基于Logit模型的上市公司财务预警模型研究以及实证分析
- 格式：doc
- 大小：202.00 KB
- 文档页数：12
下载文档原格式
合集下载
基于Logistic模型的上市公司风险预警研究【文献综述】
毕业论文文献综述会计学基于Logistic模型的上市公司风险预警研究1 财务风险的概念目前对“财务风险”的概念没有统一的定义，大致分为广义的财务风险和狭义的财务风险。
狭义的财务风险通常指筹资风险，即企业由于举债而给企业财务成果（企业利润或股东收益）带来的不确定性。
汪平（2003）认为企业的财务风险是由筹资活动引起的，企业借入资金，必须按时支付利息，如果在未来偿债能力不确定的情况下借入资金，就会给企业带来风险。
也就是说企业在生产经营中负债规模越大，风险程度越大；没有负债的企业，则不存在财务风险。
广义的财务风险借助于对风险概念来对财务风险进行界定的。
向德伟（1995）认为财务风险对于每一个企业都是客观存在的，且对于企业的盈亏与否、经营状况如何具有举足轻重的作用，要完全消除风险及其影响是不现实的。
由此可见，广义的财务风险从企业理财活动全过程和财务的整体观念透视财务本质，能更全面的解释企业的财务风险。
广义的财务风险是指企业由于经营环境及各种难以预计或无法控制的因素，在一定时期内，实际的财务收益与预期财务收益发生偏离，从而蒙受损失的可能性。
贯穿于企业各个财务环节，是各种风险因素在企业财务上的集中体现，包括筹资风险、投资风险、经营风险和收益分配风险四种风险。
2 国内外财务风险预警模型的研究自20世纪60年代以来，国内外专家学者对企业财务风险防范预警的研究呈现不断发展的趋势。
在风险防范的发展的过程中，由于目标、风险范围、前提条件的不同，形成了不同的学说。
一般说来，判别财务风险的方法有定性法和定量法。
定性法是以银行等金融机构对客户进行信用风险评价时采用的要素分析法为代表。
相比定性分析研究，定量分析法的研究比较成熟。
2.1 国外财务风险预警模型的研究最早的财务预警研究可追溯至Fitzpartrick（1932）开展的单变量破产预测。
其后，Beaver（1966）运用统计方法建立了单变量财务预警模型。
分别选择了79家1954-1964年财务困境企业和非财务困境企业。
基于logistic回归的上市公司财务危机预警模型
基于ｌｏｇｉｓｔｉｃ回归的上市公司财务危机预警模型【摘要】为了建立合理有效的财务危机预警模型，本文选择了代表公司财务健康状况的18个指标作为备选预警指标，并运用logistic过程中逐步回归的方法从中选择了3个对因变量影响显著的财务指标。
用容许度（TOL）和方差膨胀因子（VIF）两个指标对3个财务指标进行多重共线性检验。
在多重共线性不显著的情况下，对符合条件的财务数据进行logistic回归，得到了财务危机预警模型。
最后通过回代判定，发现这个模型具有较高的预测准确性。
一、财务危机预警研究概述企业财务危机是一个连续的动态过程，并直接表现为绩效指标的恶化，因此可通过一定的财务指标来构造企业的财务预警模型。
从现实情况来看，股票投资者、债权人和政府监管机构对企业财务危机预测具有很大的需求，这些需求推动了财务危机预警研究的不断深化。
国外对于财务预警模型的研究相对比较成熟，早在1966年，Beaver就运用单变量判定分析研究公司财务危机问题；Altman（1968）最早运用多变量线性判别分析（Multiple Discriminate Analysis）探讨企业危机预测问题，其发现最具解释能力的5个财务比率分别为：营运资金/总负债、保留利润/总资产、息税前利润/总资产、权益市价/总负债和销售收入/总资产。
Altman、Haldeman和Narayanan （1977）继续对Altman（1968）的原始模型修正和补充，提出一个“新Zeta模型”。
