预警分析模型（精选十篇）
预警分析模型 篇1
一、财务预警的核心模型
(一) 单变量分析模型
该模型采用一元判别统计分析方法, 以某一财务指标作为判别标准来判断企业是否处于破产状态。
1. 剖面分析
早期单变量分析模型研究中, 影响最为广泛的是美国威廉·比弗 (Beaver, 1966) 提出的剖面分析方法。选取失败和非失败公司作为两组样本, 分别计算出各样本组在选定指标下对应的算术平均数, 形成由两个以时间为坐标的序列组成的剖面图。
发现两组样本的财务指标有显著差异, 且越接近失败日差异越明显。表明财务指标对财务失败有一定的说服力, 并能直观反映财务指标的变化趋势与公司财务状况间的关系。
2. 二分法检验
将样本随机抽取一半作为估计样本, 剩下作为检验样本。将估计样本按某一财务指标某一年的数据进行排序, 选取正常与困境的分割点, 将分割点运用于检验样本。发现在选取的5个财务指标中, 债务保值率的预测能力最好 (在财务困境前1年的误判率仅为13%) , 其次是资产负债率。
该模型简单明了, 由于某些财务指标是企业特征性变量, 用其对企业进行预测将较为有效, 因而该模型为人们熟知并广泛运用。
(二) 多元线性判别模型 (MDA)
多元模型运用多种财务比率指标加权汇总而构造多元线性函数来预测财务危机。最早由美国学者阿特曼 (Altman, 1968) 提出, 得到的预测方程模型如下所示:
包括营运资本/总资产、留存收益/总资产、息税前利润/总资产、权益市场价值/总债务账面价值、销售额/总资产5项比率。研究表明:后三个指标预测能力较强, 预测精度高达94%。
多元模型用Z值来进行判定, 克服了单变量模型出现的对于同一公司不同比率预测出不同结果的现象。实践中Z模型占据着重要地位, 但是它要求变量必须符合正态分布且组内协方差矩阵相等, 而现实中的许多变量多不满足该假设, 这就降低了模型的适用性。
(三) 逻辑线性回归 (logistic) 模型
逻辑线性回归模型是一种条件概率模型, 它是建立在累计概率函数的基础上的, 一般运用最大似然估计的方法。目标是寻求观察对象的条件概率, 从而据此判断观察对象的财务状况和经营风险。
奥尔森 (Ohlson, 1980) 使用逻辑回归模型选取了105家破产公司和2058家正常公司组成非配对样本, 采用9个财务比率估计了3个模型, 模型1预测一年内破产的企业, 模型2预测第一年未破产而在第二年内破产的企业, 模型3预测一年到二年内破产的企业。通过分析样本公司在破产概率区间上的分布及两类判别错误和分割点的关系, 发现用公司规模、资本结构、业绩和当前的变现能力进行财务危机预测的正确率高达96%。
该模型的优点在于不需要严格的假设条件, 克服了线性方程受统计假设约束的局限性, 从而能够被广泛使用。但由于其样本数量不宜少于200个, 加上比较复杂的计算过程和繁多的近似处理, 不可避免地影响到其预测精确度。
(四) 类神经网络模型 (ANN)
类神经网络模型是通过模拟生物神经系统的模式, 利用不断重复的训练过程, 使其能够透过经验积累达到学习效果的一套人工智慧系统。
奥多姆和沙达 (Odom&Sharda, 1990) 通过将65家失败企业与64家正常企业配对, 区分为训练样本与保留样本, 以Z模型所使用的5个财务比率为研究变量, 使用类络构建模型。结果发现训练样本的判别正确率高达100%, 保留样本的失败企业与正常企业的预测正确率分别为82%与79%, 显示出较好的预测能力。
该模型主要通过计算机进行大量数据处理, 并没有危机预测函数的变量是线性和独立的假定。同时能够深入挖掘预测变量之间隐藏的相关关系, 这也加强了模型的适应性。
从以上国外财务危机预警的发展中我们可以看出, 对企业危机预警的研究在不断地更新中向着更高层次、更为科学的方向发展, 这为我国的财务预警研究提供了借鉴。
二、财务预警模型的比较
学术界中使用频率最高的几种财务预警模型正如前文所述, 这些方法各有优缺点。
(一) 单变量模型的固有缺陷
该模型简单易行, 可以通过个别检验找出对某一特定公司陷入财务困境有最大预见度的财务比率。其缺陷在于:
1. 只重视某一指标所揭示数据的解读, 而单个指标的可操控性较强, 企业高管有可能通过粉饰通用财务比率来掩盖企业的财务危机真相。
2. 单个比率反映内容有限, 仅能反映企业某一方面的能力, 无法概括企业全貌。在财务分析中, 解决不同问题需要引用不同的比率指标, 而这些比率指标的重要性排序又是不明确的。
3. 同一公司, 在同一时期运用不同的比率可能预测出不同的结论, 造成公司分类冲突, 使报表使用者陷入困境。
(二) 多元模型的应用缺陷
较单变量预测模型, 多元模型具有更高的判别精度, 其不足表现为:
1. 有指标为近似正态分布, 且组内协方差相等的假设约束。而现实中的数据并不完全符合该理论的假设要求, 这将限制该模型的使用。
2. 较之单变量模型, 该模型需要做大量的数据收集和分析, 工作量较大。
3. 通过将多个财务指标综合计算得到的Z值使用起来简明清晰, 但其本身并没有任何实际经济意义, 不便于进一步分析和利用。
4. 要对财务困境组与控制组之间进行配对, 但配对标准的确定带有很大主观因素, 这将破坏随机性原则, 从而高估模型的预测能力。
(三) 逻辑线性回归模型的缺陷
逻辑线性回归模型通过引入新的数学方法, 克服了多元模型对数据的正态分布和等协方差性要求, 其缺陷在于:
1. 没有解决两类错误成本问题。即将财务困境公司误判为正常公司的第一类错误, 将正常公司误判为困境公司的第二类错误。
2. 分析较为复杂, 且对多重共线性问题及异常值和缺失值问题非常敏感, 一旦样本存在完全分离, 模型参数的最大似然估计将可能不存在。
3. 企业财务状况仅用几个指标的排列组合来表达是不准确的, 企业财务状况应当为大量数据指标的综合表现。
(四) 类神经网络模型的缺陷
类神经网络模型的处理过程与传统回归模型基本相似, 唯一不同在于权重是经过反复试错而得到的。其不足表现为:
1. 需要人为调试, 耗时耗力。
2. 几乎没有解释能力。由于建模的过程复杂, 基本上是个黑箱, 人们无法根据模型的权重值得到输入变量的相关重要性。
3. 稳健性不强, 对不同样本进行检验时, 准确率的波动比较大。
结合以上对各模型的分析, 我们可以通过选取对企业解释力最强、相关性最高的指标, 来完善预警模型, 构建适合企业实际的财务预警体系。
三、财务预警模型的现实选择
(一) 多变量模型的困境
目前我国大多数研究属于多变量模型研究, 该模型也被广泛运用于实际, 而该模型要求财务指标符合正态分布且组内协方差相等的假设。经学者研究, 我国上市公司的财务指标并非完全符合正态分布, 而是呈现尖峰厚尾的特征。用这样的财务指标进行研究会使结果产生一定偏差, 降低模型预测的精度。
企业通过构建财务预警模型, 能及时掌握与企业财务风险有关的信息, 从而有效地防范和化解财务风险, 保证企业的稳健发展。但由于该模型要求有公司股票市价资料, 这就使该模型风险预测在实务界中的运用还仅限于上市公司。
(二) 我国企业财务预警活动的制约因素
逻辑回归模型在计算上较多元模型容易一些, 因此在实务中使用的频率可能更高。但由于其样本的数量和近似处理的限制, 使该模型在我国还停留在适用性研究阶段。如前文所述, 类神经模型对不同样本进行检验时, 准确率的波动较大且需人为调试, 在研究方式和模型完善方面也还有待发展。
我国一些中小企业通常缺乏专业财务人员, 作为企业防范财务危机主力的高素质财务人员的缺乏, 使得以上应用相对复杂的模型在现实中的运用并不普遍。
财务危机分析主要从大都为历史数据的公司财务报表入手, 但仅依靠这些回顾性信息是不够的。而单变量模型可以通过创新财务指标的开发, 查阅其他财务资料、销售合同等获取前瞻性数据, 深入剖析特定企业财务困境的深层原因, 提高预警模型的准确度。
由此可见, 比起分析较为复杂的逻辑模型和目前预测效果还不稳定的神经网络模型, 简单易懂的单变量模型可以通过个别检验找出对某一特定公司陷入财务困境有最大预见度的财务比率, 来进行企业危机初步预测, 适用性更强。综上所述, 单变量模型可以作为我国当前财务预警模型的现实选择。
摘要：企业财务困境这种全球化的普遍现象, 会带来一系列的经济和社会问题。市场经济竞争的激烈和环境的险恶, 使财务预警模型成为现时最热门的研究命题之一。本文拟通过对国内外相关研究领域经典文献的回顾, 结合我国国情对已有研究成果进行总结, 最后引申到实践运用层面。
关键词：财务困境,预警模型
参考文献
[1]陈静.上市公司财务恶化预测的实证分析[J].会计研究, 1999 (01) .
