導語：如何才能寫好一篇人工神經網絡分析法，這就需要搜集整理更多的資料和文獻，歡迎閱讀由公務員之家整理的十篇范文，供你借鑒。

篇1

作為人工智能同數據庫技術結合下的產物，數據挖掘技術的很多方法都來源于機器的學習，所以模式識別，機器學習以及人工智能領域常規(guī)的技術例如決策樹、聚類分析、統(tǒng)計分析等方法在改進后都能用于挖掘數據。對醫(yī)學數據庫的數據挖掘，最重要的是對疾病的分類以及疾病預測?，F階段床用的挖掘工具有幾下幾種：

1.1以統(tǒng)計分析為基礎的數據挖掘法數據挖掘技術里非常多的實用工具都是以統(tǒng)計分析作為基礎構造而成的，作為一門比較成熟的分析數據的技術，統(tǒng)計技術在很多挖掘數據的工具中得到了充分的應用。

1.2人工神經網絡法作為計算領域的重要技術，人工的神經元網絡技術能根據管理模式或者非管理模式進行學習和研究，管理模式中的神經網絡要預測現有的示例可能造成的結果，并將預測到的結果同目標答案比較；非管理模式學習法對數據的描述很有效卻可以預測結果，而非管理模式里的神經網絡創(chuàng)建了自己的合法性驗證及操作、類描述，無關于數據模式，神經網絡需要經歷相當的時間，同時由于它們像黑盒一樣的行為會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際應用中的分類問題的方法，簡單的說，分類是使數據反映到一個事先定義好的類中的函數過程，以一組輸入屬性值的向量或者相應類，歸納學習算法，然后得出分類。學習的目標就是要構建分類模型，根據屬性輸入值來預測實體的類。換言之，分類就是將一不連續(xù)標識值分到一個未標識的記錄中的過程，分類規(guī)則由于較直觀，因而易容于讓人接受，許多實施的決策樹在機器獲取領域中得到了有效算法。

1.4進化的計算法這是模仿了生物進化的一種計算方法的總稱，包括遺傳編程、進化規(guī)劃、進化策略及遺傳算法，它們一般具有下列特點；進化計算在函數的適度約束下進行智能搜索，在目標函數的驅動下優(yōu)勝劣汰，通過數次迭代逐步接近目標，因為進化計算大都采用變異、雜交等的操作以擴大搜索的范圍，所以其能接近全局的最優(yōu)解，且具有框架式結構。一般在完成編碼及適應度函數選擇后，下面的遺傳、雜交及變異等操作都能自動完成。

2臨床醫(yī)學中數據挖掘技術的運用分析

2.1疾病診斷疾病診斷的準確性對于病人合理用藥指導以及康復指導非常重要。在臨床醫(yī)學上，疾病類型多種多樣、致病原因錯綜復雜，通過數據挖掘技術的應用，能夠更好的進行臨床診斷。在疾病診斷方面，模糊邏輯分析法、人工神經網絡、粗糙集理論等工具非常有效。我國學者通過人工神經網絡分析法用于類風濕的臨床診斷，臨床診斷準確性大大提高。國外學者也通過人工神經網絡分析法用于實體性肺結節(jié)的臨床診斷，準確率高達百分之百。在心血管疾病診斷中，應用模糊邏輯開發(fā)以及粗糙集理論，臨床準確準確率高達93.5%。

2.2分析疾病相關因素在醫(yī)院信息庫中，含有大量的患者個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，通過對數據庫中相關信息的綜合研究與分析，可以得出有指導性意義的模式以及關系。疾病的發(fā)病原因、相關性危險因素分析，能夠有效指導此類疾病的預防。比如說，國外研究人員運用數據挖掘技術成功分析了導致產科早產的三個危險性因素。

2.3疾病預測分析通過數據挖掘技術運用，能夠確定疾病的未來發(fā)展方向，結合患者的病史、臨床癥狀，分析、預測疾病的發(fā)展，從而有的方式的進行疾病預防。比如說，運用粗糙集分析方法，可以有預測疾病的發(fā)生?，F階段，通過粗糙集理論預測疾早產準確率高達70%-90%，而人工預測準確性僅為16%-35%。

篇2

高新技術制造企業(yè)作為高新技術制造業(yè)的實體是知識密集型、技術密集型和資金密集型的企業(yè)，其發(fā)展決定了現實生產力的轉化，對于促進整體制造業(yè)的快速發(fā)展具有重要意義。高新技術企業(yè)的高收益特性源于其高科技產品和服務的高增長和高附加值，而與之對應的便是企業(yè)的高風險性，據統(tǒng)計20%～30%的高新技術制造業(yè)的巨大成功是以70%～80%的企業(yè)失敗為代價。企業(yè)財務風險的擴散和深化將直接導致企業(yè)陷入財務困境，從而影響正常的生產經營活動。所以，建立和完善高新技術制造企業(yè)的財務風險預警機制，提高企業(yè)有效預測和應對風險的能力，對于高新技術制造業(yè)的經營者和投資者具有一定的借鑒意義。 

財務危機預警的研究由傳統(tǒng)的統(tǒng)計研究方法發(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公司的財務危機進行預警研究，得出權益負債率和權益凈利率是判定企業(yè)財務風險的重要指標。Altman（1968）利用多元判別分析法建立基于Z-SCORE的財務預警模型。其后，回歸模型克服了線性模型的假設局限性，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、資本結構、業(yè)績和變現能力是影響公司破產的重要因素。上述以統(tǒng)計類方法為基礎的模型是在樣本滿足合理的統(tǒng)計假設條件下才能有效，否則可能沒有意義，由此許多學者相繼將非統(tǒng)計的方法引入財務風險預警研究，其中應用最多的是神經網絡分析法。Lapedes和Fyaber（1987）首次運用神經網絡模型對銀行的信用風險進行預測和分析，并取得了較好的預測效果。Odom和Sharda（1990）通過Z值模型中的5個財務比率構建了人工神經網絡財務預警模型成功地對企業(yè)的財務危機進行了預測，證明了人工神經網絡模型不但準確率高，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、決策樹方法和神經網絡方法為基礎，通過這些方法的組合運用，采用了三種混合模型，再分別對這些方法進行檢驗分析，分析結果表明同等條件下，混合模型在準確率方面優(yōu)于單個方法模式。國內財務風險預警研究起步較晚，陳靜（1999）對上市公司財務數據進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，模型的預測準確率越高。吳世農、盧賢義（2001）驗證了Logistic回歸分析方法在預測財務困境的效果上比單變量判別模型更好。柳炳祥、盛昭翰（2002）劃分了財務危機等級并驗證了基于粗神經網絡的財務預警方法的有效性。周敏，王新宇（2002）提出了模糊優(yōu)選和神經網絡模型，范靜（2008）選擇因子分析法—BP神經網絡等評價方法。陳偉等（2010）主要分析了不同成長階段高新技術企業(yè)的融資特點，提出了有效防范財務風險的具體措施。楊淑娥引入面板數據，構建BP神經網絡模型對上市公司的財務狀況進行預測，提高了預警精度。張曉琦（2010）證明了支持向量機（SVM）方法在高新技術企業(yè)財務危機預警建模方面的有效性。綜上所述，現階段對于高新技術企業(yè)的財務危機預警研究集中與理論分析階段，大多數都是基于t-1期與t期的數據建立靜態(tài)數據模型，忽略了企業(yè)財務比率的時間序列特點，企業(yè)財務危機的出現是一個逐漸演變的過程且不同行業(yè)的高新技術企業(yè)特點也不盡相同，這些因素將對企業(yè)財務狀況的演化產生偏差，從而影響預警模型的有效性和精準度。 

本研究綜合了主成分分析方法、Logistic回歸方法與BP神經網絡機制，引入面板數據為研究樣本，建立動態(tài)的高新技術制造企業(yè)財務危機預警模型。從理論分析而言，面板數據提供了多層面的數據信息，充分發(fā)掘企業(yè)財務信息，同時結合高新技術制造業(yè)的特點，從不同的側面選取指標來反映企業(yè)財務狀況的各個方面，所以能夠深入全面地反映財務危機前的狀況和趨勢并作出及時合理的判斷，采取相應措施。從實踐結果而言，解決了一般企業(yè)由于數據缺乏帶來的技術問題，擴大預警模型的適用性，為更多的高新技術制造企業(yè)服務。實證結果表明，基于Logistic-BP神經網絡模型的預警能力明顯優(yōu)于傳統(tǒng)Logistic回歸分析方法和BP神經網絡預警機制。 

