前言：中文期刊网精心挑选了上市公司财务危机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。
上市公司财务危机预警范文1
关键词：财务危机，预警模型，主成分分析，Logistic回归
中图分类号：F276.6 文献标识码： A 文章编号：1003－3890（2008）07－0024-03
一、文献综述
（一）国外财务危机预警模型的研究现状
在20世纪60年代前影响最为广泛的美国财务分析专家Beaver（1966年）提出了单变量判定模型。在财务危机预测研究中，美国纽约大学教授Altman做出了突出贡献。Altman在1968年首次使用了多元判定分析（MDA）预测财务危机，后来的研究者通常称之为Z模型。Meyer和Yifer1970年使用了最小二乘法对财务危机进行预测。1977年，Altman，Haldeman和Narayanan在Z模型的基础上又提出了一个更能准确预测企业财务失败的新模型――著名的ZETA模型。Martin（1977）在财务危机预测研究中首次采用Logistic模型。1988年，Aziz，Emanuel和Lawson在财务危机的预警模型研究中，发展了基于现金流量预警破产的模型。1998年，Mossman.Bell，Swartz和Turtle在总结以前研究的基础上，比较了财务指标模型、现金流量模型、市场收益率信息类模型，发现不存在令人完全满意的区分破产和非破产的预测模型。除了线形判别模型和条件概率模型外，一些学者还用人工神经网络系统模型和引用了期权定价理论对财务危机进行预测。
（二）国内财务危机预警模型的研究现状
1986年，吴世农、黄世忠曾撰文介绍企业破产的财务分析指标及其预警模型。1996年，周首华、杨济华和王平应用多微区分分析方法建立了F分数模型。1999年，陈静对西方预警模型在中国是否适用进行了实证分析。张爱民、祝春山、许丹健（2001）借鉴Altman的多元Z值判别模型，建立了一种新的预测财务危机的模型――主成分预测模型。杨保安（2001）等针对判别分析方法在构建财务危机判别模型中存在的问题引入神经网络分析方法并应用于企业财务危机判定与预测。吴世农、卢贤义（2001）应用Fisher线性判别分析、多元线性回归分析和Logistic回归分析三种方法，分别建立三种预测财务危机的模型。张延波、彭淑雄（2002）指出，在建立风险监测与危机预警指标体系中，可考虑加入现金流量指标。刘洪、何光军（2004）建立了Logistic回归模型、Fisher判别模型和BP神经网络模型，实证结果表明：BP神经网络方法的预测精度远高于其他两种方法。李秉祥、启文秀（2004）以现论和期权理论为依据，建立了公司财务危机的动态预测模型。谭久均（2005）建立了财务指标与违约距离相融合的上市公司财务预警模型。
二、实证研究
（一）研究样本的选择和变量的定义
本文主要针对文献综述中存在的问题，进行财务危机预警研究技术上的改进，探索性地在自变量中加入基于现金流量表的财务比率进行动态财务危机预警模型的构建。笔者选择2006年沪深两市首次被ST或*ST的36家上市公司作为研究样本。按照行业相同、资产规模相似等原则进行配对，找到对应的非ST公司作为参照样本，以确保两组样本之间的相互可比性。在尽量扩大财务比率数目的同时，取前4年内的财务比率进行分析。实证中，本文最终建立的仍是Fisher判别分析和Logistic回归模型。不过与前面学者研究过程不同的是，笔者先对样本连续多年的多个财务比率进行主成分分析，提取多个完全正交的主成分，然后将这些主成分纳入到模型中。整个处理过程既考虑了现金流的重要性，同时也克服了财务比率之间的多重共线性问题。
本文的财务数据来自Wind资讯、证券之星数据中心、全景证券网数据中心、巨潮资讯网以及聚源财务分析数据库等（选取的研究样本见表1）。
我们参考了国内外反映财务危机预警的既有指标，并考虑了指标数据获取的难易程度，确定了反映和测度中国上市公司财务危机预警的指标体系，包括5个一级指标（偿债能力、盈利能力、资产管理能力、成长能力和现金流量）和22个二级指标。
（二）财务指标的正态分布检验
本文利用SPSS中的K-S检验方法对基础财务指标进行正态性检验。经过计算，中国的财务指标整体上并不符合正态分布，这一结果与国内外学者所得出的结论一致。因而两类公司财务指标的显著性检验不能进行t检验，而应当使用非参数检验的方法。通过非参数检验，我们发现在最初所选的22个基础财务指标中，有17个财务指标在4年间通过了显著水平为5%的显著性检验。因此，本文初步选定通过显著性检验的17个财务指标来建立预警模型。他们分别是反映偿债能力的流动比率、速动比率、资产负债率、产权比率、利息保障倍数指标；反映盈利能力的主营业务比率、股东权益收益率、留存收益总资产比率、总资产利润率指标；反映资产管理能力的应收账款周转率、总资产周转率、存货周转率指标；反映成长能力的净利润增长率、资本积累率、总资产增长率指标；反映现金流量的现金债务总额比、现金获利指数指标。
