下载文档原格式
企业财务困境的模型研究一、引言企业财务困境对企业生存和发展产生了巨大影响，了解和研究企业财务困境的模型对企业管理者和决策者具有重要意义。
本文将探讨几种常见的财务困境模型，包括经典的财务压力模型、财务危机传染模型以及财务恶性循环模型，以期为企业提供解决财务困境的有效工具和策略。
二、财务压力模型财务压力模型是企业财务困境研究的基础。
该模型认为企业财务困境常常源自财务压力，即企业面临的负债累积和资金短缺等问题。
财务压力模型通过考察企业的财务指标，特别是负债率、债务分布以及现金流状况等因素，来预测企业的财务困境。
三、财务危机传染模型财务危机传染模型认为企业财务困境具有传染性，即一家企业的财务困境可能会对其他相关企业产生连锁反应。
财务危机传染模型主要考察企业间的债务关系、供应链关系以及市场关系等因素，以揭示企业财务困境传染的动力学过程和路径。
四、财务恶性循环模型财务恶性循环模型是对企业财务困境进一步深入研究的模型。
该模型认为企业财务困境常常形成恶性循环，即财务困境导致经营困难，进而影响企业的再融资能力和信誉，难以摆脱困境。
财务恶性循环模型通过考察企业的资产负债表、收益表以及现金流量表等财务指标，以揭示企业财务困境形成恶性循环的原因和机制。
五、应对策略对于企业财务困境，及时采取有效的应对策略至关重要。
根据以上研究模型的启示，我们可以提出以下几种应对策略：1.加强财务风险管理。
企业应制定合理的负债策略，控制负债率和债务结构，同时增加流动性储备，以应对可能出现的财务压力。
2.建立稳固供应链关系。
加强供应链合作伙伴之间的互信与合作，建立供应链风险管理机制，以减少财务危机的传染性。
3.注重企业形象和声誉管理。
积极树立企业形象，提升企业信誉度，以增强企业的抵御外部负面影响的能力。
4.持续改进内部财务管理。
加强内部财务管理，提高财务透明度和预警机制，及时发现和解决潜在的财务问题，从而避免财务恶性循环的产生。
六、结论通过对企业财务困境的模型研究，我们可以更好地了解财务困境的成因和传播机理，并提出相应的解决策略。
基于Z-Score模型的财务困境预测研究摘要财务困境预测一直是企业管理和投资者关注的焦点之一。
Z-Score模型是一种常用的财务困境指标模型，通过对企业的财务数据进行分析，可以预测企业是否处于财务困境之中。
本文通过对Z-Score模型的理论和应用进行研究，探讨了其在财务困境预测中的有效性和局限性，并提出了一些改进措施。
研究结果表明，Z-Score模型在财务困境预测中具有一定的准确性和可靠性，但在实际应用中仍需综合考虑企业的特定情况，结合其他财务指标进行综合分析。
一、引言随着市场竞争的加剧和经济环境的变化，企业面临着越来越多的挑战，包括市场风险、经营风险、财务风险等。
财务困境是企业面临的一种常见风险，一旦企业陷入财务困境，则可能面临着倒闭、破产等风险。
对企业的财务状况进行准确的预测和评估，对于企业管理者和投资者来说显得尤为重要。
Z-Score模型是一种用于预测企业财务困境的指标模型，由美国学者愈野·艾尔塔曼（Edward I. Altman）于1968年提出。
这个模型基于企业的财务数据，通过一系列的计算公式，可以得出一个Z值，从而预测企业是否处于财务困境之中。
由于其简单而有效的原理和方法，Z-Score模型被广泛应用于企业的财务分析和风险管理之中。
本文将通过对Z-Score模型的理论和应用进行研究，探讨其在财务困境预测中的有效性和局限性，并提出了一些改进措施。
希望通过本文的研究，能够为企业管理者和投资者提供一些有益的参考，帮助他们更好地预测和评估企业的财务状况。
二、Z-Score模型的理论基础Z-Score模型是基于企业的财务数据，通过一系列的计算公式来预测企业的财务困境的指标模型。
其理论基础主要包括以下几个方面：1. 财务数据的选择Z-Score模型主要基于企业的财务数据进行分析，包括资产、负债、营业收入、盈利能力等。