随着统计技术和计算机技术的不断发展，递归分类、人工智能及人工神经元网络等技术也逐渐被引入到财务危机预警模型中。
近年来，随着公司破产数量的增多，国内学者对公司财务危机预警模型的研究也越来越多：1999年，陈静发表了《上市公司财务恶化预测的实证分析》，该文将1998年年报后被特别处理（ST）的27家上市公司定义为财务危机公司。
陈瑜在2000年发表了《对我国证券市场ST公司预测的实证研究》一文（《经济科学》，2000年6月），该文以1999年底前曾被特别处理（ST）的58家上市公司为样本进行了分析。
上市公司财务危机预警模型探讨,工商管理范文.doc
闪蒸-双工质循环联合地热发电系统设计摘要：将闪蒸系统发电与双工质循环发电联合，形成一种特殊的能量转换系统，对其进行详细分析，并建立该联合地热电站热力计算的数学模型，以此对电站的功率及效率进行了计算与分析，从中确定该系统的最佳闪蒸温度和由此温度导出的最佳设计参数。
计算结果还表明，对给定温度为110℃的地热水资源，当环境冷却水平均温度为28℃时，闪蒸一双工质循环联合发电的最大总功率比闪蒸系统或双工质循环单独发电时的最大功率要大20%以上。
此外，电站还生产约60℃的热水以供直接利用。
关键词: 闪蒸系统; 双工质循环; 地热发电; 最佳闪蒸温度0．引言我国地热资源主要是以中低温热水为主，其中为数较多的是100℃左右的热水资源，这种资源在全球分布甚广，因此利用这种地热资源发电，具有广泛的现实意义。
地热电站的主要目的是生产电能和提供热水。
为此目的，若将闪蒸系统发电与双工质循环发电联合起来，将使电站的出力提高[1]，从而提高对地热资源的有效利用。
闪蒸和双工质循环联合地热发电，实际上是将闪蒸器产生的蒸汽直接用于发电，而产生的饱和水则用于低沸点有机工质发电。
这种特殊的能量转换系统，能使地热资源得到充分利用。
闪蒸一双工质循环联合地热发电的热力系统简图如图1所示，该系统包括闪蒸系统发电和双工质循环发电两部分，系统输出的功率是闪蒸系统和双工质循环发电的总和。
图1闪蒸-双工质循环联合地热发电的热力系统简图1.闪蒸·双工质循环的热力计算[2]为计算此系统所需的热力循环分别示于图2及图3。
本文将以我国某地热点的热水资源为例对闪蒸系统和双工质循环系统分别进行计算，由于是热水发电，其最佳闪蒸温度t 1和最佳蒸发温度t 01的计算方法既相同，又互相关联。
即:闪蒸系统最佳闪蒸温度：273111-==T t T T T cg （1）图2闪蒸系统热力循环图图3双工质热力循环图双工质循环最佳蒸发温度:27311101-==o o oc T t T T T （2）由式(2)可知，工质的最佳蒸发温度t o1与最佳闪蒸温度t 1有关联。
房地产公司财务指标与股票价格关联性的实证分析——基于Logistic回归模型
房地产公司财务指标与股票价格关联性的实证分析——基于Logistic回归模型房地产行业一直以来都是国民经济中的重要支柱，在过去几十年里，中国的房地产市场经历了快速而巨大的发展。
随着经济的快速增长和人民生活水平的提高，人们对于住房需求的增长变得越发迫切。
同时，房地产公司作为该行业的重要参与者，其财务状况和业绩表现也备受市场关注。
本文旨在通过对房地产公司财务指标与股票价格关联性的实证分析，探讨其在投资决策中的作用。
为了实现这一目标，我们将运用Logistic回归模型作为主要的研究方法，并通过收集和分析大量的样本数据来进行实证研究。
首先，我们需要确定研究的变量。
在本文中，我们选择了一系列与房地产公司财务状况和业绩相关的指标，包括净利润率、总资产报酬率、销售收入增长率、资产负债率等。
另外，我们还选择了股票价格作为研究的因变量，用于衡量市场对房地产公司股票的评价。
接下来，我们将收集所需要的数据。
为了保证研究的可靠性和准确性，在数据采集过程中，我们将尽量选择权威的、经过审核的公开数据，如财务报表、年报和公告等。
