前言：中文期刊網精心挑選了企業財務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。
企業財務預警研究范文1
關鍵詞 企業 財務風險 預警模型
一、引言
隨著市場經濟的不斷發展完善，企業經營發展面臨的外部競爭日趨激烈，同時所應對的風險問題也越發嚴重，尤其是在當前經濟趨于下行時期，企業各類風險特別是財務風險問題頻發，預警防范控制管理不當，很容易造成企業出現嚴重的財務危機。為了確保企業經營活動開展過程中各項管理工作的安全規范，促進企業健康穩定持續發展，必須在企業內部建立完善的財務風險預警體系，及時發現企業內部經營過程中的財務風險問題，進而采取有效的控制防范措施，為企業在復雜市場環境下的經營發展提供良好的基礎條件，這也是企業管理工作的核心內容。
二、企業財務風險概念及其成因分析
財務風險主要是指企業在開展各項業務經營以及財務管理活動中，由于外部市場環境以及內部經營管理中的各種不確定因素，造成企業出現的財務狀況不穩定的問題。企業的財務風險問題主要包含了籌資風險、投資風險、現金流以及連帶財務風險等幾類。按照現代企業管理理念，財務風險往往與企業的資本結構有著直接的關聯，通常情況下，負債總額越高，財務風險問題也就越大。造成企業出現財務風險問題的原因從企業內部和外部環境分析，主要表現如下：
在企業的內部經營管理上，導致企業可能出現財務風險的問題主要有：企業的經營管理過程中，盈利能力較差，企業的成本投資難以實現相應的效益收入，整體運營管理能力較差；在財務工作方面，應收賬款控制不力，存貨周轉率處理不合理，成本控制效果較差；企業的成長潛力較弱，發展能力不佳，難以支撐長期的經營發展；企業的內部控制管理機制不健全，在內部決策管理等各個方面存在較多漏洞和薄弱環節，論證決策流程不夠科學合理，內部審計監督不及時等等。
在外部環境上，有可能導致企業出現財務風險的因素主要有：外部宏觀經濟環境的波動，特別是當前經濟下行壓力大，更易導致財務風險；國家相關產業政策調整，特別是金融信貸政策的變化波動等等，影響了企業的資金周轉，或者是對企業的生產經營業務帶來了不良影響，這些問題都有可能造成企業出現財務風險問題。
三、企業財務風險預警體系構建的基本原則
財務風險預警主要是指運用財務管理以及現代化企業管理理論，通過比率、比較以及因素分析等相關的分析手段，依靠對企業各類財務會計信息的分析，及時監測分析企業生產經營過程中可能出現的財務風險問題，為企業制定財務風險防范控制措施提供科學的參考依據。在企業內部構建財務風險預警體系應該重點遵循以下幾項原則：
（1）有效性原則。在企業的財務風險預警體系的建設上，應該遵循科學、合理、有效的基本原則，特別是在財務風險預警指標的選取上，應該充分考慮企業所處行業的特點、企業自身的實際規模、政策要求以及內部管理情況等，確保整個財務風險預警體系能夠真正發揮作用。
（2）可操作性的原則。一些企業財務風險預警體系失效的重要一方面原因就是由于財務風險預警指標選取不當，難以對財務風險數據進行定性定量分析。因此，提高企業財務風險預警體系的有效性，在財務風險預警指標的選取上，應該結合企業能夠收集到的財務數據以及相關的財務會計信息等，合理地確定財務風險預警指標，提高可操作性。
（3）預測性的原則。造成企業出現財務風險的主要原因就是由于受到各種不確定因素的影響，因此在企業的財務風險預警體系的建設上，應該充分突出財務風險預警的準確預測功能，通過對各項財務會計信息數據以及財務指標的分析，及時發現企業風險點，進而指導企業科學合理地制定相應財務風險決策。
四、企業財務風險預警體系具體建設研究
（1）科學合理地選擇財務風險預警指標。在企業財務風險預警指標的選擇上，應該確保可以全面反映企業的財務狀況以及可能出現的財務風險，同時又能夠體現行業的特殊性，具有較強的可操作性與可比性。在財務指標的具體選擇上，選擇指標重點可以參考以下幾方面：短期償債能力指標，主要全面地反映企業、債權人以及投資者之間的權益關系，通常通過流動比率、現金比率、營運資金對資產總額比率等財務指標進行反映。長期償債能力，主要是以資產負債率以及流動資產比率作為風險衡量指標。營運能力，主要反映企業運作企業內部各項流動以及非流動資產的能力，財務風險預警指標的選擇上主要是以應收賬款周轉率、存貨周轉率、總資產周轉率等指標。盈利能力指標，主要評價企業贏取利潤的能力，通常以營業毛利率、營業利潤率、資產報酬率、總資產凈利潤率、銷售利潤率、成本費用利潤率等指標反映。成長能力指標，通常以總資產增長率、營業收入增長率來評價?，F金流量指標，目的是為了評價分析企業現金流轉能力及可能存在的風險問題，評價指標主要是每股經營活動現金凈流量、現金流量比率、全部資產現金回收率等指標，也是企業財務風險預警的關鍵指標。通過合理地選擇指標，為評價分析企業的財務風險提供良好的前提基礎。
（2）財務風險預警指標權重確定及模型構建。在明確了企業的財務風險預警指標以后，需要進一步確定企業財務風險預警指標的權重。現階段對于財務風險預警指標權重的確定，往往采取層次分析法來確定，并通過專家論證的方式，以確保各項指標權重賦值的科學合理。在完成指標權重的確定以后，應該結合企業的實際情況，通過統計分析軟件，針對企業的財務風險管理建立相應的控制函數，準確地評價企業財務風險的不同等級，明確不同財務管理活動可能造成的財務風險隱患問題。
（3）優化企業的財務風險預警管理方法。在企業的財務風險預警管理過程中，應該盡可能地利用各種信息化的技術、信息管理手段和風險計量工具，依托財務風險預警模型等，建立風險實時監控系統和風險預警系統，第一時間掌握可能發生的財務風險問題。同時，在財務風險管理上應該盡可能地采取分類管理的模式，依靠財務風險預警指標進行監控，對于市場風險、流動性風險等可度量指標，依靠指標體系檢測；對于操作風險、政策風險等不可度量的風險指標，依靠優化業務流程來實現，最大限度地提高企業財務風險預警效果。
（4）加強對企業財務風險的應對管理。在企業的財務風險應對管理上，首先應該建立暢通、高效的溝通機制，加強企業內部風險管理工作和業務工作的聯系組織。企業內部生產經營、財務管理等各個部門應該及時就經營中存在的風險進行及時的相互溝通，并進一步制定完善的風險確認、評估的標準和方法及風險控制的操作流程，提高財務風險控制以及風險監督能力，進而實現降低財務風險發生可能性的目的。
五、結語
企業財務風險因素多種多樣，為了控制財務風險問題，企業財務管理部門應該全面深入地總結可能造成企業財務風險的主要影響因素，合理地確定企業的財務風險預警指標，構建完善的財務風險預警體系，依靠科學合理的財務風險預警模型，防范各類財務風險問題的發生。
（作者單位為青島公交集團市南巴士有限公司）
參考文獻
[1] 陳燕，廖冠民.大股東行為、公司治理與財務危機[J].當代財經，2010（5）：14-17.
