【安凯汽车企业财务风险预警系统探究（数据论文）12000字】

一、引言伴随着经济的持续发展，企业外部的竞争压力不断扩大，为了应对企业外部的压力，企业内部的物料流通与资金运转的流程的繁琐程度也随之增加，进而带来了更多的企业财务风险。这种风险并非突变而成，而常常是潜在渐变产生的。为了赢得更多的利益，企业应做到守中有进，而“守”正需要企业建立有效的财务风险预警系统，从而使企业管理者第一时间了解企业财务危机情况，并及时采取相应防御措施，从而尽可能规避财务危机，减少企业损失。财务风险预警系统对企业的健康平稳发展意义重大，而当下财务风险预警系统也正处学界研究热点，这是因为企业的生产经营能力可由企业的财务状况进行综合反映。但同时，也常有企业因为经营不善导致其陷入财务危机。财务风险在一定程度上是可以预测的，构建企业财务风险预警模型能够为企业的生存发展提供保障。因此，企业应当掌握构建财务风险预警模型的方法，结合自身的财务与生产状况对风险进行提前预警，并通过模型分析找到财务风险的内在发生因素，帮助企业解决风险，促进发展。为研究现有企业财务风险预警系统的构建方式和运行效果，本文选择以安凯汽车为研究对象进行分析。安凯汽车成立于20世纪60年代，作为国内最为知名的高中档、大小型客车的汽车生产制造企业，在建立后数十年内发展迅速，在目标消费者中享有盛誉，但近几年运营却面临较大危机，发生了重大财务风险，甚至一度被实行“退市风险警示”处理，但在2021年成功实现“脱帽”，因此安凯汽车作为案例非常具有代表性。本文结合国内外有关企业财务风险预警系统的相关文献研究成果，以安凯汽车为分析案例，选择适用于汽车制造企业的Z-score模型，搜集并整理安凯汽车近年来的相关指标数据进行预警效果分析，同时结合企业环境风险和网络舆情展开比对研究，从而了解现行企业财务风险预警系统的优缺点，并根据情况提出完善企业风险预警系统的相关建议，由此帮助国内企业更好的构建企业财务风险预警，为国内企业增强抗风险能力提供有效的帮助。二、国内外研究现状（一）国外研究现状作为企业财务风险预警研究的鼻祖，Fitzpartrick（1932）利用比较分析，对与企业财务情况有关的财务指标进行逐一研究，并根据影响程度将财务指标进行重要性排序，发现资产收益率、权益占固定资产比例和产权比率能够较好地分析和预测企业财务风险的发生情况，并以此为单一变量构建了单变量模型进行预测，这便是单一财务指标变量预警模型[1]。这一模型开创了财务风险研究领域，为后续发展提供了许多帮助。与之相对的，Beaver（1966）则从诸多存在企业财务风险的公司中分析其共通性，从而确立财务风险的具体定义，并以此为研究基础选择了4个财务指标变量构建了与Fitzpartrick不同的财务风险预警模型[2]。但这仍属于单变量模型的范畴内。显然，通过单变量分析得出的企业财务风险情况并不可靠，应当加入更多有关指标进行综合分析研究。Altman（1968）对此展开了深入分析，根据财务指标线性影响的相关因素，选择更多的指标数据对单变量模型进行完善，在1968年研究出了以多元判别为核心的Z模型[3]。几年后，Altman等（1977）为了降低预测风险，更好地反映财务情况，对Z模型进行了深入优化，得到了能够更综合可靠反应企业风险的ZETA模型[4]。除了Z模型系列的多变量财务风险预测模型外，Martin（1977）的Logit模型[5]和Ohlson（1980）的Logistic[6]模型都极大丰富了财务风险预警领域的内容，大幅度完善了财务风险预警系统框架。以单变量模型和多变量模型为基石，财务风险预警模型领域在后续学者的努力下不断壮大，出现了更多预测模型研究成果对体系进行不断完善，以张根明等（2011）为例，他们对BP神经网络模型进行分析，利用神经网络的优越性对企业财务风险进行更及时的预测，其预测结果更能迅速反映当下财务情况[7]。（二）国内研究现状财务风险的数据大多来源于ST企业，因此较多的学者是以所构建模型的类别及借助的方法为切入点，针对ST产业的财务数据展开分析的。