前言：中文期刊网精心挑选了公司财务预警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。
公司财务预警范文1
关键词：上市公司；财务预警；变量；模型
中图分类号：F83
文献标识码：A
文章编号：1672-3198（2013）24-0105-02
1 前言
随着我国证券市场的发展，上市公司的数量日渐增多，截止2013年10月21日，仅沪深A股已有2545家上市公司，上市公司股票的管理难度在逐渐加大。2012年12月14日上海证券交易所出台了《上海证券交易所风险警示板股票交易暂行办法》，为平稳推进退市制度改革制定了一系列新的规定，并增设了“风险警示板”专门管理有交易风险的股票，到目前为止，已有44家上市公司的股票进入“风险警示板”。可见，我国政府已经开始重视上市公司的健康发展，关注上市公司财务危机预警制度的完善。但我国目前学术界尚未建立完善的上市公司财务预警模型，基于此，本文对国内外关于上市公司的财务预警研究进行了综述，在总结前人研究的基础上，归纳其不足，以对进一步的研究指明方向，希望对我国上市公司财务预警制度的完善有一定的帮助。
2 财务预警定义综述
国外的研究者主要从“企业失败”、“公司破产”、“财务危机”等不同视角定义了财务预警的内涵。Beaver（1966）、Carmichael（1972）、Scott（1981）等学者认为企业无法支付到期债务时就出现了财务预警的情形，并称这种情形为“企业失败”。Altman（1968）、Deakin（1972）、Gilbert（1990）等学者赞同“公司破产”的观点，认为只有公司提出了破产申请，才被认定为公司出现了财务危机。还有一些学者认为应当从不同程度和不同方面来衡量财务危机，而不是单一的方面，比如Laitinen（1991）从三个程度衡量上市公司的财务危机，分为轻微失败公司、中度失败公司和严重失败公司。而Ross（2000）则认为企业财务危机表现在“技术失败”、“会计失败”、“企业失败”和“法定破产”四个方面。
目前国内学者关于财务预警的研究还不成熟，主要借鉴了国外学者的研究。周守华等（1996）率先使用了统计方法进行研究财务危机研究，并认为“企业破产”能够准确定义财务危机的内涵。谷祺和刘淑莲（1999）则认为当企业出现偿还债务困难、资金管理、技术性失败等情形时，则称之为“财务危机”。卢兴杰（2006）主要是从实证研究方面提出财务危机的标准，他认为基于我国证券市场制度的管理环境和我国经济制度现状的特殊性，将ST上市公司作为研究对象更具有可操作性。李心合（2007）认为将公司的现金流状况与财务失败联系起来更准确，当一个企业的现金流入不能满足正常支付需要的现金流出时，表明一个公司存在财务困难，也就出现了财务失败或财务危机。
财务预警的作用在于帮助企业预测危机，因此，将其定义为破产并不达到预警的目的。结合我国证券市场退市风险管理的相关制度要求，本文赞同卢兴杰的关于财务预警概念的观点，即被ST的企业就被认定为财务预警研究的对象比较合理。
3 财务预警模型及指标综述
目前国内外关于上市公司财务预警机制的建立主要集中在单变量模型分析、多变量模型分析、多元逻辑回归模型和非统计方法研究。
（1）单变量模型：美国经济学家Fitzpatrick（1932）在《成功工业企业与失败工业企业财务比率的比较》文章中率先提出了单变量可以对企业的财务危机提出预警这一概念。Beaver（1966）在《财务比率预测财务危机，会计研究（副刊）》中对单变量判定模型进行了系统分析，表明债务保障率、资产收益率、资产负债率和资产安全率等比率可以有效预测财务危机。陈静（1999）根据行业和规模各选取了27家ST公司和非ST公司的财务指标对比，发现资产负债率、流动比率、总资产报酬率、权益净利率等四个财务比率具有较高的预测能力，其中资产负债率和流动比率的预测准确度最高。
（2）多变量模型：Z模型为多变量模型的代表性理论，美国著名学者Altman（1968）在《Journal of Finance》上发表《Financial Rations， Discriminant Analysis and the Prediction of Corporate Bankruptcy》提出了多元判别这一模型。Z=1.2（X1）+1.4（X2）+3.3（X3）+0.6（X4）+0.999（X5）其中：X1为营运资金与总资产之比；X2为留存收益与总资产之比；X3为息税前利润与总资产之比；X4为股票市价与总负债面值之比；X5为销售总额与总资产之比，通过上述模型计算得到一个总分，Altman称之为Z值，通过实证数据的大数统计，得出Z值的临界值进行判断。一般认为，Z值小于1.81，破产几率很高；Z值高于2.99，破产几率很小；Z值介于1.81和2.99之间，有待进一步考查。Z模型能较为全面地评价企业的财务状况，是企业财务危机预警的最常用模型之一。
我国学者周首华、王平和杨济华（1996）提出Z模型中的财务比率指标缺乏衡量现金流量方面的数据，具有一定的局限性；基于此，对Z模型进行了修正，建立了新的财务危机预测模型“F分数模型”，公式如下：F=-0.1774+1.1091（X1）+0.1074（X2）+1.9271（X3）+0.0302（X4）+0.4961（X5）其中：X1、X2和X4的定义借鉴了Z模型中的内涵。而对其他指标进行了修正，转化为能反映现金流量的指标，X3为（税后净利润+折旧与摊销）与平均负债总额之比，X5为（税后净利润+利息费用+折旧与摊销）与平均资产总额之比。同样地，计算F值，得到临界值为0.0274，如果F值小于0.0274，则被预测为公司濒临破产；相反，则被预测为公司可持续经营。张玲（2000）采用的是线性判别模型，选取了60家公司进行模型估计，同时选取了另外60家公司对模型进行了检验。该模型为：Z=0.517-0.46（X1）-0.38（X2）+9.32（X3）+1.158（X4），其中X1为总负债与总资产之比，X2为营运资产与总资产之比，X3为净利润与平均总资产之比，X4为留存收与总资产之比。结果发现该模型可以提早4年进行财务危机预测。罗澜（2012）利用Altman提出的Z财务预警模型选取了30家上市公司，并对其2006年至2010年的财务数据进行分析，得出结论：一定程度上Z模型可以较好地反映我国上市公司的财务状况，但却存在一个问题，即整体值偏低，还需要结合Z值的趋势进行分析。
