人工智能财务风险精品(七篇)

序论：写作是一种深度的自我表达。它要求我们深入探索自己的思想和情感，挖掘那些隐藏在内心深处的真相，好投稿为您带来了七篇人工智能财务风险范文，愿它们成为您写作过程中的灵感催化剂，助力您的创作。

篇(1)

一、人工智能概述

人工智能（AI）又称为机器智能，John McCarthy将其定义为“制造智能化机器的相关科学和工程”[1]。对此我们可以理解为“研究能否实现、如何实现这样的智能系统的科学知识和研究领域”。在此基础上，著名研究型大学MIT的温斯顿解释为“人工智能是解决如何让计算机完成之前由人类才能完成的工作”[2]。其实许多研究者都有不同的见解，所以除此之外还有很多种定义，但都基本上反映出人工智能的内涵与思想。简单的说，人工智能就是“关于研发人工构造出的可以模拟人的意识和思维方式的计算机系统的理论和应用，这些系统可以取代部分目前人类正在做的工作”。

二、会计行业人力资源的现状

企业在任何时候都不应该忽视人力资源的影响和作用，尤其是作为服务型的会计行业，因为它的人力资源通常表现为工作者的技能水平，可以说它是决定本行业核心竞争力的最重要因素。近几年来由于企业逐步迈向科学化管理和现代化管理，所以无论是在数量上还是质量上，会计行业对专业人才的需求层次都越来越高。虽然会计行业的人力资源状况在现阶段还处于不断变化之中，但是我们仍然可以归结出以下问题。

（一）文化水平普遍较低

目前我国会计人员数量众多，但是文化水平普遍较低。数据显示，截止2014年我国已有1600万的财会人员，而注会人数仅有16万。在这1600万人中，只有13%的人员经过专门的会计培训，10%左右的人员受到过大学或者专科以上的教育[3]。

（二）部分人员职业素质不高

一方面是由于现有会计人员大多知识内容单一、结构老化、层次不够丰富，接受新知识速度较慢以及对本职工作感到枯燥、缺乏热情和敬业精神等使得业务素质不高；另一方面是职业素质不高，会计人员职业素质和操守是工作质量的重要影响因素之一，而目前我国对财会从业人员的职业素质与法规方面的培养不够重视，部分会计人员法制观念淡薄，在工作中徇私舞弊甚至造假作假等，造成账务混乱，带来财务和税务的风险，降低了行业公信力。

（三）会计人员队伍能力结构失衡

目前我国的会计行业发展现状是队伍能力结构失衡，而且呈现两极分化的趋势，一边是会计行业中普通的核算人员的数量越来越多，几乎达到饱和。另一边高水平的财务管理人才有很大的市场缺口，高级应用型、复合型人才在社会上供不应求[4]。虽然我国已经引入管理会计几十年有余，但是仍然没有得到实际应用和全面推广。

三、人工智能带来的影响

（一）人工智能适用于会计行业

随着社会经济发展程度的不断提高，人工智能的技术已经可以适用于会计行业的部分工作，会计行业发展的新特点将是以电子技术和计算机系统为主。目前的会计行业的工作方式和核算手段日新月异，它经历了从早期的手工核算到会计电算化，再到如今在审计、会计和税务等工作中引入人工智能的概念。正如知名企业家李开复所言，在未来的几年里，机器不仅仅只是取代一些低技能的低端工作，它可以完成人类大部分的工作，这里我们用“冰山模型”解释人工智能适用于会计行业的程度，如图1所示。

如同上升的冰山一样，随着人工智能的发展与完善，将会有越来越多的功能被引入会计行业。目前只有财务会计人员所做的部分不需要多少技术含量、简单重复的工作，例如帮助员工阅读乏味的合同和其他文件将被善于记忆与运算的计算机系统所取代，审计、税务等基础的财务人员会逐步减少，取而代之的是智能审计、智能税务等人工智能系统。随着人工智能与会计信息系统的不断结合，互联网、数据挖掘和云计算的进一步发展，以及支持财务分析和会计信息系统的创新，人类将构建出智能财务决策支持系统[5]。但是冰山不会无限上升，因为人工智能是按照事先设定的规则执行程序的，它没有感情，不能彻底地实现灵活思考，例如在涉及人的方面――处理组织与人员、组织与组织和组织与人员的问题时，人工智能并不具有完全智能地处理问题的能力，因而人工智能并不能完全取代财务会计人员。

（二）人工智能促进会计行业的发展

随着人工智能浪潮的到来，及时引进并利用其高性能的运算能力和数据存储能力等优势，可以在以下几个方面促进会计行业的发展。

1.人工智能可以减少失误。会计行业在现阶段普遍存在会计信息失实的问题，这种问题的一个主要原因是由于巨大的数据量造成的人为失误，另一个原因是部分内部人员为了以权谋私而对信息进行了数据造假或者更改。人工智能系统的引入，则可以有效避免手工编制询证函而造成的潜在失误[6]。一定程度上缓解了由会计工作失误而带来的信息不真实的问题，减少了会计信息混乱和财产流失的风险。

2.人工智能可以使会计行业的业务效率得到提高。其实自助银行的ATM存取款机其实已经取代了银行人员的部分工作，同时提高了服务的效率。例如人工智能的“智能”系统在对相关的科目、交易进行全面分析后，可以在更短的时间里进行风险评估和挑选样本函证。财会人员将不必在花费时间和精力在类似普通核算这样简单而费神的工作上，转而有机会去处理更加复杂的事情。

3.提高企业的核心竞争力。人工智能在数据挖掘的基础上可以处理数据、建立数据库并跟踪数据分析，甚至可以对建模分析、对投资预测，相对于人类有限的信息存储量和计算能力，人工智能具有更加齐备的信息和高速的运算能力。同时，人工智能可以结合专家决策系统识别并提出消除金融危机给财务管理带来的影响，可以通过学习来识别财务风险，化解安全隐患，建立预警模型。

4.释放人力资源和减少用工成本。现在的会计人员大多按照基本流程来划分工作职能。而核算和监督是会计的两个基本职能，会计人员最主要的业务就是审核、记载、报告和存档等基础工作，现在人工智能的引进可以大量解决这种日常的、标准的、高频的工作，从而减少财务核算型人员，减少用工的成本。

（三）人工智能带来的变革

1.人工智能的引入可以迅速处理许多以前要耗费大量精力才能处理的事情，从枯燥乏味的合同阅读和一些其他文件的审查工作中解放出来，而且还可以在复杂的文件中提取有效信息从而让业务的处理流程和程序得到简化，同时极大提高了工作的效率和拓宽人类的专业知识。结合互联网技术，会计可以实现集中的财务共享模式，让每一个员工都能够亲身感受到公司财务的运营。

