前言：中文期刊網精心挑選了上市公司財務危機預警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范文1
關鍵詞：財務危機，預警模型，主成分分析，Logistic回歸
中圖分類號：F276.6 文獻標識碼： A 文章編號：1003－3890（2008）07－0024-03
一、文獻綜述
（一）國外財務危機預警模型的研究現狀
在20世紀60年代前影響最為廣泛的美國財務分析專家Beaver（1966年）提出了單變量判定模型。在財務危機預測研究中，美國紐約大學教授Altman做出了突出貢獻。Altman在1968年首次使用了多元判定分析（MDA）預測財務危機，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務危機進行預測。1977年，Altman，Haldeman和Narayanan在Z模型的基礎上又提出了一個更能準確預測企業財務失敗的新模型――著名的ZETA模型。Martin（1977）在財務危機預測研究中首次采用Logistic模型。1988年，Aziz，Emanuel和Lawson在財務危機的預警模型研究中，發展了基于現金流量預警破產的模型。1998年，Mossman.Bell，Swartz和Turtle在總結以前研究的基礎上，比較了財務指標模型、現金流量模型、市場收益率信息類模型，發現不存在令人完全滿意的區分破產和非破產的預測模型。除了線形判別模型和條件概率模型外，一些學者還用人工神經網絡系統模型和引用了期權定價理論對財務危機進行預測。
（二）國內財務危機預警模型的研究現狀
1986年，吳世農、黃世忠曾撰文介紹企業破產的財務分析指標及其預警模型。1996年，周首華、楊濟華和王平應用多微區分分析方法建立了F分數模型。1999年，陳靜對西方預警模型在中國是否適用進行了實證分析。張愛民、祝春山、許丹?。?001）借鑒Altman的多元Z值判別模型，建立了一種新的預測財務危機的模型――主成分預測模型。楊保安（2001）等針對判別分析方法在構建財務危機判別模型中存在的問題引入神經網絡分析方法并應用于企業財務危機判定與預測。吳世農、盧賢義（2001）應用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，分別建立三種預測財務危機的模型。張延波、彭淑雄（2002）指出，在建立風險監測與危機預警指標體系中，可考慮加入現金流量指標。劉洪、何光軍（2004）建立了Logistic回歸模型、Fisher判別模型和BP神經網絡模型，實證結果表明：BP神經網絡方法的預測精度遠高于其他兩種方法。李秉祥、啟文秀（2004）以現論和期權理論為依據，建立了公司財務危機的動態預測模型。譚久均（2005）建立了財務指標與違約距離相融合的上市公司財務預警模型。
二、實證研究
（一）研究樣本的選擇和變量的定義
本文主要針對文獻綜述中存在的問題，進行財務危機預警研究技術上的改進，探索性地在自變量中加入基于現金流量表的財務比率進行動態財務危機預警模型的構建。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。按照行業相同、資產規模相似等原則進行配對，找到對應的非ST公司作為參照樣本，以確保兩組樣本之間的相互可比性。在盡量擴大財務比率數目的同時，取前4年內的財務比率進行分析。實證中，本文最終建立的仍是Fisher判別分析和Logistic回歸模型。不過與前面學者研究過程不同的是，筆者先對樣本連續多年的多個財務比率進行主成分分析，提取多個完全正交的主成分，然后將這些主成分納入到模型中。整個處理過程既考慮了現金流的重要性，同時也克服了財務比率之間的多重共線性問題。
本文的財務數據來自Wind資訊、證券之星數據中心、全景證券網數據中心、巨潮資訊網以及聚源財務分析數據庫等（選取的研究樣本見表1）。
