【財(cái)務(wù)風(fēng)險(xiǎn)的預(yù)測實(shí)證分析（論文10000字）】

財(cái)務(wù)風(fēng)險(xiǎn)的預(yù)測實(shí)證分析目錄6437_WPSOffice_Level1引言 58235_WPSOffice_Level11.研究背景： 627447_WPSOffice_Level21.1研究目的與意義 75612_WPSOffice_Level31.1.1研究目的 711699_WPSOffice_Level31.1.2研究意義 711352_WPSOffice_Level31.1.3研究框架 830063_WPSOffice_Level21.2文獻(xiàn)綜述 817993_WPSOffice_Level31.2.1國外研究綜述 87624_WPSOffice_Level31.2.2國內(nèi)研究綜述 93541_WPSOffice_Level12.研究設(shè)計(jì) 107174_WPSOffice_Level22.1模型思路 1020633_WPSOffice_Level22.2樣本選取 1126336_WPSOffice_Level22.3指標(biāo)設(shè)計(jì) 1114371_WPSOffice_Level22.4差異性分析 1223248_WPSOffice_Level32.4.1正態(tài)分布檢驗(yàn) 1219728_WPSOffice_Level32.4.2差異性檢驗(yàn) 1212586_WPSOffice_Level32.4.3多重共線性檢驗(yàn) 1314136_WPSOffice_Level22.5主成分分析 1423859_WPSOffice_Level22.6Logistic模型回歸 1715524_WPSOffice_Level22.7模型檢驗(yàn) 1929386_WPSOffice_Level13.結(jié)論與展望 203970_WPSOffice_Level1參考文獻(xiàn)： 21

引言自2008年全球金融危機(jī)爆發(fā)以來，金融業(yè)出現(xiàn)了危機(jī)，美國和英國許多銀行和投資機(jī)構(gòu)破產(chǎn)，隨后金融業(yè)危機(jī)蔓延到實(shí)體經(jīng)濟(jì)，全球?qū)嶓w經(jīng)濟(jì)有所下降。起初是金融行業(yè)出現(xiàn)危機(jī)，美國和英國許多銀行和投資機(jī)構(gòu)破產(chǎn)，隨后危機(jī)蔓延到實(shí)體經(jīng)濟(jì)和全球?qū)嶓w經(jīng)濟(jì)衰退，美國，歐洲，日本等大國和地區(qū)經(jīng)濟(jì)一撅不振，國內(nèi)生產(chǎn)總值增長緩慢甚至是負(fù)增長，失業(yè)率上升，社會不穩(wěn)定因素增加。新興國家的經(jīng)濟(jì)也受到了很大影響。許多中國企業(yè)在這場危機(jī)中破產(chǎn)，尤其是沿海地區(qū)的制造業(yè)，很多不能企業(yè)因?yàn)槭チ擞唵?，一批批工人失業(yè)，從沿海地區(qū)回到了家鄉(xiāng)。隨著21世紀(jì)初中國加入世貿(mào)組織、社會主義市場經(jīng)濟(jì)體制深化改革的不斷推進(jìn)以及中國證券市場的發(fā)展壯大，給我國的上市公司帶來了巨大的機(jī)遇與挑戰(zhàn)。在這樣一個(gè)充滿競爭的時(shí)代，市場機(jī)制像一把雙刃劍，在激烈的生存和發(fā)展競爭中，效率、創(chuàng)新能力和管理能力處于劣勢的企業(yè)將被淘汰，在競爭中勝出的企業(yè)將變得更加強(qiáng)大。面對經(jīng)濟(jì)全球化浪潮的沖擊和大量跨國公司的挑戰(zhàn)，企業(yè)面臨的不確定性日益增加金融危機(jī)使管理層陷入困境，甚至宣布破產(chǎn)。這已經(jīng)成為一種普遍現(xiàn)象。本文重點(diǎn)探討我國股票市場的上市公司在出現(xiàn)財(cái)務(wù)狀況或其他狀況異常時(shí),如何建立完備和有效的公司財(cái)務(wù)危機(jī)預(yù)警模型，以降低投資者利益可能受到損害時(shí)。在建立好預(yù)警模型后，分析哪種企業(yè)更有可能成為ST公司、他們之間有什么共同的特點(diǎn)，如何通過正常的財(cái)務(wù)報(bào)表分析發(fā)現(xiàn)等問題。財(cái)務(wù)預(yù)警模型的建立有助于市場經(jīng)濟(jì)主體降低經(jīng)營風(fēng)險(xiǎn)，保證經(jīng)濟(jì)體制改革的進(jìn)一步深化。有效的金融預(yù)警模型的運(yùn)用可以促進(jìn)中國資本市場的規(guī)范化和健康發(fā)展。面對日益龐大的資本市場，無論是作為監(jiān)管者的中國證監(jiān)會和證券交易所，還是廣大投資者，通過某種方式為上市公司建立科學(xué)的金融危機(jī)預(yù)警系統(tǒng)無疑是股市的命脈和成功的機(jī)會。1.研究背景：在過去的二十多年里，我國的證券市場經(jīng)歷了一個(gè)快速發(fā)展的過程，上市公司也不斷地在成長壯大，逐步成為國民經(jīng)濟(jì)的一支重要力量。截止到2018年末，中國A股已有3500多家上市公司。多年來，我國證券市場涌現(xiàn)了一批像寶鋼股份、華能國際等優(yōu)秀上市公司，但也有許多上市公司由于管理和運(yùn)作等各方面的原因，出現(xiàn)了財(cái)務(wù)困境的情況，正是因?yàn)檫@些財(cái)務(wù)困境這些公司變成ST或PT公司，其財(cái)務(wù)困難對整個(gè)公司的信譽(yù)和市場價(jià)值產(chǎn)生了非常負(fù)面的影響，也給投資者帶來了巨大的經(jīng)濟(jì)損失。