前言：中文期刊网精心挑选了财务危机预警研究范文供你参考和学习，希望我们的参考范文能激发你的文章创作灵感，欢迎阅读。
财务危机预警研究范文1
财务危机预警，是指根据公司提供的审计报告、财务报表及其他一系列相关的财务信息，提取设置相关指标，利用财务、统计等分析手段对企业的经营活动、财务活动等进行数据分析、预测，以及时发现公司经营管理过程中存在的潜在经营风险和财务风险，并预先告知公司管理者及其他利益相关者，使其在财务危机发生之前采取有效措施，尽可能避免风险变为损失。传统的财务危机预警大多是从财务报表中提取财务指标进行分析，但是很多公司存在人为操纵财务报表数据、粉饰财务利润的情况，致使财务信息失真、报告不及时，由此可见基于人为因素调整之后的财务指标所做的财务危机预警分析具有一定的局限性。因此在模型指标体系中加入以价值管理为导向的经济增加值指标和受人为因素干扰较小的非财务指标，借以提高财务危机的预警准确度。
一、传统财务指标财务危机预警的局限性
1.财务信息滞后性
传统的仅选取财务指标进行财务危机预警，其中选取的大多数财务指标有可能是财务危机产生结果的量化表现，并不是引发财务危机的真正原因。而且财务报表在我国上市公司的年报一般是次年四月份左右对外披露，所以财务数据的选择存在时间上的滞后。
2.财务信息的可靠性
一方面，目前我国公司信息的公开披露制度和披露质量标准均不够完善，公司提供的财务报表不一定真实反映企业的财务状况。因为有些公司为了达到经营者所期望的财务状况，可能通过盈余管理，人为调整会计政策来调节利润，甚至可能存在着通过编制虚假会计信息等手段操纵会计利润。这些行为都会导致财务信息的可靠性大大降低，仅采用财务指标进行预警分析的准确度就会受到一定程度的影响。另一方面，一个公司内部控制制度制定的完善程度以及内控制度的执行状况对公司提供的财务数据的可靠性也会有很大影响。
3.财务信息的全面性
财务报表中提供的财务指标是高度总结、概括的指标，是一种定量的信息，反映了公司的财务状况和经营成果。但是财务危机的发生不仅与财务因素有关，对公司运作、管理有直接影响的股权结构因素，对公司长远发展有潜在影响的知识产权、商誉、企业形象、企业竞争力等因素，这些定性的信息也在一定程度上反应了公司的经营治理情况。所以，如果仅采用财务信息构建模型预测危机，预警信息的全面性会大大降低，预警能力将会受到一定程度的影响。
二、财务危机预警中引入EVA的优势
经济增加值（Economic-Value-Added），是税后净营业利润（NOPAT）扣除债务资本、股权资本等所有资产的资金成本后的净值。EVA是从经济学角度衡量一个企业创造的真正价值（企业经济收益与资本的机会成本），这种计算方法在投资者与债券人之前起到了一定的平衡作用，对股权资本和债务资本的使用成本采取相同的标准评价，加强了管理者对资金的有效使用，实现价值最大化。1982年美国SternStewart公司提出EVA这一概念后，经过不断的发展与传播，经济增加值成为众多公司所使用的评价指标，2010年国资委也通过了正式施行经济增加值考核的方案。
众所周知，美国安然公司申请破产一案。自1990年至2000年，安然公司的财务报告显示，销售收入从59亿美元上升到1008亿美元，净利润从2.02亿美元上涨到9.79亿美元，账面价值也从每股4.01美元涨到了13.76美元。单从财务报告所显示的销售收入、净利润等财务指标来看，似乎觉得安然公司业绩良好，然而如果采用EVA分析安然公司的财务状况就会发现结果完全不同。虽然安然公司的净利润和每股收益都有上升趋势，但是EVA却在急剧下降，这意味着安然公司并没有真正的盈利，与之相反利润是在不断被损耗的。从安然事件可以看出没有资本收益的公司缺乏竞争力，从而使财务状况不断恶化。从EVA是对全部资本成本考量这一角度看，将EVA引入财务危机预警比仅采用传统财务指标的财务危机预警具有一定的优势：
1.预警灵敏度高
从安然公司破产事件可以发现当利润还是正数时，传统财务指标没有表现出经营状况出现问题，EVA已经为负，公司虽然在在盈利，但是公司价值正在被损耗。由此可见，EVA能更为灵敏的预测到公司的经营危机。这种状况说明与传统财务指标相比，EVA对预测公司经营状况的变化具有较好的灵敏度，更加真实的反映公司的盈利能力，同时更加清楚的反映公司的总体价值。
2.提高财务信息可靠性
首先，EVA是税后净营业利润扣除所有资金成本后的经济利润，不仅能反映出股东价值是否贬值，而且EVA对会计利润计算过程中调整费用、损失等行为都有修正作用，防止公司管理者操纵传统的财务利润指标的计算，从而使财务数据失真，虚增利润，粉饰财务报表。其次，EVA指标能从投资回报的数量和持续性方面反映出一个公司面临的经营风险和财务风险。
3.促使公司可持续发展
从一个公司长远发展的角度看，资本如果得不到有效的配置，就会造成“价值损毁”。如果资本成本长期得不到补偿，就可能会导致企业财务状况恶化。EVA定量的反映了公司经营期间创造或损失的价值，将EVA引入财务预警指标体系，可以促使公司管理层在做投资决策的时候更加注重价值的创造，关注现金流、风险和回报、资金利用率，而不是着眼于短期经济利益。
三、财务危机预警中引入非财务指标的优势
非财务信息指的是能够体现公司的某些外在特征，但是无法从财务报表上直接反映或是直接分析获得的信息，它可以直接或间接地反映公司的经营管理能力。例如上市公司的股权结构、公司治理状况、委托成本、审计意见这些非财务指标，都能在一定程度上体现着公司的经营状况、财务状况，非财务指标在更深的层次上阐述了财务危机产生的原因。
2008年9月美国第四大投资银行雷曼兄弟控股公司申请破产。雷曼兄弟控股公司是美国第四大投资银行，具有158年的历史和雄厚的财务实力。次贷危机是引发的雷曼兄弟的破产的直接原因，但是究其根本原因是雷曼兄弟控股公司自身经营管理中财务危机预警意识不强，危机处理能力不足。表现为风险控制过度依赖数学模型，次贷危机时模型和实际情况脱节，未能起到预测作用，没能有效的控制风险；管理层盲目乐观，只着眼于扩大业务缺乏风险意识；在处理危机时优柔寡断。由此可见，将公司治理状况、管理层的决策这些非财务指标引入财务危机预警系统，对于提高预警系统的有效性是非常有必要的。
1.可靠性
财务指标是一种定量分析的指标，而非财务指标更偏向于定性的描述公司的经营状况。例如，股权结构、公司治理状况、委托成本、审计意见这类非财务指标，一般都是如实披露，减少了人为调整的情况，比财务指标更加真实可靠。另外，非财务指标读取起来更加简单明了，便于理解运用。
