上市公司财务预警模型设计与分析财务预警是以财务会计信息为基础，通过设置并观察一些敏感性预警指标的变化，对企业可能或者将要面临的财务危机实施的实时监控和预测警报财务预警中的数学模型就是财务预警模型，它是指借助企业财务指标和非财务指标体系，识别企业财务状况的判别模型财务预警模型的设计可以有两种，一种是单变量模型，这就是传统的财务指标分析对这些指标的分析，能够揭示企业某一方面或几个方面是否存在问题通过对这些指标的长期观察和分析，能够从一定程度上发现企业是否存在财务危机但是，这种分析方法有其弊端，这些单个比率都只反映企业风险程度的一个方面，并且当它们彼此不完全一致时，指标的预警作用可能被抵消，因此其有效性受到一定的限制因此，构建多变量模型就成为必然选择在多变量模型的构建方法上，可以有多元线性判定模型、LOGIT模型、神经网路模型等结合我们计量课程所学和我们本篇课程论文样本的选取实际情况，我们将选择LOGIT模型来构建我们的这篇文章一、理论方法应变量y是0～1二元变量，其定义如下：1,该公司为财务困境公司；0，该公司为财务健康公司通过对n个样本公司的回归分析， ，可以确定每个解释变量的系数从而可以确定每个公司的，不是观测值，而是每个公司的期望值。
Logit模型采用的是Logistic概率分布函数,具体公式为 ，其中 ，对于给定的Fij，Pi是第i个企业财务困境的概率因为这个概率是Logistic概率分布函数曲线下从-∞到Zi之间的面积,所以指标Zi的值越大,第i个公司财务状况陷入困境的概率越大上式经过数学整理可得，根据样本数据使用最大似然估计法估计出各参数值α,β,可求得第i个公司陷入财务困境的概率根据配对选取样本的特点，一般假设先验概率为0.5，可以判断Z值大于0.5的公司存在财务危机的可能性比较大，而小于0.5的公司一般认为是财务健康的二、解释变量设计根据财务指标对公司的财务状况进行预警，一般将财务指标分类为以下几类：盈利能力指标，包括资产净利润率、资产报酬率、净资产报酬率、销售净利率、主营业务利润率、每股收益，根据对指标的分析，一般认为净资产报酬率对盈利能力最具有综合性；变现能力比率，包括流动比率、速动比率、超速动比率；负债比率，有资产负债率、产权比率、有形净值债务率等；资产管理能力指标，有总资产周转率、存货周转率、应收帐款周转率、固定资产周转率等，可选择总资产周转率进入分析；成长能力指标有总资产增长率、主营业务收入增长率、留成利润比、留存收益总资产比、每股净资产等；现金指标，有现金流动负债比、现金债务总额比、销售现金比、全部资产现金回收率等，还有其他的一些指标，如主营业务鲜明程度（主营业务利润/净利润）、现金管理结果变量（经营现金净流量/（总负债－现金））。
根据以上分析，我们选取了以下指标进入分析：1流动比率，2净资产报酬率、3总资产报酬率、4主营业务利润率、5资产负债率、6长期负债总资产比率、7营运资本与总资产比率、8资产增长率、9主营业务收入增长率、10资产周转率、11流动资产周转率、12现金流动负债比、13现金债务总额比、14销售现金比、15（利润总额＋财务费用）/总资产、16主营业务鲜明程度、17现金管理结果变量（经营现金净流量/（总负债－现金）这些指标作为解释变量进入分析三、数据的获取为了便于数据的获取，我们直接分析上市公司这些数据都是从CSMAR系列研究数据库中的在我国上海，深圳两个交易所上市交易的上市公司年报财务数据库中选取的四、 样本设计首先，我们得对有财务危机和没有财务危机得企业进行定义目前，财务理论界对公司财务危机的定义比较混乱，从上市公司来看，比较适宜的是我国证监会对上市公司的一个规定，就是将ST公司定义为存在财务危机是比较可取的因此，我们将从数据库中选取连续2003年度和2004年度大概60家ST，与此相配对的是60家非ST的正常公司经过筛选，将一些数据却是或者异常的公司排除以后，我们得到了34家ST公司样本然后在60家非ST公司中随机选取了34家公司与之相配对，组成我们的样本数据。
具体的样本选取结果如表一所示：表一 样本公司ST公司非ST公司ST公司非ST公司*ST长风云南白药ST寰岛焦作鑫安*ST太光世纪中天ST吉纸锦龙股份ST昆百大佛山照明ST天然锦州六陆*ST长岭泰山石油ST天仪鲁能*ST托普西安民生ST重实索芙特*ST光明数码网络*ST长兴天伦置业ST圣方蜀都AST春都西安饮食*ST比特成都华联*ST飞彩燕京啤酒*ST恒立四环药业ST京西永安林业*ST兰宝西安旅游*ST巨力 东方热电*ST九化倍特高新*ST龙涤金陵药业ST博盈三木集团*ST闽东美利纸业ST菲菲民族化工*ST农化钱江摩托ST湖山长春高新ST商务数源科技ST华信丰乐种业*ST唐陶五粮液ST化工公用科技*ST天一新乡化纤ST环保惠天热电*ST炎黄扬子石化五、分析过程及报告（一）主要解释变量的选取通过对以上17个指标的协方差分析，分析结果如表二所示：表二 