务风险[2]。为有效防范财务风险发生，关于围绕企业财务风险预警的研究较多。宋宇等[3]利用“聚类Bagging”集成方法以债券发行企业为研究样本，提高财务危机企业财务风险识别率。李光荣等[4]采用人工神经网络构建企业财务风险预警模型，以此提高企业财务风险模型精准性。马睿铮等[5]借助模糊关联规则挖掘算法对企业财务风险进行评估，以降低企业风险。赵雪峰等[6]结合特征因果关系构建CFW-Boost企业财务风险预警模型，可为企业财务预警提供有益参考。这些研究为企业财务风险预警提供了有益的借鉴与参考，但关于借助模型对饲料企业财务风险进行预警和监测的研究较少。LSTM模型作为助力一种时间递归神经网络[7]，具有较高的预测精度和泛化能力[8]，能够为从业者或经济机构提供决策参考[9]，具有较大的实践价值[10]。本文借助LSTM神经网络预警模型，构建饲料企业财务风险预警指标体系，量化饲料企业财务风险，以期为提高饲料企业财务风险预警精准度提供参考。1饲料企业财务风险预警指标体系构建1.1指标选取根据我国饲料企业实际的发展情况，并结合李超[11]、张旌[12]、李大伟[13]、刘亚琼[14]和代春倩等[15]研究成果，从偿债能力、盈利能力、收益质量、营运能力、发展能力5个维度选取16项财务指标，从股权结构和董事会结构两方面选取2个非财务指标，构建饲料企业财务风险预警指标体系，饲料企业财务风险预警指标见表1。10.13557/j.cnki.issn1002-2813.2023.03.026.T001表1饲料企业财务风险预警指标一级指标二级指标符号偿债能力资产负债率X1现金流动负债比率X2速动比例X3产权比例X4利息支付倍数X5盈利能力总资产报酬率X6净资产收益率X7盈余现金保障倍数X8人力投入回报率X9收益质量经营活动净收益/利润总额X10所得税/利润总额X11营运能力存货周转率X12应收账款周转率X13总资产周转率X14发展能力净利润增长率X15同比营业收入增长率X16股权结构股权集中度X17董事会结构前十董事会占比X18结合所选财务指标，对数据进行去耦合操作，以防止指标耦合性过强对模型运行造成影响，导致模型展开无效运算从而影响预警效率。1.1.1饲料企业偿债能力指标偿债能力主要指饲料企业在正常生产运营周期内，运用现有资产偿还企业长期债务或短期债务的能力，是反映饲料企业财务状况和经营能力的重要指标之一。本文选取资产负债率、现金流动负债比率、速动比率、产权比例和利息支付倍数等5个指标表征。资产负债率和现金流动负债比例越高，代表饲料企业财务风险越大，表明企业可能存在资金短缺问题，容易出现资金链短缺现象；企业速动比例、产权比例和利息支付越高，表示企业存在偿债能力较差问题，极易产生财务风险。1.1.2饲料企业盈利能力指标饲料企业盈利能力表示企业发展动力，可以反映饲料企业赚取利润的能力，是财务分析中一项重要内容。饲料企业盈利能力指标越高，表明企业营业收入利润越多，企业债务负担能力越强。本文选取总资产报酬率、净资产收益率、盈余现金保障倍数和人力投入回报率等4个指标衡量饲料企业盈利能力。饲料企业总资产报酬率、净资产收益率和盈余现金保障倍数越高，表明企业资产利用效率较高，投资收益越多。人力投入回报率主要反映企业受到人力成本因素影响后的结果，与企业资源利用率呈正相关。1.1.3饲料企业收益质量指标收益质量指标主要描述企业过去、现在和未来的发展前景，以评判饲料企业整体投资质量，可反映企业经营活动效率和质量，是企业经济价值相关信息可靠程度衡量标准之一。文章选取经营活动净收益与利润总额之比、所得税与利润总值之比2个指标表征。二者数值越大，表明企业日常生产经营活动处于正常运转状态，整体投资状态良好。1.1.4饲料企业营运能力指标营运能力主要指企业营运资产的效率和效益，可直观映射企业利用内部资金进行利润再创造的能力，反映企业销售能力和资金周转速度。