2.人工智能将改变传统会计人员的工作职能。人工智能释放大量的会计人力资源，这部分人力资源要想不被淘汰，必须从自身实现转型，由普通核算人员向管理会计人员转型。即使人工智能可以模仿人类的智慧，但是始终达不到和人类一样的智慧，因此会计行业中广泛涉及分析、预测和统筹等的管理会计将是财会人员的生机。人工智能会集中各种数据，管理会计将有价值的信息从这些数据中提取出来综合后发挥管理智能。

3.管理结构趋于扁平化。由于人工智能裁减了部分普通核算人员，企业的行政管理层次也得到削减。和以前相比，引入人工智能后的组织结构精简干练。

4.人力资源管理职能转变。目前会计行业中使用财务软件、税务软件和审计软件等就是人工智能迈向会计行业的第一步，这些软件像机器人一样提高工作效率。会计行业中的战略、顾问和服务三项职能在传统的人力资源管理模型中呈现为金字塔形[7]。随着会计行业的一部分服务由人工智能系统去完成，在新型的人力资源管理中，服务被一分为二。如图表2所示。

四、启示

（一）人力资源规划

科技的进步使人工智能正逐步取代部分会计人员，会计行业的岗位需求将逐步下降，虽然在某些方面人工智能可以模仿人类智慧，甚至可以超过人类，但是人工智能并适用于会计行业的每一个领域。所以公司的人力资源部门重要发展方向之一就是要细分工作职能，挑选适合的“人”去担任相应的职能。

（二）人才招聘与薪金管理

随着网络技术的发展和电算化的普及，作为会计人员，应该持续关注那些可以对人类社会产生重大影响的技术。加之现在人工智能的引用，财会型企业在招聘人才时不能只单单注重其会计业务能力和从业资格证书，还应当考查其IT等相关技能，优先选取综合型人才。针对不同业务水平和能力的员工应制定相适应的薪金体系，合适的薪金体系才能留住和吸引人才。对于综合型、管理型的人才的薪金应高于普通核算型人才，并且随着人工智能的进一步发展与引进，应逐步扩大两者的差距。

（三）人才培训与发展

时代在不断发展，会计企业也必须要加强员工的再教育。一方面会计行业应培养员工的计算机信息技术，让员工在掌握常用的计算机操作和财务会计软件之外多了解一些其他业务技能，乘势提高自身核心竞争力；另一方面，会计行业应大力培养高层次的复合型人才，让会计人员具有良好的专业素养和自己的专业判断，能够在海量的数据中做出取舍，准确预测，做一些人工智能所不能完成的工作。

（四）企业文化整合

人工智能作为一种新概念被引进，势必会在会计行业造成新观念、新思想与传统观念和传统思想的冲突。从组织内部来看，对已经遵守若干年的企业文化，尤其是老员工，总是沿袭自己习惯的做法，不愿意接受新的思维方式，但是一味地抱残守缺，只会阻碍组织的前进，甚至陷入“第二曲线理论”。因此，会计行业必须本着平稳过渡、充分沟通的原则对两种文化进行融合升华和重塑创新。

（五）完善信息系统

一方面要全面提高财会行业的信息系统化水平，加快完善运行平台等系统设施，在财会工作中加入电算化并制定具有针对性的发展计划；另一方面，只有适合自身领域的人工智能才是最好用的，必须结合人工智能的应用和会计行业的具体业务。因而为了制造出可以被本行业所广泛应用的人工智能，会计人员必须参与相关的技术开发与研究[8]。

篇(2)

[关键词]财务预警；模式；构建；变量

[DOI]10.13939/ki.zgsc.2015.15.051

1 企业财务预警模式的价值

1997年的亚洲金融危机、2008年的金融海啸、2010年的欧洲债信危机等事件，都深刻地影响着世界的金融市场、企业、国家与人们的投资信心。近年来，如何建构财务预警模式已经被许多学者广泛讨论，财务预警模式可以帮助投资人对于投资企业体质健全与否进行整体性的评估，可避免投资品质较差的公司，保障自己的投资资产。财务预警模式可以帮助公司决策者对公司经营不确定性的风险提早反应，针对经营策略、重要决策、公司管理决策去改变，以避免公司危机的发生。财务预警模式可以帮助银行针对企业公司借贷进行审核，评估企业的财务与公司管理状态。财务预警模式还可以帮助政府或金融机构针对不良企业监测，或作为企业压力测量的模式，保障投资人与股东权益。

最近许多学者将财务预警模式以混合模式（Hybrid Model）来预测，将统计分析与算法、人工智能分析手法做结合，财务预警模式分为两阶段模式：筛选变量与分类预测。第一阶段是筛选变量，利用不同手法筛选出具有贡献性与相关性的财务与非财务变量；第二阶段是分类预测手法，将第一阶段所筛选出的变量作为分类预测手法中的输入变量，获得分类预测值。

2 财务预警模式的相关变量

早期的研究都只采取财务方面的变量，但近年来许多研究指出公司治理层面对于企业财务危机占有一定的影响性，例如Daily&Dalton研究中结果发现加入公司治理（监理）方面的变量，可以增加模式预测正确率。还有研究发现利用会计信息、公司治理变量及盈余管理这些方面所建构的财务预警模式比单一方面会有更好的模式绩效与预测正确率。TCRI信用评级是最近发展的企业风险衡量指标，它是TEJ研发出来的一套评估企业信用风险方案，利用公开信息有效过滤出信用风险较高的企业，许多金融机构都采用该指标作为企业核贷的标准。根据先前研究，可以将财务预警模式的变量分为财务变量、非财务变量。财务变量按照证监会的规定，又可分为财务结构、偿债能力、现金流量、经营能力和获利能力五个方面，共18种财务比率变量，提供投资人及银行加以参考。而非财务变量包含公司治理、盈余管理、信用评级等方面的变量。

财务变量：财务结构，显示公司使用资本融资的程度；偿债能力，显示公司的变现力（流动性）；现金流量，显示公司的现金流动方向及额度；经营能力，显示衡量公司运用各种资产的效能；获利能力，显示公司获得利益能力。非财务变量：公司治理，显示防范管理者伤害及强化公司竞争力与管理效能；盈余管理，显示公司借助合法范围达到预期盈余目标的管理能力；信用评级，显示公司的信用程度；其他相关变量。

3 变量分析

本文选择22个变量作为筛选前变量，包含财务变量、公司治理变量、信用评级变量，前18个变量为财务变量，编号19～21为公司治理变量，编号22为信用评级变量。本研究分开计算健全与危机公司的平均值与标准差，在进行筛选变量阶段之前，了解财务预警各方面变量的分布情形。