（三）主成分的计算
由于变量之间存在多重共线性的问题，我们对选取的变量按年度进行主成分分析，得到相应的主成分和初始因子载荷矩阵，根据初始因子荷载矩阵与特征值矩阵，计算出主成分系数矩阵，进而求得主成分的分值，得到5个主成分后，代入Fisher判别模型和Logistic回归模型进行进一步分析。
（四）Fisher线性判别模型的建立
把财务危机公司划分为组合1，非财务危机公司划分为组合0，对上述72家上市公司的5个主成分进行Fisher回归分析，可以建立分年度的财务危机预警模型（见表2）。
为了检验判别函数的效果，我们把数据分别代回去，得到财务危机前1~4年财务危机公司与非财务危机公司的判别和预测结果，判断正确率逐年依次为：91.7%，86.1%，69.4%，66.7%。
（五）Logistic预警模型的建立
利用SPSS统计分析软件，对上述72家上市公司的5个主成分进行Logistic回归分析，可以建立分年度的财务危机预警模型（见表3）。
我们把财务危机企业和非财务企业危机前1―4年的数据代入模型，如果P值大于0.5，则判定企业为财务危机企业，如果P值小于0.5，则判定企业为正常企业。如此，财务危机企业和非财务危机企业财务危机前1~4年的判定正确率逐年依次为：91.7%，86.1%，69.4%，66.7%。
三、结论
总结本文的研究过程和结果，可以得到以下结论：
1. ST公司的大部分财务指标值在其被特别处理前4个会计年度内呈现出了逐渐恶化的趋势，“ST”公司与非“ST”公司财务指标之间所呈现的差距逐渐加大，说明了“ST”公司财务状况的恶化并非是突然发生的，从而使得财务危机预警不仅必要，而且成为可能。因而我们完全可以通过分析财务指标的变化来预测公司未来的财务状况。
2． 本文采用了Fisher判别分析法和Logistic回归方法建立中国上市公司分年度的财务危机预警模型，结果表明这两种模型可以提前4年预测财务危机。
3． 分析比较模型的预测效果，我们还发现财务危机预警具有一定的时间跨度，时间跨度与预测的准确程度成反比。一般情况下，时间跨度越长，财务危机预警的准确程度就越低，反之亦然。因此，在实际应用过程中，应根据需要和可能，适当规定财务危机预警的时间跨度，从而保证预测结果的可靠性和相关性。
4. 比较二种判定模型的效果表明，Logistic模型的判定准确性较高。
参考文献:
［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］石晓军，肖远文，任若恩．Logistic违约模型的最优样本配比与分界点研究［J］．财经研究，2005，（9）.
［5］吴世农，卢贤义．中国上市公司财务困境的预测模型研究［J］．经济研究，2001，（6）.
［6］陈静．上市公司财务恶化预测的实证分析［J］．会计研究.1999，（4）.
上市公司财务危机预警范文2
关键词：财务危机；判别分析；logistic回归分析
一、引言
财务危机预警就是利用定性或定量的方法通过对企业各财务指标进行检测分析，来判断企业是否偏离正常经营状况，并根据偏离的程度发出财务警戒信号的过程，是企业对于可能发生的财务危机的一种防范措施。通过财务危机预警，企业可以在经营状况出现异常的初期，及时发现企业存在的问题，采取措施解决问题，避免财务危机的发生给企业带来的损失。
在以往的国内研究中，往往只注重考虑财务指标的选择，而忽略了非财务指标的影响，在样本选取方面，只注重强调ST公司，忽略了不同行业间各指标衡量标准的差别，没有针对不同行业建立适合各自行业的专门的财务危机预警模型。
二、样本选择及指标选取
（一）样本选择
财务危机预警模型作为财务危机预警的有效手段，越来越受到广泛应用。本文建立财务危机预警模型的样本行业是制造业，截止2011年4月27日，在深圳证券交易所上市的1507只股票中，制造业股票就有1000只，在上海证券交易所上市的股票总数共有982只，其中制造业股票有502只。通过以上数据可以发现，制造业上市公司是我国沪深两市上市公司中的主要组成部分，因此，本文选取制造业上市公司作为研究对象，这样可以避免不同行业上市公司之间行业差异对于数据的影响，还可以得到充分的样本数据。
本文选取2009-2011年间首次被ST的制造业上市公司作为研究对象，按照同行业，相似资产规模为标准，选取与ST公司相配对的制造业非ST公司，ST和非ST公司共25对组成建模样本，样本涵盖了制造业中的化工、医药、有色金属、食品等多个行业。
