财务数据预警分析范文

导语：如何才能写好一篇财务数据预警分析，这就需要搜集整理更多的资料和文献，欢迎阅读由公务员之家整理的十篇范文，供你借鉴。

篇1

关键词：财务大数据 企业经营分析 管理创新

一、实施背景

（一）贴合国网大数据实时管控需要

截至2015年，在国网公司统筹实施下，基本建成了横向集成、纵向贯通的一体化财务信息工作平台，财务管理的标准化、信息化、集成化、集约化水平实现跨越式提升，“三集”管理以标准化、信息化为手段，强化全面管控、在线监控和风险预控，提高管控实效性，实现管理精益化。为了实现信息实时反映、过程实时控制和结果实时监督核心管理，缩短网省公司与地市县公司之间反馈弧线，适用国网公司大数据应用财务主题，实行大数据分析为核心的数据仓，强化地市县敏感分析实时管控势在必行。

（二）市县一体化经营分析诊断需要

2014年县级供电企业上划以后，紧紧围绕财力集约化“实时管控”要求，升级一体化财务信息工作平台，从对业务全过程的信息实时反映、过程实时控制和结果实时监督三个方面进一步深化应用、提升功能，目前国网公司对省公司，省公司对地市公司、县公司实时一体化管理及考核，同时间段、同考核期进行实时管控，因此，必须开展大数据BW仓同时对地市、县公司经营指标情况进行过程管控。

（三）财务工作标准化及规范化要求

2015年网省公司对80个上划县级供电企业进行会计基础工作规范化提升工作，为适用标准化财务管理杠杆在经营业中集成应用的需要，充分发挥会计反映和监督作用，管控系统除了统一出具各项快报、预算报表、决算报表、业务报表财务报告外，更需要规范格式标准各种业务口径、各种管理需求的财务分析报告。县级供电企业由于信息化水平不高，各种基础报告规格不一，口径不一，在编制过程中存在反复情况，通过信息化手段加以规范提升是必要过程。

二、基本内涵

以促进企业经营管理水平持续提升为根本要求，以财务大数据为支撑，以对标管理为手段，运用指标管理、协同管理、闭环管理等理论，通过开展企业经营分析、市县公司指标对比分析、单项指标分析，及时发现指标薄弱环节，强化信息技术支撑，实现核心指标数据的实时监测、分析和闭环管控，形成动态优化、持续完善的对标管理模式，持续促进公司经营业绩和运营管理水平提升（见图1）。

（一）强化BW仓大数据支撑

大数据BW仓（Business Information Warehouse）是为更好地利用企业内所有可能收集到的数据进行决策支持，对数据进行提炼、加工和集成含有一定量商务信息和意义的信息。一般情况下，数据仓库系统是一个分层次的体系结构，包含数据源、数据存储与管理、OLAP服务器、前端工具与应用。其中，数据源是数据仓库系统的基础，整个系统的数据源泉，通常包括企业内部信息和外部信息；数据存储与管理是整个数据仓库系统的核心，对数据进行重新组织，最终确定数据仓库的物理存储结构，同时组织存储数据仓库元数据；OLAP服务器是对分析需要的数据按照多维数据模型进行再次重组，以支持用户多角度、多层次的分析，发现数据趋势；前端工具与应用：前端工具包括各种数据分析工具、报表工具、查询工具、数据挖掘工具以及各种基于数据仓库开发的应用。

（二）深化同业对标管理模式

开展同业对标工作是落实公司管理提升活动工作的重要举措，是规范管理、改进薄弱环节的现实需要，是助力公司持续、稳定、健康发展的工具和手段。建立和完善各专业协同联动机制，打破专业壁垒，增强全员对标合作意识，消除本位主义，统筹协调、密切配合，全局一盘棋，形成全面提升公司经营能力的合力，提高公司管理水平。

优化省、地（市）、县供电公司同业对标指标体系，将实时管控重点工作纳入对标指标体系，加强对标数据的自动采集和在线分析；研究建立内控管理指数通报制度，开发建设指数自动运算及平台，试点开展指标测试应用，并将结果纳入公司对标体系。

（三）深入企业经营诊断分析

依托网省、地市、县级供电公司财务管控系统综合数据平台，对公司运营效率、经营效益、获利能力的所有报表在原有按省管理部室专业口径上报基础上，进行二次重分类开发，利用财务杠杆挖掘数据内涵，形成满足网省公司管理层级需要的地市、县两级智能分析报告，全景展示一体化管理经营业绩指标水平。通过对多源数据的挖掘，实现公司资源跃层展示，县局历年经营诊断和预测趋势，及目标利润影响因素量、价、费敏感性分析。

三、主要做法

以企业经营分析能力提升为主线，以指标体系为抓手，以BW数据库建立为基础，以经营分析模型为方法，以指标诊断机制为手段，以组织机制和系统平台为保障，构建“五个建立”经营分析管理模式。明确元数据收集渠道、数据仓库管理、模型设计、数据分析处理及再加工等工作流程环节，通过指标过程管控，及阶段指标数据诊断，及时发现薄弱环节，强化市县经营发展能力分析、企业经营能力分析、量价费敏感性分析、及电价管理辅助决策分析能力，结合可视化信息系统平台与展示分析结果，将评价结果纳入考核，保障BW数据仓切实有效发挥作用，为企业经营分析决策提供实时可靠的依据（见图2）。

（一）建立评价指标体系，强化市县两级联动

结合自身经营实际情况，全面梳理公司同业对标指标、企业负责人业绩考核指标、财务重点工作、预算完成进度、全面运营指标等几个方面的指标，制定公司评价指标体系，作为财务信息管控重点（见图3）。

经过两个月的调研，出台BW数据仓方案共三稿，选出关系公司整体运行指标10项，关系公司业绩考核指标的二级支撑指标16项，关系公司同业对标指标的二级支撑指标28项，既定标准文本表述。针对细节描述反复演练论证，从定量分析到定型分析，从影响因素变动分析到指标反项变动逆影响，多维度全方位指标体系。

（二）建立财务大数据库，加强决策数据支撑

数据源是实现分析的基础和重要前提，公司财务部协同各专业部门加强对标数据源管理，梳理完善指标末端因子的周期、维度等采集要素，通过运监平台、专业管理系统采集各指标数据，建立公司财务大数据库，全面掌握对标指标变化及发展趋势，实现指标异动和问题的动态监控及自动预警分析。

公司开发BW数据仓，依据网省公司推广的财务管控系统的管理属性，将预算管理、资金管理、电价管理、税务管理等各种管控数据集于一体，结合财务核算数据以及相关营销、预算、资金、现金流等业务数据，是建立BW数据仓的基础支撑。一方面，根据经营发展能力评估体系的设计，对结果分析展现需要的各类指标及数据进行处理与维护。包括定义指标权重、指标的归一化处理、指标的趋势化处理、定义经营质量区间、定义经营难度区间等，为最终的分析展现提供依据。另一方面，通过对接公司营销、建设等专业系统，将专业系统财务数据纳入大数据库，为营销费用、建设项目资金使用情况分析做好铺垫。

（三）建立经营分析模型，明确综合评价方法

根据公司实际工作需求，建立经营分析模型，主要包括“经营发展能力分析”和“量价费敏感性分析”两个方面。通过经营发展能力分析，展示公司目标发展水平和经营状况；通过量价费敏感性分析，明确购售电量、成本收入及售电价格为公司经营状况的主要影响因素，通过各因素变动情况及时预测掌握公司未来经营发展趋势（见图4）。

1.经营发展能力分析，及时掌握公司经营现状

基于电网企业自身特点，考虑电网企业市场划分及经营特性，提出“二维五力”经营发展能力评价体系，以“经营业绩”和“经营难度”两个维度综合评价企业经营发展能力，直观展现企业经营状况、发展趋势和未来价值，推动公司价值链与业务链的融合，构建集团运作、协同高效、管控有力的企业运营机制。

2.量价费敏感性分析，预测公司经营发展趋势

在既往财务对标分析中依赖公司上级部门信息，县局对自己的指标情况并不了解及关注，关键指标管理不能实现过程管控，通过敏感性分析，将能依据当年指标变动情况，对以后年度的全面经营情况，通过趋势分析法和影响因素敏感分析法进行模拟演练和预测，及早采取管理措施，不可控因素及早掌握，可控因素及早采取提升措施，缩小同业对标指标和业绩考核指标的差距（见图5）。

通过建立一整套完善的电价测算模型和电价动态报告体系，为电价调价、购售电预算预测和日常管理工作决策分析提供有力支持，切实以“价”为突破点，增加利润为目标，实现预期效益。

借助信息系统，将敏感性分析模型在系统中固化，系统根据取数规则自动采集数据，根据不同时点、不同维度对购售电量、成本收入、电价等关键指标进行定量分析和全景展示，实现了分层次、全方位、穿透式地反映指标变化及其成因，有利于加强电价管控，提升管理水平

（四）建立指标诊断机制，助力经营质量提升

通过搭建信息系统平台，将固定、经常、反复性数据分析工作交于系统功能实现，高效及时准确发现指标存在的问题，定位指标薄弱环节，及时提示相关责任人制订指标改进提升措施。同时，通过提炼的指标体系展示，在县级供电企业之中进行互相对标，有利于掌握各项指标优势与劣势单位，促进县公司间的交流学习和优势互补。

1.指标月度跟踪监控，及时发现薄弱环节

通过指标历史情况分析和对标，明确指标变化趋势，准确掌握指标实际情况，为指标目标的制订提供依据。以售电量指标为例，通过数据及图形展示两个角度，以月份为周期，观察指标理念变化趋势，明确指标水平较好的月份，以及较差的月份，并为较差月份制订相应的对策和措施提供理论依据。市县公司对比分析，明确指标落后单位（见图6）。

2.深化季度综合分析，季度智能快报

以省公司季度分析报告模板为基础，根据地市公司实际情况，财务部制订季度综合分析报告模板，并将模板导入信息系统中，结合信息系统数据分析功能，每个季度，系统生成季度综合智能分析快报，及时通报公司经营状况（见图7）。

3.深入末端指标分析，定位指标薄弱环节

根据指标定义及计算公式对指标进行分解，将计算公式中的各级分项指标作为子指标，根据指标的定义和计算方法或子指标对整体指标的影响程度确定子指标权重。当子指标为末端因子，则停止分解，末端因子即不能再继续分解，有明确的岗位和职责，可以直接获得一手数据，不需要再次加工计算的子指标。

（五）建立运行保障平台，促进分析诊断顺利开展

建立信息系统平台，固化企业经营分析管理体系和方法，系统分为数据层、查询层、分析层和展示层四个维度。结合实际工作需要，编制《BA报告日常操作手册》，对系统平台操作界面、查询界面进行详细说明，并就系统可能出现的操作问题进行说明，避免操作上的失误，规范使用方法。