这些数据可以反映企业的经营状况、财务稳定性等方面的情况，是进行财务困境预测的重要依据。
公司财力困境预测的统计模型
1.线性回归模型:通过使用多元线性回归，可以分析公司财力困境预测，并根据该公司历史财力数据和关键因素计算出预测出来的指标。
2.非线性回归模型:通过使用非线性回归，可以根据公司历史财力数据和更复杂的关键因素计算出其预测的指标。
3.决策树模型:决策树模型可以用来分析公司的多个决策因素，根据规则和变量之间的关系，快速筛选出最能预测公司财力困境的结果。
4.神经网络模型:通过构建神经网络模型，根据公司历史财力数据和关键因素，可以预测公司财力困境的结果，具有更高的准确率。
基于Z-Score模型的财务困境预测研究随着经济全球化进程的不断加快，企业面临着日益激烈的竞争环境和风险挑战。
在这样的背景下，财务困境预测成为企业管理者和投资者关注的重要问题。
财务困境预测是指利用一定的模型或方法，通过对企业财务数据进行分析，预测企业未来是否会面临财务困境的可能性和程度。
Z-Score模型是一种被广泛应用于财务困境预测的方法，本文将通过对Z-Score模型的原理和应用进行介绍，并利用实际案例进行分析，探讨Z-Score模型在财务困境预测中的应用价值。
一、Z-Score模型原理Z-Score模型是由美国学者Edward I. Altman于1968年提出的，用于预测企业破产的可能性。
该模型通过对企业财务数据进行多元线性回归分析，构建出反映企业偿债能力和盈利能力的综合指标Z值，通过Z值的大小来判断企业是否处于财务困境。
Z-Score模型的计算公式为：Z = 1.2X1 + 1.4X2 + 3.3X3 + 0.6X4 + 1.0X5Z-Score模型的应用涉及到企业财务数据的收集、指标计算和Z值预测。
在实际应用中，首先需要对企业的财务数据进行收集和整理，包括资产负债表、利润表、现金流量表等，然后按照Z-Score模型的计算公式对各项指标进行计算，最后得出企业的Z值。
通过比较Z值与相应的临界值，可以判断企业的财务状况，进而进行财务困境的预测和风险评估。
为了验证Z-Score模型在财务困境预测中的应用效果，我们将以某上市公司为例，对其2018年和2019年的财务数据进行分析，并利用Z-Score模型进行财务困境预测。
根据该公司的财务报表数据，我们计算出了其2018年和2019年的Z值如下：| 年份 | X1 | X2 | X3 | X4 | X5 | Z值 || ---- | ---- | ---- | ---- | ---- | ---- | ---- || 2018年 | 0.35 | 0.25 | 0.15 | 2.5 | 0.5 | 3.1 || 2019年 | 0.31 | 0.20 | 0.10 | 2.8 | 0.4 | 2.9 |通过对比2018年和2019年的Z值，我们可以发现该公司的Z值在两年之间有所下降，尤其是在X3和X4指标方面，有较明显的下降趋势。
基于Z-Score模型的财务困境预测研究财务困境是企业经营过程中普遍存在的一种经济现象，也是公司经营中必须关注的重要指标。
为了识别可能面临财务困境的公司，研究者们发展了各种预测模型。
其中，基于Z-Score模型的财务困境预测研究得到了广泛的应用。
Z-Score模型最早由美国学者爱德华·阿特斯在20世纪60年代提出。
该模型将企业的财务指标分别计算得到加权分数，最终将这些分数加权求和得到一个Z值。
Z值越低，代表企业面临财务困境的可能性越大。
该模型主要基于企业财务数据来预测其未来是否会陷入财务困境。
其中，Z-Score模型将财务指标分为五大类，包括流动性、负债与资产比率、利润率、营业规模和市场价值等。
通过计算每个指标的加权得分，然后汇总求和得到Z值，再根据不同的Z值范围分类判定企业是否面临财务困境。