2.全面性
大多数财务指标只是财务危机产生的结果的量化表现，而非财务指标却是从不同的角度描述了财务危机发生的潜在风险源。非财务指标从不同的侧面反映了对公司财务状况和经营管理产生不利影响的各种因素。一个完整有效的财务预警系统应该把非财务指标作为必要而且有益的补充引入进来，形成有机的结合，借以提高预警的准确性。
四、财务危机预警引入EVA和非财务指标存在的问题
1.引入EVA存在的问题
将EVA引入财务危机预警完善了财务预警指标体系，能在一定程度弥补传统利润指标的不足。但是由于2010年国资委才开始正式施行EVA考核方案，EVA在我国的运用并不是非常成熟。因此，将EVA引入财务危机预警模型时，还存在着核算和实施方面的问题。
首先，目前在研究计算EVA时采用的是简化的计算方法，但根据美国Stern Stewart公司的计算方法，应该根据各个公司的实际情况逐项调整。因此，会降低EVA反映真实财务状况的准确性。其次，EVA也是根据财务报表的数据计算得到的，虽然在一定程度上缓解了财务失真的状况，但是其有效性还是会受到财务信息真实性的影响。最后，目前在我国被要求使用EVA考核的企业只有央企，虽然使用EVA的公司越来越多，但考虑到很多企业习惯用传统财务指标，因此在财务危机预警时引入EVA存在实施方面的难题。
2.引入非财务指标存在的问题
将非财务指标引入财务危机预警，丰富了预警模型的指标体系，有利于提高预测的准确度。然而，非财务指标的引入也存在着一些需要解决的问题。
一方面，由于非财务指标多数是一些定性的描述性指标，要将非财务指标应用于财务危机预警模型中时，需要将其量化成定量指标，引入到模型中运算。因此，非财务指标数据的选取、收集、量化成为研究的难点。另一方面，我国学者对于非财务指标的选取多参考国外研究成果，由于我国企业经营的外部环境、行业特点与国外公司具有一定的区别，如何选取体现我国公司发展状况的非财务变量，成为后续研究中需要讨论的问题。
五、结语
引入EVA和非财务指标构建完善的财务预警模型的指标体系，弥补了仅采用财务指标的财务危机预警中存在的灵敏度、可靠性、全面性问题。针对上述应用过程中产生的问题，在选取指标变量时应注意：一方面，根据我国公司的具体情况，从实际出发调整EVA指标、选取非财务指标，保证变量选取的规范性。另一方面，合理运用EVA和非财务指标，对于同一类型的非财务指标的量化尽量采用统一标准。
虽然目前将EVA和非财务指标应用于财务危机预警还有一定的问题存在，但是随着资本市场的不断完善，会计制度、会计准则的日趋成熟，相信EVA的应用范围会不断扩大，非财务指标也将不断朝着精准定量化的方向发展。将EVA和非财务指标引入财务预警指标，构建完整的指标体系，有助于提高预警模型灵敏度与准确度，建立起更加有效的财务危机预警体系。
参考文献：
[1]沈翠清.引入非财务指标的上市公司财务危机预警研究[D].厦门：厦门大学.2007.
[2]杨华.财务危机预警模型中的非财务指标应用研究[J].财会通讯，综合版2007（5）.
[3]刘国风.企业财务危机预警应确立的指标体系[J].商业研究，2009（3）.
[4]万俊丽.对经济增加值的思考和应用[J].会计之友，2008，（23）.
[5]施赞，张蔚文.EVA对上市公司财务危机预警判别的效果[J].财经纵横，2009（6）.
[6]戴.引入非财务信息的上市公司财务危机预警模型实证研究[D].大连理工大学，2007.
[7]杨茵.上市公司财务危机及基于EVA的财务危机预警模型的研究[D].西南财经大学，2005.
[8]刘红霞.企业财务危机预警方法及系统的构建研究[J].北京：中国统计出版社，2005.
[9]王克敏，姬美光.基于财务与非财务指标的亏损公司财务预警研究[J].财经研究，2006（7）.
财务危机预警研究范文2
摘 要 随着我国市场经济体制改革的深化和资本市场的快速发展,企业在获得机会的同时,也面临着无尽的风险。公司陷入财务危机不仅危及其自身的生存和发展,也给投资者、债权人等利益相关者带来巨大的损失,为了避免企业陷入财务危机,建立企业财务危机动态预警系统,对其进行研究不仅具有较高的学术价值,而且具有现实意义。本文首先对财务危机预警进行了界定,然后综合介绍了国内外研究情况,在此基础上对其进行了评析和建议。
关键词 财务危机 预警模型 上市公司
2006年,随着我国股权分置改革基本完成,证券市场步入健康、快速、有序的发展阶段。截止2007年底,深沪两地上市公司市值达到32万亿元人民币,占GDP比重将近130%,资本市场呈现出良好的发展势头。但是,随着我国改革开放的不断深化,市场竞争日益激烈,各种各样的风险与危机不断涌现,企业财务状况由正常逐步恶化,无法按期偿债甚至破产的例子屡见不鲜,使得投资者、债权人、经营者等多方利益人遭受巨大损失。企业产生财务危机的原因是多方面的,并且它的发生是一个逐步显见、不断恶化的过程,因此,我们要防微杜渐,在财务系统的正常运作中,就要对企业的财务运营过程进行跟踪、监控,及早发出预警信号,将企业面临的潜在风险告知经营者,从而使其早做准备或采取对策,以避免或减弱对企业的破坏。
一、财务危机预警界定
对于财务危机预警不同的人有不同的理解。财务危机预警是以企业信息化为基础,对企业在经营管理活动中的潜在财务危机风险进行监测、诊断与报警的一种技术。它贯穿于企业经营活动的全过程,以企业的财务报表、经营计划及其他相关的财务资料为依据,利用会计、金融、企业管理、市场营销等理论,采用比率分析、数学模型等方法,发现企业存在的风险,并向利益相关者发出警示,以便采取相应对策的管理方法,避免潜在的风险演变成现实的损失,起到未雨绸缪的作用。有关经济学家称财务危机预警为“触按经济脉络的手指”。
构建一个有效适用的财务危机预警系统,对财务运营做出预报,无论从哪个立场分析都是十分必要的,可以说财务危机预警涵盖了财务管理的一系列环节,它具有以下功能:信息收集功能、监测功能、预报功能、诊断功能、治疗功能、辅助决策功能、健身功能。总之,企业财务危机预警是企业预警系统的一部分,它除了能预先告知经营者、投资者有关企业组织内部财务营运体系隐藏的问题之外,还能清晰地告知企业经营者应朝哪一个方向努力来有效地解决问题,使企业的资源得到充分利用,创造最大效益。
二、财务预警模型国内外相关研究
国外学者对财务预警研究较早,并由起初的财务定性研究转向定量与定性相结合,形成了单变量模型、多变量模型、Logit预警模型、非统计模式预警模型等。
