毕业设计（论文）-基于多元统计分析的上市公司财务危机预警模型的研究.doc

基于多元统计分析的上市公司财务危机预警模型的研究the research on the financial affairs crisis early warning model of corporations in stock market based on multivariate statistics analysis基于多元统计分析的上市公司财务危机预警模型的研究摘要:本文主要针对我国上市公司,利用其公开披露的年报财务信息和数据,分别运用判别分析法和主成分分析法等多元统计分析方法进行实证分析,使用spss 统计分析软件,并根据回归分析方法构建模型，对财务危机状况进行预测分析。通过建立多变量预测模型进行企业财务危机预警，可以预先发现将有可能出现的财务危机。关键词：多元统计；上市公司； 财务危机； 危机预警引言近年来我国证券市场规模日益扩大，上市公司已经达1000多家，股票已经成为机构投资者和个人投资者重要的投资方式。但从整体看，部分上市公司经营业绩差，面临严重的财务困难。对投资者及社会的波及不可小看。 本文认为，由于我国现有制度还不健全，会计数据的信息有效性不足，所以本文比较倾向于将财务危机定义为一个企业的现金流不足以支付企业到期的债务。从这个角度将陷入财务危机的企业可能是亏损企业也可能是盈利企业，企业在资本快速扩张的时候往往容易忽视潜在的财务风险。因此使用在客观、公允基础上披露的上市公司财务报告，通过构造合理的预测模型，获得财务状况严重恶化的上市公司的预警信号，具有现实意义。运用财务预警模型，投资者可以及时采取措施减少损失；企业管理当局可以找出本企业经营活动中存在的问题，及时调整经营战略，预防企业经营状况恶化；政府可以改善宏观配置计划，更有效的实施宏观调控。 财务预警研究中面临的一个重要问题， 就是如何处理数量繁多的财务指标。希望在减少指标个数的同时，既能解决指标间相关性问题，也能最大限度保留原有指标所含有的信息。这时，判别分析法和主成分分析法是较好的选择。一、基本分析思想和研究方法现实情况及国外的研究表明,行业的不同使得财务危机预警模型包含的财务指标及其参数也不同,所以应采用不同的模型来进行研究和分析。因而针对我国上市公司运用多元统计分析方法进行多变量模式的实证分析,以期提高模型的针对性、实用性和可操作性。二、运用判别分析进行财务危机预警的实证分析多元判别分析是一种统计技术，它通过一组自变量的线性组合来判断一个对象属于两个或多个互相排斥的类别的概率。其目的是对分类变量进行预测。在多元判别中必须确定哪些变量与目标函数被归为某一类别的概率具有相关关系，并且需要明确每个变量与目标函数的相关程度。多元判别分析的关键是在预测方程中选择合适的判别变量，以使函数的因变量以较高的准确性被归类。（一）判别分析的基本方法在判别分析中最常采用的fisher 线性判别函数,其一般形式为: = （）。其中,是判别组数,是判别分数或判别值; 是因变量或预测变量; 是各变量的系数,即判别系数;是函数中的常数。建立判别函数的方法主要有两种: (1) 全模型法。是指将全部变量作为判别函数的因变量。(2) 逐步选择法。是一种选择最能反映类间差异的变量子集,建立判别函数的方法。它将对模型的判别贡献最大的变量加入到模型中,同时将对判别贡献不太显著的变量从模型中去掉,直到模型中所有变量全都符合引入模型的条件,而模型外的所有变量都不符合引入模型的条件为止。（二）判别分析的基本步骤(1) 选择因变量及组变量。(2) 计算各组单变量的描述统计量,包括组内平均值、组内标准差、总平均值、总标准差、各组协方差矩阵、组间相关矩阵,并对组间平均值相等及协方差矩阵相等的零假设进行检验。(3) 推导判别系数,进行检验。(4) 根据判别系数建立fisher 线性判别模型。(5) 进行判别分组,根据bayes 准则或fisher 准则进行判别分组。(6) 进行样本判别分析,计算分类准确率。(7) 输出结果,并结合研究对象的实际情况进行分析和作出结论。（三）判别分析的实证分析首先，运用判别分析构造预警分析模型。