我們參考了國內外反映財務危機預警的既有指標，并考慮了指標數據獲取的難易程度，確定了反映和測度中國上市公司財務危機預警的指標體系，包括5個一級指標（償債能力、盈利能力、資產管理能力、成長能力和現金流量）和22個二級指標。
（二）財務指標的正態分布檢驗
本文利用SPSS中的K-S檢驗方法對基礎財務指標進行正態性檢驗。經過計算，中國的財務指標整體上并不符合正態分布，這一結果與國內外學者所得出的結論一致。因而兩類公司財務指標的顯著性檢驗不能進行t檢驗，而應當使用非參數檢驗的方法。通過非參數檢驗，我們發現在最初所選的22個基礎財務指標中，有17個財務指標在4年間通過了顯著水平為5%的顯著性檢驗。因此，本文初步選定通過顯著性檢驗的17個財務指標來建立預警模型。他們分別是反映償債能力的流動比率、速動比率、資產負債率、產權比率、利息保障倍數指標；反映盈利能力的主營業務比率、股東權益收益率、留存收益總資產比率、總資產利潤率指標；反映資產管理能力的應收賬款周轉率、總資產周轉率、存貨周轉率指標；反映成長能力的凈利潤增長率、資本積累率、總資產增長率指標；反映現金流量的現金債務總額比、現金獲利指數指標。
（三）主成分的計算
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行主成分分析，得到相應的主成分和初始因子載荷矩陣，根據初始因子荷載矩陣與特征值矩陣，計算出主成分系數矩陣，進而求得主成分的分值，得到5個主成分后，代入Fisher判別模型和Logistic回歸模型進行進一步分析。
（四）Fisher線性判別模型的建立
把財務危機公司劃分為組合1，非財務危機公司劃分為組合0，對上述72家上市公司的5個主成分進行Fisher回歸分析，可以建立分年度的財務危機預警模型（見表2）。
為了檢驗判別函數的效果，我們把數據分別代回去，得到財務危機前1~4年財務危機公司與非財務危機公司的判別和預測結果，判斷正確率逐年依次為：91.7%，86.1%，69.4%，66.7%。
（五）Logistic預警模型的建立
利用SPSS統計分析軟件，對上述72家上市公司的5個主成分進行Logistic回歸分析，可以建立分年度的財務危機預警模型（見表3）。
我們把財務危機企業和非財務企業危機前1―4年的數據代入模型，如果P值大于0.5，則判定企業為財務危機企業，如果P值小于0.5，則判定企業為正常企業。如此，財務危機企業和非財務危機企業財務危機前1~4年的判定正確率逐年依次為：91.7%，86.1%，69.4%，66.7%。
三、結論
總結本文的研究過程和結果，可以得到以下結論：
1. ST公司的大部分財務指標值在其被特別處理前4個會計年度內呈現出了逐漸惡化的趨勢，“ST”公司與非“ST”公司財務指標之間所呈現的差距逐漸加大，說明了“ST”公司財務狀況的惡化并非是突然發生的，從而使得財務危機預警不僅必要，而且成為可能。因而我們完全可以通過分析財務指標的變化來預測公司未來的財務狀況。
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務危機預警模型，結果表明這兩種模型可以提前4年預測財務危機。
3． 分析比較模型的預測效果，我們還發現財務危機預警具有一定的時間跨度，時間跨度與預測的準確程度成反比。一般情況下，時間跨度越長，財務危機預警的準確程度就越低，反之亦然。因此，在實際應用過程中，應根據需要和可能，適當規定財務危機預警的時間跨度，從而保證預測結果的可靠性和相關性。
4. 比較二種判定模型的效果表明，Logistic模型的判定準確性較高。
參考文獻:
［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，肖遠文，任若恩．Logistic違約模型的最優樣本配比與分界點研究［J］．財經研究，2005，（9）.
［5］吳世農，盧賢義．中國上市公司財務困境的預測模型研究［J］．經濟研究，2001，（6）.
［6］陳靜．上市公司財務惡化預測的實證分析［J］．會計研究.1999，（4）.