因此，當(dāng)務(wù)之急是找到一種切實(shí)可行的方法，在公司可能陷入金融危機(jī)之前，預(yù)先警告市場主體中的各方，這也有助于為公司敲響警鐘，從而及時(shí)采取相應(yīng)的措施以改善公司的經(jīng)營狀況，避免成為ST或PT公司。與此同時(shí)，隨著證券市場日益市場化和規(guī)范化，年報(bào)和半年度報(bào)告逐漸規(guī)范化，基于這些信息構(gòu)建合理的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型成為可能。大多數(shù)企業(yè)的財(cái)務(wù)狀況是從正常到財(cái)務(wù)風(fēng)險(xiǎn)，在沒有徹底有效的解決方案的情況下不斷積累，最終導(dǎo)致財(cái)務(wù)困難或破產(chǎn)清算。因此，從量變到質(zhì)變需要一個(gè)過程。同樣，企業(yè)真正的財(cái)務(wù)困境也需要一個(gè)過程，這個(gè)過程將通過一些財(cái)務(wù)指標(biāo)(如財(cái)務(wù)比率、財(cái)務(wù)比率衍生的比率等)來體現(xiàn)，以及這些指標(biāo)在一段時(shí)間內(nèi)的變化。例如，企業(yè)的周轉(zhuǎn)能力、盈利能力、發(fā)展能力和償債能力都有所下降。我們可以完成某些工作有或有方法捕捉信息及其變化，從而預(yù)測企業(yè)是否會陷入財(cái)務(wù)危機(jī)作出預(yù)測，這些工具和方法包括多元判別分析、邏輯回歸、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等。這些工具和方法的出現(xiàn)及其應(yīng)用為及時(shí)準(zhǔn)確預(yù)測企業(yè)是否會陷入金融危機(jī)提供了強(qiáng)有力的技術(shù)支持。利用這些工具和方法建立的財(cái)務(wù)預(yù)警模型對捕捉到的財(cái)務(wù)指標(biāo)及其變化進(jìn)行處理，可以在一定程度上幫助企業(yè)的投資者和管理者或其他利益相關(guān)者也可以從中受益。1.1研究目的與意義1.1.1研究目的本文主要研究在小樣本數(shù)據(jù)且數(shù)據(jù)存在一定灰度條件下，上市公司的困境預(yù)測，運(yùn)用滬深兩市主板市場A股上市公司的數(shù)據(jù)，運(yùn)用Logistic回歸模型進(jìn)行預(yù)測，并對結(jié)果進(jìn)行分析。研究結(jié)果表明，本文建立的Logistic回歸模型能夠在預(yù)測公司財(cái)務(wù)狀況方面起到更好的預(yù)警作用，有助于公司管理層準(zhǔn)確判斷公司財(cái)務(wù)狀況，制定科學(xué)的管理計(jì)劃，促進(jìn)公司健康穩(wěn)定的運(yùn)營。1.1.2研究意義從微觀角度來看，及時(shí)有效的財(cái)務(wù)困境預(yù)測有利于管理層找出問題的癥結(jié)，制定正確有效的前瞻性管理措施和財(cái)務(wù)政策，防止企業(yè)財(cái)務(wù)狀況進(jìn)一步惡化，避免進(jìn)入破產(chǎn)清算或被收購、合并或退市。對于債權(quán)人和潛在債權(quán)人來說，財(cái)務(wù)困境預(yù)測可以為他們提供一套相對完整的量化指標(biāo)和評價(jià)方法，有效地評價(jià)企業(yè)信用，防范信用風(fēng)險(xiǎn)，避免向高風(fēng)險(xiǎn)企業(yè)貸款，減少損失。同時(shí)，它也有助于投資者識別公司的質(zhì)量，找出股價(jià)是高估還是低估，及時(shí)調(diào)整投資組合，降低投資風(fēng)險(xiǎn)，提高投資回報(bào)。此外，財(cái)務(wù)困境預(yù)測研究對許多其他利益相關(guān)者具有重要的現(xiàn)實(shí)意義，如與可能陷入財(cái)務(wù)困境的公司有業(yè)務(wù)往來的其他公司。對于注冊會計(jì)師來說，它可以幫助他判斷企業(yè)的經(jīng)營狀況，正確處理公司財(cái)務(wù)報(bào)告中可能出現(xiàn)的錯(cuò)誤和舞弊，從而避免無法準(zhǔn)確因披露公司未能經(jīng)營的信息而引起的法律訴訟。宏觀角度看，有利于降低經(jīng)營風(fēng)險(xiǎn)，保證經(jīng)濟(jì)體制的進(jìn)一步改革深化，有利于促進(jìn)我國資本市場的規(guī)范化和健康發(fā)展，優(yōu)化資源配置，提高社會效率和利潤水平。同時(shí)，有效的預(yù)測也有利于緩解證券市場的風(fēng)險(xiǎn)集中的問題。由于上市公司會計(jì)信息中的財(cái)務(wù)報(bào)告、相關(guān)財(cái)務(wù)信息和非財(cái)務(wù)信息具有晴雨表的功能，對于經(jīng)營者防范金融危機(jī)、保護(hù)投資者和債權(quán)人的利益具有重要的理論和現(xiàn)實(shí)意義。政府管理部門通過選擇信息含量高的財(cái)務(wù)指標(biāo)和非財(cái)務(wù)指標(biāo)來監(jiān)控上市公司質(zhì)量和證券市場風(fēng)險(xiǎn)，構(gòu)建合理的預(yù)測模型來估計(jì)企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)，科學(xué)預(yù)測企業(yè)面臨財(cái)務(wù)困難的可能性，并根據(jù)預(yù)測信息向上市公司利益相關(guān)者發(fā)出預(yù)警。