人工智能財(cái)務(wù)風(fēng)險(xiǎn)精品(七篇)

序論：寫作是一種深度的自我表達(dá)。它要求我們深入探索自己的思想和情感，挖掘那些隱藏在內(nèi)心深處的真相，好投稿為您帶來了七篇人工智能財(cái)務(wù)風(fēng)險(xiǎn)范文，愿它們成為您寫作過程中的靈感催化劑，助力您的創(chuàng)作。

篇(1)

一、人工智能概述

人工智能（AI）又稱為機(jī)器智能，John McCarthy將其定義為“制造智能化機(jī)器的相關(guān)科學(xué)和工程”[1]。對此我們可以理解為“研究能否實(shí)現(xiàn)、如何實(shí)現(xiàn)這樣的智能系統(tǒng)的科學(xué)知識和研究領(lǐng)域”。在此基礎(chǔ)上，著名研究型大學(xué)MIT的溫斯頓解釋為“人工智能是解決如何讓計(jì)算機(jī)完成之前由人類才能完成的工作”[2]。其實(shí)許多研究者都有不同的見解，所以除此之外還有很多種定義，但都基本上反映出人工智能的內(nèi)涵與思想。簡單的說，人工智能就是“關(guān)于研發(fā)人工構(gòu)造出的可以模擬人的意識和思維方式的計(jì)算機(jī)系統(tǒng)的理論和應(yīng)用，這些系統(tǒng)可以取代部分目前人類正在做的工作”。

二、會計(jì)行業(yè)人力資源的現(xiàn)狀

企業(yè)在任何時(shí)候都不應(yīng)該忽視人力資源的影響和作用，尤其是作為服務(wù)型的會計(jì)行業(yè)，因?yàn)樗娜肆Y源通常表現(xiàn)為工作者的技能水平，可以說它是決定本行業(yè)核心競爭力的最重要因素。近幾年來由于企業(yè)逐步邁向科學(xué)化管理和現(xiàn)代化管理，所以無論是在數(shù)量上還是質(zhì)量上，會計(jì)行業(yè)對專業(yè)人才的需求層次都越來越高。雖然會計(jì)行業(yè)的人力資源狀況在現(xiàn)階段還處于不斷變化之中，但是我們?nèi)匀豢梢詺w結(jié)出以下問題。

（一）文化水平普遍較低

目前我國會計(jì)人員數(shù)量眾多，但是文化水平普遍較低。數(shù)據(jù)顯示，截止2014年我國已有1600萬的財(cái)會人員，而注會人數(shù)僅有16萬。在這1600萬人中，只有13%的人員經(jīng)過專門的會計(jì)培訓(xùn)，10%左右的人員受到過大學(xué)或者專科以上的教育[3]。

（二）部分人員職業(yè)素質(zhì)不高

一方面是由于現(xiàn)有會計(jì)人員大多知識內(nèi)容單一、結(jié)構(gòu)老化、層次不夠豐富，接受新知識速度較慢以及對本職工作感到枯燥、缺乏熱情和敬業(yè)精神等使得業(yè)務(wù)素質(zhì)不高；另一方面是職業(yè)素質(zhì)不高，會計(jì)人員職業(yè)素質(zhì)和操守是工作質(zhì)量的重要影響因素之一，而目前我國對財(cái)會從業(yè)人員的職業(yè)素質(zhì)與法規(guī)方面的培養(yǎng)不夠重視，部分會計(jì)人員法制觀念淡薄，在工作中徇私舞弊甚至造假作假等，造成賬務(wù)混亂，帶來財(cái)務(wù)和稅務(wù)的風(fēng)險(xiǎn)，降低了行業(yè)公信力。

（三）會計(jì)人員隊(duì)伍能力結(jié)構(gòu)失衡

目前我國的會計(jì)行業(yè)發(fā)展現(xiàn)狀是隊(duì)伍能力結(jié)構(gòu)失衡，而且呈現(xiàn)兩極分化的趨勢，一邊是會計(jì)行業(yè)中普通的核算人員的數(shù)量越來越多，幾乎達(dá)到飽和。另一邊高水平的財(cái)務(wù)管理人才有很大的市場缺口，高級應(yīng)用型、復(fù)合型人才在社會上供不應(yīng)求[4]。雖然我國已經(jīng)引入管理會計(jì)幾十年有余，但是仍然沒有得到實(shí)際應(yīng)用和全面推廣。

三、人工智能帶來的影響

（一）人工智能適用于會計(jì)行業(yè)

隨著社會經(jīng)濟(jì)發(fā)展程度的不斷提高，人工智能的技術(shù)已經(jīng)可以適用于會計(jì)行業(yè)的部分工作，會計(jì)行業(yè)發(fā)展的新特點(diǎn)將是以電子技術(shù)和計(jì)算機(jī)系統(tǒng)為主。目前的會計(jì)行業(yè)的工作方式和核算手段日新月異，它經(jīng)歷了從早期的手工核算到會計(jì)電算化，再到如今在審計(jì)、會計(jì)和稅務(wù)等工作中引入人工智能的概念。正如知名企業(yè)家李開復(fù)所言，在未來的幾年里，機(jī)器不僅僅只是取代一些低技能的低端工作，它可以完成人類大部分的工作，這里我們用“冰山模型”解釋人工智能適用于會計(jì)行業(yè)的程度，如圖1所示。

如同上升的冰山一樣，隨著人工智能的發(fā)展與完善，將會有越來越多的功能被引入會計(jì)行業(yè)。目前只有財(cái)務(wù)會計(jì)人員所做的部分不需要多少技術(shù)含量、簡單重復(fù)的工作，例如幫助員工閱讀乏味的合同和其他文件將被善于記憶與運(yùn)算的計(jì)算機(jī)系統(tǒng)所取代，審計(jì)、稅務(wù)等基礎(chǔ)的財(cái)務(wù)人員會逐步減少，取而代之的是智能審計(jì)、智能稅務(wù)等人工智能系統(tǒng)。隨著人工智能與會計(jì)信息系統(tǒng)的不斷結(jié)合，互聯(lián)網(wǎng)、數(shù)據(jù)挖掘和云計(jì)算的進(jìn)一步發(fā)展，以及支持財(cái)務(wù)分析和會計(jì)信息系統(tǒng)的創(chuàng)新，人類將構(gòu)建出智能財(cái)務(wù)決策支持系統(tǒng)[5]。但是冰山不會無限上升，因?yàn)槿斯ぶ悄苁前凑帐孪仍O(shè)定的規(guī)則執(zhí)行程序的，它沒有感情，不能徹底地實(shí)現(xiàn)靈活思考，例如在涉及人的方面――處理組織與人員、組織與組織和組織與人員的問題時(shí)，人工智能并不具有完全智能地處理問題的能力，因而人工智能并不能完全取代財(cái)務(wù)會計(jì)人員。

（二）人工智能促進(jìn)會計(jì)行業(yè)的發(fā)展

隨著人工智能浪潮的到來，及時(shí)引進(jìn)并利用其高性能的運(yùn)算能力和數(shù)據(jù)存儲能力等優(yōu)勢，可以在以下幾個(gè)方面促進(jìn)會計(jì)行業(yè)的發(fā)展。

1.人工智能可以減少失誤。會計(jì)行業(yè)在現(xiàn)階段普遍存在會計(jì)信息失實(shí)的問題，這種問題的一個(gè)主要原因是由于巨大的數(shù)據(jù)量造成的人為失誤，另一個(gè)原因是部分內(nèi)部人員為了以權(quán)謀私而對信息進(jìn)行了數(shù)據(jù)造假或者更改。人工智能系統(tǒng)的引入，則可以有效避免手工編制詢證函而造成的潛在失誤[6]。一定程度上緩解了由會計(jì)工作失誤而帶來的信息不真實(shí)的問題，減少了會計(jì)信息混亂和財(cái)產(chǎn)流失的風(fēng)險(xiǎn)。

2.人工智能可以使會計(jì)行業(yè)的業(yè)務(wù)效率得到提高。其實(shí)自助銀行的ATM存取款機(jī)其實(shí)已經(jīng)取代了銀行人員的部分工作，同時(shí)提高了服務(wù)的效率。例如人工智能的“智能”系統(tǒng)在對相關(guān)的科目、交易進(jìn)行全面分析后，可以在更短的時(shí)間里進(jìn)行風(fēng)險(xiǎn)評估和挑選樣本函證。財(cái)會人員將不必在花費(fèi)時(shí)間和精力在類似普通核算這樣簡單而費(fèi)神的工作上，轉(zhuǎn)而有機(jī)會去處理更加復(fù)雜的事情。

3.提高企業(yè)的核心競爭力。人工智能在數(shù)據(jù)挖掘的基礎(chǔ)上可以處理數(shù)據(jù)、建立數(shù)據(jù)庫并跟蹤數(shù)據(jù)分析，甚至可以對建模分析、對投資預(yù)測，相對于人類有限的信息存儲量和計(jì)算能力，人工智能具有更加齊備的信息和高速的運(yùn)算能力。同時(shí)，人工智能可以結(jié)合專家決策系統(tǒng)識別并提出消除金融危機(jī)給財(cái)務(wù)管理帶來的影響，可以通過學(xué)習(xí)來識別財(cái)務(wù)風(fēng)險(xiǎn)，化解安全隱患，建立預(yù)警模型。

4.釋放人力資源和減少用工成本。現(xiàn)在的會計(jì)人員大多按照基本流程來劃分工作職能。而核算和監(jiān)督是會計(jì)的兩個(gè)基本職能，會計(jì)人員最主要的業(yè)務(wù)就是審核、記載、報(bào)告和存檔等基礎(chǔ)工作，現(xiàn)在人工智能的引進(jìn)可以大量解決這種日常的、標(biāo)準(zhǔn)的、高頻的工作，從而減少財(cái)務(wù)核算型人員，減少用工的成本。

（三）人工智能帶來的變革

1.人工智能的引入可以迅速處理許多以前要耗費(fèi)大量精力才能處理的事情，從枯燥乏味的合同閱讀和一些其他文件的審查工作中解放出來，而且還可以在復(fù)雜的文件中提取有效信息從而讓業(yè)務(wù)的處理流程和程序得到簡化，同時(shí)極大提高了工作的效率和拓寬人類的專業(yè)知識。結(jié)合互聯(lián)網(wǎng)技術(shù)，會計(jì)可以實(shí)現(xiàn)集中的財(cái)務(wù)共享模式，讓每一個(gè)員工都能夠親身感受到公司財(cái)務(wù)的運(yùn)營。

2.人工智能將改變傳統(tǒng)會計(jì)人員的工作職能。人工智能釋放大量的會計(jì)人力資源，這部分人力資源要想不被淘汰，必須從自身實(shí)現(xiàn)轉(zhuǎn)型，由普通核算人員向管理會計(jì)人員轉(zhuǎn)型。即使人工智能可以模仿人類的智慧，但是始終達(dá)不到和人類一樣的智慧，因此會計(jì)行業(yè)中廣泛涉及分析、預(yù)測和統(tǒng)籌等的管理會計(jì)將是財(cái)會人員的生機(jī)。人工智能會集中各種數(shù)據(jù)，管理會計(jì)將有價(jià)值的信息從這些數(shù)據(jù)中提取出來綜合后發(fā)揮管理智能。

3.管理結(jié)構(gòu)趨于扁平化。由于人工智能裁減了部分普通核算人員，企業(yè)的行政管理層次也得到削減。和以前相比，引入人工智能后的組織結(jié)構(gòu)精簡干練。

