【财务风险的预测实证分析（论文10000字）】

财务风险的预测实证分析目录6437_WPSOffice_Level1引言 58235_WPSOffice_Level11.研究背景： 627447_WPSOffice_Level21.1研究目的与意义 75612_WPSOffice_Level31.1.1研究目的 711699_WPSOffice_Level31.1.2研究意义 711352_WPSOffice_Level31.1.3研究框架 830063_WPSOffice_Level21.2文献综述 817993_WPSOffice_Level31.2.1国外研究综述 87624_WPSOffice_Level31.2.2国内研究综述 93541_WPSOffice_Level12.研究设计 107174_WPSOffice_Level22.1模型思路 1020633_WPSOffice_Level22.2样本选取 1126336_WPSOffice_Level22.3指标设计 1114371_WPSOffice_Level22.4差异性分析 1223248_WPSOffice_Level32.4.1正态分布检验 1219728_WPSOffice_Level32.4.2差异性检验 1212586_WPSOffice_Level32.4.3多重共线性检验 1314136_WPSOffice_Level22.5主成分分析 1423859_WPSOffice_Level22.6Logistic模型回归 1715524_WPSOffice_Level22.7模型检验 1929386_WPSOffice_Level13.结论与展望 203970_WPSOffice_Level1参考文献： 21

引言自2008年全球金融危机爆发以来，金融业出现了危机，美国和英国许多银行和投资机构破产，随后金融业危机蔓延到实体经济，全球实体经济有所下降。起初是金融行业出现危机，美国和英国许多银行和投资机构破产，随后危机蔓延到实体经济和全球实体经济衰退，美国，欧洲，日本等大国和地区经济一撅不振，国内生产总值增长缓慢甚至是负增长，失业率上升，社会不稳定因素增加。新兴国家的经济也受到了很大影响。许多中国企业在这场危机中破产，尤其是沿海地区的制造业，很多不能企业因为失去了订单，一批批工人失业，从沿海地区回到了家乡。随着21世纪初中国加入世贸组织、社会主义市场经济体制深化改革的不断推进以及中国证券市场的发展壮大，给我国的上市公司带来了巨大的机遇与挑战。在这样一个充满竞争的时代，市场机制像一把双刃剑，在激烈的生存和发展竞争中，效率、创新能力和管理能力处于劣势的企业将被淘汰，在竞争中胜出的企业将变得更加强大。面对经济全球化浪潮的冲击和大量跨国公司的挑战，企业面临的不确定性日益增加金融危机使管理层陷入困境，甚至宣布破产。这已经成为一种普遍现象。本文重点探讨我国股票市场的上市公司在出现财务状况或其他状况异常时,如何建立完备和有效的公司财务危机预警模型，以降低投资者利益可能受到损害时。在建立好预警模型后，分析哪种企业更有可能成为ST公司、他们之间有什么共同的特点，如何通过正常的财务报表分析发现等问题。财务预警模型的建立有助于市场经济主体降低经营风险，保证经济体制改革的进一步深化。有效的金融预警模型的运用可以促进中国资本市场的规范化和健康发展。面对日益庞大的资本市场，无论是作为监管者的中国证监会和证券交易所，还是广大投资者，通过某种方式为上市公司建立科学的金融危机预警系统无疑是股市的命脉和成功的机会。1.研究背景：在过去的二十多年里，我国的证券市场经历了一个快速发展的过程，上市公司也不断地在成长壮大，逐步成为国民经济的一支重要力量。截止到2018年末，中国A股已有3500多家上市公司。