在单变量模型中,Fitz Patrick(1932)最早利用其进行了破产研究,他以19家样本公司进行了单变量破产预测,研究发现净利润/股东权益和股东权益/负债两个财务指标的判别预测能力较高。单变量预测分析在上世纪六十年代得到了广泛的应用,而其中影响最为深远的是Beaver(1966)提出的单变量判定模型。我国对单变量模型研究不多,其中影响较大的为陈静(1999)的研究。吴世农、卢贤义(2001)也进行了单变量分析。薛亚飞(2006)用单变量建立逻辑回归模型进行财务危机预警,结果证明以净资产收益率为解释变量的模型具有最好的判别效果。总的来看该模型容易受所选指标的影响,分析方法较为简单,不能全面的分析企业的整体财务状况。
在多变量模型中,率先将多元线性判别方法引入财务预警领域的是美国学者Altman(1968)。他对1946―1965年期间提出破产申请的33家财务危机公司和同样数量的非财务危机公司为配对样本进行了研究,根据误判率最小的原则,确定了营运资产/资产总额、留存收益/资产总额、息税前利润/资产总额、权益市价/总负债账面价值和销售收入/资产总额5个比率作为判别变量,构建了Z计分模型,该研究对破产前一年的判断正确率达95%,前两年的判断正确率达72%,但对两年以上的预测能力不高,1977年该模型被进一步扩展,形成了预测精度更高的ZETA模型。后来,许多专家根据本国企业特点对其进行了更深入的研究,建立与本地资本市场相适应的多元判别模型。如我国学者周首华(1996)考虑了现金流指标,选用1977―1999年的62家公司,在Z分数模型的基础上进行改进,建立了F分数模型。该模型在衡量公司业绩时考虑了多项指标,在分析预测方面的效果也比较明显,但在自变量的选择方面,仍存在与正态分布假设不相符的问题。
在Logit预警模型中,Martin(1977)首次将逻辑回归分析法引入财务危机预警的研究,使模型不仅能就样本公司是否发生财务危机进行分类,还可以衡量发生财务危机的概率。Ohlson(1980)则运用多元逻辑回归方法建立了财务危机预警模型,并发现公司规模、资本结构、经营绩效及流动性对企业发生财务危机具有显著的预测能力。类似的研究还有Tirapat和Nittaygasetwat(1999),Matthieu Bussere和Marcel Fratzcher(2006)等,我国学者陈晓、陈治鸿(2000),姜天和韩立岩(2004)等也做了相关的研究,该模型被广泛的研究和验证,克服了单变量和多变量预警模型中自变量服从多元正态分布和两组间协方差相等假设的局限性。
除上述之外,Frydman(1985)引入了基子模式识别的计算机化非参数方法―递归划分算法进行财务分析,Fant和Coast(1993),王乐平(2007),吴铭峰(2006)等利用神经网络模型和多元判别模型建立财务预警模型。Theodossiou(1993)首次将累积和(以下简称CUSUM)模型应用于财务危机预警模型,采用多变量CUSUM和时间序列分析为架构,建立动态的财务危机预警模型。我国学者杨淑娥、徐伟刚(2003)等采用统计法中的主成分分析法,建立了上市公司财务预警模型――Y分数模型。
三、财务危机模型的评析与建议
从国内外财务危机预警模型的研究来看,从单变量到多变量,从财务指标到非财务指标,从定性到定量,从统计模型到非统计模型,从单一模型到混合模型,可以说,财务危机预警模型的研究在世界范围内受到广泛关注与重视。在过去的研究中,财务危机预警模型一般趋于静态,模型本身并没有随着企业内外环境的变化而进行调整,许多模型的数据来自于1-3年前,这与企业当前状况相差甚远,缺乏实践性、客观性、及时性和可操作性,现在的预警模型采用动态的研究方法,使得模型的时效性和全面性大大增强。但是我们仍需注意以下几点:1.模型假设条件的限制,财务预警模型的建立都是以一定的假设条件为前提的,如多变量模型假设自变量服从正态分布,协方差矩阵相等,独立变量之间线性互补等,而逻辑分析模型则不考虑变量的正态分布,但是会要求变量间要线性互补,很明显不同模型都有其所满足的条件,这对模型预测的准确度和精度都会产生直接影响。2.变量选择的限制。从当前的研究中,我们可以发现财务危机预警指标的选择大多偏重于财务指标,而对非财务指标选择较少,并且研究者在选择变量指标时也常受自身价值判断的影响,这在一定程度上会与实际情况不符,从而直接影响实证结果。3.样本选择的限制,不同模型对其样本选择都有其侧重点,不同国家、行业以及研究区间都会对其实使用性产生很大的影响,并且由于大多数据来源于财务报告,而财务报告信息披露不足以及虚假信息的存在使得这些数据的真实性、可靠性大打折扣,这样预测的准确度更是让人怀疑。因此,在研究财务预警模型时,我们应结合本国实际,增强模型的适应性,并随实际情况的变化不断完善、更新。同时,我们还应注意到财务预警模型的经济理论基础,财务指标与财务危机的关系仍是我们努力探寻的重点,这样才会使得指标选取更具有实用性、全面性。
参考文献:
财务危机预警研究范文3
关键词：创业板；预警模型；logistic模型
我国于2009年新开板的创业板市场，关于财务预警的研究因为样本少、无评判创业板公司危机或健康的标准等原因，我国学者对它的研究尚少。但是创业板上市公司在现今经济环境下危机重重，有必要建立有效的财务预警机制，加强对企业的有效监控，将财务危机消灭于萌芽阶段。
一、样本选取
（一）本文对财务危机的界定
本文在前人没有对创业板公司财务危机界定标准的前提下，为解决界定标准问题欲参考2012年5月1日正式实施的创业板退市制度来衡量创业板上市公司是否陷入财务危机。理由如下：第一，创业板暂时无破产，破产为标准不可行；第二，我国创业板上市公司没有ST制度，ST作为公司财务危机的标志并不可行。第三，创业板退市制度的颁布，给了评价创业板上市公司财务危机一个官方认可的标准。
（二）样本选取
公司财务危机预警的研究中，我们通常将样本公司分为两大类，财务危机公司和财务健康公司，因为公司财务危机预警模型的主要作用是将财务状况未知的公司在这两类中进行划分[1]。本文危机公司样本数据来自新浪财经网和wind资讯，健康公司数据来自国泰安数据库。
1.危机公司样本选取。2012年5月1日起施行的《深圳证券交易所创业板股票上市规则》。新浪财经网相关新闻和wind资讯统计出以下23家处于财务危机边缘的公司本文，整理了这23家公司处于退市危险的原因及其对应的退市条件，以此作为危机公司样本，本文对创业板退市制度的解读与使用，解决了以前创业板内没有评判财务危机公司和健康公司标准的问题。