上市公司是否被ST取决于它是否连续两年亏损或每股净资产低于股票面值，我国上市公司t-1年的年报是在第t年年初披露的，这与上市公司在第t年是否被ST几乎是同一时间发生的，即在第t-1年年报披露时已经知道了上市公司是否被ST，因此选用上市公司t-1年的数据预测第t年是否被ST就失去了实际意义。因此本文选取上市公司被ST前两年的数据作为研究对象，即2009年被ST的上市公司选取其2007年的数据，2011年被ST的上市公司选取其2009年的数据作为建模样本的数据来源。
（二）指标选取
本文从财务指标和非财务指标两个方面对模型构建指标进行选取，选取的指标要能准确反应上市公司的经营状况，财务成果等众多方面，而且要可以计量和方便获得。根据以上原则和国内外的研究成果，本文从偿债能力、盈利能力、营运能力、成长能力、现金流量五个方面选取17个财务指标，从审计意见、股权集中程度，公司治理等方面选取6个非财务指标构成分析的基础。
（三）非参数检验
为了判断上述23个指标是否是与企业财务危机的形成有关的指标，本文采用wilcoxon秩和检验的方法来检验指标是否在ST组与非ST组之间具有显著差异。Wilcoxon秩和检验适用于样本容量小，不依赖于正态总体假设的数据样本差异性的检验，检验过程通过spss19.0统计软件完成。Wilcoxon秩和检验的原假设为指标在ST公司和非ST公司之间没有显著差异性，检验的显著性水平为0.05，当渐进显著性的值低于显著性水平时，则拒绝原假设即指标在ST公司和非ST公司间具有显著差异性。反之，指标在ST和非ST公司间不具有显著差异性。X8（存货周转率）、X9（应收账款周转率）、X17（销售现金比率）、X19（第一大股东持股比例）、X20（最终控制人类型）、X21（董事会规模）、X22（董事会持股比例）、X23（独立董事比例）的渐进显著性的值都大于0.05，表示它们在ST公司和非ST公司之间不具有显著差异性，在构建模型的指标中予以剔除。
三、模型建立和检验
（一）逐步判别分析模型
根据逐步判别分析结果可以看出，15个变量中只有5个变量进入了模型，他们分别是X6（每股收益）、X3（资产负债率）、X14（总资产增长率）、X12（营业收入增长率）、X18（审计意见类型）。财务正常公司的线性判别式函数为：
Z=-6.930+0.107X3+4.352X6-0.009X12-0.056X14+7.169X18
财务危机公司的线性判别式函数为：
Z=-10.373+0.224X3-1.620X6-0.049X12-0.140X14+4.158X18
对于每一个观测利用上述判别函数计算其属于各类的得分，并将观测归入得分最高的一个类别，以实现对观测的分类。
分类结果给出了判别的准确性，根据分类结果可以看出直接用15个指标作为变量建立的逐步判别分析模型的准确率为92%，ST组样本和非ST组样本中都有两个样本分类错误，有23个分类正确，说明直接用15个指标建立的判别分析模型能较准确的对企业财务危机进行预测。
（二）基于因子分析的判别分析模型
通过分析，因子得分公式为：
根据典型判别式函数系数表可以得到典型判别式函数：
Z=0.912F1+0.553F2+0.524F3+1.074F4+0.681F5
分类结果表给出了典型判别函数判别效果，此判别模型分类的准确率为94%，样本非ST的25家公司全部正确的判定为非ST公司，样本中25家ST公司有3家被错判为了正常公司，其余22家判定为ST公司。
（三） Logistic回归模型
将因子分析得到的5个因子作为自变量，通过logistic回归建立模型得出上市公司是否发生财务危机的概率，以判断企业是否会发生财务危机，对企业财务危机进行预警。二元logistic模型为：
P为企业发生财务危机的概率，P>0.5时企业表现出财务危机，P
（四）模型的检验
为了更好地检验模型的准确性，本文另外选取了制造业上市公司25家作为验模样本，其中选取ST公司10家，非ST公司15家，通过将数据代入上述三个模型，分别得到分析结果如下：
（1）逐步判别分析模型检验结果。模型的分类准确率为80%，ST公司中有80%分类正确，非ST公司中也有80%分类正确，说明直接用15个检验指标作为变量建立的判别分析模型能有效的对企业财务危机进行预测。
（2）基于因子分析的判别分析模型检验结果。模型的分类准确率为88%，ST公司中有80%分类正确，非ST公司中有93.3%分类正确。从总体上看，模型的准确度还是较高的，可以对制造业上市公司的财务危机进行有效预测。
（3）logistic回归模型检验结果。logistic回归模型的准确率为92%，15家非ST公司全部预测正确，10家ST公司中有2家预测错误，分类准确率为80%。Logistic回归模型能较准确的实现对企业财务危机的预警。
