導(dǎo)語：如何才能寫好一篇人工神經(jīng)網(wǎng)絡(luò)分析法，這就需要搜集整理更多的資料和文獻(xiàn)，歡迎閱讀由公務(wù)員之家整理的十篇范文，供你借鑒。

篇1

作為人工智能同數(shù)據(jù)庫技術(shù)結(jié)合下的產(chǎn)物，數(shù)據(jù)挖掘技術(shù)的很多方法都來源于機(jī)器的學(xué)習(xí)，所以模式識(shí)別，機(jī)器學(xué)習(xí)以及人工智能領(lǐng)域常規(guī)的技術(shù)例如決策樹、聚類分析、統(tǒng)計(jì)分析等方法在改進(jìn)后都能用于挖掘數(shù)據(jù)。對(duì)醫(yī)學(xué)數(shù)據(jù)庫的數(shù)據(jù)挖掘，最重要的是對(duì)疾病的分類以及疾病預(yù)測?，F(xiàn)階段床用的挖掘工具有幾下幾種：

1.1以統(tǒng)計(jì)分析為基礎(chǔ)的數(shù)據(jù)挖掘法數(shù)據(jù)挖掘技術(shù)里非常多的實(shí)用工具都是以統(tǒng)計(jì)分析作為基礎(chǔ)構(gòu)造而成的，作為一門比較成熟的分析數(shù)據(jù)的技術(shù)，統(tǒng)計(jì)技術(shù)在很多挖掘數(shù)據(jù)的工具中得到了充分的應(yīng)用。

1.2人工神經(jīng)網(wǎng)絡(luò)法作為計(jì)算領(lǐng)域的重要技術(shù)，人工的神經(jīng)元網(wǎng)絡(luò)技術(shù)能根據(jù)管理模式或者非管理模式進(jìn)行學(xué)習(xí)和研究，管理模式中的神經(jīng)網(wǎng)絡(luò)要預(yù)測現(xiàn)有的示例可能造成的結(jié)果，并將預(yù)測到的結(jié)果同目標(biāo)答案比較；非管理模式學(xué)習(xí)法對(duì)數(shù)據(jù)的描述很有效卻可以預(yù)測結(jié)果，而非管理模式里的神經(jīng)網(wǎng)絡(luò)創(chuàng)建了自己的合法性驗(yàn)證及操作、類描述，無關(guān)于數(shù)據(jù)模式，神經(jīng)網(wǎng)絡(luò)需要經(jīng)歷相當(dāng)?shù)臅r(shí)間，同時(shí)由于它們像黑盒一樣的行為會(huì)不能滿足信息分析員的要求。

1.3決策規(guī)則法與決策樹決策規(guī)則法與決策樹就是一種解決在實(shí)際應(yīng)用中的分類問題的方法，簡單的說，分類是使數(shù)據(jù)反映到一個(gè)事先定義好的類中的函數(shù)過程，以一組輸入屬性值的向量或者相應(yīng)類，歸納學(xué)習(xí)算法，然后得出分類。學(xué)習(xí)的目標(biāo)就是要構(gòu)建分類模型，根據(jù)屬性輸入值來預(yù)測實(shí)體的類。換言之，分類就是將一不連續(xù)標(biāo)識(shí)值分到一個(gè)未標(biāo)識(shí)的記錄中的過程，分類規(guī)則由于較直觀，因而易容于讓人接受，許多實(shí)施的決策樹在機(jī)器獲取領(lǐng)域中得到了有效算法。

1.4進(jìn)化的計(jì)算法這是模仿了生物進(jìn)化的一種計(jì)算方法的總稱，包括遺傳編程、進(jìn)化規(guī)劃、進(jìn)化策略及遺傳算法，它們一般具有下列特點(diǎn)；進(jìn)化計(jì)算在函數(shù)的適度約束下進(jìn)行智能搜索，在目標(biāo)函數(shù)的驅(qū)動(dòng)下優(yōu)勝劣汰，通過數(shù)次迭代逐步接近目標(biāo)，因?yàn)檫M(jìn)化計(jì)算大都采用變異、雜交等的操作以擴(kuò)大搜索的范圍，所以其能接近全局的最優(yōu)解，且具有框架式結(jié)構(gòu)。一般在完成編碼及適應(yīng)度函數(shù)選擇后，下面的遺傳、雜交及變異等操作都能自動(dòng)完成。

2臨床醫(yī)學(xué)中數(shù)據(jù)挖掘技術(shù)的運(yùn)用分析

2.1疾病診斷疾病診斷的準(zhǔn)確性對(duì)于病人合理用藥指導(dǎo)以及康復(fù)指導(dǎo)非常重要。在臨床醫(yī)學(xué)上，疾病類型多種多樣、致病原因錯(cuò)綜復(fù)雜，通過數(shù)據(jù)挖掘技術(shù)的應(yīng)用，能夠更好的進(jìn)行臨床診斷。在疾病診斷方面，模糊邏輯分析法、人工神經(jīng)網(wǎng)絡(luò)、粗糙集理論等工具非常有效。我國學(xué)者通過人工神經(jīng)網(wǎng)絡(luò)分析法用于類風(fēng)濕的臨床診斷，臨床診斷準(zhǔn)確性大大提高。國外學(xué)者也通過人工神經(jīng)網(wǎng)絡(luò)分析法用于實(shí)體性肺結(jié)節(jié)的臨床診斷，準(zhǔn)確率高達(dá)百分之百。在心血管疾病診斷中，應(yīng)用模糊邏輯開發(fā)以及粗糙集理論，臨床準(zhǔn)確準(zhǔn)確率高達(dá)93.5%。

2.2分析疾病相關(guān)因素在醫(yī)院信息庫中，含有大量的患者個(gè)人資料以及病情信息，包括患者的性別、年齡、生活情況等多方面資料，通過對(duì)數(shù)據(jù)庫中相關(guān)信息的綜合研究與分析，可以得出有指導(dǎo)性意義的模式以及關(guān)系。疾病的發(fā)病原因、相關(guān)性危險(xiǎn)因素分析，能夠有效指導(dǎo)此類疾病的預(yù)防。比如說，國外研究人員運(yùn)用數(shù)據(jù)挖掘技術(shù)成功分析了導(dǎo)致產(chǎn)科早產(chǎn)的三個(gè)危險(xiǎn)性因素。

2.3疾病預(yù)測分析通過數(shù)據(jù)挖掘技術(shù)運(yùn)用，能夠確定疾病的未來發(fā)展方向，結(jié)合患者的病史、臨床癥狀，分析、預(yù)測疾病的發(fā)展，從而有的方式的進(jìn)行疾病預(yù)防。比如說，運(yùn)用粗糙集分析方法，可以有預(yù)測疾病的發(fā)生?，F(xiàn)階段，通過粗糙集理論預(yù)測疾早產(chǎn)準(zhǔn)確率高達(dá)70%-90%，而人工預(yù)測準(zhǔn)確性僅為16%-35%。

篇2

高新技術(shù)制造企業(yè)作為高新技術(shù)制造業(yè)的實(shí)體是知識(shí)密集型、技術(shù)密集型和資金密集型的企業(yè)，其發(fā)展決定了現(xiàn)實(shí)生產(chǎn)力的轉(zhuǎn)化，對(duì)于促進(jìn)整體制造業(yè)的快速發(fā)展具有重要意義。高新技術(shù)企業(yè)的高收益特性源于其高科技產(chǎn)品和服務(wù)的高增長和高附加值，而與之對(duì)應(yīng)的便是企業(yè)的高風(fēng)險(xiǎn)性，據(jù)統(tǒng)計(jì)20%～30%的高新技術(shù)制造業(yè)的巨大成功是以70%～80%的企業(yè)失敗為代價(jià)。企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的擴(kuò)散和深化將直接導(dǎo)致企業(yè)陷入財(cái)務(wù)困境，從而影響正常的生產(chǎn)經(jīng)營活動(dòng)。所以，建立和完善高新技術(shù)制造企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警機(jī)制，提高企業(yè)有效預(yù)測和應(yīng)對(duì)風(fēng)險(xiǎn)的能力，對(duì)于高新技術(shù)制造業(yè)的經(jīng)營者和投資者具有一定的借鑒意義。 

財(cái)務(wù)危機(jī)預(yù)警的研究由傳統(tǒng)的統(tǒng)計(jì)研究方法發(fā)展到人工智能算法。最早是由Fitzpatrick（1932）采用單變量分析方法對(duì)公司的財(cái)務(wù)危機(jī)進(jìn)行預(yù)警研究，得出權(quán)益負(fù)債率和權(quán)益凈利率是判定企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的重要指標(biāo)。Altman（1968）利用多元判別分析法建立基于Z-SCORE的財(cái)務(wù)預(yù)警模型。其后，回歸模型克服了線性模型的假設(shè)局限性，常用的有Probit模型和Logistic模型。Ohlson（1980）使用Probit和Logistic回歸方法建立邏輯回歸模型，得出公司規(guī)模、資本結(jié)構(gòu)、業(yè)績和變現(xiàn)能力是影響公司破產(chǎn)的重要因素。上述以統(tǒng)計(jì)類方法為基礎(chǔ)的模型是在樣本滿足合理的統(tǒng)計(jì)假設(shè)條件下才能有效，否則可能沒有意義，由此許多學(xué)者相繼將非統(tǒng)計(jì)的方法引入財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警研究，其中應(yīng)用最多的是神經(jīng)網(wǎng)絡(luò)分析法。Lapedes和Fyaber（1987）首次運(yùn)用神經(jīng)網(wǎng)絡(luò)模型對(duì)銀行的信用風(fēng)險(xiǎn)進(jìn)行預(yù)測和分析，并取得了較好的預(yù)測效果。Odom和Sharda（1990）通過Z值模型中的5個(gè)財(cái)務(wù)比率構(gòu)建了人工神經(jīng)網(wǎng)絡(luò)財(cái)務(wù)預(yù)警模型成功地對(duì)企業(yè)的財(cái)務(wù)危機(jī)進(jìn)行了預(yù)測，證明了人工神經(jīng)網(wǎng)絡(luò)模型不但準(zhǔn)確率高，而且魯棒性也更好。Feng Yu Lin和Sally McClean（2001）以Logistic回歸法、判別分析法、決策樹方法和神經(jīng)網(wǎng)絡(luò)方法為基礎(chǔ)，通過這些方法的組合運(yùn)用，采用了三種混合模型，再分別對(duì)這些方法進(jìn)行檢驗(yàn)分析，分析結(jié)果表明同等條件下，混合模型在準(zhǔn)確率方面優(yōu)于單個(gè)方法模式。國內(nèi)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警研究起步較晚，陳靜（1999）對(duì)上市公司財(cái)務(wù)數(shù)據(jù)進(jìn)行了單變量分析并建立Fisher線性判別分析模型，得出越臨近企業(yè)被ST的日期，模型的預(yù)測準(zhǔn)確率越高。吳世農(nóng)、盧賢義（2001）驗(yàn)證了Logistic回歸分析方法在預(yù)測財(cái)務(wù)困境的效果上比單變量判別模型更好。柳炳祥、盛昭翰（2002）劃分了財(cái)務(wù)危機(jī)等級(jí)并驗(yàn)證了基于粗神經(jīng)網(wǎng)絡(luò)的財(cái)務(wù)預(yù)警方法的有效性。周敏，王新宇（2002）提出了模糊優(yōu)選和神經(jīng)網(wǎng)絡(luò)模型，范靜（2008）選擇因子分析法—BP神經(jīng)網(wǎng)絡(luò)等評(píng)價(jià)方法。陳偉等（2010）主要分析了不同成長階段高新技術(shù)企業(yè)的融資特點(diǎn)，提出了有效防范財(cái)務(wù)風(fēng)險(xiǎn)的具體措施。楊淑娥引入面板數(shù)據(jù)，構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型對(duì)上市公司的財(cái)務(wù)狀況進(jìn)行預(yù)測，提高了預(yù)警精度。張曉琦（2010）證明了支持向量機(jī)（SVM）方法在高新技術(shù)企業(yè)財(cái)務(wù)危機(jī)預(yù)警建模方面的有效性。綜上所述，現(xiàn)階段對(duì)于高新技術(shù)企業(yè)的財(cái)務(wù)危機(jī)預(yù)警研究集中與理論分析階段，大多數(shù)都是基于t-1期與t期的數(shù)據(jù)建立靜態(tài)數(shù)據(jù)模型，忽略了企業(yè)財(cái)務(wù)比率的時(shí)間序列特點(diǎn)，企業(yè)財(cái)務(wù)危機(jī)的出現(xiàn)是一個(gè)逐漸演變的過程且不同行業(yè)的高新技術(shù)企業(yè)特點(diǎn)也不盡相同，這些因素將對(duì)企業(yè)財(cái)務(wù)狀況的演化產(chǎn)生偏差，從而影響預(yù)警模型的有效性和精準(zhǔn)度。 

本研究綜合了主成分分析方法、Logistic回歸方法與BP神經(jīng)網(wǎng)絡(luò)機(jī)制，引入面板數(shù)據(jù)為研究樣本，建立動(dòng)態(tài)的高新技術(shù)制造企業(yè)財(cái)務(wù)危機(jī)預(yù)警模型。從理論分析而言，面板數(shù)據(jù)提供了多層面的數(shù)據(jù)信息，充分發(fā)掘企業(yè)財(cái)務(wù)信息，同時(shí)結(jié)合高新技術(shù)制造業(yè)的特點(diǎn)，從不同的側(cè)面選取指標(biāo)來反映企業(yè)財(cái)務(wù)狀況的各個(gè)方面，所以能夠深入全面地反映財(cái)務(wù)危機(jī)前的狀況和趨勢并作出及時(shí)合理的判斷，采取相應(yīng)措施。從實(shí)踐結(jié)果而言，解決了一般企業(yè)由于數(shù)據(jù)缺乏帶來的技術(shù)問題，擴(kuò)大預(yù)警模型的適用性，為更多的高新技術(shù)制造企業(yè)服務(wù)。實(shí)證結(jié)果表明，基于Logistic-BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)警能力明顯優(yōu)于傳統(tǒng)Logistic回歸分析方法和BP神經(jīng)網(wǎng)絡(luò)預(yù)警機(jī)制。 

一、研究方法 

（一）Logistic回歸 

二、數(shù)據(jù)和預(yù)警指標(biāo) 

（一）樣本選取和數(shù)據(jù)來源 

本研究考慮到時(shí)間因素和指標(biāo)可比性兩方面，選擇高新技術(shù)制造企業(yè)作為研究對(duì)象，利用多期歷史財(cái)務(wù)數(shù)據(jù)建立財(cái)務(wù)危機(jī)動(dòng)態(tài)預(yù)警模型。本文以我國2008年至2012年深滬A股高新技術(shù)制造上市公司（通過2008《高新技術(shù)企業(yè)認(rèn)定管理辦法》的制造行業(yè)企業(yè)）為研究對(duì)象，數(shù)據(jù)源于CCER經(jīng)濟(jì)金融研究數(shù)據(jù)庫以及巨潮資訊數(shù)據(jù)庫，使用Excel、SPSS16.0和Matlab2010數(shù)據(jù)分析軟件對(duì)數(shù)據(jù)進(jìn)行分析。沿用國內(nèi)研究習(xí)慣，以ST作為出現(xiàn)財(cái)務(wù)危機(jī)的標(biāo)志，選取2012年ST和非ST高新技術(shù)制造業(yè)上市公司為待測樣本。為了符合上市公司ST與非ST的實(shí)際比例，確保數(shù)據(jù)的真實(shí)性和可比性，參照Beaver（1966）的方法，采取1：3的配對(duì)方式，選擇規(guī)模（總資產(chǎn)）相近的ST、非ST公司120家為訓(xùn)練樣本，所有50家ST和150家非ST公司為分析樣本。