研究表明，Z-Score模型是一种非常有效的预测财务困境的方法。
尤其是在面临金融危机等经济周期性变化时，该模型的预测效果更加准确。
此外，以Z-Score方法进行分析，还能够发现企业潜在的财务问题，从而提供决策者一个相对清晰的全面情况。
然而，该模型也存在一些局限性。
首先是数据收集的不便，企业财务数据并不总是能够很方便地获取。
其次是该模型忽略了非财务因素的影响。
企业的经营环境、市场地位、经营者决策等因素同样会影响企业的财务状况。
最后，当企业经营环境发生变化时，可能需要调整加权因素，以应对新情况的发展。
综上所述，Z-Score模型是一种有效的预测企业财务困境的方法。
该模型基于企业财务指标进行计算，为决策者提供了一些宝贵的预警指标，让企业能够尽早发现并应对潜在的财务问题。
但是，决策者在使用该模型时，还需要考虑到其他各种因素的影响，以做出更加全面的决策。
财务困境预测模型综述【摘要】财务困境预测一直是财务界的研究热点。
文章梳理了相关财务困境预测模型的发展脉络，对传统的和现代的财务困境预测模型进行了系统的评述，并对未来财务困境预测的研究作了展望。
【关键词】财务管理；财务困境；预测模型一、引言财务困境预测是财务管理活动的重要环节，目的是找出财务困境的作用机理，以预测公司的财务状况。
财务困境预测模型的研究一直是财务困境研究的重点内容。
目前，单变量模型、多元线性判别分析、LOGIT模型、人工神经网络、支持向量机等已成功应用于财务困境的研究。
二、财务困境的定义关于财务困境（或财务危机），由于其引致变量的复杂性，对其定义还没有一个普遍的共识，大多数学者都是从自身研究取样的角度，来定义财务困境的相关内涵。
早期对财务困境的定义即为企业破产（Fitzpatrick，Winakor，smith，Foulke，Merwin），随着研究的进展，Beaver（1966）在研究财务困境模型时加入了拖欠债务的公司和拖欠优先股股利的公司，丰富了财务困境的内涵。
Amy Hing-Ling lau（1987）将企业财务状况划分成不同的阶段，将取消或减少股利到破产清算划分为困境期。
在国内，财务困境公司一般是被ST的公司（陈静，1999；吴世农、卢贤义，2001等）。
彭韶兵、邢精平（2005）把从资金管理技术性失败到大规模重组作为财务困境的阶段。
吴星泽（2011）在加入了利益相关者的前提下，将危机力量导致的支付能力不足视为财务困境。
虽然该定义考虑了利益相关者，但仍局限在现金流层面考虑财务困境。
笔者认为，企业出现下列事项就应当视为发生财务困境：税息折旧及摊销前利润（EBITDA）小于利息费用、存量破产、流量破产、债务违约、财务异常和其他异常等。
三、预测变量的选择（一）变量的分类财务类指标是最常用的一类衡量财务困境的指标，它是将财务指标作为预测模型的解释变量进行预测（Fitzpatrick，Altamn，Olhson，Odom et al.）。
基于Z-Score模型的财务困境预测研究财务困境预测对于企业的经营和投资决策具有重要意义。
Z-Score模型是一种常用的财务困境预测模型，它基于企业的财务指标，通过计算Z-Score值来判断企业是否处于财务困境中。
Z-Score模型最初由美国著名学者Edward Altman在1968年提出，用于预测企业破产的可能性。
该模型包括五个财务指标，分别是经营利润与总资产比率、资产负债率、净营运资本与总资产比率、市价与帐面价值比率和流动资产与总资产比率，通过对这些指标的加权和，计算出Z-Score值，根据Z-Score值的高低来判断企业是否处于财务困境中。
Z-Score值越低，表示企业财务状况越不稳定，可能面临破产的风险。
一般来说，Z-Score值小于1.8表示企业处于高度危险状态，1.8到2.7表示企业处于可能危险状态，2.7到3表示企业状况一般，大于3表示企业财务状况良好。