3.1 财务变量方面

一是财务结构：负债比率越高代表负债金额越高，该危机公司在负债比率是稳定公司的两倍。二是偿债能力：流动比率与速动比率越高，代表公司流动性越高，短期内发生财务危机概率越低。若利息保障倍数为负，代表此公司亏损。三是现金流量：现金流量比率若跌且有明显跌幅，代表公司资金操作已恶化，代表公司呈现危机概率升高，负值代表营业活动净现金流量为负，代表营业活动净现金流量流出大于流入。四是经营能力：净值周转率在表示自有资本在一年期间内从营业收入收回的次数多少，净值周转率太高表示自有资本少，稳定性较弱，太低则表示自有资本太多或营业额太少。因此，净值周转率指标并无法明显看出该数值与公司健全或危机状态有明显的相关，太高或太低都不好。应收账款周转率（次），衡量企业在特定期间内，收回赊销账款的能力。数值越高，表示公司从客户端的收款能力越好。存货周转率（次）若越高，代表公司的营运状况、流动性较好。总资产周转率（次）综合评价企业全部资产经营质量和利用效率的指针，次数越多，周转速度越快，营运能力也就越大。总资产成长率、净值成长率、营收成长率都是关于成长的指标，这三个指标越高代表公司的经营能力是肯定的。五是获利能力：总资产报酬率、营业毛利率、税后净利率、每股盈余、营业利益率这些指标都是有关于获利能力高低，因此指标越高代表获利能力高。

3.2 非财务变量方面

一是公司治理方面：董监持股比率、董监持（质）押股比率、经理人持股比率这三个持股比率指标，是关于公司内部高层所持股的情形，不宜比例太重或偏向某方，因此稳定公司在这3个指标上都低于危机公司。二是信用评级方面：由于TCRI信用评级为1到10级，等级越低代表企业信用评级越好，而本研究数据危机公司大概呈现在8，稳定公司为5.5。

4 研究结论

早期的财务预警模式考虑的变量较少且大多采用过去文献中的变量，并没有进行筛选变量阶段，直接利用统计方法去建构财务预警模式，预测企业公司的健全或危机。1990年之后随着人工智能方法流行，许多财务预警模式采用人工智能方法去建构，虽然许多研究指出人工智能方法的预测绩效比过去传统方法要好，但很多应用性的研究多以培训资料的准确率作为结论基础，是否纳入类神经方法的过度训练的问题，有待商榷。本研究的实证数据显示，类神经方法在训练数据往往呈现高准确率，但以测量数据检验其类神经训练模式，不一定有相对高的准确率，无法排除类神经方法过度训练的问题，因此本研究在模式绩效比较上，评估包含类神经模式的方法是以训练绩效为主，测量绩效为辅。

在财务类神经预警模式上，近年来许多研究尝试以两阶段混合模式来处理，本研究在两阶段中先分别进行Eta Square与Stepwise LR筛选变量阶段，再利用BPNN与GRNN做分类预测阶段，形成4个混合模式，探讨这4个混合模式绩效高低，并且另外进行不经过筛选变量阶段直接利用3个方法（Stepwise LR，BPNN，GRNN）建构单一方法模式，实证研究采用我国电子产业作为研究对象。整体来说，本研究所实验的7个模式中，结果呈现两阶段混合模式在准确率上，测试数据混合模式的平均绩效优于单一类神经模式。在预测平均准确率方面，其中Eta Square+GRNN（先以Eta Square作变量筛选，再以GRNN作分类预测）有最高的平均准确度86.9%。研究也显示，虽然逐步罗吉斯回归所得的平均准确率81.6%不是所有模式最高的，但其绩效具有相当稳定的效果。筛选变量阶段模式对于绩效分别有平均5.6%（准确率）和9.1%（检验水平）的正面提升。至于在筛选阶段的两种变量筛选方法与类神经的搭配方面，根据本研究数据显示，BPNN搭配Stepwise LR和GRNN搭配Eta Square有较高的绩效。在筛选阶段中，两种方法的筛选后变量相同部分为负债比率与TCRI信用评级。负债比率呈现公司的负债数值，TCRI信用评级则是银行常用的评级企业是否核贷或放款的重要指标，这两项指标与企业是否危机有重要的相关程度。

参考文献：

篇(3)

一、数据挖掘

（一）数据挖掘的概念。数据挖掘（DM）是近年来随着人工智能和数据库发展而出现的一门新兴技术，它综合了统计学、模式识别、人工神经网络、遗传算法等先进技术。数据挖掘是数据库中知识发现（KDD）中的核心部分，KDD一词首次出现在1989年8月举行的第11届国际联合工人智能学术会上，从1989年至今，KDD的定义随着人们研究的不断深入也在不断完善。目前，比较公认的定义是Fayyad等给出的：KDD是从数据集中识别出有效的、新颖的、潜在的、有用的以及最终可理解模式的高级处理过程。KDD的过程一般包括数据清理、数据集成、数据选择、数据变换、数据挖掘、模式评估、知识表示等。其中数据挖掘，指从数据库储存的大量数据中，提取隐含在其中的、以前未知的、具有潜在应用价值的模型或规则等有用知识的复杂过程，是一类深层次的数据分析方法。提取的知识表示为概念、规则、规律、模式等形式。也可以说，数据挖掘是一类深层次的数据分析，是实现数据上升到知识的必然过程。但在通常的应用中，并不区分KDD和DM的概念。

数据挖掘包含了一系列旨在从数据集中发现有用而尚未发现的模式的技术。数据挖掘的目的是为决策建模，即根据对过去活动的分析预测将来的行为。这也是数据挖掘最吸引人的地方，即它能建立预测型而不是回顾型的模型。

（二）数据挖掘的主要方法。数据挖掘是一种综合性技术，其所涉及的学科领域主要包括数学、计算机科学、管理科学和信息科学等，主要方法有：

1、决策树方法。决策树方法是数据挖掘中经常使用的方法，它可以用来进行数据分析，也可以用来做预测。决策树是一个类似流程图的树型结构，其中每个内部节点表示在一个属性上的测试，每个分枝代表一个测试输出，而每个树叶点代表类或类分布，树的最顶层节点是根节点。决策树建立的过程，即树的生长过程是不断地把数据进行切分的过程，每次切分对应一个问题，也对应着一个节点。对每个切分都要求分成的组之间的“差异”最大。

2、神经网络法。神经网络最早由心理学家和神经生物学家提出，旨在寻求开发和测试神经的计算模拟。由于神经网络在解决复杂问题时能够提供一种相对简单的方法，因此近年来越来越受到人们的关注。典型的神经网络模型主要分三大类：（1）以感知机、BP反向传播模型、函数型网络为代表的，用于分类、预测和模式识别的前馈式神经网络模型；（2）以Hopfield的离散模型和连续模型为代表的，分别用于联想记忆和优化计算的反馈式神经网络模型；（3）以ART模型、Kohonen模型为代表的，用于聚类的自组织映射方法。

3、模糊数学法。客观事物往往具有某种不确定性。系统的复杂性越高，则其精确性越低，也就意味着模型性越强。在数据挖掘过程中，利用模糊数学方法对实际问题进行模糊评判、模糊决策、模糊识别和模糊聚类，往往能够取得更好的效果。

