| 联系我们 |
 |
合作经济与科技杂志社
地址：石家庄市建设南大街21号
邮编：050011
电话：0311-86049879 |
|
|
| 财会/审计 |
| 基于人工智能的农业企业财务风险识别系统构建 |
| 第769期 作者：□文/区梦怡 时间：2026/1/16 17:04:31 浏览：6次 |
［提要］ 随着我国农业产业化进程不断推进，农业企业在面对市场波动、政策变化以及自然环境风险等众多因素时做好财务风险防范工作显得极为重要。本文通过机器学习技术，运用Logistic回归模型，构建农业企业财务风险识别系统。首先，选择沪深交易所农林牧渔类上市公司近10年财务数据，经过数据清洗与标准化处理后，构建财务指标体系；其次，通过Logistic回归的财务预警模型搭建基于人工智能的农业企业财务风险识别系统，通过自动化数据处理和风险预警功能，实现对农业企业财务健康状态的实时监测以及风险预警。研究表明：该系统对农业企业财务风险预测和识别拥有较高的准确性，并能为农业企业财务管理和风险防控提供技术支持。
关键词：农业企业；财务风险；Logistic回归；人工智能；机器学习
基金项目：2024年度广西高校中青年教师科研基础能力提升项目：“人工智能时代基于机器学习的农业企业关键指标分析”（项目编号：2024KY1351）
中图分类号：F23 文献标识码：A
收录日期：2025年5月29日
《中国数字经济高质量发展报告（2023年）》显示，新兴数字技术与农业有效融合能为农村经济发展提供新机遇。然而，农业企业在推进数字化转型过程中，衍生出许多风险，仍需建立与之相适应的风险管控体系。因此，借助人工智能等新兴技术提升农业企业财务分析能力与风险识别水平，成为当前理论界与实践界共同关注的核心议题。
一、农业企业财务指标体系构建与数据准备
（一）数据来源与样本描述。本文所用财务数据主要来自2015～2024年沪深交易所农林牧渔类上市公司公开披露经的财务年报，为保证样本具有代表性以及数据完整，筛选标准涵盖企业主营业务为农林牧渔类上市公司近十年财务数据连续且完整、无重大财务造假记录等，最终挑选50家上市公司的数据当作研究样本，构建出包含多项财务指标的面板数据集，较为真实地体现了我国农业企业财务运行状况与发展趋势。
（二）财务指标体系构建原则。长期以来，各农业上市公司投资价值的相关研究得到了学者们的普遍关注，在财务指标选择上，张良勇等通过盈利指标、运营指标、风险指标和发展指标等对农业企业进行风险评价，为本文的指标体系构建提供了有效借鉴。本文结合财政部发布的《农业企业绩效评价标准值（2023年版）》构建指标体系，涵盖盈利能力、资产运营、风险控制、持续发展及补充指标五个维度共21项核心财务指标，具体见表1。该指标体系不仅能够系统地刻画企业的财务健康程度，还能为后续的风险识别以及模型预测提供结构化依据。（表1）
（三）数据清洗与标准化处理方法。为提高模型分析的准确性与科学性，本文对原始数据进行系统化的预处理，具体包含以下三个步骤：一是针对部分指标存在缺失值这一问题，运用均值填充法进行补全，以此来保持样本量的稳定性。二是通过箱线图法对异常值进行识别，依据综合财务逻辑与业务实际情况做出判断，决定对部分极端数据采取保留、修正或者剔除的操作。三是为了消除不同指标之间的量纲差异，提升模型收敛性和可比性，统一使用Z-score标准化方法处理所有财务指标数据，让其均值为0、标准差为1。经过上述清洗和标准化处理之后，数据集质量得到了显著提升，为后续构建农业企业财务风险识别模型奠定坚实基础。
二、农业企业财务指标特征选择
（一）正态分布检验。在进行财务指标筛选之前，需首先判断数据是否符合正态分布，这样才能选择出恰当的统计检验方法，正态分布是经典参数检验方法（如t检验、z检验）适用的前提条件，而非正态分布的数据更适合采用非参数检验方法。考虑到样本量比较有限，并且常规图示法（如直方图、Q-Q图）在小样本条件下主观性较强，所以本文采用Shapiro-Wilk检验对各个财务指标进行正态性检验。Shapiro-Wilk检验是小样本条件下判断数据是否服从正态分布的常用方法，它的原假设为“样本服从正态分布”，当显著性水平p＞0.05时，要接受原假设并认为该变量服从正态分布，反之则需拒绝原假设，检验结果如表2所示。只有“资产负债率”指标通过了正态性检验，其他财务指标都不满足正态分布要求，本文后续的指标筛选会采用非参数统计方法。（表2）