[2]蔡莉莉.浅谈企业财务风险预警系统的完善[J].财务管理, 2010 (22) .
[3]李红珍.财务困境预警模型综述[J].会计实务, 2011 (01) .
[4]于晓红, 浅析信息化条件下企业财务风险预警机制基本模型的构建[J].现代企业教育, 2012 (02) .
预警分析模型 篇2
大型社会活动安全事故成因分析及预警组织模型构建
分析了我国大型社会活动安全事故的成因,研究了组织、环境、设备、人等因素在大型社会活动安全事故中的作用,得出了大型社会活动安全事故成因机理,在此基础上,介绍了大型社会活动安全事故预警模型的`组织、监控系统,并规范了各组织的职责,最终设计了大型社会活动安全事故预警系统的工作流程.
作 者：叶明海 嵇方 YE Ming-hai JI Fang 作者单位：同济大学,经济与管理学院,上海,92刊 名：灾害学 ISTIC英文刊名：JOURNAL OF CATASTROPHOLOGY年，卷(期)：21(4)分类号：X928.03关键词：大型社会活动 预警模型 安全事故 成因机理
预警分析模型 篇3
关键词：债券市场 信用风险 KMV模型
自2005年以来，随着我国资本市场改革的深化，信用债市场进入了快速发展的阶段，债券品种不断丰富，投融资主体资格逐渐放宽。截至2013年10月底，信用债市场余额达到了8.35万亿元，成为企业融资的重要渠道。
未来随着直接融资比例的提升，发行主体将进一步扩容，实质性债券违约发生的可能性很大，信用风险将成为投资者面临的主要风险之一。在目前的信用风险评价体系中，评级机构对于发行主体的判断成为重要的评价依据，然而评级机构的精准性和及时性却经常受到投资者的质疑。评级机构下调债券发行主体或债项评级往往具有一定滞后性，而且一旦评级下调，债券流动性将受到较大冲击，使得投资者没有足够的时间去规避风险。因此，在外部评级之外，寻求发行主体偿债能力恶化的前瞻性指标从而成功规避信用风险，对于投资者来说极为重要。
模型的选取及分析
对于发债主体来说，寻求偿债能力恶化的前瞻性指标需要获取更多体现企业信用资质的信息。在信息对称的情况下，金融市场反映的价格是有效的。当市场理性时，债券的价格应该充分反映发债主体的信用风险状况，观测价格的变化就相当于了解了企业信用资质的变化。然而，债券市场目前成交的频率和价格都不及股票市场被投资者直接观测到，股票市场对所有市场信息反应的速度一般要快于债券市场。如果同一主体同时在两个市场交易，从理论上说，股票市场的观测结果可以被用来及时有效地判断发行主体的信用资质。因此，本文将股票市场使用的KMV模型引入债券市场，并建立相关评价模型来进行实证分析，以实现对信用风险的有效预警。
（一）KMV模型及预警体系
信用债大规模发展至今时间较短，加之尚无实质性违约发生，学术界尚未广泛开展信用债的风险预警体系研究。与债券市场相比，企业的另一个直接融资渠道——股票市场由于发展较早，加之建立了ST风险警示机制，因此学术界对股票市场信用风险预警机制的研究较早。
国外对公司信用风险预警也建立了较为完善的体系，主要分为统计学方法及非统计学方法。统计学方法中以Z值模型为代表。20世纪60年代末，Altman建立了基于财务数据多变量信用评分的Z-Score模型，利用上市公司财务数据构建Z值分辨函数对公司是否陷入信用危机进行预测，存在一定的无法判断企业信用状况的未知区间，但由于模型简单，应用较为广泛，我国学者也进行了相应的研究。在统计学方法的应用上往往需要选择适当的模型函数对信用进行预测，但这往往是基于历史财务数据对未来进行预测，当宏观或产业环境发生较大改变时，准确度下降明显。为了解决事前选择模型适当性的问题，出现了以神经网络技术、专家系统等为代表的非统计学方法。Gallagher & Andrew（1999）采用神经网络分析法对美国银行和公司的财务危机进行了预测，取得了一定的效果。与统计学方法相比，非统计学方法最大的缺点在于模拟过程机械，模拟结果缺乏解释力度。但二者并没有一概而论的孰优孰劣，往往需要根据不同情况来相机抉择。
KMV模型作为统计学方法的代表，自1993年建立以来，以期权理论为基础综合考虑了上市公司股票及财务数据，由于股价能在一定程度上揭示公司的发展前景，因此KMV模型与以往风险模型相比有一定的前瞻性。其核心假设为在债务到期当天，公司的股权价值为公司资产市场价值与债务值之间的差额，这样就通过能观测的股权价值间接解决了资产市场价值不能观测的问题。
KMV模型的运用包含三个步骤：
一是根据BS期权模型，通过上市公司股票的市场价值及其波动、负债的账面价值来估算出公司资产的市场价值和波动性。
其中，
式中，E 和为股权的市场价值及波动率，而对应的V和为所求资产的市场价值及波动率，D为负债，r为连续复利无风险收益率，t为债务偿还期限（通常选择1年），N（·）为标准累计正态分布函数。
二是根据公司的负债情况确定违约点（企业1年期以下短期负债账面价值与长期负债账面价值的一半之和）来计算违约距离（DD）；DD 即为要求的违约距离，DP为违约点负债，与D值相同。
三是根据违约距离与预期违约率（EDF）之间的对应关系来求出企业的预期违约率。这需要有足够的违约样本来建立二者之间的对应函数，而目前市场中缺乏足够的数据，因此将违约距离作为信用风险的预警指标，即使用违约距离来作为信用风险预警观察的绝对指标，其计算过程依赖于KMV模型的基础计算。
（二）样本选择
由于KMV模型的运用需要上市公司的股票市值，因此目前只能选取发债主体中的上市公司进行分析。本文首先选取了目前在债券市场上发行主体为上市公司的企业，筛选出其中所有数据可得的公司（数据截至2012年12月31日），共得到222个样本，剔除其中银行、证券、保险等，按照申万一级行业划分，共分布在22个行业。其中，总市值的计算标准按照证监会的算法，波动率采用Wind资讯提供的近100周股票的年化波动率，短期和长期负债取自上市公司公布的2012年财务报表数据，连续复利无风险利率选择1年期国债即期利率，通过编写相关程序得到处理结果。
按照行业划分，计算了每个行业的平均违约距离，以判断这一指标是否符合不同行业信用风险存在差异这一常识，即该指标的差异性表现如何（处理结果见图1）。从行业分布来看，由于样本的有限性，部分行业的样本过少，包括餐饮旅游、家用电器、金融服务、食品饮料以及综合行业，这些行业的样本数据均不超过3个，在后续处理中将予以忽略。
nlc202309040551
从统计出的各行业的平均违约距离来看，行业之间的分化比较明显。电子行业平均违约距离最低为4.49，而平均违约距离最高的交通运输行业为7.21，二者之间相差2.72。
图1 各行业平均违约距离
债券发行主体实证分析
图1显示的结果表明，违约距离指标具有较好的区分信用风险的特征，也体现出在用违约距离判定信用风险时，不同的发行主体考虑的基准应当是有所区别的，换句话说，仅考虑违约距离的绝对值并不能直接判断信用风险的大小，需要观测其时间序列才能判断其信用资质是否出现了较为明显的恶化。
为了进一步验证违约距离指标与评级机构评级调整相比是否具有更好的前瞻性，本文对不同发行主体违约距离的时间序列数据进行处理。
在目前的信用债市场中，尽管尚未出现实质性债务违约，但已有债项主体需要依靠自身能力以外的资源来偿还债务，笔者将这样的发行主体定义为广义的违约主体。将广义违约主体与上市公司进行交叉比对，选择新中基和山东海龙作为违约主体代表，与之相对应，选取安琪酵母作为较为稳定的发行主体代表来对KMV模型的有效性进行验证。
（一）违约主体代表：新中基、山东海龙
1. 11新中基CP01
本期债项的发行时间为2011年11月7日，其发行主体是新中基，尽管最终以第一大股东农六师国资兜底兑付，但按照其自身偿债能力来看，债项已经发生违约，期间中诚信也三次下调了发行主体评级（评级调整时间见表1）。
表1 新中基评级调整时间
评级调整时间调整后评级展望评级公司
2012-10-11CC—中诚信国际信用评级有限责任公司
2012-05-07A—中诚信国际信用评级有限责任公司
2011-09-16AA-负面中诚信国际信用评级有限责任公司
笔者根据第二部分的方法测算了2010年以来新中基的违约距离（见图2）。从结果来看，新中基的违约距离在2011年5月开始已经出现了明显的下行态势，而评级机构是在2012年5月7日将其评级直接下调，违约距离指标领先评级机构评级下调约1年的时间。在评级被下调至垃圾债之前的半年时间，新中基的违约距离已经跌至0以下，也说明其无法依靠自身来偿债。
图2 新中基违约距离
（编者注：将图中的“新中基违约距离”去掉）
2.11山东海龙CP01
本期债项的发行时间为2011年4月15日。债项发行人为山东海龙，在2011年9月以后评级不断被下调，从而引发市场对其违约的担忧（信用评级调整时间见表2）。
表2 山东海龙评级调整时间
评级调整时间调整后评级展望评级公司
2012-02-15CCC负面联合资信评估有限公司
2011-12-19BB+负面联合资信评估有限公司
2011-09-15A-负面联合资信评估有限公司
2010-12-21A+稳定联合资信评估有限公司