（三）数据挖掘流程

1、数据挖掘环境。数据挖掘是指一个完整的过程，该过程从大型数据库中挖掘先前未知的、有效的、可实用的信息，并使用这些信息做出决策或丰富知识。（图1）

2、数据挖掘过程

（1）确定业务对象，清晰地定义出业务问题，认清数据挖掘的目的是数据挖掘的重要一步。挖掘的最后结构是不可预测的，但要探索的问题应是有预见的，为了数据挖掘而数据挖掘则带有盲目性，是不会成功的。

（2）数据准备。①数据的选择，搜索所有与业务对象有关的内部和外部数据信息，并从中选择出适用于数据挖掘应用的数据。②数据的预处理，研究数据的质量，为进一步的分析做准备，并确定将要进行的挖掘操作的类型。③数据的转换，将数据转换成一个分析模型。这个分析模型是针对挖掘算法建立的，建立一个真正适合挖掘算法的分析模型是数据挖掘成功的关键。

（3）数据挖掘。对所得到的经过转换的数据进行挖掘。除了完善选择合适的挖掘算法外，其余一切工作都能自动地完成。

（4）结果分析。解释并评估结果。其使用的分析方法一般应视数据挖掘操作而定，通常会用到可视化技术。

（5）知识的同化。将分析所得到的知识集成到业务信息系统的组织结构中去。

二、数据挖掘在财务风险分析中的运用

（一）财务风险概述。财务风险指企业由于负债融资导致的净资产收益率或每股收益的不确定性，也是企业到期不能还本付息的可能性。财务风险也称筹资风险，产生财务风险的根源在于，由于举债融资后，预期实现的资产报酬率是否大于债务利率的不确定性。财务风险防范、控制及化解的前置条件是对财务风险及其特点的充分认识。一般地，财务风险具有以下几个特征：

1、客观性。在市场经济条件下，财务风险是客观存在的，不以个人的意志为转移，任何经营活动都存在着两种可能的结果，即实现预期目标和无法实现预期目标，这就意味着无法实现预期目标的风险客观存在，要完全消除风险及其影响是不现实的。

2、不确定性。财务风险虽然是客观存在的，可以事前加以估计和控制，但由于影响财务活动结果的各种因素不断发生变化，因此事前并不能准确地确定财务风险的大小。

3、共存性。财务风险与收益并存且成正比关系，一般来说，财务活动的风险越大，收益也就越高。

（二）运用数据挖掘技术分析财务风险。采用数据挖掘算法建立企业财务风险预测模型，主要包括决策树法、神经网络法和模糊数学法等。

1、决策树法。决策树是建立在信息论基础之上，是数据挖掘中常用到的技术，主要用来找出能描述、区分数据类的模型，以便对类标记未知的对象类进行预测。一种展示类似于什么条件下得到什么值的对数据进行分类的一种方法，可由此预测风险的大小、市场动态变化等。

2、神经网络法。神经网络建立在自学习的数学模型基础之上，具有自组织和并行处理能力、很强的输入\输出非线性影射能力以及易于学习和训练等特点，它可以对大量复杂的数据进行分析，并可以完成对人脑或其他计算机来说极为复杂的模式抽取及趋势分析。

3、模糊数学法。财务风险具有某种不确定性。系统的复杂性越高，则其精确性越低，也就意味着模型性越强。在运用数据挖掘技术对财务风险进行分析的过程中，利用模糊数学方法对实际问题进行模糊评判、模糊决策、模糊识别和模糊聚类，往往能够取得更好的效果。

（三）运用数据挖掘进行财务风险分析的实施步骤

1、确定财务风险分析的对象。清晰的定义出财务风险分析的对象，认清数据挖掘的目的是数据挖掘的重要一步，挖掘的最后结果是不可预测的，但对要分析的问题应该是有计划的，盲目的数据挖掘是不会成功的。

2、准备财务风险分析数据。首先，获取原始的数据，该数据应是企业可用于分析的、逻辑清楚的、易获取的数据，并从中抽取一定数量的子集，建立数据挖掘库。其次，对数据的选择，对所有与财务风险有关的数据信息进行收集后，从逻辑数据中选择出适用于数据挖掘的数据，同时对所选择的数据进行预处理，研究数据的质量，为进一步分析做准备；最后，对数据进行转换，将数据转换成一个分析模型，这个分析模型是针对挖掘算法建立的。

3、数据挖掘。对所得到的经过转换的数据进行挖掘，在对数据进行挖掘前，应选择合适的挖掘算法。

篇(4)

关键词：上市公司;财务风险;预警

中图分类号：F23 文献标识码：A

收录日期：2015年9月19日

随着市场竞争环境的进一步加剧，上市公司面临的市场竞争和财务活动的复杂性不断增强，其生存和发展面临着前所未有的挑战，因财务危机导致经营陷入困境甚至破产的案例日益增多。这些问题不仅使投资者及债权人的合法利益得到侵害，增加了资本市场的风险，也影响宏观经济的平稳有序发展。因此，如何通过建立财务风险预警机制，确保财务风险到来前就预先识别，并提前执行预案，消除风险隐患，成为上市公司急需重视并解决的现实问题。

一、上市公司财务风险预警概述

财务预警是通过对企业财务报表数据和相关数据进行分析，对企业财务状况进行识别和判断，提前监测并化解企业面临的财务危机。实际工作中，财务预警首先要选择合适的企业财务指标构建财务预警指标体系，然后采用相关分析方法，对上市公司的经营活动、财务活动等进行分析预测，最后得出综合预警结果，并采取预警措施。从上市公司财务预警现状看，往往因为重视程度低、指标选择不当、预警流程不畅和分析方法落后等影响财务预警效果。在财务预警机制建立和健全方面的研究中，主要集中在财务预警指标的选择及预警模型的建立等方面。尤其是在预警模型研究方面，经历了单变量模型、统计模型、人工智能模型以及基于支持向量机方法预测等阶段。近年来，部分学者将公司治理变量引入预警模型加以研究，取得了一些成果。

二、国内上市公司财务风险预警现状

（一）财务预警指标未紧密联系上市公司实际。一方面是财务预警大多以量化的财务指标作为解释变量，对其他影响重大但定性指标因素考虑较少，如公司治理方面的指标;另一方面是财务预警系统大多是静态预警模型，未根据公司所处行业特征、不同历史时期的发展状况、宏观经济环境做出动态的指标选择，未根据不同阶段的评价适时调整具体指标的权重等，导致预警模型评价结果的准确性、客观性难以得到保证，预警模型的实用价值有限。

（二）财务风险预警机制不完善。一是预警分析的组织机制不完善，大部分预警分析组织机制未纳入公司治理机构;二是财务信息收集、传递流程与管理需要存在差距;三是财务风险分析方法和手段有限，在具体操作中往往流于可量化财务指标分析，结合经济环境及企业管理状况进行预警的能力不足，分析效果有限。财务风险是一个动态概念，影响财务风险的因素十分繁多，如果仅仅依靠可量化的数据分析，那么上市公司面临的风险系数必然增加;四是财务风险处理机制不健全，应对处置工具有限。