1.1.3研究框架第一章是緒論，主要介紹本文的背景、目的、意義、研究框架和文獻(xiàn)綜述。第二章是針對我國上市企業(yè)建立財(cái)務(wù)危機(jī)預(yù)警Logistic回歸模型，具體步驟是：（1）對樣本進(jìn)行選擇；（2）選擇財(cái)務(wù)分析的指標(biāo)，本文選取的指標(biāo)為F分?jǐn)?shù)模型中的指標(biāo)，進(jìn)行顯著性檢驗(yàn)和多重共線性檢驗(yàn)；（3）利用主成分分析解決多重共線性；（4）基于主成分進(jìn)行Logistic模型回歸；（5）建立我國公司的Logistic模型；（6）對本文所建立的Logistic回歸模型進(jìn)行檢驗(yàn)。第三章總結(jié)了本文建立的Logistic模型的特點(diǎn)，并對后續(xù)的研究提出了相關(guān)建議，進(jìn)行了展望。1.2文獻(xiàn)綜述企業(yè)因經(jīng)營不善而陷入財(cái)務(wù)困境并最終破產(chǎn)已成為一個(gè)全球性問題。導(dǎo)致企業(yè)失敗的原因有很多，主要原因可以分為以下幾類:由于國際國內(nèi)市場競爭壓力；企業(yè)內(nèi)部機(jī)制；企業(yè)管理、決策和宏觀環(huán)境影響。如果企業(yè)不能正確理解這些復(fù)雜的問題，并采取有效措施來解決這些問題帶來的風(fēng)險(xiǎn)，那么經(jīng)營失敗并最終破產(chǎn)幾乎是不可避免的。因此，對企業(yè)失敗，尤其是財(cái)務(wù)困境預(yù)測的研究，已經(jīng)成為研究者共同的研究課題。1.2.1國外研究綜述菲茨帕特里克(Fitzpatrick)和比弗(Beaver)都使用單變量判別模型，但前者是第一次以非統(tǒng)計(jì)方式進(jìn)行相關(guān)研究，發(fā)現(xiàn)能夠有效區(qū)分商業(yè)困境的財(cái)務(wù)比率分別是權(quán)益凈利率和凈資產(chǎn)負(fù)債率；然而，后者是第一個(gè)使用統(tǒng)計(jì)方法的相關(guān)研究，它改進(jìn)和豐富了模型的理論和應(yīng)用。1986年，奧爾特曼（Altman）采用了多項(xiàng)基于單變量判斷模型的財(cái)務(wù)指標(biāo)，根據(jù)行業(yè)和資產(chǎn)規(guī)模，按照1:1的比例將33家硒生產(chǎn)企業(yè)與非破產(chǎn)同行進(jìn)行匹配，并利用多元線性判別分析——著名的五變量Z-Score模型，基于處理后的指標(biāo)數(shù)據(jù)建立了財(cái)務(wù)預(yù)警模型。這也成為未來幾代人在研究金融預(yù)警時(shí)必須首先學(xué)習(xí)的經(jīng)典之一。研究表明，Z-Score模型可以根據(jù)臨界值判斷企業(yè)是否會陷入金融危機(jī)?；趭W爾特曼（Altman）的Z-Score模型研究，奧爾森（Altman）選擇了1970年至1976年間破產(chǎn)的公司，并選擇了相應(yīng)時(shí)期的非破產(chǎn)公司，按照1:20左右的比例組成配對樣本。首次采用對數(shù)回歸分析建立了相應(yīng)的對數(shù)模型。Logit模型是利用企業(yè)的財(cái)務(wù)數(shù)據(jù)，建立反映在這些財(cái)務(wù)數(shù)據(jù)中的財(cái)務(wù)特征與一段時(shí)間內(nèi)是否處于財(cái)務(wù)危機(jī)之間的關(guān)系，并將財(cái)務(wù)預(yù)警轉(zhuǎn)化為一個(gè)概率問題。他的研究表明，公司的規(guī)模會影響預(yù)警模型對樣本公司是否會發(fā)生財(cái)務(wù)危機(jī)的判斷。同樣，金融結(jié)構(gòu)也會受到影響。同時(shí)，他還認(rèn)為Logit模型比多元分析更合理[1,2]。SVM是Vapnik提出的，它是在統(tǒng)計(jì)學(xué)和其他相關(guān)數(shù)學(xué)理論的基礎(chǔ)上發(fā)展起來的，本質(zhì)上是一個(gè)學(xué)習(xí)機(jī)器。Shin等人(2005年)，Min,Lie(2008年)和ChaudhuriA,DeK(2011年)分別用SVM模型預(yù)測國內(nèi)企業(yè)破產(chǎn)，得出該方法的預(yù)測能力優(yōu)于MDA、Logit和神經(jīng)網(wǎng)絡(luò)模型[3-5]的結(jié)論。此外，國外學(xué)術(shù)界也將其他前沿算法或模型與支持向量機(jī)結(jié)合起來。其中，遺傳算法和支持向量機(jī)的結(jié)合[6,7]取得了豐碩的研究成果，提高了支持向量機(jī)的預(yù)測能力。一些學(xué)者還將遺傳算法(GA)[8,9]，粗糙集理論[9,10]，案例推理(CBR)[11]應(yīng)用于金融危機(jī)預(yù)測，也具有重要的參考意義。1.2.2國內(nèi)研究綜述吳士農(nóng)和黃世忠(1986)首次通過Fisher判別式分析[22]使用財(cái)務(wù)指標(biāo)預(yù)測企業(yè)破產(chǎn)；周壽華等人(1996年)用奧爾特曼（Altman）的主成分分析法改革了Z-score模型，建立了分?jǐn)?shù)模型，并進(jìn)行了金融預(yù)警研究[12]；陳靜(1999)利用Beaver和Altman模型，以1:1的比例匹配非金融失敗公司和金融失敗公司，先后進(jìn)行了縱向分析、單變量判別分析和多變量判別分析。