多年来，我国证券市场涌现了一批像宝钢股份、华能国际等优秀上市公司，但也有许多上市公司由于管理和运作等各方面的原因，出现了财务困境的情况，正是因为这些财务困境这些公司变成ST或PT公司，其财务困难对整个公司的信誉和市场价值产生了非常负面的影响，也给投资者带来了巨大的经济损失。因此，当务之急是找到一种切实可行的方法，在公司可能陷入金融危机之前，预先警告市场主体中的各方，这也有助于为公司敲响警钟，从而及时采取相应的措施以改善公司的经营状况，避免成为ST或PT公司。与此同时，随着证券市场日益市场化和规范化，年报和半年度报告逐渐规范化，基于这些信息构建合理的财务风险预警模型成为可能。大多数企业的财务状况是从正常到财务风险，在没有彻底有效的解决方案的情况下不断积累，最终导致财务困难或破产清算。因此，从量变到质变需要一个过程。同样，企业真正的财务困境也需要一个过程，这个过程将通过一些财务指标(如财务比率、财务比率衍生的比率等)来体现，以及这些指标在一段时间内的变化。例如，企业的周转能力、盈利能力、发展能力和偿债能力都有所下降。我们可以完成某些工作有或有方法捕捉信息及其变化，从而预测企业是否会陷入财务危机作出预测，这些工具和方法包括多元判别分析、逻辑回归、神经网络、支持向量机等。这些工具和方法的出现及其应用为及时准确预测企业是否会陷入金融危机提供了强有力的技术支持。利用这些工具和方法建立的财务预警模型对捕捉到的财务指标及其变化进行处理，可以在一定程度上帮助企业的投资者和管理者或其他利益相关者也可以从中受益。1.1研究目的与意义1.1.1研究目的本文主要研究在小样本数据且数据存在一定灰度条件下，上市公司的困境预测，运用沪深两市主板市场A股上市公司的数据，运用Logistic回归模型进行预测，并对结果进行分析。研究结果表明，本文建立的Logistic回归模型能够在预测公司财务状况方面起到更好的预警作用，有助于公司管理层准确判断公司财务状况，制定科学的管理计划，促进公司健康稳定的运营。1.1.2研究意义从微观角度来看，及时有效的财务困境预测有利于管理层找出问题的症结，制定正确有效的前瞻性管理措施和财务政策，防止企业财务状况进一步恶化，避免进入破产清算或被收购、合并或退市。对于债权人和潜在债权人来说，财务困境预测可以为他们提供一套相对完整的量化指标和评价方法，有效地评价企业信用，防范信用风险，避免向高风险企业贷款，减少损失。同时，它也有助于投资者识别公司的质量，找出股价是高估还是低估，及时调整投资组合，降低投资风险，提高投资回报。此外，财务困境预测研究对许多其他利益相关者具有重要的现实意义，如与可能陷入财务困境的公司有业务往来的其他公司。对于注册会计师来说，它可以帮助他判断企业的经营状况，正确处理公司财务报告中可能出现的错误和舞弊，从而避免无法准确因披露公司未能经营的信息而引起的法律诉讼。宏观角度看，有利于降低经营风险，保证经济体制的进一步改革深化，有利于促进我国资本市场的规范化和健康发展，优化资源配置，提高社会效率和利润水平。同时，有效的预测也有利于缓解证券市场的风险集中的问题。由于上市公司会计信息中的财务报告、相关财务信息和非财务信息具有晴雨表的功能，对于经营者防范金融危机、保护投资者和债权人的利益具有重要的理论和现实意义。政府管理部门通过选择信息含量高的财务指标和非财务指标来监控上市公司质量和证券市场风险，构建合理的预测模型来估计企业的财务风险，科学预测企业面临财务困难的可能性，并根据预测信息向上市公司利益相关者发出预警。1.1.3研究框架第一章是绪论，主要介绍本文的背景、目的、意义、研究框架和文献综述。第二章是针对我国上市企业建立财务危机预警Logistic回归模型，具体步骤是：（1）对样本进行选择；（2）选择财务分析的指标，本文选取的指标为F分数模型中的指标，进行显著性检验和多重共线性检验；（3）利用主成分分析解决多重共线性；（4）基于主成分进行Logistic模型回归；（5）建立我国公司的Logistic模型；（6）对本文所建立的Logistic回归模型进行检验。