近20年来中国证券市场蓬勃发展,通过股票市场融资的企业数量迅猛攀升,如何甄别上市公司是否有财务危机问题逐步进入专家和学者视野。随着社会生产力的发展、生产与消费结构的升级,在世界范围内第三产业呈现出后来居上的发展态势,具有重要战略地位,在我国A股市场中第三产业上市公司所占比重也明显增大。因此,有必要重点关注第三产业上市企业,对其财务危机问题设计一套具有针对性的预警系统,实时监控企业生产经营状态,针对潜在风险提前预警,提高企业承担风险的能力,也有利于投资者理性选择,及时止损。在国内外针对此问题的长期探索过程中,预警模型大多依赖于如逻辑回归、支持向量机等单一分类器进行拟合,学习容易过拟合且预测效果欠佳。因此,本文采用集成学习思想,将多个弱学习器融合在一起变成一个强学习器,使预测模型泛化能力更强、准确性较高。建立更符合实际、更精确的预警模型,有效地为第三产业上市公司利益相关者提供财务风险警示参考,对行业监管发挥较为积极的作用。本文根据中国证券网-上证报数据平台提供的上市公司公开财务数据,选取了 2019年第三产业A股上市公司中被实行退市风险警示的43家公司作为财务危机样本,并以第三产业655家财务健康公司作为匹配研究样本。预警模型指标体系包含财务指标与非财务指标两个方面,初步选取了 6大类共25个特征。随后采用适用于检验非正态分布显著性的Mann-Whitney U检验确定所选特征对于因变量是否有显著影响,将没有显著影响的指标剔除指标体系,精简指标。在模型拟合方面,本文选取集成学习模型中采用Bagging思想的基于树的Bagging模型、随机森林模型和采用Boosting思想的adaboost模型、XGboost模型。模型拟合后,根据各特征重要性对比图确定指标体系各模块中较为重要的特征。最后,将集成学习模型与单一学习模型进行对比,通过准确率等模型评价指标来比较模型优劣,并给出分析结论。在本文实证研究中,集成学习模型均获得准确率在93%以上的较好分类效果,明显优于单一模型分类效果。在模型对比中发现,adaboost模型综合表现最好,准确率达到98.75%,灵敏度达到99.53%。随机森林模型与XGboost模型表现略欠于adaboost模型,但也取得了灵敏度在97%以上的较好结果,即在测试集中所有存在财务风险的公司有97%以上的公司被模型正确识别。本文认为对于第三产业上市公司财务预警问题,集成学习算法中的adaboost模型用于甄别财务危机企业较为适合。同时,根据特征重要性对比图,从偿债、现金、营运、盈利、发展及非财务部分六个方面找出了关键特征,建议企业重点监测,从而避免陷入财务困境。