[摘要]本文選取我國證券市場上446家制造業(yè)上市公司，以因財務(wù)狀況異常而被ST作為公司進入財務(wù)危機為標志，分別建立了基于財務(wù)指標的危機預(yù)測模型、基于非財務(wù)指標的危機預(yù)測模型和基于混合指標的危機預(yù)測模型，并對模型的預(yù)測結(jié)果進行了比較分析。分析發(fā)現(xiàn)，財務(wù)指標模型對于訓(xùn)練樣本預(yù)測精度好于非財務(wù)指標模型，但模型外推性（穩(wěn)定性）不如非財務(wù)指標模型。財務(wù)指標模型和非財務(wù)指標模型的互補性較強?；旌现笜四Ｐ图婢吡藛沃笜祟愋湍Ｐ偷膬?yōu)點，對于訓(xùn)練樣本和測試樣本的預(yù)測精度都具較高水平。

[關(guān)鍵詞] 財務(wù)危機 預(yù)測模型 財務(wù)指標 非財務(wù)指標

[中圖分類號]F275 [文獻標識碼]A[文章編號]1004-6623(2008)02-0096-06

[作者簡介] 柏丙林（1964—），湖南常德人，深圳中航地產(chǎn)股份有限公司副總經(jīng)理，高級會計師，博士。研究方向：產(chǎn)業(yè)經(jīng)濟；呂峻（1970—），甘肅靜寧人，中國社會科學(xué)院數(shù)量經(jīng)濟與技術(shù)經(jīng)濟研究所，博士。研究方向：產(chǎn)業(yè)經(jīng)濟。

一、引 言

對于財務(wù)危機預(yù)測的定量研究，一直是財務(wù)界研究的熱點。國外自Beaver（1966）的研究開始興起。之后，Altman（1968，1977，1993）、Olson（1980）、Odom（1990）、Catherine Dalton(1994)、Platt(1990，2002)等人在該領(lǐng)域進行了積極的探索和研究。國內(nèi)對于財務(wù)危機的定量研究從已有的文獻來看興起于陳靜（1999），其后隨著我國證券市場的發(fā)展，許多學(xué)者對于該領(lǐng)域進行了研究，比較有代表性的有陳曉和陳治鴻（2000）、吳世農(nóng)和盧賢義（2001）、劉洪（2004）等人的研究。

在該研究領(lǐng)域，一個很重要的問題是預(yù)測變量的選擇。從已有的研究來看，由于財務(wù)指標對于財務(wù)危機的可定義性、直觀性以及數(shù)據(jù)易得性，絕大多數(shù)學(xué)者在財務(wù)危機預(yù)測模型中均選擇了財務(wù)指標作為預(yù)測變量。但是，利用財務(wù)指標預(yù)測財務(wù)危機也存在一定的局限性，比如財務(wù)指標易于被操縱，不能反映企業(yè)陷入財務(wù)危機的原因，無法進行較為遠期的預(yù)測等等。于是，許多國外學(xué)者在預(yù)測變量的選擇上進行了積極的探索，在傳統(tǒng)財務(wù)指標的基礎(chǔ)上引入了許多非財務(wù)指標，如產(chǎn)業(yè)變量(Plat Plat ，1990)、宏觀經(jīng)濟變量（Rose， Andrews Giroux， 1982）、治理結(jié)構(gòu)（Catherine Dalton，1994；Fathi Gueyie，2001）等變量。國內(nèi)學(xué)者對于預(yù)測變量拓展的相關(guān)文獻不多，姜秀華和孫錚（2001）將股權(quán)集中系數(shù)納入財務(wù)危機預(yù)測模型中。實證發(fā)現(xiàn)，在財務(wù)危機預(yù)測模型中引入這些非財務(wù)指標后，模型預(yù)測精度都得到一定程度的提高。

非財務(wù)指標的類型有許多種，如宏觀經(jīng)濟變量、產(chǎn)業(yè)、地域、治理結(jié)構(gòu)、人力資源、企業(yè)戰(zhàn)略、制度建設(shè)、市場份額、客戶滿意度、企業(yè)年齡等等。但要將之應(yīng)用于財務(wù)危機的定量研究，除需其與財務(wù)危機的發(fā)生具有相關(guān)性外，還需其容易量化且數(shù)據(jù)容易獲得。然而大多數(shù)非財務(wù)指標不具有這一特性。從目前情況來看，已被理論和實踐所證明影響公司業(yè)績的、上市公司需定期披露的治理結(jié)構(gòu)指標是進行財務(wù)危機研究的有效工具之一①。

雖然國內(nèi)外學(xué)者在財務(wù)危機預(yù)測的研究中，對引入治理結(jié)構(gòu)指標等非財務(wù)指標作為預(yù)測進行了一定的嘗試，但從已有的研究來看，這類研究尚處于起步階段。所有已有的研究都是引入一個非財務(wù)指標，以財務(wù)指標為主構(gòu)建危機預(yù)測模型（同時包含財務(wù)指標和非財務(wù)指標的的危機預(yù)測模型，本文以下簡稱混合指標模型）。然后對引入非財務(wù)指標前后的模型預(yù)測精度進行了簡單比較。但是，他們對以下問題沒有進行探討：

