上市公司财务危机预警研究范文

上市公司财务危机预警研究篇1

摘要：本文以2001年至2008年间74家A股机械、设备、仪表业上市公司数据为研究对象，分别用多元判别、逻辑回归、BP神经网络和支持向量机四种方法构建了财务危机预警模型，并用2009年至2012年间24家同行业上市公司作为检验样本对模型进行了检验。研究结果表明：第一，人工智能方法所构建模型的预测准确率比传统方法构建模型的准确率高；第二，资产净利率和营业收入增长率是区分机械、设备、仪表行业上市公司财务状况优劣的重要指标。

 

关键词：财务危机预警 多元判别 逻辑回归 BP神经网络 支持向量机

鉴于预测上市公司财务状况对企业管理者及投资者等利益相关者的重要意义，近几十年来，对财务危机预警问题的探讨一直是国内外学者研究的热点。然而，大多数研究均将全行业作为研究对象，或单独对制造业进行研究，而没有考虑制造业中各个细分行业的特点。基于此，本文选取了制造业中机械、设备、仪表行业这一单独行业作为研究对象，分别用两种传统方法和两种人工智能方法对同一样本数据集构建模型，通过对模型结果的比较分析，得到对机械、设备、仪表行业更有针对性的结论。

 

一、研究设计

（一）样本的选取

本文将因财务状况异常而被特别处理界定为财务危机，而将没有被实施特别处理的公司界定为健康公司。对于危机样本，选取深、沪两市2001年至2012年间首次被实施特别处理的A股机械、设备、仪表行业的49家上市公司为财务危机样本。对于健康样本，根据被实施特别处理的方法可知，用被实施特别处理前一年或两年的数据来预测第T年是否被实施特别处理缺乏意义，因此本文选取（T-3）年的数据建模。按照1︰1的配比，对第T年被实施ST的危机样本，从T-3年非ST的机械、设备、仪表行业的上市公司中挑选与该ST样本上市时间相近、资产总额接近的公司作为选取的配对健康样本，共选出49家健康公司作为配对样本。进而，将2001年至2008年选取的74个样本作为建模样本，2009年至2012年选定的24个样本作为检验样本。

 

（二）财务指标的选择

根据全面性、易得性等原则，从盈利能力指标、偿债能力指标、成长能力指标、营运能力指标、现金流量指标和资本结构指标中，共选取了28个财务指标作为初始指标，分别记为X1、X2……X28。

 

（三）财务危机预警方法

通过对选取的样本用四种方法建模进行实证研究。其中，多元判别和逻辑回归两种方法属于传统建模方法，BP神经网络和支持向量机属于人工智能建模方法。 

二、实证结果与分析

首先利用SPSS 16.0统计软件对建模指标进行筛选，然后利用数据挖掘软件SPSS Clementine 12.0构建多元判别和逻辑回归两种传统模型以及BP神经网络和支持向量机两种人工智能模型。

 

（一）建模指标的筛选

首先，对建模样本的28个原始指标进行正态性K-S检验。然后，对符合正态分布的指标进行两独立样本的T检验，而对不符合正态分布的指标进行曼-惠特尼U检验。从T检验和曼-惠特尼U检验的结果可知，28个原始指标中共有13个指标通过了显著性检验，可用于构建财务危机预警模型。这13个指标如表1所示。

 

（二）财务危机预警模型的建立

首先对上述得到的13个指标进行标准化处理，记Xi标准化处理后的变量为ZXi，以这13个标准化处理后的变量作为建模变量构建财务危机预警模型。

1.多元判别模型的建立。定义Y为因变量，若样本为财务危机公司，则Y=1；若样本为健康公司，则Y=0。构建逻辑回归模型和神经网络模型时也采用这种因变量定义方式。利用SPSS 16.0软件，对上述经过筛选后得到的13个指标，采用Stepwise逐步进入法建立贝叶斯多元判别模型，得到正常组和危机组的判别函数分别为：

 

Y0=0.452×ZX14+0.287×ZX20-0.828

Y1=-0.452×ZX14-0.287×ZX20-0.828

可见，只有营业收入增长率X14和流动资金周转率X20两个变量被选入了模型，且营业收入增长率对模型的贡献率更大。将各样本的这两个财务指标值代入以上两式，若Y0大于Y1，则判定该样本属于健康公司；否则，属于财务危机公司。

 

2.逻辑回归模型的建立。建立逻辑回归模型时，变量进入模型的策略有强制进入、向前筛选和向后筛选三种方式。本文选择向后筛选策略构建逻辑回归模型，结果如表2所示。

 

从表2可以发现最终的模型中包含了四个财务比率。另外，从得到的变量重要性结果可知，对构建逻辑回归模型最重要的两个变量依次是资产净利率X3和营业收入增长率X14。由表2可以得到逻辑回归模型表达式为：

 

ln[（P/（1-P））=1.475×ZX1-1.818×ZX3-0.980×ZX14-1.317×ZX18-0.307

即：P=1/[1+exp（-1.475×ZX1+1.818×ZX3+0.980×ZX14+1.317×ZX18+0.307）]

其中，P代表财务危机发生的概率，将各样本ZX1、ZX3、ZX14和ZX18的值带入上式可得到概率P。设定0.5为最佳分割点，若P大于0.5，则判定样本为财务危机公司；否则，判定为健康公司。

 

由回归方程的Hosmer and Lemeshow检验结果可知，在最终模型中，Hosmer and Lemeshow统计量的观测值为9.213，观测概率P值为0.325，远大于显著性水平0.05，因此可认为由建模样本实际得到的分布与预测值得到的分布没有显著差异，模型的拟合度较好。

 

3.BP神经网络模型的建立。本文采用快速训练法进行建模，输入层节点个数为13，输出层节点个数为1。设置隐含层节点个数为3，指定冲量项Alpha为0.95，高Eta为0.05，其他学习率参数为默认设置。此时，训练样本的总体判别准确率为94.60%，预测样本总体判别准确率为70.83%，且该模型对预测样本中危机样本的判定准确率可达75%，详见表3。

另外，变量重要性结果表明，对所构建的神经网络模型最重要的两个变量是营业收入增长率X14和资产净利率X3。

4.支持向量机模型的建立。定义Y为因变量，若样本是财务危机公司，Y=1；若样本为健康公司，Y=-1。使用RBF核函数，本文设置RBFγ=0.15，惩罚系数C=90，其他参数为默认设置，对建模样本及检验样本进行预测，结果见表4。

 

变量重要性结果表明，对得到的支持向量机模型最重要的两个变量是资产净利率X3和营业收入增长率X14。

（三）结果分析

上市公司财务危机预警研究篇2

关键词：财务危机；神经网络；财务指标

一、国内外模型研究文献综述

财务危机又称“财务困境”，国外有关此问题的研究大多数将“财务危机”界定为“企业破产”。 在我国，几乎所有的研究都将因“状况异常”而被实行“特别处理”（ST）的上市公司界定为财务危机公司。本文中同样将财务危机确切界定为公司财务状况异常而被“特别处理”。

财务危机预警模型分为统计类财务危机预警模型和非统计类财务危机预警模型。统计类财务危机预警模型主要包括:一元判别模型、多元线性判别模型、多元逻辑回归模型、多元概率比回归模型等。目前，研究财务预警的模型主要集中于以下几类模型：单变量模型、多变量统计分析模型和人工神经网络模型。

（一）单变量模型

该模型研究的先驱者美国芝加哥大学教授WilliamBeaver（1966）提出了较为成熟的单变量模式，他以79家失败企业和相同数量、同等规模成功企业为样本，通过研究个别财务比率长期走势预测企业面临危机情况；国内采用一元判定模型进行财务预警研究的不多。其中，我国学者陈静（1999）以1998年的27家ST和27家非sT公司，利用1995―1997年的财务报表数据进行了单变量分析.提出流动比率和负债比率误判率最低；吴世农、卢贤义（2001）以7O家ST和7O家非ST上市公司为样本。应用单变量分析研究财务困境出现前五年内这两类公司21个财务指标各年的差异，最后确定了6个预测指标。