在利用判别分析法构建判别函数之前,首先需要将研究对象分类。根据我国家电业各上市公司2006 年的各项财务指标,利用多元统计分析中的聚类分析方法将家电业上市公司按财务状况科学地分为三类,以此作为判别分析的基础。1、建立判别模型的主要方法。由于本文建立判别模型的样本变量多达28个,显然不能使用全模型法将其全部纳入判别函数中,因此采用逐步分析法来剔除显著性不重要的变量,这也将会简化模型和提高判别效率。具体的判别分析方法: 采用系统默认的wilkslambda ,即每步都是wilk 的统计量最小的进入判别函数; 逐步判别停止的判据采用f 值,当加入一个变量(或剔除一个变量) 后,对在判别函数中的变量进行方差分析; 为了能够直接用于对新样本进行判别分类,采用未经标准化的fisher 系数; 在选择要求给出的自变量系数矩阵时,采用组内相关矩阵,即计算相关矩阵之前,将各组(类) 协方差矩阵平均后,计算类内相关矩阵; 分类参数中的先验概率采用各类先验概率相等; 分类使用的协方差矩阵采用within - groups ,即使用合并组内协方差矩阵。2、模型建立的检验。为了对判别函数的有效性进行检验,应采用统计检验量对模型进行统计检验显著性检验,以判断该判别函数能否将三类很好地分开。（1）变量在不同类中均值相等的检验。表1 变量均值检验财务指标wilks值f值自由度1自由度2显著性水平净资产收益率0.47110.1522270.0005资产收益率0.5228.2212270.0016应收账款周转率0.8870.1792270.2372总资产周转率0.6843.7222270.0374主营业务收入增长率0.41812.5602270.0001每股经营现金净流量0.5098.6772270.0012当值为1 时,各组均值相等,表中6个变量的值均小于1 ,表明各组均值不等;6个变量中除应收账款周转率外,显著性水平均小于0.05 ,因此可以拒绝各组均值相等的零假设,即在0.05的显著性水平下6个变量中有5个变量的均值有显著差异,可进行判别分析。（2）方差- 协方差阵相等的检验。检验统计量是boxs m ,检验结果见表2 。表2 方差boxs m 检验表boxs m211.218fapprox. (渐近)7.417 df1 (自由度1)21 df2 (自由度2)2062.047 sig. (显著性水平)0.000在0.000的显著性水平上拒绝总体协方差阵相等的零假设,即各分类的方差和协方差不相等。（3）拟合优度检验。采用wilks统计量来检验各组判别函数的均值是否相等,即对函数有效性的检验。表3 拟合优度检验测试函数wilks值chi-square自由度显著性水平1到20.002150.019120.00020.36025.0035 0.000表3中是对构建的两个典则判别函数的检验,在0.000的显著性水平上,拒绝各组判别函数的均值相等的零假设,即认为该判别函数能较好地将三类区分开,也即是两个典则判别函数都有统计学意义。通过上述对模型建立的统计量检验,可以认为所建立的判别函数在统计上是有效的。在此基础上,方可具体写出判别分析的模型结果,否则所建立的模型是无效的。3、建立判别模型的结果。计算出典则(canonical) 判定函数系数值可构造出典则判定函数。典则函数是以典则变量代替原始变量而构造的函数,典则变量是原始变量的线性组合。用少量的典则变量代替原始的多个变量可以比较方便地描述各类之间的关系。但使用典则函数较为繁琐,而采用bayes准则构造出的fisher 判别函数就可以用原始变量直接进行判别。表4 费雪线性判别函数系数表财务指标类别非财务危机中间状态财务危机净资产收益率2.27312.182-774.553资产收益率3735-45.9001722.380应收账款周转率-0.1740.0104.485总资产周转率7.0265.250-146.593主营业务收入增长率-0.276-0.87867.021每股经营现金净流量2.374-2.08850.065（常数）-4.350-2.897-1161.220表4 即是所得到的费雪(fisher) 线性判别函数的系数,逐步判别分析的结果,从27个指标(变量) 中剔除重要性较小的指标,得出了包含6个变量的fisher线性判别函数模型,由于本文是将样本分为三类,在判别分析中需对这三组进行两两对比分析,故判别模型函数为三个。