基于因子—时间序列分析的房地产上市公司财务风险识别与防范研究

发布时间：2021-01-21 12:11

　　作为国民经济的重要组成部分,房地产行业为我国GDP的增长做出了重大贡献。近年来,一二线城市房地产的供不应求,各地涌现的“炒房热”将住房刚需推向了顶端。随着房地产行业的发展,越来越多的公司开始涉足房地产行业,这一系列繁荣背后,隐藏着一定的风险。周期长、投资量大的房地产开发活动要求开发商具有较强的资金实力,再加上部分城市“库存房产”难以变现使得房地产开发企业资金的盘活成为较大的问题,从而在一定程度上对房地产企业的财务状况造成不利影响,使得企业面临一定的财务风险。本文以2014-2016年相关沪深A股房地产上市公司为研究样本,剔除不满足房地产行业标准及其他相关标准的上市公司,提取财务报表层面的相关数据及年报中的其他相关数据,运用因子分析法建立房地产上市公司财务风险识别模型,并运用聚类分析法对房地产上市公司财务风险识别模型有效性进行验证,旨在识别影响企业财务风险的关键因子和关键指标,并对房地产上市公司面临的财务风险现状进行分析。之后对2001-2016年符合相关标准的房地产上市公司进行关键指标的时间序列分析,建立影响房地产上市公司财务风险的关键指标预测模型,确定关键指标临界值,从而对房地产上市... 

【文章来源】：青岛科技大学山东省

【文章页数】：79 页

【学位级别】：硕士

【部分图文】：

SU自相关系数和偏自相关系数图

图 4-2 SU序列残差项白噪声检验检验结果Figure4-2 Test results of white noise test for SU sequence residuals2）资产负债率序列模型拟合图 4-3 可以看出，资产负债率一阶差分序列自相关图在二阶达到最大趋势，偏自相关图在一阶之后明显呈现拖尾趋势。因而在 Eviews8.0 中、MA(2)和 ARMA(1,1)、ARMA(1,2)模型进行模型拟合，出现如表 4-6、表 4-17和表 4-18的输出结果。

图 4-2 SU序列残差项白噪声检验检验结果Figure4-2 Test results of white noise test for SU sequence residuals（2）资产负债率序列模型拟合从图 4-3 可以看出，资产负债率一阶差分序列自相关图在二阶达到最大尾趋势，偏自相关图在一阶之后明显呈现拖尾趋势。因而在 Eviews8.01)、MA(2)和 ARMA(1,1)、ARMA(1,2)模型进行模型拟合，出现如表 4-16、表 4-17和表 4-18的输出结果。

【参考文献】：
期刊论文
[1]行业环境风险视角下房地产企业财务预警实证研究[J]. 侯兆,杨柳.  财会通讯. 2017(20)
[2]基于数据挖掘技术的财务风险分析与预警研究[J]. 唐海成.  中国商论. 2017(14)
[3]经济新常态下企业财务危机预警实证研究[J]. 符刚,曾萍,陈冠林.  财经科学. 2016(09)
[4]制造业上市公司财务预警体系的构建及比较——基于数据挖掘技术[J]. 王艺,姚正海.  财会月刊. 2016(21)
[5]基于信息融合的数据挖掘方法在公司财务预警中的应用[J]. 张亮,张玲玲,陈懿冰,腾伟丽.  中国管理科学. 2015(10)
[6]房地产企业财务风险评价研究[J]. 张煌强.  广西社会科学. 2015(07)
[7]基于大数据的企业财务预警研究[J]. 宋彪,朱建明,李煦.  中央财经大学学报. 2015(06)
[8]房地产上市公司财务预警实证研究[J]. 郑晓云,李建华.  会计之友. 2015(09)
[9]基于人群搜索算法的上市公司的Z-Score模型财务预警研究[J]. 赵海蕾,周方召,金德环.  财经理论与实践. 2015(02)
[10]试论房地产企业财务风险的特点与防范[J]. 赵洪燕.  中国市场. 2014(46)



本文编号：2991135