第三章总结了本文建立的Logistic模型的特点，并对后续的研究提出了相关建议，进行了展望。1.2文献综述企业因经营不善而陷入财务困境并最终破产已成为一个全球性问题。导致企业失败的原因有很多，主要原因可以分为以下几类:由于国际国内市场竞争压力；企业内部机制；企业管理、决策和宏观环境影响。如果企业不能正确理解这些复杂的问题，并采取有效措施来解决这些问题带来的风险，那么经营失败并最终破产几乎是不可避免的。因此，对企业失败，尤其是财务困境预测的研究，已经成为研究者共同的研究课题。1.2.1国外研究综述菲茨帕特里克(Fitzpatrick)和比弗(Beaver)都使用单变量判别模型，但前者是第一次以非统计方式进行相关研究，发现能够有效区分商业困境的财务比率分别是权益净利率和净资产负债率；然而，后者是第一个使用统计方法的相关研究，它改进和丰富了模型的理论和应用。1986年，奥尔特曼（Altman）采用了多项基于单变量判断模型的财务指标，根据行业和资产规模，按照1:1的比例将33家硒生产企业与非破产同行进行匹配，并利用多元线性判别分析——著名的五变量Z-Score模型，基于处理后的指标数据建立了财务预警模型。这也成为未来几代人在研究金融预警时必须首先学习的经典之一。研究表明，Z-Score模型可以根据临界值判断企业是否会陷入金融危机。基于奥尔特曼（Altman）的Z-Score模型研究，奥尔森（Altman）选择了1970年至1976年间破产的公司，并选择了相应时期的非破产公司，按照1:20左右的比例组成配对样本。首次采用对数回归分析建立了相应的对数模型。Logit模型是利用企业的财务数据，建立反映在这些财务数据中的财务特征与一段时间内是否处于财务危机之间的关系，并将财务预警转化为一个概率问题。他的研究表明，公司的规模会影响预警模型对样本公司是否会发生财务危机的判断。同样，金融结构也会受到影响。同时，他还认为Logit模型比多元分析更合理[1,2]。SVM是Vapnik提出的，它是在统计学和其他相关数学理论的基础上发展起来的，本质上是一个学习机器。Shin等人(2005年)，Min,Lie(2008年)和ChaudhuriA,DeK(2011年)分别用SVM模型预测国内企业破产，得出该方法的预测能力优于MDA、Logit和神经网络模型[3-5]的结论。此外，国外学术界也将其他前沿算法或模型与支持向量机结合起来。其中，遗传算法和支持向量机的结合[6,7]取得了丰硕的研究成果，提高了支持向量机的预测能力。一些学者还将遗传算法(GA)[8,9]，粗糙集理论[9,10]，案例推理(CBR)[11]应用于金融危机预测，也具有重要的参考意义。1.2.2国内研究综述吴士农和黄世忠(1986)首次通过Fisher判别式分析[22]使用财务指标预测企业破产；周寿华等人(1996年)用奥尔特曼（Altman）的主成分分析法改革了Z-score模型，建立了分数模型，并进行了金融预警研究[12]；陈静(1999)利用Beaver和Altman模型，以1:1的比例匹配非金融失败公司和金融失败公司，先后进行了纵向分析、单变量判别分析和多变量判别分析。实证结果表明，这些方法适用于中国金融预警研究[13]；李品芳等人(2006)以2002年上海上市公司为研究对象，运用多元逻辑回归分析方法建立了金融危机预警模型，探讨了多元逻辑回归分析方法[14]的创新与不足。王明昌(2014)提出了一种基于支持向量机的企业财务风险预警模型，并将其与面向服务的架构相结合，使财务风险预警结果能够及时发布[15,22]。熊菲菲(2014)选取了反映公司盈利能力、偿债能力、成长能力和运营能力的四个指标，简要介绍了KMV原理和数据包络分析原理，得出了各公司的违约距离DD和投入产出效率TE，并将这两个指标加入到建立的SVM模型中，得到了预测精度为80[25]的财务预警模型[16,23]；李威(2013)结合SVM和RS理论，提出了基于RS和SVM的上市公司金融危机预警模型。