發(fā)布時(shí)間：2020-11-16 14:29

　　 隨著我國整體經(jīng)濟(jì)和金融市場的不斷發(fā)展,非金融業(yè)上市公司的數(shù)量迅速增加,規(guī)模迅速擴(kuò)大,非金融業(yè)上市公司已經(jīng)成為我國國民經(jīng)濟(jì)的重要組成部分,為我國國民經(jīng)濟(jì)的快速發(fā)展做出了巨大的貢獻(xiàn)。與此同時(shí),非金融業(yè)上市公司資產(chǎn)結(jié)構(gòu)中,金融資產(chǎn)的比重不斷攀升。這也導(dǎo)致金融風(fēng)險(xiǎn)由金融業(yè)向非金融業(yè)傳導(dǎo),非金融業(yè)上市公司面臨的財(cái)務(wù)危機(jī)風(fēng)險(xiǎn)大大增加,這一點(diǎn)在我國也尤為突出。據(jù)統(tǒng)計(jì),中國非金融業(yè)企業(yè)2015年底負(fù)債率高達(dá)156%,其中國非金融業(yè)企業(yè)的比例高達(dá)65%。需要注意的是,非金融業(yè)企業(yè)財(cái)務(wù)危機(jī)的產(chǎn)生原因與金融業(yè)企業(yè)產(chǎn)生財(cái)務(wù)危機(jī)的原因并不相同,金融業(yè)的財(cái)務(wù)預(yù)警指標(biāo)以及財(cái)務(wù)預(yù)警模型并不完全適用于非金融業(yè)上市公司。同時(shí),隨著市場競爭的愈發(fā)激烈,構(gòu)建動(dòng)態(tài)財(cái)務(wù)預(yù)警模型,實(shí)現(xiàn)一定時(shí)期內(nèi)公司財(cái)務(wù)危機(jī)概率的預(yù)測和輸出也迫在眉睫。因此,本文以中國非金融業(yè)上市公司為研究對象,基于Forward Intensity方法建立了符合我國非金融業(yè)上市公司實(shí)際的動(dòng)態(tài)財(cái)務(wù)預(yù)警模型,旨在提高我國非金融業(yè)上市公司的風(fēng)險(xiǎn)管理和防控能力,促進(jìn)我國非金融業(yè)上市公司的快速發(fā)展,維持我國經(jīng)濟(jì)市場的正常秩序,預(yù)防債務(wù)危機(jī)的發(fā)生。本文從財(cái)務(wù)預(yù)警指標(biāo)和財(cái)務(wù)預(yù)警模型兩個(gè)方面總結(jié)并梳理了國內(nèi)外的相關(guān)研究,指出在已有的研究多是針對于金融業(yè)企業(yè),缺乏對非金融業(yè)企業(yè)財(cái)務(wù)預(yù)警的研究,此外,已有的財(cái)務(wù)預(yù)警模型多為靜態(tài)財(cái)務(wù)預(yù)警模型,缺乏對財(cái)務(wù)危機(jī)概率的長期動(dòng)態(tài)預(yù)測,針對于這兩個(gè)問題,本文以實(shí)現(xiàn)中國非金融業(yè)上市公司財(cái)務(wù)危機(jī)的動(dòng)態(tài)預(yù)警為目標(biāo)展開了相關(guān)研究。首先,本文對財(cái)務(wù)風(fēng)險(xiǎn)、財(cái)務(wù)危機(jī)以及動(dòng)態(tài)財(cái)務(wù)預(yù)警等相關(guān)概念進(jìn)行了界定,考慮到相對于國外而言,中國上市公司很少被退市,因此以公司是否被特別處理來作為中國上市公司財(cái)務(wù)危機(jī)的判斷標(biāo)準(zhǔn),并以構(gòu)建動(dòng)態(tài)財(cái)務(wù)預(yù)警模型為目標(biāo),設(shè)計(jì)了基于Forward Intensity方法的動(dòng)態(tài)財(cái)務(wù)預(yù)警模型,采用極大似然法對模型進(jìn)行參數(shù)估計(jì),進(jìn)而獲得上市公司的動(dòng)態(tài)財(cái)務(wù)危機(jī)概率。其次,基于中國非金融業(yè)上市公司的發(fā)展實(shí)際,以中國非金融業(yè)上市公司財(cái)務(wù)危機(jī)的成因?yàn)榍腥朦c(diǎn),從盈利能力、償債能力、發(fā)展能力、現(xiàn)金流量和市場表現(xiàn)五個(gè)方面構(gòu)建了中國非金融業(yè)上市公司的財(cái)務(wù)預(yù)警指標(biāo)體系,并基于統(tǒng)計(jì)學(xué)方法實(shí)現(xiàn)了指標(biāo)的篩選,提取了顯著指標(biāo)。最后,本文基于400家中國非金融業(yè)上市公司的實(shí)際數(shù)據(jù)對指標(biāo)體系及模型進(jìn)行了實(shí)證檢驗(yàn),輸出了公司的動(dòng)態(tài)財(cái)務(wù)危機(jī)概率。實(shí)證結(jié)果表明,Forward Intensity動(dòng)態(tài)財(cái)務(wù)預(yù)警模型能夠輸出一定時(shí)間內(nèi)公司出現(xiàn)財(cái)務(wù)危機(jī)的概率,且具有較高的預(yù)測精度,能夠?qū)崿F(xiàn)中國非金融業(yè)上市公司的動(dòng)態(tài)財(cái)務(wù)預(yù)警,有效地幫助中國非金融上市公司開展財(cái)務(wù)風(fēng)險(xiǎn)管理,促進(jìn)中國非金融上市公司的健康持續(xù)發(fā)展。
【學(xué)位單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2017
【中圖分類】：F275;F832.51
【部分圖文】：