通过上述三个财务危机预警模型的检验可以发现，无论是直接用检验指标作为变量建立的逐步判别分析模型还是利用因子分析得到的综合指标作为变量建立的判别分析模型，还是logistic回归模型都能实现对企业财务危机的有效预警，通过两个判别分析模型的分类准确性比较可以发现，基于因子分析建立的判别分析模型比直接用初始指标作为变量建立的模型的准确性略高，比较三个模型的准确性表明logistic回归模型的准确率相比两个判别分析模型都有所提高，logistic回归模型的准确性更好，而且logistic回归模型不但能判别企业是否会发生财务危机，还能得出企业发生财务危机的具体概率，使得企业对于其可能发生的财务危机有了量化的认识。Logistic回归模型在对企业财务危机预警的实际应用中比判别分析模型更具有实际价值。
四、结论
本文通过采取25对制造业ST公司和非ST公司作为样本进行研究，得出了以下结论：
第一，非财务指标与企业财务危机的形成是有关的。在以往的财务危机预警研究中，往往只考虑了财务指标对于财务危机形成的影响，而忽略了非财务指标。
第二，建立财务危机预警模型是对企业财务危机进行预警的有效手段。本文分别运用了判别分析方法和logistic回归方法建立了三个财务危机预警模型，采用相应的数据对企业是否会被ST进行判断，通过判断结果可以得出：两个判别分析模型和logistic回归模型都能有效的对企业财务危机进行预警，预警判断的准确率为80%以上，三种财务危机预警模型都能对企业是否发生财务危机进行较准确的判断。
第三，因子分析能有效消除指标间相关性的影响，使财务危机预警模型的准确率更高，logistic回归模型相比判别分析模型对企业财务危机的预警更加有效。通过比较logistic回归模型和两个判别分析模型的准确率可以发现logistic回归模型的准确率是最高的，为92%。
第四，本文建立的财务危机预警模型的预警期为两年。本文建立模型时采用的是ST企业被ST前两年的数据，建立的模型能对企业两年后是否被ST进行准确判断，说明建立的财务危机预警模型能对企业两年后是否发生财务危机进行有效预警，预警模型的预警期为两年。
参考文献：
[1]于义杰.引入非财务因素的财务危机预警模型研究[J].合作经济与科技，2012，（1）.
[2]宋忠宁.我国上市公司财务危机预警实证研究[J].市场周刊，2011，（1）.
上市公司财务危机预警范文3
关键词：财务危机；预警模型；实证研究
一、引言
随着资本市场的不断发展和完善，对上市公司财务危机预警进行研究一直是国内外学术界研究的热点问题之一。财务危机预警是以现有的财务比率为基础，通过设计并观察一些敏感性财务预警指标的变化，建立数学模型来预测企业财务危机发生的可能性，这样就能在很大程度上帮助上市公司防范和化解财务危机。然而，由于种种原因，财务危机预警系统在我国上市公司中尚未得到广泛应用。
二、财务危机预警模型的发展及分类
1、单变量模型
单变量模型，即一元判别模式，它运用单一的财务指标来预测企业的财务危机。W.H.Beaver（1966），他最早将统计方法应用与财务指标结合起来，选择了29个能够代表企业财务状况的指标，从1954年到1964年之间他定义的财务危机企业中，挑选了79家，并选择了产业相同、资产规模相近的另外79家非财务危机企业作为配对样本，他对这79家财务危机企业和79家非财务危机企业前五年的29个财务指标进行了立面分析，最后得出结论，认为现会流量/负债总额能够最好地判定公司的财务状况（误判率最低，破产前一年的预测币确率町以达到87%），其次是资产负债率和“净利润/总资产”比率，并且离财务危机出现同越近，误判率越低，预见性越强。
2、多元线性回归模型
多元线性判别模型，即通过线性回归技术来构建能够以最小的分类错误率对样本公司进行划分的多元线性方程。比较著名的有Altman的Z分数模型以及后来E.Altman、R.Haldeman.和P.Narauaman的ZETA模型。
2.1、Z分数模型
Altman（1968）提出了Z分数模型。该模型是Altman根据美国股票市场的实际情况，经过上千次的实证分析，以33家破产公司及33家配对公司作为样本，使用选择的5个比率拟合出了一个多元线性方程，建立了Z分数模型，首次采用了多变量来预测企业的财务危机。
模型如下：
2.2、ZETA模型
1977年Altman等人将预测模型Z分数模型从单纯的制造业中解放出来，加入了非上市公司和各个行业，建立了新的、更具有准确性的企业财务危机预测模型一zETA模型，它包括了经营收益/总资产、收益稳定性、利息保障倍数、留存收益/总资产、流动比率、普通股权益/总资本和普通股权益/总资产这7项比率。Altman等经过对样本的分析，发现用ZETA模型预测五年和一年之后的财务危机企业的精确度分别为70%和91%。并且通过对相同样本进行预测分析，比较发现，ZETA模型的预测准确度要明显优于Z分数预测模型。
2.3、F分数模型
由于Z分数模型没有考虑对企业财务状况影响重大的现会流量因素，导致其财务解释和预测的效果大打折扣。为弥补这一缺陷，我国学者对Z分数模型加以改进，建立了F分数模型（周首华、杨济华，1996）在F分数模型中加入了现金流量的预测变量，其模型如下：
3、多元逻辑回归