这三个函数的表达式如下:y1 = 2.273 x1 + 3.735 x2 - 0.174 x3 + 7.026 x4 - 0.276 x5 + 2.374 x6 - 4.350y2 = 12.182 x1 - 45.9 x2 + 0 01029 x3 + 5.25 x4 - 0.878 x5 2.088 x6 - 2.897y3 = - 774.553 x1 + 1722.38 x2 + 4.485 x3 - 146.593 x4 + 67.021 x5 + 50.065 x6 - 1161.22其中, 分别表示非财务危机组、中间状态组、财务危机组的函数判别值;分别代表净资产收益率、资产净利率、应收账款周转率、总资产周转率、主营业务收入增长率、每股经营现金净流量。从模型中的6个变量来看,影响我国家电业上市财务状况的指标主要是反映盈利能力的净资产收益率和资产净利率;反映资产管理能力的应收账款周转率和总资产周转率;反映成长能力的主营业务收入增长率;反映获得现金能力的每股经营现金净流量。其中反映盈利能力的指标有两个,占模型变量的三分之一,这说明,对我国家电业上市公司来说,盈利能力显得尤为重要。从财务敏感性分析可知,对企业利润反应最敏感的因素是价格,我国家电企业空前激烈的价格战必然严重影响企业的盈利能力,进而影响企业的现金能力、偿债能力、资产周转能力等。 模型中反映资产管理能力的两个指标不仅反映了企业资产的流动性,也反映了企业资产的变现能力,资产的流动性和变现能力差,表明企业的销售不佳或现金回收能力不强,以及资产的利用效率不高。主营业务收入增长率也是一个很重要的指标,企业要想夺取市场份额以生存和发展下去,必须千方百计的增加销售收入,但另一方面,一味追求增加销售收入,行业内企业之间不惜血本大打恶性价格战,必然会严重影响企业的盈利能力。总之,模型中的六个变量从不同角度较好地反映了对我国家电业上市公司来说最重要的几个财务指标。由于盈利能力欠佳、资产周转速度慢,尤其是应收账款回收慢,以及销售收入增长幅度小,经营现金流的短缺,极易导致财务危机的发生,最终影响企业的生存,这在我国家电业公司中已等到了印证。比如四川长虹努力加大技术研发和产品创新的力度,大力开拓国外市场,取得了较好的业绩,而高路华、乐华等则出现了极其严重的财务危机,一些实力较强家电企业的财务状况也大幅下滑,2006年康佳出现了近7个亿的巨亏,科龙的亏损额更是高达15. 56 亿元。其次，判别模型使用效果的检验。判别模型建立以后,必须确定判别规则。本文是采用贝叶斯(bayes)准则构造出的fisher判别函数,贝叶斯判别准则在本文中具体为:将每一企业的6个财务指标分别代入上述模型中的3个判别函数中,计算出每一企业的3个判别函数值,以其最大值作为归类的标准,即得分最高的一类就是该企业相应的类别。如,四川长虹2005年的3个函数值分别为: ,其中的最大值为,则四川长虹属于非财务危机公司。对于判别分析,最重要的是建立的判别函数用来进行判别时准确度如何。判别函数效果的验证方法主要有:自身验证、外部数据验证、样本二分法、交互验证、bootstrap 法等。(1) 自身验证。自身验证是将构造函数所使用的样本依次代入判别函数,以判断模型的效果。自身验证的结果见表5 。表5 自身验证结果表 类别非财务危机中间状态财务危机原始值计数非财务危机120012中间状态115016财务危机0022验证百分比非财务危机10000100中间状态6.393.80100财务危机00100100总体分类正确率为96.7%从表中可看出,判别分析的结果为,12个非财务危机公司的分类全部正确,分类正确率为100%;16个中间状态公司中只有1个被错分为非财务危机公司,分类正确率为93.75%;2个财务危机公司的分类正确率为100%。总体分类正确率为96.7% ,由此可见,模型的判别能力较好。(2) 交互验证。交互验证是近年来逐渐发展起来的一种非常重要的判别效果验证技术。