同时，利用遗传算法优化参数选择改变SVM参数算法，实现SVM参数[18-20]的自动选择。施哲(2013)对基于支持向量机的三种金融预警模型的预警效果进行了比较分析，最后总结并提出了一种基于改进核函数[21,24]的SVM算法的金融危机预警系统；2.研究设计2.1模型思路在构建ST公科技公司预警模型时，首先选择样本。在本文中，所有的样本被分成两个比较组。然后，建立了一个指标体系，对模型的建立和拟合程度具有重要意义。其次，进行样本差异检验。如果样本符合正态分布，则进行两个独立样本的测试。如果样本不符合正态分布，则进行两个独立样本的非参数检验。本文是基于logistic模型的财务预警。logistic模型要求自变量之间不存在多重共线性，否则所建立的模型没有统计学意义，然后对样本的多重共线性进行检验。本文选取的指标具有多重共线性，不便于直接逻辑回归。为了解决这个问题，对样本进行主成分分析，选取前三个主成分，然后将选取的三个主成分进行逻辑回归，建立逻辑预测模型。最后，对模型进行了测试。本文首先选取前两个阶段的训练样本数据进行测试，然后利用测试样本数据进行测试。测试样本也来自a股企业。将测试样品和测试样品的测试结果进行比较。2.2样本选取本文从国泰安CSMAR数据库中选取了2007-2012年的123个样本数据。所有这些样本数据都来自中国证监会在上海证券交易所和深圳证券交易所a股市场。本文之所以将2007年的数据作为开始，是因为财政部在2006年发布了一套新的会计准则和审计准则体系，要求上市企业从2007年1月1日开始实施新的会计职准则和审计准则体系，新旧会计准则在会计科目的会计口径上有所不同，不利于上市企业财务数据的持续比较。因此，在本文中没有使用2007年以前上市企业的财务数据。本文采用的样本一共有50个，并分为两组。其中一个样本组是ST公司，共有25家企业。特殊对待期是2011年或2012年。另一个样本组是非ST公司，共有25家企业。本文采用一对一匹配的原则。匹配依据与匹配企业上市时间相同，与被特别处理前匹配企业年末资产规模相似。排除不符合要求的样本，最终选择用于建立logistic模型的训练集样本数为50个。本文中的比率数据精确到小数点后3位。2.3指标设计关于企业财务预警指标体系的建立，很多国内外学者都有大量的研究，本文将借鉴F分数模型，F分数模型是1996年学者周首华、杨济华和王平在奥尔特曼（Altman）建立的Z分数模型的基础上，加入现金流量这个预警变量提出的。F分数模型中五个自变量分别是:X1——期末营运资产/期末总资产X2——期末留存收益/期末总资产 X3——（税后纯收益+折旧）/平均总负债X4——期末股东权益的市场价值/期末总负债X5——（税后纯收益+利息+折旧）/平均总资产本文使用以上5个指标作为logistic模型的自变量。2.4差异性分析2.4.1正态分布检验要进行差异性分析，首先要对上市公司样本进行正态分布检验，这里采用检测峰度(Kurtosis)和偏度(Skewness)值，检验结果见表2-1。本文选择的统计软件为spss17.0。表2-1使用SPSS对样本进行正态分布检验的结果正态分布结果分析：（1）偏度(Skewness)等于0,峰度(Kurtosis)等于0时，样本呈现正态分布，偏度(Skewness)大于0时，说明该总体数据分布比正态分布陡峭，偏度(Skewness)小于0时，说明该总体数据分布比正态分布平坦，峰度值(Kurtosis)的绝对值越大，说明该数据分布与正态分布的差异性越大。峰度(Kurtosis)大于0时，说明该总体数据分布比正态分布向右偏，图形表现为右边尾巴长，并且右端有较多的极端值，峰度(Kurtosis)小于0时，说明该总体数据分布比正态分布向左偏，图形表现为左边尾巴长，并且左端有较多的极端值，偏度值(Skewness)的绝对值越大，表明该数据分布与正态分布的差异性越大。