2.健康公司样本选取。由前述已经选出23家危机公司样本，本文根据配对原则，也选出23家财务健康公司，财务健康公司选取的范围为所有创业板上市公司（扣除23家财务危机公司），本文的财务健康公司的选取是根据年份和公司规模来一一配对的。
二、指标体系建立
（一）财务指标体系的建立
我国学者也有少量研究创业板上市公司财务危机模型的文章，但是他们大多局限于前人在主板市场上的研究成果，简单的选取主板财务危机研究中预警效果较明显的财务指标，套用于创业板上市公司财务危机模型的研究上，本文试图打破这样的格局，尝试从大量的涉及各个角度的财务指标中，选出真正适合我国创业板上市公司财务危机预警模型构建的财务指标。最终本文选取的财务指标描述了公司财务状况的各个方面，包括长期偿债能力、短期偿债能力、发展能力、风险水平、股东获利能力、现金流量能力、盈利能力、营运能力，8个方面。
（二）公司治理指标体系的建立
为更全面的衡量公司经营状况，本文在引入财务指标的同时，也引入了公司治理变量，以期望更好的预测公司的财务危机[2]。本文的公司治理变量基于前人研究的基础上选择，同时也参考了国泰安数据库中可提供的公司治理变量数据，共选出了16个公司治理变量，其中技术开发人员比例这一指标是本文新增加的一个公司治理变量，因为创也板上市公司多为高新技术企业，公司是否具备独立创新能力关系着公司的长远发展，增加这一指标正是用于衡量公司的创新能力。
三、模型建立
（一）多重共线性检测
在进行模型构建之前，一般先对样本数据进行多重共线性检验，因为在进行财务危机预警研究时，本文使用的logistic模型会受到变量的多元共线性的影响。
本文选择的变量共86个，经由SPSS18.0的运行下表选出变量39个，全部变量的容忍度在0.1以下，全部变量的VIF在10以上，VIF最高的值达到106.853，VIF最低的达10.037到由此仍说明本文所选的自变量有39个相互之间有存在较为严重的多重共线性。本文选择的变量之间虽然存在多重共线性情况，但并不代表这些变量对于因变量的解释能力有问题，故本文为解决自变量之间的多重共线性问题，将选用逐步回归模型对此问题进行解决，从而建立自变量对因变量的最优模型。
（二）logistic模型建立
管理费用率 = 管理费用/营业收入，是盈利能力指标中的一个。管理费用率的系数为正，并且指标显著，与财务危机发生概率正相关，这表示如果创业板上司公司的管理费用在营运收入中的比重过高，会导致该公司的盈利能力下降，企业财务危机的可能性加大。
营运指数 = 经营活动现金净流量/经营所得现金，营运指数反映的是企业现金回收的质量，在本模型中，该指标的系数为负，并且指标显著，表示该指标越大，企业发生危机的可能性越小，财务管理理论中该指标的理想数值为1，小于1说明公司有部分收益没有以现金的形式收回，非现金形式的收益比现金形式的收益对企业的风险要大，故营运指数越小，企业财务危机的可能性也越大。
董事、监事及高管前三名薪酬总额，该指标前系数为负，并且指标显著，表示模型中这个指标与公司财务危机发生概率成负向关系，这一指标衡量的是薪酬制度对于公司董事、监事、高管等的激励作用是否有效，模型指标显著且为负，表示在我国创业板上市公司给予高管、董事、监事高的薪酬可以激励他们更好的履行自己的职责，高管和董事能更好的合作经营公司，监事能更好的起到监督作用。
（三）模型有用性检测
新模型是否真的实用、合理，还需通过不在模型中的新样本来检验。本文共找出来46个样本公司，只用了42个样本公司来模拟新模型，新的4个样本公司将用来对模型进行检验。将指标数据运用EXCEL，计算可得实际组分类与预测组分类是一样的，即模型用新样本对logistic模型进行检验的正确率为100%，因此得第二个模型的实际适用性是很高的。
本文的研究主要存在以下几个方面的局限性，这也是后续研究应当努力解决的问题：
第一：创业板开板为2009年，至今仍只有5年时间，时间上过于短暂使得本文只能找到创业板上市公司发生危机的前一年的数据，只能对创业板公司发生危机的前一年进行分析，研究仍不完善。
第二：本文虽通过对创业板退市制度进行分析得出了23家触犯创业板退市制度的公司作为财务危机样本企业，但是23家这个数据仍太少。（作者单位：华南农业大学珠江学院）
参考文献：
财务危机预警研究范文4
一、引言
随着全球经济一体化的逐步推进，企业之间竞争日益激烈，因财务危机导致企业经营陷入困境甚至宣告破产的例子屡见不鲜。任何财务危机都有一个逐步显现、不断恶化的过程。因此，我们要防微杜渐，在财务系统的正常运作中，就应对企业的财务运营过程进行跟踪、监控，及早发出预警信号，将企业面临的潜在风险告知经营者，从而使其早做准备或采取对策，以避免或减弱对企业的破坏程度。建立财务预警模型，对企业特别是上市公司是十分必要的。
财务危机预警研究始于20世纪六十年代，时至今日，许多研究成果已软件化并付诸商业应用，有力地支撑了实际经济活动的决策。总的来说，财务危机预警的研究主要有单变量分析、多元线性分析、Logistic分析等方法，但由于神经网络在处理非线性系统所表现出来的强大能力，使其成为近年来财务危机预警研究的首选。本文的研究希望通过粗糙集理论与神经网络技术相结合构建一个组合模型，利用粗糙集理论的知识约简技术首先对神经网络的输入进行预处理，既可以去除神经网络的冗余信息，降低神经网络的复杂程度，提高神经网络的预测效率，还可以有效规避神经网络在结构选取上的主观性和盲目性，提高网络的解释能力。然后，通过神经网络的训练算法采用动量添加法和自适应参数调整法对样本进行训练仿真，从而有效地规避神经网络在规则提取上的“黑箱操作”，提高网络的训练速度。
二、研究样本及财务指标的选取
（一）选取样本。选取沪深两市2006年和2007年两个会计年度的98家A股上市公司构成总样本，其中包括49家ST公司以及49家配对的非ST公司。我们随机将这98家公司分为估计样本组和检验样本组，估计样本组50家（25家ST公司和25家非ST公司），检验样本组48家（24家ST公司和24家非ST公司）。
（二）财务指标的选取。本文根据T-3年的年度财务数据来预测第t年是否会成为ST公司，即以2003年及2004年的财务数据分别预测公司2006年及2007年是否被ST。在参考了以往研究文献的基础上，共选取了31个财务指标，特别是增加了反映流动性的现金流量指标，无论是从短期因素还是从长期因素方面考虑，希望能比较全面地反映企业的财务状况。另外，考虑到上市公司股权结构的独特性，本文分别计算了总股本市值/总负债和流通股市值/总负债两个指标，以便真实地反映我国公司资本结构与资本市场以及绩效之间的关系。具体各财务指标计算公式如表1所示。（表1）