上市公司財務危機預警范文2
關鍵詞：財務危機；判別分析；logistic回歸分析
一、引言
財務危機預警就是利用定性或定量的方法通過對企業各財務指標進行檢測分析，來判斷企業是否偏離正常經營狀況，并根據偏離的程度發出財務警戒信號的過程，是企業對于可能發生的財務危機的一種防范措施。通過財務危機預警，企業可以在經營狀況出現異常的初期，及時發現企業存在的問題，采取措施解決問題，避免財務危機的發生給企業帶來的損失。
在以往的國內研究中，往往只注重考慮財務指標的選擇，而忽略了非財務指標的影響，在樣本選取方面，只注重強調ST公司，忽略了不同行業間各指標衡量標準的差別，沒有針對不同行業建立適合各自行業的專門的財務危機預警模型。
二、樣本選擇及指標選取
（一）樣本選擇
財務危機預警模型作為財務危機預警的有效手段，越來越受到廣泛應用。本文建立財務危機預警模型的樣本行業是制造業，截止2011年4月27日，在深圳證券交易所上市的1507只股票中，制造業股票就有1000只，在上海證券交易所上市的股票總數共有982只，其中制造業股票有502只。通過以上數據可以發現，制造業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，本文選取制造業上市公司作為研究對象，這樣可以避免不同行業上市公司之間行業差異對于數據的影響，還可以得到充分的樣本數據。
本文選取2009-2011年間首次被ST的制造業上市公司作為研究對象，按照同行業，相似資產規模為標準，選取與ST公司相配對的制造業非ST公司，ST和非ST公司共25對組成建模樣本，樣本涵蓋了制造業中的化工、醫藥、有色金屬、食品等多個行業。
上市公司是否被ST取決于它是否連續兩年虧損或每股凈資產低于股票面值，我國上市公司t-1年的年報是在第t年年初披露的，這與上市公司在第t年是否被ST幾乎是同一時間發生的，即在第t-1年年報披露時已經知道了上市公司是否被ST，因此選用上市公司t-1年的數據預測第t年是否被ST就失去了實際意義。因此本文選取上市公司被ST前兩年的數據作為研究對象，即2009年被ST的上市公司選取其2007年的數據，2011年被ST的上市公司選取其2009年的數據作為建模樣本的數據來源。
（二）指標選取
本文從財務指標和非財務指標兩個方面對模型構建指標進行選取，選取的指標要能準確反應上市公司的經營狀況，財務成果等眾多方面，而且要可以計量和方便獲得。根據以上原則和國內外的研究成果，本文從償債能力、盈利能力、營運能力、成長能力、現金流量五個方面選取17個財務指標，從審計意見、股權集中程度，公司治理等方面選取6個非財務指標構成分析的基礎。
（三）非參數檢驗
為了判斷上述23個指標是否是與企業財務危機的形成有關的指標，本文采用wilcoxon秩和檢驗的方法來檢驗指標是否在ST組與非ST組之間具有顯著差異。Wilcoxon秩和檢驗適用于樣本容量小，不依賴于正態總體假設的數據樣本差異性的檢驗，檢驗過程通過spss19.0統計軟件完成。Wilcoxon秩和檢驗的原假設為指標在ST公司和非ST公司之間沒有顯著差異性，檢驗的顯著性水平為0.05，當漸進顯著性的值低于顯著性水平時，則拒絕原假設即指標在ST公司和非ST公司間具有顯著差異性。反之，指標在ST和非ST公司間不具有顯著差異性。X8（存貨周轉率）、X9（應收賬款周轉率）、X17（銷售現金比率）、X19（第一大股東持股比例）、X20（最終控制人類型）、X21（董事會規模）、X22（董事會持股比例）、X23（獨立董事比例）的漸進顯著性的值都大于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，在構建模型的指標中予以剔除。
三、模型建立和檢驗
（一）逐步判別分析模型
根據逐步判別分析結果可以看出，15個變量中只有5個變量進入了模型，他們分別是X6（每股收益）、X3（資產負債率）、X14（總資產增長率）、X12（營業收入增長率）、X18（審計意見類型）。財務正常公司的線性判別式函數為：
Z=-6.930+0.107X3+4.352X6-0.009X12-0.056X14+7.169X18
財務危機公司的線性判別式函數為：
Z=-10.373+0.224X3-1.620X6-0.049X12-0.140X14+4.158X18
對于每一個觀測利用上述判別函數計算其屬于各類的得分，并將觀測歸入得分最高的一個類別，以實現對觀測的分類。