四、实施效果

（一）数据实时监控，财务分析质量显著提升

数据流转质量和时效性得到加强，采取运营管理水平再上新台阶。平时最快要三天的财务分析报告，在报表上报实现即时完成智能报告，一键式分析报告，数据准确，数据有效利用，经营管理水平明显改善（见图8）。

（二）指标动态评价，内部管理协同显著增强

篇2

[关键词]财务数据；非财务数据；数据挖掘技术；瓶颈

[DOI]10.13939/ki.zgsc.2016.05.112

1 引 言

随着经济和社会的发展，传统的财务已经不能满足当今管理的需要。财务会计和财务管理等分支应需求而生，财务包含的内容增加的同时，财务信息内容划分标准依据也在改变。掌控全部信息对时间和精力有限的决策者来说是不可能的，主要看重的是及时有效地根据尽可能简洁的财务信息作出决策，提高经济效益。计算机具备储存容量大，计算功能强大的特点，结束了会计手工记账的年代。在如今，计算机几乎被用在所有的领域，财务也包括在其中，并且也起到了不小的功用。数据挖能从大量的数据中挖掘隐藏的信息，有力地支持管理者的决策，还可以建立企业财务风险预警模型，时时监测企业的财务状况，避免危机发生造成巨大损失，这一技术出现能否全面地解决上述的问题？对于其他方面，相关的研究就比较少，本文就是针对这些未涉及或研究尚浅的领域进行研究，完善这些方面的研究。

2 数据挖掘技术运用的意义

数据挖掘是指一种从大型数据库或数据仓库中提取隐藏的预测性信息的新技术，基本的技术有大类：分类和预测、聚类，还有其他由之组合而成的模型。在金融行业、保险行业等方面运用非常广泛，但目前对于财务领域涉入的并不多。大数据的时代背景下，对于生成和使用财务信息的不同人群，数据挖掘技术都有一定的意义。比如，运用XBRL等技术可以大幅缩短一般财务人员处理众多且繁杂的信息录入的时间；数据挖掘技术的运用结果多样化呈现出来，让使用者一目了然；相对要获得同样多和同质量的信息，数据挖掘技术的成本更低，速度和效率也是和传统的人工作业模式所不能比较的。数据挖掘得越深，越能帮助企业认识存在的问题，调整企业的战略，使企业能够进一步实现可持续发展的目标。

3 数据挖掘技术的运用

财务信息来源广，形式多样，数据量巨大。文章将所有信息以数据为口径，划分为财务数据和非财务数据，依据数据集中程度地方的不同，最终定位为表内和表外数据，表内数据多限制在报表的范围。表外数据信息的形式复杂，主要紧紧围绕价值运动和增值过程中的方面进行阐述。

3.1 表内数据挖掘

3.1.1 财务报表分析

表内数据的时期一般较短，大多只能反映一个时点或一段时间的数据，深入分析才能得出微小的战略方案，大多都是显示财务活动、投资活动、经营活动和分配活动。传统的财务分析方法仅仅对于少量的财务数据进行分析，且不具有直接可比性。无法反映企业潜在的、深层次的信息。这一类的数据挖掘通常都带有目的性，借助财务报表分析演示数据挖掘大体的过程，以下的其他挖掘技术运用也都是在此基础上得以进行的。

（1）数据的获取。数据虽然大量，但却不一定都是所需要的，也做不到分析全部的数据。在数据的获取阶段要获取数据子集，最重要的是切勿大海捞针，根据企业进行此次分析所想达到的目的来挑选数据。尽量做到数据具有代表性和逻辑性。

（2）数据的筛选。获取的数据很可能会有特别数据，这些数据的存在对结果分析产生噪声，影响整体性，不能立刻投入分析之中。在这个阶段，通常采用OLAP（联机分析处理）技术通过切块功能、运用传统的财务分析建立数据库，运用偏差检测将异常数据剔除。

（3）建立分析模型。在建立好数据库的基础上，利用数据挖掘中的聚类、关联规则、决策树方法层层深入来分析企业的财务状况。侧重领域不同，数据挖掘的方法也不同，不存在适用于所有方面的方法，也没有一种方法是最好和最全面的。很多时候分析涉及多种方法共同使用。稳妥的做法是选用变量时，选择与被分析目标最相关的变量，范围尽量广或选择显著性最高的数值。

（4）分析结果。运用专业的知识将结果与预定的目标相对应，两者一致则大体上达预期，稍许调整一致后，即可制定具体的实施方案。若不一致则重新来过，先要重新检查数据和模型是否有误，在确保正确的情况下才能对实际进行调整。

3.1.2 挖掘潜在的信息

上述分析都是针对已有或是确定目标的信息进行常规挖掘，此外还可以透过表面进行更深层的潜在信息分析，主要运用体现在财务预警上。财务预警分析方法的创新并没有跟上时代的万千变化，最主要的方法还是数据挖掘技术。早前的财务危机预警判别模型主要是利用单个财务指标来判别，接着步入多元线性判别模型，后来统计学方法也运用进来。在提高预测准确性方面可以运用神经网络处理，相较传统的方法，数据的质量要求可以相对较低且准确性提高。遗传算法、决策树理论、专家系统、粗集理论决策理论多元化的运用构建财务风险预警模型。

3.2 表外数据挖掘

非财务数据是经济活动过程中价值运动和增值过程非货币记录的信息。随着竞争加剧，表外信息越来越被人们关注。其涉及的内容繁杂，无法进行准确的计量，会计准则也没有强行要求披露。因为非财务数据侧重研究对决策的作用，而管理会计的使用者也多为管理层，故非财务数据多借用管理会计中的内容。文章选取四个方面结合数据挖掘进行分析。

3.2.1 作业成本和预测分析

作业成本法对所有作业活动进行追踪地动态反应，成本实施精确计算，来使资源得到充分利用。因其优势引起了人们的极大兴趣，但要建立动态的检查体系，复杂的操作问题让管理者可望而不可即。作业成本法是根据资源的耗用关系进行成本的分配，新的成本观下，不同的目的决定了不同的产品成本内容。利用数据挖掘中的回归分析、分类分析等方法确定成本动因，精确成本。利用关联方法划分增值作业和非增值作业，重点关注那些增值业务，非增值业务选择性关注，改进和优化价值链，促进企业的增值。

预测分析的作用处理用来预测生产数量外，还可以用来检测预测方法是否正确。当预测量和实际销量相差不多时，说明预测方法准确。反之，则要历史数据，检查预测方法出现的问题并加以改进。

3.2.2 产品和市场分析

充分了解产品的周期和市场的状况，有助于企业做出相应的决策。产品生命周期要经历四个时期：导入期、成长期、成熟期和衰退期。这四个时期的变化是有迹可循的，各个时期的特征明显。采用的战略也不一样。在市场方面，企业也要了解一种产品是如何影响另一种产品的销量。两类产品之间的替代品还是互补品，在销售时如何搭配才可以产生最大的效益。

3.2.3 员工满意度分析

每一个企业运作的核心都是人，人是企业价值的创造者，对环境能感觉、感知。反过来，环境也会影响人的心性，从而影响到工作的效率，进而反映到企业的价值上。在企业环境中如何使用数据挖掘技术让多员工满意环境，更加努力工作是很值得探究的。数据挖掘可以根据企业的不同设计不同的积分卡，辅助重要性不同的权数（因此不同层面的员工关注点不一致），在会议上或者宣传栏员工进行满意调查。对得分低的内容进行逐一分解，找到真正的原因所在，制定相关的措施，提高员工的满意度，进而营造良好的氛围甚至是形成企业文化。

3.2.4 顾客关系管理

“顾客就是上帝”，是企业创造利润的来源。管理好与顾客关系有利于企业竞争。一方面，可以对消费者的购买行为进行记录和分类。通过数据仓库的分类和聚类分析，对顾客进行分组并给予不同程度的关注；另一方面，根据验证，获得一位新顾客的成本是维持一位老顾客的三倍。将消费者的消费金额进行管理，把消费数额高的和有潜力进行消费的顾客挖掘出来。对顾客进行全面系统的跟踪，为顾客制定不同的销售组合和提供良好的售后服务。利用时间序列分析模型和联机分析处理技术分析顾客的信用等级，对于信用等级低的顾客进行一定的放弃。

4 可能遇到的瓶颈

4.1 数据的来源

数据的所有分析都是基于数据来进行的，数据可以说是最重要的要素了。许多问题不是技术没有跟上，而是无法获得准确的信息。财务数据因大多在企业内部流通，获得和差错检查都较好进行。非财务数据的获得就困难了，企业自身可能存在收集不齐全或是数据量不够大的问题。企业外部的非财务数据获取就难上加难，遇到警惕性较高的企业，很可能会故意放出虚假的信息，依照这样的数据进行分析出来的结果肯定是会让企业蒙受损失。

4.2 数据样本的选择

进行全样本分析的花费大，耗时长。且分析的目的单一，不需要进行全样本的分析。非财务数据的获取有时也是涉及过广，还会有特殊个别样本，这就是数据样本的选择问题。

4.3 技术和需求的发展

数据挖掘技术是技术发展到一定时期的产物，必须是技术发展成熟后使用，其对象是真实的大型数据库或数据仓库。这就要求数据必须是真实、可靠的，是实际意义上的发现。数据挖掘非常清晰地界定了它所能解决问题，如果企业的需求已不仅限制在这个范围，数据挖掘技术可能会实施不下去。并且如今的中国信息化没有达到较高的水平，企业对决策分析的迫切性不强，数据挖掘技术如何调整自身跟上企业的需求不可逃避。

5 结 论

财务报表内外涉及的范围广，虚假信息的存在一直阻碍着财务发挥决策应有的作用。数据挖掘技术针对数据的特征为企业信息的技术运用搭建了平台，在财务数据部分，财务报表结合数据挖掘技术的过程进行分析。对报表造假的原因进行剖析，引入挖掘技术。对现有的数据进行分析。针对未来投资者关注的风险问题建立财务预警模式，为企业安全再添助力。作业成本和预测分析、产品和市场分析、员工满意度分析和顾客关系管理等非财务数据追踪综合分析和积分卡中各种挖掘技术做保障。但数据挖掘技术的发展并不发达，企业警惕性提高，决策中数据挖掘技术的成果比例不大，这些问题的提出使数据挖掘技术难于实现突破。

