毕业论文-我国上市公司财务危机预警研究-引入CVA指标

-62-东北大学毕业设计（论文）第5章结论与展望东北大学毕业设计（论文）参考文献

参考文献ErikOttosson，Atooltoevaluationinvestmentdecisions，TheDynamicsofGroth,2002。FmdrikWsissenrleder，EconomicsValueAddedorCashValueAdded,GothenburgStudiesinFinancialEconomies，StudyNo1997ErikOttossonAndFredrikWeissenrleder．CVA--anewmethodformeasuringfinancialperformance，GothenburgStudiesinFinancialEconomics。StudyNo1996(1)．HeidariM．，NoraveshI．．ThereviewofinformationcontentofCashValueAdded(CVA)inrelationtoannualstockreturn：ComparativeAnalysiswithOperatingProfit(OP)andOperatingCashFlow(OCF)inTSE，mehdiaccountant@,2003BlackF．andScholesM．.ThePricingofOptionsandCorporateLiabilities，JournalofPoliticalEconomy，1973，5汪平．财务评估论一现金流与企业价值研究[M]，上海财大出版社，2000李延喜，李宁等．评价企业战略价值的现金增加值模型川，中国软科学，2003，11：78-92魏琴，吴迅．现金增加值CVA理论的理念体系[J]，价值工程，2004，5：21-23李佳洋，李刚．CVA--企业价值管理新理念叽，价值工程，2005，4：61-63韩洁．评价企业价值增加的现金增加值模型分析四，经济理论与经济管理，2005，韩洁．评价企业价值增加的现金增加值模型分析，经济理论与经济管理，2005，12：60-64李延喜，郭晓杨．CVA还是EVA：企业业绩评价方法的选择，大连理工大学学报，2003，9：37-43高培业，张道奎：企业失败判别模型实证研究2000(10)张鸣;张艳财务困境预测的实证研究与述评[期刊论文]-财经研究2001(12)陈功．试谈企业财务预警系统的构建．华东经济管理．2000，5：83-84；张玲．财务危机预警分析判别模型．数量经济技术经济研究．2000，3：49-5l；黄岩、李元旭．上市公司财务失败预测实证研究．系统工程理论方法应用．2000，1：45-5l；张友棠，唐惠贤，黄辉．现代财务理论及其在财务预警中的应用研究．武汉理工大学学报．200I，2：7-80：陈静．上市公司财务恶化预测模型的实证研究．会计研究．1999，4：31-38：张爱民，祝春山，许丹健．上市公司财务失败的主成分预测模型及其实证研究．金融研究．2001，3：10-25：吴世农，卢贤义．我国上市公司财务困境的预测模型研究．经济研究．2001，6：46-55：胡汝银.中国上市公司成败实证研究[M].上海:复旦大学出版社,2003.崔晓玲.我国上市公司财务危机预警模型的研究[J].中国优秀博硕学位论文全文数据库,CNKI中国知网,2005.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(8):8-11.陈静.上市公司财务恶化预测的实证分析[J].会计研究,1999(4):31-38.陈艳,张海君.上市公司财务预警模型的研究[J].财经问题研究,2007(6):92-97.周爱丽.企业财务风险浅析[J].财会研究,2004(03):13-16.王璐,陶立,王慧敏.企业财务危机预警指标阶段性预处理研究[J].财会通讯,2007(4):26-28.张友棠．财务预警系统管理研究[M]．北京，中国人民大学出版社，2004：138—146。杨建仁，何宜庆．我国上市公司财务风险预警的实证分析[J]．西安教育学院学报，2004，3：4—52003．9：4-9卓岩.CVA——衡量企业财务状况的新方法[J].中国总会计师,2006,01:42-44.郑媛,曲莲.现代企业绩效评估的新理念—CVA[J].湖南财经高等专科学校学报,2007,04:91-92.颜江芬,李清.CVA一衡量企业财务状况的新方法[J].财务与会计,2004,02:32-33.钱爱民、程幸、张淑君.