分類結果給出了判別的準確性，根據分類結果可以看出直接用15個指標作為變量建立的逐步判別分析模型的準確率為92%，ST組樣本和非ST組樣本中都有兩個樣本分類錯誤，有23個分類正確，說明直接用15個指標建立的判別分析模型能較準確的對企業財務危機進行預測。
（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：
根據典型判別式函數系數表可以得到典型判別式函數：
Z=0.912F1+0.553F2+0.524F3+1.074F4+0.681F5
分類結果表給出了典型判別函數判別效果，此判別模型分類的準確率為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生財務危機的概率，以判斷企業是否會發生財務危機，對企業財務危機進行預警。二元logistic模型為：
P為企業發生財務危機的概率，P>0.5時企業表現出財務危機，P
（四）模型的檢驗
為了更好地檢驗模型的準確性，本文另外選取了制造業上市公司25家作為驗模樣本，其中選取ST公司10家，非ST公司15家，通過將數據代入上述三個模型，分別得到分析結果如下：
（1）逐步判別分析模型檢驗結果。模型的分類準確率為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個檢驗指標作為變量建立的判別分析模型能有效的對企業財務危機進行預測。
（2）基于因子分析的判別分析模型檢驗結果。模型的分類準確率為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，模型的準確度還是較高的，可以對制造業上市公司的財務危機進行有效預測。
（3）logistic回歸模型檢驗結果。logistic回歸模型的準確率為92%，15家非ST公司全部預測正確，10家ST公司中有2家預測錯誤，分類準確率為80%。Logistic回歸模型能較準確的實現對企業財務危機的預警。
通過上述三個財務危機預警模型的檢驗可以發現，無論是直接用檢驗指標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作為變量建立的判別分析模型，還是logistic回歸模型都能實現對企業財務危機的有效預警，通過兩個判別分析模型的分類準確性比較可以發現，基于因子分析建立的判別分析模型比直接用初始指標作為變量建立的模型的準確性略高，比較三個模型的準確性表明logistic回歸模型的準確率相比兩個判別分析模型都有所提高，logistic回歸模型的準確性更好，而且logistic回歸模型不但能判別企業是否會發生財務危機，還能得出企業發生財務危機的具體概率，使得企業對于其可能發生的財務危機有了量化的認識。Logistic回歸模型在對企業財務危機預警的實際應用中比判別分析模型更具有實際價值。
四、結論
本文通過采取25對制造業ST公司和非ST公司作為樣本進行研究，得出了以下結論：
第一，非財務指標與企業財務危機的形成是有關的。在以往的財務危機預警研究中，往往只考慮了財務指標對于財務危機形成的影響，而忽略了非財務指標。
第二，建立財務危機預警模型是對企業財務危機進行預警的有效手段。本文分別運用了判別分析方法和logistic回歸方法建立了三個財務危機預警模型，采用相應的數據對企業是否會被ST進行判斷，通過判斷結果可以得出：兩個判別分析模型和logistic回歸模型都能有效的對企業財務危機進行預警，預警判斷的準確率為80%以上，三種財務危機預警模型都能對企業是否發生財務危機進行較準確的判斷。
第三，因子分析能有效消除指標間相關性的影響，使財務危機預警模型的準確率更高，logistic回歸模型相比判別分析模型對企業財務危機的預警更加有效。通過比較logistic回歸模型和兩個判別分析模型的準確率可以發現logistic回歸模型的準確率是最高的，為92%。
第四，本文建立的財務危機預警模型的預警期為兩年。本文建立模型時采用的是ST企業被ST前兩年的數據，建立的模型能對企業兩年后是否被ST進行準確判斷，說明建立的財務危機預警模型能對企業兩年后是否發生財務危機進行有效預警，預警模型的預警期為兩年。
參考文獻：
[1]于義杰.引入非財務因素的財務危機預警模型研究[J].合作經濟與科技，2012，（1）.
[2]宋忠寧.我國上市公司財務危機預警實證研究[J].市場周刊，2011，（1）.