（3）多元逻辑回归模型：Ohlson（1980）在《财务比率和公司破产预测》中运用了多元逻辑回归模型预测企业破产，这是多元逻辑回归模型首次被提出。该文章提出可能导致公司破产的变量应当至少从以下四方面考虑：公司的规模、公司的资本结构、公司的业绩以及公司当前的融资能力。姜秀华、孙铮、任强（2002）选取了14个预测指标，并通过相关分析最终确定了4个变量，建立了逻辑回归模型：Ln[p/（1-p）]=-0.1661-0.073（MR）+10.1481（OAR/TR）+10.1148（STL/TA）-4.5668（H），MR表示毛利率，（OAR/TR）表示其他应收款所占比重，（STL/TA）表示短期借款所占比重，H表示股权集中度。以此模型判别我国的“ST公司”，结果发现该模型判别的准确率高达95.45%，结果显示“ST公司”的（OAR/TR）、（STL/TA）比值大，发生在股东之间的“搭便车”现象非常严重。程涛（2005）同样采用的是逻辑回归的研究方法，但在变量选取方面，增加了反映现金管理特征及现金管理结果的变量，连同其他财务指构建了综合性的预警模型。
（4）非统计模型分析：Wilkins（1997）研究发现一定程度上根据审计师的意见可以反映公司是否会在将来陷入财务危机。Frydman，Altman和Kao（1985）则发现运用递归划分算法在许多原始样本和对比样本上比判别模型分析得更好。Tam（1991）进行财务预警研究采用的是ANN模型，他得出的结论是，神经网络用来进行财务预警，预测的精度较高。Charitou和Trigeoris（2000）则创造性地提出可以将期权定价模型运用到财务预警分析中，变量选择“到期账面价值”、“资产当前价格”、“公司价值变动的标准差”，结果表明，该模型的准确率较高；Chancharatd（2007）认为财务预警关系到一个公司的生死存亡，他运用生存分析对在澳大利亚上市的公司进行分析，得出结论，杠杆比率越高、规模越大的企业发生财务危机的可能性越大。
在我国，黄小原、肖四汉（1995）构建了神经网络财务预警系统。柳炳祥、盛昭翰（2002）综合评价了利用财务危机的指标体系划分财务危机的等级，以及运用粗神经网络进行财务预警的方法，并在此基础上做了一个实例验证。之后柳炳祥（2002）提出了粗糙集神经网络、周敏（2002）构建了基于模糊优选的神经网络、刘洪（2004）提出了人工神经网络、柳炳祥和盛昭翰（2003）认为可以通过案例总结归纳，推理得出财务预警系统等财务预警模型。
4 总结
目前关于财务预警模型的研究取得了一定的成果，但还存在一些不足：
4.1 现有研究模型的局限性
（1）单变量模型的缺点。
选取的财务比率不同，预测的结果差距经常相当大，甚至会由于选取的财务指标不同得到不同的结论，甚至得到矛盾的结论。其次，某些财务比率存在被公司管理层粉饰过的可能，根据被粉饰的数据做出的预测可靠性差。再有，公司的生产经营活动是多种因素共同作用下的结果，每个因素之间相互又有影响，不能仅依靠单一变量做出评估。这些缺陷严重影响了单变量模型的适用性，现在很少采用。
（2）多变量模型的不足。
第一，多变量模型的工作量非常大，需要搜集大量的数据进行分析。第二，多元线性判定模型的运用前提过于严格，需要正态分布的变量，且样本满足协方差相等的要求，导致难以寻找到符合条件的样本。第三，多元判别技术的运用要求样本组与控制组必须配对，但如何恰当确定配对的标准仍是一个难题。总体上来讲，多变量模型可以对公司的财务状况有总体的了解，可以比较一个公司不同时期的财务状况，但横向可比性却无法实施，而不同规模、不同行业的公司之间的比较有时又非常的重要。
（3）多元逻辑回归模型的不足。
该模型最大的缺点是其过于复杂的计算过程，而且处理方式又有很多相似的地方，这必然导致模型预测的精准度受到影响。
（4）非统计方法的不足。
非统计方法对于样本数据要求非常低，但是在挖掘因变量和自变量之间关系的准确度上稍有欠缺。
4.2 启示
目前，学者在进行指标的选取时，往往是偏重于某个财务指标，有的学者偏重于现金流量方面，有的学者偏重于在Altman Z模型的五个变量的因素基础上进行删减，还有些学者利用其他非传统类方法进行财务指标的选取，这些方法的选择往往缺乏理论的支撑，对实际问题的解释深度不够。目前还没有一个统一的、有效的方法选择财务预警体系的评价指标；同时，企业的规模、企业成长能力、企业所处的市场环境和企业的治理结构等非财务指标还没有纳入预警体系之中。
模型构建方面，现有研究主要集中于用函数关系式来表达财务预警与财务指标的关系，国外在这方面的研究已经比较成熟，但不一定适用于我国的企业，我国学者的研究大多是基于国外模型的改进，没有理论上的创新，我国财务预警模型的构建还需要进行进一步的研究。
参考文献
[1]Altman. Financial Rations， Discriminant Analysis and the Prediction of Corporate Bankruptcy[J].Journal of Finance 23（Sept.），1968.
[2]Beaver. Financial Rations as Predictors of Failure[J].Journal of Accounting Research（supplement），1966.
[3]Ohlson. Financial Ratios and the Probabilistic Prediction of Bankruptcy[J].Journal of Accounting Research，1980.
[4]陈静.上市公司财务恶化预测的实证分析[J].载会计研究，1999，（04）.
[5]罗澜.Z计分模型在我国上市公司财务预警中的适用性探究[J].证券投资，2012，（01）.
[6]张玲.财务危机预警分析判别模型[J].数量经济技术经济研究，2000.
[7]周首华，杨济华，王平.论财务危机的预警分析——F分数模式[J].会计研究，1996，（08）.
[8]卢兴杰.我国上市公司财务预警的实证研究[J].财会月刊，2006.
