基于混合粗糙集与ANN的上市公司财务危机预警研究[摘要]利用混合粗糙集ann数据挖掘技术和相关敏感财务及非财务指标构建财务危机预警模型，对30家st乖90家非st的a股制造业上市公司的财务数据进行实证检验。结果表明，将混合粗糙集的知识约简理论和神经网络的推理能力相结合构建的混合粗糙ann预警模型具有较高的财务危机预测准确率和较好的实际应用价值。[关键词]粗糙集；人工神经网络；上市公司；财务危机；预警一、研究现状及意义虽然我国上市公司的数量在不断增长，证券市场在迅速扩大，但很多上市公司都存在经营业绩不佳和抗御风险能力较弱等问题。如何建立有效的财务危机预警系统来预防财务危机，对企业、投资者和政府部门都具有重大意义。(一)研究现状国内学者关于上市公司财务危机预警方面的理论研究起步时间不长，实证研究以传统的统计学方式为主，与国外研究相比存在较大的差距，但国内还是有学者结合中国企业的实际情况进行了可贵的探索，也得到了一些重要的研究成果。陈静(1999)是我国第一个对上市公司财务危机进行预警研究的学者，对西方预警模型在我国是否适用进行了实证研究。高培业和张道坤(2000)建立了贝叶斯和fisher模型、逻辑回归logitic判别模型和probit判别模型，并进行了实证比较分析。杨保安(2001)构建了一个基于单隐层的bp神经网络的财务危机预警模型，经过实证检验显示其判别准确率高达90％以上。乔卓(2002)构建了基于levenberg－mar－quardt算法的神经网络预测模型。刘洪和何光军(2004)分别采用判别分析法、逻辑回归logitic和人工神经网络方法进行建模分析。杨淑娥和黄礼(2005)采用bp神经网络技术构建了财务危机预警模型。宁静鞭(2007)分别采用k近邻和逻辑回归logitic方法进行了建模与实证检验。唐锋和孙凯(2008)构建了基于bp神经网络和主成分分析法的财务危机预警模型。在国外，西方经济学者早在20世纪30年代就开始进行财务危机预警研究，以企业的敏感性财务指标为基础，提出并构建了许多财务危机预警的方式和模型，结合各国上市公司的实际数据和特点，通过实证检验来预测企业是否将会发生财务危机。odom和sharda(1990)采用类神经网络构建了企业破产预警模型。coats和fant(1993)运用神经网络技术学习审计专家的结论来预测财务失败。marco和varetto(1995)将神经网络技术应用到企业财务危机预测中。luther(1998)构建了遗传算法神经网络模型和多元逻辑回归logitic模型，通过实证发现神经网络的预测准确率远高于多元逻辑回归logitie。gzhangetal(1999)利用神经网络技术对220家配对样本的企业进行财务危机预测，结果表明神经网络的准确性远远高于逻辑回归logitic分析法。kyong(2006)建立了混合神经网络和遗传算法理论的动态财务预测模型等。(二)研究意义---本文来源于网络，仅供参考，勿照抄，如有侵权请联系删除---财务危机预警是企业财务管理的重要内容，也是上市公司及时发现隐患危机并加以防范，保护投资者和债权人的利益，协助政府管理部门进行监控的主要手段与机制。因此，通过完善的预测方法和信息技术构建有效的财务预警体系，对上市公司具有重要的应用价值和现实意义。从宏观角度来看，财务危机预警系统能及时地输出上市公司陷入财务危机的信息，有助于政府实施和制定宏观的经济政策和提供科学化的服务，以保证社会主义市场经济的平稳发展；有助于改善资源的宏观配置，严格控制濒临破产企业的财政拨款，减少国有资产流失。从微观角度上来看，财务危机预警系统的构建有利于管理层加强内部控制，改善经营管理，防患未然；有利于证监会等监管部门对上市公司的监督和管理；有利于利益相关者做出正确及时的决策，维护自身利益；有利于提高审计人员警惕性，降低审计风险。此外，数据挖掘技术在财务危机预警中的应用研究也有利于丰富我国财务预警理论。二、相关名词概述(一)财务危机狭义的财务危机是指企业破产。广义的财务危机指的是企业出现的经济现象，如债券不偿付、不能支付优先股和银行透支等现象。关于财务危机的定义，国内外学术界有不同的观点。国外大多数学者认为企业提出破产申请行为是企业进入财务危机的标志。国内大多数...