【《创业板公司神经网络财务预警模型的构建研究开题报告文献综述》11000字】

创业板公司神经网络财务预警模型的构建研究开题报告文献综述目录TOC\o"1-3"\h\u24225创业板公司神经网络财务预警模型的构建研究开题报告文献综述 1971.1研究的背景和意义 1307171.1.1研究背景 1105641.1.2研究意义 22671.1.3实用价值 3233161.2国内外研究现状 4318231.2.1创业板财务危机研究 4205551.2.2财务危机预警模型研究 572271.2.3财务预警模型的有效性 9214901.2.4文献研究启示 10165531.3本文研究内容和方法 10193601.3.1研究内容 10208201.3.2研究方法 11160351.4本文研究框架和创新点 11258261.4.1研究框架 11110861.4.2创新点 1224961参考文献 131.1研究的背景和意义1.1.1研究背景创业板，是国家为具有创新力、发展潜能的企业提供融资途径的平台。相比于高进入壁垒的主板市场，创业板更有利于中小企业整合资源，发挥优势，获取良好投资机会，有利于引导企业向节能环保的新型可持续方向发展，优化产业结构。2009年5月，证监会《首次公开发行股票并在创业板上市管理办法》的发布标志了我国创业板正式启动。历经11年的成长发展，创业板市场始终在中小企业融资、扩展投资渠道、升级创业投资体系、促进国民经济可持续发展方面发挥作用，成为了当前我国多层次资本市场体系的重要组成。到2020年，创业板总市值接近7.5万亿，比科技创新板高4倍，现有投资人超过4500万。创业板市场体量之庞大，使注册制改革必然剧烈振动资本市场。2020年4月，《创业板改革并试点注册制总体实施方案》审议通过，同年8月，提交证监会注册的企业已达39家，处于问询阶段的达205家，提交创业板注册制IPO申请总计364家。深圳交易所于2020年6月12日正式发布《深圳证券交易所创业板交易特别规定》，创业板上市公司风险警示分为提示存在终止上市风险的风险警示和其他风险警示。创业板新规则下，限价将改为20%，无疑会加剧资产分化，扩大日价涨跌幅度。同时，退市制度和ST风险警示将有助于形成良币驱逐劣币的健康资本市场生态，避免主体投机炒作，降低跟风投资，增强创业板市场的交易热情，同时使投资风险翻倍。财务危机对企业的持续经营构成根本性威胁，财务危机预警对于企业及其利益相关者是十分必要的，企业生产经营和外部环境息息相关，充满不确定性，创业板上市公司财务风险更大。如果进行财务预警、提前识别危机，能够大大减少损失，所以财务危机预警的研究对于创业板上市公司来说是十分必要的。1.1.2研究意义创业板公司普遍处于发展的成长阶段，此阶段的特点是：资产规模相对较小，现金流不足，从我国上市公司的性质定位来看，多为高科技中小企业，同时公司管理层缺乏丰富的管理经验，甚至部分新兴行业有关未来公司盈利能力情况有很大的不稳定性。另外，由于创业板上市公司通常选择家族控股方式治理，导致了其存在经营管理结构不完善以及易发生关联交易等问题，以至于其出现财务危机的可能性大幅提高。通过相关研究数据可以得知，创新科技型中小型企业投资失败率甚至达到七成，相比于主板上市的企业来说，这个比例远高于主板上市公司失败率。可见投资创业板上市公司承担了更多的风险。创业板上市公司在快速发展中有很多问题，如上市标准相对较低、发行条件中的财务指标要求低于主板、中小板为首次公开发行等，导致了发生财务危机概率相对其他板块来说更大，风险性更高。当前，我国正经历着经济转型和结构调整。此次以《深圳证券交易所创业板交易特别规定》对发行、上市、交易、退市等基本市场制度进行了重大变革，形成了高效、多元化的退市和ST制度，对投资者的专业经验和风险承受力提出了更高的要求。今后将有80多家空壳资源公司和其他质量差的公司面临退市。创业板作为存量市场，将比科创板更早形成退市常态化。在多渠道的IPO和退市制度下，创业板市场将“有进有出”，真正优秀的企业将会存留下来，形成良性循环，从而使整个创业板市场健康发展。