[论文解读] Combining Intra-Risk and Contagion Risk for Enterprise Bankruptcy Prediction Using Graph Neural Networks

Yu Zhao, Shaopeng Wei+7 more|arXiv (Cornell University)|Feb 1, 2022

Financial Distress and Bankruptcy Prediction参考文献 65被引用 8

一句话总结

该论文提出 ComRisk，一种图神经网络框架，通过联合建模企业内部风险（内部财务与法律指标）和传染性风险（通过企业知识图谱体现的外部网络效应），实现对中小型企业（SME）破产预测。通过将统计信息丰富的内部风险编码器与用于传染性风险的超图 GNN（Hyper-GNNs）及异构 GNN（Heter-GNNs）相结合，该模型在新型开源 SMEsD 基准数据集上实现了最先进性能。

ABSTRACT

Predicting the bankruptcy risk of small and medium-sized enterprises (SMEs) is an important step for financial institutions when making decisions about loans. Existing studies in both finance and AI research fields, however, tend to only consider either the intra-risk or contagion risk of enterprises, ignoring their interactions and combinatorial effects. This study for the first time considers both types of risk and their joint effects in bankruptcy prediction. Specifically, we first propose an enterprise intra-risk encoder based on statistically significant enterprise risk indicators for its intra-risk learning. Then, we propose an enterprise contagion risk encoder based on enterprise relation information from an enterprise knowledge graph for its contagion risk embedding. In particular, the contagion risk encoder includes both the newly proposed Hyper-Graph Neural Networks and Heterogeneous Graph Neural Networks, which can model contagion risk in two different aspects, i.e. common risk factors based on hyperedges and direct diffusion risk from neighbors, respectively. To evaluate the model, we collect real-world multi-sources data on SMEs and build a novel benchmark dataset called SMEsD. We provide open access to the dataset, which is expected to further promote research on financial risk analysis. Experiments on SMEsD against twelve state-of-the-art baselines demonstrate the effectiveness of the proposed model for bankruptcy prediction.

研究动机与目标

• 为解决现有破产预测模型仅孤立考虑内部风险或传染性风险，而忽略两者协同效应的问题。
• 开发统一框架，以捕捉企业内部风险（如财务健康状况、诉讼历史）以及通过企业关系网络传播的外部风险。
• 构建一个全新的多源真实世界基准数据集（SMEsD），用于 SME 破产预测，以支持未来研究。
• 验证结合超图与异构图神经网络在建模企业网络中复杂风险传播方面的有效性。

提出的方法

• 基于企业基础属性与诉讼数据中提取的 12 个统计显著指标，设计内部风险编码器，包括注册资本、诉讼频率、判决结果及案件持续时间等。
• 基于企业知识图谱（EKG）构建传染性风险编码器，结合超图 GNN（Hyper-GNNs）以建模超边（如相同行业、相同地区）以及异构 GNN（Heter-GNNs）以捕捉成对异质关系（如供应商-客户、担保人-借款人）。
• 采用分层风险编码器以区分并加权不同类型超边，根据其风险相关性分配不同重要性。
• 通过统一的 GNN 架构融合内部风险与传染性风险表征，实现对内部与系统性风险因素的联合学习。
• 从多源真实世界数据（包括企业档案、法律记录与关系网络）构建新型基准数据集 SMEsD，并公开发布。

实验结果

研究问题

• RQ1 与仅考虑单一风险类型模型相比，联合建模内部风险与传染性风险是否能提升 SME 破产预测准确率？
• RQ2 超边（如共享行业或地理位置）与异质关系（如供应链）在企业网络中的风险传播中发挥何种作用？
• RQ3 在诉讼与业务数据中引入统计显著风险指标在多大程度上提升预测性能？
• RQ4 不同 GNN 架构（Hyper-GNNs 与 Heter-GNNs）在建模传染性风险不同方面时分别有何贡献？

主要发现

• 所提出的 ComRisk 模型在 SMEsD 基准数据集上达到最先进性能，超越 12 种 SOTA 基线模型的破产预测准确率。
• 消融实验表明，若移除内部风险编码器或 Hyper-GNNs/Heter-GNNs 模块，性能显著下降，证实两类风险建模的重要性。
• 完整架构（ComRisk）实现最高 F1 分数与 AUC，证明联合建模内部与系统性风险的有效性。
• Hyper-GNNs 通过捕捉群体间共性风险因素（如相同行业）作出显著贡献，而 Heter-GNNs 通过建模复杂企业关系中的直接风险传播提升性能。
• 参数分析显示，最优性能出现在输入维度为 12、诉讼风险信息维度为 20 时，与数据集中诉讼属性总数一致。