房地产业是我国经济的重要支柱产业之一。近几年由于国内政策和国际复杂环境的影响,房地产企业面临着前所未有的挑战,而且由于自身资金结构上的特点,我国房地产业对流动资产依赖度高,所要应对的财务风险也较高,因此对房地产企业进行有效地财务困境预警具有重要意义。国际上对财务预警的研究具有悠久的历史,判别困境企业的方法众多,包括多元判别分析法、逻辑回归模型(LogisticRegression)法、人工神经网络(ANN)模型等方法和支持向量机方法等。而预警研究面临的主要困难是困境判定标准模糊不清,以及实际条件下小样本数据建立判别模型容易拟合过度,通过对理论和方法的不断研究和改进来克服这些问题是财务预警研究工作的重中之重。　　境内房地产企业相对与境外同类型企业有其自身鲜明特点,本次试验的样本将全部采用我国境内上市的地产企业。对于财务困境的判别标准,国外研究者通常将破产企业定义为财务困境企业。而在国内的同类实验中,通常将企业被“特别处理”作为辨别企业是否陷入财务困境的标准。本文在详细分析财务困境理论和房地产企业财务特征的基础之上,将一个会计年度净收益低于0.00元的企业定义为财务困境企业。一方面这样设定更符合财务困境状况发生的初始阶段特征,另一方面这一新的判别标准将更加有利于房地产企业防患未然,更好的预防风险。　　支持向量机(SupportVectorMachine)是一种新颖的小样本机器学习方法,具有众多的优良特性。考虑到房地产企业财务预警实验中训练样本集所具有的维数高样本少的特点,本文选择支持向量机分类方法来进行房地产企业财务困境预测,同时为改善传统C-支持向量机模型在学习过程中容易因忽视有限样本的差异性而导致的模型误分率提高、推广能力减弱的状况,本实验将模糊理论引入支持向量机方法,从而改进了传统的支持向量机算法,建立基于模糊隶属度的模糊支持向量机(FSVM)模型。作为关键性问题,模糊隶属度函数的确定建立在对样本财务指标和经营状况的充分分析的基础之上,通过统计方法将各个样本公司实际经营的稳定程度具体数值化来确定每个样本对应的模糊隶属度。这样就能充分考虑企业现实因素从而合理地对样本加权,最终的实验结果表明,对样本加权处理过的FSVM模型,比普通的C-SVM模型具有更好的分类效果和更强的推广能力。