（二）多变量统计分析模型

多变量统计分析模型同单变量模型相比，更全面地反映了企业的财务状况。由于建模使用的统计方法不同，又分为多元回归分析模型、多元判别分析模型、主成分分析模型和Logisitic回归模型。美国学者Edward Altman教授率先将多元线性判别方法引入财务预警领域。开创了多变量预警模型的先河。提出Z―score模型；周首华等（1996）在Z分数模型的基础上进行改进构建了F分数模型；张玲（2000）选取沪深两市14个行业12O家上市公司为样本，从偿债能力、盈利能力、资本结构状况和营运状况4个方面15个相关财务比率中筛选出4个变量构建了二分类线性判定模型。从2000年开始，Logisitic回归模型已经引起人们的高度关注。姜秀华与孙铮（2001）、吴世农、卢贤义（2001）等多位学者均采用了Logisitic回归模型进行了财务危机预警的实证研究。

（三）人工神经网络模型

人工神经网络（ANN）的发展始于20世纪40年代，它利用大量非线性并行处理关系来模拟众多的人脑神经元的运作。具有较好的模式识别、学习、训练和容错能力，克服了传统统计方法的局限。M・Odom（1990）最早把人工神经网络应用于财务危机预测研究；由Rumelhart和McClelland（1986）提出的一种多层前馈反向传播BP神经网络方法，适用于模拟输入、输出的近似关系，而且具有无限隐含层节点的三层BP网络可以实现任意从输八到输出的非线性映射，同时也是近年来应用最广泛最成熟的ANN模型；Lapedes和Fayber（1987）首次运用神经网络模型对银行信用风险进行了预测和分析；杨保安等（2002）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应用于企业财务危机判定与预测。

二、实证研究

本文主要根据Logisitic回归模型和BP神经网络模型理论，搜集上市公司的财务数据，建立两种实证模型进行比较，分析财务危机预警的效果。

（一）研究样本的设计

根据我国的具体情况，本文将我国上市公司中的因“财务状况异常”而被ST的公司界定为“财务危机”公司。相应地，其他企业为正常公司。从沪市选取2007年度近三年首次被ST的公司34家和同期非ST公司68家，样本总量达到102家，其中ST公司在总样本中所占比例为33. 3%，这一比例显然与按照行业和资产规模进行配对抽样的比例（即ST公司和非ST公司各占50%）有所不同，根据Zmijewski研究可知，采用这样的选样方法，可以避免高估预警模型的预警能力。

为了进行预警分析，将上述102家公司分成训练样本和检验样本两个子样本，同时考虑到ST公司在总样本中所占的比例，对两个子样本中ST公司的比例作了适当分配。其中训练样本包括29家ST公司和51家正常公司，其作用是确定预警模型，而检验样本包括5家ST公司和17家正常公司，主要用来评估预警模型的预警能力。

样本公司的财务数据主要来自上海证券交易所网站和中国上市公司咨讯网站统计年鉴。

表1 备选财务预警指标

分类标识财务指标

偿债能力

X1流动比率

X2速动比率

X3资产负债率

X4利息保障倍数

营运能力

X5总资产周转率

X6应收账款周转率

盈利能力

X7净资产收益率

X8主营业务净利润率

成长能力

X9主营业务收入增长率

X10净利润增长率

现金流量

X11净利润现金含量

X12现金流动负债比

（二）财务指标体系的选择

财务比率的选取是构建财务危机预警模型极其重要的一步，选择的恰当与否关系到财务危机预警模型的有效性。本文借鉴国内外学者的实证研究成果并结合我国上市公司的实际情况，从企业的偿债能力、营运能力、盈利能力、成长能力、现金流量等5个方面，提供了12个备选财务指标，作为研究模型中使用的初始变量，如表1所示：

（三）Logistic回归分析模型

本文选取了沪市非金融类行业80家上市公司2005年的12个财务指标用于财务危机预警模型的建立。本文将选用软件SPSS 13.0 for windows，采用因子分析（主成分分析）进行财务预警分析研究。通过K一S检验和数据的频数分析，去处8个异常数据，前5个主成份的累计贡献率可以达到79.386%。于是最终取得速动比率、主营业务收入增长率、应收账款周转率、主营业务净利润率、净利润现金含量这5项财务指标（主因子）作为建模的初始自变量进行财务危机预警模型的构建。运用SPSS软件分析获得模型的系数及相关参数见表2：

表2 估计样本Logistic回归模型参数表

BS.E.WalddfSig.Exp（B）

Step 4（a）

X9-5.6641.8908.9781.003.003

X11-1.713.51011.2891.001.180

Constant1.569.6435.9501.0154.801

注：B为预警变量的回归系数：S.E.为回归系数的标准误差；Wald是检验偏回归系数的统计盈；df为自由度；Sig为显著水平。

根据公式：Yi=b1X1+b2X2+b3X3+b4X4+……+biXi+a=a+ biXi

将表5-10的分析结果分别代入上式，得到上市公司财务危机预警模型:

Yi=1.569-5.664X9-1.713X11

带入回归公式Pi=exp（Yi）/［1+exp（Yi）］ 就可以计算出上市公司发生财务危机的概率：

Pi=exp（1.569-5.664X9-1.713X11）/［1+exp（1.569-5.664X9-1.713X11）］

其中：X9代表主营业务收入增长率，反映公司的成长能力；X11代表经营活动现金净流量与净利润的百分比，反映公司的现金方面的能力。

大多数的研究样本中ST公司和非ST公司数量相同，比例为1：1，所以一般选择0.5作为临界点，即如果通过模型计算出来的某事件的概率大于或等于0.5，那么就判定该事件发生，否则就判定该事件不发生。本文选取的建模样本中ST公司和非ST公司数量分别为26和46，ST公司样本数占总样本数的比例为0.356，所以本文选取0.36作为临界点，即如果通过预测模型计算出来的概率大于或等于0.36，就将该公司判定为ST公司，而且数值越大，表明该公司未来发生财务危机的可能性就越大；如果计算出来的概率小于0.36，就将该公司判定为非TS公司，而且数值越小，表明企业未来发生财务危机的可能性就越小。

回带72个建模样本验证果（临界点取0.36）：

ST数量非ST数量ST判STST判非ST非ST判ST非ST判非ST判错总数精度

26462336411875%

检验样本22个验证结果（临界点取0.23）：

ST数量非ST数量ST判STST判非ST非ST判ST非ST判非ST判错总数精度

51750314672.7%

总样本验证结果（临界点取0.33）：

ST数量非ST数量ST判STST判非ST非ST判ST非ST判非ST判错总数精度

31632837572078.7%

（四）BP神经网络模型

本文采用三层BP网络，由输入层 隐含层、输出层组成。输入层至隐含层以及隐含层至输出层的传输函数均选用非线性S型Sigmoid函数，这个算法的学习过程由正向和反向传播过程组成。运用软件Matlab7.0，构建了三层BP网络。另外，由于输入是连续变量，输出是布尔型离散向量，训练或测试前使用Matlab的Premnm函数对样本进行归一化处理，作为网络的输入数据。BP神经网络的设计包括输入层、隐含层、输出层、传递函数、训练函数等网络结构和网络参数的设置。具体到文本的研究。设置如下：

1.输入层：输入层接受输入向量，因为采用12个财务指标作为预测变量，所以输入层的神经单元数目为12。

2.输出层：本文输出层神经单元数目为1，取值为0和1，代表上市公司的实际财务状况，在训练样本集中，如果第i个样本公司被ST，则第i个样本的目标输出为1，如果第i个样本公司没有被ST，则第i个样本的目标输出为0。

3.隐含层：隐含层的神经元个数目前没有统一的权威公式可以采用，但人工神经网络领域存在着经验公式2x＞N，x为隐含层神经元个数，N为样本总数，另外的一个经验公式是2n＞m，其中n为隐含层节点数，m为输入层节点数，据此本文初步选定隐含层神经单元数目为10。

4.传递函数：传递函数的好坏对个神经网络的训练效率至关重要。考虑到输出层的期望输出数据为0或1。本文隐含层和输出层节点的的传递函数都为（sigmoida1）型函数，通常为:Logsig（x）=l/（1+exp（-x）），整个网络的输出就限制在一个较小的范围内（0一1）之间的任意值。输出值大于0.9，认为输出为1，输出值小于0.1，认为输出为0。输出在0.1～0.9之间的，可以认为该输出为模型预测失效点。

5.网络参数：目标误差0.0001，学习速率为O.01，训练循环次数5000次。学习率通常在0.01，动量系数0.9。一般来说，学习率越小，训练次数越多，但学习率过大，会影响网络结构的稳定性。误差通常需要根据输出要求来定。e越低，说明要求的精度越高。

6.训练结果：

结果样本

三种网络结构下的五次实验平均结果

12-10-112-9-112-8-1

判别准确率

检验样本86.4%84.5%89.1%

训练样本98%96%99%

从上表本文所选的12-10-1、12-9-1、12-8-1三种网络

结构实证结果来看，在达到相同误差水平的情况下，虽然12-8-1

的网络结构迭代次数最高，但训练样本和检验样本的判别准确率均高于12-10-1和12-9-1的结构，所以根据本文所选样本选择12-8-1的网络结构是最适宜的。

（五）不同模型结果比较

从上述两种模型之间的判别准确率比较表可以明显看出，检验样本和训练样本方面BP神经网络判别效果均高于Logisitic模型。

三、研究的结论

1.我国上市公司的财务指标包含着预测财务困境的信息含量，因此利用公司的财务比率可以预测其是否陷入财务困境。

2.中国证监会对上市公司中ST的定义是有效的。因为本文证明了上市公司的ST板块与非ST板块有显著的区别，能用各种判别模型加以区分。

3.研究采用的两种模型方法都可以进行公司财务困境预测研究，但判定效果存在差异。

参考文献：

［1］ 陈晓，陈治鸿.中国上市公司的财务困境预测［J］.中国会计与财务研究，2000 （9）:55-72.

