前言：中文期刊網精心挑選了上市公司財務危機預警研究范文供你參考和學習，希望我們的參考范文能激發你的文章創作靈感，歡迎閱讀。
上市公司財務危機預警研究范文1
本文在分析研究國內外關于財務危機動態預警相關研究的基礎之上，對財務危機的動態預警模型的研究現狀進行綜述，探討財務危機動態預警研究的發展趨勢。
【關鍵詞】財務危機 動態預警 研究綜述
在全球經濟衰退、金融危機的大背景下，探索識別財務危機，為企業利益相關者提供預警信號是非常值得研究的現實問題。因此，建立基于時間序列特征的動態預警系統成為了必然的趨勢。國內外很多學者都對財務危機預警模型進行了研究，并建立了相應的預警模型。但是現階段關于財務危機預警的動態研究還是較少，目前我們的財務危機預警系統大多是靜態預警，大部分學者采用的都是多截面樣本數據，對不同時期的多個樣本數據進行研究，但是這樣研究存在一個顯著的邏輯性缺陷，即沒有考慮到財務狀況的時間延續性。這些實證研究的結果普遍存在著預測準確率不理想的情況，特別是多期財務危機預測準確率較低的情況。如果企業的整體財務狀況很好，只是單期的表現不好，隨后企業的財務狀況會很快恢復正常，這種暫時的偏離正常值不應該被歸為財務危機公司，但靜態模型不考慮歷史的影響，會將這種公司歸為危機公司，預測準確率不理想。
一、財務危機動態預警模型簡介
動態財務預警主要使用的技術有人工智能技術（如神經網絡模型和機器學習等分析技術）具備良好的模式辨別能力，克服了傳統統計方法的局限性，有更高的預測能力。
二、國外關于財務危機動態預警模型的研究
目前，國外學者廣泛應用的動態預警模型主要有神經網絡模型、遺傳算法模型、案例推理模型等等。
（一）人工神經網絡模型
人工神經網絡模型主要是運用神經網絡的分類方法來進行財務預警。許多功能是對人腦神經網絡系統的模擬，有很好的模式識別能力，根據隨時更新的數據進行自我學習，因此有很高的糾錯能力，能夠更好的預測財務危機。Odom和Sharda（1990）是最早在財務危機預警模型中運用人工神經網絡模型的，隨后許多學者做了相似研究，并對模型及算法進行了響應的改進。
（二）遺傳算法（genetic algorithm，GA）
遺傳算法是模仿生物遺傳進化規律，運用在大量復雜概念空間內隨機搜索的技術，用于企業財務危機的預測。Varetto（1998）、Shin&Lee（2002）、Hyunchui（2009）都進行了這方面的研究，Franco（2010）的研究表明了采用GA來進行預測比較省時并且受到主觀影響也較小，但是預測精度沒有MDA高。
（三）案例推理（case-based reasoning，CBR）
案例推理一般運用K臨近算法對存儲案例進行分類，據此來對新增的案例進行推斷，主要適用于在復雜多變的環境中進行決策。Hongkyu（1997）對案例推理（CBR）、人工神經網絡模型（ANN）以及多元判別分析方法（MDA）進行了比較分析，結果顯示CBR與MDA判別結果無本質上的區別，更適合在數據不充分的時候使用；Cheol-Soo（2002）用層次分析法（AHP）對K臨近算法進行了改進，預測精度明顯得到了提高。
（四）支持向量機（support vector machine，SVM）
SVM方法是在統計學理論基礎之上的一種機器學習方法，這種算法通過非線性變換把實際問題換到高維特征空間，并且進行處理，對維數的要求沒有那么嚴格，具有很好的推廣能力。在這方面，Fan、Palaniswami均有相關的研究，Kyung-Shik Shin（2005）采用這種算法構建了財務危機預警模型，并對韓國的企業進行實證研究，結果表明SVM的預測性能高于BP神經網絡模型。
（五）粗集理論（rough set theory，RST）
RST是一種用多個財務比率來描述財務危機與財務正常公司的工具，可以有效地解釋財務指標與財務危機的關系。Pawlak、Dimitras和Joseph都將RST應用與財務危機預警系統的研究中。
三、國內關于財務危機動態預警模型的研究
國外對財務危機動態預警模型的研究已經取得比較豐碩的成果，國內的學者關于動態預警系統的研究少之甚少。
（一）大部分學者是從動態管理角度得出破產公司和非破產公司的現金管理特征變量，并據此構建預警模型
國內由于對現金流重要性的認識不夠，加上我國從1998年開始才要求上市公司編制現金流量表，因此進行實證研究所需的現金流量方面的數據嚴重缺乏。這些原因，最終導致國內的研究僅僅停留在對現金流量指標體系構建的理論探討層面。
姚靠華、蔣艷輝（2005）就動態財務預警系統建立的技術基礎和系統框架進行了闡述，提出應該充分利用數據倉庫技術、數據挖掘技術和Agent技術來建立企業的動態財務預警系統。
張鳴、程濤（2005）運用Logistic回歸方法，先從財務指標角度構建財務指標預警模型，然后引入現金管理特征變量和現金管理結果變量，從財務指標和現金流量角度共同構建綜合預警模型。
楊淑娥、王樂平（2007）以T-2、T-3期財務數據組合的面板數據作為研究樣本，構建BP神經網絡模型對上市公司的財務狀況進行預測。
蔣麗（2007）用因子分析法分別建立ST前三年的三個評分模型F1、F2、和F3，依次對樣本進行預測，從動態的角度找出不同時期的特征變量，預測財務危機的緊急程度。
陳磊、任若恩（2008）以因財務原因被實施特別處理和暫停上市作為上市公司財務階段的分類標志，將上市公司的財務狀況分成3個階段，借鑒Theodossiou的方法，使用時間序列判別分析技術、指數加權移動平均控制圖模型對中國上市公司的財務危機預測進行研究。
