我國(guó)上市公司財(cái)務(wù)預(yù)警機(jī)制實(shí)證方法研究綜述

□任 渝 張 鳳

（1、2.成都信息工程學(xué)院統(tǒng)計(jì)學(xué)院，成都 610103）

財(cái)務(wù)預(yù)警機(jī)制的模型即利用財(cái)務(wù)指標(biāo)與非財(cái)務(wù)指標(biāo)構(gòu)建定量數(shù)學(xué)模型，依據(jù)模型結(jié)果的解讀來(lái)實(shí)現(xiàn)對(duì)企業(yè)是否存在財(cái)務(wù)危機(jī)或困境的判斷。目前，歸納財(cái)務(wù)預(yù)警機(jī)制已有的研究方法，從經(jīng)濟(jì)學(xué)方法論角度有靜態(tài)、動(dòng)態(tài)之分；從計(jì)量建模角度有參數(shù)定量、非參數(shù)定量之分；從構(gòu)建指標(biāo)的復(fù)雜性來(lái)區(qū)別，有單變量敏感性分析、多變量即多元綜合指標(biāo)體系分析、數(shù)據(jù)挖掘指標(biāo)體系方法。具體的來(lái)說(shuō)包括單變量敏感性模型、多元判別分析、多元probit模型、多元logit模型、BP神經(jīng)網(wǎng)絡(luò)模型、決策樹(shù)模型、粗糙集模型等模型。

一、單變量財(cái)務(wù)預(yù)警模型

1932年Fitzpatrick的單變量破產(chǎn)預(yù)測(cè)研究是最早有關(guān)財(cái)務(wù)預(yù)警機(jī)制的研究，他提出凈利潤(rùn)/股東權(quán)益與股東權(quán)益/負(fù)債是最具有判別效果的財(cái)務(wù)指標(biāo)；1966年Beaver［1］提出有記載的最早建立在統(tǒng)計(jì)方法上的單變量財(cái)務(wù)預(yù)警模型，他在《財(cái)務(wù)比率與失敗預(yù)測(cè)》中比較研究了1954—1964年之間79個(gè)破產(chǎn)企業(yè)和79個(gè)正常企業(yè)，使用30個(gè)財(cái)務(wù)指標(biāo)逐一分析，得到的債務(wù)保障率即現(xiàn)金流量與負(fù)債總額之比是最好的財(cái)務(wù)狀況反映指標(biāo)，而資產(chǎn)收益率與資產(chǎn)負(fù)債率是次優(yōu)誤判指標(biāo)，其依據(jù)即通過(guò)上述企業(yè)是否陷入財(cái)務(wù)困境或財(cái)務(wù)危機(jī)前1─5年的29個(gè)財(cái)務(wù)指標(biāo)的預(yù)測(cè)能力，發(fā)現(xiàn)債務(wù)保障率在企業(yè)破產(chǎn)前一年的預(yù)測(cè)正確率能達(dá)到87%。筆者總結(jié)以Fitzpatrick和Beaver為代表的企業(yè)財(cái)務(wù)預(yù)警機(jī)制提出者觀點(diǎn)，發(fā)現(xiàn)其單變量財(cái)務(wù)預(yù)警可解讀為企業(yè)從單變量財(cái)務(wù)指標(biāo)體現(xiàn)出的具體生產(chǎn)經(jīng)營(yíng)狀況預(yù)期能保持一個(gè)長(zhǎng)期穩(wěn)定的狀態(tài)，由此通過(guò)觀察單變量財(cái)務(wù)指標(biāo)的變化情況來(lái)判斷企業(yè)正常經(jīng)營(yíng)與否。