参考文献：

篇3

高新技术制造企业作为高新技术制造业的实体是知识密集型、技术密集型和资金密集型的企业，其发展决定了现实生产力的转化，对于促进整体制造业的快速发展具有重要意义。高新技术企业的高收益特性源于其高科技产品和服务的高增长和高附加值，而与之对应的便是企业的高风险性，据统计20%～30%的高新技术制造业的巨大成功是以70%～80%的企业失败为代价。企业财务风险的扩散和深化将直接导致企业陷入财务困境，从而影响正常的生产经营活动。所以，建立和完善高新技术制造企业的财务风险预警机制，提高企业有效预测和应对风险的能力，对于高新技术制造业的经营者和投资者具有一定的借鉴意义。 

财务危机预警的研究由传统的统计研究方法发展到人工智能算法。最早是由Fitzpatrick（1932）采用单变量分析方法对公司的财务危机进行预警研究，得出权益负债率和权益净利率是判定企业财务风险的重要指标。Altman（1968）利用多元判别分析法建立基于Z-SCORE的财务预警模型。其后，回归模型克服了线性模型的假设局限性，常用的有Probit模型和Logistic模型。Ohlson（1980）使用Probit和Logistic回归方法建立逻辑回归模型，得出公司规模、资本结构、业绩和变现能力是影响公司破产的重要因素。上述以统计类方法为基础的模型是在样本满足合理的统计假设条件下才能有效，否则可能没有意义，由此许多学者相继将非统计的方法引入财务风险预警研究，其中应用最多的是神经网络分析法。Lapedes和Fyaber（1987）首次运用神经网络模型对银行的信用风险进行预测和分析，并取得了较好的预测效果。Odom和Sharda（1990）通过Z值模型中的5个财务比率构建了人工神经网络财务预警模型成功地对企业的财务危机进行了预测，证明了人工神经网络模型不但准确率高，而且鲁棒性也更好。Feng Yu Lin和Sally McClean（2001）以Logistic回归法、判别分析法、决策树方法和神经网络方法为基础，通过这些方法的组合运用，采用了三种混合模型，再分别对这些方法进行检验分析，分析结果表明同等条件下，混合模型在准确率方面优于单个方法模式。国内财务风险预警研究起步较晚，陈静（1999）对上市公司财务数据进行了单变量分析并建立Fisher线性判别分析模型，得出越临近企业被ST的日期，模型的预测准确率越高。吴世农、卢贤义（2001）验证了Logistic回归分析方法在预测财务困境的效果上比单变量判别模型更好。柳炳祥、盛昭翰（2002）划分了财务危机等级并验证了基于粗神经网络的财务预警方法的有效性。周敏，王新宇（2002）提出了模糊优选和神经网络模型，范静（2008）选择因子分析法—BP神经网络等评价方法。陈伟等（2010）主要分析了不同成长阶段高新技术企业的融资特点，提出了有效防范财务风险的具体措施。杨淑娥引入面板数据，构建BP神经网络模型对上市公司的财务状况进行预测，提高了预警精度。张晓琦（2010）证明了支持向量机（SVM）方法在高新技术企业财务危机预警建模方面的有效性。综上所述，现阶段对于高新技术企业的财务危机预警研究集中与理论分析阶段，大多数都是基于t-1期与t期的数据建立静态数据模型，忽略了企业财务比率的时间序列特点，企业财务危机的出现是一个逐渐演变的过程且不同行业的高新技术企业特点也不尽相同，这些因素将对企业财务状况的演化产生偏差，从而影响预警模型的有效性和精准度。 

本研究综合了主成分分析方法、Logistic回归方法与BP神经网络机制，引入面板数据为研究样本，建立动态的高新技术制造企业财务危机预警模型。从理论分析而言，面板数据提供了多层面的数据信息，充分发掘企业财务信息，同时结合高新技术制造业的特点，从不同的侧面选取指标来反映企业财务状况的各个方面，所以能够深入全面地反映财务危机前的状况和趋势并作出及时合理的判断，采取相应措施。从实践结果而言，解决了一般企业由于数据缺乏带来的技术问题，扩大预警模型的适用性，为更多的高新技术制造企业服务。实证结果表明，基于Logistic-BP神经网络模型的预警能力明显优于传统Logistic回归分析方法和BP神经网络预警机制。 

一、研究方法 

（一）Logistic回归 

二、数据和预警指标 

（一）样本选取和数据来源 

本研究考虑到时间因素和指标可比性两方面，选择高新技术制造企业作为研究对象，利用多期历史财务数据建立财务危机动态预警模型。本文以我国2008年至2012年深沪A股高新技术制造上市公司（通过2008《高新技术企业认定管理办法》的制造行业企业）为研究对象，数据源于CCER经济金融研究数据库以及巨潮资讯数据库，使用Excel、SPSS16.0和Matlab2010数据分析软件对数据进行分析。沿用国内研究习惯，以ST作为出现财务危机的标志，选取2012年ST和非ST高新技术制造业上市公司为待测样本。为了符合上市公司ST与非ST的实际比例，确保数据的真实性和可比性，参照Beaver（1966）的方法，采取1：3的配对方式，选择规模（总资产）相近的ST、非ST公司120家为训练样本，所有50家ST和150家非ST公司为分析样本。

由于上市公司在t年被特别处理是由其t-1年财务报告的公布所决定的。根据以往分析，t-1年财务数据的时效性较强，预测度很高，但是，其与正常样本相差很大，有失模型构建的真实性和可比性，实际预测的应用价值不高。财务风险的形成并非一朝一夕，而是一个连续的动态过程，越早洞察出财务风险，越有可能避免再次亏损。据此，选定t-2和t-3作为财务预警年度。 

（二）预警指标的设计 

在参照现有财务风险研究文献的基础上，同时结合高新技术企业本身高投入、高风险、高收益的特点以及新型制造业的运营特点进行综合评估，从公司的偿债能力、盈利能力、成长能力、运营能力指标和现金流量五个方面初步选定18个变量作为备选指标，如表1所示。基于识别财务风险的及时性和准确性，挑选的变量必须在ST公司与非ST公司之间显著不同。通过对指标进行显著水平5%的K-S检验得出财务比率均不服从正态分布特征，因此采用Mann-Whitney-U检验来预警指标在ST公司与非ST公司之间是否存在显著差异，在95%的置信区间内接受原假设，最终选取在2009年和2010年均存在显著差异的14个变量作为最佳评估指标，剔除4个不显著指标：营业利润增长率、应收账款周转率、流动资产周转率和存货周转率。 

三、基于Logistic-BP神经网络的实证研究 

（一）建立财务危机预警模型 

由于财务指标之间相关性较强，信息重叠不利于后续预警模型的构建，首先分别对t-2和t-3年的14个财务指标进行因子分析，得到t-2和t-3年的KMO值分别为0.681和0.724，Bartlett球度检验给出的相伴概率均为0，小于显著性水平0.05，因此拒绝Bartlett球度检验的零假设，认为适合于因子分析。 

本文在累计贡献率85%以上的基础上，采取正交旋转法提取5个主成分F1—F5。第一主因子F1由流动比率、速动比率、股东权益比率、资产负债率组成；第二主因子F2由净资产收益率、运营资金比率、主营业务利润率组成；第三主因子F3由净资产增长率、总资产增长率、主营业务收入增长率组成；第四主因子F4由资产周转率、固定资产周转率组成；第五主因子F5由现金流动负债比率和每股经营性现金流组成。通过上述因子分析所提取的五个财务指标包含了公司财务危机的主要信息，能够比较全面地反映公司的财务状况。 

在静态BP神经网络模型中，同样选择训练样本的五个因子变量作为网络层的输入，经过反复试验，构建出5x24x1的基于因子分析的静态BP神经网络财务预警模型，模型收敛情况如图2所示，通过对所有上市公司样本进行预测，得到如表4的预测结果。 

综合Logistic模型的回归分析结果pt-2和pt-3，将训练样本的w1pt-2和w2pt-3作为网络输入变量，建立动态BP神经网络财务危机预警模型，其中w1+w2=1，经过反复试验取中间层8，将所有样本作为验证样本带入模型，通过选取不同权重系数w1=0.4，w2=0.6时，模型呈现较高的预警精度，模型收敛情况如图3所示，预测结果如表4所示。 

（二）三种模型的预测结果比较分析 

由表4可知，在这三种模型中，t-2期的预测效果要明显高于t-3期的，即离目标预警期越近，预测准确率越高。但是t-3期的预测结果仍与t期财务状况存在紧密联系，如果忽视t-3期数据将会降低t期的预测结果。对于单期财务数据的Logistic回归模型和基于因子分析的BP神经网络模型预警分析结果，均有较好的预测能力。其中BP神经网络模型综合预测效果要优于Logistic模型，但BP神经网络模型中ST的误判率高于Logistic模型中ST的误判率。而基于动态BP神经网络模型无论是从ST公司和非ST方面均提高了预测的准确率，其总体预测准确率为94%，明显优于第一种和第二种模型。由此可见传统的预测模型仅仅体现了某一时期对目标时期的预测效果，难以实现不同时期的最优预测，通过将二者相结合，综合考虑t-2期和t-3期历史数据来建立基于面板数据的动态BP神经网络模型，且其预测结果优于前两种方法，第三种模型充分结合了BP神经网络和统计方法的优点。 

四、结论 

本文采用高新技术制造业上市公司的多期历史面板财务数据，利用因子分析对指标进行降维，采用多期数据建立动态Logistic-BP神经网络模型，提高了模型的纵向长期预测能力，实现多时段预警。通过实证研究得出以下结论：首先，高新技术制造企业财务危机的出现是循序渐进的过程，距离被ST时间越近，模型的预测准确率越高。其次，通过采用财务面板数据，从数据的截面和空间随时间变化两个方面研究，深入体现了企业财务状况发展机理的渐变特性，体现企业财务危机发生的连续动态特点，提高了样本中关键财务指标变化的特征信息，有利于建立更精确的模型，提高预警精度。最后，综合模型结合了Logistic非线性分析方法和BP神经网络的容错性、自我学习性特点，具有更强大的财务预警建模和预测能力，降低了ST公司的误判率，在实际应用中有助于经营者预防和监控财务危机，促进企业持续健康发展，也有利于投资者债权人规避财务风险，减少经济损失。 

【参考文献】 

篇4

关键词：判别分析；财务预警；ST；财务指标

中图分类号：F830.91 文献识别码：A 文章编号：1001-828X（2016）025-000-01

一、引言

公司破产是财务危机的终点，这已经得到学术界的一致认可。根据我国破产法及其司法解释，公司破产的情形主要包括债务人不能清偿到期债务并且资产不足以清偿全部债务，或者债务人不能清偿到期债务，并且明显缺乏清偿能力。出现上述情况，即可申请公司破产，也能够清楚确认公司已经发生严重财务危机并已实现财务危机的最终结果。然而，这种财务危机的确认对于投资者来说几乎不存在价值，因为公司破产使得他们所持有的股份转让价值为零。相对于财务危机的终点，投资者更加关注的是财务危机的起点，即公司开始出现财务危险的时点以及财务危机的预兆。如果能预知公司将陷入财务危机，经营者会更加警醒，努力改变公司经营现状和财务状况。本文采用中国学者在研究财务危机时的通用方法，将上市公司被“ST”作为公司陷入财务危机的标志。