在选定各个样本公司的财务指标之后，首先采用统计方法对初选的财务指标进行初步筛选。先用独立样本的T检验方法检验各个变量在两组的均值是否存在显著性差异，将差异不显著的变量剔除。本文使用SPSS统计软件进行独立样本T检验。T检验的执行结果如表2所示。（表2）
根据T检验的执行结果，在初选的31个指标当中有12个财务指标对于ST公司和正常公司存在显著性差异，这12个财务指标为：X1资产净利润率、X2投资报酬率、X3净资产收益率、X4销售净利润率、X6每股经营现金流、X7每股收益、X8资产周转率、X16现金流量比率、X26资产负债率、X27产权比率、X28负债股本账面值比、X31股本账面值市值比。
然后，为了避免指标的多重共线性，对选出的变量进行相关性分析，我们根据专业知识进行判断，去掉与研究问题相对次要的相关系数大于0.8的财务指标。对上述两次筛选后的预测变量，再次应用粗糙集的指标约简算法进行变量筛选，用得到的变量建立预测模型。对于财务指标相关性的分析依然采用SPSS统计软件进行。
通过相关系数的计算，我们知道，资产净利润率和投资报酬率及每股收益都存在较强的相关性，而其本身与其他财务指标也存在比较强的相关性，因此我们分别选择了资产净利润率和每股收益，而剔除资产净利润率；每股经营现金流与现金流量比率存在较强的相关性，按照专业知识，我们选择了现金流量比率；资产负债率与产权比率存在较强的相关性，由于资产负债率是衡量企业财务危机的最基本的指标，因此选择资产负债率。
通过上述分析和判断，考虑变量间是否存在差异和指标的相关系数计算，最终保留下来的财务指标有9个，即X2投资报酬率、X3净资产收益率、X4销售净利润率、X6每股经营现金流、X7每股收益、X8资产周转率、X26资产负债率、X28负债股本账面值比、X31股本账面值市值比。
三、粗糙集――神经网络的财务预警实证建模
（一）模型的建立。首先，为了消除影响预测结果的噪声，消除不同因素之间由于数值大小的差异而造成的误差，使学习过程顺利进行，本文将数据进行归一化预处理，将神经网络输入的变量规范在［0，1］之间。因此，本研究对输入数据进行标准化处理，其公式如下：
计算在Excel上完成。
然后，利用竞争学习神经网络对输入数据进行离散化处理，用matlab的竞争性学习网络工具箱中的函数进行聚类。将决策表中每个属性的各个连续数值组成的向量作为网络的输入，设定Number of neurons（神经网络神经元的个数）为3；Kohonen learning rate（Kohonen学习率）取默认数值为0.01；Conscience Learning Rate（阈值学习率）取默认值0.001。根据训练以后得到的神经网络的输出即为各个连续数值的离散结果。
离散化处理之后，将上述数据作为输入，采用Rosetta软件进行属性约简，有22个约简结果，无核值。
（二）模型的训练及检验。粗糙集的处理结果即为神经网络输入端的约简结果。因此，在神经网络输入层单元节点数的选择上，是依据粗糙集对本文初选的9个财务指标作约简后的5个财务指标为基准。因此，本模型输入层节点数确定为5个。
神经网络仍然采用三层BP神经网络，输出层神经元个数为1个；隐含层经多次实验确定为11个。
传递函数采用Sigmoid型函数，即：
网络训练函数选取基于快速BP算法的前向反馈型神经网络的训练函数，学习规则上选取动量因子算法规则，学习速率上采用了自适应学习速率。训练时参数确定如下：目标误差为0.0001；学习速率增加的比率为1.05；学习速率减少的比率为0.7；动量因子为0.95。
在Matlab软件上经过2797次迭代生成权值矩阵，神经网络训练完毕。将获得的权值矩阵和阈值用于对估计样本组的仿真，将估计样本组企业的T-3年财务数据作为神经网络的输入端，输入到已经构建好的神经网络模型中，经过MATLAB软件的处理，最终可以得到基于粗糙集――神经网络的财务危机预警模型的回判仿真预测准确率如表3所示：
再将前面训练好的神经网络用于对检验样本的仿真，以判断模型的预测仿真能力，得到基于粗糙集――神经网络的财务危机预警模型的仿真预测准确率如表4所示：
由上可知，基于粗糙集――神经网络的财务危机预警模型的回判仿真准确率达到了100%，而模型对于检验样本的判断ST企业为75%，非ST企业也达到了90%以上，总体样本的判断准确率为83.33%，说明模型的仿真效果很好。在模型的训练过程中，不仅减少了财务指标的数量，提取了主要的特征属性，而且也降低了神经网络的复杂性和训练时间，达到了建模的预期效果。
财务危机预警研究范文5
本文在分析研究国内外关于财务危机动态预警相关研究的基础之上，对财务危机的动态预警模型的研究现状进行综述，探讨财务危机动态预警研究的发展趋势。
【关键词】财务危机 动态预警 研究综述
在全球经济衰退、金融危机的大背景下，探索识别财务危机，为企业利益相关者提供预警信号是非常值得研究的现实问题。因此，建立基于时间序列特征的动态预警系统成为了必然的趋势。国内外很多学者都对财务危机预警模型进行了研究，并建立了相应的预警模型。但是现阶段关于财务危机预警的动态研究还是较少，目前我们的财务危机预警系统大多是静态预警，大部分学者采用的都是多截面样本数据，对不同时期的多个样本数据进行研究，但是这样研究存在一个显著的逻辑性缺陷，即没有考虑到财务状况的时间延续性。这些实证研究的结果普遍存在着预测准确率不理想的情况，特别是多期财务危机预测准确率较低的情况。如果企业的整体财务状况很好，只是单期的表现不好，随后企业的财务状况会很快恢复正常，这种暂时的偏离正常值不应该被归为财务危机公司，但静态模型不考虑历史的影响，会将这种公司归为危机公司，预测准确率不理想。
一、财务危机动态预警模型简介
动态财务预警主要使用的技术有人工智能技术（如神经网络模型和机器学习等分析技术）具备良好的模式辨别能力，克服了传统统计方法的局限性，有更高的预测能力。
二、国外关于财务危机动态预警模型的研究
目前，国外学者广泛应用的动态预警模型主要有神经网络模型、遗传算法模型、案例推理模型等等。
（一）人工神经网络模型
人工神经网络模型主要是运用神经网络的分类方法来进行财务预警。许多功能是对人脑神经网络系统的模拟，有很好的模式识别能力，根据随时更新的数据进行自我学习，因此有很高的纠错能力，能够更好的预测财务危机。Odom和Sharda（1990）是最早在财务危机预警模型中运用人工神经网络模型的，随后许多学者做了相似研究，并对模型及算法进行了响应的改进。
