財務風險指標(財務指標分析)

《上市企業(yè)財務預警模型發(fā)展思路.docx》由會員分享，可在線閱讀，更多相關《上市企業(yè)財務預警模型發(fā)展思路.docx（12頁珍藏版）》請在得力文庫 - 分享文檔賺錢的網(wǎng)站上搜索。

1、上市企業(yè)財務預警模型發(fā)展思路摘要:本文的起始點為企業(yè)風險和預警的概念,總結(jié)風險預警管理在歷史階段內(nèi)的進展狀況，并針對現(xiàn)階段國內(nèi)外較為主流的企業(yè)風險預警模型展開系統(tǒng)性分析。共用4種方法展開討論，該討論指出當下討論缺陷的同時分析了將來風險預警管理模型討論的基本走向。關鍵詞:SVM；ANN；財務風險；預警模型1引言企業(yè)財務預警需要定位好企業(yè)經(jīng)營及管理所處的真實狀態(tài),定位的根據(jù)是相關企業(yè)財務報表和經(jīng)營數(shù)據(jù)。一元判別法(單變量模型)(FitzPatrick,1932)是較傳統(tǒng)的企業(yè)預警模型，其通過單變量來推斷企業(yè)狀態(tài),對企業(yè)財務特點的描述存在局限之處，僅采納了單一指標。后續(xù)，z-score多元判別模型實

2、現(xiàn)了突破，引入了多元線性判別式，通過此途徑計算判別分即Z值，以其為推斷根據(jù)。該模型成為典型的對財務危機、破產(chǎn)等狀況進行預報的模型，克服了一元判別分析法的缺乏。2國內(nèi)財務風險預警進展歷程相較于國外的財務風險預警進展歷程，我國在此方面的起步較遲，最初可追溯至20世紀80年月，進展初期的預警系統(tǒng)更加注重宏觀經(jīng)濟預警功能，由于社會經(jīng)濟的持續(xù)進展，后續(xù)逐步滲透至企業(yè)預警領域，具有定性與定量相結(jié)合的特征。微觀經(jīng)濟視域下，企業(yè)的進展環(huán)境日益冗雜，伴有各類不確定因素，企業(yè)迎來全新的進展挑戰(zhàn)，此時給企業(yè)預警系統(tǒng)的進展創(chuàng)設了良好的契機，人們對其的重視程度較以往明顯提高。學界對于企業(yè)預警的討論工作中，以佘廉教授頗具

3、代表性，其提出的企業(yè)逆境管理理論為該領域的討論引領了新的方向，同時創(chuàng)建企業(yè)預警管理體系，提高了企業(yè)預警管理的地位。3國內(nèi)外財務風險預警的討論評價3.1國外財務風險預警的討論評價單變量判定模型是極為典型的靜態(tài)模型，但其指標數(shù)量較少、覆蓋面缺乏，導致在實際應用中存在明顯的局限性，負債的流淌性并未考慮在內(nèi)。此時，在面向短期償債能力缺乏的企業(yè)時易作出誤判，而通過單項財務比率并不能全方位反映出企業(yè)的運營狀況。相較之下，多元線性判定模型則實現(xiàn)了從單變量向多變量的轉(zhuǎn)變，其對于財務指標樣本所提出的要求是其必需服從多元正太分布，并且各變量均不行作為剩余變量的線性組合?，F(xiàn)階段，二元選擇模型已經(jīng)形成體系，其中以Lo

4、gistic模型和Probit模型最具代表性，企業(yè)財務風險預警討論中則以Logistic模型的應用最為廣泛，緣由在于其規(guī)律概率分布函數(shù)與正態(tài)分布的密度函數(shù)表現(xiàn)出較高的相像性，并且可滿足快速計算的要求。3.2國內(nèi)財務風險預警的討論評價縱觀國內(nèi)進展狀況，分析財務報表是最為典型的財務風險預警系統(tǒng)討論方式，具體包含神經(jīng)網(wǎng)絡、成效系數(shù)法等，但普遍缺乏適用性。現(xiàn)階段，國內(nèi)企業(yè)的財務報表具有較為顯著的階段性特征，在財務危機的征兆方面缺乏明確的指向性，預警的意義偏弱，且多數(shù)討論都局限在企業(yè)是否會爆發(fā)財務危機的層面，對于預警系統(tǒng)的認知缺乏，難以創(chuàng)建完善的預警系統(tǒng)，導致財務危機的發(fā)生概率較大。3.3國內(nèi)財務風險預

