基于商業(yè)智能的制造業(yè)上市公司財(cái)務(wù)預(yù)警系統(tǒng)研究*

桂林電子科技大學(xué)商學(xué)院 戴 東 曾繁榮 劉 希

制造業(yè)是一國(guó)經(jīng)濟(jì)發(fā)展的載體和基礎(chǔ)。一個(gè)國(guó)家制造業(yè)發(fā)展的好壞在很大程度上決定了這個(gè)國(guó)家在世界經(jīng)濟(jì)中的地位。自2008年金融危機(jī)以來(lái)，我國(guó)制造業(yè)的發(fā)展受到了很大影響，政府采取了很多措施對(duì)制造業(yè)進(jìn)行轉(zhuǎn)型和升級(jí)，但是就目前的經(jīng)濟(jì)狀況不難發(fā)現(xiàn)，我國(guó)制造業(yè)仍然處于低迷狀態(tài)。

一、制造業(yè)上市公司財(cái)務(wù)預(yù)警指標(biāo)構(gòu)建

傳統(tǒng)的財(cái)務(wù)分析方法單純的以財(cái)務(wù)報(bào)表為基礎(chǔ)，就多個(gè)指標(biāo)進(jìn)行分析，與這種相對(duì)靜態(tài)的分析方法相比，把商業(yè)智能運(yùn)用到財(cái)務(wù)預(yù)警系統(tǒng)中，通過將財(cái)務(wù)數(shù)據(jù)和各種外部數(shù)據(jù)進(jìn)行收集、歸納和量化（ETL技術(shù)），建立數(shù)據(jù)倉(cāng)庫(kù)，利用聯(lián)機(jī)分析處理工具（OLAP技術(shù)） 和數(shù)據(jù)挖掘工具（Date Mining）結(jié)合專門的財(cái)務(wù)知識(shí)進(jìn)行分析，將數(shù)據(jù)轉(zhuǎn)化成有用的信息，從而能為信息使用者提供了一個(gè)動(dòng)態(tài)的財(cái)務(wù)系統(tǒng)研究。為了闡明商業(yè)智能技術(shù)在制造業(yè)上市公司財(cái)務(wù)預(yù)警系統(tǒng)中的應(yīng)用，以下對(duì)財(cái)務(wù)預(yù)警指標(biāo)的構(gòu)建過程進(jìn)行說(shuō)明：

（一）樣本選取 對(duì)于上市公司何時(shí)出現(xiàn)財(cái)務(wù)危機(jī)，不同的學(xué)者對(duì)此有不同的理解和觀點(diǎn)，國(guó)外學(xué)者在進(jìn)行研究時(shí)將企業(yè)破產(chǎn)作為財(cái)務(wù)危機(jī)的標(biāo)志，但是基于我國(guó)資本市場(chǎng)尚不完善以及破產(chǎn)制度尚不健全，上市公司出現(xiàn)破產(chǎn)的情況是鮮見的，這種情況決定了我國(guó)上市公司以企業(yè)破產(chǎn)來(lái)判定財(cái)務(wù)危機(jī)的不客觀性。從我國(guó)的財(cái)務(wù)危機(jī)預(yù)警的研究文獻(xiàn)中可以看出，大部分的研究多是采用ST（special treatment）來(lái)界定是否出現(xiàn)財(cái)務(wù)危機(jī)，即公司經(jīng)營(yíng)連續(xù)兩年虧損，被特別處理。本文選取了制造業(yè)滬深兩市A股市場(chǎng)2010、2011、2012、2013年被首次ST上市公司為樣本，共計(jì)50家。2010年首次被ST的制造業(yè)上市公司共計(jì)22家；2011年首次被ST的為12家；2012年首次被ST的為9家；2013年首次被ST的上市公司為7家。同時(shí)根據(jù)行業(yè)類別和上市的時(shí)間和規(guī)模選取了50家財(cái)務(wù)狀況正常的上市公司作為配對(duì)樣本進(jìn)行研究。對(duì)于樣本的時(shí)間范圍的選擇，不同的學(xué)者也會(huì)有不同的觀點(diǎn)，但是本文選擇的樣本是首次被ST的上市公司，即如果該公司第t年被ST，那么在t-1和t-2年已經(jīng)出現(xiàn)了虧損，所以如果選擇這兩年的財(cái)務(wù)數(shù)據(jù)，會(huì)引起模型的高估，如果選擇t-4年財(cái)務(wù)數(shù)據(jù)，出現(xiàn)危機(jī)的公司和正常的公司又沒有顯著性差異，所以本文認(rèn)為t-3年是轉(zhuǎn)折點(diǎn)，選擇t-3年的財(cái)務(wù)數(shù)據(jù)更有研究意義。