單變量財(cái)務(wù)預(yù)警模型的弊端顯而易見(jiàn)。企業(yè)的生產(chǎn)經(jīng)營(yíng)情況是一個(gè)復(fù)雜的過(guò)程，依據(jù)某個(gè)指標(biāo)來(lái)反映系統(tǒng)性的生產(chǎn)經(jīng)營(yíng)狀況勢(shì)必導(dǎo)致分析角度過(guò)于狹窄而實(shí)際預(yù)測(cè)精度不準(zhǔn)的結(jié)果。具體表現(xiàn)為，若關(guān)注或著重于某個(gè)指標(biāo)對(duì)企業(yè)財(cái)務(wù)困境的預(yù)測(cè)，選擇的多個(gè)指標(biāo)之間有可能出現(xiàn)矛盾的情況；明確只注重某個(gè)指標(biāo)，會(huì)從管理角度導(dǎo)致逆向選擇的發(fā)生，管理者通過(guò)對(duì)該指標(biāo)的“處理”表現(xiàn)出的企業(yè)正常經(jīng)營(yíng)實(shí)際掩蓋了企業(yè)可能出現(xiàn)的惡劣財(cái)務(wù)危機(jī)局勢(shì)。因此，一元單變量財(cái)務(wù)預(yù)警機(jī)制的構(gòu)建已不足以準(zhǔn)確判別企業(yè)財(cái)務(wù)困境的發(fā)生。

筆者認(rèn)為，可以將單變量財(cái)務(wù)預(yù)警機(jī)制判別作用縮小化，即通過(guò)單個(gè)財(cái)務(wù)指標(biāo)敏感性判斷找到有財(cái)務(wù)預(yù)警機(jī)制預(yù)期效果的單變量指標(biāo)，描述性說(shuō)明每個(gè)挑選出的敏感性財(cái)務(wù)指標(biāo)判別價(jià)值，為進(jìn)一步構(gòu)建綜合財(cái)務(wù)預(yù)警指標(biāo)體系作準(zhǔn)備。吳世農(nóng)［2］（2001）在“我國(guó)上市公司財(cái)務(wù)困境的預(yù)測(cè)模型研究”中通過(guò)單變量判定分析首先確認(rèn)篩選出具有一定判別精確度的單個(gè)財(cái)務(wù)指標(biāo)，并利用選出的判別效果明顯的財(cái)務(wù)指標(biāo)構(gòu)建出多元指標(biāo)體系，他挑選出在財(cái)務(wù)困境出現(xiàn)前1年誤判率的單個(gè)財(cái)務(wù)指標(biāo)有：凈資產(chǎn)報(bào)酬率、營(yíng)運(yùn)資本/總資本之比、負(fù)債比率、資產(chǎn)周轉(zhuǎn)率。

二、多變量財(cái)務(wù)預(yù)警模型

多變量財(cái)務(wù)預(yù)警模型顧名思義即利用多指標(biāo)綜合構(gòu)建財(cái)務(wù)預(yù)警機(jī)制的模型。主要分為兩大類：多元線性判別模型與多元logit回歸模型。

（一）多元線性判別模型

多元線性判別模型的代表是Z-score模型與經(jīng)過(guò)修改后適用于不同行業(yè)的ZETA模型（如表1），由Altman［3］于1968年和1977年提出。其基本思想是通過(guò)多個(gè)財(cái)務(wù)指標(biāo)匯總加權(quán)后得到的總判別值作為預(yù)測(cè)財(cái)務(wù)危機(jī)可能性的依據(jù)，而多個(gè)財(cái)務(wù)指標(biāo)匯總加權(quán)或是降維的方法則是多元分析的基礎(chǔ)：組間離差平方和最大而組內(nèi)平方和最小。通過(guò)此原理將多元財(cái)務(wù)指標(biāo)組成的多變量降維成為分類標(biāo)志以作判別企業(yè)財(cái)務(wù)困境與否的依據(jù)，因科學(xué)地綜合多個(gè)財(cái)務(wù)指標(biāo)而提高了企業(yè)財(cái)務(wù)預(yù)警機(jī)制判別的精確度。

