上市公司财务危机预警模式

上市公司财务危机预警机制如何建立呢，本文以财务数据为基础，构建财务危机预警模式机制。

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。

　　论文检测天使-互联网抄袭检测软件http://www.jiancetianshi.com
（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。

　　论文检测天使-免费论文相似性查重http://www.jiancetianshi.com
[1]电大学习网.免费论文网[EB/OL]. /d/file/p/2024/0425/fontbr二、实证结果与分析br /> 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。

　　论文检测天使-互联网抄袭检测软件http://www.jiancetianshi.com
（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。（表略）
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。（表略）
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
本文从各模型对样本预测精度和对构建各模型最重要的指标两方面对模型进行分析。
1.模型预测精度分析。以上所建四种模型对建模样本和检验样本的预测准确率汇总见表5。（表略）
比较四种模型对建模样本预测准确率可知，无论是对总体还是对单独的每一类样本来说，BP神经网络的预测准确率都是最高的，可达到90%以上；其次是支持向量机模型，预测准确率也可达80%；最后是两种传统建模方法所构建的模型。
比较四种模型对检验样本预测准确率，可知用支持向量机方法构建的模型对检验样本的预测准确率最高，可达80%，且该模型对危机样本的预测准确率可达83%，与其他几种方法构建的模型相比准确率更高。其次，BP神经网络模型的预测准确率达到了70%，而多元判别方法构建模型预测准确率只有60%。
所以，无论对建模样本还是对检验样本，人工智能方法所构建模型的预测准确率均比传统方法构建模型的准确率高。
2.重要建模指标比较。由各模型变量重要性结果可知，资产净利率X3和营业收入增长率X14这两个变量对几种模型的构建均有重要作用，是判断机械、设备、仪表行业上市公司财务状况优劣的重要指标。
三、结论
本文针对机械、设备、仪表行业74家上市公司（T-3）年的财务数据，分别用四种方法构建了财务危机预警模型，并对所构建模型的预警精度和建模变量进行了比较分析。研究发现： 论文检测天使-免费论文检测软件http://www.jiancetianshi.com
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X3和营业收入增长率X14这两个变量对四种模型的构建均有重要作用，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。