二、判别模型的构建与检验

1.判别模型的构建

本文采用Fisher典则判别函数中的非标准化典则判别函数，其采用原始数据判别，带有常数项。我们将危机组（即ST公司）的组别设为1，将正常组（即非ST公司）的组别设为0。将估算样本2011-2013年数据分别输入SPSS16.0处理，采用全模型法，可以得到三个非标准化典则判别函数。陷入财务危机前一、二、三年的财务预警判别函数为如下判别式（1）、（2）、（3），可见判别中影响最大的因素是X5资产报酬率，并且其贡献远大于其他指标。可以看出，公司盈利能力的强弱决定着其是否会陷入财务危机。判别式（1）的最大特征根为1.108，正常组组重心为1.035，危机组组重心为-1.035；判别式（2）的最大特征根为1.179，正常组组重心为1.068，危机组组重心为-1.068；判别式（3）的最大特征根为0.227，正常组组重心为0.468，危机组组重心为-0.468。

Y=-0.220X1+0.660X2-0.551X3+0.418X4+15.306X5-0.245X6+0.590X7-1.574X8+0.515X9-0.095X10-1.51

Y=-0.260X1+0.781X2-0.720X3+0.381X4+22.955X5-0.786X6+1.660X7-0.207X8+2.359X9-0.006X10-0.386

Y=0.450X1+0.519X2-1.029X3+3.199X4+7.884X5+2.770X6+4.151X7+0.361X8+1.236X9-1.26X10-3..723

三个判别函数Wilk的λ检验值为0.000，0.000，0.370，其中判别式（1）、（2）统计值χ2的显著性概率为0.000

公司被ST前一年，对危机公司的判断的正确率为83.3%，对正常公司的判断的正确率为93.3%，总体判断正确率为88.3%；公司被ST前二年，对危机公司的判断的正确率为96.7%，对正常公司的判断的正确率为80%，总体判断正确率为88.3%；公司被ST前3年，对危机公司的判断的正确率为80%，对正常公司的判断的正确率为60%，总体判断正确率为70%。可见，公司陷入危机前两年运用本文确定的10个财务指标对财务状况做判别分析，可以较为有效的预测出公司将来是否会陷入财务危机，但运用前三年的数据预测效果不太理想，尤其是将正常公司错误地预测为危机公司的概率达40%。

2.判别模型的检验

为进一步检验判别模型的预测效果，将2013年20家被ST的上市公司以及20家正常公司作为检验样本测试模型的有效性。将上述公司2010、2011、2012三年财务数据分别带入判别式（1）、（2）、（3），其综合判别结果为t-1的正确率为72.5%，t-2的正确率为77.5%，t-3的正确率为55%。

采用检验样本检验模型有效性时，判别的正确率有一些下降，但公司陷入财务危机前一、二年的预测结果还是比较好的，正确率均在70%以上。与估计样本的判别结果类似的是，运用三年前的数据进行预测时，效果是最差的，55%的预测正确率对投资者的参考价值很低。

3.结果分析与讨论

综合以上判别模型的构建和检验过程，我们可以发现，运用流动比率等10个财务指标对公司财务状况进行判别分析，对于预测公司在1-2年后是否会陷入财务危机（被ST）是有效的，具有财务预警作用，投资者可以运用该模型测试公司的财务状况以选择恰当的投资策略，经营者也可以运用该模型评价公司的财务状况以了解为避免陷入财务危机而需做出的努力。

同时，我们也会发现，运用三年前的财务数据做判别分析或者说利用现有财务数据预测公司三年后是否会陷入财务危机，其模型有效性不高，尤其是将正常公司误判为危机公司的概率比较高。究其原因，可能是由于时间跨度较大，三年间公司的经营情况以及外界环境变化可能较大，导致预测不太准确。但是也有可能是公司为了避免被ST而采取了某些盈余管理的手段，将财务危机掩盖下来。因而，若要对公司三年后财务状况做财务预警，需要认真研读公司财务报告，考察其管理层诚信情况以及盈余管理倾向，结合公司发展战略和行业环境变化，对其未来财务状况作出合理预测。

篇5

关键词：财务预警 探索性因子分析 财务指标

着经济全球化的发展，经济环境中的复杂性、模糊性日益明显，企业运营过程中面临的风险变幻莫测，及时有效的财务预警体系成为企业经营的迫切需求。在以往的研究中，大多数预警模型是为企业投资者、债权人服务的，判别结果也只局限于被预测企业被ST或未被ST两种。而企业内部的预警体系，应该更加及时、详细，这样才能给企业的管理者带来有价值的信息，从而有助于企业管理者进行下一步的营运决策。所以，这样一个财务预警体系的指标必须有代表性，能对企业运营现状进行全面有效的反映。

一、传统财务预警体系指标选取的缺陷

（一）指标预警功能单一。传统的财务预警体系主要是通过对期末会计报表中的会计数据进行提取形成财务指标，利用财务指标对企业财务状况进行预测。把财务指标输入设计好的模型中，通过模型运行结果判断企业财务状况。理论上这种方法行得通，可以为企业相关利益者提供一些信息，但是，随着现代信息技术的发展，这些指标已经不能反映预警体系的全部功能。

（二）指标数量繁多。综合考虑前人研究的财务预警体系，选取的指标一般大约为三十个。因此数据的获取和处理是一个复杂的过程，会耗费大量的时间，输出结果出现警情的信号时再对企业的经营进行改进已经为时过晚；另外繁多的预警指标也会影响预警系统的效果。

（三）指标的选取忽略了与管理系统的有序结合。企业的财务信息是对企业营运状况的综合反映，企业的管理漏洞、决策失误、经营异常以财务报表的形式输入到财务预警系统中，把财务风险的踪迹反映给企业管理者，达到企业内部财务预警的目的。但传统的财务预警往往自成体系，把财务预警系统作为会计系统的一个子系统，仅仅通过会计信息进行财务预警往往难以全面、系统。而在现代信息化的环境中，企业建立的后台管理系统可以通过信息技术将企业的经营信息、管理信息、会计信息、资金信息进行集成与共享，为财务数据扩宽了范围，完善了财务预警指标体系，随着指标数量的增加，预警前的指标分类成为了财务预警的必经过程，先把指标进行归类，确认每个指标反映的问题方面，便于解决警情。可见，将财务指标与管理系统进行融合才是未来发展的方向和研究的重点。

二、动态财务预警体系的特征要求

通过以上分析可以得出，企业财务预警体系作为企业经营运行的检测器，应该能实时观测企业动态，及时发现警情，以便企业经营者做出决策。所以，企业财务预警体系选取的指标必须具有及时性、简练性、灵敏性。

（一）及时性。所谓及时性实际上是指指标获取的及时性。作为预测性系统，必然要具有前瞻性，而满足前瞻性的首要条件是及时性，如何及时、有效地获取预警指标是构建财务预警体系的重要环节。传统的财务预警体系主要是根据期末财务报表获取数据处理来进行预警，由于当今信息技术的迅猛发展，会计处理受到了冲击，网络会计应运而生。这种模式下会计处理不仅可以提高会计核算效率，还可以产生实时的财务报表，对财务预警体系指标获取速度有很大帮助。

（二）简练性。企业内动态财务预警体系，供企业管理人员使用，在实际应用中要比供企业投资者、债务人所使用的预警体系频繁的多，甚至会达到每月一预测的频率，因此，具有这样特点的财务预警体系必须容易运行，预警指标必须简练容易获取。简练的指标不但节约了企业的预警成本又能及时发出警情信号，可谓是两全其美。

（三）灵敏性。构建财务预警体系属于事前预测行为，其目的是及时发现问题，避免不必要的损失。作为预警体系的指标，必须具有灵敏性，在出现警兆的情况下，发现警情的蛛丝马迹，发出信号，为信息使用者提供警情信息。

（四）成本效益性。成本效益是构建财务预警体系必须考虑的问题。在指标体系中有许多指标的确能反映企业财务状况，有很大利用价值，但如果预计获取该指标的成本过大，大于其预警带来的收益，那么应该放弃选取该指标，转而用与之相关的且获取成本较低的指标代替。

三、基于探索性因子分析的财务预警指标选取

数据挖掘技术发展迅速，日益成为各个研究领域的应用技术。数据挖掘技术的不断涌现，给企业财务管理带来了新思路，给传统的财务管理活动带来冲击。其中，探索性因子分析法就是数据挖掘技术中的一种多元统计分析方法。探索性因子分析的基本思路是，每一个输入变量的变异性都可以归结于少数潜在的公共因子和一个与这些公共因子无关而只与该变量有关的特殊因子，它的主要目的就是数据缩减。本文拟用探索性因子分析法对原始的财务指标进行简化的主要原因有：（1）因子分析不是对原有变量的取舍，而是根据原始变量的信息进行重新组合，找出影响变量的共同因子，对信息反映全面，即使对结果影响不大的因素也不会丢失；（2）因子分析通过旋转使得因子变量更具有可解释性，命名清晰性高，便于使用；（3）因子分析可以通过SPSS软件实现，便于操作。

（一）样本选取与数据来源。本文样本来自于我国三十家上市公司的财务数据，在样本选取的过程中，本文剔除了ST公司的财务数据。

（二）财务指标的选取与变量设计。本文选取了反映企业偿债能力、盈利能力、资产运营能力、增长能力四个方面共19个指标，变量设计见表1。

因子分析是简化指标的过程，通过寻找各指标间的潜在公共因子实现变量的降维。所以，在进行因子分析之前，首先要对观测变量进行检验，确定变量间确实有相关关系。本文通过KMO检验和Bartlett检验，分析对指标进行因子分析的适合性。检验结果见表2。

通过检验结果可知，KMO值为0.66，结果大于界定值0.6，表明观测变量适合进行因子分析。Bartlett球形检验的显著性水平为0，小于界定值0.05，原假设被拒绝，表明原观测数据适合因子分析。提取公因子。运用SPSS对数据进行标准化处理，得出共同度分析结果显示，流动比率、资产报酬率等6个指标的共同度均超过了0.9，表明公因子对这6个指标的方差做出90%以上的贡献。共同度超过0.7的指标共9个，可见，公因子提供的信息量较大。运用SPSS计算公因子特征值、贡献率、累计贡献率，结果见表3。