本文选取存货周转率、应收账款周转率和总资产周转率等3个指标表征。存货周转率反映企业销售成本，应收账款周转率反映企业收账速度，二者可进而间接说明偿债能力。总资产周转率则反映企业销售能力和资产投资效益。1.1.5饲料企业发展能力指标发展能力也被称为饲料企业的成长性，主要反映企业通过自身生产经营活动，在生存的基础上扩大发展规模和潜力，代表饲料企业可持续经营生产的可能性。本文主要选取净利润增长率和同比营业收入增长率等2个指标表征。净利润增长率和同比营业收入增长率越高，表示企业盈利效果越好，二者呈正相关，不易发生财务风险。1.1.6饲料企业非财务指标饲料企业非财务指标一般情况下无法使用财务数据计算，主要强调企业未来生产经营中获取收益所采取的行动，在评判财务风险时起辅助作用，对企业发展预见性较强。从股权结构和董事会结构两个方面进行衡量。采用股权集中度表征股权结构，前十董事会占比表征董事会结构。1.2样本选择及数据预处理文章借助爬虫技术，选取2014—2020年15家饲料企业为研究样本，同时将15家企业分别用编号1~15表示。对这些饲料企业指标数据进行二次处理：由于上述原始数据所有缺失，部分指标数据结果为空白或被记录为“未检出”，故使用“0”替换这部分结果数据。若检测结果出现“”某一数值情况时，则将其替换成所显数值边界值，如将“0.1”替换成“0.1”。依据财政部颁布的《企业会计准则》内容，企业会计期间通常划分为年度与中期。因此，本文结合饲料企业财务风险指标预警监测数据选取的实际情况，选取“年”作为时间粒度，进一步构建时间序列，对饲料企业财务风险进行预警监测。指标数据集中可能存在某一年出现多条检测结果的特殊情况，故需要将检测结果取平均值处理，以代表这一年的饲料企业财务指标风险。构建含有6 572条饲料企业财务指标的风险数据集，借助LSTM神经网络模型，依托饲料企业前5年的指标数据，对未来一年的财务风险进行预警监测。饲料企业财务风险预警监测结果具有随机性、均值小、方差大的特点，同时检测过程存在检测噪声过大现象。若直接对所选财务指标进行预警监测，将会导致LSTM神经网络模型训练过程复杂化，因此，需利用离散的风险等级替代连续的检测值，与预警指标相对应。将原有含量预测替换为风险值预测，以此达到降低模型复杂度目的，进一步强化模型的鲁棒性。所选指标数据来自《中国饲料市场年度报告》以及饲料行业信息网数据信息，同时参考专家规则建立的风险评估指标体系，将检测所得结果对应到不同风险等级，以此展开预警监测。专家规则量化情况见表2，经过预处理后的数据按时间排序见表3。10.13557/j.cnki.issn1002-2813.2023.03.026.T002表2专家规则量化情况风险等级评价值预警指标备注1级0≤预警值≤0.2无预警有少量财务风险2级0.2预警值≤0.5微预警财务风险在可接受范围内3级0.5预警值≤0.8轻度预警财务风险值较高4级0.8预警值≤1中度预警有一定财务风险危害企业正常运营5级1预警值重度预警财务风险严重危害企业运营状况10.13557/j.cnki.issn1002-2813.2023.03.026.T003表3预处理后数据企业编号检验项目检验结果风险等级1财务风险0.0712财务风险0.1413财务风险0.3924财务风险0.5435财务风险0.6736财务风险0.3427财务风险0.1918财务风险0.3929财务风险0.84410财务风险0.66311财务风险0.26212财务风险0.13113财务风险0.22214财务风险0.36215财务风险0.1112饲料企业财务风险LSTM模型建构将训练集和测试集依次进行输入和输出划分处理，借助前五年的饲料企业财务风险指标数据预测未来一年的财务风险。LSTM神经网络模型的输入时间序列长度和输出时间序列长度分别为5和1。