县级供电公司财务风险预警模型及其应用

按照县级供电公司经营方式的特点,结合公司财务风险预警指标体系建立的原则,选取了反映县级供电公司偿债能力、经营能力、获利能力和发展潜力4个方面的15个敏感性财务指标,建立了县级供电公司财务风险预警指标体系。根据建立的财务风险预警指标体系,采用G1法确定各个层级指标的权重,运用模糊综合评价方法构建了县级供电公司财务风险的预警模型,并将建立的财务模型运用到M县供电公司,对M县供电公司的财务状况进行综合的分析和评价。     

基于PSO优化SVM制造业公司财务风险预警研究

制造业公司是我国市场经济的重要组成部分,判别分析制造业公司的财务风险对于进一步促进制造业实体经济健康发展具有重要现实意义。适当选取2013—2015年制造业公司为样本,利用SPSS统计软件运用主成分分析方法(PCA)对制造业公司的财务指标进行了筛选,再利用MATLAB软件借助粒子群算法(PSO)对支持向量机参数进行优选,构建了基于PSO-LIBSVM模型的公司财务风险预警模型。实证分析表明,该模型可以对制造业公司财务风险进行较为准确的度量,是将人工智能算法运用到经济管理领域的有效尝试,对分析公司财务风险具有一定的现实指导意义。     

房地产企业财务危机预警模型研究——基于主成分分析和Fisher判别法

本文以我国上市房地产企业为研究样本,通过主成分分析法和Fisher判别法的组合应用,对构建企业财务危机预警模型进行了实证研究。通过该模型,可以对企业未来1至2年的财务状况进行基本判别,从而有效帮助企业改善财务结构,规避财务风险。     

金融危机预警模型与先导指标选择

经济全球化和金融自由化的不断深入,加剧了金融危机的爆发频率和危害程度。全球金融危机后,金融危机早期预警成为必要且紧迫的问题。本文基于1970—2011年全球各国金融危机数据,分别使用Logit模型、二元分类树模型、Bagging和随机森林模型,对系统性银行危机、货币危机和主权债务危机的预警进行了研究,比较和分析了不同模型的预警效果。结果表明:随机森林模型的预警效果最好,其后分别是Bagging、Logit模型和二元分类树;针对亚洲金融危机、阿根廷金融危机以及全球金融危机的样本外预测,随机森林模型的预测精度均优于Logit模型;随机森林能够有效识别金融危机先导指标。不同类型的金融危机,先导指标存在差异,但是关联性更强,因此危机的爆发可能不局限于单一形式。本文的研究为我国金融危机预警提供了参考,当前应警惕高杠杆问题逐步引发银行业系统性风险的问题。     

基于CRITIC-XGB算法的岩爆倾向等级预测模型

为了更精确地对岩爆倾向等级进行预测,根据岩爆的成因和特点选取了围岩切向应力,围岩切向应力和单轴抗压强度的比值,岩石脆性指数和岩石的弹性变形能量指数作为岩爆倾向等级预测指标,然后运用改进的CRITIC算法对指标样本进行加权处理,在此基础上引入新的机器学习算法XGBoost对样本进行计算训练,最终建立岩爆倾向等级预测的CRITIC-XGB模型。运用该模型对收集的岩爆实例进行了岩爆倾向等级预测,并将预测结果与XGBoost、随机森林(RF)和支持向量机(SVM)算法的预测结果进行分析研究。研究结果表明:CRITIC-XGB预测模型较单一的XGBoost模型的收敛性能有较为明显的提高;CRITIC-XGB预测模型较单一的XGBoost算法、RF和SVM算法,有更高的预测准确性,为岩爆倾向等级预测提供了一种新的可靠方法。     

基于集成学习方法的燃气调压器故障类型智能判断研究

调压器作为燃气输配系统中重要的设备,其状态检测及故障诊断尤为重要。本研究基于某燃气公司的调压器预警台账统计数据,收集了2020年至2022年间的9 125条报警数据,引入集成学习的方法,结合调压器进出口压力数据、压力数据特征等变量,基于3种集成学习方法：随机森林、XGBoost(eXtreme Gradient Boosting)、LightGBM(Light Gradient Boosting Machine)构建了调压器故障类型智能判断模型,利用实际检测数据从进出口、故障类型等方面对3种模型分别进行了评价,根据评价结果得出以下结论：针对进口压力报警,LightGBM智能判断模型的表现最好,精度为97%;针对出口压力报警,XGBoost智能判断模型的表现最好,精度为92%,均达到了较高的准确率。     

房地产企业财务危机预警实证研究

房地产企业财务危机预警管理能力在企业经营活动风险控制中占据重要位置。建立在我国上市公司财务数据具有高相关性和高维性等特点之上,提出了基于主成分分析与 Logistic 分析相结合的危机预警方法。运用逻辑回归分析方法,得到影响房地产企业财务能力的 6 个主成分综合因子,构建科学合理的房地产企业财务危机预警决策模型。实证研究结果表明:该模型能够最大限度减少变量信息丢失情况下实现多变量的降维处理,同时解决原始数据各变量之间彼此高度相关的不足,对于预测企业经营失效与否具有很好的识别预警和推广能力,为我国上市房地产企业制定后期发展战略决策提供有效参考。     

基于XGBoost算法的基础设施项目投资预测模型——以变电站工程为例

实现基础设施项目投资额的准确预测,对于在有限资金约束下实现基础设施高效益投资意义重大。为实现基础设施项目投资的精准预测,本文构建了基于XGBoost算法的基础设施项目投资预测模型。在确定基础设施项目投资预测指标体系的基础上,构建基础设施项目投资数据训练集和测试集,基于XGBoost算法和训练集建立投资预测模型,并采用交叉验证对模型参数进行优化。最后用训练好的模型对测试集进行投资预测。为验证模型的有效性,以国网某省公司的变电站工程数据为样本,对本文模型进行验证,并将模型预测结果与传统线性回归模型和神经网络模型进行对比,预测结果表明,基于XGBoost算法的基础设施项目投资预测模型能够有效地对基础设施项目的投资进行预测,且预测精度明显高于线性回归模型和神经网络模型,预测效果更佳。     

基于XGBoost-LSTM的胶凝砂砾石抗压强度预测

针对胶凝砂砾石（CSG）抗压强度试验周期长、耗材大等问题,运用极度梯度提升树-长短期记忆网络（XGBoost-LSTM）组合模型对CSG抗压强度进行预测.先选取相关性较强的“水泥含量”和“砂率”这2个输入变量代入XGBoost模型进行预测,并将结果与原特征一起代入LSTM模型;再采用94组抗压强度数据进行训练和验证.结果表明：与基础模型XGBoost和LSTM相比,XGBoost-LSTM组合模型的决定系数分别提高5.6%和3.5%.说明通过XGBoost模型构造新特征具有可行性,且XGBoost-LSTM组合模型能够对CSG抗压强度进行精准预测.     

危机预警管理在人力资源管理中的应用

分析了监理单位人力资源管理中存在的主要问题，提出可以运用危机预警管理思想，建立人力资源预警管理系统的模型，并研究危机预警管理对策。