根据解释的总方差结果显示，选取7个公因子的因子成分对所选取的公因子进行因子解释，作为选取公因子与原指标间的系数。因子成分矩阵见下页表4。

通过上表可以得出各变量的因子表达式：

X6=0.792F1+0.47F2-0.29F3-0.108F4-0.119F5+0.031F6+0.104F7

X4=0.681F1+0.052F2+0.544F3-0.144F4-0.299F5-0.223F6-0.8F7

……

X5=-0.125F1-0.22F2+0.068F3-0.225F4+0.109F5-0.39F6+0.778F7

下页表5是经过正交旋转后的成分矩阵，通过这个矩阵我们可以得出旋转后的各成分表达式：

X7=0.927F1+0.02F2+0.118F3+0.017F4+0.077F5+0.059F6+0.016F7

X9=0.735F1-0.008F2-0.005F3+0.354F4+0.109F5-0.165F6-0.16F7

……

X5=-0.093F1-0，05F2-0.102F3+0.014F4+0.042F5-0.004F6+0.918F7

公共因子命名如表6所示。表7是成分转换矩阵，成分矩阵乘以成分转换矩阵就得到旋转后的成分矩阵。根据成分得分系数矩阵，可以得到因子得分表达式，成分得分系数矩阵见表8。由此得出因子得分表达式：

F1=0.086X1-0.045X2-0.09X3-0.017X4+0.05X5+0.213X6+0.345X7+0.111X8+0.249X9+0.046X10+0.131X11-0.029X12+0.164X13+0.014X14+0.245X15-0.032X16-0.003X17-0.08X18+0.017X19

……

F7=0.093X1+0.002X2+0.12X3+0.006X4+0.787X5+0.045X6+0.099X7-0.063X8-0.084X9+0.374X10-0.02X11-0.12X12+0.086X13+0.026X14-0.013X15-0.041X16+0.067X17-0.127X18-0.158X19

以上是因子得分表达式，即利用原有指标与指标得分作为系数，得出公因子表达式。上市公司可以通过因子得分对企业财务状况进行估计预测，找出企业弱势方面进行改进调整，制定解决警情的对策。

表9是成分得分协方差矩阵，该矩阵是单位矩阵，可以证明，提取的七个公因子之间是不相关的。

四、结论

本文选取三十家上市公司的财务数据作为研究样本，选取反映企业营运状况几方面的指标先进行归类，然后对归类后的财务指标进行因子分析发现：（1）企业各个财务指标之间确实存在潜在关系，找出潜在公因子加以分析处理可以简化财务预警指标体系，提高财务预警效率并且使预警结果更加直观。（2）寻找预警指标间潜在关系的结果表明，某些财务指标与其他类别财务指标存在相关性，也就是说，企业某一方面的疏忽产生的异常可以影响到企业其他方面的运营，因此，企业管理者在进行经营决策时应该考虑多方面因素的影响。（3）通过因子分析得出了因子得分矩阵，通过得分矩阵可以体现企业经营各个方面的状态，但因子分析更多的是作为达到一些目的的中间手段，实现一些模型运行的中间步骤，在对数据进行降维简化后继续采用其他的统计方法进行处理来解决问题。

参考文献：

篇6

【摘要】财务诊断是为企业“看病”、“治疗”的智力活动，能帮助受诊企业改善经营管理、增加经济效益。XBRL是一种基于XML的应用于企业商业报告的标记语言。将XBRL引入财务诊断，以其为基础构建新的财务诊断体系，可极大改善财务诊断的效率和效果。

一、XBRL概述

（一）XBRL发展状况

1998年，美国注册会计师Charles Hoffman率先提出XBRL（可扩展商业报告语言，eXtensible Business Reporting Language）。XBRL是基于XML的应用于企业商业报告的标记语言。1999年，倡导XBRL国际化的成立。如今，该组织拥有大约450个成员，包括知名大公司、团体和政府机构。曾于2000年7月1日XBRL规格书（Specification Version 1.0）及XBRL分类标准（Taxonomy），并逐步升级，现已更新为XBRL2.1。

目前，XBRL在国外应用较为广泛，如东京交易所的TD net系统采用了XBRL技术报送财务数据，德国德意志银行将XBRL用于处理贷款信息，美国EDGAR在线、微软等公司已经采用XBRL财务信息。在国内，2003年，上海证交所决定在定期报告报送过程中审慎使用XBRL，采用稳步推进的思路应用推广XBRL。在试点成功的基础上，于2004年一季度报告报送时全面推广。随后，深交所全部上市公司也了基于XBRL的2004年年度报告。

研究表明，XBRL增强了企业财务报告披露的透明度，目前在国际上已经获得迅速发展，主要应用在两个领域，即公司的外部报表和内部报表，在制定的XBRL体系中，它们分别被称为XBRL FR（财务报告）和XBRL GL（财务记账），各自制定有不同的分类标准。随着在研究领域取得巨大进步，XBRL成为了商业报告数据和信息交换的新标准。被XBRL定义过的商业数据和财务信息能以一种成本更低、效益更佳的方式被各方所利用。

（二）XBRL技术特性

XBRL是一项开放、免费的标准，是一种在世界范围内进行商业数据、财务信息电子交换的语言，能在编制、分析和传输商业报告中提供极大的便利，能低成本、高效率、更可靠地提供及使用财务数据。XBRL通过给商业报告、财务报告中的数据增加特定标签和分类，使得计算机能够自由生成所需财务报表，并且通过内置的验证机制，使得计算机能够分析财务数据。

1.兼容性。XBRL作为XML的扩展，可以在主要的硬件平台上和最普遍使用的操作系统下运行，目前可以在基于SUN、IBM、HP、PC等硬件平台的Unix、Linux、Mac OS与Windows等操作系统下运行。

2.实时性。XBRL可以实时提供各种商业信息，真正做到随取随得，满足使用者在时间上的严格要求。

3.互通性。互通性是XBRL的关键特性。XBRL制定了统一的数据格式标准，用于商业信息（不单是财务信息）的披露。使用者可依据各自需求获取所需格式的财务报表。这些不同内容、格式的报表，来源于同一份XBRL文档，减少了数据在不同表格间相互引用的差错。

4.自控性。XBRL具有内置的自动控制质量的功能，即，它对数据之间的勾稽关系具有自动校验功能。

5.开放性。XBRL是由非赢利组织推行的国际化、无国界、开放资源的标准，可以由感兴趣的个人或组织自由使用，同时兼具简单、结构丰富、自定义标签以及处理多国语言等特性。

二、现有财务诊断体系应用状况

（一）现有财务诊断体系架构

财务诊断属于管理咨询的重要内容，是一种主要利用企业会计资料和其他经济信息来发现问题、解决问题的高度智力活动。如今，越来越多的企业认识到财务诊断的重要性，尝试更多地借助会计师事务所等专业管理咨询机构进行智力支持。实施财务诊断，施诊者主要凭借专业判断能力和使用受诊企业的会计资料和业务数据。

财务诊断体系就是为实现财务诊断目标所使用的技术、方法、步骤的集合体。一般而言，财务诊断体系由数据收集、分析诊断和形成报告等三个阶段组成，涵盖杜邦分析模块、详细诊断模块、财务预测模块和财务预警模块等四个模块 。

1.数据收集阶段。施诊者接受委托开展财务诊断，需要从受诊企业获取财务报告，财务报告是企业的主要数据来源，是其财务状况、经营成果的综合体现以及业务数据、同业数据等资料。数据载体一般是纸质文件或是电子文件，没有统一格式，给整理、加工带来了不便。

2.分析诊断阶段。本阶段是整个财务诊断体系的重心。手工或者运用EXCEL等方式将获取的受诊企业数据，通过杜邦分析模块、详细诊断模块、财务预测模块和财务预警模块，同时结合施诊者的专业判断进行分析、诊断。

3.形成报告阶段。经过多个模块的分析、诊断，找出受诊企业的“症结”，综合施诊者与受诊企业等多方意见，提出解决问题的多种方案，供受诊企业选择，并给予指导。财务诊断报告质量的高低反映了财务诊断工作的成效，也决定着受诊企业能否成功“治病健体”。

（二）现有财务诊断体系的制约

收集到的财务报告、业务数据及同业数据的质量高低、诊断的水平以及形成诊断报告的能力影响着财务诊断的成效。一方面，综观整个财务诊断体系，数据收集、分析诊断以及形成被告都由施诊者手工完成，其间难免会出现人为差错。财务诊断过程中，施诊者需要与受诊企业以及第三方频繁地交换信息，而事实上，信息交换不很顺畅。受诊企业出于种种原因，会提交各式各样的财务报告，给整理、分析、诊断带来不便，直接影响到财务诊断的成效。另一方面，施诊者形成诊断意见需要使用第三方如行业或其他企业相关信息，而由于各自习惯不同，所获取的信息很难一致。再一方面，最终的财务诊断报告也需要以恰当的形式提交给受诊企业，否则会影响受诊企业的整改，影响财务诊断的最终效果。

显而易见，财务诊断中数据、信息的有效传递意义重大。随着互联网技术的发展、企业规模的扩大以及地域的延伸，财务诊断面临的会计资料和业务数据越来越复杂，有效实施财务诊断的难度也逐渐加大。XBRL的出现与推广运用可以助财务诊断一臂之力，使财务诊断施诊者从简单重复劳动中解放出来，有更多精力投入到深层次的诊断、决策中，更好地为受诊企业服务。

三、基于XBRL的财务诊断体系的理论框架

将XBRL引入财务诊断，构建基于XBRL的财务诊断体系，就是结合XBRL的技术特性，在原有财务诊断体系基础上对数据收集、处理、传递等环节进行重新安排。基于XBRL的财务诊断体系如图1所示：

在本体系中，所有数据都符合XBRL规范，方便财务诊断的数据收集、分析、诊断、输出。应用该体系可以改善财务诊断效率和效果，使施诊者、受诊企业以及社会都受益。

（一）基于XBRL的数据收集

实施财务诊断的第一步就是收集受诊企业的财务数据、业务数据以及同业数据。如前文所述，实施财务诊断所需数据，主要来源于受诊企业提供的财务报告、业务数据以及其他途径获得的公开数据和同业数据（标准）。由于受诊企业管理目标多元、复杂，提交的相关资料自然格式不一。通过其他途径获得的公开数据和同业数据，由于来源不一，数据结构迥异。这些数据应用到财务诊断过程中，势必会在时效、成本等方面表现出劣势。

