快速消费品上市公司财务困境预测问题分析-analysis on financial distress prediction of fmcg listed companies.docxVIP

摘要随着我国国民经济的急速增长，国内外市场对于我国快速消费品的需求量迅速增 加，同时因为该行业入驻门坎较低，快速消费品生产企业迅猛发展，同类产品愈发同 质化，市场竞争极为激烈，趋于白热化状态。企业在其生产经营中，面临的市场风险 也在不断加大，财务困境预测己经成为现代企业财务管理的重要组成部分之一。正确 预测财务风险，及时地发现企业运营活动中所存在的问题，引导企业采取有关措施来 规避风险，不但具有理论价值，也有重要的现实意义。针对上市公司财务困境预测问题，本文在国内外学者研究的基础上，分析了上市 公司财务困境的界定以及各种财务困境预测方法，有利于创建更加科学、实用、合理 的财务危机预警系统，为公司管理当局提供明确的危机预警。由于传统的统计方法受 样本数量以及正态分布的限制，普遍存在预测精度偏低的状况，所以本文应用支持向 量机这种智能型预测模型进行预测。本文介绍了支持向量机的原理，建立了基于最小 二乘支持向量机(LS-SVM)的快速消费品上市公司财务困境预测模型，并利用公开发 布的上市公司财务数据进行了研究。结果显示，最小二乘支持向量机有效规避了人工 神经网络等方法的人为缺陷，针对小样本数据，基于 LS-SVM 的快速消费品上市公 司财务困境的预测精度远远高于其他方法，具备其他方法所不具备的优越性，比较适 合用于上市公司财务困境预测。本文采用实证研究的方法，对所选取的数据进行了正态分布检验，显著性检验以 及多重共线性检验，使数据能够适用于预测模型。然后就得到的公共因子建立 Logit 回归模型和最小二乘支持向量机模型。通过两种模型的比较分析得出各自的预测精 度，以及各自的优势和不足。结果表明，不论是回代结果还是测试结果的准确度， LS-SVM 都明显优于 Logit 回归。关键词：财务困境预测 最小二乘支持向量机(LS-SVM) Logit 模型 快 速消费品行业AbstractWith the rapid growth of national economy, the domestic and international market demand for our consumer goods is growing rapidly, at the same time as the industry into threshold is low, the market competition is very fierce. In the course of the enterprises’ business operations, their market risks are also increasing; financial distress prediction has become an important part of modern enterprises’ financial management. Accurate prediction of financial risk, discovering the problems timely and guiding enterprises to take appropriate measures for avoiding the risk have both theoretical value and practical significance.According to public company’s financial distress prediction, the paper analyzes the definition of public companies in financial distress and a variety of financial distress prediction methods based on scholars’ research at home and abroad, which is good for establishing a more practical, rational, scientific financial distress prediction model. As the traditional statistical methods’ forecasts are usually inaccurate restricted by sample size and the normal distribution, this paper applies Least Squares Support Vector Machine(LS - SVM) to prediction. This article intr