由于上市公司在t年被特別處理是由其t-1年財(cái)務(wù)報(bào)告的公布所決定的。根據(jù)以往分析，t-1年財(cái)務(wù)數(shù)據(jù)的時(shí)效性較強(qiáng)，預(yù)測度很高，但是，其與正常樣本相差很大，有失模型構(gòu)建的真實(shí)性和可比性，實(shí)際預(yù)測的應(yīng)用價(jià)值不高。財(cái)務(wù)風(fēng)險(xiǎn)的形成并非一朝一夕，而是一個(gè)連續(xù)的動(dòng)態(tài)過程，越早洞察出財(cái)務(wù)風(fēng)險(xiǎn)，越有可能避免再次虧損。據(jù)此，選定t-2和t-3作為財(cái)務(wù)預(yù)警年度。 

（二）預(yù)警指標(biāo)的設(shè)計(jì) 

在參照現(xiàn)有財(cái)務(wù)風(fēng)險(xiǎn)研究文獻(xiàn)的基礎(chǔ)上，同時(shí)結(jié)合高新技術(shù)企業(yè)本身高投入、高風(fēng)險(xiǎn)、高收益的特點(diǎn)以及新型制造業(yè)的運(yùn)營特點(diǎn)進(jìn)行綜合評(píng)估，從公司的償債能力、盈利能力、成長能力、運(yùn)營能力指標(biāo)和現(xiàn)金流量五個(gè)方面初步選定18個(gè)變量作為備選指標(biāo)，如表1所示。基于識(shí)別財(cái)務(wù)風(fēng)險(xiǎn)的及時(shí)性和準(zhǔn)確性，挑選的變量必須在ST公司與非ST公司之間顯著不同。通過對(duì)指標(biāo)進(jìn)行顯著水平5%的K-S檢驗(yàn)得出財(cái)務(wù)比率均不服從正態(tài)分布特征，因此采用Mann-Whitney-U檢驗(yàn)來預(yù)警指標(biāo)在ST公司與非ST公司之間是否存在顯著差異，在95%的置信區(qū)間內(nèi)接受原假設(shè)，最終選取在2009年和2010年均存在顯著差異的14個(gè)變量作為最佳評(píng)估指標(biāo)，剔除4個(gè)不顯著指標(biāo)：營業(yè)利潤增長率、應(yīng)收賬款周轉(zhuǎn)率、流動(dòng)資產(chǎn)周轉(zhuǎn)率和存貨周轉(zhuǎn)率。 

三、基于Logistic-BP神經(jīng)網(wǎng)絡(luò)的實(shí)證研究 

（一）建立財(cái)務(wù)危機(jī)預(yù)警模型 

由于財(cái)務(wù)指標(biāo)之間相關(guān)性較強(qiáng)，信息重疊不利于后續(xù)預(yù)警模型的構(gòu)建，首先分別對(duì)t-2和t-3年的14個(gè)財(cái)務(wù)指標(biāo)進(jìn)行因子分析，得到t-2和t-3年的KMO值分別為0.681和0.724，Bartlett球度檢驗(yàn)給出的相伴概率均為0，小于顯著性水平0.05，因此拒絕Bartlett球度檢驗(yàn)的零假設(shè)，認(rèn)為適合于因子分析。 

本文在累計(jì)貢獻(xiàn)率85%以上的基礎(chǔ)上，采取正交旋轉(zhuǎn)法提取5個(gè)主成分F1—F5。第一主因子F1由流動(dòng)比率、速動(dòng)比率、股東權(quán)益比率、資產(chǎn)負(fù)債率組成；第二主因子F2由凈資產(chǎn)收益率、運(yùn)營資金比率、主營業(yè)務(wù)利潤率組成；第三主因子F3由凈資產(chǎn)增長率、總資產(chǎn)增長率、主營業(yè)務(wù)收入增長率組成；第四主因子F4由資產(chǎn)周轉(zhuǎn)率、固定資產(chǎn)周轉(zhuǎn)率組成；第五主因子F5由現(xiàn)金流動(dòng)負(fù)債比率和每股經(jīng)營性現(xiàn)金流組成。通過上述因子分析所提取的五個(gè)財(cái)務(wù)指標(biāo)包含了公司財(cái)務(wù)危機(jī)的主要信息，能夠比較全面地反映公司的財(cái)務(wù)狀況。 

在靜態(tài)BP神經(jīng)網(wǎng)絡(luò)模型中，同樣選擇訓(xùn)練樣本的五個(gè)因子變量作為網(wǎng)絡(luò)層的輸入，經(jīng)過反復(fù)試驗(yàn)，構(gòu)建出5x24x1的基于因子分析的靜態(tài)BP神經(jīng)網(wǎng)絡(luò)財(cái)務(wù)預(yù)警模型，模型收斂情況如圖2所示，通過對(duì)所有上市公司樣本進(jìn)行預(yù)測，得到如表4的預(yù)測結(jié)果。 

綜合Logistic模型的回歸分析結(jié)果pt-2和pt-3，將訓(xùn)練樣本的w1pt-2和w2pt-3作為網(wǎng)絡(luò)輸入變量，建立動(dòng)態(tài)BP神經(jīng)網(wǎng)絡(luò)財(cái)務(wù)危機(jī)預(yù)警模型，其中w1+w2=1，經(jīng)過反復(fù)試驗(yàn)取中間層8，將所有樣本作為驗(yàn)證樣本帶入模型，通過選取不同權(quán)重系數(shù)w1=0.4，w2=0.6時(shí)，模型呈現(xiàn)較高的預(yù)警精度，模型收斂情況如圖3所示，預(yù)測結(jié)果如表4所示。 

（二）三種模型的預(yù)測結(jié)果比較分析 

由表4可知，在這三種模型中，t-2期的預(yù)測效果要明顯高于t-3期的，即離目標(biāo)預(yù)警期越近，預(yù)測準(zhǔn)確率越高。但是t-3期的預(yù)測結(jié)果仍與t期財(cái)務(wù)狀況存在緊密聯(lián)系，如果忽視t-3期數(shù)據(jù)將會(huì)降低t期的預(yù)測結(jié)果。對(duì)于單期財(cái)務(wù)數(shù)據(jù)的Logistic回歸模型和基于因子分析的BP神經(jīng)網(wǎng)絡(luò)模型預(yù)警分析結(jié)果，均有較好的預(yù)測能力。其中BP神經(jīng)網(wǎng)絡(luò)模型綜合預(yù)測效果要優(yōu)于Logistic模型，但BP神經(jīng)網(wǎng)絡(luò)模型中ST的誤判率高于Logistic模型中ST的誤判率。而基于動(dòng)態(tài)BP神經(jīng)網(wǎng)絡(luò)模型無論是從ST公司和非ST方面均提高了預(yù)測的準(zhǔn)確率，其總體預(yù)測準(zhǔn)確率為94%，明顯優(yōu)于第一種和第二種模型。由此可見傳統(tǒng)的預(yù)測模型僅僅體現(xiàn)了某一時(shí)期對(duì)目標(biāo)時(shí)期的預(yù)測效果，難以實(shí)現(xiàn)不同時(shí)期的最優(yōu)預(yù)測，通過將二者相結(jié)合，綜合考慮t-2期和t-3期歷史數(shù)據(jù)來建立基于面板數(shù)據(jù)的動(dòng)態(tài)BP神經(jīng)網(wǎng)絡(luò)模型，且其預(yù)測結(jié)果優(yōu)于前兩種方法，第三種模型充分結(jié)合了BP神經(jīng)網(wǎng)絡(luò)和統(tǒng)計(jì)方法的優(yōu)點(diǎn)。 

四、結(jié)論 

本文采用高新技術(shù)制造業(yè)上市公司的多期歷史面板財(cái)務(wù)數(shù)據(jù)，利用因子分析對(duì)指標(biāo)進(jìn)行降維，采用多期數(shù)據(jù)建立動(dòng)態(tài)Logistic-BP神經(jīng)網(wǎng)絡(luò)模型，提高了模型的縱向長期預(yù)測能力，實(shí)現(xiàn)多時(shí)段預(yù)警。通過實(shí)證研究得出以下結(jié)論：首先，高新技術(shù)制造企業(yè)財(cái)務(wù)危機(jī)的出現(xiàn)是循序漸進(jìn)的過程，距離被ST時(shí)間越近，模型的預(yù)測準(zhǔn)確率越高。其次，通過采用財(cái)務(wù)面板數(shù)據(jù)，從數(shù)據(jù)的截面和空間隨時(shí)間變化兩個(gè)方面研究，深入體現(xiàn)了企業(yè)財(cái)務(wù)狀況發(fā)展機(jī)理的漸變特性，體現(xiàn)企業(yè)財(cái)務(wù)危機(jī)發(fā)生的連續(xù)動(dòng)態(tài)特點(diǎn)，提高了樣本中關(guān)鍵財(cái)務(wù)指標(biāo)變化的特征信息，有利于建立更精確的模型，提高預(yù)警精度。最后，綜合模型結(jié)合了Logistic非線性分析方法和BP神經(jīng)網(wǎng)絡(luò)的容錯(cuò)性、自我學(xué)習(xí)性特點(diǎn)，具有更強(qiáng)大的財(cái)務(wù)預(yù)警建模和預(yù)測能力，降低了ST公司的誤判率，在實(shí)際應(yīng)用中有助于經(jīng)營者預(yù)防和監(jiān)控財(cái)務(wù)危機(jī)，促進(jìn)企業(yè)持續(xù)健康發(fā)展，也有利于投資者債權(quán)人規(guī)避財(cái)務(wù)風(fēng)險(xiǎn)，減少經(jīng)濟(jì)損失。 

【參考文獻(xiàn)】 

篇3

關(guān)鍵詞：證券市場；上市公司；財(cái)務(wù)預(yù)警

文章編號(hào)：1003－4625（2009）03－0086－05中圖分類號(hào)：F830.91文獻(xiàn)標(biāo)識(shí)碼：A

Abstract: This paper reviews the theoretical study of domestic and foreign literatures about financial alarm. Based on evaluation of the existing theories，it is proposed that non-financial and financial variables should be combined, and financial distortion alarm theory and financial failure alarm theory should be integrated.

Key Words: Security Market; Listed Companies; Financial Warning

我國自改革開放以來，競爭激烈的市場經(jīng)濟(jì)一方面為企業(yè)提供了廣闊的舞臺(tái)，另一方面也面臨著激烈的競爭和挑戰(zhàn)，稍有不慎就可能被卷入失敗的漩渦。企業(yè)因財(cái)務(wù)危機(jī)導(dǎo)致經(jīng)營陷入困境,甚至破產(chǎn)的例子更是屢見不鮮。如何在財(cái)務(wù)危機(jī)到來之前就預(yù)先覺察苗頭，以便盡早采取措施，消除危機(jī)隱患，已成為當(dāng)前亟待解決的現(xiàn)實(shí)問題。同時(shí)，隨著我國證券市場信息披露制度的不斷完善,根據(jù)這些信息構(gòu)造合理的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型已經(jīng)具備了現(xiàn)實(shí)的可能性。

從財(cái)務(wù)預(yù)警理論的發(fā)展歷程來看,財(cái)務(wù)預(yù)警理論是隨著證券市場不斷發(fā)展而產(chǎn)生和不斷深入的。“危機(jī)預(yù)警”的思想起源于20世紀(jì)初的歐美，在20世紀(jì)50年代取得了顯著的成果。進(jìn)入90年代，由于企業(yè)危機(jī)爆發(fā)的頻率也越來越高，人們更加重視危機(jī)預(yù)警管理。在危機(jī)預(yù)警的發(fā)展過程中，財(cái)務(wù)預(yù)警的研究也相應(yīng)展開。根據(jù)研究方法的差別，一般可把這些理論大致分為定性預(yù)警分析和定量預(yù)警模式兩類。

一、定性預(yù)警方面的研究

定性預(yù)警的方法主要包括災(zāi)害理論、專家調(diào)查法、“四階段癥狀”分析法等幾種方法。

Scapens, Ryan和Fletcher(1981)的災(zāi)害理論是分析解釋因均衡系統(tǒng)的影響因素緩慢變化從而引起系統(tǒng)的突然變化的理論。該理論認(rèn)為公司就像一個(gè)流動(dòng)資產(chǎn)的儲(chǔ)備池，財(cái)務(wù)比率就是用來測量流過儲(chǔ)備池流量的大小。但流量大小并不能夠確定儲(chǔ)備池是否一定要枯竭，因?yàn)榭梢酝ㄟ^債權(quán)人繼續(xù)加水。這就要看債權(quán)人怎么看待財(cái)務(wù)比率的變化。許多公司破產(chǎn)，原因就在于債權(quán)人看到公司財(cái)務(wù)比率惡化，然后就想抽干“儲(chǔ)備池”，或者不想繼續(xù)加“水”了。

專家調(diào)查法就是企業(yè)組織各領(lǐng)域?qū)＜疫\(yùn)用專業(yè)方面的知識(shí)和經(jīng)驗(yàn)，根據(jù)企業(yè)的內(nèi)外環(huán)境，通過直觀的歸納，對(duì)企業(yè)過去和現(xiàn)在的狀況、變化發(fā)展過程進(jìn)行綜合分析研究，找出企業(yè)運(yùn)動(dòng)、變化、發(fā)展的規(guī)律，從而對(duì)企業(yè)未來的發(fā)展趨勢做出判斷。

“四階段癥狀”分析法認(rèn)為:企業(yè)財(cái)務(wù)運(yùn)營情況不佳，肯定有特定的癥狀，而且是逐漸加劇的。因此應(yīng)及早發(fā)現(xiàn)各個(gè)階段的癥狀，對(duì)癥下藥。企業(yè)財(cái)務(wù)運(yùn)營病癥大體可分為四個(gè)階段:財(cái)務(wù)危機(jī)潛伏期;財(cái)務(wù)危機(jī)發(fā)作期;財(cái)務(wù)危機(jī)惡化期;財(cái)務(wù)危機(jī)實(shí)現(xiàn)期。

我國學(xué)者李秉成(2004) 從上市公司財(cái)務(wù)困境形成角度、困境征兆角度探討上市公司財(cái)務(wù)困境預(yù)分析方法。提出了財(cái)務(wù)困境加權(quán)分析法和象限分析法兩類財(cái)務(wù)困境綜合分析方法。

張友棠(2004)指出建立財(cái)務(wù)預(yù)警系統(tǒng)是財(cái)務(wù)管理制度創(chuàng)新的必然選擇。在此基礎(chǔ)上，構(gòu)建了基于經(jīng)濟(jì)周期理論的財(cái)務(wù)預(yù)警管理系統(tǒng)――理論模型、程序方法、警兆識(shí)別、指數(shù)測度。

二、定量財(cái)務(wù)預(yù)警方面的研究

（一）單變量判定模型

最早的財(cái)務(wù)預(yù)警研究是Fitzpatrick(1932)開展的單變量破產(chǎn)預(yù)測研究。Fitzpatrick最早發(fā)現(xiàn)，出現(xiàn)財(cái)務(wù)困境的公司其財(cái)務(wù)比率和正常公司的相比，有顯著不同，從而認(rèn)為企業(yè)的財(cái)務(wù)比率能夠反應(yīng)企業(yè)財(cái)務(wù)狀況，并對(duì)企業(yè)未來具有預(yù)測作用。實(shí)證結(jié)果表明判別能力最高的是凈利潤／股東權(quán)益和股東權(quán)益／負(fù)債。