（三）财务预警机制信息库建设工作上存在不足。一方面是信息库数据来源较为单一，大部分数据来源为公司的各种财务报表，缺乏较长时间相关交易处理信息、国家相关政策、法规信息，以及公司所处的宏观经济环境等信息源;另一方面是信息库的信息资料实时更新不足，缺乏必要的、及时且有效的维护与更新。限于人员和技术缺乏，上市公司往往借助外界力量维护预警软件系统，导致已经建立的财务预警系统难得到及时维护与更新而成为空架子。同时，财务预警系统往往作为独立的财务子系统，其构建和使用往往由财务部门单独完成，财务预警模型不能及时与其他业务信息系统交换数据，无法及时反映实际状况，导致预警信号时效性差、准确性不高。

（四）财务预警人员的业务素质与实际需要不相符。财务预警人员的素质决定了预警机制实施的成功与否。但由于利润考核导向、人力资源紧张等普遍因素影响，上市公司中往往难以配备、配足财务预警专业人员，兼职现象普遍，财务预警人员存在专业水平低、专业技能不强、经验不足等问题。

三、提高国内上市公司财务风险预警效果的措施

（一）建立科学的财务风险预警组织架构。首先，将财务风险预警工作从财务分析中独立出来，根据清晰的岗位职责、流畅的沟通渠道、有效的合作机制的原则，成立专门机构，组织专门人员负责财务风险数据收集整理，并根据专业的方法对财务风险数据进行分析，及时准确监控财务运行情况，为财务风险预警工作打下坚实的组织机构基础;其次，健全财务风险控制制度，从组织上、经济上明确划分风险责任，给予风险管理者应得的利益，调动企业管理者及员工积极性，提高控制企业财务风险的动力。

（二）优化和完善财务风险管理流程。对财务风险管理流程进行改造，包括信息系统维护、财务风险报告、财务风险评估、财务风险应对、财务风险评价及改进、通过流程的完善等等，使财务风险管理的流程运行顺畅。尤其是在财务风险监控和报告流程中，发挥财务风险预警信息系统作用，为上市公司风险管理提供全面的数据基础。通过流程的优化和完善，实现财务管理有据可依，有序管理，严格监控，信息有效。

（三）构建符合实际的财务风险预警指标体系和模型。一方面在指标体系构建中确保指标包含不同类型的关键财务指标，包括能反映盈利能力的指标，如净资产收益率、每股收益、投入资本回报率、成本费用利润率等;偿债能力指标，包括速动比率、速动比率、流动比率等;营运能力指标，包括股东权益周转率、营运资金周转率、应收账款周转率等;现金流量信息指标，包括资本保值增值率、资本积累率、净利润增长率等。同时，在预警指标的选取上，尽可能将范围扩大，使更多的指标进入到预警体系和模型中，如未流通股份数比例、独立董事人数比例、董事会独立法人占比、董事、监事及高管人数及薪酬总额比例等公司治理相关因素等;另一方面在财务风险预警模型方面，将国外先进研究成果同我国的具体情形相结合，从单一变量模型向多变量模型转变，及早发现财务风险信号，确保上市公司在财务风险萌芽阶段就能采取有效防范措施。

（四）加强财务预警机制信息库建设。信息库数据的来源既要包括上市公司的各种财务报表，也要包括较长时间内各种交易的处理信息、国家的相关政策、法规信息，以及公司所处的宏观经济环境等各种公司内部各类信息源。同时，保证信息资料实时更新，数据及时有效，提高信息库的系统性、预测性、动态性以及实效性，为上市公司财务预警系统和财务状况的分析及监控提供原始数据。

（五）时刻关注市场环境变化，加强日常监控。上市公司不是一个独立的经济体，它需要与市场中的其他企业发生资源的流通方能产生效益。尤其在市场经济环境下，要密切关注竞争对手的变化，做到知己知彼才有机会生存和发展壮大。而且行业环境的变动对经营者战略决策的制定有至关重要的影响，进而直接影响企业的财务状况。因此，应加强对财务预警系统的日常监控，当有危害企业财务状况的关键因素出现时，及时提醒管理层预先采取措施防范财务风险。

主要参考文献：

[1]张延波.企业集团财务战略与财务政策[M].北京：经济管理出版社，2002.

[2]尤雨佳.国有上市公司财务预警模型机应用研究[D].重庆大学，2012.

篇(5)

关键词：数据挖掘；会计管理；信息系统；应用

中图分类号：F235 文献标识码：A

文章编号：1005-913X（2015）04-0145-01

一、引言

数据挖掘就是指从超大量的计算机数据中寻找和分析对企业有潜在价值的数据信息的步骤，该过程可以为企业的生产、经营、管理和风险评估带来巨大的价值，大大提高企业的管理水平和风险防御能力。因此，数据挖掘技术被广泛应用于企业管理、生产制造、政府管理、国家安全防御等各行各业中。据某调查数据显示大约有30%的数据挖掘技术被应用于会计管理领域中，32%的数据挖掘技术被应用于金融分析与管理领域，用在信息系统和市场领域分别占29%和9%，该数据显示数据挖掘已经广泛应用于会计管理中，其可以帮助企业分析和挖掘出更多潜在的客户、供货商、潜在产品市场以及内部管理的优化数据等等，这些都将为企业提供更优化的管理依据和运营模式，以提高企业的综合实力，增强其在市场中的竞争力。

二、数据挖掘技术概述

（一）数据挖掘的基本定义

数据挖掘是通过某种算法对计算机系统中已经生成的大批量数据中进行分析和挖掘，进而得到所需有价值的信息或者寻求某种发展趋势和模式的过程，数据挖掘是将现代统计学、计算机算法、离散数学、信息处理系统、机器学习、人工智能、数据库管理和决策理论等多学科的知识交叉在一起所形成的。它可以有效地从海量的、繁杂的、毫无规律的实际应用数据中，分析得到潜在的有价值的数据信息，以供企业使用，帮助其改善管理流程，并为管理者做判断时提供有价值的参考。决策树算法、聚类分析算法、蚁群算法、关联分析算法、序列模式分析算法、遗传算法、神经网络算法等都是数据挖掘技术中常用的算法，可以大大提高数据挖掘的效率和质量。