企業財務預警研究范文2
關鍵詞：財務預警模型；Fisher二類判別模型；Logistic回歸模型；BP網絡模型；比較研究
中圖分類號：F275 文獻標識碼：A 文章編號：1672-3198（2007）09-0163-02
1 研究樣本的設計
財務預警模型的研究樣本設計過程，主要包括如何確定陷入財務危機公司的樣本組，如何確定作為配對標準的控制因素以及如何進行兩組間樣本個體數量分配的問題等。
（1）樣本組的選擇。
在選擇樣本組時，需要考慮以下幾個因素的影響：
①考慮樣本個體所處的行業?？v觀陷入財務危機的公司所處行業，發現制造業公司占大多數。為了消除行業因素的影響，在具體的環境下對財務預警模型進行比較研究，把研究對象局限于制造業。
②確定陷入財務危機公司的一定研究期間。均衡地考慮樣本規模的大小和時間跨度的影響，選取了2003-2005年因“財務狀況異?！北籗T的65家公司及65家財務健康公司作為配對樣本。同時，采用了Altman的研究方法，控制進入樣本的個體，使其在三年的分布大致平均。其中，2003年24家財務危機公司和24家財務健康公司，2004年18家財務危機公司和18家財務健康公司，2005年23家財務危機公司和23家財務健康公司。
③考慮公司規模。樣本公司的規模雖然都在億元以上，但是沒有資產超過百億元的超大型公司，規模配合比較適中。
④對樣本數據完整性的要求。Zmijewski（1984）檢驗了由于選樣時所持的數據完整性標準所帶來的模型偏差。他認為前人的研究都將數據完整性作為選樣的標準，實際破壞了建立預測模型過程中所采用統計技術的應用前提――隨機選樣的要求，而且一般陷入財務危機的公司更可能提供不完整的數據。建立在完整數據基礎上的模型忽視這一信息，無疑會使模型低估了公司破產的概率。他的研究表明這種偏差的確存在，但經他修正以后的模型卻未在參數的統計顯著性和總體預測精度上有顯著提高。因此，本文并沒有按照隨機選樣的要求來選擇樣本，還是根據前人人為的可獲取資料的完整性來作為樣本選擇的標準之一。
2003-2005年，在滬深A股上市公司制造業中，共有69家公司被ST，其中2003年27家，2004年19家，2005年23家（如果樣本同時在兩年內以ST的身份出現，歸為第一年樣本）。另外，剔除了4家數據不完整的公司，分別為ST金馬、ST珠峰、ST金泰、ST盛工。
（2）配對組的選擇。
①配對標準的控制因素。在制造業中，按照會計年度、資產規模（ST前1-5年期末資產總額最接近）配對的標準來選擇一定的配對樣本。
②兩組間樣本個體的數量分配?？紤]到選樣并沒有顯著的影響模型總體的預測精度，選擇樣本的時候仍然是按照兩組間樣本數量一一對應的標準來選取的。
根據上述選樣標準，2003-2005年共有65家財務危機公司，ST前1-5年分別有65家財務健康公司與之配對。隨機抽取45家財務危機公司（2003-2005每年各15個公司）和45家財務健康公司，作為建模樣本，剩下的20家財務危機公司和20家財務健康公司作為預測樣本。由于本文通過五次配對抽樣得到五組財務健康公司樣本，因而各組的財務健康公司不盡相同。
2 變量指標的選擇
企業財務預警模型的理論基礎相對比較薄弱，缺乏能夠準確預測模型所應包括的變量指標的經濟理論支持，所以目前該領域內的實證研究還處于初期探索的艱苦階段。根據以往的研究，財務預警模型根據所用的變量指標類型不同可分為財務指標類模型、現金流量類模型和市場收益類模型。
在借鑒國內外已有文獻，同時考慮數據的可獲得性的前提下，初步確定了53個變量指標，分別反映了企業流動性及償債能力、盈利能力、營運能力、發展能力和現金流量等方面。部分變量指標直接來自中國股票市場交易數據庫，部分是數據庫中的三張財務報表計算得出的。
3 模型的建立與檢驗
（1）Fisher二類判別模型的建立與檢驗。
①異常值的處理。本文采用標準化數值（Z分數）來檢測異常值，剔除了Z分數小于-3或大于+3的值。
②柯爾莫哥洛夫-米諾夫（K-S）檢驗。通過單樣本的K-S檢驗來驗證變量指標是否符合正態分布，檢驗結果表明：部分指標符合正態分布，部分指標不符合正態分布。
③曼-惠特尼-威爾科克森（MWW）檢驗。根據樣本數據的特征，采用MWW非參數檢驗法來分析財務危機公司和財務健康公司的53個變量指標總體分布是否相同。檢驗結果表明：
④方差-協方差相等的檢驗（BoxM檢驗）。在0.000的顯著性水平上拒絕了總體協方差陣相等的零假設。因此，采用合并的方差-協方差陣進行判別分析。
⑤逐步判別分析（多重共線性）。采用容許度（TOL）統計量檢驗多重共線性，TOL統計量值都大于0.1，說明進入模型的六個變量不具有多重共線性。
⑥Fisher二類判別模型的建立。
⑦Fisher二類判別模型的擬合優度檢驗。
使用Fisher二類線性判別模型，以原始數據分別進行回代，組合的平均Z值分別是2.468和-2.139。確定的先驗概率為0.5，所以確定最佳判定點為兩者的平均值0.1645。
當以原始數據代入判別模型所得的判別分Z值大于最佳判定點0.1645，則判定為組合0，即財務健康公司；否則判定為組合1，即財務危機公司。Wilkλ值為0.1540，較?。伙@著性水平為0.0000，拒絕兩組判別函數均值相等的零假設；說明此Fisher二類判別函數模型擬合較好。
