论文部分内容阅读
由于上市公司涉及了大量的投资者，所以上市公司必须具备较强的风险防范意识，做好风险管理工作，建立健全财务风险预警系统。本文以上市公司财务预警模型的建立和应用为主展开了论述。
当前，在我国证券市场的繁荣昌盛下，涌现了大量的上市公司，然而这些上市公司目前还没有一套高效完善的财务预警模型，给财务风险带来了极大可能。为此，我们必须致力于构建适合上市公司的完善财务预警模型，并在实际中得到有效应用。
一、上市公司财务预警的意义
财务预警主要是在财务预警理论的基础上，以公司财务为中心，搜集公司当前产生的财务数据，制定详细的财务报表，通过高效的数据处理方式，及时找出公司财务运转中存在的问题，并对问题进行深入分析和有效解决。
构建财务预警模型，可以对上市公司的经营状况加以改善，找出公司经营发展中的不足之处，推动公司财务工作正常有序进行，并保证公司稳定发展。所以财务预警的意义在于：一，有利于科学合理评价公司财务现状，一旦财务数据存在异常立即给出警损，告知公司经营管理者尽快通过有效策略将财物损失降低到最小化。二，有利于详细介绍公司财务变动状况，还一定程度上进行财务分析。三，有利于对公司财务决策执行情况进行客观全面反映，正确判断公司管理层制定的决策是否科学合理，是否对公司财务状况有较好的优化成效。
二、上市公司财务预警模型的建立
（一）基于预警指标数量的单变量模型与多变量模型
单变量模型指的是实际中通过单一指标，以个别财务比率或者现金流量指标对公司的财务状况进行预测。财务健康的公司的财务指标和存在财务危机风险的公司的财务指标有着很大差别，强调可在财务比率基础上开展公司财务状况的预测工作。多变量模型指的是通过诸多财务指标对公司整体财务状况进行系统性衡量，并构建相应的财务预警模型，科学预测公司财务危机情况。
（二）基于预警模型可扩展性与改进性的静态统计模型与动态非统计模型
静态统计模型与动态非统计模型是多变量模型的两种形式，其中，静态统计模型涉及了线性判别模型、主成分分析判别模型、简单线性概率模型。线性判别模型指的是通过一定的研究样本，以多元判别统计分析方法来设置判别函数，进而合理预测公司财务运行状况。主成分分析判别模型主要以多元统计分析中的主成分分析方法来深入挖掘各因子的形成主成分。简单线性概率模型包括对数比率模型与概率单位模型，主要通过Logit与Probit概率函数构建判别模型。
动态财务预警模型涉及了神经网络模型、案例推理法、支持向量机。其中，神经网络模型可以完成精准的计算、自学效率高且具有较好的容错能力，将一个输进层与一个输出层及多个中间层组合起来构建神经网络模型。案例推理法主要按照以往积累的经验来判别预警模型。由于中国资本市场具有一定的特殊性，财务预警研究中经常发生样本小、纬数高、非线性等各种问题，出于将这些问题全面消除的考虑，相关学者采用了以统计学习理论为基础的支持向量机方法，为上市公构建了基于支持向量机的财务危机预测模型，全面消除了小样本在预警效果方面的影响。
三、上市公司财务预警模型的应用
财务预警模型中主要运用了会计数据与财务比率，一旦上市公司没有严格按照协议进行，那么上市公司就会付出巨大的违约成本，更有甚者引起上市公司倒闭。但是需要注意的是，上市公司倒闭并不直接因为公司违反了契约，公司破产倒闭也不是会计数据与财务比率引起。
（一）深入分析预警模型的预测值
财务预警模型的预测较为简单、精准和及时，以某上市公司为例，该公司在使用财务预警模型中，主要以公司的年度财务报告为变量，财务数据能够很容易取得，对财务预警模型的预测值计算过程中，直接把变量值代入到模型中，运算十分方便快捷。由于财务预警模型的预测过程简单，所以对信息使用者而言，其实践应用价值非常高。
关于财务预警模型的预测准确性，通过多期预测模型并套用各个时间点的财务数据对该上市公司进行预测。关于财务预警模型的预测及时性，通过多期预警模型可以对该上市公司的财务状况及时有效观测，相应地提前了预测时间。
（二）加强财务危机预警研究
可从分行业研究、非上市公司的财务危机预警研究角度出发，构建适合分行业和分企业或者分部门的财务预警模型，实现多元化数据收集渠道，拓展数据研究范围。在财务预警研究力度和深入的不断加大下，工作过程中，各行各业应结合自身实况，应用能够满足本公司要求的财务预警模型。
（三）整体考虑各模型的预测结果
