本文選題：汽車制造業(yè) + 財(cái)務(wù)預(yù)警��； 參考：《廣西科技大學(xué)》2015年碩士論文

【摘要】：制造業(yè)是國(guó)民財(cái)富的源泉,而汽車制造業(yè)又是其中的重中之重。盡管我國(guó)汽車制造業(yè)企業(yè)的規(guī)模和數(shù)量都在日益壯大,但是整個(gè)行業(yè)抵抗風(fēng)險(xiǎn)的能力卻相當(dāng)薄弱,極易受到總體經(jīng)濟(jì)環(huán)境和國(guó)家相關(guān)政策的影響,進(jìn)而引發(fā)嚴(yán)重的財(cái)務(wù)危機(jī)。因此,構(gòu)建汽車制造業(yè)財(cái)務(wù)預(yù)警模型,提升汽車制造業(yè)應(yīng)對(duì)財(cái)務(wù)危機(jī)的能力具有十分重要的意義。本文首先介紹了研究的背景、理論及現(xiàn)實(shí)意義,在借鑒國(guó)內(nèi)外學(xué)者在財(cái)務(wù)預(yù)警方面的研究成果的基礎(chǔ)之上,提出了本文的研究方法、思路及創(chuàng)新之處。然后介紹了本文所認(rèn)定的財(cái)務(wù)業(yè)預(yù)警的相關(guān)概念,ANFIS及本文中采用的3種聚類算法以及ANFIS和聚類算法的結(jié)合方法。接著,在參考前人研究假設(shè)的基礎(chǔ)之上,明確了汽車制造業(yè)財(cái)務(wù)預(yù)警的影響因素,包括財(cái)務(wù)方面和非財(cái)務(wù)方面。財(cái)務(wù)因素有現(xiàn)金流量、長(zhǎng)短期償債能力、運(yùn)營(yíng)能力、成長(zhǎng)能力、盈利能力七個(gè)因素,非財(cái)務(wù)因素有股權(quán)結(jié)構(gòu)、公司治理兩個(gè)因素。財(cái)務(wù)預(yù)警指標(biāo)體系是預(yù)警模型構(gòu)建的基礎(chǔ),也是直接影響預(yù)警效果的重要因素之一。為了更全面、客觀、真實(shí)反映汽車制造業(yè)的財(cái)務(wù)狀況,償債能力、現(xiàn)金流量能力、盈利能力、成長(zhǎng)能力及運(yùn)營(yíng)能力等方面的26個(gè)財(cái)務(wù)指標(biāo)用來(lái)衡量財(cái)務(wù)因素,第一大股東持股比例等7個(gè)非財(cái)務(wù)指標(biāo)來(lái)構(gòu)建財(cái)務(wù)預(yù)警指標(biāo)體系。在實(shí)證研究部分,本文從深圳和上海證券交易所中A股中選取了54家汽車整車制造或零部件制造上市企業(yè)以構(gòu)建研究所需的樣本集,其時(shí)間跨度為11年(2003-2013)。在該樣本集中,三分之一由財(cái)務(wù)危機(jī)企業(yè)構(gòu)成,三分之二是與之配對(duì)的非財(cái)務(wù)危機(jī)企業(yè)。對(duì)所有樣本的上述33個(gè)財(cái)務(wù)和非財(cái)務(wù)指標(biāo)同時(shí)進(jìn)行顯著性檢驗(yàn)和主成份分析,剔除了某些相關(guān)性不明顯的財(cái)務(wù)和非財(cái)務(wù)指標(biāo),并對(duì)所篩選的財(cái)務(wù)指標(biāo)進(jìn)行了降維處理,最終得到5個(gè)綜合財(cái)務(wù)指標(biāo)因子和4個(gè)非財(cái)務(wù)指標(biāo),從而構(gòu)建了我國(guó)汽車制造業(yè)上市公司財(cái)務(wù)預(yù)警指標(biāo)體系。利用上述指標(biāo)體系及樣本集中的數(shù)據(jù),運(yùn)用基于聚類算法的ANFIS方法構(gòu)建汽車制造企業(yè)的預(yù)警模型和BP神經(jīng)網(wǎng)絡(luò)、SVM(支持向量機(jī))及Logit回歸這三種常用的預(yù)警模型進(jìn)行建模,通過(guò)模型的檢驗(yàn)、比較分析可以得出以下結(jié)論:基于聚類算法的ANFIS的汽車制造業(yè)上市公司財(cái)務(wù)預(yù)警模型明顯優(yōu)于其他模型,此外該模型與BP神經(jīng)網(wǎng)絡(luò)模型及SVM(支持向量)等人工智能模型一道,明顯優(yōu)于Logit回歸這一非人工智能模型。通過(guò)上述研究,本文針對(duì)汽車制造業(yè)上市公司財(cái)務(wù)預(yù)警實(shí)踐提出了兩點(diǎn)建議:(1)構(gòu)建汽車制造業(yè)財(cái)務(wù)預(yù)警指標(biāo)體系時(shí),應(yīng)剔除某些干擾指標(biāo)。(2)選取建模工具時(shí),應(yīng)優(yōu)先考慮人工智能建模預(yù)測(cè)工具。
[Abstract]:Manufacturing industry is the source of national wealth, and automobile manufacturing industry is one of the most important. Although the scale and quantity of automobile manufacturing enterprises in our country are growing day by day, the ability of the whole industry to resist the risk is quite weak, which is easily affected by the overall economic environment and the relevant policies of the country, and then causes the serious financial crisis. Therefore, it is of great significance to construct the financial warning model of automobile manufacturing industry and improve the ability of automobile manufacturing industry to deal with financial crisis. Firstly, this paper introduces the background, theory and practical significance of the research, and puts forward the research methods, ideas and innovations of this paper based on the research results of domestic and foreign scholars in financial early warning. Then this paper introduces the related concepts of financial industry early warning, such as ANFIS, three clustering algorithms used in this paper, and the combination of ANFIS and clustering algorithm. Then, on the basis of the previous research hypothesis, the paper clarifies the influencing factors of automobile manufacturing financial early warning, including financial and non-financial aspects. Financial factors include cash flow, long-term and short-term solvency, operation ability, growth capacity, profitability, non-financial factors have equity structure, corporate governance two factors. The financial early warning index system is the foundation of the early warning model and one of the important factors directly affecting the early warning effect. In order to more comprehensively, objectively and realistically reflect the financial situation, solvency, cash flow capacity, profitability, growth ability and operation ability of the automobile manufacturing industry, 26 financial indicators are used to measure financial factors. The first major shareholder holding ratio and other seven non-financial indicators to build a financial warning index system. In the part of empirical research, this paper selects 54 listed enterprises of automobile manufacturing or parts manufacturing from the A shares of Shenzhen and Shanghai Stock Exchange to construct the sample set needed for the research, whose time span is 11 years from 2003 to 2013. In this sample set, 1/3 is composed of financial crisis enterprises and 2/3 is a matched non-financial crisis enterprise. The above 33 financial and non-financial indicators of all samples were tested simultaneously with the principal component analysis, and some uncorrelated financial and non-financial indicators were excluded, and the selected financial indicators were treated with dimensionality reduction. Finally, five comprehensive financial index factors and four non-financial indicators are obtained, and the financial early-warning index system of Chinese automobile manufacturing listed companies is constructed. Using the above index system and the data of sample set, using the ANFIS method based on clustering algorithm to build the early warning model of automobile manufacturing enterprise and BP neural network SVM (support vector machine) and Logit regression three commonly used early warning models to model. Through the test of the model, the comparative analysis can draw the following conclusions: the financial early-warning model of automobile manufacturing listed companies based on clustering algorithm ANFIS is obviously superior to other models. In addition, this model, together with BP neural network model and SVM (support vector) artificial intelligence model, is obviously superior to the non-artificial intelligence model such as Logit regression. According to the above research, this paper puts forward two suggestions on the financial early warning practice of listed companies in automobile manufacturing industry: 1) when constructing the financial warning index system of automobile manufacturing industry, we should eliminate some interference indexes. 2) when we select the modeling tools, Priority should be given to artificial intelligence modeling and prediction tools.
【學(xué)位授予單位】：廣西科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：F426.471;F406.7