⑧Fisher二類判別模型的預測結果。
在ST前1年，采用Fisher二類判別模型，選擇進行建模的樣本組，預測準確率為92.7%；留作預測的樣本組，預測準確率為91.9%；選擇進行交互式檢驗的樣本組，預測準確率為91.5%。
同理，對ST前2-5年分別建立了Fisher二類判別模型，并進行了檢驗。最后得出，ST前1-5年，Fisher二類判別模型的預測準確率分別為91.9%，87.5%，72.5%，72.5%，63.4%；離ST時間越近，預測準確率越高；具有提前4年的預測能力。
（2）Logistic回歸模型的建立與檢驗。
①Logistic回歸模型的建立。
Fisher二類判別模型中篩選的變量指標已進行了多重共線性檢驗，不存在多重共線性；因變量被分為兩組分別為組1和組0；樣本數量遠遠大于參數個數，符合Logistic回歸模型的適用條件。采用Fisher二類判別模型中篩選的變量指標，分別建立ST前1-5年的Logistic回歸模型。
②Logistic回歸模型的擬合優度檢驗。在SPSS的Logistic回歸程序中，輸出的-2LL值為23.672，較小，說明所建模型擬合較好。Hosmer and Lemeshow Test統計量大于0.05，接受觀測數據和預測數據之間沒有顯著差異的零假設，即認為模型對數據的擬合度較好。
③Logistic回歸模型的預測準確性檢驗。Cox & Snell R2，Nagel ker ke R 解釋的是回歸變異，值分別為0.666和0.888，說明自變量對因變量具有很強的解釋能力。
④Logistic回歸模型的Χ2檢驗。本文僅考慮到兩種模型：僅包含常數項的模型和包含常數項與6個變量的模型，所以三種模型的卡方值全部相同。整體顯著性水平檢驗的P值為0.000，說明模型中所包含的自變量對因變量有顯著的解釋能力，所擬合的方程具有統計學意義。
⑤Logistic回歸模型的預測結果。在ST前1年采用Logistic回歸模型，建模樣本達到93.9%的預測準確率，預測樣本達到91.9%的預測準確率。
同理，對ST前2-5年建立Logistic回歸模型并進行檢驗，得出預測準確率分別為94.6%，70%，71.8%，69.2%。這說明此模型具有提前五年的預警能力。但是，出現ST前2年的預警能力比ST前1年高、ST前4年的預警能力比ST前3年高的異常現象，說明Logistic回歸模型的預測不穩定，可能是由于建模樣本與預測樣本選擇的隨機性所致。
（3）BP網絡模型的建立與檢驗。
本文建立了一個輸入層、兩個隱層和一個輸出層的BP網絡模型。其中，輸入層有6個結點，第一個隱層有3個結點，第二個隱層有2個結點，輸出層有1個結點。指定學習參數r=0.1，對ST前1年的90個建模樣本進行訓練，經過1483次訓練結束，得到各結點之間的權數。
ST前1年，訓練樣本達到96.67%的預測準確率，學習樣本達到95%的預測準確率。ST前2年，有3個指標進入模型；ST前3-5年，只有兩個指標進入模型。這樣，輸入層結點過少，導致隱藏層沒有存在的必要，從而使得神經網絡模型線性化。在原來進入模型的變量指標基礎之上，又進行了定性分析，分別加入了幾個指標，使得每年的輸入層都保持與ST前1年相同的6個結點。ST前2年，訓練樣本達到93.33%的預測準確率，學習樣本達到85%的預測準確率。對于ST前3-5年數據，不管學習參數如何設定，訓練樣本都很難收斂，說明再用神經網絡建立財務預警模型意義不大。
4 預測結果的比較
ST前1年，Fisher二類判別模型、Logistic回歸模型和BP網絡模型的預測準確率分別為91.9%，91.9%，95%，說明BP網絡模型具有最強的預測能力。ST前2年，三種模型的預測準確率分別為87.5%，94.6%，85%，說明Logistic回歸模型具有最強的預測能力。ST前3年、前4年，Fisher二類判別模型比Logistic回歸模型具有更好的預測能力。ST前5年，Fisher二類判別模型和Logistic回歸模型的預測準確率都低于70%，預測能力有限。
參考文獻
［1］Fitzpatrick. A Comparison of Ratios of Successful Industrial Enterprises with those of Failed Firms. Certified Public Accountant, 1932,（4）:598-662.
［2］Beaver W. Financial Ratios as Predictors of Failure［J］. Journal of Accounting Research, 1966：71-111.
［3］Altman E. Financial Ratios, Discriminant Analysic and the Prediction of Corporate Bankruptcy［J］.The Journal of Finance, 1968,（9）:589-609.
［4］陳曉，陳治鴻. 中國上市公司的財務困境預測［J］. 中國會計與財務研究，2000,（3）：55-75.