基于自由现金流量的财务预警指标体系的构建与检验——来自中国机械制造业A股上市公司的经验数据[J].中国软科学，2008.09:148-155东北大学毕业设计（论文）致谢致谢时光如梭，转眼间本科阶段的学习生活即将结束，这四年时间的学习使我受益匪浅。经历大半年时间的磨砺，本科毕业论文终于完稿，回首大半年来收集、整理、思索、停滞、修改直至最终完成的过程，我得到了许多的关怀和帮助，现在要向他们表达我最诚挚的谢意。首先，要深深感谢我的指导老师曹德芳老师。曹老师为人谦和，平易近人。在论文的选题、搜集资料和写作阶段，曹老师倾注了极大的关怀和鼓励。在论文的写作过程中，每当我有所疑问，曹老师总会放下繁忙的工作，不厌其烦地指点我；同时，对我的论文认真的批改，字字句句把关，提出许多中肯的指导意见，使我在研究和写作过程中不致迷失方向。她严谨的治学之风和对事业的孜孜追求将影响和激励我的一生，她对我的关心和教诲我更将永远铭记。借此机会，我谨向曹老师致以深深地谢意。其次，我还要感谢东北大学会计研究所和财务管理研究所的各位老师，正式在他们的谆谆教诲下，我才能在专业学习阶段快速的学习掌握专业知识，提升专业素养；同时我还要感谢一起奋斗四年的同学们，因为有了他们的陪伴与相互鼓励，我在大学生活中没有感觉到孤单。我将在今后的工作、学习中加倍努力，以期能够取得更多成果回报他们、回报社会。再次感谢他们，祝他们一生幸福、安康!东北大学毕业设计（论文）致谢

东北大学毕业设计（论文）附录一

附录一：外文文献及翻译第八届国际机器学习和控制会议，保定，2009.6.12-2009.6.15利用数据处理群方法构建财务预警模型杨千惠，廖茂原，陈品伦，黄美婷，黄春伟，黄家祥，钟桂彬企业管理系，元培科技大学，新竹，台湾30015，ROC金融系，元培科技大学，新竹，台湾30015，ROCEmail:mimosa.iern90G@.tw,myliao@.tw摘要：企业陷入财务困境使债权人、股东、雇员、投资者和其他相关参与蒙受巨大损失。为了防止企业进入破产程序，财务危机预警是一个将陷入财务困境的企业和健康企业区别开来的有效的工具。数学统计和人工智能技术已被广泛用于处理这些问题。许多研究表明人工神经网络在财务困境方面的表现由于数学统计方法。然而，人工神经网络也有无法接受结果等级的缺陷。本文尝试使用一种人工智能技术——数据组合处理技术来克服这一缺陷。数据样本来自于台湾证券交易所的上市公司。研究结果表明数据组合处理方法分类的准确度高于90%并且利用组合处理方法进行财务困境预警的准确度要高于判别分析法和逻辑回归分析法。关键字：财务困境预警；数据处理群方法（GMDH）；人工神经网络1.介绍随着近几年国内外资本市场的飞速发展，金融投资在人们生活中扮演了更加重要的角色。金融投资工具有很多，比如股票、债券、基金、期货、期权和黄金等等都可以被投资者选择，其中投资股票被最广泛的接受。然而，由于全球经济的变幻莫测、经营环境的不确定性以及近10年企业间激烈的竞争，许多著名的上市公司陷入财务困境甚至宣告破产。许多投资者在投资了已经上市的企业之后得知的信息仅仅是这个公司经营失败了。企业从台湾证券交易所撤牌退市或者退出场外交易，不仅仅给投资者、股东、债权人、职员已经其他相关企业带来巨大的损失，还很大程度地影响了社会经济的平稳运行。因此，由于财务困境预警有助于经营者和政府机构阻止破产的发生，有助于金融机构决策者和其他投资者评估选择投资企业，财务危机预警的重要性越发突出。早期的财务危机预警研究使用多多远判别模型、多元回归模型已经逻辑回归模型等统计方法来预测公司的财务失败。随着人工智能技术的快速发展，人工神经网络技术也被广泛的应用与财务困境预警的研究中。大量的研究表明人工神经网络的预警效果优于很多传统的统计方法。然而，人工神经网络也存在很多缺陷，比如“黑盒过程”、“难以解释”，“缺乏特征选择”等。在这些缺陷中，无法合理解释结果的分类是人工神经网络最具争议的问题。由于上述问题，偶尔无法将人工神经网络的判定结果用于实际中。为了克服人工神经网络无法解释结果分类的难题，本文提出了一种根据人工智能技术的的一种——数据处理群方法建立起来的财务困境预警模型。GMDH算法被广泛应用于数据挖掘、知识发现、系统建模、预测、最优化以及模式识别等领域。由于构建的模型不是特别复杂，数据间可被解释的联系能够被发现还有输出的有效变量能够被自动选择，因此数据组合处理技术非常有应用价值。因此，本文的目的是利用GMDH算法来构建财务困境预警模型。然后将拟建模型的预测表现与逻辑回归模型和判别分析模型进行比较，来证实本文介绍的方法要优于传统统计方法。本文结构按如下方式进行组织。文章的第2部分对财务困境研究成果进行回顾总结并对数据组合处理技术进行介绍。