［2］ 张玲.财务危机顶警分析判别模型及其应用［J］. 预测，2000（6）:38-40.

［3］ 杨怡光.神经网络在经济信息竹理中的应用［J］.中南财经大学学报，2000（2）: s0-s3.

［4］ 吴世农，卢贤义.我国上市公司财务困境的预测模型研究［J］.经济研究，2001 （6）:46-48.

［5］ 曾繁荣，徐旭 上市公司典型财务危机预警模型比较研究［J］. 会计之友，2007（2）:89-90.

上市公司财务危机预警研究篇3

[关键词] 财务危机 财务危机预警 支持向量机

一、引言

1929年的世界经济大萧条成为国际上企业预警研究的触发根源。随着企业经济环境、竞争环境和经营情况的复杂化和多样化，国际上许多著名专家学者都进行了企业危机、企业风险管理等方面的研究，目前企业财务危机预警已成为企业管理研究的一个热点。

支持向量机（SVM）采用结构风险最小化准则，与传统的人工神经网络相比,它不仅结构简单,而且泛化能力明显提高。这一优点在小样本学习中更为突出。它避免了人工神经网络等方法的网络结构难于确定、过学习和欠学习以及局部极小等问题,被认为是目前针对小样本的分类、回归等问题的最佳理论。由于支持向量机具有全局收敛性和良好的推广能力，近来各国学者也开始将其应用在企业财务危机预警中。

二、文献回顾

国外与财务危机预警相关的研究可以追溯到20世纪30年代初，菲茨.帕特里克（1932）以19家公司作为样本，用单个财务比率将样本划分为破产和非破产两组。芝加哥大学教授比弗（1966）运用统计方法建立了单变量判别模型,发现现金流量与负债总额的比率能够最好地判断公司的财务状况，在破产前一年的预测正确率可以达到87%。接着，美国学者Altman在1968年将多元线性判别模型引入到财务危机预警研究中，并得出了著名的Z-Score模型。但是这些线性模型均存在假设上的局限性。因此，以欧尔森（1980）为代表的一些研究者采用了条件概率模型，主要有对数成败比率模型（LOGIT）和概率单位模型（PROBIT）。

近几年对人工神经网络的研究表明，由于它的非线性、非参数、自适应学习等特征，可作为模式判别的强有力的工具，它已成功解决了许多金融、财务等方面的问题，包括财务危机预测问题，如Salchenberger等人在1992年使用神经网络分析方法对金融企业的财务失败进行判断，1988年Messier和Hansen，1993年Fletcher和Gross都用这一方法对企业破产进行了分析。这些研究与以往的线性分析模型相比都取得了较好的结果。

我国的相关研究是从20世纪80年代开始的。西安交通大学的杨淑娥教授（2003、2005）采用主成分分析法，建立了上市公司财务预警Y分数模型；采用BP神经网络方法，建立了财务预警模型。刘凤娇在系统阐述奥特曼的“Z-Score”模型的基础上,有针对性地选取沪、深两市共80家企业A股作为样本,对上市公司财务风险进行了实证分析。王永生，李洁对Z-score预警模型进行了新的研究，对模型中各财务比率的权数及常数项进行调查，并对各模型预测概率进行比较，以获得其预测准确率，然后在此基础上提出P模型。

三、支持向量机

支持向量机是数据挖掘的一项新技术,是借助于最优化方法解决机器学习问题的新工具,它最初于20世纪90年代中期由Cortes&Vapnik提出，近年来在其理论研究和算法实现等方面都取得了突破性进展,是机器学习研究的一项重大成果。财务预警是一个非线性问题，可以通过非线性变换转化为某个高维空间中的线性问题，在变换空间求最优分类面。

引入松弛变量，使超平面满足

（1）

当时样本点xi仍旧被正确分类，而当时样本点xi被错分。为此，引入以下目标函数

（2）

其中C是一个正整数，称为惩罚因子，此时SVM可以通过二次规划来实现。这种变换比较复杂，在一般情况下不易实现。但是在高维空间实际上只需进行内积运算，这种内积运算是可以用原空间中的函数实现的。因此，在最优分类面中采用适当的内积函数,就可以实现某一非线性变换后的线性分类，而计算复杂度却没有增加。SVM中不同的内积核函数将形成不同的算法，目前研究最多的核函数有：多项式核函数、径向基函数(RBF)、Sigmoid函数，通过实验数据的对比，本文选择Gaussion RBF函数作为内积核函数进行建模。内积函数采用Gaussion RBF核函数

四、研究样本与变量

1.样本选择与数据来源

本文的数据全部来自“证券之星”(省略)、“泰阳证券”(省略)等网站。沪深证券交易所在2006年（截至11月底）共有55家被ST的公司，在2005年共有32家被ST的公司。本文另外随机挑选了70家非ST的公司数据和2006年55家被ST的公司数据一起作为训练样本，另外再随机挑选了32家非ST的公司数据和05年32家被ST的公司数据一起作为测试样本。这些公司都是2002年以前上市的，到目前为止都至少有五年的报表数据。

2.研究变量

预警指标的选择目前还没有一套成熟的标准。企业经营绩效主要由企业的盈利能力、权益乘数（负债结构）和周转能力共同决定，以上任何一方面发生问题均可能导致企业财务绩效下降并可能导致财务危机的发生。按照这种分析，上市公司的净资产收益率、销售净利率、销售毛利率、总资产收益率、主营业务利润率、流动比率、速动比率、超速动比率、资产负债率、利息保障倍数、长期负债比率、流动负债比率、股东权益比率、存货周转率、应收账款周转率、流动资产周转率、固定资产周转率、总资产周转率十八个财务指标基本涵盖了上市公司盈利能力、权益乘数（负债结构）和周转能力的主要方面。对于上述十八个财务指标，杨朝军教授等人使用了Kuskal-Wallis H非参数检验判断财务危机上市公司与非财务危机上市公司之间在这些指标上是否存在显著差异。结果表明，在财务危机发生前3年内均有显著差异的财务指标只有总资产收益率、主营业务利润率、超速动比率、资产负债率、流动负债比率、存货周转率、应收账款周转率、流动资产周转率和总资产周转率，因此，这些指标可能适

合作为上市公司财务危机预警指标。本文也选择这9个指标作为预警指标。

五、基于支持向量机的实证研究

在进行相关性分析时，我们发现资产负债率与总资产收益率、流动负债比率与总资产收益率、流动负债比率与资产负债率、总资产周转率与流动资产周转率这几对指标的相关系数都比较大。虽然SVM有比较坚实的理论基础和严格的理论分析，但是其中从理论到应用都还有很多尚未得到充分研究和解决的问题，并且有些问题仅仅依靠SVM本身的知识很难得到彻底解决，训练数据中多元变量的共线性问题就是其中之一。因此本文首先利用主成分分析法通过线性变换，将原来的多个指标组合成相互独立的能充分反映总体信息的指标，从而在不丢掉主要信息的前提下避开了变量间共线性的问题。

本文应用了Matlab的SVM_SteveGunn工具箱，参数C=300。提前3年、提前2年、提前1年的预测结果见表。

表 SVM模型的预测结果

六、结论

从表的结果可以看出，基于支持向量机的预警模型提前时间越短预测准确率越高，提前1年、提前2年、提前3年的总的准确率分别为93.55%、85.48%、71.67%；非ST公司的预测准确率普遍比ST公司的预测准确率高。上海交通大学的杨朝军教授等人建立的企业财务危机预警的生存分析模型―Cox模型，提前1年的准确率为80%左右、提前2年的准确率为70%左右、提前3年的准确率为65%左右。由此可以看出基于支持向量机的预警模型比Cox模型的准确率要好很多。