罗康洋，王国强（2020）基于ST公司，在处理预警数据时，针对不平衡与高维的两个特点，利用优化后的MRMR算法，通过代价敏感进行分类，从而搭建新的财务预警模型[8]；顾晓安，王炳蕲，李文卿（2018）为提高预警正确率，在Logistic财务预警模型中引用了两个盈余变量，包括真实盈余和应计盈余，这样能够有效发现并调整财务信息偏差，从而降低错误判断的可能性[9];王秀丽，张龙天，贺晓霞（2017）比较分析了母公司报表和合并报表，构建并使用Logistic研究了其财务预警效果的差距，发现在一般情况下合并报表的预警效果更优，但是当母公司的战略选择以投资为主时，母公司的预警效果更好[10]；王小燕，姚佳含（2020）在原有模型的基础上结合GroupBridge，形成优化的Logistic模型，从而挑选出更加合适的相关性指标进行风险预测，经过测试分析可以发现这种新模型的预测效果对比原有模型，有了显著提升[11]。也有一部分学者跳出财务指标这一着眼点，而将注意力聚焦到非财务指标上。刘玉敏，刘莉，任广乾（2016）针对上市公司的非财务指标开展研究，认为依赖于财务指标的现行财务预警系统并不能够帮助公司发现其产生财务风险的原因，因此难以从根源上帮助公司预警并解决风险。所以他们选择与公司管理有关的非财务信息进行整理和选择，并构建新的财务预警指标体系，根据新的指标体系采取PSO的计算方法来进行组合排列，通过SVM进行预测分析，结果新的预测模型的准确率相较于原来有了较大的提升，说明新的模型的效果较好，可以作为新的依据[12]。（三）小结通过文献整理可以发现，学者们对企业财务风险预警模型的构建已有了一定程度上的研究。虽然国内的研究从时间上落后于国外研究，但国内的学者综合国情和国外的技术理论，提出了许多更适合我国情况的企业财务风险预警模型构建方法。从学者们的研究中可以发现，反正并完善企业财务风险预警系统可以参考以下角度进行探讨和实践：（1）对企业财务风险相关理论进行完善。构建风险预测模型首先需要对风险的定义有确切的认识，明确预测的对象才能够更有效进行模型的预测和优化；（2）选取更多指标数据进行风险预测。不同角度和层面的指标能够从更多方面反映企业财务的运行情况，选取更多的指标便能更好地发现企业财务的异常，进而对风险进行更准确地预测；（3）静态与动态结合，构建综合立体的风险预测模型。现行预测模型大部分利用了某一时间节点的相关数据进行分析，但风险本身是动态的，风险的预测更需要通过现有数据对动态的风险变化情况进行分析。三、财务风险和财务风险预警概述（一）财务风险的概念广义而言，财务危机指的是由于企业经营或运作出现问题导致企业面临诸多严重的财务问题，例如无法偿债等情况。但是财务危机并非一蹴而就，而是经过财务风险不断演变而成的。如果说财务危机是结果，那么财务风险便是危机发展过程，因此如何界定财务风险由对过程的研究角度而决定。国外学者偏向于从整体角度展开研究。Deakin（1972）最早尝试对财务风险进行定义，认为企业遭遇财务风险的表现主要是破产、偿债能力缺陷或已清算债权人利益[13]，但这类定义显然只在意了最后结果，并不确切。几年后，AmyHing（1987）对企业发展阶段进行具体分类，试图通过不同阶段的财务特征对财务风险的定义进行阐明。他认为应当以股利作为判断标准，对企业财务风险情况进行预估确认。如果分发股利的情况出现负面变化，那么企业财务情况便存在问题[14]。可以看出，AmyHing通过分发股利的情况展开分析，利用的是发生危机过程中的指标，这可以体现财务风险的过程性，但这一理论仍然较为片面。21世纪后，Charles教授通过五个方面，对财务风险的定义提出了比较完整通用的理论解释。他从财务运行失败、违背偿还责任，丧失支付保证，违逆经营目标，降低企业价值五个方面，对企业财务风险进行了动态描述，得到了较多人的认可。国内专家倾向于从细节方面进行剖析。