（二）遗传算法（genetic algorithm，GA）
遗传算法是模仿生物遗传进化规律，运用在大量复杂概念空间内随机搜索的技术，用于企业财务危机的预测。Varetto（1998）、Shin&Lee（2002）、Hyunchui（2009）都进行了这方面的研究，Franco（2010）的研究表明了采用GA来进行预测比较省时并且受到主观影响也较小，但是预测精度没有MDA高。
（三）案例推理（case-based reasoning，CBR）
案例推理一般运用K临近算法对存储案例进行分类，据此来对新增的案例进行推断，主要适用于在复杂多变的环境中进行决策。Hongkyu（1997）对案例推理（CBR）、人工神经网络模型（ANN）以及多元判别分析方法（MDA）进行了比较分析，结果显示CBR与MDA判别结果无本质上的区别，更适合在数据不充分的时候使用；Cheol-Soo（2002）用层次分析法（AHP）对K临近算法进行了改进，预测精度明显得到了提高。
（四）支持向量机（support vector machine，SVM）
SVM方法是在统计学理论基础之上的一种机器学习方法，这种算法通过非线性变换把实际问题换到高维特征空间，并且进行处理，对维数的要求没有那么严格，具有很好的推广能力。在这方面，Fan、Palaniswami均有相关的研究，Kyung-Shik Shin（2005）采用这种算法构建了财务危机预警模型，并对韩国的企业进行实证研究，结果表明SVM的预测性能高于BP神经网络模型。
（五）粗集理论（rough set theory，RST）
RST是一种用多个财务比率来描述财务危机与财务正常公司的工具，可以有效地解释财务指标与财务危机的关系。Pawlak、Dimitras和Joseph都将RST应用与财务危机预警系统的研究中。
三、国内关于财务危机动态预警模型的研究
国外对财务危机动态预警模型的研究已经取得比较丰硕的成果，国内的学者关于动态预警系统的研究少之甚少。
（一）大部分学者是从动态管理角度得出破产公司和非破产公司的现金管理特征变量，并据此构建预警模型
国内由于对现金流重要性的认识不够，加上我国从1998年开始才要求上市公司编制现金流量表，因此进行实证研究所需的现金流量方面的数据严重缺乏。这些原因，最终导致国内的研究仅仅停留在对现金流量指标体系构建的理论探讨层面。
姚靠华、蒋艳辉（2005）就动态财务预警系统建立的技术基础和系统框架进行了阐述，提出应该充分利用数据仓库技术、数据挖掘技术和Agent技术来建立企业的动态财务预警系统。
张鸣、程涛（2005）运用Logistic回归方法，先从财务指标角度构建财务指标预警模型，然后引入现金管理特征变量和现金管理结果变量，从财务指标和现金流量角度共同构建综合预警模型。
（二）对财务危机动态预警模型的研究主要有以下几种
杨淑娥、王乐平（2007）以T-2、T-3期财务数据组合的面板数据作为研究样本，构建BP神经网络模型对上市公司的财务状况进行预测。
蒋丽（2007）用因子分析法分别建立ST前三年的三个评分模型F1、F2、和F3，依次对样本进行预测，从动态的角度找出不同时期的特征变量，预测财务危机的紧急程度。
陈磊、任若恩（2008）以因财务原因被实施特别处理和暂停上市作为上市公司财务阶段的分类标志，将上市公司的财务状况分成3个阶段，借鉴Theodossiou的方法，使用时间序列判别分析技术、指数加权移动平均控制图模型对中国上市公司的财务危机预测进行研究。
孙晓琳、田也壮、王文彬（2010）基于Kalman滤波理论，考虑财务比率在时间序列上的趋势性和历史数据对结果的影响，构建了财务危机的动态预警模型。
时建中，程龙生在2012年针对模型的增量学习能力不足的问题，建立了能够增量学习的财务危机动态预警模型，且经过实证分析证明该模型有很好的适应性与稳定性。
四、对国内外关于财务危机动态预警模型研究的评价
一是财务危机动态预警模型有很好的适用性，并且跟静态模型相比，其预测精度有很大的提高，能够更及时的给企业预警，避免财务危机的发生。
二是现有关于财务危机动态预警的研究还是较少，主要还是采用静态预警模型进行回归分析来对企业的财务危机状况进行预测。
三是对财务危机的动态预警大都是针对总体的企业，很少针对某一行业的特点对特定行业进行动态预警，每个行业的特点不同，与财务危机发生影响密切的相关指标也不尽相同，并且由于动态预警能够比静态模型给出早期的预警信号，分行业研究就更加有必要。
五、对将来财务危机动态预警模型研究的展望
通过上文的综述，今后我们可以在财务危机动态预警系统的以下几个方面做进一步的研究：
首先，在样本指标的选择方面，可以根据不同行业在财务指标方面的差异，加入行业调整变量以更加贴合不同企业的实际情况，提高预测准确率。
其次，在模型的构建方面，目前大部分学者的研究均为单纯的运用一个模型进行实证分析，可以综合模型的不同特点，组成模型组优化现有模型，提高模型的预测精度。
最后，在信息利用方面，可以充分利用现在先进的信息技术，运用各种技术来更新完善财务危机的动态系统，实时、准确的预测财务危机，避免企业陷入财务困境。
参考文献
[1]Ross Neophytou，Andreas Charitou，Predicting Corporate Failure.Empirical Evidence for the UK[M]. Corporate Finance，2000（9）：457-471.
[2]Claessens，Stijin，Simeon Djankov，and Larry Lang，The Separation of Ownership and Control in East Asian Corporations[J].Journal of Financial Economics， 2000，（58）：81-112.
[3]Stephen A.Ross.Randolph.Wethersfield.Jeffrey F.Jaff.吴世农，沈艺峰等译.公司理[M].北京机械出版社，2000：157-163.
[4]Howard and Swaryl.An Analysis of Risk and Return Characteristic Of Corporate Bankruptcy Using Capital Market Data.The Journal of Finance，SeP.1980.1001-1016.
