前言：中文期刊網(wǎng)精心挑選了上市公司財(cái)務(wù)危機(jī)預(yù)警范文供你參考和學(xué)習(xí)，希望我們的參考范文能激發(fā)你的文章創(chuàng)作靈感，歡迎閱讀。

上市公司財(cái)務(wù)危機(jī)預(yù)警范文1

關(guān)鍵詞：財(cái)務(wù)危機(jī)，預(yù)警模型，主成分分析，Logistic回歸

中圖分類號：F276.6 文獻(xiàn)標(biāo)識碼： A 文章編號：1003－3890（2008）07－0024-03

一、文獻(xiàn)綜述

（一）國外財(cái)務(wù)危機(jī)預(yù)警模型的研究現(xiàn)狀

在20世紀(jì)60年代前影響最為廣泛的美國財(cái)務(wù)分析專家Beaver（1966年）提出了單變量判定模型。在財(cái)務(wù)危機(jī)預(yù)測研究中，美國紐約大學(xué)教授Altman做出了突出貢獻(xiàn)。Altman在1968年首次使用了多元判定分析（MDA）預(yù)測財(cái)務(wù)危機(jī)，后來的研究者通常稱之為Z模型。Meyer和Yifer1970年使用了最小二乘法對財(cái)務(wù)危機(jī)進(jìn)行預(yù)測。1977年，Altman，Haldeman和Narayanan在Z模型的基礎(chǔ)上又提出了一個(gè)更能準(zhǔn)確預(yù)測企業(yè)財(cái)務(wù)失敗的新模型――著名的ZETA模型。Martin（1977）在財(cái)務(wù)危機(jī)預(yù)測研究中首次采用Logistic模型。1988年，Aziz，Emanuel和Lawson在財(cái)務(wù)危機(jī)的預(yù)警模型研究中，發(fā)展了基于現(xiàn)金流量預(yù)警破產(chǎn)的模型。1998年，Mossman.Bell，Swartz和Turtle在總結(jié)以前研究的基礎(chǔ)上，比較了財(cái)務(wù)指標(biāo)模型、現(xiàn)金流量模型、市場收益率信息類模型，發(fā)現(xiàn)不存在令人完全滿意的區(qū)分破產(chǎn)和非破產(chǎn)的預(yù)測模型。除了線形判別模型和條件概率模型外，一些學(xué)者還用人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)模型和引用了期權(quán)定價(jià)理論對財(cái)務(wù)危機(jī)進(jìn)行預(yù)測。

（二）國內(nèi)財(cái)務(wù)危機(jī)預(yù)警模型的研究現(xiàn)狀

1986年，吳世農(nóng)、黃世忠曾撰文介紹企業(yè)破產(chǎn)的財(cái)務(wù)分析指標(biāo)及其預(yù)警模型。1996年，周首華、楊濟(jì)華和王平應(yīng)用多微區(qū)分分析方法建立了F分?jǐn)?shù)模型。1999年，陳靜對西方預(yù)警模型在中國是否適用進(jìn)行了實(shí)證分析。張愛民、祝春山、許丹健（2001）借鑒Altman的多元Z值判別模型，建立了一種新的預(yù)測財(cái)務(wù)危機(jī)的模型――主成分預(yù)測模型。楊保安（2001）等針對判別分析方法在構(gòu)建財(cái)務(wù)危機(jī)判別模型中存在的問題引入神經(jīng)網(wǎng)絡(luò)分析方法并應(yīng)用于企業(yè)財(cái)務(wù)危機(jī)判定與預(yù)測。吳世農(nóng)、盧賢義（2001）應(yīng)用Fisher線性判別分析、多元線性回歸分析和Logistic回歸分析三種方法，分別建立三種預(yù)測財(cái)務(wù)危機(jī)的模型。張延波、彭淑雄（2002）指出，在建立風(fēng)險(xiǎn)監(jiān)測與危機(jī)預(yù)警指標(biāo)體系中，可考慮加入現(xiàn)金流量指標(biāo)。劉洪、何光軍（2004）建立了Logistic回歸模型、Fisher判別模型和BP神經(jīng)網(wǎng)絡(luò)模型，實(shí)證結(jié)果表明：BP神經(jīng)網(wǎng)絡(luò)方法的預(yù)測精度遠(yuǎn)高于其他兩種方法。李秉祥、啟文秀（2004）以現(xiàn)論和期權(quán)理論為依據(jù)，建立了公司財(cái)務(wù)危機(jī)的動態(tài)預(yù)測模型。譚久均（2005）建立了財(cái)務(wù)指標(biāo)與違約距離相融合的上市公司財(cái)務(wù)預(yù)警模型。

二、實(shí)證研究

（一）研究樣本的選擇和變量的定義

本文主要針對文獻(xiàn)綜述中存在的問題，進(jìn)行財(cái)務(wù)危機(jī)預(yù)警研究技術(shù)上的改進(jìn)，探索性地在自變量中加入基于現(xiàn)金流量表的財(cái)務(wù)比率進(jìn)行動態(tài)財(cái)務(wù)危機(jī)預(yù)警模型的構(gòu)建。筆者選擇2006年滬深兩市首次被ST或*ST的36家上市公司作為研究樣本。按照行業(yè)相同、資產(chǎn)規(guī)模相似等原則進(jìn)行配對，找到對應(yīng)的非ST公司作為參照樣本，以確保兩組樣本之間的相互可比性。在盡量擴(kuò)大財(cái)務(wù)比率數(shù)目的同時(shí)，取前4年內(nèi)的財(cái)務(wù)比率進(jìn)行分析。實(shí)證中，本文最終建立的仍是Fisher判別分析和Logistic回歸模型。不過與前面學(xué)者研究過程不同的是，筆者先對樣本連續(xù)多年的多個(gè)財(cái)務(wù)比率進(jìn)行主成分分析，提取多個(gè)完全正交的主成分，然后將這些主成分納入到模型中。整個(gè)處理過程既考慮了現(xiàn)金流的重要性，同時(shí)也克服了財(cái)務(wù)比率之間的多重共線性問題。

本文的財(cái)務(wù)數(shù)據(jù)來自Wind資訊、證券之星數(shù)據(jù)中心、全景證券網(wǎng)數(shù)據(jù)中心、巨潮資訊網(wǎng)以及聚源財(cái)務(wù)分析數(shù)據(jù)庫等（選取的研究樣本見表1）。

我們參考了國內(nèi)外反映財(cái)務(wù)危機(jī)預(yù)警的既有指標(biāo)，并考慮了指標(biāo)數(shù)據(jù)獲取的難易程度，確定了反映和測度中國上市公司財(cái)務(wù)危機(jī)預(yù)警的指標(biāo)體系，包括5個(gè)一級指標(biāo)（償債能力、盈利能力、資產(chǎn)管理能力、成長能力和現(xiàn)金流量）和22個(gè)二級指標(biāo)。

（二）財(cái)務(wù)指標(biāo)的正態(tài)分布檢驗(yàn)

本文利用SPSS中的K-S檢驗(yàn)方法對基礎(chǔ)財(cái)務(wù)指標(biāo)進(jìn)行正態(tài)性檢驗(yàn)。經(jīng)過計(jì)算，中國的財(cái)務(wù)指標(biāo)整體上并不符合正態(tài)分布，這一結(jié)果與國內(nèi)外學(xué)者所得出的結(jié)論一致。因而兩類公司財(cái)務(wù)指標(biāo)的顯著性檢驗(yàn)不能進(jìn)行t檢驗(yàn)，而應(yīng)當(dāng)使用非參數(shù)檢驗(yàn)的方法。通過非參數(shù)檢驗(yàn)，我們發(fā)現(xiàn)在最初所選的22個(gè)基礎(chǔ)財(cái)務(wù)指標(biāo)中，有17個(gè)財(cái)務(wù)指標(biāo)在4年間通過了顯著水平為5%的顯著性檢驗(yàn)。因此，本文初步選定通過顯著性檢驗(yàn)的17個(gè)財(cái)務(wù)指標(biāo)來建立預(yù)警模型。他們分別是反映償債能力的流動比率、速動比率、資產(chǎn)負(fù)債率、產(chǎn)權(quán)比率、利息保障倍數(shù)指標(biāo)；反映盈利能力的主營業(yè)務(wù)比率、股東權(quán)益收益率、留存收益總資產(chǎn)比率、總資產(chǎn)利潤率指標(biāo)；反映資產(chǎn)管理能力的應(yīng)收賬款周轉(zhuǎn)率、總資產(chǎn)周轉(zhuǎn)率、存貨周轉(zhuǎn)率指標(biāo)；反映成長能力的凈利潤增長率、資本積累率、總資產(chǎn)增長率指標(biāo)；反映現(xiàn)金流量的現(xiàn)金債務(wù)總額比、現(xiàn)金獲利指數(shù)指標(biāo)。

