我国是全球化工产品生产和消费的大国，目前国内的化工行业发展比较成熟，主要分为化学工艺、化学工业和化学工程三大类。而我国上市公司化工行业板块仅包括化学工艺中的部分日用化工产品及其他精细化工产品，本文采用的是广义的化工行业概念。伴随着愈演愈烈的国内外竞争，化工行业面临的经营环境也日益严峻，合理有效地管理财务危机，不仅能提高公司财务风险决策的科学性和效益性；还能提高公司经营的效率和效益，增强公司的竞争力。因此，财务危机管理是一个不容忽视的影响公司正常生产运营乃至生存的重大课题。在我国，财务预警研究才刚刚起步，与国外存在一定的差距。国内学者主要致力于在国外研究成果的基础上，结合国内市场加以改良，取得了有益成果。从研究的思路上，大体可分为两类：一类偏向于预警的推广性，融入定性指标，对使用者有高要求；另一类专注于模型的精确度，采用行业细分，研究样本收到限制。如何在二者之间权衡利弊，甚至相互融通，取其利去其弊，一直是财务预警研究的一个热点话题。笔者力图克服以往研究中存在的一些缺陷，以求在指导思想、研究方法和研究体系等方面有所突破。但由于能力有限，故仅选择门类繁多、综合性强的化工行业作为研究对象，在缩小研究范围的同时，又能从一定程度满足研究样本的复杂性。与国内已有研究成果相比，本研究在以下方面有所见解：第一，研究对象。目前国内上市公司的财务危机预警模型研究主要按行业划分，并且多以传统制造业为主。然而在我国占有重要经济地位的化工行业由于其门类众多，综合性强，具体划分不够明确，很难用一个精确的数学模型来描述，因此相关方面的研究较少。笔者以化工类上市公司为研究对象，在缩小研究范围的同时，一定程度上满足了样本的复杂性，力图模型能满足行业多样性地运用。第二，研究方法。研究方法的确立主要在于模型的选择。目前发展较为成熟的模型为多元判别法和基于因子分析的主成分分析。虽然此类线性分析模型判别的准确性较高，但很多时候研究的精确性依赖公司危机爆发前一年的财务数据，且仅对同一类型的行业具有良好的判别性，这不仅不符合研究对象的特征，也难以满足现实需求。因为，我国上市公司公布其当年年报的时期一般为下一年的4月，对于投资者等利益相关者来说，信息滞后，即获得前一年年报信息的同时，几乎可以肯定该公司是否会由于“财务状况异常”而被特别处理。因此，所选的模型不仅要满足行业多样化的需要，还要具备较为稳定的长期预测能力。笔者结合化工类上市公司的特点，将传统的财务指标与现金流量信息相结合，构建一个尽量全面反映上市公司财务特征的预警指标体系。由于单纯的线性分析难以满足研究对象的复杂性，故选用非线性分析中的BP神经网络系统进行分析。并且，为了提高模型的纵向长期预测能力，实现多时段预警，建模时，采用多期财务数据，将学习样本中陷入财务困境前4年的数据进行模型训练。为了适应化工行业的综合性和复杂性，本研究选择使用能够不断试错和修正的人工神经网络分析模式，充分体现神经网络技术在预警方面的优势，从而提高预警模型在实践中的现实指导意义。