4.人力資源管理職能轉(zhuǎn)變。目前會計(jì)行業(yè)中使用財(cái)務(wù)軟件、稅務(wù)軟件和審計(jì)軟件等就是人工智能邁向會計(jì)行業(yè)的第一步，這些軟件像機(jī)器人一樣提高工作效率。會計(jì)行業(yè)中的戰(zhàn)略、顧問和服務(wù)三項(xiàng)職能在傳統(tǒng)的人力資源管理模型中呈現(xiàn)為金字塔形[7]。隨著會計(jì)行業(yè)的一部分服務(wù)由人工智能系統(tǒng)去完成，在新型的人力資源管理中，服務(wù)被一分為二。如圖表2所示。

四、啟示

（一）人力資源規(guī)劃

科技的進(jìn)步使人工智能正逐步取代部分會計(jì)人員，會計(jì)行業(yè)的崗位需求將逐步下降，雖然在某些方面人工智能可以模仿人類智慧，甚至可以超過人類，但是人工智能并適用于會計(jì)行業(yè)的每一個(gè)領(lǐng)域。所以公司的人力資源部門重要發(fā)展方向之一就是要細(xì)分工作職能，挑選適合的“人”去擔(dān)任相應(yīng)的職能。

（二）人才招聘與薪金管理

隨著網(wǎng)絡(luò)技術(shù)的發(fā)展和電算化的普及，作為會計(jì)人員，應(yīng)該持續(xù)關(guān)注那些可以對人類社會產(chǎn)生重大影響的技術(shù)。加之現(xiàn)在人工智能的引用，財(cái)會型企業(yè)在招聘人才時(shí)不能只單單注重其會計(jì)業(yè)務(wù)能力和從業(yè)資格證書，還應(yīng)當(dāng)考查其IT等相關(guān)技能，優(yōu)先選取綜合型人才。針對不同業(yè)務(wù)水平和能力的員工應(yīng)制定相適應(yīng)的薪金體系，合適的薪金體系才能留住和吸引人才。對于綜合型、管理型的人才的薪金應(yīng)高于普通核算型人才，并且隨著人工智能的進(jìn)一步發(fā)展與引進(jìn)，應(yīng)逐步擴(kuò)大兩者的差距。

（三）人才培訓(xùn)與發(fā)展

時(shí)代在不斷發(fā)展，會計(jì)企業(yè)也必須要加強(qiáng)員工的再教育。一方面會計(jì)行業(yè)應(yīng)培養(yǎng)員工的計(jì)算機(jī)信息技術(shù)，讓員工在掌握常用的計(jì)算機(jī)操作和財(cái)務(wù)會計(jì)軟件之外多了解一些其他業(yè)務(wù)技能，乘勢提高自身核心競爭力；另一方面，會計(jì)行業(yè)應(yīng)大力培養(yǎng)高層次的復(fù)合型人才，讓會計(jì)人員具有良好的專業(yè)素養(yǎng)和自己的專業(yè)判斷，能夠在海量的數(shù)據(jù)中做出取舍，準(zhǔn)確預(yù)測，做一些人工智能所不能完成的工作。

（四）企業(yè)文化整合

人工智能作為一種新概念被引進(jìn)，勢必會在會計(jì)行業(yè)造成新觀念、新思想與傳統(tǒng)觀念和傳統(tǒng)思想的沖突。從組織內(nèi)部來看，對已經(jīng)遵守若干年的企業(yè)文化，尤其是老員工，總是沿襲自己習(xí)慣的做法，不愿意接受新的思維方式，但是一味地抱殘守缺，只會阻礙組織的前進(jìn)，甚至陷入“第二曲線理論”。因此，會計(jì)行業(yè)必須本著平穩(wěn)過渡、充分溝通的原則對兩種文化進(jìn)行融合升華和重塑創(chuàng)新。

（五）完善信息系統(tǒng)

一方面要全面提高財(cái)會行業(yè)的信息系統(tǒng)化水平，加快完善運(yùn)行平臺等系統(tǒng)設(shè)施，在財(cái)會工作中加入電算化并制定具有針對性的發(fā)展計(jì)劃；另一方面，只有適合自身領(lǐng)域的人工智能才是最好用的，必須結(jié)合人工智能的應(yīng)用和會計(jì)行業(yè)的具體業(yè)務(wù)。因而為了制造出可以被本行業(yè)所廣泛應(yīng)用的人工智能，會計(jì)人員必須參與相關(guān)的技術(shù)開發(fā)與研究[8]。

篇(2)

[關(guān)鍵詞]財(cái)務(wù)預(yù)警；模式；構(gòu)建；變量

[DOI]10.13939/ki.zgsc.2015.15.051

1 企業(yè)財(cái)務(wù)預(yù)警模式的價(jià)值

1997年的亞洲金融危機(jī)、2008年的金融海嘯、2010年的歐洲債信危機(jī)等事件，都深刻地影響著世界的金融市場、企業(yè)、國家與人們的投資信心。近年來，如何建構(gòu)財(cái)務(wù)預(yù)警模式已經(jīng)被許多學(xué)者廣泛討論，財(cái)務(wù)預(yù)警模式可以幫助投資人對于投資企業(yè)體質(zhì)健全與否進(jìn)行整體性的評估，可避免投資品質(zhì)較差的公司，保障自己的投資資產(chǎn)。財(cái)務(wù)預(yù)警模式可以幫助公司決策者對公司經(jīng)營不確定性的風(fēng)險(xiǎn)提早反應(yīng)，針對經(jīng)營策略、重要決策、公司管理決策去改變，以避免公司危機(jī)的發(fā)生。財(cái)務(wù)預(yù)警模式可以幫助銀行針對企業(yè)公司借貸進(jìn)行審核，評估企業(yè)的財(cái)務(wù)與公司管理狀態(tài)。財(cái)務(wù)預(yù)警模式還可以幫助政府或金融機(jī)構(gòu)針對不良企業(yè)監(jiān)測，或作為企業(yè)壓力測量的模式，保障投資人與股東權(quán)益。

最近許多學(xué)者將財(cái)務(wù)預(yù)警模式以混合模式（Hybrid Model）來預(yù)測，將統(tǒng)計(jì)分析與算法、人工智能分析手法做結(jié)合，財(cái)務(wù)預(yù)警模式分為兩階段模式：篩選變量與分類預(yù)測。第一階段是篩選變量，利用不同手法篩選出具有貢獻(xiàn)性與相關(guān)性的財(cái)務(wù)與非財(cái)務(wù)變量；第二階段是分類預(yù)測手法，將第一階段所篩選出的變量作為分類預(yù)測手法中的輸入變量，獲得分類預(yù)測值。

2 財(cái)務(wù)預(yù)警模式的相關(guān)變量

早期的研究都只采取財(cái)務(wù)方面的變量，但近年來許多研究指出公司治理層面對于企業(yè)財(cái)務(wù)危機(jī)占有一定的影響性，例如Daily&Dalton研究中結(jié)果發(fā)現(xiàn)加入公司治理（監(jiān)理）方面的變量，可以增加模式預(yù)測正確率。還有研究發(fā)現(xiàn)利用會計(jì)信息、公司治理變量及盈余管理這些方面所建構(gòu)的財(cái)務(wù)預(yù)警模式比單一方面會有更好的模式績效與預(yù)測正確率。TCRI信用評級是最近發(fā)展的企業(yè)風(fēng)險(xiǎn)衡量指標(biāo)，它是TEJ研發(fā)出來的一套評估企業(yè)信用風(fēng)險(xiǎn)方案，利用公開信息有效過濾出信用風(fēng)險(xiǎn)較高的企業(yè)，許多金融機(jī)構(gòu)都采用該指標(biāo)作為企業(yè)核貸的標(biāo)準(zhǔn)。根據(jù)先前研究，可以將財(cái)務(wù)預(yù)警模式的變量分為財(cái)務(wù)變量、非財(cái)務(wù)變量。財(cái)務(wù)變量按照證監(jiān)會的規(guī)定，又可分為財(cái)務(wù)結(jié)構(gòu)、償債能力、現(xiàn)金流量、經(jīng)營能力和獲利能力五個(gè)方面，共18種財(cái)務(wù)比率變量，提供投資人及銀行加以參考。而非財(cái)務(wù)變量包含公司治理、盈余管理、信用評級等方面的變量。

財(cái)務(wù)變量：財(cái)務(wù)結(jié)構(gòu)，顯示公司使用資本融資的程度；償債能力，顯示公司的變現(xiàn)力（流動性）；現(xiàn)金流量，顯示公司的現(xiàn)金流動方向及額度；經(jīng)營能力，顯示衡量公司運(yùn)用各種資產(chǎn)的效能；獲利能力，顯示公司獲得利益能力。非財(cái)務(wù)變量：公司治理，顯示防范管理者傷害及強(qiáng)化公司競爭力與管理效能；盈余管理，顯示公司借助合法范圍達(dá)到預(yù)期盈余目標(biāo)的管理能力；信用評級，顯示公司的信用程度；其他相關(guān)變量。

3 變量分析

本文選擇22個(gè)變量作為篩選前變量，包含財(cái)務(wù)變量、公司治理變量、信用評級變量，前18個(gè)變量為財(cái)務(wù)變量，編號19～21為公司治理變量，編號22為信用評級變量。本研究分開計(jì)算健全與危機(jī)公司的平均值與標(biāo)準(zhǔn)差，在進(jìn)行篩選變量階段之前，了解財(cái)務(wù)預(yù)警各方面變量的分布情形。

3.1 財(cái)務(wù)變量方面

一是財(cái)務(wù)結(jié)構(gòu)：負(fù)債比率越高代表負(fù)債金額越高，該危機(jī)公司在負(fù)債比率是穩(wěn)定公司的兩倍。二是償債能力：流動比率與速動比率越高，代表公司流動性越高，短期內(nèi)發(fā)生財(cái)務(wù)危機(jī)概率越低。若利息保障倍數(shù)為負(fù)，代表此公司虧損。三是現(xiàn)金流量：現(xiàn)金流量比率若跌且有明顯跌幅，代表公司資金操作已惡化，代表公司呈現(xiàn)危機(jī)概率升高，負(fù)值代表營業(yè)活動凈現(xiàn)金流量為負(fù)，代表營業(yè)活動凈現(xiàn)金流量流出大于流入。四是經(jīng)營能力：凈值周轉(zhuǎn)率在表示自有資本在一年期間內(nèi)從營業(yè)收入收回的次數(shù)多少，凈值周轉(zhuǎn)率太高表示自有資本少，穩(wěn)定性較弱，太低則表示自有資本太多或營業(yè)額太少。因此，凈值周轉(zhuǎn)率指標(biāo)并無法明顯看出該數(shù)值與公司健全或危機(jī)狀態(tài)有明顯的相關(guān)，太高或太低都不好。應(yīng)收賬款周轉(zhuǎn)率（次），衡量企業(yè)在特定期間內(nèi)，收回賒銷賬款的能力。數(shù)值越高，表示公司從客戶端的收款能力越好。存貨周轉(zhuǎn)率（次）若越高，代表公司的營運(yùn)狀況、流動性較好?？傎Y產(chǎn)周轉(zhuǎn)率（次）綜合評價(jià)企業(yè)全部資產(chǎn)經(jīng)營質(zhì)量和利用效率的指針，次數(shù)越多，周轉(zhuǎn)速度越快，營運(yùn)能力也就越大。總資產(chǎn)成長率、凈值成長率、營收成長率都是關(guān)于成長的指標(biāo)，這三個(gè)指標(biāo)越高代表公司的經(jīng)營能力是肯定的。五是獲利能力：總資產(chǎn)報(bào)酬率、營業(yè)毛利率、稅后凈利率、每股盈余、營業(yè)利益率這些指標(biāo)都是有關(guān)于獲利能力高低，因此指標(biāo)越高代表獲利能力高。

