基干非财务指标上市公司财务预警研究.docVIP

基于非财务指标的上市公司财务预警研究 　　摘要：当前财务预警的相关研究主要集中于依托财务指标构建模型以预测公司的财务状况，难以深入解释财务困境发生的原因，对财务危机的早期预警有较大局限。在财务指标的基础上，本文引入公司治理、EVA等非财务指标因素，利用统计分析方法对备选指标进行筛选后构建上市公司的财务预警指标体系，通过建立PSO-SVM的预测模型，利用PSO算法自动寻找最优参数组合，并与其他方法进行比较以验证基于非财务指标的PSO-SVM预测模型的有效性，结果表明这种模型的预测准确率比之其他方法有了明显的提高，能够为我国上市公司的财务预警提供理论依据 关键词：非财务指标；财务预警；上市公司；支持向量机；粒子群寻优 中图分类号：F275 文献标识码：A 财务状况是企业生产经营能力的综合反映，而财务困境能对企业在运营过程中存在的各种弊端有所表现。企业财务困境预警是利用能够反映企业财务运行状态的关键变量，运用相应的分类预测模型进行预警。如果能及时发现导致困境的原因，并积极采取相关举措，就可能化解企业的财务危机 如何有效地预警企业是否陷入财务困境，现有研究主要集中于建立预警指标体系和选择预警模型，其缺陷在于整个指标体系忽视了企业的市场环境、治理情况等因素对财务运行状况的影响，未考虑指标本身造成大量重合指标的产生，降低了指标体系的有效性。本文在传统财务指标的基础上引入公司治理结构、EVA等非财务指标，构建一套财务预警指标体系，运用显著性检验与相关性检验等统计分析方法，对上市公司的财务数据进行实证分析，以筛选出判别能力较强的指标，进而构建上市公司财务风险预警指标体系；对SVM识别模型的核函数参数进行粒子群算法（PSO）进行优化， 将预处理后的样本数据送入PSO-SVM分类器对财务风险进行预测，并与其它方法进行对比，以验证本文所提识别方法的有效性 一、引入非财务指标的财务预警指标体系 （一）样本数据 本文把沪深两市中因为财务问题被首次特别处理（ST，包括*ST）的上市公司定义为财务困境公司，未被特别处理的上市公司定义为正常企业。由于行业、规模等因素会对模型的预测准确率产生影响，选取2015年新增加的ST（包括*ST）生物医药、信息、机械等制造行业的上市公司为研究对象，选择其财务危机发生的2年（2013年开始）的数据作为建模样本。由于按资产规模进行1：1配对抽样，样本的随机性会被破坏，从而产生过高的模型效果，容易夸大其分类准确率[1]，本文将财务困境企业与正常企业按1：2进行抽样配对，共选取60家在沪深两市上市的公司，其中，ST公司有20家，正常企业40家。样本数据来自于CSMAR数据库中已公开披露的上市公司年度财务报表 （二）指标选取 财务困境预警模型有两大核心工作：一是预警指标体系的构建，二是预警模型算法的选择。前者是对财务困境预警信息的深度挖掘，后者则是预测算法的应用，两者会同时影响上市公司财务困境的预测精度，即财务困境预警模型的效果不仅取决于模型算法的泛化能力，还取决于对模型输入变量的选取。由于现有财务预警研究大多采用传统的财务指标，指标时效性较差、易被认为篡改、重复性大等问题，影响了预警模型的运行效率与准确性，不能真实反映企业的盈利水平和风险警情。因此，本文在已有研究基础上引入公司治理结构、EVA等非财务指标，从偿债能力、经营能力、发展能力、现金流分析、盈利能力、公司治理结构、EVA维度构建了35项指标作为备选变量（具体指标如表1所示），并收集了上述60家上市公司2015（t-1）年、2014（t-2）年的市价数据，进而运用统计分析方法对备选指标进行筛选 1.正态分布检验 对样本数据进行显著性检验前要考察数据是否服从正态分布，以确定财务预警指标进行差异显著性检验时所要使用的检验方法。本文利用SPSS软件的Kologorov-Smirnov正态分布检验考察各备选预警指标的分布情况，结果如表2所示。从表2的概率值可知大多数风险指标不服从正态分布：在t-1年，只有X32服从正态分布；在t-2年，X4、X12、X27、X33服从正态分布。根据这一检验结果，对不服从正态分布的预警识别指标要利用非参数检验方法对其进行差异显著性检验；反之，则使用独立样本t检验 2.显著性检验 本文采用Mean-Whitney U检验方法，对困境企业和正常企业这两个独立样本进行非参数检验，以便找出对预测企业财务困境没有作用的指标，检验结果如表3所示。由表3的检验结果可知：在t-1年，由于预警指标X1、X2、X4、X5、X7、X8、X9、X12、X19、X20、X23、X24、X25、X26、X28、X30、X33、X34、X35的显著性小于0.05，通过了差异显著性检验；在t-2年，由于预警指标X1