在国家加大环境治理力度、全面建设生态文明的背景下，环保产业正以工业化“清道夫”、经济发展新引擎的姿态强势崛起，迎来了行业发展的“黄金时期”。纵观现有研究可以发现，我国学术界对环保类上市公司财务预警的研究较为片面，结合创业板市场特征的研究更加有限，不仅如此，当前对环保类上市公司成长性的研究多采用单一的实证分析法或案例分析，本文则结合两种不同的分析方式，从创业板环保类上市公司着手，对环保类上市公司在新规定影响下的财务危机预警进行研究，在实证研究中丰富理论，提高在新政策环境下解决问题的能力，同时通过案例研究对模型加以验证，实证分析与案例分析相结合使得研究更为具体、客观，进一步验证预警模型有效性。同时，在梳理创业板财务危机预警相关文献时，理论研究可以开阔财务危机预警的思路。研究创业板上市企业的财务危机预警模型有助于丰富和完善我国财务危机预警理论的内容，拓展研究领域，尤其是本文参考了新发布的2020创业板新规，对财务危机理论的时效性提供新的参考依据。1.1.3实用价值创业板环保类上市企业鱼龙混杂、良莠不齐，故而正确评价创业板上市公司的财务状况、预警财务危机，在维护投资者和债权人利益、经营管理者预测财务危机和监管部门提高监管效力方面，具有重大意义。一方面，对于进行财务预警的企业，可以预先防范有可能引发财务危机的风险点，避免因发生财务危机而衰落。研究财务危机有利于实时掌握企业财务状况，帮助企业经营者分析财务危机产生的原因，从而反推管理者改变管理模式，重点监管可能诱发财务危机的源头，采取有效的防范措施加以遏制，并对已出现的财务危机找出对应的解决之道。综上，建立一套适用于创业板市场新政策的神经网络模财务预警模型，提供创业板市场上市公司有效避免财务危机成为当前亟待解决的问题。另一方面，有助于公众分析预测企业财务状况。避免创业板上市公司爆发重大的财务危机，并使其拥有一个健康的成长环境，是我国创业板市场长久稳健发展的前提条件。对于银行而言，进行财务预警在一定程度上能够对贷款的安全性进行保障，进而也就可以保证银行自身的经营秩序，避免陷入危险。对于投资人而言，可以提高自己投资的有效性，增加自己资金的安全。在创业板新政策下，要研判市场所处之环境、背景，预估未来经济发展趋向，更要了解这些股价波动的真实缘由，保证有的放矢。所以，《深圳证券交易所创业板交易特别规定》实施后，部分公司股价波动很大，如何识别和评价创业板环保类上市公司的财务危机水平并及时采取有效的防控措施是当前急需解决的首要问题。1.2国内外研究现状1.2.1创业板财务危机研究财务危机是表现企业财务状况的专有名词，当企业无力偿还所欠债务时，该企业就陷入了财务危机。在财务危机的概念界定上，国内外学者尚未形成严格统一的标准。国外学者大多把出现银行透支或宣告破产的企业定义为陷入财务危机的企业，但是与国外成熟的市场经济相比，我国直到1988年，才正式开始实施《企业破产法》，经济市场在法律与制度上的不健全要求我国上市公司均要受到证监会的严格把控，在面临破产时也会受到政府机构的非市场行为干预，通过企业内部重整、企业合并或收购等手段帮助上市公司免于破产，政府非市场行为的干预和保护使我国上市公司的破产现象远远少于国外。所以我国学者一般不认同国外学者将宣告破产作为陷入财务危机的标准。从当前国内研究来看，我国学者普遍以无力偿还到期债务当作上市公司陷入财务危机的判别标准。以往我国学者大多只关注主板市场，主板市场经过长时间建设至今已形成一套完整的管理模式。但创业板则不然，创业板是我国二板市场，相关法律法规的建设尚不完备。随着注册制的到来，创业板上市公司的特点导致其发生财务危机的可能性远远大于主板市场。因此研究创业板上市公司财务危机是十分必要的同时也是重要的。刘泽荣、方芳（2013）从多维度分析创业板市场与主板市场的异同点，从概念和特点上指出实施创业板上市公司财务评价必要性以及建立的评价体系的基本内容，同时指出应该着重研究非财务指标的影响因素。李波（2018）针对我国创业板上市公司持续亏损的局面,建立企业财务预警模型对其进行财务预警分析.该方法首先通过配对方法筛选出10个主成分因子;然后通过修正的Z值模型建立公司财务预警模型。