（二）財(cái)務(wù)指標(biāo)確定 財(cái)務(wù)指標(biāo)是否合理決定了財(cái)務(wù)預(yù)警的準(zhǔn)確性，根據(jù)財(cái)務(wù)指標(biāo)選取遵循的全面性準(zhǔn)確性和顯著性原則，參考了國(guó)家頒布的中國(guó)上市公司業(yè)績(jī)?cè)u(píng)價(jià)指標(biāo)體系，結(jié)合國(guó)內(nèi)外學(xué)者已有的研究，本文選取了29個(gè)指標(biāo)涉及了上市公司的五個(gè)方面：（1）盈利能力。為了反映企業(yè)獲取利潤(rùn)的能力，選取了凈資產(chǎn)收益率、總資產(chǎn)凈利潤(rùn)率、營(yíng)業(yè)利潤(rùn)率、銷售凈利率、股本報(bào)酬率、主營(yíng)業(yè)務(wù)利潤(rùn)率和成本費(fèi)用利潤(rùn)率7個(gè)指標(biāo)。（2）營(yíng)運(yùn)能力。為了反映企業(yè)的經(jīng)營(yíng)狀況，選取了總資產(chǎn)周轉(zhuǎn)率（次）、固定資產(chǎn)周轉(zhuǎn)率、流動(dòng)資產(chǎn)周轉(zhuǎn)率（次）、應(yīng)收賬款周轉(zhuǎn)率（次）、股東權(quán)益周轉(zhuǎn)率和存貨周轉(zhuǎn)率（次）。（3）償債能力。為了反映企業(yè)償還債務(wù)的能力和資產(chǎn)負(fù)債水平，選取了流動(dòng)比率、速動(dòng)比率、現(xiàn)金比率、資產(chǎn)負(fù)債率、利息支付倍數(shù)、股東權(quán)益比率和負(fù)債與所有者權(quán)益比率。（4）發(fā)展能力。為了反映企業(yè)的成長(zhǎng)性和開源創(chuàng)收的能力，選取了凈利潤(rùn)增長(zhǎng)率、主營(yíng)業(yè)務(wù)收入增長(zhǎng)率、總資產(chǎn)增長(zhǎng)率和凈資產(chǎn)增長(zhǎng)率。（5）現(xiàn)金流量。本文選取了經(jīng)營(yíng)現(xiàn)金流量對(duì)銷售收入比率、資產(chǎn)的經(jīng)營(yíng)現(xiàn)金流量回報(bào)率、經(jīng)營(yíng)現(xiàn)金凈流量與凈利潤(rùn)的比率、經(jīng)營(yíng)現(xiàn)金凈流量對(duì)負(fù)債比率和現(xiàn)金流量比率5個(gè)指標(biāo)。

即使指標(biāo)選擇嚴(yán)謹(jǐn)，但這些指標(biāo)中某些指標(biāo)間還是有一定的相關(guān)性，并且過多的指標(biāo)會(huì)增加信息的收集和整理難度，降低工作效率，所以要對(duì)這些指標(biāo)進(jìn)行優(yōu)化。將初選五個(gè)方面的所有29個(gè)指標(biāo)匯總進(jìn)行正態(tài)性檢驗(yàn)，將服從正態(tài)性分布的指標(biāo)體系進(jìn)一步做T檢驗(yàn)，以確定哪些指標(biāo)具有顯著性作用，篩選出顯著性指標(biāo)，刪除不顯著的指標(biāo)；將沒有服從正態(tài)性分布的指標(biāo)體系進(jìn)一步做非參數(shù)檢驗(yàn)，同理確定這部分指標(biāo)中的顯著性指標(biāo)，刪除不顯著的指標(biāo)，最后匯總所有顯著性指標(biāo)用于構(gòu)建上市公司財(cái)務(wù)系統(tǒng)指標(biāo)體系。此優(yōu)化過程不僅解決了預(yù)警指標(biāo)體系的顯著性問題，同時(shí)也達(dá)到了盡可能降低了預(yù)警指標(biāo)體系的維度的目的。經(jīng)過對(duì)以上29個(gè)指標(biāo)進(jìn)行處理可以發(fā)現(xiàn)，只有流動(dòng)資產(chǎn)周轉(zhuǎn)率、股東權(quán)益周轉(zhuǎn)率、存貨周轉(zhuǎn)率、凈利潤(rùn)增長(zhǎng)率和經(jīng)營(yíng)現(xiàn)金凈流量與凈利潤(rùn)的比率5個(gè)指標(biāo)不具有顯著性，予以剔除，剩余24個(gè)指標(biāo)構(gòu)成預(yù)警指標(biāo)體系。