企業財務預警研究范文3
關鍵詞：企業財務危機預警 動態管控框架
一、相關概述
企業的財務危機始終都伴隨著企業的生產經營過程，在實際運營過程中財務問題及經營問題都始終伴隨著企業的各個環節，財務危機的表現形式有多種多樣，主要是流動資金不足、權益不足、流動性不足以及債務拖欠等幾個方面，這些都可能導致企業在正常的經濟業務時受到阻礙，甚至于發生除非企業進行大規模的重組，否則難以有效化解危機及困難的局面。而且，在財務危機的諸多因素中，較弱的公司治理結構往往會導致上市企業發生較為嚴重的財務危機，財務危機通常就會成為公司治理結構比較薄弱的表現，正是基于這一原因，強化財務危機管理具有重要意義。
財務危機作為一種能夠嚴重干擾企業正常發展、影響企業價值的經濟困境，通常會導致企業財務持續虧損或者嚴重虧損，進而無法正常支付企業費用及債務，在這種情況下，企業自身的持續經營能力、盈利能力及償債能力都會遭受很大的喪失和削弱，并進一步導致企業破產，價值受損，是企業處于經營困難的處境。
二、企業財務危機機理研究
財務危機的出現并不是偶然的，它的形成和發展需要經歷一個累積的過程，它是企業在自身的經營過程中，依次經歷危機潛伏、危機形成、危機發展以及破產和恢復的一系列過程，正因為如此，企業財務危機常常具有漸進性、突變性、綜合性、可逆性以及后果嚴重性的特點。并在發生的過程中出現多種征兆，這些征兆是多種多樣的，始終貫穿于企業的生產、經營、管理以及財務的各個方面和階段。
總的來講，企業的財務危機主要表現為以下幾個方面：首先是企業的利潤質量比較低，甚至于發生嚴重的虧損，其次是企業的資源浪費情況嚴重，資源使用效率低下甚至無效，企業自身的財務狀況及經營狀況發生明顯的惡化，企業的資金短缺等。
由此可以發現，企業的財務危機始終都伴隨著企業的生產經營過程，在實際運營過程中財務問題及經營問題都始終伴隨著企業的各個環節，財務危機的因子早已在生產中潛伏著，企業發生財務危機實際上是危機因子不斷擴大的結果。正是由于企業生產經營自身所具有的變化性及動態性，企業的財務危機在反應及預防方面也就增加了難度，這使得企業財務危機動態預警成為日常管理中的重要內容。
三、企業財務危機預警動態管控框架構建
企業建立財務危機預警動態管控框架應當結合企業自身的管理和經營特點以及企業的資源狀況，同時還應當滿足成本效益原則、動態管控原則、開放性原則等，而且還要確保財務危機預警動態框架具有較強的可操作性。這就要求企業在建立相應的危機預警管控框架時有效分析企業發生財務危機的種種原因，以便做到管控框架的有效性。
中小企業財務危機預警的內部環境是企業財務危機管控的重要因素，這是因為企業的生產經營離不開具體的經濟環境，正是由于各種因素共同形成的資源集合體，使得企業的經營在很大程度上受制于內部環境因素，良好的內部經營環境對于財務危機預警具有重要意義。
企業財務危機預警動態管控模型的構建要從戰略管控、經營管控、作業實時管控等環節，從戰略層面、經營層面及作業層面來強化分析管控，具體來講，可以分為中長期財務預警、短期財務預警及動態財務預警等。
首先，企業財務危機預警動態管控框架第一階段：經營預警
在這一階段，要明確企業進行危機預警的經營環境，包括內部經營環境、外部經營環境等，以此來處理好企業經營風險、財務風險跟企業經營環境之間的互動關系，理順三者之間的關系。而且在實際的管控過程中，需要明確管控的重點環節及方面，這里面主要涉及了生產方面、采購方面、營銷方面等。針對具體的流程，進一步實現簡化和有效管控，實現企業在生產經營中的產購銷各個環節的有效良好銜接，根據企業的生產實際及管理水平對業務流程實現動態管理。
其次，企業財務危機預警動態管控框架第二階段：財務指標預警
在財務階段，量化的指標就是財務危機預警的指標，這要求企業按照內部環境及外部環境分析作為預警指導，將企業財務報表分析作為預警的切入點，將各財務數據加工和分析，及時轉化為有用的財務數據和信息。具體來講要重點分析企業償債能力預警指標、營運能力預警指標、盈利能力預警指標、發展能力預警指標等，同時還應當重點分析現金流量預警指標，準確把握分析重點。
再次，企業財務危機預警動態管控框架第三階段：實現兩階段的一體化結合及動態化管控
管理層需要針對企業所表現出的警報或者警示信息作出合理科學判斷，并針對具體的財務危機提出措施、有效執行。企業的財務危機預警動態管控框架總體上就是反應——執行——糾正的持續過程，在這一動態管控框架下，企業需要強化自身危機意識，重視企業財務危機預警管控的作用及積極意義，同時針對不同的危機定期不定期地進行分類預警，以此有效把握危機動向，強化危機處理，重點控制好關鍵環節和關鍵流程。
總的來講，企業財務危機預警動態管控框架需要將企業的財務階段及經營階段的關鍵環節進行有機整合，做到財務危機預警框架的動態管理和及時更新，逐步建立健全企業財務危機預警管框框架的內容及要素，并且在實際的危機預警管控過程中要逐步強化管控過程的綜合性及合一性，避免單獨或者割裂地執行管控的某一個環節，做到動態管控過程的相互聯系和相互影響，提升企業財務危機預警動態管控過程效率及效果。
參考文獻：
[1]楊淑娥.企業財務危機預警的經濟動因與循環機理剖析[J].會計之友（下旬刊）. 2006（01）
[2]馬軍生.內部控制十大漏洞[J].企業管理. 2010（01）
[3]羅雁，趙紅，陳紹愿.企業成長危機演變機制及其調控策略[J].商業時代. 2009（03）
[4]譚慧潔，劉耀中.危機管理中組織結構的構建[J].商業時代. 2007（03）
企業財務預警研究范文4
一、企業財務危機預警系統構建方法
企業財務危機預警系統構建有兩種方法，即定量分析法和定性分析法。
（一）定量分析法
定量分析法是以財務指標為基礎的比率分析。財務數據與企業價值及財務狀況密切相關，是企業財務狀況的量化表現，其中財務指標在某些方面反映的信息比企業財務會計報告中的絕對數信息更為重要，因而財務指標可以作為預測企業經濟前景的計量指標。企業發生財務危機要經歷一個從量變到質變的漸進發展過程，這種漸進發展情況必然會通過一些財務指標的變化體現出來。因此要準確測度企業財務狀況和預測警情，從大量的財務因子中選好財務指標是關鍵。
目前建立預警系統的模式主要有以下兩種：
1.單變量模型。它是通過單個財務比率的變化趨勢來預測財務危機可能性的模式。
根據財務預警指標選擇的原則，可從以下三個方面來確定財務預警指標：
（1）償債能力。從償債能力上來預測企業發生財務危機的可能性是極為重要的。企業發生財務危機的最直接表現就是喪失現金流上的支付能力，反映為資產的變現力差，現金總流人小于現金總流出，即現金凈流量為負值。一般來說，一個企業的資產流動性越大，其償還負債的能力越強。一般包括以下指標：流動比率、速動比率、應收帳款周轉率、存貨周轉率、有形凈值債務率、利息保障倍數。
（2）獲利能力。盈利是企業償債和信用的保障，從長遠的觀點來看，一個企業只有經營前景和盈利能力良好，才會遠離財務危機。一般來說，企業盈利能力越強，對外籌資能力和償債能力也越強，發生財務危機的可能性就越小。因此從反映盈利方面的財務指標的變化來預測財務危機也是極為重要的。主要指標有：銷售凈利潤率、成本費用利潤率、總資產報酬率。
（3）發展能力。反映企業積累能力和可持續發展能力。該指標越大，反映企業資本越充實和越壯大，企業利用證券市場來融資的功能越強，財務危機越不易發生。這方面的指標有：銷售增長率、資本保值增值率。
建立的思路是：首先確定好以上三方面的財務指標，然后設定出這些指標的判別標準。設定判別標準時要考慮企業經營狀況、經營性質、行業平均發展水平以及行業以往經驗等因素，并據實際變化不斷對之進行修正。當某指標達到判別標準時，可預示財務警情發生。但這種模式存在局限性，由于每一指標只反映財務狀況的某一方面，容易導致不同指標判斷的矛盾。
2.多變量模型。它是運用多種財務指標加權匯總產生的總判別值來預測財務危機可能性的模式。它利用會計系統固有的平衡特性，將相互聯系的多個財務指標有機結合，建立一個多元線型函數模型來綜合反映企業財務風險情況，以消除個別指標在評價企業財務狀況方面的缺陷。目前國外實踐中影響較大、較為有效的多變量預測模型是Z指標模型。Z指標模型是1968年美國學者奧特曼（Altiman）采用統計學中的判別分析法構造的用五項財務指標的加權平均數計算的預測破產的量化模型。判別函數為：
Z=1.2X1+1.4X2+3.3X3+0.6X4+0.999X5.