具体方法就是在建立判别函数时依次从每一类中去掉一例,然后用建立起来的判别函数对该例进行判别,这种方法可以非常有效地避免强影响点的干扰。 表6 交互验证结果表类别预测组总体非财务危机中间状态财务危机交互验证计数非财务危机111012中间状态115016财务危机1102验证百分比非财务危机91.78.30100.0中间状态6.393.80100.0财务危机50.050.00100.0总的判定率为86.7%从交互验证的结果(表6)中可知,对非财务危机组、中间状态组、财务危机组的预测正确率分别为91.7%、93.8 %、0% ,总的判定正确率为86.7%。对财务危机组全部未预测正确的原因是该组的样本量较少(只有两家企业) ,这影响了该组和总体的预测效果。(3) 外部数据回代验证。判别函数建立完成后,重新再收集一部分样本数据,用判别函数进判别,检验判别效果,这称为外部数据回代验证。由于2005年和2004年的数据与2006年的数据一样,都是取自我国家电业上市公司近几年的财务数据,样本的同质性较强,因而采用这种验证方法较为可行。表7 2005 年和2004年的判别预测结果预测组2005年2004年非财务危机中间状态财务危机合计非财务危机中间状态财务危机合计原始组公司数非财务危机120012100010中间状态115016610016财务危机011 21102百分比（%）非财务危机100.000100.002700100.00中间状态6.393.80100.002762.50100.00财务危机050.050.0100.002750.00.0100.00从表7可知,对2005 年的预测结果为:对12个非财务危机公司全部正确预测,正确率100%;对16个中间状态公司正确预测出了15个,只有1个被预测为非财务危机公司,正确率为93.8%;对2个财务危机公司正确预测出了1个,另一个被预测为中间状态公司,正确率为50%;对全部30个公司正确预测出了28个,正确率为93.3%。对2004年的预测结果为:对10个非财务危机公司全部正确预测,正确率为100%;对16个中间状态公司正确预测出了10个,有6个被预测为非财务危机公司,正确率为62.5%;对2个财务危机公司全部未正确预测出,一个被预测为非财务危机公司,另一个被预测为中间状态公司,正确率为0%;对全部28个公司正确预测出了20个,正确率为71.4%。表8 预测模型检验结果总结2006年2005年2004年测试样本数303028检测正确数292820检测正确率96.7%93.3%71.4%误判率3.3%6.7%28.6%综上所述,从三年的预测效果来看(表8) ,模型的预测准确率在3年中呈下降趋势,离建立模型年度越近,预测的精度越高,这也符合预测期限越近预测效果越好的客观规律。需说明的是,由于近年国家对会计准则进行了大幅调整,加之2004年的样本数只有28个,样本容量较小也会导致预测精度降低。另外,2004年我国家电业竞争空前激烈,各家电企业的财务状况变化较大,而且对2004年的预测属于远期预测,这些都影响了2004年的预测准确率。从以上可以看出,利用判别分析建立预警模型,以判别值进行判别分析的预警效果并不能达到理想程度,即使财务危机第一年的正确率为96.7% ,但也有3.3%的误判率,并且预测年度越远准确度越差。这说明仅凭一个判别值的大小并不能完全准确判断出一个企业的财务状况。影响判别正确率的因素有:样本量的大小;原始样本分类(分组) 的合理性;样本指标的相似性(或离差程度) ;不同年份财务状况的变动程度等等。基于以上考虑,再辅之以主成份分析对我国家电业上市公司进行综合评价,以各公司的综合财务评分进行排序,以其在本行业中的相对地位来判断分析其财务状况,借以分析企业出现财务危机的可能性,以此来弥补判别分析的不足。三、运用主成分分析进行财务危机预警的实证分析主成分分析就是设法将原来指标重新组合成一组新的互相无关的几个综合指标来代替原来指标，同时根据实际需要从中可取几个较少的综合指标，尽可能多反映原来指标的信息。在市场研究中，常常利用主成分分析方法分析顾客的偏好和当前市场的产品与顾客之间的差别，从而提供给生产企业新产品开发方向的信息。