根据表2-1，可以看出样本不符合正态分布。2.4.2差异性检验由上一个步骤，数据总体不符合正态分布，这里选择采用两个独立样本的非参数检验(Mann-WhitneyU检验)，检验两个样本是否来源于同一总体。检验结果见表2-2所示。表2-2差异性检验表非参数检验表2-2显示，5个指标的显著性检验中其p值都明显小于0.05，说明样本通过Mann-WhitneyU显著性检验，认为两个独立样本来自的总体存在显著差异，且差异十分明显。2.4.3多重共线性检验本文是基于logistic模型的ST公司预警模型，logistic回归分析的假设前提之一是多个自变量之间不存在多重共线性，如果变量之间存在多重共线性，使用logistic回归分析建立起来的模型没有统计意义。样本多重共线性检验见下表2-3所示。表2-3多重共线性检验表若实验结果中有多个维度特征根约为0，则证明自变量之间存在多重共线性。在本次实验中，表2-3中显示特征值(Eigenvalue)一栏中有2个特征根(0.395,0.231)约为0，证明自变量之间存在多重共线性。2.5主成分分析为了解决样本中自变量的多重共线性现象，采用主成分分析法消除自变量之间的多重共线性。但是，并非所有共线性数据都可以用于主成分分析，数据样本是否适合主成分分析和主成分提取也应根据数据样本的性质进行验证。基于此，首先应该对样本数据进行Bartlett球性检验和KMO检验，见表2-4。表2-4Bartlett球性检验和KMO检验KMO统计量用于比较变量间简单相关和偏相关系数，取值在0，1之间。KMO的值越接近0说明越不适合进行主成分分析。通常按不同的取值范围确定适合程度:（1）1>KMO>0.9，非常适合做主成分分析；（2）0.9>KMO>0.8，适合做主成分分析；（3）0.8>KMO>0.7，做主成分分析效果一般；（4）0.7>KMO>0.6，不太适合做主成分分析；（5）0.6>KMO，不适合做主成分分析。表2-4中，KMO值为0.715，做主成分分析效果一般。而Bartlett球性检验值为78.630，p值为0.000，小于0.05，是十分显著的，认为能够做主成分分析。综上所述，所选取的样本中5个指标适合做主成分分析。接着，提取主成分。见下表2-5，主成分统计信息表。表2-5主成分统计信息表表2-5显示，第一主成分的特征值是2.717，这解释了五个原始变量的总方差的54.332。两个主成分的特征值是1.004，这解释了五个原始变量的总方差的20.07。三个主成分的特征值是0.573，这解释了五个原始变量的总方差的11.469，但是第三个主成分的特征值小于1，但是前三个特征值的累积贡献率是85.871。因此，提取前三个主成分来代替原来的五个指数变量。具体做法是：表2-6未经旋转的因子系数矩阵（1）计算主成分系数需要将未旋转因子系数除以其相应特征值的平方。表2-6中的未旋转因子系数矩阵除以其相应特征值见表2-5)的平方，得到表2-7，主成分系数表。表2-7主成分系数表三个主成分的表达式如下: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)是标准指标变量，stdxi=(xi-平均值)/标准差，见表2-8，描述性统计量表。表2-8描述统计量表将表2-8代入stdxi=(xi-平均值)/标准差，得到表达式: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将表达式2.2代入表达式2.1，得出以下表达式: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模型回归通过以上方法选取3个主成分，解决了自变量之间的多重共线性问题，接下来利用Logistic模型进行回归。