3.2 非財(cái)務(wù)變量方面

一是公司治理方面：董監(jiān)持股比率、董監(jiān)持（質(zhì)）押股比率、經(jīng)理人持股比率這三個(gè)持股比率指標(biāo)，是關(guān)于公司內(nèi)部高層所持股的情形，不宜比例太重或偏向某方，因此穩(wěn)定公司在這3個(gè)指標(biāo)上都低于危機(jī)公司。二是信用評級方面：由于TCRI信用評級為1到10級，等級越低代表企業(yè)信用評級越好，而本研究數(shù)據(jù)危機(jī)公司大概呈現(xiàn)在8，穩(wěn)定公司為5.5。

4 研究結(jié)論

早期的財(cái)務(wù)預(yù)警模式考慮的變量較少且大多采用過去文獻(xiàn)中的變量，并沒有進(jìn)行篩選變量階段，直接利用統(tǒng)計(jì)方法去建構(gòu)財(cái)務(wù)預(yù)警模式，預(yù)測企業(yè)公司的健全或危機(jī)。1990年之后隨著人工智能方法流行，許多財(cái)務(wù)預(yù)警模式采用人工智能方法去建構(gòu)，雖然許多研究指出人工智能方法的預(yù)測績效比過去傳統(tǒng)方法要好，但很多應(yīng)用性的研究多以培訓(xùn)資料的準(zhǔn)確率作為結(jié)論基礎(chǔ)，是否納入類神經(jīng)方法的過度訓(xùn)練的問題，有待商榷。本研究的實(shí)證數(shù)據(jù)顯示，類神經(jīng)方法在訓(xùn)練數(shù)據(jù)往往呈現(xiàn)高準(zhǔn)確率，但以測量數(shù)據(jù)檢驗(yàn)其類神經(jīng)訓(xùn)練模式，不一定有相對高的準(zhǔn)確率，無法排除類神經(jīng)方法過度訓(xùn)練的問題，因此本研究在模式績效比較上，評估包含類神經(jīng)模式的方法是以訓(xùn)練績效為主，測量績效為輔。

在財(cái)務(wù)類神經(jīng)預(yù)警模式上，近年來許多研究嘗試以兩階段混合模式來處理，本研究在兩階段中先分別進(jìn)行Eta Square與Stepwise LR篩選變量階段，再利用BPNN與GRNN做分類預(yù)測階段，形成4個(gè)混合模式，探討這4個(gè)混合模式績效高低，并且另外進(jìn)行不經(jīng)過篩選變量階段直接利用3個(gè)方法（Stepwise LR，BPNN，GRNN）建構(gòu)單一方法模式，實(shí)證研究采用我國電子產(chǎn)業(yè)作為研究對象。整體來說，本研究所實(shí)驗(yàn)的7個(gè)模式中，結(jié)果呈現(xiàn)兩階段混合模式在準(zhǔn)確率上，測試數(shù)據(jù)混合模式的平均績效優(yōu)于單一類神經(jīng)模式。在預(yù)測平均準(zhǔn)確率方面，其中Eta Square+GRNN（先以Eta Square作變量篩選，再以GRNN作分類預(yù)測）有最高的平均準(zhǔn)確度86.9%。研究也顯示，雖然逐步羅吉斯回歸所得的平均準(zhǔn)確率81.6%不是所有模式最高的，但其績效具有相當(dāng)穩(wěn)定的效果。篩選變量階段模式對于績效分別有平均5.6%（準(zhǔn)確率）和9.1%（檢驗(yàn)水平）的正面提升。至于在篩選階段的兩種變量篩選方法與類神經(jīng)的搭配方面，根據(jù)本研究數(shù)據(jù)顯示，BPNN搭配Stepwise LR和GRNN搭配Eta Square有較高的績效。在篩選階段中，兩種方法的篩選后變量相同部分為負(fù)債比率與TCRI信用評級。負(fù)債比率呈現(xiàn)公司的負(fù)債數(shù)值，TCRI信用評級則是銀行常用的評級企業(yè)是否核貸或放款的重要指標(biāo)，這兩項(xiàng)指標(biāo)與企業(yè)是否危機(jī)有重要的相關(guān)程度。

參考文獻(xiàn)：

篇(3)

一、數(shù)據(jù)挖掘

（一）數(shù)據(jù)挖掘的概念。數(shù)據(jù)挖掘（DM）是近年來隨著人工智能和數(shù)據(jù)庫發(fā)展而出現(xiàn)的一門新興技術(shù)，它綜合了統(tǒng)計(jì)學(xué)、模式識別、人工神經(jīng)網(wǎng)絡(luò)、遺傳算法等先進(jìn)技術(shù)。數(shù)據(jù)挖掘是數(shù)據(jù)庫中知識發(fā)現(xiàn)（KDD）中的核心部分，KDD一詞首次出現(xiàn)在1989年8月舉行的第11屆國際聯(lián)合工人智能學(xué)術(shù)會上，從1989年至今，KDD的定義隨著人們研究的不斷深入也在不斷完善。目前，比較公認(rèn)的定義是Fayyad等給出的：KDD是從數(shù)據(jù)集中識別出有效的、新穎的、潛在的、有用的以及最終可理解模式的高級處理過程。KDD的過程一般包括數(shù)據(jù)清理、數(shù)據(jù)集成、數(shù)據(jù)選擇、數(shù)據(jù)變換、數(shù)據(jù)挖掘、模式評估、知識表示等。其中數(shù)據(jù)挖掘，指從數(shù)據(jù)庫儲存的大量數(shù)據(jù)中，提取隱含在其中的、以前未知的、具有潛在應(yīng)用價(jià)值的模型或規(guī)則等有用知識的復(fù)雜過程，是一類深層次的數(shù)據(jù)分析方法。提取的知識表示為概念、規(guī)則、規(guī)律、模式等形式。也可以說，數(shù)據(jù)挖掘是一類深層次的數(shù)據(jù)分析，是實(shí)現(xiàn)數(shù)據(jù)上升到知識的必然過程。但在通常的應(yīng)用中，并不區(qū)分KDD和DM的概念。

數(shù)據(jù)挖掘包含了一系列旨在從數(shù)據(jù)集中發(fā)現(xiàn)有用而尚未發(fā)現(xiàn)的模式的技術(shù)。數(shù)據(jù)挖掘的目的是為決策建模，即根據(jù)對過去活動的分析預(yù)測將來的行為。這也是數(shù)據(jù)挖掘最吸引人的地方，即它能建立預(yù)測型而不是回顧型的模型。

（二）數(shù)據(jù)挖掘的主要方法。數(shù)據(jù)挖掘是一種綜合性技術(shù)，其所涉及的學(xué)科領(lǐng)域主要包括數(shù)學(xué)、計(jì)算機(jī)科學(xué)、管理科學(xué)和信息科學(xué)等，主要方法有：

1、決策樹方法。決策樹方法是數(shù)據(jù)挖掘中經(jīng)常使用的方法，它可以用來進(jìn)行數(shù)據(jù)分析，也可以用來做預(yù)測。決策樹是一個(gè)類似流程圖的樹型結(jié)構(gòu)，其中每個(gè)內(nèi)部節(jié)點(diǎn)表示在一個(gè)屬性上的測試，每個(gè)分枝代表一個(gè)測試輸出，而每個(gè)樹葉點(diǎn)代表類或類分布，樹的最頂層節(jié)點(diǎn)是根節(jié)點(diǎn)。決策樹建立的過程，即樹的生長過程是不斷地把數(shù)據(jù)進(jìn)行切分的過程，每次切分對應(yīng)一個(gè)問題，也對應(yīng)著一個(gè)節(jié)點(diǎn)。對每個(gè)切分都要求分成的組之間的“差異”最大。

2、神經(jīng)網(wǎng)絡(luò)法。神經(jīng)網(wǎng)絡(luò)最早由心理學(xué)家和神經(jīng)生物學(xué)家提出，旨在尋求開發(fā)和測試神經(jīng)的計(jì)算模擬。由于神經(jīng)網(wǎng)絡(luò)在解決復(fù)雜問題時(shí)能夠提供一種相對簡單的方法，因此近年來越來越受到人們的關(guān)注。典型的神經(jīng)網(wǎng)絡(luò)模型主要分三大類：（1）以感知機(jī)、BP反向傳播模型、函數(shù)型網(wǎng)絡(luò)為代表的，用于分類、預(yù)測和模式識別的前饋式神經(jīng)網(wǎng)絡(luò)模型；（2）以Hopfield的離散模型和連續(xù)模型為代表的，分別用于聯(lián)想記憶和優(yōu)化計(jì)算的反饋式神經(jīng)網(wǎng)絡(luò)模型；（3）以ART模型、Kohonen模型為代表的，用于聚類的自組織映射方法。

3、模糊數(shù)學(xué)法?？陀^事物往往具有某種不確定性。系統(tǒng)的復(fù)雜性越高，則其精確性越低，也就意味著模型性越強(qiáng)。在數(shù)據(jù)挖掘過程中，利用模糊數(shù)學(xué)方法對實(shí)際問題進(jìn)行模糊評判、模糊決策、模糊識別和模糊聚類，往往能夠取得更好的效果。

（三）數(shù)據(jù)挖掘流程

1、數(shù)據(jù)挖掘環(huán)境。數(shù)據(jù)挖掘是指一個(gè)完整的過程，該過程從大型數(shù)據(jù)庫中挖掘先前未知的、有效的、可實(shí)用的信息，并使用這些信息做出決策或豐富知識。（圖1）

2、數(shù)據(jù)挖掘過程

（1）確定業(yè)務(wù)對象，清晰地定義出業(yè)務(wù)問題，認(rèn)清數(shù)據(jù)挖掘的目的是數(shù)據(jù)挖掘的重要一步。挖掘的最后結(jié)構(gòu)是不可預(yù)測的，但要探索的問題應(yīng)是有預(yù)見的，為了數(shù)據(jù)挖掘而數(shù)據(jù)挖掘則帶有盲目性，是不會成功的。

（2）數(shù)據(jù)準(zhǔn)備。①數(shù)據(jù)的選擇，搜索所有與業(yè)務(wù)對象有關(guān)的內(nèi)部和外部數(shù)據(jù)信息，并從中選擇出適用于數(shù)據(jù)挖掘應(yīng)用的數(shù)據(jù)。②數(shù)據(jù)的預(yù)處理，研究數(shù)據(jù)的質(zhì)量，為進(jìn)一步的分析做準(zhǔn)備，并確定將要進(jìn)行的挖掘操作的類型。③數(shù)據(jù)的轉(zhuǎn)換，將數(shù)據(jù)轉(zhuǎn)換成一個(gè)分析模型。這個(gè)分析模型是針對挖掘算法建立的，建立一個(gè)真正適合挖掘算法的分析模型是數(shù)據(jù)挖掘成功的關(guān)鍵。

（3）數(shù)據(jù)挖掘。對所得到的經(jīng)過轉(zhuǎn)換的數(shù)據(jù)進(jìn)行挖掘。除了完善選擇合適的挖掘算法外，其余一切工作都能自動地完成。

