财务危机预警应用论文

摘要：支持向量机（SVM）对小样本问题具有良好的学习能力和泛化能力，但应用到数据分布不平衡的财务危机预警问题时，对“正例”的识别效果不佳；模糊C均值（FCM）聚类能够在保持原有样本数据信息的同时较好的实现“正例”和“反例”的平衡。文章在FCM实现数据预处理的基础上，应用SVM方法对企业财务危机进行识别，实证分析证明这种方法在是有效的。今天小编为大家推荐《财务危机预警应用论文(精选3篇)》，仅供参考，希望能够帮助到大家。

财务危机预警应用论文 篇1：

我国上市公司财务危机预警系统应用研究

【摘要】 上市公司的良好运作和发展，需要应用适合本公司实际的财务危机预警系统，以帮助公司防范和化解财务危机。本文在论述财务危机预警系统的现实意义、分析其应用现状及进行原因剖析的基础上，对上市公司有效应用财务预警系统提出了思考及建议。

【关键词】 财务危机；预警系统；应用

上市公司财务危机预警系统的研究一直是经济管理界的热门问题。财务危机是公司无力支付到期债务或费用以至于威胁公司生存和发展的经济现象。面对国际竞争的加剧和复杂多变的经济环境，上市公司不可避免地面临各种财务危机。但通过研究上市公司相关信息，构建有效的财务危机预警模型，能在很大程度上帮助上市公司防范和化解财务危机，尽可能地减少利益相关者的损失。然而，由于种种原因，财务预警系统在我国上市公司中尚未得到广泛应用。

一、在我国上市公司应用财务危机预警系统的现实意义

随着退市风波的奏响，上市公司不再可能永久保持圈钱的能力。作为上市公司必须时刻监测公司的经营业绩和财务状况。财务危机预警系统即是以财务会计信息为基础，通过设置并观察一些敏感性财务指标的变化，对上市公司可能或即将面临的财务危机所实施的控制和预测警报系统。

在上市公司应用财务危机预警系统，主要可以发挥四个作用：

（一）危机预知作用

对公司的经营过程加以跟踪并监控公司日常财务状况，在可能危害公司的财务关键因素出现之时，财务预警系统能预先发出警告，提醒公司经营者早做准备或采取对策以减少财务损失。

（二）财务诊断作用

根据跟踪检测,对公司的实际财务状况与行业或标准财务状况进行对比分析，找出导致公司财务运行恶化的原因以及公司运行中的弊端及其病根所在。

(三)过程控制作用

即更正公司营运中的偏差或过失，使公司回复到正常的运转轨道上，挖掘公司一切可以寻求的内部资金创造渠道和外部财源，在发现财务危机时阻止其继续恶化，控制其影响范围。

(四)风险规避作用

财务失败预警系统不仅能及时回避现存的财务危机，而且能通过系统详细地记录危机发生缘由、解决措施、处理结果，并及时提出建议，弥补公司现有财务管理及经营中的缺陷，完善财务失败预警系统，从而既提供未来类似情况的前车之鉴，更能从根本上消除隐患增强公司的免疫能力。

二、我国上市公司财务预警系统的应用现状及原因剖析

（一）我国上市公司财务预警系统的应用现状

国内外常见的预警模型主要包括量化分析和非量化分析两种。量化分析方法主要分为单变量判定模型和多变量判定模型。非量化分析方法主要有标准化调查法、“四阶段症状”分析法、“三个月资金周转表”分析法、流程图分析法、管理评分法等。目前，还有其他一些财务预警的分析方法，如人工神经网络分析法、F分数模型、近邻法、分类树等。这些方法在很多书刊中均有介绍，在此不再赘述。可见，财务预警系统是随着在国内外的实际运用而不断完善更新的。

在国内外财务预警研究的影响和推动下，我国上市公司财务预警系统不仅备受理论界的关注，还得到了其他一些社会群体的认同。然而由于在国内财务预警系统还是一个比较年轻的研究领域，目前我国上市公司的监管部门尚未就上市公司运用财务预警系统做出相应的规定，再加之我国本身的一些特有现象和问题，使得上市公司缺乏建立和运用财务预警系统进行财务危机预警的主动性。在我国上市公司的实际应用中，财务预警系统大多是以传统的财务指标分析为基础，以定性的逻辑分析为主，而不是根据实证研究的成果去构造财务危机预警体系，指标处理也以综合评价方法为主。即使有一些量化方法的使用，也主要是借鉴国外的方法，局限于对公司财务数据的统计、财务指标的筛选和财务模型的计算分析等，上市公司应用财务预警系统的范围和程度还远远不够。如上海证券交易所为了对上市公司财务报告进行有效的分析，及时发现上市公司财务报告中存在的问题，减少市场和投资者的风险，开发的《上市公司财务指标预警系统》。其实现的主要功能也只是在单指标预警分析、综合财务分析的基础上做出财务状况诊断书。

（二）我国上市公司财务预警系统应用现状的原因剖析

既然财务预警系统能帮助上市公司及时发现财务状况的恶化，有利于上市公司调整经营策略，扭转财务状况恶化的势头，为何财务预警系统在上市公司中得不到广泛应用呢?作者认为，造成这种局面的原因主要有以下几方面：

1.会计信息质量影响财务预警系统的有效性

上市公司财务预警模型的设计运用了大量的财务数据，真实可靠的财务会计信息是建立有效可行的财务预警系统的基础。在我国上市公司中，股东与管理层之间的信息不对称问题十分突出，管理层在会计信息编报方面拥有过大的权力，而且现行的监督机制和独立审计机制难以确保上市公司的会计信息质量。这种普遍存在的会计信息失真现象势必影响财务预警系统的有效性，同时，由于财务数据质量问题，采取科学的定量方法进行财务预警依然较难实现，从而进一步影响了有关利益各方运用财务预警系统的积极性。