在进行财务困境预测时，需要先收集企业的财务报表和相关资料，然后计算出各指标的数值，并进行加权和得出Z-Score值。
根据Z-Score值的范围来判断企业的财务状况，从而进行预测。
研究结果表明，Z-Score模型在预测企业财务困境方面具有一定的有效性。
较低的Z-Score值与企业的财务困境相关性较强，较高的Z-Score值则与良好的财务状况相关。
Z-Score模型也存在一定的局限性，比如它只考虑了财务指标因素，忽略了其他影响企业财务状况的因素。
基于Z-Score模型的财务困境预测具有一定的应用价值，但需要综合考虑其他因素，并进行定期修订和更新，才能更准确地预测企业的财务状况。
希望未来有更多的研究能够对财务困境预测进行进一步的探索和优化。
财务危机的预警模型与应对策略财务危机是企业发展中常见的问题，一旦规避不当，就会导致企业面临破产。
对于企业来说，如何及时预警、应对财务危机是非常关键的。
本文将从财务危机的预警模型、应对策略两个方面进行探讨。
一、财务危机的预警模型1.贵州茅台的“十七条”预警模型贵州茅台作为全球知名的白酒品牌，其“十七条”财务指标体系被誉为是财务预警的经典模型。
它主要分为三个模块：企业负债结构模块、营运情况模块和盈利能力模块。
企业负债结构模块包括流动比率、速动比率、资产负债率、负债率等，主要反映了企业的负债结构。
营运情况模块包括存货周转率、应收账款周转率、应付账款周转率等，主要反映企业的营运能力。
盈利能力模块包括销售净利润率、总资产报酬率等，主要反映企业的盈利能力。
通过分析这些财务指标，可以及时预警企业的财务危机，为企业的发展提供参考意见。
2.多元统计分析模型多元统计分析模型主要采用多个财务指标进行统计分析，包括聚类分析、主成分分析、因子分析等，来识别企业运营状况的变化趋势及其原因。
例如，聚类分析可以将企业按照其财务状况进行分类，分析不同类别的企业存在的问题和不足，帮助企业及时发现风险。
主成分分析和因子分析则可以对财务指标进行降维处理，减少信息冗余，找出对企业财务状况影响最大的指标，提高预警的准确度。
二、财务危机的应对策略1.及时调整经营策略企业面临财务危机时，首先要及时进行经营策略的调整。
例如，可以优化现有的业务模式，增加新产品线或提高生产效率，以增加营业收入。
此外，还可以通过降低成本、缩减不必要的支出来增强企业盈利能力。
2.提高资金周转率提高资金周转率是企业应对财务危机的重要手段。
企业可以采取延长账期、提高销售效率、优化库存管理等措施，以缩短现金回收周期，加强企业资金的流动性，提高企业的偿债能力。
3.寻求融资支持除了内部的应对措施外，企业还可以通过融资来解决财务危机。
融资渠道多种多样，如银行贷款、股权融资、债券融资、租赁等。
财务困境预警模型综述［摘要］本文对国外的相关文献资料进行归纳总结,将部分财务困境预警模型做一整理归纳,以利于了解财务困境预警研究的历史进程和现状,并对各种财务困境预警模型作一比较。
［关键词］财务困境；预警研究；综述1 引言财务风险无时不在,无处不在,财务困境的普遍存在性使得企业必须采取有效手段对财务状况进行预测,才能最大限度的规避风险,降低损失。
国外对财务困境预警的研究一般认为始于20世纪30年代,至今已有70多年。
财务困境的预警模型根据使用变量的多少分为单变量模型和多变量模型,而多变量模型又因使用计量方法的不同可分为线性判定模型、Probit模型和Logistic模型等。
随着信息技术、统计方法等研究手段的不断进步,财务困境预测的研究方法也取得新的进展,生存分析法、专家系统法、神经网络法等多种方法也开始被引入财务困境预警研究领域。
2 模型概述(1)单变量判别分析法。
该方法即是利用单一的财务比率来预测企业的财务困境。
Fitzpatrick(1932)进行了一项单变量的破产预测研究,开创了财务预警研究的先河。