孫曉琳、田也壯、王文彬（2010）基于Kalman濾波理論，考慮財務比率在時間序列上的趨勢性和歷史數據對結果的影響，構建了財務危機的動態預警模型。
時建中，程龍生在2012年針對模型的增量學習能力不足的問題，建立了能夠增量學習的財務危機動態預警模型，且經過實證分析證明該模型有很好的適應性與穩定性。
四、對國內外關于財務危機動態預警模型研究的評價
一是財務危機動態預警模型有很好的適用性，并且跟靜態模型相比，其預測精度有很大的提高，能夠更及時的給企業預警，避免財務危機的發生。
二是現有關于財務危機動態預警的研究還是較少，主要還是采用靜態預警模型進行回歸分析來對企業的財務危機狀況進行預測。
三是對財務危機的動態預警大都是針對總體的企業，很少針對某一行業的特點對特定行業進行動態預警，每個行業的特點不同，與財務危機發生影響密切的相關指標也不盡相同，并且由于動態預警能夠比靜態模型給出早期的預警信號，分行業研究就更加有必要。
五、對將來財務危機動態預警模型研究的展望
通過上文的綜述，今后我們可以在財務危機動態預警系統的以下幾個方面做進一步的研究：
首先，在樣本指標的選擇方面，可以根據不同行業在財務指標方面的差異，加入行業調整變量以更加貼合不同企業的實際情況，提高預測準確率。
其次，在模型的構建方面，目前大部分學者的研究均為單純的運用一個模型進行實證分析，可以綜合模型的不同特點，組成模型組優化現有模型，提高模型的預測精度。
最后，在信息利用方面，可以充分利用現在先進的信息技術，運用各種技術來更新完善財務危機的動態系統，實時、準確的預測財務危機，避免企業陷入財務困境。
參考文獻
[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.吳世農，沈藝峰等譯.公司理[M].北京機械出版社，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]孫曉琳. 財務危機動態預警模型研究[M]，上海交通大學出版社，2011：3-56.
[6]顧曉安.公司財務預警系統的構建[J].財經論壇，2000（4）：65-71.
上市公司財務危機預警研究范文2
關鍵詞：企業集團 財務危機 預警指標 因子分析 Logistic方法
中圖分類號：F830 文獻標識碼：A
一、引言
企業集團是以一個實力雄厚的企業為主體，以產權、產品、技術、經濟、契約等為紐帶，形成的由多個成員企業組成的具有多層次組織結構的經濟聯合體，企業集團在我國經濟發展進程中具有舉足輕重的作用。由于企業集團成員企業之間存在的關聯性以及經營和管理的復雜性，財務風險是其所面臨的重大風險之一。因此，為增強企業集團抵抗風險能力，構建企業集團的財務危機預警模型具有十分重要的理論研究價值和現實意義。
國外就對企業財務危機預警的相關研究始于20世紀30年代初。例如Fitz P（1932）和Beaver W.H（1966）構建了企業財務危機預警的單變量模型[1]，Altman在1968和1977年分別提出了Z值判定模型和Zeta模型[2-3]，以Ohlson為代表的一些研究者采用條件概率模型對財務危機進行預警，包括Logistic模型和Probit模型等方法[4]。隨著研究的深入新的方法被引入，Kim H C（2002）以及Shin KS（2005）等運用支持向量機方法對公司財務危機預警進行了研究[5、6]。國外對財務危機預警的研究呈現多角化發展趨勢。國內關于企業財務危機預警方面的研究始于20世紀80年代末，主要針對一般性企業的財務預警問題展開的研究[7-14]。迄今為止，國內外針對企業集團財務危機預警方面的研究還十分鮮見。本文以滬深A股企業集團上市公司為研究對象，將財務危機企業集團界定為因財務問題而被特別處理即被ST的企業集團。本文第二節在基本財務指標基礎上引入企業集團的3類特征指標和6類公司治理類指標建立了由28個指標構成的財務危機預警指標體系。第三節對預警初始變量因子分析提取出公因子作為預警變量。鑒于Logistic回歸方法的自變量不用服從多元正態分布的假設使其有更廣的適用度和其運用的成熟度，本文在第四節中選取Logistic回歸方法構建預警模型，對預警指標體系進行了檢驗。
二、預警指標與研究樣本
（一）預警指標選取
企業財務危機是由初步萌生到程度惡化的過程，且其財務危機的跡象都將直接或間接地在一些敏感性財務或非財務指標的變化上反映出來[15]。本文根據預警指標滿足客觀性、完整性、可操作性和敏感性的原則，選取這些敏感性指標作為預警財務危機的預警指標。除了選擇五大類基本財務指標之外，本文根據企業集團規模龐大、涉及行業較多、投資多元化以及關聯交易頻繁等特征，以及結合國內外對公司治理與財務危機關系的研究，在五大類基本財務指標基礎上引入企業集團特征指標（關聯交易次數，關聯交易金額占總資產比重以及涉及行業個數）和6個公司治理類指標，共選擇28個初選指標構建出企業集團財務危機預警指標體系（見表1）。并為了進一步分析引入的特征指標和公司治理類指標對預警模型的作用，根據預警指標體系劃分了三類預警初始變量：一是在企業集團基本財務指標基礎上引入特征指標和公司治理指標的預警初始變量；二是僅引入特征指標的預警初始變量；三是僅含基本財務指標的預警初始變量。
（二）樣本選取
本文選取了2004年至2010年被“ST”的企業集團和根據研究期間一致、行業類型相同或相近、資產規模相當和上市時間接近的原則與其配對的財務正常的企業集團各50家，其中剔除由于數據嚴重缺失或不合理的公司以及兩年內就被“ST”及因其他狀況異常而被“ST”的公司，研究樣本共計100家。其中把2004年至2007年的70家樣本作為模型估計樣本，2008年至2010年的30家樣本作為模型檢驗樣本。