2.上市公司决策层缺乏主动运用财务预警系统的意识

现阶段，我国证券市场还不够成熟、完善，上市公司行为也不够规范。由于“一股独大”和“内部人控制”现象的普遍存在，上市公司通过盈余管理手段“圈钱”，利用关联方交易恶意造假，导致大量特权消费甚至腐败现象。在上述不良但又比较普遍的行为当中，一般的投资者是利益受损方，而上市公司决策层是既得利益方，肯定不希望实施可能会发现他们问题的一些措施。同时，运用财务预警系统还要耗用大量的开发和实际运行成本，势必从管理层的既得利益中“分一杯羹”。还有一些管理层风险意识淡漠，风险观念狭隘，认为只要管好用好资金，就不会造成很大财务风险。因此，上市公司的决策层缺乏主动运用财务预警系统的意识便属正常现象。

3.财务预警系统实际应用的研究尚不到位。

现有的财务预警系统运行模式，大多是借鉴国外的方法，诸如前面介绍的量化分析方法和非量化分析方法等，国内学术研究和监管领域虽然对上市公司的风险一直给予高度关注，也一直致力于财务预警系统实际运行的研究，但并未形成合适的、有效的系统运行模式。预警系统的财务指标比较多，计算方法也比较复杂繁琐，可操作性、实用性难以保证。非量化指标又缺乏合理的论证，各个上市公司也对其衡量财务风险的有效性提出质疑。因此，在应用中耗费大量人力物力、实际效果又不能保证的情况下，很多上市公司自然不会选择应用财务预警系统。

三、上市公司有效应用财务预警系统的思考及建议

基于以上的应用现状和原因剖析，笔者提出以下相关建议：

(一)财务预警系统的应用与完善内部控制体系相结合

一个机能有障碍的公司内部控制体系所产生的最终结果是导致公司的失败(Jensen,1993)。Simpson和Gleason(1999)的实证研究也验证了公司治理机制是导致公司失败的重要原因。由于我国的上市公司基本上都是由国有公司改制而来的,公司的内部控制存在的问题更多。有效的财务预警系统需要真实准确的内外部会计信息为基础，而会计信息质量有必须完善的内部控制制度来保证。严密的内部控制措施既能保证公司资产的安全完整，又能为预警提供准确的第一手资料，否则公司的财务预警将形同虚设。一个良好的内部控制制度，应具备法人治理结构完善、组织建设权责分明、交易处理程序适当、信息记录真实等内容。为此，建议现有体系中执行效果较好的制度继续实施，同时考虑采取以下对策对其进行完善：1.把握好关键点，注意内部控制的横向和纵向流程。横向应针对经营和财务管理中的风险，即主要把握好投资、筹资、应收账款、内部担保抵押、关联交易等日常经营管理行为中可能存在的风险。纵向应针对财务信息反映、预测、决策和控制整个流程中可能存在的风险。这样才能对公司的财务风险进行全面的监测和控制。2.发挥主要债权人的作用，激励他们积极参加公司战略决策。因为他们是利益相关但又相对独立，能站在公平的立场来审视公司的管理和决策，有利于公司建立一个运转良好的内部控制体系。

（二）根据我国证券市场的实际，完善上市公司财务预警系统

现有的预警模型大都是在借鉴国外模式的基础上，根据上市公司的资料进行统计计算得出的。虽然预警模型的部分指标在不同国家也同样具有一定的有效性，但仍可能存在“水土不服”的局限。随着市场上功能日益增强的统计软件的开发与会计资料库的建立，财务管理决策或监测当局可以根据我国实际情况研制适用于本土公司的财务预警系统，不断更新评价指标，及时预测反映公司的财务状况，推动我国资本市场的健康发展。 一旦应用财务预警系统的研究比较成熟，作为上市公司监管机构的证监会，就可以制定相关制度对上市公司加以约束，以增强上市公司进行财务风险预警的自觉性，这样才能使投资者的正当利益得到合法保护。

(三)不同行业和类型的上市公司财务预警模式应有所差别

预警模式的选择和使用不能千篇一律，上市公司的行业性质、经营理念、管理水平和产品特点等都不尽相同，再加上每种模型自身也有局限性，要想使选择的财务预警模式真正及时有效地发挥作用，就必须根据实际情况设计、选择和构建符合公司要求和特点的财务预警模式。对于生产类型的公司，重点应关注公司的偿债能力和公司的现金流，可主要选择流动比率、速动比率、资产负债率、存货周转率等指标。对于投资类的公司，重点应关注资产保值增值能力和盈利能力，关键指标可主要选择总资产报酬率、资本收益类、资产保值增值率等指标；对于贸易类公司应重点关注公司的营运能力，其中以外销国际市场为主的公司，则应注意外汇汇率变化走向，建立汇率变动率预警指标，当汇率变动率超过公司警戒线时，能够及时采取措施规避汇率变动产生的危机等。

（四）财务危机预警指标体系应考虑一些必要的非财务指标的定性因素

加入非财务指标等定性因素后的指标体系，能在不同方面弥补单纯财务指标的不足。这不仅仅是因为上市公司都存在着不同程度的会计信息虚假利润操纵行为，把非财务指标引入预警指标中，可以考虑到公司个别情况，增强指标体系的灵活性，有效弥补财务比率真实性方面可能存在的不足，提高模型的分辨率。更重要的是，一些非财务指标本身如公司规模、审计意见、行业因素等在预测经营失败方面起着重要作用。但需要注意的是，引入模型的非财务指标也需要进行技术处理加以量化，与财务指标形成良好的匹配。