从山东海龙的违约距离来看（见图3），其在2010年12月已经逐步呈现明显下行趋势，在2011年4月成功发行债券之后违约距离达到了阶段性高点，随后持续回落。2011年9月之后，山东海龙不断出现停牌事件，影响了违约距离的测算精准性。但总体来看，如果投资者能提早观测到其明显的下行态势，那么就能合理规避该期债项的风险。
图3 山东海龙违约距离
（编者注：将图中的“海龙违约距离”去掉）
从上述两个样本债项的违约距离来看，可以得到下述结论：第一，与评级机构评级下调相比，违约距离指标是一个更好的领先指标，其超前时间在1年左右，可以帮助投资者提前规避信用风险；第二，当违约距离出现明显的变动时，尤其是下降至临界值以下时，投资者必须予以高度关注；第三，若要通过违约距离来实现对于信用风险的判断，最大的缺失来源于数字缺失，一旦样本的稳定性不好，对最终结果的判断将会产生较为明显的影响。
（二）主体评级相对稳定的代表：安琪酵母
选择安琪酵母作为样本是基于该主体在权益市场及债券市场参与的时间均较早，为观测数据提供了较为充足的样本，且其评级在三年中仅上调一次，调整频率较低，且各期债项在最终兑付过程中都相对平稳（主体评级调整情况见表3）。
表3 安琪酵母评级调整时间
评级时间调整后评级展望评级公司
2012-06-15AA正面上海新世纪资信评估投资服务有限公司
2011-05-05AA稳定上海新世纪资信评估投资服务有限公司
2010-09-16AA稳定上海新世纪资信评估投资服务有限公司
2010-03-30AA-稳定上海新世纪资信评估投资服务有限公司
2009-04-07AA-稳定上海新世纪资信评估投资服务有限公司
采用同样的方法计算安琪酵母的违约距离，得到时间序列见图4。从时点来看，评级调整与违约距离的变化几乎是同时发生的，违约距离指标对于评级调升相对较为不敏感。
图4 安琪酵母的违约距离
（编者注：将图中的“安琪酵母违约距离”去掉）
结论
本文构建了以KMV模型为核心的信用债风险预警体系，通过观测每日变化的违约距离来提前判断信用风险是否恶化，以提早规避信用风险，得出如下结论：KMV模型对于信用风险预警是有效的，其预警时间在1年左右，为投资者及时规避风险提供了充足的时间。
KMV模型用于信用债投资存在两方面限制：第一，KMV模型仅对上市公司有效，因此对于大量发债的非上市公司缺乏足够的预警能力；第二，KMV模型更加关注风险，而非机会，当信用风险明显减小时，KMV模型难以发挥显著的预警作用。
作者单位：南京银行金融市场部
责任编辑：牛玉锐 印颖
预警分析模型 篇4
关键词：中小企业,财务,预警指标,预警模型
引言
市场经济体制改革深化, 企业的改革的进一步复杂, 在经济领域高度复杂性的情况下, 企业发生财务危机的可能性大大增加。企业出现破产倒闭的情况, 会与日俱增。利用财务预警指标建立, 实现对财务、经营等方面的跟踪控制, 财务危机信号及时被发现, 并且能预测企业未来的财务风险, 及时制定防范风险的措施, 对于企业的长期健康发展意义十分重大。
一、企业财务预警内涵
1. 财务危机预警功能
财务危机预警功能是多方面的。首先, 它具有矫正功能, 有效财务危机预警模型能在预测危机以外, 还可以根据长期记录寻找危机产生原因;并且提出改进建议, 促使企业存在问题的解决;制定推行解决措施, 弥补企业财务及经营管理上的漏洞。其次, 预警功能, 在大量的信息分析基础上, 财务危机预警系统才能实现危机拦截;并找到财务危机发生的根源, 针对企业的财务危机根源, 及时地应对措施, 避免财务危机扩大化。最后, 免疫功能, 即预警指标体系本身也具有免疫职能, 有效的财务危机预警, 对某一企业长期观测, 在完善财务危机预警构建的同时, 可以帮助企业避免财务危机再现。
2. 财务危机预警系统的特点
要建立财务危机预警系统, 要对财务危机预警系统的特点进行具体分析。第一, 财务危机预警系统有警示性。通过连续跟踪预测, 在财务预警体系中, 观测指标接近安全警戒线的情况, 可以提前预测财务危机, 促使管理者采取补救、化解财务危机。第二, 独立性。独立性是指财务预警系统, 应该不受任何权利操纵, 在客观性的基础上实现独立性。第三, 灵敏性。各指标之间密切相关, 某一因素的变化, 会引起另外因素变化。要及时观察指标灵敏度, 从提供预警信息控制整个数据的变化。第四, 参照性。财务危机系统能从海量数据中筛选出有效信息, 反映企业财务状况指标。从而构建判断企业财务状况, 实现的预警监测。第五, 超前性。如果财务危机预警系统构建完善, 财务危机发生前的时间段内, 甚至几年内就已经预测出发生, 体现了预测的超前性, 使得预测更有实际意义。
二、预警指标体系建立注意的问题
建立财务预警体系是一个复杂工程。是否切合企业实际情况, 决定着运行效果的成败, 所以, 在建立中采用流程分析法, 也可以采用现场观察法, 比较分析法、调查法, 多种方法进行综合使用。其中预警指标体系的基本结构 (如下页图1所示) :
财务预警指标需要从各个角度分析, 着重考虑以下三个方面的问题:
首先, 预警建立的基础是财务部门核算财务实际数据, 这些数据来源真实可靠程度, 直接决定着财务预警指标在发挥作用方面的功效, 因为企业经济资源, 受到各种客观条件限制。但是, 财务报表对经济资源不能完全真实反映, 受到这个原因的影响, 企业财务指标分析结果会存在一定的偏差。所以, 统计完财务指标之后, 主要采用比较分析法、因素分析法以及综合其他各种分析的方法, 对企业的实际财务特征, 进行定性、定量分析。
第二, 财务预警指标参考值确定。企业在会计政策的运用过程中, 数据的一致性要保持。在实际业务发生中, 不少实际处理的数据的人员存在很多的职业判断, 导致了不同的会计人员在同一会计问题上出现不同的财务决策。
第三, 除了采用量化财务数据分析, 还要考虑非量化指标影响。在对企业进行状况评估时候, 运用财务风险预警指标比率, 要全面考虑企业历史经营情况, 综合企业财务现状, 运用报告数据资料, 实现对企业全面系统评估。
三、中小企业构建有效预警模型的建议
1. 充分了解财务预警模型构建的原理
财务风险预警指标体系的建立, 目的是在企业未出现财务问题的时候, 未雨绸缪。在预警模型构建原理上, 要遵循以下几个原则:首先, 拥有实用的功能, 并且对危机可以预测为前提。在解决企业的实际问题方面, 财务预警系统能够达到多种目的。满足管理潜在风险要求。需要注意的是, 建立时企业财务预警系统同时, 成本与收益是这其中一个对等原则。在不实现企业价值最大化方面, 发挥着不同的作用。财务预警模型, 应依据经营中财务报表来制定。分析预测财务数据趋势, 实现企业管理层, 根据指标警示实施风险控制。其次, 预警系统全面性的要求。财务预警模型的建立, 不仅仅是财务指标有提前效用, 还要求模型指标有全面性, 这就要求它从整体角度考虑, 对整个企业的财务预警系统建立。财务预警构建的最终目的是通过采取对策保证企业财务安全状态, 所以这个体系的建立, 必须使用控制论原理。总的来说, 控制分为前馈控制, 反馈控制和复合控制。预警管理要应用前馈控制, 同时进行和复合控制。另外, 在内部的筹资、投资方面, 财务预警管理, 要求从企业整体出发, 观察项指标波动进行总体上的分析, 多方面考虑, 从整体上采取促使进行预防。
2. 建立预警模型需考虑的财务指标, 以适应自身预警要求
良好的防范财务风险水平, 可以促进企业长期发展。企业的经营活动主要是在资金的筹集、资金的运用和退出方面。具体的财务风险指标系统首先有负债结构财务指标, 这个指标反映企业务杠杆, 体现财务稳健度。其次是资金运用效率, 这个指标能反映出企业盈利情况, 反映了企业经营成果, 以及资产管理水平。再次是盈利财务指标, 它综合了多方面业务情况, 反映出整个会计期间, 财务的投资回报程度。最后是财务的偿债能力指标。它能够反映企业对负债的保障程度。
3. 预警模型的优化要求要高效
当前, 企业财务预警的建立主要是由统计回归的数学预测方法对财务风险实现预测, 虽然统计回归预测模型在外国的发展已经大量展开, 但是它在中国的发展, 仍然处于一种滞后的状态。这种方法不仅提高模型准确性, 在提高模型的解释能力方面, 效果也相对的明显。从横向和纵向比较角度, 不同情形下的预警可以实现估算成本计算, 为财务预警模型实施提供指引的具体参照;从样本的选择的角度, 企业建模可以考虑财务数据处理方式在样本配比角度选择不同比例, 以全面反映企业的财务状况。
结语
综合来讲, 我们需要在建立一个财务预警的的指标基础上, 实现预警模型的建立。财务预警中财务预警模型是重要关键环节。所以, 建立这个体系第一步是进行财务预警指标的设立。指标的设立要适合企业自身财务的发展, 实现监测的高效性, 避免新的企业财务隐患出现, 发现问题及时预警, 提出合理解决措施, 将损失降低到最小。并且运用这个系统, 对企业其他问题的处理进行一个指导, 与财务工作相联系, 通过财务预警系统进行综合梳理, 实现与财务指标的结合, 在现金流和非数据化指标的的影响下, 实现预警模型最大功效的发挥。
参考文献
[1]彭艳露.企业财务风险管理框架及预警指标体系的构建[J].企业研究, 2014, (6) :108-110.