另外，从实证分析过程来看，SVM模型摆脱了单元和多元判别模型方法的局限，突破了依赖线性函数建立判别模型的限制，克服使用BP神经网络必须获得充分大量训练样本的困难，用非线性函数更好地拟和了样本数据，实现了方法上的创新。从结果来看，在小样本数据条件下，SVM预测精度远远高于其他方法，具有其他方法所不具有的优越性。

参考文献：

[1]陈为民马超群:金融经济.支持向量机方法及其在金融中的应用与前景,2006,(5)：114-115

[2]Ohlson J.Financial ratios and probabilistic prediction of bankruptcy. Journal of Accounting Research.1980,(19): 109-130

[3]刘姝伶颜玉英:国外财务预警的现状概论.沿海企业与科技,2006,(4)：107-108

[4]杨淑娥黄礼:系统工程理论与实践.基于BP神经网络的上市公司财务预警模型,2004,(4)：18－20

[5]刘凤娇:“Z - Score”模型在企业财务预警分析中应用的研究.经济师,2006,（5）：223-226

[6]王永生李洁:Z-score预警模型的研究与分析.财会通讯,2006(5)：52-55

[7]宋雪枫杨朝军:财务危机预警模型在商业银行信贷风险管理中的应用.国际金融研究,2006,(5):14-20

上市公司财务危机预警研究篇4

关键词：财务危机预警；logistic模型；上市公司

中图分类号：F830.9 文献标志码：A 文章编号：1673-291X（2011）13-0072-02

一、财务危机预警指标和模型

1.研究样本。本文共选择了沪深股市2007―2010年各年度首次被ST（包括*ST）并能够获得选择年度之前四年的财务数据的137家制造业ST公司作为研究样本，同时选择137家正常公司作为配对样本。其中2007年首次被ST的有41家，2008年首次被ST的有23家，2009年首次被ST的有28家，2010年首次被ST的有45家。配以行业相同、股本结构相似并且现在及不久的未来都没有被ST的迹象；能够获得选择年度之前四年的财务数据资料作为配对样本。

2.财务比率的选取。本文在选择指标构建财务安全测评指标体系主要考虑营运资本类指标，共10个，分别设X1 =总资产收益率，X2 =全部资产现金回收率，X3=现金周转期，X4=流动比率，X5=流动资产比例，X6=流动负债比例，X7=总资产增长率，X8=营业收入的自然对数，X9=经营活动现金净流量，X10=现金流动负债比。

3.预警指标的筛选。根据建立的财务安全测评指标体系，需要知道财务危机与财务安全公司之间哪些营运资本指标具有显著性差异。为了筛选出具有显著性差异及表征能力的变量指标，首先必须对指标的样本数据进行正态性检验，以确定是采用参数检验或者非参数检验来确定指标变量的差异性。

从K-S检验的结果来看，综合各年数据的检验结果，可以知道大多数样本并不符合正态分布。正常公司的检验结果同样证明了这个结论。因而，对样本数据不能够采用参数检验，而只能进行非参数检验。

两配对样本的Wilcoxon符号秩检验结果表明：配对样本的ST公司与正常公司的绝大多数营运资本指标存在显著性差异，其中ST前一年、前两年除X3外均有显著性差异。

为了在十个营运资本指标中寻找具有代表性的变量。用最具表征性的少数变量来替代整个指标变量体系。由于ST前一年的财务指标变量离被ST状态时间最近，其反映企业财务状况的作用最为明显，所以本文采用样本公司财务指标变量被ST前一年的数据进行聚类。为避免由于各变量之间由于量纲不同而造成的不可比性，对数据进行了标准化处理。采用聚类分析中的层次聚类进行分析，按照SPSS默认的类间平均链锁法（Between-groups linkage）来确定类合并原则。

ST前一年样本公司现金流量指标聚类结果：第一类：X3、X4、X5、X7、X9 ；第二类：X1、X8、X10 ；第三类：X2；第四类：X6 。

本文采用多元线性回归中的逐步回归分析方法对样本公司被ST前四年的数据分别进行回归分析，以便选择若干显著性变量。根据前文的非参数检验结果，并参考张为（2008）等人的研究，X1总资产收益率由于其良好的表征作用将其作为因变量，其他指标作为自变量，选择的标准按照SPSS统计软件的默认设定：F值的概率小于0.05时进入，大于0.10时剔除。

根据对样本公司十个营运资本指标在ST前一年聚类分析及ST前四年各年逐步回归分析的结果。通过变量筛选可以看出，通过聚类分析和逐步回归分析综合筛选指标的效果比较理想，聚类后每一类别基本均有指标入选，一共筛选出X2、X3、X4、X6、X7、X8、X9、X10 等8个指标。

尽管已经筛选出具有显著性的营运资本变量，但这些变量之间可能彼此之间高度相关，即存在多重共线性的可能。为此，本文对筛选出来的变量进行Person相关系数分析，进行进一步的筛选，经过筛选，每类指标都有一个入选，共有X2（全部资产现金回收率）、X6（流动负债比例）、X7（总资产增长率）、X10（现金流动负债比）4个指标入选。4个指标之间相互不存在显著的相关关系，并且覆盖了各类营运资本指标。

为了印证结果的正确性，本文对所选择指标从容忍度TOL和方差膨胀因子VIF进行了多重共线性检验，这四个变量容忍度检验结果均在1左右，几乎不存在多重共线性；方差膨胀因子取值大于等于1，值越大表明多重共线性越强，该四个变量的取值只是略大于1，说明变量之间多重共线性很弱。

二、运用Logit模型进行实证分析

根据前面的K-S检验得知所选的样本公司的营运资本指标数据大都不符合正态分布，故本文考虑采用多元逻辑回归方法来建立测评模型。同时前文中选取指标时已经消除了指标间的多重共线性，因而符合采用Logistic回归模型的前提条件。本文分别在ST前一年至前四年的样本中随机选取140家作为建模样本，134家作为测试样本。

本文将ST公司的概率P值设定为1，正常公司的概率P值设定为0。采用Logistic回归模型常用的0.5作为概率分界值，即预测概率值大于0.5时认为被解释变量的分类预测值为1，小于0.5时认为分类预测值为0。选取前文确定的五个变量，采用表中的172家建模样本在ST前四年的数据构建Logistic模型，

将建立的ST前四年的模型回代建模样本数据，从建模样本回代测评结果看出，在ST前一年和ST前二年，测评模型表现了较为良好的测评效果。在ST前一年测评ST公司的正确率和测评正常公司的正确率分别达到了87.2%和83.7%，总体正确率为85.5%。在ST前二年测评ST公司的正确率和测评正常公司的正确率分别达到了80.2%和79.1%，总体正确率为79.7%。在ST前三年，模型测评总体正确率下降到67.5%，而在ST前四年总体正确率只有59.9%。

为了进一步确定模型的测评效果，分别将测试样本ST前四年的数据代入，测试样本测评结果和建模样本的测评结果类似，在ST前一年和前二年效果较好。其中在ST前一年测评ST公司的正确率和测评正常公司的正确率分别达到了86.3%和82.4.2%，总体正确率为84.4.5%。在ST前二年测评ST公司的正确率和测评正常公司的正确率分别达到了78.5%和76.5%，总体正确率为77.5%。在ST前三年，模型测评总体正确率下降到66.7%，而在ST前四年总体正确率只有60.8%。

三、结论

上市公司财务危机预警研究篇5

[关键词]财务危机；配对样本；主成分分析；逻辑回归；预警模型

一、“财务危机”(Pinancialcrisis)又称“财务困境”(Pinancialdistress)，国外多数同类研究采用破产标准。但中国从1988年开始试行《企业破产法》至今，没有一家上市公司破产．尽管2004年6月“ST宁窖”爆出破产风波，但也在同年12月通过债权人和解解除了危机。由此可见，中国的破产机制不健全，加上国内证券市场的发展历史很短，采用外国学者的做法行不通。

国内学者大都将特别处理(ST)的上市公司作为存在财务危机的公司，如陈静(1999)、李华中(2001)、姜秀华(2002)等。本文也将ST公司作为研究样本，并将“财务危机”定义为“因财务状况异常而被特别处理(ST)”，所指的“财务状况异常”包括上市公司突然出现重大亏损、连续两年亏损、股东权益低于注册资本或每股净资产低于面值等几种情形。