（五）实施过程中要及时更新、调整指标，统筹分析危机因素

由于受外部环境的影响，并非所有的问题都能通过公司自身的调节措施达到化解财务危机的目的。因此，在外部环境发生变化时，要注意保持预警系统的及时更新，淘汰不合适或陈旧的指标，增加更能反映本公司实际的新指标；另一方面，公司在化解现时存在的危机的同时，可能会带来新的风险和问题。因此，公司应全盘统筹考虑，分析多种不同措施可能带来的各种不利影响，并进行比较，从中选取最经济的可行方案。不断提高上市公司的风险意识，增强、培养和激发上市公司主动应用财务风险预警系统的能力和水平，推动财务预警系统研究和应用的不断发展。

【参考文献】

[1] 王震.国外上市公司困境研究与启示.财经研究，2002.6:19.

[2] 陈晓，陈治鸿.中国上市公司的财务困境预测.中国会计与财务研究，2000.3：36.

[3] 刘金星.公司财务风险管理预警系统的应用研究.山东纺织经济,2005.4:28.

[4] 周首华. 现代财务理论前沿专题.第一版.大连:东北财经大学出版社,2000.165.

[5] Jensen,Michael C..The Modern Industrial Revolution,Exit,and the Failure of Internal Control Systems[J].Journal of Finance,1993,48(3),831-880.

作者：张艳秋　王彤彤

财务危机预警应用论文 篇2：

ＦＣＭ－ＳＶＭ集成方法在财务危机预警中的应用

摘要：支持向量机（SVM）对小样本问题具有良好的学习能力和泛化能力，但应用到数据分布不平衡的财务危机预警问题时，对“正例”的识别效果不佳；模糊C均值（FCM）聚类能够在保持原有样本数据信息的同时较好的实现“正例”和“反例”的平衡。文章在FCM实现数据预处理的基础上，应用SVM方法对企业财务危机进行识别，实证分析证明这种方法在是有效的。

关键词：FCM；SVM；财务危机预警

企业财务危机是指企业丧失偿还到期债务的能力，包括从资金管理的技术性失败到破产以及处于两者之间的各种情况。企业财务危机预警就是要识别出当前企业财务的状况，在该问题中通常“正例”（ST公司）数量要远小于“反例”（非ST公司），因此企业财务危机预警本质上是不平衡模式识别问题。

支持向量机（简称SVM）由于优越的学习能力、泛化能力，特别是能有效地解决小样本问题，很快被应用到了模式识别领域。然而，标准的SVM算法是基于精度的，在处理不平衡模式识别问题时，往往能够得到较高的精度但对“正例”的识别效果一般。通过平衡“正例”和“反例”的样本数量可以有效的解决这一问题。机器学习领域有向上采样法和向下采样法，但是向上采样法新生的“正例”数据不具有代表性，而向下采样法去掉的部分“反例”数据可能带有一些必要的信息。Zmijewski（1984）研究表明，若样本中财务危机与非财务危机企业的比例偏离总体中两类企业的比率，则会歪曲模型的预测能力。

模糊C均值（FCM）聚类善于处理模糊不确定性问题并且不依赖先验知识，得到的代表点在有效保持原有样本数据信息的同时，较好地实现了“正例”和“反例”的平衡。

本文将两种方法有机结合起来，在FCM实现数据预处理的基础上，应用SVM算法对沪深上市公司2004年财务情况进行识别，验证这种集成方法在企业财务危机预警中的有效性。

一、 FCM简介

FCM算法是一种基于划分的聚类算法，它的思想就是使被划分到同一簇的对象之间相似度最大，而不同簇之间的相似度最小。模糊C均值算法是普通C均值算法的改进，普通C均值算法对于数据的划分是硬性的，而FCM则是一种柔性的划分。

四、 实证研究

1． 样本选取。根据我国上市公司实际情况和有关政策规定，上市公司发生财务状况异常或发生其他异常状况，导致投资者对该公司前景难以判定，可能发生损害投资者利益的情形时，上市公司自动进入ST板块。其中，财务状况异常指的是最近两年连续亏损，或最近一年的每股净资产低于每股面值。从以上规定可以看出，宣布为特别处理的企业已经陷入了较大的财务危机。因此，将ST类作为财务危机型企业的标准是现有条件下的最佳选择。本文数据来源于巨潮网，数据为公司被ST前第三年的数据。剔除一些奇异值后，共有95个学习样本，其中“正例”数据24个，“反例”数据71个，另外有96个作为测试样本。

2． 财务危机指标选取。在参考相关文献的基础上，本文选取以下指标进行分析：流动比率（x1），速动比率（x2），现金比率（x3），资产负债率（x4），负债权益率（x5），应收账款周转率（x6），存货周转率（x7），总资产周转率（x8），产期资产适合率（x9），主营业务毛利率（x10），主营业务利润率（x11），净资产收益率（x12），总资产扩张率（x13），每股收益（x14），总资产利润率（x15），主营业务比率（x16），主营业务收入增长率（x17），净利润增长率（x18），每股收益增长率（x19）。

3． 指标筛选。本文数据来自于不同的行业，所以首先应将数据正规化，使数据落在[0，1]之间。

本文选取的指标众多，目的是使模型获得尽可能多的信息，但这样势必带来维度爆炸问题，使模型计算量加大，为此应用SPSS对所有样本进行主成分分析，提炼综合因子形成彼此不相关的主成分，避免信息重叠。KMO值为0.652，Bartlett球度检验给出的相伴概率为0.000，可见构造样本适用于做因子分析。取累计贡献率为76.6%，得到的主成分因子个数为7，即用7个主成分代替原有的19个指标，7个主成分包含了原来76.6%的信息。