而美國的比弗Beaver (1966 )最早運(yùn)用統(tǒng)計(jì)方法研究了公司財(cái)務(wù)失敗問題，提出了較為成熟的單變量判定模型。比弗發(fā)現(xiàn)具有良好預(yù)測性的財(cái)務(wù)比率依次為1.現(xiàn)金流量/債務(wù)總額;2.凈收益/資產(chǎn)總額；3.債務(wù)總額/資產(chǎn)總額。該研究的意義在于發(fā)現(xiàn)了不同財(cái)務(wù)指標(biāo)具有不同預(yù)測企業(yè)破產(chǎn)的能力，為多變量方法預(yù)測奠定了基礎(chǔ)。

但是單變量模型卻具有以下局限性：其一，僅用一個(gè)財(cái)務(wù)指標(biāo)不可能充分反映企業(yè)的財(cái)務(wù)特征。其二，如果使用多個(gè)指標(biāo)分別進(jìn)行判斷，這幾個(gè)指標(biāo)的分類結(jié)果之間可能會(huì)產(chǎn)生矛盾，分析者可能得出不同的結(jié)論，以致無法做出正確判斷。

（二）多變量線性判定模型

美國學(xué)者Altman (1968 )最早運(yùn)用多變量分析方法探討財(cái)務(wù)預(yù)警問題。Altman運(yùn)用主成分分析方法提煉最有代表性的財(cái)務(wù)比率，通過統(tǒng)計(jì)技術(shù)篩選出那些在兩組間差別盡可能大而在兩組內(nèi)部的離散度最小的變量，從而將多個(gè)標(biāo)志變量在最小信息損失下轉(zhuǎn)換為分類變量，獲得能有效提高預(yù)測精度的多元線性判別方程。

Z=1.2X1+1.4 X2+3.3 X3+0.6 X4+0.999 X5

其中Z是判別函數(shù)值；X1～X5是Altman所選的5個(gè)比率，它們分別是：X1=營運(yùn)資金/資產(chǎn)總額,X2=留存收益/資產(chǎn)總額，X3=息稅前利潤/資產(chǎn)總額,X4=權(quán)益的市場價(jià)值/負(fù)債賬面價(jià)值總額，X5=銷售收入/資產(chǎn)總額。

一般來說，Z值越低企業(yè)越有可能破產(chǎn)。奧特曼還提出了判斷企業(yè)破產(chǎn)的臨界值：當(dāng)Z記分超過2.99時(shí)，企業(yè)被劃為不會(huì)破產(chǎn)之列；若Z分值低于1.81，則企業(yè)被列為破產(chǎn)類。在這兩個(gè)數(shù)字之間的區(qū)域被稱為“未知區(qū)域”或“灰色區(qū)域”。

我國學(xué)者周首華、楊濟(jì)華和王平(1996)提出了F分?jǐn)?shù)預(yù)測模型，通過更新指標(biāo)和擴(kuò)大樣本數(shù)對(duì)Z分?jǐn)?shù)模型進(jìn)行了修正。

陳靜(1999) 以1998年的27家ST公司和對(duì)應(yīng)的27家非ST公司，使用了1995-1997年的財(cái)務(wù)報(bào)表數(shù)據(jù)，進(jìn)行多元線性判定分析，發(fā)現(xiàn)由負(fù)債比率、凈資產(chǎn)收益率、流動(dòng)比率、營運(yùn)資本/總資產(chǎn)、總資產(chǎn)周轉(zhuǎn)率6個(gè)指標(biāo)構(gòu)建的模型，在ST發(fā)生的前3年能較好地預(yù)測ST。

多元線性判定模型具有較高的判別精度，但也存在一些缺陷。其一，模型假定比較嚴(yán)格。模型要求自變量是呈正態(tài)分布的，兩組樣本要求等協(xié)方差，而現(xiàn)實(shí)中的樣本數(shù)據(jù)往往并不能滿足這一要求。這就使得許多研究都是在相對(duì)準(zhǔn)確的前提下進(jìn)行，其結(jié)論必然會(huì)有令人質(zhì)疑的成分。其二，在前一年的預(yù)測中，多元線性判定模型的預(yù)測精度比較高，但在前兩年、前三年的預(yù)測中，其預(yù)測精度都大幅下降，甚至低于一元判別模型。

（三）多元邏輯(Logit)模型

多元邏輯模型的目標(biāo)是尋求觀察對(duì)象的條件概率，從而據(jù)此判斷觀察對(duì)象的財(cái)務(wù)狀況和經(jīng)營風(fēng)險(xiǎn)。Logit模型假設(shè)了企業(yè)破產(chǎn)的概率P（破產(chǎn)取1，非破產(chǎn)取0），并假設(shè)Ln[p/(1-P)]可以用財(cái)務(wù)比率線性解釋。假定Ln[p/(1-p)]=a+bx，根據(jù)推導(dǎo)可以得出p=exp(a+bx)/[1+exp(a+bx)]，從而計(jì)算出企業(yè)破產(chǎn)的概率。

Ohlson(1980)第一個(gè)采用Logit方法進(jìn)行破產(chǎn)預(yù)測。其模型使用了9個(gè)自變量,估計(jì)了三個(gè)模型，分析了樣本公司在破產(chǎn)概率區(qū)間上的分布以及兩類判別錯(cuò)誤和分割點(diǎn)的關(guān)系。他發(fā)現(xiàn)至少有四類顯著影響公司破產(chǎn)概率的變量:公司規(guī)模、資本結(jié)構(gòu)、業(yè)績和當(dāng)前資產(chǎn)的變現(xiàn)能力。繼Ohlson之后，Gentry, Newbold and Whitford(1985); Casey and Bartczak(1985); Zavgren(1985)也采用類似的方法進(jìn)行研究。

我國學(xué)者陳曉等（2000）以38家ST公司為研究對(duì)象，運(yùn)用Logit回歸，研究結(jié)果表明:負(fù)債權(quán)益比率、應(yīng)收賬款周轉(zhuǎn)率、主營業(yè)務(wù)利潤/總資產(chǎn)、留存收益/總資產(chǎn)具有較強(qiáng)的預(yù)測能力。程濤(2002)以1998-2000年被ST的A股上市公司為研究樣本，運(yùn)用時(shí)間序列回歸和Logit回歸方法，從財(cái)務(wù)指標(biāo)角度和現(xiàn)金流量角度分別構(gòu)建預(yù)警模型，并在此基礎(chǔ)上構(gòu)建綜合預(yù)警模型。姜秀華(2001)、吳世農(nóng)、盧賢義(2001)、李華中(2001)等也采用類似的方法進(jìn)行研究。

Logit模型的最大優(yōu)點(diǎn)是，放寬了模型的假設(shè)條件，運(yùn)用范圍更加廣泛。但是其計(jì)算過程比較復(fù)雜，在計(jì)算過程中還有很多的近似處理，這些會(huì)影響到模型的預(yù)測準(zhǔn)確度。如Logit模型常假定先驗(yàn)概率為1?1，選擇0.5為分割點(diǎn)，實(shí)際上企業(yè)破產(chǎn)概率要比不破產(chǎn)概率小得多。以實(shí)際破產(chǎn)/非破產(chǎn)概率比作為先驗(yàn)概率可能會(huì)影響模型的預(yù)測精度。

（四）多元概率比(Probit)回歸模型

Probit回歸模型同樣假定企業(yè)破產(chǎn)的概率為p，并假設(shè)企業(yè)樣本服從標(biāo)準(zhǔn)正態(tài)分布，其概率函數(shù)的p分位數(shù)可以用財(cái)務(wù)指標(biāo)線性解釋。其計(jì)算方法和Logit很類似，先是確定企業(yè)樣本的極大似然函數(shù)，通過求似然函數(shù)的極大值得到參數(shù)a、b，然后利用公式p=■1■e■2dt，求出企業(yè)破產(chǎn)的概率。

Ohlson(1980)首先采用Probit方法進(jìn)行財(cái)務(wù)預(yù)警研究的。他選擇1970-1976年間破產(chǎn)的105家公司和 2058家非破產(chǎn)公司組成配對(duì)樣本，采用極大似然法，分析了樣本公司在破產(chǎn)概率區(qū)間上分布以及兩類錯(cuò)誤和判別閥值點(diǎn)之間的關(guān)系。

Probit模型和logit模型的思路很相似，所以其局限性和Logit模型類似。不同之處在于多元概率比模型假設(shè)樣本服從標(biāo)準(zhǔn)正態(tài)分布，且尋求破產(chǎn)概率的方法不同，Logit采用取對(duì)數(shù)方法，而Probit采用積分的方法。

（五）神經(jīng)網(wǎng)絡(luò)分析模型

用于財(cái)務(wù)危機(jī)判定與預(yù)測的類神經(jīng)網(wǎng)絡(luò)模型一般利用一組案例建立系統(tǒng)模型，類神經(jīng)網(wǎng)絡(luò)模型接收一組輸入信息并產(chǎn)生反應(yīng)，然后與預(yù)期反應(yīng)相比較。如果錯(cuò)誤率超過可以接受的水平，需要對(duì)權(quán)重W做出修改或增加隱藏層數(shù)目并開始新的學(xué)習(xí)過程。經(jīng)過反復(fù)循環(huán)，直至錯(cuò)誤率降低到可以接受的水平，這時(shí)學(xué)習(xí)過程結(jié)束并鎖定權(quán)重,類神經(jīng)網(wǎng)絡(luò)就可以發(fā)揮預(yù)測功能了。

Odom and Sharda(1990)開拓了用BP神經(jīng)網(wǎng)絡(luò)預(yù)測財(cái)務(wù)困境的新方法，其研究是以Altman所構(gòu)建的五個(gè)財(cái)務(wù)比率為研究變量，使用類神經(jīng)網(wǎng)絡(luò)與判別分析做驗(yàn)證比較，其結(jié)果發(fā)現(xiàn)類神經(jīng)網(wǎng)絡(luò)具有較佳的預(yù)測能力。

Tam(1991)采用人工神經(jīng)網(wǎng)絡(luò)(ANN) 進(jìn)行財(cái)務(wù)預(yù)警研究，通過對(duì)人工神經(jīng)網(wǎng)絡(luò)的模擬，得出神經(jīng)網(wǎng)絡(luò)可以應(yīng)用于財(cái)務(wù)預(yù)警，且具有較高的預(yù)測精度。

Koh and Tan在1999年以6個(gè)財(cái)務(wù)指標(biāo)為研究變量做了類似的研究，得出類神經(jīng)網(wǎng)絡(luò)模型的預(yù)測效果優(yōu)于Probit模型的結(jié)論。

我國學(xué)者楊保安等(2002)采用ANN模型進(jìn)行財(cái)務(wù)危機(jī)預(yù)警研究，結(jié)果表明:樣本的實(shí)際輸出和期望輸出較為接近，顯示出神經(jīng)網(wǎng)絡(luò)是進(jìn)行財(cái)務(wù)評(píng)估的一種很好的應(yīng)用工具。柳炳祥、盛昭翰(2002)分析了評(píng)價(jià)財(cái)務(wù)危機(jī)的指標(biāo)體系和財(cái)務(wù)危機(jī)等級(jí)的劃分和基于粗神經(jīng)網(wǎng)絡(luò)的財(cái)務(wù)預(yù)警方法，并用一個(gè)預(yù)警實(shí)例進(jìn)行了驗(yàn)證。

人工神經(jīng)網(wǎng)絡(luò)具有較好的糾錯(cuò)能力，從而能夠更好地進(jìn)行預(yù)測。然而，由于理論基礎(chǔ)比較薄弱，ANN對(duì)人體大腦神經(jīng)模擬的科學(xué)性、準(zhǔn)確性還有待進(jìn)一步提高，因此其適用性也大打折扣。

（六）其他財(cái)務(wù)預(yù)警模型

除上述提到的主要的研究財(cái)務(wù)預(yù)警的模型分析方法外，還有如遞歸分割算法、生存分析、CUSUM模型、線性目標(biāo)規(guī)劃、事件歷史分析法、專家系統(tǒng)等模型和分析方法，但由于其適用性或準(zhǔn)確性等原因，沒有成為主要的財(cái)務(wù)預(yù)警理論，在此不再一一贅述。

（七）財(cái)務(wù)預(yù)警理論的拓展研究

1.考慮其他非財(cái)務(wù)因素的研究

研究人員一直嘗試使用非財(cái)務(wù)信息構(gòu)建預(yù)測準(zhǔn)確率更高、預(yù)測結(jié)果更穩(wěn)定的預(yù)測模型。Gilson (1989)認(rèn)為高層管理者如CEO、總經(jīng)理或總裁等離職也可以作為財(cái)務(wù)危機(jī)的指標(biāo)。他以1979年至1984年共381家發(fā)生財(cái)務(wù)危機(jī)的公司為樣本，發(fā)現(xiàn)52%公司的有高級(jí)管理人員異動(dòng)之情形，而正常公司只有19％。

Donaldson (1986)及GirouxWiggin (1984)認(rèn)為有的經(jīng)濟(jì)事件有一定的前置時(shí)間，可以用作構(gòu)建模型的變量。如破產(chǎn)前幾年企業(yè)通常有到期票據(jù)不能及時(shí)支付、銀行貸款不能及時(shí)償還及高層管理人員出售公司股票等等。

Marquette(1980)認(rèn)為使用長期性或宏觀性的經(jīng)濟(jì)指標(biāo)，如將利率、通貨膨脹率、景氣變動(dòng)指標(biāo)、產(chǎn)業(yè)與經(jīng)濟(jì)之間關(guān)系等作為構(gòu)建模型的變量，可以提高模型的準(zhǔn)確度。

王克敏（2005）研究認(rèn)為在財(cái)務(wù)指標(biāo)基礎(chǔ)上引入公司治理、關(guān)聯(lián)交易、對(duì)外擔(dān)保等非財(cái)務(wù)指標(biāo)，可以大大提高公司ST的預(yù)測準(zhǔn)確率。郭斌等(2006) 研究認(rèn)為加入貸款期限和M2增長率這兩個(gè)非財(cái)務(wù)指標(biāo)的8參數(shù)建立模型，具有較高的預(yù)測精度和較好的模型擬合度。鄧曉嵐（2006）研究結(jié)果顯示加入年度累積超額收益率與審計(jì)師意見的非財(cái)務(wù)指標(biāo)后預(yù)警效果較好。

2.財(cái)務(wù)失真預(yù)警方面的研究

關(guān)于財(cái)務(wù)信息失真問題，早期的研究大多從財(cái)務(wù)舞弊的動(dòng)因、手段、防范與治理等方面來進(jìn)行研究。1999年Healy and Wahlen首先從會(huì)計(jì)舞弊行為市場反應(yīng)與識(shí)別方面進(jìn)行了研究。認(rèn)為投資者似乎能夠辨認(rèn)物價(jià)上升期間那些為了稅收利益而采用后進(jìn)先出法的公司，并且對(duì)相應(yīng)的報(bào)告盈余的下降反應(yīng)溫和。Green and Choi(1997)以財(cái)務(wù)指標(biāo)為輸入變量，采用人工神經(jīng)網(wǎng)絡(luò)（ANN）技術(shù)構(gòu)造了建立在原始財(cái)務(wù)數(shù)據(jù)基礎(chǔ)上的會(huì)計(jì)舞弊判別模型，并發(fā)現(xiàn)這一模型將大大改善獨(dú)立審計(jì)師發(fā)現(xiàn)舞弊行為的能力。Beneish(1999)提出利用會(huì)計(jì)數(shù)據(jù)來判別上市公司是否存在會(huì)計(jì)舞弊的思想，他以1987-1993年間受美國證監(jiān)會(huì)處罰的74家公司為會(huì)計(jì)舞弊樣本，以其他上市公司為正常樣本，基于8個(gè)財(cái)務(wù)指標(biāo)建立了Probit模型，準(zhǔn)確預(yù)測率達(dá)到了75%。Spathis, Doumpons and Zopounidis(2002)以希臘舞弊公司與非舞弊為樣本，采用多標(biāo)準(zhǔn)分析、單變量和多變量統(tǒng)計(jì)技術(shù)建立了包含Z計(jì)分值和不包括Z計(jì)分值的模型識(shí)別舞弊財(cái)務(wù)報(bào)告的可能性。