受诊企业遵循XBRL规范，在财务数据以及非财务数据上添加适当标签，报送财务报告、提交业务数据，可以为施诊者获取所需数据、信息提供最大便利。XBRL的技术特性可以使得施诊者跨越不同平台、不同软件系统，低成本、高效率地收集到受诊企业的相关数据。基于XBRL收集数据，大大突破了原有财务诊断体系收集数据的范围限制，可以将湮灭在浩瀚网络中财务诊断所需的相关数据一一收集。基于XBRL收集数据，还能有效避免相关数据的重复录入，减少手工操作带来的人为出错，同时以统一格式存储数据，为后续的分析、诊断做好准备。

（二）基于XBRL的分析诊断

1.数据初步加工。在原有体系中，数据收集与分析诊断衔接部分，是对收集到的数据进行初步加工，供施诊者有选择性地使用，工作量较大。基于XBRL收集到的数据均符合XBRL规范，便于相应软件自动处理，能够减轻数据分类、整理的工作量，同时还能提高准确度。

2.杜邦分析模块。在原有体系中，杜邦分析模块用来了解受诊企业财务状况全貌以及各项财务指标之间的变动关系，为优化经营结构和理财结构、提高企业的偿债能力和经营效益提供基本思路。尽管杜邦分析系统本身存在固有缺陷，但是有了XBRL的介入，仍不失为财务诊断的一种理想工具。

3.详细诊断模块。经过杜邦分析模块对受诊企业数据的分解，分别偿债能力、营运能力、获利能力和成长能力进行详细诊断。通过与符合XBRL规范的数据（标准）的比对，可以进一步判断出受诊企业经营管理哪一方面存在隐患。

4.财务预测模块。对前期收集的受诊企业数据和同业数据，借助计算、分析可持续增长率和编制预计报表等技术方法，模拟出受诊企业将来的财务状况和经营成果，使财务诊断由过去、现在扩展到未来，起到指引受诊企业趋利避害的作用。

5.财务预警模块。财务预警是种低成本的诊断工具，有多种预警模型。实施预警时需要使用受诊企业历史数据、同业数据（标准）等资料，符合XBRL规范的数据能保证这些模型的灵敏度。灵敏度越高就能越早发现问题并告知受诊企业，有效地防范与解决问题、回避财务危机的发生。

（三）出具基于XBRL的诊断报告

出具诊断报告是对分析诊断环节工作成果的综合。施诊者针对分析、诊断出的“症状”，结合职业判断能力和积累的经验，与受诊企业充分沟通，开除“药方”，提出多种解决方案，供受诊企业选择、实施。除了提交财务诊断报告，施诊者还要指导受诊企业根据财务诊断报告所提方案，对企业不足之处加以改进、完善，最终实现“治病救人”的目的。此外，财务诊断报告还可以起到“病历”的作用，为该受诊企业再次进行财务诊断时提供重要参考资料，有助于连续诊断、提高财务诊断效率。

施诊者出具符合XBRL规范的财务诊断报告，一方面可以方便受诊企业使用。受诊企业据此采取措施、改善经营管理时，能够便捷地比对从各种渠道获得的数据，实时控制改进过程，达到财务诊断的预期目的。另一方面可以方便施诊者分门别类地保存、积累各家受诊企业资料，为诊断其他企业做好智力储备，财务诊断效果也能更出色。

四、基于XBRL的财务诊断体系的技术优势

XBRL是目前应用于非结构化信息处理尤其是财务信息处理的最新标准和技术。就像会计电算化对会计人员产生的影响一样，结合XBRL的技术特性构建财务诊断体系，在财务诊断过程中予以应用，可以使财务诊断较以往更具优势。

（一）应用XBRL将拓宽财务诊断所需数据来源

如今实施财务诊断获取的相关数据，由于受诊企业管理需要多元、复杂，提交的相关资料相应呈现出各种式样。出于时间、成本等的考虑，施诊者会选择格式统一、获取简便的资料，这就限制了财务诊断获取数据的来源。由于受诊企业都会按法定要求对外报送财务报表，自然财务诊断将数据来源定位于财务报表，尤其是三张主表（资产负债表、利润表和现金流量表）。而XBRL就可以很好地解决这个问题，在财务数据以及非财务数据上添加适当标签，施诊者可以轻松获取所需数据、信息，不管这些数据列示在财务报表中，还是数据库里，甚至在文本文件中。应用XBRL，能够极大地拓宽财务诊断数据来源，相关数据、资料越充分，财务诊断结果越可靠。

（二）应用XBRL将提高财务诊断效率和可靠性

原有财务诊断体系中，收集到受诊企业相关资料后，施诊者必须先将这些数据人工转换成财务诊断所需要的格式，既费时，又低效，还容易出错，严重的还会影响诊断结果，导致财务诊断失败。鉴于XBRL的互通性和自控性，凡是符合XBRL规范的财务及非财务数据，都可以直接读取到数据收集模块和分析诊断模块，而不论这些数据储存于何种系统平台下。这不仅降低了收集、计算财务、非财务数据的成本，同时也减少了手工输入或导入数据的差错。XBRL的应用，极大地减少了施诊者数据录入、转换的时间，从而能将更多的精力放在分析、诊断上。另外，由于XBRL的实时性，施诊者可以得到连续的数据，从中辨别出受诊企业的异常、深究原委，使得诊断结果更具针对性。

（三）应用XBRL可以实现实时财务诊断

不论财务诊断对受诊企业有多大的帮助，毕竟都是以受诊企业过去的数据、信息为依据，结合施诊者的经验予以判断，得出诊断结果的过程。财务诊断多少有点事后控制的意思。随着XBRL与企业经营活动结合的日益紧密，凭借XBRL实时性的特性，借助互联网，施诊者可以异地、实时获取企业的财务、非财务数据，为受诊企业“把脉”，将事后控制前移到事中，更好地发挥财务诊断的作用，为受诊企业增值。此外，施诊者也可以透过互联网实时监督财务诊断报告的实施情况，给予受诊企业实时的指导，提高财务诊断的成效。

（四）应用XBRL可以延伸财务诊断的服务内容

财务诊断一般都由专业机构提供给有需要的受诊企业，很少面向其他机构和个人。而如今，XBRL在企业管理、证券、审计等领域的应用，也延伸了财务诊断的服务内容。财务诊断可以从其他领域获取数据，其形成的丰富数据、资料，在法律允许的前提下，也可以提供给其他机构和个人，降低数据的交换成本，减少数据的传递失真，增加社会福利。

篇7

关键词：大数据；企业财务管理；创新；措施；研究

现在我们就处在一个大数据的时代，企业数据在量上越来越多，所以在处理和筛选的时候就遇到一定难度，但是，通过大数据，企业也可以更好的进行财务分析，无形为企业提供了一个好平台。另外，现在信息技术也比较发达，不论是财务数据还是非财务数据，企业都可以通过信息技术经营和管理，这会给企业在决策时提供依据和便利。

一、大数据对传统财务管理产生的影响

（一）数据范围的扩大

传统企业数据数量多，但是仍旧不能和现在企业产生的数据量相比较。尤其当前各行业和企业对数据的利用和保存意识正在不但提高，再大一些的企业在数据量上都达到PB、百PB和EB的级别，甚至以后还会翻倍增加，这也给财务管理带来了成本上的增加，使得效率低，同时周期变长，这些也都是数据范围扩大后带来的消极方面的影响。

（二）非财务数据愈发重要

在传统的财务管理上，最直接的依据就是财务数据，但是这对非财务数据应用的不充分，由于财务管理趋向综合化，因此，非财务数据在决策中所占据的地位越来越不可替代，是其务必要考虑的内容，争取做好财务和非财务数据相互结合使用。

（三）计量方法达不到要求

传统财务管理一般涉及的都是简单的计算以及数据模型，过程也比较单一，比如基本运算、加权平均等。加之计算数据源比较狭窄，因此结果的准确性会受到影响，还有就是很多假设前提的情况出现，使得分析的环境和企业境况不符，计算的应用性不足。

二、大数据背景下企业财务管理措施研究

（一）构建财务综合预测体系

在大数据背景下，企业财务综合预测要依据企业的财务综合分析，而且应通过以往资料和外部环境来进行分析，也要以多变量的线性回归分析方法为基础，构建企业的成本预算、经营绩效、财务危机等预警体系。其中，经营成本预测要求较苛刻，在项目分配中应当采用更科学精细的成本法，同时通过因素分析法来得出不同因素对成本的影响情况，以此实现趋势模型的构建，得出以后经营时的成本。

（二）提高财务投资决策科学合理性

数据运算和模型应用在财务的投资决策中是出现最多的，其应分析投资的资产组合影响因素，通过投资决策指标来发现投资时机，然后制定投资决策以及风险预防措施。除此之外，企业也要参考历史数据对资金组成结构、变化趋势以及使用情况进行细致分析，从多角度（市场细分、消费者爱好、替代品、竞争情况、负债）查看投资环境和变化趋势，通过多种方法（PI 法、回收期法、内含报酬率法、NPV 法）评价投资项目，综合所有因素选择最优结果。

（三）收益分配中要重视非财务指标的分析

在收益分配决策中，企业可以多利用利润表中的数据，以此构建多维分析模型，分析其中的本、利、量关系，然后结合非财务指标，熟悉并掌握经济发展周期、市场变动趋势、企业收益的影响因素、产品构成等因素，接着根据数据化信息管理系统中的分配构成实现利润分配合理化。

（四）建设筹资决策模型

筹资决策模型的建立可以很好的预测财务风险、资金需求量、资金成本等，因此，在信息化数据里管理系统中显得尤为重要。其不但要分析企业的资金结构、资金使用情况，而且更要分析行业发展（筹集资金、不同来源的资金成本变化趋势、企业资金结构、环境因素）对每股收益的影响，然后预测资金需求（利用销售百分比），通过多种方法（加权平均资本成本、EBIT - EPS）来进行研究资金使用情况、比较筹资成本等，进而做出筹资决策。

（五）通过财务监控促进营运资金流转

企业实行财务监控最终目的是为了使资金周转更快，让资金的使用率大为提高。通过监控，应该让管理者清楚企业的项目预算执行情况以及经营情况，清楚存货、应付账款、库存现金、应收账款等项目，然后对比预算，及时发现其中存在的问题，同时提出解决策略，让资金使用率得到提高。

1.监测现金预算执行情况。通过现金预算、资金使用计划监控资金使用，减少其不利影响，在这里需要注意的是，特定时候如果出现和预算不同的现金流要进行合理管控。

2.监管存货管理，分析其合理与否。企I进行存货管理的监管，目的在于分析企业存货的管理水平，通过建立信息化数据管理系统，让企业的物流管理得到实质提升。在这里，需要了解生产、销售、财务、采购等部门物流传递的顺序和时间，通过企业内控制度设置存货监控关键点。另外，也要根据存货供应商信息、存储情况、目前订单信息、采购历史记录、存货预警、调拨结果等因素监控存货。

3.加强客户信用水平管理。应收账款主要监控的是客户资信情况的管理和评估，这个得需要企业建立自己的客户评价体系，建立客户档案，通过评价标准对客户进行分层，按照不同地区和行业以及客户的应收账款账龄进行科学管理。

参考文献：

[1]何莉.大数据背景下企业财务管理的挑战与变革[J].中小企业管理与科技（中旬刊），2015，12：68.