由于證監會對上市公司進行“ST”處理的依據為最近兩個會計年度審計結果顯示的凈利潤均為負值，所以本文采用的數據為企業集團上市公司被“ST”前三年的會計年度的數據。本文的研究數據來源于國泰安數據庫和CCER數據庫。
三、預警初始變量的分析處理
（一）預警初始變量的因子分析
本文為了去除預警初始變量間的相關性和減少預警變量個數便于模型的構建，分別對三類預警初始變量進行因子分析，以提取的公因子作為預警變量。
通過因子分析，對三類預警初始變量分別提取出10個公因子F1、F2、F3、F4、F5、F6、F8、F9、F10，7個公因子F1*、F2*、F3*、F4*、F5*、F6*、F7*和6個公因子F1**、F2**、F3**、F4**、F5**、F6**，其累計貢獻率分別為76.21 %、75.43 %、75.1%。進一步對其因子載荷矩陣進行旋轉，這三類公因子反映了企業集團盈利能力、償債能力、營運方面能力、現金流量能力和發展方面的情況，同時在關聯交易、行業規模和公司治理方面都有不同程度的反映。
（二）預警變量的統計性描述
本文以提取的公因子作為自變量，在構建模型前，先對三類變量進行描述性統計，檢驗財務危機與財務正常的企業集團在發生財務危機之前，財務狀況是否就存在著顯著差異。采用t檢驗比較均值差異，統計結果見表2、表3和表4。
從表2、表3和表4可知：顯然對ST企業集團上市公司與財務正常的企業集團而言，三類財務危機預警變量的t檢驗都存在著顯著差異，說明在企業集團陷入財務困境之前，財務危機企業集團在財務狀況上就與財務正常的企業集團存在著顯著的差異。因此，這些公因子包含著預警財務困境的信息，因此可以運用這些因子建立預警模型。
四、基于Logistic回歸方法的財務危機預警模型構建與檢驗
本文以由因子分析得到的公因子作為預警變量，因變量f為二元變量，對三類樣本進行Logistic回歸，回歸分析結果見下表5、6和7。三類因子變量在5%的置信水平下均較顯著，說明它們有顯著的解釋能力。三類財務危機預警模型分別見下式：
將檢驗樣本代入所構建的模型，計算f值。選取0.5作為財務危機發生的臨界值，當f＞0.5時，判定該企業集團為財務危機企業；當f＜0.5時，判定該企業集團財務狀況正常。檢驗結果見表8。
五、結束語
本文在財務指標的基礎上引入企業集團特征指標和公司治理指標構建企業集團財務危機預警指標體系，并運用logistic方法建立企業集團財務危機的預警模型，進而對指標體系進行檢驗。從效果上看，預警準確度令人滿意，且引入企業集團特征指標和公司治理指標的預警準確率高于不引入的模型情況，說明企業集團的特征以及公司治理等指標包含了我國企業集團財務危機預警的大量信息。因此，本文所構建的企業集團財務危機預警指標體系具有重要的理論與應用價值。
資助項目：國家自然科學基金（項目編號：70971015）
[參考文獻]
[1]Beaver W.H.Financial Ratios as Predictors of Failure,in Empirical Research in Accounting:Selected Studies[J].Journal of Accounting Research,1966,5(7)：179-199
[2]Altman E.I.Financial Ratios:Discriminate Analysis and the Prediction of Corporate Bankruptcy[J].Journal of Finance,1968,6(9)：589-609．
[3]Altman E.I.Hadelman R.G.,Narayanan P.Zeta Analysis:A New Model to Identify Bankruptcy Risk of Corporations[J].Journal of Banking and Finance,1977, 9(1)：29-51．
[4]Ohlson J.A.Financial Ratios and the Probabilistic Prediction of Bankruptcy[J]. Journal of Operation Research,1980,9(15)：109-131．
[5]Kim H C,Pang S,Je H M,Kim D,Bang S Y.Pattern classification using support vector machine ensemble[C].16th International Conference on Pattern Recognition (ICPR’02).2002,(2):278-289
[6]Shin KS,Lee TS,Kim HJ.An application of support vector machines in bankruptcy prediction model[J].Expert Systems with Applications.2005, 1(23):127-135
[7]周首華,楊濟華,王平.論財務危機的預警分析-F分數模式[J]. 會計研究,1996,8(6)：8-11．
[8]陳靜.上市公司財務惡化預測的實證分析[J].會計研究,1999, 4(9)：31-38．
[9]陳曉,陳治鴻.中國上市公司的財務困境預測[J].中國財務與會計研究,2000,3(9)：7-15．
[10]肖智,張志恒,黃海生.粗糙集理論在財務危機預測中的應用[J].決策與參考,2004,3(7)：48-53.