张皎（2018）从经济现象的角度出发，认为企业风险是逐步演变的，并不是单一时间点的事件。从企业发生财务危机开始，到企业风险不断恶化，以至于企业破产这一整个过程都是属于财务风险[15]。国内的相关机构与部门对财务风险的研究，在制度上也有一定的表现。例如，沪深交易所在1998年推出了新制度，以“ST”作为标识，对发生财务风险的企业实行特别处理，这也是财务风险研究发展过程中的一个重大事件。（二）传统财务风险预警分析的模型1.一元判定模型所谓一元判定模型，又称为单一财务指标变量模型，其含义为根据实际情况，选择某一特定的财务指标作为判定的依据，从而对企业财务风险情况进行预测。模型使用者在实际预测中要挑选合适的财务指标，并选取两组样本数据进行对照测试，利用预测样本来确定风险判定的财务指标阈值，利用该阈值对测试样本进行风险判定，确认测试样本的风险水平。该模型操作简易，可行性高，但存在着一定的风险。例如，若选择错误的财务指标，便会导致风险预测的误判；由于只使用一元数据，因此即便选择合适的财务指标，其预测结果也可能存在片面性，不能完全反映实际情况。2.多元判别模型以Z-score模型为代表的多元判别模型是一元判定模型的优化和延申，通过多元的财务指标能够更综合地进行风险预测，更全面地反映企业的财务风险情况。由于使用了大量的财务数据，虽然该方法的准确性和泛用性相较于一元判定模型得到了一定的提升，但操作也因此变得较为复杂，因此难以适应市场的变动。3.多元逻辑模型以Logistic预警模型为主的多元逻辑模型的判定机理依赖于概率学，通过数字方面的专业计算能够更准确地反映企业财务经营情况。但与之相对的，该方法对模型使用者的专业水平有更高的要求。四、案例与分析——以安徽安凯汽车股份有限公司为例（一）安凯汽车概况安徽安凯汽车有限公司是一家以汽车及其零部件为主要生产对象的上市公，其于1997年7月在深交所上市。安凯汽车的产品种类丰富，涵盖了各种类型的公路客车，其质量高，安全好，耗能省，多年来受到消费者的欢迎。安凯汽车在新能源与智能物联网汽车的发展中起到领头作用，生产出了中国首款公路试行的无人客车。表4.12016-2020年净利润情况单位：元年份2016年2017年2018年2019年2020年净利润46810914.8-276582078.2-875708815.6478392245但近几年来，在市场环境变化和经营策略改变的情况下，安凯汽车遇到了较为严重的财务风险问题（如表4.1），其于2019年7月被实行“退市风险警示”处理，更名为*ST安凯。虽然在2021年4月安凯公司成功“脱帽”，撤销其他风险警示，但显然安凯汽车仍存在一定程度上的财务风险。由于近几年安凯汽车历经“戴帽”再“脱帽”的过程，因此，安凯汽车是一个非常合适的财务风险预测的分析对象。（二）安凯汽车财务分析1.短期偿债能力分析由于安凯汽车属于汽车制造企业，公司规模之间相差较大，因此在分析安凯汽车时，为了排除企业规模带来的影响，选择流动比率这一指标进行分析。同时为了更具可比性，我们将长安汽车公司的数据也纳入进来进行比较。作图如下：图4.12016-2020年流动比率折线图通过图4.1，我们可以发现安凯汽车在2018年后的流动比率基本都在1以下，说明他的短期偿债能力远远不足。从时间过程来看，安凯汽车的流动比率趋势呈较为明显的波动态势，可见其资金链出现了一定的问题。2.营运能力分析在汽车制造行业，如果说是否拥有有适当的流动资金进行研发制造决定了公司能否发展，那么是否将产出的商品卖出以达到持续营运的目的决定这个企业是能否发展平稳。所以说为了了解安凯汽车营运能力如何，我们需要对他的存货周转进行分析。作图如下：图4.22016-2020年存货周转率折线图在研究安凯汽车存货周转率的时候我们依然将他和长安汽车公司进行对比，以便找出安凯汽车的发展点。图4.2清晰地展现了汽车行业的存货周转是呈现周期性变化的，可以看出安凯汽车在2017年前周转率较高，但2017年后存货周转率下降较大，总体绝对数值上逐渐低于长安汽车企业，存货周期的整体态势发展相似，可见安凯汽车的销售在近几年遇到一定的瓶颈。