公司财务预警范文2
与国外对财务风险预警的研究相比，国内的相关研究起步比较晚。国内的预警研究主要从20世纪80年代开始，国内的财务风险预警研究与国外研究一样，也主要集中于建立数学模型方面，从定量的角度进行实证分析判断，同时建立判别模型或逻辑回归模型。高雷(2004)等人采用该方法对华能国际公司的财务风险进行预警研究。在文中他指出从上市公司入手，逐步建立适合于我国的财务风险预警模型是一个比较好的过渡。韩彦峰、王娟娟(2012)运用功效系数法对餐饮业进行财务风险预警研究。他们得出结论对于企业成长过程中具有的周期性波动没有考虑，文中所出现的数值一般是企业处于成熟期的数值，一旦企业不处于成熟期阶段，而正处在成长周期中的另外阶段，则对模型中的数值标准要进行适当调整。孙红梅、黄开欣(2013)运用功效系数法对纺织服装行业ST公司进行财务风险预警研究，服装纺织企业普遍处在预警的财务风险状态下，这是该行业普遍存在的行业特点和特性决定的。
二、对基础化工行业上市公司进行财务预警的思路
为了解并及时预测基础化工行业上市公司的财务状况，进一步推动我国基础化工行业的发展，本文采用了26个样本上市公司的财务数据，利用功效系数法进行财务预警分析，构建起财务预警模型。
(一)建立化工行业上市公司财务预警的模型
本文构建的企业财务风险预警模型，主要通过综合评价公司的经营成果进行财务预警，考虑到预警模型的可操作性和国家财政部在2006年颁布的《企业经营绩效评价体系》中的权威权重和参考满意值和标准值。本文基于行业特点并根据层次分析法来确定财务风险评价指标的权重，盈利利能力：净资产收益率0.168，销售利润率0.084，成本费用利润率0.084，总资产报酬率0.084；营运能力：总资产周转率0.054，流动资产周转率0.054，应收账款周转率0.018，存货周转率0.018，资产损失率0.036；偿债能力：资产负债率0.066，流动比率0.044，速动比率0.044，现金流动负债比率0.044，长期资产适合率0.022；成长能力：销售增长率0.09，总资产扩张率0.09。
(二)功效系数法在基础化工行业上市公司中的预警
计算基础化工行业处于整个石油产业链中游部分，主要从原油和原油冶炼品中合成的一些化工产品以及其他化工合成产品，这一部分涉及的子行业较多，本文按照上海证券交易所的划分标准将整个基础化工行业分为一下6个子行业，每个子行业选取一个代表公司，有化学原料与化学制品业的烟台万华，化学纤维制造业的S仪化，化学农药业的新安股份，化学肥料业的盐湖股份，橡胶制造业的双钱股份，塑料制造业的金发科技。根据功效系数法，针对所选定的每个评价指标的满意值(或其上、下限)和不允许值(或其上、下限)，设计并计算各指标的单项功效系数，再根据各指标对企业安全的重要程度(各指标的权数)，用加权算术平均或加权几何平均的方法得到其平均数，即为该公司的综合功效系数，根据综合功效系数的大小即可进行警情预报，警情程度可分为五个等级，巨警、重警、中警、轻警、无警。其中，基础化工企业财务预警指标标准值如下，并分为四大类，极大型变量：净资产收益率，满意值(8.615)，不允许值(0)；销售利润率，满意值(2.145)，不允许值(0)；流动资产周转率，满意值(346.38)，不允许值(173.19)；总资产报酬率，满意值(3.565)，不允许值(0)；总资产周转率，满意值(128)，不允许值(64)；应收账款周转率，满意值(59.5875)，不允许值(29.79375)；成本费用利润率，满意值(3.455)，不允许值(0)；总资产扩张率，满意值(19.59)，不允许值(0)；存货周转率，满意值(7.245)，不允许值(3.6225)；销售增长率，满意值(16.89)，不允许值(0)。稳定型变量：流动比率，满意值(1.17)，不允许值上限(2.34)，不允许值下限(0.585)；速动比率，满意值(0.768)，不允许值上限(1.536)，不允许值下限(0.384)。极小型变量：资产损失率。区间型变量：现金流动负债比率，满意值(18.045)，满意值上限(21.654)，满意值下限(14.436)，不允许值上限(36.09)，不允许值下限(9.0225)；资产负债率，满意值(55.465)，满意值上限(66.558)，满意值下限(44.372)，不允许值上限(110.93)，不允许值下限(27.7325)；长期资产适合率，满意值(1.23)，满意值上限(1.48)，满意值下限(0.99)，不允许值上限(2.46)，不允许值下限(0.62)。根据本文实证分析中所选取的16个财务预警指标，对基础化工行业上市公司的指标进行计算，得到该行业的满意值、不允许值等，16个指标分为极大型变量、稳定型变量、极小型变量和区间型变量，对上述四类变量分别设计单项功效系数如下:极大型变量：[(实际值-不允许值)/(满意值-不允许值)]×40+60(实际值<满意值)100(实际值≥满意值)稳定型变量：[(上限的不允许值-实际值)/(上限的不允许值-满意值)]×40+60(实际值<满意值)[(实际值-下限的不允许值)/(满意值-下限的不允许值)]×40+60(实际值≥满意值)极小型变量：[(不允许值-实际值)/(不允许值-满意值)]×40+60(实际值<满意值)100(实际值≥满意值)区间型变量：[(上限的不允许值-实际值)/(上限的不允许值-满意值上限值)]×40+60(实际值<上限值)100(下限值≤实际值≤上限值)[(实际值-下限的不允许值)/(满意值下限值-下限的不允许值)]×40+60(实际值≥下限值)综合功效系数=Σ(单项功效系数×该指标的权数)/权数总和。
(三)基础化工行业上市公司财务预警警度的判断结果