[11]熊志斌.運用遺傳神經網絡模型對我過上市公司財務危機的預測[J].決策與統計,2008,14(3)：32-34．
[12]楊毓,蒙肖蓮.用支持向量機(SVM)構建企業破產預測模型[J]. 金融研究,2006,10(1):65-75
[13]宋新平,丁永生.基于最優支持向量機模型的經營失敗預警研究[J].管理科學,2008,21(1):115-121
[14]董霞.基于公司治理結構的上市公司財務危機預警機制研究[J]. 商業經濟,2010,11(9): 82-85
上市公司財務危機預警研究范文3
根據國外公司法或者國外研究人員的定義，財務危機是指企業由于經營失敗而沒有能力支付到期債務。以下事項只要滿足一項就表明企業經營失敗，即：破產，債券違約，透支銀行賬戶，無法支付優先股股利。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，本文將發生財務危機的企業定義為中國證券監督管理委員會（證監會）設定為“特別處理”的企業，通常在資本市場中這類企業的股票代碼前冠以“ST”符號以示區分。
基于現有的各類財務指標，構建一個財務危機預警的數學模型，用于提示企業發生財務危機的可能性有很多現實意義。建立與企業實際發展狀況相符的財務危機預警模型有利于投資者做出更加理智的投資決策，有利于企業管理者更好地理解企業財務狀況以提高管理水平，有利于銀行和其他債權人更好地評估企業的債務違約風險，有利于政府監管部門更有針對性地監督上市公司，有利于審計人員更加高效地審計上市公司等等。
二、選擇樣本
失敗企業的篩選：
在第一部分，將“ST”企業定義為經營失敗的企業，數據來自于上海證券交易所和深圳證券交易所網站。由于有些失敗企業數據缺失，最終篩選出2005年的55家“ST”企業。為了將模型適用于各類企業，這55家“ST”企業來自各行各業，有制造業、建筑業、交通運輸業等。資本市場中，大部分企業使用統一的會計制度，但是金融保險業上市公司使用其專有的會計制度，因此，本文挑選的55家“ST”企業不包括金融保險業上市公司。
非失敗企業的篩選：
非失敗企業的篩選按照以下步驟進行：（1）查找“ST”公司的行業類別代碼；（2）在該類行業中，篩選出和“ST企業”資產規模最接近的企業；（3）如果篩選出的企業是非失敗企業，則采用；（4）重復以上步驟，直到篩選出與失敗企業同樣數量的非失敗企業。
表 失敗企業和非失敗企業的來源與數量 單位：家
三、選擇財務指標
目前，通過哪些財務指標來判斷企業是否遇到了財務危機沒有一個統一的標準，而且僅僅通過若干個財務指標來描述企業的經營狀況是很困難的。本文在前人研究經驗的基礎上，初步篩選出反映企業總體狀況的六個方面的15個財務指標，這六個方面分別是短期償債能力，長期償債能力，盈利能力，資產管理能力，主營業務盈利能力和增長能力。篩選的15個財務指標來自2005年12月31日的資產負債表，主要有流動比率，速動比率，現金比率，產權比率，已獲利息倍數，現金收入比率，總資產收益率，凈資產收益率，存貨周轉率，應收賬款周轉率，總資產周轉率，主營業務利潤率，資本保值增值率，凈利潤增長率，總資產增長率。
在建立預測模型之前，首先要在15個財務指標中找出與企業被“ST”最相關的指標。在Rapidminer 6.1中，使用相關矩陣測算財務指標與“ST”之間的關系。通過計算，除去流動比率（相關系數為0.03
圖1
使用Rapidminer 6.1的相關矩陣函數計算找出與企業被“ST”最相關的財務指標，軟件中使用的模塊和連接如圖中所示。
圖2
展示了13個財務指標分別與企業被“ST”之間的相關系數，運行結果顯示，財務指標X1（流動比率）和財務指標X3（現金比率）與“ST”的相關系數小于0.05，表明他們之間的相關性小，因此剔除這兩個財務指標。
四、實驗過程
神經網絡的建模過程如圖3、圖4所示，圖5表示的是預測的準確率。
圖3 主要處理過程
將待處理數據和SPLIT函數模塊拖入主界面，將兩個模塊連接，SPLIT函數模塊的作用是將待處理數據隨機分割成兩部分，設定分隔系數是0.7，即70%的財務數據用作訓練數據，30%的財務數據用作檢驗數據。
圖4
將導入主界面的全部數據中的70%，即導入77家上市公司的財務數據，使用神經網絡模型進行訓練，訓練完成的神經網絡模型用于對剩余30%的數據即33家上市公司的財務數據進行預測，預測這33家上市公司中失敗企業（即“ST”上市公司）的數量和非失敗企業（即正常上市公司）的數量。
圖5
訓練后的神經網絡的預測結果：93.33%的原“ST”企業被預測成功，88.89%的原正常企業被預測成功，總體預測精度達到90.91%。
上市公司財務危機預警研究范文4
（一）理論意義
1、簡化復雜問題。上市公司的財務報告及其附注等會計資料為會計信息使用者提供了大量的財務和非財務信息，但是面對包羅萬象的海量信息，很多信息使用者尤其是非專業人士會無所適從。通過編制財務危機預警指數對這些海量信息加以相應整理，將龐大的數據內容和非財務信息標準化后的結果歸納總結為一個簡明的財務危機預警指數，從而有助于外部投資者、債權人，尤其是公司管理者更快捷、更深入地掌握上市公司的財務狀況，及時預知財務危機的征兆，做出科學有效的財務決策。
2、拓展會計信息。理論來源于實踐并服務于實踐，但是會計理論研究注重研究會計信息的生成，忽視會計信息使用；會計實務中注重單純地提供會計信息，忽視會計信息的再加工及其分析使用。使用會計信息是會計信息生成的最終目的，在使用會計信息的過程中又可以發現會計信息生成的不足，從而有的放矢對會計信息進行再加工和分析使用，以便進一步增強會計信息的有用性，這樣又有利于會計信息的合理使用與準確分析。財務危機預警指數是對不同公司、不同時間、不同指標的三維信息的匯總加工，是為了預防財務危機、控制財務風險而對使用會計信息的進一步拓展深化。