(一) 样本的选择从理论角度探讨， 应对每个行业都建立自己的财务预警模型 但考虑到样本量问题， 如果样本量过少会降低模型精度， 而且逐个行业建立预警模型工作量大且成本过高， 因此希望将财务特征比较相似的行业进行合并后再建立预警模型， 这样既解决了样本量不足的问题， 又减少了工作量。进行选样过程中，抽样方法的选择往往对实证研究的结果也有一定的影响。一般学者选择的抽样方法主要有两种：一是随机抽样；二是beaver（1965）首创的对应样本法，这两种方法的实证研究结果没有统计上的显著差异，且多数学者第二种方法构建样本，故本研究亦过去研究的经验决定采用12的配对样本法。 本文以上海和深圳的证券交易所的上市公司为研究对象，以其2001年、2002年、2003年的财务数据为分析依据。先选取30家被st的上市公司作为危机企业的一组样本，并按照行业分类标准进行编号分类。再对危机企业样本的每一个企业，按照行业相同、业务范围或资产规模相同或相近的原则在上述非危机企业之外的企业中选取60家配对的企业，作为一组非危机企业的样本。 样本数据来源于股票市场研究（csmar）数据库和中国上市公司资料库。主要运用统计分析软件spss13.0和excel 2000来进行数据处理和建立预警模型。 （二）财务指标的选择财务指标的选择是财务危机预警研究中一项极其重要的环节，它严重的影响财务危机预警模型的设计及预警的性能。对企业来说，预警指标选择的好，财务危机预警模型就能真正起到预知危机并采取措施防范危机的作用；指标选的不好，则财务危机预警就形同虚设，起不到防范于未然的作用。为了客观的描述上市公司的财务状况，本文参考了国内外在以往财务危机预警研究中所采用的财务指标并结合我国的财务管理的实际，选取27个指标作为研究中使用的初始指标，并依其特性分成五组。 1、盈利能力指标：资产净利润率（）、成本费用利润率（）、总资产报酬率（）、净资产报酬率（）、每股净利润（）、销售净利润率（）、主营业务利润率（）。 2、营运能力指标：应收账款周转率（）、存货周转率（）、总资产周转率（）、流动资产周转率（）。 3、偿债能力指标：流动比率（）、资产负债率（）、流动负债对总负债比率（）、速动比率（）、负债股权比率（）、利息保障倍数（）。 4、发展能力指标：每股收益增长率（）、主营业务收入增长率（）、净资产增长率（）、固定资产总额（）、总资产增长率（）、留成利润比率（）。 5、现金流量指标：销售现金比率（）、净收益营运指数（）、现金负债比率（）、每股营业现金流量（）。 财务指标选择基本任务是如何从初选的指标中找出那些最有效的财务指标作为模型的解释变量。一方面在财务危机预警研究中如果选用的指标不合适就会直接影响预警模型的效果；另一反面，根据统计模型识别理论，在样本数不是很多的情况下，用很多的变量进行模型的设计，无论从的复杂程度还是模型的性能来看都不合适。因为过多的指标可能存在多重共线性问题，从而降低模型的预测能力。因此研究如何通过科学合理地理论和实证分析把变量有效的进行压缩筛选以便更有效的设计模型是一项重要的研究。 在以往的财务危机预警的研究中，财务指标的选择缺乏理论根据，altman（1968）等学者使用常规财务指标作为预测模型的变量，boritz（1999）区分出65个之多的财务指标，但是自z模型（1968）发明后，还未出现更好的使用财务指标于预测模型的。针对在财务危机预警中财务指标选择的无序性，本文采用统计分析方法中显著性检验方法（t检验）对财务指标进行初次筛选。 利用收集的样本数据资料对危机企业被st前一年的数据进行显著性检验的结果如表1所示。