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

篇(1)

一、人工智能概述

人工智能（AI）又稱為機器智能，John McCarthy將其定義為“制造智能化機器的相關科學和工程”[1]。對此我們可以理解為“研究能否實現、如何實現這樣的智能系統的科學知識和研究領域”。在此基礎上，著名研究型大學MIT的溫斯頓解釋為“人工智能是解決如何讓計算機完成之前由人類才能完成的工作”[2]。其實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涵與思想。簡單的說，人工智能就是“關于研發人工構造出的可以模擬人的意識和思維方式的計算機系統的理論和應用，這些系統可以取代部分目前人類正在做的工作”。

二、會計行業人力資源的現狀

企業在任何時候都不應該忽視人力資源的影響和作用，尤其是作為服務型的會計行業，因為它的人力資源通常表現為工作者的技能水平，可以說它是決定本行業核心競爭力的最重要因素。近幾年來由于企業逐步邁向科學化管理和現代化管理，所以無論是在數量上還是質量上，會計行業對專業人才的需求層次都越來越高。雖然會計行業的人力資源狀況在現階段還處于不斷變化之中，但是我們仍然可以歸結出以下問題。

（一）文化水平普遍較低

目前我國會計人員數量眾多，但是文化水平普遍較低。數據顯示，截止2014年我國已有1600萬的財會人員，而注會人數僅有16萬。在這1600萬人中，只有13%的人員經過專門的會計培訓，10%左右的人員受到過大學或者專科以上的教育[3]。

（二）部分人員職業素質不高

一方面是由于現有會計人員大多知識內容單一、結構老化、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、缺乏熱情和敬業精神等使得業務素質不高；另一方面是職業素質不高，會計人員職業素質和操守是工作質量的重要影響因素之一，而目前我國對財會從業人員的職業素質與法規方面的培養不夠重視，部分會計人員法制觀念淡薄，在工作中徇私舞弊甚至造假作假等，造成賬務混亂，帶來財務和稅務的風險，降低了行業公信力。

（三）會計人員隊伍能力結構失衡

目前我國的會計行業發展現狀是隊伍能力結構失衡，而且呈現兩極分化的趨勢，一邊是會計行業中普通的核算人員的數量越來越多，幾乎達到飽和。另一邊高水平的財務管理人才有很大的市場缺口，高級應用型、復合型人才在社會上供不應求[4]。雖然我國已經引入管理會計幾十年有余，但是仍然沒有得到實際應用和全面推廣。

三、人工智能帶來的影響

（一）人工智能適用于會計行業

隨著社會經濟發展程度的不斷提高，人工智能的技術已經可以適用于會計行業的部分工作，會計行業發展的新特點將是以電子技術和計算機系統為主。目前的會計行業的工作方式和核算手段日新月異，它經歷了從早期的手工核算到會計電算化，再到如今在審計、會計和稅務等工作中引入人工智能的概念。正如知名企業家李開復所言，在未來的幾年里，機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行業的程度，如圖1所示。

如同上升的冰山一樣，隨著人工智能的發展與完善，將會有越來越多的功能被引入會計行業。目前只有財務會計人員所做的部分不需要多少技術含量、簡單重復的工作，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算的計算機系統所取代，審計、稅務等基礎的財務人員會逐步減少，取而代之的是智能審計、智能稅務等人工智能系統。隨著人工智能與會計信息系統的不斷結合，互聯網、數據挖掘和云計算的進一步發展，以及支持財務分析和會計信息系統的創新，人類將構建出智能財務決策支持系統[5]。但是冰山不會無限上升，因為人工智能是按照事先設定的規則執行程序的，它沒有感情，不能徹底地實現靈活思考，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，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務會計人員。

（二）人工智能促進會計行業的發展

隨著人工智能浪潮的到來，及時引進并利用其高性能的運算能力和數據存儲能力等優勢，可以在以下幾個方面促進會計行業的發展。

1.人工智能可以減少失誤。會計行業在現階段普遍存在會計信息失實的問題，這種問題的一個主要原因是由于巨大的數據量造成的人為失誤，另一個原因是部分內部人員為了以權謀私而對信息進行了數據造假或者更改。人工智能系統的引入，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工作失誤而帶來的信息不真實的問題，減少了會計信息混亂和財產流失的風險。

2.人工智能可以使會計行業的業務效率得到提高。其實自助銀行的ATM存取款機其實已經取代了銀行人員的部分工作，同時提高了服務的效率。例如人工智能的“智能”系統在對相關的科目、交易進行全面分析后，可以在更短的時間里進行風險評估和挑選樣本函證。財會人員將不必在花費時間和精力在類似普通核算這樣簡單而費神的工作上，轉而有機會去處理更加復雜的事情。

3.提高企業的核心競爭力。人工智能在數據挖掘的基礎上可以處理數據、建立數據庫并跟蹤數據分析，甚至可以對建模分析、對投資預測，相對于人類有限的信息存儲量和計算能力，人工智能具有更加齊備的信息和高速的運算能力。同時，人工智能可以結合專家決策系統識別并提出消除金融危機給財務管理帶來的影響，可以通過學習來識別財務風險，化解安全隱患，建立預警模型。

4.釋放人力資源和減少用工成本。現在的會計人員大多按照基本流程來劃分工作職能。而核算和監督是會計的兩個基本職能，會計人員最主要的業務就是審核、記載、報告和存檔等基礎工作，現在人工智能的引進可以大量解決這種日常的、標準的、高頻的工作，從而減少財務核算型人員，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，而且還可以在復雜的文件中提取有效信息從而讓業務的處理流程和程序得到簡化，同時極大提高了工作的效率和拓寬人類的專業知識。結合互聯網技術，會計可以實現集中的財務共享模式，讓每一個員工都能夠親身感受到公司財務的運營。

2.人工智能將改變傳統會計人員的工作職能。人工智能釋放大量的會計人力資源，這部分人力資源要想不被淘汰，必須從自身實現轉型，由普通核算人員向管理會計人員轉型。即使人工智能可以模仿人類的智慧，但是始終達不到和人類一樣的智慧，因此會計行業中廣泛涉及分析、預測和統籌等的管理會計將是財會人員的生機。人工智能會集中各種數據，管理會計將有價值的信息從這些數據中提取出來綜合后發揮管理智能。

3.管理結構趨于扁平化。由于人工智能裁減了部分普通核算人員，企業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構精簡干練。