[5]孙晓琳. 财务危机动态预警模型研究[M]，上海交通大学出版社，2011：3-56.
[6]顾晓安.公司财务预警系统的构建[J].财经论坛，2000（4）：65-71.
财务危机预警研究范文6
[关键词]经济新常态；财务预警；主成分分析；神经网络；Kalman滤波
以“速度变化、结构优化、动力转换”为特征的经济新常态，是“当前和今后一个时期我国经济发展的大逻辑”。在新常态下，一方面我国经济发展整体向好，潜力大，韧性强；另一方面也面临严重的结构性产能过剩、库存过量、风险过大等问题。2015年中央经济工作会议提出，推进供给侧结构性改革，将“去产能、去库存、去杠杆、降成本、补短板”作为2016年的五大任务。这对我国企业而言，机遇与挑战并存，风险与收益同在。但是，新常态下宏观政策、产业政策、微观政策和改革政策都在变化，很多企业面临挑战大于机遇，因财务危机导致企业经营陷入困境甚至破产清算的现象时有发生。因此，为避免或减弱新常态下企业的不利影响，加强企业财务运营的监控，及早发出预警信号，将企业面临的潜在财务危机告知利益相关者是十分必要的。本文在回顾已有的财务预警研究文献的基础上，运用全局主成分分析法，构建了融合神经网络和Kalman滤波法的财务预警模型，并以我国上市公司为样本进行实证研究，这既改变了单一方法的预警模型，又提高了财务预警的准确性，并对经济新常态下的风险管理有参考价值。
一、文献回顾
财务预警是借助企业提供的财务报表等资料，利用不同的分析方法，对企业的经营活动、财务活动等进行分析预测，以发现企业潜在的风险，并在危机发生之前向企业经营者发出警告，促使企业管理层采取有效措施，避免潜在的风险演变成损失。最早的财务预警研究是Fitzpatrick（1932）开展的单变量破产预测研究。他首先将样本公司分为破产和非破产两组，再尝试用不同的单一财务比率进行对比，最终认为股东权益/负债这个比率的判别能力最高。随后，William Beaver（1966）提出单一比率模型，即利用单一的财务比率来预测企业的财务困境，发现营运资本流/负债和净利润/总资产是最好的判别变量。但由于用单个指标判别的方法本身存在缺陷，Altman（1968）重新选择样本进行研究，确定出了判别效果最好的五个指标，最终对每个指标确定出权重，构造出了一个综合指标由此进行判别。Altman采用的多元线性的方法，对后来学者的产生了更深远的影响。Ohlson（1980）将Logit回归模型引入财务预警的研究中。他首先确定出了一个非破产概率区间和破产的概率区间，然后根据落在此区间上的企业的概率分布来确定哪些指标的判别效果较好，由此他也在logit回归的基础上，建立了多元概率模型。这两种方法都在很大程度上克服了一元判别和多元判别中的诸多缺陷。随着计算机技术的发展，利用人工神经网络这类黑箱模型的方法对财务预警的研究也逐渐增多，如Tam（1991），Coats和Fant（1991，1993），Ahman，Marco和Varetto（1995），Kevin，KarYanTan和MdodyY.Kiang（1992）采用人工神经网络模型对财务危机公司进行预测。此外，Messier和Hansen（1988）将专家系统运用于财务困境预测，结果证明分类效果最好；Charitou和Trige-orgis（2000）将B-s期权定价模型中的变量因子引入财务危机判别模型，发现到期债务面值、企业资产的当期市价、企业价值变化的标准差等期权变量在预测破产方面作用显著。
我国学者20世纪90年代开始对财务预警进行研究，目前已有一些成果。如周首华、杨济华和王平（1996）通过建立F分数模式对Compustat Pc Plus会计数据库中1990年以来4160家公司进行验证，发现准确率高达近70%。陈静（1999）采用单变量分析法和二类线性判定分析法进行财务危机预警分析，发现流动比率和负债比率的判别效果最好。宋秋萍（2000年）采用美国Ahman的z计分模型对中国6家公司进行了预测分析，发现直接使用美国公司财务数据建立的模型并不适用于对中国公司的预测。吴世农、卢贤义（2001）以多元线性回归分析、判别分析和逐步逻辑回归三种方法构建了相应的财务预警模型，研究结果表明这三种模型都可以在财务危机前做出相对较为准确的预警，并发现logistic预测模型的误判率最低。进入21世纪以后，各种智能算法应用到财务分析当中。刘洪、何光军（2004）用传统的判别分析方法、逻辑回归分析方法、人工神经网络方法进行比较研究，认为人工神经网络方法的预测精度远高于两种传统的统计方法。李健、刘翔（2011）将遗传算法与BP神经网络结合起来，对我国制造业上市公司进行实证分析，结果发现遗传神经网络准确度高于logistic回归模型和BP神经网络模型。
因此，过去对财务预警的研究已经形成一些成果，但面对瞬息万变的市场情况，这些预警模型的运用都有较强的适用条件。从现实案例和财务理论来看，公司财务危机都具有三大特点：一是越临近财务危机的发生，财务指标中所包含的危机信号就越多；二是财务数据的时间序列性，当期财务数据会对下一期造成影响；三是财务危机具有历史累积性，财务危机是长时间的经营不善所导致的最终结果。而现有研究成果大部分（杨华，2009；吴启富，耿霄，2010；李建，刘翔，2011）只是从其中一方面进行考虑，所构建的财务预警模型的适用性大大减弱，预警的准确性不高。本文中融合神经网络和Kalman滤波法的财务预警模型较好地解决了这些问题。
二、研究设计
（一）样本选择和数据来源
国内学者（刘洪，何光军，2004；刘际陆，2011；魏春梅，蔡通，2011）在过去的研究中常把是否被sT作为划分财务危机公司和财务良好公司的界限。这样非黑即白的划分方式存在两个缺陷：一是研究中忽视了企业财务危机的发生是一个逐步累积的过程；二是如果临近财务危机的发生才对企业做出预报，企业就没有充足的时间应对危机，这就丧失了预警的意义。所以，为延长企业财务危机的应对时间，从财务状况良好到发生财务危机，应该再划分一个过渡状态。本文将企业财务状况分成三个状态：财务状况良好、轻度财务危机和重度财务危机。以前的研究显示，企业被sT当期的财务数据，与该企业之前7～8年的财务数据呈现显出著性关系，所以本文将企业在T期至T-7期之内净利润均大零的情况，定义为财务状况良好；若在第T期企业被sT，则第T期的财务状态则被定义为重度财务危机，T-1期至T-5期的财务状况被定义为轻度财务危机。