3.盈利能力分析企业为了追求多元化发展，其经营业务往往并不单一，看一个企业是否做的成功如果只追求他们的主营业务往往不够，所以我们通常通过营业利润率来看他的整体经营成果。作图如下：图4.32016-2020年营业利润率柱形图从图4.3来看，安凯汽车的营业利润率呈现走低至走高的趋势，但是这需要考虑到中国汽车行业近年来产销增速总体逐渐放缓及2020年疫情影响的大环境。不过即便考虑到大环境的因素，安凯汽车的整体情况均表现不佳，常年偏低，但最近一个季度有所恢复。此外，在2021年3月8日的披露中，安凯汽车表示其2月的汽车销量同比增加3.84%，而汽车产量也同比增加了13.37%，可体现安凯汽车的形式正在好转。安凯汽车于2021年3月8日晚间披露2月份产销快报中表示，2月汽车产量为62辆，本年累计499辆，同比增长13.37%；销量为128辆，本年累计514辆，同比增长3.84%。五、安凯汽车的财务风险预测（一）基于Z-score模型进行财务风险预测在1968年，美国纽约大学斯特恩商学院的教授爱德华·阿尔特曼（EdwardAltman）针对美国制造业进行研究，通过对美国破产和非破产生产企业进行观察，利用统计学方法，选取了美国制造业企业22个财务指标进行测试。在实验中，他一共筛选了66家公司进行研究，其中有33家存在财务危机，33家企业经营较为正常；然后通过逐步多元回归的方法最终筛选出五个最具预测能力的指标，同时根据系数建立多元回归判别函数，即Z-score模型，表达式为：Z=0.012（X1）+0.014（X2）+0.033(X3)+0.006(X4)+0.999(X5)或：Z=1.2（X1）+1.4（X2）+3.3(X3)+0.6(X4)+0.999(X5)；这两个公式的主要区别就在于，最后一个变量是倍数的形式，而前四个变量系数取决于变量是否用百分比表示。在这个公式中：Z是指判别方程式的函数值；X1、X2、X3、X4、X5五个变量分别代表不同财务指标。其中，X1=净营运资本/总资产；这个公式中的净营运成本可以看做是流动资本，在财务报表中可以用流动资产减去流动负债进行计算。由于涉及流动资产和流动负债，所以这一指标可以用来反映该公司的流动性特点，如果净营运资本越多，就可以说明公司的偿债能力越高，不能偿债的风险也就越小。然后，公式中的X2=留存收益/总资产；而留存收益在财务报表中可以通过盈余公积和未分配利润计算得出，从这一角度可以看到X2指标反应的是公司积累的利润，在计算过程中可以看出公司规模。而X3=息税前收益/总资产，其中息税前收益又叫息税前利润（EBIT），在财务上有多种计算方式，但是在财报上用利润总额加上利息费用较为简便。这一指标忽略了税收和融资等因素的影响，反映了企业利用债权人和所有者权益投资的经营能力，该比率越高，企业的资产利用就越充分，综合来说这一指标反映了管理者的管理水平。至于X4=优先股和普通股市值/总负债，不过在中国股票市场对于优先股的制度并不完善，大部分企业都没有发行优先股，所以在计算X4的时候可以进行适当简化。所以这一指标衡量的是企业的价值和债权之间的关系，可以反映出企业的财务结构是否合理，是否会出现资不抵债这一现象。如果比率较高，那就可以说明债权人的权利能够得到更好的保障。最后，X5=销售额/总资产，这一指标衡量的是企业进行销售的能力。反映出企业资产利用情况，指标越低，表明资产的利用率越低，说明企业在增加收入方面不具备良好能力。在阿尔特曼教授界定完这五个财务变量后，通过计算得出判定企业失败的可能性标准，如果Z越高，那么企业就越不可能陷入财务风险；当Z<1.8时，企业处于破产区；当1.8≤Z<2.99时，企业处于灰色区，那么在一年内破产的可能性是95%，两年内破产的可能性是70%，当Z大于2.99的时候，说明企业的财务状况良好，出现破产可能性较小。这一模型适用于企业公共制造企业，但是对于服务型企业以及私营一般性企业不具有适用性，所以阿尔特曼又进行了前后三次的修正补订，得到了学术界的认可。