¿Qué modelos se pueden utilizar para analizar los problemas de gestión financiera de las pequeñas y medianas empresas?

1. Análisis estratégico. Prestar atención al entorno externo de la empresa, con el fin de dominar los siguientes contenidos:

(1) Características de la industria en la que se ubica la empresa;

(2) Características de la empresa;

(3) ¿Cuáles son las claves del éxito en diversas áreas comerciales estratégicas en las que participa y puede participar la empresa, cuál es la velocidad de desarrollo, cuál es la tasa de beneficio del capital, cuál es la escala económica óptima requerida para establecer ventajas estratégicas y cuál es la inversión promedio.

(4) En todas las áreas comerciales estratégicas en las que participa y puede participar la empresa, cuál es la posición estratégica; de costos y cuál es el nivel promedio y avanzado de la industria.

(5) Características del entorno de financiamiento empresarial, incluidas las condiciones de oferta y demanda, las condiciones de financiamiento, la relación general entre la industria y las instituciones financieras, y el financiamiento; capacidades y solidez financiera de los competidores en la misma industria;

(6) Efectos de recaudación y utilización de fondos de los competidores en la misma industria, incluidos los fondos Eficiencia, liquidez financiera y seguridad financiera.

La tarea del análisis estratégico es captar el nivel de riesgo, los factores clave de éxito, las oportunidades y amenazas del entorno general de la empresa, el entorno industrial y el entorno financiero, y proporcionar orientación para el sistema de gestión financiera de la empresa desde los aspectos de financiación, inversión y gestión de costes. Proporcionar estándares de referencia objetivos.

2. Realizar análisis. Se centra en el sistema financiero corporativo y pretende comprender los siguientes puntos:

(1) Estado actual de los sistemas de gestión financiera corporativa;

(2) Estado actual del flujo de capital corporativo y su papel (eficiencia, liquidez y seguridad);

(3) Estado actual de la inversión y financiación corporativa y su gestión;

(4) Estado actual de los costos corporativos y gestión de costos;

(5) Condiciones para mejorar el estado actual de la gestión financiera corporativa.

La tarea de realizar un análisis es comprender las características, madurez, ventajas y desventajas del sistema financiero de la empresa, las cuestiones clave en la gestión de fondos y la gestión de costos, y captar los factores factibles para mejorar las funciones de el sistema financiero.

3. Diseñar planes de mejora. El plan de mejora descrito aquí es un plan de mejora integral para todo el sistema financiero de la empresa.

El plan de mejora incluye dos partes: política estratégica financiera y sistema de gestión táctica financiera.

El modelo de alerta financiera temprana es una ayuda eficaz para diagnosticar el estado financiero de las empresas y proporcionar señales de crisis financiera. Sin duda, la investigación al respecto tiene una importancia positiva. Este artículo intenta realizar un análisis comparativo de varios modelos de alerta temprana financiera en el país y en el extranjero, y proporcionar algunas ideas y métodos para construir un modelo de alerta temprana financiera adecuado para las empresas chinas.

1. Clasificación de los modelos de alerta financiera

Modelo univariable

El modelo univariable se refiere al uso de una única variable y un único ratio financiero o indicador de flujo de caja para predecir el enfoque de la crisis financiera. Las primeras investigaciones de Fitzpatrick encontraron que los ratios financieros de las empresas con dificultades financieras son significativamente diferentes de los de las empresas normales, por lo que los ratios financieros de una empresa pueden reflejar el estado financiero de la empresa, y señaló que los ratios financieros pueden predecir el futuro de la empresa respectivamente. Sobre esta base, Beaver utilizó métodos estadísticos para establecer un modelo de alerta temprana financiera univariado y descubrió que el índice de garantía de la deuda tiene un mejor efecto de predicción en la empresa, seguido del efecto de predicción del rendimiento de los activos y el índice de activos-pasivos. Además, el japonés Shoichi Tanabe propuso un método de análisis discriminante univariado de intereses y gastos de descuento de facturas, que puede determinar si una empresa es normal a través del tamaño de los intereses y gastos de descuento de facturas, que también puede desempeñar un papel predictivo en la empresa.