邹婷婷（2019）提出创业板2009年挂牌上市，不仅奠定了我国市场发展的多元化、层次化基础，还给高新技术企业提供了融资通道，文章接着阐述了T公司的财务状况，分析其面临的财务风险，并就怎样防控该公司的筹资风险、投资风险、营运资金管理风险给出建议。 陈丁芳（2019）认为创业板市场比主板市场和中小板市场面临更大的财务风险，在具体阐述创业板市场的现状和上市公司面临的财务风险后，以创业板上市公司的样本数据为基础，采取因子分析法，建立上市公司的财务危机大小的评判体系，同时提出了财务危机的防范手段。吴庆贺、唐晓华、林宇（2020）以我国创业板上市公司为研究对象,从公司不同财务状况构成的非均衡样本特性出发，通过Twin-SVM设计了财务危机预警模型。1.2.2财务危机预警模型研究（1）国外财务危机预警模型研究自上世纪三十年代，国外学者开始研讨企业财务危机预警，至今提出了很多较为成熟的工具和方法来解释和预测企业的财务危机，并结合各国上市公司公布的真实数据做了大量的实证分析。财务风险预警的分析方法主要有以下几类：①单变量模型1932年，学者Fitzpatrick最先将单变量模型用于财务预警，他发现评价能力最强的两个比率是权益净利率和财务杠杆。1968年，WilliamBeaver也利用一元判别法对财务危机做了研究，从他的研究开始，才开启财务危机判别的系统化研究。他认为危机企业的现金流量、应收账款和存货通常比较少。②多元线性判定模型Altman（1968）首次采用多元线性判别方法进行财务危机预警研究，他构建了Z值模型，由5个财务变量决定Z值大小；Z值越小，企业越有可能产生财务危机，反之亦然，但模型适用范围有限。Altman、Haldeman和Naravanan（1977）以Z值模型思路为基础，进一步创建了ZETA模型，ZETA模型的预测精度明显优于Z模型。GiovanniCaggiano、PietroCalice和LeoneLeonidac（2014）采用多元回归的方法，以撒哈拉以南非洲地区低收入国家为样本，构建财务预警模型用于预测其银行危机，研究结果表明低收入国家的银行财务危机事件与低经济增长、银行系统流动性差等因素有关，并且运用该模型使得预测能力有显著提高。③逻辑回归模型Martin（1977）首次提出把多元逻辑回归模型应用到预测企业是否陷于财务困境中，选取了多家银行作为研究样本并以25个财务指标作为研究变量，最后该模型成功地对银行发出了破产预警信号。1985年，JamesDavid基于现金流量指标，构建Logistic财务预警模型，研究结果表明经营现金流不能提高模型的预测效果，但红利成分是一个可靠的识别变量，可有效提高模型识别效果。AliAri（2012）选取1990年1月至2008年12月期间的16个经济和金融指标作为样本数据，建立了一个多元逻辑回归模型进行财务危机预警研究，通过模型找出导致危机的决定性因素，结果表明财政赤字过大，货币供应增长过快，短期外债急剧上升，银行体系风险增加以及不利的外部因素冲击导致了土耳其的财务危机。Rosa（2017）等人因巴西银行业金融机构的财务危机事件，构建多变量逻辑回归模型进行预警分析，研究选取相关财务指标并基于142家金融机构的2016至2014年的月度财务数据，结果显示资产负债表中典型的财务指标的变化可预测巴西银行是否面临财务危机。CDeLucia、PPazienza和MBartlett（2020）利用Logistic回归方法，根据环境、社会及管治指标和其他经济指标，预测欧洲上市公司的预期股本回报率（ROE）及资产回报率（ROA）等主要财务指标的准确性，确定环境、社会和公司治理举措是否影响欧洲公共企业的财务业绩。④神经网络模型九十年代开始，人工神经网络模型兴起。Tam和Kiang（1992）采用三层神经网络模型评判银行的财务危机，以1985-1987年之间的118家银行作为本文的研究样本，其中59家为破产银行，另外59家为非破产银行。英国学者FengYuLin和SallyMcClean（2001）以四种独立的财务预警研究方法(判别分析法、逻辑回归法、神经网络方法及决策树方法)为基础，将这几种方法进行不同的组合，建立了三种混合模式，再对这些方法进行实证分析，验证结果表明在同等条件下，混合模式优于单个方法模式。