随后文章的第3部分介绍了财务困境预警的变量和财务困境预警模型的发展。第4部分展示实证结果并讲本文提出模型的预警结果与利用逻辑回归分析和判别分析法构建的财务困境预警模型的预测结果进行对比来证实本文提出模型的有效性。对实证结果汇总得出的结论将在第5章给出。2.文献综述2.1财务困境预警的简要回顾这一部分介绍了建立财务困境预警模型的不同方法。财务困境预警被广泛的研究始于20世纪60年代末。Altman首先使用线性判别分析预测了不同行业企业的失败。Altman选取了33家破产企业与33家配对健康公司建立了财务困境预警模型。他发现这个模型表现优异，尤其实在较短的时间段内预测。Deakin、Sinkey、Altman、Lam和Moy利用线性判别分析进一步发展了财务危机预警模型。然而，因为理论假设要求数据必须符合多远正态分布，协方差矩阵必须相等，这屡屡与现实数据相违背，因此利用线性判别分析法构建信用评估模型受到了很多批评。尽管二元判别分析法能从一定程度上消除线性判别分析的缺陷，但二元判别分析并未像人们所期待的比线性判别分析法的表现好很多。另一个常用于预测企业陷入财务危机的统计模型是逻辑回归模型。Martin和Olhson利用逻辑回归模型预测银行和企业的失败。Kolari利用逻辑回归分析建立早期的预警模型，并尝试用于辨识美国大量的银行。Canbas通过整合判别分析法，逻辑回归分析法，Probit概率比法及主成分分析法建立早期的预警模型。Doganay通过整合多元回归分析法、线性判别法、Probity及Logoistic法建立了早期的预警模型。二十世纪九十年代以后，大量研究探索了人工神经网络在解决信用评估和财务危机预警等商业问题方面的能力。人工神经网络能够模拟数据集的复杂非线性结构又能较精确的你和连续函数。除此以外，人工神经网络方法不需要对数据的分部作出任何预先的假设。大量的调查研究证明了人工神经网络方法是一个适合于很多商业应用的杰出的技术。Olmeda和Fernandez比较了几种破产预警工具的预测准确性。他们得出的结果是，与逻辑回归模型、判别分析、C4.5和多元自适应回归样条法相比，人工神经网络方法的表现是出色的。Tam和Kiang对比分析了大量常用的预警方法在银行破产预警方面的作用，如判别分析法、逻辑回归模型、K临近分类算法、ID3算法和BPN算法。他们的研究结果表明，从预测精确程度、适用性和稳定性的角度来看，经过给予先验概率和分类误差成本的改进的人工神经网络方法是一个评估银行状况的有效方法。Chen和Du使用神经网络和数据挖掘技术构建财务困境预警模型。Chen和Du选取了68家上市公司的34个指标利用BPN模型和聚类分析法构建了财务困境预警模型。他们的研究结果表明，利用BPN方法建立的财务预警模型的预测精确度要高于利用聚类分析法构建的模型。人工神经网络方法的一大缺陷就是孱弱的解释能力也就是通常所说的“黑盒”问题。因为人工神经网络方法无法区分重要变量和相关变量，人工神经网络模型的结果难以得到理性的解释。人工神经网络方法的另一大缺陷是缺少对神经网络结构的科学的说明，也就是说，没有选择网络拓扑结构或者决定网络体系结构的这是地过程。Vellido指出经验法则是选择网络拓扑结构和决定网络体系结构最流行的方法。2.2数据处理群方法数据处理群方法在数据挖掘的很多领域都有广泛的应用。归纳的GMDH算法以找出一个数据集中的变量之间的相互联系和选择一个模型或者网络的最优结构为目标。数据组合处理技术是一种依据规定的标准连续测试一系列备选模型的迭代方法。进入变量与输出变量之间的普遍联系可在形式上通过沃特拉泛函级数找出。沃特拉泛函级数的离散模拟以Kolmogorov-Gabor多项式著称。Kolmogorov-Gabor多项式的表示方式如下：其中X=(x1,x2……，xm)是输入变量向量。A=(a1,a2……，am)是被加数系数矩阵。组合的GMDH算法有一个多层的迭代结构。它的鲜明特征是它的迭代规则并不是连续不变，而是随着每一层级逐步扩大。在第一层级，所有最简单的结构模型如下所示：在排序整理这些模型之后，根据技术规范寻找最优的F模型。模型根据结构方程的复杂性进行整理排序，根据技术标准选取每一层级的最优模型。在第二层级，对结构更加复杂的模型进行整理排序。这些模型由第一层级的最优模型的输出变量所构建：继续这一层级的迭代过程直至，直至标准值不在增加。更加复杂的多层迭代的GMDH算法可由类似的方法得到。所有层级的迭代规则全部相同。例如，等式（2）中显示的形式被用于第一层级，等式（3）表述的类型则被用于第二层级。等式（4）表述的类型则被用于第三层级，以此类推。