定負(fù)債的情況下由債務(wù)人的資產(chǎn)市場價(jià)值決定的。但資產(chǎn)并沒有真實(shí)地在市場交易，資產(chǎn)的市場價(jià)值不能直接觀測到。為此，模型將銀行的貸款問題倒轉(zhuǎn)一個(gè)角度，從借款公司所有者的角度考慮貸款歸還的問題。從實(shí)證結(jié)果可以看出，違約距離對于中國上市公司財(cái)務(wù)狀況仍然具有預(yù)測價(jià)值，隨著預(yù)測時(shí)間的增加，預(yù)測能力有所下降。4.3 動(dòng)態(tài)財(cái)務(wù)危機(jī)概率的輸出為了初步測試模型的效果，本文選取被 ST 的非金融業(yè)上市公司江泉實(shí)業(yè)與模型樣本全部上市公司的平均值做對比。本文使用預(yù)警期限為 8 個(gè)季度的模型，根據(jù)江泉實(shí)業(yè)從 2010 年到 2016 年的季度數(shù)據(jù)，本文用模型分別預(yù)測江泉實(shí)業(yè)該季度兩年后的動(dòng)態(tài)財(cái)務(wù)風(fēng)險(xiǎn)強(qiáng)度同時(shí)算出這 6 年來的累加財(cái)務(wù)危機(jī)概率，并與平均值作比較。如圖 4-1 和圖 4-2，顯然江泉實(shí)業(yè)的財(cái)務(wù)危機(jī)概率要高于平均值。而更具資料顯示江泉實(shí)業(yè)在 2016 年年初由于持續(xù)虧損，被特別處理變更為 ST 江泉實(shí)業(yè)。由此可見當(dāng)預(yù)警期限為 2 年時(shí)，該模型仍具備預(yù)測能力，可見對中國非金融業(yè)上市公司的動(dòng)態(tài)財(cái)務(wù)預(yù)警是可行的。