17个解释变量的协方差矩阵F1F2F3F4F5F6F7F8F9F10F11F12F13F14F15F16F17F11.76 0.25 0.04 1.13 -0.07 0.00 0.12 0.05 0.25 0.05 0.19 1.41 0.05 0.06 0.04 1.53 0.04 F20.25 1.82 0.08 7.67 -0.11 -0.01 0.09 0.07 0.48 0.05 0.14 0.12 0.05 0.09 0.10 1.54 0.06 F30.04 0.08 0.02 0.79 -0.02 0.00 0.02 0.02 0.05 0.02 0.05 0.02 0.01 0.01 0.02 0.26 0.01 F41.13 7.67 0.79 131.58 -0.79 -0.20 0.44 0.93 7.78 1.01 2.35 0.58 0.21 2.94 0.93 7.86 0.26 F5-0.07 -0.11 -0.02 -0.79 0.05 0.00 -0.04 -0.01 -0.04 -0.02 -0.06 -0.01 -0.02 0.01 -0.04 -0.10 -0.02 F60.00 -0.01 0.00 -0.20 0.00 0.01 0.00 0.00 -0.01 -0.01 0.00 0.01 0.00 0.00 0.00 -0.05 0.00 F70.12 0.09 0.02 0.44 -0.04 0.00 0.06 0.02 0.04 0.02 0.01 0.01 0.01 0.00 0.02 0.43 0.01 F80.05 0.07 0.02 0.93 -0.01 0.00 0.02 0.04 0.07 0.02 0.05 0.03 0.00 0.02 0.01 0.26 0.00 F90.25 0.48 0.05 7.78 -0.04 -0.01 0.04 0.07 0.77 0.10 0.28 0.17 0.02 0.46 0.07 1.04 0.02 F100.05 0.05 0.02 1.01 -0.02 -0.01 0.02 0.02 0.10 0.13 0.28 0.02 0.02 0.05 0.01 0.43 0.04 F110.19 0.14 0.05 2.35 -0.06 0.00 0.01 0.05 0.28 0.28 1.06 0.25 0.06 0.14 0.06 0.44 0.09 F121.41 0.12 0.02 0.58 -0.01 0.01 0.01 0.03 0.17 0.02 0.25 1.37 0.04 0.08 0.02 0.59 0.04 F130.05 0.05 0.01 0.21 -0.02 0.00 0.01 0.00 0.02 0.02 0.06 0.04 0.04 0.05 0.02 -0.14 0.04 F140.06 0.09 0.01 2.94 0.01 0.00 0.00 0.02 0.46 0.05 0.14 0.08 0.05 0.66 0.03 0.09 0.06 F150.04 0.10 0.02 0.93 -0.04 0.00 0.02 0.01 0.07 0.01 0.06 0.02 0.02 0.03 0.17 0.31 0.02 F161.53 1.54 0.26 7.86 -0.10 -0.05 0.43 0.26 1.04 0.43 0.44 0.59 -0.14 0.09 0.31 119.61 -0.30 F170.04 0.06 0.01 0.26 -0.02 0.00 0.01 0.00 0.02 0.04 0.09 0.04 0.04 0.06 0.02 -0.30 0.23 我们先来分析主对角线上的数据，从以上协方差矩阵我们可以看出，主对角线上的数据是每个解释变量的方差，。
主对角线上有六个数据（表中用绿色背景显示）的方差比较显著从主成分分析的角度来看，方差越大，其本身数据变动的范围也就越大，那么，它对应变量的贡献就越大，在众多的解释变量当中，就越有可能成为关键的解释变量从因子分析方法的角度来看，自身方差越大的因子将会成为关键因素，因为它提供的信息越多，本身在所有因子当中的载荷也将更大，越能成为关键的因素所以，不管是从主成分分析角度，还是因子分析思想的角度来看，以上六个变量将是我们从17个解释变量当中初步选择出来的现在我们再来分析主对角线之外的数据，这些数据是各个变量之间的协方差我们主要注意已经被初步选取出来的六个指标之间的协方差关系从表二看出，其中有几个比较大的协方差数据（表二中用黄色背景显示），从中分析出F1、F2、F4与F16的协方差比较显著，F1、F2、F4之间的协方差数据也是比较显著的变量之间的协方差越大，那么它们之间的相关度可能也就越大，共线程度就越高在回归分析当中，我们要尽量避免解释变量之间的共线性性。