二、国内研究文献综述

陈静(1999)以1998年的27家ST公司和27家非ST公司为研究样本，使用1995—1997年的财务指标进行了单变量分析和多元判定分析，由于受样本量的限制没有对上市公司被ST的原因加以详细区分；李华中(2001)用判别函数对1997—1999上市公司分类，描述了ST公司的行业分布，利用向前回归法筛选财务指标建立预警模型；姜秀华等(2002)以在深沪两市上市的42家公司为控制相关变量，同时随机选取42家非ST公司为控制样本进行了研究，运用Logistic回归得到预警模型，并进行了预测与效果检验。

三、研究方法和研究样本

(一)研究方法

本文采用的方法是二元逻辑回归(Logit)，相关的数据分析处理通过SPSSl3．0软件完成。

(二)研究样本及样本的行业特征分析

1.选择的研究样本

本文选择的样本S1是2002—2004年深沪两市首次被ST的118家公司。

同时，选择了与样本S1同行业并且资产规模相近的118家盈利上市公司作为配对样本S2。

本文的数据主要来源于“亚洲证券”和“巨潮资讯”。

2.样本行业特征分析

至2005年8月，深沪两市共计有1379家上市公司(深市551家，沪市828家)。发生财务危机的118家上市公司分布在11个行业。其中，制造业出现财务危机的上市公司最多，占ST公司总数的58．48％，但与该行业上市公司的总数相比，发生ST的比例并不突出，只占8．60％．传播文化类上市公司有2家发生亏损，鉴于此类别的上市公司较少，虽占ST公司总数的1．7％，但占整个行业的18．18％，说明传播文化类公司承担的风险较大，发生财务危机的比例也就较高。其次是综合类上市公司，占ST公司总数的10．17％，占整个行业的15．00％。

四、预警指标的选择和分析

如果上市公司在第t年被实施ST，那么(t－1)年表示上市公司被实施ST的前1年。

(一)财务危机预警指标的初步选择

为对上市公司的情况进行全面、系统的描述，本文结合国内外的研究成果，初步选择了变现能力B1(流动比率X1、速动比率X2)、资产管理B2(总资产周转率X3、总资产周转率X4、应收账款周转率X5)、负债能力B3(资产负债率X6、产权比率X7)、盈利能力B4(净资产收益率X8、销售毛利率X9、销售净利率X10)、现金流量B5(每股经营现金净流量X11、经营现金净流量对挣利润比率X12、经营现金净流量对负债比率X13)、成长能力B6(资产增长率X14、主营业务收入增长率X15、净利润增长率X16)、股权扩张B7(每股收益X17、每股挣资产X18)、股东持股B8(前三大股东持股比例X19、前十大股东持股比例X20)等8个方面的20个财务指标。

(二)初选指标分析

1．财务指标的均值和标准差分析

利用SPSS计算ST与非ST公司各财务指标的均值及标准差。研究结果显示，发生财务危机的前1年，ST公司与非ST公司的20个指标的均值均存在明显区别。

2．配对样本检验

根据ST公司与非ST公司的同一财务指标的配对，利用SPSS进行配对样本T检验和Wilcoxon秩检验，Wilcoxon秩检验使用的是Z统计量。

从表1中可以看出，除资产增长率X14外，ST与非ST公司的20个指标的配对样本T检验普遍显著，ST公司的Z统计量明显高于非ST。

总之，通过上述分析，可以看到ST公司与非ST公司在财务危机发生的前1年，两者的均值、标准差、T统计量、Z统计量发生了明显的变化。

(三)财务预警指标的进一步筛选

ST与非ST公司的上述20个指标，有的作用显著，起了较大作用，相比之下有的作用并不明显，而且指标过多会存在多重共线性或序列自相关。因此，在建立财务危机预警模型前，有必要进一步对财务指标进行筛选，利用变化显著的指标建立预警模型。本文拟选择主成分分析法。

1．变量间相关性分析

本文的相关性分析采用Person相关系数，结果表明产权比率x7与净资产收益率朋、流动比率X1与速动比率X2、每股经营现金净流量X11与经营现金净流量对负债比率X13、每股收益X17与每股净资产X18、前三大股东持股比率之和X19与前十大股东持股比率之和X20的相关系数均超过0．6。为消除多重共线性的影响，按财务指标间相关性较小为优原则，经比较，剔除X7、X2、X13、X18及X19这五个财务指标。

2．财务指标的进一步筛选

引入虚拟变量y，表示上市公司是否出现财务危机。将上市公司出现财务危机设为1，没有出现财务危机设为0。

利用直接斜交转轴法，对剩余15个财务指标进行主成分分析，提取了3个因子。这3个因子分别为流动比率X1、每股经营现金净流量X11、前十大股东持股比率之和X20。

五、预警模型的建立及预测

笔者利用主成分分析得到的上述三个财务指标，选择二元逻辑回归(Logit)方法，建立财务危机预警模型并进行预测。

(一)模型的建立

设多元逻辑回归(Logit)拟合的方程为：

(二)预警模型效果检测

以0．500为概率最佳分割点进行预测。预测结果显示该模型的整体预测效果为75．319％，其中ST公司的预测准确率为76．923％，非ST公司的预测准确率为73．729%。

六、结论

笔者采用2002—2004年新增ST公司的日个方面的20个财务指标，建立起上市公司发生财务危机前1年的危机预警模型进行了预测。为便于对比研究，选取相同数目的盈利公司作为配对样本进行T检验和Wilcoxon秩检验。研究表明，选取财务指标的效果明显，建立的sT公司的危机预警模型的判断准确率达到95．31％．由于研究是假定上市公司的财务数据是真实的，若上市公司粉饰财务报表，模型准确性可能受到影响。

主要参考文献

[1]Ohlson，JamesA：“FinancialRatiosandtheProbabilistlcPredictionofBankruptcy”，JournalofAccountingResearch，1980．

[2]陈静．上市公司财务恶化预测的实证分析．会计研究[J]，1999，(4)．

[3)李华中．上市公司经营失败的预警系统研究[J]．财经研究，2001，27，(10)．

上市公司财务危机预警研究篇6

[关键词] 上市公司；财务危机；预警模型

[中图分类号] F270 [文献标识码] B

[文章编号] 1009-6043（2017）02-0160-02

一、财务危机预警分析含义和方法

（一）财务危机预警分析的含义

预警就是根据事物外部环境和内部因素的变化，对可能形成的风险和危机进行预测和报警。准确而及时的预警有利于做好防范措施，减少风险和危机造成的损失。财务危机预警是根据“财务危机”和“预警”两个词构成，是经济预警的一种。

财务危机预警分析是通过对企业的财务数据及非财务资料的分析，利用及时的财务数据和相应的数据化管理方式，预先告知企业所面临的情况，同时分析企业的财务危机成因，发现企业财务运营及经营管理中隐藏的问题，以适时采取应对措施。

（二）财务危机预警分析的方法

财务危机预警分析研究方法有定性预警分析（包括专家调查法和四阶段症状分析），定量预警分析（包括单变量模型和多变量模型）和定性与定量结合预警分析，本文主要采用理论联系实际、定性与定量相结合的研究方法，并在比较基础上采用理论研究和实证分析相结合。通过了解和研究国内外有关财务预警的理论文献与实证研究成果，以上市公司为研究对象，结合企业经营发展过程中实际财务情况和客观环境，揭示出上市公司所存在的财务风险管理问题，并对上市公司存在问题提出相应的对策与建议，对此进行理论研究和实证应用分析，使企业财务危机预警分析具有针对性、现实性和指导性。企业财务分析预警级别如下表。

二、上市公司财务危机预警分析存在的问题

（一）公司治理结构不健全且风险意识缺乏

上市公司关于财务预警分析较少关注，或未能深入分析财务危机产生的原因。公司治理结构不健全包括：外部的原因，如宏观环境、市场因素的影响。内部原因，如主业萎缩、资产流动性差等等。由于这些原因使上市公司出现不同程度的财务危机的。如果不深入分析财务危机产生的原因，就不能正确选取指标和变量用来预警企业财务危机，上市的财务危机预警分析部门就失去了现实作用。