圖 4-2 財(cái)務(wù)危機(jī)概率比較圖4.4 結(jié)果分析本文使用樣本外的 200 家公司作為測試樣本，用當(dāng)月的財(cái)務(wù)數(shù)據(jù)及違約距離代入模型計(jì)算不同前向時(shí)間出現(xiàn)財(cái)務(wù)危機(jī)公司數(shù)的期望，與真實(shí)出現(xiàn)財(cái)務(wù)危機(jī)的公司數(shù)做對比，計(jì)算出 Forward Intensity 精度，因?yàn)樯鲜泄径际窃谀陥?bào)發(fā)布后，決定是否被特別處理，而財(cái)務(wù)危機(jī)可能早就發(fā)生了，所以根據(jù)被 ST 的定義，ST股，在股票領(lǐng)域上是指上市公司連續(xù)兩個(gè)財(cái)年虧損而被特別對待的股票，所以在做測試的時(shí)候，將曾經(jīng)被 ST 公司找出，看財(cái)務(wù)報(bào)表，出現(xiàn)連續(xù)的第 8 個(gè)季度虧損時(shí)，此刻的時(shí)間節(jié)點(diǎn)定義為上市公司出現(xiàn)財(cái)務(wù)危機(jī)的時(shí)間。如果出現(xiàn)財(cái)務(wù)危機(jī)，該公司推出測試樣本。此外為了與國內(nèi)比較通用的財(cái)務(wù)預(yù)警做對比。本文還使用了基于 BP 神經(jīng)網(wǎng)絡(luò)財(cái)務(wù)預(yù)警模型與其作對比。用的是相同指標(biāo)。BP 神經(jīng)網(wǎng)絡(luò)，輸入層節(jié)點(diǎn)數(shù)等于指標(biāo)數(shù)，輸出層 1 節(jié)點(diǎn)，財(cái)務(wù)正常為 0 出現(xiàn)財(cái)務(wù)危機(jī)為 1，參數(shù)設(shè)定方面，同時(shí)權(quán)衡精度與訓(xùn)練時(shí)間兩個(gè)方面，經(jīng)過多次實(shí)踐分析，選擇如下：神經(jīng)網(wǎng)絡(luò)訓(xùn)練的目標(biāo)誤差設(shè)定為 0.000001，顯示中間結(jié)果的周期設(shè)為 5000，最大
【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李靜;;Z-score模型對中國上市公司財(cái)務(wù)預(yù)警適用性分析[J];山西廣播電視大學(xué)學(xué)報(bào);2017年02期

2 宋鵬;李婷婷;;中小上市企業(yè)財(cái)務(wù)危機(jī)預(yù)警研究——基于RS—Logistic回歸的實(shí)證檢驗(yàn)[J];會計(jì)之友;2017年09期

3 宋彪;徐沙沙;丁慶洋;朱建明;;基于系統(tǒng)結(jié)構(gòu)模型的大數(shù)據(jù)財(cái)務(wù)預(yù)警指標(biāo)分析[J];會計(jì)之友;2017年09期

4 白云峰;;探究構(gòu)建新能源企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警指標(biāo)體系[J];財(cái)會學(xué)習(xí);2017年03期

5 劉玉敏;劉莉;任廣乾;;基于非財(cái)務(wù)指標(biāo)的上市公司財(cái)務(wù)預(yù)警研究[J];商業(yè)研究;2016年10期

6 關(guān)欣;王征;;基于Logistic回歸和BP神經(jīng)網(wǎng)絡(luò)的財(cái)務(wù)預(yù)警模型比較[J];統(tǒng)計(jì)與決策;2016年17期

7 遲國泰;張亞京;石寶峰;;基于Probit回歸的小企業(yè)債信評級模型及實(shí)證[J];管理科學(xué)學(xué)報(bào);2016年06期

8 鄧馨;國超;;引入EVA指標(biāo)的上市公司財(cái)務(wù)預(yù)警模型對比研究[J];會計(jì)之友;2016年08期

9 黃德忠;朱超群;;引入企業(yè)資產(chǎn)質(zhì)量指標(biāo)的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型[J];財(cái)會月刊;2016年08期

10 鄒新穎;涂光華;;基于信用風(fēng)險(xiǎn)及融資約束模型的財(cái)務(wù)預(yù)警指標(biāo)構(gòu)建[J];統(tǒng)計(jì)與決策;2015年14期

本文編號：2886336