不可否认的是，Z-score模型在各行业的运用有利于企业提高预防财务风险的能力。该模型通过多个财务指标综合检测，可以从不同角度发现财务风险存在，为企业的预警提供参考。与此同时，在我国推出股市退出机制之后，企业利益相关方理应更加关注企业的财务风险预警系统建设；防患于未然，才能让企业平稳有效运行。ST安凯属于公共汽车制造企业，相对适用Z-score预警模型，所以本文借助Z-score模型对安凯汽车进行财务预警分析完全合理。同时，Z-score预警模型经过长时间的检验和论证，其正确性和准确性都有一定保障，计算方式也并不复杂，适用于企业进行财务预警研究。首先，本文准备运用的Z-score公式为：Z=0.012（X1）+0.014（X2）+0.033(X3)+0.006(X4)+0.999(X5)，前文已经论述过公式的应用行业和各指标含义。其次，为保证数据来源的可靠性和有效性，本文选取安凯汽车2016年至2020年连续5年的财务数据进行研究论证。根据Z-score公式数据要求，汇总了2016年至2020年部分财务报表数据如下：表5.12016-2020年原始财务数据情况单位：元2016年2017年2018年2019年2020年流动资产72862722556346187117555985741837039175593726155796流动负债68562605476171778225592857729442210965084021408375总资产90784134967978811618713147497252584348135111885945盈余公积49581021.7147367283473672834736728347367283未分配利润184077321.7-43861636.82-937200922.3-903580313.7-803997868.2利润总额78769012-295314186.8-73749891155103603.79100646086.4财务费用5802656072485830754478658933677475351129.46净资产14717811911140404391454278742.3506004031.4609211912.5总负债76066323046838407226667719623047524307824502674032营业收入47573266245448916378314679918533758704253259905477表5.1中的数据从ST安凯2016年至2020年财务报表中均可以找到原始数据，同时这些数据也是运用Z-score模型必须的数据。其中，由于安凯汽车没有发行优先股，所以在计算公司总市值的时候不需要考虑；除此之外，考虑到总市值仅仅是一家企业有形资产和无形资产一起作用的结果，具有一定的不确定性，随着市场的波动会产生很大的变化。相比较而言，净资产价格比市场价格更为真实，所以在假定公司财报真实的情况下，我们采用净资产价格，即所有者权益来替代X4中的优先股和普通股市值。至于假定公司财报真实的前提，从理论上来说是可以假定的，因为财务风险预警是公司为了平稳有效发展所采用的措施，所以公司自身为了保证预测的合理性，必然会尽可能保证代入Z-score模型数据的真实性和准确性。在获得相关数据之后（如表5.2），我们可以用X1=净营运资本/总资产、X2=留存收益/总资产、X3=息税前收益/总资产、X4=优先股和普通股市值/总负债、X5=销售额/总资产五个公式算出变量值，最后得出我们需要的Z值，如下表：表5.22016-2020年处理后财务数据情况单位：元2016年2017年2018年2019年2020年总资产90784134967978811618713147497252584348135111885945净营运资本430011708174408892-368719876-517178949-