（二）财务预警指标的选择狭窄

财务危机预警分析的指标选取是一项关键性工作。一方面，财务预警指标能够对财务风险现状进行评估，通过综合考虑成本效益对其中涉及现金流量的核心数据进行统计，如果因为财务预警指标的选择过于局限，就会降低统计数据的客观性，降低预警效率。另一方面，建立财务预警模型，对现有投资项目的收益情况、企业流动资金量、预期盈利情况等进行评估。不仅要关注于企业当前的经营状况和财务状况，还要考虑不确定因素可能给已经开工项目带来的风险。然而由于财务统计的容量较小，并不能对不确定因素进行全面的评估，公司法人治理结构有待进一步改善。因此上市公司所使用的财务危机预警分析中选取的指标不具有适用性。

（三）财务预警模型缺乏实用性

建立财务风险预警模型能够对还未形成的潜在风险因素进行识别，然而由于不同企业所处的行业风险成因不同，很多企业在没有分析财务预警模型的实用性的情况下就盲目开展工作，导致风险预警效率下降。与此同时，由于我国财务风险预警模型研究还处于起步时期，在实用性上还存在一定欠缺。

（四）排警措施不够重视

如果采取单一的排警措施方法，很有可能会加重财务风险。企业管理者应根据企业的实际经营情况采取组合策略，针对风险的不同成因采取针对性的排警措施，从而降低风险。并在风险结束之后及时调整排警制度上的不合理之处，尽可能地增强企业抵御财务风险的综合能力。如果上市公司的排警措施不能有效实施，会失去对公司财务状况和未来发展前景的评估作用，增加财务风险出现的可能性。

三、完善上市公司财务危机预警分析的对策建议

（一）树立风险防范意识

上市公司虽然已经设立财务危机预警分析部门，但对企业现实中产生的财务问题没有较好的分析，不能及时进行预警。应该加强上市公司财务危机预警分析，对经营活动中产生的财务等问题及时进行分析、预测，使企业预警部门真正对企业起到重大作用，减少企业财务危机发生的可能性。

（二）拓宽预警模型变量选择范围

使用定量分析方法对财务风险因素进行评估，并构建科学合理的预警模型，是防范财务风险的有效方法。利用多种技术手段，对风险因素的影响范围和影响程度进行评估。由于定性分析更注重对一些非量化指标的评价，而并没有对风险因素的权重进行估测，如企业财务管理水平、风险防范意识、人员流动状况等。目前很多上市公司只是对这些非量化指标进行定性分析，根据人们对风险预测的经验并不能对财务风险趋势进行有效的预测。因此，上市公司应将定性分析与定量分析相结合，对财务指标和非财务指标进行分析，拓宽财务预警模型的指标选择范围，增强预警模型的现实适用性。

（三）根据实际情况完善财务预警模型

不同行业的财务风险因素存在一定差异性，在制定财务风险预警模型是应根据企业的实际经营情况采取组合管理策略，针对风险的不同成因采取针对性的措施，加强内部管控，从而降低风险。并在风险结束之后及时调整管理制度上的不合理之处，及时解决企业在财务风险管理中存在的问题，积极推动企业风险文化体系的建设，从而达到规避风险的目的，尽可能在财务风险形成之前对风险的成因和影响范围进行有效地识别。

（四）建立预警对策库

现有财务危机预警分析研究都是属于一种静态的研究，即只是站在一个时点上对上市公司进行截面预测，而没有做到动态分析。而任何企业经营活动都是动态的，都存在一个调整的过程，因此我们要加强动态财务危机预警分析的研究。当企业发生财务危机时，不能只是单纯地对某一指标进行分析，而应根据企业的现实情况，采取最直接、最有效、最合适、最经济的预测方法进行分析和研究、比较，进一步提高预警系统的有效性。

四、结论

随着世界经济环境的日趋复杂，企业面临的竞争压力也越来越大，为了适应这种新的环境，很多公司都将优化财务风险管理模式作为应对各类风险的主要手段，并将财务风险预警管理被提上日程。国内财务危机预警制度还存在一些不合理问题，如在财务评估报表中关于风险指标的选取范围狭窄、研究方法单一、分析不够深入等，降低了财务预警的效率。随着企业内外部环境越来越复杂多变，企业面临的财务风险也越来越大，企业对财务风险的管控是否得当，将直接关系到企业的生死存亡。因此，企业应尽早建立财务风险预警制度，加强对风险指标的检测，建立科学有效的财务风险控制策略，重视全员财务风险意识的培养，对于提高企业在市场竞争中的生存和发展具有重要意义。

[参 考 文 献]

[1]文玉华.对构建企业财务危机预警系统的研究[J].商业文化（学术版），2012（7）

[2]谭东华.关于我国上市公司财务危机预警研究问题的探讨[J].现代商业，2012（11）

[3]徐鹿，邱玉兴.高级财务管理[M].北京：科学出版社，2011-02：291-292

[4]袁康来.财务危机预警实证研究-农业上市公司的经验证据[M].北京：社会科学文献出版社，2012-04：81-89

上市公司财务危机预警研究篇7

关键词：财务危机；预警；指标体系

一、引言

“财务危机”又称财务困境，最严重的财务危机是企业破产。企业因财务危机最终导致破产实际上是一种违约行为，所以财务危机又可称为“违约风险”。

关于财务危机的定义，目前尚无一个统一的说法。具有代表性的观点有以下几种：(1)beaver(1966)将破产、拖欠优先股股利、拖欠债务界定为财务危机。(2)altman(1968)定义的财务危机是进入法定破产、被接管或者重整的企业。(3)deakin(1972)则认为财务危机公司仅包括已经经历破产、无力偿债或为债权人利益而已经进行清算的公司。(4)carmichael(1972)认为财务危机是企业履行义务时受阻，具体表现为流动性不足、权益不足、债务拖欠及资金不足四种形式。(5)wruck(1990)给出的财务危机的定义是企业现金流量不足以抵偿现有债务的情况，这些债务包括应付未付款、诉讼费用、违约的利息和本金等。(6)ross等人(1999；2000)则认为可从四个方面定义企业的财务危机：一是企业失败，即企业清算后仍无力支付债权人的债务；二是法定破产，即企业和债权人向法院申请企业破产；三是技术破产，即企业无法按期履行债务合约付息还本；四是 会计 破产，即企业的账面净资产出现负数，资不抵债。(7)lee(2004)认为可以从两方面定义财务危机：一是未能偿还到期借款的本息，借款期间有过延期还款和减少本息支付的协议；二是公司的净资产减少到其股本的一半以下。

综合上述各种定义可知，无论财务危机如何定义，企业发生财务危机都具有无力偿还到期债务、现金流的紧张状态可能使经营无法持续的特点。财务危机的出现意味着企业基本面发生根本性变化，处理不当就会导致企业破产。因此，识别企业财务危机，并对其做出预警，不仅对企业经营者及时采取措施化解危机具有重大的意义，而且对于投资者规避风险也有非常重要的价值。

二、 文献 综述

企业财务危机预警问题的研究很早就引起了各方面的关注，很多 经济 学家与财务专家都在这方面做了大量的工作，他们利用相应的财务变量构造了一系列的预测模型，其中有代表性的研究成果可归纳为四类。

(一)单变量模型

单变量模型是运用单一变数、个别财务比率来预测财务危机的模型。最早的财务预警研究是fitzpatrick(1932)的单变量破产预测研究。此后，william beaver(1966)使用单变量为分析方法，采用成对抽样法进行样本配对，考察了29个财务比率在企业陷入财务困境前1-5年的预测能力。beaver发现 在破产前一年的预测正确率可以达到87%，对于失败企业是最具有预测能力的指标。国内学者对单变量模型也作了较深入的研究，包括陈静(1999)以1998年的27家st公司和27家非st公司，使用1995-1997年的财务报表数据，进行了单变量分析。吴世农和卢贤义(2001)以70家st公司和70家非st公司，应用单变量分析法研究了在上市公司陷入财务危机前5年21个财务指标之间所存在的差异。

单变量模型的优点是只需要观测一个变量，应用比较简单；但是，任何一个财务比率无法充分和全面地反映企业的财务特征，所以该方法在现今的研究中很少被单独使用，一般都是与其他方法结合运用。