一、研究方法 

（一）Logistic回歸 

二、數據和預警指標 

（一）樣本選取和數據來源 

本研究考慮到時間因素和指標可比性兩方面，選擇高新技術制造企業(yè)作為研究對象，利用多期歷史財務數據建立財務危機動態(tài)預警模型。本文以我國2008年至2012年深滬A股高新技術制造上市公司（通過2008《高新技術企業(yè)認定管理辦法》的制造行業(yè)企業(yè)）為研究對象，數據源于CCER經濟金融研究數據庫以及巨潮資訊數據庫，使用Excel、SPSS16.0和Matlab2010數據分析軟件對數據進行分析。沿用國內研究習慣，以ST作為出現財務危機的標志，選取2012年ST和非ST高新技術制造業(yè)上市公司為待測樣本。為了符合上市公司ST與非ST的實際比例，確保數據的真實性和可比性，參照Beaver（1966）的方法，采取1：3的配對方式，選擇規(guī)模（總資產）相近的ST、非ST公司120家為訓練樣本，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年財務報告的公布所決定的。根據以往分析，t-1年財務數據的時效性較強，預測度很高，但是，其與正常樣本相差很大，有失模型構建的真實性和可比性，實際預測的應用價值不高。財務風險的形成并非一朝一夕，而是一個連續(xù)的動態(tài)過程，越早洞察出財務風險，越有可能避免再次虧損。據此，選定t-2和t-3作為財務預警年度。 

（二）預警指標的設計 

在參照現有財務風險研究文獻的基礎上，同時結合高新技術企業(yè)本身高投入、高風險、高收益的特點以及新型制造業(yè)的運營特點進行綜合評估，從公司的償債能力、盈利能力、成長能力、運營能力指標和現金流量五個方面初步選定18個變量作為備選指標，如表1所示?；谧R別財務風險的及時性和準確性，挑選的變量必須在ST公司與非ST公司之間顯著不同。通過對指標進行顯著水平5%的K-S檢驗得出財務比率均不服從正態(tài)分布特征，因此采用Mann-Whitney-U檢驗來預警指標在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)間內接受原假設，最終選取在2009年和2010年均存在顯著差異的14個變量作為最佳評估指標，剔除4個不顯著指標：營業(yè)利潤增長率、應收賬款周轉率、流動資產周轉率和存貨周轉率。 

三、基于Logistic-BP神經網絡的實證研究 

（一）建立財務危機預警模型 

由于財務指標之間相關性較強，信息重疊不利于后續(xù)預警模型的構建，首先分別對t-2和t-3年的14個財務指標進行因子分析，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球度檢驗的零假設，認為適合于因子分析。 

本文在累計貢獻率85%以上的基礎上，采取正交旋轉法提取5個主成分F1—F5。第一主因子F1由流動比率、速動比率、股東權益比率、資產負債率組成；第二主因子F2由凈資產收益率、運營資金比率、主營業(yè)務利潤率組成；第三主因子F3由凈資產增長率、總資產增長率、主營業(yè)務收入增長率組成；第四主因子F4由資產周轉率、固定資產周轉率組成；第五主因子F5由現金流動負債比率和每股經營性現金流組成。通過上述因子分析所提取的五個財務指標包含了公司財務危機的主要信息，能夠比較全面地反映公司的財務狀況。 

在靜態(tài)BP神經網絡模型中，同樣選擇訓練樣本的五個因子變量作為網絡層的輸入，經過反復試驗，構建出5x24x1的基于因子分析的靜態(tài)BP神經網絡財務預警模型，模型收斂情況如圖2所示，通過對所有上市公司樣本進行預測，得到如表4的預測結果。 

綜合Logistic模型的回歸分析結果pt-2和pt-3，將訓練樣本的w1pt-2和w2pt-3作為網絡輸入變量，建立動態(tài)BP神經網絡財務危機預警模型，其中w1+w2=1，經過反復試驗取中間層8，將所有樣本作為驗證樣本帶入模型，通過選取不同權重系數w1=0.4，w2=0.6時，模型呈現較高的預警精度，模型收斂情況如圖3所示，預測結果如表4所示。 

（二）三種模型的預測結果比較分析 

由表4可知，在這三種模型中，t-2期的預測效果要明顯高于t-3期的，即離目標預警期越近，預測準確率越高。但是t-3期的預測結果仍與t期財務狀況存在緊密聯系，如果忽視t-3期數據將會降低t期的預測結果。對于單期財務數據的Logistic回歸模型和基于因子分析的BP神經網絡模型預警分析結果，均有較好的預測能力。其中BP神經網絡模型綜合預測效果要優(yōu)于Logistic模型，但BP神經網絡模型中ST的誤判率高于Logistic模型中ST的誤判率。而基于動態(tài)BP神經網絡模型無論是從ST公司和非ST方面均提高了預測的準確率，其總體預測準確率為94%，明顯優(yōu)于第一種和第二種模型。由此可見傳統(tǒng)的預測模型僅僅體現了某一時期對目標時期的預測效果，難以實現不同時期的最優(yōu)預測，通過將二者相結合，綜合考慮t-2期和t-3期歷史數據來建立基于面板數據的動態(tài)BP神經網絡模型，且其預測結果優(yōu)于前兩種方法，第三種模型充分結合了BP神經網絡和統(tǒng)計方法的優(yōu)點。 

四、結論 

本文采用高新技術制造業(yè)上市公司的多期歷史面板財務數據，利用因子分析對指標進行降維，采用多期數據建立動態(tài)Logistic-BP神經網絡模型，提高了模型的縱向長期預測能力，實現多時段預警。通過實證研究得出以下結論：首先，高新技術制造企業(yè)財務危機的出現是循序漸進的過程，距離被ST時間越近，模型的預測準確率越高。其次，通過采用財務面板數據，從數據的截面和空間隨時間變化兩個方面研究，深入體現了企業(yè)財務狀況發(fā)展機理的漸變特性，體現企業(yè)財務危機發(fā)生的連續(xù)動態(tài)特點，提高了樣本中關鍵財務指標變化的特征信息，有利于建立更精確的模型，提高預警精度。最后，綜合模型結合了Logistic非線性分析方法和BP神經網絡的容錯性、自我學習性特點，具有更強大的財務預警建模和預測能力，降低了ST公司的誤判率，在實際應用中有助于經營者預防和監(jiān)控財務危機，促進企業(yè)持續(xù)健康發(fā)展，也有利于投資者債權人規(guī)避財務風險，減少經濟損失。 

【參考文獻】 

篇3

關鍵詞：證券市場；上市公司；財務預警

文章編號：1003－4625（2009）03－0086－05中圖分類號：F830.91文獻標識碼：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，競爭激烈的市場經濟一方面為企業(yè)提供了廣闊的舞臺，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)因財務危機導致經營陷入困境,甚至破產的例子更是屢見不鮮。如何在財務危機到來之前就預先覺察苗頭，以便盡早采取措施，消除危機隱患，已成為當前亟待解決的現實問題。同時，隨著我國證券市場信息披露制度的不斷完善,根據這些信息構造合理的財務風險預警模型已經具備了現實的可能性。

從財務預警理論的發(fā)展歷程來看,財務預警理論是隨著證券市場不斷發(fā)展而產生和不斷深入的?！拔C預警”的思想起源于20世紀初的歐美，在20世紀50年代取得了顯著的成果。進入90年代，由于企業(yè)危機爆發(fā)的頻率也越來越高，人們更加重視危機預警管理。在危機預警的發(fā)展過程中，財務預警的研究也相應展開。根據研究方法的差別，一般可把這些理論大致分為定性預警分析和定量預警模式兩類。

一、定性預警方面的研究

定性預警的方法主要包括災害理論、專家調查法、“四階段癥狀”分析法等幾種方法。

Scapens, Ryan和Fletcher(1981)的災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。該理論認為公司就像一個流動資產的儲備池，財務比率就是用來測量流過儲備池流量的大小。但流量大小并不能夠確定儲備池是否一定要枯竭，因為可以通過債權人繼續(xù)加水。這就要看債權人怎么看待財務比率的變化。許多公司破產，原因就在于債權人看到公司財務比率惡化，然后就想抽干“儲備池”，或者不想繼續(xù)加“水”了。

專家調查法就是企業(yè)組織各領域專家運用專業(yè)方面的知識和經驗，根據企業(yè)的內外環(huán)境，通過直觀的歸納，對企業(yè)過去和現在的狀況、變化發(fā)展過程進行綜合分析研究，找出企業(yè)運動、變化、發(fā)展的規(guī)律，從而對企業(yè)未來的發(fā)展趨勢做出判斷。

“四階段癥狀”分析法認為:企業(yè)財務運營情況不佳，肯定有特定的癥狀，而且是逐漸加劇的。因此應及早發(fā)現各個階段的癥狀，對癥下藥。企業(yè)財務運營病癥大體可分為四個階段:財務危機潛伏期;財務危機發(fā)作期;財務危機惡化期;財務危機實現期。