此外，为了增加样本的多样性，我们将选择不同规模、不同地区和不同类型的房地产公司作为样本。
然后，我们将通过数据分析的方法来探究财务指标与股票价格之间的关联性。
首先，我们将进行描述性统计分析，以了解各个变量的基本情况和特征。
然后，我们将进行相关性分析，通过计算相关系数来衡量变量之间的关联性。
最后，我们将应用Logistic回归模型，来对财务指标和股票价格之间建立预测模型。
在实证分析的过程中，我们将考虑多个因素对房地产公司财务状况和股票价格的影响，如宏观经济环境、行业竞争状况、政策变化等。
通过对这些因素的综合分析，我们可以得出一些实用的结论和建议，以指导投资者在房地产领域的投资决策。
最后，我们将总结本文的研究结果，并对研究方法和数据的局限性进行讨论。
虽然本文的结果可能会受到多种因素的影响，但通过本次实证研究的分析，我们仍然可以为投资者在房地产行业的投资决策提供一定的参考依据。
[全]SPSS数据分析基于Logistic上市公司财务危机预警分析
![[全]SPSS数据分析基于Logistic上市公司财务危机预警分析](https://img.taocdn.com/s1/m/416c1af4a32d7375a5178015.png)
SPSS数据分析基于Logistic上市公司财务危机预警分析财务危机财务危机又称财务困境，是指企业由于营销、决策或不可抗拒因素的影响，使经营循环和财务循环无法正常持续或陷于停滞的状态，具体表现包括持续性亏损、无偿付能力、违约和破产等。
财务危机将给投资者、债权人以及银行等金融机构带来风险，所以他们都希望在投资决策时就能得到关于财务危机的警示。
财务危机给企业和社会带来了严重的影响，适时、准确地对企业财务危机进行预测分析是市场竞争机制的客观要求。
因此利用相关信息构建有效的财务危机预警模型，获得上市公司财务状况恶化的预警信号，对于投资者、债权人、经营者以及监管者等诸多方面都具有重要的现实意义。
logistic回归Martin首次运用多元Logistic模型进行银行破产预测，后来Ohison选取了9个财务变量，又运用该模型来预测企业的财务危机。
Logistic模型在20世纪80年代以后得到了较为广泛的应用，一些学者对其进行了改进和扩展，如Charitou 和Trigeorgis采用Logistic回归方法并结合期权定价模型中的相关变量构建了财务危机判别模型，对1983年到1994年期间的139家美国企业进行了对比检验，结果发现到期债务面值、企业资产的当期市价、企业价值变化的标准差等期权变量在预测破产方面作用显著。
数据来源打开数据概览如下所示：操作步骤依次单击菜单“分析—回归—二元Logistic”执行二元逻辑回归过程。
选择因变量和协变量，方法选择向后有条件。
选择“选项按钮”依次选择分类图、霍斯默—莱梅肖拟合优度、在最后一个步骤、在模型中包含常量。
点击“确定按钮”，输出结果。
结果分析数据摘要信息。
“案例处理摘要”表格给出了原始数据中用于分析的案例、缺失案例的统计信息，显示所有185个案例都用来建模，没有缺失信息。
“因变量编码”表格给出了目标变量的编码取值，06/07首ST的取值为1。
进入模型的变量。
给出了最终模型中包含的和未包含的变量的统计量信息：方程中的变量显著性都小于0.05，而不在方程中的变量显著性都大于0.05，这说明最终回归方程中的各自变量对方程的贡献都是显著的。
我国上市公司财务危机预警模型Logistic回归分析-以制造业为例
三、论文实证研究过程
1AB 2 3 4 5AB
6AB 7AB 8A
（一）研究样本选取
1、研究样本的选取 （1）通过国泰安数据服务中心下载2006-2010年中国 特殊处理与特别转让股票研究数据库，然后从其中筛 选出我国A股中被实行特殊处理的70家即ST公司（限 制因素：因财务状况异常而被特别处理的资料完整的 制造业股票）
司，而检验样本为40家包括20家ST公司和20非ST公司.