5、警的進展思路(1)以現(xiàn)階段的財務風險預警指標為基礎，結(jié)合實際狀況對其實行合適的修改措施，創(chuàng)建完好的年度財務風險預警指標體系。(2)市場環(huán)境在各階段都存在顯著的改變，此時以企業(yè)內(nèi)部管理者的需求為立足點，創(chuàng)建面向該群體的資產(chǎn)風險預警系統(tǒng)，以便給各月度的風險監(jiān)控工作提供支持。資產(chǎn)風險反映的是企業(yè)在某個特定階段內(nèi)由于資產(chǎn)管理不妥等多重因素而造成損失的可能性，具體包含本錢損失、壞賬損失、降壓損失等，管理者利用資產(chǎn)風險預警系統(tǒng)盡可能削減資產(chǎn)風險。4企業(yè)預警管理的演化過程如圖1,針對企業(yè)危機展開管理即危機管理。它屬于事后應急性的處理，專注于發(fā)生危機后快速作出應對。而危機往往是突然發(fā)生的，是企業(yè)必需應對和管理

6、的且常導致較大金額的財產(chǎn)損失。因此，我們要求危機管理應快速。隨著其事后性弱點被漸漸發(fā)覺，一些學者和企業(yè)已經(jīng)開始思索并嘗試改善，將把握風險向前拓展。而很早就存在“風險一詞，風險管理是過程管理，應在企業(yè)運作進行時掌握不利結(jié)果。通常在產(chǎn)生風險的初期馬上介入,以到達準時阻斷或消滅的效果。風險管理集中在損失上財務風險指標，由通過概率可進行分析的不確定性引起。對多樣的不確定性和其結(jié)果視而不見，不單會產(chǎn)生虧損，還要考慮現(xiàn)實的機會。風險預警標志著風險管理走上了新的臺階,它的主動性和對集成風險管理的改良,使風險預警討論日益形成體系。5模型構(gòu)建與討論思路在對偶理論中，確定系數(shù)的方式可通過二次規(guī)劃問題求得：推斷輸入指標和輸出結(jié)

7、果的關系，當兩者表現(xiàn)出非線性特征時，則要準時更改輸入空間，將其轉(zhuǎn)變?yōu)楦呔S空間，并進一步確定最優(yōu)線性分類。若要實現(xiàn)非線性改變，較為關鍵的途徑是定義相應的核函數(shù)。從現(xiàn)階段的理論討論成果來看，核函數(shù)有如下三種：本文采納了3種方法：(1)確定樣本數(shù)據(jù)；(2)借助主成分分析(ANN)的途徑深入解讀樣本數(shù)據(jù)；(3)借助SVM完成企業(yè)預警模型的構(gòu)建。該模型的兩部分分別為上述(2)和利用SVM進行的分類。作為ANN，其基礎想法是：少數(shù)幾個隱性的主成分(因子)、和以正交為特征的線性組合代表著從前多個變量，這樣就不會選取過多變量且更具獨立性，可將具有代表性的變量(具有表征能力、蘊含信息豐富)歸納于一體。這種有效的

8、工具能夠削減數(shù)據(jù)維數(shù)，用簡潔的數(shù)據(jù)來表示冗雜數(shù)據(jù)，從而后續(xù)能更好地做好分類、處理等相關工作。SVM指的是統(tǒng)計學習方法，在其支持下可判別模式的具體類型，對解決小樣本問題具有更好的適用性。輸入空間內(nèi)的問題在得到非線性轉(zhuǎn)換后，能夠有效遷移至高維度空間內(nèi)，此時線性從本來的不行分轉(zhuǎn)變?yōu)榭煞值奶攸c，進而形成最正確線性分類面，而這正式SVM的核心。簡言之，通過財務指標對區(qū)分企業(yè)狀態(tài)才是企業(yè)財務預警問題的本質(zhì)，故通過ANN與SVM聯(lián)合組建模型可達成企業(yè)財務預警目標。本次討論以酒類行業(yè)17家上市公司為基本對象，選取其在20222022年期間內(nèi)的年報財務數(shù)據(jù)，之所以做出此選擇，緣由在于：(1)企業(yè)財務報表可靠、真

9、實；(2)通過原始數(shù)據(jù)來評判能使統(tǒng)計方法不同造成的誤差降低；(3)財務比率因行業(yè)不同而不同，選用同一酒類行業(yè)的企業(yè)能去掉這種差異，且宏觀經(jīng)濟景氣循環(huán)很少會影響該行業(yè)。從我國證券市場的進展狀況來看，鮮有公司破產(chǎn)，此時可以對ST類公司作進一步的認知，將其視為“財務危機(失敗)企業(yè)更貼合實際狀況。并且，還有一些企業(yè)被認為是“有潛在危機的企業(yè)，它們雖不是ST企業(yè)，但對其財務指標具體狀況和專家意見進行綜合分析后發(fā)覺其經(jīng)營狀況并不佳。一些樣本中某些值和平均值相差甚遠，對于此類不具備使用價值的數(shù)值，均將其剔除，最終得到87個企業(yè)樣本，具體狀況為：經(jīng)營狀況良好的有48個，ST企業(yè)有20個，非ST企業(yè)有19個。