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

張友棠(2004)指出建立財務預警系統(tǒng)是財務管理制度創(chuàng)新的必然選擇。在此基礎上，構建了基于經濟周期理論的財務預警管理系統(tǒng)――理論模型、程序方法、警兆識別、指數測度。

二、定量財務預警方面的研究

（一）單變量判定模型

最早的財務預警研究是Fitzpatrick(1932)開展的單變量破產預測研究。Fitzpatrick最早發(fā)現，出現財務困境的公司其財務比率和正常公司的相比，有顯著不同，從而認為企業(yè)的財務比率能夠反應企業(yè)財務狀況，并對企業(yè)未來具有預測作用。實證結果表明判別能力最高的是凈利潤／股東權益和股東權益／負債。

而美國的比弗Beaver (1966 )最早運用統(tǒng)計方法研究了公司財務失敗問題，提出了較為成熟的單變量判定模型。比弗發(fā)現具有良好預測性的財務比率依次為1.現金流量/債務總額;2.凈收益/資產總額；3.債務總額/資產總額。該研究的意義在于發(fā)現了不同財務指標具有不同預測企業(yè)破產的能力，為多變量方法預測奠定了基礎。

但是單變量模型卻具有以下局限性：其一，僅用一個財務指標不可能充分反映企業(yè)的財務特征。其二，如果使用多個指標分別進行判斷，這幾個指標的分類結果之間可能會產生矛盾，分析者可能得出不同的結論，以致無法做出正確判斷。

（二）多變量線性判定模型

美國學者Altman (1968 )最早運用多變量分析方法探討財務預警問題。Altman運用主成分分析方法提煉最有代表性的財務比率，通過統(tǒng)計技術篩選出那些在兩組間差別盡可能大而在兩組內部的離散度最小的變量，從而將多個標志變量在最小信息損失下轉換為分類變量，獲得能有效提高預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是判別函數值；X1～X5是Altman所選的5個比率，它們分別是：X1=營運資金/資產總額,X2=留存收益/資產總額，X3=息稅前利潤/資產總額,X4=權益的市場價值/負債賬面價值總額，X5=銷售收入/資產總額。

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

我國學者周首華、楊濟華和王平(1996)提出了F分數預測模型，通過更新指標和擴大樣本數對Z分數模型進行了修正。

陳靜(1999) 以1998年的27家ST公司和對應的27家非ST公司，使用了1995-1997年的財務報表數據，進行多元線性判定分析，發(fā)現由負債比率、凈資產收益率、流動比率、營運資本/總資產、總資產周轉率6個指標構建的模型，在ST發(fā)生的前3年能較好地預測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，而現實中的樣本數據往往并不能滿足這一要求。這就使得許多研究都是在相對準確的前提下進行，其結論必然會有令人質疑的成分。其二，在前一年的預測中，多元線性判定模型的預測精度比較高，但在前兩年、前三年的預測中，其預測精度都大幅下降，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是尋求觀察對象的條件概率，從而據此判斷觀察對象的財務狀況和經營風險。Logit模型假設了企業(yè)破產的概率P（破產取1，非破產取0），并假設Ln[p/(1-P)]可以用財務比率線性解釋。假定Ln[p/(1-p)]=a+bx，根據推導可以得出p=exp(a+bx)/[1+exp(a+bx)]，從而計算出企業(yè)破產的概率。

Ohlson(1980)第一個采用Logit方法進行破產預測。其模型使用了9個自變量,估計了三個模型，分析了樣本公司在破產概率區(qū)間上的分布以及兩類判別錯誤和分割點的關系。他發(fā)現至少有四類顯著影響公司破產概率的變量:公司規(guī)模、資本結構、業(yè)績和當前資產的變現能力。繼Ohlson之后，Gentry, Newbold and Whitford(1985); Casey and Bartczak(1985); Zavgren(1985)也采用類似的方法進行研究。

我國學者陳曉等（2000）以38家ST公司為研究對象，運用Logit回歸，研究結果表明:負債權益比率、應收賬款周轉率、主營業(yè)務利潤/總資產、留存收益/總資產具有較強的預測能力。程濤(2002)以1998-2000年被ST的A股上市公司為研究樣本，運用時間序列回歸和Logit回歸方法，從財務指標角度和現金流量角度分別構建預警模型，并在此基礎上構建綜合預警模型。姜秀華(2001)、吳世農、盧賢義(2001)、李華中(2001)等也采用類似的方法進行研究。

Logit模型的最大優(yōu)點是，放寬了模型的假設條件，運用范圍更加廣泛。但是其計算過程比較復雜，在計算過程中還有很多的近似處理，這些會影響到模型的預測準確度。如Logit模型常假定先驗概率為1?1，選擇0.5為分割點，實際上企業(yè)破產概率要比不破產概率小得多。以實際破產/非破產概率比作為先驗概率可能會影響模型的預測精度。

（四）多元概率比(Probit)回歸模型

Probit回歸模型同樣假定企業(yè)破產的概率為p，并假設企業(yè)樣本服從標準正態(tài)分布，其概率函數的p分位數可以用財務指標線性解釋。其計算方法和Logit很類似，先是確定企業(yè)樣本的極大似然函數，通過求似然函數的極大值得到參數a、b，然后利用公式p=■1■e■2dt，求出企業(yè)破產的概率。

Ohlson(1980)首先采用Probit方法進行財務預警研究的。他選擇1970-1976年間破產的105家公司和 2058家非破產公司組成配對樣本，采用極大似然法，分析了樣本公司在破產概率區(qū)間上分布以及兩類錯誤和判別閥值點之間的關系。

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樣本服從標準正態(tài)分布，且尋求破產概率的方法不同，Logit采用取對數方法，而Probit采用積分的方法。

（五）神經網絡分析模型

用于財務危機判定與預測的類神經網絡模型一般利用一組案例建立系統(tǒng)模型，類神經網絡模型接收一組輸入信息并產生反應，然后與預期反應相比較。如果錯誤率超過可以接受的水平，需要對權重W做出修改或增加隱藏層數目并開始新的學習過程。經過反復循環(huán)，直至錯誤率降低到可以接受的水平，這時學習過程結束并鎖定權重,類神經網絡就可以發(fā)揮預測功能了。

Odom and Sharda(1990)開拓了用BP神經網絡預測財務困境的新方法，其研究是以Altman所構建的五個財務比率為研究變量，使用類神經網絡與判別分析做驗證比較，其結果發(fā)現類神經網絡具有較佳的預測能力。

Tam(1991)采用人工神經網絡(ANN) 進行財務預警研究，通過對人工神經網絡的模擬，得出神經網絡可以應用于財務預警，且具有較高的預測精度。

Koh and Tan在1999年以6個財務指標為研究變量做了類似的研究，得出類神經網絡模型的預測效果優(yōu)于Probit模型的結論。

我國學者楊保安等(2002)采用ANN模型進行財務危機預警研究，結果表明:樣本的實際輸出和期望輸出較為接近，顯示出神經網絡是進行財務評估的一種很好的應用工具。柳炳祥、盛昭翰(2002)分析了評價財務危機的指標體系和財務危機等級的劃分和基于粗神經網絡的財務預警方法，并用一個預警實例進行了驗證。

人工神經網絡具有較好的糾錯能力，從而能夠更好地進行預測。然而，由于理論基礎比較薄弱，ANN對人體大腦神經模擬的科學性、準確性還有待進一步提高，因此其適用性也大打折扣。

（六）其他財務預警模型

除上述提到的主要的研究財務預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確性等原因，沒有成為主要的財務預警理論，在此不再一一贅述。

（七）財務預警理論的拓展研究

1.考慮其他非財務因素的研究

研究人員一直嘗試使用非財務信息構建預測準確率更高、預測結果更穩(wěn)定的預測模型。Gilson (1989)認為高層管理者如CEO、總經理或總裁等離職也可以作為財務危機的指標。他以1979年至1984年共381家發(fā)生財務危機的公司為樣本，發(fā)現52%公司的有高級管理人員異動之情形，而正常公司只有19％。

Donaldson (1986)及GirouxWiggin (1984)認為有的經濟事件有一定的前置時間，可以用作構建模型的變量。如破產前幾年企業(yè)通常有到期票據不能及時支付、銀行貸款不能及時償還及高層管理人員出售公司股票等等。

Marquette(1980)認為使用長期性或宏觀性的經濟指標，如將利率、通貨膨脹率、景氣變動指標、產業(yè)與經濟之間關系等作為構建模型的變量，可以提高模型的準確度。