（4）結(jié)果分析。解釋并評估結(jié)果。其使用的分析方法一般應(yīng)視數(shù)據(jù)挖掘操作而定，通常會用到可視化技術(shù)。

（5）知識的同化。將分析所得到的知識集成到業(yè)務(wù)信息系統(tǒng)的組織結(jié)構(gòu)中去。

二、數(shù)據(jù)挖掘在財(cái)務(wù)風(fēng)險(xiǎn)分析中的運(yùn)用

（一）財(cái)務(wù)風(fēng)險(xiǎn)概述。財(cái)務(wù)風(fēng)險(xiǎn)指企業(yè)由于負(fù)債融資導(dǎo)致的凈資產(chǎn)收益率或每股收益的不確定性，也是企業(yè)到期不能還本付息的可能性。財(cái)務(wù)風(fēng)險(xiǎn)也稱籌資風(fēng)險(xiǎn)，產(chǎn)生財(cái)務(wù)風(fēng)險(xiǎn)的根源在于，由于舉債融資后，預(yù)期實(shí)現(xiàn)的資產(chǎn)報(bào)酬率是否大于債務(wù)利率的不確定性。財(cái)務(wù)風(fēng)險(xiǎn)防范、控制及化解的前置條件是對財(cái)務(wù)風(fēng)險(xiǎn)及其特點(diǎn)的充分認(rèn)識。一般地，財(cái)務(wù)風(fēng)險(xiǎn)具有以下幾個(gè)特征：

1、客觀性。在市場經(jīng)濟(jì)條件下，財(cái)務(wù)風(fēng)險(xiǎn)是客觀存在的，不以個(gè)人的意志為轉(zhuǎn)移，任何經(jīng)營活動都存在著兩種可能的結(jié)果，即實(shí)現(xiàn)預(yù)期目標(biāo)和無法實(shí)現(xiàn)預(yù)期目標(biāo)，這就意味著無法實(shí)現(xiàn)預(yù)期目標(biāo)的風(fēng)險(xiǎn)客觀存在，要完全消除風(fēng)險(xiǎn)及其影響是不現(xiàn)實(shí)的。

2、不確定性。財(cái)務(wù)風(fēng)險(xiǎn)雖然是客觀存在的，可以事前加以估計(jì)和控制，但由于影響財(cái)務(wù)活動結(jié)果的各種因素不斷發(fā)生變化，因此事前并不能準(zhǔn)確地確定財(cái)務(wù)風(fēng)險(xiǎn)的大小。

3、共存性。財(cái)務(wù)風(fēng)險(xiǎn)與收益并存且成正比關(guān)系，一般來說，財(cái)務(wù)活動的風(fēng)險(xiǎn)越大，收益也就越高。

（二）運(yùn)用數(shù)據(jù)挖掘技術(shù)分析財(cái)務(wù)風(fēng)險(xiǎn)。采用數(shù)據(jù)挖掘算法建立企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測模型，主要包括決策樹法、神經(jīng)網(wǎng)絡(luò)法和模糊數(shù)學(xué)法等。

1、決策樹法。決策樹是建立在信息論基礎(chǔ)之上，是數(shù)據(jù)挖掘中常用到的技術(shù)，主要用來找出能描述、區(qū)分?jǐn)?shù)據(jù)類的模型，以便對類標(biāo)記未知的對象類進(jìn)行預(yù)測。一種展示類似于什么條件下得到什么值的對數(shù)據(jù)進(jìn)行分類的一種方法，可由此預(yù)測風(fēng)險(xiǎn)的大小、市場動態(tài)變化等。

2、神經(jīng)網(wǎng)絡(luò)法。神經(jīng)網(wǎng)絡(luò)建立在自學(xué)習(xí)的數(shù)學(xué)模型基礎(chǔ)之上，具有自組織和并行處理能力、很強(qiáng)的輸入\輸出非線性影射能力以及易于學(xué)習(xí)和訓(xùn)練等特點(diǎn)，它可以對大量復(fù)雜的數(shù)據(jù)進(jìn)行分析，并可以完成對人腦或其他計(jì)算機(jī)來說極為復(fù)雜的模式抽取及趨勢分析。

3、模糊數(shù)學(xué)法。財(cái)務(wù)風(fēng)險(xiǎn)具有某種不確定性。系統(tǒng)的復(fù)雜性越高，則其精確性越低，也就意味著模型性越強(qiáng)。在運(yùn)用數(shù)據(jù)挖掘技術(shù)對財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行分析的過程中，利用模糊數(shù)學(xué)方法對實(shí)際問題進(jìn)行模糊評判、模糊決策、模糊識別和模糊聚類，往往能夠取得更好的效果。

（三）運(yùn)用數(shù)據(jù)挖掘進(jìn)行財(cái)務(wù)風(fēng)險(xiǎn)分析的實(shí)施步驟

1、確定財(cái)務(wù)風(fēng)險(xiǎn)分析的對象。清晰的定義出財(cái)務(wù)風(fēng)險(xiǎn)分析的對象，認(rèn)清數(shù)據(jù)挖掘的目的是數(shù)據(jù)挖掘的重要一步，挖掘的最后結(jié)果是不可預(yù)測的，但對要分析的問題應(yīng)該是有計(jì)劃的，盲目的數(shù)據(jù)挖掘是不會成功的。

2、準(zhǔn)備財(cái)務(wù)風(fēng)險(xiǎn)分析數(shù)據(jù)。首先，獲取原始的數(shù)據(jù)，該數(shù)據(jù)應(yīng)是企業(yè)可用于分析的、邏輯清楚的、易獲取的數(shù)據(jù)，并從中抽取一定數(shù)量的子集，建立數(shù)據(jù)挖掘庫。其次，對數(shù)據(jù)的選擇，對所有與財(cái)務(wù)風(fēng)險(xiǎn)有關(guān)的數(shù)據(jù)信息進(jìn)行收集后，從邏輯數(shù)據(jù)中選擇出適用于數(shù)據(jù)挖掘的數(shù)據(jù)，同時(shí)對所選擇的數(shù)據(jù)進(jìn)行預(yù)處理，研究數(shù)據(jù)的質(zhì)量，為進(jìn)一步分析做準(zhǔn)備；最后，對數(shù)據(jù)進(jìn)行轉(zhuǎn)換，將數(shù)據(jù)轉(zhuǎn)換成一個(gè)分析模型，這個(gè)分析模型是針對挖掘算法建立的。

3、數(shù)據(jù)挖掘。對所得到的經(jīng)過轉(zhuǎn)換的數(shù)據(jù)進(jìn)行挖掘，在對數(shù)據(jù)進(jìn)行挖掘前，應(yīng)選擇合適的挖掘算法。

篇(4)

關(guān)鍵詞：上市公司;財(cái)務(wù)風(fēng)險(xiǎn);預(yù)警

中圖分類號：F23 文獻(xiàn)標(biāo)識碼：A

收錄日期：2015年9月19日

隨著市場競爭環(huán)境的進(jìn)一步加劇，上市公司面臨的市場競爭和財(cái)務(wù)活動的復(fù)雜性不斷增強(qiáng)，其生存和發(fā)展面臨著前所未有的挑戰(zhàn)，因財(cái)務(wù)危機(jī)導(dǎo)致經(jīng)營陷入困境甚至破產(chǎn)的案例日益增多。這些問題不僅使投資者及債權(quán)人的合法利益得到侵害，增加了資本市場的風(fēng)險(xiǎn)，也影響宏觀經(jīng)濟(jì)的平穩(wěn)有序發(fā)展。因此，如何通過建立財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警機(jī)制，確保財(cái)務(wù)風(fēng)險(xiǎn)到來前就預(yù)先識別，并提前執(zhí)行預(yù)案，消除風(fēng)險(xiǎn)隱患，成為上市公司急需重視并解決的現(xiàn)實(shí)問題。

一、上市公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警概述

財(cái)務(wù)預(yù)警是通過對企業(yè)財(cái)務(wù)報(bào)表數(shù)據(jù)和相關(guān)數(shù)據(jù)進(jìn)行分析，對企業(yè)財(cái)務(wù)狀況進(jìn)行識別和判斷，提前監(jiān)測并化解企業(yè)面臨的財(cái)務(wù)危機(jī)。實(shí)際工作中，財(cái)務(wù)預(yù)警首先要選擇合適的企業(yè)財(cái)務(wù)指標(biāo)構(gòu)建財(cái)務(wù)預(yù)警指標(biāo)體系，然后采用相關(guān)分析方法，對上市公司的經(jīng)營活動、財(cái)務(wù)活動等進(jìn)行分析預(yù)測，最后得出綜合預(yù)警結(jié)果，并采取預(yù)警措施。從上市公司財(cái)務(wù)預(yù)警現(xiàn)狀看，往往因?yàn)橹匾暢潭鹊?、指?biāo)選擇不當(dāng)、預(yù)警流程不暢和分析方法落后等影響財(cái)務(wù)預(yù)警效果。在財(cái)務(wù)預(yù)警機(jī)制建立和健全方面的研究中，主要集中在財(cái)務(wù)預(yù)警指標(biāo)的選擇及預(yù)警模型的建立等方面。尤其是在預(yù)警模型研究方面，經(jīng)歷了單變量模型、統(tǒng)計(jì)模型、人工智能模型以及基于支持向量機(jī)方法預(yù)測等階段。近年來，部分學(xué)者將公司治理變量引入預(yù)警模型加以研究，取得了一些成果。

二、國內(nèi)上市公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警現(xiàn)狀

（一）財(cái)務(wù)預(yù)警指標(biāo)未緊密聯(lián)系上市公司實(shí)際。一方面是財(cái)務(wù)預(yù)警大多以量化的財(cái)務(wù)指標(biāo)作為解釋變量，對其他影響重大但定性指標(biāo)因素考慮較少，如公司治理方面的指標(biāo);另一方面是財(cái)務(wù)預(yù)警系統(tǒng)大多是靜態(tài)預(yù)警模型，未根據(jù)公司所處行業(yè)特征、不同歷史時(shí)期的發(fā)展?fàn)顩r、宏觀經(jīng)濟(jì)環(huán)境做出動態(tài)的指標(biāo)選擇，未根據(jù)不同階段的評價(jià)適時(shí)調(diào)整具體指標(biāo)的權(quán)重等，導(dǎo)致預(yù)警模型評價(jià)結(jié)果的準(zhǔn)確性、客觀性難以得到保證，預(yù)警模型的實(shí)用價(jià)值有限。

（二）財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警機(jī)制不完善。一是預(yù)警分析的組織機(jī)制不完善，大部分預(yù)警分析組織機(jī)制未納入公司治理機(jī)構(gòu);二是財(cái)務(wù)信息收集、傳遞流程與管理需要存在差距;三是財(cái)務(wù)風(fēng)險(xiǎn)分析方法和手段有限，在具體操作中往往流于可量化財(cái)務(wù)指標(biāo)分析，結(jié)合經(jīng)濟(jì)環(huán)境及企業(yè)管理狀況進(jìn)行預(yù)警的能力不足，分析效果有限。財(cái)務(wù)風(fēng)險(xiǎn)是一個(gè)動態(tài)概念，影響財(cái)務(wù)風(fēng)險(xiǎn)的因素十分繁多，如果僅僅依靠可量化的數(shù)據(jù)分析，那么上市公司面臨的風(fēng)險(xiǎn)系數(shù)必然增加;四是財(cái)務(wù)風(fēng)險(xiǎn)處理機(jī)制不健全，應(yīng)對處置工具有限。