p代表发生财务危机的概率，将样本中被ST企业定义p值为1，正常企业定义p值为0，使用二元Logistic回归方法建立模型，则发生危机的概率p可用公式((2.4)表示: （2.4）将方程变为线性方程：(2.5)其中F1,F2,F3分别为主成分分析提取出来的前三个主成分，B1,B2,B3,B4分别为待估计的参数。使用SPSS软件进行Logistic回归，得到表2-9，方程中的变量。表2-9方程中的变量表2-9表明，F1，F2值和常数项的p勉强可以接受，在显著性水平附近，值都小于0.05，具有统计学意义，所以二元Logistic回归模型表达式为： Y=-9.829F1+5.749F2-4.22F3-1.653(2.6)将表达式4.3代入表达式4.6，得到以原指标变量反映的Y值:Y=4.936x1-2.615x2-9.089x3-0.31x4-73.984x5+3.302(2.7)最后将表达式2.7进行变换，得出以原指标变量反映发生危机概率p值的最终Logistic回归模型:（2.8）建立的财务预警Logistic模型中五个自变量分别为:X1—期末营运资产/期末总资产X2—期末留存收益/期末总资产X3—（税后纯收益+折旧）/平均总负债X4—期末股东权益的市场价值/期末总负债X5—（税后纯收益+利息+折旧）/平均总资产在Logistic模型中仅自变量X1的系数为正数，当X1值越大，发生财务危机概率p值越大，表明企业越易陷入财务危机；模型中X2,X3,X4,X5这四个自变量的系数为负数，当X2,X3,X4,X5的数值越大，发生财务危机概率p值越小，表明企业经营状况良好。从自变量的值来理解Logistic模型的所代表的意义：X1的值越大，期末代表性企业的经营资产占总资产的比例越大。然而，X1的系数为正，与模型中X1的值越大发生危机的概率p越大的结论相反。当X2值较大时，意味着期末留存收益占期末总资产的比例较大，这表明股东自有资本占企业总资产越多，企业发生财务危机的概率p越小，这与模型中X2值越大发生财务危机的概率p值越小的结论相同。当X3值较大时，表示企业当年税后净收入和折旧占当年平均负债总额较大。企业偿付能力越强，企业无法履行偿债义务的风险就越小。这表明财务危机的概率p越小，这与模型中X3值越大的结论相同。当X4值较大时，代表期末股东权益的市场价值与期末总负债的比率较大。期末股东权益的市场价值越大，越能反映市场对企业的信心。这表明企业财务危机的概率越小，这与模型中X4值越大财务危机的概率p值越小的结论相同。当X5值越大，代表当年企业税后纯收益、利息和折旧占当年平均总资产的比例越大，企业的经营状况越好，企业发生财务危机的概率p越小，与模型中X5值越大，发生财务危机概率p值越小的结论相同。2.7模型检验（1）使用HosmerandLemeshow方法进行拟合优度检验。表2-10显示了使用HosmerandLemeshow进行拟合优度检验得到的p值为0.996，这个结果表明由预警概率获得的期望频数与观测频数之间差异无统计学意义，即模型拟合程度很好。表2-10HosmerandLemeshow检验（2）回判分析。回判分析的结果如表2-11所示，回判包括有两类错误，第一类错误：将财务危机的企业判定为财务正常企业，第二类错误：将财务状况正常的企业判定为财务危机企业。训练样本的第一类错误率为8%，即25个财务危机企业中判定23个为危机企业，2个为正常企业，正确率为92%；第二类错误率为4%，25个财务状况正常企业中判定24个为正常企业，1个为危机企业，正确率为96%。因此，50个企业的总体正确率为94%。表2-11回判分析的结果3.结论与展望本文随机选取沪深两市A股市场中，2011年和2012年被证券交易所特别处理（ST）的25家企业的财务信息，根据这些企业的上市时间，以及企业被特别处理前的总资产进行一一配对，使用SPSS17.0统计分析软件，建立Logistic模型，研究思路为：利用F分数模型选用指标，使用非参数检验的方检验两组数据是否来自同一样本，再利进行多重共线性分析，实验结果表明，F分数模型中的指标存在多重共线性，不能直接进行Logistic回归，需要先将这五个指标做主成分分析，以降低指标间的多重共线性，然后用提取出来的三个主成分建立逻辑回归模型，接着将原指标代入，建立以原F分数模型指标反映的Logistic回归预测模型，最后对建立的预测模型进行拟合优度检验和回判分析，证明了逻辑回归模型对于ST公司的预测的适用性。