4.人力資源管理職能轉變。目前會計行業中使用財務軟件、稅務軟件和審計軟件等就是人工智能邁向會計行業的第一步，這些軟件像機器人一樣提高工作效率。會計行業中的戰略、顧問和服務三項職能在傳統的人力資源管理模型中呈現為金字塔形[7]。隨著會計行業的一部分服務由人工智能系統去完成，在新型的人力資源管理中，服務被一分為二。如圖表2所示。

四、啟示

（一）人力資源規劃

科技的進步使人工智能正逐步取代部分會計人員，會計行業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行業的每一個領域。所以公司的人力資源部門重要發展方向之一就是要細分工作職能，挑選適合的“人”去擔任相應的職能。

（二）人才招聘與薪金管理

隨著網絡技術的發展和電算化的普及，作為會計人員，應該持續關注那些可以對人類社會產生重大影響的技術。加之現在人工智能的引用，財會型企業在招聘人才時不能只單單注重其會計業務能力和從業資格證書，還應當考查其IT等相關技能，優先選取綜合型人才。針對不同業務水平和能力的員工應制定相適應的薪金體系，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高于普通核算型人才，并且隨著人工智能的進一步發展與引進，應逐步擴大兩者的差距。

（三）人才培訓與發展

時代在不斷發展，會計企業也必須要加強員工的再教育。一方面會計行業應培養員工的計算機信息技術，讓員工在掌握常用的計算機操作和財務會計軟件之外多了解一些其他業務技能，乘勢提高自身核心競爭力；另一方面，會計行業應大力培養高層次的復合型人才，讓會計人員具有良好的專業素養和自己的專業判斷，能夠在海量的數據中做出取舍，準確預測，做一些人工智能所不能完成的工作。

（四）企業文化整合

人工智能作為一種新概念被引進，勢必會在會計行業造成新觀念、新思想與傳統觀念和傳統思想的沖突。從組織內部來看，對已經遵守若干年的企業文化，尤其是老員工，總是沿襲自己習慣的做法，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，甚至陷入“第二曲線理論”。因此，會計行業必須本著平穩過渡、充分溝通的原則對兩種文化進行融合升華和重塑創新。

（五）完善信息系統

一方面要全面提高財會行業的信息系統化水平，加快完善運行平臺等系統設施，在財會工作中加入電算化并制定具有針對性的發展計劃；另一方面，只有適合自身領域的人工智能才是最好用的，必須結合人工智能的應用和會計行業的具體業務。因而為了制造出可以被本行業所廣泛應用的人工智能，會計人員必須參與相關的技術開發與研究[8]。

篇(2)

[關鍵詞]財務預警；模式；構建；變量

[DOI]10.13939/ki.zgsc.2015.15.051

1 企業財務預警模式的價值

1997年的亞洲金融危機、2008年的金融海嘯、2010年的歐洲債信危機等事件，都深刻地影響著世界的金融市場、企業、國家與人們的投資信心。近年來，如何建構財務預警模式已經被許多學者廣泛討論，財務預警模式可以幫助投資人對于投資企業體質健全與否進行整體性的評估，可避免投資品質較差的公司，保障自己的投資資產。財務預警模式可以幫助公司決策者對公司經營不確定性的風險提早反應，針對經營策略、重要決策、公司管理決策去改變，以避免公司危機的發生。財務預警模式可以幫助銀行針對企業公司借貸進行審核，評估企業的財務與公司管理狀態。財務預警模式還可以幫助政府或金融機構針對不良企業監測，或作為企業壓力測量的模式，保障投資人與股東權益。

最近許多學者將財務預警模式以混合模式（Hybrid Model）來預測，將統計分析與算法、人工智能分析手法做結合，財務預警模式分為兩階段模式：篩選變量與分類預測。第一階段是篩選變量，利用不同手法篩選出具有貢獻性與相關性的財務與非財務變量；第二階段是分類預測手法，將第一階段所篩選出的變量作為分類預測手法中的輸入變量，獲得分類預測值。

2 財務預警模式的相關變量

早期的研究都只采取財務方面的變量，但近年來許多研究指出公司治理層面對于企業財務危機占有一定的影響性，例如Daily&Dalton研究中結果發現加入公司治理（監理）方面的變量，可以增加模式預測正確率。還有研究發現利用會計信息、公司治理變量及盈余管理這些方面所建構的財務預警模式比單一方面會有更好的模式績效與預測正確率。TCRI信用評級是最近發展的企業風險衡量指標，它是TEJ研發出來的一套評估企業信用風險方案，利用公開信息有效過濾出信用風險較高的企業，許多金融機構都采用該指標作為企業核貸的標準。根據先前研究，可以將財務預警模式的變量分為財務變量、非財務變量。財務變量按照證監會的規定，又可分為財務結構、償債能力、現金流量、經營能力和獲利能力五個方面，共18種財務比率變量，提供投資人及銀行加以參考。而非財務變量包含公司治理、盈余管理、信用評級等方面的變量。

財務變量：財務結構，顯示公司使用資本融資的程度；償債能力，顯示公司的變現力（流動性）；現金流量，顯示公司的現金流動方向及額度；經營能力，顯示衡量公司運用各種資產的效能；獲利能力，顯示公司獲得利益能力。非財務變量：公司治理，顯示防范管理者傷害及強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到預期盈余目標的管理能力；信用評級，顯示公司的信用程度；其他相關變量。

3 變量分析

本文選擇22個變量作為篩選前變量，包含財務變量、公司治理變量、信用評級變量，前18個變量為財務變量，編號19～21為公司治理變量，編號22為信用評級變量。本研究分開計算健全與危機公司的平均值與標準差，在進行篩選變量階段之前，了解財務預警各方面變量的分布情形。

3.1 財務變量方面

一是財務結構：負債比率越高代表負債金額越高，該危機公司在負債比率是穩定公司的兩倍。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，短期內發生財務危機概率越低。若利息保障倍數為負，代表此公司虧損。三是現金流量：現金流量比率若跌且有明顯跌幅，代表公司資金操作已惡化，代表公司呈現危機概率升高，負值代表營業活動凈現金流量為負，代表營業活動凈現金流量流出大于流入。四是經營能力：凈值周轉率在表示自有資本在一年期間內從營業收入收回的次數多少，凈值周轉率太高表示自有資本少，穩定性較弱，太低則表示自有資本太多或營業額太少。因此，凈值周轉率指標并無法明顯看出該數值與公司健全或危機狀態有明顯的相關，太高或太低都不好。應收賬款周轉率（次），衡量企業在特定期間內，收回賒銷賬款的能力。數值越高，表示公司從客戶端的收款能力越好。存貨周轉率（次）若越高，代表公司的營運狀況、流動性較好。總資產周轉率（次）綜合評價企業全部資產經營質量和利用效率的指針，次數越多，周轉速度越快，營運能力也就越大。總資產成長率、凈值成長率、營收成長率都是關于成長的指標，這三個指標越高代表公司的經營能力是肯定的。五是獲利能力：總資產報酬率、營業毛利率、稅后凈利率、每股盈余、營業利益率這些指標都是有關于獲利能力高低，因此指標越高代表獲利能力高。