鹿小楠和傅浩(2003)在Beneish的研究基礎(chǔ)上，分別建立多元判別模型和Logit回歸模型，但對(duì)我國會(huì)計(jì)舞弊公司的判別成功率都僅僅為60%;蔡志岳、吳世農(nóng)(2007)運(yùn)用條件Logit回歸模型對(duì)公司信息披露違規(guī)進(jìn)行預(yù)警研究，實(shí)證結(jié)果表明在違規(guī)前一年，基于財(cái)務(wù)指標(biāo)、市場指標(biāo)和治理指標(biāo)的預(yù)警模型可以有效地提前甄別信息披露違規(guī)的上市公司。

三、對(duì)國內(nèi)外現(xiàn)有文獻(xiàn)述評(píng)

在財(cái)務(wù)預(yù)警的定性研究方面，國內(nèi)外學(xué)者從引起企業(yè)危機(jī)發(fā)生發(fā)展的內(nèi)外各種因素進(jìn)行了探討，對(duì)財(cái)務(wù)危機(jī)的各個(gè)階段進(jìn)行了詳細(xì)的劃分和研究，對(duì)問題各個(gè)方面的分析都很深入。但從事定性研究的結(jié)論能夠直接和定量模型結(jié)合起來的還不多。如探討了影響企業(yè)財(cái)務(wù)困境的各種因素，但怎樣把這些因素用于財(cái)務(wù)預(yù)警模型中，進(jìn)行這方面研究的人并不多見。

從財(cái)務(wù)預(yù)警的定量研究方面看，國內(nèi)外學(xué)者結(jié)合各種量化的技術(shù)，出現(xiàn)了很多的預(yù)警模型，在上述文獻(xiàn)綜述中我們也可以感受到這一點(diǎn)。但是其應(yīng)用性和可操作性較差。筆者認(rèn)為，不管模型做的多么復(fù)雜和巧妙，關(guān)鍵是要能夠應(yīng)用到實(shí)際中去，解決不同財(cái)務(wù)信息使用者的認(rèn)知需要，這才是最根本的。

（一）財(cái)務(wù)預(yù)警模型的局限性

首先，模型會(huì)受到樣本選取范圍和樣本時(shí)間區(qū)間的限制。研究發(fā)現(xiàn)，從不同的樣本選取范圍和不同的時(shí)間區(qū)間所得出的預(yù)警模型存在很大的差異。影響模型精度的因素很多，包括建立模型所用資料的時(shí)效性、國別特點(diǎn)、行業(yè)特點(diǎn)等。一國建立的模型不能直接適用于另一個(gè)國家，因此有必要建立各國自己的預(yù)警模型。其次，由于不同的模型需要不同的前提條件，如自變量要服從正態(tài)分布，樣本要求等協(xié)方差等，而事實(shí)上很多時(shí)候這些條件并不能夠完全得到滿足，很多研究者所建模型大多是在近似條件下成立的，這必然影響到模型的正確性和預(yù)測精度。

（二）變量的選擇方法問題

如何選取變量指標(biāo)還缺乏理論支撐，研究人員在選擇變量時(shí)，常受到自身價(jià)值判斷的影響。如Altman在建立Z模型時(shí)，也只列出了22個(gè)財(cái)務(wù)比率，從中選出了5個(gè)比率。這些比率的選擇不是建立在理論的基礎(chǔ)之上的，而是根據(jù)它們的“通用性”和Altman的主觀認(rèn)為。另外，這些模型的變量大多只涉及財(cái)務(wù)比率，考慮非量化因素的較少?？紤]非量化因素后加入定性指標(biāo)的分析將會(huì)有效提高模型的準(zhǔn)確度，這需要進(jìn)一步的探索。

（三）財(cái)務(wù)預(yù)警研究重理論研究輕應(yīng)用研究

財(cái)務(wù)預(yù)警研究者更多的是關(guān)注預(yù)測的準(zhǔn)確性，但卻沒有能夠同時(shí)關(guān)心使用者的實(shí)際可操作性。財(cái)務(wù)預(yù)警研究在財(cái)務(wù)預(yù)警模型精巧性的同時(shí)，更需要在財(cái)務(wù)預(yù)警技術(shù)的應(yīng)用與推廣方面多下工夫。

（四）關(guān)于財(cái)務(wù)信息失真問題

傳統(tǒng)的財(cái)務(wù)失敗(困境)預(yù)警模型本身不能對(duì)財(cái)務(wù)報(bào)表的真?zhèn)芜M(jìn)行鑒別,用可能虛假的財(cái)務(wù)報(bào)告來進(jìn)行財(cái)務(wù)預(yù)警,會(huì)使財(cái)務(wù)危機(jī)預(yù)警模型的預(yù)測結(jié)果發(fā)生偏差。從財(cái)務(wù)失真預(yù)警這方面來看，理論研究較少，特別是國內(nèi)的研究尚處于起步階段。另外，財(cái)務(wù)失真和財(cái)務(wù)失敗預(yù)警兩方面的研究相互脫節(jié)，這兩方面的研究沒有能夠結(jié)合起來進(jìn)行。

根據(jù)上述研究述評(píng)，筆者認(rèn)為要重點(diǎn)解決財(cái)務(wù)預(yù)警理論的實(shí)際應(yīng)用性問題，使其能夠真正滿足財(cái)務(wù)信息使用者的需要。應(yīng)注意使用包括非量化因素的財(cái)務(wù)預(yù)警指標(biāo)體系，尤其要注意建立財(cái)務(wù)失真（舞弊）和財(cái)務(wù)失?。ɡЬ常┒呦嘟Y(jié)合的雙元財(cái)務(wù)預(yù)警模型，一方面，對(duì)中國不發(fā)達(dá)、不完善的證券市場而言，財(cái)務(wù)信息失真問題是非常嚴(yán)重的（事實(shí)上在美國這樣成熟的市場，財(cái)務(wù)失真現(xiàn)象也是大量存在的），財(cái)務(wù)失真的預(yù)警研究尤其必要。但從現(xiàn)有的文獻(xiàn)來看，絕大多數(shù)的理論性研究局限于上市公司會(huì)計(jì)舞弊的動(dòng)因、手段、防范和治理，很少涉足舞弊的市場反應(yīng)與識(shí)別和預(yù)警問題，特別是預(yù)警模型的研究。另一方面看，上市公司所面臨的各種危機(jī)和財(cái)務(wù)困境，要求我們要進(jìn)行財(cái)務(wù)失敗預(yù)警的研究。這方面的文獻(xiàn)較多，正如前面所述，理論上也較為豐富。但是，財(cái)務(wù)失敗預(yù)警的研究沒有和財(cái)務(wù)失真預(yù)警研究結(jié)合起來，用可能是失真的數(shù)據(jù)來預(yù)警，其結(jié)果可想而知。所以，要建立財(cái)務(wù)失真和財(cái)務(wù)失敗雙方面相結(jié)合的財(cái)務(wù)預(yù)警模型，才是正確解決上市公司財(cái)務(wù)預(yù)警問題的根本之道。

參考文獻(xiàn)：

[1]A1tman E.I, “Financial Ratios, Discriminant Analysis, and the Prediction of Bankruptcy”, Journal of Finance, September 1968.

[2]Amy Hing-Ling, “A Five-State Financial Distress Prediction Model”，Journal of Accounting ResearchSpring 1987.

[3] Carmichael, D.R., The Auditor's Reporting Obligation. Auditing Research Monograph No.l(New York: AICPA), 1972.

[4]Charles E. Mossman, Geoffrey G. Bell, L. Mick Swartz. Harry Turtle. An Empirical Comparison of Bankruptcy Models. The Financial Review 33. 199835-54

[5] Green B.P. and Choi J.H. Assessing the Risk of Management Fraud though Neural Network Technology [J].Auditing, 1997,(16):1―19.

[6]Ohlson, J.S.，“Financial Ratio，and the Probabilistic Predict ion o f Bankruptcy", Journal of Accounting Research Vol.18,No1,1980.

[7] Odom, M.D., and R.Sharda. “A Neural Network Model for Bankruptcy In Proceedings of the International Joint Conference on Neural works”.1990,6:136-138.

[8]Scott，J, “The Probability ofBankruptcy A Comparison of Empirical Predication and Theoretical Model”，Journal of Banking and Finance,September, 1981.

[9]Tam and Kiang ,“Predicting Bank Failures: A Neural Network Approach”, Management Science[J]，1992, 8:926-947.

[10]蔡志岳,吳世農(nóng).基于公司治理的信息披露舞弊預(yù)警研究[J].管理科學(xué),2006,(8).

[11]陳工孟,芮萌,許慶勝.現(xiàn)代企業(yè)財(cái)務(wù)困境預(yù)測[M].上海:上海財(cái)經(jīng)大學(xué)出版社,2006,(7).

[12]陳靜.上市公司財(cái)務(wù)惡化預(yù)測的實(shí)證研究[J].會(huì)計(jì)研究,1999,(4).

[13]程濤.財(cái)務(wù)預(yù)警模型綜述[J].山西財(cái)經(jīng)大學(xué)學(xué)報(bào),2003,(10).

[14]鄧曉嵐,王宗軍,李紅俠,楊忠誠.非財(cái)務(wù)視角下的財(cái)務(wù)困境研究[J].管理科學(xué),2006,(6).

[15]姜秀華,孫錚.治理弱化與財(cái)務(wù)危機(jī):一個(gè)預(yù)測模型[J].南開管理評(píng)論,2001,(5).

[16]金春蕾,郭煒,王宗軍.我國上市公司財(cái)務(wù)失敗預(yù)警模型的評(píng)析[J].商業(yè)研究,2003,(12).

[17]鹿小楠,傅浩.中國上市公司財(cái)務(wù)造假問題研究[J].上證研究,2003,(2):36-95.

[18]彭韶兵.財(cái)務(wù)風(fēng)險(xiǎn)機(jī)理與控制分析[Z].西南財(cái)經(jīng)大學(xué),2001博士學(xué)位論文.

[19]秦江萍.會(huì)計(jì)舞弊的市場反應(yīng)與識(shí)別[M].北京:經(jīng)濟(jì)科學(xué)出版社,2006,(5).

[20]宋雪楓.中國上市公司財(cái)務(wù)危機(jī)預(yù)警問題研究[Z].上海交通大學(xué),2006年博士學(xué)位論文.

[21]王克敏,姬美光.基于財(cái)務(wù)與非財(cái)務(wù)指標(biāo)的虧損公司財(cái)務(wù)預(yù)警研究[J].財(cái)經(jīng)研究,2006,(7).

[22]王玲玲,曾繁榮.財(cái)務(wù)預(yù)警模型評(píng)述[J].市場論壇,2005(12).

[23]吳革.財(cái)務(wù)報(bào)告粉飾手法的識(shí)別與防范[M].北京:對(duì)外經(jīng)濟(jì)貿(mào)易出版社,2003,(1).

[24]吳世農(nóng).現(xiàn)代財(cái)務(wù)管理理論與方法[M].北京:中國經(jīng)濟(jì)出版社,1997.

[25]夏毅,魏嵐.企業(yè)財(cái)務(wù)危機(jī)預(yù)警研究[J].當(dāng)代經(jīng)理人,2005,(18).

[26]楊寶安,季海.基于人工神經(jīng)網(wǎng)絡(luò)的商業(yè)銀行貸款風(fēng)險(xiǎn)預(yù)譽(yù)研究[J].系統(tǒng)工程理論與實(shí)踐,2001,(5).

[27]袁業(yè)虎,張燕.中外財(cái)務(wù)預(yù)警實(shí)證研究述評(píng)[J].審計(jì)與理財(cái),2005,(9).

[28]張鳴,張艷,程濤.企業(yè)財(cái)務(wù)預(yù)警研究前沿[M].北京:中國財(cái)政經(jīng)濟(jì)出版社,2004,(4).

[29]張鳴,張艷.財(cái)務(wù)困境預(yù)測的實(shí)證研究與評(píng)述[J].財(cái)經(jīng)研究,2001,(12).

[30]張玲.財(cái)務(wù)危機(jī)預(yù)警分析判別模型[J].數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究,2000,(3):49-51.

[31]張友棠.財(cái)務(wù)預(yù)警系統(tǒng)管理研究[M].北京:中國人民大學(xué)出版社,2004,(3).

[32]張祥,陳榮秋.財(cái)務(wù)預(yù)警模型的變遷[J].華中科技大學(xué)學(xué)報(bào)(社科版),2003,(4).

篇4

評(píng)價(jià)視角的多維化

自上個(gè)世紀(jì)70年代以來，人們突破過去僅僅從正面評(píng)價(jià)投資環(huán)境的局限性，開始從負(fù)面因素來評(píng)價(jià)一個(gè)區(qū)域的投資環(huán)境，使投資環(huán)境的評(píng)估出現(xiàn)新的視角，使分析更加全面、準(zhǔn)確。負(fù)面分析法是從投資的障礙、風(fēng)險(xiǎn)、成本、代價(jià)等因素來評(píng)價(jià)投資環(huán)境的優(yōu)劣，是上面各種正面分析法的“反向工程”。前者是得分越高越好，后者是得分越低越好。

投資障礙分析法。投資障礙分析法是指根據(jù)潛在的阻礙國際投資活動(dòng)的因素多少和程度來評(píng)價(jià)投資環(huán)境優(yōu)劣的一種方法，其基本思想是，如果在現(xiàn)存的條件下，一個(gè)國家或地區(qū)的投資環(huán)境都是可以接受的，那么再加上優(yōu)惠政策的因素就是更應(yīng)該可以投資了。障礙分析法可以追溯到美國芝加哥大學(xué)著名經(jīng)濟(jì)學(xué)家布萊克[8]。他在研究國際資本市場均衡和世界資本資產(chǎn)定價(jià)模型時(shí)發(fā)現(xiàn)，國際投資者的行為、世界資本資產(chǎn)的定價(jià)和國際資本市場的均衡都與東道國的相關(guān)政策密切相關(guān)。如果東道國對(duì)外國居民征收資產(chǎn)持有稅，則投資者傾向于更多地持有本國資產(chǎn)；反之，如果僅對(duì)本國居民征收資產(chǎn)重稅而對(duì)外國居民免稅，則投資者更傾向于向外投資。

經(jīng)過30年的發(fā)展，對(duì)國際投資的障礙分析已經(jīng)十分規(guī)范和全面，阻礙投資的因素通常被歸納為十個(gè)方面：（1）政治障礙；（2）經(jīng)濟(jì)障礙；（3）東道國資金融通困難；（4）技術(shù)人員和熟練工人短缺；（5）實(shí)施國有化政策與沒收政策；（6）對(duì)外國投資實(shí)行歧視政策；（7）對(duì)企業(yè)干預(yù)過多；（8）實(shí)行較多的進(jìn)口限制；（9）實(shí)行外匯管制和限制利潤回匯；（10）法律行政體制不完善。

投資風(fēng)險(xiǎn)評(píng)估法。風(fēng)險(xiǎn)是因某種不確定性而給人們的經(jīng)濟(jì)活動(dòng)可能帶來的損失。投資活動(dòng)是一項(xiàng)長期的經(jīng)濟(jì)行為，對(duì)于其中的風(fēng)險(xiǎn)人們是很早就意識(shí)到了的，對(duì)其預(yù)測和防范的研究也比上面的各種評(píng)價(jià)方法早得多。但是，對(duì)于投資環(huán)境特別是國際投資環(huán)境風(fēng)險(xiǎn)的系統(tǒng)研究卻是現(xiàn)代的事情。投資風(fēng)險(xiǎn)可分為企業(yè)或項(xiàng)目的內(nèi)部風(fēng)險(xiǎn)和環(huán)境風(fēng)險(xiǎn)，環(huán)境風(fēng)險(xiǎn)又可以分為自然環(huán)境風(fēng)險(xiǎn)和社會(huì)環(huán)境風(fēng)險(xiǎn)，而風(fēng)險(xiǎn)分析的對(duì)象主要是各種社會(huì)風(fēng)險(xiǎn)。