（二）Logistic模型构建前的数据处理
使用SPSS软件中的以下方法进行模型构建前数据处理 预警指标的正态分布检验（K-S检验）。若结果服从正态分布采用T检 验来检验指标的差异显著性，反之则用非参数检验方法
指标的差异显著性检验(Mann-whitneyU检验法)
(2)配对样本选取
70家正常公司配对样本的选取。通过沪深行情网易财经
数据中心依据配对标准的控制因素（会计年度、行业和 资产规模）选取70资料完整的正常公司。
2、预警指标选取
刘彦文（2009）统计2002-2008年国外和国内发表的财 务预警相关文献118篇，对相关研究中均对最终预测模型 有显著贡献的预测变量进行统计分析，最终根据出现频 次的高低，确定财务预警指标。研究使用证明此种方法 选择出来的预警指标有很强的显著性。本文在充分借鉴 前人研究成果的原则下，根据统计频次出现50次以上并 结合指标选取原则和我国上市公司的实际情况，最终确 定预警12个预警指标，分别为：资产负债率、流动比率 、速动比率、每股收益、营业利润率、销售净利率、总 资产增长率、应收账款周转率、总资产周转率、现金流 量比率、债务保障率、全部资产现金收回率。
2013-7-25
西北农林科技大学经济管理学院
1
基于Logistic回归模型的互联网服务行业上市公司财务风险预警分析
基于Logistic回归模型的互联网服务行业上市公司财务风险预警分析作者：***来源：《商场现代化》2022年第14期摘要：隨着大数据、人工智能加速推进互联网与服务行业的深度融合，互联网服务行业上市公司外部环境以及公司内部自身经营存在着众多不确定性，加剧了互联网服务上市公司的经营风险。
为此，针对互联网服务行业上市公司建立财务预警非常有意义。
考虑利用Logistic 回归模型对互联网服务行业上市公司进行财务预警分析。
根据证监会2021年公布的行业分类标准，首先采用聚类分析的方法在“互联网服务行业”中2022年仍在沪、深、京证券交易所A 股市场中的流通的92家互联网服务行业上市公司中选取40家上市公司作为本文财务预警分析的样本;接着利用K-S检验和显著性检验对18个财务指标进行检验，筛选出用于Logistic回归的4个能够显著区分财务危机和财务正常公司的四个指标;最后建立Logistic回归模型进行预测。
通过对2019年和2020年40家上市公司的数据的实例分析验证了方法的正确性和有效性。
关键词：Logistic模型;互联网服务行业;上市公司;财务预警一、引言互联网服务行业是由信息内容服务业与互联网结合发展的产物，属于新兴交叉行业，并且随着下一代网络建设带动5G产业崛起，大数据、人工智能将加速推进互联网与服务行业的深度融合。
2021年工信部颁布的《5G应用“扬帆”行动计划（2021-2023年）》强调要加快推动“5G+工业互联网”服务于生产核心环节。
但是由于互联网服务行业上市公司外部环境的不确定性以及公司内部自身经营的不确定性，加剧了互联网服务上市公司的经营风险。
因此，针对互联网服务行业上市公司建立财务预警是很有必要的。
目前对于互联网服务行业上市公司财务预警的研究较少，林梦娴利用PCA-SVM模型建立了用于互联网企业的财务预警系统并验证了预警系统的有效性和准确性;白志捷将BP神经网络的研究方法应用在互联网上市公司的财务风险预警中，以此获得更高的预测准确率;孟浩等建立了基于多层前馈神经网络的互联网行业财务风险预警模型，具有较高的准确度和实际应用价值;席燕玲运用F分数模型更精准地对互联网上市公司进行财务风险预警;赵囡等运用主成分分析和BP神经网络相结合的方法为互联网公司建立了科学可行的风险预警模型。
Logit模型在上市公司财务困境预测中的应用研究
TOL j 1 R 2 j 1/ VIFj
2
(1)
其中， R j 是 Xj 对其他 k－1 个自变量回归中的判定系数 R 2 。当 TOL 较小或 VIF 较大 时，认为存在多重共线性。一般地，当 TOL 小于 0.1，或 TIF 大于 10 时，认为存在多重共 线性。从表 2 可以看到，本文选择的预测变量并不存在多重共线性。 表 2 多重共线性检验
②
T-2 年表示用两年前的数据预测，T-3 年表示用三年前的数据预测，以此类推 2
资产净值率、应收帐款周转率、净资产收益率、主营业务收入增长率；T-5 年中最后进入模 型的预测变量是资产周转率、每股收益、固定资产净值率。 为了避免多重共线性，采用容许度（TOL）和方差膨胀因子（VIF）对选定的变量进行了 多重共线性检验，计算公式为：
③
由于样本中非 ST 公司五年前、四年前、三年前有部分财务数据缺失，所以预测时去掉 3
1 Overall percentage 6 102 94.4 95.4 15 86 85.1 84.2 33 59 64.1 74.0 41 42 50.6 68.4
以各年所选的预测变量，取 ST 公司为 0，非 STቤተ መጻሕፍቲ ባይዱ公司为 1 作为因变量值，利用 SPSS 统计软件，进行 Logit 回归分析，得到 logit 模型的判别方程： T-2 年： p T-3 年： p T-4 年： p T-5 年： p
1 1 e