其中X1=營運資產/總資產，X2=留存收益/總資產，X3=息稅前利潤/總資產，X4=權益的市場價值/債務的帳面價值，X5=銷售額/總資產。
當Z值大于2.675時，表明企業財務狀況良好，Z值在1.81與2.675之間，表明企業財務狀況極不穩定，Z值小于1.81時，則表明企業存在很大的破產風險。Z指標模型預測企業未來一年內破產的準確性約為90%，兩年內的準確性約為80%，但對于兩年期以上的破產預測作用不大。
多變量模型中幾乎包括了所有預測能力很強的指標，舍棄了一些不重要的因素，并且應用十分方便，克服了單變量模式需要很多指標和需對比分析，并要求分析人員具有很高專業水平的缺陷。但其變量和判別標準的確定卻很困難。
（二）定性分析法
利用一些財務指標直接分析或構建模型來預測企業財務危機發生的可能性只是整個財務預警系統的一個方面，由于一些難以量化的非財務信息也是影響企業持續經營能力的不可忽視的重要因素，因此在財務危機預警中除進行定量分析外，還應結合一些相關的非財務因素進行定性分析，充分估計各種不利因素對企業財務狀況的影響，以更好地預測財務危機發生的可能?？梢詮囊韵聨追矫鎭磉M行：
1.宏觀經濟環境。一般地說，國家政治穩定，政策優惠，經濟繁榮，會有利于企業的經營發展。而經濟環境變化、國家經濟政策調整會直接或間接地對企業產生影響。如通貨膨脹時期，利率提高會增加借款企業的利息負擔，不利于其經營。此外國家的財政稅收政策、產業政策等變化也會對企業經營發生影響。
2.行業特征。行業不同，財務風險是不同的。例如，有些行業與其他行業聯系緊密，其市場需求易受其他行業的盛衰影響，財務風險就較大。又如有些高科技產業，具有高投入、高產出和高效益的特點，同時也存在高風險的不利之處。此外，同一行業所處發展階段不同，財務風險也不會相同。處在行業成長上升階段的企業，風險小些，而在成熟和衰退階段，風險就大些。
3.市場狀況。企業的產品價格、技術、質量符合市場需求，對路熱銷或競爭對手少，風險就小。反之，風險就大。
4.企業經營方式。企業經營品種單一，經營范圍狹窄，一旦市場情況有變，企業難以適應，發生財務危機的可能性就大。
5.企業管理水平。缺乏管理經驗、管理素質低下是造成企業財務危機的主要原因。管理水平高的企業，各項制度健全，系統運轉良好，功能充分發揮，財務狀況良好，因而發生財務危機的可能性小。此外管理上如能對外界市場條件的變化做出迅速、有效的反應調整，企業往往能成功避免財務危機的發生。
二、積極推進中國企業財務危機預警系統的構建
我國關于財務危機預警的研究主要在借鑒西方研究成果的基礎上形成。從目前的情況看，結合國情對單變量模式的理論研究比較多而深入，而在多變量模式預警方面的研究基本上很少。如前所述，單變量模式具有局限性，多變量模式是較單變量模式更適宜的預測企業財務危機的方式，目前在國際上應用較廣，我國今后的研究趨勢也將是多變量模式研究?？紤]到我國和西方的社會經濟背景不同，我國的市場經濟還不成熟，相關法律也不健全，所以奧特曼的Z指標模型不適合我國國情，不能簡單機械地在我國運用。但由于中國企業與美國企業作為微觀經濟主體有著相同的經濟內核，因此，奧特曼的模型雖然是以美國公司為樣本分析得出，其思想應該可以為構建我國企業破產預測模型所運用。可以在該模型的基礎上結合我國的經濟與文化環境對之加以改進。
目前建立符合我國經濟實際的財務危機預警多變量模型的條件基本具備，一是因為隨著市場經濟體制改革的不斷深化、《企業破產法》的頒布及破產機制的健全，發生破產的企業越來越多，為我國各行業的企業數據庫提供了大量建模所需的數據。二是隨著企業會計準則和具體會計準則的頒布實施，隨著我國加入WTO后的會計行業競爭的加劇以及注冊會計師行業的逐步成熟和會計實務的規?；髽I公布的會計數據的真實可信性也將大為提高。建立我國財務危機預警模型應基于不同行業的數據庫，選取大量的破產企業和非破產企業作為樣本，按Z指標模型的建立思路構建我國不同行業的危機預測模型。隨市場經濟的縱深發展，模型變量的構成和系數值、判斷標準會隨時間而變化，應定期重新估計模型方程，以確保反映的是最新情況。除定量分析外，還應結合一些無法用數據揭示的社會因素來進行定性分析。
此外，還應說明的是，奧特曼的Z指標模型在指標選擇上還存在一些局限性，如未考慮現金流量這一預測財務危機的有效變量，也沒有體現出反映宏觀經濟環境的變量如利息率、失業率等，影響了預測的準確性。這些在構建我國的財務危機預警模型中應該引起注意。
還有，上面介紹的定性分析法也很重要，各企業也要根據自身的情況選用，并加以認真地分析研究，以作為對模型結論的修正和補充，以使所得結論更加正確和更加科學。
參考文獻
[1]張鳳娜，張 進。財務失敗預警分析[J].現代會計，2001（1）。
企業財務預警研究范文5
關鍵詞：交通運輸企業 財務指標 財務風險 財務風險預警
一、引言