值得指出的是，自上個(gè)世紀(jì)90年代以來，隨著國際信貸危機(jī)、國際金融危機(jī)和債務(wù)危機(jī)的頻繁爆發(fā)，國家風(fēng)險(xiǎn)越來越受到研究者的關(guān)注，以至于國家風(fēng)險(xiǎn)評(píng)估在西方經(jīng)濟(jì)學(xué)中出現(xiàn)一個(gè)專有名詞。其中梅爾德倫[9]的研究成果具有代表性，他將國家風(fēng)險(xiǎn)劃分為以下六種：（1）經(jīng)濟(jì)風(fēng)險(xiǎn)，指來自基本經(jīng)濟(jì)政策目標(biāo)（財(cái)政，貨幣，國際化，或財(cái)富分配或創(chuàng)建）的變化或國家比較優(yōu)勢的顯著變化（例如資源枯竭、產(chǎn)業(yè)衰退、人口結(jié)構(gòu)的變化、等）；（2）資本轉(zhuǎn)移風(fēng)險(xiǎn)，指政府限制資本流動(dòng)、改變資本運(yùn)動(dòng)規(guī)律所帶來的風(fēng)險(xiǎn)，如實(shí)行資本管制、限制投資者匯回利潤、股息或本金等；（3）匯率風(fēng)險(xiǎn)，指意外的匯率不利變動(dòng)，也包括匯率制度，如從固定匯率到浮動(dòng)匯率的變化；（4）地緣風(fēng)險(xiǎn)，指對(duì)毗鄰國家或地區(qū)的風(fēng)險(xiǎn)外溢效應(yīng)的易感性，如20世紀(jì)80年代拉美國家的債務(wù)危機(jī)、1997~1998年亞洲金融危機(jī)中的一些國家；（5）風(fēng)險(xiǎn)，指政府沒有能力或意愿滿足其貸款義務(wù)，違背貸款保證，如債務(wù)違約；（6）政治風(fēng)險(xiǎn)，指東道國政府本身面臨的風(fēng)險(xiǎn)，如政府的控制力、政權(quán)的穩(wěn)定性和政策的連續(xù)性等。

障礙分析法與風(fēng)險(xiǎn)分析法的本質(zhì)是相同的，二者之間存在內(nèi)在的邏輯聯(lián)系，研究的對(duì)象和設(shè)計(jì)的指標(biāo)也有重復(fù)之處。如果仔細(xì)辨別可以大致認(rèn)為，在投資發(fā)生前表現(xiàn)為障礙，在投資發(fā)生后表現(xiàn)為風(fēng)險(xiǎn)，在一定的條件下二者可以相互轉(zhuǎn)化。

新的評(píng)價(jià)工具的引進(jìn)

二戰(zhàn)結(jié)束以來，數(shù)學(xué)的新分支、“老三論”（信息論、系統(tǒng)論、控制論）、“新三論”（協(xié)同論、突變論、耗散結(jié)構(gòu)論）等迅速建立和發(fā)展起來。這些方法和技術(shù)也被引進(jìn)經(jīng)濟(jì)領(lǐng)域，用于對(duì)各種經(jīng)濟(jì)活動(dòng)的解釋、評(píng)估、預(yù)測和預(yù)報(bào)。在投資環(huán)境評(píng)估研究中，這種趨勢表現(xiàn)非常明顯。

灰色評(píng)價(jià)模型?；疑u(píng)價(jià)模型的理論基礎(chǔ)是灰色系統(tǒng)理論，它是認(rèn)識(shí)介于白色系統(tǒng)與黑色系統(tǒng)之間的灰色系統(tǒng)構(gòu)成元素和建立系統(tǒng)模型的一種手段。灰色系統(tǒng)理論是我國學(xué)者鄧聚龍教授1982年首先提出來的，現(xiàn)已被廣泛用于工程、環(huán)境、社會(huì)、企業(yè)、產(chǎn)品等領(lǐng)域的評(píng)價(jià)之中，主要是運(yùn)用有限的信息進(jìn)行預(yù)測和預(yù)報(bào)?；疑Ｐ皖A(yù)測的優(yōu)點(diǎn)是：（1）可以根據(jù)數(shù)量較少、精度較低的統(tǒng)計(jì)數(shù)據(jù)進(jìn)行預(yù)測；（2）給出的預(yù)測數(shù)值也是一個(gè)大致的區(qū)間而不是一個(gè)精確的數(shù)值，這種彈性區(qū)間可能更符合未來實(shí)際發(fā)生的情況；（3）投資環(huán)境中不確定因素多、不可預(yù)見的突發(fā)事件時(shí)有發(fā)生，運(yùn)用灰色建模預(yù)測法可使投資者具備物質(zhì)和精神準(zhǔn)備。運(yùn)用灰箱方法分析指標(biāo)體系，可以取得良好效果。張格亮和李昕[10]以預(yù)期利潤為目標(biāo)，研究了灰色預(yù)測模型在一般項(xiàng)目投資評(píng)價(jià)中的運(yùn)用。具體過程是五步法：（1）級(jí)比檢驗(yàn)和建?？尚行耘袛啵唬?）數(shù)據(jù)變換處理，對(duì)于級(jí)比檢驗(yàn)不合格的序列，必須作數(shù)據(jù)變換處理，使其變換后的序列其級(jí)比落入可容覆蓋的范圍內(nèi)；（3）GM建模，參數(shù)a（發(fā)展系數(shù)），b（灰作變量）的辨識(shí)；（4）殘差檢驗(yàn)和級(jí)比偏差檢驗(yàn)；（5）得出預(yù)期利潤的落入?yún)^(qū)間。趙巧芝[11]則運(yùn)用改進(jìn)后的灰色關(guān)聯(lián)模型，以我國2005年各省市區(qū)的投資環(huán)境資料，建立全國省級(jí)投資環(huán)境的灰色關(guān)聯(lián)模型，得出的各地投資環(huán)境優(yōu)劣的結(jié)論基本上與我國東中西三個(gè)經(jīng)濟(jì)帶的經(jīng)濟(jì)發(fā)展水平相一致。潘曉琳[12]運(yùn)用多層次灰色評(píng)價(jià)方法分析了重慶市某區(qū)的投資環(huán)境，其主要思想是采用灰色評(píng)價(jià)法來確定指標(biāo)的隸屬函數(shù)值，主要方法是建立一個(gè)灰色評(píng)價(jià)權(quán)重矩陣，將專家的評(píng)分與權(quán)重相乘得出量化指標(biāo)。

熵變?cè)矸椒?。熵原是一個(gè)物理上的熱力學(xué)概念，它是熱能除以溫度所得的商，標(biāo)志熱量轉(zhuǎn)化為功的程度，后被引申到自然科學(xué)和社會(huì)科學(xué)的多個(gè)領(lǐng)域。從哲學(xué)上說，熵是衡量一個(gè)系統(tǒng)無序程度的指標(biāo)。對(duì)于封閉系統(tǒng)，由于沒有外界的物質(zhì)、能量和信息的交換，其熵是單調(diào)增加的不可逆過程；對(duì)于開放系統(tǒng)（耗散結(jié)構(gòu)），因?yàn)樗梢耘c外界進(jìn)行各種交換（流入負(fù)熵），其熵值可以增加、減少或不變。陳文成[13]運(yùn)用熵變?cè)韺?duì)福建省區(qū)域投資環(huán)境進(jìn)行三維評(píng)價(jià)，就是運(yùn)用最大熵原理來分析投資環(huán)境的可接受性問題。如果熵在最大時(shí)（即將所有的不確定性全部考慮到、風(fēng)險(xiǎn)最大時(shí)）都是可以接受的，那么其他狀態(tài)自然也是可以接受的。其基本程序是：（1）將一個(gè)地區(qū)（福建?。┑耐顿Y環(huán)境用空間（次區(qū)域，設(shè)區(qū)的城市）、時(shí)間（1999~2005）和屬性（38項(xiàng)指標(biāo)）這三個(gè)維度表示出來，得到一組離散的時(shí)間序列面板數(shù)據(jù)或?qū)傩约?。?）確定指標(biāo)的熵響應(yīng)類型，即指標(biāo)大小與所蘊(yùn)含熵的關(guān)系，作者將其歸納為逆向、同向、復(fù)合三種類型。第一類：逆向響應(yīng)(效益型)，指標(biāo)越大（小)熵反而越小(大),如國內(nèi)生產(chǎn)總值(GDP)、城鎮(zhèn)居民可支配收入等指標(biāo)越大,說明必需投入越多的人財(cái)物等，所以熵越小或直觀理解為指標(biāo)越大(小)越難(易)達(dá)到、實(shí)現(xiàn)的可能性或概率越小(大)。第二類：同向響應(yīng)(成本型)，指標(biāo)越小(大)熵也越小(大),如第一產(chǎn)業(yè)占GDP的比重越小反映產(chǎn)業(yè)結(jié)構(gòu)越高級(jí)化、恩格爾系數(shù)越小說明生活質(zhì)量越好,失業(yè)率、犯罪率越低說明社會(huì)越和諧,需耗散(投入)人財(cái)物等能量維持小指標(biāo),故蘊(yùn)含熵值越小,或理解為指標(biāo)越小(大)越難(易)達(dá)到、實(shí)現(xiàn)的可能性或概率越小(大)。第三類：復(fù)合型(中間型)，為前二者的復(fù)合類型,如基尼系數(shù),小于0.3時(shí)值越小熵反而越大,大于0.4時(shí)值越大熵也越大。（3）指標(biāo)預(yù)處理。為建立統(tǒng)一的指標(biāo)概率測度模型,不失一般性將指標(biāo)熵響應(yīng)變換為同向型。（4）指標(biāo)的概率測度模型。對(duì)指標(biāo)進(jìn)行時(shí)空集成評(píng)價(jià),應(yīng)確保表示時(shí)間維的向量大小與表示空間(對(duì)象)維的向量大小具相同的意義,即必須建立統(tǒng)一的時(shí)空參照機(jī)制。（5）計(jì)算評(píng)價(jià)對(duì)象的總熵。（6）排序與分類。一個(gè)地區(qū)的熵越小外商投資環(huán)境越優(yōu)越。三維評(píng)價(jià)的關(guān)鍵是確保不同時(shí)間截面間、不同對(duì)象時(shí)間序列間具可比性，即必須建立統(tǒng)一的時(shí)空參照標(biāo)。通俗地說就是即可進(jìn)行橫向比較，也可進(jìn)行縱向比較。

篇5

一、研究設(shè)計(jì)

（一）基本假定 具體內(nèi)容如下：

（1）財(cái)務(wù)處理規(guī)則的一致性 。國家對(duì)上市公司的財(cái)務(wù)處理有統(tǒng)一的規(guī)定，上市公司財(cái)務(wù)制度已趨于完善，而政府的監(jiān)管力度也逐漸加大，所以假定：所有上市公司財(cái)務(wù)處理的規(guī)則是一致的，不同上市公司的財(cái)務(wù)數(shù)據(jù)具有可比性。

（2）財(cái)務(wù)報(bào)表的真實(shí)性。.上市公司披露的年報(bào)是經(jīng)會(huì)計(jì)師事務(wù)所審計(jì)的，所以假定：經(jīng)會(huì)計(jì)師事務(wù)所審計(jì)的報(bào)表是可信的。為在一定程度上保證分析數(shù)據(jù)的真實(shí)性，選取經(jīng)注冊(cè)會(huì)計(jì)師出具的標(biāo)準(zhǔn)無保留意見或帶說明段的上市公司會(huì)計(jì)報(bào)表作為分析的基礎(chǔ)，而對(duì)于注冊(cè)會(huì)計(jì)師拒絕表示意見的上市公司財(cái)務(wù)報(bào)表則不在研究范圍之列。

（二）樣本選擇 所選擇的中小企業(yè)樣本為截止到2005年末，在深證證券交易所中小板上市的全部50家中小企業(yè)，股票代碼002001-002050。所選樣本從行業(yè)分布來看，85%的樣本是制造業(yè)公司，保證了所選指標(biāo)的可比性；從區(qū)域分布看，沿海省份的居多，浙江15家，廣東10家，江蘇6家，這三個(gè)省份共31家，占總樣本的62%。其余省份29家，占樣本量的38%。這與我國中小企業(yè)的實(shí)際地域分布相符，使得所得結(jié)論具有廣泛的代表性。本文初步選擇財(cái)務(wù)指標(biāo)31個(gè)，進(jìn)行相關(guān)性分析后，剩余16個(gè)。

（三）研究方法本文首先對(duì)所選樣本數(shù)據(jù)進(jìn)行描述性統(tǒng)計(jì)，然后利用主成分分析法進(jìn)行綜合評(píng)價(jià)，最后用神經(jīng)網(wǎng)絡(luò)進(jìn)行更深層次的分析。前兩種方法通過 SPSS統(tǒng)計(jì)軟件來實(shí)現(xiàn)的，神經(jīng)網(wǎng)絡(luò)部分則借助于matlab來實(shí)現(xiàn)。

三、實(shí)證分析

（一）描述性統(tǒng)計(jì)分析 本文利用SPSS對(duì)原始財(cái)務(wù)指標(biāo)描述性統(tǒng)計(jì)，結(jié)果表明：

其一，從資產(chǎn)負(fù)債率X1、流動(dòng)比率X2、速動(dòng)比率X3來看，中小企業(yè)的償債能力非常強(qiáng)，資產(chǎn)負(fù)債率、流動(dòng)比率、速動(dòng)比率平均值分別為0.35、3.00、2.50，接近或超過了其適度性水平。而同期上市公司總體資產(chǎn)負(fù)債率、流動(dòng)比率、速動(dòng)比率分別為0.54、0.21、0.64（同期上市公司數(shù)據(jù)源于中聯(lián)財(cái)務(wù)顧問有限公司，中聯(lián)資產(chǎn)評(píng)估有限公司、中聯(lián)會(huì)計(jì)師事務(wù)所和國資委共同組成的上市公司業(yè)績?cè)u(píng)價(jià)課題組對(duì)滬深股市2006年4月30日公布年報(bào)的1339家上市公司所作的業(yè)績?cè)u(píng)價(jià)分析報(bào)告數(shù)據(jù)，下同）。這表明企業(yè)非常重視債務(wù)的清償，也可能與中小企業(yè)外部融資困難，因而比較注重內(nèi)部積累有關(guān)，但另一方面也說明企業(yè)資產(chǎn)可能普遍存在利用不高、閑置浪費(fèi)的情況。

其二，從銷售毛利率X4、主營業(yè)務(wù)利潤率X5、凈資產(chǎn)收益率X6以及每股收益X7來看，中小企業(yè)的盈利能力平均都達(dá)到了10%以上，且50家公司無一家虧損，也高于同期上市公司的整體表現(xiàn)，表明樣本公司在2005年盈利較好。

其三，從成長性指標(biāo)主營業(yè)務(wù)收入增長率X8、主營業(yè)務(wù)利潤增長率X9、凈資產(chǎn)增長率X10、主營業(yè)務(wù)鮮明率X11等指標(biāo)來看，中小企業(yè)的平均成長性較好，但是樣本間表現(xiàn)有所差異，最低值出現(xiàn)了負(fù)增長，這與人們認(rèn)為中小板企業(yè)普遍是高成長性的公司不同。