（三）主成分的計(jì)算

由于變量之間存在多重共線性的問題，我們對選取的變量按年度進(jìn)行主成分分析，得到相應(yīng)的主成分和初始因子載荷矩陣，根據(jù)初始因子荷載矩陣與特征值矩陣，計(jì)算出主成分系數(shù)矩陣，進(jìn)而求得主成分的分值，得到5個(gè)主成分后，代入Fisher判別模型和Logistic回歸模型進(jìn)行進(jìn)一步分析。

（四）Fisher線性判別模型的建立

把財(cái)務(wù)危機(jī)公司劃分為組合1，非財(cái)務(wù)危機(jī)公司劃分為組合0，對上述72家上市公司的5個(gè)主成分進(jìn)行Fisher回歸分析，可以建立分年度的財(cái)務(wù)危機(jī)預(yù)警模型（見表2）。

為了檢驗(yàn)判別函數(shù)的效果，我們把數(shù)據(jù)分別代回去，得到財(cái)務(wù)危機(jī)前1~4年財(cái)務(wù)危機(jī)公司與非財(cái)務(wù)危機(jī)公司的判別和預(yù)測結(jié)果，判斷正確率逐年依次為：91.7%，86.1%，69.4%，66.7%。

（五）Logistic預(yù)警模型的建立

利用SPSS統(tǒng)計(jì)分析軟件，對上述72家上市公司的5個(gè)主成分進(jìn)行Logistic回歸分析，可以建立分年度的財(cái)務(wù)危機(jī)預(yù)警模型（見表3）。

我們把財(cái)務(wù)危機(jī)企業(yè)和非財(cái)務(wù)企業(yè)危機(jī)前1―4年的數(shù)據(jù)代入模型，如果P值大于0.5，則判定企業(yè)為財(cái)務(wù)危機(jī)企業(yè)，如果P值小于0.5，則判定企業(yè)為正常企業(yè)。如此，財(cái)務(wù)危機(jī)企業(yè)和非財(cái)務(wù)危機(jī)企業(yè)財(cái)務(wù)危機(jī)前1~4年的判定正確率逐年依次為：91.7%，86.1%，69.4%，66.7%。

三、結(jié)論

總結(jié)本文的研究過程和結(jié)果，可以得到以下結(jié)論：

1. ST公司的大部分財(cái)務(wù)指標(biāo)值在其被特別處理前4個(gè)會計(jì)年度內(nèi)呈現(xiàn)出了逐漸惡化的趨勢，“ST”公司與非“ST”公司財(cái)務(wù)指標(biāo)之間所呈現(xiàn)的差距逐漸加大，說明了“ST”公司財(cái)務(wù)狀況的惡化并非是突然發(fā)生的，從而使得財(cái)務(wù)危機(jī)預(yù)警不僅必要，而且成為可能。因而我們完全可以通過分析財(cái)務(wù)指標(biāo)的變化來預(yù)測公司未來的財(cái)務(wù)狀況。

2． 本文采用了Fisher判別分析法和Logistic回歸方法建立中國上市公司分年度的財(cái)務(wù)危機(jī)預(yù)警模型，結(jié)果表明這兩種模型可以提前4年預(yù)測財(cái)務(wù)危機(jī)。

3． 分析比較模型的預(yù)測效果，我們還發(fā)現(xiàn)財(cái)務(wù)危機(jī)預(yù)警具有一定的時(shí)間跨度，時(shí)間跨度與預(yù)測的準(zhǔn)確程度成反比。一般情況下，時(shí)間跨度越長，財(cái)務(wù)危機(jī)預(yù)警的準(zhǔn)確程度就越低，反之亦然。因此，在實(shí)際應(yīng)用過程中，應(yīng)根據(jù)需要和可能，適當(dāng)規(guī)定財(cái)務(wù)危機(jī)預(yù)警的時(shí)間跨度，從而保證預(yù)測結(jié)果的可靠性和相關(guān)性。

4. 比較二種判定模型的效果表明，Logistic模型的判定準(zhǔn)確性較高。

參考文獻(xiàn):

［1］Altman，E .L， Predicting Financial Distress of Company:：Revisiting The Z-Score and ZETA Models，unpublished Journal of Finance［J］ ．July 2000.

［2］Beaver， W H. Financial ratios as predictors of failure. Empirical research in accounting: selected studies［J］ ．Journal of Accounting Research 1966.4.

［3］Ohlson， J .Financial ratios and the probabilistic prediction of bankruptcy［J］． Journal of Accounting Research：1980，18.109-130.

［4］石曉軍，肖遠(yuǎn)文，任若恩．Logistic違約模型的最優(yōu)樣本配比與分界點(diǎn)研究［J］．財(cái)經(jīng)研究，2005，（9）.

［5］吳世農(nóng)，盧賢義．中國上市公司財(cái)務(wù)困境的預(yù)測模型研究［J］．經(jīng)濟(jì)研究，2001，（6）.

［6］陳靜．上市公司財(cái)務(wù)惡化預(yù)測的實(shí)證分析［J］．會計(jì)研究.1999，（4）.

上市公司財(cái)務(wù)危機(jī)預(yù)警范文2

關(guān)鍵詞：財(cái)務(wù)危機(jī)；判別分析；logistic回歸分析

一、引言

財(cái)務(wù)危機(jī)預(yù)警就是利用定性或定量的方法通過對企業(yè)各財(cái)務(wù)指標(biāo)進(jìn)行檢測分析，來判斷企業(yè)是否偏離正常經(jīng)營狀況，并根據(jù)偏離的程度發(fā)出財(cái)務(wù)警戒信號的過程，是企業(yè)對于可能發(fā)生的財(cái)務(wù)危機(jī)的一種防范措施。通過財(cái)務(wù)危機(jī)預(yù)警，企業(yè)可以在經(jīng)營狀況出現(xiàn)異常的初期，及時(shí)發(fā)現(xiàn)企業(yè)存在的問題，采取措施解決問題，避免財(cái)務(wù)危機(jī)的發(fā)生給企業(yè)帶來的損失。

在以往的國內(nèi)研究中，往往只注重考慮財(cái)務(wù)指標(biāo)的選擇，而忽略了非財(cái)務(wù)指標(biāo)的影響，在樣本選取方面，只注重強(qiáng)調(diào)ST公司，忽略了不同行業(yè)間各指標(biāo)衡量標(biāo)準(zhǔn)的差別，沒有針對不同行業(yè)建立適合各自行業(yè)的專門的財(cái)務(wù)危機(jī)預(yù)警模型。

二、樣本選擇及指標(biāo)選取

（一）樣本選擇

財(cái)務(wù)危機(jī)預(yù)警模型作為財(cái)務(wù)危機(jī)預(yù)警的有效手段，越來越受到廣泛應(yīng)用。本文建立財(cái)務(wù)危機(jī)預(yù)警模型的樣本行業(yè)是制造業(yè)，截止2011年4月27日，在深圳證券交易所上市的1507只股票中，制造業(yè)股票就有1000只，在上海證券交易所上市的股票總數(shù)共有982只，其中制造業(yè)股票有502只。通過以上數(shù)據(jù)可以發(fā)現(xiàn)，制造業(yè)上市公司是我國滬深兩市上市公司中的主要組成部分，因此，本文選取制造業(yè)上市公司作為研究對象，這樣可以避免不同行業(yè)上市公司之間行業(yè)差異對于數(shù)據(jù)的影響，還可以得到充分的樣本數(shù)據(jù)。

本文選取2009-2011年間首次被ST的制造業(yè)上市公司作為研究對象，按照同行業(yè)，相似資產(chǎn)規(guī)模為標(biāo)準(zhǔn)，選取與ST公司相配對的制造業(yè)非ST公司，ST和非ST公司共25對組成建模樣本，樣本涵蓋了制造業(yè)中的化工、醫(yī)藥、有色金屬、食品等多個(gè)行業(yè)。