基础化工行业上市公司2013年度综合功效系数计算结果如下：烟台万华74.41分，S仪化77.90分，新安股份75.43分，盐湖股份74.24分，双钱股份74.96分，金发科技67.16分。根据警限综合功效系数说明，得出烟台万华轻警，S仪化轻警，新安股份轻警，盐湖股份轻警，双钱股份轻警，金发科技中警。同时选取了子行业中化学原料与化学制品中的20家上市公司进行分析：澄星股份73.60分，轻警；路翔股份75.46分，轻警；六国化工75.10分，轻警；蓝帆股份73.49分，轻警；沙隆达A74.65分，轻警；兴发集团75.18分，轻警；新开源86.00分，无警；中核钛白75.84分，轻警；司尔特81.17分，轻警；德美化工87.08分，无警；华邦颖泰74.77分，轻警；联化科技76.59分，轻警；扬农化工82.88分，轻警；ST明科75.55分，轻警；*ST祥龙71.19分，轻警；*ST河化74.91分，轻警；*ST黄海75.04分，轻警；*ST南化73.72分，轻警；*ST川化75.57分，轻警；宝莫股份123.02分，无警。
三、对基础化工行业上市公司财务预警的结果分析
公司财务预警范文3
文章选取我国制造业2014年4月沪深股市的61家ST公司和61家非ST公司为研究样本，运用熵权法，筛选出10个包含信息量多，并能准确预警的指标，通过这10个指标建立“因子分析”模型进行定量分析，得到财务危机预警函数（即为ST与非ST的判别函数），最后将测试组中60家公司的数据回代到预警函数中检验其判别率，判别率达到81.67%，具有较高的的判别正确率，说明文章建立的财务预警系统对于上市公司财务危机的预测与防范起到一定的作用。
关键词:
财务预警；熵权法；因子模型；判别函数
一、引言
（一）建立财务危机预警的意义制造业是我国国民经济的支柱产业，是我国经济增长的主导部门和经济转型的基础，是经济社会发展的重要依托，更是我国城镇就业的主要渠道和全球产业链的重要组成部分。在全球竞争条件下，我国制造业上市公司面临来自多方面的压力，尤其金融危机的影响，使得我国制造业上市公司陷入到财务风险和破产危险的可能性急剧上升，这不仅会对利益相关者造成损失，更会制约资本市场的稳定发展。故我国制造业上市公司要持续发展，必须警惕危机，正视危机，在经营活动中设立财务预警系统，进行经常性的分析和诊断。因此，本文将在对国内外有关财务预警研究的理论及模型的归纳、整理和评述的基础之上，来分析我国制造业上市公司财务预警研究的现状，以我国制造业上市公司为研究样本，构建财务预警指标，建立财务预警模型。
（二）国内外文献述评国外对财务预警的研究要早于国内，早在20世纪30年代国外学者就已开始了对财务预警的研究，历经了从单变量分析到多变量分析的过程。我国起步于20世纪80年代中后期，1986年吴世农、黄世忠首次介绍了企业破产的分析指标和预测模型。1990年佘廉等人从事了企业预警研究，并于1994年发表文章对企业预警管理进行了系统分析。直到1996年以后，才陆续出现以企业财务数据为基础而建立的财务危机预警模型，并逐渐发展起来。单变量预警模型是指以某一项财务指标作为判别标准来判断企业是否处于破产状态的预测模型。财务预警研究最早就开始于1932年Fitzpatrick用统计方法开展的单变量破产预测研究。在众多预测公司财务危机困境的多变量模型中，最早亦最著名的当属美国纽约大学1968年Ed-wardAltman教授的Z-Score判定模型。即：Z=0.012X1+0.014X2+0.033X3+0.006X4+0.999X5。1996年国内学者周首华、杨济华对Z计分模型进行修正，提出了F分数模型。1999年国内学者陈静运用单变量分析方法和多元线性判别分析方法分别建立财务预警模型，并将两种财务预警模型进行比较研究。2003年杨淑娥在Z-score模型的基础上，通过运用统计学中的主成分分析法，构造了Y分数模型，该模型在用于财务预警检验的回判准确率大致为86%。
二、样本、指标的选取
（一）样本的选取本文在样本的选取上是根据2014年4月沪深股市公布的所有ST公司（根据1998年实施的股票上市规则，将对财务状况或其它状况出现异常的上市公司的股票交易进行特别处理(specialtreat-ment，简称ST)，其中ST股是指境内上市公司连续二年亏损，被进行特别处理的股票，*ST股是指境内上市公司连续三年亏损的股票）共90家中，抽取了本文需要研究的制造业中的61家公司，并根据同行业，同时期，规模相当（即非ST公司与相对应的ST公司的期末资产总额相差不超过150%）的配对原则，选取了61家与之相对应的非ST公司，共122家上市公司作为研究对象。只有在满足上述配对原则的情况下才使得研究样本之间具有可比性，分析更趋合理性，结果更具科学性。
（二）指标的选取本文指标数据主要来源于和讯财经网以及大智慧投资软件，通过数据的整理，剔除了个别的缺失值和特大异常值，并根据以下原则选取16个财务比率基础指标：1．全面性，在系统的构建中，所考虑纳入的指标应能全面揭示企业的财务风险，且各指标间具有较强的互补性。2．可比性，选取指标时，应注意评价指标口径范围和计算方法的纵向可比和横向可比原则。3．同趋势性，即是指标正向化，当财务比率增大时，表示财务状况的改善，反之财务比率减小时，表示财务状况的恶化。4．可获得性，采用上市公司财务报告披露的数据是可以获取的（和讯网、大智慧软件等）。指标体系具体如表1所示。以上财务比率指标体系，可以对上市公司的财务状况做出较为完整、客观的评价。但为了选取对ST公司和非ST公司区分能力强，包含信息多，权重更大，能准确预警的指标，下面采用“熵权法”对这16个指标进行筛选。
三、基于“熵权法”筛选财务指标体系模型
（一）本模型利用“熵权法”的基本原理本模型利用估计组中61个ST与61个非ST公司共16个财务基础比率指标，这些指标经过标准化，归一化处理后变成一个评价矩阵，计算出每个指标的信息熵，信息熵越大表明该指标有序程度越高，即该指标在该指标体系中差异小，信息熵越小表明指标在该指标体系中差异大，则该指标对于财务危机的预警这一决策起到的作用较大，可以被选用作为财务危机预警指标。
（二）指标的正向化和标准化设有n个公司，p个财务指标。为了模型研究的需要（即尽可能使每种能力中有一两个熵权大的指标来反映公司的财务状况），取阀值为0.015，当熵权大于0.015时则选入该研究指标体系，当熵权小于0.015时则退出该研究指标体系，通过比较得出最后的指标体系如图1。
四、基于“因子分析”模型分析