3.2 非財務變量方面

一是公司治理方面：董監持股比率、董監持（質）押股比率、經理人持股比率這三個持股比率指標，是關于公司內部高層所持股的情形，不宜比例太重或偏向某方，因此穩定公司在這3個指標上都低于危機公司。二是信用評級方面：由于TCRI信用評級為1到10級，等級越低代表企業信用評級越好，而本研究數據危機公司大概呈現在8，穩定公司為5.5。

4 研究結論

早期的財務預警模式考慮的變量較少且大多采用過去文獻中的變量，并沒有進行篩選變量階段，直接利用統計方法去建構財務預警模式，預測企業公司的健全或危機。1990年之后隨著人工智能方法流行，許多財務預警模式采用人工智能方法去建構，雖然許多研究指出人工智能方法的預測績效比過去傳統方法要好，但很多應用性的研究多以培訓資料的準確率作為結論基礎，是否納入類神經方法的過度訓練的問題，有待商榷。本研究的實證數據顯示，類神經方法在訓練數據往往呈現高準確率，但以測量數據檢驗其類神經訓練模式，不一定有相對高的準確率，無法排除類神經方法過度訓練的問題，因此本研究在模式績效比較上，評估包含類神經模式的方法是以訓練績效為主，測量績效為輔。

在財務類神經預警模式上，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行Eta Square與Stepwise LR篩選變量階段，再利用BPNN與GRNN做分類預測階段，形成4個混合模式，探討這4個混合模式績效高低，并且另外進行不經過篩選變量階段直接利用3個方法（Stepwise LR，BPNN，GRNN）建構單一方法模式，實證研究采用我國電子產業作為研究對象。整體來說，本研究所實驗的7個模式中，結果呈現兩階段混合模式在準確率上，測試數據混合模式的平均績效優于單一類神經模式。在預測平均準確率方面，其中Eta Square+GRNN（先以Eta Square作變量篩選，再以GRNN作分類預測）有最高的平均準確度86.9%。研究也顯示，雖然逐步羅吉斯回歸所得的平均準確率81.6%不是所有模式最高的，但其績效具有相當穩定的效果。篩選變量階段模式對于績效分別有平均5.6%（準確率）和9.1%（檢驗水平）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的搭配方面，根據本研究數據顯示，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債比率與TCRI信用評級。負債比率呈現公司的負債數值，TCRI信用評級則是銀行常用的評級企業是否核貸或放款的重要指標，這兩項指標與企業是否危機有重要的相關程度。

參考文獻：

篇(3)

一、數據挖掘

（一）數據挖掘的概念。數據挖掘（DM）是近年來隨著人工智能和數據庫發展而出現的一門新興技術，它綜合了統計學、模式識別、人工神經網絡、遺傳算法等先進技術。數據挖掘是數據庫中知識發現（KDD）中的核心部分，KDD一詞首次出現在1989年8月舉行的第11屆國際聯合工人智能學術會上，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，比較公認的定義是Fayyad等給出的：KDD是從數據集中識別出有效的、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的過程一般包括數據清理、數據集成、數據選擇、數據變換、數據挖掘、模式評估、知識表示等。其中數據挖掘，指從數據庫儲存的大量數據中，提取隱含在其中的、以前未知的、具有潛在應用價值的模型或規則等有用知識的復雜過程，是一類深層次的數據分析方法。提取的知識表示為概念、規則、規律、模式等形式。也可以說，數據挖掘是一類深層次的數據分析，是實現數據上升到知識的必然過程。但在通常的應用中，并不區分KDD和DM的概念。

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

（二）數據挖掘的主要方法。數據挖掘是一種綜合性技術，其所涉及的學科領域主要包括數學、計算機科學、管理科學和信息科學等，主要方法有：

1、決策樹方法。決策樹方法是數據挖掘中經常使用的方法，它可以用來進行數據分析，也可以用來做預測。決策樹是一個類似流程圖的樹型結構，其中每個內部節點表示在一個屬性上的測試，每個分枝代表一個測試輸出，而每個樹葉點代表類或類分布，樹的最頂層節點是根節點。決策樹建立的過程，即樹的生長過程是不斷地把數據進行切分的過程，每次切分對應一個問題，也對應著一個節點。對每個切分都要求分成的組之間的“差異”最大。

2、神經網絡法。神經網絡最早由心理學家和神經生物學家提出，旨在尋求開發和測試神經的計算模擬。由于神經網絡在解決復雜問題時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注。典型的神經網絡模型主要分三大類：（1）以感知機、BP反向傳播模型、函數型網絡為代表的，用于分類、預測和模式識別的前饋式神經網絡模型；（2）以Hopfield的離散模型和連續模型為代表的，分別用于聯想記憶和優化計算的反饋式神經網絡模型；（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、模糊數學法。客觀事物往往具有某種不確定性。系統的復雜性越高，則其精確性越低，也就意味著模型性越強。在數據挖掘過程中，利用模糊數學方法對實際問題進行模糊評判、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）數據挖掘流程

1、數據挖掘環境。數據挖掘是指一個完整的過程，該過程從大型數據庫中挖掘先前未知的、有效的、可實用的信息，并使用這些信息做出決策或豐富知識。（圖1）

2、數據挖掘過程

（1）確定業務對象，清晰地定義出業務問題，認清數據挖掘的目的是數據挖掘的重要一步。挖掘的最后結構是不可預測的，但要探索的問題應是有預見的，為了數據挖掘而數據挖掘則帶有盲目性，是不會成功的。

（2）數據準備。①數據的選擇，搜索所有與業務對象有關的內部和外部數據信息，并從中選擇出適用于數據挖掘應用的數據。②數據的預處理，研究數據的質量，為進一步的分析做準備，并確定將要進行的挖掘操作的類型。③數據的轉換，將數據轉換成一個分析模型。這個分析模型是針對挖掘算法建立的，建立一個真正適合挖掘算法的分析模型是數據挖掘成功的關鍵。