3、豐富危機管理理論。危機管理產生于上世紀八十年代初，主要研究公司對于各種危機事件的事前、事中和事后的應對措施及其管理，以避免和減少危機產生帶來的危害，努力將損失降到最低。目前，許多公司已經在內部推行了危機管理，財務危機預警正是對公司財務危機的預測和監控，是危機管理的重要措施之一。財務危機追根溯源因財務風險所引發，因此正確識別公司所面臨的財務風險并加以防范和控制是進行財務危機預警研究需要考慮的根本問題。財務危機預警將公司內的各種逆境現象，作為一個相對獨立的活動過程來考察，在分析財務逆境與財務危機現象的形成機理與內在特性的基礎上，提出提前預報與預控的原理與方法，建立用于監測、評價、預報公司財務逆境現象與危機現象的預警指標體系，努力做到有效預測和監控財務風險，減少或避免財務危機的發生。因此，可以說財務危機預警理論豐富了危機管理理論。
（二）實踐意義。上市公司財務危機預警指數的最基本功能不容置疑是實時預警，即根據財務危機預警指數反映的公司財務危機信息，對未來財務狀況的發展趨勢進行預測并適時發出預警信號。尤其是在瞬息驟變的激烈競爭環境中，現代上市公司若想生存、發展和獲利，勢必實時關注財務狀況，預防財務危機的發生。因而，財務危機預警指數體系可以被廣泛應用于政府及相關部門宏觀層面以及上市公司本身及其利益相關者微觀層面，在不同領域發揮作用。
1、有利于宏觀經濟政策的制定及實施。財務危機預警不僅直接或間接影響到企業是否能得以持續生存、發展和獲利，而且波及社會穩定、經濟發展、產業結構升級等方方面面。通過財務危機預警指數，政府及相關部門可以明確我國不同行業、不同地區的上市公司是否存在財務風險及財務危機發生的可能性，據此制定相應政策協調各方關系，減少或避免財務危機帶來的直接和間接損失，維護社會穩定、優化資源配置、調整產業結構；另一方面，財務危機預警指數體系也是政府宏觀經濟政策實施的反饋體系，財務危機預警指數的靈敏變動能夠及時反映政府及相關部門制定的財政金融等宏觀經濟政策對上市公司整體和各行業、各地區所造成的影響，從而為政府及相關部門及時了解政策執行情況提供了路徑。
2、有利于上市公司自我診斷。上市公司根據編制的財務危機預警指數綜合排名，或者通過橫向比較某一時期的財務危機預警指數，找尋自身與上市公司之間的差距，了解在各行業、各地區中的競爭地位，做好客觀有效的定位。上市公司也可以依據財務危機預警指數，持續跟蹤、監控公司的財務活動全過程，比較不同時期本公司財務活動運行軌跡，分析自身財務安全并預警潛在風險，找出危機源頭，有針對性地采取措施以減少或避免損失，以更好地實現可持續發展。
3、有利于投資者和債權人等利益相關者做出財務決策。通過對綜合財務危機預警指數的動態分析，投資者和債權人能更有效地判斷上市公司的財務狀況與潛在投資價值。而對個股的財務危機預警指數橫向比較分析，又有助于其做出理性的投資決策；投資者理性投資，又會促使整個股票市場走勢趨于理性，降低股市的非理性波動。一套高效的財務危機預警體系，可以為投資者及債權人等利益相關者提供多維度的財務信息，提供一種間接評價公司經營業績的尺度，有助于投資者和債權人等利益相關者樹立正確的理財理念，做出科學的財務決策。事實上，正是投資者、債權人等利益相關者對公司財務危機預警的強烈要求推動了該項研究的飛速發展。
二、編制財務危機預警指數應的遵循原則
編制財務危機預警指數必須明確引發財務危機的財務風險的特征：全過程性、系統性和連續性等，因此有必要對財務風險進行持續、全面的多層次多角度的監控，在構建財務危機預警指數時必須堅持和遵循一定的原則。
（一）科學性原則?？茖W選取預警指標是編制財務危機預警指數的重要環節?？茖W性原則主要體現在理論依據的正確性、指標體系的完備性和可信度、權重確定的準確性和預警模型的邏輯嚴密性等方面，將理論與實踐有機結合，在理論上要站得住腳，同時又能反映預警對象的客觀實際情況，抓住最重要的、最本質的和最有代表性的東西。對客觀實際抽象描述得越清楚、越簡練、越實際，科學性就越強。
（二）可預測性原則。在財務危機預警指數的構建過程中，通常是在傳統的以面向過去為主體的財務報告等財務信息中，增加對未來期間財務信息的加工統計和總結歸納，使政府及相關部門、上市公司本身以及以投資者、債權人為主導的利益相關者能夠通過深入分析財務危機預警指數，對未來上市公司財務狀況的發展趨勢以及面臨財務危機的可能性做出相應的判斷。
（三）現金流量至上原則?，F金流是公司發展的血液，決定公司的興衰存亡，是制約公司財務活動的首要因素，是政府及相關部門、經營管理者、投資者和債權人等關注的焦點，更重要的是現金流量難受“會計戲法”的影響，難以人為操縱，能夠更客觀更權威地反映公司財務狀況，因此現金流量原則對于預警財務危機而言具有“至高無上”的重要性。
上市公司財務危機預警研究范文5
關鍵詞：創業板；預警模型；logistic模型
我國于2009年新開板的創業板市場，關于財務預警的研究因為樣本少、無評判創業板公司危機或健康的標準等原因，我國學者對它的研究尚少。但是創業板上市公司在現今經濟環境下危機重重，有必要建立有效的財務預警機制，加強對企業的有效監控，將財務危機消滅于萌芽階段。
一、樣本選取
（一）本文對財務危機的界定
本文在前人沒有對創業板公司財務危機界定標準的前提下，為解決界定標準問題欲參考2012年5月1日正式實施的創業板退市制度來衡量創業板上市公司是否陷入財務危機。理由如下：第一，創業板暫時無破產，破產為標準不可行；第二，我國創業板上市公司沒有ST制度，ST作為公司財務危機的標志并不可行。第三，創業板退市制度的頒布，給了評價創業板上市公司財務危機一個官方認可的標準。