我國(guó)學(xué)者在2000年前后多采用多元線性判別分析以對(duì)我國(guó)企業(yè)財(cái)務(wù)預(yù)警機(jī)制進(jìn)行建模，不過(guò)大多忽略了多變量的多元正態(tài)分布的假設(shè)前提。吳世農(nóng)、盧賢義（2001）用fisher二類線性判定分析得到典則（canonical）判別函數(shù)

（其中X1為贏利增長(zhǎng)指數(shù)，X3為資產(chǎn)報(bào)酬率，X7為流動(dòng)比率，X11為長(zhǎng)期負(fù)債比率，X12為營(yíng)運(yùn)資本與總資產(chǎn)比率，X19為資產(chǎn)周轉(zhuǎn)率）得到提前1年的誤判率為10.07%，財(cái)務(wù)困境判別效果良好；趙健梅［4］、王春莉（2003）直接運(yùn)用Altman的Z-score模型選取40家ST企業(yè)與40家非ST企業(yè)進(jìn)行財(cái)務(wù)困境判別分析，得到的上市公司財(cái)務(wù)困境判定的精確度較高。考慮到中國(guó)國(guó)情與美、日不一，各財(cái)務(wù)指標(biāo)的標(biāo)準(zhǔn)也有差異，如果選取同樣的多個(gè)財(cái)務(wù)指標(biāo)進(jìn)行我國(guó)企業(yè)財(cái)務(wù)困境判別一定存在系統(tǒng)性誤判，由此我國(guó)不少學(xué)者對(duì)Z-score多元線性回歸模型進(jìn)行修改以得到更適用于我國(guó)企業(yè)財(cái)務(wù)預(yù)警機(jī)制的模型，其中，通過(guò)F-score（周首華［5］1996）加入現(xiàn)金流量指標(biāo)實(shí)現(xiàn)判別與構(gòu)建Y-score應(yīng)用主成分分析（楊淑娥、徐偉剛［6］2003）進(jìn)行多變量降維后的分類指標(biāo)實(shí)現(xiàn)企業(yè)財(cái)務(wù)預(yù)警模型具有一定的代表性。

筆者認(rèn)為，通過(guò)多元線性回歸模型構(gòu)建財(cái)務(wù)預(yù)警機(jī)制的思路與原理簡(jiǎn)單明了，具有實(shí)際可操作性。但基于其普遍存在的未遵循因變量（多選取收益率）的多元正態(tài)分布的假設(shè)前提，即使得到精確度高或誤判率低的判別結(jié)果，都因?yàn)閷?duì)統(tǒng)計(jì)方法重要前提的違背而存在“偽精確度”判別的嫌疑，適用性以及該機(jī)制可信度大打折扣。因此，對(duì)于財(cái)務(wù)預(yù)警機(jī)制的多元線性回歸模型，筆者認(rèn)為同樣要“縮小”其對(duì)財(cái)務(wù)困境判別效果的解讀，可以將其作為具有統(tǒng)計(jì)意義篩選出各個(gè)敏感性指標(biāo)體系的方法之一，如通過(guò)之前的單變量敏感性指標(biāo)的挑選再通過(guò)敏感性指標(biāo)體系的構(gòu)建，已經(jīng)初步形成對(duì)財(cái)務(wù)困境的判斷，而這樣的判別機(jī)制存在缺陷，是否能夠進(jìn)一步改進(jìn)此機(jī)制系統(tǒng)性增加對(duì)財(cái)務(wù)困境判別的可信性？多元logistic回歸模型即是這樣一種不需要因變量滿足正態(tài)分布而能進(jìn)行定性變量定量化判別的方法。

