李昱达

 中南大学  湖南长沙  410083

摘要：随着经济发展进入新常态，创新能力对于制造业的发展尤为重要。基于创新视角，本文从制造业上市企业选取30家财务困境企业与30家非财务困境企业作为样本，运用Logistic回归分析进行实证检验。结果表明，如果将创新能力指标纳入Logistic财务预警模型，模型将拥有更高的预测准确率。

关键词：财务预警；制造业；创新能力

中图分类号：F275　   文献标识码：A    文章编号：1673-5889(2021)02-0000-03

    随着经营环境的剧烈变化与市场竞争的不断加剧，由于各种原因导致企业陷入财务困境的数量也愈渐增加，阻碍企业的发展，带来连锁效应。全球经济的快速发展和市场竞争的日益加剧，企业面临的财务风险不断增加，迫切需要建立更加有效的财务风险预警模型。

伴随经济发展进入新常态，企业创新在经济发展与产业转型方面有着重要作用。而另一方面，我国作为制造业大国，无论是制造业的数量亦或是制造业产值都极为庞大。当前制造业也以创新为发展趋势，针对制造业的财务危机问题应该建立以创新为指标的财务预警模型。从而更为准确的预测企业财务危机，能够更好地感知财务危机并及时规避。

国内外学者对于财务预警模型进行了大量的研究。从财务预警模型发展阶段来看，企业的财务预警模型主要包括：单变量预警模型、多变量预警模型、线性预警模型、逻辑回归预警模型以及人工智能学习模型。单变量预警模型最早是由Fitz Patrick(1932)^[1]提出的。他认为单一财务比率就能够反映出企业的财务状况。但是单一变量的预警模型不能顾对企业财务困境作出预测，具有局限性。Altman（1968）^[2]利用多个会计比率，构建Z-score模型，以66家制造业上市企业为研究对象，将破产企业与非破产企业进行对比，建立Z分模型。20世纪80年代以来对于财务预警模型研究主要集中在Logistic模型。Ohlson（1980）^[3]选取公司六年的数据进行实证检验，从经营业绩、融资能力、资本结构和公司规模四方面筛选财务指标，建立财务风险预警多元逻辑回归模型，准确率高达96.12%。

近年来，随着人工智能的不断发展，一些学者也开始使用人工智能网络的方法构建财务困境预测模型，包括神经网络、决策树和支持向量机等方法。陈年生（2016）采用遗传算法与BP神经网络结合的方法，设计GA-BP模型，更为准确地对金融领域企业进行财务预警。林丹楠（2019）运用经典非参数回归分类算法，充分利用KNN在复杂环境下具有预警精度高，时效性好的优势，将K近邻法与SVM相结合构建公司财务预警模型。实验结果验证了KNN-SVM预警模型的有效性和先进性。张丹（2019）文章通过对90家制造业上市公司31项财务指标的调研汇总，利用SPSS18.0进行C5.0决策树构建，模型的预测准确率达到81.48%。

…………

…………

更多信息请登陆中国知网、万方数据、维普，查询。

现代商业杂志投稿查稿：13366908880   010-66095057马编辑   QQ：370310371   投稿邮箱：xiandaishangye@126.com