特征选取鉴于输入层与输出层均仅包含某一单一指标，如资产负债率或存货周转率，故二者特征数量均为1。所选指标数据无规律特点，容易导致LSTM神经网络模型学习效率低下，精准度较低，模型收敛难度加大。为有效提高LSTM神经网络模型的精准度，参考史运涛等[16]的研究方法，借助增加汉宁窗滤波器的方式降低模型学习难度，对已有饲料企业财务风险等级数据进行平滑滤波。汉宁窗公式如式（1）所示。wn=0.5-0.5cos2πnM-1 (1)式中：M为窗口大小，M值越大，表示曲线失真越严重；原曲线越平滑，效果越好；n为序列长度；wn为长度为n的窗函数。为有效提升LSTM神经网络模型训练效率，防止模型出现过拟合情况，在模型训练前采取StandarScaler标准化方法对所选财务风险指标数据进行归一化处理。StandarScaler归一化公式如式（2）所示。X'=X-μσ (2)式中：X'为转换后数据；X为原始数据；μ和σ分别为所有样本数据的均值和标准差。将表3所得饲料企业财务风险值构建LSTM神经网络模型开始训练并预测分析，模型构建流程见图1。10.13557/j.cnki.issn1002-2813.2023.03.026.F001图1LSTM风险预测模型构建流程3基于LSTM神经网络的实证分析3.1试验结果选取LSTM模型训练集和测试集的损失值Loss和val_Loss作为本文模型评价参数，并进行绘图，LSTM神经网络模型迭代次数见图2。由图2可知，随着迭代次数Epochs的逐渐增加，Loss和val_Loss逐渐减少，最终平稳收敛至0.084，此时模型整体正处于最优状态。10.13557/j.cnki.issn1002-2813.2023.03.026.F002图2LSTM神经网络模型迭代次数验证LSTM神经网络模型预测的精准度，选取测试集中15家饲料企业财务风险指标数据，使用训练完成的LSTM神经网络模型预测，将预测所得数值与真实财务风险指标数值进行对比，测试集曲线拟合见图3。10.13557/j.cnki.issn1002-2813.2023.03.026.F003图3测试集曲线拟合由图3可知，预测所得曲线走势与原始数据走势基本一致，表明LSTM神经网络模型对数据拟合度较好。由于深度学习网络初始权值具有随机分配的特点，极易导致模型进行多次训练与预测结果出现偏差现象。因此，为进一步验证模型鲁棒性，本文对LSTM神经网络模型进行5次训练。每进行一次模型训练后，将所得饲料企业财务风险预测结果与真实标签间的决定系数（R2_score）和均方根误差（RMSE）为依据作为模型性能评价指标进行对比，LSTM神经网络模型训练5次结果见表4。R2_score=1-∑i=1n(yi-yi∧)2∑i=1n(yi-y¯)2 (3)式中：y¯为饲料企业财务风险真实值的平均值；R2_score值与1越接近，LSTM神经网络模型的预测精度越高。RMSE=∑i=1n(yi-yi∧)2n (4)式中：yi、yi∧分别为饲料企业财务风险真实值和预测值。RMSE数值越小，LSTM神经网络模型预测精度越高。10.13557/j.cnki.issn1002-2813.2023.03.026.T004表4LSTM神经网络模型训练5次结果项目12345平均值R2_score0.9220.9180.9200.9200.9150.919RMSE0.1920.1910.1930.1920.1970.193由表4可知，LSTM神经网络模型5次训练过程中R2_score的数值均大于0.900，RMSE的数值均小于0.200，不模型预测精准度较高。R2_score和RMSE指标波动幅度偏小，表明LSTM神经网络模型的预测结果较为稳定，可以信赖并使用此模型。3.2模型对比机器学习在企业财务风险预测预警中普遍得到应用，但单独使用某一机器学习模型，会遇到鲁棒性差或泛化能力差的难题[17]。