表1 初始指标的t检验表（取前18个）财务指标t值显著性概率资产净利润率（x1）-3.3830.000 成本费用利润率（x2）-7.9910.004 总资产报酬率（x3）-5.5740.060 净资产报酬率（x4）-3.6720.000 每股净利润（x5）-7.7360.021 销售净利润率（x6）-4.6900.323 主营业务利润率（x7）-1.1980.082 应收账款周转率（x8）1.3820.054 存货周转率（x9）0.9850.163 总资产周转率（x10）-3.1340.066 流动资产周转率（x11）-3.8000.097 流动比率(x12)-1.7980.000 资产负债率（x13）2.0650.048 流动负债对总负债比率（x14）-1.5730.549 速动比率(x15)-0.8740.025 负债股权比率（x16）-1.7600.081 利息保障倍数（x17）0.4970.009 每股收益增长率（x18）-1.7600.084 从t检验的结果可以看出来，在危机发生的前一年有11个财务指标通过了显著性检验（以0.05为显著性水平），即、。因此我们以这11个指标作为第一次筛选的入选变量，以引入预警模型。 （三）利用主成分分析方法进行主成分分析。通过显著性检验，筛选出11个指标作为建模初选变量，然而这些变量彼此之间存在一定的相关性，因而使得所观测到的数据在一定程度上反映的信息有所重叠。而且变量较多时，在高维空间研究样本比较复杂，势必增加研究问题的复杂性。因此本文利用主成分分析法进行第二次筛选，剔出其中相关性较强的指标，以使模型更加精简。而主成分就是考察从多个变量中提取较少的综合变量，而这几个较少的综合变量又能尽可能多的反映原来变量的信息，并且彼此之间互不相关的一种降维的多元统计方法，此法不受变量多少的影响，又不同于回归分析法及聚类分析法，因而确定吸收原来所有指标的总信息量最多的第一主成分，其次为第二主成分。若有n个指标则可得到n个主成分，但只有贡献率大的前面几个主成分有说明的意义。主成分分析法的步骤如下： 1、对财务指标的观测值进行标准化处理。因为不同的财务指标变量有不同的量纲，而通过来求主成分总是优先考虑方差大的变量，有时会造成很不合理的结果，为了消除由于量纲的不同而带来的一些不合理的影响，将对收集的原始数据进行标准化处理，使其平均为零，方差取1。 2、利用标准化的数据指标间相关系数矩阵r。 3、按其相关矩阵计算求解相关系数矩阵的特征值和特征向量、贡献率及累积贡献率。 4、财务危机预警模型的建立。对90家上市公司的样本分别计算上述11个指标的值。然后利用spss软件将样本原始数据进行标准化处理，再计算主成分的特征值和贡献率。本文按特征值由大到小排序选取前八个成分，如表2。表2 主成分特征值与贡献率表componentdifferencevariance(%)cumulative(%)10.897620.3720.3720.808718.5338.930.631715.0853.9840.501712.666.5850.421610.1476.7260.22839.3886.170.14357.0593.1580.10254.2597.4从表2中可以看出，前六个主成分对总体变量的累积贡献率为86.1%，按照86.1%的累积贡献率取得六个主成分便基本上可以反应原来11个指标所包含的全部信息。为了对这六个主成分因子进行解释，本文使用正交旋转法中最大方差法进行转换建立因子载荷矩阵，如表3。通过旋转后各因子在各指标上的负荷量呈明显的两极分化趋势，一边趋近1，一边趋近0。根据因子载荷矩阵说明各因子在各个变量上的负载，即影响程度。在主成分分析中，一般认为绝对值大于0.3的负荷就是显著的。我们把计算结果中负荷值大于0.3的变量界定为与主成分显著相关的变量。第一个主成分z1中，x1和x4的因子载荷量远大于其他因子的载荷量，z1主要包含了前三个盈利指标的信息，反应了公司的盈利情况，说明公司的盈利能力是一个重要的指标。说明持有资产的持续报酬率越高，企业发生财务危机的可能性就越小。同理z2主要由资产负债比指标解释，故其表示的是企业的偿债能力。主成分z3中的支配变量为总资产增长率，因此主成分z3可以解释为成长因子。 