王克敏（2005）研究認為在財務指標基礎上引入公司治理、關聯交易、對外擔保等非財務指標，可以大大提高公司ST的預測準確率。郭斌等(2006) 研究認為加入貸款期限和M2增長率這兩個非財務指標的8參數建立模型，具有較高的預測精度和較好的模型擬合度。鄧曉嵐（2006）研究結果顯示加入年度累積超額收益率與審計師意見的非財務指標后預警效果較好。

2.財務失真預警方面的研究

關于財務信息失真問題，早期的研究大多從財務舞弊的動因、手段、防范與治理等方面來進行研究。1999年Healy and Wahlen首先從會計舞弊行為市場反應與識別方面進行了研究。認為投資者似乎能夠辨認物價上升期間那些為了稅收利益而采用后進先出法的公司，并且對相應的報告盈余的下降反應溫和。Green and Choi(1997)以財務指標為輸入變量，采用人工神經網絡（ANN）技術構造了建立在原始財務數據基礎上的會計舞弊判別模型，并發(fā)現這一模型將大大改善獨立審計師發(fā)現舞弊行為的能力。Beneish(1999)提出利用會計數據來判別上市公司是否存在會計舞弊的思想，他以1987-1993年間受美國證監(jiān)會處罰的74家公司為會計舞弊樣本，以其他上市公司為正常樣本，基于8個財務指標建立了Probit模型，準確預測率達到了75%。Spathis, Doumpons and Zopounidis(2002)以希臘舞弊公司與非舞弊為樣本，采用多標準分析、單變量和多變量統(tǒng)計技術建立了包含Z計分值和不包括Z計分值的模型識別舞弊財務報告的可能性。

鹿小楠和傅浩(2003)在Beneish的研究基礎上，分別建立多元判別模型和Logit回歸模型，但對我國會計舞弊公司的判別成功率都僅僅為60%;蔡志岳、吳世農(2007)運用條件Logit回歸模型對公司信息披露違規(guī)進行預警研究，實證結果表明在違規(guī)前一年，基于財務指標、市場指標和治理指標的預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、對國內外現有文獻述評

在財務預警的定性研究方面，國內外學者從引起企業(yè)危機發(fā)生發(fā)展的內外各種因素進行了探討，對財務危機的各個階段進行了詳細的劃分和研究，對問題各個方面的分析都很深入。但從事定性研究的結論能夠直接和定量模型結合起來的還不多。如探討了影響企業(yè)財務困境的各種因素，但怎樣把這些因素用于財務預警模型中，進行這方面研究的人并不多見。

從財務預警的定量研究方面看，國內外學者結合各種量化的技術，出現了很多的預警模型，在上述文獻綜述中我們也可以感受到這一點。但是其應用性和可操作性較差。筆者認為，不管模型做的多么復雜和巧妙，關鍵是要能夠應用到實際中去，解決不同財務信息使用者的認知需要，這才是最根本的。

（一）財務預警模型的局限性

首先，模型會受到樣本選取范圍和樣本時間區(qū)間的限制。研究發(fā)現，從不同的樣本選取范圍和不同的時間區(qū)間所得出的預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效性、國別特點、行業(yè)特點等。一國建立的模型不能直接適用于另一個國家，因此有必要建立各國自己的預警模型。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，而事實上很多時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測精度。

（二）變量的選擇方法問題

如何選取變量指標還缺乏理論支撐，研究人員在選擇變量時，常受到自身價值判斷的影響。如Altman在建立Z模型時，也只列出了22個財務比率，從中選出了5個比率。這些比率的選擇不是建立在理論的基礎之上的，而是根據它們的“通用性”和Altman的主觀認為。另外，這些模型的變量大多只涉及財務比率，考慮非量化因素的較少?？紤]非量化因素后加入定性指標的分析將會有效提高模型的準確度，這需要進一步的探索。

（三）財務預警研究重理論研究輕應用研究

財務預警研究者更多的是關注預測的準確性，但卻沒有能夠同時關心使用者的實際可操作性。財務預警研究在財務預警模型精巧性的同時，更需要在財務預警技術的應用與推廣方面多下工夫。

（四）關于財務信息失真問題

傳統(tǒng)的財務失敗(困境)預警模型本身不能對財務報表的真?zhèn)芜M行鑒別,用可能虛假的財務報告來進行財務預警,會使財務危機預警模型的預測結果發(fā)生偏差。從財務失真預警這方面來看，理論研究較少，特別是國內的研究尚處于起步階段。另外，財務失真和財務失敗預警兩方面的研究相互脫節(jié)，這兩方面的研究沒有能夠結合起來進行。

根據上述研究述評，筆者認為要重點解決財務預警理論的實際應用性問題，使其能夠真正滿足財務信息使用者的需要。應注意使用包括非量化因素的財務預警指標體系，尤其要注意建立財務失真（舞弊）和財務失?。ɡЬ常┒呦嘟Y合的雙元財務預警模型，一方面，對中國不發(fā)達、不完善的證券市場而言，財務信息失真問題是非常嚴重的（事實上在美國這樣成熟的市場，財務失真現象也是大量存在的），財務失真的預警研究尤其必要。但從現有的文獻來看，絕大多數的理論性研究局限于上市公司會計舞弊的動因、手段、防范和治理，很少涉足舞弊的市場反應與識別和預警問題，特別是預警模型的研究。另一方面看，上市公司所面臨的各種危機和財務困境，要求我們要進行財務失敗預警的研究。這方面的文獻較多，正如前面所述，理論上也較為豐富。但是，財務失敗預警的研究沒有和財務失真預警研究結合起來，用可能是失真的數據來預警，其結果可想而知。所以，要建立財務失真和財務失敗雙方面相結合的財務預警模型，才是正確解決上市公司財務預警問題的根本之道。

參考文獻：

[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.基于公司治理的信息披露舞弊預警研究[J].管理科學,2006,(8).

[11]陳工孟,芮萌,許慶勝.現代企業(yè)財務困境預測[M].上海:上海財經大學出版社,2006,(7).

[12]陳靜.上市公司財務惡化預測的實證研究[J].會計研究,1999,(4).

[13]程濤.財務預警模型綜述[J].山西財經大學學報,2003,(10).

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

[15]姜秀華,孫錚.治理弱化與財務危機:一個預測模型[J].南開管理評論,2001,(5).

[16]金春蕾,郭煒,王宗軍.我國上市公司財務失敗預警模型的評析[J].商業(yè)研究,2003,(12).

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

[18]彭韶兵.財務風險機理與控制分析[Z].西南財經大學,2001博士學位論文.

[19]秦江萍.會計舞弊的市場反應與識別[M].北京:經濟科學出版社,2006,(5).

[20]宋雪楓.中國上市公司財務危機預警問題研究[Z].上海交通大學,2006年博士學位論文.

[21]王克敏,姬美光.基于財務與非財務指標的虧損公司財務預警研究[J].財經研究,2006,(7).

[22]王玲玲,曾繁榮.財務預警模型評述[J].市場論壇,2005(12).

[23]吳革.財務報告粉飾手法的識別與防范[M].北京:對外經濟貿易出版社,2003,(1).

[24]吳世農.現代財務管理理論與方法[M].北京:中國經濟出版社,1997.

[25]夏毅,魏嵐.企業(yè)財務危機預警研究[J].當代經理人,2005,(18).

[26]楊寶安,季海.基于人工神經網絡的商業(yè)銀行貸款風險預譽研究[J].系統(tǒng)工程理論與實踐,2001,(5).

[27]袁業(yè)虎,張燕.中外財務預警實證研究述評[J].審計與理財,2005,(9).

[28]張鳴,張艷,程濤.企業(yè)財務預警研究前沿[M].北京:中國財政經濟出版社,2004,(4).

[29]張鳴,張艷.財務困境預測的實證研究與評述[J].財經研究,2001,(12).

[30]張玲.財務危機預警分析判別模型[J].數量經濟技術經濟研究,2000,(3):49-51.

[31]張友棠.財務預警系統(tǒng)管理研究[M].北京:中國人民大學出版社,2004,(3).

[32]張祥,陳榮秋.財務預警模型的變遷[J].華中科技大學學報(社科版),2003,(4).