上市公司是否被ST取決于它是否連續(xù)兩年虧損或每股凈資產(chǎn)低于股票面值，我國上市公司t-1年的年報(bào)是在第t年年初披露的，這與上市公司在第t年是否被ST幾乎是同一時(shí)間發(fā)生的，即在第t-1年年報(bào)披露時(shí)已經(jīng)知道了上市公司是否被ST，因此選用上市公司t-1年的數(shù)據(jù)預(yù)測第t年是否被ST就失去了實(shí)際意義。因此本文選取上市公司被ST前兩年的數(shù)據(jù)作為研究對象，即2009年被ST的上市公司選取其2007年的數(shù)據(jù)，2011年被ST的上市公司選取其2009年的數(shù)據(jù)作為建模樣本的數(shù)據(jù)來源。

（二）指標(biāo)選取

本文從財(cái)務(wù)指標(biāo)和非財(cái)務(wù)指標(biāo)兩個(gè)方面對模型構(gòu)建指標(biāo)進(jìn)行選取，選取的指標(biāo)要能準(zhǔn)確反應(yīng)上市公司的經(jīng)營狀況，財(cái)務(wù)成果等眾多方面，而且要可以計(jì)量和方便獲得。根據(jù)以上原則和國內(nèi)外的研究成果，本文從償債能力、盈利能力、營運(yùn)能力、成長能力、現(xiàn)金流量五個(gè)方面選取17個(gè)財(cái)務(wù)指標(biāo)，從審計(jì)意見、股權(quán)集中程度，公司治理等方面選取6個(gè)非財(cái)務(wù)指標(biāo)構(gòu)成分析的基礎(chǔ)。

（三）非參數(shù)檢驗(yàn)

為了判斷上述23個(gè)指標(biāo)是否是與企業(yè)財(cái)務(wù)危機(jī)的形成有關(guān)的指標(biāo)，本文采用wilcoxon秩和檢驗(yàn)的方法來檢驗(yàn)指標(biāo)是否在ST組與非ST組之間具有顯著差異。Wilcoxon秩和檢驗(yàn)適用于樣本容量小，不依賴于正態(tài)總體假設(shè)的數(shù)據(jù)樣本差異性的檢驗(yàn)，檢驗(yàn)過程通過spss19.0統(tǒng)計(jì)軟件完成。Wilcoxon秩和檢驗(yàn)的原假設(shè)為指標(biāo)在ST公司和非ST公司之間沒有顯著差異性，檢驗(yàn)的顯著性水平為0.05，當(dāng)漸進(jìn)顯著性的值低于顯著性水平時(shí)，則拒絕原假設(shè)即指標(biāo)在ST公司和非ST公司間具有顯著差異性。反之，指標(biāo)在ST和非ST公司間不具有顯著差異性。X8（存貨周轉(zhuǎn)率）、X9（應(yīng)收賬款周轉(zhuǎn)率）、X17（銷售現(xiàn)金比率）、X19（第一大股東持股比例）、X20（最終控制人類型）、X21（董事會規(guī)模）、X22（董事會持股比例）、X23（獨(dú)立董事比例）的漸進(jìn)顯著性的值都大于0.05，表示它們在ST公司和非ST公司之間不具有顯著差異性，在構(gòu)建模型的指標(biāo)中予以剔除。

三、模型建立和檢驗(yàn)

（一）逐步判別分析模型

根據(jù)逐步判別分析結(jié)果可以看出，15個(gè)變量中只有5個(gè)變量進(jìn)入了模型，他們分別是X6（每股收益）、X3（資產(chǎn)負(fù)債率）、X14（總資產(chǎn)增長率）、X12（營業(yè)收入增長率）、X18（審計(jì)意見類型）。財(cái)務(wù)正常公司的線性判別式函數(shù)為：

Z=-6.930+0.107X3+4.352X6-0.009X12-0.056X14+7.169X18

財(cái)務(wù)危機(jī)公司的線性判別式函數(shù)為：

Z=-10.373+0.224X3-1.620X6-0.049X12-0.140X14+4.158X18

對于每一個(gè)觀測利用上述判別函數(shù)計(jì)算其屬于各類的得分，并將觀測歸入得分最高的一個(gè)類別，以實(shí)現(xiàn)對觀測的分類。

分類結(jié)果給出了判別的準(zhǔn)確性，根據(jù)分類結(jié)果可以看出直接用15個(gè)指標(biāo)作為變量建立的逐步判別分析模型的準(zhǔn)確率為92%，ST組樣本和非ST組樣本中都有兩個(gè)樣本分類錯(cuò)誤，有23個(gè)分類正確，說明直接用15個(gè)指標(biāo)建立的判別分析模型能較準(zhǔn)確的對企業(yè)財(cái)務(wù)危機(jī)進(jìn)行預(yù)測。

（二）基于因子分析的判別分析模型

通過分析，因子得分公式為：

根據(jù)典型判別式函數(shù)系數(shù)表可以得到典型判別式函數(shù)：

Z=0.912F1+0.553F2+0.524F3+1.074F4+0.681F5

分類結(jié)果表給出了典型判別函數(shù)判別效果，此判別模型分類的準(zhǔn)確率為94%，樣本非ST的25家公司全部正確的判定為非ST公司，樣本中25家ST公司有3家被錯(cuò)判為了正常公司，其余22家判定為ST公司。

（三） Logistic回歸模型

將因子分析得到的5個(gè)因子作為自變量，通過logistic回歸建立模型得出上市公司是否發(fā)生財(cái)務(wù)危機(jī)的概率，以判斷企業(yè)是否會發(fā)生財(cái)務(wù)危機(jī)，對企業(yè)財(cái)務(wù)危機(jī)進(jìn)行預(yù)警。二元logistic模型為：

P為企業(yè)發(fā)生財(cái)務(wù)危機(jī)的概率，P>0.5時(shí)企業(yè)表現(xiàn)出財(cái)務(wù)危機(jī)，P

（四）模型的檢驗(yàn)

為了更好地檢驗(yàn)?zāi)Ｐ偷臏?zhǔn)確性，本文另外選取了制造業(yè)上市公司25家作為驗(yàn)?zāi)颖荆渲羞x取ST公司10家，非ST公司15家，通過將數(shù)據(jù)代入上述三個(gè)模型，分別得到分析結(jié)果如下：

（1）逐步判別分析模型檢驗(yàn)結(jié)果。模型的分類準(zhǔn)確率為80%，ST公司中有80%分類正確，非ST公司中也有80%分類正確，說明直接用15個(gè)檢驗(yàn)指標(biāo)作為變量建立的判別分析模型能有效的對企業(yè)財(cái)務(wù)危機(jī)進(jìn)行預(yù)測。

（2）基于因子分析的判別分析模型檢驗(yàn)結(jié)果。模型的分類準(zhǔn)確率為88%，ST公司中有80%分類正確，非ST公司中有93.3%分類正確。從總體上看，模型的準(zhǔn)確度還是較高的，可以對制造業(yè)上市公司的財(cái)務(wù)危機(jī)進(jìn)行有效預(yù)測。

（3）logistic回歸模型檢驗(yàn)結(jié)果。logistic回歸模型的準(zhǔn)確率為92%，15家非ST公司全部預(yù)測正確，10家ST公司中有2家預(yù)測錯(cuò)誤，分類準(zhǔn)確率為80%。Logistic回歸模型能較準(zhǔn)確的實(shí)現(xiàn)對企業(yè)財(cái)務(wù)危機(jī)的預(yù)警。

通過上述三個(gè)財(cái)務(wù)危機(jī)預(yù)警模型的檢驗(yàn)可以發(fā)現(xiàn)，無論是直接用檢驗(yàn)指標(biāo)作為變量建立的逐步判別分析模型還是利用因子分析得到的綜合指標(biāo)作為變量建立的判別分析模型，還是logistic回歸模型都能實(shí)現(xiàn)對企業(yè)財(cái)務(wù)危機(jī)的有效預(yù)警，通過兩個(gè)判別分析模型的分類準(zhǔn)確性比較可以發(fā)現(xiàn)，基于因子分析建立的判別分析模型比直接用初始指標(biāo)作為變量建立的模型的準(zhǔn)確性略高，比較三個(gè)模型的準(zhǔn)確性表明logistic回歸模型的準(zhǔn)確率相比兩個(gè)判別分析模型都有所提高，logistic回歸模型的準(zhǔn)確性更好，而且logistic回歸模型不但能判別企業(yè)是否會發(fā)生財(cái)務(wù)危機(jī)，還能得出企業(yè)發(fā)生財(cái)務(wù)危機(jī)的具體概率，使得企業(yè)對于其可能發(fā)生的財(cái)務(wù)危機(jī)有了量化的認(rèn)識。Logistic回歸模型在對企業(yè)財(cái)務(wù)危機(jī)預(yù)警的實(shí)際應(yīng)用中比判別分析模型更具有實(shí)際價(jià)值。