實(shí)證結(jié)果表明，這些方法適用于中國金融預(yù)警研究[13]；李品芳等人(2006)以2002年上海上市公司為研究對象，運(yùn)用多元邏輯回歸分析方法建立了金融危機(jī)預(yù)警模型，探討了多元邏輯回歸分析方法[14]的創(chuàng)新與不足。王明昌(2014)提出了一種基于支持向量機(jī)的企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型，并將其與面向服務(wù)的架構(gòu)相結(jié)合，使財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警結(jié)果能夠及時(shí)發(fā)布[15,22]。熊菲菲(2014)選取了反映公司盈利能力、償債能力、成長能力和運(yùn)營能力的四個(gè)指標(biāo)，簡要介紹了KMV原理和數(shù)據(jù)包絡(luò)分析原理，得出了各公司的違約距離DD和投入產(chǎn)出效率TE，并將這兩個(gè)指標(biāo)加入到建立的SVM模型中，得到了預(yù)測精度為80[25]的財(cái)務(wù)預(yù)警模型[16,23]；李威(2013)結(jié)合SVM和RS理論，提出了基于RS和SVM的上市公司金融危機(jī)預(yù)警模型。同時(shí)，利用遺傳算法優(yōu)化參數(shù)選擇改變SVM參數(shù)算法，實(shí)現(xiàn)SVM參數(shù)[18-20]的自動(dòng)選擇。施哲(2013)對基于支持向量機(jī)的三種金融預(yù)警模型的預(yù)警效果進(jìn)行了比較分析，最后總結(jié)并提出了一種基于改進(jìn)核函數(shù)[21,24]的SVM算法的金融危機(jī)預(yù)警系統(tǒng)；2.研究設(shè)計(jì)2.1模型思路在構(gòu)建ST公科技公司預(yù)警模型時(shí)，首先選擇樣本。在本文中，所有的樣本被分成兩個(gè)比較組。然后，建立了一個(gè)指標(biāo)體系，對模型的建立和擬合程度具有重要意義。其次，進(jìn)行樣本差異檢驗(yàn)。如果樣本符合正態(tài)分布，則進(jìn)行兩個(gè)獨(dú)立樣本的測試。如果樣本不符合正態(tài)分布，則進(jìn)行兩個(gè)獨(dú)立樣本的非參數(shù)檢驗(yàn)。本文是基于logistic模型的財(cái)務(wù)預(yù)警。logistic模型要求自變量之間不存在多重共線性，否則所建立的模型沒有統(tǒng)計(jì)學(xué)意義，然后對樣本的多重共線性進(jìn)行檢驗(yàn)。本文選取的指標(biāo)具有多重共線性，不便于直接邏輯回歸。為了解決這個(gè)問題，對樣本進(jìn)行主成分分析，選取前三個(gè)主成分，然后將選取的三個(gè)主成分進(jìn)行邏輯回歸，建立邏輯預(yù)測模型。最后，對模型進(jìn)行了測試。本文首先選取前兩個(gè)階段的訓(xùn)練樣本數(shù)據(jù)進(jìn)行測試，然后利用測試樣本數(shù)據(jù)進(jìn)行測試。測試樣本也來自a股企業(yè)。將測試樣品和測試樣品的測試結(jié)果進(jìn)行比較。2.2樣本選取本文從國泰安CSMAR數(shù)據(jù)庫中選取了2007-2012年的123個(gè)樣本數(shù)據(jù)。所有這些樣本數(shù)據(jù)都來自中國證監(jiān)會在上海證券交易所和深圳證券交易所a股市場。本文之所以將2007年的數(shù)據(jù)作為開始，是因?yàn)樨?cái)政部在2006年發(fā)布了一套新的會計(jì)準(zhǔn)則和審計(jì)準(zhǔn)則體系，要求上市企業(yè)從2007年1月1日開始實(shí)施新的會計(jì)職準(zhǔn)則和審計(jì)準(zhǔn)則體系，新舊會計(jì)準(zhǔn)則在會計(jì)科目的會計(jì)口徑上有所不同，不利于上市企業(yè)財(cái)務(wù)數(shù)據(jù)的持續(xù)比較。因此，在本文中沒有使用2007年以前上市企業(yè)的財(cái)務(wù)數(shù)據(jù)。本文采用的樣本一共有50個(gè)，并分為兩組。其中一個(gè)樣本組是ST公司，共有25家企業(yè)。特殊對待期是2011年或2012年。另一個(gè)樣本組是非ST公司，共有25家企業(yè)。本文采用一對一匹配的原則。匹配依據(jù)與匹配企業(yè)上市時(shí)間相同，與被特別處理前匹配企業(yè)年末資產(chǎn)規(guī)模相似。排除不符合要求的樣本，最終選擇用于建立logistic模型的訓(xùn)練集樣本數(shù)為50個(gè)。本文中的比率數(shù)據(jù)精確到小數(shù)點(diǎn)后3位。2.3指標(biāo)設(shè)計(jì)關(guān)于企業(yè)財(cái)務(wù)預(yù)警指標(biāo)體系的建立，很多國內(nèi)外學(xué)者都有大量的研究，本文將借鑒F分?jǐn)?shù)模型，F(xiàn)分?jǐn)?shù)模型是1996年學(xué)者周首華、楊濟(jì)華和王平在奧爾特曼（Altman）建立的Z分?jǐn)?shù)模型的基礎(chǔ)上，加入現(xiàn)金流量這個(gè)預(yù)警變量提出的。F分?jǐn)?shù)模型中五個(gè)自變量分別是:X1——期末營運(yùn)資產(chǎn)/期末總資產(chǎn)X2——期末留存收益/期末總資產(chǎn) X3——（稅后純收益+折舊）/平均總負(fù)債X4——期末股東權(quán)益的市場價(jià)值/期末總負(fù)債X5——（稅后純收益+利息+折舊）/平均總資產(chǎn)本文使用以上5個(gè)指標(biāo)作為logistic模型的自變量。