篇4

評價視角的多維化

自上個世紀70年代以來，人們突破過去僅僅從正面評價投資環(huán)境的局限性，開始從負面因素來評價一個區(qū)域的投資環(huán)境，使投資環(huán)境的評估出現新的視角，使分析更加全面、準確。負面分析法是從投資的障礙、風險、成本、代價等因素來評價投資環(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潛在的阻礙國際投資活動的因素多少和程度來評價投資環(huán)境優(yōu)劣的一種方法，其基本思想是，如果在現存的條件下，一個國家或地區(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該可以投資了。障礙分析法可以追溯到美國芝加哥大學著名經濟學家布萊克[8]。他在研究國際資本市場均衡和世界資本資產定價模型時發(fā)現，國際投資者的行為、世界資本資產的定價和國際資本市場的均衡都與東道國的相關政策密切相關。如果東道國對外國居民征收資產持有稅，則投資者傾向于更多地持有本國資產；反之，如果僅對本國居民征收資產重稅而對外國居民免稅，則投資者更傾向于向外投資。

經過30年的發(fā)展，對國際投資的障礙分析已經十分規(guī)范和全面，阻礙投資的因素通常被歸納為十個方面：（1）政治障礙；（2）經濟障礙；（3）東道國資金融通困難；（4）技術人員和熟練工人短缺；（5）實施國有化政策與沒收政策；（6）對外國投資實行歧視政策；（7）對企業(yè)干預過多；（8）實行較多的進口限制；（9）實行外匯管制和限制利潤回匯；（10）法律行政體制不完善。

投資風險評估法。風險是因某種不確定性而給人們的經濟活動可能帶來的損失。投資活動是一項長期的經濟行為，對于其中的風險人們是很早就意識到了的，對其預測和防范的研究也比上面的各種評價方法早得多。但是，對于投資環(huán)境特別是國際投資環(huán)境風險的系統(tǒng)研究卻是現代的事情。投資風險可分為企業(yè)或項目的內部風險和環(huán)境風險，環(huán)境風險又可以分為自然環(huán)境風險和社會環(huán)境風險，而風險分析的對象主要是各種社會風險。

值得指出的是，自上個世紀90年代以來，隨著國際信貸危機、國際金融危機和債務危機的頻繁爆發(fā)，國家風險越來越受到研究者的關注，以至于國家風險評估在西方經濟學中出現一個專有名詞。其中梅爾德倫[9]的研究成果具有代表性，他將國家風險劃分為以下六種：（1）經濟風險，指來自基本經濟政策目標（財政，貨幣，國際化，或財富分配或創(chuàng)建）的變化或國家比較優(yōu)勢的顯著變化（例如資源枯竭、產業(yè)衰退、人口結構的變化、等）；（2）資本轉移風險，指政府限制資本流動、改變資本運動規(guī)律所帶來的風險，如實行資本管制、限制投資者匯回利潤、股息或本金等；（3）匯率風險，指意外的匯率不利變動，也包括匯率制度，如從固定匯率到浮動匯率的變化；（4）地緣風險，指對毗鄰國家或地區(qū)的風險外溢效應的易感性，如20世紀80年代拉美國家的債務危機、1997~1998年亞洲金融危機中的一些國家；（5）風險，指政府沒有能力或意愿滿足其貸款義務，違背貸款保證，如債務違約；（6）政治風險，指東道國政府本身面臨的風險，如政府的控制力、政權的穩(wěn)定性和政策的連續(xù)性等。

障礙分析法與風險分析法的本質是相同的，二者之間存在內在的邏輯聯系，研究的對象和設計的指標也有重復之處。如果仔細辨別可以大致認為，在投資發(fā)生前表現為障礙，在投資發(fā)生后表現為風險，在一定的條件下二者可以相互轉化。

新的評價工具的引進

二戰(zhàn)結束以來，數學的新分支、“老三論”（信息論、系統(tǒng)論、控制論）、“新三論”（協(xié)同論、突變論、耗散結構論）等迅速建立和發(fā)展起來。這些方法和技術也被引進經濟領域，用于對各種經濟活動的解釋、評估、預測和預報。在投資環(huán)境評估研究中，這種趨勢表現非常明顯。

灰色評價模型。灰色評價模型的理論基礎是灰色系統(tǒng)理論，它是認識介于白色系統(tǒng)與黑色系統(tǒng)之間的灰色系統(tǒng)構成元素和建立系統(tǒng)模型的一種手段?；疑到y(tǒng)理論是我國學者鄧聚龍教授1982年首先提出來的，現已被廣泛用于工程、環(huán)境、社會、企業(yè)、產品等領域的評價之中，主要是運用有限的信息進行預測和預報。灰色模型預測的優(yōu)點是：（1）可以根據數量較少、精度較低的統(tǒng)計數據進行預測；（2）給出的預測數值也是一個大致的區(qū)間而不是一個精確的數值，這種彈性區(qū)間可能更符合未來實際發(fā)生的情況；（3）投資環(huán)境中不確定因素多、不可預見的突發(fā)事件時有發(fā)生，運用灰色建模預測法可使投資者具備物質和精神準備。運用灰箱方法分析指標體系，可以取得良好效果。張格亮和李昕[10]以預期利潤為目標，研究了灰色預測模型在一般項目投資評價中的運用。具體過程是五步法：（1）級比檢驗和建模可行性判斷；（2）數據變換處理，對于級比檢驗不合格的序列，必須作數據變換處理，使其變換后的序列其級比落入可容覆蓋的范圍內；（3）GM建模，參數a（發(fā)展系數），b（灰作變量）的辨識；（4）殘差檢驗和級比偏差檢驗；（5）得出預期利潤的落入區(qū)間。趙巧芝[11]則運用改進后的灰色關聯模型，以我國2005年各省市區(qū)的投資環(huán)境資料，建立全國省級投資環(huán)境的灰色關聯模型，得出的各地投資環(huán)境優(yōu)劣的結論基本上與我國東中西三個經濟帶的經濟發(fā)展水平相一致。潘曉琳[12]運用多層次灰色評價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價法來確定指標的隸屬函數值，主要方法是建立一個灰色評價權重矩陣，將專家的評分與權重相乘得出量化指標。

熵變原理方法。熵原是一個物理上的熱力學概念，它是熱能除以溫度所得的商，標志熱量轉化為功的程度，后被引申到自然科學和社會科學的多個領域。從哲學上說，熵是衡量一個系統(tǒng)無序程度的指標。對于封閉系統(tǒng)，由于沒有外界的物質、能量和信息的交換，其熵是單調增加的不可逆過程；對于開放系統(tǒng)（耗散結構），因為它可以與外界進行各種交換（流入負熵），其熵值可以增加、減少或不變。陳文成[13]運用熵變原理對福建省區(qū)域投資環(huán)境進行三維評價，就是運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（即將所有的不確定性全部考慮到、風險最大時）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）將一個地區(qū)（福建?。┑耐顿Y環(huán)境用空間（次區(qū)域，設區(qū)的城市）、時間（1999~2005）和屬性（38項指標）這三個維度表示出來，得到一組離散的時間序列面板數據或屬性集。（2）確定指標的熵響應類型，即指標大小與所蘊含熵的關系，作者將其歸納為逆向、同向、復合三種類型。第一類：逆向響應(效益型)，指標越大（小)熵反而越小(大),如國內生產總值(GDP)、城鎮(zhèn)居民可支配收入等指標越大,說明必需投入越多的人財物等，所以熵越小或直觀理解為指標越大(小)越難(易)達到、實現的可能性或概率越小(大)。第二類：同向響應(成本型)，指標越小(大)熵也越小(大),如第一產業(yè)占GDP的比重越小反映產業(yè)結構越高級化、恩格爾系數越小說明生活質量越好,失業(yè)率、犯罪率越低說明社會越和諧,需耗散(投入)人財物等能量維持小指標,故蘊含熵值越小,或理解為指標越小(大)越難(易)達到、實現的可能性或概率越小(大)。第三類：復合型(中間型)，為前二者的復合類型,如基尼系數,小于0.3時值越小熵反而越大,大于0.4時值越大熵也越大。（3）指標預處理。為建立統(tǒng)一的指標概率測度模型,不失一般性將指標熵響應變換為同向型。（4）指標的概率測度模型。對指標進行時空集成評價,應確保表示時間維的向量大小與表示空間(對象)維的向量大小具相同的意義,即必須建立統(tǒng)一的時空參照機制。（5）計算評價對象的總熵。（6）排序與分類。一個地區(qū)的熵越小外商投資環(huán)境越優(yōu)越。三維評價的關鍵是確保不同時間截面間、不同對象時間序列間具可比性，即必須建立統(tǒng)一的時空參照標。通俗地說就是即可進行橫向比較，也可進行縱向比較。

篇5

一、研究設計

（一）基本假定 具體內容如下：

（1）財務處理規(guī)則的一致性 。國家對上市公司的財務處理有統(tǒng)一的規(guī)定，上市公司財務制度已趨于完善，而政府的監(jiān)管力度也逐漸加大，所以假定：所有上市公司財務處理的規(guī)則是一致的，不同上市公司的財務數據具有可比性。

（2）財務報表的真實性。.上市公司披露的年報是經會計師事務所審計的，所以假定：經會計師事務所審計的報表是可信的。為在一定程度上保證分析數據的真實性，選取經注冊會計師出具的標準無保留意見或帶說明段的上市公司會計報表作為分析的基礎，而對于注冊會計師拒絕表示意見的上市公司財務報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)的實際地域分布相符，使得所得結論具有廣泛的代表性。本文初步選擇財務指標31個，進行相關性分析后，剩余16個。

