论文部分内容阅读
截至2015年9月,根据同花顺金融数据库的实时数据可知我国沪深两市共有上市公司2883家,其中制造业上市公司就有1828家,由此可见,制造业上市公司在我国国民经济中占有非常重要的地位。制造业上市公司的健康发展对拉动就业、增加政府财政收入、促进GDP增长、带动相关产业的发展都有着重要贡献。因此,有效控制制造业上市公司的财务风险,避免其陷入财务危机的重要性不言而喻,构建面向制造业上市公司的财务危机诊断模型具有实用价值。本文通过对财务诊断的实证研究,建立适合我国沪深两市A股制造业上市公司的指标体系,同时也为其它行业提供借鉴。通过对财务危机、财务诊断以及我国制造业上市公司的理论研究,明确了我国制造业上市公司发生财务危机的根源、未来将要发生财务危机的各种征兆以及如何从上市公司的内部和外部进行相应的防范。本文的研究问题是通过选取的160家2011年的制造业上市公司财务数据来对2014年这些企业的财务状况进行预测,从而判断这些企业在2014年是否有被退市警告(*ST)的风险。本文灵活运用数据挖掘工具,将统计分析类工具中的聚类分析和知识发现类工具中的灰色关联分析结合使用,从相关性和重要性两个角度出发筛选用于财务诊断的指标,构建了更加精准的财务诊断指标体系。之后针对财务诊断领域常用的三种预测方法——Logistic回归、CART决策树以及BP神经网络,依次将筛选出的指标用于这三种模型进行预测。结果显示,在对*ST企业预测方面,Logistic回归模型和CART决策树模型的预测正确率都没有BP神经网络高,分别为70%和75%,而BP神经网络的正确率达到了80%;对财务健康企业预测方面,Logistic回归模型和CART决策树模型的预测正确率都比BP神经网络高,分别达到了86.67%和88.33%,而BP神经网络的正确率只有73.33%。以上结果可以看出,初选指标经过基于聚类及灰色关联分析方法的筛选以后,三种模型的预测效果都比较好,并且这三种模型在对*ST企业和财务健康企业的预测各有所长。研究者在实际运用当中应合理选择某一种模型,也可以将多种方法结合使用,提高预测的精度。