2.4差異性分析2.4.1正態(tài)分布檢驗(yàn)要進(jìn)行差異性分析，首先要對上市公司樣本進(jìn)行正態(tài)分布檢驗(yàn)，這里采用檢測峰度(Kurtosis)和偏度(Skewness)值，檢驗(yàn)結(jié)果見表2-1。本文選擇的統(tǒng)計(jì)軟件為spss17.0。表2-1使用SPSS對樣本進(jìn)行正態(tài)分布檢驗(yàn)的結(jié)果正態(tài)分布結(jié)果分析：（1）偏度(Skewness)等于0,峰度(Kurtosis)等于0時(shí)，樣本呈現(xiàn)正態(tài)分布，偏度(Skewness)大于0時(shí)，說明該總體數(shù)據(jù)分布比正態(tài)分布陡峭，偏度(Skewness)小于0時(shí)，說明該總體數(shù)據(jù)分布比正態(tài)分布平坦，峰度值(Kurtosis)的絕對值越大，說明該數(shù)據(jù)分布與正態(tài)分布的差異性越大。峰度(Kurtosis)大于0時(shí)，說明該總體數(shù)據(jù)分布比正態(tài)分布向右偏，圖形表現(xiàn)為右邊尾巴長，并且右端有較多的極端值，峰度(Kurtosis)小于0時(shí)，說明該總體數(shù)據(jù)分布比正態(tài)分布向左偏，圖形表現(xiàn)為左邊尾巴長，并且左端有較多的極端值，偏度值(Skewness)的絕對值越大，表明該數(shù)據(jù)分布與正態(tài)分布的差異性越大。根據(jù)表2-1，可以看出樣本不符合正態(tài)分布。2.4.2差異性檢驗(yàn)由上一個(gè)步驟，數(shù)據(jù)總體不符合正態(tài)分布，這里選擇采用兩個(gè)獨(dú)立樣本的非參數(shù)檢驗(yàn)(Mann-WhitneyU檢驗(yàn))，檢驗(yàn)兩個(gè)樣本是否來源于同一總體。檢驗(yàn)結(jié)果見表2-2所示。表2-2差異性檢驗(yàn)表非參數(shù)檢驗(yàn)表2-2顯示，5個(gè)指標(biāo)的顯著性檢驗(yàn)中其p值都明顯小于0.05，說明樣本通過Mann-WhitneyU顯著性檢驗(yàn)，認(rèn)為兩個(gè)獨(dú)立樣本來自的總體存在顯著差異，且差異十分明顯。2.4.3多重共線性檢驗(yàn)本文是基于logistic模型的ST公司預(yù)警模型，logistic回歸分析的假設(shè)前提之一是多個(gè)自變量之間不存在多重共線性，如果變量之間存在多重共線性，使用logistic回歸分析建立起來的模型沒有統(tǒng)計(jì)意義。樣本多重共線性檢驗(yàn)見下表2-3所示。表2-3多重共線性檢驗(yàn)表若實(shí)驗(yàn)結(jié)果中有多個(gè)維度特征根約為0，則證明自變量之間存在多重共線性。在本次實(shí)驗(yàn)中，表2-3中顯示特征值(Eigenvalue)一欄中有2個(gè)特征根(0.395,0.231)約為0，證明自變量之間存在多重共線性。2.5主成分分析為了解決樣本中自變量的多重共線性現(xiàn)象，采用主成分分析法消除自變量之間的多重共線性。但是，并非所有共線性數(shù)據(jù)都可以用于主成分分析，數(shù)據(jù)樣本是否適合主成分分析和主成分提取也應(yīng)根據(jù)數(shù)據(jù)樣本的性質(zhì)進(jìn)行驗(yàn)證?；诖?，首先應(yīng)該對樣本數(shù)據(jù)進(jìn)行Bartlett球性檢驗(yàn)和KMO檢驗(yàn)，見表2-4。表2-4Bartlett球性檢驗(yàn)和KMO檢驗(yàn)KMO統(tǒng)計(jì)量用于比較變量間簡單相關(guān)和偏相關(guān)系數(shù)，取值在0，1之間。KMO的值越接近0說明越不適合進(jìn)行主成分分析。通常按不同的取值范圍確定適合程度:（1）1>KMO>0.9，非常適合做主成分分析；（2）0.9>KMO>0.8，適合做主成分分析；（3）0.8>KMO>0.7，做主成分分析效果一般；（4）0.7>KMO>0.6，不太適合做主成分分析；（5）0.6>KMO，不適合做主成分分析。表2-4中，KMO值為0.715，做主成分分析效果一般。而Bartlett球性檢驗(yàn)值為78.630，p值為0.000，小于0.05，是十分顯著的，認(rèn)為能夠做主成分分析。綜上所述，所選取的樣本中5個(gè)指標(biāo)適合做主成分分析。接著，提取主成分。見下表2-5，主成分統(tǒng)計(jì)信息表。表2-5主成分統(tǒng)計(jì)信息表表2-5顯示，第一主成分的特征值是2.717，這解釋了五個(gè)原始變量的總方差的54.332。兩個(gè)主成分的特征值是1.004，這解釋了五個(gè)原始變量的總方差的20.07。三個(gè)主成分的特征值是0.573，這解釋了五個(gè)原始變量的總方差的11.469，但是第三個(gè)主成分的特征值小于1，但是前三個(gè)特征值的累積貢獻(xiàn)率是85.871。因此，提取前三個(gè)主成分來代替原來的五個(gè)指數(shù)變量。具體做法是：表2-6未經(jīng)旋轉(zhuǎn)的因子系數(shù)矩陣（1）計(jì)算主成分系數(shù)需要將未旋轉(zhuǎn)因子系數(shù)除以其相應(yīng)特征值的平方。表2-6中的未旋轉(zhuǎn)因子系數(shù)矩陣除以其相應(yīng)特征值見表2-5)的平方，得到表2-7，主成分系數(shù)表。