（一）因子分析的基本原理因子分析法是在尽量减少信息丢失的前提下，从众多指标中提取出少量的不相关指标，然后再根据贡献率定以权重，进而计算出综合得分，其计算结果更为准确、客观、操作性比较强。因子分析中有多种确定因子变量的方法，如基于主成分模型的主成分分析法、极大似然法、最小二乘法等，本文选取的是基于因子分析模型的主轴因子法。本文根据估计组中61家ST公司和61家同行业、规模相当的非ST公司作为样本，以“熵权法”筛选后的10个包含信息多，重要性更大的财务指标为基础建立的指标体系进行因子分析，最后得出因子综合得分函数—财务危机预警判别函数，并通过估计值综合因子得分值的排名表求出ST与非ST的分割值，作为判别公司财务与否出现危机的预警值，最后再选用测试组的样本进行回代，检验判别函数的判别正确率，从实证分析的角度为财务危机预警系统方法方面进行了初步的探讨。
（二）因子分析的求解过程下面对熵权筛选后的10个指标正向化后的数据（逆指标的正向化公式为yj=1-xj）通过统计分析软件SPSS17.0的运行，KMO检验和Bartlett检验的结果如表3所示。通过表3可以看出，KMO值为0.744，大于0.5；Bartlett检验的卡方统计量为1019.591，相伴概率为0.000，在给定0.1%的显著水平下，拒绝各指标变量的相关矩阵是单位阵的假设，即两种统计检验方法都揭示指标变量之间是高度相关的，因此适合作因子分析。求得变量的样本相关阵R的特征值λi，前m个因子方差贡献率如下表根据累积方差贡献率须大于85%的原则，由上表可看出前5个公因子的累积方差达到88.81%，这5个公因子包含88.81%的信息，确定以5个公因子做因子分析。初始因子载荷阵B0m，进行方差最大化旋转，求得旋转后的因子载荷阵BΓm，使得旋转后各因子载荷阵的各元素按列向0或1两级分化（初始因子载荷阵，旋转后各因子载荷阵，0~1分化表如表5）。根据以上矩阵运算得出61家ST跟61家非ST公司的因子F1，F2，F3，F4，F5的因子得分值，因子命名见表6。通过EXCEL对以上61家ST公司和61家非ST公司财务比率指标的综合因子得分值进行排名，取这61家公司的得分值的中位数作为本模型区分ST与非ST的分割值PS-财务危机预警值，通过得分排名可看出在第31与32位的公司的综合因子得分值分别为1.332，1.266，本模型取这两个数的平均值作为本模型区分ST与非ST的分割值PS-财务危机预警值为1.299。本模型用了10个指标进行因子分析，其中资产负债率是逆向指标，所以当要求出一个公司的综合因子得分值时，要先将公司的财务比率原始指标xij进行正向化，即资产负债率这个指标进行正向化（用yj=1-xj公式），然后将其正向化后的10个财务比率指标yij代入上面的判别函数中，若一家非ST公司的综合因子得分值大于且接近于分隔值PS-预警值，则说明该公司应该启动财务危机预警，调整经营战略，改善公司的财务状况，以避免被ST。
五、财务预警模型的检验
将测试组中60个ST跟60个非ST的10个正向化后的财务比率指标数据代入到上面的财务危机预警判别函数中，得到这60家公司10个指标的因子F1，F2，F3，F4，F5的得分值及综合因子F综的得分值。将以上得出的60家公司的综合因子得分值F综由大到小进行排名，若公司的综合因子得分值大于分割值PS-财务危机预警值（1.299），该公司被判断为非ST公司则说明判断是正确的，若公司的综合因子得分值小于分割值PS-财务危机预警值（1.299），该公司被判断为ST公司则说明判断是正确的。本研究中有4家ST公司的因子得分值大于分割值PS，错误判断数为4个，有7家非ST公司的因子得分值小于分割值PS，错误判断数为7，总的错误判断数为11，则正确判断有49家公司。判别率θ＝49/60≈81.67%检验结果显示模型的判别率达到了81.67%。说明当一家上市公司将以上10个正向化后的财务比率指标代入判别函数中，若大于分割值，则我们有81.67%的把握性说此公司为财务不存在危机，若小于分割值，则我们有81.67%的把握性说此公司财务存在危机，此模型对于ST跟非ST公司的判别率达到了81.67%。
六、结论
1.本文基于61家ST与61家非ST公司的16个财务比率基础指标，通过建立“熵权法”模型筛选出10个包含信息多，能准确预警的财务比率指标，接着利用“因子分析”模型求得估计组中61家公司的综合因子得分值，并根据综合因子得分排名确定ST与非ST分割值（即为财务危机预警值）及财务危机预警函数，最后将测试组的数据代入财务危机预警函数中，求得预警函数的判别率为81.67%，从而建立起了财务危机预警系统。
2.本文在进行“因子模型”分析的过程中用旋转后的因子载荷阵及特征值求得每家公司的综合因子得分值，结果更优，更准确，相对于其他论文用主成分法还有旋转前的载荷阵及特征值得分的结果更能准确预警一家公司的财务状况。
3.本文所选取的样本具有合理性和全面性，根据行业分类和总资产规模进行配对选择，模型中选取的财务比率指标具有较强的解释能力，能较好辨别财务危机公司及非财务危机公司的区别，但是此预测模型结论的准确性还受到上市公司财务数据真实性的影响，我国部分上市公司仍然存在操纵会计利润，粉饰财务报表的现象，故该模型的预测效果因此受到一定的影响。
参考文献：
[1]吴世农,黄世忠.企业破产的分析指标和预测模型[J].中国经济问题,1987(06).
[2]佘廉,张倩.企业预警管理的系统分析[J].中国工业经济研究,1994(11).
[3]FitzpatrickDA.AComparisonofRatiosofSuccessfulIndustrialEnterpriseswithThoseofFailedFirms[M].CertifiedPublicAccountant,1932(04).
[4]AltmanEI.FinancialRatios,Dis-criminateAnalysisandthePredictionofCorporateFailure[J].TheJournalofFinance,1968(04).
[5]周首华,杨济华,王平.论财务危机的预警分析———F分数模式[J].会计研究,1996(08).
[6]陈静.上市公司财务恶化预测的实证分析[J].会计研究,1999(04).
[7]杨淑娥,徐伟刚.我国上市公司实证研究[J].中国软科学,2003(01).