他选取19 家公司作为样本,利用单一财务比率将样本划分为破产和非破产两组,其研究结果显示净利润/股东权益、股东权益/负债这两个比率的判别能力最高,即误判率最低。
不过当时由于条件的限制,主要的研究方式是对正常企业和非正常企业的一些财务比率进行比较和经验分析,且之后的30年内都很少有学者进行单变量判别法的研究,这种状况一直持续到20世纪60年代初,此后的财务风险判别才可算是真正进入系统化阶段。
Beaver(1966)创造性的提出了单变量模型,他也是最早将现金流量用于财务困境预测研究的学者。
Beaver选取了79家失败公司和79家非失败公司,应用一元判别法比较了各项财务指标在公司破产前1~5年的预测效果,发现现金流量/总负债的预测能力最好,并且离失败日越近误判率越低,在财务困境前1年误判率仅为13%。
财务困境预测模型概述财务困境预测模型研究的基本问题——财务困境财务困境(Financial distress)又称“财务危机”(Financial crisis)，最严重的财务困境是“企业破产” (Bankruptcy)。
企业因财务困境导致破产实际上是一种违约行为，所以财务困境又可称为“违约风险”(Default risk)。
事实上，企业陷入财务困境是一个逐步的过程，通常从财务正常渐渐发展到财务危机。
实践中，大多数企业的财务困境都是由财务状况正常到逐步恶化，最终导致财务困境或破产的。
因此，企业的财务困境不但具有先兆，而且是可预测的。
正确地预测企业财务困境，对于保护投资者和债权人的利益、对于经营者防范财务危机、对于政府管理部门监控上市公司质量和证券市场风险，都具有重要的现实意义。
纵观财务困境判定和预测模型的研究，涉及到三个基本问题：•1、财务困境的定义；•2、预测变量或判定指标的选择；•3、计量方法的选择。
[编辑]财务困境预测模型分类预测变量或判定指标的选择财务困境预测模型因所用的信息类型不同分为财务指标信息类模型、现金流量信息类模型和市场收益率信息类模型。
1、财务指标信息类模型Ahman(1968)等学者(Ahman，Haldeman和Narayanan，1980；Platt和Platt，1991)使用常规的财务指标，如负债比率、流动比率、净资产收益率和资产周转速度等，作为预测模型的变量进行财务困境预测。
尽管财务指标广泛且有效地应用于财务困境预测模型，但如何选择财务指标及是否存在最佳的财务指标来预测财务困境发生的概率却一直存在分歧。
Harmer (1983)指出被选财务指标的相对独立性能提高模型的预测能力。
Boritz(1991)区分出65个之多的财务指标作为预测变量。
但是，自Z模型 (1968)和ZETA模型(1977)发明后，还未出现更好的使用财务指标于预测财务困境的模型。
2、现金流量信息类模型现金流量类信息的财务困境预测模型基于一个理财学的基本原理：公司的价值应等于预期的现金流量的净现值。
如果公司没有足够的现金支付到期债务，而且又无其他途径获得资金时，那么公司最终将破产。
因此，过去和现在的现金流量应能很好地反映公司的价值和破产概率。
在Gentry，Newbold和Whitford(1985a；1985b)研究的基础上，Aziz、Emanuel 和Lawson(1988)发展了现金流量信息预测财务困境模型。
公司的价值来自经营的、政府的、债权人的、股东的现金流量的折现值之和。
他们根据配对的破产公司和非破产公司的数据，发现在破产前5年内两类公司的经营现金流量均值和现金支付的所得税均值有显著的差异。
显然，这一结果是符合现实的。
破产公司与非破产公司的经营性现金流量会因投资质量和经营效率的差异而不同，二者以现金支付的所得税也会因税收会计的处理差异而不同。
Aziz、Emanuel和Lawson(1989)比较了Z 模型、ZETA模型、现金流量模型预测企业发生财务困境的准确率，发现现金流量模型的预测效果较好。
3、市场收益率信息类模型Beaver(1968)是使用股票市场收益率信息进行财务困境预测研究的先驱。