[2]廖哲爱.中小企业财务预警模型探究[J].湖南行政学院学报, 2009, (3) :75-102.
[3]李飞.后经济危机时代中小企业财务预警问题研究[J].学术界, 2013, (S1) :23-26.
预警分析模型 篇5
摘要：本文通过分析得出学业预警的难点在于成绩预警，然后提出了基于数据挖掘技术的成绩预警模型，并对该模型进行了详细说明。
关键词：数据挖据;成绩预警;模型研究
在我国高校扩招的大背景下，高等教育已不再是精英教育，越来越多的高中生得到进入高校学习的机会。随之而来出现了生源质量下降，师资不足，人才培养水平下降等一系列问题。如何帮助学生避免在学习中出现问题和克服学习中的各种困难，学业预警机制就是在这一背景下应运而生。
1.学业预警的内涵
学业预警是学校将严重影响学业的情况，及时告知学生本人和家长，并通过学校、学生和家长之间的沟通和协作，从而采取针对性措施，帮助学生完成学业的教育危机干预制度。学业预警的对象包括旷课预警、考试预警、成绩预警三大类。而如何利用学生成绩中隐含的可用信息，挖掘内在联系，则是学业预警的难点。
2.成绩预警模型设计
通过分析，本文提出了基于数据挖掘技术的成绩预警模型。该模型可以有效发现偏低型、滑坡型和潜在型三种问题类型。结合预警情况的严重性，可将模型划分为一般预警、严重预警、非常严重预警三个级别。
3.常见预警设计分析
3.1偏低型预警设计
偏低型预警主要包含以下两个方面：一是不及格门次统计，统计输出某一学期分专业、年级、班级的不及格门次信息。二是不及格详情统计，统计输出某一学期分专业、年级、班级的.不及格详细情况，如不及格课程名称。
3.2滑坡型预警设计
传统计算成绩是否滑坡的依据是按总分或平均分计算名次，若名次下降幅度超过某一界限，则认为成绩滑坡。这种方法计算简单、结果直观，但不能准确地反映成绩的分布情况。为解决此问题，本文利用聚类技术把成绩分为5个等次，各等次内部的差距最小，等次之间的差距最大，从而准确地反映成绩的分布情况。具体实现步骤如下：(1)对上学期成绩用改进的加权Wk-means算法进行聚类，设置簇数=5，课程权重=该课程学分/总学分数，将聚类结果按质心各维加权平方之和从大到小排列，簇号依次设为1、2、3、4、5，则所有成绩被划分到A、B、C、D、E5个等次;(2)本学期成绩作相同处理;(3)比较每名学生两学期成绩的聚类结果，若等次下降或两学期都处于第D、E等次，则进行预警，输出相关信息。
3.3潜在型预警设计
潜在型预警是利用关联技术对学生历史成绩进行挖掘，生成成绩关联规则库，进而预测学生今后学习中潜在的危机。潜在型预警模块的实现步骤如下：(1)数据预处理。①从待处理的所有成绩记录中筛选出成绩不及格的记录。②为方便课程排序，将课程的编码设置为“学期”+“课程序号”。某课程成绩将被转换成一个2位数，第一位表示学期，第二位表示课程序号。如“计算机应用基础(1)”被转换成10。③原数据库表数据格式为“学号，姓名，不及格课程名称”，将数据转置变为“学号，姓名，不及格课程1，不及格课程2，……”。(2)挖掘频繁项集。支持度反映项集在数据库中的普遍性。设置合适的支持度，使得出的关联规则具有一定的普遍性。(3)生成预警规则库。按照传统方法生成的关联规则不能直接作为预警规则。因为无用的规则会降低预警的准确率和效率。为解决此问题特做如下限定：一是设置合适的置信度。二是按学期顺序规则前、后件。三是同一学期的课程成绩不能同时出现在规则的前件和后件。四是规则的后件只包含一学期课程。(4)搜索预警规则库，进行匹配。将当前学期成绩进行预处理，搜索预警规则库，进行匹配，输出结果。
4.结语
及时发现偏离正常发展轨道的学生，并进行有针对性的学业干预，有利于高校教学水平的提升。而成绩预警则是学业预警的核心和难点，为此，本文利用数据挖掘技术，针对成绩预警设计了三种模型，使学业预警更具实用性和有效性。基金项目：安徽省高校质量工程项目(编号：zjjh051),淮北职业技术学院自然科学重点项目(编号：-A-4)。
参考文献：
[1]李昊，周振华.基于数据挖掘的高校学生成绩预警系统[J]大庆石油学院学报,(04):91:95
[2]叶福兰.基于数据挖掘的高校学生成绩预警状况分析[J]长春师范学院学报,(10):43-45
[3]杨萧屿,高职院校学生成绩预警管理模式的探究[J]辽宁高职学报,(07):110-112
[4]宋绍云,基于SQLServer数据挖掘的学生成绩预警预报研究[J]电脑知识与技术,2015(17):18-20
商渔船碰撞预警模型 篇6
为找出浙江沿海商渔船碰撞事故的风险源，根据2008—2013年浙江沿海商渔船碰撞事故的统计资料，梳理出事故的6类原因，归纳其共性特点.将碰撞前后的商船、渔船、环境视为稳定的系统，基于信息熵理论，通过分析事故中的增熵和负熵因素定义预警系统的事故临界点，建立商渔船避碰的预警模型.结合浙江沿海商渔船碰撞事故进行实证分析，得出结论：商渔船碰撞预警系统的事故临界点熵值为0.177；达到该值之前相关船舶应采取避碰措施.该方法可为维持商渔船良好的通航秩序提供参考.
关键词：
商渔船碰撞；信息熵理论；事故临界点；预警模型；实证分析；避碰措施
中图分类号：U676.1
文献标志码：A 收稿日期：20150828 修回日期：20160121
0引言
中国是一个拥有300多万km2海域、1.8万km海岸线的海洋大国.沿海商渔船活动频繁，海事安全面临极大挑战，其中以浙江沿海最为突出.浙江沿海水域[12]北接长江口，南连台湾海峡，西靠杭州湾，东邻太平洋，属南北航运的必经之地.这里不仅有中国国内最大规模的沿海港口群和数以千计的岛屿，而且还有4条贯穿我国最繁忙近海渔场的主航路，所以浙江沿海水域是中国航运环境最复杂的地方，也是商渔船碰撞海损事故多发地段.
因此，对浙江沿海商渔船碰撞事故的规律、原因进行分析研究，能够帮助管理机构找出浙江沿海商渔船碰撞事故的风险源，建立预警模型和管理机制，从而制定相应防范对策，促进海上商贸与渔业活动和谐有效发展.