2002年，R.J.Kuo等人开发了一个基于模糊神经网络（FuzzyNeuralNetwork，简称FNN）的智能预测系统，用于解决在促销情况下的销售预测问题。文章指出,虽然用单一的ANN模型对销仿的预测已经比传统的统计方法要好，但是仍然需要进一步的发展。将FNN处理结果通过神经网络与时间序列数据结合起来能提供更加可靠的预测，并且指出通过权值估算的FNN比一般的FNN有更低的训练误差。Brockett和Golden（2006）等人针对保险公司的财务困境进行预警研究，该研究分别采用了两种人工神经网络模型（BP和LVQ）以及两种标准统计模型（多元判别分析和逻辑回归分析），结果发现，神经网络模型预警效果优于标准统计模型。GeorgiosMarinakos（2013）将人工神经网络和制药行业的特点结合，建立现金流量管理预警模型，该模型为使希腊医药零售商缓解所面临的财务困境而建立，降低连锁企业的财务风险。神经网络模型尽管预警精度良好，但是需要花费较多的时间和人力，因而在实际运用中有所限制。JRSánchez-Serrano、DAlaminos（2020）等人认为现有公司财务报表审计意见预测模型，仅侧重于个别财务报表的背景，没有一个模型提及综合财务报表。综合信息对于决策过程和了解公司的真实财务状况至关重要。为此选择了一组西班牙公司的样本，并使用了多层感知器人工神经网络技术，结果表明，该方法能够以86%以上的准确率预测审计意见。DorinaNicoletaPopa、VictoriaBogdan（2021）等人设计一个综合财务指标来确定上市公司的财务业绩，并通过神经网络进一步用于预测经营业绩。主成分分析被用来建立一个综合财务指数，采用了2011-2018年期间的四个传统会计指标和四个基于价值的指标。为了通过综合财务指数预测企业业绩，进行了五次实验。（2）国内财务危机预警模型研究与国外金融风险预警研究相比，国内相关研究相对滞后，始于20世纪80年代。随着我国经济的飞速发展，各个行业中的大中小型企业都有着高低不等的财务风险，因此，国内学者对相关预警的深入探究也随之增多，不断发展为构建适用于我国实际经济状况的财务风险预警模型。①单变量模型陈静（1999）以27家ST公司以及同等规模同等行业下的27家非ST公司作为研究样本，选取1995至1997年共三年的财务比率数据作为变量，进行单变量预警分析，结果显示该模型用于中国市场是有效的，并且资产负债率和流动比率在公司财务失败前一年的预测正确率相当高。喻旻昕（2019）采用单变量预警模型，对江西国控江西国控2014-2016年财务报表进行分析，采用数学统计方法对各个样本企业的财务指标数值进行分析，形成正态分布的均值和标准差，确定置信区间，然后根据正态分布得出指标所在区间，并取置信区间的单侧范围作为判定正常或异常的参考标准。②多元线性判定模型周首华、杨济华、王平（1996）基于Z分数模型进行改良，加入了能够反映现金流量变动的财务比率，由此建立了F分数模型，这是国内第一次采用多元统计的方法进行财务危机预测。本研究以1990-1995年间的4160家公司数据作为研究样本，构建了可靠度更高的财务危机预警系统。欧阳歆（2014）在物联网行业中选取33家公司作为研究样本，基于公司2011年的财务数据，采用Z分数模型对财务风险进行实证分析，结果发现，财务风险在国内物联网行业中并不是很高。裴潇（2015）以2008至2010年间的国内房地产公司作为研究对象，构建了Z分数模型，并用2011年的财务数据加以检验，研究表明，基于原有的临界值，结合我国国情应当加以修正，由此得到的新的临界值在我国房地产财务预警研究中更合适。徐晓莉、陈佩佩（2018）选取ST企业与非ST企业间存在显著性差异的12个指标，对24家样本企业2015年的指标数据提取主成分。通过多元判别分析建立企业的财务风险评估模型，利用随机选取的30家房地产企业2016年的经营数据对已建模型的有效性进行实证检验。③逻辑回归模型陶志坤（2013）以2011年50家ST公司和相对应的50家非ST公司作为研究样本，运用逻辑回归模型来构建财务风险预警系统，研究结果发现，通过该模型进行预警准确率可达86%，并且预警时间越靠近ST时间，预警结果越精确。