295252579.2留存收益233658343.43505646.18-889833639.3-856213030.7-756630585.2息税前利润136795572-222828356.8-662051046144440377.8175997215.9营业收入47573266245448916378314679918533758704253259905477总负债76066323046838407226667719623047524307824502674032净资产14717811911140404391454278742.3506004031.4609211912.5表5.32016-2020年安凯汽车Z值单位：元2016年2017年2018年2019年2020年X10.0473663940.021859006-0.051703172-0.09835226-0.057758053X20.0257377950.000439369-0.12477554-0.162826594-0.14801398X30.015068224-0.027927512-0.092835080.0274683210.034429019X40.193486570.1667646210.0680343560.1064726780.135300026X50.5240262110.6829233020.4412550280.6419914950.637710918Z0.5260890810.6825878180.4357911250.6394349940.555339747通过以上数据，我们不难发现近四年以来，安凯汽车的Z值均在1.8以下，尽在0.6左右徘徊，数值处于破产区，可见安凯汽车已经身处财务风险之中，这与近几年该公司带帽“ST”相吻合。同时从2016年以来该公司的Z值一直呈现波动趋势，2020年与2021年相比z值不增反减，可以反映出公司的财务风险不断波动变化，未来几年企业管理者面临可能退市的严峻挑战。然而，虽然经过严密的数据计算，通过Z-score模型得出的结论是安凯汽车直至2020年末仍处于严重的财务风险中，并没有相应好转，短期内难以摆脱财务风险。但实际上，在2020年6月23日，*ST安凯完成“摘星”变更为ST安凯，撤销退市风险警示并被实行其他风险警示；2021年4月19日，ST安凯成功撤销其他风险警示完成“摘帽”，从“ST安凯”变更回“安凯客车”。能够通过深圳证券交易所审核通过撤销警示的申请，可见安凯客车在2020年以来一定程度上已经解决了一部分的财务风险，公司财务整体形势是积极向上的，但这便与Z-score模型得出的结论相违背，这反映了Z-score模型存在的缺陷与隐患。Z-socre模型的优势在于阿尔特曼利用多元回归分析方法找出了最具有代表性的五个财务指标对风险进行预估，数据易于取得与计算，方法也相对简单与直观，但仅仅是公司的财务指标并不能完整充分地反映公司实际所处的财务情况。除了微观、静态与主观的公司财务指标这一财务因素以外，还有诸多非财务因素能从侧面反应公司情况。例如，从宏观层面上，存在行业环境风险，包括政府规制与行业竞争，都能对公司的财务情况产生冲击；从动态与客观层面上，投资者舆情，特别是网络舆情的变化能从侧面反应公司一段时间以来的财务风险变动情况。（二）基于行业环境风险进行财务风险预测企业财务风险的起因不仅只是由于企业自身经营的问题，其与行业环境风险也密切相关。首先，行业环境会影响企业的经营环境，而企业的成长于发展正需要合适的经营环境。如果经营环境过于恶劣，那么企业不论如何调整经营战略，都无法适应环境，难以取得成果。相对的，若是经营环境较为优越，那么企业的发展便能事半功倍，发生财务风险的概率也将大幅降低；其次，行业环境是不确定的，几乎不受企业本身活动的影响的。而无法控制的因素所带来的不确定性，正是企业发生风险的起因，这其中便包括政府规制与行业竞争。