表2-7主成分系數(shù)表三個(gè)主成分的表達(dá)式如下:F1=0.410stdX1+0.337stdX2+0.488stdX3+0.487stdX4+0.493stdX5（2.1）F2=0.482stdX1+0.690stdX2-0.406stdX3-0.324stdX4-0.149stdX5F3=0.683stdX1+0.527stdX2+0.243stdX3-0.333stdX4+0.296stdX5其中，stdxi(i=1,2,3,4,5)是標(biāo)準(zhǔn)指標(biāo)變量，stdxi=(xi-平均值)/標(biāo)準(zhǔn)差，見表2-8，描述性統(tǒng)計(jì)量表。表2-8描述統(tǒng)計(jì)量表將表2-8代入stdxi=(xi-平均值)/標(biāo)準(zhǔn)差，得到表達(dá)式:stdX1=(X1+0.02972)/0.328798(2.2)stdX2=(X2+0.1244)/0.60098stdX3=(X3-0.17954)/0.897533stdX4=(X4-8.40904)/16.81571stdX5=(X5-0.01186)/0.093967將表達(dá)式2.2代入表達(dá)式2.1，得出以下表達(dá)式:F1=1.247X1+0.561X2+0.544X3+0.029X4+5.247X5-0.297（2.3）F2=1.466X1+1.148X2-0.452X3-0.019X4-3.586X5+0.448F3=-2.077X1+0.877X2+0.271X3-0.020X4+3.150X5+0.1282.6Logistic模型回歸通過以上方法選取3個(gè)主成分，解決了自變量之間的多重共線性問題，接下來利用Logistic模型進(jìn)行回歸。p代表發(fā)生財(cái)務(wù)危機(jī)的概率，將樣本中被ST企業(yè)定義p值為1，正常企業(yè)定義p值為0，使用二元Logistic回歸方法建立模型，則發(fā)生危機(jī)的概率p可用公式((2.4)表示: （2.4）將方程變?yōu)榫€性方程：(2.5)其中F1,F2,F3分別為主成分分析提取出來的前三個(gè)主成分，B1,B2,B3,B4分別為待估計(jì)的參數(shù)。使用SPSS軟件進(jìn)行Logistic回歸，得到表2-9，方程中的變量。表2-9方程中的變量表2-9表明，F(xiàn)1，F(xiàn)2值和常數(shù)項(xiàng)的p勉強(qiáng)可以接受，在顯著性水平附近，值都小于0.05，具有統(tǒng)計(jì)學(xué)意義，所以二元Logistic回歸模型表達(dá)式為： Y=-9.829F1+5.749F2-4.22F3-1.653(2.6)將表達(dá)式4.3代入表達(dá)式4.6，得到以原指標(biāo)變量反映的Y值:Y=4.936x1-2.615x2-9.089x3-0.31x4-73.984x5+3.302(2.7)最后將表達(dá)式2.7進(jìn)行變換，得出以原指標(biāo)變量反映發(fā)生危機(jī)概率p值的最終Logistic回歸模型:（2.8）建立的財(cái)務(wù)預(yù)警Logistic模型中五個(gè)自變量分別為:X1—期末營運(yùn)資產(chǎn)/期末總資產(chǎn)X2—期末留存收益/期末總資產(chǎn)X3—（稅后純收益+折舊）/平均總負(fù)債X4—期末股東權(quán)益的市場價(jià)值/期末總負(fù)債X5—（稅后純收益+利息+折舊）/平均總資產(chǎn)在Logistic模型中僅自變量X1的系數(shù)為正數(shù)，當(dāng)X1值越大，發(fā)生財(cái)務(wù)危機(jī)概率p值越大，表明企業(yè)越易陷入財(cái)務(wù)危機(jī)；模型中X2,X3,X4,X5這四個(gè)自變量的系數(shù)為負(fù)數(shù)，當(dāng)X2,X3,X4,X5的數(shù)值越大，發(fā)生財(cái)務(wù)危機(jī)概率p值越小，表明企業(yè)經(jīng)營狀況良好。從自變量的值來理解Logistic模型的所代表的意義：X1的值越大，期末代表性企業(yè)的經(jīng)營資產(chǎn)占總資產(chǎn)的比例越大。然而，X1的系數(shù)為正，與模型中X1的值越大發(fā)生危機(jī)的概率p越大的結(jié)論相反。當(dāng)X2值較大時(shí)，意味著期末留存收益占期末總資產(chǎn)的比例較大，這表明股東自有資本占企業(yè)總資產(chǎn)越多，企業(yè)發(fā)生財(cái)務(wù)危機(jī)的概率p越小，這與模型中X2值越大發(fā)生財(cái)務(wù)危機(jī)的概率p值越小的結(jié)論相同。當(dāng)X3值較大時(shí)，表示企業(yè)當(dāng)年稅后凈收入和折舊占當(dāng)年平均負(fù)債總額較大。企業(yè)償付能力越強(qiáng)，企業(yè)無法履行償債義務(wù)的風(fēng)險(xiǎn)就越小。這表明財(cái)務(wù)危機(jī)的概率p越小，這與模型中X3值越大的結(jié)論相同。當(dāng)X4值較大時(shí)，代表期末股東權(quán)益的市場價(jià)值與期末總負(fù)債的比率較大。期末股東權(quán)益的市場價(jià)值越大，越能反映市場對企業(yè)的信心。這表明企業(yè)財(cái)務(wù)危機(jī)的概率越小，這與模型中X4值越大財(cái)務(wù)危機(jī)的概率p值越小的結(jié)論相同。