1、房地產(chǎn)業(yè)是我國經(jīng)濟的重要支柱產(chǎn)業(yè)之一。近幾年由于國內政策和國際復雜環(huán)境的影響,房地產(chǎn)企業(yè)面臨著前所未有的挑戰(zhàn),而且由于自身資金結構上的特點,我國房地產(chǎn)業(yè)對流動資產(chǎn)依賴度高,所要應對的財務風險也較高,因此對房地產(chǎn)企業(yè)進行有效地財務困境預警具有重要意義。國際上對財務預警的研究具有悠久的歷史,判別困境企業(yè)的方法眾多,包括多元判別分析法、邏輯回歸模型(LogisticRegression)法、人工神經(jīng)網(wǎng)絡(ANN)模型等方法和支持向量機方法等。

2、而預警研究面臨的主要困難是困境判定標準模糊不清,以及實際條件下小樣本數(shù)據(jù)建立判別模型容易擬合過度,通過對理論和方法的不斷研究和改進來克服這些問題是財務預警研究工作的重中之重。
　　境內房地產(chǎn)企業(yè)相對與境外同類型企業(yè)有其自身鮮明特點,本次試驗的樣本將全部采用我國境內上市的地產(chǎn)企業(yè)。對于財務困境的判別標準,國外研究者通常將破產(chǎn)企業(yè)定義為財務困境企業(yè)。而在國內的同類實驗中,通常將企業(yè)被“特別處理”作為辨別企業(yè)是否陷入財務困境的標準。本文

3、在詳細分析財務困境理論和房地產(chǎn)企業(yè)財務特征的基礎之上,將一個會計年度凈收益低于0.00元的企業(yè)定義為財務困境企業(yè)。一方面這樣設定更符合財務困境狀況發(fā)生的初始階段特征,另一方面這一新的判別標準將更加有利于房地產(chǎn)企業(yè)防患未然,更好的預防風險。
　　支持向量機(SupportVectorMachine)是一種新穎的小樣本機器學習方法,具有眾多的優(yōu)良特性?？紤]到房地產(chǎn)企業(yè)財務預警實驗中訓練樣本集所具有的維數(shù)高樣本少的特點,本文選擇支持向量

4、機分類方法來進行房地產(chǎn)企業(yè)財務困境預測,同時為改善傳統(tǒng)C-支持向量機模型在學習過程中容易因忽視有限樣本的差異性而導致的模型誤分率提高、推廣能力減弱的狀況,本實驗將模糊理論引入支持向量機方法,從而改進了傳統(tǒng)的支持向量機算法,建立基于模糊隸屬度的模糊支持向量機(FSVM)模型。作為關鍵性問題,模糊隸屬度函數(shù)的確定建立在對樣本財務指標和經(jīng)營狀況的充分分析的基礎之上,通過統(tǒng)計方法將各個樣本公司實際經(jīng)營的穩(wěn)定程度具體數(shù)值化來確定每個樣本對應的模糊