( 1.772 2.538 X 7 3.143 X 12 1.31 X 21139.804 X 2 30.394 X 11.84 X 24 0.43 X 110.023 X 16)
2.2 初始预测变量的选择
基于logistic回归的上市公司财务危机预警模型
基于ｌｏｇｉｓｔｉｃ回归的上市公司财务危机预警模型作者：党正磊来源：《经济研究导刊》2008年第06期摘要：国内外所有关于财务危机预警问题的研究，主要涉及到两个方面的问题：一是财务危机概念的界定；二是预测变量（判别指标）的选择和预警模型的建立（企业财务危机是一个连续的动态过程，并直接表现为绩效指标的恶化，因此，可通过一定的财务指标来构造企业的财务预警模型）。
运用中国上市公司的财务指标数据及因子分析和Logistic回归等方法构建基于上市公司的财务危机预警的Logistic模型，经过检验，具有一定的实际应用价值。
关键词：因子分析；财务危机预警；ｌｏｇｉｓｔｉｃ回归中图分类号：F830.9文献标志码：Ａ文章编号：1673－291Ｘ（2008）06－0092－04纵观国内外所有关于财务危机预警问题的研究，主要涉及到两个方面的问题：一是财务危机概念的界定；二是预测变量（判别指标）的选择和预警模型的建立（企业财务危机是一个连续的动态过程，并直接表现为绩效指标的恶化，因此可通过一定的财务指标来构造企业的财务预警模型）。
本文根据我国上市公司公布的财务数据（我国非上市公司的财务数据因为涉及到商业机密以及不容易获得或者暗箱操作较多等原因而不作为分析的依据），坚持定量分析和定性分析相结合的原则，选用Logistic回归分析来构建财务危机预警模型。
结合国内外在该领域的研究成果，对以上两个问题做出了回答。
一、财务危机概念的界定结合前人的分析，并根据我国上市公司的实际情况，我们将上市公司因财务状况异常而被“特别处理”（ST公司）认定为公司发生了“财务危机”。
理由如下：第一，尽管将企业依据《破产法》提出破产申请作为企业陷入财务危机标志是西方学术界的普遍做法，但在我国虽然《企业破产法》早在1986年颁布，1988年11月1日开始试行，但迄今为止，还没有一家上市公司破产的案例，况且在现阶段，上市资格仍然是一种珍贵的“壳”资源，即使上市公司面临破产危险，也会有其他公司将其接收（即所谓的买壳上市），不大可能出现申请破产情况。
基于因子_logistic模型的房地产业上市公司财务预警分析
李建中 , 武铁梅 : 基于因子 ) logistic模型的房地产业上市公司财务预警分析
不需要自变量服从多元正态分布和两组间协方差 相等的条件, 克服了线性方程受统计假设约束的 局限性 , 稳健性较好 , 可解释性较强 , 具有广泛的 适用范围。 但是, 模型自变量的多重共线性对回归 模型的估计会产生影响, 而且计算过程比较复杂 , 在计算中有很多的近似处理 , 不可避免地会影响 到预测精度。 为了解决 Logistic回归的多重共线性问题, 本 文将因子分析引入回归模型。 因子分析的基本思想是根据变量相关性的大 小把原始变量分组 , 使得同组内的变量之间相关 性较高 , 而不同组的变量间的相关性较低。 每组变 量可以用一个公共因子来表示。 因子分析不仅达 到降维、 简化问题的目的, 同时, 使得保留下来的 公共因子能够最大限度地解释原始变量 , 使其损 失信息不太多。 具体来说, 设有 n 个样本 , 每个样 本有 P 个观测指标, 这 P 个指标具有较强的相关 性 , 则因子分析的模型可表述为 : X 1 = a 11 F 1 + a 12 F 2 + , a 1m F m + E1 X 2 = a 21 F 1 + a 22 F 2 + , a 2m F m + E2 , , X p = a p1F 1 + ap 2F 2 + , a pm Fm + E p 其中, m < p, F j ( j = 1 , 2, , , m ) 是公共因子 , Ej ( j = 1 , 2 , , , p) 是特殊因子, 只对 X i 起作用 ; a ij 是公共因子的荷载, 或者说 , a ij 是 X i 和 F j 的相关 系数, 荷载较大 , 说明 X i 与 F j 的相关程度越大
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
1 基于Logit模型的上市公司财务预警模型研究以及实证分析 【摘要】上市公司是现代公司的最高形式，上市公司的数量和质量直接影响着证券市场的兴衰。在上海和深圳证券交易所上市公司需要连续三年盈利，上市之后如果连续两年亏损，就会被戴上ST的帽子，这标志着上市公司陷入了财务困境。本文以沪深A股市场上于2015年被ST和未被ST的上市公司为研究的总体，随机抽取样本90个，并结合公司的财务数据，尤其是代表公司经营状况的动态指标，来预测企业在未来一年内是否会有财务危机，给公司的财务人员预警，同时也有利于投资者判断一家公司的发展状况，做出合理决策。