（二）非参数检验。因为大部分指标没通过正态性检验，而非参数检验法能找出影响财务情况的直接影响因素和间接影响因素。所以，本文采用非参数检验的Mann-Whitney U检验，即Wilcoxon秩和检验，对样本开展非参数显著性分析，该检验适用于两个独立样本在某一变量上的分布差异分析，具备对异常值不敏感、无需分布假设等优点，特别适合处理小样本以及非正态数据。Mann-Whitney U检验的原假设是两组样本在某一指标上的分布不存在显著差异，如果p＜0.05，就拒绝原假设，认定该指标在组间差异显著，可看作具有识别价值的关键变量。本文把农业企业按照是否被“ST”进行分类，分成非“ST”企业和“ST”企业，分别对各项财务指标开展Mann-Whitney检验，统计结果如表3所示。从表3可以看出，共有11项指标在两组间存在显著性差异，也就是p＜0.05，这11项指标包含净资产收益率、营业收入利润率、总资产报酬率、总资产周转率、资产负债率、现金流动负债比率、已获利息倍数、经济增加值率、EBITDA率、百元收入支付的成本费用和速动比率，上述指标被认为对企业是否处于风险状态有着较强的判别能力，会作为后续Logistic回归模型的核心自变量输入，筛选结果如表4所示。（表3、表4）
三、基于人工智能的农业企业风险识别模型构建
（一）模型选择与理论基础。Logistic回归模型预测效果为对上市公司财务风险识别有较好的效果，所以本文采用Logistic回归模型对农业企业关键财务指标和企业是否被特别处理（ST）之间的关系做建模分析。Logistic回归模型是常用于处理二分类问题的一种统计分析方法，它对变量分布没有严格要求，所以能较好适应企业财务指标非正态分布、异方差等特性，近年来在企业风险识别和财务预警领域得到广泛应用，而且Logistic模型还具有以下优势：首先，它能够处理因变量为二分类（是否为“ST”企业）这样的问题；其次，它对自变量分布要求比较低，适合非正态分布的数据；再次，模型输出是概率值，方便企业风险等级的量化与识别；最后，它具有较高预测精度，能较准确地判断企业未来的财务状态。Logistic回归模型的一般形式如下所示：
P＝■ （1）
式中，P表示企业被判定为ST的概率，b是常数，a是x的系数。由于企业财务状况受多种财务指标综合影响，故本文构建的多元Logistic模型可表示为：
P＝■=■ （2）
其中，f（x）为多个财务指标的线性组合。因变量为企业状态（ST=1，非ST=0），自变量为筛选后的11项核心财务指标。
（二）模型拟合与解释力分析。通过SPSS对样本数据进行Logistic回归建模，模型摘要结果如表5所示，模型的-2 Log likelihood值为29.839，Cox & Snell R2为0.497，Nagelkerke R2为0.691，其中，Nagelkerke R2表明模型对因变量变异的解释力达到69.1%，在社会科学研究中属于较高水平，说明该模型拟合较好，具有良好的解释力和预测能力。（表5）
根据表6的回归系数结果，建立如下回归方程：Y=14.839+0.398X1-0.029X2-0.207X3-7.793X4-0.117X5+5.950X6-0.196X7-11.748X8-0.161X9-0.133X10-5.428X11。（表6）
（三）模型预测能力与测试结果。为验证模型的有效性，本文将训练集构建的Logistic回归模型应用于测试集进行验证，结果如表7所示。（表7）
由表7可知，在真实类别为非“ST”企业（Y=0）的10个样本中，有8个样本的预测结果是正确，2个样本的预测结果是错误，在真实类别为“ST”企业（Y=1）的5个样本中，有4个样本的预测结果是正确，1个样本的预测结果是错误。
通过表8可以看出，Logistic回归模型对非“ST”企业和“ST”企业预测的准确率均为80%，预测结果较好，具备实际应用价值。（表8）