（3）數據挖掘。對所得到的經過轉換的數據進行挖掘。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）結果分析。解釋并評估結果。其使用的分析方法一般應視數據挖掘操作而定，通常會用到可視化技術。

（5）知識的同化。將分析所得到的知識集成到業務信息系統的組織結構中去。

二、數據挖掘在財務風險分析中的運用

（一）財務風險概述。財務風險指企業由于負債融資導致的凈資產收益率或每股收益的不確定性，也是企業到期不能還本付息的可能性。財務風險也稱籌資風險，產生財務風險的根源在于，由于舉債融資后，預期實現的資產報酬率是否大于債務利率的不確定性。財務風險防范、控制及化解的前置條件是對財務風險及其特點的充分認識。一般地，財務風險具有以下幾個特征：

1、客觀性。在市場經濟條件下，財務風險是客觀存在的，不以個人的意志為轉移，任何經營活動都存在著兩種可能的結果，即實現預期目標和無法實現預期目標，這就意味著無法實現預期目標的風險客觀存在，要完全消除風險及其影響是不現實的。

2、不確定性。財務風險雖然是客觀存在的，可以事前加以估計和控制，但由于影響財務活動結果的各種因素不斷發生變化，因此事前并不能準確地確定財務風險的大小。

3、共存性。財務風險與收益并存且成正比關系，一般來說，財務活動的風險越大，收益也就越高。

（二）運用數據挖掘技術分析財務風險。采用數據挖掘算法建立企業財務風險預測模型，主要包括決策樹法、神經網絡法和模糊數學法等。

1、決策樹法。決策樹是建立在信息論基礎之上，是數據挖掘中常用到的技術，主要用來找出能描述、區分數據類的模型，以便對類標記未知的對象類進行預測。一種展示類似于什么條件下得到什么值的對數據進行分類的一種方法，可由此預測風險的大小、市場動態變化等。

2、神經網絡法。神經網絡建立在自學習的數學模型基礎之上，具有自組織和并行處理能力、很強的輸入\輸出非線性影射能力以及易于學習和訓練等特點，它可以對大量復雜的數據進行分析，并可以完成對人腦或其他計算機來說極為復雜的模式抽取及趨勢分析。

3、模糊數學法。財務風險具有某種不確定性。系統的復雜性越高，則其精確性越低，也就意味著模型性越強。在運用數據挖掘技術對財務風險進行分析的過程中，利用模糊數學方法對實際問題進行模糊評判、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）運用數據挖掘進行財務風險分析的實施步驟

1、確定財務風險分析的對象。清晰的定義出財務風險分析的對象，認清數據挖掘的目的是數據挖掘的重要一步，挖掘的最后結果是不可預測的，但對要分析的問題應該是有計劃的，盲目的數據挖掘是不會成功的。

2、準備財務風險分析數據。首先，獲取原始的數據，該數據應是企業可用于分析的、邏輯清楚的、易獲取的數據，并從中抽取一定數量的子集，建立數據挖掘庫。其次，對數據的選擇，對所有與財務風險有關的數據信息進行收集后，從邏輯數據中選擇出適用于數據挖掘的數據，同時對所選擇的數據進行預處理，研究數據的質量，為進一步分析做準備；最后，對數據進行轉換，將數據轉換成一個分析模型，這個分析模型是針對挖掘算法建立的。

3、數據挖掘。對所得到的經過轉換的數據進行挖掘，在對數據進行挖掘前，應選擇合適的挖掘算法。

篇(4)

關鍵詞：上市公司;財務風險;預警

中圖分類號：F23 文獻標識碼：A

收錄日期：2015年9月19日

隨著市場競爭環境的進一步加劇，上市公司面臨的市場競爭和財務活動的復雜性不斷增強，其生存和發展面臨著前所未有的挑戰，因財務危機導致經營陷入困境甚至破產的案例日益增多。這些問題不僅使投資者及債權人的合法利益得到侵害，增加了資本市場的風險，也影響宏觀經濟的平穩有序發展。因此，如何通過建立財務風險預警機制，確保財務風險到來前就預先識別，并提前執行預案，消除風險隱患，成為上市公司急需重視并解決的現實問題。

一、上市公司財務風險預警概述

財務預警是通過對企業財務報表數據和相關數據進行分析，對企業財務狀況進行識別和判斷，提前監測并化解企業面臨的財務危機。實際工作中，財務預警首先要選擇合適的企業財務指標構建財務預警指標體系，然后采用相關分析方法，對上市公司的經營活動、財務活動等進行分析預測，最后得出綜合預警結果，并采取預警措施。從上市公司財務預警現狀看，往往因為重視程度低、指標選擇不當、預警流程不暢和分析方法落后等影響財務預警效果。在財務預警機制建立和健全方面的研究中，主要集中在財務預警指標的選擇及預警模型的建立等方面。尤其是在預警模型研究方面，經歷了單變量模型、統計模型、人工智能模型以及基于支持向量機方法預測等階段。近年來，部分學者將公司治理變量引入預警模型加以研究，取得了一些成果。

二、國內上市公司財務風險預警現狀

（一）財務預警指標未緊密聯系上市公司實際。一方面是財務預警大多以量化的財務指標作為解釋變量，對其他影響重大但定性指標因素考慮較少，如公司治理方面的指標;另一方面是財務預警系統大多是靜態預警模型，未根據公司所處行業特征、不同歷史時期的發展狀況、宏觀經濟環境做出動態的指標選擇，未根據不同階段的評價適時調整具體指標的權重等，導致預警模型評價結果的準確性、客觀性難以得到保證，預警模型的實用價值有限。

（二）財務風險預警機制不完善。一是預警分析的組織機制不完善，大部分預警分析組織機制未納入公司治理機構;二是財務信息收集、傳遞流程與管理需要存在差距;三是財務風險分析方法和手段有限，在具體操作中往往流于可量化財務指標分析，結合經濟環境及企業管理狀況進行預警的能力不足，分析效果有限。財務風險是一個動態概念，影響財務風險的因素十分繁多，如果僅僅依靠可量化的數據分析，那么上市公司面臨的風險系數必然增加;四是財務風險處理機制不健全，應對處置工具有限。