四、結(jié)論

本文通過采取25對制造業(yè)ST公司和非ST公司作為樣本進(jìn)行研究，得出了以下結(jié)論：

第一，非財(cái)務(wù)指標(biāo)與企業(yè)財(cái)務(wù)危機(jī)的形成是有關(guān)的。在以往的財(cái)務(wù)危機(jī)預(yù)警研究中，往往只考慮了財(cái)務(wù)指標(biāo)對于財(cái)務(wù)危機(jī)形成的影響，而忽略了非財(cái)務(wù)指標(biāo)。

第二，建立財(cái)務(wù)危機(jī)預(yù)警模型是對企業(yè)財(cái)務(wù)危機(jī)進(jìn)行預(yù)警的有效手段。本文分別運(yùn)用了判別分析方法和logistic回歸方法建立了三個(gè)財(cái)務(wù)危機(jī)預(yù)警模型，采用相應(yīng)的數(shù)據(jù)對企業(yè)是否會被ST進(jìn)行判斷，通過判斷結(jié)果可以得出：兩個(gè)判別分析模型和logistic回歸模型都能有效的對企業(yè)財(cái)務(wù)危機(jī)進(jìn)行預(yù)警，預(yù)警判斷的準(zhǔn)確率為80%以上，三種財(cái)務(wù)危機(jī)預(yù)警模型都能對企業(yè)是否發(fā)生財(cái)務(wù)危機(jī)進(jìn)行較準(zhǔn)確的判斷。

第三，因子分析能有效消除指標(biāo)間相關(guān)性的影響，使財(cái)務(wù)危機(jī)預(yù)警模型的準(zhǔn)確率更高，logistic回歸模型相比判別分析模型對企業(yè)財(cái)務(wù)危機(jī)的預(yù)警更加有效。通過比較logistic回歸模型和兩個(gè)判別分析模型的準(zhǔn)確率可以發(fā)現(xiàn)logistic回歸模型的準(zhǔn)確率是最高的，為92%。

第四，本文建立的財(cái)務(wù)危機(jī)預(yù)警模型的預(yù)警期為兩年。本文建立模型時(shí)采用的是ST企業(yè)被ST前兩年的數(shù)據(jù)，建立的模型能對企業(yè)兩年后是否被ST進(jìn)行準(zhǔn)確判斷，說明建立的財(cái)務(wù)危機(jī)預(yù)警模型能對企業(yè)兩年后是否發(fā)生財(cái)務(wù)危機(jī)進(jìn)行有效預(yù)警，預(yù)警模型的預(yù)警期為兩年。

參考文獻(xiàn)：

[1]于義杰.引入非財(cái)務(wù)因素的財(cái)務(wù)危機(jī)預(yù)警模型研究[J].合作經(jīng)濟(jì)與科技，2012，（1）.

[2]宋忠寧.我國上市公司財(cái)務(wù)危機(jī)預(yù)警實(shí)證研究[J].市場周刊，2011，（1）.

上市公司財(cái)務(wù)危機(jī)預(yù)警范文3

關(guān)鍵詞：財(cái)務(wù)危機(jī)；預(yù)警模型；實(shí)證研究

一、引言

隨著資本市場的不斷發(fā)展和完善，對上市公司財(cái)務(wù)危機(jī)預(yù)警進(jìn)行研究一直是國內(nèi)外學(xué)術(shù)界研究的熱點(diǎn)問題之一。財(cái)務(wù)危機(jī)預(yù)警是以現(xiàn)有的財(cái)務(wù)比率為基礎(chǔ)，通過設(shè)計(jì)并觀察一些敏感性財(cái)務(wù)預(yù)警指標(biāo)的變化，建立數(shù)學(xué)模型來預(yù)測企業(yè)財(cái)務(wù)危機(jī)發(fā)生的可能性，這樣就能在很大程度上幫助上市公司防范和化解財(cái)務(wù)危機(jī)。然而，由于種種原因，財(cái)務(wù)危機(jī)預(yù)警系統(tǒng)在我國上市公司中尚未得到廣泛應(yīng)用。

二、財(cái)務(wù)危機(jī)預(yù)警模型的發(fā)展及分類

1、單變量模型

單變量模型，即一元判別模式，它運(yùn)用單一的財(cái)務(wù)指標(biāo)來預(yù)測企業(yè)的財(cái)務(wù)危機(jī)。W.H.Beaver（1966），他最早將統(tǒng)計(jì)方法應(yīng)用與財(cái)務(wù)指標(biāo)結(jié)合起來，選擇了29個(gè)能夠代表企業(yè)財(cái)務(wù)狀況的指標(biāo)，從1954年到1964年之間他定義的財(cái)務(wù)危機(jī)企業(yè)中，挑選了79家，并選擇了產(chǎn)業(yè)相同、資產(chǎn)規(guī)模相近的另外79家非財(cái)務(wù)危機(jī)企業(yè)作為配對樣本，他對這79家財(cái)務(wù)危機(jī)企業(yè)和79家非財(cái)務(wù)危機(jī)企業(yè)前五年的29個(gè)財(cái)務(wù)指標(biāo)進(jìn)行了立面分析，最后得出結(jié)論，認(rèn)為現(xiàn)會流量/負(fù)債總額能夠最好地判定公司的財(cái)務(wù)狀況（誤判率最低，破產(chǎn)前一年的預(yù)測幣確率町以達(dá)到87%），其次是資產(chǎn)負(fù)債率和“凈利潤/總資產(chǎn)”比率，并且離財(cái)務(wù)危機(jī)出現(xiàn)同越近，誤判率越低，預(yù)見性越強(qiáng)。

2、多元線性回歸模型

多元線性判別模型，即通過線性回歸技術(shù)來構(gòu)建能夠以最小的分類錯(cuò)誤率對樣本公司進(jìn)行劃分的多元線性方程。比較著名的有Altman的Z分?jǐn)?shù)模型以及后來E.Altman、R.Haldeman.和P.Narauaman的ZETA模型。

2.1、Z分?jǐn)?shù)模型

Altman（1968）提出了Z分?jǐn)?shù)模型。該模型是Altman根據(jù)美國股票市場的實(shí)際情況，經(jīng)過上千次的實(shí)證分析，以33家破產(chǎn)公司及33家配對公司作為樣本，使用選擇的5個(gè)比率擬合出了一個(gè)多元線性方程，建立了Z分?jǐn)?shù)模型，首次采用了多變量來預(yù)測企業(yè)的財(cái)務(wù)危機(jī)。

模型如下：

2.2、ZETA模型

1977年Altman等人將預(yù)測模型Z分?jǐn)?shù)模型從單純的制造業(yè)中解放出來，加入了非上市公司和各個(gè)行業(yè)，建立了新的、更具有準(zhǔn)確性的企業(yè)財(cái)務(wù)危機(jī)預(yù)測模型一zETA模型，它包括了經(jīng)營收益/總資產(chǎn)、收益穩(wěn)定性、利息保障倍數(shù)、留存收益/總資產(chǎn)、流動比率、普通股權(quán)益/總資本和普通股權(quán)益/總資產(chǎn)這7項(xiàng)比率。Altman等經(jīng)過對樣本的分析，發(fā)現(xiàn)用ZETA模型預(yù)測五年和一年之后的財(cái)務(wù)危機(jī)企業(yè)的精確度分別為70%和91%。并且通過對相同樣本進(jìn)行預(yù)測分析，比較發(fā)現(xiàn)，ZETA模型的預(yù)測準(zhǔn)確度要明顯優(yōu)于Z分?jǐn)?shù)預(yù)測模型。

2.3、F分?jǐn)?shù)模型

由于Z分?jǐn)?shù)模型沒有考慮對企業(yè)財(cái)務(wù)狀況影響重大的現(xiàn)會流量因素，導(dǎo)致其財(cái)務(wù)解釋和預(yù)測的效果大打折扣。為彌補(bǔ)這一缺陷，我國學(xué)者對Z分?jǐn)?shù)模型加以改進(jìn)，建立了F分?jǐn)?shù)模型（周首華、楊濟(jì)華，1996）在F分?jǐn)?shù)模型中加入了現(xiàn)金流量的預(yù)測變量，其模型如下：

