發(fā)布時間：2018-01-14 23:08

  本文關(guān)鍵詞：制造業(yè)上市公司財務(wù)預(yù)警體系的構(gòu)建及比較——基于數(shù)據(jù)挖掘技術(shù)　出處：《財會月刊》2016年21期 　論文類型：期刊論文

  更多相關(guān)文章： 財務(wù)預(yù)警 因子分析 Logistic回歸 決策樹 BP神經(jīng)網(wǎng)絡(luò)

【摘要】：本文以2015年A股制造業(yè)上市公司為研究對象,選取反映企業(yè)償債能力、經(jīng)營能力等六個方面的27個指標構(gòu)建預(yù)警指標體系,并運用T值顯著性檢驗和因子分析法對預(yù)警指標進行約簡。在此基礎(chǔ)上,本文利用Logistic回歸、決策樹和BP神經(jīng)網(wǎng)絡(luò)分別構(gòu)建財務(wù)預(yù)警模型,并對各個模型的優(yōu)缺點及預(yù)測結(jié)果進行比較分析。研究結(jié)果表明:隨著ST發(fā)生時間的臨近,預(yù)警準確率總體呈上升趨勢;從中長期來看,決策樹和BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測能力優(yōu)于Logistic回歸模型;從短期來看,三種模型的預(yù)測能力沒有顯著差異。
[Abstract]:This article takes A share manufacturing listed company as the research object in 2015, selects 27 indexes which reflect the enterprise's solvency and management ability to construct the early warning index system. And using T-value significance test and factor analysis to reduce the early warning index. On this basis, this paper uses Logistic regression, decision tree and BP neural network respectively to build financial early warning model. The advantages and disadvantages of each model and prediction results are compared and analyzed. The results show that: with the approaching of St occurrence time, the accuracy of early warning is on the rise; In the medium and long term, the prediction ability of decision tree and BP neural network model is better than that of Logistic regression model. In the short term, there is no significant difference in predictive power among the three models.
【作者單位】： 江蘇師范大學(xué)商學(xué)院;
【基金】：江蘇師范大學(xué)研究生科研創(chuàng)新項目“基于數(shù)據(jù)挖掘技術(shù)的制造業(yè)上市公司財務(wù)預(yù)警研究”(項目編號:2015YYB146)
【分類號】：TP311.13;F406.7
【正文快照】： 一、引言隨著國際經(jīng)濟一體化的步伐加快,上市公司在把握改革和發(fā)展機遇的同時,也面臨著更加激烈的競爭和更大的風(fēng)險。多數(shù)企業(yè)往往面臨的是生存問題,然后才是發(fā)展問題。因此,企業(yè)有必要建立財務(wù)預(yù)警系統(tǒng),在危機到來之前向企業(yè)經(jīng)營者發(fā)出警告,把危機消滅在萌芽狀態(tài)。但是,如何

【相似文獻】

相關(guān)期刊論文 前6條

1 張勝偉;秦斌;;偏最小二乘方法的財務(wù)預(yù)警模型研究的應(yīng)用[J];工業(yè)控制計算機;2012年06期

2 劉碧森;姚宇;王玲;;基于支持向量機的企業(yè)財務(wù)預(yù)警模型[J];電子科技大學(xué)學(xué)報;2007年S1期

3 劉翰林,周平芳;我國公司經(jīng)營失敗的財務(wù)預(yù)警模型實證分析[J];杭州電子工業(yè)學(xué)院學(xué)報;2004年03期

4 惠守博;王文杰;;基于支持向量機的財務(wù)預(yù)警模型與應(yīng)用研究[J];計算機工程與設(shè)計;2006年07期

5 馬元駒;財務(wù)預(yù)警模型創(chuàng)建及應(yīng)用——基于Excel工作表的多變量財務(wù)預(yù)警模型的創(chuàng)建與應(yīng)用[J];中國會計電算化;2003年07期

6 ;[J];;年期

相關(guān)會議論文 前6條

1 李洪偉;艾文國;陳葉飛;;基于模糊集的財務(wù)預(yù)警模型研究[A];中國會計學(xué)會高等工科院校分會2006年學(xué)術(shù)年會暨第十三屆年會論文集[C];2006年

2 杜軍;徐建;;基于神經(jīng)網(wǎng)絡(luò)的制造業(yè)上市公司財務(wù)預(yù)警模型研究[A];第七屆（2012）中國管理學(xué)年會會計與財務(wù)分會場論文集（選編）[C];2012年

3 田青;王寶帥;;基于數(shù)據(jù)挖掘技術(shù)的上市公司財務(wù)預(yù)警模型的比較研究[A];第十二屆中國管理科學(xué)學(xué)術(shù)年會論文集[C];2010年

4 宋力;李堯;;基于貝葉斯網(wǎng)絡(luò)的上市公司財務(wù)預(yù)警模型[A];2006中國控制與決策學(xué)術(shù)年會論文集[C];2006年

5 吳娜;蓋地;;上市公司資產(chǎn)結(jié)構(gòu)與負債結(jié)構(gòu)的財務(wù)預(yù)警模型研究[A];第六屆（2011）中國管理學(xué)年會——會計與財務(wù)分會場論文集[C];2011年

6 張根明;向曉驥;王殊偉;;基于BP神經(jīng)網(wǎng)絡(luò)的上市公司財務(wù)預(yù)警研究[A];第八屆中國管理科學(xué)學(xué)術(shù)年會論文集[C];2006年

相關(guān)碩士學(xué)位論文 前10條

1 楊秀麗;基于灰色系統(tǒng)理論的JB公司財務(wù)預(yù)警模型研究[D];哈爾濱工業(yè)大學(xué);2015年

2 李迪鋒;基于SD的財務(wù)預(yù)警模型研究[D];北京化工大學(xué);2015年

3 程俊敏;運用主成分分析的統(tǒng)計方法構(gòu)建財務(wù)預(yù)警模型[D];東北大學(xué);2014年

4 程林;我國房地產(chǎn)上市公司財務(wù)預(yù)警模型實證研究[D];廣西師范大學(xué);2015年

5 尹慧萍;區(qū)分度概念下動態(tài)財務(wù)預(yù)警模型的實證研究[D];太原理工大學(xué);2016年

6 馬明;我國制造業(yè)上市公司財務(wù)預(yù)警模型的實證研究[D];中國海洋大學(xué);2014年

7 褚軒妤;ZGY公司財務(wù)預(yù)警模型的選擇及應(yīng)用研究[D];天津財經(jīng)大學(xué);2014年

8 代陳陳;基于EVA的上市公司財務(wù)預(yù)警研究[D];天津財經(jīng)大學(xué);2014年

9 朱濤;我國創(chuàng)業(yè)板上市公司財務(wù)預(yù)警模型研究[D];西南林業(yè)大學(xué);2015年

10 龐維宏;我國制造業(yè)上市公司財務(wù)預(yù)警模型實證研究[D];復(fù)旦大學(xué);2008年

，

本文編號：1425702