1浙江沿海概况与商渔船碰撞事故
1.1浙江沿海渔场及航路概况
按农业部渔港等级分类标准，浙江沿海拥有208座渔港，其中国家级中心渔港10座、一级渔港18座、二级渔港35座、三级渔港43座、等级以下渔港102座.[3]同时，这一区域也是全国航路最密集、交通流密度最大的水域之一；浙江沿海4条主航路为西航路、中航路、东航路和外航路，其中东航路与沿海渔场交织最多，汪益兵等[4]对浙江沿海交通状况的调查结果显示，对东航路交通影响最大的因素就是渔船.浙江沿海主要渔场水域的航路分布[5]见图1，东航路交通干扰因素[4]的调查结果见图2.
渔场与航路在同一海域并存是浙江沿海商渔船碰撞隐患的根源.[610]在主航道和警戒区等交叉航道较多的水域易发生事故，这与该水域通航环境复杂、交通流拥挤和冲突相一致.[11]
1.2浙江沿海交通概况
浙江沿海航路上通航的商船船型主要为散杂货船、集装箱船和危险品船.根据AIS数据（包括ClassB数据）统计[5]，沿海主要航路上商船的平均通航密度为680艘次/h，以400km2为单位统计区进行网格划分，对浙江沿海通航密度进行统计，商船平均通过量最高达730艘次/h.以100km2为单位统计区进行网格划分，对浙江各渔场渔船通过量进行统计，渔船通过量最高达829艘次/h.图3为浙江沿海商渔船密度网格图与航迹交叉图.
图3中，左图网格中的交通流密度都很大，右图中深黑色的商船尾迹与浅灰色的渔船尾迹交织如麻.因此，浙江沿海商渔船碰撞事故是由二者在水域使用权上的冲突引起的，主要体现在两个方面：商船航路区域与渔船作业区的冲突；商船航行与渔船进出渔港的冲突.浙江沿海的渔场众多，作业渔船进出港频繁，且4条主航路都穿越渔场而过，在能见度不良、天气恶劣、渔船违规操纵和商船避碰失当等情况下，商渔船的碰撞事故就在所难免了.
1.3事故资料统计
从相关资料中获取2008—2013年浙江沿海水上交通事故统计数据[45]，见表1.
从表1可以看出：商渔船碰撞事故数在2011年达到峰值19起，总体呈上升趋势；商渔船碰撞事故数占碰撞事故总数的比例在2008至2010年有所下降，从2011至2013年都上升到55%以上.据海事管理部门调查报告，商渔船碰撞事故多发生在渔场或者航道边缘，约93%的事故发生在40m等深线以内的海域.
从表3可以看出，2008—2013年浙江沿海商渔船碰撞事故共66起，其原因基本上可以划分为3大类：商船致因、渔船致因、环境致因.商船致因因素主要包括商船避碰失当、瞭望失误；渔船致因因素主要包括抢头、摸航；环境致因因素主要包括恶劣天气、能见度低.根据各因素所引起的事故数比例从高到低排序为：渔船抢头（26%）、商船避碰失当（20%）、渔船摸航（18%）、能见度低（17%）、恶劣天气（11%）、商船瞭望失误（10%）.
1.4浙江沿海商渔船碰撞事故特点分析
为便于分析商渔船碰撞事故的特点和原因，为防碰提供可靠依据，选取2008—2013年浙江沿海商渔船碰撞的典型事故进行分析.根据调查资料和相关文献[511]，这些发生碰撞的商渔船和事故本身具有以下特点.
1.4.1发生事故的商船特点
（1）瞭望局限.商船对渔区的环境、气象条件、能见度等以及可避让区域缺乏全局性了解，无法做好先期的预防工作.
（2）依赖仪器.驾驶员在驾驶船舶时有时过于依赖仪器，而忽视了必要的瞭望.
（3）盲目判断.进入渔区后，有些商船没有使用一切有效手段，尽可能迅速查明有碰撞危险的渔船的位置、种类、动态及其外伸渔具的方向、长度和位置，盲目地作出判断.
（4）操纵生疏.商船驾驶员对避让渔船缺乏丰富的经验，这是商渔船碰撞的重要原因.
1.4.2发生事故的渔船特点
（1）抢头习惯.渔船有抢大船船头的习惯，在商船穿越渔场或在岛礁区狭水道内航行时，渔船突然抢过大船船头，最容易导致商渔船碰撞.
财务危机预警模型的比较分析 篇7
一、判别分析模型
判别分析是对研究对象所属类别进行判别的一种统计分析方法。进行判别分析的必要条件是已知观测对象的分类和若干表明预测对象特征的变量值, 然后从中筛选出能提供较多信息量的变量, 进而建立判别函数, 使推导出的判别函数对观测样本分类时的错判率最小。
(一) 一元判别模型
一元判别模式是以某一项财务指标作为判别标准来判断企业是否处于财务危机状态的预测模型。通常将样本分为“估计样本”和“有效样本”两组, 首先将估计样本按某一财务比率排序, 之后最为关键的是寻找临界值, 它可使两组的错判率最小, 最后依据此临界值对有效样本进行预测。Fitzpatrick (1932) 最早运用一元判别模型进行财务危机预警研究, 他选用19家企业作为样本, 并将其划分为破产与非破产两组, 运用一项财务比率进行分析, 结果表明预测能力最强的指标是净利润/股东权益和股东权益/负债。之后, Beaver (1966) 选取美国1954—1964年间79家陷入财务危机的企业和79家正常企业, 考察了30个财务比率, 发现具有良好财务预测的财务比率分别是营运现金流/负债, 净利润/资产和负债/资产。
一元判别模型首次把财务比率运用于预测财务危机, 并且仅需对单个财务比率进行分析考察, 计算简便。但它的缺点也较明显, 如果对同一公司使用不同比率进行预测, 往往会得出不同的结果, 而且企业通过粉饰财务报表掩盖财务危机的可能性较大。
(二) 多元判别模型
多元判别模型是指通过统计技术筛选出那些在两组间差别尽可能大但在两组内部的离散度最小的变量, 这样多个标识变量可在最小信息损失下转换为分类变量。多元判别模型能有效提高预测精度。
1. Z值模型
Edward.Altman (1968) 提出了Z值模型 (也称为Altman模型) , 其基本原理如下:首先将样本分为预测样本和测试样本, 再根据预测样本建立多元判别模型:Z=V1X1+V2X2+…+VnXn, 其中, V1, V2, …Vn是权数, X1, X2, …Xn是各种财务比率。之后, 根据此模型确定临界值Z值, 然后把测试样本的数据代入此判别方程, 并计算测试样本的Z值, 最后依据判别标准进行判定。
Altman分别选取了33家失败企业和33家成功企业的22个财务数据, 使用软件逐步淘汰区分能力差的财务数据, 最后保留了5个财务比率:X1=营运资本/资产, X2=留存收益/资产, X3=息税前利润/资产, X4=权益的市场价值/负债的市价, X5=销售额/资产。其Z值模型为:Z=1.2X1+1.4X2+3.3X3+0.6X4+0.999X5。Z值越低, 企业发生财务危机的概率越高, 当Z<1.8时, 企业很有可能陷入财务危机;当1.8
Z值模型简单易懂, 数据易于获取, 计算简便, 不仅有利于企业管理当局进行财务分析, 也为投资人、债权人作出有效的投资决策提供了依据。但使用Z值模型时必须注意时间性, Z值模型只适应于对企业短期风险的判断。而且, Z值模型没有充分考虑现金流量等方面的影响。此外, 由于该模型只适用于上市公司, Altman后来对该模型进行了修订, 建立了非上市公司财务危机预警的Z′模型和跨行业的Zeta模型。
2. F分数模型
为了克服Z值模型的局限性, 周首华、杨济华和王平 (1996) 对Z值模型进行改进, 建立了F分数模型。F分数模型扩大了Z值模型的样本容量, 使用了Compustat PC Plus会计数据库中的4 160家企业的数据。F分数模型中加入了现金流量这一自变量, 现金流量的计算是长期投资决策中所用到的营业现金流量, 等于税后净利润加上折旧, 这里暗含非付现费用只有折旧。基于Donalson理论, F分数模型同样选取了5个财务比率, 与Z值模型不同的是X3和X5这两个变量, 其中X3是一个现金流量变量, X3= (税后净利润+折旧) /平均负债, 它用来衡量企业使用全部现金流偿还债务的能力;X5= (税后净利润+利息+折旧) /平均资产, 它测量了企业的资产创造现金流的能力。F分数模型为:F=-0.1774+1.1091X1+0.1074 X2+1.9271X3+0.0302X4+0.4961X5。F分数模型测算的临界值为0.0274, 如果F<0.0274, 则表明企业发生财务危机的可能性极大, 反之, 企业为继续生存企业。
二、Logit模型
Logit模型又被称为评定模型、分类评定模型和逻辑回归模型, 建立的基础是累计概率函数, 目标是寻找观察对象的条件概率, 据此判断观察对象的财务状况和经营风险。Logit模型是一个非线性模型, 曲线呈S型或倒S型, 模型公式为:
, 其中, P是在因素 (X1, X2, …, Xm) 的影响下企业发生财务危机的概率, 0≤P≤1;1-P是企业不发生财务危机的概率;Xi (i=1, 2, …, m) 是影响财务危机的第i个因素;αi, βi (i=1, 2…, m) 是待估计参数。然后利用最大似然估计法估计参数。判别规则是:取0.5作为概率的临界值, 将样本数据代入回归方程后, 如果P>0.5, 表明其也发生财务危机的概率较大, 否则, 判断企业财务正常。
Ohlson (1980) 第一个采用Logit方法进行破产预测, 使用9个自变量, 估计了三个模型, 分析了样本公司在破产概率区间上的分布以及两类判别错误和分割点的关系。他发现至少有四类显著影响公司破产概率的变量:公司规模、资本结构、业绩和当前资产的变现能力。继Ohlson之后, Gentry, Newbold and Whitford (1985) ;Casey and Bartczak (1985) ;Zavgren (1985) 也采用类似的方法进行研究。程涛 (2002) 以1998—2000年被ST的A股上市公司为研究样本, 运用时间序列回归和Logit回归方法, 从财务指标角度和现金流量角度分别构建预警模型, 并在此基础上构建综合预警模型。姜秀华 (2001) 、吴世农、卢贤义 (2001) 、李华中 (2001) 等也采用类似的方法进行了研究。
同一元判别模型相比, Logit模型信息含量大, 解释能力强, 并且不容易发生冲突。此模型最大的优点在于克服了多元判别模型要求变量服从正态分布并且分组样本间的协方差相等的局限性。但是, Logit模型是建立在累计概率函数的基础之上, 同样要求各个自变量之间不存在多重共线性。而且, 运用Logit模型在计算过程中有许多的近似处理, 这会影响预测精度。
三、人工神经网络模型
人工神经网络 (Artificial Neural Networks) 建构理念植根于人类对大脑神经网络认识, 人工构造一种神经网络以实现某种功能, 最为广泛使用的是反向传播人工神经网络, 即BP网络。
Odom and Sharda (1990) 是用BP神经网络预测财务困境这一方法的开拓者, 其研究是以Altman所构建的五个财务比率为研究变量, 使用类神经网络与判别分析作验证比较, 结果发现类神经网络具有更佳的预测能力。Tam (1991) 通过对人工神经网络 (ANN) 的模拟, 得出神经网络可以应用于财务预警, 而且具有较高的预测精度。Koh and Tan在1999年以6个财务指标为研究变量作了类似的研究, 认为类神经网络模型的预测效果优于Probit模型。杨保安等 (2002) 采用ANN模型进行财务危机预警研究, 结果表明:样本的实际输出和期望输出较为接近, 显示出神经网络是进行财务评估的一种很好的应用工具。柳炳祥、盛昭翰 (2002) 分析了评价财务危机的指标体系、财务危机等级的划分和基于粗神经网络的财务预警方法, 并用一个预警实例进行了验证。
已有的研究表明, 人工神经网络具有较好的模式识别能力, 而且它具有容错能力, 对数据的分布不做严格要求, 能够处理有噪声和不完全的数据, 误差小, 建模更科学, 克服了传统统计方法的限制。更为重要的是人工神经网络具有学习能力, 可依据新的数据资料自我学习、训练, 调整内部的储存权重参数以应对多变的企业运作环境。
四、对已有模型的述评
可以看出, 已有的很多模型构筑精巧, 使用了很多量化技术, 但也产生了一个问题, 模型的应用性和可操作性较差, 模型在使用中受到样本选择范围和选择时间的限制, 模型成立的前提条件也较苛刻, 模型中所涉及变量的选择也缺乏理论支持, 更多的是凭“通用性”和经验。因此, 我们认为, 财务危机预警分析需要考虑诸多方面的因素, 除了关注模型的设计外, 还应该加强财务比率的设计和选择, 积极探索将非量化因素引入财务危机预警指标体系。同时, 财务危机预警模型必须以大量的真实信息为基础, 因此, 应加强信息管理, 建立使用信息和分析信息的合理机制, 进一步增强财务信息的有用性。
摘要：财务危机预警模型可以分为判别分析模型、Logit模型和人工神经网络模型三大类, 已有的模型都存在一定的局限和可以进一步研究的方向。
关键词：财务危机,预警模型,财务风险,Logit模型
参考文献
[1]A1tman E.I, “Financial Ratios, Discriminant Analysis, and the Prediction of Bankruptcy”, Journal of Finance[J].September1968.
[2]Tam and Kiang“, Predicting Bank Failures:A Neural Network Approach”, Management Science[J].1992, 8:926-947.
[3]李志强.上市公司财务预警研究述评[J].金融理论与实践, 2009, (3) .
企业财务预警系统及分析模型初探 篇8
关键词：财务预警系统,分析模型,实证研究
财务预警是企业财务管理的一部分, 可对企业的财务风险实施监控和预测, 从而预防企业由于管理不善而出现财务失常。财务预警系统通过一系列方法对企业财务风险因素进行规避和防范, 以避免潜在的风险演变成现实的损失, 起到未雨绸缪的作用。具体来说, 财务预警系统, 是指以企业信息化为基础, 利用企业财务报表、经营计划及其它相关的财务资料, 借助比率分析、数学模型等财务分析方法, 根据预警指标发出的信号, 对财务危机进行辨识, 并向企业利益相关者示警的监测系统。
财务指标的设计和选取是财务危机预警的出发点, 也是预测能否成功的关键。同时, 预警指标分析模型选择的恰当与否也是企业财务预警系统能否正常发挥预警作用的关键。
1 财务预警系统的构建
1.1 信息搜集传输系统
财务预警信息的搜集与传递, 是财务预警工作的初始阶段和基本环节, 能否搜集到正确、精炼、及时的信息, 是决定一个企业财务预警系统有效与否的关键。这个环节又可以区分为外部财务预警信息和内部财务预警信息。外部环境信息搜集的目的是衡量外部环境变动对企业生产经营的影响, 以减少外部环境的变化给企业带来的冲击, 提高企业抗御外部风险的能力。内部管理信息是通过对企业内部管理各环节信息的搜集与处理, 以增强企业抵御内部风险的能力。内部和外部信息两者相辅相成、同等重要。
1.2 信息分析处理系统
企业财务预警信息分析处理是通过利用财务报表信息及搜集到的其它各种预警信息, 运用科学的预警分析方法和技术, 对各类风险进行聚合、归类, 找出风险所在, 并对其产生缘由进行机理性分析的过程。它是将各种零散的数据通过技术加工处理变为风险预控信息的环节, 通过分析可以迅速排除对财务风险影响小的风险, 从而将主要精力放在可能造成重大财务危机的影响因素上。
1.3 信息预测使用系统
财务预警信息的预报是通过运用预警分析处理结论和所搜集到的其它预警信息, 形成对企业财务风险的一个综合判定, 根据风险程度决定应预报出的预警报告类别和内容, 以便企业能及时采取相应的对策和措施来防范风险。企业可能面临的风险分为低度风险、高度风险, 我们可以据此确定预警报告的种类, 即低度预警报告和高度预警报告。
2 财务预警分析模型的构建
对财务预警搜集系统所提供的预警信息的处理及分析, 目前已有众多的分析方法, 本文主要采用因子分析法。用因子分析法进行财务预警实质是对样本公司的财务状况进行评价, 数学表达式可以表示成:F=n1Y1+niYi+……+ntYt, 其中Yi (i=1, 2……t) 表示第i个公共因子, ni (i=1, 2……t) 为第i个公共因子的得分。将构造样本公司的评价值F排序, 就能找到危机样本公司和非危机样本公司函数值临界点。
本文的预警是用因子分析法分别建立ST前一年和前四年的两个评分模型F1、F2。依次对样本进行预测, 如果模型F1向测试公司发出警告, 则说明该公司近期存在严重的财务危机。如果模型F1没有而模型F2对之发出警告则说明该公司在四年后有面临危机的风险, 应当引起企业管理层和投资者的重视, 以此来达到动态的预警效果。本文通过对相关文献的研究, 整理出经常使用的如下指标 (表1) :
3 实证研究