财务预警模型具有精准性、高效性科学性等特点，对上市公司财务状况进行了全方位有效评价，并准确预测了上市公司今后的发展趋势。不过，不管是静态预警模型还是动态预警模型，都存在一定的局限。所以上市公司财务预警系统在关注量化模型与指标分析的同时，还必须充分考虑非量化因素，将定性与定量预测方式紧密融合起来，充分完善预警系统的功能。随着市场竞争越来越激烈，发生财务危机问题的上市公司数目一般都比较庞大，不过财务危机问题并不是短时间内形成的，通常都有潜伏期，从最初的量变发展为质变。所以上市公司应提早采取有效的技术手段科学预测公司财务状况，有效预防财务危机问题。上市公司、投资者、债权人应高度重视这一点。
（四）基于支持向量机的财务预警模型
支持向量机可以对回归问题及模式识别等问题进行有效处理，相较于神经网络而言，支持向量机强化了学习机的泛化能力，也就是通过一定的训练集样本得到比较小的误差，降低单独测试集的误差。支持向量机属于一种新型的径向基神经网络或者多项式神经网络，注重以结构风险最小化为原则，有效降低推广误差。支持向量机具有较为完善的网络结构，能够从经验误差与置信范围之间获得平衡点，推广能力极强。
构建支持向量机财务预警模型时，应充分考虑以下几点因素：一，利润最大化是上市公司的终极目标，公司的盈利能力与经营成果具有密切的关系，而经营成果又与公司的发展紧密联系。如果上市公司的盈利能力与经营能力不高，那么發展将成为空谈，并且长此以往还会面临倒闭可能，所以盈利能力与经营能力是上市公司财务成败的核心因素之一。二，上市公司的偿债能力直接决定了公司的财务危机及破产风险。如果上市公司的偿债能力较低，那么其就面临了显著的破产风险，因此财务指标必须能够体现公司的实际偿债能力。三，上市公司的经营发展能力高低以及资本结构是否完善，都将直接影响公司的财务状况。四，由于部分指标数据的取得难度较大，对人力与财力的需求量大，并且数据的整理时间较长，所以我们可直接摒弃成本太高的财务指标或者财务比率。比如利息保障倍数，在计算其财务指标过程中需要取得利息费用这一数据，但上市公司公开的财务信息中并未涉及这一数据，所以虽然此财务比率可以将公司的偿债能力充分体现出来，但由于缺乏利息费用这一数据，应直接摒弃。
四、结语
综上所述可知，随着我国市场经济改革力度的不断加大，国内资本市场已经进入转型期，对国民经济发展具有重要促进作用。然而一些经营不当的上市公司的财务危机问题越来越明显，所以急需要一套完善的财务预警系统，加强预警上市公司潜在的财务危机。支持向量机算法实践应用效果显著，充分实现了统计学习理论，为人们处理学习问题提供了有效的方法及思路。需要注意的是，支持向量理论还存在一定的局限性，需要我们更进一步研究和完善。（作者单位为三全食品股份有限公司）
当前，在我国证券市场的繁荣昌盛下，涌现了大量的上市公司，然而这些上市公司目前还没有一套高效完善的财务预警模型，给财务风险带来了极大可能。为此，我们必须致力于构建适合上市公司的完善财务预警模型，并在实际中得到有效应用。
一、上市公司财务预警的意义
财务预警主要是在财务预警理论的基础上，以公司财务为中心，搜集公司当前产生的财务数据，制定详细的财务报表，通过高效的数据处理方式，及时找出公司财务运转中存在的问题，并对问题进行深入分析和有效解决。
构建财务预警模型，可以对上市公司的经营状况加以改善，找出公司经营发展中的不足之处，推动公司财务工作正常有序进行，并保证公司稳定发展。所以财务预警的意义在于：一，有利于科学合理评价公司财务现状，一旦财务数据存在异常立即给出警损，告知公司经营管理者尽快通过有效策略将财物损失降低到最小化。二，有利于详细介绍公司财务变动状况，还一定程度上进行财务分析。三，有利于对公司财务决策执行情况进行客观全面反映，正确判断公司管理层制定的决策是否科学合理，是否对公司财务状况有较好的优化成效。
二、上市公司财务预警模型的建立
（一）基于预警指标数量的单变量模型与多变量模型
单变量模型指的是实际中通过单一指标，以个别财务比率或者现金流量指标对公司的财务状况进行预测。财务健康的公司的财务指标和存在财务危机风险的公司的财务指标有着很大差别，强调可在财务比率基础上开展公司财务状况的预测工作。多变量模型指的是通过诸多财务指标对公司整体财务状况进行系统性衡量，并构建相应的财务预警模型，科学预测公司财务危机情况。
（二）基于预警模型可扩展性与改进性的静态统计模型与动态非统计模型
静态统计模型与动态非统计模型是多变量模型的两种形式，其中，静态统计模型涉及了线性判别模型、主成分分析判别模型、简单线性概率模型。线性判别模型指的是通过一定的研究样本，以多元判别统计分析方法来设置判别函数，进而合理预测公司财务运行状况。主成分分析判别模型主要以多元统计分析中的主成分分析方法来深入挖掘各因子的形成主成分。简单线性概率模型包括对数比率模型与概率单位模型，主要通过Logit与Probit概率函数构建判别模型。