Modelo multivariable

El modelo multivariable utiliza múltiples indicadores financieros o indicadores de flujo de efectivo para reflejar de manera integral el estado financiero de una empresa y, sobre esta base, se establece un modelo de alerta temprana para la previsión financiera. . Dependiendo de si el modelo tiene capacidades dinámicas de alerta temprana y si el sistema de alerta temprana financiera es fácil de modificar y expandir, los modelos multivariables se pueden dividir en modelos estadísticos estáticos y modelos dinámicos no estadísticos.

1. Modelo estadístico estático. ①Modelo discriminante lineal. El modelo discriminante lineal multivariado se estableció mediante análisis discriminante en el método de análisis estadístico multivariado. Establece una función discriminante basada en ciertos datos de muestra y determina el área discriminante para predecir el estado financiero de la empresa. Este modelo está representado por el modelo Z del profesor estadounidense Atlman. ②Modelo de predicción de componentes principales. El modelo también forma una función discriminante lineal, similar al modelo de análisis discriminante. El modelo se establece utilizando el método de análisis de componentes principales en el análisis estadístico multivariado para extraer factores integrales para formar componentes principales.

Los académicos chinos Zhang Aimin, Yang Shu y otros utilizaron el método de análisis de componentes principales para estudiar el modelo de alerta financiera temprana de las empresas que cotizan en bolsa en mi país. ③Modelo de probabilidad lineal simple. Para establecer el modelo se utiliza el método de regresión lineal múltiple, cuya forma es: y = c+β1x 1+β2 x2+…+βkxk. Entre ellos: c, β1, β2,..., βk son coeficientes; X1, x2,..., xk son k variables predictivas, es decir, indicadores financieros y es la probabilidad de fracaso financiero corporativo. El modelo utiliza 0,5 como punto de corte de crisis. Cuanto mayor sea el valor de Y, mayor será la posibilidad de fracaso financiero corporativo. Cuanto más cercano esté el valor de Y a 0, más seguras serán las finanzas corporativas. ④modelo logit y modelo probit. También conocidos como modelo de relación logarítmica y modelo de unidad probabilística respectivamente, ambos son modelos probabilísticos y se establecen mediante las funciones de probabilidad logit y probit respectivamente sobre la base de la superación del modelo de probabilidad lineal simple. La forma del modelo logit es la siguiente: ln[p \u( 1-p)]=αβ1x 1+β2 x2+…+βkxk. Entre ellos: el valor de p es 0, 1; p es la probabilidad; El efecto de predicción del modelo de probabilidad probit es generalmente similar al del modelo logit, por lo que no lo introduciremos aquí.

2. Modelo dinámico no estadístico. El modelo dinámico de alerta temprana financiera aplica principalmente el método de aprendizaje inductivo en inteligencia artificial a la predicción de crisis financieras. Actualmente, el más utilizado en este método es el modelo de predicción de redes neuronales. En el modelo de red neuronal, cuando se ingresan algunos datos, la red utilizará el peso actual para calcular el valor de predicción y el error correspondientes, y luego devolverá el valor de error a la red para ajustar el peso. Después de repetidos ajustes, el valor de predicción. se acercará gradualmente al valor real. Cuando esta red se aplica a un nuevo caso, siempre que se ingresen los valores relevantes del nuevo caso, la red neuronal puede obtener el valor de salida, es decir, el valor predicho, en función del peso en ese momento. . El análisis de redes neuronales es un sistema de procesamiento de patrones distribuido paralelo con alta potencia informática, capacidad de autoaprendizaje y tolerancia a fallas. El modelo consta de una capa de entrada, varias capas intermedias y una capa de salida. El razonamiento basado en casos es un método de modelo dinámico no estadístico que recién ha comenzado a aplicarse a la predicción de crisis financieras en los últimos años. Es un método de razonamiento basado en la experiencia que utiliza casos pasados ​​para juzgar posibles problemas futuros. Es un método de razonamiento típico de "Me engañaron la última vez, aprende esto una vez". Cuando se ingresa una nueva pregunta en el sistema de razonamiento basado en casos, el sistema busca casos similares en la biblioteca de casos existente y determina el tipo de caso nuevo. El paso clave del método de razonamiento de casos es calcular la distancia entre casos según el algoritmo de similitud y luego convertirla en similitud entre los casos, seleccionar el caso más cercano de la similitud y hacer juicios de inferencia basados ​​en él.