政府政策的实施或是竞争企业的强势，都会影响到企业的财务风险；最后，企业克服财务风险的本身便是在不断适应环境的过程，而行业环境正是构成环境的重要组成部分。由此可见，行业环境风险能从客观角度上影响企业经营，从而使企业提高或降低出现财务风险的可能性。企业若是能够及时掌握行业环境风险信息，根据实际情况适时作出相应的经营对策，那么便能在一定程度上抵御乃至控制财务风险的发生。仍以安凯汽车为例，安凯汽车于2019年实行退市风险警示处理，能够在2021年成功撤销，不仅是因为企业本身采取了有效的营业策略，还离不开这两年来相关省政府部门的支持和行业风向的改变。一方面，近年来，安徽省政府为响应号召，大力支持新能源汽车的发展，通过下拨国家新能源汽车推广应用补贴资金以及土地收储补偿，为安凯汽车度过难关提供了巨大动力，并成功等到了新能源汽车的风口，建设实现了新能源汽车产业链，达到了双赢。另一方面，自2017年以来，受客车市场的变化，我国客车销售额持续下滑，特别是受到了疫情因素的影响，在2020年销售额暴跌。但随着疫情逐渐结束，以及财务部于2020年发布的《关于完善新能源汽车推广应用财政补贴政策的通知》，新能源客车的市场开始复苏乃至增长，而安凯汽车作为新能源客车的领跑企业，在新的市场情况下拥有了新的发展动力。在2021年3月8日的产销披露中，安凯汽车在2月实现了汽车产量和销量的同比双增，可见安凯汽车的经营形式正在由危转安，财务风险也得到了一定程度的缓解。最后，在我国客车出口市场方面，随着一带一路政策的贯彻落实，我国客车出口到一带一路沿线国家的比重正在稳定增加，销量也在不断增长，可见一带一路沿线国家将成为我国客车出口的主力城市，未来市场发展情况理想。根据上述分析可见，虽然安凯公司近年来在公司经营方面存在一部分问题，但是整体新能源客车行业环境是不断向好的，政府政策方面也提供了强而有力的支持，因此安凯公司的财务风险得以快速缓解，实际风险水平并不与Z-score模型的计算结果相一致。此外，在可预见的将来，安凯公司所处的行业环境仍在不断改善，行业环境风险低，将对企业财务风险的抵御提供正面影响。（三）基于网络舆情进行财务风险预测对于上市公司而言，对企业财务风险予以高度重视的不仅有企业经营者，还包括诸多相关投资者。在一定程度上，投资者为了保护自身利益，对企业财务风险的敏锐程度甚至比企业内部人员更高，一部分富有经验与能力的投资者甚至能从企业经营者所忽视的角度中发觉企业财务可能存在的风险。况且，相对于固定周期发布的企业财务静态信息，不断变化的投资者意见与观点显得更加动态，能够更及时的反馈企业情况，因此，相关投资者的观点对于企业财务风险预测同样有一定的重要性。但在传统情况下，由于投资者数量多，水平高低不齐，企业经营者难以从海量的投资者信息中抓取到有效的意见信息。但随着互联网平台的发展与计算机技术的发展，投资者的观点可以通过互联网平台（例如东方财富网）进行反馈，在整体上能够呈现出投资者对企业的意见，这也称为“网络舆情”。不同时点的网络舆情能够反映不同时点投资者对企业运营的态度，能够从侧面反映企业财务经营的情况。但是，如何从表达相对模糊的网络舆情中提取有效信息，同样是基于网络舆情进行财务风险预测的一大难点。在这一方面，可从以下三个角度进行处理其一，对将采集到的网络舆情进行限制，使其能够从具体角度上反馈网络舆情的意见。具体限制方式可从限制信息类型进行，例如，搜集角度从搜集投资者对企业经营的文字意见信息，转变为搜集投资者对企业股票涨跌的投票意见。仍以安凯汽车和长安汽车为例，在东方财富网的网友意见投票调查中，截至至2021年5月1日，安凯汽车的涨跌比为47：53，而长安汽车的涨跌比为77：23，可见在整体网络舆情中，相对于长安汽车而言，投资者对安凯汽车的未来情况相对比较中庸，与安凯汽车刚“脱帽”的情况相吻合。其二，对已采集到的网络舆情的特征进行分析，使其能够从部分角度反馈网络舆情的实质。例如，从网络舆情的数量上可以反馈投资者对企业的关注程度。投资者自然会将注意点更多的放在他们认为更有发展潜力的企业，因此网络舆情的数量多少恰能反应投资者的舆情。