基于聚類算法的制造業(yè)上市公司財(cái)務(wù)預(yù)警研究.pdf

1、在全球經(jīng)濟(jì)一體化和企業(yè)生存環(huán)境復(fù)雜化的背景下,能夠第一時(shí)間預(yù)測到公司的財(cái)務(wù)危機(jī)對于監(jiān)管部門、廣大投資者、債權(quán)人等具有非常重要的意義。因此,為方便這些信息使用者和上市公司的自身管理者了解企業(yè)當(dāng)前的財(cái)務(wù)狀況以便提前采取措施預(yù)防,就有必要對企業(yè)進(jìn)行財(cái)務(wù)預(yù)警分析。
　　 國內(nèi)外許多關(guān)于財(cái)務(wù)預(yù)警的文獻(xiàn)研究已經(jīng)證明財(cái)務(wù)指標(biāo)能夠顯著反映企業(yè)的財(cái)務(wù)狀況。然而,就預(yù)測方法而言沒有哪種是完美的,總存在這樣或那樣的不足,如預(yù)測變量選擇的隨意性、預(yù)測變

2、量間的相關(guān)性等。加之,近幾年來,在方法上的創(chuàng)新也非常有限,只是從技術(shù)細(xì)節(jié)上不斷完備。因此,本文試圖為避免當(dāng)前財(cái)務(wù)危機(jī)預(yù)警研究中存在的上述問題,通過實(shí)證檢驗(yàn)得到比較滿意的預(yù)測效果,提出了一種基于模糊聚類算法的財(cái)務(wù)危機(jī)預(yù)警模型。
　　 本文采用2009、2010年發(fā)生財(cái)務(wù)危機(jī)的中國制造業(yè)上市公司前3年的數(shù)據(jù),根據(jù)配對原則選取相同數(shù)量的財(cái)務(wù)正常公司的數(shù)據(jù),使用2009年公司的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù),2010年公司的數(shù)據(jù)作為測試數(shù)據(jù),運(yùn)用模糊

3、聚類的財(cái)務(wù)預(yù)警方法對我國上市公司進(jìn)行了預(yù)警研究。主要工作包括以下幾個(gè)方面:
　　 首先,采用T檢驗(yàn),相關(guān)性檢驗(yàn)等統(tǒng)計(jì)方法對財(cái)務(wù)指標(biāo)進(jìn)行初步篩選;其次,由于粗糙集只能對離散的數(shù)據(jù)進(jìn)行約簡,因此對財(cái)務(wù)數(shù)據(jù)進(jìn)行了離散化處理;再次,運(yùn)用粗糙集屬性約簡算法對離散后的財(cái)務(wù)指標(biāo)進(jìn)行進(jìn)一步篩選以確定進(jìn)入模型的變量;第四,對篩選出的變量統(tǒng)一量綱進(jìn)行規(guī)范化處理:最后,使用編網(wǎng)法對選取的上市公司進(jìn)行聚類,并分析聚類結(jié)果。另外,為方便預(yù)測所建模型的效果

4、,本文還選取了Fisher判別法作為對比。實(shí)證結(jié)果表明,在采用相同財(cái)務(wù)信息的情況下,本文選用的模糊聚類法預(yù)測精度高于Fisher判別模型,其正確判別率達(dá)到了85.3％,取得了不錯(cuò)的預(yù)測效果。但是本文的研究仍存在著一些不足之處,比如在指標(biāo)的選取上沒有考慮到企業(yè)競爭力、國家經(jīng)濟(jì)政策等非財(cái)務(wù)因素;選取編網(wǎng)法進(jìn)行模糊聚類存在計(jì)算量過大、對噪聲數(shù)據(jù)敏感等缺陷。因此本文的目的僅用于說明運(yùn)用模糊聚類來預(yù)測上市公司的財(cái)務(wù)狀況是可行的,但是具體的模糊聚類