2. Comparación de varios modelos de alerta temprana financiera

(1) Comparación de modelo univariado y modelo multivariable

1 El método del modelo univariado es relativamente simple. el método del modelo multivariable es más complicado. El modelo univariante solo analiza un único ratio financiero, observa la tendencia de desarrollo de la empresa y juzga el estado financiero de la empresa en base a esto, sin cálculos complejos. El modelo multivariado selecciona múltiples indicadores financieros o indicadores de flujo de efectivo al mismo tiempo y luego realiza un análisis integral mediante un método determinado. La construcción del modelo implica muchos métodos y teorías, y el funcionamiento es complejo.

2. En comparación con los modelos multivariables, el análisis de modelos univariados tiene más limitaciones. ① Los objetivos de pronóstico y las capacidades de diferentes índices financieros a menudo varían ampliamente y es fácil utilizar diferentes índices para predecir diferentes resultados para la misma empresa. ②La conclusión del análisis de un solo indicador puede verse afectada por algunos factores objetivos, como la inflación. (3) Centrarse únicamente en el análisis del impacto de los indicadores individuales se ve fácilmente afectado por los comportamientos subjetivos de los gerentes, como el blanqueamiento de estados contables, indicadores financieros y crisis financieras, lo que lleva a fallas en el juicio del modelo. El modelo multivariable puede evitar la situación anterior mejor que el modelo univariable porque considera de manera integral muchos factores que reflejan el entorno financiero de la empresa, incluida la crisis financiera, y refleja los fundamentos y la situación general.

(2) Comparación de modelos estadísticos estáticos y modelos dinámicos no estadísticos

1. Existen diferencias obvias en los métodos de construcción de modelos entre los dos. Los modelos estadísticos estáticos se basan en análisis y matemáticas estadísticas, como el análisis discriminante, el análisis de componentes principales, el análisis de regresión, etc. en econometría. El establecimiento de estos modelos tiene una cierta base teórica estadística, que implica la determinación de intervalos de decisión y la estimación de tasas de error de juicio. Los modelos establecidos son generalmente lineales. Los modelos dinámicos no estadísticos no se basan en la teoría estadística, sino que se construyen mediante el aprendizaje inductivo en inteligencia artificial.

Todo el proceso de análisis y predicción es como el aprendizaje y el pensamiento humanos. Este es un modelo naturalmente no lineal.

2. Supuestos para el establecimiento del modelo. El establecimiento de modelos estadísticos estáticos generalmente hace ciertos supuestos sobre la distribución de datos de muestra y los toma como premisa. Por ejemplo, el supuesto de distribución normal de datos en el análisis estadístico multivariado, el supuesto de matriz de covarianza igual, el supuesto de distribución binomial en modelos de probabilidad lineal simples, etc. En términos generales, sólo cuando estos supuestos se cumplen básicamente se puede garantizar la precisión de las predicciones del modelo estadístico estático. Además, el establecimiento de modelos estadísticos estáticos se basa en una comprensión clara de la relación entre los datos. Generalmente se supone que existe una relación lineal simple entre las variables y se pone más énfasis en la integridad y coherencia de los datos en sí. Los modelos dinámicos no estadísticos generalmente no tienen requisitos en cuanto a distribución de datos, estructura, etc. Son adecuados para datos no lineales y tienen una tolerancia considerable a la pérdida de datos, y básicamente pueden manejar cualquier tipo de datos.