仍以安凯汽车和长安汽车为例，在东方财富网上，安凯汽车的讨论人气排名基本位于1300名左右，即使在“脱帽”前后人气排名提高至前百，但数周后便再次回到千名。而长安汽车的讨论人气居高不下，在200名左右徘徊，近月由于经营形式良好已稳定在前百。可见网络舆情的人气排名从一定程度上也能反应企业财务风险情况。其三，对已采集到的网络舆情进行深入处理，使其能够提取出重要信息。网络舆情的处理难度集中于对非规范化语言的信息提取。但网络舆情仍是舆情，仍是投资者对先行情况的意见与分析，其文字期间不可避免存在相应的情绪词语。对网络舆情进行处理能够从宏观角度反应投资者的情绪变动，进而体现投资者对企业运营的情感态度，从侧面角度反应投资者对企业财务运营情况的认知，从而表现企业经营的风险情况。在这一过程中，可以通过计算机互联网爬虫技术对具体网络信息进行大规模检索与获取，以情感文本词典为学习基础，让大数据程序利用相关的分类方法对搜集到的信息进行情感分析与整理，进而转换为数字指标，协助企业进行财务风险预测分析。显然，网络舆情分析并不是企业财务风险预测的主要分析工具，其存在较多不可控因素，更多的是起到从旁辅助的作用。但不可否认，整体网络舆情不仅是企业财务风险情况的反馈，同样也能够对企业抵抗财务风险提供舆论支持与动力，因此并不可忽视网络舆情。六、结论与启示本文就现有的国内外财务风险预警系统进行研究，并以安凯汽车为例，对现有的财务风险预警模型的准确性进行测试和检验。在这一过程中，本文发现目前以财务指标为主导的财务风险预警系统仍存在一些不足之处，应当结合非财务指标对公司的财务情况进行综合测定。本文认为，当下企业构建财务风险预警模型应当注意以下几点。（一）以静态的财务指标为主要预测依据当下大部分通行的财务风险预警系统，例如Logit模型、Z模型及ZETA模型等，都是利用静态的财务数据进行计算比较从而反应企业当下财务情况的。显然，财务数据等数字化信息较文本类信息更加客观准确，因此能够更敏锐的反映出其企业财务风险状况。作为现行较为成熟的企业财务风险预警方式，其效用得到了有效性认可，其方法得到了可行性实践，因此企业在构建财务风险预警系统时不能因为可能存在的不准确情况而完全抛弃以财务指标为核心的各类预测模型。相反，企业仍应当以财务指标为主要预测依据，构建企业的财务风险预警系统，这样才能保持企业常态化的财务风险预警机制，保持风险预测的系统性。以静态的财务指标为主要预测依据的风险预警方法，是企业财务风险预警系统的建立基础。（二）以动态的非财务指标为侧面映照财务指标数据虽然相对准确敏感，但是存在局限，并不能全面完整的反馈当下企业实际的财务情况。静态的财务指标仅仅只能反应企业自身的财务情况，却无法反应外界的政策支持、市场风险以及消费者反馈情况。除此以外，在依照数理统计和概率性原理构建财务风险预警模型的时候，往往是从公开披露的已有的信息入手，这样一来就会受到信息误差的影响，凭借这些信息得来的预测结果是很难完全真实的。因此，为了更准确充分的反应企业的财务风险情况，企业在构建企业财务预警风险时，除了以静态的财务指标为主要核心外，还需要将动态的非财务指标加入财务风险预测系统，为整体风险预测提供侧面映照，从而运用财务指标与非财务指标综合预测企业财务风险。所谓非财务指标，具体包括企业经营环境、公司治理、EVA、网络舆情等等。对于这些非财务指标，企业经营者应当根据企业的实际情况，合理确认所需的非财务指标，并根据需要设立具体的统计和评价机制，从而使非财务指标有效发挥侧面映照作用。通过综合运用财务指标和非财务指标对企业财务风险进行预测，构建企业财务风险预警系统，除了能够更全面准确的反应企业财务情况外，更能够利用多方面的信息来源，将静态和动态的信息相结合，从而实现财务风险预警及时反馈，有助于企业借助预测结果及时追朔财务风险发生原因，进而解决不良因子，从而实现企业的良好平稳运行，达到企业发展的目标。这将是当下企业建立企业财务风险预警系