當(dāng)X5值越大，代表當(dāng)年企業(yè)稅后純收益、利息和折舊占當(dāng)年平均總資產(chǎn)的比例越大，企業(yè)的經(jīng)營狀況越好，企業(yè)發(fā)生財(cái)務(wù)危機(jī)的概率p越小，與模型中X5值越大，發(fā)生財(cái)務(wù)危機(jī)概率p值越小的結(jié)論相同。2.7模型檢驗(yàn)（1）使用HosmerandLemeshow方法進(jìn)行擬合優(yōu)度檢驗(yàn)。表2-10顯示了使用HosmerandLemeshow進(jìn)行擬合優(yōu)度檢驗(yàn)得到的p值為0.996，這個(gè)結(jié)果表明由預(yù)警概率獲得的期望頻數(shù)與觀測頻數(shù)之間差異無統(tǒng)計(jì)學(xué)意義，即模型擬合程度很好。表2-10HosmerandLemeshow檢驗(yàn)（2）回判分析?；嘏蟹治龅慕Y(jié)果如表2-11所示，回判包括有兩類錯(cuò)誤，第一類錯(cuò)誤：將財(cái)務(wù)危機(jī)的企業(yè)判定為財(cái)務(wù)正常企業(yè)，第二類錯(cuò)誤：將財(cái)務(wù)狀況正常的企業(yè)判定為財(cái)務(wù)危機(jī)企業(yè)。訓(xùn)練樣本的第一類錯(cuò)誤率為8%，即25個(gè)財(cái)務(wù)危機(jī)企業(yè)中判定23個(gè)為危機(jī)企業(yè)，2個(gè)為正常企業(yè)，正確率為92%；第二類錯(cuò)誤率為4%，25個(gè)財(cái)務(wù)狀況正常企業(yè)中判定24個(gè)為正常企業(yè)，1個(gè)為危機(jī)企業(yè)，正確率為96%。因此，50個(gè)企業(yè)的總體正確率為94%。表2-11回判分析的結(jié)果3.結(jié)論與展望本文隨機(jī)選取滬深兩市A股市場中，2011年和2012年被證券交易所特別處理（ST）的25家企業(yè)的財(cái)務(wù)信息，根據(jù)這些企業(yè)的上市時(shí)間，以及企業(yè)被特別處理前的總資產(chǎn)進(jìn)行一一配對，使用SPSS17.0統(tǒng)計(jì)分析軟件，建立Logistic模型，研究思路為：利用F分?jǐn)?shù)模型選用指標(biāo)，使用非參數(shù)檢驗(yàn)的方檢驗(yàn)兩組數(shù)據(jù)是否來自同一樣本，再利進(jìn)行多重共線性分析，實(shí)驗(yàn)結(jié)果表明，F(xiàn)分?jǐn)?shù)模型中的指標(biāo)存在多重共線性，不能直接進(jìn)行Logistic回歸，需要先將這五個(gè)指標(biāo)做主成分分析，以降低指標(biāo)間的多重共線性，然后用提取出來的三個(gè)主成分建立邏輯回歸模型，接著將原指標(biāo)代入，建立以原F分?jǐn)?shù)模型指標(biāo)反映的Logistic回歸預(yù)測模型，最后對建立的預(yù)測模型進(jìn)行擬合優(yōu)度檢驗(yàn)和回判分析，證明了邏輯回歸模型對于ST公司的預(yù)測的適用性。由于本人知識和能力有限，本次研究還存在著極大的不足，總結(jié)如下：1.選樣的不足本文以上市公司財(cái)務(wù)報(bào)表為基礎(chǔ)，考慮了上市公司財(cái)務(wù)數(shù)據(jù)的可用性，隨機(jī)選取了25家上市公司。測試樣本中有66家出現(xiàn)財(cái)務(wù)企業(yè)及其對應(yīng)的25家財(cái)務(wù)正常企業(yè)。本文中采用的樣本數(shù)量較小，極大的增加了模型預(yù)測不準(zhǔn)的風(fēng)險(xiǎn)。ST評判的不足2.ST判定的不足直到1998年中國才開放的“ST短板”，從開始到現(xiàn)在的時(shí)間還很短。在短時(shí)間內(nèi)，用現(xiàn)有的方法對“ST公司”的判斷并不十分成熟，雖然有些企業(yè)暫時(shí)還沒有加入ST公司，但他們的生產(chǎn)經(jīng)營已經(jīng)面臨嚴(yán)重困難，財(cái)務(wù)狀況也很糟糕，甚至這些企業(yè)的情況在不斷地惡化。在我們選擇的ST公司中，可能已經(jīng)有一些公司發(fā)生了一些實(shí)際的財(cái)務(wù)危機(jī)，但這些公司尚未暴露他們存在的問題。因此，“財(cái)務(wù)金融危機(jī)企業(yè)”的定義問題在我國仍然需要完善和解決，不得不提的是，很多因素在一定程度上嚴(yán)重影響了財(cái)務(wù)危機(jī)預(yù)警模型的構(gòu)建和其預(yù)測效果。財(cái)務(wù)信息獲取方式受限本文選取的樣本企業(yè)是滬深兩所上市企業(yè)，我們所獲取的上市公司的財(cái)務(wù)信息是上市企業(yè)對社會發(fā)表的經(jīng)過會計(jì)審計(jì)的財(cái)務(wù)報(bào)告，如果要獲取準(zhǔn)確的信息，上市企業(yè)發(fā)表的財(cái)務(wù)數(shù)據(jù)必須真實(shí)、完整、透明、可靠，這也成為我們在做財(cái)務(wù)危機(jī)準(zhǔn)確預(yù)測的必要條件。但是實(shí)際的情況是，我國上市企業(yè)會計(jì)信息失真現(xiàn)象還是存在，部分上市企業(yè)公布的財(cái)務(wù)數(shù)據(jù)并不能如實(shí)反映這個(gè)企業(yè)的完整財(cái)務(wù)狀況，甚至出現(xiàn)為了重大事項(xiàng)假報(bào)、瞞報(bào)、篡改財(cái)務(wù)數(shù)據(jù)的現(xiàn)象。