在此笔者将“因企业财务状况恶化”而被戴帽的ST上市公司界定为研究对象。财务预警研究样本分为两部分:构造样本和测试样本。其选样标准如下:
第一, 我们选取2007年因财务状况异常而被ST的70家上市公司作为ST研究样本, 样本中的财务指标来源于CISMA数据库。用它们被ST前第一年和第四年的财务数据作为研究依据。
第二, 同时选取与上述ST公司同行业 (行业严格相等或近似相等) 、规模相近 (总资产规模相差在5%以内) 且在未来几年未戴帽的配对公司数据构成研究样本。
第三, 根据前述两条选取标准。我们找到了110家符合条件的样本, ST和非ST各55家, 然后随机从ST公司中抽出25家及其配对样本共50家作为测试样本, 其余的60家作为构造样本。
3.1 样本指标描述性统计和T检验结果
由于本文样本量足够大, Wilcoxon秩检验的结果也表明样本数据满足正态分布的假设。我们利用T假设检验对财务指标进行筛选, 原假设为:ST公司的财务指标和非ST公司的财务指标在0.1的显著性水平上没有差异, 每年通过置信度10%的显著性检验的有以下指标 (表2)
注:t检验值为异方差双样本配对检验值;标准值是P值<0.1
我们通过T值检验结果发现:ST公司的各项指标均值不如非ST公司的各项指标。偿债能力、营运能力和成长能力方面不同年份通过1O%的显著性检验的指标相同。但在ST前第四年, 现金流量比率通过显著性检验, 盈利能力未通过。ST前第一年主营业务利润率和资产收益率通过检验, 现金流量比率则未通过。这一差异表明, 在进行中长期危机预警时, 盈利能力指标并不能发挥出较好的效果, 但却能从现金流量指标中发现预兆。
将上述通过筛选的指标同趋势化处理后用SPSS软件进行因子分析, 得到以下结果:
3.2 前一年的预测结果
对前一年指标数据用因子分析得到总方差分解表, 三个因子的特征根解释了总体方差的91.338%。用因子旋转的方差最大旋转法, 得到如下3个因子:
其中因子Y11主要由主营业务利润率和资产收益率两指标解释, 表示企业的盈利能力;主成分Y12主要由偿债能力指标解释;主成分Y13主要反映公司的营运能力和现金流量比率。构造财务状况综合指标F1=n1Y11+n2Y12+n3Y13, 根据总方差分解表分析:n1=0.38536, n2=0.35478, n3=0.17324。
于是我们得到预警模型一:F1=0.38536Y11+0.35478Y12+0.17324Y13, 多元回归检验R2的值都大于0.9。将构造样本标准化后的F1排序, 剔除3个特殊值, ST公司的F1<0。即, 如果要预测某个公司是否陷入财务困境, 只要检验F1值是否落在该取值范围内。
依据此对测试样本前一年的数据进行F值检验, 总分类准确率达93%, 第一类错误为8%, 第二类错误为4%, 说明该模型具有很高的短期预测准确精度。
3.3 前四年的预测结果
第四年所选择的因子中三个因子的特征根解释了总体方差的81.317%:
其中因子Y21主要由偿债能力指标解释;主成分Y22主要由营运能力指标解释;主成分Y23主要由存货周转率、主营业务收入增长率和流动负债经营活动净现金流量比指标解释。
得到预警模型二:F2=0.33817Y21+0.29389Y22+0.20122Y23。对测试样本第四年进行F值检验, 总分类准确率达81.25%, 第一类错误为20%, 第二类错误为16%, 说明该模型有一定的中长期预警效果。
3.4 两个模型综合动态预测
在前述研究中, 我们已得到了短期和中长期预警的两个模型:
模型一:F1=0.38536Y11+0.35478Y12+0.17324Y13
模型二:F2=0.33817Y21+0.29389Y22+0.20122Y23
实际运用中我们可以依次用两个模型对样本进行预测, 如果测试公司模型F1值<0则说明该公司近期存在严重的财务危机:如果F1值>0同时F2<0则说明该公司在四年后有面临危机的风险, 应当引起企业管理层和投资者的足够重视, 以此达到动态预警的效果。投资者、公司管理层及监管层也可以据此针对危机的紧急程度制定相应的对策。
4 结论
由于每个企业的行业性质、组织形式、经营理念和管理水平等都不尽相同, 因此要使财务危机预警系统及时有效地发挥作用, 企业应根据所在的行业、所处的生命周期来选择适合自己企业的预警系统和分析模型, 并且客观地运用财务数据来分析企业的财务状况, 才能使投资者和经营者预先获得企业陷入困境的警报, 及早做出决策, 规避风险, 达到预防企业财务危机出现, 维护企业安全的目的。同时, 研究表明在距离危机时间较近的前一年, 盈利能力指标能预示企业面临的风险, 而在较远的中长期预测模型中, 现金流量指标是提示危机的先兆。
参考文献
[1]欧晓辉、赵根.浅谈企业财务预警系统的构建[J].商场现代化, 2005, (11) .
[2]陈静.市公司财务恶化预测的实证分析[J].会计研究, 1999, (4) .
[3]刘庆华.构建企业现金流量财务预警系统[J].财会月刊, 2005, (24) .
[4]郭小金.捕捉财务危机早期信号, 建立财务风险预警系统[J].经济师, 2004, (7) .
[5]吴世农, 卢贤义.我国上市公司财务困境的预测模型研究[J].经济研究, 2001, (6) .
[6]张呜, 张艳, 程涛.企业财务预警研究前沿[M].北京:中国财政经济出版社, 2004.
[7]吕长江, 徐丽莉, 周琳.上市公司财务困境与财务破产的比较分析[J].经济研究, 2004, (8) .
预警分析模型 篇9
1 现有财务预警模型存在的问题
财务预警研究始于Fitzpatrick (1932) 。他以19家企业为样本, 将样本划分为破产和非破产两组, 并用单个财务比率进行预测。经过几十年的研究, 财务预警模型得到广泛发展, 从早期的单变量模型演变到多变量、Logit、Probit和人工网络等多种复杂的模型。然而, 研究中有些问题始终被忽视或未能得到有效解决导致预警模型的预测效果得到质疑。
(1) 财务困境概念内涵不清。
财务困境在西方经典文献中的等价名称有财务危机、财务失败、公司破产和公司失败等。不同的学者对企业陷入财务困境的判定有不同认识。Beaver (1966) 认为企业出现破产、无力偿还债务或无法支付优先股股利等情况是企业困境的标志。而Altman (1968) 则视企业进入法定破产程序为信号。国内学者如谷祺和刘淑莲 (1999) 把财务困境定义为“企业无力支付到期债务或费用的一种经济现象, 包括从资金管理技术性失败到破产以及处于两者之间的各种情况”。 实证中, 学者则纷纷将公司被ST作为界定财务困境的标志。学者对财务困境概念众说纷纭, 其结果是由于学者对财务困境的界定与现实要预防的困境边界很可能不一致, 即学术研究成果从根本上就与实务不匹配, 研究成果自然不能很好应用于实务之中。
(2) 样本选择。
普遍的实证研究 (Altman, 1968;吴世农、卢贤义, 2001;姜秀华等, 2002) 在选择样本时倾向于一比一进行配比。这并不可取, 因为一比一配比与实际情况严重不符。现实生活中, 困境公司所占比例远低于正常公司。不正常的困境公司比例会虚增模型的预测力。为验证这个结论, 彭大庆等 (2006) 以一比九的比例选择正常公司作为配对样本, 结果发现模型预测准确率仅为62.9%, 远远低于国内其他学者用一比一配比普遍得到的90%以上的判别正确率。因此, 严重不正常的样本比例得到的高模型预测力是不可靠的。此外, 对于国内研究而言, 过多使用ST公司作为样本是另一个严重问题。ST公司样本容易获得且的确是企业陷入困境的信号。然而, 使用ST公司为样本存在不少值得商榷的地方。这可能招致困境概念前后不一。常见的情况是文章前面对困境的定义为企业不能偿还到期本息, 实证却以ST公司为例。而实际上ST公司的定义中并未提到到期本息偿还的问题, 不符合文章对困境的定义。同时, ST公司一般只涉及净利润和每股净资产。这两个指标没有达到ST标准的企业是否都是正常企业也值得质疑。
(3) 变量选择。
