公司研究論文-上市公司財務危機預警-文庫吧
2025-01-03 13:30 本頁面
【正文】 學者絕大多數(shù)以特別處理的上市公司作為研究對象(朱家安、陳志斌。2007)。 二、文獻回顧與研究方法 (一)國外文獻回顧與研究方法 Fitzpatrick(1932)開展單變量破產預測研究。他以19家公司作為樣本。運用單個財務比率將樣本劃分為破產和非破產兩組，他發(fā)現(xiàn)判斷能力最高的是凈利潤／股東權益和股東權益／負債兩個比率。Beaver(1966)提出了單變量判定模型。他使用現(xiàn)金流／負債、流動資產／流動負債、凈收入／資產、資產負債率、營運資本／資產等5個財務比率作為變量，運用實證分析得出現(xiàn)金流量與負債總額的比率能夠更好地判定公司的財務狀況。其次是資產負債率。AItman(1968)提出了多元Z值模型。將若干變量合并入一個函數(shù)方程。用Z值進行判定，結果表明。在破產前一年的預測準確性較Beaver的研究有很大的提高。AItman、Haldeman和Narayanan于1977年又提出一種能更準確預測企業(yè)財務失敗的新模型——ZETA模型。BIum(1 974)以現(xiàn)金流量觀點來評估企業(yè)發(fā)生財務危機的可能性。他以多元判別分析為研究方法，構建了一個包括“流動性、獲利性及變異性等共12個財務比例與6個變異性指標”的財務危機預測模型。研究結果顯示，模型在企業(yè)發(fā)生財務危機前5年的預測正確率較高。1977年Marttin在財務危機預警研究中首次采用了多元Logit回歸法，取得了良好的預測效果。OhIson(1980)利用9個財務比率建構3個Logit模型，實證結果表明，其中4項財務資料對評估破產概率具有統(tǒng)計顯著性。Odom和Sharda(1 990)首先成功運用人工神經網絡(ANN)進行財務危機預測。Coats和Fant(1991)對47家財務危機公司和47家正常公司運用神經網絡模型進行判別時。對財務危機公司的預測準確率明顯高于多元判別法的準確率。 (二)國內文獻回顧與研究方法 國內學者陳靜(1999)使用Beaver和Altman的模型。選用了19951997年3年的27家危機公司和27家同行業(yè)、同規(guī)模的公司的財務數(shù)據(jù)進行實證研究。得出了預測模型對中國市場有效的結論。陳曉、陳治鴻(2000)將多元邏輯回歸模型引入上市公司的財務危機預測。張玲(2000)以1 20家上市公司為對象，使用其中60家公司的財務數(shù)據(jù)估計二類線性判別模型，并使用另外60家公司進行模型檢驗。發(fā)現(xiàn)模型具有超前4年的預測結果。吳世農、盧賢義(2001)應用單變量判定、多元線性判別和多元邏輯回歸方法。分別建立危機公司預測模型。結果證明。這些模型均獲得較高的判定精度，在財務危機發(fā)生前4年的誤判率在28％以內。張愛民、祝春山(2001)將主成分分析與Z分數(shù)模型相結合建立預警模型。實證檢驗表明通過此法處理研究變量后建立的模型具有較好的預測能力。楊保安(2001)、薛鋒(2002)探討了基于B P算法和L M算法的神經網絡在企業(yè)財務危機預測上的應用。何沛俐、章早立(2002)建立了以時序立體數(shù)據(jù)空間為基礎的財務危機判別模型，他們在Logit回歸分析之前使用全局主成分分析，從而增強了模型的有效性。％。呂長江、周現(xiàn)華(2005)采用制造業(yè)上市公司19992002年4年的數(shù)據(jù)分別運用多元判別分析、邏輯線性回歸模型和人工神經網絡模型對財務狀況處于危機的公司進行預測比較分析。結果表明：盡管各模型的使用有其特定的前提條件，但3個主流模型均能較好地在公司發(fā)生危機前1年和前23年較好地進行預測。其中。多元判別分析法要遜色于邏輯模型，神經網絡模型的預測準確率最
教學教案相關推薦
鄂ICP備17016276號-1