其四，從資產(chǎn)管理能力和獲取現(xiàn)金能力來看，中小板企業(yè)總資產(chǎn)周轉(zhuǎn)率X12、存貨周轉(zhuǎn)率X13、應(yīng)收賬款周轉(zhuǎn)率X14分別為0.77、5.95、12.41，同期上市公司的總資產(chǎn)周轉(zhuǎn)率、存貨周轉(zhuǎn)率、應(yīng)收賬款周轉(zhuǎn)率分別為0.89、4.78、11.96，兩者比較，中小企業(yè)的資產(chǎn)管理能力并不突出。

其五，從銷售現(xiàn)金比率X15、凈資產(chǎn)現(xiàn)金回收率X16等指標(biāo)來看，中小板企業(yè)獲取現(xiàn)金的能力不足，這可能企業(yè)規(guī)模不大，急速擴(kuò)張等因素有關(guān)。

（二）主成分分析 在進(jìn)行財(cái)務(wù)狀況綜合評(píng)價(jià)時(shí)，評(píng)價(jià)指標(biāo)若過多，特別是指標(biāo)間存在較強(qiáng)相關(guān)性時(shí)，往往會(huì)影響評(píng)價(jià)結(jié)果的準(zhǔn)確性，對(duì)評(píng)價(jià)結(jié)果也難以解釋，主成分分析方法的優(yōu)點(diǎn)就是能夠從眾多指標(biāo)中提取幾個(gè)對(duì)結(jié)果具顯著作用的因子，達(dá)到減少評(píng)價(jià)指標(biāo)的目的。本文的主成分分析結(jié)果顯示：

第一個(gè)主成分F1中總資產(chǎn)周轉(zhuǎn)率、應(yīng)收賬款周轉(zhuǎn)率、股東權(quán)益周轉(zhuǎn)率、固定資產(chǎn)周轉(zhuǎn)率系數(shù)均為正數(shù)且在0.86以上，對(duì)第一主成分的影響最大，所以，第一主成分主要反映了中小企業(yè)的資產(chǎn)管理能力。

第二主成分F2成本費(fèi)用利潤率、銷售毛利率、主營業(yè)務(wù)利潤率、銷售凈利率系數(shù)都超過了0.80，表明第二主成分主要反映了中小企業(yè)的盈利能力。顯然，這三項(xiàng)指標(biāo)在5個(gè)盈利能力指標(biāo)中對(duì)綜合得分的影響也是比較大的。

第三主成分F3集中反映了中小企業(yè)的獲取現(xiàn)金流的能力，除銷售現(xiàn)金比率外，其余4個(gè)衡量現(xiàn)金流的指標(biāo)系數(shù)均高于0.8。

其余主成分因子則反映了償債能力、以及成長性等方面的信息。

前三個(gè)主成分的累計(jì)貢獻(xiàn)率達(dá)到了84.20%，對(duì)最后的綜合得分起著重要作用，而這三個(gè)主成分因子主要代表著公司的資產(chǎn)管理能力、盈利能力以及獲取現(xiàn)金流的能力，因此，公司在這三個(gè)方面的表現(xiàn)，決定著其最后的綜合排序。

根據(jù)公式列示計(jì)算結(jié)果即可以對(duì)樣本公司進(jìn)行綜合排名，前十名如表1所示。

從主成分分析結(jié)果來看，前十名的公司財(cái)務(wù)狀況表現(xiàn)良好，遠(yuǎn)遠(yuǎn)超過了其他公司。但另一方面，前十名公司的主營業(yè)務(wù)鮮明率、核心業(yè)務(wù)總資產(chǎn)收益率增長率與所有樣本差別很小，說明前十名公司在這兩個(gè)方面并沒有表現(xiàn)出其優(yōu)越性，另一方面也說明其他中小企業(yè)也有非常好的發(fā)展?jié)摿Α?/p>

前十名公司的資產(chǎn)管理能力也超出了其他公司，總資產(chǎn)周轉(zhuǎn)率、存貨周轉(zhuǎn)率、應(yīng)收賬款周轉(zhuǎn)率的平均值分別為1.06、10.20、24.21，50家樣本公司三個(gè)指標(biāo)的平均值分別為0.77、5.95、12.4。此外，前十名公司的償債能力、盈利能力、獲取現(xiàn)金的能力也不同程度的優(yōu)于其它公司。

（三）基于主成分分析的人工神經(jīng)網(wǎng)絡(luò)分析 具體內(nèi)容如下：

（1）選擇樣本及確定數(shù)據(jù)。利用神經(jīng)網(wǎng)絡(luò)進(jìn)行分析，需要一定量的樣本進(jìn)行訓(xùn)練，這里選取上述樣本里的30家中小企業(yè)，即股票代碼002001-002030的30家公司作為訓(xùn)練樣本，剩余20家作為測試樣本。

在BP神經(jīng)網(wǎng)絡(luò)中，當(dāng)輸入層次過多也就是指標(biāo)數(shù)量過多時(shí)，模型往往具有不穩(wěn)定性，從而影響結(jié)果的可靠性。與以往所使用的神經(jīng)網(wǎng)絡(luò)模型不同，本文并不是將30家中小企業(yè)的原始財(cái)務(wù)指標(biāo)直接作為輸入變量，而是在主成分分析的基礎(chǔ)上，以提取的8個(gè)主成分因子Fi作為輸入層，這樣不僅大大縮減了變量的個(gè)數(shù)，而且更能保證模型的穩(wěn)定性。

（2）確定BP神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)及參數(shù)。根據(jù)評(píng)估和決策的需要，對(duì)輸出層的設(shè)計(jì)選m=5，即將該板塊的上市公司財(cái)務(wù)狀況分為五類：優(yōu)秀、良好、中等、較差、差。具體參考標(biāo)準(zhǔn)是：某家公司以變異系數(shù)法和主成分析兩種方法計(jì)算的結(jié)果若處在1-10名則為優(yōu)秀，11-20為良好，以此類推。如果兩種排名有矛盾，則參考銷售凈利率作為輔助判斷標(biāo)準(zhǔn)。

對(duì)輸入層，其神經(jīng)元個(gè)數(shù)是由上面主成分分析提取的8個(gè)主成分因子確定，即n=8。對(duì)隱含層中神經(jīng)元個(gè)數(shù)的確綜上所述，本研究中所采用的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為：8（輸入層）-9（隱含層）-5（輸出層）。根據(jù)具體情況，這里學(xué)習(xí)因子速率取?濁=0.45。

（3）仿真訓(xùn)練及結(jié)果。本文中這一部分是通過Matlab軟件來實(shí)現(xiàn)的，在Matlab軟件中，通過訓(xùn)練樣本對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，迭代次數(shù)為1000次達(dá)到誤差值 ≤0 .005的要求，最后得到滿意的權(quán)值和閾值，從而確定了穩(wěn)定的網(wǎng)絡(luò)結(jié)構(gòu)。

通過Matlab運(yùn)算，輸出結(jié)果形式為（x1，x2，x3，x4，x5）， 若X2>0.9，則表示此樣本屬于第i個(gè)類型。 例如，某 樣本結(jié)果為（0.0165，0.0467，

0.9874，0.0147，0.4567），可以認(rèn)定其屬于“中等”。

最后，通過對(duì)預(yù)測值的分析，得到的試驗(yàn)結(jié)果如表2所示：

20個(gè)測試樣本中，實(shí)際財(cái)務(wù)狀況是4個(gè)優(yōu)秀，5個(gè)良好，4個(gè)中等，3個(gè)較差，4個(gè)差，依據(jù)BP神經(jīng)網(wǎng)絡(luò)輸出結(jié)果，判斷情況為：4個(gè)優(yōu)秀，6個(gè)良好，4個(gè)中等，2個(gè)較差，3個(gè)差，1個(gè)無法判斷。有4個(gè)樣本判斷情況不符實(shí)際情況，誤判率20%，準(zhǔn)確率達(dá)80%。神經(jīng)網(wǎng)絡(luò)模型從財(cái)務(wù)狀況的“健康”程度上來分析中小企業(yè)的綜合情況，更能促進(jìn)“健康”狀況不佳的公司加強(qiáng)經(jīng)營管理，改善其財(cái)務(wù)狀況。

五、財(cái)務(wù)狀況綜合評(píng)價(jià)結(jié)果分析

在同時(shí)期股市業(yè)績普遍出現(xiàn)下滑的情況下，從以上財(cái)務(wù)綜合評(píng)價(jià)的結(jié)果來看，中小企業(yè)整體表現(xiàn)優(yōu)于其它上市公司。這里選取主成分分析綜合排名前十名、后十名、全部50家樣本以及同時(shí)期全部上市公司，通過主要財(cái)務(wù)指標(biāo)平均值的比較，以進(jìn)一步的分析，結(jié)果如表3所示。

結(jié)果表明：除了主營業(yè)務(wù)鮮明率、總資產(chǎn)周轉(zhuǎn)率外，中小企業(yè)各項(xiàng)指標(biāo)均值都優(yōu)于同期上市公司，說明中小板塊整體良好。但進(jìn)一步分析會(huì)發(fā)現(xiàn)，中小企業(yè)表現(xiàn)差異明顯，前十名與后十名相差懸殊。其中，前十名的主營業(yè)務(wù)利潤增長率是后十名近4倍。兩者差異最明顯的是獲取現(xiàn)金流量的能力，前十名均由較高的獲現(xiàn)能力，而后十名的全部資金現(xiàn)金回收率、每股經(jīng)營現(xiàn)金流、凈資產(chǎn)現(xiàn)金回收率均為負(fù)值。

值得注意的是，在全部上市公司主營業(yè)務(wù)利潤出現(xiàn)負(fù)增長的情況下，中小板企業(yè)仍然表現(xiàn)出了較強(qiáng)的增長勢頭，前十名公司的增長率甚至接近50%，最后十名公司的增長率也達(dá)到了12%。但是，另一反映成長能力的指標(biāo)主營業(yè)務(wù)鮮明率，中小企業(yè)的表現(xiàn)卻不如上市公司，這說明相對(duì)于上市公司而言，中小企業(yè)的主營業(yè)務(wù)仍顯得不夠突出，主業(yè)仍然沒能夠?yàn)橹行∑髽I(yè)創(chuàng)造足夠多的利潤。

參考文獻(xiàn)：

［1］吳世農(nóng)、李常青、余瑋：《我國上市公司成長性的判定分析和實(shí)證研究》，《南開管理評(píng)論》1999年第4期。

篇6

關(guān)鍵詞：財(cái)務(wù)危機(jī)，預(yù)警模型，主成分分析，Logistic回歸

中圖分類號(hào)：F276.6 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)：1003－3890（2008）07－0024-03

一、文獻(xiàn)綜述

（一）國外財(cái)務(wù)危機(jī)預(yù)警模型的研究現(xiàn)狀

在20世紀(jì)60年代前影響最為廣泛的美國財(cái)務(wù)分析專家Beaver（1966年）提出了單變量判定模型。在財(cái)務(wù)危機(jī)預(yù)測研究中，美國紐約大學(xué)教授Altman做出了突出貢獻(xiàn)。Altman在1968年首次使用了多元判定分析（MDA）預(yù)測財(cái)務(wù)危機(jī)，后來的研究者通常稱之為Z模型。Meyer和Yifer1970年使用了最小二乘法對(duì)財(cái)務(wù)危機(jī)進(jìn)行預(yù)測。1977年，Altman，Haldeman和Narayanan在Z模型的基礎(chǔ)上又提出了一個(gè)更能準(zhǔn)確預(yù)測企業(yè)財(cái)務(wù)失敗的新模型――著名的ZETA模型。Martin（1977）在財(cái)務(wù)危機(jī)預(yù)測研究中首次采用Logistic模型。1988年，Aziz，Emanuel和Lawson在財(cái)務(wù)危機(jī)的預(yù)警模型研究中，發(fā)展了基于現(xiàn)金流量預(yù)警破產(chǎn)的模型。1998年，Mossman.Bell，Swartz和Turtle在總結(jié)以前研究的基礎(chǔ)上，比較了財(cái)務(wù)指標(biāo)模型、現(xiàn)金流量模型、市場收益率信息類模型，發(fā)現(xiàn)不存在令人完全滿意的區(qū)分破產(chǎn)和非破產(chǎn)的預(yù)測模型。除了線形判別模型和條件概率模型外，一些學(xué)者還用人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)模型和引用了期權(quán)定價(jià)理論對(duì)財(cái)務(wù)危機(jī)進(jìn)行預(yù)測。

（二）國內(nèi)財(cái)務(wù)危機(jī)預(yù)警模型的研究現(xiàn)狀

1986年，吳世農(nóng)、黃世忠曾撰文介紹企業(yè)破產(chǎn)的財(cái)務(wù)分析指標(biāo)及其預(yù)警模型。1996年，周首華、楊濟(jì)華和王平應(yīng)用多微區(qū)分分析方法建立了F分?jǐn)?shù)模型。1999年，陳靜對(duì)西方預(yù)警模型在中國是否適用進(jìn)行了實(shí)證分析。張愛民、祝春山、許丹健（2001）借鑒Altman的多元Z值判別模型，建立了一種新的預(yù)測財(cái)務(wù)危機(jī)的模型――主成分預(yù)測模型。楊保安（2001）等針對(duì)判別分析方法在構(gòu)建財(cái)務(wù)危機(jī)判別模型中存在的問題引入神經(jīng)網(wǎng)絡(luò)分析方法并應(yīng)用于企業(yè)財(cái)務(wù)危機(jī)判定與預(yù)測。吳世農(nóng)、盧賢義（2001）應(yīng)用Fisher線性判別分析、多元線性回歸分析和Logistic回歸分析三種方法，分別建立三種預(yù)測財(cái)務(wù)危機(jī)的模型。張延波、彭淑雄（2002）指出，在建立風(fēng)險(xiǎn)監(jiān)測與危機(jī)預(yù)警指標(biāo)體系中，可考慮加入現(xiàn)金流量指標(biāo)。劉洪、何光軍（2004）建立了Logistic回歸模型、Fisher判別模型和BP神經(jīng)網(wǎng)絡(luò)模型，實(shí)證結(jié)果表明：BP神經(jīng)網(wǎng)絡(luò)方法的預(yù)測精度遠(yuǎn)高于其他兩種方法。李秉祥、啟文秀（2004）以現(xiàn)論和期權(quán)理論為依據(jù)，建立了公司財(cái)務(wù)危機(jī)的動(dòng)態(tài)預(yù)測模型。譚久均（2005）建立了財(cái)務(wù)指標(biāo)與違約距離相融合的上市公司財(cái)務(wù)預(yù)警模型。

二、實(shí)證研究

（一）研究樣本的選擇和變量的定義

本文主要針對(duì)文獻(xiàn)綜述中存在的問題，進(jìn)行財(cái)務(wù)危機(jī)預(yù)警研究技術(shù)上的改進(jìn)，探索性地在自變量中加入基于現(xiàn)金流量表的財(cái)務(wù)比率進(jìn)行動(dòng)態(tài)財(cái)務(wù)危機(jī)預(yù)警模型的構(gòu)建。筆者選擇2006年滬深兩市首次被ST或*ST的36家上市公司作為研究樣本。按照行業(yè)相同、資產(chǎn)規(guī)模相似等原則進(jìn)行配對(duì)，找到對(duì)應(yīng)的非ST公司作為參照樣本，以確保兩組樣本之間的相互可比性。在盡量擴(kuò)大財(cái)務(wù)比率數(shù)目的同時(shí)，取前4年內(nèi)的財(cái)務(wù)比率進(jìn)行分析。實(shí)證中，本文最終建立的仍是Fisher判別分析和Logistic回歸模型。不過與前面學(xué)者研究過程不同的是，筆者先對(duì)樣本連續(xù)多年的多個(gè)財(cái)務(wù)比率進(jìn)行主成分分析，提取多個(gè)完全正交的主成分，然后將這些主成分納入到模型中。整個(gè)處理過程既考慮了現(xiàn)金流的重要性，同時(shí)也克服了財(cái)務(wù)比率之間的多重共線性問題。