（三）財(cái)務(wù)預(yù)警機(jī)制信息庫建設(shè)工作上存在不足。一方面是信息庫數(shù)據(jù)來源較為單一，大部分?jǐn)?shù)據(jù)來源為公司的各種財(cái)務(wù)報(bào)表，缺乏較長時(shí)間相關(guān)交易處理信息、國家相關(guān)政策、法規(guī)信息，以及公司所處的宏觀經(jīng)濟(jì)環(huán)境等信息源;另一方面是信息庫的信息資料實(shí)時(shí)更新不足，缺乏必要的、及時(shí)且有效的維護(hù)與更新。限于人員和技術(shù)缺乏，上市公司往往借助外界力量維護(hù)預(yù)警軟件系統(tǒng)，導(dǎo)致已經(jīng)建立的財(cái)務(wù)預(yù)警系統(tǒng)難得到及時(shí)維護(hù)與更新而成為空架子。同時(shí)，財(cái)務(wù)預(yù)警系統(tǒng)往往作為獨(dú)立的財(cái)務(wù)子系統(tǒng)，其構(gòu)建和使用往往由財(cái)務(wù)部門單獨(dú)完成，財(cái)務(wù)預(yù)警模型不能及時(shí)與其他業(yè)務(wù)信息系統(tǒng)交換數(shù)據(jù)，無法及時(shí)反映實(shí)際狀況，導(dǎo)致預(yù)警信號時(shí)效性差、準(zhǔn)確性不高。

（四）財(cái)務(wù)預(yù)警人員的業(yè)務(wù)素質(zhì)與實(shí)際需要不相符。財(cái)務(wù)預(yù)警人員的素質(zhì)決定了預(yù)警機(jī)制實(shí)施的成功與否。但由于利潤考核導(dǎo)向、人力資源緊張等普遍因素影響，上市公司中往往難以配備、配足財(cái)務(wù)預(yù)警專業(yè)人員，兼職現(xiàn)象普遍，財(cái)務(wù)預(yù)警人員存在專業(yè)水平低、專業(yè)技能不強(qiáng)、經(jīng)驗(yàn)不足等問題。

三、提高國內(nèi)上市公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警效果的措施

（一）建立科學(xué)的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警組織架構(gòu)。首先，將財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警工作從財(cái)務(wù)分析中獨(dú)立出來，根據(jù)清晰的崗位職責(zé)、流暢的溝通渠道、有效的合作機(jī)制的原則，成立專門機(jī)構(gòu)，組織專門人員負(fù)責(zé)財(cái)務(wù)風(fēng)險(xiǎn)數(shù)據(jù)收集整理，并根據(jù)專業(yè)的方法對財(cái)務(wù)風(fēng)險(xiǎn)數(shù)據(jù)進(jìn)行分析，及時(shí)準(zhǔn)確監(jiān)控財(cái)務(wù)運(yùn)行情況，為財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警工作打下堅(jiān)實(shí)的組織機(jī)構(gòu)基礎(chǔ);其次，健全財(cái)務(wù)風(fēng)險(xiǎn)控制制度，從組織上、經(jīng)濟(jì)上明確劃分風(fēng)險(xiǎn)責(zé)任，給予風(fēng)險(xiǎn)管理者應(yīng)得的利益，調(diào)動企業(yè)管理者及員工積極性，提高控制企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的動力。

（二）優(yōu)化和完善財(cái)務(wù)風(fēng)險(xiǎn)管理流程。對財(cái)務(wù)風(fēng)險(xiǎn)管理流程進(jìn)行改造，包括信息系統(tǒng)維護(hù)、財(cái)務(wù)風(fēng)險(xiǎn)報(bào)告、財(cái)務(wù)風(fēng)險(xiǎn)評估、財(cái)務(wù)風(fēng)險(xiǎn)應(yīng)對、財(cái)務(wù)風(fēng)險(xiǎn)評價(jià)及改進(jìn)、通過流程的完善等等，使財(cái)務(wù)風(fēng)險(xiǎn)管理的流程運(yùn)行順暢。尤其是在財(cái)務(wù)風(fēng)險(xiǎn)監(jiān)控和報(bào)告流程中，發(fā)揮財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警信息系統(tǒng)作用，為上市公司風(fēng)險(xiǎn)管理提供全面的數(shù)據(jù)基礎(chǔ)。通過流程的優(yōu)化和完善，實(shí)現(xiàn)財(cái)務(wù)管理有據(jù)可依，有序管理，嚴(yán)格監(jiān)控，信息有效。

（三）構(gòu)建符合實(shí)際的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警指標(biāo)體系和模型。一方面在指標(biāo)體系構(gòu)建中確保指標(biāo)包含不同類型的關(guān)鍵財(cái)務(wù)指標(biāo)，包括能反映盈利能力的指標(biāo)，如凈資產(chǎn)收益率、每股收益、投入資本回報(bào)率、成本費(fèi)用利潤率等;償債能力指標(biāo)，包括速動比率、速動比率、流動比率等;營運(yùn)能力指標(biāo)，包括股東權(quán)益周轉(zhuǎn)率、營運(yùn)資金周轉(zhuǎn)率、應(yīng)收賬款周轉(zhuǎn)率等;現(xiàn)金流量信息指標(biāo)，包括資本保值增值率、資本積累率、凈利潤增長率等。同時(shí)，在預(yù)警指標(biāo)的選取上，盡可能將范圍擴(kuò)大，使更多的指標(biāo)進(jìn)入到預(yù)警體系和模型中，如未流通股份數(shù)比例、獨(dú)立董事人數(shù)比例、董事會獨(dú)立法人占比、董事、監(jiān)事及高管人數(shù)及薪酬總額比例等公司治理相關(guān)因素等;另一方面在財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型方面，將國外先進(jìn)研究成果同我國的具體情形相結(jié)合，從單一變量模型向多變量模型轉(zhuǎn)變，及早發(fā)現(xiàn)財(cái)務(wù)風(fēng)險(xiǎn)信號，確保上市公司在財(cái)務(wù)風(fēng)險(xiǎn)萌芽階段就能采取有效防范措施。

（四）加強(qiáng)財(cái)務(wù)預(yù)警機(jī)制信息庫建設(shè)。信息庫數(shù)據(jù)的來源既要包括上市公司的各種財(cái)務(wù)報(bào)表，也要包括較長時(shí)間內(nèi)各種交易的處理信息、國家的相關(guān)政策、法規(guī)信息，以及公司所處的宏觀經(jīng)濟(jì)環(huán)境等各種公司內(nèi)部各類信息源。同時(shí)，保證信息資料實(shí)時(shí)更新，數(shù)據(jù)及時(shí)有效，提高信息庫的系統(tǒng)性、預(yù)測性、動態(tài)性以及實(shí)效性，為上市公司財(cái)務(wù)預(yù)警系統(tǒng)和財(cái)務(wù)狀況的分析及監(jiān)控提供原始數(shù)據(jù)。

（五）時(shí)刻關(guān)注市場環(huán)境變化，加強(qiáng)日常監(jiān)控。上市公司不是一個(gè)獨(dú)立的經(jīng)濟(jì)體，它需要與市場中的其他企業(yè)發(fā)生資源的流通方能產(chǎn)生效益。尤其在市場經(jīng)濟(jì)環(huán)境下，要密切關(guān)注競爭對手的變化，做到知己知彼才有機(jī)會生存和發(fā)展壯大。而且行業(yè)環(huán)境的變動對經(jīng)營者戰(zhàn)略決策的制定有至關(guān)重要的影響，進(jìn)而直接影響企業(yè)的財(cái)務(wù)狀況。因此，應(yīng)加強(qiáng)對財(cái)務(wù)預(yù)警系統(tǒng)的日常監(jiān)控，當(dāng)有危害企業(yè)財(cái)務(wù)狀況的關(guān)鍵因素出現(xiàn)時(shí)，及時(shí)提醒管理層預(yù)先采取措施防范財(cái)務(wù)風(fēng)險(xiǎn)。

主要參考文獻(xiàn)：

[1]張延波.企業(yè)集團(tuán)財(cái)務(wù)戰(zhàn)略與財(cái)務(wù)政策[M].北京：經(jīng)濟(jì)管理出版社，2002.

[2]尤雨佳.國有上市公司財(cái)務(wù)預(yù)警模型機(jī)應(yīng)用研究[D].重慶大學(xué)，2012.

篇(5)

關(guān)鍵詞：數(shù)據(jù)挖掘；會計(jì)管理；信息系統(tǒng)；應(yīng)用

中圖分類號：F235 文獻(xiàn)標(biāo)識碼：A

文章編號：1005-913X（2015）04-0145-01

一、引言

數(shù)據(jù)挖掘就是指從超大量的計(jì)算機(jī)數(shù)據(jù)中尋找和分析對企業(yè)有潛在價(jià)值的數(shù)據(jù)信息的步驟，該過程可以為企業(yè)的生產(chǎn)、經(jīng)營、管理和風(fēng)險(xiǎn)評估帶來巨大的價(jià)值，大大提高企業(yè)的管理水平和風(fēng)險(xiǎn)防御能力。因此，數(shù)據(jù)挖掘技術(shù)被廣泛應(yīng)用于企業(yè)管理、生產(chǎn)制造、政府管理、國家安全防御等各行各業(yè)中。據(jù)某調(diào)查數(shù)據(jù)顯示大約有30%的數(shù)據(jù)挖掘技術(shù)被應(yīng)用于會計(jì)管理領(lǐng)域中，32%的數(shù)據(jù)挖掘技術(shù)被應(yīng)用于金融分析與管理領(lǐng)域，用在信息系統(tǒng)和市場領(lǐng)域分別占29%和9%，該數(shù)據(jù)顯示數(shù)據(jù)挖掘已經(jīng)廣泛應(yīng)用于會計(jì)管理中，其可以幫助企業(yè)分析和挖掘出更多潛在的客戶、供貨商、潛在產(chǎn)品市場以及內(nèi)部管理的優(yōu)化數(shù)據(jù)等等，這些都將為企業(yè)提供更優(yōu)化的管理依據(jù)和運(yùn)營模式，以提高企業(yè)的綜合實(shí)力，增強(qiáng)其在市場中的競爭力。

二、數(shù)據(jù)挖掘技術(shù)概述

（一）數(shù)據(jù)挖掘的基本定義

數(shù)據(jù)挖掘是通過某種算法對計(jì)算機(jī)系統(tǒng)中已經(jīng)生成的大批量數(shù)據(jù)中進(jìn)行分析和挖掘，進(jìn)而得到所需有價(jià)值的信息或者尋求某種發(fā)展趨勢和模式的過程，數(shù)據(jù)挖掘是將現(xiàn)代統(tǒng)計(jì)學(xué)、計(jì)算機(jī)算法、離散數(shù)學(xué)、信息處理系統(tǒng)、機(jī)器學(xué)習(xí)、人工智能、數(shù)據(jù)庫管理和決策理論等多學(xué)科的知識交叉在一起所形成的。它可以有效地從海量的、繁雜的、毫無規(guī)律的實(shí)際應(yīng)用數(shù)據(jù)中，分析得到潛在的有價(jià)值的數(shù)據(jù)信息，以供企業(yè)使用，幫助其改善管理流程，并為管理者做判斷時(shí)提供有價(jià)值的參考。決策樹算法、聚類分析算法、蟻群算法、關(guān)聯(lián)分析算法、序列模式分析算法、遺傳算法、神經(jīng)網(wǎng)絡(luò)算法等都是數(shù)據(jù)挖掘技術(shù)中常用的算法，可以大大提高數(shù)據(jù)挖掘的效率和質(zhì)量。

（二）數(shù)據(jù)挖掘的基本流程

SEMMA方法是目前最受歡迎的一種數(shù)據(jù)挖掘方法，其由SAS研究所提出。它主要包括數(shù)據(jù)樣本采集、大數(shù)據(jù)搜索、數(shù)據(jù)調(diào)整、模型建立和挖掘結(jié)果評價(jià)五個(gè)數(shù)據(jù)挖掘步驟。