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 高春霞;閉樂(lè)華;;財(cái)務(wù)預(yù)警的Z-計(jì)分模型檢出力實(shí)證研究[J];中國(guó)水運(yùn)(理論版);2006年05期

2 黃海輪;;基于支持向量機(jī)模型的財(cái)務(wù)預(yù)警應(yīng)用研究[J];長(zhǎng)江大學(xué)學(xué)報(bào)(自科版)理工卷;2007年03期

3 趙玉梅;李亞婕;;我國(guó)高校財(cái)務(wù)預(yù)警的應(yīng)用現(xiàn)狀及管理問(wèn)題探析[J];北華航天工業(yè)學(xué)院學(xué)報(bào);2008年02期

4 孫偉;葉如意;;基于案例推理的平衡計(jì)分法在財(cái)務(wù)預(yù)警體系構(gòu)建應(yīng)用研究[J];科技與管理;2011年02期

5 黃燕;;財(cái)務(wù)預(yù)警,防患于未然——從中航油事件看風(fēng)險(xiǎn)管理體系的構(gòu)建[J];廣西電業(yè);2006年10期

6 張祥,陳榮秋;財(cái)務(wù)預(yù)警的模型分析[J];科技與管理;2003年05期

7 黃艷芬;;企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)及財(cái)務(wù)預(yù)警[J];內(nèi)蒙古科技與經(jīng)濟(jì);2005年22期

8 丁曉蓮;;略論汽車制造企業(yè)的財(cái)務(wù)預(yù)警體系實(shí)施[J];企業(yè)研究;2011年10期

9 牟偉明;;基于現(xiàn)金流量的財(cái)務(wù)預(yù)警實(shí)證研究——來(lái)自上海證券交易所A股數(shù)據(jù)[J];常州工學(xué)院學(xué)報(bào);2013年01期