（二）数据挖掘的基本流程

SEMMA方法是目前最受欢迎的一种数据挖掘方法，其由SAS研究所提出。它主要包括数据样本采集、大数据搜索、数据调整、模型建立和挖掘结果评价五个数据挖掘步骤。

数据样本采集过程是在数据挖掘之前进行的数据储备过程，该过程一般是先根据预先设定的数据挖掘目的，选定要进行挖掘的的现有数据库。采集过程主要是通过建立一个或多个数据表来实现的。所采集的样本数据不仅要足够多，以使得这些数据尽可能涵盖所有可能有价值的潜在信息，还要保持在一定的数量级下，以防止计算机无法处理或者处理很慢。大数据搜索过程主要是对上一阶段所采集的大样本数据进行初步分析的过程，通过对这些海量数据进行初步分析以发现隐藏在数据中潜在价值，从而帮助调整数据挖掘的方向和目标。数据调整过程主要是对前面两个过程所得到基本信息进行进一步的筛选和修改，使其更加清有效，方便后续进行建模处理，提高所建数学模型的精度。模型建立过程主要是通过决策树分析、聚类分析、蚁群算法、关联分析、序列模式分析、遗传算法分析、神经网络等分析工具来建立模型，从采集的海量样本数据中寻找那些能够对预测结果进行可靠预测的模型。挖掘结果评价？过程主要是对从数据挖掘过程中发现的信息的实用性和可靠性进行评估。

三、数据挖掘在管理会计中的运用

随着市场经济的发展，企业所面临的竞争压力越来越大，因此，企业管理者要想在这激烈的竞争中获胜，就必须及时精准的掌握企业运行动态，市场动态，产品趋势等关键性决策信息。而这些关键信息的获取往往离不开会计管理的作用，其是现代企业决策支持系统的重要环节，而如何来高效准确地发现这些关键性决策数据就成为制胜的关键，在会计管理中涉及到海量的数据，必须对这些海量数据进行分析，才可以得出有价值的潜在信息，这就必须借助数据挖掘技术，以分析出关键决策信息，帮助企业改进成本管理，改进产品质量和服务质量，提高货品销量比率等等。

（一）作业成本及价值链数据挖掘

作业成本的精确控制可以帮助企业对自己的各项运营成本进行精确的计算，并对企业资源进行最合理的分配和使用，但其精确的成本控制却十分繁杂，以往完成一次需要耗费大量的时间和经历，这一难点使得很多管理者退却。而数据挖掘技术中的回归分析、分类分析等方法可以是管理会计人员从海量数据中解脱出来，其可以通过计算机数据挖掘系统自动的得到准确作业成本。同时，其还可以通过分析作业成本与价值链之间存在的关系，确定增值作业和非增值作业，持续改进和优化企业价值链。帮助企业降低运营成本，提高企业利润，

（二）资金趋势数据挖掘

会计管理者往往需要对未来的企业的资金流发展趋势进行预测分析，以帮助制定下一财年的资金预算。但是预测往往是基于海量历史数据和合适的预测模型的。而数学预测模型通过人工得到是十分困难的。为了克服这个难题，可以充分利用数据挖掘技术，其可以自动在海量数据中按照预设的规则提取所需的预测信息，并通过趋势分析、时间序列分析、神经网络分析、聚类分析等智能分析方法来建立对如成本、资金、销量等的预测数学模型，高效精准的预测出企业各项运营指标，作为管理者未来的决策依据。

（三）投资决策数据挖掘

现有的投资决策分析涉及到财务报告、运营数据、资金流、外部市场环境、宏观经济环境、企业产品依存度等繁杂的因素，其是一个十分复杂的过程，所以必须借助智能工具和模型。而数据挖掘技术就为投资决策分析提供了十分高效的工具，通过基于数据挖掘的分析工具可以直接从公司的财务、外部市场环境、宏观经济环境以及企业产品依存度等海量的影响因素数据中挖掘出与决策相关的有用信息，保证投资决策的正确性和有效性。

（四）顾客关系管理数据挖掘

良好的顾客关系管理模式是各大企业都十分重视的，其可以大大提高企业竞争力。基于数据挖据的顾客关系管理模式可以从现有的海量顾客关系管理数据中分析得到潜在的优化客户关系管理模式。先将顾客群体进行分类，通过对数据挖掘技术中的分类和聚类分析工具来发现群体顾客的行为规律，从而对顾客进行分组，实行差别化服务；然后对顾客的潜在价值进行深入分析，一般可以从客户数据信息中挖掘出客户的消费行为、需求以及偏好等因素，并对这些因素进行动态跟踪和监控，并根据不同的顾客群的特点提供个性化的产品和服务，从而与顾客建立长期的合作关系，提高顾客保持力。

（五） 财务风险数据挖掘

企业要健康长久的运行，必须加强对财务风险的评估和分析预警。传统模式的风险评估难度大，周期长，很难满足企业的实际需求。基于此，会计师可以充分利用数据挖掘工具份额高效性和精确性来对企业的财务风险进行全面预测和评估，并进一步通过建立企业财务危机预警模型来对企业进行破产预测、盈利预测、投资预测等等预测分析。通过建立这些完善的预测模型可以大大提高管理者的管理水平，让其及时了解企业的财务风险、运营风险、投资风险，并为其提前采取风险防范措施提高依据。

四、结语

会计管理信息化的过程中会产生大量的数据，其是企业巨大的潜在财富，要充分利用好这个潜在财富，就必须找到有利的工具。而数据挖掘技术则可以高效地从这些海量的数据中挖掘出对企业有价值的潜在信息，以为管理者的各项决策和控制提供依据，因此，会计管理人员要加强对数据挖掘技术的学习和应用，为企业的发展注入新的活力。

参考文献：

[1] 庄秋捷.数据挖掘技术在管理会计中的应用[J].现代商业，2010（3）.

[2] 杨 钊.浅谈数据挖掘技术在现代企业财务分析中的作用[J].中国总会计师，2010（4）.

[3] 王春华.浅谈数据挖掘在管理会计中运用[J].中国新技术新产品，2008（16）.

[4] 欧阳君媛，聂永红.数据挖掘在企业财务管理中的应用――企业成本及财务指标分析系统的设计[J].广西工学院学报，2005（S3）.

[5] 郑楼英.数据挖掘技术在会计信息系统中的应用初探[J].财会研究，2007（6）.