(二)多变量分析模型

多变量分析模型又可以分为多元回归分析模型和多元判别分析模型。edward altman(1968)使用多变量分析法对企业财务危机进行研究。他以1946-1965年间33家破产的制造业企业为样本，并配对33家正常企业，将22项财务比率分为流动性、获利性、财务杠杆、偿债能力和活动力五大类指数，利用多变量分析法建立了著名的z-score记分模型。meyer和pifer(1970)以1948-1965年间失败的30家银行与其相匹配的30家非失败银行为样本，利用二元回归分析法建立模型，并且用9对相匹配银行组成的预测样本对模型进行了验证。此外，还有其他典型的判别分析模型，包括：deakin模型、blum模型、casey模型和taffler模型等等。国内的相关研究主要有陈静(1999)使用1995-1997年的财务数据，对27家st公司和27家非st公司进行的多元判别分析。张玲(2000)以120家公司为研究对象，使用其中60家公司的财务数据，通过多元判别法建立了财务危机预警模型。卢守林等(2002)以沪深两市a股市场上所有上市公司1998-2000年的财务资料为依据，用多元判别分析法构建的z-score模型。

多变量分析法弥补了单变量分析法的不足，具有较高的准确率和稳定性，但是也存在着一些不足：第一，这种方法受到了统计假设的限制，只适用于自变量近似服从正态分布的情况，并且要求组内的协方差矩阵相等，否则得到的预测结果可能是有偏的；第二，多元判别分析要求财务危机公司与正常公司之间一定要配对，而配对的标准具有较大的主观性。

(三) 多元条件概率模型

多元条件概率模型是使用极大似然法对参数进行估计的一类概率模型，包括logistic模型和probit模型。martin(1977)首次使用logit模型预测公司的破产及违约概率。ohlson(1980)从1970-1976年间在美国的上市公司之中排除公共事业、运输公司、 金融 服务业，总共挑选出105家破产公司和2 058家正常公司为样本，采用九个财务比率建立了logit模型。huffman & ward(1996)运用logit模型对1977-1991年间违约的171家企业的高收益债券进行了预测研究等。国内的相关研究主要包括：吴世农和卢贤义(2001)分别采用多元判别分析和 logit回归方法建立和估计了预警模型。刘?F(2001)使用1999年28家st公司与另外28家正常公司陷入财务危机前3年的数据，通过logit回归方法建立了财务危机预警模型。姜秀华(2002)和齐治平(2002)利用logit模型对我国上市公司进行信用风险分析。李萌(2005)以不良贷款率作为信用风险衡量标准，构造商业银行信用风险评估的logit模型等。

多元条件概率模型的主要优点是不需要自变量服从多元正态分布和组内协方差矩阵相等的假设条件，但是要求因变量有逻辑含义，而且 计算 过程较为复杂，有很多近似处理。

(四)神经 网络 预警模型

神经网络，又称人工神经网络(artificial neural network，ann)是一种从神经心 理学 和认识 科学 的研究成果出发，应用数学方法 发展 起来的并行分布模式处理系统。常见的神经网络模型主要有：bp神经网络模型、mda协助神经网络模型、id3协助神经网络模型和sofm协助神经网络模型。odom和sharda(1990)是将人工神经网络模型应用在破产预测模式中最具代表性的学者。koh和tan(1999)以1978-1985年间出现的165家破产公司为失败样本并以正常公司165家作为配对样本，使用人工神经网络模型构建了企业危机预警模型。在我国，王春峰(1998)、杨保安(2001)等学者也在此领域进行了深入的研究，杨保安通过对中信实业银行的分析，选取了4大类共15个财务指标，运用bp神经网络方法建立了一个可供银行用于授权评价的预警系统。 台湾 的林文修(2000)选取1992-1996年在台湾证交所上市企业中的36家失败企业和64家正常企业，并区分为学习样本73家与测试样本27家，比较了多元判别分析、logit模型、bp神经网络模型和演化式神经网络模型等四种方法的模型预测准确率。

神经 网络 预警模型的主要优点是分析层次清晰且逻辑关系严密，并依据心 理学 理论加入了一主观因素，从而有效地使客观分析与主观判断相融合。它的缺点是规范分析特点明显，不适宜做实证分析，分析模式缺乏灵活性，数据性假设条件过于苛刻。

三、财务危机预警的指标体系设计

导致 企业 发生财务危机的因素很多，且错综复杂，单变量模型与多变量模型仅能揭示影响关系与程度，变量的选择会因分析人员偏好的不同而不同，其不仅缺乏统一的理论基础，而且系统性往往较差，多元条件概率模型和神经网络预警模型虽然在分析技术上较为先进，且分析企图试图更精确，但它们在强调分析技术的同时，往往忽略了立论的基本依据，且在变量选择中往往伴随较明显的盲目性。因此，作为完善多变量模型系统，为多元条件概率模型和神经网络预警模型提供变量选择的依据，利用相应的财务理论构建企业财务危机预警指标体系就是研究企业财务危机的基础之基础。但从财务本身的角度去分析，财务危机形成的原因可以归结为以下几点：(1)公司经营状况不佳，导致营业收入无法稳定增长，造成公司的连续亏损，使得财务危机发生的可能性增大；(2)过高的负债使公司面临更大的财务危机。虽然公司本身有盈余，但是可能因为无法应付短期的庞大利息支出而造成破产倒闭；(3)现金流量发生持续性的净流出，企业就像是流动性资产的储水槽，若水槽中的流量变小(资产变少)，流入量减少(现金流入减少)，流出量增加(现金流出增加)，流入量与流出量之间的差量就会逐步增大，这样会使公司出现财务危机的概率增加。

综合引起财务危机的三个主要因素，可以对应用五个方面的财务指标来描述或预警财务危机，用经营能力指标、成长能力指标和获利能力指标来度量或反映企业的经营状况，用公司的偿债能力指标来度量或反映企业的债务负担，用现金流量指标来度量现金流。从预警的角度考虑，五个方面的财务指标可进一步细分为20个更具体的财务变量(见表1)，以此构成财务危机预警的指标体系。

以深沪两市a股中被st的上市公司为实际考察对象，利用2006年1月1日-2007年12月31日深沪两市a股中154家被st的上市公司的数据。剔除由于以下几种原因而被st的上市公司：(1)上市两年内被特别处理的公司；(2)因 自然 灾害、重大事故等意外事件而被特别处理的公司。经过剔除后，本文选取的有效样本变为80家。根据研究期间一致、行业相同或相近、规模相当的原则按1：1的比例选择没有被st的上市公司作为配对样本。由于我国上市公司年报披露制度规定上市公司公布其年报的截止日期为下一年的4月30日，上市公司(t-1) 年的年报和其在第t年是否被st几乎同时发生，因此，用(t-1)年的数据预测第t年是否被st没有实际意义。在本文中采用 (t-2)年的数据进行分析。

表6是财务危机公司和正常公司的成长能力指标在发生财务危机前2年的统计性描述，包括最大值、最小值、平均数、标准差和t值。

四、结论

根据上述经验值的 计算 结果可知，一般情况下，可以根据财务指标的实际值来判断企业是否陷入财务危机，判断的标准见表7。

依据表7的标准可以得出结论。即在发生财务危机的前2年，正常公司和危机公司在获利能力、偿债能力、经营能力、现金流量和成长能力的20个指标中有15个指标在5%的置信水平下通过了t检验，也就是说正常公司和危机公司在上述15个财务指标的均值上存在着显著性的差异。因此，只要发现企业对应财务指标变量的实际值有一个或多个落入预警区间，就必须引起我们高度的关注。

参考 文献 ：

[1] 刘红霞.企业投资预警系统的构建及其分析[j].投资研究，2003(9).

[2] 陈静.上市公司财务恶化预测的实证研究[j]. 会计 研究，1999(4).

[3] 吴世农，卢贤义.我国上市公司财务困境的预测模型研究[j]. 经济 研究，2001(6).

