随着市场经济的发展,实现对企业财务失败的有效预测已成为当前金融业、企业界和政府管理机构的迫切需求.近年来,西方国家已经掀起了企业财务失败预测研究的高潮,模式识别、机器学习领域中的许多新模型、新方法被引入该领域,对主流的传统统计模型提出了挑战.相比之下,国内相关领域的研究才刚刚起步,主要以模仿国外传统统计模型为主,在研究的深度和广度上与国外相比差距很大.人工神经网络是由大量简单信息处理单元组成的广泛并行互连的网络,基于神经网络建立计算模型,并用于解决科学和工程中的问题就称为神经计算.相对现有财务失败预测研究中的传统统计模型而言,神经网络具有处理复杂非线性关系,自适应能力和泛化能力强,对数据分布的要求不严格的优势,近年来已成为国外财务失败预测研究领域中的新热点.该文以中国上市公司为研究对象,将公司因财务状况异常而被特别处理(ST)作为公司发生财务失败的标记,在选择了有说服力的研究样本并进行有效的特征选择后,分别应用误差反向传播(BP)神经网络、学习矢量量化(LVQ)神经网络构建财务失败预测模型,并与C4.5、Logistic等传统模型进行了分析比较.结果表明,与传统模型相比,这两种神经网络(尤其是LVQ网络)预测性能有明显提高.为了提高神经网络的泛化能力,往往需经反复试验来寻找最佳网络结构配置,神经网络集成避开网络配置的难题,通过训练多个神经网络并将其结论进行合成来提高网络的泛化能力.该文应用Bagging集成方法构建了基于神经网络集成的财务失败预测模型,实证结果表明神经网络集成方法较单个神经网络取得了更高的预测精度.结合财务分析知识和财务失败预测的研究,设计、开发了一个实用财务分析软件系统.该系统实现了常见的财务分析功能,同时也为该文研究提供了实验数据,并为将各种财务失败预测模型嵌入软件系统奠定了基础.