二、基于商業(yè)智能的制造業(yè)上市公司財(cái)務(wù)預(yù)警系統(tǒng)實(shí)現(xiàn)

商業(yè)智能系統(tǒng)有三大技術(shù)支持：數(shù)據(jù)倉(cāng)庫(kù)（Data Warehouse）,聯(lián)機(jī)分析處理（OLAP） 和數(shù)據(jù)挖掘（Data Mining）。數(shù)據(jù)倉(cāng)庫(kù)用于存儲(chǔ)有用信息，OLAP技術(shù)可以從不同層面進(jìn)行全面了解儲(chǔ)存在數(shù)據(jù)倉(cāng)庫(kù)中的信息，數(shù)據(jù)挖掘則是發(fā)現(xiàn)問題找規(guī)律，并對(duì)將來(lái)進(jìn)行預(yù)測(cè)。商業(yè)智能實(shí)現(xiàn)大體的過程是收集數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行清理、轉(zhuǎn)化，存入數(shù)據(jù)倉(cāng)庫(kù)，將倉(cāng)庫(kù)數(shù)據(jù)變?yōu)樾畔ⅲ⒂肙LAP工具、數(shù)據(jù)挖掘工具對(duì)信息進(jìn)行處理，將信息變?yōu)閷?duì)決策有用的知識(shí)。其架構(gòu)如圖1所示。

圖1

（一）數(shù)據(jù)倉(cāng)庫(kù)建立 數(shù)據(jù)倉(cāng)庫(kù)是個(gè)容器，它可以用一種安全可靠的方式對(duì)數(shù)據(jù)進(jìn)行存儲(chǔ)和管理，是一個(gè)從中可以查找信息的計(jì)算環(huán)境，運(yùn)用數(shù)據(jù)倉(cāng)庫(kù)可以對(duì)上市公司的錯(cuò)綜復(fù)雜的數(shù)據(jù)進(jìn)行靈活處理，并對(duì)信息使用者提供有用的信息。

（1）數(shù)據(jù)倉(cāng)庫(kù)概念模型設(shè)計(jì)。概念模型主要任務(wù)是界定系統(tǒng)邊界和確定主題域及內(nèi)容，它是現(xiàn)實(shí)世界的一個(gè)真實(shí)模型，滿足用戶對(duì)數(shù)據(jù)的分析。對(duì)于概念模型的設(shè)計(jì)，要易于理解，易于更改，易于像邏輯模型轉(zhuǎn)換。通常在設(shè)計(jì)概念模型時(shí)，用E-R數(shù)據(jù)模型來(lái)描述實(shí)體與屬性之間的關(guān)系。對(duì)于本文所要研究目的，分為兩個(gè)主題（實(shí)體）公司和財(cái)務(wù)指標(biāo)，具體E-R圖如圖2所示。

圖2

（2）數(shù)據(jù)倉(cāng)庫(kù)邏輯模型設(shè)計(jì)。邏輯模型是以概念模型為基礎(chǔ)，對(duì)概念模型進(jìn)一步的細(xì)分，它包括了實(shí)體以及實(shí)體的屬性和關(guān)系，定義實(shí)體的主鍵，指定實(shí)體的外鍵。鑒于本文的研究目的，選取了在操作和執(zhí)行過程比較簡(jiǎn)單的星型模型結(jié)構(gòu)，由一個(gè)事實(shí)表和一組維表構(gòu)成。根據(jù)前面概念模型的分析，本系統(tǒng)將建立三個(gè)維表分別為時(shí)間維表、公司維表和財(cái)務(wù)指標(biāo)維表。