4． 样本空间生成。利用FCM将学习样本中数量居多的“反例”进行聚类，得到和“正例”数量相同的代表“反例”的新样本，这些样本和“正例”样本一起组成新的学习样本空间，并作为支持向量机的输入样本。对测试样本做同样的处理，生成测试样本空间。

5．结果分析。本文通过K-折交叉验证中的网格法（Grid）在MATLAB7.0环境下编程进行参数寻优，得到：C=2.0，?酌=2.0。对输入样本进行学习，获得决策函数，进而对测试数据进行预测。定义第Ⅰ类错误为将非ST公司预测为ST公司，定义第Ⅱ类错误为将ST公司预测为非ST公司。具体结果如下：

从表1中我们可以清楚的看到，直接用支持向量机对学习样本进行学习，进而对测试样本进行预测时，其总体准确率较之FCM、SVM集成方法差了10多个百分点，但从第Ⅰ类错误率来看，二者几乎是相等的（本文只保留了小数点后两位），即两种方法预测非ST公司准确率几乎相等，而在第Ⅱ类错误率上，FCM—SVM集成方法要比SVM方法小的多。

这说明：第一，采用FCM聚类方法对数据进行的预处理很好的保留了“反例”样本的信息，并有效的实现了两类样本数量上的平衡，加上支持向量机良好的分类能力，从而获得了较好的效果；第二，从SV数量上来看，FCM-SVM集成方法在保证较高预测精度的前提下，得到的SV数量显著减少，这有效减少了模型的计算时间；第三，企业财务危机预警重点在于对ST公司的预测，第Ⅰ类错误的代价要远远小于第Ⅱ类错误的代价，所以模型应尽可能使第Ⅱ类错误率小，从上表可以看出，FCM-SVM集成方法很好的做到了这一点。

五、 结论

支持向量机具有非常好的鲁棒性和泛化能力，但是在处理企业危机预警这类样本数据分布极不平衡的问题时，预测精度虽然较高，但是实际效果并不一定好。利用模糊C均值聚类方法进行数据的预处理能有效地解决样本数据的不平衡问题，是支持向量机在企业危机预警问题中的有效补充，实证表明，基于FCM—SVM的集成方法在企业危机预警问题中具有较高的预测精度以及较好的对“正例”的预测能力。

参考文献：

1．谢纪刚等．分类器集成在财务危机预测中的应用研究．复旦学报，2004，43（5）：785-788．

2．张根明，向晓骥．基于支持向量机的上市公司财务预警模型研究．科技管理研究，2007，（4）：234-235．

3．边肇祺，张学工.模式识别．北京：清华大学出版社，2000．

4．程芳，黄国良．财务预警研究中应注意的六个问题．统计与决策，2007，（4）：159.

5．杨淑娥，王乐平．基于BP神经网络和面板数据的上市公司财务危机预警．系统工程理论与实践，2007，（2）：61-67.

6．李晓峰，徐玖平．企业财务危机预警Rough—ANN模型的建立及其应用．系统工程理论与实践，2004，（10）：8-14.

基金项目：黑龙江省科技攻关项目（项目编号：GC05A108）

作者简介：梁静国，哈尔滨工程大学经济管理学院教授、博士生导师；刘丙泉，哈尔滨工程大学经济管理学院博士生。

收稿日期：2008-02-01。

注：本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文。

作者：刘丙泉　梁静国　姚　平

财务危机预警应用论文 篇3：

粗集—遗传支持向量机在制造业上市公司财务危机预警中的应用

摘要：本文利用相关财务危机理论建立影响上市公司财务危机的指标体系，通过粗集理论对这些指标进行约简获得核心指标，再利用支持向量机对核心指标建模得到企业财务危机预警模型，并运用到未来三年的财务危机预测当中。实证分析表明，本模型前两年的综合预警准确率达90%以上，证明了该模型有较强的预测能力。从财务危机预警结果来看，与传统SVM方法相比，粗集及遗传算法的引入不仅能够提高预警效率，而且能够提高预测精度，与实际企业财务情况基本一致。实际应用表明，在企业财务危机预警建模中，粗集理论的约简和遗传支持向量机方法的实施充分利用了样本数据本身特点，并为后续的优异预警结果提供良好地理论基础。

关键词：制造业上市公司；财务危机预警；粗集；遗传算法；支持向量机

一、引言

任何公司财务危机的发生都不是一个突发事情，而是一个逐步显现、不断恶化的过程，具有一定程度的积累性和先兆性等特征。由于企业财务危机的这种可预知和可预测的，需要实时建立一个财务危机预警系统，对企业的财务状态进行实时跟踪和分析，提早发出危机预警信息，从而提早做相应准备或采取相应措施，以减少甚至避免相应损失。

当企业经营者由于经营不善或其它客观原因使得企业财务不能正常运转的一种持续性状态时，我们称之为财务危机。Beaver[1]最早把财务困境概念定义为企业不能偿付到期债务。财务危机预警主要是通过分析公司相关财务数据，从分析结果判定其陷入财务危机的某些本身所固有的特性或先兆，再通过相关理论对财务数据进行分析，从而建立财务危机预警模型，以期达到预警或防范作用。到目前为止，相关学者仍未寻找到财务危机发生所固有的特性或先兆，故通过建立财务预警模型来对相关公司在未来一段时间内的财务危机情况进行适度预警，不失为一个较好的解决方案或技术途径。