动态财务预警模型涉及了神经网络模型、案例推理法、支持向量机。其中，神经网络模型可以完成精准的计算、自学效率高且具有较好的容错能力，将一个输进层与一个输出层及多个中间层组合起来构建神经网络模型。案例推理法主要按照以往积累的经验来判别预警模型。由于中国资本市场具有一定的特殊性，财务预警研究中经常发生样本小、纬数高、非线性等各种问题，出于将这些问题全面消除的考虑，相关学者采用了以统计学习理论为基础的支持向量机方法，为上市公构建了基于支持向量机的财务危机预测模型，全面消除了小样本在预警效果方面的影响。
三、上市公司财务预警模型的应用
财务预警模型中主要运用了会计数据与财务比率，一旦上市公司没有严格按照协议进行，那么上市公司就会付出巨大的违约成本，更有甚者引起上市公司倒闭。但是需要注意的是，上市公司倒闭并不直接因为公司违反了契约，公司破产倒闭也不是会计数据与财务比率引起。
（一）深入分析预警模型的预测值
财务预警模型的预测较为简单、精准和及时，以某上市公司为例，该公司在使用财务预警模型中，主要以公司的年度财务报告为变量，财务数据能够很容易取得，对财务预警模型的预测值计算过程中，直接把变量值代入到模型中，运算十分方便快捷。由于财务预警模型的预测过程简单，所以对信息使用者而言，其实践应用价值非常高。
关于财务预警模型的预测准确性，通过多期预测模型并套用各个时间点的财务数据对该上市公司进行预测。关于财务预警模型的预测及时性，通过多期预警模型可以对该上市公司的财务状况及时有效观测，相应地提前了预测时间。
（二）加强财务危机预警研究
可从分行业研究、非上市公司的财务危机预警研究角度出发，构建适合分行业和分企业或者分部门的财务预警模型，实现多元化数据收集渠道，拓展数据研究范围。在财务预警研究力度和深入的不断加大下，工作过程中，各行各业应结合自身实况，应用能够满足本公司要求的财务预警模型。
（三）整体考虑各模型的预测结果
财务预警模型具有精准性、高效性科学性等特点，对上市公司财务状况进行了全方位有效评价，并准确预测了上市公司今后的发展趋势。不过，不管是静态预警模型还是动态预警模型，都存在一定的局限。所以上市公司财务预警系统在关注量化模型与指标分析的同时，还必须充分考虑非量化因素，将定性与定量预测方式紧密融合起来，充分完善预警系统的功能。随着市场竞争越来越激烈，发生财务危机问题的上市公司数目一般都比较庞大，不过财务危机问题并不是短时间内形成的，通常都有潜伏期，从最初的量变发展为质变。所以上市公司应提早采取有效的技术手段科学预测公司财务状况，有效预防财务危机问题。上市公司、投资者、债权人应高度重视这一点。
（四）基于支持向量机的财务预警模型
支持向量机可以对回归问题及模式识别等问题进行有效处理，相较于神经网络而言，支持向量机强化了学习机的泛化能力，也就是通过一定的训练集样本得到比较小的误差，降低单独测试集的误差。支持向量机属于一种新型的径向基神经网络或者多项式神经网络，注重以结构风险最小化为原则，有效降低推广误差。支持向量机具有较为完善的网络结构，能够从经验误差与置信范围之间获得平衡点，推广能力极强。
构建支持向量机财务预警模型时，应充分考虑以下几点因素：一，利润最大化是上市公司的终极目标，公司的盈利能力与经营成果具有密切的关系，而经营成果又与公司的发展紧密联系。如果上市公司的盈利能力与经营能力不高，那么發展将成为空谈，并且长此以往还会面临倒闭可能，所以盈利能力与经营能力是上市公司财务成败的核心因素之一。二，上市公司的偿债能力直接决定了公司的财务危机及破产风险。如果上市公司的偿债能力较低，那么其就面临了显著的破产风险，因此财务指标必须能够体现公司的实际偿债能力。三，上市公司的经营发展能力高低以及资本结构是否完善，都将直接影响公司的财务状况。四，由于部分指标数据的取得难度较大，对人力与财力的需求量大，并且数据的整理时间较长，所以我们可直接摒弃成本太高的财务指标或者财务比率。比如利息保障倍数，在计算其财务指标过程中需要取得利息费用这一数据，但上市公司公开的财务信息中并未涉及这一数据，所以虽然此财务比率可以将公司的偿债能力充分体现出来，但由于缺乏利息费用这一数据，应直接摒弃。
四、结语
综上所述可知，随着我国市场经济改革力度的不断加大，国内资本市场已经进入转型期，对国民经济发展具有重要促进作用。然而一些经营不当的上市公司的财务危机问题越来越明显，所以急需要一套完善的财务预警系统，加强预警上市公司潜在的财务危机。支持向量机算法实践应用效果显著，充分实现了统计学习理论，为人们处理学习问题提供了有效的方法及思路。需要注意的是，支持向量理论还存在一定的局限性，需要我们更进一步研究和完善。（作者单位为三全食品股份有限公司）