時(shí)間維表：包括時(shí)間ID、年度、半年度和季度。本文研究的是制造業(yè)上市公司的財(cái)務(wù)預(yù)警，以財(cái)務(wù)指標(biāo)為基礎(chǔ)，一般財(cái)務(wù)指標(biāo)的報(bào)告以季度進(jìn)行，所以其最小粒度劃分到季度就可以。

公司維表：包括公司ID、上市公司股票代碼、是否ST以及所屬行業(yè)。對(duì)于是否ST，可以將制造業(yè)的上市公司分為ST和非ST兩大類分別查詢，也可以按照所屬行業(yè)進(jìn)行查詢，更加有利于數(shù)據(jù)信息的規(guī)整查詢。

財(cái)務(wù)指標(biāo)維表：包括指標(biāo)ID、指標(biāo)類型、指標(biāo)名稱和計(jì)算公式。財(cái)務(wù)指標(biāo)可以通過償債能力、發(fā)展能力、盈利能力、營(yíng)運(yùn)能力和現(xiàn)金流量進(jìn)行分析和查詢，有利于指標(biāo)數(shù)據(jù)的分類和提取。

對(duì)于進(jìn)行財(cái)務(wù)分析的事實(shí)表不僅包括了各個(gè)維表的主鍵還包括了度量值（財(cái)務(wù)指標(biāo)值）。包括了度量值信息的最底層級(jí)別的明細(xì)，每個(gè)維度的項(xiàng)目成員在事實(shí)表中都有數(shù)據(jù)行。

（3）數(shù)據(jù)倉(cāng)庫(kù)物理模型設(shè)計(jì)。數(shù)據(jù)倉(cāng)庫(kù)的邏輯模型要在物理系統(tǒng)中實(shí)現(xiàn)，即把邏輯模型具體化，例如要考慮數(shù)據(jù)存放的位置、數(shù)據(jù)的結(jié)構(gòu)類型、設(shè)計(jì)存儲(chǔ)結(jié)構(gòu)、索引策略等。設(shè)計(jì)物理模型的主要目的是提高數(shù)據(jù)倉(cāng)庫(kù)的性能和更好地管理存儲(chǔ)數(shù)據(jù)。對(duì)于本文商業(yè)智能所選用的軟件相對(duì)更加高效、可信任以及智能的SQL Server2008。根據(jù)以上的設(shè)計(jì)建立的星型數(shù)據(jù)倉(cāng)庫(kù)模型如圖3所示。

圖3

（二）基于OLAP 技術(shù)的多維財(cái)務(wù)數(shù)據(jù)分析 在前文數(shù)據(jù)倉(cāng)庫(kù)創(chuàng)建的多維數(shù)據(jù)集,要在該數(shù)據(jù)集中對(duì)財(cái)務(wù)數(shù)據(jù)進(jìn)行分析,從多方面和角度深刻了解制造業(yè)上市公司的財(cái)務(wù)數(shù)據(jù),以便更深刻地挖掘出數(shù)據(jù)背后之間的關(guān)系。根據(jù)前面所建立的多維數(shù)據(jù)模型，可以方便從各個(gè)角度之間進(jìn)行切換，也可以進(jìn)行多角度的綜合分析。OLAP技術(shù)查看數(shù)據(jù)的方式包括切片和切塊、旋轉(zhuǎn)、鉆取。在多維數(shù)據(jù)集中，切片是按二維進(jìn)行切片，三維進(jìn)行切塊的；旋轉(zhuǎn)操作是指改變頁(yè)面顯示維的方向；鉆取包括向上鉆取和向下鉆取兩種，它可以改變維的層次變換分析的粒度，在信息查詢中，可以從年度數(shù)據(jù)細(xì)分到半年度數(shù)據(jù)，半年度數(shù)據(jù)細(xì)分到各個(gè)季度數(shù)據(jù)，這種是向下鉆取；向上鉆取則是反方向進(jìn)行。

對(duì)于多維數(shù)據(jù)集的前端展現(xiàn)，本文選用了excel2007來(lái)展示OLAP數(shù)據(jù)，當(dāng)excel與SQL server多維數(shù)據(jù)集連接后，本文隨機(jī)選取了2012年被首次ST的*ST銀河和它的配對(duì)樣本中聯(lián)重科在T-3（2009年）的財(cái)務(wù)指標(biāo)，并以顯著性指標(biāo)為篩選條件，利用數(shù)據(jù)透視表構(gòu)建了兩公司的財(cái)務(wù)指標(biāo)折線圖，如圖4所示。