财务预警研究内容或方法一般分为以下两方面：一是从单变量数据分析模型到多变量数据分析模型；二是从传统统计分析方法到人工智能方法。Fitzpatrick[2]在1932年利用单个财务比率模型对19家选取样本进行判定，发现净利润/股东权益和股东权益/负债能够较好地判别。单变量分析模型可以对企业财务情况进行预测，其过程也比较简单，但其预警效果不是很好，预测准确率也不高。这是因为实际企业的财务状况一般是由多种因素决定，故从原理上来说，利用单变量模型对企业财务状况进行预警是不够合理的。于是相关学者试图通过构建多因素或多变量数据分析模型来解决这一问题。Altman在[3]1968年利用多变量数据模型对企业财务危机进行预警，通过选取33家破产企业及与其配对的企业进行分析，结果表明此模型具有较高的预警能力。尽管此后该模型被广泛运用到财务危机预警领域，但由于此模型的建立是需要诸多假设条件，而实际当中企业可能不能满足的条件，故其合理性、实用性及科学性不能得到很好保证[4]。而后相关学者尝试利用统计方法对财务危机领域进行研究。Ohlson[5]于1980年提出利用概率模型来对企业财务危机进行预警，他针对1970-1976年造业上市公司的财务数据进行梳理，选取106家破产公司及2000多家健康公司作为实验样本，采用财务比率来建立Logit模型。研究表明，预测精度较高，实际效果较为理想。但Logistic回归模型本身在各变量权重确定问题上未得到较好解决。故Jones[6]在2004年首次建立混合Logistic回归模型来解决这一问题，并应用到公司财务危机预警当中。尽管混合Logistic回归模型预测精度较高，也无需较为苛刻的假设条件，但需要大量样本进行训练来建立相应预警模型，这样才能取得较好地预警效果，可实际公司财务数据往往不能满足这一条件。由于这一新问题的出现，使得很多学者将解决这一问题的希望转移到具有智能特性的人工智能方法上，如人工神经网络方法（Artificial Neural Net Work，简称ANN模型）和支持向量机（Support Vector Machine， 简称SVM）。人工神经网络不仅能够克服传统统计方法的局限，还具有较好的模式识别能力。Sharda[4]于1990年首次对选取的样本企业利用神经网络方法进行财务危机预警。研究表明，利用神经网络方法构建的预警模型对检验样本的预测正确率可达79%，相对于传统方法所建立的预测模型具有明显优势，但其训练过程中权重确定问题未得到有效解决。于是，周敏[7]于2002年建立了模糊系统与神经网络模型相结合的财务危机预警方法。实证分析表明，该模型较传统的判别分析等单一预警方法具有更大优势。由于仅采用单一方法对企业财务情况进行预测，往往由于单一方法自身的缺陷，使得所建立模型的预测能力十分有限。还有许多学者利用多种方法相结合来构建预警模型，以期解决这一问题。如郭德仁[8]于2009年利用模糊聚类和模糊模式识别方法相结合来对企业财务危机进行预警。该模型首先对训练样本进行聚类，得到最优聚类中心，再对待分类模型进行模糊模式识别。结果表明，该模型预测正确率可达85%。Javier[9]在2011年提出用多元回归和均值聚类方法对企业财务危机进行预警，实证分析表明该模型预测效果良好。可以看出，神经网络自身及其与其它方法相结合的财务情况预警模型对上市公司财务危机预测中具有较大推广和应用价值。可神经网络方法本身具有拓扑结构的确定没有规范的方法、要求大样本、缺乏完备的理论基础等缺陷，其存在一定局限性。随着Vapnik[10]提出统计学习理论，这一问题能够得到较好解决，并且基于统计学习理论的支持，向量机在20世纪末被用于财务危机预警研究，并以其理论的优越性和预测的准确性倍受关注。Schaafer[11]于2000年首次将此方法引入财务危机预警当中，并与其他方法进行对比，结果表明此方法预警结果最优。宋姣[12]2007年选取上交所和深交所的86家ST上市公司及100家非ST上市公司作为样本，利用支持向量机模型对已经公布的财务数据进行实证分析，分别提前一年、两年、三年对企业财务危机情况进行预测，其预测正确率分别为9355%、8548%和7167%。

从上述实证分析表明，支持向量机在财务危机预警的应用中显示了更优越的性能。利用人工智能方法对企业财务危机进行预警尚处于发展阶段，需深入进行探索和研究，尤其是模型相关参数进行寻优方法方面更需深入探索和研究。与此同时，影响企业财务指标的因素很多，有些影响较大，有些基本没什么影响，但人为无法对此进行区分会增加模型的计算复杂度和计算效率，客观上影响了企业财务危机预测水平。鉴于此，本文提出一种基于粗集理论与遗传支持向量算法相结合并应用到制造业上市公司财务危机预测预警的新方法。该方法的基本内容如下：首先通过粗集理论对影响企业财务危机所有指标所建立的指标体系进行约简，约简后得到核心影响因素，再运用支持向量机对约简得到的核心指标进行建模训练，建立企业财务危机支持向量机预警模型，训练过程中相关参数通过遗传算法寻优得到，利用此算法建立的预警模型进行预测，完全能够满足企业实际财务危机分析需要。

二、粗集理论

ZPawlak于20世纪80年代提出粗集理论，用来处理模糊、不确定的分析方法。通过该理论可以从数据当中发现隐含的信息及知识，尝试去探寻和揭示蕴含在数据当中的规则和规律[13]。