數(shù)據(jù)樣本采集過程是在數(shù)據(jù)挖掘之前進(jìn)行的數(shù)據(jù)儲備過程，該過程一般是先根據(jù)預(yù)先設(shè)定的數(shù)據(jù)挖掘目的，選定要進(jìn)行挖掘的的現(xiàn)有數(shù)據(jù)庫。采集過程主要是通過建立一個(gè)或多個(gè)數(shù)據(jù)表來實(shí)現(xiàn)的。所采集的樣本數(shù)據(jù)不僅要足夠多，以使得這些數(shù)據(jù)盡可能涵蓋所有可能有價(jià)值的潛在信息，還要保持在一定的數(shù)量級下，以防止計(jì)算機(jī)無法處理或者處理很慢。大數(shù)據(jù)搜索過程主要是對上一階段所采集的大樣本數(shù)據(jù)進(jìn)行初步分析的過程，通過對這些海量數(shù)據(jù)進(jìn)行初步分析以發(fā)現(xiàn)隱藏在數(shù)據(jù)中潛在價(jià)值，從而幫助調(diào)整數(shù)據(jù)挖掘的方向和目標(biāo)。數(shù)據(jù)調(diào)整過程主要是對前面兩個(gè)過程所得到基本信息進(jìn)行進(jìn)一步的篩選和修改，使其更加清有效，方便后續(xù)進(jìn)行建模處理，提高所建數(shù)學(xué)模型的精度。模型建立過程主要是通過決策樹分析、聚類分析、蟻群算法、關(guān)聯(lián)分析、序列模式分析、遺傳算法分析、神經(jīng)網(wǎng)絡(luò)等分析工具來建立模型，從采集的海量樣本數(shù)據(jù)中尋找那些能夠?qū)︻A(yù)測結(jié)果進(jìn)行可靠預(yù)測的模型。挖掘結(jié)果評價(jià)？過程主要是對從數(shù)據(jù)挖掘過程中發(fā)現(xiàn)的信息的實(shí)用性和可靠性進(jìn)行評估。

三、數(shù)據(jù)挖掘在管理會計(jì)中的運(yùn)用

隨著市場經(jīng)濟(jì)的發(fā)展，企業(yè)所面臨的競爭壓力越來越大，因此，企業(yè)管理者要想在這激烈的競爭中獲勝，就必須及時(shí)精準(zhǔn)的掌握企業(yè)運(yùn)行動態(tài)，市場動態(tài)，產(chǎn)品趨勢等關(guān)鍵性決策信息。而這些關(guān)鍵信息的獲取往往離不開會計(jì)管理的作用，其是現(xiàn)代企業(yè)決策支持系統(tǒng)的重要環(huán)節(jié)，而如何來高效準(zhǔn)確地發(fā)現(xiàn)這些關(guān)鍵性決策數(shù)據(jù)就成為制勝的關(guān)鍵，在會計(jì)管理中涉及到海量的數(shù)據(jù)，必須對這些海量數(shù)據(jù)進(jìn)行分析，才可以得出有價(jià)值的潛在信息，這就必須借助數(shù)據(jù)挖掘技術(shù)，以分析出關(guān)鍵決策信息，幫助企業(yè)改進(jìn)成本管理，改進(jìn)產(chǎn)品質(zhì)量和服務(wù)質(zhì)量，提高貨品銷量比率等等。

（一）作業(yè)成本及價(jià)值鏈數(shù)據(jù)挖掘

作業(yè)成本的精確控制可以幫助企業(yè)對自己的各項(xiàng)運(yùn)營成本進(jìn)行精確的計(jì)算，并對企業(yè)資源進(jìn)行最合理的分配和使用，但其精確的成本控制卻十分繁雜，以往完成一次需要耗費(fèi)大量的時(shí)間和經(jīng)歷，這一難點(diǎn)使得很多管理者退卻。而數(shù)據(jù)挖掘技術(shù)中的回歸分析、分類分析等方法可以是管理會計(jì)人員從海量數(shù)據(jù)中解脫出來，其可以通過計(jì)算機(jī)數(shù)據(jù)挖掘系統(tǒng)自動的得到準(zhǔn)確作業(yè)成本。同時(shí)，其還可以通過分析作業(yè)成本與價(jià)值鏈之間存在的關(guān)系，確定增值作業(yè)和非增值作業(yè)，持續(xù)改進(jìn)和優(yōu)化企業(yè)價(jià)值鏈。幫助企業(yè)降低運(yùn)營成本，提高企業(yè)利潤，

（二）資金趨勢數(shù)據(jù)挖掘

會計(jì)管理者往往需要對未來的企業(yè)的資金流發(fā)展趨勢進(jìn)行預(yù)測分析，以幫助制定下一財(cái)年的資金預(yù)算。但是預(yù)測往往是基于海量歷史數(shù)據(jù)和合適的預(yù)測模型的。而數(shù)學(xué)預(yù)測模型通過人工得到是十分困難的。為了克服這個(gè)難題，可以充分利用數(shù)據(jù)挖掘技術(shù)，其可以自動在海量數(shù)據(jù)中按照預(yù)設(shè)的規(guī)則提取所需的預(yù)測信息，并通過趨勢分析、時(shí)間序列分析、神經(jīng)網(wǎng)絡(luò)分析、聚類分析等智能分析方法來建立對如成本、資金、銷量等的預(yù)測數(shù)學(xué)模型，高效精準(zhǔn)的預(yù)測出企業(yè)各項(xiàng)運(yùn)營指標(biāo)，作為管理者未來的決策依據(jù)。

（三）投資決策數(shù)據(jù)挖掘

現(xiàn)有的投資決策分析涉及到財(cái)務(wù)報(bào)告、運(yùn)營數(shù)據(jù)、資金流、外部市場環(huán)境、宏觀經(jīng)濟(jì)環(huán)境、企業(yè)產(chǎn)品依存度等繁雜的因素，其是一個(gè)十分復(fù)雜的過程，所以必須借助智能工具和模型。而數(shù)據(jù)挖掘技術(shù)就為投資決策分析提供了十分高效的工具，通過基于數(shù)據(jù)挖掘的分析工具可以直接從公司的財(cái)務(wù)、外部市場環(huán)境、宏觀經(jīng)濟(jì)環(huán)境以及企業(yè)產(chǎn)品依存度等海量的影響因素?cái)?shù)據(jù)中挖掘出與決策相關(guān)的有用信息，保證投資決策的正確性和有效性。

（四）顧客關(guān)系管理數(shù)據(jù)挖掘

良好的顧客關(guān)系管理模式是各大企業(yè)都十分重視的，其可以大大提高企業(yè)競爭力?；跀?shù)據(jù)挖據(jù)的顧客關(guān)系管理模式可以從現(xiàn)有的海量顧客關(guān)系管理數(shù)據(jù)中分析得到潛在的優(yōu)化客戶關(guān)系管理模式。先將顧客群體進(jìn)行分類，通過對數(shù)據(jù)挖掘技術(shù)中的分類和聚類分析工具來發(fā)現(xiàn)群體顧客的行為規(guī)律，從而對顧客進(jìn)行分組，實(shí)行差別化服務(wù)；然后對顧客的潛在價(jià)值進(jìn)行深入分析，一般可以從客戶數(shù)據(jù)信息中挖掘出客戶的消費(fèi)行為、需求以及偏好等因素，并對這些因素進(jìn)行動態(tài)跟蹤和監(jiān)控，并根據(jù)不同的顧客群的特點(diǎn)提供個(gè)性化的產(chǎn)品和服務(wù)，從而與顧客建立長期的合作關(guān)系，提高顧客保持力。

（五） 財(cái)務(wù)風(fēng)險(xiǎn)數(shù)據(jù)挖掘

企業(yè)要健康長久的運(yùn)行，必須加強(qiáng)對財(cái)務(wù)風(fēng)險(xiǎn)的評估和分析預(yù)警。傳統(tǒng)模式的風(fēng)險(xiǎn)評估難度大，周期長，很難滿足企業(yè)的實(shí)際需求?；诖?，會計(jì)師可以充分利用數(shù)據(jù)挖掘工具份額高效性和精確性來對企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行全面預(yù)測和評估，并進(jìn)一步通過建立企業(yè)財(cái)務(wù)危機(jī)預(yù)警模型來對企業(yè)進(jìn)行破產(chǎn)預(yù)測、盈利預(yù)測、投資預(yù)測等等預(yù)測分析。通過建立這些完善的預(yù)測模型可以大大提高管理者的管理水平，讓其及時(shí)了解企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)、運(yùn)營風(fēng)險(xiǎn)、投資風(fēng)險(xiǎn)，并為其提前采取風(fēng)險(xiǎn)防范措施提高依據(jù)。

四、結(jié)語

會計(jì)管理信息化的過程中會產(chǎn)生大量的數(shù)據(jù)，其是企業(yè)巨大的潛在財(cái)富，要充分利用好這個(gè)潛在財(cái)富，就必須找到有利的工具。而數(shù)據(jù)挖掘技術(shù)則可以高效地從這些海量的數(shù)據(jù)中挖掘出對企業(yè)有價(jià)值的潛在信息，以為管理者的各項(xiàng)決策和控制提供依據(jù)，因此，會計(jì)管理人員要加強(qiáng)對數(shù)據(jù)挖掘技術(shù)的學(xué)習(xí)和應(yīng)用，為企業(yè)的發(fā)展注入新的活力。

參考文獻(xiàn)：

[1] 莊秋捷.數(shù)據(jù)挖掘技術(shù)在管理會計(jì)中的應(yīng)用[J].現(xiàn)代商業(yè)，2010（3）.

[2] 楊 釗.淺談數(shù)據(jù)挖掘技術(shù)在現(xiàn)代企業(yè)財(cái)務(wù)分析中的作用[J].中國總會計(jì)師，2010（4）.

[3] 王春華.淺談數(shù)據(jù)挖掘在管理會計(jì)中運(yùn)用[J].中國新技術(shù)新產(chǎn)品，2008（16）.

[4] 歐陽君媛，聶永紅.數(shù)據(jù)挖掘在企業(yè)財(cái)務(wù)管理中的應(yīng)用――企業(yè)成本及財(cái)務(wù)指標(biāo)分析系統(tǒng)的設(shè)計(jì)[J].廣西工學(xué)院學(xué)報(bào)，2005（S3）.

[5] 鄭樓英.數(shù)據(jù)挖掘技術(shù)在會計(jì)信息系統(tǒng)中的應(yīng)用初探[J].財(cái)會研究，2007（6）.