本文以我国深、沪两市的上市公司作为样本，选择标准为：（1）2012年或2013年首次因连续两年亏损被ST的30家公司，其T期数据作为重度财务危机企业的判别样本。由于sT企业从其前7～8年的数据开始才与发生sT当期的数据呈显著性相关，所以本文选择企业T-1期至T-7期数据作为预测T期财务数据的预测样本。（2）2012年或2013年首次因连续两年亏损被ST的29家公司，其T-5期数据作为轻度财务危机企业的判别样本，其T-1期至T-7期数据作为预测T期财务数据的预测样本。（3）2012年或2013年非ST公司，并且十年之内均未出现净利润为负值情况的30家公司，其第T期数据作为财务状况良好企业的判别样本。为满足配对原则，同样选择其T-1期至T-7期数据作为预测T期财务数据的预测样本。此外，剔除有以下情况之一的sT公司：纯B股的sT公司，因其他状况异常而被sT的公司，存在严重假账的公司，上市两年内就被sT的公司，这类公司存在虚假包装上市的嫌疑，有严重数据缺失或数据不合理的公司。根据上述标准，本文从CSMAR数据库中选择了89家公司（见表5），选择的对象均为工业企业，时间分别为2006-2013年、2005-2012年，共11392个数据，满足客观性、可比性和可获得性等基本特征。
（二）预警指标分析与选取
1.基本预警指标的选择
为了更全面地反映企业的财务状况，本文参考了吴世农和黄世忠（1986）、孙晓琳（2010）、刘际陆（2011）关于财务危机预警的指标体系，同时遵循全面性原则、系统性原则、动态性原则，在满足数据可获得性的条件下，通过相关性分析后，从偿债能力、市场价值、现金流量、盈利能力、营运能力五个方面初步选取了12个财务指标（见表1）。
2.全局主成分分析
因为使用的数据是多维时序立体数据，过去很多研究并未考虑指标的时序因素对其产生的影响。为克服这一问题，本文使用全局主成分分析法降低指标维度，用较少的综合指标来代替原来较多的单一指标。主成分分析法要求数据满足正态分布，根据以往文献得出的结论，我国的财务比率总体不符合正态分布假设。但由于在SPSS软件中做主成分时，软件会自动将数据转换为服从标准正态分布，所以数据的正态化处理在这里就不再赘述。具体分析结果见表2。
为得到保留大部分信息的同时又完全正交的主成分因子，从而得到了最优的输入集，选择的主成分的累计贡献率一般必须达到85%以上，从而可以确定提取主成分的个数。虽然主成分个数提取原则上为主成分对应的特征值大于1的前m个主成分。但是其累计贡献率并未达到85%，所以本文考虑提取前9个主成分，累计贡献率为91.41%。
表3中的各数据代表各指标在主成分上的载荷。由于软件自动运行时，自动将原始数据进行过标准化处理，所以为得出各主成分的系数需要结合表2中各主成分对应的特征值。用各载荷值除以特征值开平方根之后，得到表4。
表4中各列的数据即是各主成的特征向量，将得到特征向量与标准化后的数据相乘，就可以得出各主成分线性表达式。
三、基于神经网络与Kalman滤波法的财务预警模型构建
（一）基于神经网络的判别模型构建
根据上文主成分数据，利用神经网络模式识别的方法构建判别模型。选取前30家公司第T年的横截面数据，将样本公司按70%、15%、15%的比例，分为训练组、验证组和测试组。误差反向传播（BP）神经网络的构建包括输入层、隐含层、输出层、传递函数、训练函数等网络结构和网络参数的设置。对于本文模型的具体设置如下：
1.输入层。输入变量决定输入层神经元个数，本文输入层节点数为提取的主成分个数。
2.隐含层。本文用两个隐含层的神经网络训练相对有助于提高预测的准确率。关于隐含层的神经元个数，一般只能根据经验，通过反复试验。
3.输出层。输出值代表模型要实现的目标功能，输出层采用pruelin函数，本文的输出层为3个输出节点，001代表“重度财务危机”，010代表“轻度财务危机”，011代表“财务状况良好”。
4.传递函数。隐含层到输出层之间的传递函数确定为tan-sigmoid传递函数。
5.学习函数。本文选取了基于快速误差反向传播（BP）算法的学习函数learngdm，该算法在学习规则上选取了梯度下降动量学习函数。
6.训练函数。为了提高训练速度，避免陷入局部最小和改善概括能力，函数tminlm具有较强的优势，因此本文选用trairdm作为训练函数。
7.网络参数。目标误差为0.01，学习速率为0.005，训练循环次数为1000次。
按要求训练后，得到的结果如图2所示的混淆矩阵。从训练组和测试组的混淆矩阵中可以看出，网络的判别结果都达到了100%。在验证组中，因一个财务状况良好的公司被判定为了轻度财务危机，致使验证组的误判率为1.12%，网络的总体判别正确率达到了98.88%。因此，可以认为所训练好的网络达到了很好的判断效果，可以用此网络对后期预测出的数据进行判别。
（二）基于Kalman滤波法的预测模型构建
Kalman滤波是一种高效率的递归滤波法，它能够从一系列的不完全及包含噪声的测量中，估计动态系统的状态。本文把样本公司各年的财务数据视为滤波器所处理的随机信号，利用系统噪声和观察噪声的特性，以每年的财务数据即观测值作为系统的输入，以系统的状态即财务数据的预测值作为滤波器的输出值，输入量和输出量通过时间更新和观测更新联系在一起，根据Kalman滤波的系统方程估计出所处理的财务数据。
设一个公司在t年的真实财务状况为Xt，它是由xt组成的随机变量。Yt代表计算出的主成分数据，即代表某样本公司在t年提取主成分后的财务数据，由N维随机向量yt组成。
首先，本文将企业各年的财务状况视为一个离散控制过程系统。该系统可用一个线性随机微分方程来描述。
根据89家样本公司的T-1到T-7期主成分数据，预测出了T-7期至T期的主成分数据。因预测结果数据量大，在此，随机选择一家公司（证券代码为000605）的预测结果，绘制出其各主成分逐年预测值与观测值的图形（图4至图12）。从图示可以看出，T期的预测值能够与观测值基本吻合，该模型具有良好的预测效果。并且，即使短暂财务数据发生显著变化，都不会对整个系统的预测产生较大影响（如图11和图12），这与企业短期财务状况波动并不会对其长期财务状况造成影响的现实相吻合。
最后，将预测出的所有样本司第T期主成分数据代入神经网络判别模型中，得到表5所示结果。
表5中的“实际状况”反映企业真实的财务状态，“预测结果”是根据企业各年数据预测的财务状况。结果发现，有24个判断结果出现了变化，总体预测的正确率为73.03%，这与张玲（2000）62%、吴世农（2001）73.17%的预测效率相比，虽然本文所采用的方法的预测效率并没有大幅度地提升，但结果也可以证明这种企业财务危机预警方法的适用性。
五、研究结论与启示