多元逻辑回归（二项Logistic回归）的统计方法都是建立在累积概率函数的基础上，一般运用极大似然估计法来进行判定，而不需要满足自变量服从多元正念分布和两组问协方差相等的条件。他们是解决O一1回归问题的行之有效的方法。
Martin（1977）年在财务困境预测中首次采用了逻辑回归模型，从25个财务指标中选取了8个作为变量建立了回归模型，结果发现逻辑回归的预测效果要好于前面两种模型。0hlson（1980）以1970年至1976年问105家失败公司为样本，运用了条件逻辑模型来建立财务预警模型，研究结果显著。
三、研究不足
由于我国的理论研究相对滞后，市场体制还不完善，目前企业财务预警模型构建存在的问题有如下几点：
第一，预警变量选择缺乏理论支持。
第二，样本选取范围和样本时间区间存在局限。
第三，预警模型缺乏非财务因素支持。
绝大部分的研究都以财务会计报表数据为基础，以各种财务指标为变量来建立预警模型。运用财务指标建立的财务预警模型虽然能较直观地反映企业的综合财务状况，但从我国企业的情况来看，不能仅采用财务指标作为判别依据。
参考文献
[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 强：企业失败定义研究[J].北京工业大学学报，2002.Vol.2 No.1
[5]谷 祺 刘淑莲：财务危机企业投资行为分析与决策[J].会计研究，1999.11
[6]赵爱玲：企业财务危机的识别与分析[J].财经理论与实践，2000
[7]吴世农，卢贤义.我国上市公司财务困境的预测模型研究[ 经济研究，2oo1，（6）.
上市公司财务危机预警范文4
管理记分法由美国学者仁翰·阿吉蒂所创。严格来讲，它是一种定性方法，但是结合上市公司自身的各种信息披露后，也可以实现定量与定性的结合。使用管理记分法进行财务危机预警研究，主要分为以下五步：使用构造样本，列出与公司财务危机有关的多个因素；量化赋值这些因素对构造样本公司财务危机的影响程度；构建构造样本的“管理记分法”财务危机预警模型；确定衡量财务危机程度的标准值；计算各家测试样本公司的得分值，然后标准值比较，测试模型的预测效果。
本文依据上市公司自身披露的各种信息资料，使用管理记分法，获取了公司陷入财务危机前存在的各种内部和外部风险因素，通过量化赋值，构建了Y记分模型，测试样本验证检测取得了较为理想的预测效果，并为今后研究进行了趋势分析。
二、研究样本及数据来源
本文选取我国沪、深两市2002～2010年间因“最近两年连续亏损（包括追溯调整）”而首次被*ST的A股上市公司167家（原有*ST公司256家，剔除了金融类公司1家、上市不足3年就被*ST的公司9家，以及不能有效获取信息的公司79家）。其中，120家公司用于构建“管理记分法”财务危机预警模型，47家公司用于检验模型的效用。研究期间为危机前三年，即（t-3）年，数据取自“国泰安数据库”，建立的“管理记分法”财务危机预警模型以下简称“Y记分模型”。
三、实证研究
（一）财务危机引发因素归集 以构造样本的120家公司危机前3年的年报为依据，结合其特别处理公告和其他相关会计资料，采用归纳法总结出可能导致这些公司陷入财务危机的5项内部风险因素（以下简称“内因S”）和3项外部风险因素（以下简称“外因Q”），详见表1。
表1中，将“新投资产业或产品或子公司需要大量资金；或新领域经验不足，管理、经营费用高，但无利润或基本无效”作为公司经济管理中存在的首要问题的公司有2家，次要问题的有5家，总共有10家公司认为该因素会影响公司的经济状况。在归纳过程中，发现以下几个问题：
（1）上市公司披露的经营过程中的问题，一般不超过5项，而且问题普遍且集中，如市场因素中的“资源不足；产品部件或原料能源成本过高或价格波动”问题被120家公司中的59家披露，约占到1/2。
（2）上市公司披露的问题中，外因和内因出现的总频数均为139次，各占总频数278的50%。说明上市公司均重视会引起公司财务状况变化的内、外因素。
（3）内因中，经营管理因素和资金因素占52.52%，表明这是财务危机公司在危机爆发前，内部存在的最突出的问题。即上市公司还是普遍认为经营管理方面存在问题，以及经营资金不足会严重影响公司的财务状况。经营管理因素，多数涉及到公司资产结构和资本结构的合理调整，以及产业的优化；资金因素显示公司多受现金净流的影响，公司资金紧张导致短期偿债能力虚弱。
（4）外因中，市场因素占64.03%。这是财务危机公司在危机爆发前，面临的最严重的外界影响。无序的、不完全的市场竞争，产品成本上升，国内外宏观环境的变化都对公司的财务状况产生了不可测的影响。
（二）财务危机影响度量化赋值 表1中，具体内容（第2列）中有一项原因出现，则对应的定性因素（第1列）设为1，否则设为0，从而到得表2。
（三）Y记分模型构建 具体如下：