（二）多元邏輯回歸模型

財(cái)務(wù)預(yù)警機(jī)制通過(guò)多元logistic回歸模型或稱多元logit模型構(gòu)建的思想，最早提出者是Ohlsen［7］（1980），他用二元概率函數(shù)計(jì)算財(cái)務(wù)危機(jī)發(fā)生的可能性，并采用9個(gè)財(cái)務(wù)指標(biāo)變量進(jìn)行邏輯回歸。由于多元邏輯回歸函數(shù)構(gòu)造是基于事件發(fā)生概率即累計(jì)概率函數(shù)的基礎(chǔ)而非多變量自身即樣本的正態(tài)分布與協(xié)方差矩陣相等作為前提假設(shè)，規(guī)避了財(cái)務(wù)預(yù)警機(jī)制的樣本在實(shí)際情況中不滿足正態(tài)分布的假設(shè)條件，而直接通過(guò)財(cái)務(wù)危機(jī)發(fā)生的概率來(lái)構(gòu)建回歸函數(shù)以作出財(cái)務(wù)困境發(fā)生與否的判別。

其中p為財(cái)務(wù)困境或危機(jī)發(fā)生的概率，1-p為不發(fā)生的概率

從而計(jì)算出財(cái)務(wù)危機(jī)發(fā)生的概率

近年來(lái)我國(guó)學(xué)者在多種財(cái)務(wù)預(yù)警機(jī)制模型對(duì)比評(píng)述之上，選用多元邏輯回歸模型的日漸增多。吳世農(nóng)、盧賢義（2001）通過(guò)剖面分析、單變量判別分析、多元線性判別分析、logistic回歸分析分別比較各種財(cái)務(wù)預(yù)警機(jī)制的誤判率得出對(duì)同一信息集，Logit回歸在財(cái)務(wù)困境發(fā)生提前1年誤判率最低僅6.47%；Balcaen&Ooghe［8］（2004）在財(cái)務(wù)預(yù)警模型中對(duì)單變量分析、風(fēng)險(xiǎn)指數(shù)模型、多元判別分析、logistic回歸模型進(jìn)行比較評(píng)價(jià)；呂長(zhǎng)江、周現(xiàn)華［9］（2005）基于制造業(yè)上市公司1999─2002的數(shù)據(jù)分別運(yùn)用多元判別分析、邏輯線性回歸分析與人工神經(jīng)網(wǎng)絡(luò)模型進(jìn)行財(cái)務(wù)困境預(yù)測(cè)分析；徐光華、吳明鳴［10］（2006）通過(guò)logistic回歸模型檢驗(yàn)了傳統(tǒng)財(cái)務(wù)指標(biāo)與EVA指標(biāo)對(duì)財(cái)務(wù)困境企業(yè)的預(yù)測(cè)能力。

筆者認(rèn)為，二元logit回歸模型優(yōu)勢(shì)明顯尤其是巧妙規(guī)避了因變量指標(biāo)的正態(tài)分布條件，由此在多種判別方法中其判別效果顯著性提高是必然。然而，無(wú)論是哪種多元回歸方法，都沒(méi)有克服構(gòu)筑線性判別標(biāo)志進(jìn)行“回歸”的程序，存在理論上的支持卻無(wú)法更好地?cái)M合實(shí)際情況；而且多變量財(cái)務(wù)預(yù)警機(jī)制大多著眼于截面數(shù)據(jù)，忽視了指標(biāo)時(shí)序性在預(yù)警機(jī)制中的邏輯性與延展性；同時(shí)發(fā)現(xiàn)國(guó)內(nèi)外研究者在構(gòu)建財(cái)務(wù)預(yù)警機(jī)制模型時(shí)，已出現(xiàn)多種模型組合式評(píng)價(jià)財(cái)務(wù)困境的建模分析趨勢(shì)即或者通過(guò)比較多種模型的優(yōu)缺點(diǎn)、或者通過(guò)多種模型進(jìn)行相互印證來(lái)全面系統(tǒng)構(gòu)建財(cái)務(wù)預(yù)警機(jī)制。

三、基于數(shù)據(jù)挖掘的財(cái)務(wù)預(yù)警模型

國(guó)內(nèi)外財(cái)務(wù)預(yù)警機(jī)制模型的構(gòu)建也逐漸成熟到探尋更深層次方式進(jìn)行財(cái)務(wù)困境判別，諸如BP人工神經(jīng)網(wǎng)絡(luò)預(yù)警機(jī)制、粗糙集、決策樹(shù)模型、Kalman濾波等具有數(shù)據(jù)挖掘思想的非線性回歸方法，并且此類方法均能克服變量的正態(tài)分布條件假設(shè)，在擬合實(shí)際情況上更具優(yōu)越性。