[6] 邊 泓.投資者在不同市場環(huán)境中的會計(jì)信息需求特征――基于前景理論和數(shù)據(jù)挖掘的實(shí)證研究[J].南開管理評論，2007（4）

篇(6)

風(fēng)險(xiǎn)評估的程序

筆者認(rèn)為，如果想要獲取更多的與風(fēng)險(xiǎn)評估有關(guān)的信息，可以查閱相關(guān)的統(tǒng)計(jì)年鑒、瀏覽相關(guān)的網(wǎng)站去搜尋更加可靠相關(guān)的信息，另外，幾種審計(jì)程序的運(yùn)用方面也應(yīng)該遵循一定的規(guī)律，例如，針對管理層的信用及治理層的監(jiān)督、公司治理結(jié)構(gòu)、內(nèi)部控制等初步的評價(jià)可以通過詢問管理層、治理層及被審計(jì)單位的內(nèi)審人員等獲取信息。在分析報(bào)表上的哪些項(xiàng)目有可能出現(xiàn)重大錯(cuò)報(bào)時(shí)，可以從分析性復(fù)核入手，主要有橫向趨勢分析、縱向趨勢分析、比率趨勢分析等方法，例如如果發(fā)現(xiàn)本年銷售收入與上年相比增長了78%，下一步可以通過詢問相關(guān)人員（包括管理人員、銷售部門人員、財(cái)務(wù)人員等），結(jié)合查閱的相關(guān)市場需求、企業(yè)戰(zhàn)略等分析銷售增長的原因，以初步判斷增長是否合理，并設(shè)計(jì)進(jìn)一步審計(jì)程序的時(shí)間和范圍，從而降低審計(jì)風(fēng)險(xiǎn)。

風(fēng)險(xiǎn)評估的方法

篇(7)

關(guān)鍵詞：生存分析法 農(nóng)業(yè)上市公司 財(cái)務(wù)困境 預(yù)警

中圖分類號：F275 文獻(xiàn)標(biāo)識碼：A 文章編號：1002-5812（2016）03-0038-04

一、引言

在我國，雖然作為第一產(chǎn)業(yè)的農(nóng)業(yè)在國內(nèi)生產(chǎn)總值中所占的份額從1952年的51%下降到2012年的10.1%，但這改變不了我國還是農(nóng)業(yè)大國的現(xiàn)狀。政府對農(nóng)業(yè)發(fā)展的重視程度也在逐年增加，“十一五”期間中央財(cái)政對“三農(nóng)”的投入約合3萬億元，年均增長比率高達(dá)23.6%；2011年的投入更是達(dá)到10 408.6億元。然而，發(fā)展現(xiàn)代化農(nóng)業(yè)僅僅依靠財(cái)政的扶持是遠(yuǎn)遠(yuǎn)不夠的，1993年同人華塑的成功上市標(biāo)志著我國農(nóng)業(yè)企業(yè)正式進(jìn)軍資本市場，然而截至2012年12月，在整個(gè)證券市場中，農(nóng)業(yè)上市公司的數(shù)量、資產(chǎn)規(guī)模和發(fā)行股票數(shù)量所占份額依然低于10%，與農(nóng)業(yè)的重要地位并不相稱。同時(shí)，我國農(nóng)業(yè)類上市公司頻頻因嚴(yán)重的財(cái)務(wù)問題而被證券交易所ST處理。在目前國際金融局勢極為不穩(wěn)定的情況下，我國農(nóng)業(yè)上市公司需要建立一套完善的財(cái)務(wù)困境預(yù)警體系來提高自身抵御外部資本市場波動帶來的財(cái)務(wù)風(fēng)險(xiǎn)的能力。

二、文獻(xiàn)綜述

目前國內(nèi)學(xué)者對我國農(nóng)業(yè)上市公司財(cái)務(wù)困境預(yù)警主要采用多元判別分析法、條件概率分析法和人工智能預(yù)測法。陳遠(yuǎn)志（2008）基于2003―2005年我國滬深兩市農(nóng)業(yè)上市公司的樣本數(shù)據(jù)，比較了單變量預(yù)警分析、Z計(jì)分模型、Zeta模型、修正的F模型以及分?jǐn)?shù)模型對我國農(nóng)業(yè)板塊上市公司的財(cái)務(wù)預(yù)警效果，結(jié)果顯示，后三者的預(yù)測準(zhǔn)確率明顯較高，且越接近被ST年份預(yù)測準(zhǔn)確率越高，其中加入行業(yè)修正值及現(xiàn)金流量指標(biāo)的分?jǐn)?shù)模型的預(yù)測準(zhǔn)確性在各時(shí)點(diǎn)均最高。馬曉利（2009）采用因子分析和Logistic回歸分析相結(jié)合的方法，基于2006年我國農(nóng)業(yè)上市公司財(cái)務(wù)數(shù)據(jù)構(gòu)建了包含資產(chǎn)留存收益率、每股收益、總資產(chǎn)增長率、每股經(jīng)營現(xiàn)金流量、每股凈資產(chǎn)、流動比率和銷售增長率7個(gè)指標(biāo)的財(cái)務(wù)預(yù)警模型。袁康來（2008）采用Logistic回歸分析和多元判別分析法相結(jié)合的方式，構(gòu)建了含有農(nóng)業(yè)收入狀況指標(biāo)的預(yù)警模型。郝曉雁（2008）對2003―2005年我國農(nóng)業(yè)上市公司分年度構(gòu)建Logistic回歸模型，結(jié)果顯示利用被ST前三年的財(cái)務(wù)數(shù)據(jù)構(gòu)建的預(yù)測模型效果最好。

以上方法和模型雖然在理論上發(fā)展的較為成熟且在實(shí)踐上也取得了良好的效果，但是這些傳統(tǒng)分析方法都不能避免靜態(tài)時(shí)點(diǎn)性的缺陷，無法對企業(yè)陷入財(cái)務(wù)困境的過程進(jìn)行動態(tài)把握，進(jìn)而影響其對企業(yè)財(cái)務(wù)預(yù)警的效果。本研究擬采用生存分析方法將研究對象的生存時(shí)間數(shù)據(jù)納入模型，更好地滿足財(cái)務(wù)困境預(yù)警研究的動態(tài)性要求，豐富我國農(nóng)業(yè)上市公司財(cái)務(wù)困境預(yù)警研究領(lǐng)域的理論方法。

三、生存分析方法的相關(guān)概念

（一）生存分析的基本涵義。生存分析是研究一個(gè)或多個(gè)生物，在經(jīng)過某一特定時(shí)間后，會發(fā)生某種特定事件的概率。這個(gè)特定事件稱為“死亡事件”，這個(gè)特定時(shí)間稱為“死亡時(shí)間”。簡單來說，生存分析就是一種動態(tài)研究某現(xiàn)象或因素隨時(shí)間變化的規(guī)律的統(tǒng)計(jì)方法。

（二）生存時(shí)間的概念。生存時(shí)間是指從某種起始事件開始，到某種終點(diǎn)事件截止，研究對象所經(jīng)歷的時(shí)間跨度，常用符號t表示，由起點(diǎn)、終點(diǎn)和時(shí)間尺度三個(gè)要素構(gòu)成。定義生存時(shí)間概念的關(guān)鍵是某種“特定事件”，該“特定事件”可以根據(jù)研究目的和專業(yè)知識由研究者在設(shè)計(jì)階段自行確定。

（三）生存數(shù)據(jù)分類。實(shí)驗(yàn)設(shè)計(jì)的思路各不相同，不同的研究者進(jìn)行觀測的時(shí)間也不同，加上觀測對象存在個(gè)體差異性，因此生存數(shù)據(jù)的表現(xiàn)形式會因?yàn)檠芯繉ο筮M(jìn)入或退出觀測的時(shí)間不同而分成兩類：第一類是完全數(shù)據(jù)，是指起點(diǎn)事件和終點(diǎn)事件都可以被觀察到的研究對象，其觀測數(shù)據(jù)完全落于觀測起點(diǎn)與終點(diǎn)之間，這類研究對象的時(shí)間信息可以被完整記錄下來；第二類是截尾數(shù)據(jù)，是指未知真正生存時(shí)間的研究對象，其在觀測過程中因?yàn)槭гL、退出或研究時(shí)限已到而未能觀測到其起點(diǎn)事件或終點(diǎn)事件，這類研究對象的生存時(shí)間數(shù)據(jù)是不完整的。

四、研究設(shè)計(jì)

（一）模型的設(shè)定。本文首先利用非參數(shù)方法對我國農(nóng)業(yè)上市公司的生存時(shí)間進(jìn)行研究，找到樣本公司被ST處理的時(shí)間規(guī)律，進(jìn)而描述樣本公司生存狀況的特征。由于本文拋棄了配對抽樣的方法，將樣本一次性全部納入模型，且生存時(shí)間為離散數(shù)據(jù)，取值范圍為[3，18]，所以根據(jù)非參數(shù)方法大類下各方法的適用條件，最終采用Kaplan-Meier法進(jìn)行分析。該方法由英國統(tǒng)計(jì)學(xué)家Kaplan和Meier于1958年提出，該方法利用概率懲罰定理計(jì)算生存率，又稱乘積限法（Product-LimitMethod，P-L法）。Kaplan-Meier過程適用于小樣本或大樣本未分組資料的生存率的估計(jì)。對總體T的n個(gè)個(gè)體的生存時(shí)間進(jìn)行觀測，得到t1、t2…tn。當(dāng)ti是壽終數(shù)據(jù)時(shí)，令δi=1；當(dāng)ti是右截尾數(shù)據(jù)時(shí)，令δi=0。將數(shù)據(jù)記為（ti，δi）（i=1，2，…，n）。

其次，本文選用適當(dāng)?shù)呢?cái)務(wù)指標(biāo)構(gòu)建Cox比例風(fēng)險(xiǎn)模型，來分析各財(cái)務(wù)指標(biāo)與樣本公司的生存率的相關(guān)關(guān)系及程度，并根據(jù)SPSS計(jì)算出的基準(zhǔn)生存函數(shù)，結(jié)合樣本公司的財(cái)務(wù)數(shù)據(jù)計(jì)算并預(yù)測各個(gè)樣本公司的生存率。Cox比例風(fēng)險(xiǎn)模型是1972年由Cox提出的一種在存在截尾數(shù)據(jù)時(shí)使用的生存分析半?yún)?shù)模型。該模型的基本形式是假設(shè)有n個(gè)觀察對象，第i（i=1，2，3…，n）例個(gè)體的生存時(shí)間為ti，同時(shí)設(shè)協(xié)變量X=（Xi1，Xi2，…Xip）是影響樣本生存時(shí)間的p個(gè)危險(xiǎn)因素。設(shè)h（t，x）表示在危險(xiǎn)因素x的影響下時(shí)刻t的風(fēng)險(xiǎn)率；設(shè)h0（t）表示在沒有危險(xiǎn)因素x的影響下時(shí)刻t的風(fēng)險(xiǎn)率。顯然h0（t）=h（t，0），并稱h0（t）為基礎(chǔ)風(fēng)險(xiǎn)函數(shù)。

（二）生存時(shí)間的界定和研究樣本的選擇。本文借鑒“大農(nóng)業(yè)”的概念，認(rèn)為農(nóng)業(yè)不僅包括證監(jiān)會行業(yè)分類的狹義的農(nóng)業(yè)――農(nóng)林牧漁業(yè)，還應(yīng)當(dāng)包括把農(nóng)業(yè)資源或農(nóng)業(yè)產(chǎn)品作為經(jīng)營對象的行業(yè)，具體包括制造業(yè)中的依托農(nóng)產(chǎn)品創(chuàng)造價(jià)值的農(nóng)副食品加工業(yè)、食品制造業(yè)以及木材加工及木、竹、藤、棕、草制品業(yè)。據(jù)此對農(nóng)業(yè)上市公司進(jìn)行界定，在證監(jiān)會分類的40家上市公司的基礎(chǔ)上補(bǔ)充了65家，共計(jì)105家（其中ST公司18家，非ST公司87家）上市公司作為研究對象。

由于我國的證券交易所一般是根據(jù)上市公司前一年和前兩年的財(cái)務(wù)狀況來判定其是否應(yīng)該被實(shí)施特別處理，所以如果用上市公司被ST前一年或者前兩年的數(shù)據(jù)來建立模型，就是使用存在異常的財(cái)務(wù)數(shù)據(jù)來預(yù)測企業(yè)的異常財(cái)務(wù)狀態(tài)，容易導(dǎo)致模型的預(yù)測能力被高估。所以本文需要對樣本公司觀測終點(diǎn)和被ST前三年的財(cái)務(wù)數(shù)據(jù)進(jìn)行分析，故剔除上市時(shí)間不足3年的公司39家，剔除南方食品（000716）、中農(nóng)資源（600313）這兩家上市不足3年即被ST的公司，剔除財(cái)務(wù)數(shù)據(jù)缺失的公司0家，得到樣本公司共64家。