公司财务预警范文4
关键词：上市公司；财务危机；预警系统
中图分类号：F275 文献标识码：A 文章编号：1001-828X（2012）12-0-01
一、财务危机预警系统的定义
财务危机预警系统就是通过对企业财务报表及经营内容的分析，利用实时发生的财务数据和规定的数据化管理标准，将企业可能出现的潜在危机提前预知企业经营者或有关利益相关者，并通过对企业发生财务危机的原因和财务运营体系隐藏的问题分析，提早采取防范措施的财务分析系统。
二、我国上市公司财务危机预警系统存在问题
1.监管部门未作明确规定且证券市场并不完善
中国证监会和证券交易所对上市公司的信息披露方面进行监管，是为了确保上市公司信息能够得到及时和准确的披露，但对实行特别处理、暂停和终止上市的公司预警监管，还没有出台规范性的法律制度。目前我国证券市场由于建立时间不长且发展缓慢，上市公司的内部控制和治理结构还不够合理，一些相关的企业破产机制还不够健全等问题，都影响着对财务预警系统的研究。
2.公司决策层缺乏主动运用财务预警系统的意识
如今，我国企业财务危机预警系统的运用还仅仅停留在理论的研究上。公司经营者没有树立危机防范意识主要是由于国有企业受计划经济体制的影响，致使企业普遍存在着产权不明，政企不分的现象，企业也缺乏相应的激励和约束机制。且企业也很少面临破产的危机，所以管理者对企业的破产机制不够重视，在进行相关决策时也就很少主动运用财务危机预警系统。
3.不健全的公司治理结构致使财务预警系统不受重视
过于集中的持股比例、不完善的内部控制和所有者缺位是我国不健全的公司治理结构的主要表现形势。不完善的公司治理结构，使公司管理者缺乏对公司未来发展的预见性及对公司财务状况的分析与评判，因而造成对财务预警系统不够重视。有些企业并未对使用人员进行必要的培训，造成管理人员的业务水平和综合素质无法满足预警系统的要求，使其无法发挥应有的作用。
4.会计信息失真制约财务预警系统的有效实施
随着经营权与所有权的逐渐分离，委托开始在上市公司中出现，信息不对称在委托人和人之间普遍存在，道德风险也就随之产生，因而上市公司管理层有机会操纵会计信息，甚至提供虚假信息。目前会计信息失真是我国上市公司中经常出现的问题，这严重影响了预警系统的有效性，也使有关方应用上市公司财务预警系统的积极性不高。
三、我国上市公司财务危机预警系统的构建
1.预警组织机制
企业财务预警系统运行机制的运转效果和预警体系功能的正常、充分发挥，都受预警组织机构是否健全的影响，同时预警组织机构应独立开展工作，不干涉企业的生产经营活动，只对企业管理层负责，以保证财务预警的独立性和客观性。
预警组织机构的职责是负责预警目标的确定、预警方案的研究、预警情况的汇报，并据此讨论制定预报的类型、内容和对策方案，及时解决经营过程中出现的问题。在建立预警组织机构时，要确保能够有专人落实财务预警工作，且不受其他组织体系的干扰和影响。财务预警系统必须将预警有效地融合于传统的财务管理系统之中，才能充分发挥其警报、矫正与免疫的作用。但新系统并不是简单的结构重组，而是建立在原有财务管理系统之上，其在结构与职能的分配上都发生了变化。
2.预警信息机制
预警信息机制是通过提供信息以支持财务预警，主要是在搜集、传递、处理与评价等方面对财务预警信息制度的规定，其首要功能是为预警行为主体实施预警行为提供所需信息。但光靠利用传统的财务管理信息以无法满足现代预警管理的需要，从目前来看，企业可考虑修正现有的信息系统，增补一些信息使企业财务风险大小表现的更加明显；从长远看，也可通过与原有财务管理信息系统相结合自行开发和建立一个专门的预警信息系统，以形成一个大的财务管理信息系统。因为良好的财务预警分析系统的建立需要分析大量的系统资料，所以，公司应建立高效的收集、传递、处理信息的机制。
3.预警管理机制
预警管理机制是财务危机预警系统的最后一个机制，包括日常控制和危机管理两个方面。前者主要是在日常监控系统的实施过程，控制公司经营过程中出现的各种警兆，使其体现出来的警兆数值不超过危机预警的警戒值，若发生则立即采取相应的控制措施加以防范；后者则主要是指专门的预警组织在危机发生以后所采取的补救措施，以达到化解财务危机的目的。
与财务预警组织机制和信息机制一样，作为一个运行过程，要使财务风险达到有效的防范和监控就应该做好几方面的工作如：加强对危机认识的教育，树立危机意识，定期进行企业财务综合分析，搞好企业财务控制等。
4.危机处理机制
危机处理机制，是在已经发生财务危机的情况下所采取的应对措施，高危警情是其处理的主要内容，与财务预警系统的日常监控职能不同，它是一个反应快速的管理机制，能够使财务危机带来的危害最大限度地减少和降低，进而避免企业最终走向破产清算的境地。由于财务风险具有不确定性，因此它的发生又存在突发性和灾难性，这就使得我们不可能在面对任何财务风险时都能进行有效的控制，其中的一部分财务风险也就不可避免的会引起财务危机的爆发，要化解财务危机，就必须建立一个高效的危机处理机制。所以，拥有一套全面化、系统化的危机处理组织对企业管理来说是必不可少的组成部分，其具体的业务流程有：立即启动财务危机应急分队，迅速开展统一、公开的信息活动，迅速调查财务危机事件、对财务危机进行积极应对，财务危机善后处理，财务危机总结等。
四、小结
综上所述，经济危机给企业带来巨大冲击的同时也带来了很大机遇。这就需要企业建立居安思危的意识，充分认识各种不利于企业发展的因素，采取有效的应对措施，强化危机预警机制，制定多套防范危机的方案，最终达到防范和化解财务危机的目的。
参考文献：
[1]刘宏洲.财务危机预警的Z计分模型实证研究[J].会计之友，2011（28）.
公司财务预警范文5
关键词：制造业 上市公司 财务困境 预警模型
一、引言
财务困境预警(以下简称“财务预警”)的研究在国外尤其在资本市场发达的国家是被广泛关注和研究的前沿性课题，在我国已加入WTO，面对国内外激烈竞争，国内资本市场快速发展及经济制改革不断深化的大背景之下，对上市公司财务预警的研究不仅具有理论意义，更具有重要的现实意义。现有的财务预警研究模型主要有：单变量预测模型、多元线性预测模型、多元逻辑回归模型、]probit模型、人工神经网络模型和联合预测模型。目前国内研究滞后于国外研究，国外文献较多，而国内相对较少；静态模型研究很多，而动态模型研究较少；财务预警理论的基础研究滞后于建模技术本身的发展；定量分析多，定性分析少；财务指标的取舍缺乏一定的依据；缺乏分行业或分部门的预警模型。基于此，本文采用多元线性预测模型，结合定性、定量分析选取财务指标，最终建立制造业上市公司财务预警模型。
二、研究样本选择