3、多元邏輯回歸

多元邏輯回歸（二項(xiàng)Logistic回歸）的統(tǒng)計(jì)方法都是建立在累積概率函數(shù)的基礎(chǔ)上，一般運(yùn)用極大似然估計(jì)法來進(jìn)行判定，而不需要滿足自變量服從多元正念分布和兩組問協(xié)方差相等的條件。他們是解決O一1回歸問題的行之有效的方法。

Martin（1977）年在財(cái)務(wù)困境預(yù)測中首次采用了邏輯回歸模型，從25個(gè)財(cái)務(wù)指標(biāo)中選取了8個(gè)作為變量建立了回歸模型，結(jié)果發(fā)現(xiàn)邏輯回歸的預(yù)測效果要好于前面兩種模型。0hlson（1980）以1970年至1976年問105家失敗公司為樣本，運(yùn)用了條件邏輯模型來建立財(cái)務(wù)預(yù)警模型，研究結(jié)果顯著。

三、研究不足

由于我國的理論研究相對滯后，市場體制還不完善，目前企業(yè)財(cái)務(wù)預(yù)警模型構(gòu)建存在的問題有如下幾點(diǎn)：

第一，預(yù)警變量選擇缺乏理論支持。

第二，樣本選取范圍和樣本時(shí)間區(qū)間存在局限。

第三，預(yù)警模型缺乏非財(cái)務(wù)因素支持。

絕大部分的研究都以財(cái)務(wù)會計(jì)報(bào)表數(shù)據(jù)為基礎(chǔ)，以各種財(cái)務(wù)指標(biāo)為變量來建立預(yù)警模型。運(yùn)用財(cái)務(wù)指標(biāo)建立的財(cái)務(wù)預(yù)警模型雖然能較直觀地反映企業(yè)的綜合財(cái)務(wù)狀況，但從我國企業(yè)的情況來看，不能僅采用財(cái)務(wù)指標(biāo)作為判別依據(jù)。

參考文獻(xiàn)

[1]Wi l l i am H. Baever . Fi nanci al as Pr edi ct or s of Fai l ur e[ J] . Journal of Account i ng Resear ch，1966. 5.

[2]AICPA.Improving Business ReD0rtS_― A Customer Fo～sEM3.AICPA Iuc，1994.

[3]Sorte～An"Event"Approach tO Basic Accounting n-e0ry[J].The Acc0unthlg Review.januaryt 1969

[4]王 強(qiáng)：企業(yè)失敗定義研究[J].北京工業(yè)大學(xué)學(xué)報(bào)，2002.Vol.2 No.1

[5]谷 祺 劉淑蓮：財(cái)務(wù)危機(jī)企業(yè)投資行為分析與決策[J].會計(jì)研究，1999.11

[6]趙愛玲：企業(yè)財(cái)務(wù)危機(jī)的識別與分析[J].財(cái)經(jīng)理論與實(shí)踐，2000

[7]吳世農(nóng)，盧賢義.我國上市公司財(cái)務(wù)困境的預(yù)測模型研究[ 經(jīng)濟(jì)研究，2oo1，（6）.

上市公司財(cái)務(wù)危機(jī)預(yù)警范文4

管理記分法由美國學(xué)者仁翰·阿吉蒂所創(chuàng)。嚴(yán)格來講，它是一種定性方法，但是結(jié)合上市公司自身的各種信息披露后，也可以實(shí)現(xiàn)定量與定性的結(jié)合。使用管理記分法進(jìn)行財(cái)務(wù)危機(jī)預(yù)警研究，主要分為以下五步：使用構(gòu)造樣本，列出與公司財(cái)務(wù)危機(jī)有關(guān)的多個(gè)因素；量化賦值這些因素對構(gòu)造樣本公司財(cái)務(wù)危機(jī)的影響程度；構(gòu)建構(gòu)造樣本的“管理記分法”財(cái)務(wù)危機(jī)預(yù)警模型；確定衡量財(cái)務(wù)危機(jī)程度的標(biāo)準(zhǔn)值；計(jì)算各家測試樣本公司的得分值，然后標(biāo)準(zhǔn)值比較，測試模型的預(yù)測效果。

本文依據(jù)上市公司自身披露的各種信息資料，使用管理記分法，獲取了公司陷入財(cái)務(wù)危機(jī)前存在的各種內(nèi)部和外部風(fēng)險(xiǎn)因素，通過量化賦值，構(gòu)建了Y記分模型，測試樣本驗(yàn)證檢測取得了較為理想的預(yù)測效果，并為今后研究進(jìn)行了趨勢分析。

二、研究樣本及數(shù)據(jù)來源

本文選取我國滬、深兩市2002～2010年間因“最近兩年連續(xù)虧損（包括追溯調(diào)整）”而首次被*ST的A股上市公司167家（原有*ST公司256家，剔除了金融類公司1家、上市不足3年就被*ST的公司9家，以及不能有效獲取信息的公司79家）。其中，120家公司用于構(gòu)建“管理記分法”財(cái)務(wù)危機(jī)預(yù)警模型，47家公司用于檢驗(yàn)?zāi)Ｐ偷男в谩Ｑ芯科陂g為危機(jī)前三年，即（t-3）年，數(shù)據(jù)取自“國泰安數(shù)據(jù)庫”，建立的“管理記分法”財(cái)務(wù)危機(jī)預(yù)警模型以下簡稱“Y記分模型”。

三、實(shí)證研究

（一）財(cái)務(wù)危機(jī)引發(fā)因素歸集 以構(gòu)造樣本的120家公司危機(jī)前3年的年報(bào)為依據(jù)，結(jié)合其特別處理公告和其他相關(guān)會計(jì)資料，采用歸納法總結(jié)出可能導(dǎo)致這些公司陷入財(cái)務(wù)危機(jī)的5項(xiàng)內(nèi)部風(fēng)險(xiǎn)因素（以下簡稱“內(nèi)因S”）和3項(xiàng)外部風(fēng)險(xiǎn)因素（以下簡稱“外因Q”），詳見表1。

表1中，將“新投資產(chǎn)業(yè)或產(chǎn)品或子公司需要大量資金；或新領(lǐng)域經(jīng)驗(yàn)不足，管理、經(jīng)營費(fèi)用高，但無利潤或基本無效”作為公司經(jīng)濟(jì)管理中存在的首要問題的公司有2家，次要問題的有5家，總共有10家公司認(rèn)為該因素會影響公司的經(jīng)濟(jì)狀況。在歸納過程中，發(fā)現(xiàn)以下幾個(gè)問題：

（1）上市公司披露的經(jīng)營過程中的問題，一般不超過5項(xiàng)，而且問題普遍且集中，如市場因素中的“資源不足；產(chǎn)品部件或原料能源成本過高或價(jià)格波動”問題被120家公司中的59家披露，約占到1/2。

（2）上市公司披露的問題中，外因和內(nèi)因出現(xiàn)的總頻數(shù)均為139次，各占總頻數(shù)278的50%。說明上市公司均重視會引起公司財(cái)務(wù)狀況變化的內(nèi)、外因素。

（3）內(nèi)因中，經(jīng)營管理因素和資金因素占52.52%，表明這是財(cái)務(wù)危機(jī)公司在危機(jī)爆發(fā)前，內(nèi)部存在的最突出的問題。即上市公司還是普遍認(rèn)為經(jīng)營管理方面存在問題，以及經(jīng)營資金不足會嚴(yán)重影響公司的財(cái)務(wù)狀況。經(jīng)營管理因素，多數(shù)涉及到公司資產(chǎn)結(jié)構(gòu)和資本結(jié)構(gòu)的合理調(diào)整，以及產(chǎn)業(yè)的優(yōu)化；資金因素顯示公司多受現(xiàn)金凈流的影響，公司資金緊張導(dǎo)致短期償債能力虛弱。

（4）外因中，市場因素占64.03%。這是財(cái)務(wù)危機(jī)公司在危機(jī)爆發(fā)前，面臨的最嚴(yán)重的外界影響。無序的、不完全的市場競爭，產(chǎn)品成本上升，國內(nèi)外宏觀環(huán)境的變化都對公司的財(cái)務(wù)狀況產(chǎn)生了不可測的影響。

（二）財(cái)務(wù)危機(jī)影響度量化賦值 表1中，具體內(nèi)容（第2列）中有一項(xiàng)原因出現(xiàn)，則對應(yīng)的定性因素（第1列）設(shè)為1，否則設(shè)為0，從而到得表2。