传统的财务困境预警研究建立在财务因素分析的基础上, 如今财务指标仍然是主要的预测变量。然而财务报表数据通常以年度为期间统计, 无法满足信息使用者的及时性需求。吴星泽 (2010) 认为财务指标只是某种与财务危机发生有关的表象, 且具有严重的滞后反应性、不完全性和主观性。同时, 我国资本市场起步较晚, 财务信息质量不高。如净利润等指标极易受到操纵导致财务信息失真严重。因此仅仅依靠财务指标进行预警不能保证预测结果的准确性和可靠性, 是不科学的。近年来, 在财务因素分析基础上, 很多学者致力于探寻公司财务困境的深层次原因, 将具有更强前瞻性和预测性的非财务信息引入预测模型。其中学者主要从公司治理角度出发, 认为弱化的公司治理是公司陷入财务困境的重要原因。姜秀华、孙铮 (2001) 在预警模型中引入公司治理的替代变量股权集中程度变量, 发现股权越分散公司越容易陷入困境。此外, 利益相关者行为是另一个研究角度。股东的支持或掏空、债权人的协助或雪上加霜、政府的政策鼓励等, 都是影响企业财务困境的重要力量。在一个更接近现实的预警模型中不能不考虑这些因素。然而, 从国内外研究现状来看, 引入非财务指标的困境预警研究尚不成熟。非财务指标的引入存在强烈的任意性和主观性, 且有时不具有坚实的理论基础, 因此学者们得出的结论常常不具有互补性和继承性, 难以形成系统性的结论, 不能给财务预警实践带来好的指导作用。
2 未来研究方向
财务困境预警研究中存在的这些问题不容忽视。为了提升预警模型的预测效果, 也为了使预测模型不至于饱受诟病, 在未来的研究中, 学者需从以下方面着手解决预警研究中存在的问题:
(1) 构建一个统一的财务困境概念。在一个活跃的学术环境中, 学者对某个术语的认识百家齐放是正常现象, 但随着时间的推移, 一个受到全面认同的经典定义却势在必行。经典定义是对过去研究的总结升华, 也是未来研究得以延续的坚实基础。因此, 需要有学者综合已有文献并结合实践操作中对困境的认识来界定出一个客观经典的企业财务困境定义。此后, 在这个统一的根基上构建的模型必将更具传承性, 更贴合实际, 更准确客观。
(2) 选择更合理的样本。首先, 未来的研究应该构建在大样本之上。考虑到行业的差别会致使影响企业陷入困境的因素发生变化。如对受到政策大力支持的高科技行业而言, 政治力量可能有助于降低企业陷入困境的可能性。而对某些因污染环境受到国家政策限制的化工行业而言, 政治力量有时候反而导致企业陷入困境的概率加大。因此, 未来的研究在增大样本数量的同时要缩小行业范围。同时, 增加配比的政策公司数量, 将配比比例扩大为一比二以上。这样, 财务困境公司所占比例才能更贴近实际, 得到的模型预测结果也将更加稳健可靠。此外, 困境公司样本的选择要结合困境定义, 不能盲目选择ST公司。鉴于ST公司数据的易得性, 笔者认为, 在ST公司与困境定义稍有差异的情况下, 可以将ST公司数据用于稳健性检验, 增强文章结果的可靠性。
(3) 引入非财务变量要慎重。一个非财务变量能否被引入预警模型最重要的是看其是否具有坚实的理论基础。在未来尝试引入新的非财务变量时, 要先找出引起企业陷入困境的真正因素, 从内在逻辑上分析清楚这些因素对企业财务困境的影响大小、影响方向等, 然后寻找被广泛接受的替代变量。总之, 要沿着财务风险传导的路径, 探索导致困境发生的深层次原因, 并将它们纳入模型, 预测能力必将真正提高。
参考文献
[1]吴星泽.财务危机预警研究:存在问题与框架重构[J].会计研究, 2011.
[2]田中禾, 张程.财务危机预警中非财务信息应用研究[J].财会通讯, 2011, (1) .
[3]吴世农, 卢贤义.我国上市公司财务困境的预测模型研究[J].经济研究, 2011, (6) .
预警分析模型 篇10
持续增长的世界人口也许是当今最为严重的问题。从1950年的25亿上升到2012年的70亿, 这个史无先例的人口巨浪及其不断上升的消耗, 正把人类的索取推向地球的自然极限。在人口增长、耕地减少、缺乏规划及气候恶劣的共同作用下, 全世界粮食储量降到了到1976年以来的最低水平。
伴随着人类社会对资源需求的增加, 资源安全逐渐与政治、经济安全紧密联系在一起。两次世界大战中, 能源跃升为影响战争结局、决定国家命运的重要因素。能源已经影响到可持续发展、社会稳定及国家经济安全。人类在享受资源带来的经济发展、科技进步等利益的同时, 也遇到一系列无法避免的安全挑战, 资源短缺、资源争夺及过度使用能源造成的环境污染等问题威胁着人类的生存与发展。建立一个合理的危机预警系统迫在眉睫。
本文通过对世界各类资源消耗数据进行研究, 将世界分为发达国家、发展中国家两个系统进行研究, 基于灰色预测方法, 对相关因素进行关联度分析, 结合回归分析等方法, 提出基于人均淡水占有量、能源消耗量、粮食消耗量、人口数量及农业生产指数的资源预警模型并对两个系统进行资源安全度测算, 分析得出如今资源安全度不容乐观的结论。
二、模型建立
(一) 模型说明
本模型选取人均淡水占有量、能源消耗量、粮食消耗量、人口数量、农业生产指数作为影响危机预测值的因素。鉴于全球国家和地区众多且发展程度差异很大, 本模型依据各国经济和社会发展的基本情况, 将主要的国家和地区分为发达国家和发展中国家两大国家集团。
发达国家是指那些已完成或接近完成工业化的国家, 其基础设施完备、社会经济成熟度高、城市化水平较高、社会财富积累丰富, 主要包括25个经合组织 (OECD) 成员国, 即奥地利、比利时、冰岛、英国、丹麦、德国、法国、芬兰、捷克、意大利、瑞典、瑞士、荷兰、葡萄牙、爱尔兰、卢森堡、挪威、希腊、西班牙、加拿大、美国、新西兰、澳大利亚、日本和韩国。发展中国家是一个不断演化的国家类型, 没有明确的定义和严格的划分标准, 本模型将除25个发达国家以外的国家和地区均作为发展中国家。
(二) 建立模型与求解
1. 关联度分析
首先利用灰色预测法对A (发达国家) 和B (发展中国家) 进行关联度分析。在计算关联度之前需先计算关联系数。设
则关联度系数定义为
根据以上定义, 分别计算出发达国家A与发展中国家B这两个系统中的因素关联度。
对于系统A (发达国家) , 取人均淡水占有量、能源消耗量、粮食消耗量、人口数量、农业生产指数的行为数据, 即
以X1为参考序列求关联度, 将数据初始化后求其两极差, 为
计算关联系数, 取ρ=0.5, 有
从而, 求出关联度
计算结果表明, 能源消耗量、粮食消耗量、人口数量、农业生产指数均与人均淡水占有量具有较大的关联度, 且人口数量与它的关联度最大。
通过上面的方法可以计算得出, 对于A、B两个系统, 选取的五个因素两两都具有较大的关联度, 可以作为预警系统的影响因素。
2. 建立预警系统模型
对于A系统, 使用MATLAB将原始数据标准化并求其特征值, 即
根据特征值计算出每个相关因素的贡献度, 即
将特征向量按贡献度加权, 则加权后的相关因素特征向量为
V′ (1) k的值反映了相关因素对原始数据的解释, 可以得出A预警系统的安全度, 即
可计算得出A系统中相关因素的安全度矩阵为
采用回归分析的方法对安全度矩阵进行回归, 回归后系统A的安全度模型为
同理系统B的安全度模型为
其中SS, SN, SL, SE, SZ分别指人均水资源占有量、能源消耗量、粮食消耗量、人口数量及农业生产指数。
三、结论
人口在可持续发展中有着不可替代的重要作用, 但人口大量增加的同时, 也意味着能源的大量消耗, 这也制约了经济的可持续发展并可能威胁人类的生存。建立世界的资源预警模型能够初步预测将来各项资源系统的安全走势, 对于未来能源等消耗起到预警的作用, 以便对将来可能发生的短缺现象做到及早准备, 减少因短缺压力造成的动乱等问题。
通过A (发达国家) 、B (发展中国家) 两个系统安全走势图可以发现, 基本的资源安全度都在下降并在2010年达到低谷, 此时的预警指数处于危险状态。通过带入数值, 对两个系统的模型进行计算可以得出, 若按照目前的趋势, 如果不采取有效措施, 能源短缺造成的危机极有可能发生, 且最早爆发于发达国家。
参考文献
[1]宋戈, 连臣.黑龙江省耕地资源安全预警分析及预警系统的构建[J].农业工程学报, 2012, 28 (06) .
[2]汪涛.组合模型在能源需求预测中的应用[J].能源与环境, 2006 (06) .
[3]何贤杰, 盛昌明, 刘增.石油安全评价指标体系研究[M].北京:地质出版社, 2006.
[4]钟平安, 余丽华, 王会容等.灰色系统在水资源预警中的应用研究[J].水资源保护, 2006, 22 (02) .
[5]李凌峰.我国石油供应安全危机预警管理研究[D].成都:西南石油大学, 2006.