（一）基本概念

1.论域。我们把研究对象组成的集合U称之为论域，记做U={x1，x2，…，xn}，其中xi是第i个对象。目的是要把不同的对象区分开，即在知识R下把论域U划分为不同的等价类。划分的根据是能够反映对象不同特征的属性集R，一般称为等价关系R，也称R为知识。

（三）决策规则约简

信息系统S={U，A}利用最少属性集能提供与原属性集A同样多信息的方法来进行约简，有下面相同的等价类族：

U/A-{a}=U/A（7）

对于决策表T=（U，A=C∪D）来说。决策表可以通过以下两个步骤进行约简：

1.属性约简。它等价于从决策表中消去一些不必要的列，从决策表中，将条件属性C中属性逐个移去，每移去一个属性即刻检查其决策表，如果不出现新的不一致则该属性是可以被约去的；反之，该属性不能被约去。

2.属性值约简。设T=（U，C∪D）是一致性决策表，PC是C的D约简。值约简是针对相对约简P而言的。决策表上一条决策规则的条件属性值可以被约去，仍然保持该条规则的一致性。

约简算法的步骤为：（1）约简属性集；（2）属性值约简；（3）从算法中约简掉所有冗余指标。

三、支持向量机算法

支持向量机方法是基于结构化风险提出的，最先提出是为了解决分类问题，在本文中主要用来对训练相关财务危机数据，得到分类模型，再对检验样本进行分类，得到相应预警信息。

四、基于粗集与遗传支持向量机的制造业上市公司财务危机预警模型

Rough Set理论在不利用先验知识前提下，仅根据观测得到的数据信息来删除冗余信息。本文尝试通过粗糙集理论对制造业上市公司财务危机预警指标体系进行约简，获得核心影响因素，对财务危机预警问题具有很大的理论意义和现实意义，并为下一步的财务危机支持向量机预警模型的建立打下基础。

而支持向量机模型在建模过程中具有自我调整学习样本或训练样本权重及阈值的功能，可其自动调整得到的相关参数不一定是全局最优结果。因此，本文尝试利用具有全局寻优能力的遗传算法对这些参数进行寻优，以期得到全局最优参数。

将粗集理论和支持向量机算法相结合来建立财务危机预警模型，可以将这两种理论的优点有机结合起来，利用粗集理论对原始数据进行约简处理，得到更为有效的原始数据，再利用具有良好泛化能力的支持向量机对这些数据进行训练建模，这样就可以更好地回避了这两种方法本身所不完善之处，最大程度发挥各自优势和特性。这是因为通过粗集理论可以很好地在不需额外财务数据的基础上就可提取财务数据本身特性，约简掉冗余数据信息，得到核心影响因素，充分发挥粗集理论的数据预处理优势，为后续支持向量机建模提供客观、可靠、准确的信息来源。这是因为原始数据繁多会影响建模的复杂度及训练模型效率会得到大大降低，故预测精度及科学性将会随之大幅提高。基于以上阐述，本文将粗集与支持向量机算法有机融合起来，构建企业财务危机预警模型，相应流程如图1所示。

基于粗集与遗传支持向量机的中小板上市公司财务预警模型基本步骤如下：

1.为了更为有效地对制造业上市公司进行财务预警，就要保证构建的财务危机预警指标体系的完整性及系统性，首先根据相应财务危机理论建立一个全面、系统、广泛的指标体系，并结合影像公司财务危机的诸多因素进行归类，在此基础上了解每一个影响因素与财务危机之间的对应关系。

2.由于步骤1建立的财务预警指标体系非常全面系统，但不是最合理的，此时利用粗集理论对预警指标体系构成的决策表进行属性约简和属性值约简，可以得到这些预警指标体系哪些是核心属性，哪些是冗余属性，鉴于属性约简及属性值约简算法较为复杂，本文采用MATLAB编程来进行相应约简。此预警指标体系通过粗集约简掉冗余属性，得到核心属性，为步骤3利用支持向量机建模分类识别奠定了一个良好地基础。

3.支持向量机对步骤2的财务数据进行建模训练，直到训练模型达到事先设定的要求，建模过程中相关参数如松弛变量等通过遗传算法寻优得到最佳参数，具体流程如下[14]：（1）确定遗传算法编码方式；（2）生成初始种群；（3）计算全部染色体的适应度函数f（xi），xi为种群中第i个染色体；（4）将所有染色体的适应度值进行累加sum=∑f（xi），同时记录每一个染色体的中间累加值S-mid，其中S为总数目；（5）产生一个随机数N，0

4.利用步骤3得到最终遗传支持向量机预警模型对未来一段时间的财务数据进行预警，得到此时间段的财务危机状况。

通过以上四个步骤，就能够得到制造业上市公司财务危机状态的最终预警结果。

五、我国制造业上市公司财务危机预警实证分析

（一）样本及指标的选择

1.样本数据的选择。根据马若微的研究，在构造上市公司财务危机预测模型时应充分考虑行业类型和资产规模这两个指标的重要性[15]。本文选择制造业上市公司作为财务危机预警的样本公司，原因有两点：（1）从公司数量和市值来看，制造业在我国经济发展中均占有重要地位；（2）与其他行业相比，制造业行业内上市公司数量最多，次类行业数目较多，有利于数据搜集、比较各次类行业间的差异，研究行业类别对预警模型的影响。