Minsky的多層神經(jīng)網(wǎng)絡(luò)設(shè)想在Rumelhart（1985）提出BP（Back-Propagation）誤差反向傳遞算法之后得以廣泛應(yīng)用。1987年Lapedes和Faybers［11］首先將神經(jīng)網(wǎng)絡(luò)用于財(cái)務(wù)預(yù)警機(jī)制的研究；國(guó)內(nèi)學(xué)者近幾年也開(kāi)始研究財(cái)務(wù)困境機(jī)制的神經(jīng)網(wǎng)絡(luò)模型。周敏、王新宇［12］（2002）認(rèn)為神經(jīng)網(wǎng)絡(luò)模型構(gòu)建的財(cái)務(wù)預(yù)警機(jī)制比多元判別分析與二元logistic回歸模型的判別更有效；呂長(zhǎng)江、周現(xiàn)華（2005）提出多元判別分析、logistic回歸分析與人工神經(jīng)網(wǎng)絡(luò)模型構(gòu)建的財(cái)務(wù)預(yù)警機(jī)制都能在提前1年與2─3年對(duì)企業(yè)財(cái)務(wù)困境進(jìn)行具備一定精確度的判別，但人工神經(jīng)網(wǎng)絡(luò)誤判率最低。

表2 基于數(shù)據(jù)挖掘的財(cái)務(wù)預(yù)警模型概覽

近年來(lái)我國(guó)學(xué)者不僅跳出傳統(tǒng)判別分析方法采用人工神經(jīng)網(wǎng)絡(luò)模型進(jìn)行財(cái)務(wù)預(yù)警機(jī)制的構(gòu)建，更有結(jié)合更深層次方法修正BP人工神經(jīng)網(wǎng)絡(luò)存在的局限性，進(jìn)一步提高財(cái)務(wù)困境預(yù)測(cè)精確度的研究趨勢(shì)。劉彥文［13］（2007）提出粗糙集與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的算法提高了BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建的財(cái)務(wù)預(yù)警機(jī)制的精確度；周輝仁［14］（2010）提出遞階遺傳算法與BP網(wǎng)絡(luò)結(jié)合的財(cái)務(wù)預(yù)警機(jī)制。采用新算法進(jìn)行構(gòu)建動(dòng)態(tài)財(cái)務(wù)預(yù)警機(jī)制的思想層出不窮，閆二梅［15］（2008）采用決策樹(shù)模型與二元logit回歸模型相比較得出基于決策樹(shù)模型的財(cái)務(wù)預(yù)警機(jī)制誤判率更低；孫曉琳［16］（2010）通過(guò)Kalman濾波理論構(gòu)建財(cái)務(wù)預(yù)警測(cè)量方程建立的動(dòng)態(tài)財(cái)務(wù)預(yù)警模型對(duì)英國(guó)和愛(ài)爾蘭180家樣本公司進(jìn)行為期5─10年的財(cái)務(wù)數(shù)據(jù)時(shí)序研究，得到判別準(zhǔn)確率為87.1%的結(jié)果。