[6] 边 泓.投资者在不同市场环境中的会计信息需求特征――基于前景理论和数据挖掘的实证研究[J].南开管理评论，2007（4）

篇(6)

风险评估的程序

笔者认为，如果想要获取更多的与风险评估有关的信息，可以查阅相关的统计年鉴、浏览相关的网站去搜寻更加可靠相关的信息，另外，几种审计程序的运用方面也应该遵循一定的规律，例如，针对管理层的信用及治理层的监督、公司治理结构、内部控制等初步的评价可以通过询问管理层、治理层及被审计单位的内审人员等获取信息。在分析报表上的哪些项目有可能出现重大错报时，可以从分析性复核入手，主要有横向趋势分析、纵向趋势分析、比率趋势分析等方法，例如如果发现本年销售收入与上年相比增长了78%，下一步可以通过询问相关人员（包括管理人员、销售部门人员、财务人员等），结合查阅的相关市场需求、企业战略等分析销售增长的原因，以初步判断增长是否合理，并设计进一步审计程序的时间和范围，从而降低审计风险。

风险评估的方法

篇(7)

关键词：生存分析法 农业上市公司 财务困境 预警

中图分类号：F275 文献标识码：A 文章编号：1002-5812（2016）03-0038-04

一、引言

在我国，虽然作为第一产业的农业在国内生产总值中所占的份额从1952年的51%下降到2012年的10.1%，但这改变不了我国还是农业大国的现状。政府对农业发展的重视程度也在逐年增加，“十一五”期间中央财政对“三农”的投入约合3万亿元，年均增长比率高达23.6%；2011年的投入更是达到10 408.6亿元。然而，发展现代化农业仅仅依靠财政的扶持是远远不够的，1993年同人华塑的成功上市标志着我国农业企业正式进军资本市场，然而截至2012年12月，在整个证券市场中，农业上市公司的数量、资产规模和发行股票数量所占份额依然低于10%，与农业的重要地位并不相称。同时，我国农业类上市公司频频因严重的财务问题而被证券交易所ST处理。在目前国际金融局势极为不稳定的情况下，我国农业上市公司需要建立一套完善的财务困境预警体系来提高自身抵御外部资本市场波动带来的财务风险的能力。

二、文献综述

目前国内学者对我国农业上市公司财务困境预警主要采用多元判别分析法、条件概率分析法和人工智能预测法。陈远志（2008）基于2003―2005年我国沪深两市农业上市公司的样本数据，比较了单变量预警分析、Z计分模型、Zeta模型、修正的F模型以及分数模型对我国农业板块上市公司的财务预警效果，结果显示，后三者的预测准确率明显较高，且越接近被ST年份预测准确率越高，其中加入行业修正值及现金流量指标的分数模型的预测准确性在各时点均最高。马晓利（2009）采用因子分析和Logistic回归分析相结合的方法，基于2006年我国农业上市公司财务数据构建了包含资产留存收益率、每股收益、总资产增长率、每股经营现金流量、每股净资产、流动比率和销售增长率7个指标的财务预警模型。袁康来（2008）采用Logistic回归分析和多元判别分析法相结合的方式，构建了含有农业收入状况指标的预警模型。郝晓雁（2008）对2003―2005年我国农业上市公司分年度构建Logistic回归模型，结果显示利用被ST前三年的财务数据构建的预测模型效果最好。

以上方法和模型虽然在理论上发展的较为成熟且在实践上也取得了良好的效果，但是这些传统分析方法都不能避免静态时点性的缺陷，无法对企业陷入财务困境的过程进行动态把握，进而影响其对企业财务预警的效果。本研究拟采用生存分析方法将研究对象的生存时间数据纳入模型，更好地满足财务困境预警研究的动态性要求，丰富我国农业上市公司财务困境预警研究领域的理论方法。

三、生存分析方法的相关概念

（一）生存分析的基本涵义。生存分析是研究一个或多个生物，在经过某一特定时间后，会发生某种特定事件的概率。这个特定事件称为“死亡事件”，这个特定时间称为“死亡时间”。简单来说，生存分析就是一种动态研究某现象或因素随时间变化的规律的统计方法。

（二）生存时间的概念。生存时间是指从某种起始事件开始，到某种终点事件截止，研究对象所经历的时间跨度，常用符号t表示，由起点、终点和时间尺度三个要素构成。定义生存时间概念的关键是某种“特定事件”，该“特定事件”可以根据研究目的和专业知识由研究者在设计阶段自行确定。

（三）生存数据分类。实验设计的思路各不相同，不同的研究者进行观测的时间也不同，加上观测对象存在个体差异性，因此生存数据的表现形式会因为研究对象进入或退出观测的时间不同而分成两类：第一类是完全数据，是指起点事件和终点事件都可以被观察到的研究对象，其观测数据完全落于观测起点与终点之间，这类研究对象的时间信息可以被完整记录下来；第二类是截尾数据，是指未知真正生存时间的研究对象，其在观测过程中因为失访、退出或研究时限已到而未能观测到其起点事件或终点事件，这类研究对象的生存时间数据是不完整的。

四、研究设计

（一）模型的设定。本文首先利用非参数方法对我国农业上市公司的生存时间进行研究，找到样本公司被ST处理的时间规律，进而描述样本公司生存状况的特征。由于本文抛弃了配对抽样的方法，将样本一次性全部纳入模型，且生存时间为离散数据，取值范围为[3，18]，所以根据非参数方法大类下各方法的适用条件，最终采用Kaplan-Meier法进行分析。该方法由英国统计学家Kaplan和Meier于1958年提出，该方法利用概率惩罚定理计算生存率，又称乘积限法（Product-LimitMethod，P-L法）。Kaplan-Meier过程适用于小样本或大样本未分组资料的生存率的估计。对总体T的n个个体的生存时间进行观测，得到t1、t2…tn。当ti是寿终数据时，令δi=1；当ti是右截尾数据时，令δi=0。将数据记为（ti，δi）（i=1，2，…，n）。

其次，本文选用适当的财务指标构建Cox比例风险模型，来分析各财务指标与样本公司的生存率的相关关系及程度，并根据SPSS计算出的基准生存函数，结合样本公司的财务数据计算并预测各个样本公司的生存率。Cox比例风险模型是1972年由Cox提出的一种在存在截尾数据时使用的生存分析半参数模型。该模型的基本形式是假设有n个观察对象，第i（i=1，2，3…，n）例个体的生存时间为ti，同时设协变量X=（Xi1，Xi2，…Xip）是影响样本生存时间的p个危险因素。设h（t，x）表示在危险因素x的影响下时刻t的风险率；设h0（t）表示在没有危险因素x的影响下时刻t的风险率。显然h0（t）=h（t，0），并称h0（t）为基础风险函数。

（二）生存时间的界定和研究样本的选择。本文借鉴“大农业”的概念，认为农业不仅包括证监会行业分类的狭义的农业――农林牧渔业，还应当包括把农业资源或农业产品作为经营对象的行业，具体包括制造业中的依托农产品创造价值的农副食品加工业、食品制造业以及木材加工及木、竹、藤、棕、草制品业。据此对农业上市公司进行界定，在证监会分类的40家上市公司的基础上补充了65家，共计105家（其中ST公司18家，非ST公司87家）上市公司作为研究对象。

由于我国的证券交易所一般是根据上市公司前一年和前两年的财务状况来判定其是否应该被实施特别处理，所以如果用上市公司被ST前一年或者前两年的数据来建立模型，就是使用存在异常的财务数据来预测企业的异常财务状态，容易导致模型的预测能力被高估。所以本文需要对样本公司观测终点和被ST前三年的财务数据进行分析，故剔除上市时间不足3年的公司39家，剔除南方食品（000716）、中农资源（600313）这两家上市不足3年即被ST的公司，剔除财务数据缺失的公司0家，得到样本公司共64家。