本文将公司是否被ST作为陷入财务危机的标识。在公司样本上，由于我国1998年开始要求编制现金流量表，并于2001年对现金流量表进行了修改，考虑到数据的可比性，同时为了更全面地利用公司陷入财务危机过程中各指标的信息，本文搜集了2001-2011年的多个指标的原始数据，并通过计算得到了最终所用指标的数据。为了研究公司陷入财务危机前后各指标的变化情况，剔除在此期间退市的公司和交易状态为PT的公司。这样一共得到163家制造业上市公司十年的平衡面板数据。

2.指标选取原则。一个公司具有许多方面的特征，需要从不同的角度多方位地予以评价和衡量。财务危机预警也需要根据多方面的信息来衡量公司的财务状况。根据公司的财务报告可以引申出许多财务指标，并能得到股东、业务分布、审计信息、公司客户等方面的非财务指标。根据目前关于财务危机预警的研究来看，虽然可以找到相关理论解释财务危机形成的原因以及公司陷入财务危机，但是关于如何确定财务危机预警模型的指标体系，目前尚无定论。

从实证研究来看，指标体系的选择会对研究结果产生直接影响。本文认为，财务危机预警指标的选择原则有以下五点。（1）相关性原则。即所选指标必须与财务危机预警相关，在一定程度上能反映公司陷入财务危机的原因和过程，或者反映公司的财务状况。（2）先兆性原则。财务危机预警研究的目的是为了在财务危机发生前警示公司利益相关者及时采取应对措施，以尽可能地减少或规避损失。（3）系统性原则。（4）可获得性原则。（5）成本效益原则。

3.指标体系。评价企业的财务状况一般可以从盈利能力、营运能力、成长能力、偿债能力等多个方面来评价。本文在总结以往预警模型中显著指标的基础上，选择了34个财务指标。另外，由于国内学者关于财务危机预警的研究中很少使用非财务指标，为了探讨非财务指标对预警模型判别准确率的影响，根据上文的选取原则，选择了9个非财务指标。相关指标如表1所示，力求通过初选指标体系涵盖充足的信息量，以便为后续财务预警模型的建立提供科学、合理的指标体系。

（二）实证分析

1.均值差异性检验。为了分析两类公司财务指标均值是否存在显著性差异，本文通过PASW180 软件中的 Mann-Whitney U 非参数检验对指标均值进行差异性检验。由于 T 时期股票的交易状态需要根据前一年的财务状况确定，本文以T+1 期的股票交易状态（0表示非 ST，1表示ST）为分组变量，对2001-2011年ST和非ST公司的指标进行了 Mann-Whitney U 检验，结果如表2所示。

根据表2，在1%显著性水平下，财务指标外都通过了Mann-hitney U检验，即ST与非 ST公司的指标均值存在显著差异。对股权结构和其他虚拟变量的Mann-Whitney U 检验结果显示：除行业虚拟变量和Herfindahl_5以外，其他指标均在 5%显著性水平下通过检验，这说明各个行业的公司都可能发生财务危机；ST与非ST公司的股权结构、最终控制人类型和审计意见存在显著差异。

通过 Mann-Whitney U 非参数检验和相关性分析，本文剔除在 5%显著性水平上未通过这两类检验的指标，得到如表3所示的34个指标用于财务危机预警建模和7个非财务危机预警建模。通过筛选的指标从财务和非财务两个方面反映了公司情况，体现了公司的盈利、营运、成长、偿债能力，并涵盖股权集中度、行业类型、审计意见、最终控制人信息，系统地反映了公司多方面的状况。

2.粗集属性约简。首先对原始财务数据及非财务数据进行预处理，使得各数据范围均在0-1之间，并进行离散化处理。再利用MATLAB粗集约简程序对这些数据进行约简。其中，代号表示公司，条件属性集合由34个财务指标和7个非财务指标数据组成，决策属性为具体财务状况，相应处理结果如表4所示。

通过已经编写好的属性重要度程序进行相应运算，获得约简后的指标体系各个属性的重要度，约简后的指标体系重要度如表5所示。

约简后的预警指标体系仍然含有18个财务指标和4个非财务指标，这些指标仍较为系统地覆盖了如企业偿债能力、盈利能力、资产管理能力及成长能力等方面。由于约简后的财务数据量较少，但所蕴含的信息量并未发生太大变化，故可用来作为异常支持向量机模型的输入数据，这样在构建相应预警模型时，就更为高效、合理及科学。从而可以避免因为输入数据维度过多而导致模型训练效果下降，进而影响财务危机预警效果。

3.支持向量机模型训练。遗传支持向量机预警模型的输入数据为接受外部数据的缓冲存储器，支持向量机相关参数如松弛变量等可以通过遗传算法进行寻优获得，在本文中即为前述粗集约简后获得的18个财务指标和4个非财务指标。输入数据中每行由363家公司数据组成，每列由18个财务指标和4个非财务指标标准化后数值构成，预警值的每一列中1所在的行数代表该列公司是否为ST。

通过已经建立的遗传支持向量机预警模型对检验样本分析，本文将选取前300个样本作为学习和训练样本，这300个样本中25家被ST，275家没有被ST。剩下的63个样本公司作为检验样本，其中ST样本7个、非ST样本56个。将训练样本和检验样本代入构建好的遗传支持向量机预警模型中，提前一年遗传支持向量机预测结果与仅利用支持向量机建模预测对比结果如表6所示，提前两年遗传支持向量机预测结果与仅利用支持向量机建模预测对比结果如表7所示。

由表6可知，提前一年遗传支持向量机财务危机预警模型检验样本预测结果显示，0 家被误判，预测正确率为100% 。而利用支持向量机财务预警模型检验样本预测结果显示，56个非ST样本中有2个被误判为ST样本，7个ST样本中有1个被误判为非ST样本，预测正确率分别为964%和857%，综合预测正确率为952%。通过表6还可以知道，仅仅利用支持向量机进行建模预测，而不利用遗传算法对建模过程中的相关参数进行优化，会使得预测正确率下降，换言之，没有经过遗传算法寻优的支持向量机模型预测极有可能已经陷入局部最优过程当中。