上市公司財務危機預警范文3
關鍵詞：財務危機；預警模型；實證研究
一、引言
隨著資本市場的不斷發展和完善，對上市公司財務危機預警進行研究一直是國內外學術界研究的熱點問題之一。財務危機預警是以現有的財務比率為基礎，通過設計并觀察一些敏感性財務預警指標的變化，建立數學模型來預測企業財務危機發生的可能性，這樣就能在很大程度上幫助上市公司防范和化解財務危機。然而，由于種種原因，財務危機預警系統在我國上市公司中尚未得到廣泛應用。
二、財務危機預警模型的發展及分類
1、單變量模型
單變量模型，即一元判別模式，它運用單一的財務指標來預測企業的財務危機。W.H.Beaver（1966），他最早將統計方法應用與財務指標結合起來，選擇了29個能夠代表企業財務狀況的指標，從1954年到1964年之間他定義的財務危機企業中，挑選了79家，并選擇了產業相同、資產規模相近的另外79家非財務危機企業作為配對樣本，他對這79家財務危機企業和79家非財務危機企業前五年的29個財務指標進行了立面分析，最后得出結論，認為現會流量/負債總額能夠最好地判定公司的財務狀況（誤判率最低，破產前一年的預測幣確率町以達到87%），其次是資產負債率和“凈利潤/總資產”比率，并且離財務危機出現同越近，誤判率越低，預見性越強。
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來構建能夠以最小的分類錯誤率對樣本公司進行劃分的多元線性方程。比較著名的有Altman的Z分數模型以及后來E.Altman、R.Haldeman.和P.Narauaman的ZETA模型。
2.1、Z分數模型
Altman（1968）提出了Z分數模型。該模型是Altman根據美國股票市場的實際情況，經過上千次的實證分析，以33家破產公司及33家配對公司作為樣本，使用選擇的5個比率擬合出了一個多元線性方程，建立了Z分數模型，首次采用了多變量來預測企業的財務危機。
模型如下：
2.2、ZETA模型
1977年Altman等人將預測模型Z分數模型從單純的制造業中解放出來，加入了非上市公司和各個行業，建立了新的、更具有準確性的企業財務危機預測模型一zETA模型，它包括了經營收益/總資產、收益穩定性、利息保障倍數、留存收益/總資產、流動比率、普通股權益/總資本和普通股權益/總資產這7項比率。Altman等經過對樣本的分析，發現用ZETA模型預測五年和一年之后的財務危機企業的精確度分別為70%和91%。并且通過對相同樣本進行預測分析，比較發現，ZETA模型的預測準確度要明顯優于Z分數預測模型。
2.3、F分數模型
由于Z分數模型沒有考慮對企業財務狀況影響重大的現會流量因素，導致其財務解釋和預測的效果大打折扣。為彌補這一缺陷，我國學者對Z分數模型加以改進，建立了F分數模型（周首華、楊濟華，1996）在F分數模型中加入了現金流量的預測變量，其模型如下：
3、多元邏輯回歸
多元邏輯回歸（二項Logistic回歸）的統計方法都是建立在累積概率函數的基礎上，一般運用極大似然估計法來進行判定，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）年在財務困境預測中首次采用了邏輯回歸模型，從25個財務指標中選取了8個作為變量建立了回歸模型，結果發現邏輯回歸的預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，運用了條件邏輯模型來建立財務預警模型，研究結果顯著。
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，目前企業財務預警模型構建存在的問題有如下幾點：
第一，預警變量選擇缺乏理論支持。
第二，樣本選取范圍和樣本時間區間存在局限。
第三，預警模型缺乏非財務因素支持。
絕大部分的研究都以財務會計報表數據為基礎，以各種財務指標為變量來建立預警模型。運用財務指標建立的財務預警模型雖然能較直觀地反映企業的綜合財務狀況，但從我國企業的情況來看，不能僅采用財務指標作為判別依據。
參考文獻
[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：企業失敗定義研究[J].北京工業大學學報，2002.Vol.2 No.1
[5]谷 祺 劉淑蓮：財務危機企業投資行為分析與決策[J].會計研究，1999.11
[6]趙愛玲：企業財務危機的識別與分析[J].財經理論與實踐，2000
[7]吳世農，盧賢義.我國上市公司財務困境的預測模型研究[ 經濟研究，2oo1，（6）.