上市公司财务危机预警研究篇8

【关键词】财务预警；实证研究；财务危机

财务预警实证研究是随着证券市场的发展而产生和不断深入的。国外证券市场经历了上百年的发展，财务预警实证研究在利益相关者对财务危机预测信息需求的推动下，不断创新和扩展，形成了成熟的理论；而我国证券市场的发展不过短短几十年，财务预警实证研究才刚刚起步。笔者在这里就中外财务预警实证研究的相关状况作一简略探讨。

一、国外财务预警实证研究的历史回顾

1、一元判定模型的研究

1932年Fitzpatrick以19家公司为样本，运用单个财务比率将样本划分为破产和非破产两组进行研究，发现净利率／股东权益和股东权益／负债对财务危机的判别能力最高，自此开创了财务危机预警实证研究的先河。而后，1966年Beaver对1954～1964年间79家失败企业和对应的79家成功企业的30个财务比率进行了研究，在排除行业因素和公司资产规模因素的前提下，得出以下财务比率对财务危机的预测是有效的：现金流量 ／ 债务总额，净收益 ／ 资产总额，债务总额 ／ 资产总额。

2、多元线性判定模型的研究

为了弥补一元判定模型的缺陷，1968年Altman首先将多元线性判别法引入财务危机预警研究领域，根据行业和资产规模，他选择了33家破产公司和33家非破产公司作为研究样本，以误判率最小的原则确定了5个变量作为判别变量，其多元线性判定模型为：Z＝1．2×1＋1．4×2＋3．3×3＋0．6×4＋1．0×5，判别变量分别为营运资本 ／ 总资产，留存收益 ／ 总资产，息税前收益 ／ 总资产，股票市值 ／ 债务的账面价值，销售收入 ／ 总资产。此后，有许多学者采用类似的方法进行研究，对模型加以改造，只是选取的变量指标或者指标系数不同而已。

3、多元逻辑回归模型

在1980年Ohlson第一个将逻辑回归方法引人财务危机预警领域，他选择了1970～1976年间破产的105家公司和2058家非破产公司组成的配对样本，分析了样本公司在破产概率区间上的分布以及两类错误和分割点之间的关系，发现公司规模、资本结构、业绩和当前的融资能力进行财务危机的预测准确率达到96．12％。逻辑回归分析方法使财务预警得到了重大改进，克服了传统判别分析中的许多问题，包括变量属于正态分布的假设以及破产和非破产企业具有同一协方差矩阵的假设。

4、多元概率化回归模型

1980年Ohlson采用概率化回归方法进行财务预警研究，他选择1970～1976年间破产的105家公司和2 058家非破产公司组成的配对样本，采用极大似然法，通过每个样本个体的破产与非破产的联合概率最大来构造模型，其研究思路与多元逻辑回归相似，不同之处是多元概率化假设样本服从标准正态分布，且寻求破产概率的方法不同，所以其缺陷类似于多元逻辑方法。

5、人工神经网络模型

1991年Tam采用人工神经网络模型进行财务预警研究，通过输入层、隐藏层和输出层的人工神经网络的模拟构建模型，具有较好的模式识别能力和容错能力，能够处理资料遗漏和错误，可随时依据新数据资料进行自我学习训练，适用于今日复杂多变的企业运作环境，但其理论基础比较抽象，对人体大脑神经模拟的科学性和准确性有待进一步加强，因而使用性大大降低。

二、我国财务预警实证研究的现状及特点

1、我国财务预警实证研究主要借鉴国外的研究成果。

我国市场经济体制的建立和资本市场的发展历史相对较短，证券法规体系不健全以及破产机制不完善阻碍了实证研究的步伐，财务预警实证研究的起步较晚，在研究方法上主要借鉴国外的成果利用我国的数据构建类似的模型。如陈静于1999年利用一元判定分析方法以1998年底的27家ST公司与同行业同规模的非ST公司作为样本进行研究；张玲于2000年利用多元线形判定方法以深沪交易所120家上市公司作为样本进行研究；吴世农于2001年利用逻辑回归和多元概率化回归方法进行研究；杨保安于2002年利用人工神经网络模型方法进行研究。

2、我国财务预警实证研究对象的界定是以财务状况是否异常为标准。

如何界定财务预警研究的对象是进行实证研究的前提，它涉及到研究样本的选择及模型的构造。在国外的大多数研究中，将企业根据破产法提出破产申请的行为作为界限，这主要是因为企业提出破产申请这一行为是客观发生的，具有高度的可度量性，容易确定研究样本。只有极少数研究如Beaver认为界定标准不应仅仅定为企业破产，还包括债券不偿付，银行透支，不能支付优先股。而我国上市公司破产机制不健全，到目前为止尚不存在实际破产的案例，所以我国实证研究对象的界定是以财务状况是否异常为标准，这符合我国的国情及上市公司的特点。

3、我国财务预警模型指标的选取受到财务业绩评价指标体系的影响。

财务业绩评价指标体系主要由反映企业基本财务状况的指标组成，包括财务效益状况、资产营运状况、偿债能力状况、发展能力状况指标，是对企业经营成果的事后评价，是主要用于衡量企业经营绩效的一种手段。而财务预警模型指标是由对企业财务状况异常反映最敏感的指标组成，其目的是通过指标的综合加权值来预测企业未来的财务危机，是一种事前的预测。可见，财务预警指标的选取不同于财务业绩指标，如果用反映事后的指标代替必需具有警示作用的先兆指标，必然使财务预警模型的适用性与预测精度大大降低。

三、对我国财务预警实证研究的展望

1、将注册会计师的审计意见纳入模型。

我国目前财务预警实证研究大多数只是考虑定量方面的指标，尤其是财务业绩评价指标，很少将定性因素纳入模型并与定量指标相结合补充。审计意见是注册会计师对企业财务会计报告在重大方面是否公允反映其财务状况的一种职业判断，能够从独特的视角反映公司的经营状况，可作为企业经营状况的指示灯。将其纳入预警模型需要较复杂的统计技术处理，消除指标之间的多重共线性，再加上审计意见纳入模型必须基于以下假设：财务危机公司财务包装或者盈余管理的可能性要远远大于财务正常公司，其得到的非标准审计意见也要大于财务正常公司；离财务危机时间越近，财务危机公司出具非标准审计意见的概率越大。目前我国注册会计师的审计独立性不够，审计意见没有很强的信号功能，与财务危机的相关性不显著，在这方面的研究前提不具备，但是随着我国公司治理结构的完善，独立审计行业的规范，审计意见这一定量指标的信息含量将增加，其应用指日可待。

2、采用现金流量指标构建预警模型。

我国目前公司法中规定实行ST、PT制度，据理性经济人假设，上市公司的管理层及有关部门为了保留壳资源，避免出现亏损或连续三年亏损往往会竭尽全力采用盈余手段。财务预警模型的构成指标主要是取自资产负债表和损益表的数据，以权责发生制为基础，容易受到盈余管理的影响，其与财务状况的相关性大打折扣，而现金流量表的主要作用是提供现金流量方面的信息，以实收实付制为基础，能较客观地反映企业真实的财务状况。其分析指标体系可分为：获现能力分析如销售现金比、每股经营现金净流量；偿债能力分析如现金流量比率、现金利息保障倍数；盈利质量分析如净利润经营现金比率、营运指数；发展能力分析如再投资现金比率、投资适当比率；财务弹性分析如现金股利保障倍数、外部融资比率。利用现金流量指标体系构建财务预警模型具有现实基础，因为现金流量表是上市公司重要会计报表之一，其编制原则和方法具有统一的规定，提供了实证研究的数据。

3、基于经济增加值的财务预警实证研究。

我国实证研究的数据取自公司会计报表上公布的财务指标进行预警研究，然而传统会计指标只考虑债务资本的成本，不考虑股权资本的成本，并不能说明股东价值是否保值增值，并且会计利润指标的使用对管理者产生误导，倾向于利润操纵和短期行为，不利于企业的长期发展。经济增加值是从税后净营业利润中扣除包括股权和债权的所有资本成本后的经济利润，它不受公认会计准则的限制。通过对财务会计报表进行适当的调整，它消除了会计报表对企业利润的扭曲，真正成为股东所定义的利润。因此，运用经济增加值进行财务预警实证研究克服传统会计指标的缺陷，寻找经济增加值与财务危机之间的相关关系在理论上是一种创新和突破，但是经济增加值作为战略和财务管理的工具在我国上市公司中的运用未得到推广，且其计算过程存在很多调整项目，没有统一的标准，其实用性也大打折扣。

4、其他财务预警实证研究方法的引入。

随着学科的交叉发展以及财务危机预警引起实务界和理论界的重视，其他非主流方法将会不断引入该研究领域。主要值得探讨的方法有：（1）功效系数法：选定与财务危机相关的评价指标，设定其满意值和不允许值，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，用加权算术平均或加权几何平均的方法得到其综合平均数，即为该公司的综合功效系数，根据其大小判断公司财务危机状况及其程度；（2）主成分分析法：在财务预警实证研究中为了解决指标之间的多重共线性，采用主成分分析法，用少数几个潜在的主成分指标的线形组合来表示多个与财务危机相关的指标，简化实测指标系统。

参考文献

[1]演陈静．上市公司财务恶化预测的实证分析[J]．会计研究，1999，（4）．

[2]吴世农，卢贤义．我国上市公司财务困境的预测模型研究[J]．经济研究，2001，（6）．

[3]张玲．基于经济附加值的上市公司财务困境预警实证研究[J]．财经理论与实践，2004，（9）．