（四）构建人工智能农业企业风险识别系统。为了能更好地达成农业企业财务风险智能化监测与预警目标，提升农业企业财务管理的数字化水平，本文在Logistic回归模型基础上进一步构建了一个农业企业财务风险识别系统，此系统以人工智能与机器学习技术作为核心，结合农业企业的财务报表相关数据，面向企业利益相关者和监管机构提供及时准确且具备可视化特点的风险识别服务，该系统整体设计分成五大核心模块，分别是数据采集与输入模块、数据预处理模块、风险预测模块、预警与反馈模块、结果展示与可视化模块。具体功能如下：首先，数据采集与输入模块主要负责系统与外部数据源进行对接，能够自动化接入来自农业企业月度或者季度财务报表的数据，涵盖资产负债表、利润表、现金流量表、所有者权益变动表和附注等方面的财务数据，通过对接数据库或者上传Excel文件的方式保证数据更新的及时性与连续性。其次，数据预处理模块负责开展数据清洗与标准化工作，针对企业报表里常见缺失值、异常值以及格式差异问题，系统内置均值填充、异常检测等算法来对数据实施修复与处理，并且运用Z-score标准化方法统一各财务指标的量纲，以此确保后续建模分析的准确性与可比性。再次，风险预测模块属于系统的核心功能，该模块调用经过训练的Logistic回归模型对农业企业的财务数据进行运算，输出企业成为“ST”状态的概率值，当企业的风险预测概率超过设定阈值时，系统就会判定该企业存在较高财务风险并进入预警流程。从次，预警与反馈模块依据模型预测结果自动触发多级风险预警机制，预警级别能够按照预测概率分为高风险（红色）、中风险（橙色）和低风险（黄色）等等级，通过邮件、短信或系统消息形式向企业管理层或财务人员发送风险通知。同时，该模块还支持用户反馈机制，财务人员可以对预警结果进行确认、备注或修正，进一步提升模型适应性。最后，结果展示与可视化模块通过图形化界面进行展示，将企业当前风险等级、历史风险趋势、关键财务指标波动等信息以图表形式展现，帮助企业管理者快速直观地了解企业财务健康状况和潜在隐患，辅助企业在日常管理中做出科学决策。通过农业企业财务风险识别系统能实现企业财务风险量化预测和智能判断，该系统构建为农业企业打造了一套“预测-识别-预警-反馈”闭环式风险管理框架，极大地提高了企业财务风险识别和应对能力，也为推动“数字乡村”战略背景下农业企业智能财务转型提供有力的技术支撑。
四、结论及建议
本文通过农业企业的财务数据来构建关键指标体系，从变量筛选到利用Logistic模型进行实证分析，验证关键指标的有效性，并且通过人工智能对农业企业财务风险进行预测。研究结果显示，通过净资产收益率、营业收入利润率、总资产报酬率、总资产周转率、资产负债率、现金流动负债比率、已获利息倍数、经济增加值率、EBITDA率、百元收入支付的成本费用和速动比率等11个财务指标构建Logistic风险预警模型能较好地识别农业企业的财务风险。同时，构建农业企业财务风险识别系统，通过人工智能技术实现了对企业财务数据实时监控和风险预警，可以帮助企业及时识别潜在风险并采取相应防范措施。因此，建议农业企业完善财务风险预警机制并推动人工智能技术在财务管理中的应用，政府也应出台相关政策支持农业企业数字化转型，并为其提供技术支持和服务。随着数字化和智能化技术的持续发展，农业企业应积极运用先进风险识别系统，以提高财务管理水平和抗风险能力，促进企业可持续发展。
（作者单位：广西经贸职业技术学院）
主要参考文献：
［1］卢启金.完善农业会计信息服务促进农村经济发展［J］.农业经济，2025（04）.
［2］张栋.数字化转型下农业企业财务风险管控策略［J］.农村经济与科技，2025.36（04）.
［3］江泠.数字经济视域下农业企业管理会计创新探讨［J］.中国经贸导刊，2025（08）.
［4］张彩妮，任爱珍，林子达.上市公司财务风险预警——基于机器学习方法［J］.中小企业管理与科技，2023（16）.
［5］张良勇，秦晓丹，胡珊珊.我国农业上市公司财务风险预警研究［J］.山西农经，2022（13）.
［6］刘洋.农业上市公司财务风险预警与防范措施［J］.中国农业会计，2022（11）.
［7］李良琼，李春友，郑宇.煤炭采选业上市公司财务弹性偏序集评价研究［J］.会计之友，2021（15）.
|
|
|
|
