基于粗糙集理论的企业财务危机预测模型及实证研究

【摘要】： 国内外许多研究得出的结论已经表明，财务数据和财务指标可用于预测企业的财务危机或破产风险。在财务危机预测领域，就研究方法而言，已经趋于稳定，近几年来始终没有重大的突破，相关的研究只是从技术细节上不断的完备，目前仍然存在着一些问题，如：预测变量的选择、多重共线性等问题，始终没有得到有效的解决。要有效的解决现存问题需要在预测方法上有比较大的突破。 国内的相关研究方法基本与国外接轨，创新之处非常有限。 本文将粗糙集理论和信息熵概念引入财务危机预测领域，建立一种基于粗糙集理论的企业财务危机预测模型，试图一定程度避免相关问题的产生。在预测变量的选择上，首先采用统计方法进行财务指标的初步筛选，然后设计出一个基于信息熵的属性约简算法对财务指标进行进一步筛选，以确定进入模型的变量。通过计算条件属性和决策属性的依赖度来确定条件属性的重要程度，对其进行归一化处理后即得到预测变量的权系数，进而确定综合预测模型。 本文的检验方法与以往的研究不同，采用两步检验的方式说明模型的预测效果。首先采用小样本进行检验，然后采集尽可能多的样本再次对模型进行检验，以说明预测模型的稳定性。在每一步检验的同时，又选取常用的Fisher判别方法与本模型进行了预测效果的对比分析。 实证结果表明，本文建立的模型效果很好，采用相同的财务信息，其预测效果优于Fisher模型。在发生财务危机（ST）前一年，采用小样本检验,其正确判别率达到了100％；采用大样本检验，选取了878家上市公司数据，误判数只有9个。即使是发生ST的前四年，采用小样本检验，其误判率只有21％；随机选取273家公司进行大样本检验，其误判数也只有22个。 论文主要包括五个部分：第一部分主要介绍了论文的研究背景和国内外研究现状；第二部分介绍了传统财务危机预测模型并对其进行了评析；第三部分介绍了粗糙集理论和信息熵的相关概念；第四部分建立了基于粗糙集的预测模型，重点介绍了基于信息熵的预测变量筛选算法。第五部分对模型进行了实证分析。