圖4

對(duì)中聯(lián)重科和*ST銀河的各個(gè)財(cái)務(wù)指標(biāo)對(duì)比發(fā)現(xiàn)X5股本報(bào)酬率、X9固定資產(chǎn)周轉(zhuǎn)率、X11應(yīng)收賬款周轉(zhuǎn)率、X18利息支付倍數(shù)和X20負(fù)債與所有者權(quán)益比率五個(gè)指標(biāo)數(shù)據(jù)有較為明顯的差距，其余的19個(gè)指標(biāo)數(shù)據(jù)相差很小。中聯(lián)重科和*ST銀河屬于電器機(jī)械及器材制造業(yè)，中聯(lián)重科的這五個(gè)指標(biāo)均顯著高于*ST銀河，說(shuō)明中聯(lián)重科的盈利能力、固定資產(chǎn)的利用效率、管理水平和長(zhǎng)期償債能力均相對(duì)較好，總體水平要好于*ST銀河。因?yàn)樗鼈兲幱陔娖鳈C(jī)械及器材制造業(yè)，筆者認(rèn)為，應(yīng)收賬款周轉(zhuǎn)率相對(duì)來(lái)說(shuō)更為重要一些，應(yīng)收賬款周轉(zhuǎn)率越高，說(shuō)明應(yīng)收賬款回收就越快，企業(yè)的營(yíng)運(yùn)資金不會(huì)過多呆滯在應(yīng)收賬款上，以免影響企業(yè)的營(yíng)運(yùn)效果，加大企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)，在這一方面中聯(lián)重科要強(qiáng)于*ST銀河，為以后的發(fā)展奠定了基礎(chǔ)。

（三）基于數(shù)據(jù)挖掘的財(cái)務(wù)預(yù)警模型 對(duì)于已經(jīng)存在的財(cái)務(wù)信息，可以利用OLAP技術(shù)從不同的維度由財(cái)務(wù)數(shù)據(jù)倉(cāng)庫(kù)中獲取，但是對(duì)于數(shù)據(jù)倉(cāng)庫(kù)數(shù)據(jù)中潛在的、隱藏的關(guān)系和信息很難得到充分體現(xiàn)，以確定上市公司財(cái)務(wù)發(fā)展趨勢(shì)。為此，需要利用數(shù)據(jù)挖掘技術(shù)對(duì)它們進(jìn)行深度的挖掘，構(gòu)建制造業(yè)上市公司財(cái)務(wù)危機(jī)預(yù)警模型。

本文選取了2010~2013年被首次ST的51家制造業(yè)上市公司和51家非ST配對(duì)公司，共有102家分成測(cè)試樣本和訓(xùn)練樣本，其中70%作為訓(xùn)練樣本，剩余30%為測(cè)試樣本。在構(gòu)建的挖掘結(jié)構(gòu)中，將公司設(shè)為Key（索引鍵），經(jīng)過顯著性分析的24個(gè)財(cái)務(wù)指標(biāo)設(shè)為輸入列，把是否ST作為預(yù)測(cè)列，建立挖掘模型。

本文選取了決策樹挖掘模型，決策樹可以有效對(duì)大量數(shù)據(jù)集進(jìn)行分類，結(jié)果簡(jiǎn)單易懂，是挖掘模型中較為常用的一種算法，判別率也較高。根據(jù)訓(xùn)練樣本和24個(gè)顯著性指標(biāo)作為輸入變量，建立決策樹模型，生成的決策樹如圖5所示。

圖5

從圖中可以看出，根據(jù)訓(xùn)練樣本的財(cái)務(wù)數(shù)據(jù)可以生成六個(gè)節(jié)點(diǎn)的決策樹，從該決策樹可以很容易地發(fā)現(xiàn)如下規(guī)則：與是否ST關(guān)系最為緊密的是凈資產(chǎn)收益率,當(dāng)上市公司凈資產(chǎn)收益率＜0.305，三年后該公司被ST的比率會(huì)比較大，概率為93.1%；當(dāng)上市公司凈資產(chǎn)收益率X1<.0305且負(fù)債與所有者權(quán)益比率X20<2.876時(shí)，三年后該上市公司被ST的概率為96.1%；相反當(dāng)上市公司凈資產(chǎn)收益率X1≥.0305且銷售凈利率X4≥.0680033時(shí)，三年后該上市公司財(cái)務(wù)趨于正常，被ST的概率僅為3.7%。