【关键字】上市公司 财务预警 Logit模型 一、 引言 ······································································································· 2 1.1财务预警模型的研究背景 ········································································ 2 1.2财务预警模型的研究概况 ········································································ 2 1.3本文的创新之处 ···················································································· 2 二、Logit模型简介 ··························································································· 2 三、样本和财务指标的确定 ················································································ 3 3.1样本采集 ······························································································ 3 3.2财务指标的初步选择 ·············································································· 3 四、财务预警模型的实证分析 ············································································· 4 4.1案例处理摘要 ························································································ 4 4.2模型汇总 ······························································································ 4 4.3Hosmer-Lemeshow检验结果 ······································································ 5 4.4预测分类结果 ························································································ 5 4.5逐步回归过程 ························································································ 7 4.6不在方程中的统计变量 ············································································ 9 4.7预测概率直方图 ····················································································· 9 五、 模型的改进和对上市公司风险防范的建议 ······················································ 11 5.1模型的改进 ·························································································· 11 5.2对上市公司的建议 ················································································· 11 参考文献 ········································································································ 12 2
一、引言 1.1财务预警模型的研究背景 现代企业从创业到发展，都在追求一个目标——上市。而在我国的股票市场上，公司上市需要最近三年连续盈利，上市后的公司要接受社会的监督，定期公布财务报告以及其他信息，因此我们可以很容易得到上市公司的财务指标，相比通过经验来判断公司的财务状况，财务指标是量化的，更容易分析。 一个公司的财务指标一定程度上反映了该公司的财务状况，从财务状况我们可以看出该公司的经营管理情况以及发展情况，如果一个公司财务发生了危机，那么整个公司的现状也令人担忧。因此，正确的预测企业财务危机将有助于保护投资者和债权人的权益、有助于经营者防范财务危机、有助于政府管理部门监控上市公司质量和证券市场的风险，所以建立企业财务危机预警模型具有重要意义。 各种不同的原因共同导致了公司的财务危机，既有企业内部的原因，也有企业外部不可控制的原因。以下我们归纳归属于企业自身的原因： 1.公司管理者盲目追求扩张，决策缺乏科学性。 2.企业筹资方式不当，资本结构不合理 3.企业内控制度不完善，公司治理结构不合理。 如果企业不对其存在的问题作出快速的反映，在不断创新和变革的时代，最终会走向破产，因此财务预警能够在公司财务危机发生前进行预测，避免其陷入财务困境。 1.2财务预警模型的研究概况 对上市公司的财务预测和预警的常用模型是上市公司信用风险度量，我国关于财务风险预警分析的研究起步较晚，而国外开始相关领域的研究比较早，已有企业将财务风险预警模型投入实际运用中。信用风险的度量和管理的探索大致可分为三个阶段；第一个阶段是1970年以前，主要分析工具有5C分析法、LAPP法、五级分类法，大多数金融机构基本上是依据银行专家的经验和主管分析来评估信用风险。第二个阶段是建立于基于财务报表的信用评级模型，主要有Logit模型、线性比率模型、Probit模型、判别分析模型等。第三个阶段是进入20世纪90年代以来，西方若干商业银行以风险价值为基础，开始运用数学工具、现代金融理论来定量研究信用风险，建立了以违约概率、预期损失率为核心指标的度量模型。 1.3本文的创新之处 我国财务预警模型处于发展初期，复杂的财务预警模型在实践中运用较少。简单而又实用的预警模型应属Logit模型，多数学者已对Logit模型进行了实证分析，肯定了Logit模型有较好的预测能力。本文拟对Logit模型在上市公司财务危机预警分析与评估应用方面进行研究，避开大多数研究者选取的盈利指标等静态指标，以与上市公司经营状况有关的财务指标为变量（包括两个动态指标）通过实证分析验证改进结果。
二、Logit模型简介 Logit方法采用logistic回归建立一个非线性模型，其曲线是s型或倒s 型。因变量的取值在O～1之间，回归方程为： 3
LnI1[Pi／(1-Pi)]=β0+ΣβjXij 本文将ST公司赋值1，将非ST公司赋值0。Pi 是在条件 Xi=F(Xlj，X2j⋯,Xmj) 下某事件发生的概率，1-P 是该事件不发生的概率，其中m是自变量的个数β0是截距，βi是待估计的参数。利用最大似然估计法估计参数，在研究中取0．5作为概率的阀值，将样本数据代入回归方程得到P值大于0．5时，判断该样本属于财务困境公司，否则属于非财务困境公司。Logit模型的最大优点是，不需要严格的假设条件，克服了线性方程受统计假设约束的局限性，不需要满足正态分布和两组协方差矩阵相等的条件，得出的结果直接表示企业发生财务失败的可能性大小，操作简单，结果明了。目前，这种模型的使用较为普遍，但其计算过程比较复杂，而且在计算过程中有很多的近似处理，这不可避免地会影响到预测精度。
三、样本和财务指标的确定 3.1样本采集 财务危机预警模型研究的样本选取与设计过程涉及到如何确定陷入财务危机公司的样本组，如何确定作为配对标准的控制因素，以及如何进行两组间个体数量分配的问题等，作为配对标准的控制因素一般包括会计年度、行业和资产规模。这些配对标准用来控制由于财务危机组合与正常组合之间的报告因时间性、行业特征和公司规模的差异所可能带来的模型偏差。本文按照随机选取的模式选取样比较样本，这种选取样本的方法是假定公司发生财务危机的概率是0.5。 我国学者在研究财务危机模型时，大多定义财务危机预警超前时间的方法是：被ST的当年定义为财务危机发生的时间点，并记为T，T-1年为财务危机发生的前一年，以此类推。我国许多学者在研究财务危机预警模型时，大多数强调预警的超前时间为发生财务危机的前两年，即T-2年。根据我国实际情况，借鉴前人的研究成功，本文也将ST的年份定义为发生财务危机的时间，记为T，研究在T年处于ST和非ST状态的上市公司在T-2年的财务指标。为何选取T-2年的财务数据？这与我国的ST制度有关，在我国市场上上市的公司，连续两年亏损就会被ST，一年亏损，下一年不亏损不会被ST，那么以T-1年的数据来建模就会夸大模型的实用性。而且从公司经营的角度来看，其陷入财务困境是一个累积的结果，因此根据被ST之前的数据建立的模型才能够更好的起到防患于未然的作用。 本文样本公司的财务数据主要来自万得咨询数据库，本文选取了2015年被ST的公司2013年的财务数据作为发生了财务危机的上市公司样本；相应的，选取2015年没有被ST的上市公司2013年的财务数据，作为正常上市公司的样本， 并应用Logit模型建立预测模型预测上市公司是否面临财务危机，其中ST样本40个，非ST样本50个。随机抽取其中的70%的样本作为模型的训练集，用以模型的训练，剩下的30%作为模型的测试集。 3.2财务指标的初步选择 由于净利润的大小可以很直观的观察到，那么，基于本文研究的创新点，我们选取的财务指标主要与公司的经营状况和动态发展有关，下表是初步选定的五个指标，在实证分析中我们对这五个指标的相关性和显著性进行进一步分析，确定最终选定的指标。