本文定義生存時(shí)間的起點(diǎn)為企業(yè)首發(fā)上市交易的時(shí)間，這樣就可以避免左截尾數(shù)據(jù)帶來的影響。由于財(cái)務(wù)報(bào)告有延時(shí)性，為了保證數(shù)據(jù)的完整性，故將觀測終點(diǎn)確定為2011年12月31日。本文定義生存分析中的“死亡事件”為上市公司因“財(cái)務(wù)狀況異?！倍蛔C監(jiān)會施以“特別處理”，本文采用的時(shí)間尺度為年。所有樣本生存數(shù)據(jù)來自大智慧，財(cái)務(wù)數(shù)據(jù)來自銳思數(shù)據(jù)庫。

五、實(shí)證結(jié)果及分析

（一）Kaplan-Meier分析。以2011年12月31日為時(shí)間觀察截點(diǎn)，以上市公司IPO作為起點(diǎn)事件，以上市公司被ST作為死亡事件，依此對上市公司的生存時(shí)間進(jìn)行轉(zhuǎn)換。如果在此期間公司被ST，則生存時(shí)間為完全數(shù)據(jù)；反之，則為截尾數(shù)據(jù)。對樣本公司的生存狀態(tài)變量的定義如下：“1”=發(fā)生ST，“0”=未發(fā)生ST。在所選取的樣本中，上市公司康達(dá)爾（00048）在觀測期間內(nèi)發(fā)生了兩次ST，對第二次生存過程，本文視其為新樣本；新樣本起點(diǎn)事件為“摘帽”，即在第一次ST之后，重新恢復(fù)正常。所以實(shí)證研究過程的最終樣本總量為65，其中ST公司17家，非ST公司48家。樣本公司具體生存時(shí)間如上頁表1所示。

利用Kaplan-Meier法對樣本公司的生存數(shù)據(jù)進(jìn)行分析并估計(jì)生存函數(shù)和累積風(fēng)險(xiǎn)函數(shù)。從圖1可以看出，生存曲線分為兩階段，在8年以前，曲線下降幅度較小，而8年之后，曲線下降幅度顯著增大，以2年為單位保持較大的下降幅度，直至14年之后不再變動。從圖2也可看出，在8年以前，累積風(fēng)險(xiǎn)函數(shù)上升較緩，而在8年以后，累積風(fēng)險(xiǎn)函數(shù)上升幅度增大，并保持較大的上升幅度到第14年，之后不再變動。因而可以認(rèn)為，上市8年是上市公司的一個(gè)重要時(shí)間點(diǎn)，在8年之前，上市公司由于剛上市，財(cái)務(wù)結(jié)構(gòu)良好、資金充足、管理層的管理水平與企業(yè)相適應(yīng)，因而風(fēng)險(xiǎn)率相對較低，而在上市8年后，由于生產(chǎn)經(jīng)營可能遇到發(fā)展瓶頸、資金流動性不足、管理層對新的市場把握不足等因素，使得上市公司陷入財(cái)務(wù)困境的風(fēng)險(xiǎn)逐步上升，被ST處理的概率也相應(yīng)增大。

利用非參數(shù)法對我國農(nóng)業(yè)上市公司的生存時(shí)間進(jìn)行估計(jì)，可以分析我國農(nóng)業(yè)上市公司陷入財(cái)務(wù)困境的風(fēng)險(xiǎn)與時(shí)間的關(guān)系，從總體上把握財(cái)務(wù)風(fēng)險(xiǎn)隨時(shí)間的變化規(guī)律。其缺點(diǎn)是無法得到影響生存時(shí)間的因素及影響的程度，且無法度量個(gè)體的財(cái)務(wù)風(fēng)險(xiǎn)大小，為此，我們需要建立可以分析協(xié)變量影響的Cox模型。

（二）Cox預(yù)警模型構(gòu)建。

1.預(yù)警指標(biāo)的選擇。本文構(gòu)建的財(cái)務(wù)預(yù)警指標(biāo)體系，主要考慮反映公司經(jīng)營狀況的盈利能力、償債能力、營運(yùn)能力、成長能力、現(xiàn)金流量能力以及反映農(nóng)業(yè)上市公司農(nóng)業(yè)收入狀況六個(gè)方面的財(cái)務(wù)指標(biāo)，并結(jié)合數(shù)據(jù)情況確定了37個(gè)具體指標(biāo)，如下頁表2所示。

2.預(yù)警模型系數(shù)估計(jì)。本文對T-3年的財(cái)務(wù)數(shù)據(jù)進(jìn)行Cox回歸分析后，有5個(gè)財(cái)務(wù)指標(biāo)選入模型。如下頁表3所示。將下頁表4的Step 5中指標(biāo)作為協(xié)變量，代入公式得到生存分析模型：

入選模型的5個(gè)財(cái)務(wù)指標(biāo)的相關(guān)系數(shù)矩陣如表5所示：

回歸因子相關(guān)系數(shù)矩陣顯示，入選指標(biāo)的相關(guān)性均不高，所以模型不存在多重共線性的影響。

從以上結(jié)果可以看出，最終入選模型的變量為產(chǎn)權(quán)比率、營業(yè)收入增長率、總資產(chǎn)增長率、投入資本回報(bào)率和農(nóng)業(yè)收入占比5個(gè)指標(biāo)。這說明企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)水平和償債能力、成長能力、現(xiàn)金流量能力及農(nóng)業(yè)收入占比情況相關(guān)。

Cox模型結(jié)果中得到的生存函數(shù)圖與K-M法得出的是一致的，因此所求的基準(zhǔn)生存率應(yīng)該服從對數(shù)Logistic分布，其生存函數(shù)和風(fēng)險(xiǎn)函數(shù)分別為：

在已知分布形式和對應(yīng)變量數(shù)據(jù)的情況下，本文采用回歸分析對基準(zhǔn)生存函數(shù)進(jìn)行擬合，首先對式（7）進(jìn)行變換，將其轉(zhuǎn)化為線性回歸形式：

然后利用SPSS統(tǒng)計(jì)軟件對模型中的未知參數(shù)γ、α進(jìn)行估計(jì)，具體結(jié)果見表7。

從結(jié)果可以看出，模型中R2=0.971，兩個(gè)參數(shù)也通過了t檢驗(yàn)，說明模型擬合度較好，也間接說明基準(zhǔn)生存函數(shù)服從對數(shù)Logistic分布這一判斷是正確的。得到的模型具體形式為：

（三）Cox預(yù)警模型的檢驗(yàn)。

1.比例風(fēng)險(xiǎn)假定檢驗(yàn)（PH檢驗(yàn)）。比例風(fēng)險(xiǎn)假定檢驗(yàn)可以分為統(tǒng)計(jì)量檢驗(yàn)和圖形檢驗(yàn)，其中圖形檢驗(yàn)中常用的檢驗(yàn)是Cox-KM生存曲線比較圖，它將Cox模型和非參數(shù)方法估計(jì)的生存曲線對比，若其趨勢基本一致，并且沒有交叉，則說明符合PH假定。

如圖4所示，左邊為原始數(shù)據(jù)K-M分析得到的生存函數(shù)圖，右邊為Cox模型估計(jì)所得到的生存函數(shù)圖，可以看出兩張圖的形狀基本吻合，可以認(rèn)為模型滿足PH假定，即比例風(fēng)險(xiǎn)模型在此是適合的。

2.參數(shù)檢驗(yàn)。在Cox比例風(fēng)險(xiǎn)模型中，常用χ2來檢驗(yàn)?zāi)Ｐ驼w的統(tǒng)計(jì)顯著性，包括似然比檢驗(yàn)、Score檢驗(yàn)和Wald檢驗(yàn)三種方式。三種方法的檢驗(yàn)結(jié)果都顯示：顯著水平均為Sig

3.判別能力檢驗(yàn)。檢驗(yàn)?zāi)Ｐ团袆e能力首先要確定判定臨界值，在利用Cox模型進(jìn)行預(yù)測時(shí)，對于確定區(qū)分財(cái)務(wù)困境公司和非財(cái)務(wù)困境公司的臨界值的方法一般有兩種：一種是假定企業(yè)發(fā)生財(cái)務(wù)困境或財(cái)務(wù)健康的概率各占一半，這樣可以得到臨界值0.5；另一種是采用樣本中正常樣本占總樣本的比例為分界點(diǎn)。本文采用的方法是后者，得到的最佳判定點(diǎn)生存率為0.738。

本文所建立的Cox模型的預(yù)測結(jié)果中，一類錯(cuò)誤率為22.22%，二類錯(cuò)誤率為3.64%，總錯(cuò)誤率為6.25%，相應(yīng)的，模型預(yù)測準(zhǔn)確率為93.75%。

六、結(jié)論

本文運(yùn)用生存分析法找到能夠反映我國農(nóng)業(yè)上市公司隨著持續(xù)經(jīng)營時(shí)間而變化的實(shí)際財(cái)務(wù)風(fēng)險(xiǎn)情況的財(cái)務(wù)指標(biāo)，構(gòu)建財(cái)務(wù)困境預(yù)警模型并對我國農(nóng)業(yè)上市公司的財(cái)務(wù)困境進(jìn)行預(yù)測，從理論上證明了生存分析方法在我國農(nóng)業(yè)上市公司財(cái)務(wù)困境預(yù)警研究領(lǐng)域的適用性和優(yōu)越性。具體結(jié)論如下：

1.利用K-M法對樣本公司的壽命數(shù)據(jù)進(jìn)行分析并估計(jì)生存函數(shù)和累積生存函數(shù)，初步得出了在市場中維持健康經(jīng)營接近8年或者超過8年的企業(yè)，要及時(shí)對自身的財(cái)務(wù)狀況和財(cái)務(wù)風(fēng)險(xiǎn)變化趨勢進(jìn)行分析，以預(yù)測出現(xiàn)財(cái)務(wù)困境的可能性并采取相應(yīng)的措施，而生存時(shí)間超過14年的企業(yè)基本可以維持健康的財(cái)務(wù)狀態(tài)的結(jié)論。

2.用T-3年的財(cái)務(wù)指標(biāo)構(gòu)建Cox比例風(fēng)險(xiǎn)模型，結(jié)果表明，與財(cái)務(wù)困境顯著相關(guān)的有五個(gè)指標(biāo)，分別是產(chǎn)權(quán)比率、營業(yè)收入增長率、總資產(chǎn)增長率、投入資本回報(bào)率和農(nóng)業(yè)收入占比，我國農(nóng)業(yè)上市公司應(yīng)該關(guān)注這些指標(biāo)的變化情況。Cox模型的實(shí)證結(jié)果顯示誤判率僅為6.25%，證明生存分析方法在我國農(nóng)業(yè)上市公司財(cái)務(wù)困境預(yù)警研究中是適用的。

參考文獻(xiàn)：

[1]陳遠(yuǎn)志.我國農(nóng)業(yè)上市公司財(cái)務(wù)預(yù)警模型效果的比較研究[J].華東經(jīng)濟(jì)管理，2008，（5）.

[2]馬曉利.我國農(nóng)業(yè)上市公司財(cái)務(wù)危機(jī)防范體系研究[D].西北農(nóng)林科技大學(xué)，2009.

[3]袁康來，吳曉林.奧特曼模型在我國農(nóng)業(yè)上市公司財(cái)務(wù)危機(jī)預(yù)警中應(yīng)用的探討[J].消費(fèi)導(dǎo)刊，2008，（2）.