朱洪婷（2015）根据最新财务数据并采用Logistic模型对机械行业进行财务预警研究，最后将川润股份带入该模型验证。张园园、马明（2016）以2011-2013年27家首次被ST的制造业公司和相对应的27家正常公司作为研究样本，通过主成分剔除部分财务变量，并基于财务数据构建了Logistic回归财务预警模型。顾晓安、王炳蕲和李文卿（2018）对基本的逻辑回归模型加以改进，在财务指标和非财务指标这些变量之外，加入了真实盈余管理及应计盈余管理两个盈余管理变量，研究样本选取了2012年至2016年的上市公司，并将ST公司和非ST公司作为对比组，构建了财务风险预警系统。徐碧莹、程昔武（2019）以建筑业上市公司为研究对象,以2015年-2017年为样本区间，选取能够反映行业上市公司各方面能力的26个财务指标,利用SPSS23.0筛选出其中能显著区别出ST和非ST上市公司的指标，运用Logistic回归方法建立建筑行业财务预警模型。④神经网络模型黄小原、肖四汉（1995）在相关研究领域，第一次提出运用神经网络的方法进行财务预警模型建立，弥补了传统方法的不足，具有广泛的应用性。黄晓波、高晓莹（2015）将财务指标和非财务指标作为本研究的变量，针对制造业中的上市公司展开财务预警研究，研究显示，BP神经网络模型所构建的财务预警系统有很好的预测能力，预警正确率可达75%。何珊（2016）针对高端装备制造业，在上海和深圳的相关公司中，选取了68家作为研究对象，并在各方面筛选了16个指标作为研究变量，利用BP神经网络模型构建了财务预警模型，通过实证研究表明，此预警模型对该行业有不错的预警效果。吴睛宇（2017）利用BP神经网络模型，建立了一个符合我国上市制造业企业的财务预警模型，将浙江震元公司放入模型检验，结果证明，该风险预警模型准确率较高以及有良好的适用性，检验结果显示浙江震元公司的财务状况健康。孙新宪、李夏琳（2019）以2004-2016年四大航空公司的49份财务和非财务数据为样本，预测2005-2017年的财务状况。先利用主成分分析法降维优化预警指标，然后利用优化后的预警指标构建模型。结果表明，基于BP神经网络模型的航空公司财务预警模型具备良好的预测能力，能够进行有效的财务预警。李黎、李芬萍、郝岚等人（2019）借鉴企业财务管理方式，结合基层央行业务，管理及财务风险特性，通过主成分分析法确定其财务风险主要因素，以BP神经网络算法构建基层央行财务预警模型，并以某中心支行近3年财务数据进行验证，进而得出该模型具有一定可信度的结论。1.2.3财务预警模型的有效性如前文介绍，财务危机预警模型有多种，包括单变量模型，多元线性评价模型，逻辑回归模型和神经网络模型，前三种财务风险评价方法是静态的，而神经网络分析模型实现了企业财务风险的动态评价。其中三层BP神经网络通常由输入层，输出层和隐藏层组成，被认为是最适用于模拟输入、输出的近似关系，因此它在财务预警中被广泛应用。宋宝珠（2014）指出随着创业板上市公司成立至今的公开交易近四年时间里，根据公开信息披露可以看出创业板上市公司的高速增长已经开始“降温”，财报业绩频频“变脸”，加上监管机构的管理并不到位。因此在可预见的未来，对创业板上市公司自身预警将成为趋势。经过实证分析之后得出结论：逻辑回归方法更加适用于我国国情，能够为我国企业的预警提供依据。王书贤、杨圣娟（2018）通过运用BP神经网络模型，选取流动比率、速动比率、应收账款周转率、资产负债比率等18个输入变量，对创业板企业进行财务状况动态评价，进而为企业财务预警及经营提出一定的指导建议。魏敏（2019）通过对创业板娱乐行业财务状况分析选取往年的财务数据作为财务预警评价指标，构建基于BP神经网络的娱乐业财务预警模型，摆脱了人为在确定权重时的困难，以及随机性和模糊性的影响，并利用SPSS数学分析软件对样本进行训练以及仿真验证，预测创业板娱乐业的财务危机。