（1）基本模型框架。Y记分模型的因变量取值为0或1，赋值是权数的加权平均。设计的模型为：
Y=0.5S+0.5Q（1）
其中：
Y为加权平均得分；
S是上市公司陷入财务危机的内因的加权平均得分，权数0.5=139 /（139+139），即内因中的所有风险因素出现的频数在全部因素出现的总频数中占的比重；
Q是上市公司陷入财务危机的外因的加权平均得分，权数0.5=139/（139+139），即外因中的所有风险因素出现的频数在全部因素出现的总频数中占的比重。
（2）内因权重的确定。S的计算公式为：
其中：ai为对第i项内因进行加权的权数，Si为第i项内因的取值。
ai值的大小反映了第i项内因对财务危机形成的影响程度。ai值越大，说明第i项内因对财务危机形成的影响大。表3中，百分比反映了各项内因对公司陷入财务危机的影响程度，各项百分比就是对该项内因进行加权的权数ai。
根据表3，可以得出内因的加权平均得分S的公式：
S=0.1727S1+0.2446S2+0.1222S3+0.1799S4+0.2806S5（3）
（3）外因权重确定。Q的计算公式为：
其中，bt为对第t项外因进行加权的权数，Qt为第t项外因的取值。同样方式确定各项bt值。
根据表4，可以得出外因的加权平均得分Q的公式：
Q=0.6403Q1+0.2590Q2+0.1007Q3 （5）
（4）构建Y记分模型。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记分模型为：
Y=0.0864S1+0.1223S2+0.0612S3+0.0900S4+0.1403S5+0.3201Q1
+0.1295Q2+0.0504Q3（7）
其中：
Si为第i项内因的取值，危机公司存在i项内因时取值为1，否则为0，i=1，2，…，5；
Qt为第t项外因的取值，危机公司存在t项内因时取值为1，否则为0，t=1，2，3。
（四）标准值确定 根据归纳的各项风险因素，可以确定各家构造样本财务危机公司的Si和Qt值，再根据公式7，可以得出各家公司的Y值。例如，ST昆百大（000560）的Y值为：
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值见表5。
将构造样本中120家财务危机公司的Y值划分为6个区间。根据表5计算出的Y值，各区间分布的财务危机公司数见表6。表中，“公司数”这一行表示在某一区间分布的财务危机公司数，“累计数”这一行表示在某一区间的上限以下区间分布的财务危机公司数，“百分比”这一行表示累计数的百分比。
有关学者的研究发现，选择不同的Y临界值，决策人员出现第Ⅰ类错误的概率不同。Y临界值越大，犯第Ⅰ类错误的概率越大，但犯第Ⅱ类错误的概率越小；Y临界值越小，犯第Ⅰ类错误的概率越小，但犯第Ⅱ类错误的概率越大。对一般决策者来说，由于犯第Ⅰ类错误的代价要高于第Ⅱ类错误，因此在建立模型时，应该主要考虑控制第Ⅰ类错误发生的概率。
由此，若将Y临界值确定为0.2，可以将犯第Ⅰ类错误的概率控制在7.50%以下，即回代预测准确率为92.50%。根据一般分析惯例，这样的错误概率是大部分决策人员可以接受的。因此，将Y临界判别值确定为0.2，确立的Y记分预测分析判断方法为：
（五）Y记分模型预测效果测试 测试样本中47家财务危机公司的Y值区间如表8所示。
可以看出，在以0.2为分割点的情况下，测试样本中47家财务危机公司有42家的Y值大于0.2，占总数的89.36%，即测试样本的验证预测准确率为89.36%。
四、研究结论
通过研究，可以得出以下几条结论：
一是内因和外因均会导致财务危机，即不仅公司内部财务方面和非财务方面的原因是公司财务危机的“导火索”，而且公司外部的多项因素也会影响公司的财务状况，而且这些因素多是公司的不可控因素。要在财务危机预警方面取得进一步成果，必须结合公司外的各项因素进行研究。
二是财务危机形成的内因中，经济管理因素和资金因素是其中两项最重要的因素。这说明企业想要避免财务危机的发生，必须有充足的可自由支配的资金，重视短期偿债能力，搞好主导产品或产业，加强、完善内部经营管理。
三是财务危机形成的外因中，市场因素，尤其是市场竞争激烈、资源不足、产品部件或原料能源成本过高或价格波动是其中最重要的因素。这说明企业想要避免财务危机的发生，必须压缩生产成本、提高自身产品的竞争力，以备不测之需。
四是Y记分模型对构造样本的回代预测准确率和对测试样本的验证预测准确率分别为92.50%、89.36%，模型预测效果较好，资本市场各方利益相关者可适当参考使用。需要说明的是，模型以0.2为分割点，决策人员犯Ⅰ类错误的概率降低，可以将Y记分模型与各种统计模型（如多元逻辑回归模型、BP人工神经网络模型等）结合使用。
上市公司财务危机预警范文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.