他发现在有效的资本市场里，股票收益率也如同财务指标一样可以预测破产，但时间略滞后。
Altman和Brenner(1981)的研究表明，破产公司的股票在破产前至少1年内在资本市场上表现欠佳。
Clark和Weinstein(1983)发现破产公司股票在破产前至少3年内存在负的市场收益率。
然而，他们也发现破产公告仍然向市场释放了新的信息。
破产公司股票在破产公告日前后的两个月时间区段内平均将经历26％的资本损失。
Aharony，Jones和Swary(1980)提出了一个基于市场收益率方差的破产预测模型。
他们发现在正式的破产公告日之前的4年内，破产公司的股票的市场收益率方差与一般公司存在差异。
在接近破产公告日时，破产公司的股票的市场收益率方差变大。
计量方法的选择财务困境的预测模型因选用变量多少不同分为1、单变量预测模型2、多变量预测模型：多变量预测模型因使用计量方法不同分为•1）线性判定模型•2）线性概率模型•3）Logistic回归模型。
此外，值得注意的是，近年来财务困境预测的研究方法又有新的进展，网络神经遗传方法已经开始被应用于构建和估计财务困境预测模型。
[编辑]上市公司财务困境预测模型比较研究[1]一、建模方法1.统计方法采用MDA、Logistic回归、近邻法，以及分类和回归树(CART)四种方法建立统计模型，其中前两者属于参数法，后两者属于非参数方法。
MDA和Logistic回归都属于多元统计学方法，基本思路是由一些已知类别的训练样本，根据判别准则建立判别函数(模型)，用来对新样本进行分类。
这两种方法的最大优点在于具有明显的解释性，存在的缺陷是过于严格的前提条件。
如两者都对变量之间多重共线性敏感，且MDA要求数据服从多元正态分布和等协方差。
近邻法根据新样本在特征空间中K个近邻样本中的多数样本的类别来进行分类，因此具有直观、无需先验统计知识、无需学习等特点。
但当样本的维数较高时，存在所谓的“维数祸根”——对高维数据，即使样本量很大，其散布在高维空间中仍显得非常稀疏，这使得“近邻”的方法不可靠CART是一种现代非参数统计方法，它根据一定的标准，运用二分法，通过建立二元分类树来对新样本进行预测。
CART模型宜于理解，能处理缺失数据，并且对噪声有一定的鲁棒性。
它的缺点是，作为一种前向选择方法，当它引入新的分类规则时并没有考虑前面的分类方法，因而有可能同一个分类变量会重复出现但判别点发生变化。
2.神经网络方法神经网络是由大量的简单处理单元相互联结组成的复杂网络系统。
作为非参数的分类方法，它克服了选择模型函数形式的困难，同时对样本及变量的分布特征没有限制。
采用在财务困境预测研究中应用最广的三种神经网络：反向传播网络(BPNN)、概率神经网络(PNN)和学习矢量量化网络(LVQ)来建立模型。
BPNN是应用最广泛的一种神经网络。
在建立财务困境预测模型时，一般选三层BPNN：输入层由代表财务比率的节点构成；隐层节点个数由经验试错法确定；输出层仅有一个节点，该节点输出值大于预设阈值时为一类，小于预设阈值时为另一类。
PNN主要是用估计各个类别核密度的方法完成样本分类。
当用于财务困境预测时，PNN通常取三层：输入层节点数等于建模所用财务比率个数；中间层节点数等于训练集样本个数；输出层节点数等于样本类别数。
与BPNN相比，PNN的优势在于要估计的参数少，训练时间短，而且能够对模型生成的结果做出概率上的解释。
LVQ是在自组织映射神经网络基础上改进的一种有导师监督分类器，它允许对输入样本按照所属的类别进行指定。
用于财务困境预测的LVQ由三层节点组成。
输入层节点数等于建模所用的财务比率个数，输出层节点数对应于输入样本的类别个数。
与前两种神经网络不同的是，LVQ竞争层的每个节点只与输出层的一个节点相连接，即被指定属于这个输出层节点所对应的类别。