（三）研究方法本文首先對所選樣本數據進行描述性統(tǒng)計，然后利用主成分分析法進行綜合評價，最后用神經網絡進行更深層次的分析。前兩種方法通過 SPSS統(tǒng)計軟件來實現的，神經網絡部分則借助于matlab來實現。

三、實證分析

（一）描述性統(tǒng)計分析 本文利用SPSS對原始財務指標描述性統(tǒng)計，結果表明：

其一，從資產負債率X1、流動比率X2、速動比率X3來看，中小企業(yè)的償債能力非常強，資產負債率、流動比率、速動比率平均值分別為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負債率、流動比率、速動比率分別為0.54、0.21、0.64（同期上市公司數據源于中聯財務顧問有限公司，中聯資產評估有限公司、中聯會計師事務所和國資委共同組成的上市公司業(yè)績評價課題組對滬深股市2006年4月30日公布年報的1339家上市公司所作的業(yè)績評價分析報告數據，下同）。這表明企業(yè)非常重視債務的清償，也可能與中小企業(yè)外部融資困難，因而比較注重內部積累有關，但另一方面也說明企業(yè)資產可能普遍存在利用不高、閑置浪費的情況。

其二，從銷售毛利率X4、主營業(yè)務利潤率X5、凈資產收益率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，表明樣本公司在2005年盈利較好。

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

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

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

（二）主成分分析 在進行財務狀況綜合評價時，評價指標若過多，特別是指標間存在較強相關性時，往往會影響評價結果的準確性，對評價結果也難以解釋，主成分分析方法的優(yōu)點就是能夠從眾多指標中提取幾個對結果具顯著作用的因子，達到減少評價指標的目的。本文的主成分分析結果顯示：

第一個主成分F1中總資產周轉率、應收賬款周轉率、股東權益周轉率、固定資產周轉率系數均為正數且在0.86以上，對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)的資產管理能力。

第二主成分F2成本費用利潤率、銷售毛利率、主營業(yè)務利潤率、銷售凈利率系數都超過了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，這三項指標在5個盈利能力指標中對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)的獲取現金流的能力，除銷售現金比率外，其余4個衡量現金流的指標系數均高于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。

前三個主成分的累計貢獻率達到了84.20%，對最后的綜合得分起著重要作用，而這三個主成分因子主要代表著公司的資產管理能力、盈利能力以及獲取現金流的能力，因此，公司在這三個方面的表現，決定著其最后的綜合排序。

根據公式列示計算結果即可以對樣本公司進行綜合排名，前十名如表1所示。

從主成分分析結果來看，前十名的公司財務狀況表現良好，遠遠超過了其他公司。但另一方面，前十名公司的主營業(yè)務鮮明率、核心業(yè)務總資產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方面并沒有表現出其優(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>

前十名公司的資產管理能力也超出了其他公司，總資產周轉率、存貨周轉率、應收賬款周轉率的平均值分別為1.06、10.20、24.21，50家樣本公司三個指標的平均值分別為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網絡分析 具體內容如下：

（1）選擇樣本及確定數據。利用神經網絡進行分析，需要一定量的樣本進行訓練，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家公司作為訓練樣本，剩余20家作為測試樣本。

在BP神經網絡中，當輸入層次過多也就是指標數量過多時，模型往往具有不穩(wěn)定性，從而影響結果的可靠性。與以往所使用的神經網絡模型不同，本文并不是將30家中小企業(yè)的原始財務指標直接作為輸入變量，而是在主成分分析的基礎上，以提取的8個主成分因子Fi作為輸入層，這樣不僅大大縮減了變量的個數，而且更能保證模型的穩(wěn)定性。

（2）確定BP神經網絡模型的結構及參數。根據評估和決策的需要，對輸出層的設計選m=5，即將該板塊的上市公司財務狀況分為五類：優(yōu)秀、良好、中等、較差、差。具體參考標準是：某家公司以變異系數法和主成分析兩種方法計算的結果若處在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準。

對輸入層，其神經元個數是由上面主成分分析提取的8個主成分因子確定，即n=8。對隱含層中神經元個數的確綜上所述，本研究中所采用的神經網絡結構為：8（輸入層）-9（隱含層）-5（輸出層）。根據具體情況，這里學習因子速率取?濁=0.45。

（3）仿真訓練及結果。本文中這一部分是通過Matlab軟件來實現的，在Matlab軟件中，通過訓練樣本對網絡進行訓練，迭代次數為1000次達到誤差值 ≤0 .005的要求，最后得到滿意的權值和閾值，從而確定了穩(wěn)定的網絡結構。

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

0.9874，0.0147，0.4567），可以認定其屬于“中等”。

最后，通過對預測值的分析，得到的試驗結果如表2所示：

20個測試樣本中，實際財務狀況是4個優(yōu)秀，5個良好，4個中等，3個較差，4個差，依據BP神經網絡輸出結果，判斷情況為：4個優(yōu)秀，6個良好，4個中等，2個較差，3個差，1個無法判斷。有4個樣本判斷情況不符實際情況，誤判率20%，準確率達80%。神經網絡模型從財務狀況的“健康”程度上來分析中小企業(yè)的綜合情況，更能促進“健康”狀況不佳的公司加強經營管理，改善其財務狀況。

五、財務狀況綜合評價結果分析

在同時期股市業(yè)績普遍出現下滑的情況下，從以上財務綜合評價的結果來看，中小企業(yè)整體表現優(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家樣本以及同時期全部上市公司，通過主要財務指標平均值的比較，以進一步的分析，結果如表3所示。

結果表明：除了主營業(yè)務鮮明率、總資產周轉率外，中小企業(yè)各項指標均值都優(yōu)于同期上市公司，說明中小板塊整體良好。但進一步分析會發(fā)現，中小企業(yè)表現差異明顯，前十名與后十名相差懸殊。其中，前十名的主營業(yè)務利潤增長率是后十名近4倍。兩者差異最明顯的是獲取現金流量的能力，前十名均由較高的獲現能力，而后十名的全部資金現金回收率、每股經營現金流、凈資產現金回收率均為負值。

值得注意的是，在全部上市公司主營業(yè)務利潤出現負增長的情況下，中小板企業(yè)仍然表現出了較強的增長勢頭，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到了12%。但是，另一反映成長能力的指標主營業(yè)務鮮明率，中小企業(yè)的表現卻不如上市公司，這說明相對于上市公司而言，中小企業(yè)的主營業(yè)務仍顯得不夠突出，主業(yè)仍然沒能夠為中小企業(yè)創(chuàng)造足夠多的利潤。

參考文獻：

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

篇6

關鍵詞：財務危機，預警模型，主成分分析，Logistic回歸

中圖分類號：F276.6 文獻標識碼： A 文章編號：1003－3890（2008）07－0024-03

一、文獻綜述

（一）國外財務危機預警模型的研究現狀

在20世紀60年代前影響最為廣泛的美國財務分析專家Beaver（1966年）提出了單變量判定模型。在財務危機預測研究中，美國紐約大學教授Altman做出了突出貢獻。Altman在1968年首次使用了多元判定分析（MDA）預測財務危機，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財務危機進行預測。1977年，Altman，Haldeman和Narayanan在Z模型的基礎上又提出了一個更能準確預測企業(yè)財務失敗的新模型――著名的ZETA模型。Martin（1977）在財務危機預測研究中首次采用Logistic模型。1988年，Aziz，Emanuel和Lawson在財務危機的預警模型研究中，發(fā)展了基于現金流量預警破產的模型。1998年，Mossman.Bell，Swartz和Turtle在總結以前研究的基礎上，比較了財務指標模型、現金流量模型、市場收益率信息類模型，發(fā)現不存在令人完全滿意的區(qū)分破產和非破產的預測模型。除了線形判別模型和條件概率模型外，一些學者還用人工神經網絡系統(tǒng)模型和引用了期權定價理論對財務危機進行預測。