换而言之，前一层级的输出值作为下一层级的参数。最终的模型由指定的内部和外部标准所决定。GMDH算法的多层结构如图1所示：3.研究设计和研究方法3.1样本数据的选取在财务困境预警的实证研究中，样本数据来自于在台湾证券交易所挂牌上市的公司。选取的指标包括偿债能力、营运能力、盈利能力、资本结构、现金流量和成长能力等6个方面的24个财务指标，这些指标如表1所示。样本的时间窗口是1994年至2006年。样本包括100家陷入财务困境的公司以及100家没有破产的配对公司。在研究中，构建1年、2年、3年和4年的财务困境预测模型，并分别评价对企业在1年、2年、3年和4年内是否陷入财务困境进行预测的预测方法的准确性。此外，过去建立财务困境预警的公司按规模可分为小型公司、中型公司和大型公司，以便于评价财务困境预警模型的精确性。当公司总股本小于100万美元时，它被认为是小型公司；当总股本在100万美元到500万美元之间是，它被认为是中型公司；当公司的总股本超过500万美元时，它被认为是大型公司。3.2构建GMDH模型的步骤利用GMDH构建财务困境预警模型的步骤如下所示：步骤1：设定GMDH模型的标准以确定最好的模型；步骤2：确定财务困境预警模型的输入变量和输出变量；步骤3：利用训练数据建立财务困境预警模型；步骤4：利用测试数据来检验财务困境预警模型的精确程度；步骤5：对比各个财务困境预警模型的预测准确程度选择准确度最高的作为最后选用的模型。4实证结果本研究选取的样本由200家公司组成，其中100家是陷入财务困境的公司，另外100家事健康公司。每个样本案例包括24个财务变量。使用NeuralShell2执行GMDH模型，并通过保留函数评价分类结果。80%的样本作为训练样本，用于随即的训练GMDH模型，20%作为测试样本用于检验利用GMDH模型进行1年、2年、3年和4年的财务困境预警的准确性。GMDH模型预警的结果如表2所示。表2展示了GMDH模型预测的准确性以及GMDH模型犯第一类错误和第二类错误的次数和概率。第一类错误指的是陷入财务困境的公司被预测为健康公司；第二类错误为健康公司被判别为陷入财务困境的公司。此外，判别分析和逻辑回归分析同样适用标准化模型，它们的预测结果同样可从表2中看到。从表2中可以看出，无论是进行1年、2年、3年、还是4年的财务困境预警，所有GMDH模型预测分类的准确性都要高于90%，但所有利用判别模型和逻辑回归模型进行预测分类的准确性都低于90%。因此，GMDH模型的表现要优于判别分析模型和逻辑回归模型。进入GMDH模型的重要指标变量有毛利率、营业利润率、息税前利润率及现金流量比率。东北大学毕业设计（论文）附录二

附录二：数据回代结果表Logistic回归模型——数据回代结果表（不含CVA）股票代码企业类型Y值预测类型股票代码企业类型Y值预测类型000598.SZ危机型0.6481危机型600323.SH健康型0.1712健康型000629.SZ危机型0.6481危机型000655.SZ健康型0.0001健康型000676.SZ危机型0.6812危机型000682.SZ健康型0.3431健康型000703.SZ*危机型0.4593健康型002206.SZ健康型0.0712健康型000760.SZ危机型0.8163危机型600093.SH*健康型0.5196危机型000818.SZ危机型0.8643危机型000731.SZ健康型0.1857健康型000820.SZ危机型0.5659危机型000833.SZ健康型0.4377健康型000831.SZ危机型0.7916危机型000612.SZ健康型0.3113健康型000902.SZ危机型0.6598危机型600315.SH健康型0.0109健康型000908.SZ*危机型0.4914健康型600592.SH健康型0.2088健康型000953.SZ危机型0.8775危机型600367.SH健康型0.0647健康型000958.SZ危机型0.8124危机型600310.SH健康型0.431健康型000976.SZ危机型0.8001危机型000782.SZ健康型0.0361健康型600091.SH危机型0.5482危机型000155.SZ健康型0.2019健康型600131.SH危机型0.9136危机型600116.SH*健康型0.5764危机型600145.SH危机型0.9717危机型000012.SZ*健康型0.5592危机型600179.SH危机型0.7872危机型600333.SH健康型0.2769健康型600299.SH危机型0.7090危机型000422.SZ*健康型0.7561危机型600301.SH危机型0.6775危机型000510.SZ*健康型0.7151危机型600355.SH*危机型0.1635健康型600353.SH健康型0.1111健康型600444.SH危机型0.9120危机型002108.SZ健康型0.1232健康型600455.SH*危机型0.4457健康型600624.SH健康型0.3977健康型600490.SH危机型0.6624危机型000985.SZ健康型0.2608健康型600538.SH危机型0.7955危机型600803.SH健康型0.4865健康型600562.SH*危机型0.3850健康型600485.SH健康型0.0453健康型600609.SH危机型0.6596危机型000581.SZ健康型0.1370健康型600617.SH危机型0.9914危机型000544.SZ健康型0.4061健康型600740.SH危机型0.7641危机型600725.SH*健康型0.6093危机型600860.SH*危机型0.3766健康型000852.SZ健康型0.1491健康型600885.SH危机型0.8166危机型600468.SH健康型0.4107健康型000518.SZ危机型0.8816危机型000153.SZ健康型0.4000健康型000576.SZ危机型0.6716危机型600235.SH健康型0.4706健康型000585.SZ危机型0.8190危机型600517.SH健康型0.0453健康型000697.SZ*危机型0.3598健康型600547.SH健康型0.0011健康型000720.SZ危机型0.7529危机型000690.SZ健康型0.3377健康型000751.SZ危机型0.7235危机型000060.SZ健康型0.0785健康型000856.SZ危机型0.9944危机型600499.SH健康型0.208健康型续上表000955.SZ危机型0.7100危机型600448.SH*健康型0.7781危机型000995.SZ危机型0.8033危机型600543.SH健康型0.1244健康型600076.SH危机型1危机型600990.SH健康型0.2303健康型600130.SH危机型0.6697危机型600288.SH健康型0.3530健康型600149.SH危机型0.9667危机型000551.SZ健康型0.1899健康型600253.SH危机型0.7197危机型000423.SZ健康型0.0274健康型600701.SH*危机型0.4924健康型600620.SH健康型0.4775健康型表4.1中，企业名称后带有“*”标识表示该企业被错判。

Logistic回归模型——数据回代结果表（含CVA）股票代码企业类型Y值预测类型股票代码企业类型Y值预测类型000598.SZ危机型0.5652危机型600323.SH健康型0.0800健康型000629.SZ危机型0.6560危机型000655.SZ健康型0.0007健康型000676.SZ*危机型0.3060健康型000682.SZ健康型0.1578健康型000703.SZ*危机型0.3681健康型002206.SZ健康型0.1898健康型000760.SZ危机型0.8988危机型600093.SH健康型0.1211健康型000818.SZ危机型0.9316危机型000731.SZ健康型0.1822健康型000820.SZ危机型0.6813危机型000833.SZ健康型0.4057健康型000831.SZ危机型0.9652危机型000612.SZ健康型0.2264健康型000902.SZ危机型0.8042危机型600315.SH健康型0.0018健康型000908.SZ危机型0.7319危机型600592.SH健康型0.2127健康型000953.SZ危机型0.8546危机型600367.SH健康型0.0803健康型000958.SZ危机型0.7774危机型600310.SH*健康型0.5748危机型000976.SZ危机型0.7919危机型000782.SZ健康型0.0723健康型600091.SH危机型0.7408危机型000155.SZ健康型0.2371健康型600131.SH危机型0.8539危机型600116.SH*健康型0.5324危机型600145.SH危机型0.9861危机型000012.SZ健康型0.2825健康型600179.SH危机型0.7895危机型600333.SH健康型0.1260健康型600299.SH危机型0.6464危机型000422.SZ*健康型0.5539危机型600301.SH危机型0.6565危机型000