上市公司財務危機預警范文4
管理記分法由美國學者仁翰·阿吉蒂所創。嚴格來講，它是一種定性方法，但是結合上市公司自身的各種信息披露后，也可以實現定量與定性的結合。使用管理記分法進行財務危機預警研究，主要分為以下五步：使用構造樣本，列出與公司財務危機有關的多個因素；量化賦值這些因素對構造樣本公司財務危機的影響程度；構建構造樣本的“管理記分法”財務危機預警模型；確定衡量財務危機程度的標準值；計算各家測試樣本公司的得分值，然后標準值比較，測試模型的預測效果。
本文依據上市公司自身披露的各種信息資料，使用管理記分法，獲取了公司陷入財務危機前存在的各種內部和外部風險因素，通過量化賦值，構建了Y記分模型，測試樣本驗證檢測取得了較為理想的預測效果，并為今后研究進行了趨勢分析。
二、研究樣本及數據來源
本文選取我國滬、深兩市2002～2010年間因“最近兩年連續虧損（包括追溯調整）”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家公司用于構建“管理記分法”財務危機預警模型，47家公司用于檢驗模型的效用。研究期間為危機前三年，即（t-3）年，數據取自“國泰安數據庫”，建立的“管理記分法”財務危機預警模型以下簡稱“Y記分模型”。
三、實證研究
（一）財務危機引發因素歸集 以構造樣本的120家公司危機前3年的年報為依據，結合其特別處理公告和其他相關會計資料，采用歸納法總結出可能導致這些公司陷入財務危機的5項內部風險因素（以下簡稱“內因S”）和3項外部風險因素（以下簡稱“外因Q”），詳見表1。
表1中，將“新投資產業或產品或子公司需要大量資金；或新領域經驗不足，管理、經營費用高，但無利潤或基本無效”作為公司經濟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家公司認為該因素會影響公司的經濟狀況。在歸納過程中，發現以下幾個問題：
（1）上市公司披露的經營過程中的問題，一般不超過5項，而且問題普遍且集中，如市場因素中的“資源不足；產品部件或原料能源成本過高或價格波動”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，外因和內因出現的總頻數均為139次，各占總頻數278的50%。說明上市公司均重視會引起公司財務狀況變化的內、外因素。
（3）內因中，經營管理因素和資金因素占52.52%，表明這是財務危機公司在危機爆發前，內部存在的最突出的問題。即上市公司還是普遍認為經營管理方面存在問題，以及經營資金不足會嚴重影響公司的財務狀況。經營管理因素，多數涉及到公司資產結構和資本結構的合理調整，以及產業的優化；資金因素顯示公司多受現金凈流的影響，公司資金緊張導致短期償債能力虛弱。
（4）外因中，市場因素占64.03%。這是財務危機公司在危機爆發前，面臨的最嚴重的外界影響。無序的、不完全的市場競爭，產品成本上升，國內外宏觀環境的變化都對公司的財務狀況產生了不可測的影響。
（二）財務危機影響度量化賦值 表1中，具體內容（第2列）中有一項原因出現，則對應的定性因素（第1列）設為1，否則設為0，從而到得表2。
（三）Y記分模型構建 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，賦值是權數的加權平均。設計的模型為：
Y=0.5S+0.5Q（1）
其中：
Y為加權平均得分；
S是上市公司陷入財務危機的內因的加權平均得分，權數0.5=139 /（139+139），即內因中的所有風險因素出現的頻數在全部因素出現的總頻數中占的比重；
Q是上市公司陷入財務危機的外因的加權平均得分，權數0.5=139/（139+139），即外因中的所有風險因素出現的頻數在全部因素出現的總頻數中占的比重。
（2）內因權重的確定。S的計算公式為：
其中：ai為對第i項內因進行加權的權數，Si為第i項內因的取值。
ai值的大小反映了第i項內因對財務危機形成的影響程度。ai值越大，說明第i項內因對財務危機形成的影響大。表3中，百分比反映了各項內因對公司陷入財務危機的影響程度，各項百分比就是對該項內因進行加權的權數ai。
根據表3，可以得出內因的加權平均得分S的公式：
S=0.1727S1+0.2446S2+0.1222S3+0.1799S4+0.2806S5（3）
（3）外因權重確定。Q的計算公式為：