由于本人知识和能力有限，本次研究还存在着极大的不足，总结如下：1.选样的不足本文以上市公司财务报表为基础，考虑了上市公司财务数据的可用性，随机选取了25家上市公司。测试样本中有66家出现财务企业及其对应的25家财务正常企业。本文中采用的样本数量较小，极大的增加了模型预测不准的风险。ST评判的不足2.ST判定的不足直到1998年中国才开放的“ST短板”，从开始到现在的时间还很短。在短时间内，用现有的方法对“ST公司”的判断并不十分成熟，虽然有些企业暂时还没有加入ST公司，但他们的生产经营已经面临严重困难，财务状况也很糟糕，甚至这些企业的情况在不断地恶化。在我们选择的ST公司中，可能已经有一些公司发生了一些实际的财务危机，但这些公司尚未暴露他们存在的问题。因此，“财务金融危机企业”的定义问题在我国仍然需要完善和解决，不得不提的是，很多因素在一定程度上严重影响了财务危机预警模型的构建和其预测效果。财务信息获取方式受限本文选取的样本企业是沪深两所上市企业，我们所获取的上市公司的财务信息是上市企业对社会发表的经过会计审计的财务报告，如果要获取准确的信息，上市企业发表的财务数据必须真实、完整、透明、可靠，这也成为我们在做财务危机准确预测的必要条件。但是实际的情况是，我国上市企业会计信息失真现象还是存在，部分上市企业公布的财务数据并不能如实反映这个企业的完整财务状况，甚至出现为了重大事项假报、瞒报、篡改财务数据的现象。如果本文研究中使用到了这些不实数据，作者将无法对这些数据进行修改，这些不实数据很可能影响本文的研究结论。如果本文研究中使用到了这些不实数据，作者将无法对这些数据进行修改，这些不实数据很可能影响本文的研究结论。4.证券市场的ST标准这篇文章直接使用证券交易所特别处理的上市企业视作企业陷入财务危机的标志，但是众所周知，建立ST制度的根本目的是为了抑制二级市场的过度投机，给广大投资者提供信息，保护广大投资者的利益。这种标志的确定是否合理，也对本文的模型建立有一定的影响，进而对研究结论会有影响。5.指标的选择本文选择的指标都是财务报表中常使用的评判指标。虽然财务指标可以反映企业的财务状况，但不能反映财务状况的原因。因此，本文建立的模型缺乏非财务指标，非财务指标可以反映企业在其他方面的状况，更好地预测企业的财务危机，提高判断的准确性。6.研究方法问题。在研究方法上，本文只采用了Logistic回归模型进行建模并进行预测研究，缺乏与其他预测模型的对比分析，在以后的研究中，可以尝试采用一些其它的新的、好的计算技术，如机器学习、强化学习、模糊逻辑方法与神经网络相结合或将遗传算法运用到预测建模中。随着越来越多的数学方法及统计技术的涌现，为财务危机预警的研究提供了很好的研究工具，进而ST预测精度得到进一步提高。由于本文建立的ST公司预测模型的局限性无法满足人们对上市企业财务情况分析的需要，为了更好的满足需求，未来对研究模型进行改进：（1）建立动态的预测模型。ST预测应当随着证券市场和上市企业的不断发展而改进，ST预测的模型应当是一个动态变化的模型。指标体系的选择应当根据宏观市场环境、行业发展趋势、企业的自身情况而定，模型建立时，应确保模型评价结果的准确性。（2）引入非财务指标进行分析。在财务报表的基础上反映企业的财务状况，单凭财务指标并不能完全反映企业陷入财务危机的原因，而非财务指标能够在此基础上对所选用的模型预测进行补充，提高ST预测模型的准确度。参考文献：[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