本文的財(cái)務(wù)數(shù)據(jù)來自Wind資訊、證券之星數(shù)據(jù)中心、全景證券網(wǎng)數(shù)據(jù)中心、巨潮資訊網(wǎng)以及聚源財(cái)務(wù)分析數(shù)據(jù)庫等（選取的研究樣本見表1）。

我們參考了國內(nèi)外反映財(cái)務(wù)危機(jī)預(yù)警的既有指標(biāo)，并考慮了指標(biāo)數(shù)據(jù)獲取的難易程度，確定了反映和測度中國上市公司財(cái)務(wù)危機(jī)預(yù)警的指標(biāo)體系，包括5個(gè)一級(jí)指標(biāo)（償債能力、盈利能力、資產(chǎn)管理能力、成長能力和現(xiàn)金流量）和22個(gè)二級(jí)指標(biāo)。

（二）財(cái)務(wù)指標(biāo)的正態(tài)分布檢驗(yàn)

本文利用SPSS中的K-S檢驗(yàn)方法對(duì)基礎(chǔ)財(cái)務(wù)指標(biāo)進(jìn)行正態(tài)性檢驗(yàn)。經(jīng)過計(jì)算，中國的財(cái)務(wù)指標(biāo)整體上并不符合正態(tài)分布，這一結(jié)果與國內(nèi)外學(xué)者所得出的結(jié)論一致。因而兩類公司財(cái)務(wù)指標(biāo)的顯著性檢驗(yàn)不能進(jìn)行t檢驗(yàn)，而應(yīng)當(dāng)使用非參數(shù)檢驗(yàn)的方法。通過非參數(shù)檢驗(yàn)，我們發(fā)現(xiàn)在最初所選的22個(gè)基礎(chǔ)財(cái)務(wù)指標(biāo)中，有17個(gè)財(cái)務(wù)指標(biāo)在4年間通過了顯著水平為5%的顯著性檢驗(yàn)。因此，本文初步選定通過顯著性檢驗(yàn)的17個(gè)財(cái)務(wù)指標(biāo)來建立預(yù)警模型。他們分別是反映償債能力的流動(dòng)比率、速動(dòng)比率、資產(chǎn)負(fù)債率、產(chǎn)權(quán)比率、利息保障倍數(shù)指標(biāo)；反映盈利能力的主營業(yè)務(wù)比率、股東權(quán)益收益率、留存收益總資產(chǎn)比率、總資產(chǎn)利潤率指標(biāo)；反映資產(chǎn)管理能力的應(yīng)收賬款周轉(zhuǎn)率、總資產(chǎn)周轉(zhuǎn)率、存貨周轉(zhuǎn)率指標(biāo)；反映成長能力的凈利潤增長率、資本積累率、總資產(chǎn)增長率指標(biāo)；反映現(xiàn)金流量的現(xiàn)金債務(wù)總額比、現(xiàn)金獲利指數(shù)指標(biāo)。

（三）主成分的計(jì)算

由于變量之間存在多重共線性的問題，我們對(duì)選取的變量按年度進(jìn)行主成分分析，得到相應(yīng)的主成分和初始因子載荷矩陣，根據(jù)初始因子荷載矩陣與特征值矩陣，計(jì)算出主成分系數(shù)矩陣，進(jìn)而求得主成分的分值，得到5個(gè)主成分后，代入Fisher判別模型和Logistic回歸模型進(jìn)行進(jìn)一步分析。

（四）Fisher線性判別模型的建立

把財(cái)務(wù)危機(jī)公司劃分為組合1，非財(cái)務(wù)危機(jī)公司劃分為組合0，對(duì)上述72家上市公司的5個(gè)主成分進(jìn)行Fisher回歸分析，可以建立分年度的財(cái)務(wù)危機(jī)預(yù)警模型（見表2）。

為了檢驗(yàn)判別函數(shù)的效果，我們把數(shù)據(jù)分別代回去，得到財(cái)務(wù)危機(jī)前1~4年財(cái)務(wù)危機(jī)公司與非財(cái)務(wù)危機(jī)公司的判別和預(yù)測結(jié)果，判斷正確率逐年依次為：91.7%，86.1%，69.4%，66.7%。

（五）Logistic預(yù)警模型的建立

利用SPSS統(tǒng)計(jì)分析軟件，對(duì)上述72家上市公司的5個(gè)主成分進(jìn)行Logistic回歸分析，可以建立分年度的財(cái)務(wù)危機(jī)預(yù)警模型（見表3）。

我們把財(cái)務(wù)危機(jī)企業(yè)和非財(cái)務(wù)企業(yè)危機(jī)前1―4年的數(shù)據(jù)代入模型，如果P值大于0.5，則判定企業(yè)為財(cái)務(wù)危機(jī)企業(yè)，如果P值小于0.5，則判定企業(yè)為正常企業(yè)。如此，財(cái)務(wù)危機(jī)企業(yè)和非財(cái)務(wù)危機(jī)企業(yè)財(cái)務(wù)危機(jī)前1~4年的判定正確率逐年依次為：91.7%，86.1%，69.4%，66.7%。

三、結(jié)論

總結(jié)本文的研究過程和結(jié)果，可以得到以下結(jié)論：

1. ST公司的大部分財(cái)務(wù)指標(biāo)值在其被特別處理前4個(gè)會(huì)計(jì)年度內(nèi)呈現(xiàn)出了逐漸惡化的趨勢，“ST”公司與非“ST”公司財(cái)務(wù)指標(biāo)之間所呈現(xiàn)的差距逐漸加大，說明了“ST”公司財(cái)務(wù)狀況的惡化并非是突然發(fā)生的，從而使得財(cái)務(wù)危機(jī)預(yù)警不僅必要，而且成為可能。因而我們完全可以通過分析財(cái)務(wù)指標(biāo)的變化來預(yù)測公司未來的財(cái)務(wù)狀況。

2． 本文采用了Fisher判別分析法和Logistic回歸方法建立中國上市公司分年度的財(cái)務(wù)危機(jī)預(yù)警模型，結(jié)果表明這兩種模型可以提前4年預(yù)測財(cái)務(wù)危機(jī)。

3． 分析比較模型的預(yù)測效果，我們還發(fā)現(xiàn)財(cái)務(wù)危機(jī)預(yù)警具有一定的時(shí)間跨度，時(shí)間跨度與預(yù)測的準(zhǔn)確程度成反比。一般情況下，時(shí)間跨度越長，財(cái)務(wù)危機(jī)預(yù)警的準(zhǔn)確程度就越低，反之亦然。因此，在實(shí)際應(yīng)用過程中，應(yīng)根據(jù)需要和可能，適當(dāng)規(guī)定財(cái)務(wù)危機(jī)預(yù)警的時(shí)間跨度，從而保證預(yù)測結(jié)果的可靠性和相關(guān)性。

4. 比較二種判定模型的效果表明，Logistic模型的判定準(zhǔn)確性較高。

參考文獻(xiàn):

［1］Altman，E .L， Predicting Financial Distress of Company:：Revisiting The Z-Score and ZETA Models，unpublished Journal of Finance［J］ ．July 2000.

［2］Beaver， W H. Financial ratios as predictors of failure. Empirical research in accounting: selected studies［J］ ．Journal of Accounting Research 1966.4.

［3］Ohlson， J .Financial ratios and the probabilistic prediction of bankruptcy［J］． Journal of Accounting Research：1980，18.109-130.

［4］石曉軍，肖遠(yuǎn)文，任若恩．Logistic違約模型的最優(yōu)樣本配比與分界點(diǎn)研究［J］．財(cái)經(jīng)研究，2005，（9）.

［5］吳世農(nóng)，盧賢義．中國上市公司財(cái)務(wù)困境的預(yù)測模型研究［J］．經(jīng)濟(jì)研究，2001，（6）.

［6］陳靜．上市公司財(cái)務(wù)惡化預(yù)測的實(shí)證分析［J］．會(huì)計(jì)研究.1999，（4）.

篇7

【Abstract】In this paper， the water quality analysis and detection methods are introduced in detail ，and systematic comparison and summary of these methods are given.The paper also introduces the methods of water quality evaluation，and discusses the development trend and prospect of it.

【關(guān)鍵詞】水質(zhì)；分析；模型；評(píng)價(jià)；化學(xué)計(jì)量學(xué)

【Keywords】water quality ；analysis； model； evaluation ；chemometrics

【中圖分類號(hào)】X8 【文獻(xiàn)標(biāo)志碼】B 【文章編號(hào)】1673-1069（2017）05-0098-02

1 引言

隨著社會(huì)發(fā)展，人們的生活水平越來越高，但是人類在自身發(fā)展的同時(shí)，卻忽視了對(duì)周圍環(huán)境的保護(hù)，因此對(duì)環(huán)境造成了不同程度的破壞，其中就包括水資源的破壞。水質(zhì)的好壞直接決定了人們的生活質(zhì)量和社會(huì)的穩(wěn)定，目前水資源供需緊張的狀況越來越嚴(yán)重，因此如何快速準(zhǔn)確地檢測分析水質(zhì)，對(duì)于水資源的節(jié)約、保護(hù)和開發(fā)利用有著重要的意義，同時(shí)也對(duì)社會(huì)可持續(xù)發(fā)展起到一定的促進(jìn)作用。

2 水質(zhì)分析概述

水質(zhì)是水質(zhì)水體質(zhì)量的簡稱，包括水體的物理特性（如色度、濁度、臭味等）、化學(xué)特性（無機(jī)物和有機(jī)物的含量）和生物特性（細(xì)菌、微生物、浮游生物、底棲生物）及其組成狀況。水質(zhì)檢測，即用化學(xué)和物理方法測定水中各種化學(xué)成分的含量，如硝酸鹽、亞硝酸鹽、揮發(fā)性酚類、氰化物等以及其他可以代表反映本地區(qū)主要水質(zhì)問題的項(xiàng)目。

3 水質(zhì)分析方法

3.1 感觀法

這種方法是檢測人員根據(jù)所采集到的水樣的顏色和透明度來判斷水各項(xiàng)指標(biāo)的。這種方法的優(yōu)點(diǎn)是操作快速簡便，缺點(diǎn)是受主觀影響大，即每人的主觀感受不一樣，因此不同的檢測人員測出的數(shù)據(jù)之間可能存在較大差異，這會(huì)直接影響到分析結(jié)果。

3.2 化學(xué)分析法

化學(xué)分析法主要用于一般的水質(zhì)檢測中，常用的方法有：①酸堿滴定法。即酸堿中合法，分析人員通過向水樣中滴入酸堿指示劑來對(duì)水資源中的pH值強(qiáng)度進(jìn)行測定和測量。②絡(luò)合滴定法。該方法主要是通過生成絡(luò)合物的反應(yīng)對(duì)水樣進(jìn)行滴定分析，生成過程中，要控制絡(luò)合反應(yīng)的速度，保證絡(luò)合物形成的過程穩(wěn)定，然后再對(duì)滴定的化學(xué)計(jì)量進(jìn)行確定。③沉淀滴定法。沉淀滴定法就是通過生成沉淀物的反應(yīng)對(duì)水質(zhì)進(jìn)行分析，該方法要求是在能夠反應(yīng)的水質(zhì)中，并且不是所有的沉淀能夠進(jìn)行滴定分析的條件下才能進(jìn)行氧化還原滴定法。氧化還原滴定法主要是以氧化反應(yīng)作為滴定的基礎(chǔ)，采用該方法時(shí)要注意水中物質(zhì)反應(yīng)速度的快慢[1]。

3.3 儀器分析法

①色譜法，它的原理是利用不同物質(zhì)在固定相中的分配比不同來對(duì)物質(zhì)進(jìn)行分析的。根據(jù)固定相的不同，又可以為氣相色譜[2]、液相色譜和離子色譜。這三種色譜檢測方法的特點(diǎn)是快速、準(zhǔn)確、高效。氣相色譜主要用于檢測水中的有機(jī)氯農(nóng)藥、有機(jī)磷農(nóng)藥、有機(jī)化學(xué)污染物及硒、鈹、銅等微量金屬元素；離子色譜一般用于測定飲用水中的Cl-、NO3-、SO42-、Na+、K+、Mg2+ 、Ca2+等多種陰離子。房健等人用氣相色譜法來檢測地表水水質(zhì)中的多種有機(jī)物種類和含量，蘇宇亮、方黎等人采用離子色譜法來檢測飲用水中的多種陰離子，其均取得了較為精確的結(jié)果。

②光譜法。根據(jù)光源的不同，光譜法又可分為以下幾種：

第一，紫外光譜吸收法，即基于物質(zhì)對(duì)不同波長的紫外光的吸收來測定物質(zhì)成分和含量的方法。該方法具有實(shí)時(shí)快速、操作便攜、準(zhǔn)確度高、無二次污染、成本低等特點(diǎn)。

第二， 紅外光譜吸收法，其原理是利用所檢測水樣中的不同成分在紅外波段具有不同的吸收特征。利用該方法，需要在檢測時(shí)要對(duì)水樣進(jìn)行前處理。

第三，熒光光譜法，即根據(jù)物質(zhì)分子在特定波長光（如紫外光）照射下可在瞬間發(fā)射出比激發(fā)光光波更長的熒光，熒光光譜輻射峰的波長與強(qiáng)度包含許多有關(guān)所測目標(biāo)物質(zhì)的分子結(jié)構(gòu)與電子狀態(tài)的信息，這些信息都是物質(zhì)所特有的，因此可以利用物質(zhì)的熒光光譜對(duì)物質(zhì)進(jìn)行定性、定量分析。

第四， 拉曼光譜法。當(dāng)頻率為V0的單色光入射到物質(zhì)以后，物質(zhì)中的分子會(huì)對(duì)入射光產(chǎn)生散射，散射光的頻率為V0 ± V，波長的偏移V 與物質(zhì)分子的化學(xué)結(jié)構(gòu)有關(guān)。與傳統(tǒng)水質(zhì)分析方法相比，使用拉曼光譜進(jìn)行水質(zhì)分析時(shí)，樣品無需制備并且無損耗，可以同時(shí)測試樣品中的多種成分，樣品用量少，靈敏度高，可以實(shí)現(xiàn)遠(yuǎn)程測量、實(shí)時(shí)測量與分析[3] 。

③質(zhì)譜法，即利用電場和磁場將運(yùn)動(dòng)的離子按它們的質(zhì)荷比分離后進(jìn)行檢測的方法。由于核素的準(zhǔn)確質(zhì)量是一個(gè)多位小數(shù)，且每個(gè)核素的質(zhì)量是唯一的，另外絕不會(huì)有一種核素的質(zhì)量恰好是另一核素質(zhì)量的整數(shù)倍，所以只要測出離子的準(zhǔn)確質(zhì)量即可確定離子的化合物組成。該方法的優(yōu)點(diǎn)是檢測范圍廣，靈敏度高，分析速度快，但是也有解譜困難、定量分析時(shí)誤差較大等缺點(diǎn)。另外，質(zhì)譜又有電子轟擊質(zhì)譜（EI-MS）、場解吸附質(zhì)譜（FD-MS）、快原子轟擊質(zhì)譜（FAB-MS）、基質(zhì)輔助激光解吸附飛行時(shí)間質(zhì)譜（MALDI-TOFMS）和電子噴霧質(zhì)譜（ESI-MS）等等。