2006年深沪证券交易所股票上市规则规定：上市公司出现财务状况或其他状况异常，导致其股票存在终止上市风险，或者投资者难以判断公司前景，其投资权益可能受到损害的，本所对该公司股票交易实行特别处理。特别处理分为警示存在终止上市风险的特别处理和其他特别处理，前者在公司股票简称前冠以“*ST”字样，后者冠以“ST”以区别于其他股票。自1998年，深沪证券交易所正式启动上市公司出现“异常状况”予以“特别处理”以来，ST类公司的数量呈逐年增加的趋势，且地区分布更为广泛。统计数据表明，至2004年深沪两市的ST类公司数累计已达118家，占上市公司总数的10％，而其中大部分是因“财务状况异常”而被特别处理，由此可见，“财务状况异常”是被特别处理的上市公司的主要原因。本文对财务困境界定以上市公司因财务状况异常而被特别处理为标准。
本文将研究样本分为两类：ST类上市公司和良好类上市公司进行配对。配对原则是优先考虑大类相同、资产规模相近的企业，因为不同资产规模的企业对风险抵御的能力是不同的。若不能满足大类相同这一条件，则考虑相近大类资产规模相近者，其次考虑上市日期相近者。根据以上原则，选择2006年新增ST制造业上市公司(16家)，并逐一进行配对，其资产规模根据2005年年报确定，配对表见(表1)。
三、财务预警指标体系
本文运用财务分析原理，结合定量分析经过两次筛选，最终建立预警指标体系。(1)财务指标选择。根据财务分析原理，从企业偿债能力，营运能力，获利能力，现金流量四个方面共选取16个财务指标。体现偿债能力的指标：流动比率X2、速动比率X2、现金比率X3、资产负债率X4、产权比率X5、已获利息倍数X6。体现营运能力的指标：存货周转率X7、应收帐款周转率X8、流动资产周转率x9、总资产周转率X10。体现获利能力的指标：主营业务利润率X11、净资产收益率X12、资产利润率X13。体现现金流量活动的指标：每股营业现金净流量X14经营现金净流量对净利润的比率X15经营现金净流量对负债比率X16。(2)T显著性检验。选用ST类与健康类企业在ST前三年年报数据，检验其在哪些财务指标上有无显著性差别。如果在某些财务指标上有显著性差别，则说明该指标可能有一定的判别能力，目的是尽可能的将有判别能力的指标挑选出来。通过spss成对样本T检验分析，其结果如(表2)所示。(表2)黑点处标示了该年份存在显著性差异的财务指标，表中指标均通过了5％的T显著性检验，其它指标均未通过，由此可将16个财务指标简化为10个。(3)因子分析。利用spss分析时首先设定因子个数为10，采用主成分分析方法，得到其特征值、贡献率及累计贡献率见(表3)。由(表3)可看出前五个因子的累计贡献率已达94％以上，故取主成分因子个数为5。为了对这5个因子进行解释，使用方差最大旋转法，采用ST类企业ST前一年(2005年)数据，经因子旋转后得到因子载荷矩阵如(表4)所示。主成分1主要支配变量(表中灰色阴影处)为：X14，X15，X16，主要体现了企业的现金流量能力。主成分2主要支配变量为：X4，X12，X13，主要体现了企业的资产效用能力。主成分3主要支配变量为：X7，X9，X10，主要体现了企业的资产周转能力。主成分5主要支配变量为：X11，主要体现了企业的获利能力。而主成分4不易解释予以剔除。选取各主成分中因子载荷大者为备择指标，综合考虑得到最终预警指标为：X4，X9，X11，X12，X14，X15。
四、预警模型建立及分析
(一)模型建立 对两类样本企业ST前一年(2005年)数据，根据上文选定的6个财务指标，运用fisher二类线性判别法，建立预警模型，对ST类企业，ST前一年判别模型为：
Zt=36.269*X4+0.972*X9+25.349*X11+5.926*X12+0.3950*X14-0222*X15-12.455
对良好类企业，ST前一年判别模型为：
Z2=39.063*X4+5.174*X9+37.637*X11+12.137*X12+2.056*X14+0.054*X15-20.374
判别标准为：将要预测的企业各变量值代入上面两个判别函数中，选择函数值大的为该观测量的值。
(二)模型测试 模型测试的结果分别如下：(1)回代测试。用spss分析得到分类结果如(表5)所示。(表5)中type=1表示为ST类企业，type=2表示为良好类企业。表中给出了全部样本建立判别方程的分类结果为：ST类企业分类正确率100％，良好类企业分类正确率100％，分类总正确率100％。交叉验证建立判别方程的分类结果为：ST类企业分类正确率93.8％，良好类企业分类正确率100％，分类总正确率96.9％。(2)随机测试。随机抽取2004年、2005年制造业ST企业12家，2005年制造业良好企业24家，共36家。前者分别采用2003年、2004年年报数据，后者采用2005年年报数据，运用上文fisher二类判别模型进行判别。12家ST企业有1家被误判，误判率为8.3％，24家良好企业有3家被误判，误判率为12.5％，总误判率为11.1％，模型总正确率达88.9％。
公司财务预警范文6
关键词：上市公司；财务预警；Logistic模型；BP神经网络；组合预测
建立上市公司财务预警系统，能对公司的财务风险起到未雨绸缪的作用，它能以财务指标数据形式将公司面临的潜在危险预先告知经营者，促使管理层通过全面分析公司内部经营、外部环境的各种资料，寻找财务危机发生的原因和公司财务管理体系中隐藏的问题，并制定解决问题的有效措施，以避免或降低公司的财务危机。同时，建立上市公司财务预警系统还有利于投资者的决策和证券市场的规范。
一、组合预测的优势及应用思路
现有的上市公司财务预警方法可大致分为定性预警分析和定量预警模式两类。定性预警方法主要包括：灾害理论、专家调查法、“四阶段症状”分析法等。定量预警方法主要包括：单变量判定模型、多变量线性判定模型、多元逻辑(Logistic)模型、多元概率比(Probit)回归模型、神经网络(NN)分析模型、支持向量机(SVM)等。然而，单一预测方法所用到的信息是有限的，对同一问题只采用一种方法进行预测。其预测精度往往不高，预测风险较大。由于不同的预测方法所用到的信息是不相同的，因此，可以将各种单一的预测结果进行组合得到一种组合预测结果，以达到改善预测效果的目的。自Bates J.M和GrangerC.W.J(1969)首次提出组合预测方法以来，由于组合预测方法利用了更多的信息，其精度要比单一的某种预测方法得到的结果好，因而受到国内外预测工作者的重视。Clemen R.T(1989)曾指出，组合预测将成为预测研究的主流之一。目前，组台预测研究正从定权向变权、线性组合向非线性组台的方向发展。近年来，组台预测技术已被成功引入到信用风险评估中，并取得了较好的预测精度。有鉴于此，本文尝试将组合预测应用于上市公司财务预警。