10、現(xiàn)階段，國有績效評價指標體系得到廣泛應用，以此為基本根據(jù)，綜合考慮各類破產(chǎn)公司的特點(例如不具備償清到期債務的能力)，此處對討論對象加以細分，得到以償債能力、進展能力為代表的共計17項財務比率指標。6實證討論及分析基于SPSS統(tǒng)計軟件，對整理所得的樣本集展開主成分分析。6.1原始比率變量分析先將主成分提取出來并減小維數(shù)，使各輸入值間存在較低相關性，再初步進行主成分分析：(1)共創(chuàng)建17項財務比率指標，彼此存在相互關系數(shù)，并表現(xiàn)出較為顯著的高冗余程度的特點，可簡化；(2)較強相關比率：流淌比率(X1)和速動比率(X2)兩者間產(chǎn)生的相關系數(shù)到達0.78，說明其關聯(lián)程度較高，也與二者比率組成相對應；

11、流淌資產(chǎn)周轉(zhuǎn)率(X9)和總資產(chǎn)周轉(zhuǎn)率(X11)相關系數(shù)為0.806，說明兩者具有顯著的相關性；主營業(yè)務利潤率(X13)和本錢費用利潤率(X14)相關系數(shù)高達0.85，充分說明兩者具有顯著的相關性；此外，凈資產(chǎn)收益率(X15)和每股收益(X16)、固定資產(chǎn)周轉(zhuǎn)率(X10)與總資產(chǎn)周轉(zhuǎn)率(X11)都存在較高的關聯(lián)程度，各自的相關系數(shù)分別為0.719、0.696；(3)X6與X13(0.544)、X6與X14(0.48)、X8與X9(0.522)之間的相關系數(shù)在0.5上下，較小的相關性說明企業(yè)各能力間的關系有多余部分；(4)股東權(quán)益比率X6和總資產(chǎn)收益率X17兩者的相關系數(shù)到達0.645，由此進一步

12、說明長期償債能力與盈利能力的關系，即具有較親密的關聯(lián)。(5)營運能力與盈利能力雖然具有關聯(lián)但較為微弱，其相關系數(shù)偏小，短期償債能力與長期償債能力的關系較為特別，表現(xiàn)出負相關性。6.2主成分選擇及解釋以主成分的特征值為分析對象，大于1即可選擇，并且共產(chǎn)生了5個主成分因子，需從17項原始財務比率指標入手，探討其對于各主成分因子的因子載荷(具體指的是原始指標與主成分因子兩者間所產(chǎn)生的相關系數(shù))，以便更有效的說明5個因子。依據(jù)因子負荷矩陣：(1)X13、X17、X15、X16、X14、X6可用于說明主成分F1，其他指標遠小于此處所提及的6個比率的因子載荷量，可作為長短期償債能力、盈利能力的主要表征。(

13、2)X1、X2、X4、X5、X8、X9、X11主要說明主成分F2，其各自的因子載荷量也相對較高，明顯超出其他指標，因此可作為長短期償債能力和營運能力的表征。(3)X5、X10和X11的共同特性在于均可說明主成分F3，其表征的是長期償債能力、企業(yè)營運能力。(4)X12、X3的共同特性在于均可說明主成分F4，其表征的是短期償債能力和營運能力。(5)X7則說明主成分F5，反映出企業(yè)營運能力。6.3建立模型識別部分試驗1實行的是二類劃分的方法，將總體訓練樣本細分為2類(正常、報警)，選擇3類樣本(正常、關注和報警)，在此基礎上展開測試。具體如表1。分析：在正常類樣本中的識別正確率可到達100%，并且在

14、關注類樣本的識別中也可到達該效果，在識別報警類測試樣本后，所得結(jié)果為關注。從而得到正常與關注的區(qū)分特征，并作為分類識別的支持。選擇支撐向量機，有助于分析財務數(shù)據(jù)分類的使用狀況，即是否可有效應用于現(xiàn)實。試驗2實行的是三類劃分方法，將總體訓練樣本細分為3類(正常、關注和報警)，由此展開測試，具體內(nèi)容見表2。分析：在正常類樣本中的識別正確率可到達100%，并且在關注類樣本的識別中也可到達該效果；關注類樣本中：除2個正確識別的外，還存在被誤識別為正常和報警的狀況，共計2個；該測試結(jié)果能夠被接受，主要緣由子在于企業(yè)樣本自身不具備有效區(qū)分的條件。而c(c-1)/2個2類SVM分類器共同構(gòu)成了SVM的c類劃