篇8

1、企业财务预警概述

所谓财务预警，主要是指根据企业所提供的财务报表以及其他会计资料，利用金融、企业管理、市场营销等理论，对企业当前的经营状况和财务活动等工作进行全面、系统的分析预测，从而通过预测结果来发现企业发展过程中所面临的风险，并根据企业发展的实际情况，采取相应的措施规避风险，以此来避免这些风险发生而给企业带来的经济损失。就以往企业财务预警的分类来看，主要包括两种类型，即一元判别法和多元判别法。其中，一元判别法又称单变量模型，这种财务预警模型是以某个单项指标作为评判标准的预警模型，虽然能够在某些方法将企业的经营状况和财务活动反映出来，但由于评判标准存在片面性，因此，并不能全面的将财务特征的缺陷表现出来。多元判别法的出现将一元判别法的缺点进行的有效弥补，该预警模型主要是通过多元线性判别式产生判别分，并通过判别分来对企业的经营状况和财务活动进行全面分析、预测，从而得到最为全面的预测结果。但无论是一元判别法还是多元判别法，都无法突破线性判别方法的局限性，从而导致无法进行动态学习和调整。

为了更好的对企业财务预警模型进行完善，专家尝试将神经网络应用到预警模型中。所谓神经网络，是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。但是，这种方法需要大量的样本数据作为基础，一旦样本数据的数量达不到要求，那么就会直接影响到神经网络的推广能力。近年来，神经网络在企业财务预警中的应用越来越广泛，如何将其在财务预警中的作用充分发挥出来也成为了专家所面临的重大课题。

2、企业财务预警PCA―SVM模型构建与研究思路

本文所介绍的PCA―SVM模型的构建大致可以分为两个部分，即对数据进行主成分分析和利用SVM进行分类。其中，对数据进行主成分分析主要是在诸多变量中选取几个最具代表性、信息含量最丰富的变量作为主成分，然后对其进行分析并形成样本数据，这样做是为了尽可能减少数据分析时的复杂操作，从而将大量的数据简单化，从而为接下来的数据处理工作奠定基础。利用SVM进行分类实质上是一种统计学习方法，这种方法最适合小样本问题，是将空间中不可分问题通过非线性高换映射到高维线性可分的特征空间，并在此基础上进行分类。

3、实证研究及分析

为了更好的对财务预警PCA―SVM模型进行研究，本文选取了15家公司3年的财务报表和相关的会计资料作为基础数据，这些公司均为房地产公司，所要证实的内容主要包括2点：一是财务报表可以确保一定的真实性；二是以原始数据为主，可以尽可能避免不同分析方法所产生的误差。

3.1、原始比率变量分析

首先，提取主成分实现维数压缩，减小各输入值之间的相关性，在对15家公司的财务报告进行分析之后，发现整体原始数据上存在较大的冗余性，可以进行简化。同时，流动比率与速动比率之间存在较强的相关性，其他的几项指标之间也都存在着较大的相关性，比如说总资产周转率、净资产收益率和成本费用利润率等。相比之下，也有一些相关性比较弱的指标，比如说股东权益比率、存货周转率以及流动资产周转率等。

3.2、主成分选择及解释

表1所介绍的是主成分的特征值和贡献率，如果想要对表1中的5个主成分因子进行解释，就必须利用原始的财务数据，换句话说，原始数据域主成分因子之间存在着必然的联系。其中，主成分1需要由股东权益比率、主营业务利润率、成本费用利润率、净资产收益率以及总资产收益率解释；主成分2需要由流动比率、速动比率、资产负债率和负债权益比率解释；主成分3需要由负债权益比率、固定资产周转率和总资产周转率解释；主成分4需要由现金比率和主营业务毛利率解释；主成分5需要由应收账款周转率解释。

3.3、建立模型识别部分

从上文的分析我们已经得到了5个典型的数据样本，我们将主成分1到主成分5作为输入，以SVM作为模式识别工具。在实际操作中，我们以软件Maltalb6.5作为主要软件，采用SMO训练算法，结合DDAG实现多类划分。通过该实验的设计和实施，我们完成了两种分类，即二类划分和三类划分，划分的具体结果如表2和表3所示：

从表2我们能够看出，正常类样本100%正确识别，关注类样本100%正确识别，报警类测试样本被识别为关注。说明支撑向量机提取正常与关注的区别特征，并可利用这种特征进行正确的分类识别。证实了利用支撑向量机进行财务数据分类的可行性。

从表3我们能够看出，正常类样本全部正确识别；关注类样本有2个正确识别，1个误识为正常，一个误识为报警；报警类4个样本全部正确识别。由于企业样本自身分类的模糊性，关注类样本介于正常和报警类样本之间，此处测试结果在可接受范围之内。由于SVM的c类划分是由c（c一1）/2个2类SVM分类器组成，每个SVM只对其中的2类进行区别，可能出现无法正确区分的情况。

3.4、结果分析

从本文的分析我们可以得出以下结论：首先，利用SVM对提取的样本进行分类，可以有效克服以往财务预警模式在区分企业状态方法上线性判别的局限性，得到的最终结果要优于BP神经网络的结果。其次，从实验中我们也能够得知，一旦训练样本得以确定，那么BP神经网络便不能够有效提取不同类别企业的财务数据特征，从而无法实现对财务数据的有效分析和预测。最后，由于样本数量的绝对限制，PCA-SVM模型尚有一定缺陷，比如：准确率达不到100V%的正确，多类划分出现误差。但是，也可以看出，在相同样本数量条件下，多变量模型根本无法使用，BP神经网络也未能提取其分类特征，SVM在同等条件下达到的效果，也在我们可以接受的范围之内。PCA-SVM模型是将人工智能算法与传统方法结合构成新型专家系统的一次有效尝试。因此，在未来的时间里，我们需要不断对企业财务预警PCA―SVM模型进行不断优化与完善，尽可能将其尚有的缺陷弥补，从而使其作用能够在企业财务管理工作中充分发挥出来，提升企业的经济效益和社会效益。

篇9

关键词：主成分；Logistic模型；财务预警分析

中图分类号：F830.91 文献标志码：A 文章编号：1673-291X（2016）18-0073-04

引言

随着全球经济一体化进程，我国市场经济不断发展完善，上市公司之间的竞争也愈演愈烈，市场的复杂性和不可预见性使得企业一旦经营不善就可能陷入财务困境之中。从20世纪开始，全球经济出现了许多复杂情况，很多企业包括上市公司陷入了财务危机，甚至因此而导致破产。

财务危机，也称财务困境或财务失败，财务危机分为经营失败、无偿付能力、违约、破产四种情形，最终可能会导致公司破产。财务危机预警就是利用企业财务信息和相关资料，选取一些敏感性较高、有针对性的财务指标，通过建立数学模型，及时监控和预测可能出现或已经出现的财务危机。随着由于财务危机而导致破产的企业增多，财务风险管理的重要性愈发显著。财务危机预警既满足企业在日趋激烈的竞争中维持生存最基本的需要，也符合市场竞争机制的动态要求。如何做到防患于未然，预测财务风险是上市公司需要考虑的重要问题。

鉴于此，本文以食品类上市公司为例，试图通过选取能够全面反映食品上市公司经营状况和财务状况的指标（包括反映其盈利能力、营运能力、获取现金的能力、偿债能力以及发展能力）构建其财务危机预警指标体系，针对食品上市公司被实施ST前三年的财务数据，分别运用Logistic回归分析和主成分分析方法来建立财务危机预警模型，并对其判别效果进行比较分析，以期为上市公司的财务危机预警起到一定的参考作用。

一、文献综述

（一）国外的财务危机预警研究

财务危机预警研究源于 20世纪30年代，美国学者Fitzpatrick（1932）首次采用以财务比率作为预测财务危机的单变量分析方法，比较分析了健康和危机企业的财务指标。20世纪60年代，学者Beaver et al.采用统计方法，首次建立了单变量财务危机预警模型。最早的多元判别预警模型是 Altman的Z-Score模型。Sevim et al.重点对比分析了一元判断分析模型、多元判断分析模型及Logistic模型的优缺点，最终选取Logistic模型对土耳其国内的制造业上市公司的财务状况进行了动态预测。Ohlson采用多元 Logistic回归方法构造财务危机预警模型，并发现了企业当前的变现能力、资本结构、规模、业绩四个指标有明显的预测效果。后来的研究学者用人工神经网络模型以及多元概率比回归模型，也取得了较好的预测结果。

（二）国内的财务危机预警研究

国内对财务预警的研究相较国外起步比较晚。周首华、杨济华、王平利用Compustat PC Plus建立了 F 分数模型。学者于文华等收集了ST、非ST两类制造业上市公司财务数据，通过构建Logistic回归模型处理财务危机预警指标，探析了财务危机爆发主要影响指标。何妮选取非参数检验、显著性检验及因子分析等方法，构建了Logistic回归模型发现财务危机预警模型具有可实施性。章早立、何沛俐在采用Logistic 回归分析之前使用全局主成分分析，并建立了以时序立体数据空间为基础的财务危机判别模型。刘静以34家正常公司为例，利用F分数模型对财务数据进行了分析，认为F分数模型在制造业上市公司财务危机预判上精度较高。王世兰通过对现阶段的财务危机预警模型进行归纳总结，认为目前所应用的制造业上市公司财务危机预警模型可归纳为传统统计方法和人工智能两类。张健基于Logistic回归法建立了EVA财务危机预警模型，对52家上市公司的财务状况进行实证检验，但研究发现该方法只适用于短期预测。

通过上面的文献综述，可以发现财务危机预警模型还存在一些不足：一是没有考虑到财务指标之间具有的较强相关性，可能导致信息重叠，影响预警模型的稳健性。二是选取财务指标没有考虑财务信息失真的影响。上述国内外研究文献在预警方法与模型方面，多集中于Logistic或因子分析等单一预测模型的构建与使用，而对不同方法间财务危机预警精度差异的研究较少，缺乏针对制造业财务危机预警方法的探讨。