交通運輸業是現代國民經濟的基礎設施行業，具有著完全競爭與部分行業壟斷相結合、社會意義較為重要的特征。由于市場瞬息萬變和難以預測、客觀環境復雜以及管理者素質水平有限，均使得風險常常存在，財務風險也隨之應運而生。這些風險是：（1）籌資風險。目前交通運輸企業投資主要來源于外部融資。外部籌資包括股權籌資與借貸籌資兩種形式。目前國內交通運輸類上市公司只有77家，因此，交通運輸類企業主要是以借貸融資的方式來籌集資金，而如果借入的資金不能夠產生預期經濟效益，就會導致交通運輸企業集團不能夠按時還本付息，使得企業集團可能付出更高的代價，甚至于陷入到破產倒閉的財務危機之中。（2）投資風險。即企業集團投入了一定資金后，因市場環境變化等多因素影響，最終導致實際收益與預期收益發生了偏離進而造成的損失。它主導著資金循環過程中所有風險，制約著財務風險中其它類型風險的發生及其發展程度。投資風險包括兩部分，一部分來自于短期投資，一部分來于自長期投資，其中比較重要的是長期投資風險。如高速公路的BOT項目，項目建設期、竣工期大大晚于預期；不能夠完成項目的建設或完成的項目不能夠達到預期的設計標準，施工的成本超過預算的成本，這些均可能導致企業面臨巨大的投資風險，甚至可能使一個企業陷人嚴重的財務危機中。（3）資金回籠風險。在公司開始經營運轉的過程中，投入的資金會以各種各樣的形式出現，因此存在著技術和經濟貶值的風險。如國內的貨物運輸企業為了擴大市場占有率，通常會先提供貨物運輸服務，然后再與客戶定期結算，這樣更容易保留穩定客戶，但隨之便產生了各種應收款項，增加了壞賬發生的可能性，進而加大了資金回收的風險。（4）外匯風險。交通運輸企業集團所而臨的外匯風險：一是經濟風險，即企業集團在向國外銷售或購買商品、勞務時，會由于不利的匯率變動使成本增加或收入減少的風險。這種風險發生于匯率變動之后，其特點是具有長期性和持續性。二是交易風險，即從交易達成時起到款項支付或收訖的這段時間產生的風險，它在匯率變動之前產生，于匯率變動之后結束。三是折算風險，即企業集團的母公司，在編制用外幣計量的子公司合并財務報表時所產生的風險，這種風險和交易風險一樣，在匯率變動的時侯已經成型，是一次性的風險。如果不能有效規避和防范各種財務風險，必將威脅到企業的生存與發展，使之陷入財務失敗的困境，最終導致倒閉破產。因此，建立交通運輸業財務風險預警模型，及時診斷出財務危機信號，進而采取解決對策，對于保障交通運輸企業的安全健康和可持續發展，有著極其重要的意義。
二、研究設計
（一）預警指標設計 交通運輸企業包括鐵路運輸、水上運輸、公路運輸、管道運輸業、航空運輸、倉儲物流和交通運輸輔助業等行業。我們在選擇指標的時候，如果指標選取的不全面，可能就會遺漏某些較為重要的預警指標，從而有損綜合評價的客觀全面性；但如果指標選取的過多，范圍太大，可能會造成評價工作不經濟。鑒于以上原則，交通運輸企業財務預警指標體系的主體應該是企業財務評價指標體系。經過分析企業財務評價指標體系的具體內容，在交通運輸企業預警指標體系中，仍需反映企業基本績效的四個方面因素，即財務效益狀況、資產管理效率、償債能力狀況和成長能力狀況。主要預警指標參見表（1）。為便于對指標進行量化處理，結合交通運輸企業管理的特點和各指標的行業標準，每一指標都被定義了三種狀態，每種狀態分別表示不同程度的風險。狀態A表示財務情況較好；狀態B表示財務情況一般；狀態C表示財務情況較差。預警指標體系見表（2）。
（二）樣本的選取 樣品材料主要是從經濟一般上市公司金融數據庫系統。由數據源和數據可靠性約束，研究樣本來自上市公司。由于交通行業上市公司77只，特別是破產的公司很少發生，所以唯一的選擇和交通運輸企業的經營特點，金融結構類似于樣本公司。上市公司在圣類企業定義為“財務失敗”或“金融危機”的企業。本文的樣本資料主要來源于CCER中一般上市公司的金融數據庫系統。受信息來源和可靠性約束，本文研究的樣本均來自上市公司。由于國內交通運輸行業上市公司只有77家，加之破產公司鮮有出現，所以選擇與交通運輸企業集團的經營特點、財務結構等相似的樣本公司。如果上市公司某年出現于ST類企業名單中，則被認定為“財務失敗”或“財務危機”的公司。交通集團及與交通集團經營特點、財務結構等有相似的樣本公司；2007-2008年被ST、未被ST的公司，并要求獲得兩年前的資料；為了適應本文的需要，研究時我們隨機抽取了88家交通運輸業上市公司及財務結構類似的上市公司作為構建模型的樣本。
（三）模型變量的選擇 本文根據交通運輸企業的特點選取了10個變量：X1： 凈資產收益率（營業利潤）X2： 資產收益率X3： 凈利潤率X4： 營業收入增長率X5： 營業利潤增長率X6： 流動比率X7： 現金流動負債比率X8： 資產負債率X9： 應收賬款周轉率X10： 資產周轉率。
（四）預警模型的建立 運用SPSS 16.0軟件，按照上述確定的10個研究變量，對這88家樣本企業進行主成分分析?？梢缘贸鲆韵陆Y果：從表（3）（方差解釋表）來看，對于這10個指標的信息，當選取7個主成分因子時，其信息量達到了94.237%，基本上保留了原來的指標信息。從表（4）（旋轉后的因子載荷矩陣）來看，第一主成分FAC1_1與X6： 流動比率、X7： 現金流動負債比率、X8： 資產負債率三個指標的因子負荷能力遠大于其他一些指標，可見，從這3個變量，反映企業的償債能力。所以FAC1_1可表示償債能力主成分。FAC2_1主要由變量 X1： 凈資產收益率（營業利潤）、X2： 資產收益率兩個變量解釋，這兩個變量均反映企業的盈利能力，因此FAC2_1表示的是企業盈利能力主成分。FAC3_1主要由變量X3： 凈利潤率解釋，該指標屬于盈利能力的指標，由此FAC3_1與FAC2_1主成分一樣，表示的是企業的盈利能力主成分。FAC4_1主要由變量X10： 資產周轉率解釋，該變量反映了企業的營運能力，所以FAC4_1表示的是是企業的營運能力主成分。FAC5_1主要由變量X5： 營業利潤增長率解釋，該指標也屬于發展能力的指標，因此FAC5_1代表的是企業發展能力主成分。FAC6_1主要由變量X9： 應收賬款周轉率解釋，該指標屬于營運能力指標，因此FAC6_1與FAC4_1主成分一樣也代表的是企業營運能力主成分。
三、實證檢驗