（三）財務預警機制信息庫建設工作上存在不足。一方面是信息庫數據來源較為單一，大部分數據來源為公司的各種財務報表，缺乏較長時間相關交易處理信息、國家相關政策、法規信息，以及公司所處的宏觀經濟環境等信息源;另一方面是信息庫的信息資料實時更新不足，缺乏必要的、及時且有效的維護與更新。限于人員和技術缺乏，上市公司往往借助外界力量維護預警軟件系統，導致已經建立的財務預警系統難得到及時維護與更新而成為空架子。同時，財務預警系統往往作為獨立的財務子系統，其構建和使用往往由財務部門單獨完成，財務預警模型不能及時與其他業務信息系統交換數據，無法及時反映實際狀況，導致預警信號時效性差、準確性不高。

（四）財務預警人員的業務素質與實際需要不相符。財務預警人員的素質決定了預警機制實施的成功與否。但由于利潤考核導向、人力資源緊張等普遍因素影響，上市公司中往往難以配備、配足財務預警專業人員，兼職現象普遍，財務預警人員存在專業水平低、專業技能不強、經驗不足等問題。

三、提高國內上市公司財務風險預警效果的措施

（一）建立科學的財務風險預警組織架構。首先，將財務風險預警工作從財務分析中獨立出來，根據清晰的崗位職責、流暢的溝通渠道、有效的合作機制的原則，成立專門機構，組織專門人員負責財務風險數據收集整理，并根據專業的方法對財務風險數據進行分析，及時準確監控財務運行情況，為財務風險預警工作打下堅實的組織機構基礎;其次，健全財務風險控制制度，從組織上、經濟上明確劃分風險責任，給予風險管理者應得的利益，調動企業管理者及員工積極性，提高控制企業財務風險的動力。

（二）優化和完善財務風險管理流程。對財務風險管理流程進行改造，包括信息系統維護、財務風險報告、財務風險評估、財務風險應對、財務風險評價及改進、通過流程的完善等等，使財務風險管理的流程運行順暢。尤其是在財務風險監控和報告流程中，發揮財務風險預警信息系統作用，為上市公司風險管理提供全面的數據基礎。通過流程的優化和完善，實現財務管理有據可依，有序管理，嚴格監控，信息有效。

（三）構建符合實際的財務風險預警指標體系和模型。一方面在指標體系構建中確保指標包含不同類型的關鍵財務指標，包括能反映盈利能力的指標，如凈資產收益率、每股收益、投入資本回報率、成本費用利潤率等;償債能力指標，包括速動比率、速動比率、流動比率等;營運能力指標，包括股東權益周轉率、營運資金周轉率、應收賬款周轉率等;現金流量信息指標，包括資本保值增值率、資本積累率、凈利潤增長率等。同時，在預警指標的選取上，盡可能將范圍擴大，使更多的指標進入到預警體系和模型中，如未流通股份數比例、獨立董事人數比例、董事會獨立法人占比、董事、監事及高管人數及薪酬總額比例等公司治理相關因素等;另一方面在財務風險預警模型方面，將國外先進研究成果同我國的具體情形相結合，從單一變量模型向多變量模型轉變，及早發現財務風險信號，確保上市公司在財務風險萌芽階段就能采取有效防范措施。

（四）加強財務預警機制信息庫建設。信息庫數據的來源既要包括上市公司的各種財務報表，也要包括較長時間內各種交易的處理信息、國家的相關政策、法規信息，以及公司所處的宏觀經濟環境等各種公司內部各類信息源。同時，保證信息資料實時更新，數據及時有效，提高信息庫的系統性、預測性、動態性以及實效性，為上市公司財務預警系統和財務狀況的分析及監控提供原始數據。

（五）時刻關注市場環境變化，加強日常監控。上市公司不是一個獨立的經濟體，它需要與市場中的其他企業發生資源的流通方能產生效益。尤其在市場經濟環境下，要密切關注競爭對手的變化，做到知己知彼才有機會生存和發展壯大。而且行業環境的變動對經營者戰略決策的制定有至關重要的影響，進而直接影響企業的財務狀況。因此，應加強對財務預警系統的日常監控，當有危害企業財務狀況的關鍵因素出現時，及時提醒管理層預先采取措施防范財務風險。

主要參考文獻：

[1]張延波.企業集團財務戰略與財務政策[M].北京：經濟管理出版社，2002.

[2]尤雨佳.國有上市公司財務預警模型機應用研究[D].重慶大學，2012.

篇(5)

關鍵詞：數據挖掘；會計管理；信息系統；應用

中圖分類號：F235 文獻標識碼：A

文章編號：1005-913X（2015）04-0145-01

一、引言

數據挖掘就是指從超大量的計算機數據中尋找和分析對企業有潛在價值的數據信息的步驟，該過程可以為企業的生產、經營、管理和風險評估帶來巨大的價值，大大提高企業的管理水平和風險防御能力。因此，數據挖掘技術被廣泛應用于企業管理、生產制造、政府管理、國家安全防御等各行各業中。據某調查數據顯示大約有30%的數據挖掘技術被應用于會計管理領域中，32%的數據挖掘技術被應用于金融分析與管理領域，用在信息系統和市場領域分別占29%和9%，該數據顯示數據挖掘已經廣泛應用于會計管理中，其可以幫助企業分析和挖掘出更多潛在的客戶、供貨商、潛在產品市場以及內部管理的優化數據等等，這些都將為企業提供更優化的管理依據和運營模式，以提高企業的綜合實力，增強其在市場中的競爭力。

二、數據挖掘技術概述

（一）數據挖掘的基本定義

數據挖掘是通過某種算法對計算機系統中已經生成的大批量數據中進行分析和挖掘，進而得到所需有價值的信息或者尋求某種發展趨勢和模式的過程，數據挖掘是將現代統計學、計算機算法、離散數學、信息處理系統、機器學習、人工智能、數據庫管理和決策理論等多學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、毫無規律的實際應用數據中，分析得到潛在的有價值的數據信息，以供企業使用，幫助其改善管理流程，并為管理者做判斷時提供有價值的參考。決策樹算法、聚類分析算法、蟻群算法、關聯分析算法、序列模式分析算法、遺傳算法、神經網絡算法等都是數據挖掘技術中常用的算法，可以大大提高數據挖掘的效率和質量。