表3 因子载荷矩阵资产净利润率（x1）0.825-0.379-0.1340.0530.0550.028成本费用利润率（x2）0.467 -0.096 -0.038 -0.2460.060.044净资产报酬率（x4）0.802 -0.861 -0.157 -0.17-0.362-0.728流动比率(x12)-0.557 0.792 -0.142 -0.094-0.0310.924资产负债率（x13）0.209 0.618 -0.259 -0.04-0.2910.023速动比率(x15)0.308 0.042 -0.142 -0.734-0.030.416利息保障倍数（x17）-0.320 0.604 0.367 -0.2290.057-0.508主营业务收入增长率（x19）0.752 0.208 0.361 -0.030.193-0.024总资产增长率（x22）0.410 0.0650.7750.1880.7820.163留成利润比率（x23）0.445 0.1340.1630.7830.0030.223每股营业现金流量（x27）0.209 0.5040.0860.0070.065-0.001在建立模型前，需要先对财务指标变量分配进行常态性检验，以w统计量进行常态性检验，其检定常态假设之准则为：若w以主成份分析中所选取的六个主成分作为解释变量，进行多元线性回归分析，以构建财务危机预警模型。spss 已经计算出六个主成分的分值，以六个主成分对应的贡献率为权数即可构造公司财务状况综合指标f： 根据表2的数据可得： 将样本中财务危机发生前两年的数据带入上式，得到st和非st公司的平均f值分别为0.128和0.404，如果取其平均数0.266为模型判别的临界值。若f值小于0.266则说明公司为财务危机公司，否则为财务安全公司。若f值等于0.266则说明公司的财务状况不够乐观，为了谨慎起见也将其归入财务危机公司。 对模型进行拟合优度检验，其模拟适合度检定之p值为0.02，小于显著水准0.05，表示整体估计的样本方程很好的拟合了样本观测。利用模型对2003年进行财务危机预测，将30家危机企业（st）的样本代入模式中以计算f值，再分界点为0.5时，只有五家判断失误，精度达到了83.3%。 （四） 研究的局限性1、数据的局限。本文的研究对象是上市公司，而上市公司公开的财务数据存在不同程度的虚假或操纵等行为，财务数据的真实可靠性值得注意。再者我国证券市场的较短，因此，样本的代表性受到一定程度的限制。 2、财务指标的局限。本文由于资料有限，在预警指标的选择上未能考虑非财务指标，因为财务指标以外的一些因素也影响危机预警模型的效果。 3、研究范围的限制。本文的研究对象是上市公司，而由于上市公司存在行业规模的差别，不同的公司财务状况也有着不同的特点，财务指标的选择及模型的建立只能体现普遍性。 四、结语本文研究的目的:首先,希望改变目前仅有国有资本金绩效评价体系,缺乏上市公司全面财务分析体系,财务指标分析体系零散混乱,盲目照搬国外财务分析体系的状况,采取全面有效的、适应国内企业的财务预警分析体系,预防和减少财务危机带来的成本和损失,促进企业经济的健康、稳定和持续发展。其次,首次在我国运用财务危机预警的方法,专门针对上市公司的评价,改变目前我国对上市公司的财务危机研究尚停留在针对所有上市公司而对行业特点不加区别的宏观层面上,以引起大家对专门行业进行财务危机预警研究和应用的重视,使财务危机预警更具实用性和针对性。本文研究的结论是利用以上财务危机预警体系,企业可以预先发现将有可能出现的财务危机,在洞察出财务危机的先兆和现状后,企业必须采取措施以避免、缓解乃至化解财务危机。随着我国上市公司的增多,资本市场的逐步规范和完善,财务信息质量的提高,建立的模型会更准确有效,从而更好地起到财务危机预警的作用。参考文献1 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) :46 - 55.2 薛薇. 统计分析与spss 的应用m. 北京:中国人民大学出版社,2001.3 郭鹏飞、杨朝军， 中国上市公司财务比率行业差异实证研究，金融研究，2003 (3 )：35-39.4 陈静. 上市公司财务恶化预测的实证分析j. 会计研究,1999 , (4) :36 - 38.5 姜秀华,任强,孙铮. 上市公司财务危机模型研究j. 预测,2002 , (3) :56 - 61.6何晓群应用多元统计分析m中国人民大学出版社2008067郭复初著公司高级财务上海上海立信出版社，200