二、研究设计

（一）选择研究样本

本文中选取2011―2013年首次被实施ST的43家A股食品上市公司作为研究对象，并按照合适的比例选取同行业上市公司被实施ST资产规模相近的43家非ST公司作为配对样本。将这86家公司分为建模组和检验组： 选取2011―2012年被实施ST的32家食品上市公司和相对应的32家非ST公司作为建模组，利用Logistic回归分析和主成分分析方法建立财务危机预警模型；选取2013年被实施ST的11家食品上市公司和与之对应的11家非ST公司作为检验组，验证模型的准确度。

（二）选取财务指标

选取合适的样本之后，指标的选取成为模型预测的关键。企业在选择财务危机预警指标时，首先，应该考虑企业的实际状况选取合适财务危机预警指标。其次，选择的财务指标通常要包含能够全面反映企业财务状况和经营状况的信息，以及能否很好地反映该公司的财务危机。鉴于此，选取了包括盈利能力、营运能力、获取现金的能力、偿债能力以及发展能力几个方面的22个财务指标作为研究变量（如下表所示）。

另外，选取的反映盈余管理程度的财务指标主要有：应收账款占销售收入比率、其他应收款与流动资产比率和应收账款与流动资产比率，以及非经常性损益占利润总额比率。

（三）研究的方法

1.提取主成分。鉴于财务指标之间较强的相关性，可能导致信息重复，不利于分析和构建后续预警模型，因此克服财务指标之间的多重重复性，保留财务信息，建立有效的财务预警模型尤为重要。这里采用主成分分析方法将众多具有相关关系的财务指标变量转变为彼此不相关的较少的的综合指标。如下公式：

fi=a1x1+a2x2+…+aixi（i=1，2，…n）

2.选择模型。Logistic回归分析方法不要求因变量服从正态分布，与多元线性回归相比，这种判别分析方法更加稳健，在实际运用中也更加简便。因此，Logistic回归分析方法是处理模型中变量的常用统计分析方法，也是研究财务危机的主流方法。公式如下：

其中，p为在给定自变量xn的值的条件下事件发生的概率，ai为回归系数，a0为截距。

3.构建模型。对提取的10个财务预警指标主成分，应用 SPSS 统计分析软件进行Logistic回归分析，并剔除判别作用不显著的财务预警指标主成分F2、F6和F9，最后得到包含F1、F3和F5等7个财务预警指标主成分的预警模型。分别采用K 独立样本非参数检验和T 检验来检验因变量的均值是否具有明显差异性。检验结果显示，在α=0.05显著性水平下，有X1、X2等预警指标变量有显著性差异。

4.检验模型预测能力。由于上述样本中正常公司与出现财务危机公司比例为2∶1，所以选取 0.67 作为判别点。P≥0.67时，为正常公司，反之则为财务危机公司。利用财务危机预警模型对检验和建模样本分别进行检验，结果显示，Ⅰ类误判率（财务危机公司误判为正常公司的比率）低于15%，模型前后两次检验的准确率也均超过85%。这也证实了基于Logistic回归和主成分分析的财务危机预警模型的稳定性较强，预测能力较高，同时又可以降低误判成本。

结论

本文对食品类上市公司的财务数据和指标进行分析，利用Logistic回归方法建立了财务危机预警模型，并与利用主成分建立的财务危机预警模型分析结果进行分析比较，发现Logistic回归分析法更加适用于食品类上市公司的财务危机预警。

参考文献：

[1] Fitzpatrick P.J.A comparison of ratios of successful industrial enterprise with those of failed firms[J].Certified PublicAccountant，1932，（10）.

[2] Beaver W.H.Market price，financial ratios and the prediction of failure[J].Journal of Accounting Research，1968，（2）.

[3] Sevim C.，Oztekin A.，Bali O.et al..Developing an early warning system to predict currency crises[J].European Journal of Operational Research，2014，（3）.

[4] Tennant D.Factors impacting on whether and how businesses respond to early warning signs of financial and economic turmoil：Jamaican firms in the global crisis[J].Journal of Economics and Business，2011，（5）.

[5] Koyuncugil S.，Ozgulbas N..Financial early warning system model and data mining application for risk detection[J].Expert Systemswith Applications，2012，（6）.

[6] 周首华，杨济华，王平.论财务危机的预警分析――F分数[J].会计研究，1996，（8）.

篇10

一、系统综述

对于财务风险一直以来就有专家学者希望采用定量分析建立模型等方法进行企业财务预警，一般财务预警系统可以分为单变量型系统和多变量型系统两种。根据油气田企业财务管理受到国家的经济形势和企业本身的经营特点的影响，其经营业绩比较突出，同时油气田企业投资巨大，企业在经营过程中也面临着各种风险的威胁，在建立财务预警过程中应综合考虑。所以，油气田企业应建立以多变量的预警系统为主，单变量预警为辅的财务预警系统。

此外，预警系统的功能和结构应根据实际情况的变化而进行更新。

二、财务预警系统的结构

第一，指标系统，是指按对油气田企业财务危机的灵敏度强弱构成的系统，它是信息系统所需信息的生成器。根据各种财务预警比率（偿债能力分析比率、资产管理效率分析指标、盈利能力指标、成长能力比率和现金流量比率），设计报警的基本指标5个，辅助指标10个。其中基本指标包括资产负债率、现金比率、总资产周转率、净资产收益率、主营业务收入增长率，辅助指标包括流动比率、速动比率、营运资本、已获利息倍数、固定资产周转率、主营业务净利率、净利润增长率、总资产扩张率、到期债务本息偿付比率、经营活动净现金比率，每一个指标只反映了油气田企业风险程度的某一个方面。

第二，判断是否发出警报系统，是指把财务数据经过计算，加工成财务指标代入指标系统生成初级财务警报的系统，根据它可判断出是否进行财务危机的进一步预测工作，即发出绿色警报终止预测，发出其他颜色警报时作进一步预测。

1、黄色警报

（1）当资产负债率没有突破警戒线，而其它四个主要预警指标（流动比率、总资产周转率、净资产收益率、主营业务收入增长率）中有一项突破警戒线时。

（2）当5个主要预警指标均未突破警戒线，而辅助指标中有5个指标以上者突破警戒线时。

（3）虽然5个主要预警指标未突破警戒线，但有6个以上指标的数值接近警戒线时。

2、橙色警报

（1）资产负债率一旦突破警戒线时。

（2）当5个主要指标中，虽然资产负债率未突破警戒线，但其余4个指标中有3个以上突破警戒线时。

（3）当5个主要指标中，虽然资产负债率未突破警戒线，但其余4个指标中有1个以上突破警戒线，且辅助指标中有5项以上指标突破警戒线时。

（4）5个指标全部接近警戒线时。

3、红色警报

（1）当5个主要预警指标均突破警戒线时。

（2）当主要指标中的资产负债率、总资产周转率这两个指标突破警戒线，且辅助指标中的总资产利润率也突破了警戒线时。

（3）当资产负债率突破了80%时（不论其它指标情况如何）。

4、其他情况，发出绿色警报

第三，预测系统，是指经信息系统的初步判断后认为有必要作进一步的预测的系统。

第四，确定警报等级系统，是指根据预测系统输出的信号发出相应级别的警报的系统。该系统发出的警报是油气田企业财务预警管理系统对油气田企业财务状况的最后判断。它将Z值分为若干区间，在有些区间内发出不同程度的警报，而在另一些区间内（安全区）则不发出警报。预警界限的确定一般可设定三个数值，称为“检查值”。以这三个检查值为界线，确定四个预警区间，由这四个预警区间确定“红灯”、“橙灯”、“黄灯”、“绿灯”四种信号。

三、建立财务预警系统的工作流程

具体流程见下图。将要测定的油气田企业的财务数据输入指标系统，产生指标值，并将相应指标值带入判断是否发出警报系统判断是否进入预测系统，进入预测系统后使用Z记分模型计算Z值，进入确定警报等级系统后确定警报等级，将确定的警报等级送交有关部门。

四、油气田企业财务预警管理系统的组织机构

油气田企业财务预警管理系统要发挥其特殊的警报、矫正与免疫的功效，必须将预警功能有机地结合于传统的财务管理职能系统之内。

（一）油气田企业财务预警管理系统的职能分配

从油气田企业组织体系的功能分工与运行效率角度考虑，企业组织的功能系统应包含三大职能类：战略管理类、执行管理类、预警管理类。这三类职能之间是一种循环往复的职能转换过程，它们相互制约并有机联系在一起，可以发生转化。

企业财务管理系统的职能部门在财务预警管理系统置入后，对这些部门的职能重新进行了划分，并增加了新的预警管理部门。各部分的职能分配见下表。

在财务预警管理系统中，财务部门由会计核算科、筹资管理科、投资管理科、资产管理科和综合运营科五个职能科室组成。会计核算科负责财务会计核算、管理会计核算、成本费用核算、税务核算申报的管理监控。筹资管理科负责对各种筹资方式（包括吸收直接投资、股票筹资、债券筹资、银行借款、融资租赁和商业信用）及其带来的资本成本和风险的监控。投资管理科负责对各种投资形式进行可行性分析，并对其可能遇到的各种风险进行监控。资产管理科负责对各类流动资产、固定资产、无形资产的运营状态及效率进行监控。综合管理科负责财务制度的建立健全，财务计划的制定，监控财务预算的落实，强化油气田企业财务会计人员的业务技能，搜集整理各种企业内部财务数据信息，进行财务分析评价，及时将企业的财务运营状况反馈给决策层，对油气田企业所有财务活动给予指导、协调、处理。审计部的职责不仅仅是内部经济审计，其职责扩充，集政策研究、战略评价、预警监控等重要职能于一身，在整个财务预警监控系统中起着“业务中心”的作用。新设的预警部负责监测收集可能对油气田企业财务活动成果造成直接或间接影响的企业内外部信息，及时对企业的财务管理风险进行监测、诊断、矫正及采取对策。危机管理部，是在油气田企业遭受重大打击的危机状态下设置的临时性指挥机构，它是审计室和预警部在特别状态下的职能扩充。

（二）油气田企业财务预警管理系统的组织结构

财务预警管理系统进入油气田企业组织机构，导致了原有组织结构的调整与职能重组。根据其职能分配与运转模式，将油气田企业财务预警管理组织结构表示如下图。

由图可见，财务预警组织结构可分为日常执行监测部门和预警管理部门两个部分。日常执行监测部门除了履行执行管理的主要职能外，还从事着其职能范围内的日常监测工作，并将各种信息反馈到预警部。在预警管理部门中，除危机管理部履行多重职能外，审计部和预警部主要履行预警预控职能。

危机管理是一种例外性质的管理。油气田企业财务系统中的危机主要表现为技术性清算或因资不抵债而濒临破产边缘，造成整个财务系统陷入混乱乃至整体瘫痪。一旦企业局势恢复到可控状态，危机管理即告完成。图中用双箭头表示危机管理的特别介入方式。