（二）數據挖掘的基本流程

SEMMA方法是目前最受歡迎的一種數據挖掘方法，其由SAS研究所提出。它主要包括數據樣本采集、大數據搜索、數據調整、模型建立和挖掘結果評價五個數據挖掘步驟。

數據樣本采集過程是在數據挖掘之前進行的數據儲備過程，該過程一般是先根據預先設定的數據挖掘目的，選定要進行挖掘的的現有數據庫。采集過程主要是通過建立一個或多個數據表來實現的。所采集的樣本數據不僅要足夠多，以使得這些數據盡可能涵蓋所有可能有價值的潛在信息，還要保持在一定的數量級下，以防止計算機無法處理或者處理很慢。大數據搜索過程主要是對上一階段所采集的大樣本數據進行初步分析的過程，通過對這些海量數據進行初步分析以發現隱藏在數據中潛在價值，從而幫助調整數據挖掘的方向和目標。數據調整過程主要是對前面兩個過程所得到基本信息進行進一步的篩選和修改，使其更加清有效，方便后續進行建模處理，提高所建數學模型的精度。模型建立過程主要是通過決策樹分析、聚類分析、蟻群算法、關聯分析、序列模式分析、遺傳算法分析、神經網絡等分析工具來建立模型，從采集的海量樣本數據中尋找那些能夠對預測結果進行可靠預測的模型。挖掘結果評價？過程主要是對從數據挖掘過程中發現的信息的實用性和可靠性進行評估。

三、數據挖掘在管理會計中的運用

隨著市場經濟的發展，企業所面臨的競爭壓力越來越大，因此，企業管理者要想在這激烈的競爭中獲勝，就必須及時精準的掌握企業運行動態，市場動態，產品趨勢等關鍵性決策信息。而這些關鍵信息的獲取往往離不開會計管理的作用，其是現代企業決策支持系統的重要環節，而如何來高效準確地發現這些關鍵性決策數據就成為制勝的關鍵，在會計管理中涉及到海量的數據，必須對這些海量數據進行分析，才可以得出有價值的潛在信息，這就必須借助數據挖掘技術，以分析出關鍵決策信息，幫助企業改進成本管理，改進產品質量和服務質量，提高貨品銷量比率等等。

（一）作業成本及價值鏈數據挖掘

作業成本的精確控制可以幫助企業對自己的各項運營成本進行精確的計算，并對企業資源進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大量的時間和經歷，這一難點使得很多管理者退卻。而數據挖掘技術中的回歸分析、分類分析等方法可以是管理會計人員從海量數據中解脫出來，其可以通過計算機數據挖掘系統自動的得到準確作業成本。同時，其還可以通過分析作業成本與價值鏈之間存在的關系，確定增值作業和非增值作業，持續改進和優化企業價值鏈。幫助企業降低運營成本，提高企業利潤，

（二）資金趨勢數據挖掘

會計管理者往往需要對未來的企業的資金流發展趨勢進行預測分析，以幫助制定下一財年的資金預算。但是預測往往是基于海量歷史數據和合適的預測模型的。而數學預測模型通過人工得到是十分困難的。為了克服這個難題，可以充分利用數據挖掘技術，其可以自動在海量數據中按照預設的規則提取所需的預測信息，并通過趨勢分析、時間序列分析、神經網絡分析、聚類分析等智能分析方法來建立對如成本、資金、銷量等的預測數學模型，高效精準的預測出企業各項運營指標，作為管理者未來的決策依據。

（三）投資決策數據挖掘

現有的投資決策分析涉及到財務報告、運營數據、資金流、外部市場環境、宏觀經濟環境、企業產品依存度等繁雜的因素，其是一個十分復雜的過程，所以必須借助智能工具和模型。而數據挖掘技術就為投資決策分析提供了十分高效的工具，通過基于數據挖掘的分析工具可以直接從公司的財務、外部市場環境、宏觀經濟環境以及企業產品依存度等海量的影響因素數據中挖掘出與決策相關的有用信息，保證投資決策的正確性和有效性。

（四）顧客關系管理數據挖掘

良好的顧客關系管理模式是各大企業都十分重視的，其可以大大提高企業競爭力。基于數據挖據的顧客關系管理模式可以從現有的海量顧客關系管理數據中分析得到潛在的優化客戶關系管理模式。先將顧客群體進行分類，通過對數據挖掘技術中的分類和聚類分析工具來發現群體顧客的行為規律，從而對顧客進行分組，實行差別化服務；然后對顧客的潛在價值進行深入分析，一般可以從客戶數據信息中挖掘出客戶的消費行為、需求以及偏好等因素，并對這些因素進行動態跟蹤和監控，并根據不同的顧客群的特點提供個性化的產品和服務，從而與顧客建立長期的合作關系，提高顧客保持力。

（五） 財務風險數據挖掘

企業要健康長久的運行，必須加強對財務風險的評估和分析預警。傳統模式的風險評估難度大，周期長，很難滿足企業的實際需求。基于此，會計師可以充分利用數據挖掘工具份額高效性和精確性來對企業的財務風險進行全面預測和評估，并進一步通過建立企業財務危機預警模型來對企業進行破產預測、盈利預測、投資預測等等預測分析。通過建立這些完善的預測模型可以大大提高管理者的管理水平，讓其及時了解企業的財務風險、運營風險、投資風險，并為其提前采取風險防范措施提高依據。

四、結語

會計管理信息化的過程中會產生大量的數據，其是企業巨大的潛在財富，要充分利用好這個潛在財富，就必須找到有利的工具。而數據挖掘技術則可以高效地從這些海量的數據中挖掘出對企業有價值的潛在信息，以為管理者的各項決策和控制提供依據，因此，會計管理人員要加強對數據挖掘技術的學習和應用，為企業的發展注入新的活力。

參考文獻：

[1] 莊秋捷.數據挖掘技術在管理會計中的應用[J].現代商業，2010（3）.

[2] 楊 釗.淺談數據挖掘技術在現代企業財務分析中的作用[J].中國總會計師，2010（4）.

[3] 王春華.淺談數據挖掘在管理會計中運用[J].中國新技術新產品，2008（16）.

[4] 歐陽君媛，聶永紅.數據挖掘在企業財務管理中的應用――企業成本及財務指標分析系統的設計[J].廣西工學院學報，2005（S3）.

[5] 鄭樓英.數據挖掘技術在會計信息系統中的應用初探[J].財會研究，2007（6）.

