财务困境已成为一个世界问题,因为它会极大地影响投资者、信贷者以及银行官员的财务决策,审计人员也需要通过财务困境的判别和预测来获取财务信息.公司陷入财务困境是一个逐步的过程,不但具有先兆,而且可以预测.正确预测公司财务困境,对于保护公司投资者和债权人的利益、对于管理者防范财务危机、对于政府管理部门监控上市公司质量和证券市场风险,都具有重要的现实意义.有很多方法可以用于解决财务困境预测问题,其中用的最多的是统计方法,包括多元判别分析法(MDA)、Logit法和Probit法.由于有些变量分布并不符合MDA所需要的统计假设,所以使用MDA方法有可能导致判别结果产生偏差.决策树、Logit法和Probit法是MDA的替代方法.但它们同样要求样本满足一定的统计假设,而这些统计假设也限制了这些方法的应用.本文首先依据对财务困境的具体界定,选取了60家处于财务困境的企业和同期60家正常企业为研究样本,参考国内外的研究模型,对上市公司t-3年的常规财务指标数据和现金流量财务数据进行了正态性检验、均值差异非参数检验和Spearman非参数相关分析,从28个财务指标中选取了具有较强判别能力的14个财务指标作为模型的输入变量.然后针对传统统计方法的局限性,建立了BP神经网络财务困境预警模型.最后针对BP网络的不足建立了粒子群优化BP神经网络财务预警模型.研究结果表明:在上市公司ST发生的t-3年,这14个指标都能具有较强的信息时效性,两种预警模型对检验样本的预测准确率分别为80%、85%,实证结果显示这两种模型都具有较好的预测效果,其中粒子群优化BP神经网络模型的预测效果要优于BP神经网络模型的预测效果.因此,本文提出的粒子群优化BP神经网络模型适合于解决企业财务困境的判别和预测问题,在分析和研究我国上市公司的财务困境预警方面,具有较好的应用前景和应用价值.