（三）Y記分模型構(gòu)建 具體如下：

（1）基本模型框架。Y記分模型的因變量取值為0或1，賦值是權(quán)數(shù)的加權(quán)平均。設(shè)計(jì)的模型為：

Y=0.5S+0.5Q（1）

其中：

Y為加權(quán)平均得分；

S是上市公司陷入財(cái)務(wù)危機(jī)的內(nèi)因的加權(quán)平均得分，權(quán)數(shù)0.5=139 /（139+139），即內(nèi)因中的所有風(fēng)險(xiǎn)因素出現(xiàn)的頻數(shù)在全部因素出現(xiàn)的總頻數(shù)中占的比重；

Q是上市公司陷入財(cái)務(wù)危機(jī)的外因的加權(quán)平均得分，權(quán)數(shù)0.5=139/（139+139），即外因中的所有風(fēng)險(xiǎn)因素出現(xiàn)的頻數(shù)在全部因素出現(xiàn)的總頻數(shù)中占的比重。

（2）內(nèi)因權(quán)重的確定。S的計(jì)算公式為：

其中：ai為對第i項(xiàng)內(nèi)因進(jìn)行加權(quán)的權(quán)數(shù)，Si為第i項(xiàng)內(nèi)因的取值。

ai值的大小反映了第i項(xiàng)內(nèi)因?qū)ω?cái)務(wù)危機(jī)形成的影響程度。ai值越大，說明第i項(xiàng)內(nèi)因?qū)ω?cái)務(wù)危機(jī)形成的影響大。表3中，百分比反映了各項(xiàng)內(nèi)因?qū)鞠萑胴?cái)務(wù)危機(jī)的影響程度，各項(xiàng)百分比就是對該項(xiàng)內(nèi)因進(jìn)行加權(quán)的權(quán)數(shù)ai。

根據(jù)表3，可以得出內(nèi)因的加權(quán)平均得分S的公式：

S=0.1727S1+0.2446S2+0.1222S3+0.1799S4+0.2806S5（3）

（3）外因權(quán)重確定。Q的計(jì)算公式為：

其中，bt為對第t項(xiàng)外因進(jìn)行加權(quán)的權(quán)數(shù)，Qt為第t項(xiàng)外因的取值。同樣方式確定各項(xiàng)bt值。

根據(jù)表4，可以得出外因的加權(quán)平均得分Q的公式：

Q=0.6403Q1+0.2590Q2+0.1007Q3 （5）

（4）構(gòu)建Y記分模型。由公式1，得到：

Y=0.5（0. 1727S1+0. 2446S2+0. 1222S3+0. 1799S4+0. 2806S5）+0.5（0.6403Q1+0.2590Q2+0.1007Q3）（6）

即，Y記分模型為：

Y=0.0864S1+0.1223S2+0.0612S3+0.0900S4+0.1403S5+0.3201Q1

+0.1295Q2+0.0504Q3（7）

其中：

Si為第i項(xiàng)內(nèi)因的取值，危機(jī)公司存在i項(xiàng)內(nèi)因時(shí)取值為1，否則為0，i=1，2，…，5；

Qt為第t項(xiàng)外因的取值，危機(jī)公司存在t項(xiàng)內(nèi)因時(shí)取值為1，否則為0，t=1，2，3。

（四）標(biāo)準(zhǔn)值確定 根據(jù)歸納的各項(xiàng)風(fēng)險(xiǎn)因素，可以確定各家構(gòu)造樣本財(cái)務(wù)危機(jī)公司的Si和Qt值，再根據(jù)公式7，可以得出各家公司的Y值。例如，ST昆百大（000560）的Y值為：

Y=0.0864×1+0.1223×1+0.0612×0+0.0900×0+0.1403×0

+0.3201×0+0.1295×0+0.0504×0=0.2087

120家公司的Y值見表5。

將構(gòu)造樣本中120家財(cái)務(wù)危機(jī)公司的Y值劃分為6個(gè)區(qū)間。根據(jù)表5計(jì)算出的Y值，各區(qū)間分布的財(cái)務(wù)危機(jī)公司數(shù)見表6。表中，“公司數(shù)”這一行表示在某一區(qū)間分布的財(cái)務(wù)危機(jī)公司數(shù)，“累計(jì)數(shù)”這一行表示在某一區(qū)間的上限以下區(qū)間分布的財(cái)務(wù)危機(jī)公司數(shù)，“百分比”這一行表示累計(jì)數(shù)的百分比。

有關(guān)學(xué)者的研究發(fā)現(xiàn)，選擇不同的Y臨界值，決策人員出現(xiàn)第Ⅰ類錯(cuò)誤的概率不同。Y臨界值越大，犯第Ⅰ類錯(cuò)誤的概率越大，但犯第Ⅱ類錯(cuò)誤的概率越小；Y臨界值越小，犯第Ⅰ類錯(cuò)誤的概率越小，但犯第Ⅱ類錯(cuò)誤的概率越大。對一般決策者來說，由于犯第Ⅰ類錯(cuò)誤的代價(jià)要高于第Ⅱ類錯(cuò)誤，因此在建立模型時(shí)，應(yīng)該主要考慮控制第Ⅰ類錯(cuò)誤發(fā)生的概率。

由此，若將Y臨界值確定為0.2，可以將犯第Ⅰ類錯(cuò)誤的概率控制在7.50%以下，即回代預(yù)測準(zhǔn)確率為92.50%。根據(jù)一般分析慣例，這樣的錯(cuò)誤概率是大部分決策人員可以接受的。因此，將Y臨界判別值確定為0.2，確立的Y記分預(yù)測分析判斷方法為：

（五）Y記分模型預(yù)測效果測試 測試樣本中47家財(cái)務(wù)危機(jī)公司的Y值區(qū)間如表8所示。

可以看出，在以0.2為分割點(diǎn)的情況下，測試樣本中47家財(cái)務(wù)危機(jī)公司有42家的Y值大于0.2，占總數(shù)的89.36%，即測試樣本的驗(yàn)證預(yù)測準(zhǔn)確率為89.36%。

四、研究結(jié)論

通過研究，可以得出以下幾條結(jié)論：

一是內(nèi)因和外因均會導(dǎo)致財(cái)務(wù)危機(jī)，即不僅公司內(nèi)部財(cái)務(wù)方面和非財(cái)務(wù)方面的原因是公司財(cái)務(wù)危機(jī)的“導(dǎo)火索”，而且公司外部的多項(xiàng)因素也會影響公司的財(cái)務(wù)狀況，而且這些因素多是公司的不可控因素。要在財(cái)務(wù)危機(jī)預(yù)警方面取得進(jìn)一步成果，必須結(jié)合公司外的各項(xiàng)因素進(jìn)行研究。

二是財(cái)務(wù)危機(jī)形成的內(nèi)因中，經(jīng)濟(jì)管理因素和資金因素是其中兩項(xiàng)最重要的因素。這說明企業(yè)想要避免財(cái)務(wù)危機(jī)的發(fā)生，必須有充足的可自由支配的資金，重視短期償債能力，搞好主導(dǎo)產(chǎn)品或產(chǎn)業(yè)，加強(qiáng)、完善內(nèi)部經(jīng)營管理。

三是財(cái)務(wù)危機(jī)形成的外因中，市場因素，尤其是市場競爭激烈、資源不足、產(chǎn)品部件或原料能源成本過高或價(jià)格波動是其中最重要的因素。這說明企業(yè)想要避免財(cái)務(wù)危機(jī)的發(fā)生，必須壓縮生產(chǎn)成本、提高自身產(chǎn)品的競爭力，以備不測之需。

四是Y記分模型對構(gòu)造樣本的回代預(yù)測準(zhǔn)確率和對測試樣本的驗(yàn)證預(yù)測準(zhǔn)確率分別為92.50%、89.36%，模型預(yù)測效果較好，資本市場各方利益相關(guān)者可適當(dāng)參考使用。需要說明的是，模型以0.2為分割點(diǎn)，決策人員犯Ⅰ類錯(cuò)誤的概率降低，可以將Y記分模型與各種統(tǒng)計(jì)模型（如多元邏輯回歸模型、BP人工神經(jīng)網(wǎng)絡(luò)模型等）結(jié)合使用。

上市公司財(cái)務(wù)危機(jī)預(yù)警范文5

Abstract: This paper proposed financial crisis early-warning model of China's real estate listed companies based on BP neural network, through the domestic and foreign companies' financial crisis esrly-warning literature and combining the characteristics of China's real estate industry.