关键词: 财务危机;BP神经网络;房地产上市公司
Key words: financial crisis;BP neural network;real estate listed companies
中图分类号:F275 文献标识码:A文章编号:1006-4311(2010)08-0051-01
0引言
对于中国房地产公司,构建一套完善先进的预警系统十分重要,构建一套基于科学预警理论研究成果指导下的专门针对房地产行业的财务危机预警系统迫在眉睫,它是房地产健康发展的客观要求,也是政府和房地产管理部门的规划、决策和调控走向理性的需要。
1文献回顾
几十年来,理论界围绕着如何更加准确地预测企业的财务危机展开了多种多样的研究,研究的重点集中在如下两个方面:
1.1 企业财务危机的界定国外对财务危机的界定因研究目的不同而不同,主要有以下几种观点:①已经破产的企业;②进入破产程序的企业;③无力还本付息的企业;④资不抵债的企业。因此我们认为,由于有研究结果表明我国的资本市场目前仍处于弱式有效市场,信息的不对称导致尚无一种客观的评判标准,故对我国上市公司财务危机的界定主要是依据证监会定义ST企业的前两条标准,即出现下列情况之一的企业:①最近一个会计年度的审计结果中显示的净利润均为负值;②最近一个会计年度的审计结果中显示的其股东权益低于注册资本。即每股净资产低于股票面值。
1.2 财务危机预测方法的研究从研究方法看,预测企业是否发生财务危机的方法一直在不断地改进和创新之中。从传统的预测方法来看,统计判定分析一直是研究预测企业是否会发生财务危机的一个好方法。
近年来,有关企业财务预测分析日益已经引起国内理论界和实业界的高度重视。我们认为,在我国目前上市公司财务数据并不很完善的情况下,应用多种研究方法建立我国上市公司的财务危机预测模型,通过比较分析有利于提高模型的适人工神经网络是由大量称为神经元的简单信息单元广泛连接组成的复杂网络用范围和预测的准确性。
2BP神经网络基本原理
人工神经网络是由大量称为神经元的简单信息单元的广泛连接所组成的复杂网络系统,用于模拟人类的大脑神经网络的结构和行为,使它具有学习、记忆、联想、归纳、概括和抽取、容错以及自学自适应等能力。本文采用典型的3层前馈型BP网络模型,它具有网络训练信息的正向传播过程和误差的反向传播过程。
设ai是网络样本输入值,bi是网络隐含层的输出值,cj为对应的实际输出值。输入神经元到隐层神经元的权值为vhi,隐层神经元到输出神经元的权值为wij,另外分别用θi和xj表示隐含层和输出层的阈值。三层BP网络的数学模型表示为:①利用样本输入层的信息以及输入神经元到隐层神经元的权值得到隐含层节点的输出:bi=fahvhi+θi,(i=1,2,…,p);②输出层节点的输出:cj=fwijbi+xj,(i=1,2,…,q)最初的wij是设定的随机值;③输出层节点实际输出值cj与期望输出值c之间的误差:dj=cj(1-cj)(c-c);④向隐含层节点反向分配误差,令:ei=bi(1-bi)wijdj(i=1,2,…,p);⑤隐含层到输出层的权值通过下式调整:Δwij=abidj(i=1,2,…,p;a是学习系数,0
3神经网络的建立及模拟训练
3.1神经网络模型的建立
通过广泛考察以往国内外相关研究对最终模型有显着贡献的预测变量,主要采用的基本财务指标可以分为5个一级指标,盈利能力、偿债能力、成长能力、扩张能力和营运能力相关指标,又包含12个二级指标。
Bp神经网络把用来描述企业财务状况特征的12个指标做为神经网络的输入向量X=|X1,X2,…,X12|,将代表相应综合评价结果的值作为网络的输出Y,用学习样本训练这个网络,使不同的输入向量得到不同的输出量值,这样神经网络所持有的那组权系数值和阈值,便是网络经过自适应学习所得到的正确内部表示,经过反复学习训练,确定与最小误差相对应的网络参数(权值和阈值),训练即告停止。
3.2指标数据的归一化由于不同的指标数据量纲均不相同,不进行归一化就会将神经网络模型带入较大的系统误差,因此,考虑到神经网络训练的收敛问题,也为了便于最终评价值的确定,在网络学习训练前将学习样本和检验样本的原始指标数据同时进行归一化,以便消除指标量纲不同和系统误差所带来的影响本文采用正向和反向传播公式,将原始指标数据归一化到[0,1]之间。归一化公式为:①正向指标归一化公式:xij=(xij-minxi)(maxxi-minxi);②反向指标归一化公式:xij=(maxxi-xij)(maxxi-minxi)。其中xij是xi中的第j个数据,maxxi是xi中数值最大的数据,minxi是xi中数值最小的数据。
