论文部分内容阅读
知识经济时代的到来，使得企业的核心竞争力已不再仅仅来源于有形资产，无形资产在企业运营中开始扮演起越来越重要的角色，单纯运用企业财务指标进行企业经营危机诊断的方法已显得捉襟见肘，为此本文在上市公司财务危机诊断模型中首次引入无形资产比率。
建立企业财务危机诊断模型时常用的方法，通常可以分为统计方法和数据挖掘工具两大类。在统计方法中以logistic回归及判别分析最常被讨论，上述两种分析方法都较适合处理变量间比较符合线性的分类问题，因而限制了上述模型的实用性和预测的精确度。而在数据挖掘工具方面，目前以类神经网络最为常用，其研究方法大致可以分为两类：第一类是神经网络技术在财务危机预测研究中的应用；第二类是对应用于财务危机预测研究中的神经网络进行优化。
除了判别分析、logistic回归及类神经网络这些被广泛采用的方法以外，一种新兴的数据挖掘工具——多元自适应回归样条(multivariateadaptiveregressionsplines，MARS)开始逐渐收到人们的关注。MARS是由Friedman等人提出的解决多元数据问题的非参数统计方法。MARS的基本原理在于通过评估其拟合损失度(Iossoffit，LOF)的判断准则来获得最佳及最适合的变量、折点(knots)数和交互作用来解决高维度数据的各种问题，是一种具有弹性的回归处理程序。MARS的更大优点在于它可以通过较佳的演算程序快速找出隐藏在高维度数据的复杂数据结构中的最佳变量转换和交互作用。在这个新的回归模型建立的过程中，可以有效地在数据中发掘出过去的一些处理方法难以发现的重要特性及关系，并能有效的提高判断危机企业的诊断精度。
通过本文的实证发现，加入无形资产指标有助于尽早的诊断企业财务危机的发生，提高上市公司的财务危机模型诊断能力。而且有别于财务比率，无形资产比率对于上市公司财务危机发生的诊断能力，随着时间的前移有所增强，更有利于投资者对上市公司的未来经营状况做出准确及时的判定。特别是股权集中度指标，对于上市公司财务危机的预测能力较强。
对于logistic回归模型与MARS模型，实证结果显示MARS模型有更好的判别正确率；并且在对缺失值与个别异常值方面也有显著优点。