（一）回歸分析 在上述主成分分析的基礎上，得出了7個主成分因子。結果見表（6）。可見，由“B”列的系數可以得出的交通運輸業財務風險預警模型為：P=1/1+e-z（Z=-3.705*FAC1_1-7.453*FAC2_1
-5.927*FAC3_1+ 3.007*FAC4_1 + 2.522*FAC5_1 - 3.208*FAC6_1- 3.206*FAC7_1-2.132）。其中：P表示上市公司面臨財務危機的概率；FAC1_1表示償債能力主成分因子；FAC2_1表示盈利能力主成分因子；FAC3_1表示盈利能力主成分因子；FAC4_1表示營運能力主成分因子；FAC5_1表示發展能力主成分因子；FAC6_1表示營運能力主成分因子；FAC7_1表示發展能力主成分因子。因此，交通運輸企業的財務狀況主要由這7個主成分因素決定。利用此處得到的最終預警模型，就可以對交通運輸企業的財務狀況進行預測，當預測的概率大于0.5時，就推斷其兩年后將會發生財務危機，否則就推斷其兩年后將不會發生財務危機。通過運用Logistic回歸分析，得出了該模型的預警結果，見表（7）。對于Logistic 回歸分析的結果，在88個樣本單元中，有7個被判錯。其中在36個財務危機公司中，有2個被判錯，準確率達到了94.4%；在52個非財務危機公司中，有5個被判錯，準確率達到了90.4%，總體準確率達到了92%。可以看出，這個預警結果準確率很高，表明了該預警模型具有很高的實用價值。
（二）交通運輸業財務風險預警判別模型的運用測試 為檢驗所構建的判別模型的有效性，在非ST類上市公司的交通行業企業中隨機選取了2006年20家交通運輸業上市公司的年報進行模擬財務預警，將20JI家公司財務數據標準化后代入因子得分方程，得到FAC1_1、FAC2_1、FAC3_1、FAC4_1、FAC5_1、FAC6_1、FAC7_1等7個主成分因子，再代入最終回歸模型，最后判別結果見表（8）。利用本報告所構建的交通行業財務預警模型的警戒線為0.5。根據證券之星網2006年交通運輸行業上市公司公布的財務數據所得到的判別值中，代號為600591上海航空公司和600115 S東航公司判別值大于0.5，屬于應予以警示的公司范疇；其余18家交通運輸企業上市公司屬于財務健康公司。經調查了解與企業的實際情況相符。經分析可知兩家公司發生財務危機的原因是營運效率低，盈利能力差導致負債率高，所以要擺脫困境首要企業要擺脫困境，避免財務危機的發生，首先必須解決的問題就是如何扭虧為盈，提高營運效率創造真實的利潤與現金增量。
四、結論
財務風險的控制和管理是我國交通運輸企業財務管理中的重要內容之一。為提高財務風險的控制和管理，要做的第一件事是如何進行財務風險的預警，使企業采取有效的措施來規避財務風險，并將損失降到最低。 本文結合了交通運輸企業的特點，在保證財務指標的可靠性基礎上，建立了能夠全面反映交通運輸業財務風險的預警指標體系，并進行了模型適用性的驗證分析，使財務風險預警指標及風險評價指標具有了動態的可控性，從而保證了交通運輸業財務風險預警及風險評價的實用性。
參考文獻：
[1]田芬等：《物流企業財務風險綜合預警研究》，《物流技術》2009年第9期。
[2]吳文強：《高速公路公司財務預警系統的研究》，《廣東工業大學碩士學位論文》200年。
[3]中國注冊會計師協會：《財務成本管理》，經濟科學出版社2008年版。
[4]杜強、賈麗艷：《SPSS統計分析從入門到精通》，人民郵電出版社2009年版。
企業財務預警研究范文6
關鍵字：企業財務危機預警；集成模型；Bagging；Adaboost
1 引言
建立有效的財務危機預警模型是金融機構一項非常重要而艱巨的任務。財務危機預警模型可以用來預測上市公司的財務是否發生問題。如果預測模型不能正常運行，如預測錯誤率很高，它會導致不正確的決策，并很可能會由此導致嚴重的金融危機和災難。
財務危機預警模型也可以表示為一類具有輸入和輸出的二分類問題。也就是說，預測模型將每個樣本分類到2個預定義的類。對于財務危機預警問題，輸出結果即為發生財務危機或者未發生財務危機。單變量分析方法最早應用于企業財務危機預警領域，Beaver（1966）[1]等是較早采用單變量分析法預測企業狀況的學者，并在研究中發現對企業財務狀況判別能力高的財務指標和關鍵要素。Ohlson（1980）[2]發現Logistic模型更適合描述企業發生財務危機與否和財務比率指標之間的非線性關系。自上世紀50年代人工智能技術，如決策樹、支持向量機、神經網絡、概率神經網絡等分類器成為預測企業財務危機較常用的方法。Odom（1990）[3]最先運用神經網絡模型對企業財務狀況進行預測。
已有研究表明，分類器集成技術在預測精度和誤差等方面都要優于單一分類器模型和傳統的統計方法。集成分類器是針對同一問題通過組合一組分類器進行解決的，最終的分類結果根據每個分類器的組合從而最終得到。常用的集成方法包括Bagging和Adaboost。West（2005）[4]研究了用于對神經網絡進行集成的cross-validation，bagging，boosting三類集成策略，并證明多分類器集成方法的預測能力優于單一模型。Alfaro（2008）[5]對比了使用AdaBoost集成方法和神經網絡模型的預測企業破產的精度，結果顯示AdaBoost集成方法有效降低了神經網絡的泛化錯誤。
雖然許多相關的研究已經證明了集成分類器優于許多單分類器，但是在企業財務危機預警領域，關于集成模型的應用還缺少全面的對比及分析。所以本文選取了Bagging和Adaboost集成模型，同時選取了神經網絡（NN）、支持向量機（SVM）和決策樹（DT）作為集成的基分類器，重點討論如何構建財務危機預警的最優集成分類器模型。