15、分，局限之處在于各SVM只具備區(qū)分2類的能力，難以全面的區(qū)分問題是否會發(fā)生。6.4結(jié)果分析(1)對企業(yè)狀態(tài)進行判定識別財務風險指標，就要了解SVM獲取樣本的規(guī)律所在。借助線性判別式或僅憑靠有限樣本獲得的得分來確定評價標準都有其缺乏之處。此外，BP神經(jīng)網(wǎng)絡進行區(qū)分的水平的確不如SVM。(2)Y分數(shù)模型較為模糊，缺乏詳盡的內(nèi)容，應全面收集行業(yè)企業(yè)的各相關數(shù)據(jù)。樣本分布和數(shù)量都受到肯定約束，在單個行業(yè)中無法固定下來可作為分類根據(jù)的有效F值。本文選擇的ANN-SVM模型中SVM內(nèi)部參數(shù)經(jīng)一次計算即可固定，涵蓋了樣本類別的規(guī)律。SVM小樣本分類進行區(qū)分的能力很強，故無需在大的范圍內(nèi)搜集統(tǒng)計數(shù)據(jù)，直接建模再做推斷就好

16、。(3)分析試驗結(jié)果可知：訓練樣本一經(jīng)明確，不同種類企業(yè)的財務數(shù)據(jù)特點就無法被BP神經(jīng)網(wǎng)絡快速獲取。(4)ANN-SVM模型將人工智能算法與傳統(tǒng)方法進行了聯(lián)結(jié)，建構(gòu)了新型專家系統(tǒng)，發(fā)揮著肯定成效。但其仍有缺乏，表如今樣本數(shù)量從根本上制約著ANN-SVM模型，如：無法到達完全正確，多類劃分不夠精準等。同時，它還暴露出多變量模型在樣本一樣多的狀況下不能使用、分類特點不行被BP神經(jīng)網(wǎng)絡獲取等弊端。值得留意的是，一旦條件相同，SVM就能表現(xiàn)出同樣的效果，這是為大多數(shù)人所接受的部分。7結(jié)束語由一系列實證分析可知，單元和多元判別模型方法及構(gòu)建判別模型的重要前提在于線性函數(shù)等的約束安全被ANN-SVM模型打

17、破。訓練樣本夠多才可利用BP神經(jīng)網(wǎng)絡的問題也得到了解決。在方法上，樣本數(shù)據(jù)借助非線性函數(shù)即可被很好擬和，具有創(chuàng)新性。此外，同其他方法相比，SVM模型還具有在樣本較小的狀況下依舊能保證預報精準程度的獨特優(yōu)勢。參考文獻:1石先兵.基于PCA-SVM的企業(yè)財務危機預警模型構(gòu)建J.財會通訊,2022(10):131-134.2周文娟.我國中小企業(yè)財務預警系統(tǒng)模型的構(gòu)建J.科技創(chuàng)新導報,2022,16(36):156-157.3祁新,柏廣才.基于創(chuàng)新視角的中小企業(yè)財務危機預警模型構(gòu)建J.商業(yè)會計,2022(3):44-46,43.4程芳,李紅麗,邵丹蕾.制造企業(yè)財務危機預警模型構(gòu)建J.新理財,2022(

18、8):50-51.5萬庭君.財務危機預警模型的構(gòu)建及其對A企業(yè)財務風險診斷D.南昌：東華理工大學,2022.6柳本民,閆寒.基于SVM事故分類的連環(huán)追尾事故影響因素分析J.交通信息與安全,2022(3):9-11.7方紅幃,趙濤,佃松宜.基于三域特征提取和GS-SVM的ECG信號智能分類技術(shù)討論J.四川大學學報(自然科學版),2022(2):297-303.8李鵬飛,王青青,毋建宏,陳華雪.基于BP神經(jīng)網(wǎng)絡、ARIMA和LS-SVM模型的集成預報討論1978-2022年陜西省蘋果產(chǎn)量實證J.江蘇農(nóng)業(yè)科學，2022(2)：27-29. 徐欣欣 單位：咸陽職業(yè)技術(shù)學院本文來源：網(wǎng)絡收集與整理，如有侵權(quán)，請聯(lián)系作者刪除，謝謝！第12頁 共12頁第 12 頁 共 12 頁第 12 頁 共 12 頁第 12 頁 共 12 頁第 12 頁 共 12 頁第 12 頁 共 12 頁第 12 頁 共 12 頁第 12 頁 共 12 頁第 12 頁 共 12 頁第 12 頁 共 12 頁第 12 頁 共 12 頁

更多財稅咨詢、上市輔導、財務培訓請關注理臣咨詢官網(wǎng) 素材來源：部分文字/圖片來自互聯(lián)網(wǎng)，無法核實真實出處。由理臣咨詢整理發(fā)布，如有侵權(quán)請聯(lián)系刪除處理。