付扬扬、仇晓洁（2019）认为我国创业板上市公司价值存在高估或者低估的现象，如何准确评估创业板公司价值显得尤为重要，该文章分析了国内外创业板上市公司价值评估方法缺陷的基础上，提出了基于BP神经网络的创业板上市公司价值评估，借助SPSS19.0软件，收集整理49家创业板公司数据，利用这些数据建立BP神经网络模型，并用个案检验法检验所建立的网络模型的适用性和可行性，同时与B-S模型方法、EVA模型方法和现金流量法测算的评估值进行比较，检验BP神经网络模型的准确性。谢玉珊（2020）分析了国内外有关财务风险理论的研究成果及财务风险预警模型,主要有多变量判别模型,多变量判别模型,逻辑回归模型,神经网络预警模型及功效系数法预警模型,探讨国内外风险预警的共同点及差异。1.2.4文献研究启示根据国内外对财务预警的相关研究文献可以看出，国内外学者对于财务危机预警的研究无不是追求一套准确有效、方便快捷的方法。由于西方的市场经济发展较早，所以西方学者在财预警理论的研究以及模型的探讨方面走在我国学者的前列。但我国学者在西方研究成果上，将其研究结论和中国的特色国情和市场经济相结合，基本上形成了和财务预警相关的比较完善的财务危机预警模型，而财务危机预警模型也逐渐由传统模型向人工智能模型发展。通过以上对财务预警模型的相关文献进行分析，可以发现：（1）采用人工神经网络模型对于企业财务危机预警的准确率是十分可观的，而这也是未来的一个发展方向与研究热点。因此，本文选择BP神经网络模型作为财务危机预警研究方法，对此次创业板新规下股价变动明显的科融环境进行财务危机预警研究，采取创业板环保行业公司的相关指标构建准确性较高的财务危机预警模型，对科融环境财务风险进行建模预测分析可以提供创业板财务预警方面一定的参考价值。（2）当前对上市公司的研究多采用单一的实证分析法或案例分析，案例分析能够是与实际相结合，但逻辑上不够严谨，理论支持不足。而实证分析特点是逻辑严谨，但很可能脱离实际。本文则结合两种不同的分析方式，在实证研究中丰富理论，利用创业板环保类公司财务数据做实证分析训练神经网络。从创业板上市公司中具有代表性的公司着手做案例分析，对其财务危机进行预警，进一步对模型应用的有效性加以验证。（3）结合创业板规定的研究较少，缺少时效性。我国创业板处于发展时期，各项规定相继出台，因此以往预警模型中某些假设的因素并不符合创业板当前的情况。本文所构建的BP神经网络财务危机预警模型，其风险度的确定以及财务指标的选取，参考了创业板2020年“新规”，所采用的样本数据为近年也符合时效性的要求。1.3本文研究内容和方法1.3.1研究内容本文主要对在新规下创业板企业财务危机预警模型的构建进行了研究，将模型应用于科融环境企业财务危机的预警，分析其财务数据并提出对策，共分六部分。第一部分为绪论，阐述了本文的研究背景与意义，介绍了四种财务预警模型的发展和有效性的对比，分析了我国创业板财务危机研究现状。第二部分详细说明了财务危机与预警概念，并阐述本文选择神经网络作为预警模型的优越性，然后介绍了财务危机预警相关的理论基础。第三部分从创业板概念出发，从两个方面详细分析了我国创业板财务风险成因。介绍了科融环境企业概况，并从财务指标上分析了科融环境近年的财务状况，并阐述选择科融环境作为创业板财务危机模型研究对象的重要意义。第四部分对创业板财务危机风险度判定标准进行了界定，选取创业板31家环保公司近5年的财务数据，在Matlab中采用BP神经网络算法构建财务危机预警模型并对预警准确度加以检验。第五部分在上一章构建的基于创业板企业的财务危机预警模型的基础上，对科融环境公司2015-2020年的财务状况进行预警并从其财务数据上分析其产生的问题，并根据神经网络预警的结果结合其财务指标给出了防范危机的对策与建议。第六部分为总结与展望，分析了本文研究的不足。1.3.2研究方法笔者主要采用了以下的研究方法：（1）文献研究法。通过阅读大量的财务预警相关的文献，本文在总结国内外研究现状的基础上，建立了基于神经网络的创业板上市公司财务预警模型，选取了—年深圳证券交易所公布的家创业板上市公司的组财务数据，并将其分为个训练样本和个仿真样本进行实证（2）定性分析与定量分析相结合。在确定财务危机的判断标准时，本文采用了定性分析与定量分析相结合的方法。在探究科融环境财务预警的过程中，对于其发展历程主要采用定性研究，而对财务危机具体分析以财务数据为基础，进行定量分析研究。