筆者認(rèn)為，財(cái)務(wù)預(yù)警機(jī)制傳統(tǒng)判別模型存在的缺陷不斷被新模型逐漸修補(bǔ)，如基于數(shù)據(jù)挖掘思想的BP神經(jīng)網(wǎng)絡(luò)模型以及更新的算法都在提高財(cái)務(wù)預(yù)警機(jī)制的判別精確度。因此采用基于數(shù)據(jù)挖掘思想的財(cái)務(wù)預(yù)警模型勢(shì)在必行，但同時(shí)要正視各種模型仍存在的缺陷，采取取長(zhǎng)補(bǔ)短的思路將主流與前沿的財(cái)務(wù)預(yù)警模型結(jié)合起來(lái)綜合考慮其對(duì)企業(yè)財(cái)務(wù)困境的判別效力；而且綜合多種財(cái)務(wù)預(yù)警模型可以采用層層遞進(jìn)的模式，利用傳統(tǒng)的靜態(tài)的財(cái)務(wù)預(yù)警模型為前沿的動(dòng)態(tài)的財(cái)務(wù)預(yù)警模型作基礎(chǔ)準(zhǔn)備，如利用傳統(tǒng)的預(yù)警模型篩選出具備判別效力的單個(gè)敏感性指標(biāo)構(gòu)建出敏感性指標(biāo)體系，再將已經(jīng)經(jīng)過(guò)初次判定具有效力的指標(biāo)體系經(jīng)過(guò)動(dòng)態(tài)財(cái)務(wù)預(yù)警模型得到判別效力高的最終預(yù)警機(jī)制。

四、其他問(wèn)題

財(cái)務(wù)困境或財(cái)務(wù)危機(jī)的定義最初設(shè)定對(duì)象為破產(chǎn)企業(yè)。歷經(jīng) Beaver（1966）、Deakin（1972）、Carmichael（1972）、Ross（1999、2000）等學(xué)者的研究，豐富財(cái)務(wù)困境內(nèi)涵的同時(shí)也為我國(guó)學(xué)者選擇財(cái)務(wù)困境企業(yè)對(duì)象提供了思考。與我國(guó)國(guó)情相結(jié)合，在我國(guó)學(xué)者近年來(lái)的研究中，對(duì)財(cái)務(wù)困境企業(yè)多數(shù)選取了被ST的上市公司。也存在選擇財(cái)務(wù)狀況異常被監(jiān)控的被ST上市公司、破產(chǎn)公司、流動(dòng)比率異常等企業(yè)作為財(cái)務(wù)困境研究對(duì)象。姜天［17］、韓立巖（2004）選取了我國(guó)預(yù)虧上市公司采用logit回歸進(jìn)行財(cái)務(wù)困境預(yù)測(cè)實(shí)現(xiàn)判類精確率達(dá)86.7%。

可見(jiàn)，財(cái)務(wù)預(yù)警機(jī)制的發(fā)展歷程實(shí)質(zhì)是為財(cái)務(wù)指標(biāo)篩選的歷程。從最初的單變量財(cái)務(wù)指標(biāo)，多變量財(cái)務(wù)指標(biāo)，到結(jié)合財(cái)務(wù)指標(biāo)與非財(cái)務(wù)指標(biāo)的綜合指標(biāo)體系，歷經(jīng)了近80年的研究。筆者從研究方法角度列舉了財(cái)務(wù)預(yù)警機(jī)制的發(fā)生、發(fā)展到而今的成熟階段的各個(gè)模型，然而貫穿于各種研究方法中的核心部分卻仍是財(cái)務(wù)預(yù)警機(jī)制指標(biāo)體系的選擇。顯而易見(jiàn)，同一模型下不同指標(biāo)體系的選取對(duì)最終判別結(jié)果的影響是迥異的；而同一指標(biāo)體系下的不同模型對(duì)財(cái)務(wù)困境的判別結(jié)果也是有差異的。

筆者認(rèn)為，對(duì)財(cái)務(wù)困境企業(yè)對(duì)象進(jìn)行明確是構(gòu)建財(cái)務(wù)預(yù)警機(jī)制的第一步；而系統(tǒng)性選擇財(cái)務(wù)預(yù)警指標(biāo)體系則是核心內(nèi)容。從理論背景與我國(guó)國(guó)情來(lái)明確財(cái)務(wù)困境企業(yè)的思路切實(shí)可行；從財(cái)務(wù)理論背景角度系統(tǒng)性構(gòu)建財(cái)務(wù)預(yù)警指標(biāo)體系勢(shì)在必行。由此再開(kāi)始方法論角度構(gòu)建具備統(tǒng)計(jì)意義與經(jīng)濟(jì)意義的財(cái)務(wù)預(yù)警機(jī)制。

［1］Beaver W.H..Financial Ratios as Predictors of Failure［J］.Journal of Accounting Research，1966，（4）：71─102.