神经网络是20世纪40年展起来的一种预决策技术，神经网络模型除了具备自组织与自适应能力外还能有效地对非线性问题进行处理，分类能力较高，因而被广泛应用于企业信用评估、财务预警等问题的研究中。组合预测的核心问题是组合机理和权值的确定，在对各类参数方法的组台中，困难之一就是在将各种不同预测的结果加权重组时权值的确定问题。而神经网络是一种非参数的方法，所以避免了传统组合预测技术对权值设定的困难。Logistic模型无需假定任何概率分布，也不要求等协方差性，因而在企业财务预警中得到了广泛应用。基于此，本文借鉴文献的研究思路，在Logistic模型和BP神经网络两种单一预测模型的基础上，将Logistic模型输出的违约概率引入到BP神经网络中，从而构建一种非线性组合预测模型，并将其应用于上市公司财务预警。实证结果表明，该组合预测模型的预测精度高于任何一种单一预测模型，具有良好的应用前景。
二、实证分析
(一)指标体系与样本数据
企业财务危机的迹象通常都将直接或间接地在一些敏感性财务指标的变化上反映出来，本文参考国内外有关文献提出的企业财务预警指标体系，遵循指标选取的系统性、科学性、客观性、可操作性及敏感-性等原则，从偿债能力、营运能力和盈利能力等三个方面，选取流动比率、速动比率、资产负债率、利息保障倍数、应收账款周转率、存货周转率、固定资产周转率、总资产周转率、净资产报酬率、总资产报酬率、销售净利率、股本报酬率等12项财务比率指标建立上市公司财务预警初始指标体系。
本文选取沪、深股市中的信息产业上市公司(包括涉足信息产业的上市公司)作为研究对象，数据来源于国泰安数据库和CCER数据库。将上市公司因财务状况出现异常而被特别处理(ST)作为企业财务预警的标志，定义ST企业为财务危机公司，非ST企业为财务健康公司。样本区间选定为2006-2008年，其中，ST企业采用被ST前两年的年报数据进行试验，最终取得的样本总数为104个。将实验样本集分为训练样本和测试样本。采用分层抽样方法，从104个样本中，分别对非ST企业和ST企业，随机抽取70％(共72个样本)作为训练样本建立模型(其中：非ST企业36家，ST企业36家)；剩余的30％(共32个样本)作为测试样本检验模型(其中：非ST企业16家，ST企业16家)。
考虑到上市公司财务预警初始指标体系中可能存在冗余指标，本文还借助ROSEtTA分析软件，运用粗糙集属性约简遗传算法对初始指标进行约简，从12个初始指标中剔除了6个冗余指标。由此得到流动比率、资产负债率、应收账款周转率、固定资产周转率、净资产报酬率、总资产报酬率等6个对信息产业上市公司财务风险识别具有重要影响的指标。
(二)Logistic模型
鉴于企业财务危机预测可归于二值响应变量(正常和危机)预测问题，根据国内外相关研究的使用频率和效果，本文以上述6个指标为自变量，二元变量0和1为因变量，运用Logistic二元回归模型构建信息产业上市公司财务预警模型。利用SPSS16.0软件对训练样本进行Loglstic回归分析，分类临界值设置为0.5，即预测值(可近似看成违约概率)大于0.5的取1，预测值小于0.5的取0。采用训练样本对模型进行内部检验，同时，采用测试样本对模型进行外部检验。LogiStic模型预测结果见表1。其中，第一类错误是指将ST企业误判为非ST企业，第二类错误是指将非ST企业误判为ST企业。
(三)BP神经网络模型
神经网络的输八层节点数对应于财务预警的指标数，即输入层节点数n＝6。神经网络输出层节点数取决于财务预警等级的评价结构，本文将样本公司分为两个等级：财务危机和财务健康，因此，输出层节点数m＝2，对应输出值为(1，0)和(0，1)。在三层BP神经网络中，隐含层节点数不是固定不变的。经验公式显示：隐含层神经元数等于输入层神经元数乘以二再加上一。以经验公式为参考，经多次试算，根据误差最小化原则，最终确定隐含层节点数为15。BP神经网络采用有一定阈值特性且连续可微的sigmoid函数作为神经元的激发函数。目标值为1.00E-06，学习率为0.91，最大学习次数为3000，系统每10步显示一次训练误差的变化曲线。经过100次训练得到神经网络模型，逼近误差为18774E-05，总体误差达到要求。BP神经网络模型预测结果见表1。
(四)组合预测模型
组合预测模型将Logistic模型输出的违约概率引入到BP神经网络中，这样网络的输入就包括初始的6个财务指标和1个表示上市公司违约概率的变量，共7个输入。该模型采用与上述BP神经网络模型相同的算法，所不同的只是网络的结构
和学习的参数。经100坎训练之后得到一个具有7个输入层节点、18个隐合层节点和2个输出层节点的网络，其中。目标值为100E-06。学习率为0.86，逼近误差为2.8869E-06。组合预测模型预测结果见表1。
表1显示，组合预测模型在训练样本集中的预测准确率达到89.34％，高于其余两种模型，其中，第一类错误率略高于BP神经网络，但远低于Logistic模型，第二类错误率均低于其余两种模型；在测试样本集中的预测准确率达到87.80％，高于其余两种模型，其中，第一类错误率略高于BP神经网络，但远低于Logistic模型，第二类错误率均低于其余两种模型。由此可见，组合预测模型的预测精度总体上较优。此外，本文还考察了三种模型的鲁棒性，比较测试样本集与训练样本集的预测准确率。BP神经网络模型下降了0.98％，组台预测模型下降了1.72％，Logistic模型下降了7.61％，显然，组合预测模型的鲁棒性较好，能够满足实际应用的需要。
三、结 语
在Logistic模型和BP神经网络两种单一预测模型的基础上，将Logistic模型输出的违约概率引入到BP神经网络中，从而构建一种非线性组合预测模型，并将其应用于上市公司财务预警。由于组合预测模型利用了更多的信息。因而其预测精度总体上较优，鲁棒性较好，具有良好的应用前景。神经网络虽然对样本数据的分布没有严格要求。且具有处理非线性问题的能力，但其缺点也较为明显，主要表现在：一是存在“黑箱性”问题，无法获知其运行方式，不具备解释性，缺乏坚实的统计理论和基础；二是算法容易形成局部极小，而得不到全局最优；三是算法迭代次数多，且收敛速度缓慢。因此，选择更为完备的非参数方法进行组合预测有待于进一步研究。
参考文献：
[1]王平心，杨冬花，基于熵值法的我国上市公司财务预警系统研究，商业研究，2005(15)：86-88
[2]李志强，上市公司财务预警研究述评[J]金融理论与实践
[3]王春峰，万海晖，张维，组合预测在商业银行信用风险评估中的应用，管理工程学报，1999，13(1)：5-8
[4]韩平，席酉民，基于模糊神经网络的信贷风险组合预测，数量经济技术经济研究，2001(5)：107-110
[5]姜明辉，袁绪川，基于GP的个人信用评估非线性组合预测模型，电子科技大学学报(社科版)，2008，10(1)：1-5