由表7可知，提前两年遗传支持向量机财务危机预警模型检验样本预测结果显示，56个非ST样本中有1个被误判为ST样本，7个ST样本中没有被误判情况，预测正确率分别为982%和100%，综合预测正确率为984%。而利用支持向量机财务预警模型检验样本预测结果显示，56个非ST样本中有5个被误判为ST样本，7个ST样本中有2个被误判为非ST样本，预测正确率分别为911%和714%，综合预测正确率为889%。通过表7还可以知道，仅仅利用支持向量机进行建模预测，而不利用遗传算法对建模过程中的相关参数进行优化，会使得预测正确率从984%下降到889%。

对比表6及表7，可以知道，无论是遗传支持向量机预测模型还是支持向量机预测模型，提前一年的财务危机预测正确率明显高于提前两年的财务危机预测正确率。这是因为训练数据来源越是靠近警情发生的年份，数据信息中所蕴含的先兆信息就越多，也就越能够准确预测警情的发生。此外，不论是提前一年财务危机预测还是提前两年财务危机预测，遗传支持向量机模型预测正确率明显高于支持向量机模型预测正确率，这是因为遗传支持向量机建模过程中通过遗传算法对相关参数进行寻优，从而使得最后建立的预测模型具有全局最优特性，所以预测正确率更高。

六、结论

本文在总结已有财务危机预警文献的基础上，以上市公司被特别处理作为界定财务危机的标准，对制造业财务指标和非财务指标进行了财务危机预警研究。在系统地确定初步指标体系之后，应用 Mann-Whitney U 非参数检验方法检验了ST公司和非ST公司各指标均值的差异性，剔除了相关性较强的指标，得到初步选取的财务危机预警指标体系，再运用粗集理论约简冗余指标，获得核心指标作为粒遗传支持向量机的输入，分别构建了提前一年、提前两年的遗传支持向量机财务危机预警模型，并与提前一年、提前两年的支持向量机财务危机预警模型进行对比分析。通过实证分析，可以得到以下结论：

1.运用粗集方法约简得到财务危机预警指标体系具有很好地有效性。本文通过对粗集的属性重要度进行深入研究，剔除属性集中的冗余属性，进而对财务危机预警系统的原始指标体系进行有效约简。

2.本文构建的粗集-遗传支持向量机制造业上市公司财务危机预警模型预测正确率要优于粗集-支持向量机模型预测正确率，说明利用遗传算法对支持向量机预警模型进行寻优操作是非常有必要的。

3.实证研究结果表明，利用相关数据对制造业上市公司提前1年的财务状况预测效果要比提前2年的财务状况预测效果要好。这是因为来源于警情发生附近的年份，其数据就蕴含更多的先兆信息，也就能够更好地预测出相应警情的发生。

参考文献：

[1]Beaver W H， Prices M. Financial rations and the prediction of failure[J].Journal of Accounting Research， 1968（6）：179-192.

[2]Fitzpatric. Acomparison of rations of successful industrial enterprises with those of failed firms[M].The accountants Publishing Company， 1932.

[3]Edward I. Altman. Financial Ratios， Discriminant Analysis and the Prediction of Corporate Bankruptcy[J].The Journal of Finance， 1968， 23：589-609.

[4]吴雯雯， 杨玉辉， 王家祥. 国内外财务预警方法的研究综述[J].黄河水利职业技术学院学报， 2006， 18（3）： 24-31.

[5]J. A. Ohlson. Financial ratios and probabilistic prediction of bankruptcy[J].Journal of Accounting Research， 1980（18）： 109-131.

[6]程晓娟.上市公司财务危机预警模型研究及实证分析[M].成都： 成都理工大学出版社.

[7]周敏， 王新宇. 基于模糊优选和神经网络的企业财务危机预警[J]. 管理科学学报， 2002（5）： 86-90.

[8]郭德仁， 王培辉. 基于模糊聚类和模糊模式识别的财务预警[J]. 管理学报， 2009， 6（9）： 1194-1197.

[9]Javier De Andrés， Pedro Lorca， Francisco Javier de Cos Juez， Fernando Sánchez-Lasheras. Bankruptcy forecasting： A hybrid approach using Fuzzy c-means clustering and Multivariate Adaptive Regression Splines （MARS）[J].Expert Systems with Applications， 2011 （38）： 1866-1875.

[10]Vapnik V N. The nature of statistical learning theory[M].New York： Springer-Verlag，1995.

[11]庞素琳. 信用评价与股市预测模型研究及应用——统计学、神经网络与支持向量机方法[M].北京：科学出版社，2005.

[12]宋姣. 基于支持向量机的上市公司财务危机预警实证研究[J].商场现代化， 2007（9）： 391-392.

[13]柯孔林，冯宗宪. 基于粗糙集与遗传算法集成的企业短期贷款违约判别[J].系统工程理论与实践，2008（4）：27-34.

[14]温文波， 杜维.蚁群算法概述[J].控制系统， 2002（1）：19-22.

[15]马若微. 基于RS与ANN的上市公司财务困境预测模型的实证研究[J].南开管理评论， 2006，9（3）：85-91.

Key words：manufacturing industry listed companies； financial crisis warning； rough set； genetic algorithm； Support Vector Machine （SVM）；

（责任编辑：李江）

作者：葛新旗　周虹