本文定义生存时间的起点为企业首发上市交易的时间，这样就可以避免左截尾数据带来的影响。由于财务报告有延时性，为了保证数据的完整性，故将观测终点确定为2011年12月31日。本文定义生存分析中的“死亡事件”为上市公司因“财务状况异常”而被证监会施以“特别处理”，本文采用的时间尺度为年。所有样本生存数据来自大智慧，财务数据来自锐思数据库。

五、实证结果及分析

（一）Kaplan-Meier分析。以2011年12月31日为时间观察截点，以上市公司IPO作为起点事件，以上市公司被ST作为死亡事件，依此对上市公司的生存时间进行转换。如果在此期间公司被ST，则生存时间为完全数据；反之，则为截尾数据。对样本公司的生存状态变量的定义如下：“1”=发生ST，“0”=未发生ST。在所选取的样本中，上市公司康达尔（00048）在观测期间内发生了两次ST，对第二次生存过程，本文视其为新样本；新样本起点事件为“摘帽”，即在第一次ST之后，重新恢复正常。所以实证研究过程的最终样本总量为65，其中ST公司17家，非ST公司48家。样本公司具体生存时间如上页表1所示。

利用Kaplan-Meier法对样本公司的生存数据进行分析并估计生存函数和累积风险函数。从图1可以看出，生存曲线分为两阶段，在8年以前，曲线下降幅度较小，而8年之后，曲线下降幅度显著增大，以2年为单位保持较大的下降幅度，直至14年之后不再变动。从图2也可看出，在8年以前，累积风险函数上升较缓，而在8年以后，累积风险函数上升幅度增大，并保持较大的上升幅度到第14年，之后不再变动。因而可以认为，上市8年是上市公司的一个重要时间点，在8年之前，上市公司由于刚上市，财务结构良好、资金充足、管理层的管理水平与企业相适应，因而风险率相对较低，而在上市8年后，由于生产经营可能遇到发展瓶颈、资金流动性不足、管理层对新的市场把握不足等因素，使得上市公司陷入财务困境的风险逐步上升，被ST处理的概率也相应增大。

利用非参数法对我国农业上市公司的生存时间进行估计，可以分析我国农业上市公司陷入财务困境的风险与时间的关系，从总体上把握财务风险随时间的变化规律。其缺点是无法得到影响生存时间的因素及影响的程度，且无法度量个体的财务风险大小，为此，我们需要建立可以分析协变量影响的Cox模型。

（二）Cox预警模型构建。

1.预警指标的选择。本文构建的财务预警指标体系，主要考虑反映公司经营状况的盈利能力、偿债能力、营运能力、成长能力、现金流量能力以及反映农业上市公司农业收入状况六个方面的财务指标，并结合数据情况确定了37个具体指标，如下页表2所示。

2.预警模型系数估计。本文对T-3年的财务数据进行Cox回归分析后，有5个财务指标选入模型。如下页表3所示。将下页表4的Step 5中指标作为协变量，代入公式得到生存分析模型：

入选模型的5个财务指标的相关系数矩阵如表5所示：

回归因子相关系数矩阵显示，入选指标的相关性均不高，所以模型不存在多重共线性的影响。

从以上结果可以看出，最终入选模型的变量为产权比率、营业收入增长率、总资产增长率、投入资本回报率和农业收入占比5个指标。这说明企业的财务风险水平和偿债能力、成长能力、现金流量能力及农业收入占比情况相关。

Cox模型结果中得到的生存函数图与K-M法得出的是一致的，因此所求的基准生存率应该服从对数Logistic分布，其生存函数和风险函数分别为：

在已知分布形式和对应变量数据的情况下，本文采用回归分析对基准生存函数进行拟合，首先对式（7）进行变换，将其转化为线性回归形式：

然后利用SPSS统计软件对模型中的未知参数γ、α进行估计，具体结果见表7。

从结果可以看出，模型中R2=0.971，两个参数也通过了t检验，说明模型拟合度较好，也间接说明基准生存函数服从对数Logistic分布这一判断是正确的。得到的模型具体形式为：

（三）Cox预警模型的检验。

1.比例风险假定检验（PH检验）。比例风险假定检验可以分为统计量检验和图形检验，其中图形检验中常用的检验是Cox-KM生存曲线比较图，它将Cox模型和非参数方法估计的生存曲线对比，若其趋势基本一致，并且没有交叉，则说明符合PH假定。

如图4所示，左边为原始数据K-M分析得到的生存函数图，右边为Cox模型估计所得到的生存函数图，可以看出两张图的形状基本吻合，可以认为模型满足PH假定，即比例风险模型在此是适合的。

2.参数检验。在Cox比例风险模型中，常用χ2来检验模型整体的统计显著性，包括似然比检验、Score检验和Wald检验三种方式。三种方法的检验结果都显示：显著水平均为Sig

3.判别能力检验。检验模型判别能力首先要确定判定临界值，在利用Cox模型进行预测时，对于确定区分财务困境公司和非财务困境公司的临界值的方法一般有两种：一种是假定企业发生财务困境或财务健康的概率各占一半，这样可以得到临界值0.5；另一种是采用样本中正常样本占总样本的比例为分界点。本文采用的方法是后者，得到的最佳判定点生存率为0.738。

本文所建立的Cox模型的预测结果中，一类错误率为22.22%，二类错误率为3.64%，总错误率为6.25%，相应的，模型预测准确率为93.75%。

六、结论

本文运用生存分析法找到能够反映我国农业上市公司随着持续经营时间而变化的实际财务风险情况的财务指标，构建财务困境预警模型并对我国农业上市公司的财务困境进行预测，从理论上证明了生存分析方法在我国农业上市公司财务困境预警研究领域的适用性和优越性。具体结论如下：

1.利用K-M法对样本公司的寿命数据进行分析并估计生存函数和累积生存函数，初步得出了在市场中维持健康经营接近8年或者超过8年的企业，要及时对自身的财务状况和财务风险变化趋势进行分析，以预测出现财务困境的可能性并采取相应的措施，而生存时间超过14年的企业基本可以维持健康的财务状态的结论。

2.用T-3年的财务指标构建Cox比例风险模型，结果表明，与财务困境显著相关的有五个指标，分别是产权比率、营业收入增长率、总资产增长率、投入资本回报率和农业收入占比，我国农业上市公司应该关注这些指标的变化情况。Cox模型的实证结果显示误判率仅为6.25%，证明生存分析方法在我国农业上市公司财务困境预警研究中是适用的。

参考文献：

[1]陈远志.我国农业上市公司财务预警模型效果的比较研究[J].华东经济管理，2008，（5）.

[2]马晓利.我国农业上市公司财务危机防范体系研究[D].西北农林科技大学，2009.

[3]袁康来，吴晓林.奥特曼模型在我国农业上市公司财务危机预警中应用的探讨[J].消费导刊，2008，（2）.