關(guān)鍵詞: 財(cái)務(wù)危機(jī);BP神經(jīng)網(wǎng)絡(luò);房地產(chǎn)上市公司

Key words: financial crisis;BP neural network;real estate listed companies

中圖分類號:F275 文獻(xiàn)標(biāo)識碼:A文章編號:1006-4311(2010)08-0051-01

0引言

對于中國房地產(chǎn)公司,構(gòu)建一套完善先進(jìn)的預(yù)警系統(tǒng)十分重要,構(gòu)建一套基于科學(xué)預(yù)警理論研究成果指導(dǎo)下的專門針對房地產(chǎn)行業(yè)的財(cái)務(wù)危機(jī)預(yù)警系統(tǒng)迫在眉睫,它是房地產(chǎn)健康發(fā)展的客觀要求,也是政府和房地產(chǎn)管理部門的規(guī)劃、決策和調(diào)控走向理性的需要。

1文獻(xiàn)回顧

幾十年來,理論界圍繞著如何更加準(zhǔn)確地預(yù)測企業(yè)的財(cái)務(wù)危機(jī)展開了多種多樣的研究,研究的重點(diǎn)集中在如下兩個(gè)方面:

1.1 企業(yè)財(cái)務(wù)危機(jī)的界定國外對財(cái)務(wù)危機(jī)的界定因研究目的不同而不同,主要有以下幾種觀點(diǎn):①已經(jīng)破產(chǎn)的企業(yè);②進(jìn)入破產(chǎn)程序的企業(yè);③無力還本付息的企業(yè);④資不抵債的企業(yè)。因此我們認(rèn)為,由于有研究結(jié)果表明我國的資本市場目前仍處于弱式有效市場,信息的不對稱導(dǎo)致尚無一種客觀的評判標(biāo)準(zhǔn),故對我國上市公司財(cái)務(wù)危機(jī)的界定主要是依據(jù)證監(jiān)會定義ST企業(yè)的前兩條標(biāo)準(zhǔn),即出現(xiàn)下列情況之一的企業(yè):①最近一個(gè)會計(jì)年度的審計(jì)結(jié)果中顯示的凈利潤均為負(fù)值;②最近一個(gè)會計(jì)年度的審計(jì)結(jié)果中顯示的其股東權(quán)益低于注冊資本。即每股凈資產(chǎn)低于股票面值。

1.2 財(cái)務(wù)危機(jī)預(yù)測方法的研究從研究方法看,預(yù)測企業(yè)是否發(fā)生財(cái)務(wù)危機(jī)的方法一直在不斷地改進(jìn)和創(chuàng)新之中。從傳統(tǒng)的預(yù)測方法來看,統(tǒng)計(jì)判定分析一直是研究預(yù)測企業(yè)是否會發(fā)生財(cái)務(wù)危機(jī)的一個(gè)好方法。

近年來,有關(guān)企業(yè)財(cái)務(wù)預(yù)測分析日益已經(jīng)引起國內(nèi)理論界和實(shí)業(yè)界的高度重視。我們認(rèn)為,在我國目前上市公司財(cái)務(wù)數(shù)據(jù)并不很完善的情況下,應(yīng)用多種研究方法建立我國上市公司的財(cái)務(wù)危機(jī)預(yù)測模型,通過比較分析有利于提高模型的適人工神經(jīng)網(wǎng)絡(luò)是由大量稱為神經(jīng)元的簡單信息單元廣泛連接組成的復(fù)雜網(wǎng)絡(luò)用范圍和預(yù)測的準(zhǔn)確性。

2BP神經(jīng)網(wǎng)絡(luò)基本原理

人工神經(jīng)網(wǎng)絡(luò)是由大量稱為神經(jīng)元的簡單信息單元的廣泛連接所組成的復(fù)雜網(wǎng)絡(luò)系統(tǒng),用于模擬人類的大腦神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和行為,使它具有學(xué)習(xí)、記憶、聯(lián)想、歸納、概括和抽取、容錯(cuò)以及自學(xué)自適應(yīng)等能力。本文采用典型的3層前饋型BP網(wǎng)絡(luò)模型,它具有網(wǎng)絡(luò)訓(xùn)練信息的正向傳播過程和誤差的反向傳播過程。

設(shè)ai是網(wǎng)絡(luò)樣本輸入值,bi是網(wǎng)絡(luò)隱含層的輸出值,cj為對應(yīng)的實(shí)際輸出值。輸入神經(jīng)元到隱層神經(jīng)元的權(quán)值為vhi,隱層神經(jīng)元到輸出神經(jīng)元的權(quán)值為wij,另外分別用θi和xj表示隱含層和輸出層的閾值。三層BP網(wǎng)絡(luò)的數(shù)學(xué)模型表示為:①利用樣本輸入層的信息以及輸入神經(jīng)元到隱層神經(jīng)元的權(quán)值得到隱含層節(jié)點(diǎn)的輸出:bi=fahvhi+θi,(i=1,2,…,p);②輸出層節(jié)點(diǎn)的輸出:cj=fwijbi+xj,(i=1,2,…,q)最初的wij是設(shè)定的隨機(jī)值;③輸出層節(jié)點(diǎn)實(shí)際輸出值cj與期望輸出值c之間的誤差:dj=cj(1-cj)(c-c);④向隱含層節(jié)點(diǎn)反向分配誤差,令:ei=bi(1-bi)wijdj(i=1,2,…,p);⑤隱含層到輸出層的權(quán)值通過下式調(diào)整:Δwij=abidj(i=1,2,…,p;a是學(xué)習(xí)系數(shù),0

3神經(jīng)網(wǎng)絡(luò)的建立及模擬訓(xùn)練

3.1神經(jīng)網(wǎng)絡(luò)模型的建立

通過廣泛考察以往國內(nèi)外相關(guān)研究對最終模型有顯著貢獻(xiàn)的預(yù)測變量,主要采用的基本財(cái)務(wù)指標(biāo)可以分為5個(gè)一級指標(biāo),盈利能力、償債能力、成長能力、擴(kuò)張能力和營運(yùn)能力相關(guān)指標(biāo),又包含12個(gè)二級指標(biāo)。

Bp神經(jīng)網(wǎng)絡(luò)把用來描述企業(yè)財(cái)務(wù)狀況特征的12個(gè)指標(biāo)做為神經(jīng)網(wǎng)絡(luò)的輸入向量X=|X1,X2,…,X12|,將代表相應(yīng)綜合評價(jià)結(jié)果的值作為網(wǎng)絡(luò)的輸出Y,用學(xué)習(xí)樣本訓(xùn)練這個(gè)網(wǎng)絡(luò),使不同的輸入向量得到不同的輸出量值,這樣神經(jīng)網(wǎng)絡(luò)所持有的那組權(quán)系數(shù)值和閾值,便是網(wǎng)絡(luò)經(jīng)過自適應(yīng)學(xué)習(xí)所得到的正確內(nèi)部表示,經(jīng)過反復(fù)學(xué)習(xí)訓(xùn)練,確定與最小誤差相對應(yīng)的網(wǎng)絡(luò)參數(shù)(權(quán)值和閾值),訓(xùn)練即告停止。

3.2指標(biāo)數(shù)據(jù)的歸一化由于不同的指標(biāo)數(shù)據(jù)量綱均不相同,不進(jìn)行歸一化就會將神經(jīng)網(wǎng)絡(luò)模型帶入較大的系統(tǒng)誤差,因此,考慮到神經(jīng)網(wǎng)絡(luò)訓(xùn)練的收斂問題,也為了便于最終評價(jià)值的確定,在網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練前將學(xué)習(xí)樣本和檢驗(yàn)樣本的原始指標(biāo)數(shù)據(jù)同時(shí)進(jìn)行歸一化,以便消除指標(biāo)量綱不同和系統(tǒng)誤差所帶來的影響本文采用正向和反向傳播公式,將原始指標(biāo)數(shù)據(jù)歸一化到[0,1]之間。歸一化公式為:①正向指標(biāo)歸一化公式:xij=(xij-minxi)(maxxi-minxi);②反向指標(biāo)歸一化公式:xij=(maxxi-xij)(maxxi-minxi)。其中xij是xi中的第j個(gè)數(shù)據(jù),maxxi是xi中數(shù)值最大的數(shù)據(jù),minxi是xi中數(shù)值最小的數(shù)據(jù)。