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

篇(6)

風險評估的程序

筆者認為，如果想要獲取更多的與風險評估有關的信息，可以查閱相關的統計年鑒、瀏覽相關的網站去搜尋更加可靠相關的信息，另外，幾種審計程序的運用方面也應該遵循一定的規律，例如，針對管理層的信用及治理層的監督、公司治理結構、內部控制等初步的評價可以通過詢問管理層、治理層及被審計單位的內審人員等獲取信息。在分析報表上的哪些項目有可能出現重大錯報時，可以從分析性復核入手，主要有橫向趨勢分析、縱向趨勢分析、比率趨勢分析等方法，例如如果發現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人員（包括管理人員、銷售部門人員、財務人員等），結合查閱的相關市場需求、企業戰略等分析銷售增長的原因，以初步判斷增長是否合理，并設計進一步審計程序的時間和范圍，從而降低審計風險。

風險評估的方法

篇(7)

關鍵詞：生存分析法 農業上市公司 財務困境 預警

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

一、引言

在我國，雖然作為第一產業的農業在國內生產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業大國的現狀。政府對農業發展的重視程度也在逐年增加，“十一五”期間中央財政對“三農”的投入約合3萬億元，年均增長比率高達23.6%；2011年的投入更是達到10 408.6億元。然而，發展現代化農業僅僅依靠財政的扶持是遠遠不夠的，1993年同人華塑的成功上市標志著我國農業企業正式進軍資本市場，然而截至2012年12月，在整個證券市場中，農業上市公司的數量、資產規模和發行股票數量所占份額依然低于10%，與農業的重要地位并不相稱。同時，我國農業類上市公司頻頻因嚴重的財務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定的情況下，我國農業上市公司需要建立一套完善的財務困境預警體系來提高自身抵御外部資本市場波動帶來的財務風險的能力。

二、文獻綜述

目前國內學者對我國農業上市公司財務困境預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測法。陳遠志（2008）基于2003―2005年我國滬深兩市農業上市公司的樣本數據，比較了單變量預警分析、Z計分模型、Zeta模型、修正的F模型以及分數模型對我國農業板塊上市公司的財務預警效果，結果顯示，后三者的預測準確率明顯較高，且越接近被ST年份預測準確率越高，其中加入行業修正值及現金流量指標的分數模型的預測準確性在各時點均最高。馬曉利（2009）采用因子分析和Logistic回歸分析相結合的方法，基于2006年我國農業上市公司財務數據構建了包含資產留存收益率、每股收益、總資產增長率、每股經營現金流量、每股凈資產、流動比率和銷售增長率7個指標的財務預警模型。袁康來（2008）采用Logistic回歸分析和多元判別分析法相結合的方式，構建了含有農業收入狀況指標的預警模型。郝曉雁（2008）對2003―2005年我國農業上市公司分年度構建Logistic回歸模型，結果顯示利用被ST前三年的財務數據構建的預測模型效果最好。

以上方法和模型雖然在理論上發展的較為成熟且在實踐上也取得了良好的效果，但是這些傳統分析方法都不能避免靜態時點性的缺陷，無法對企業陷入財務困境的過程進行動態把握，進而影響其對企業財務預警的效果。本研究擬采用生存分析方法將研究對象的生存時間數據納入模型，更好地滿足財務困境預警研究的動態性要求，豐富我國農業上市公司財務困境預警研究領域的理論方法。

三、生存分析方法的相關概念

（一）生存分析的基本涵義。生存分析是研究一個或多個生物，在經過某一特定時間后，會發生某種特定事件的概率。這個特定事件稱為“死亡事件”，這個特定時間稱為“死亡時間”。簡單來說，生存分析就是一種動態研究某現象或因素隨時間變化的規律的統計方法。

（二）生存時間的概念。生存時間是指從某種起始事件開始，到某種終點事件截止，研究對象所經歷的時間跨度，常用符號t表示，由起點、終點和時間尺度三個要素構成。定義生存時間概念的關鍵是某種“特定事件”，該“特定事件”可以根據研究目的和專業知識由研究者在設計階段自行確定。

（三）生存數據分類。實驗設計的思路各不相同，不同的研究者進行觀測的時間也不同，加上觀測對象存在個體差異性，因此生存數據的表現形式會因為研究對象進入或退出觀測的時間不同而分成兩類：第一類是完全數據，是指起點事件和終點事件都可以被觀察到的研究對象，其觀測數據完全落于觀測起點與終點之間，這類研究對象的時間信息可以被完整記錄下來；第二類是截尾數據，是指未知真正生存時間的研究對象，其在觀測過程中因為失訪、退出或研究時限已到而未能觀測到其起點事件或終點事件，這類研究對象的生存時間數據是不完整的。

四、研究設計

（一）模型的設定。本文首先利用非參數方法對我國農業上市公司的生存時間進行研究，找到樣本公司被ST處理的時間規律，進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，且生存時間為離散數據，取值范圍為[3，18]，所以根據非參數方法大類下各方法的適用條件，最終采用Kaplan-Meier法進行分析。該方法由英國統計學家Kaplan和Meier于1958年提出，該方法利用概率懲罰定理計算生存率，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。對總體T的n個個體的生存時間進行觀測，得到t1、t2…tn。當ti是壽終數據時，令δi=1；當ti是右截尾數據時，令δi=0。將數據記為（ti，δi）（i=1，2，…，n）。

其次，本文選用適當的財務指標構建Cox比例風險模型，來分析各財務指標與樣本公司的生存率的相關關系及程度，并根據SPSS計算出的基準生存函數，結合樣本公司的財務數據計算并預測各個樣本公司的生存率。Cox比例風險模型是1972年由Cox提出的一種在存在截尾數據時使用的生存分析半參數模型。該模型的基本形式是假設有n個觀察對象，第i（i=1，2，3…，n）例個體的生存時間為ti，同時設協變量X=（Xi1，Xi2，…Xip）是影響樣本生存時間的p個危險因素。設h（t，x）表示在危險因素x的影響下時刻t的風險率；設h0（t）表示在沒有危險因素x的影響下時刻t的風險率。顯然h0（t）=h（t，0），并稱h0（t）為基礎風險函數。

（二）生存時間的界定和研究樣本的選擇。本文借鑒“大農業”的概念，認為農業不僅包括證監會行業分類的狹義的農業――農林牧漁業，還應當包括把農業資源或農業產品作為經營對象的行業，具體包括制造業中的依托農產品創造價值的農副食品加工業、食品制造業以及木材加工及木、竹、藤、棕、草制品業。據此對農業上市公司進行界定，在證監會分類的40家上市公司的基礎上補充了65家，共計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上市公司前一年和前兩年的財務狀況來判定其是否應該被實施特別處理，所以如果用上市公司被ST前一年或者前兩年的數據來建立模型，就是使用存在異常的財務數據來預測企業的異常財務狀態，容易導致模型的預測能力被高估。所以本文需要對樣本公司觀測終點和被ST前三年的財務數據進行分析，故剔除上市時間不足3年的公司39家，剔除南方食品（000716）、中農資源（600313）這兩家上市不足3年即被ST的公司，剔除財務數據缺失的公司0家，得到樣本公司共64家。