其中，bt為對第t項外因進行加權的權數，Qt為第t項外因的取值。同樣方式確定各項bt值。
根據表4，可以得出外因的加權平均得分Q的公式：
Q=0.6403Q1+0.2590Q2+0.1007Q3 （5）
（4）構建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項內因的取值，危機公司存在i項內因時取值為1，否則為0，i=1，2，…，5；
Qt為第t項外因的取值，危機公司存在t項內因時取值為1，否則為0，t=1，2，3。
（四）標準值確定 根據歸納的各項風險因素，可以確定各家構造樣本財務危機公司的Si和Qt值，再根據公式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。
將構造樣本中120家財務危機公司的Y值劃分為6個區間。根據表5計算出的Y值，各區間分布的財務危機公司數見表6。表中，“公司數”這一行表示在某一區間分布的財務危機公司數，“累計數”這一行表示在某一區間的上限以下區間分布的財務危機公司數，“百分比”這一行表示累計數的百分比。
有關學者的研究發現，選擇不同的Y臨界值，決策人員出現第Ⅰ類錯誤的概率不同。Y臨界值越大，犯第Ⅰ類錯誤的概率越大，但犯第Ⅱ類錯誤的概率越?。籝臨界值越小，犯第Ⅰ類錯誤的概率越小，但犯第Ⅱ類錯誤的概率越大。對一般決策者來說，由于犯第Ⅰ類錯誤的代價要高于第Ⅱ類錯誤，因此在建立模型時，應該主要考慮控制第Ⅰ類錯誤發生的概率。
由此，若將Y臨界值確定為0.2，可以將犯第Ⅰ類錯誤的概率控制在7.50%以下，即回代預測準確率為92.50%。根據一般分析慣例，這樣的錯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記分預測分析判斷方法為：
（五）Y記分模型預測效果測試 測試樣本中47家財務危機公司的Y值區間如表8所示。
可以看出，在以0.2為分割點的情況下，測試樣本中47家財務危機公司有42家的Y值大于0.2，占總數的89.36%，即測試樣本的驗證預測準確率為89.36%。
四、研究結論
通過研究，可以得出以下幾條結論：
一是內因和外因均會導致財務危機，即不僅公司內部財務方面和非財務方面的原因是公司財務危機的“導火索”，而且公司外部的多項因素也會影響公司的財務狀況，而且這些因素多是公司的不可控因素。要在財務危機預警方面取得進一步成果，必須結合公司外的各項因素進行研究。
二是財務危機形成的內因中，經濟管理因素和資金因素是其中兩項最重要的因素。這說明企業想要避免財務危機的發生，必須有充足的可自由支配的資金，重視短期償債能力，搞好主導產品或產業，加強、完善內部經營管理。
三是財務危機形成的外因中，市場因素，尤其是市場競爭激烈、資源不足、產品部件或原料能源成本過高或價格波動是其中最重要的因素。這說明企業想要避免財務危機的發生，必須壓縮生產成本、提高自身產品的競爭力，以備不測之需。
四是Y記分模型對構造樣本的回代預測準確率和對測試樣本的驗證預測準確率分別為92.50%、89.36%，模型預測效果較好，資本市場各方利益相關者可適當參考使用。需要說明的是，模型以0.2為分割點，決策人員犯Ⅰ類錯誤的概率降低，可以將Y記分模型與各種統計模型（如多元邏輯回歸模型、BP人工神經網絡模型等）結合使用。
上市公司財務危機預警范文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.
關鍵詞: 財務危機;BP神經網絡;房地產上市公司
Key words: financial crisis;BP neural network;real estate listed companies
中圖分類號:F275 文獻標識碼:A文章編號:1006-4311(2010)08-0051-01
0引言
對于中國房地產公司,構建一套完善先進的預警系統十分重要,構建一套基于科學預警理論研究成果指導下的專門針對房地產行業的財務危機預警系統迫在眉睫,它是房地產健康發展的客觀要求,也是政府和房地產管理部門的規劃、決策和調控走向理性的需要。
1文獻回顧
幾十年來,理論界圍繞著如何更加準確地預測企業的財務危機展開了多種多樣的研究,研究的重點集中在如下兩個方面:
1.1 企業財務危機的界定國外對財務危機的界定因研究目的不同而不同,主要有以下幾種觀點:①已經破產的企業;②進入破產程序的企業;③無力還本付息的企業;④資不抵債的企業。因此我們認為,由于有研究結果表明我國的資本市場目前仍處于弱式有效市場,信息的不對稱導致尚無一種客觀的評判標準,故對我國上市公司財務危機的界定主要是依據證監會定義ST企業的前兩條標準,即出現下列情況之一的企業:①最近一個會計年度的審計結果中顯示的凈利潤均為負值;②最近一個會計年度的審計結果中顯示的其股東權益低于注冊資本。即每股凈資產低于股票面值。
1.2 財務危機預測方法的研究從研究方法看,預測企業是否發生財務危機的方法一直在不斷地改進和創新之中。從傳統的預測方法來看,統計判定分析一直是研究預測企業是否會發生財務危機的一個好方法。
近年來,有關企業財務預測分析日益已經引起國內理論界和實業界的高度重視。我們認為,在我國目前上市公司財務數據并不很完善的情況下,應用多種研究方法建立我國上市公司的財務危機預測模型,通過比較分析有利于提高模型的適人工神經網絡是由大量稱為神經元的簡單信息單元廣泛連接組成的復雜網絡用范圍和預測的準確性。
2BP神經網絡基本原理
人工神經網絡是由大量稱為神經元的簡單信息單元的廣泛連接所組成的復雜網絡系統,用于模擬人類的大腦神經網絡的結構和行為,使它具有學習、記憶、聯想、歸納、概括和抽取、容錯以及自學自適應等能力。本文采用典型的3層前饋型BP網絡模型,它具有網絡訓練信息的正向傳播過程和誤差的反向傳播過程。
設ai是網絡樣本輸入值,bi是網絡隱含層的輸出值,cj為對應的實際輸出值。輸入神經元到隱層神經元的權值為vhi,隱層神經元到輸出神經元的權值為wij,另外分別用θi和xj表示隱含層和輸出層的閾值。三層BP網絡的數學模型表示為:①利用樣本輸入層的信息以及輸入神經元到隱層神經元的權值得到隱含層節點的輸出:bi=fahvhi+θi,(i=1,2,…,p);②輸出層節點的輸出:cj=fwijbi+xj,(i=1,2,…,q)最初的wij是設定的隨機值;③輸出層節點實際輸出值cj與期望輸出值c之間的誤差:dj=cj(1-cj)(c-c);④向隱含層節點反向分配誤差,令:ei=bi(1-bi)wijdj(i=1,2,…,p);⑤隱含層到輸出層的權值通過下式調整:Δwij=abidj(i=1,2,…,p;a是學習系數,0
3神經網絡的建立及模擬訓練
3.1神經網絡模型的建立
通過廣泛考察以往國內外相關研究對最終模型有顯著貢獻的預測變量,主要采用的基本財務指標可以分為5個一級指標,盈利能力、償債能力、成長能力、擴張能力和營運能力相關指標,又包含12個二級指標。
Bp神經網絡把用來描述企業財務狀況特征的12個指標做為神經網絡的輸入向量X=|X1,X2,…,X12|,將代表相應綜合評價結果的值作為網絡的輸出Y,用學習樣本訓練這個網絡,使不同的輸入向量得到不同的輸出量值,這樣神經網絡所持有的那組權系數值和閾值,便是網絡經過自適應學習所得到的正確內部表示,經過反復學習訓練,確定與最小誤差相對應的網絡參數(權值和閾值),訓練即告停止。
3.2指標數據的歸一化由于不同的指標數據量綱均不相同,不進行歸一化就會將神經網絡模型帶入較大的系統誤差,因此,考慮到神經網絡訓練的收斂問題,也為了便于最終評價值的確定,在網絡學習訓練前將學習樣本和檢驗樣本的原始指標數據同時進行歸一化,以便消除指標量綱不同和系統誤差所帶來的影響本文采用正向和反向傳播公式,將原始指標數據歸一化到[0,1]之間。歸一化公式為:①正向指標歸一化公式:xij=(xij-minxi)(maxxi-minxi);②反向指標歸一化公式:xij=(maxxi-xij)(maxxi-minxi)。其中xij是xi中的第j個數據,maxxi是xi中數值最大的數據,minxi是xi中數值最小的數據。
3.3 網絡訓練過程本文利用DPS軟件的Bp神經網絡工具箱進行了數據分析,采用12個指標進行上市公司財務預警,這樣,網絡輸入層節點數i定為11,隱含層(中間層)的節點數1,輸出層為1,允許誤差為0.01,最小轉換速度為0.01,最大訓練次數為1000次。
將10年的樣本數據作為神經網絡辨識模型的訓練樣本,預測2009年企業的財務狀況,繼續用DPS軟件的Bp神經網絡工具箱對09年企業的財務數據進行分析,得出2009年的擬合結果為23.440,即2009年企業的財務數據將處于健康狀態。
上市公司財務危機預警范文6
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%。
