论文部分内容阅读
近年来,随着我国国民经济的持续健康快速发展,房地产行业也得到迅速发展,其潜力大、关联度高、带动力强等特点在我国经济发展过程中凸显,逐渐成为宏观经济发展的支柱产业和保障民生的基础产业。房地产作为我国新兴的行业,属于资金密集型行业,具有开发周期长,投资额巨大,资金回收期长等特点,其特有的融资、负债结构使得其在特定条件下比其他行业更容易发生财务危机。2008年美国金融危机后,国家加大对房地产的调控力度,使得房地产企业面临的财务风险逐渐加大,尤其是一些规模小、财务状况不稳定的企业,面临更大的破产或被收购的风险。因此,建立一种有效的房地产行业财务危机预警(FinancialDistress Prediction,FDP)方法体系,具有重要的理论价值和现实意义。 本文以沪深股市房地产上市公司作为研究对象,收集时间区间在2000-2010年因连续两个会计年度亏损或每股净资产低于股票面值而被特别处理(ST)的房地产企业作为财务危机样本。采用非传统的配对抽取方式,最终选取了沪深两市房地产行业共85家样本公司,其中ST公司33家,非ST公司52家。建立了由35个财务指标构成的初始指标体系,涉及企业的盈利能力、营运能力、偿债能力、发展能力、每股指标、现金流量和资本结构七个方面,通过T检验、相关性分析和逐步判别分析方法精简得到实验指标。本文的研究采用BP神经网络作为基本分类器,运用AdaBoost和Bagging两种集成学习方法建立起BPNN AdaBoost和BPNN_Bagging模型对我国房地产企业进行实证研究,并将其与单一的BP神经网络和传统的Z分数模型进行对比分析。 实证研究表明,BPNN_AdaBoost和BPNN_Bagging模型在三年的预测中,准确率都高于单一的BP神经网络模型和传统的Z分数模型。在5%的显著性水平上,无论是BPNN_Bagging模型还是BPNN_ AdaBoost模型,在T-1年、T-2年和T-3年的预测中均显著优于单一的BP神经网络模型,提升效果显著。同时,由实验结果可知BPNN_Bagging模型更适应于提高短期和中期预测的准确率,而BPNN_ AdaBoost模型在远期具有更强的泛化能力,能更有效的进行分类预测。