一般情況下，這些常規(guī)的方法可以滿足檢測工作的需要，但是，由于水質(zhì)的各項(xiàng)指標(biāo)常存在復(fù)雜的非線性關(guān)系， 并且在檢測時(shí)可能存在背景干擾，這些因素都會(huì)直接影響到測量和分析的結(jié)果。因此，當(dāng)對(duì)水質(zhì)進(jìn)行檢測時(shí)，就可以采用化學(xué)計(jì)量學(xué)建模來對(duì)數(shù)據(jù)進(jìn)行前處理，以克服這些缺點(diǎn)。

4 水質(zhì)評(píng)價(jià)方法及發(fā)展趨勢

4.1 評(píng)價(jià)方法

常用的水質(zhì)評(píng)價(jià)方法有單因子污染指數(shù)法和多項(xiàng)參數(shù)綜合評(píng)價(jià)法。前者是將某一參數(shù)的實(shí)測濃度代表值與水質(zhì)標(biāo)準(zhǔn)對(duì)比，判斷水質(zhì)的優(yōu)劣，這是目前使用最多的水質(zhì)評(píng)價(jià)法；后者則是把選用的若干參數(shù)綜合成一個(gè)概括的指數(shù)來評(píng)價(jià)水質(zhì)，又稱指數(shù)評(píng)價(jià)法。

由于水質(zhì)的評(píng)價(jià)指標(biāo)多，數(shù)據(jù)龐大，并且各數(shù)據(jù)之間可能還會(huì)相互影響，因此單一的、較為簡單的評(píng)價(jià)方法很可能無法準(zhǔn)確、真實(shí)地反應(yīng)水體的質(zhì)量。隨著計(jì)算機(jī)技術(shù)的發(fā)展，化學(xué)計(jì)量學(xué)及其衍生出來的統(tǒng)計(jì)分析軟件在各W科領(lǐng)域也逐漸普及開來，其中就包括水質(zhì)評(píng)價(jià)[4]。目前使用比較多的有主成分分析法、聚類分析法、人工神經(jīng)網(wǎng)絡(luò)分析法和多元統(tǒng)計(jì)分析法等，這些分析方法在強(qiáng)大的計(jì)算機(jī)技術(shù)支持下，能夠克服上述常規(guī)方法的缺點(diǎn)，有效地提取并分析數(shù)據(jù)信息，從而減少原始數(shù)據(jù)的損失，快速、準(zhǔn)確地給出評(píng)價(jià)結(jié)果。

4.2 發(fā)展趨勢

水環(huán)境是一個(gè)開放的系統(tǒng)，充滿了不確定因素，并且處于時(shí)時(shí)變化的狀態(tài)，而現(xiàn)有的檢測評(píng)價(jià)方法都是針對(duì)某一時(shí)間點(diǎn)的分析，那么這些因素就會(huì)給分析工作帶來困難。另外，隨著人們生活質(zhì)量的不斷提高，其對(duì)水質(zhì)的要求也越來越高，這將會(huì)給水質(zhì)分析工作帶來更大的挑戰(zhàn)。

計(jì)算機(jī)技術(shù)發(fā)展日新月異，以此為基礎(chǔ)的通訊、自動(dòng)化監(jiān)測技術(shù)和地理信息技術(shù)也在飛速發(fā)展[5] ，由此可以看出，各學(xué)科之間不再是獨(dú)立分離的狀態(tài)，而是相互滲透、相互融合，共同發(fā)展，因此，水質(zhì)分析評(píng)價(jià)技術(shù)的前景也將更加廣闊。

5 結(jié)語

綜上所述，水質(zhì)檢測分析工作不是簡單的一門學(xué)科領(lǐng)域，它的發(fā)展需要眾多學(xué)科的共同支持。與此同時(shí)，隨著人們對(duì)水資源和環(huán)境的關(guān)注度日益提高，水質(zhì)分析評(píng)價(jià)這一工作有待進(jìn)一步探索研究和發(fā)展。

【參考文獻(xiàn)】

【1】王江.馮巖淺談水質(zhì)分析的方法及儀器[J].化工管理，2014（7）：146-147.

【2】房健.氣相色譜在地表水水質(zhì)分析中的應(yīng)用[J].新疆水利，2008（3）：12-16.

【3】王 燕，李和平.拉曼光譜在水質(zhì)分析中的應(yīng)用進(jìn)展[J].地球與環(huán)境，2014（2）：260-263.

篇8

關(guān)鍵字：滑坡隧道；FLAC3D；隧道開挖；位移；應(yīng)力

Abstract: In this paper, by using the three-dimensional numerical modeling of FLAC3D software for the tunnel landslide, and to simulate the excavation process, analysis of the vertical displacement, landslide tunnel longitudinal displacement and vertical stress, vertical stress, and with the practical engineering, the landslide pattern. The FLAC3D numerical calculation software can establish a tunnel in Landslide in the excavation process model, and efficient calculation of the landslide tunnel large deformation; stress variation regularity of landslide and tunnel practical with the calculated displacement,;FLAC3D numerical calculation software can effectively predict tool for large deformation of tunnel excavation in similar.

Key words: FLAC3D; landslide of tunnel; tunnel excavation; deformation; stress

中圖分類號(hào):U45文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：

1.引言

FLAC3D程序采用的是拉格朗日差分法。拉格朗日差分法是流體力學(xué)中研究流體運(yùn)輸?shù)膬煞N方法之一，它通過單個(gè)流體質(zhì)點(diǎn)運(yùn)動(dòng)參數(shù)隨時(shí)間的變化規(guī)律，以及相鄰質(zhì)點(diǎn)間這些參數(shù)的變化規(guī)律，來研究整個(gè)流場中流體的運(yùn)動(dòng)。拉格朗日法移植到固體力學(xué)中,是將所研究的區(qū)域劃分成網(wǎng)絡(luò)，而網(wǎng)格節(jié)點(diǎn)相當(dāng)于流體的質(zhì)點(diǎn)，然后按時(shí)步用拉格朗日法研究網(wǎng)格節(jié)點(diǎn)的運(yùn)動(dòng)，這種方法就稱為拉格朗日元法[1][2]。該方法的特點(diǎn)是最適合于求解非線性大變形問題。就滑坡隧道而言，由于滑坡的影響，造成隧道位于滑動(dòng)破裂帶附近的圍巖縱向、橫向位移變大，達(dá)到大變形狀態(tài)，相應(yīng)的襯砌縱向、橫向應(yīng)力處于應(yīng)力突變狀態(tài)。目前，對(duì)隧道進(jìn)行應(yīng)力、應(yīng)變分析的數(shù)值方法有很多，如有限單元法、邊界單元法、有限差分法、離散單元法、流形方法、塊體—彈簧元分析法、塊體單元法、人工神經(jīng)網(wǎng)絡(luò)分析方法等，但根據(jù)筆者對(duì)有大量文獻(xiàn)的閱瀏，針對(duì)滑坡隧道這種大應(yīng)變工程實(shí)例的數(shù)值分析，采用有限差分法是一種十分有效且接近實(shí)際情況的方法，而有限差分軟件FLAC3D是目前開發(fā)得很成功的一款計(jì)算軟件，也大量應(yīng)用于工程分析中[3] [4]。如杜慶麗利用有限差分軟件FLAC，對(duì)矩形淺埋軟巖隧道開挖的非線性過程進(jìn)行了模擬分析，研究初期支護(hù)在開挖過程中的大變形機(jī)制[5]；嚴(yán)紹洋等對(duì)公路隧道開挖滲流場進(jìn)行了有限差分法分析，結(jié)合江西省婺黃（常）高速公路新建隧道工程，利用有限差分軟件FLAC3D流固耦合模塊隧道開挖開展了研究，分析了在飽水狀況下隧道開挖中的滲流場分布、圍巖變形和圍巖穩(wěn)定性[6]。本文以湖南省某滑坡隧道為例，介紹FLAC3D軟件在大應(yīng)變工程中的應(yīng)用，為今后類似的山嶺隧道或城市隧道建設(shè)提供參考。

2.建立模型

2.1滑坡段地質(zhì)條件

該隧道所處地貌屬于構(gòu)造剝蝕作用形成的中低山地貌，洞門處位于山間沖溝一側(cè)，系構(gòu)造剝蝕及巖溶塌陷引起的滑坡體，山坡較陡，山體覆蓋層較厚，為坡積粉質(zhì)粘土及碎石土，植被較為發(fā)育，洞門處仰坡約45º。隧道區(qū)內(nèi)構(gòu)造主要為新華夏系田莊—延壽向斜構(gòu)造，走向北37º東，長約60km，該隧道位于該向斜東翼，出口處外側(cè)發(fā)育一條斷層，受其影響，可見壓碎巖，其巖石破碎，見揉皺，巖芯呈碎塊狀，巖層產(chǎn)狀為307º∠62º，洞門處山體，因構(gòu)造剝蝕及巖溶塌陷形成一滑坡體。

2.2模型的建立

1.計(jì)算范圍的選擇:在建立FLAC3D計(jì)算模型時(shí)，坐標(biāo)系選取如下：X軸垂直隧道軸線，方向向右為正；Y軸平行隧道軸線，向里為正；Z軸垂直隧道軸線向上為正。由于考慮到該工程地質(zhì)情況復(fù)雜性及典型性，本文模型計(jì)算范圍根據(jù)現(xiàn)場實(shí)際鉆孔位置的坐標(biāo)所定滑坡位置來確定，具體計(jì)算范圍為：X軸方向取為50m；Y軸方向取110m,其中滑坡長91.4m,坡腳直通模型前方，坡頂?shù)接叶诉吔绲乃骄嚯x為18.6m；Z軸方向取79.23m，其中滑坡高53.23m，坡腳到下端邊界的高差為19m，坡頂?shù)缴隙私绲母卟顬?m。

2.邊界條件：底部施加垂直方向（Z軸方向向上）約束，保證底部垂直位移為0；在X軸方向上，兩側(cè)邊界施加約束，使得水平方向邊界的位移為0，在隧道縱向方向（Y軸方向），后邊界施加約束，使得后邊界位移為0，模型上邊界和前邊界為自由面。

3.單元類型：計(jì)算模型中圍巖是V級(jí)圍巖，圍巖采用六邊形等參單元，模擬噴射混凝土襯砌采用殼單元，鋼拱架支護(hù)通過有關(guān)公式計(jì)算，折算到初期襯砌上去。

滑坡隧道模型 滑坡滑體

滑坡滑動(dòng)帶 滑坡基巖

隧道 初次襯砌

圖2.1隧道及滑坡三維模型

建立好的隧道分析模型和其網(wǎng)格劃分如圖2.1所示，共24964個(gè)單元，26346個(gè)節(jié)點(diǎn)。由于要建立滑坡與隧道相結(jié)合的模型，其形狀非常不規(guī)則，若設(shè)置單元數(shù)過多，則其計(jì)算時(shí)間將會(huì)非常長。因此考慮到計(jì)算時(shí)間和綜合考慮的研究重點(diǎn)，本模型根據(jù)區(qū)域不同而選擇不同的網(wǎng)格密度。

2.3巖體力學(xué)參數(shù)的選用

根據(jù)該隧道的地質(zhì)勘察報(bào)告說明和現(xiàn)場施工中所體現(xiàn)出來的真實(shí)地質(zhì)條件，本文所選取的計(jì)算點(diǎn)圍巖較破碎，結(jié)合《工程地質(zhì)勘察規(guī)范》及《公路隧道設(shè)計(jì)規(guī)范JTGD70--200》中有關(guān)圍巖參數(shù)的規(guī)定確定。巖體力學(xué)計(jì)算參數(shù)如下表2.1

表2.1計(jì)算巖體力學(xué)參數(shù)

3.開挖步驟與計(jì)算結(jié)果分析

3.1開挖步驟

本滑坡隧道參照該隧道設(shè)計(jì)，擬采用CRD法開挖施工，在FLAC3D軟件中，可以采用“null”單元模擬開挖及通過設(shè)置計(jì)算精度或設(shè)置計(jì)算步數(shù)控制圍巖應(yīng)力的釋放。

表3.1 模型開挖模擬計(jì)算過程表

3.2計(jì)算結(jié)果分析

3.2.1位移分析

圖 3.1 滑坡隧道總體豎向位移圖 圖3.2滑坡隧道總體縱向位移圖

圖3.3放大50倍后變形網(wǎng)格圖

從上圖3.1、3.2、3.3可看出，滑坡隧道的豎向位移最大處位于滑坡后緣處，由上到下，豎向位移隨著巖土體的深度增加逐漸減??；縱向位移最大處位于滑坡前緣處，滑坡體縱向位移的大小變化與豎向位移剛好相反，滑坡后沿到滑坡前沿，其縱向位移是越來越大的，靠近非滑坡段處受擠壓作用影響，位移方向向里；靠近滑坡體處，與滑坡體一起滑動(dòng)，位移方向向外。此計(jì)算結(jié)果與滑坡發(fā)生時(shí)所表現(xiàn)出來的影響是相符的。

3.2.2 應(yīng)力分析

圖3.4 滑坡段隧道總體豎向應(yīng)力圖圖5.24滑坡隧道總體縱向應(yīng)力剖面圖

總體上看，隧道所受的豎向應(yīng)力以壓應(yīng)力為主，而靠近滑動(dòng)帶處，壓應(yīng)力值最大；對(duì)于整個(gè)滑坡體來說，縱向應(yīng)力以壓應(yīng)力為主，但部分區(qū)域也出現(xiàn)拉應(yīng)力，如在滑坡后緣上部，隧道洞口上部和隧道穿越破碎帶區(qū)域處，都不同程度都出現(xiàn)了拉應(yīng)力。以上數(shù)值計(jì)算的應(yīng)力值及應(yīng)力分布與工程監(jiān)控量測的變化規(guī)律是相符的，同時(shí)也表明，運(yùn)用FLAC3D計(jì)算軟件分析是符合實(shí)際的。

4.結(jié)論

本文通過運(yùn)用FLAC3D數(shù)值計(jì)算軟件建立滑坡隧道在開挖過程中的模型，并根據(jù)開挖步驟對(duì)其進(jìn)行了施工數(shù)值模擬及位移、應(yīng)力分析，得出以下結(jié)論：

（1）FLAC3D數(shù)值計(jì)算軟件可建立滑坡隧道在開挖過程中的模型，并可對(duì)滑坡隧道這種大變形情況進(jìn)行有效計(jì)算。

（2）FLAC3D數(shù)值計(jì)算軟件對(duì)滑坡隧道開挖過程的模擬計(jì)算，所得位移、應(yīng)力變化規(guī)律與滑坡隧道實(shí)際之變化規(guī)律相符。

（3）FLAC3D數(shù)值計(jì)算軟件可為今后類似的大變形山嶺或城市隧道開挖提供有效的預(yù)測，特別是對(duì)隧道洞口處于滑坡地帶的工程提供比較準(zhǔn)確的參考意見。

參 考 文 獻(xiàn)

[1]龔紀(jì)文,席先武,王岳軍等.應(yīng)力與變形的數(shù)值模型方法-數(shù)值模擬軟件FLAC介紹[J].華東地質(zhì)學(xué)院學(xué)報(bào),2002,25 (3):220-227

[2]楊新安，黃宏偉等.FLAC程序及其在隧道工程中的應(yīng)用[J]上海鐵道大學(xué)學(xué)報(bào)，1996，17（4）：39－44

[3]劉波，韓顏輝（美國）.FLAC原理、實(shí)例與應(yīng)用指南［M］.北京：人民交通出版社，2005

[4]李圍著.隧道及地下工程FLAC解析方法[M].北京:水利水電出版社,2008

[5]杜慶麗,焦蒼.矩形淺埋軟巖隧道開挖非線性過程數(shù)值模擬[J]施工技術(shù)，2005.6，34（6）