3. Si tiene función dinámica de alerta temprana y tolerancia a fallos. Los modelos estadísticos estáticos solo se construyen a partir de datos de muestra anteriores. Una vez que se determinan los datos de la muestra, es difícil realizar ajustes a menos que se reconstruya el modelo. A medida que se desarrolla la situación financiera y se actualizan los estándares financieros, es difícil para este modelo basado en datos y estándares pasados ​​hacer predicciones y juicios precisos sobre el cambio en la situación financiera. Es decir, este modelo no tiene capacidades dinámicas de alerta temprana y es difícil. para modificar y Ampliar. Además, los modelos estadísticos estáticos no son tolerantes a fallas ante la entrada de datos incorrecta y no pueden aprender ni ajustarse por sí mismos. Los modelos dinámicos no estadísticos tienen la capacidad de aprender por sí mismos a medida que cambia el entorno. Con la acumulación de datos de muestra, el conocimiento se puede actualizar periódicamente para lograr una alerta temprana dinámica de crisis corporativas. Además, debido a que el modelo dinámico de alerta temprana tiene una alta capacidad de autoaprendizaje y una fuerte tolerancia a fallas para la entrada de datos errónea, es más práctico.

4. Aplicación práctica. La distribución de modelos dinámicos (como los modelos de redes neuronales) es gratuita. Cuando las variables se toman de distribuciones desconocidas y las estructuras de covarianza son desiguales (la norma en muestras de fracasos corporativos), las redes neuronales pueden proporcionar una clasificación precisa. Sin embargo, todavía existen algunos problemas en las aplicaciones prácticas, como la definición de la topología del modelo, la determinación de la arquitectura de la red, la selección de parámetros de aprendizaje y fórmulas de conversión, etc. Estos problemas son relativamente complejos y difíciles de determinar. Su trabajo es muy aleatorio, consume mucha mano de obra y tiempo y aparece como una caja negra en los métodos de toma de decisiones, lo que dificulta su aceptación y aplicación. Además, este modelo requiere una gran cantidad de muestras de aprendizaje y capacitación para su análisis. Si el número de muestras es insuficiente, la representatividad no es suficiente y la cobertura no es amplia, afectará en gran medida los resultados del análisis y la predicción del sistema. Altman (1995) concluyó en un estudio comparativo de métodos de redes neuronales y métodos de análisis discriminante que "la aplicación de métodos de análisis de redes neuronales en la identificación y predicción de riesgos no es sustancialmente mejor que los modelos discriminantes lineales". El modelo estadístico tradicional es relativamente maduro, relativamente simple de calcular y ampliamente utilizado. Además, algunos métodos estadísticos, como los modelos logit y probit, no requieren si los datos tienen una distribución normal o si las covarianzas de los dos grupos son iguales. Cuando las matrices de covarianza de las dos poblaciones no son iguales, también se puede utilizar el método discriminante de distancia en el análisis discriminante ordinario. Por lo tanto, el actual modelo de alerta financiera temprana todavía está dominado por los métodos estadísticos tradicionales, mientras que el modelo dinámico no está lo suficientemente maduro y su aplicación aún se encuentra en la etapa exploratoria y experimental.

(C) Comparación entre varios modelos estadísticos

1. Comparación de funciones de varios métodos estadísticos. El análisis discriminante y el análisis de componentes principales son análisis estadísticos multivariados. Entre ellos, el análisis discriminante estudia principalmente cómo distinguir la categoría de una nueva muestra basándose en la división de los objetos de investigación en varios tipos y la obtención de datos de observación de varias muestras. Es decir, el propósito del análisis discriminante es determinar la categoría de la nueva. casos. La función principal del método de análisis de componentes principales es resolver el problema de demasiados indicadores en los datos de muestra y la duplicación de información entre indicadores. Su función es doble: una es reducir la dimensionalidad y la otra es reducir la duplicación de información, simplificando así el análisis. El modelo de probabilidad lineal simple y el modelo de probabilidad logit son métodos de análisis de regresión, cuyo propósito es estudiar la relación específica entre las variables explicativas y las variables explicadas en el modelo, especialmente la relación numérica. Por lo tanto, si solo observamos las funciones principales de varios métodos, lo más apropiado es utilizar el análisis discriminante para establecer un modelo de alerta temprana financiera, porque este método se utiliza para estudiar la afiliación de categorías.