SQL server2008的數(shù)據(jù)挖掘查看器中有很多選項(xiàng)卡，可以從不同的角度來(lái)顯示模型，依賴關(guān)系網(wǎng)絡(luò)可以顯示決策樹模型中所有屬性之間的關(guān)系，所生成的依賴關(guān)系網(wǎng)絡(luò)如圖6所示。

依賴關(guān)系網(wǎng)絡(luò)證明了被首次ST的T-3年，凈資產(chǎn)收益率、銷售凈利率、股本報(bào)酬率、股東權(quán)益比率、負(fù)債與所有者權(quán)益比率和經(jīng)營(yíng)現(xiàn)金凈流量對(duì)負(fù)債比率這六個(gè)指標(biāo)與是否ST有較強(qiáng)的相關(guān)性，其中凈資產(chǎn)收益率與是否ST緊密性最強(qiáng)。

圖6

基于數(shù)據(jù)挖掘的預(yù)警模型已經(jīng)構(gòu)建，本文通過分類矩陣的方式對(duì)模型的效果進(jìn)行驗(yàn)證。分類矩陣將顯示模型預(yù)測(cè)正確的次數(shù)，當(dāng)預(yù)測(cè)錯(cuò)誤時(shí)，給出的答案是什么。對(duì)于模型進(jìn)行預(yù)測(cè)，本文是將剩余的30個(gè)測(cè)試樣本分別帶入模型檢測(cè)預(yù)測(cè)的準(zhǔn)確率。在決策樹模型中30個(gè)測(cè)試樣本中，預(yù)測(cè)正確的有24個(gè)，剩余的6個(gè)預(yù)測(cè)錯(cuò)誤，其中將2家三年后未被ST的上市公司預(yù)測(cè)為被ST，4家三年后被ST的上市公司預(yù)測(cè)為財(cái)務(wù)正常；決策樹算法的得分為0.8（24/30）。如圖7所示：

圖7

三、結(jié)論

針對(duì)制造業(yè)上市公司的財(cái)務(wù)預(yù)警問題，需要一個(gè)動(dòng)態(tài)的監(jiān)控系統(tǒng)進(jìn)行實(shí)時(shí)監(jiān)控，商業(yè)智能技術(shù)促進(jìn)了這一設(shè)想的實(shí)現(xiàn)。運(yùn)用商業(yè)智能來(lái)構(gòu)建財(cái)務(wù)預(yù)警系統(tǒng)可以將潛在的影響上市公司正常運(yùn)行的各種財(cái)務(wù)狀況實(shí)時(shí)反應(yīng)出來(lái)，數(shù)據(jù)倉(cāng)庫(kù)技術(shù)能夠使上市公司的數(shù)據(jù)進(jìn)行自動(dòng)更新存儲(chǔ)，OLAP技術(shù)能夠使對(duì)上市公司現(xiàn)有的財(cái)務(wù)數(shù)據(jù)進(jìn)行多維的分析，同時(shí)應(yīng)用數(shù)據(jù)挖掘技術(shù)建立財(cái)務(wù)預(yù)警模型，達(dá)到了對(duì)公司財(cái)務(wù)進(jìn)行動(dòng)態(tài)的監(jiān)控。本文選取2010~2013年首次被ST的51家A股上市公司和配對(duì)的51家非ST公司作為研究對(duì)象，通過商業(yè)智能技術(shù)對(duì)其財(cái)務(wù)進(jìn)行分析及判斷研究結(jié)論如下：決策樹算法建立的挖掘模型可以對(duì)制造業(yè)上市公司未來(lái)是否發(fā)生財(cái)務(wù)危機(jī)進(jìn)行較為正確的判斷，預(yù)測(cè)的準(zhǔn)確性達(dá)到80%；基于商業(yè)智能技術(shù)對(duì)上市公司的財(cái)務(wù)可以全面地進(jìn)行分析和預(yù)測(cè)，時(shí)效性更強(qiáng)。

［1］邢有洪：《上市公司財(cái)務(wù)危機(jī)預(yù)警研究》，《財(cái)會(huì)通訊》2013年第8 期。