（二）國內財務危機預警模型的研究現狀

1986年，吳世農、黃世忠曾撰文介紹企業(yè)破產的財務分析指標及其預警模型。1996年，周首華、楊濟華和王平應用多微區(qū)分分析方法建立了F分數模型。1999年，陳靜對西方預警模型在中國是否適用進行了實證分析。張愛民、祝春山、許丹?。?001）借鑒Altman的多元Z值判別模型，建立了一種新的預測財務危機的模型――主成分預測模型。楊保安（2001）等針對判別分析方法在構建財務危機判別模型中存在的問題引入神經網絡分析方法并應用于企業(yè)財務危機判定與預測。吳世農、盧賢義（2001）應用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，分別建立三種預測財務危機的模型。張延波、彭淑雄（2002）指出，在建立風險監(jiān)測與危機預警指標體系中，可考慮加入現金流量指標。劉洪、何光軍（2004）建立了Logistic回歸模型、Fisher判別模型和BP神經網絡模型，實證結果表明：BP神經網絡方法的預測精度遠高于其他兩種方法。李秉祥、啟文秀（2004）以現論和期權理論為依據，建立了公司財務危機的動態(tài)預測模型。譚久均（2005）建立了財務指標與違約距離相融合的上市公司財務預警模型。

二、實證研究

（一）研究樣本的選擇和變量的定義

本文主要針對文獻綜述中存在的問題，進行財務危機預警研究技術上的改進，探索性地在自變量中加入基于現金流量表的財務比率進行動態(tài)財務危機預警模型的構建。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、資產規(guī)模相似等原則進行配對，找到對應的非ST公司作為參照樣本，以確保兩組樣本之間的相互可比性。在盡量擴大財務比率數目的同時，取前4年內的財務比率進行分析。實證中，本文最終建立的仍是Fisher判別分析和Logistic回歸模型。不過與前面學者研究過程不同的是，筆者先對樣本連續(xù)多年的多個財務比率進行主成分分析，提取多個完全正交的主成分，然后將這些主成分納入到模型中。整個處理過程既考慮了現金流的重要性，同時也克服了財務比率之間的多重共線性問題。

本文的財務數據來自Wind資訊、證券之星數據中心、全景證券網數據中心、巨潮資訊網以及聚源財務分析數據庫等（選取的研究樣本見表1）。

我們參考了國內外反映財務危機預警的既有指標，并考慮了指標數據獲取的難易程度，確定了反映和測度中國上市公司財務危機預警的指標體系，包括5個一級指標（償債能力、盈利能力、資產管理能力、成長能力和現金流量）和22個二級指標。

（二）財務指標的正態(tài)分布檢驗

本文利用SPSS中的K-S檢驗方法對基礎財務指標進行正態(tài)性檢驗。經過計算，中國的財務指標整體上并不符合正態(tài)分布，這一結果與國內外學者所得出的結論一致。因而兩類公司財務指標的顯著性檢驗不能進行t檢驗，而應當使用非參數檢驗的方法。通過非參數檢驗，我們發(fā)現在最初所選的22個基礎財務指標中，有17個財務指標在4年間通過了顯著水平為5%的顯著性檢驗。因此，本文初步選定通過顯著性檢驗的17個財務指標來建立預警模型。他們分別是反映償債能力的流動比率、速動比率、資產負債率、產權比率、利息保障倍數指標；反映盈利能力的主營業(yè)務比率、股東權益收益率、留存收益總資產比率、總資產利潤率指標；反映資產管理能力的應收賬款周轉率、總資產周轉率、存貨周轉率指標；反映成長能力的凈利潤增長率、資本積累率、總資產增長率指標；反映現金流量的現金債務總額比、現金獲利指數指標。

（三）主成分的計算

由于變量之間存在多重共線性的問題，我們對選取的變量按年度進行主成分分析，得到相應的主成分和初始因子載荷矩陣，根據初始因子荷載矩陣與特征值矩陣，計算出主成分系數矩陣，進而求得主成分的分值，得到5個主成分后，代入Fisher判別模型和Logistic回歸模型進行進一步分析。

（四）Fisher線性判別模型的建立

把財務危機公司劃分為組合1，非財務危機公司劃分為組合0，對上述72家上市公司的5個主成分進行Fisher回歸分析，可以建立分年度的財務危機預警模型（見表2）。

為了檢驗判別函數的效果，我們把數據分別代回去，得到財務危機前1~4年財務危機公司與非財務危機公司的判別和預測結果，判斷正確率逐年依次為：91.7%，86.1%，69.4%，66.7%。

（五）Logistic預警模型的建立

利用SPSS統(tǒng)計分析軟件，對上述72家上市公司的5個主成分進行Logistic回歸分析，可以建立分年度的財務危機預警模型（見表3）。

我們把財務危機企業(yè)和非財務企業(yè)危機前1―4年的數據代入模型，如果P值大于0.5，則判定企業(yè)為財務危機企業(yè)，如果P值小于0.5，則判定企業(yè)為正常企業(yè)。如此，財務危機企業(yè)和非財務危機企業(yè)財務危機前1~4年的判定正確率逐年依次為：91.7%，86.1%，69.4%，66.7%。

三、結論

總結本文的研究過程和結果，可以得到以下結論：

1. ST公司的大部分財務指標值在其被特別處理前4個會計年度內呈現出了逐漸惡化的趨勢，“ST”公司與非“ST”公司財務指標之間所呈現的差距逐漸加大，說明了“ST”公司財務狀況的惡化并非是突然發(fā)生的，從而使得財務危機預警不僅必要，而且成為可能。因而我們完全可以通過分析財務指標的變化來預測公司未來的財務狀況。

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務危機預警模型，結果表明這兩種模型可以提前4年預測財務危機。

3． 分析比較模型的預測效果，我們還發(fā)現財務危機預警具有一定的時間跨度，時間跨度與預測的準確程度成反比。一般情況下，時間跨度越長，財務危機預警的準確程度就越低，反之亦然。因此，在實際應用過程中，應根據需要和可能，適當規(guī)定財務危機預警的時間跨度，從而保證預測結果的可靠性和相關性。

4. 比較二種判定模型的效果表明，Logistic模型的判定準確性較高。

參考文獻:

［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，肖遠文，任若恩．Logistic違約模型的最優(yōu)樣本配比與分界點研究［J］．財經研究，2005，（9）.

［5］吳世農，盧賢義．中國上市公司財務困境的預測模型研究［J］．經濟研究，2001，（6）.

［6］陳靜．上市公司財務惡化預測的實證分析［J］．會計研究.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.

【關鍵詞】水質；分析；模型；評價；化學計量學

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

【中圖分類號】X8 【文獻標志碼】B 【文章編號】1673-1069（2017）05-0098-02

1 引言

隨著社會發(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，卻忽視了對周圍環(huán)境的保護，因此對環(huán)境造成了不同程度的破壞，其中就包括水資源的破壞。水質的好壞直接決定了人們的生活質量和社會的穩(wěn)定，目前水資源供需緊張的狀況越來越嚴重，因此如何快速準確地檢測分析水質，對于水資源的節(jié)約、保護和開發(fā)利用有著重要的意義，同時也對社會可持續(xù)發(fā)展起到一定的促進作用。

2 水質分析概述

水質是水質水體質量的簡稱，包括水體的物理特性（如色度、濁度、臭味等）、化學特性（無機物和有機物的含量）和生物特性（細菌、微生物、浮游生物、底棲生物）及其組成狀況。水質檢測，即用化學和物理方法測定水中各種化學成分的含量，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)主要水質問題的項目。

3 水質分析方法

3.1 感觀法

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

3.2 化學分析法

化學分析法主要用于一般的水質檢測中，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水資源中的pH值強度進行測定和測量。②絡合滴定法。該方法主要是通過生成絡合物的反應對水樣進行滴定分析，生成過程中，要控制絡合反應的速度，保證絡合物形成的過程穩(wěn)定，然后再對滴定的化學計量進行確定。③沉淀滴定法。沉淀滴定法就是通過生成沉淀物的反應對水質進行分析，該方法要求是在能夠反應的水質中，并且不是所有的沉淀能夠進行滴定分析的條件下才能進行氧化還原滴定法。氧化還原滴定法主要是以氧化反應作為滴定的基礎，采用該方法時要注意水中物質反應速度的快慢[1]。

3.3 儀器分析法

①色譜法，它的原理是利用不同物質在固定相中的分配比不同來對物質進行分析的。根據固定相的不同，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是快速、準確、高效。氣相色譜主要用于檢測水中的有機氯農藥、有機磷農藥、有機化學污染物及硒、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中的多種有機物種類和含量，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果。

②光譜法。根據光源的不同，光譜法又可分為以下幾種：

第一，紫外光譜吸收法，即基于物質對不同波長的紫外光的吸收來測定物質成分和含量的方法。該方法具有實時快速、操作便攜、準確度高、無二次污染、成本低等特點。

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，需要在檢測時要對水樣進行前處理。

第三，熒光光譜法，即根據物質分子在特定波長光（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度包含許多有關所測目標物質的分子結構與電子狀態(tài)的信息，這些信息都是物質所特有的，因此可以利用物質的熒光光譜對物質進行定性、定量分析。