（二）樣本選取
公司財務危機預警的研究中，我們通常將樣本公司分為兩大類，財務危機公司和財務健康公司，因為公司財務危機預警模型的主要作用是將財務狀況未知的公司在這兩類中進行劃分[1]。本文危機公司樣本數據來自新浪財經網和wind資訊，健康公司數據來自國泰安數據庫。
1.危機公司樣本選取。2012年5月1日起施行的《深圳證券交易所創業板股票上市規則》。新浪財經網相關新聞和wind資訊統計出以下23家處于財務危機邊緣的公司本文，整理了這23家公司處于退市危險的原因及其對應的退市條件，以此作為危機公司樣本，本文對創業板退市制度的解讀與使用，解決了以前創業板內沒有評判財務危機公司和健康公司標準的問題。
2.健康公司樣本選取。由前述已經選出23家危機公司樣本，本文根據配對原則，也選出23家財務健康公司，財務健康公司選取的范圍為所有創業板上市公司（扣除23家財務危機公司），本文的財務健康公司的選取是根據年份和公司規模來一一配對的。
二、指標體系建立
（一）財務指標體系的建立
我國學者也有少量研究創業板上市公司財務危機模型的文章，但是他們大多局限于前人在主板市場上的研究成果，簡單的選取主板財務危機研究中預警效果較明顯的財務指標，套用于創業板上市公司財務危機模型的研究上，本文試圖打破這樣的格局，嘗試從大量的涉及各個角度的財務指標中，選出真正適合我國創業板上市公司財務危機預警模型構建的財務指標。最終本文選取的財務指標描述了公司財務狀況的各個方面，包括長期償債能力、短期償債能力、發展能力、風險水平、股東獲利能力、現金流量能力、盈利能力、營運能力，8個方面。
（二）公司治理指標體系的建立
為更全面的衡量公司經營狀況，本文在引入財務指標的同時，也引入了公司治理變量，以期望更好的預測公司的財務危機[2]。本文的公司治理變量基于前人研究的基礎上選擇，同時也參考了國泰安數據庫中可提供的公司治理變量數據，共選出了16個公司治理變量，其中技術開發人員比例這一指標是本文新增加的一個公司治理變量，因為創也板上市公司多為高新技術企業，公司是否具備獨立創新能力關系著公司的長遠發展，增加這一指標正是用于衡量公司的創新能力。
三、模型建立
（一）多重共線性檢測
在進行模型構建之前，一般先對樣本數據進行多重共線性檢驗，因為在進行財務危機預警研究時，本文使用的logistic模型會受到變量的多元共線性的影響。
本文選擇的變量共86個，經由SPSS18.0的運行下表選出變量39個，全部變量的容忍度在0.1以下，全部變量的VIF在10以上，VIF最高的值達到106.853，VIF最低的達10.037到由此仍說明本文所選的自變量有39個相互之間有存在較為嚴重的多重共線性。本文選擇的變量之間雖然存在多重共線性情況，但并不代表這些變量對于因變量的解釋能力有問題，故本文為解決自變量之間的多重共線性問題，將選用逐步回歸模型對此問題進行解決，從而建立自變量對因變量的最優模型。
（二）logistic模型建立
管理費用率 = 管理費用/營業收入，是盈利能力指標中的一個。管理費用率的系數為正，并且指標顯著，與財務危機發生概率正相關，這表示如果創業板上司公司的管理費用在營運收入中的比重過高，會導致該公司的盈利能力下降，企業財務危機的可能性加大。
營運指數 = 經營活動現金凈流量/經營所得現金，營運指數反映的是企業現金回收的質量，在本模型中，該指標的系數為負，并且指標顯著，表示該指標越大，企業發生危機的可能性越小，財務管理理論中該指標的理想數值為1，小于1說明公司有部分收益沒有以現金的形式收回，非現金形式的收益比現金形式的收益對企業的風險要大，故營運指數越小，企業財務危機的可能性也越大。
董事、監事及高管前三名薪酬總額，該指標前系數為負，并且指標顯著，表示模型中這個指標與公司財務危機發生概率成負向關系，這一指標衡量的是薪酬制度對于公司董事、監事、高管等的激勵作用是否有效，模型指標顯著且為負，表示在我國創業板上市公司給予高管、董事、監事高的薪酬可以激勵他們更好的履行自己的職責，高管和董事能更好的合作經營公司，監事能更好的起到監督作用。
（三）模型有用性檢測
新模型是否真的實用、合理，還需通過不在模型中的新樣本來檢驗。本文共找出來46個樣本公司，只用了42個樣本公司來模擬新模型，新的4個樣本公司將用來對模型進行檢驗。將指標數據運用EXCEL，計算可得實際組分類與預測組分類是一樣的，即模型用新樣本對logistic模型進行檢驗的正確率為100%，因此得第二個模型的實際適用性是很高的。
本文的研究主要存在以下幾個方面的局限性，這也是后續研究應當努力解決的問題：
第一：創業板開板為2009年，至今仍只有5年時間，時間上過于短暫使得本文只能找到創業板上市公司發生危機的前一年的數據，只能對創業板公司發生危機的前一年進行分析，研究仍不完善。
第二：本文雖通過對創業板退市制度進行分析得出了23家觸犯創業板退市制度的公司作為財務危機樣本企業，但是23家這個數據仍太少。（作者單位：華南農業大學珠江學院）
參考文獻：
上市公司財務危機預警研究范文6
文章選取我國制造業2014年4月滬深股市的61家ST公司和61家非ST公司為研究樣本，運用熵權法，篩選出10個包含信息量多，并能準確預警的指標，通過這10個指標建立“因子分析”模型進行定量分析，得到財務危機預警函數（即為ST與非ST的判別函數），最后將測試組中60家公司的數據回代到預警函數中檢驗其判別率，判別率達到81.67%，具有較高的的判別正確率，說明文章建立的財務預警系統對于上市公司財務危機的預測與防范起到一定的作用。