集成学习则是整合多个子学习器输出弥补误差，从而达到提高整个学习系统鲁棒性或泛化能力目的。集成学习最开始主要用于解决分类问题，后经过不断完善和拓展应用于解决回归和聚类等问题中[18-21]。为有效对比LSTM神经网络模型与单一机器学习以及集成学习之间的差异，依托设置集成学习决策树模型和AdaBoost回归预测模型进行对照试验，并通过对比验证LSTM神经网络预测模型精度。AdaBoost模型将基学习器最大深度设置为3的决策树，累计集成500个基学习器，借助上述基学习器进行5次训练预测。选取R2_score和RMSE作为评价指标，以评估模型性能，评估结果见表5、表6。10.13557/j.cnki.issn1002-2813.2023.03.026.T005表5LSTM神经网络模型与集成学习AdaBoost模型、决策树模型R2_score对比结果项目12345平均值LSTM0.9220.9180.9200.9200.9150.919AdaBoost0.7360.7240.6980.7160.7420.723决策树0.6490.6470.6020.6730.6540.64510.13557/j.cnki.issn1002-2813.2023.03.026.T006表6LSTM神经网络模型与集成学习AdaBoost模型、决策树模型RMSE对比结果项目12345平均值LSTM0.1920.1910.1930.1920.1970.193AdaBoost0.2860.2640.2750.2670.2540.269决策树0.3650.3960.3570.3860.3740.376由表5和表6可知，与决策树和AdaBoost算法相比，LSTM神经网络模型的R2_score参数更高，RMSE参数更低，表明LSTM神经网络模型对饲料企业财务风险预测的精准性更高。LSTM神经网络模型在经过多次训练预测时的R2_score和RMSE稳定性更好，表明模型的鲁棒性更好。3.3模型验证本文基于2014—2020年我国15个饲料企业财务风险指标数据进行模型验证。依据上述指标数据预处理步骤与方法对数据进行处理后，借助随机抽样的方式抽取前5年的指标数据进行财务风险预测，LSTM模型的验证结果见表7。由表7可知，LSTM神经网络模型对饲料企业财务风险预警结果与真实结果贴近，表明模型对于财务风险预警结果精准度较高。10.13557/j.cnki.issn1002-2813.2023.03.026.T007表7LSTM模型的验证结果企业编号检验项目检验结果实际风险等级预测风险值1财务风险0.2820.402财务风险0.2220.343财务风险0.0810.154财务风险0.5130.635财务风险0.0410.166财务风险0.3320.427财务风险0.5930.718财务风险0.3220.449财务风险0.2920.3810财务风险0.2720.3611财务风险0.2420.4212财务风险0.3630.4813财务风险0.1310.1914财务风险0.0410.1015财务风险0.5830.694结论本文基于LSTM神经网络模型，以15家饲料企业为样本，选取饲料企业财务风险指标数据，将检测数据转化为风险等级，对饲料企业财务风险进行预警。借助前5年财务风险指标数据精准预警结果，进一步细化饲料企业财务风险预警过程，进而促使企业财务风险预警过程更加精准。本文对LSTM神经网络模型展开5次连续训练预警，表明LSTM神经网络模型稳定性良好。利用集成学习决策树预测、AdaBoost预测与LSTM神经网络模型进行对比分析，发现LSTM神经网络模型更具精准性。本研究表明，基于LSTM神经网络的饲料企业财务风险预警模型可有效实现对未来时间内饲料企业财务风险的预警监测，有助于饲料企业规避财务危机。