3.3 網(wǎng)絡(luò)訓(xùn)練過程本文利用DPS軟件的Bp神經(jīng)網(wǎng)絡(luò)工具箱進(jìn)行了數(shù)據(jù)分析,采用12個(gè)指標(biāo)進(jìn)行上市公司財(cái)務(wù)預(yù)警,這樣,網(wǎng)絡(luò)輸入層節(jié)點(diǎn)數(shù)i定為11,隱含層(中間層)的節(jié)點(diǎn)數(shù)1,輸出層為1,允許誤差為0.01,最小轉(zhuǎn)換速度為0.01,最大訓(xùn)練次數(shù)為1000次。

將10年的樣本數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)辨識模型的訓(xùn)練樣本,預(yù)測2009年企業(yè)的財(cái)務(wù)狀況,繼續(xù)用DPS軟件的Bp神經(jīng)網(wǎng)絡(luò)工具箱對09年企業(yè)的財(cái)務(wù)數(shù)據(jù)進(jìn)行分析,得出2009年的擬合結(jié)果為23.440,即2009年企業(yè)的財(cái)務(wù)數(shù)據(jù)將處于健康狀態(tài)。

上市公司財(cái)務(wù)危機(jī)預(yù)警范文6

根據(jù)國外公司法或者國外研究人員的定義，財(cái)務(wù)危機(jī)是指企業(yè)由于經(jīng)營失敗而沒有能力支付到期債務(wù)。以下事項(xiàng)只要滿足一項(xiàng)就表明企業(yè)經(jīng)營失敗，即：破產(chǎn)，債券違約，透支銀行賬戶，無法支付優(yōu)先股股利。這樣的定義是基于國外資本市場十分成熟的情況下做出的，然而，由于我國的資本市場僅僅發(fā)展二十余年，尚不成熟，并且我國上市公司的退市制度還不完善，因此，本文將發(fā)生財(cái)務(wù)危機(jī)的企業(yè)定義為中國證券監(jiān)督管理委員會（證監(jiān)會）設(shè)定為“特別處理”的企業(yè)，通常在資本市場中這類企業(yè)的股票代碼前冠以“ST”符號以示區(qū)分。

基于現(xiàn)有的各類財(cái)務(wù)指標(biāo)，構(gòu)建一個(gè)財(cái)務(wù)危機(jī)預(yù)警的數(shù)學(xué)模型，用于提示企業(yè)發(fā)生財(cái)務(wù)危機(jī)的可能性有很多現(xiàn)實(shí)意義。建立與企業(yè)實(shí)際發(fā)展?fàn)顩r相符的財(cái)務(wù)危機(jī)預(yù)警模型有利于投資者做出更加理智的投資決策，有利于企業(yè)管理者更好地理解企業(yè)財(cái)務(wù)狀況以提高管理水平，有利于銀行和其他債權(quán)人更好地評估企業(yè)的債務(wù)違約風(fēng)險(xiǎn)，有利于政府監(jiān)管部門更有針對性地監(jiān)督上市公司，有利于審計(jì)人員更加高效地審計(jì)上市公司等等。

二、選擇樣本

失敗企業(yè)的篩選：

在第一部分，將“ST”企業(yè)定義為經(jīng)營失敗的企業(yè)，數(shù)據(jù)來自于上海證券交易所和深圳證券交易所網(wǎng)站。由于有些失敗企業(yè)數(shù)據(jù)缺失，最終篩選出2005年的55家“ST”企業(yè)。為了將模型適用于各類企業(yè)，這55家“ST”企業(yè)來自各行各業(yè)，有制造業(yè)、建筑業(yè)、交通運(yùn)輸業(yè)等。資本市場中，大部分企業(yè)使用統(tǒng)一的會計(jì)制度，但是金融保險(xiǎn)業(yè)上市公司使用其專有的會計(jì)制度，因此，本文挑選的55家“ST”企業(yè)不包括金融保險(xiǎn)業(yè)上市公司。

非失敗企業(yè)的篩選：

非失敗企業(yè)的篩選按照以下步驟進(jìn)行：（1）查找“ST”公司的行業(yè)類別代碼；（2）在該類行業(yè)中，篩選出和“ST企業(yè)”資產(chǎn)規(guī)模最接近的企業(yè)；（3）如果篩選出的企業(yè)是非失敗企業(yè)，則采用；（4）重復(fù)以上步驟，直到篩選出與失敗企業(yè)同樣數(shù)量的非失敗企業(yè)。

表 失敗企業(yè)和非失敗企業(yè)的來源與數(shù)量 單位：家

三、選擇財(cái)務(wù)指標(biāo)

目前，通過哪些財(cái)務(wù)指標(biāo)來判斷企業(yè)是否遇到了財(cái)務(wù)危機(jī)沒有一個(gè)統(tǒng)一的標(biāo)準(zhǔn)，而且僅僅通過若干個(gè)財(cái)務(wù)指標(biāo)來描述企業(yè)的經(jīng)營狀況是很困難的。本文在前人研究經(jīng)驗(yàn)的基礎(chǔ)上，初步篩選出反映企業(yè)總體狀況的六個(gè)方面的15個(gè)財(cái)務(wù)指標(biāo)，這六個(gè)方面分別是短期償債能力，長期償債能力，盈利能力，資產(chǎn)管理能力，主營業(yè)務(wù)盈利能力和增長能力。篩選的15個(gè)財(cái)務(wù)指標(biāo)來自2005年12月31日的資產(chǎn)負(fù)債表，主要有流動比率，速動比率，現(xiàn)金比率，產(chǎn)權(quán)比率，已獲利息倍數(shù)，現(xiàn)金收入比率，總資產(chǎn)收益率，凈資產(chǎn)收益率，存貨周轉(zhuǎn)率，應(yīng)收賬款周轉(zhuǎn)率，總資產(chǎn)周轉(zhuǎn)率，主營業(yè)務(wù)利潤率，資本保值增值率，凈利潤增長率，總資產(chǎn)增長率。

在建立預(yù)測模型之前，首先要在15個(gè)財(cái)務(wù)指標(biāo)中找出與企業(yè)被“ST”最相關(guān)的指標(biāo)。在Rapidminer 6.1中，使用相關(guān)矩陣測算財(cái)務(wù)指標(biāo)與“ST”之間的關(guān)系。通過計(jì)算，除去流動比率（相關(guān)系數(shù)為0.03

圖1

使用Rapidminer 6.1的相關(guān)矩陣函數(shù)計(jì)算找出與企業(yè)被“ST”最相關(guān)的財(cái)務(wù)指標(biāo)，軟件中使用的模塊和連接如圖中所示。

圖2

展示了13個(gè)財(cái)務(wù)指標(biāo)分別與企業(yè)被“ST”之間的相關(guān)系數(shù)，運(yùn)行結(jié)果顯示，財(cái)務(wù)指標(biāo)X1（流動比率）和財(cái)務(wù)指標(biāo)X3（現(xiàn)金比率）與“ST”的相關(guān)系數(shù)小于0.05，表明他們之間的相關(guān)性小，因此剔除這兩個(gè)財(cái)務(wù)指標(biāo)。

四、實(shí)驗(yàn)過程

神經(jīng)網(wǎng)絡(luò)的建模過程如圖3、圖4所示，圖5表示的是預(yù)測的準(zhǔn)確率。

圖3 主要處理過程

將待處理數(shù)據(jù)和SPLIT函數(shù)模塊拖入主界面，將兩個(gè)模塊連接，SPLIT函數(shù)模塊的作用是將待處理數(shù)據(jù)隨機(jī)分割成兩部分，設(shè)定分隔系數(shù)是0.7，即70%的財(cái)務(wù)數(shù)據(jù)用作訓(xùn)練數(shù)據(jù)，30%的財(cái)務(wù)數(shù)據(jù)用作檢驗(yàn)數(shù)據(jù)。

圖4

將導(dǎo)入主界面的全部數(shù)據(jù)中的70%，即導(dǎo)入77家上市公司的財(cái)務(wù)數(shù)據(jù)，使用神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)模型用于對剩余30%的數(shù)據(jù)即33家上市公司的財(cái)務(wù)數(shù)據(jù)進(jìn)行預(yù)測，預(yù)測這33家上市公司中失敗企業(yè)（即“ST”上市公司）的數(shù)量和非失敗企業(yè)（即正常上市公司）的數(shù)量。

圖5

訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果：93.33%的原“ST”企業(yè)被預(yù)測成功，88.89%的原正常企業(yè)被預(yù)測成功，總體預(yù)測精度達(dá)到90.91%。