论文部分内容阅读
制造业是国民财富的源泉,而汽车制造业又是其中的重中之重。尽管我国汽车制造业企业的规模和数量都在日益壮大,但是整个行业抵抗风险的能力却相当薄弱,极易受到总体经济环境和国家相关政策的影响,进而引发严重的财务危机。因此,构建汽车制造业财务预警模型,提升汽车制造业应对财务危机的能力具有十分重要的意义。本文首先介绍了研究的背景、理论及现实意义,在借鉴国内外学者在财务预警方面的研究成果的基础之上,提出了本文的研究方法、思路及创新之处。然后介绍了本文所认定的财务业预警的相关概念,ANFIS及本文中采用的3种聚类算法以及ANFIS和聚类算法的结合方法。接着,在参考前人研究假设的基础之上,明确了汽车制造业财务预警的影响因素,包括财务方面和非财务方面。财务因素有现金流量、长短期偿债能力、运营能力、成长能力、盈利能力七个因素,非财务因素有股权结构、公司治理两个因素。财务预警指标体系是预警模型构建的基础,也是直接影响预警效果的重要因素之一。为了更全面、客观、真实反映汽车制造业的财务状况,偿债能力、现金流量能力、盈利能力、成长能力及运营能力等方面的26个财务指标用来衡量财务因素,第一大股东持股比例等7个非财务指标来构建财务预警指标体系。在实证研究部分,本文从深圳和上海证券交易所中A股中选取了54家汽车整车制造或零部件制造上市企业以构建研究所需的样本集,其时间跨度为11年(2003-2013)。在该样本集中,三分之一由财务危机企业构成,三分之二是与之配对的非财务危机企业。对所有样本的上述33个财务和非财务指标同时进行显著性检验和主成份分析,剔除了某些相关性不明显的财务和非财务指标,并对所筛选的财务指标进行了降维处理,最终得到5个综合财务指标因子和4个非财务指标,从而构建了我国汽车制造业上市公司财务预警指标体系。利用上述指标体系及样本集中的数据,运用基于聚类算法的ANFIS方法构建汽车制造企业的预警模型和BP神经网络、SVM(支持向量机)及Logit回归这三种常用的预警模型进行建模,通过模型的检验、比较分析可以得出以下结论:基于聚类算法的ANFIS的汽车制造业上市公司财务预警模型明显优于其他模型,此外该模型与BP神经网络模型及SVM(支持向量)等人工智能模型一道,明显优于Logit回归这一非人工智能模型。通过上述研究,本文针对汽车制造业上市公司财务预警实践提出了两点建议:(1)构建汽车制造业财务预警指标体系时,应剔除某些干扰指标。(2)选取建模工具时,应优先考虑人工智能建模预测工具。