本文定義生存時間的起點為企業首發上市交易的時間，這樣就可以避免左截尾數據帶來的影響。由于財務報告有延時性，為了保證數據的完整性，故將觀測終點確定為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“財務狀況異常”而被證監會施以“特別處理”，本文采用的時間尺度為年。所有樣本生存數據來自大智慧，財務數據來自銳思數據庫。

五、實證結果及分析

（一）Kaplan-Meier分析。以2011年12月31日為時間觀察截點，以上市公司IPO作為起點事件，以上市公司被ST作為死亡事件，依此對上市公司的生存時間進行轉換。如果在此期間公司被ST，則生存時間為完全數據；反之，則為截尾數據。對樣本公司的生存狀態變量的定義如下：“1”=發生ST，“0”=未發生ST。在所選取的樣本中，上市公司康達爾（00048）在觀測期間內發生了兩次ST，對第二次生存過程，本文視其為新樣本；新樣本起點事件為“摘帽”，即在第一次ST之后，重新恢復正常。所以實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間如上頁表1所示。

利用Kaplan-Meier法對樣本公司的生存數據進行分析并估計生存函數和累積風險函數。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，累積風險函數上升較緩，而在8年以后，累積風險函數上升幅度增大，并保持較大的上升幅度到第14年，之后不再變動。因而可以認為，上市8年是上市公司的一個重要時間點，在8年之前，上市公司由于剛上市，財務結構良好、資金充足、管理層的管理水平與企業相適應，因而風險率相對較低，而在上市8年后，由于生產經營可能遇到發展瓶頸、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務困境的風險逐步上升，被ST處理的概率也相應增大。

利用非參數法對我國農業上市公司的生存時間進行估計，可以分析我國農業上市公司陷入財務困境的風險與時間的關系，從總體上把握財務風險隨時間的變化規律。其缺點是無法得到影響生存時間的因素及影響的程度，且無法度量個體的財務風險大小，為此，我們需要建立可以分析協變量影響的Cox模型。

（二）Cox預警模型構建。

1.預警指標的選擇。本文構建的財務預警指標體系，主要考慮反映公司經營狀況的盈利能力、償債能力、營運能力、成長能力、現金流量能力以及反映農業上市公司農業收入狀況六個方面的財務指標，并結合數據情況確定了37個具體指標，如下頁表2所示。

2.預警模型系數估計。本文對T-3年的財務數據進行Cox回歸分析后，有5個財務指標選入模型。如下頁表3所示。將下頁表4的Step 5中指標作為協變量，代入公式得到生存分析模型：

入選模型的5個財務指標的相關系數矩陣如表5所示：

回歸因子相關系數矩陣顯示，入選指標的相關性均不高，所以模型不存在多重共線性的影響。

從以上結果可以看出，最終入選模型的變量為產權比率、營業收入增長率、總資產增長率、投入資本回報率和農業收入占比5個指標。這說明企業的財務風險水平和償債能力、成長能力、現金流量能力及農業收入占比情況相關。

Cox模型結果中得到的生存函數圖與K-M法得出的是一致的，因此所求的基準生存率應該服從對數Logistic分布，其生存函數和風險函數分別為：

在已知分布形式和對應變量數據的情況下，本文采用回歸分析對基準生存函數進行擬合，首先對式（7）進行變換，將其轉化為線性回歸形式：

然后利用SPSS統計軟件對模型中的未知參數γ、α進行估計，具體結果見表7。

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

（三）Cox預警模型的檢驗。

1.比例風險假定檢驗（PH檢驗）。比例風險假定檢驗可以分為統計量檢驗和圖形檢驗，其中圖形檢驗中常用的檢驗是Cox-KM生存曲線比較圖，它將Cox模型和非參數方法估計的生存曲線對比，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，左邊為原始數據K-M分析得到的生存函數圖，右邊為Cox模型估計所得到的生存函數圖，可以看出兩張圖的形狀基本吻合，可以認為模型滿足PH假定，即比例風險模型在此是適合的。

2.參數檢驗。在Cox比例風險模型中，常用χ2來檢驗模型整體的統計顯著性，包括似然比檢驗、Score檢驗和Wald檢驗三種方式。三種方法的檢驗結果都顯示：顯著水平均為Sig

3.判別能力檢驗。檢驗模型判別能力首先要確定判定臨界值，在利用Cox模型進行預測時，對于確定區分財務困境公司和非財務困境公司的臨界值的方法一般有兩種：一種是假定企業發生財務困境或財務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。本文采用的方法是后者，得到的最佳判定點生存率為0.738。

本文所建立的Cox模型的預測結果中，一類錯誤率為22.22%，二類錯誤率為3.64%，總錯誤率為6.25%，相應的，模型預測準確率為93.75%。

六、結論

本文運用生存分析法找到能夠反映我國農業上市公司隨著持續經營時間而變化的實際財務風險情況的財務指標，構建財務困境預警模型并對我國農業上市公司的財務困境進行預測，從理論上證明了生存分析方法在我國農業上市公司財務困境預警研究領域的適用性和優越性。具體結論如下：

1.利用K-M法對樣本公司的壽命數據進行分析并估計生存函數和累積生存函數，初步得出了在市場中維持健康經營接近8年或者超過8年的企業，要及時對自身的財務狀況和財務風險變化趨勢進行分析，以預測出現財務困境的可能性并采取相應的措施，而生存時間超過14年的企業基本可以維持健康的財務狀態的結論。

2.用T-3年的財務指標構建Cox比例風險模型，結果表明，與財務困境顯著相關的有五個指標，分別是產權比率、營業收入增長率、總資產增長率、投入資本回報率和農業收入占比，我國農業上市公司應該關注這些指標的變化情況。Cox模型的實證結果顯示誤判率僅為6.25%，證明生存分析方法在我國農業上市公司財務困境預警研究中是適用的。

參考文獻：

[1]陳遠志.我國農業上市公司財務預警模型效果的比較研究[J].華東經濟管理，2008，（5）.

[2]馬曉利.我國農業上市公司財務危機防范體系研究[D].西北農林科技大學，2009.

[3]袁康來，吳曉林.奧特曼模型在我國農業上市公司財務危機預警中應用的探討[J].消費導刊，2008，（2）.