如果本文研究中使用到了這些不實(shí)數(shù)據(jù)，作者將無法對這些數(shù)據(jù)進(jìn)行修改，這些不實(shí)數(shù)據(jù)很可能影響本文的研究結(jié)論。如果本文研究中使用到了這些不實(shí)數(shù)據(jù)，作者將無法對這些數(shù)據(jù)進(jìn)行修改，這些不實(shí)數(shù)據(jù)很可能影響本文的研究結(jié)論。4.證券市場的ST標(biāo)準(zhǔn)這篇文章直接使用證券交易所特別處理的上市企業(yè)視作企業(yè)陷入財(cái)務(wù)危機(jī)的標(biāo)志，但是眾所周知，建立ST制度的根本目的是為了抑制二級市場的過度投機(jī)，給廣大投資者提供信息，保護(hù)廣大投資者的利益。這種標(biāo)志的確定是否合理，也對本文的模型建立有一定的影響，進(jìn)而對研究結(jié)論會有影響。5.指標(biāo)的選擇本文選擇的指標(biāo)都是財(cái)務(wù)報(bào)表中常使用的評判指標(biāo)。雖然財(cái)務(wù)指標(biāo)可以反映企業(yè)的財(cái)務(wù)狀況，但不能反映財(cái)務(wù)狀況的原因。因此，本文建立的模型缺乏非財(cái)務(wù)指標(biāo)，非財(cái)務(wù)指標(biāo)可以反映企業(yè)在其他方面的狀況，更好地預(yù)測企業(yè)的財(cái)務(wù)危機(jī)，提高判斷的準(zhǔn)確性。6.研究方法問題。在研究方法上，本文只采用了Logistic回歸模型進(jìn)行建模并進(jìn)行預(yù)測研究，缺乏與其他預(yù)測模型的對比分析，在以后的研究中，可以嘗試采用一些其它的新的、好的計(jì)算技術(shù)，如機(jī)器學(xué)習(xí)、強(qiáng)化學(xué)習(xí)、模糊邏輯方法與神經(jīng)網(wǎng)絡(luò)相結(jié)合或?qū)⑦z傳算法運(yùn)用到預(yù)測建模中。隨著越來越多的數(shù)學(xué)方法及統(tǒng)計(jì)技術(shù)的涌現(xiàn)，為財(cái)務(wù)危機(jī)預(yù)警的研究提供了很好的研究工具，進(jìn)而ST預(yù)測精度得到進(jìn)一步提高。由于本文建立的ST公司預(yù)測模型的局限性無法滿足人們對上市企業(yè)財(cái)務(wù)情況分析的需要，為了更好的滿足需求，未來對研究模型進(jìn)行改進(jìn)：（1）建立動(dòng)態(tài)的預(yù)測模型。ST預(yù)測應(yīng)當(dāng)隨著證券市場和上市企業(yè)的不斷發(fā)展而改進(jìn)，ST預(yù)測的模型應(yīng)當(dāng)是一個(gè)動(dòng)態(tài)變化的模型。指標(biāo)體系的選擇應(yīng)當(dāng)根據(jù)宏觀市場環(huán)境、行業(yè)發(fā)展趨勢、企業(yè)的自身情況而定，模型建立時(shí)，應(yīng)確保模型評價(jià)結(jié)果的準(zhǔn)確性。（2）引入非財(cái)務(wù)指標(biāo)進(jìn)行分析。在財(cái)務(wù)報(bào)表的基礎(chǔ)上反映企業(yè)的財(cái)務(wù)狀況，單憑財(cái)務(wù)指標(biāo)并不能完全反映企業(yè)陷入財(cái)務(wù)危機(jī)的原因，而非財(cái)務(wù)指標(biāo)能夠在此基礎(chǔ)上對所選用的模型預(yù)測進(jìn)行補(bǔ)充，提高ST預(yù)測模型的準(zhǔn)確度。參考文獻(xiàn)：[1]LaitinenEK,LaitinenT.Bankruptcyprediction:ApplicationoftheTaylor'sExpansioninLogisticRegression[J].InternationalReviewofFinancialAnalysis,2000,9(4):327一349.[2]HuaZ,WangY,XuX,etal.PredictingCorporateFinancialDistressBasedonIntegrationofSupportVectorMachineandLogisticRegression[J].ExpertSystemswithApplications,2007,33(2):434-440.[3]ShinKS,LeeTS,KimHJ.AnApplicationofSupportVectorMachinesinBankruptcyPredictionModel[J].ExpertSystemswithApplications,2005,28(1):127-135.[4]MinJH,LeeYC.BankruptcyPredictionUsingSupportVectorMachinewithOptimalChoiceofKernelFunctionParameters[J].ExpertSystemswithApplications,2008,28(4):b03-614.[5]ChaudhuriA,DeK.FuzzySupportVectorMachineforBankruptcyPrediction[J].AppliedSoftComputing,2011,11(2):2472-2486.[6]HuangCL,WangCJ.AGA-BasedFeatureSelectionandParametersOptimizationforSupportVectorMachines[J].ExpertSystemswithApplications,2006,31(2):231-240.[7]MinSH,LeeJ,HanI.HybridGeneticAlgorithmsand