關鍵詞:
財務預警；熵權法；因子模型；判別函數
一、引言
（一）建立財務危機預警的意義制造業是我國國民經濟的支柱產業，是我國經濟增長的主導部門和經濟轉型的基礎，是經濟社會發展的重要依托，更是我國城鎮就業的主要渠道和全球產業鏈的重要組成部分。在全球競爭條件下，我國制造業上市公司面臨來自多方面的壓力，尤其金融危機的影響，使得我國制造業上市公司陷入到財務風險和破產危險的可能性急劇上升，這不僅會對利益相關者造成損失，更會制約資本市場的穩定發展。故我國制造業上市公司要持續發展，必須警惕危機，正視危機，在經營活動中設立財務預警系統，進行經常性的分析和診斷。因此，本文將在對國內外有關財務預警研究的理論及模型的歸納、整理和評述的基礎之上，來分析我國制造業上市公司財務預警研究的現狀，以我國制造業上市公司為研究樣本，構建財務預警指標，建立財務預警模型。
（二）國內外文獻述評國外對財務預警的研究要早于國內，早在20世紀30年代國外學者就已開始了對財務預警的研究，歷經了從單變量分析到多變量分析的過程。我國起步于20世紀80年代中后期，1986年吳世農、黃世忠首次介紹了企業破產的分析指標和預測模型。1990年佘廉等人從事了企業預警研究，并于1994年發表文章對企業預警管理進行了系統分析。直到1996年以后，才陸續出現以企業財務數據為基礎而建立的財務危機預警模型，并逐漸發展起來。單變量預警模型是指以某一項財務指標作為判別標準來判斷企業是否處于破產狀態的預測模型。財務預警研究最早就開始于1932年Fitzpatrick用統計方法開展的單變量破產預測研究。在眾多預測公司財務危機困境的多變量模型中，最早亦最著名的當屬美國紐約大學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年國內學者周首華、楊濟華對Z計分模型進行修正，提出了F分數模型。1999年國內學者陳靜運用單變量分析方法和多元線性判別分析方法分別建立財務預警模型，并將兩種財務預警模型進行比較研究。2003年楊淑娥在Z-score模型的基礎上，通過運用統計學中的主成分分析法，構造了Y分數模型，該模型在用于財務預警檢驗的回判準確率大致為86%。
二、樣本、指標的選取
（一）樣本的選取本文在樣本的選取上是根據2014年4月滬深股市公布的所有ST公司（根據1998年實施的股票上市規則，將對財務狀況或其它狀況出現異常的上市公司的股票交易進行特別處理(specialtreat-ment，簡稱ST)，其中ST股是指境內上市公司連續二年虧損，被進行特別處理的股票，*ST股是指境內上市公司連續三年虧損的股票）共90家中，抽取了本文需要研究的制造業中的61家公司，并根據同行業，同時期，規模相當（即非ST公司與相對應的ST公司的期末資產總額相差不超過150%）的配對原則，選取了61家與之相對應的非ST公司，共122家上市公司作為研究對象。只有在滿足上述配對原則的情況下才使得研究樣本之間具有可比性，分析更趨合理性，結果更具科學性。
（二）指標的選取本文指標數據主要來源于和訊財經網以及大智慧投資軟件，通過數據的整理，剔除了個別的缺失值和特大異常值，并根據以下原則選取16個財務比率基礎指標：1．全面性，在系統的構建中，所考慮納入的指標應能全面揭示企業的財務風險，且各指標間具有較強的互補性。2．可比性，選取指標時，應注意評價指標口徑范圍和計算方法的縱向可比和橫向可比原則。3．同趨勢性，即是指標正向化，當財務比率增大時，表示財務狀況的改善，反之財務比率減小時，表示財務狀況的惡化。4．可獲得性，采用上市公司財務報告披露的數據是可以獲取的（和訊網、大智慧軟件等）。指標體系具體如表1所示。以上財務比率指標體系，可以對上市公司的財務狀況做出較為完整、客觀的評價。但為了選取對ST公司和非ST公司區分能力強，包含信息多，權重更大，能準確預警的指標，下面采用“熵權法”對這16個指標進行篩選。
三、基于“熵權法”篩選財務指標體系模型
（一）本模型利用“熵權法”的基本原理本模型利用估計組中61個ST與61個非ST公司共16個財務基礎比率指標，這些指標經過標準化，歸一化處理后變成一個評價矩陣，計算出每個指標的信息熵，信息熵越大表明該指標有序程度越高，即該指標在該指標體系中差異小，信息熵越小表明指標在該指標體系中差異大，則該指標對于財務危機的預警這一決策起到的作用較大，可以被選用作為財務危機預警指標。
（二）指標的正向化和標準化設有n個公司，p個財務指標。為了模型研究的需要（即盡可能使每種能力中有一兩個熵權大的指標來反映公司的財務狀況），取閥值為0.015，當熵權大于0.015時則選入該研究指標體系，當熵權小于0.015時則退出該研究指標體系，通過比較得出最后的指標體系如圖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盡量減少信息丟失的前提下，從眾多指標中提取出少量的不相關指標，然后再根據貢獻率定以權重，進而計算出綜合得分，其計算結果更為準確、客觀、操作性比較強。因子分析中有多種確定因子變量的方法，如基于主成分模型的主成分分析法、極大似然法、最小二乘法等，本文選取的是基于因子分析模型的主軸因子法。本文根據估計組中61家ST公司和61家同行業、規模相當的非ST公司作為樣本，以“熵權法”篩選后的10個包含信息多，重要性更大的財務指標為基礎建立的指標體系進行因子分析，最后得出因子綜合得分函數—財務危機預警判別函數，并通過估計值綜合因子得分值的排名表求出ST與非ST的分割值，作為判別公司財務與否出現危機的預警值，最后再選用測試組的樣本進行回代，檢驗判別函數的判別正確率，從實證分析的角度為財務危機預警系統方法方面進行了初步的探討。