第四， 拉曼光譜法。當頻率為V0的單色光入射到物質以后，物質中的分子會對入射光產生散射，散射光的頻率為V0 ± V，波長的偏移V 與物質分子的化學結構有關。與傳統(tǒng)水質分析方法相比，使用拉曼光譜進行水質分析時，樣品無需制備并且無損耗，可以同時測試樣品中的多種成分，樣品用量少，靈敏度高，可以實現遠程測量、實時測量與分析[3] 。

③質譜法，即利用電場和磁場將運動的離子按它們的質荷比分離后進行檢測的方法。由于核素的準確質量是一個多位小數，且每個核素的質量是唯一的，另外絕不會有一種核素的質量恰好是另一核素質量的整數倍，所以只要測出離子的準確質量即可確定離子的化合物組成。該方法的優(yōu)點是檢測范圍廣，靈敏度高，分析速度快，但是也有解譜困難、定量分析時誤差較大等缺點。另外，質譜又有電子轟擊質譜（EI-MS）、場解吸附質譜（FD-MS）、快原子轟擊質譜（FAB-MS）、基質輔助激光解吸附飛行時間質譜（MALDI-TOFMS）和電子噴霧質譜（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，由于水質的各項指標常存在復雜的非線性關系， 并且在檢測時可能存在背景干擾，這些因素都會直接影響到測量和分析的結果。因此，當對水質進行檢測時，就可以采用化學計量學建模來對數據進行前處理，以克服這些缺點。

4 水質評價方法及發(fā)展趨勢

4.1 評價方法

常用的水質評價方法有單因子污染指數法和多項參數綜合評價法。前者是將某一參數的實測濃度代表值與水質標準對比，判斷水質的優(yōu)劣，這是目前使用最多的水質評價法；后者則是把選用的若干參數綜合成一個概括的指數來評價水質，又稱指數評價法。

由于水質的評價指標多，數據龐大，并且各數據之間可能還會相互影響，因此單一的、較為簡單的評價方法很可能無法準確、真實地反應水體的質量。隨著計算機技術的發(fā)展，化學計量學及其衍生出來的統(tǒng)計分析軟件在各W科領域也逐漸普及開來，其中就包括水質評價[4]。目前使用比較多的有主成分分析法、聚類分析法、人工神經網絡分析法和多元統(tǒng)計分析法等，這些分析方法在強大的計算機技術支持下，能夠克服上述常規(guī)方法的缺點，有效地提取并分析數據信息，從而減少原始數據的損失，快速、準確地給出評價結果。

4.2 發(fā)展趨勢

水環(huán)境是一個開放的系統(tǒng)，充滿了不確定因素，并且處于時時變化的狀態(tài)，而現有的檢測評價方法都是針對某一時間點的分析，那么這些因素就會給分析工作帶來困難。另外，隨著人們生活質量的不斷提高，其對水質的要求也越來越高，這將會給水質分析工作帶來更大的挑戰(zhàn)。

計算機技術發(fā)展日新月異，以此為基礎的通訊、自動化監(jiān)測技術和地理信息技術也在飛速發(fā)展[5] ，由此可以看出，各學科之間不再是獨立分離的狀態(tài)，而是相互滲透、相互融合，共同發(fā)展，因此，水質分析評價技術的前景也將更加廣闊。

5 結語

綜上所述，水質檢測分析工作不是簡單的一門學科領域，它的發(fā)展需要眾多學科的共同支持。與此同時，隨著人們對水資源和環(huán)境的關注度日益提高，水質分析評價這一工作有待進一步探索研究和發(fā)展。

【參考文獻】

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

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

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

篇8

關鍵字：滑坡隧道；FLAC3D；隧道開挖；位移；應力

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:U45文獻標識碼：A 文章編號：

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中研究流體運輸的兩種方法之一，它通過單個流體質點運動參數隨時間的變化規(guī)律，以及相鄰質點間這些參數的變化規(guī)律，來研究整個流場中流體的運動。拉格朗日法移植到固體力學中,是將所研究的區(qū)域劃分成網絡，而網格節(jié)點相當于流體的質點，然后按時步用拉格朗日法研究網格節(jié)點的運動，這種方法就稱為拉格朗日元法[1][2]。該方法的特點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，造成隧道位于滑動破裂帶附近的圍巖縱向、橫向位移變大，達到大變形狀態(tài)，相應的襯砌縱向、橫向應力處于應力突變狀態(tài)。目前，對隧道進行應力、應變分析的數值方法有很多，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、人工神經網絡分析方法等，但根據筆者對有大量文獻的閱瀏，針對滑坡隧道這種大應變工程實例的數值分析，采用有限差分法是一種十分有效且接近實際情況的方法，而有限差分軟件FLAC3D是目前開發(fā)得很成功的一款計算軟件，也大量應用于工程分析中[3] [4]。如杜慶麗利用有限差分軟件FLAC，對矩形淺埋軟巖隧道開挖的非線性過程進行了模擬分析，研究初期支護在開挖過程中的大變形機制[5]；嚴紹洋等對公路隧道開挖滲流場進行了有限差分法分析，結合江西省婺黃（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軟件在大應變工程中的應用，為今后類似的山嶺隧道或城市隧道建設提供參考。

2.建立模型

2.1滑坡段地質條件

該隧道所處地貌屬于構造剝蝕作用形成的中低山地貌，洞門處位于山間沖溝一側，系構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)內構造主要為新華夏系田莊—延壽向斜構造，走向北37º東，長約60km，該隧道位于該向斜東翼，出口處外側發(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，巖層產狀為307º∠62º，洞門處山體，因構造剝蝕及巖溶塌陷形成一滑坡體。

2.2模型的建立

1.計算范圍的選擇:在建立FLAC3D計算模型時，坐標系選取如下：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情況復雜性及典型性，本文模型計算范圍根據現場實際鉆孔位置的坐標所定滑坡位置來確定，具體計算范圍為：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，坡頂到右端邊界的水平距離為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，坡頂到上端界的高差為7m。

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：計算模型中圍巖是V級圍巖，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，鋼拱架支護通過有關公式計算，折算到初期襯砌上去。

滑坡隧道模型 滑坡滑體

滑坡滑動帶 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格劃分如圖2.1所示，共24964個單元，26346個節(jié)點。由于要建立滑坡與隧道相結合的模型，其形狀非常不規(guī)則，若設置單元數過多，則其計算時間將會非常長。因此考慮到計算時間和綜合考慮的研究重點，本模型根據區(qū)域不同而選擇不同的網格密度。

2.3巖體力學參數的選用

根據該隧道的地質勘察報告說明和現場施工中所體現出來的真實地質條件，本文所選取的計算點圍巖較破碎，結合《工程地質勘察規(guī)范》及《公路隧道設計規(guī)范JTGD70--200》中有關圍巖參數的規(guī)定確定。巖體力學計算參數如下表2.1

表2.1計算巖體力學參數

3.開挖步驟與計算結果分析

3.1開挖步驟

本滑坡隧道參照該隧道設計，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置計算精度或設置計算步數控制圍巖應力的釋放。

表3.1 模型開挖模擬計算過程表

3.2計算結果分析

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小；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，位移方向向外。此計算結果與滑坡發(fā)生時所表現出來的影響是相符的。

3.2.2 應力分析

圖3.4 滑坡段隧道總體豎向應力圖圖5.24滑坡隧道總體縱向應力剖面圖

總體上看，隧道所受的豎向應力以壓應力為主，而靠近滑動帶處，壓應力值最大；對于整個滑坡體來說，縱向應力以壓應力為主，但部分區(qū)域也出現拉應力，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，都不同程度都出現了拉應力。以上數值計算的應力值及應力分布與工程監(jiān)控量測的變化規(guī)律是相符的，同時也表明，運用FLAC3D計算軟件分析是符合實際的。

4.結論

本文通過運用FLAC3D數值計算軟件建立滑坡隧道在開挖過程中的模型，并根據開挖步驟對其進行了施工數值模擬及位移、應力分析，得出以下結論：

（1）FLAC3D數值計算軟件可建立滑坡隧道在開挖過程中的模型，并可對滑坡隧道這種大變形情況進行有效計算。

（2）FLAC3D數值計算軟件對滑坡隧道開挖過程的模擬計算，所得位移、應力變化規(guī)律與滑坡隧道實際之變化規(guī)律相符。

（3）FLAC3D數值計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測，特別是對隧道洞口處于滑坡地帶的工程提供比較準確的參考意見。

參 考 文 獻

[1]龔紀文,席先武,王岳軍等.應力與變形的數值模型方法-數值模擬軟件FLAC介紹[J].華東地質學院學報,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用[J]上海鐵道大學學報，1996，17（4）：39－44

[3]劉波，韓顏輝（美國）.FLAC原理、實例與應用指南［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值模擬[J]施工技術，2005.6，34（6）