也就是说，竞争层将输入矢量分成不同子类，输出层负责将竞争隐层的子类转换为使用者定义的类别。
神经网络具有一些统计方法无法比拟的优点，如：对数据分布的要求不严格；非线性的函数映射方式；高鲁棒性和自适应性等。
然而，由于神经网络缺乏统一的数学理论，在如何确定网络结构、如何提高模型的解释性、过学习和局部极小点等问题上还未有实质突破，并且实际效果也不太稳定。
3.交叉验证所谓m重交叉验证，就是将样本总数为n的样本集随机地分成m个不相交的组，每组有nlm个样本。
用(m-1)个组的样本训练分类器，并用剩余的1个组的样本作为测试集测试分类器，求得一测试误差。
重复这一过程，直到m个组中的每一组都成为过一次测试集为止。
将m个组所对应溅试误差的平均值作为分类器在整个样本集上的测试误差。
交叉验证能减少估计偏差，从而更客观地评价模型。
二、样本和变量选择1.样本选择我国沪深股市1998～2002五年间258家公司选作建模样本，其。
申ST公司和配对的非ST公司各129家，将2003,2004两年内被ST的106家公司和246家非ST公司作为独立的预测集，所有610家公司假设是在t年被ST或未被ST。
样本选择标准如下：1)从1998～2002五年间所有的151家sT公司中剔除因“其它状况异常”而被ST的公司22家，保留因“财务状况异常”(“连续两年亏损”或“每股净资产低于股票面值”)而被ST的129家公司作为财务困境公司；根据同行业与总资产规模相当标准，从同一财务年度选出129家配对的非ST公司；2)在构造预测集时，为了评价模型实际预测效果，将2003-2004两年内所有ST公司全部选人预测集，没有进行任何剔除；在选择非ST样本时，同样为了评价模型实际预测效果，没有根据配对原则来选，只是随机地选取了这两年内246家非ST公司；2.比率选择由于缺乏具体的经济理论指导，而公司被ST的本质原因又不尽相同，所以很难用简单的几个财务比率对财务困境进行充分描述。
研究者选用的财务比率有所差异，通常选择尽可能多的财务比率，这些不同的财务比率反映着企业不同的财务侧面，如盈利能力、偿债能力、营运能力和现金能力等方面。
从研究结果来看，得出的预测财务困境最有效的财务比率也不尽相同心。
财务比率共有41个(见下表)，反映了企业财务状况的各个方面，以便从中找出统计检验显著性强的比率进行建模三、模型选择为了消除财务比率量纲和数量级差异的影响，首先对原始数据进行标准化，即变换为均值为0和标准差为1的新数据。
然后进行ST公司和非ST公司财务比率差异的单变量检验。
根据检验结果，首先选出两类公司间具有显著差异(P<0.05)的比率：被ST前的(t-2)财政年度包括X3−X9,X11,X15,X17 −X6,X19,X31,X37,X40,X41；被ST前的(t-3)财政年度包括X5−2X,X14,X15,X17,X18,X20,X22 −X26,X28,X29,X37 −X4181.统计模型MDA和Logistic回归模型预测变量集(t-2) (t-3)对于MDA和longistic回归，首先采用10重交叉验证+和逐步回归选择变量方法对上述初选的比率集进行再次筛选，如果某一财务比率在10次结果中出现了4次以上。
则被选人。
然后经过多重共线性检验剔除冗余变量，最终选出的预测变量如表2对于近邻法，仍采用上述财务比率集{X_6,X_17,X_23,X_24,X_25}和{X_7,X_20,X_28,X_38,X_41}作为(t-2)和(t-3)年模型的预测变量集。
并应用10重交叉验证选择近邻数K，具体如表3。
可见，最近邻(K=1)具有最佳分类效果近邻法K选择的10重交叉验证分析注:表3-表7中数据均为10次交叉测试结果的平均值由于决策树属于非参数化的自上而下的归纳学习算法，所以对于CART模型，不必对变量进行筛选但是，为防止“过拟合”发生，需要对树进行修剪，修剪程度的大小由10重交叉验证确定，结果如下表。