2. Comparación de modelos de alerta temprana financiera establecidos mediante diferentes métodos estadísticos. El núcleo del método de análisis discriminante es determinar la propiedad de la muestra en función de la distancia, generalmente formando una función discriminante lineal para determinar la propiedad de la empresa a juzgar. Generalmente se requiere que los datos obedezcan una distribución normal y que las matrices de covarianza entre los dos grupos de poblaciones sean iguales.

El método de análisis de componentes principales realiza principalmente una reducción de dimensionalidad integral en indicadores financieros multidimensionales y luego asigna un cierto peso a cada indicador integral para un análisis integral para formar una fórmula de juicio y forma un intervalo de juicio basado en las puntuaciones respectivas de las empresas financieramente normales. y empresas financieramente fallidas, y en base a esto Calcular la puntuación de la empresa a juzgar.

Existe una falla obvia en el uso del método de análisis de componentes principales para establecer un modelo de alerta temprana financiera: la determinación del peso de puntuación integral y la determinación del intervalo de evaluación son subjetivas e inexactas, especialmente esta última es afectado por la distribución de datos de muestra más grandes. Un modelo de probabilidad lineal simple consiste en utilizar cada indicador financiero como variable explicativa y el estado financiero como variable explicada. El estado financiero se divide en normal y fallido, tomando 0 y 1 respectivamente. Utilice datos de muestra para establecer una ecuación de regresión y comparar. el estado financiero de la empresa a juzgar. Los datos del indicador se sustituyen en la ecuación y el valor obtenido es el valor previsto, que representa la posibilidad de fracaso financiero de la empresa. El modelo de probabilidad lineal simple tiene cuatro defectos: ① Los residuos no satisfacen la distribución normal, sino la distribución binomial; ② Heterocedasticidad; ③ El coeficiente de determinación de la muestra general es demasiado pequeño y la ecuación de regresión tiene un grado de ajuste bajo; ④ Es difícil garantizar la regresión. El valor está en el rango [0, 1]. Por lo tanto, el modelo de alerta temprana financiera establecido por este método tiene menos capacidad de discriminación de alerta temprana que otros métodos. Se establecieron modelos logit y probit para superar las deficiencias de los modelos de probabilidad lineal simples. Generalmente, se utiliza el método de estimación de máxima verosimilitud para la estimación y no es necesario cumplir las condiciones de distribución normal e igualdad de las dos matrices de covarianza. Los resultados obtenidos indican directamente la probabilidad de fracaso financiero del negocio, simple y llanamente. Este método es actualmente muy utilizado.

Según el estudio comparativo de la precisión discriminante de varios modelos estadísticos realizado por académicos relevantes, el análisis discriminante era el principal método de modelado antes de la década de 1980, y su precisión de predicción siempre ha sido alta. métodos utilizados hasta el momento. Altman2000 estableció un modelo de alerta temprana mediante análisis discriminante en 2000, y su precisión de predicción sigue siendo del 96%. El modelo de predicción Logit también se ha utilizado ampliamente en los últimos años y su precisión de predicción es relativamente alta. El modelo de alerta financiera temprana establecido por los académicos chinos Wu Shinong y Lu tiene las características de nuevas muestras y gran capacidad. En 2001, utilizaron análisis discriminante y métodos logit para predecir el estado financiero del mismo conjunto de indicadores de muestra estrictamente probados. Los resultados muestran que la precisión de la predicción del modelo logit (93,6%) es significativamente mejor que la del método de análisis discriminante (89,9%).