生成式人工智能赋能中小企业财务风险管理：基于ChatGPT的实证研究

本研究探讨了生成式AI（如ChatGPT）如何助力资源受限的中小企业（SMEs）提升财务风险管理能力。研究人员基于技术赋能理论和资源基础观（RBV），通过分析1,150家英国中小企业8年财务数据，验证了ChatGPT在识别持续经营风险（going-concern）中的有效性（准确率达91.9%）。该研究为数字化时代中小企业财务决策提供了创新工具，同时揭示了AI技术应用中的组织适配性挑战。

　　

在当今充满不确定性的商业环境中，中小企业（SMEs）作为全球经济的重要引擎，却长期面临资源短缺的困境。这些企业往往缺乏专业的财务团队和先进的分析工具，导致难以及时识别流动性危机或债务风险。据统计，英国99%的企业是中小企业，但80%没有全职会计师，这使得它们特别容易因财务预警延迟而陷入经营困境。传统风险管理方法对资源有限的中小企业而言成本过高，而新兴的机器学习技术又需要专业团队支持——这种矛盾催生了对普惠型AI解决方案的迫切需求。

发表在《Technovation》的这项研究创新性地将ChatGPT这一生成式人工智能（Generative AI）工具引入中小企业财务诊断领域。研究人员基于技术赋能与约束理论（Technology Affordances and Constraints Theory）和资源基础观（Resource-Based View, RBV），构建了一个覆盖1,150家英国中小企业、横跨8年财务数据的实证研究框架。通过将每家企业的四年财务数据转化为结构化文本提示，他们让ChatGPT o1推理模型生成0-100分的"财务稳定性评分"，并将低于30分的评估标记为"红旗警告"。

研究采用多阶段验证方法：首先通过混淆矩阵评估分类准确性，继而用Brier Score（13.22%）衡量概率预测质量，最后通过Probit回归分析控制传统财务指标的影响。关键技术亮点包括：1）基于FAME数据库构建标准化财务数据集；2）设计自动化提示工程（prompt engineering）流程；3）采用温度参数（temperature）为0的模型配置确保结果稳定性；4）通过10%样本重测验证评分一致性。

研究结果揭示：

1. 预警效能：ChatGPT成功识别出92.8%的实际持续经营风险企业（召回率），总体准确率达91.9%，其F1-score（86.2%）优于传统logit模型（约82.9%）。在370家被标记的企业中，297家后续确实出现财务危机（精确率80.3%）。

2. 风险谱系分析：模型将企业分为红（0-30分）、黄（31-50）、绿（51-75）和白（76-100）四个风险等级。校准曲线显示，模型对极端风险（红区）和安全企业（白区）的预测最为准确，但在中间区间存在改进空间。

3. 统计验证：Probit回归显示，LLM评分每提高1分，企业获持续经营警告的概率下降6.13个百分点（p<0.01）。即使控制企业规模、盈利能力、杠杆率等32个变量后，该效应仍然显著。

4. 理论贡献：研究证实AI工具能部分弥补中小企业资源缺陷（RBV视角），但其效能受组织准备度制约（技术赋能理论）。例如，管理层解读数据的能力和响应预警的意愿成为关键调节因素。

讨论部分强调，这项研究突破了传统AI风险预测模型需要专业团队支持的局限，证明通用型LLM也能提供专业级财务诊断。但作者也警示，ChatGPT的"黑箱"特性可能引发解释性挑战，且其效果依赖于企业的基础数据质量和数字素养。实践层面，研究建议中小企业可将AI工具与会计师的"最受信任顾问"角色相结合，形成"人机协同"的混合决策模式。

这项研究为数字化普惠金融提供了新思路，其方法论框架可扩展至现金流预测、信用评估等场景。未来研究可探索多模态AI整合非结构化数据（如管理层报告）的潜力，以及不同文化背景下中小企业对AI建议的采纳差异。随着生成式AI持续进化，这类工具有望成为缩小企业数字鸿沟的战略性资源。