2 集成模型
集成學習方法是機器學習的新興領域。近些年來，采用集成模型對企業財務危機進行預警的研究也呈上升趨勢。集成模型的目的在于將多個具有一般性能的弱分類器整合成為具有較強分類性能的集成模型。也就是說，用于集成的基分類器能夠有效彌補其它基分類器所產生的不足，從而獲得比單分類器更好的預測效果，顯著的提高預測模型的泛化能力。
將不同的基分類器的預測結果進行組合得到最終的預測結果，這些用于組合的基分類器可以通過不同的訓練數據集產生，也可以通過不同的分類算法產生：
2.1 Bagging
Bagging首先通過自助抽樣法，從初始訓練數據集中有放回的對樣本進行抽樣，形成不同的訓練數據集。進而采用某一分類算法分別用各個訓練數據集對基分類器模型進行訓練，從而形成不同的基分類器模型。最后采用多數投票法融合各個基分類器的預測結果。已有研究表明，Bagging采用的自助抽樣法和多數投票法能夠有效降低模型的方差從而提高預測的精度。
2.2 Adaboost
在Adaboost中，各個分類器是連續生成的。即Adaboost是一種迭代算法，其核心思想是針對同一個訓練集訓練不同的基分類器，然后把這些基分類器通過多數加權投票的方法進行整合形成一個最終的強分類器。Adaboost的算法如下：
假設有訓練樣本集 ，代表一個二分類問題中訓練樣本的對應輸出。當經過第t次迭代時，每個訓練樣本的權重表示為 。每個訓練樣本的初始權重為1/n，樣本的權重隨著迭代的增加而不斷的更新。在t次迭代時，Adaboost根據權重分布生成新的訓練樣本集，并使用新的訓練樣本生成基分類器，通過ft表示。Et代表分類器ft的錯誤率，可以通過式（1）進行計算：
（1）
根據容易分類的樣本分配較小權重，較難分類的樣本分配較大權重的基本思想，樣本的權重通過式（2）進行更新：
（2）
式（2）中的αt和lit分別通過式（3），（4）計算得到：
（3）
（4）
將以上得到的權重進行標準化處理，可以得到 （5）。
當進行T次迭代時，將有T個弱分類器用于集成。Adaboost通過加權投票集成法得到最終的分類結果。
3 實證研究
3.1 樣本描述
本文采用的上市公司的財務數據樣本均通過CCER經濟金融數據庫獲取。采用滬深兩市中的上市公司因為連續兩年以上財務狀況異常而被“特別處理（Special Treatment，ST）”作為分類器的分類標準?；诖耍疚倪x取2009-2014年首次被證監會“特別處理”的上市公司，共計167家上市公司作為發生財務危機的公司樣本。并根據同行業和相似總資產選取準則，選取了167家財務健康的上市公司作為配對樣本進行實驗。基于既有的的指標選取原則，本文分別從市場價值、營運能力、資本結構、償債能力、盈利能力和成長能力6個方面選取了38個財務指標作為構建財務預警模型的輸入。具體包含的指標內容如表1所示：
3.2 實驗設計
本文選取了神經網絡（NN），支持向量機（SVM）和決策樹（DT）三個常用的預測模型作為集成的基分類器。使用神經網絡作為基分類器，主要需要確定網絡層神經元的數量，本文采用經驗法對其進行設置，即網絡層的神經元數量一般設置為 ，其中m是輸入層神經元的個數，即輸入財務指標集的數量，n是輸出層的神經元個數，即是否發生財務危機，a是一個0-10之間的常數。采用支持向量機作為集成的基分類器時，采用徑向基函數（RBF）作為其核函數，并利用交叉驗證法尋找最優的懲罰系數C和核參數σ。
為了避免訓練樣本因為一次抽樣而使得模型的測試產生有偏的結果，采用10-折交叉驗證作為模型的驗證方法。即將樣本數據隨機劃分為互斥的10組，用其中9組作為訓練樣本，剩余1組作為測試樣本，重復這一過程，直至每組都做過一次測試樣本，并計算最終正確分類的樣本數量占總樣本數量的值來評估分類器的性能。
3.3 評價標準
本文分別采用整體預測準確率（Accuracy）、第一類錯誤率（type I error）和第二類錯誤率（type II error）作為評判模型優劣的評價標準。融合矩陣及各個評價標準的定義如下所示：
3.4 實驗結果與分析
為了分析以下兩個問題，一是在企業財務危機預警中Bagging和Adaboost兩類集成模型預測能力的差異，二是NN，DT和SVM分別與Bagging和Adaboost集成后預測能力的差異。本實驗共進行了9組實驗，來較全面的分析以上兩個問題。具體實驗結果見表3：
從表3可以看出，當使用Adaboost作為集成框架，DT作為集成的基分類器時，構建的模型具有最好的預測性能，準確率達到了80.24%，第一類錯誤率為17.86%，第二類錯誤率為21.69%。而采用Adaboost-SVM和Adaboost-NN的預測結果分類別77.55%和76.35%。同時可以看出，無論選擇哪種預測算法作為集成的基分類器，Adaboost集成框架的預測效果都優于Bagging，因為Adaboost具有更好的泛化性能和降低方差的能力。
4 結論
既往研究中，關于分類器集成方法在企業財務危機預警中的作用沒有被充分挖掘。所以本文對集成方法進行了較全面的研究和比較分析。本文選取了企業財務危機預警中常用了兩個集成模型：Bagging和Adaboost，用于比較。同時，每個集成模型都分別與神經網絡、決策樹和支持向量機相結合，用于判斷集成模型的性能。實驗表明，Adaboost-DT具有最優的預測能力。此外，相比于其它集成模型，Adaboost-DT具有更好的效率。所以，在未來關于企業財務危機預警的實踐應用中，該模型為管理者和投資者提供了一個較好的決策工具。
參考文獻：