10 胡磊;;“Z—Score”模型在我國(guó)中小企業(yè)板上市公司財(cái)務(wù)預(yù)警中的應(yīng)用研究[J];企業(yè)科技與發(fā)展;2008年08期

相關(guān)會(huì)議論文 前6條

1 高建來(lái);辛磊;;天津市上市公司財(cái)務(wù)預(yù)警實(shí)證研究[A];新規(guī)劃·新視野·新發(fā)展——天津市社會(huì)科學(xué)界第七屆學(xué)術(shù)年會(huì)優(yōu)秀論文集《天津?qū)W術(shù)文庫(kù)》（下）[C];2011年

2 周曉斌;崔寶同;;應(yīng)用判別分析模型對(duì)上市企業(yè)進(jìn)行財(cái)務(wù)預(yù)警[A];2007中國(guó)控制與決策學(xué)術(shù)年會(huì)論文集[C];2007年

3 宋貴奇;;構(gòu)建軍工科研事業(yè)單位財(cái)務(wù)預(yù)警體系的探討[A];2008年度中國(guó)總會(huì)計(jì)師優(yōu)秀論文選[C];2009年

4 王玲玲;;基于LVQ神經(jīng)網(wǎng)絡(luò)的上市公司財(cái)務(wù)預(yù)警[A];第八屆中國(guó)青年運(yùn)籌信息管理學(xué)者大會(huì)論文集[C];2006年

5 張?jiān)?;基于主成分分析BP神經(jīng)網(wǎng)絡(luò)的高校財(cái)務(wù)預(yù)警研究[A];第十屆全國(guó)會(huì)計(jì)信息化年會(huì)論文集[C];2011年

6 吳德勝;梁j;;概率神經(jīng)網(wǎng)絡(luò)在財(cái)務(wù)預(yù)警實(shí)證中的應(yīng)用[A];2003年中國(guó)管理科學(xué)學(xué)術(shù)會(huì)議論文集[C];2003年

相關(guān)重要報(bào)紙文章 前7條

1 王芳　葉飛;財(cái)務(wù)預(yù)警也需“量體裁衣”[N];中國(guó)財(cái)經(jīng)報(bào);2004年

2 張燕;淺談財(cái)務(wù)預(yù)警實(shí)證研究的發(fā)展[N];中國(guó)審計(jì)報(bào);2005年

3 高立法 杜泰斌 文兆祥;財(cái)務(wù)預(yù)警診斷分析(二)[N];財(cái)會(huì)信報(bào);2012年

4 朱玉奎 王一;財(cái)務(wù)預(yù)警保安全[N];中國(guó)財(cái)經(jīng)報(bào);2006年

5 宋光磊;“油價(jià)風(fēng)暴”的啟示[N];中國(guó)稅務(wù)報(bào);2006年

6 宋光磊;“油價(jià)風(fēng)暴”中的啟示[N];中國(guó)財(cái)經(jīng)報(bào);2006年

7 高紅海;現(xiàn)金流緣何成為財(cái)務(wù)預(yù)警核心指標(biāo)？[N];經(jīng)理日?qǐng)?bào);2011年

相關(guān)博士學(xué)位論文 前2條

1 馮征;數(shù)據(jù)挖掘方法在財(cái)務(wù)預(yù)警中的應(yīng)用研究[D];天津大學(xué);2007年

2 王滿玲;公司財(cái)務(wù)預(yù)警監(jiān)控機(jī)理模型及其應(yīng)用方法研究[D];大連理工大學(xué);2006年

相關(guān)碩士學(xué)位論文 前10條

1 林卓敏;F集團(tuán)基于績(jī)效評(píng)價(jià)的財(cái)務(wù)預(yù)警研究[D];西南交通大學(xué);2014年

2 張懿巍;引入EVA的發(fā)電類上市公司財(cái)務(wù)預(yù)警研究[D];華北電力大學(xué);2015年

3 朱洪婷;我國(guó)制造業(yè)上市公司財(cái)務(wù)預(yù)警研究[D];長(zhǎng)春理工大學(xué);2015年

4 常紅;基于平衡計(jì)分卡的企業(yè)預(yù)警研究[D];財(cái)政部財(cái)政科學(xué)研究所;2014年

5 陳婧;我國(guó)制造業(yè)上市公司財(cái)務(wù)預(yù)警模型實(shí)證研究[D];東華理工大學(xué);2014年

6 侯沁芳;MY公司財(cái)務(wù)預(yù)警問(wèn)題研究[D];湘潭大學(xué);2015年

7 荊婷婷;改進(jìn)的近鄰傳播算法在財(cái)務(wù)預(yù)警中的應(yīng)用研究[D];合肥工業(yè)大學(xué);2015年

8 韓江雪;我國(guó)制造業(yè)上市公司財(cái)務(wù)預(yù)警統(tǒng)計(jì)研究[D];北方工業(yè)大學(xué);2016年

9 高婷婷;制造業(yè)上市公司財(cái)務(wù)預(yù)警研究[D];北方工業(yè)大學(xué);2016年

10 張超;WT地產(chǎn)財(cái)務(wù)預(yù)警研究[D];江蘇大學(xué);2016年

，

本文編號(hào)：1791911