3.3 网络训练过程本文利用DPS软件的Bp神经网络工具箱进行了数据分析,采用12个指标进行上市公司财务预警,这样,网络输入层节点数i定为11,隐含层(中间层)的节点数1,输出层为1,允许误差为0.01,最小转换速度为0.01,最大训练次数为1000次。
将10年的样本数据作为神经网络辨识模型的训练样本,预测2009年企业的财务状况,继续用DPS软件的Bp神经网络工具箱对09年企业的财务数据进行分析,得出2009年的拟合结果为23.440,即2009年企业的财务数据将处于健康状态。
上市公司财务危机预警范文6
根据国外公司法或者国外研究人员的定义，财务危机是指企业由于经营失败而没有能力支付到期债务。以下事项只要满足一项就表明企业经营失败，即：破产，债券违约，透支银行账户，无法支付优先股股利。这样的定义是基于国外资本市场十分成熟的情况下做出的，然而，由于我国的资本市场仅仅发展二十余年，尚不成熟，并且我国上市公司的退市制度还不完善，因此，本文将发生财务危机的企业定义为中国证券监督管理委员会（证监会）设定为“特别处理”的企业，通常在资本市场中这类企业的股票代码前冠以“ST”符号以示区分。
基于现有的各类财务指标，构建一个财务危机预警的数学模型，用于提示企业发生财务危机的可能性有很多现实意义。建立与企业实际发展状况相符的财务危机预警模型有利于投资者做出更加理智的投资决策，有利于企业管理者更好地理解企业财务状况以提高管理水平，有利于银行和其他债权人更好地评估企业的债务违约风险，有利于政府监管部门更有针对性地监督上市公司，有利于审计人员更加高效地审计上市公司等等。
二、选择样本
失败企业的筛选：
在第一部分，将“ST”企业定义为经营失败的企业，数据来自于上海证券交易所和深圳证券交易所网站。由于有些失败企业数据缺失，最终筛选出2005年的55家“ST”企业。为了将模型适用于各类企业，这55家“ST”企业来自各行各业，有制造业、建筑业、交通运输业等。资本市场中，大部分企业使用统一的会计制度，但是金融保险业上市公司使用其专有的会计制度，因此，本文挑选的55家“ST”企业不包括金融保险业上市公司。
非失败企业的筛选：
非失败企业的筛选按照以下步骤进行：（1）查找“ST”公司的行业类别代码；（2）在该类行业中，筛选出和“ST企业”资产规模最接近的企业；（3）如果筛选出的企业是非失败企业，则采用；（4）重复以上步骤，直到筛选出与失败企业同样数量的非失败企业。
表 失败企业和非失败企业的来源与数量 单位：家
三、选择财务指标
目前，通过哪些财务指标来判断企业是否遇到了财务危机没有一个统一的标准，而且仅仅通过若干个财务指标来描述企业的经营状况是很困难的。本文在前人研究经验的基础上，初步筛选出反映企业总体状况的六个方面的15个财务指标，这六个方面分别是短期偿债能力，长期偿债能力，盈利能力，资产管理能力，主营业务盈利能力和增长能力。筛选的15个财务指标来自2005年12月31日的资产负债表，主要有流动比率，速动比率，现金比率，产权比率，已获利息倍数，现金收入比率，总资产收益率，净资产收益率，存货周转率，应收账款周转率，总资产周转率，主营业务利润率，资本保值增值率，净利润增长率，总资产增长率。
在建立预测模型之前，首先要在15个财务指标中找出与企业被“ST”最相关的指标。在Rapidminer 6.1中，使用相关矩阵测算财务指标与“ST”之间的关系。通过计算，除去流动比率（相关系数为0.03
图1
使用Rapidminer 6.1的相关矩阵函数计算找出与企业被“ST”最相关的财务指标，软件中使用的模块和连接如图中所示。
图2
展示了13个财务指标分别与企业被“ST”之间的相关系数，运行结果显示，财务指标X1（流动比率）和财务指标X3（现金比率）与“ST”的相关系数小于0.05，表明他们之间的相关性小，因此剔除这两个财务指标。
四、实验过程
神经网络的建模过程如图3、图4所示，图5表示的是预测的准确率。
图3 主要处理过程
将待处理数据和SPLIT函数模块拖入主界面，将两个模块连接，SPLIT函数模块的作用是将待处理数据随机分割成两部分，设定分隔系数是0.7，即70%的财务数据用作训练数据，30%的财务数据用作检验数据。
图4
将导入主界面的全部数据中的70%，即导入77家上市公司的财务数据，使用神经网络模型进行训练，训练完成的神经网络模型用于对剩余30%的数据即33家上市公司的财务数据进行预测，预测这33家上市公司中失败企业（即“ST”上市公司）的数量和非失败企业（即正常上市公司）的数量。
图5
训练后的神经网络的预测结果：93.33%的原“ST”企业被预测成功，88.89%的原正常企业被预测成功，总体预测精度达到90.91%。
