财务困境预警一直都是投资和财务管理领域的一个重要的研究方向，因为一个公司是否陷入财务困境状态不仅是公司本身对未来的预期与战略制定的决定因素之一，而且该公司的投资者和债权人的利益是否能够取得及取得的多寡都与之息息相关。 企业从财务状况正常到财务困境的发生，可能是突发性的债务危机，也可能是逐渐的财务状况恶化所引起的。实践中，通常大多数企业陷入财务困境都是由财务状况从正常到逐步恶化再至财务困境或破产这样一个渐进的过程。因此，一般而言，企业的财务困境不但具有先兆，而且是可预测的。在美国和英国等国家有众多的提供财务困境预测或破产预测服务的机构，如英国的Data stream公司、美国第一银行信托分部和Performance AnalysisServices公司，而且Alterman在1977年发展的ZETA评分模型曾被作为商品出售一事也说明了在国外研究财务困境预警具有现实意义。 我国从1998年证券市场引入ST制度以来，各种财务预警的方法层出不穷，虽有少部分是定性分析的，但大多数都是定量的建模分析。 在定量的建模分析方法中，根据对被解释变量的设定，大致能够分为两种做法：第一种做法是假设训练集的被解释变量与检验集的被解释变量年份相同，也即若要预测2009年公司是否为ST，就用2009年公司是否为ST的数据训练模型。第二种做法则把训练集和检验集的被解释变量年份错开，避免了第一种的错误。但目前第二种做法大多是用训练集训练后的模型直接套用下一年份财务数据来预测下一年份的公司分类，这样做的前提是模型在时间上必须是稳定或不变的。要证明模型的这种时不变性比较困难，因此本文在分析了Logit模型的极大似然法之后，从另一个角度考虑引入包含时间因素的信息，务求信息的利用更全面。 本文的第1章导论首先介绍了研究的背景，然后根据以上思考的结果分别讨论了本文研究的理论意义和现实意义。 接着本文第2章对国外和国内的文献做一个总体的回顾和概览，为本文以下章节的财务困境预警的讨论做铺垫。 回顾国外的财务困境预警研究，一般分为单变量分析和多变量分析两大类。前者是早期研究不成熟阶段的产物，因为单个变量独立开来的分析显然和复杂的现实经济市场情况不对应，一般现在已经很少用到；后者最初的模型也较简单，但随着计算机技术的发展，各种方法纷纷涌现，模型越来越复杂，似乎是为了写文章而缺乏深入研究——各种诸如神经网络、支持向量机很少见发表于经典的经济学杂志就是很好的例证。 而国内的财务困境预警研究，基本上是在ST制度实行以来才跟着国外的脚步走过来的，其基本理论和模型大多借鉴的是国外的文献。 虽然很多国内文献对ST的制度做了很多讨论，但就像上文提到的一样，很多文献都有第一种做法的错误，还有一些文献则没有考虑模型时间因素的影响。 因此本文的第3章对传统的Logit模型分析财务困境的方法做了系统的讨论，并给出了改进的思路。第3章的基本结构如下： ①首先给出变量的筛选规则介绍 本文变量筛选按相关系数分析、独立样本T检验两步进行。相关系数分析是为了解决模型的解释变量之间存在相关性的问题。首先为了去掉异常值的影响，本文要比较参数相关系数和非参数相关系数的异同。若前者和后者无太大差别，则选用参数相关系数，理由是参数相关系数包含了更多的数据信息；若前者和后者差别很大，则选用非参数相关系数，以减少异常值的影响。在相关系数分析以后，由于存在太多的两两相关的解释变量，不能简单地把这些变量全部剔除，因为虽然两个变量间存在相关性，但将之全部剔除有可能反而会遗漏变量。因此本文在相关系数分析后做独立样本T检验，目的是为了剔除那些存在相关性的解释变量中和被解释变量无关的变量。 ②给出逐步回归的算法 逐步回归的优点是能够在众多解释变量中找出对被解释变量有信息增益的变量，因此本文选择逐步回归建模。所以在理论分析部分，本文对逐步回归的三种算法：前向选入(Forward)、后向剔除(Backward)、逐步(Stepwise)选入剔除一一做了介绍。 ③介绍传统Logit模型 由于本文是对传统Logit模型的扩展，因此有必要先对传统Logit模型做详细描述，故而本文在引出改进模型以前，先介绍传统模型，然后介绍传统模型的估计方法——极大似然估计法，并对极大似然估计法在不存在解析解时用到的两种迭代拟合算法：Fisher Scoring和Newton—Raphson算法做一简单描述。 ④介绍本文改进的Logit模型 在介绍传统Logit模型以后，本文提出了模型的构造和改进的过程：分析以前模型在财务困境研究领域的不足，提出改进的思路，最后构造出模型。 在做了理论分析以后，本文第4章分以下3步进行实证分析： 第1步，本文在理论分析的基础上，选取1412只上市公司作为研究对象，从短期偿债能力、营运能力、长期偿债能力、盈利能力、风险水平、股东获利能力、现金流量能力、发展能力这八大类财务指标中选择了34个变量作为初始的解释变量。 第2步，本文对这34个解释变量做相关分析和独立样本T检验，筛选出共22个变量。 第3步，本文用逐步回归对改进Logit模型建模和估计，最终得出总体预测准确率91—71％， ST公司预测准确率89.36％的结果。并且最终的逐步回归剩下每股净资产、每股经营活动现金净流量、总资产增长率这三个变量，其系数估计值都为负。从模型角度来说，就是说，这三个变量越大，公司为ST的概率越小。这与一般经济现象互相印证。 在第5章，首先，本文对文章做了通篇的归纳，得出3条结论： (1)从理论意义讨论了传统Logit模型不具有预警效果的缺陷。 (2)建立了一套真正具有预警意义的加权MLE的Logit模型，并对模型的建立做了理论分析和推导。 (3)从实证意义上建立了加权MLE的Logit模型，并用之估计了2007年的上市公司的分类，得出了91.71％的总预测准确率和89.36％的ST公司预测准确率这两个较高的预测准确率。 接着，本文并指出了文章所存在的不足： (1)假设证监会公布的12大行业中，各行业内部的转换概率服从二点分布，对转换概率用频率估计会存在样本容量过小的问题。 (2)用前三年的转换概率估计下一年的转换概率有失偏颇。因为对前三年求均值，只是描述性统计，而不是可检验的统计推断。 最后，本文对这些不足之处提出了改进的可能： (1)重复抽样解决样本容量的问题。 (2)若时间够长，时间序列建模预测下一年的转换概率。