［2］吳世農(nóng)，盧賢義.我國(guó)上市公司財(cái)務(wù)困境的預(yù)測(cè)模型研究［J］.經(jīng)濟(jì)研究，2001，（6），46─55.

［3］Altman Edvard I.. Financial Ratios， Discriminant Analysisand Prediction ofCorporateBankruptcy［J］.Journal of Finance，1968，（9）：589─609.

［4］趙健梅，王春莉.財(cái)務(wù)危機(jī)預(yù)警在我國(guó)上市公司的實(shí)證研究［J］.數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究，2003，（7）：134─138.

［5］周首華，楊濟(jì)華，王平.論財(cái)務(wù)危機(jī)的預(yù)警分析──F分?jǐn)?shù)模式［J］.會(huì)計(jì)研究，1996，（8）：10─13.

［6］楊淑娥，徐偉剛.上市公司財(cái)務(wù)預(yù)警模型——Y分?jǐn)?shù)模型的實(shí)證研究［J］.中國(guó)軟科學(xué)，2003，（1）：56─60.

［7］Ohlson J.A..Financial Ratios and the Probabilistic Prediction ofBankruptcy［J］.JournalofAccounting Research，1980，（19）：109─131.

［8］Balcaen，Sofie，&Ooghe，Hubert（2006），35 Years of Studies on Business Failure：An Overview of the ClassicalStatisticalMethodologies and theirRelated Problems.The British Accounting Review，38（1），63─93.

［9］呂長(zhǎng)江，周現(xiàn)華.上市公司財(cái)務(wù)困境預(yù)測(cè)方法的比較研究［J］.吉林大學(xué)社會(huì)科學(xué)學(xué)報(bào)，2005，（6）：107.

［10］徐光華，吳明鳴.基于EVA的行業(yè)財(cái)務(wù)預(yù)警模型研究——以滬市IT上市公司為例［J］.經(jīng)濟(jì)管理，2006，（24）：63─68.

［11］Lapedes A.， Fayber R.. Advances in Neural Information Processing Systems ［M］. American Institute of Physics，1987：442─456.

［12］周敏，王新宇.基于模糊優(yōu)選和神經(jīng)網(wǎng)絡(luò)的企業(yè)財(cái)務(wù)危機(jī)預(yù)警［J］.管理科學(xué)學(xué)報(bào)，2002，（3）：86─90.

［13］劉彥文，戴紅軍.基于粗糙集-神經(jīng)網(wǎng)絡(luò)的財(cái)務(wù)危機(jī)預(yù)警模型實(shí)證研究［J］.科研管理，2007，（6）：138─145.

［14］周輝仁，唐萬(wàn)生，任仙玲.基于遞階遺傳算法和BP網(wǎng)絡(luò)的財(cái)務(wù)預(yù)警［J］.系統(tǒng)管理學(xué)學(xué)報(bào)，2010，（2）：1─4.

［15］閆二梅.基于決策樹(shù)的上市公司財(cái)務(wù)危機(jī)預(yù)警［J］.山東商業(yè)會(huì)計(jì)，2008，（1）：9─11.

［16］孫曉琳，田也壯，王文彬.基于Kalman濾波的企業(yè)財(cái)務(wù)危機(jī)動(dòng)態(tài)預(yù)警模型［J］.系統(tǒng)管理學(xué)學(xué)報(bào)，2010，（4）：408─414.

［17］姜天，韓立巖.基于Logit模型的中國(guó)預(yù)虧上市公司財(cái)務(wù)困境預(yù)測(cè)［J］.北京航空航天大學(xué)學(xué)報(bào)，2004，（1）：54─58.