财务危机又称为财务困境,通常是指企业不能偿还到期债务而出现财务危机的可能性,最为严重的就是破产。财务危机广泛、客观地存在于企业的全部财务活动中,并且对企业实现其经营目标有重要的影响,使人们无法回避和忽视。我国的金融体系、资本市场、公司治理以及财务状况披露等各个方面都还很不完善,一些公司因为种种原因导致亏损、财务状况异常甚至出现资不抵债最终破产的情形,尤其是随着金融危机的爆发和蔓延,更多企业陷入了严重的财务困境。财务危机的出现使得这些公司的投资者、债权人的利益以及国家的经济稳定都受到威胁。因此,如何有效防范财务风险,化解财务危机,使企业更好追求创新与发展已是我们需要研究和解决的一个重要课题。本文在综合了国内外现有关于财务危机预警研究的基础上,从预警指标体系的建立,上市公司分类以及构建预警模型三个方面对问题进行研究。在预警指标体系的建立上,本文考虑建立一个能全面反映公司经营状况的指标体系,该体系包含财务指标和非财务指标。然后,为了提高模型的预测精度,使用基于改进粒子群算法的模糊C均值聚类分析对企业进行分类,作为预警模型建立的基础。最后,分别对各类企业建立SVM财务预警模型,并进行结果比较分析。本文选取了35家2010年首次被ST的上市公司和105非ST公司t-3年的数据作为建模样本,同时以2009年22家首次被ST的上市公司和66家非ST公司t-3年的数据作为预测样本,分别应用三种不同核函数(即线性核函数、多项式核函数和径向基核函数)建立SVM模型,对上市公司财务危机进行提前三年的预警。结果表明,径向基核函数应用于企业财务危机预警的准确率比多项式核和线性核要高,提前三年的综合预测精度达到76.1%,要明显高于不进行聚类分析情况下的预测精度60.5%。同时,用BP神经网络模型进行实证对比后发现,BP神经网络模型拟合度较高,但实际预测值并不理想,仅为63.4%,而且在小样本的情况下,BP神经网络会出现过学习的现象。因此,基于结构风险最小化的SVM模型更适合用于财务危机预警,而且进行聚类分析后,模型的预测精度得到了明显提高。