（二）因子分析的求解過程下面對熵權篩選后的10個指標正向化后的數據（逆指標的正向化公式為yj=1-xj）通過統計分析軟件SPSS17.0的運行，KMO檢驗和Bartlett檢驗的結果如表3所示。通過表3可以看出，KMO值為0.744，大于0.5；Bartlett檢驗的卡方統計量為1019.591，相伴概率為0.000，在給定0.1%的顯著水平下，拒絕各指標變量的相關矩陣是單位陣的假設，即兩種統計檢驗方法都揭示指標變量之間是高度相關的，因此適合作因子分析。求得變量的樣本相關陣R的特征值λi，前m個因子方差貢獻率如下表根據累積方差貢獻率須大于85%的原則，由上表可看出前5個公因子的累積方差達到88.81%，這5個公因子包含88.81%的信息，確定以5個公因子做因子分析。初始因子載荷陣B0m，進行方差最大化旋轉，求得旋轉后的因子載荷陣BΓm，使得旋轉后各因子載荷陣的各元素按列向0或1兩級分化（初始因子載荷陣，旋轉后各因子載荷陣，0~1分化表如表5）。根據以上矩陣運算得出61家ST跟61家非ST公司的因子F1，F2，F3，F4，F5的因子得分值，因子命名見表6。通過EXCEL對以上61家ST公司和61家非ST公司財務比率指標的綜合因子得分值進行排名，取這61家公司的得分值的中位數作為本模型區分ST與非ST的分割值PS-財務危機預警值，通過得分排名可看出在第31與32位的公司的綜合因子得分值分別為1.332，1.266，本模型取這兩個數的平均值作為本模型區分ST與非ST的分割值PS-財務危機預警值為1.299。本模型用了10個指標進行因子分析，其中資產負債率是逆向指標，所以當要求出一個公司的綜合因子得分值時，要先將公司的財務比率原始指標xij進行正向化，即資產負債率這個指標進行正向化（用yj=1-xj公式），然后將其正向化后的10個財務比率指標yij代入上面的判別函數中，若一家非ST公司的綜合因子得分值大于且接近于分隔值PS-預警值，則說明該公司應該啟動財務危機預警，調整經營戰略，改善公司的財務狀況，以避免被ST。
五、財務預警模型的檢驗
將測試組中60個ST跟60個非ST的10個正向化后的財務比率指標數據代入到上面的財務危機預警判別函數中，得到這60家公司10個指標的因子F1，F2，F3，F4，F5的得分值及綜合因子F綜的得分值。將以上得出的60家公司的綜合因子得分值F綜由大到小進行排名，若公司的綜合因子得分值大于分割值PS-財務危機預警值（1.299），該公司被判斷為非ST公司則說明判斷是正確的，若公司的綜合因子得分值小于分割值PS-財務危機預警值（1.299），該公司被判斷為ST公司則說明判斷是正確的。本研究中有4家ST公司的因子得分值大于分割值PS，錯誤判斷數為4個，有7家非ST公司的因子得分值小于分割值PS，錯誤判斷數為7，總的錯誤判斷數為11，則正確判斷有49家公司。判別率θ＝49/60≈81.67%檢驗結果顯示模型的判別率達到了81.67%。說明當一家上市公司將以上10個正向化后的財務比率指標代入判別函數中，若大于分割值，則我們有81.67%的把握性說此公司為財務不存在危機，若小于分割值，則我們有81.67%的把握性說此公司財務存在危機，此模型對于ST跟非ST公司的判別率達到了81.67%。
六、結論
1.本文基于61家ST與61家非ST公司的16個財務比率基礎指標，通過建立“熵權法”模型篩選出10個包含信息多，能準確預警的財務比率指標，接著利用“因子分析”模型求得估計組中61家公司的綜合因子得分值，并根據綜合因子得分排名確定ST與非ST分割值（即為財務危機預警值）及財務危機預警函數，最后將測試組的數據代入財務危機預警函數中，求得預警函數的判別率為81.67%，從而建立起了財務危機預警系統。
2.本文在進行“因子模型”分析的過程中用旋轉后的因子載荷陣及特征值求得每家公司的綜合因子得分值，結果更優，更準確，相對于其他論文用主成分法還有旋轉前的載荷陣及特征值得分的結果更能準確預警一家公司的財務狀況。
3.本文所選取的樣本具有合理性和全面性，根據行業分類和總資產規模進行配對選擇，模型中選取的財務比率指標具有較強的解釋能力，能較好辨別財務危機公司及非財務危機公司的區別，但是此預測模型結論的準確性還受到上市公司財務數據真實性的影響，我國部分上市公司仍然存在操縱會計利潤，粉飾財務報表的現象，故該模型的預測效果因此受到一定的影響。
參考文獻：
[1]吳世農,黃世忠.企業破產的分析指標和預測模型[J].中國經濟問題,1987(06).
[2]佘廉,張倩.企業預警管理的系統分析[J].中國工業經濟研究,1994(11).
[3]FitzpatrickDA.AComparisonofRatiosofSuccessfulIndustrialEnterpriseswithThoseofFailedFirms[M].CertifiedPublicAccountant,1932(04).
[4]AltmanEI.FinancialRatios,Dis-criminateAnalysisandthePredictionofCorporateFailure[J].TheJournalofFinance,1968(04).
[5]周首華,楊濟華,王平.論財務危機的預警分析———F分數模式[J].會計研究,1996(08).
[6]陳靜.上市公司財務惡化預測的實證分析[J].會計研究,1999(04).
[7]楊淑娥,徐偉剛.我國上市公司實證研究[J].中國軟科學,2003(01).