（3）实证研究与案例研究法。本文则结合两种不同的分析方式，在实证研究中利用创业板环保类公司财务数据做实证分析训练神经网络。从创业板环保类上市公司选取有代表性的公司做案例研究，对模型应用的可行性加以验证。。1.4本文研究框架和创新点1.4.1研究框架本文在创业板环保类企业的财务风险成因的基础上，选取反映创业板环保类企业特征的财务指标，结合创业板2020年交易“新规”制定出适合创业板的财务危机风险度界定方法，通过国泰安、万德数据库获得创业板环保行业30家公司的财务数据，在Matlab2014a环境下完成数据的标准化与财务指标的筛选，选取的六个主成分作为BP神经网络的输入层，以财务危机风险度作为输出，训练网络并对预警模型进行准确度检验，得出可行的BP神经网络财务危机预警模型。选择科融环境公司找出该公司财务风险来源，然后将该公司近年的财务指标数据代入到危机预警模型中得到预警结果，预警结果与该公司财务状况一致，从而验证了本文所构建的创业板环保企业财务危机预警模型的可应用性。研究框架如图1-1所示。图1-1研究框架图1.4.2创新点（1）创新性的结合了2020年新出台的创业板上市公司交易“新规”。本文不拘泥于以往学者对创业板财务危机的判断标准的，提出更适合创业板市场特点的财务危机风险度判别方式，将创业板上市公司出现净利润亏损、营业收入低于1亿元、资产负债率大于70%作为确定风险的三条标准，更具针对性的预测创业板上市公司的财务危机。本文构建的预警模型可为创业板注册制新规下企业是否会被ST以及存在退市风险提供可参考的依据，相比以往的财务危机预警模型具有较强时效性。（2）采用两种不同财务分析方式。与以往对上市公司财务预警的单一的实证分析法或案例分析法不同，本文则结合两种不同的分析方式。利用创业板环保类公司财务数据做实证分析训练神经网络，对科融环境的财务危机进行预警做案例分析，两者方式相结合，更加全面的反映模型预警有效性。（3）为提高预警准确性，引入了新的预警指标。本文将能够成功反映企业成长风险的每股EBIT增长率和每股收益增长率引入到财务危机预警模型中，增加了有效的财务预警指标，使预警的准确性得以提升。参考文献刘泽荣,方芳.创业板上市公司财务评价指标体系研究[J].财会通讯,2013(1):41-43.李波.创业板公司财务预警模型研究[J].商业故事,2018(14):102-102.邹婷婷.创业板上市公司财务风险分析及应对措施——以T公司为例[J].商情,2019,000(041):78-80.陈丁芳.基于创业板上市公司的财务风险评价体系构建[J].中外企业家,2019,No.651(25):47-48.吴庆贺,唐晓华,林宇.创业板上市公司财务危机的识别与预警[J].财会月刊(会计版),2020,000(001):后插54-后插62.陈静.财务困境之预测—中国上市公司的产证研究[D].1999.喻旻昕.统计类单变量预警模型在国有资本投资运营公司财务风险预警中的运用[J].审计与理财,2019,000(007):34-36.周首华,杨济华,王平.论财务危机的预警分析——F分数模式[J].会计研究,1996,08:10-13.欧阳歆.基于Z模型的物联网企业财务风险评价研究[J].会计之友,2014,000(004):70-72.裴潇,黄玲,陈华.基于Z值模型的房地产企业财务预警研究[J].财会通讯:综合(上),2015.徐晓莉,陈佩佩.基于主成分判别分析模型的房地产上市企业财务风险研究[J].经济研究导刊,2018,000(024):121-123.陶志坤.基于Logistic模型的上市公司财务风险预警研究[J].商业经济,2013,000(017):109-112.朱洪婷.基于Logistic模型的机械制造业上市公司财务预警应用与分析[J].时代金融（中旬）,2015,(1):228-229.张园园,马明.中国制造业上市公司财务预警模型的实证研究——基于Logistic回归分析[J].山东科技大学学报(社会科学版),2016.顾晓安,王炳蕲,李文卿.Logistic财务预警模型预警正确率提升研究——引入盈余管理变量的分析[J].南京审计大学