（1）基于非財務(wù)指標的預(yù)測是否比基于財務(wù)指標的預(yù)測具有超前性？因為從理論上來說，非財務(wù)指標所反映的危機征兆的出現(xiàn)一般先于財務(wù)指標所反映的征兆，且財務(wù)報表的公布一般要滯后于財務(wù)報表所屬的會計年度。所以，基于非財務(wù)指標的危機預(yù)測模型（本文以下簡稱非財務(wù)指標模型）與基于財務(wù)指標的危機預(yù)測模型（本文以下簡稱財務(wù)指標模型）相比，前者預(yù)測的及時性和遠期精度應(yīng)該優(yōu)于后者。

（2）非財務(wù)指標模型的穩(wěn)定性是否優(yōu)于財務(wù)指標模型。因為從理論上來看，非財務(wù)指標不易于操縱，而且一般不會出現(xiàn)離群值、極端值，而財務(wù)指恰恰相反。所以，以非財務(wù)指標作為預(yù)測變量建立的模型，其外推性能②（穩(wěn)定性）應(yīng)該優(yōu)于以財務(wù)指標作為預(yù)測變量而建立的模型。

（3）同時利用財務(wù)指標模型和非財務(wù)指標模型進行預(yù)測，其所提供的預(yù)測結(jié)果與混合指標模型相比，其預(yù)測效果如何？是否能夠提供一些與混合指標模型相比，有利于判斷公司狀態(tài)的增量信息？因為，任何一個預(yù)測模型所包含的預(yù)測變量有限，混合指標模型與單指標類型模型相比③，勢必要遺漏一些相對重要的財務(wù)或非財務(wù)變量。而且，在混合指標模型中，由于財務(wù)指標和非財務(wù)指標之間的共同作用，雖然有利于判斷一些對于單指標類型模型來說的處于“灰色”區(qū)域的公司（指將該類公司數(shù)據(jù)代入預(yù)測模型，得出的預(yù)測值處于中間區(qū)域，很難判斷其未來是否會陷入財務(wù)危機），如對于財務(wù)狀況和治理狀況④相對偏弱的將來會進入財務(wù)危機的公司，通過混合指標模型就可以比較明確地正確判斷其將來的狀態(tài)。但對于財務(wù)狀況極好而治理狀況極差的（或者相反）公司，其將來狀態(tài)采用混合指標模型可能會判斷錯誤。所以，明確混合指標模型和單指標類型的預(yù)測結(jié)果各自的特點，對于我們在實際工作中有效利用危機預(yù)測模型、降低預(yù)測錯誤率大有幫助。

本文將分別構(gòu)建財務(wù)指標模型、非財務(wù)指標模型和混合指標模型，比較三類模型之間預(yù)測結(jié)果，來探索以上三個問題。

二、研究設(shè)計

（一） 財務(wù)危機的定義和樣本的選取

關(guān)于財務(wù)危機的界定不同的學(xué)者有不同的觀點，國內(nèi)絕大多數(shù)學(xué)者在其研究中將上市公司因財務(wù)狀況異常而被特別處理（ST）作為企業(yè)陷入財務(wù)危機的標志。由于這一標準不僅符合中國的實際情況，而且也便于不同學(xué)者研究之間的相互比較，本文對于財務(wù)危機的界定也采用了這一標準。

本文按照如下原則選擇危機公司樣本和對照樣本：（1）公司所在行業(yè)屬于制造業(yè)。由于不同行業(yè)的財務(wù)比率特征不同，而且各行業(yè)公司被ST的概率也不相同。本文為了避免行業(yè)因素造成的問題的復(fù)雜性，選擇了在所有上市公司所占比例最大、ST公司最多的制造業(yè)上市公司作為樣本選擇總體。（2）樣本公司至少擁有距離ST公司自被特別處理當年（t年）起提前至少3（t-3⑤）年和4年(t-4)的財務(wù)和非財務(wù)數(shù)據(jù)。t-3年是ST公司財務(wù)狀況發(fā)生逆轉(zhuǎn)的重要轉(zhuǎn)折點，采用t-3年及以前的數(shù)據(jù)進行財務(wù)危機預(yù)測更具有實踐意義。（3）正常公司（非ST公司）樣本的選擇沒有采用和ST公司1:1配對的方式選擇，而是選擇了所有符合前兩條規(guī)則的正常公司作為樣本。因為如果采用1:1的配對方式，由于陷入財務(wù)危機的公司為少數(shù)，總可以從大量的非財務(wù)危機公司中找出差別最大的一組來自我證明模型的效率，故預(yù)測模型的普遍性值得懷疑。

按照上述三個樣本選取原則，并考慮到CCER數(shù)據(jù)庫⑥的情況，共選取了2002年至2005年4年首次被ST公司共81家和正常公司（非ST）共365家正常公司來作為本研究的樣本。

（二）模型建立方法和思路

本文首先采用樣本公司的t-3年、t-4年財務(wù)指標和非財務(wù)指標，通過Mann-Whitney非參數(shù)檢驗尋找在ST公司和正常公司之間具有顯著差異的指標①（顯著性水平的臨界值P值為0.05），篩選掉不具有區(qū)別ST公司和正常公司功能的指標。然后，利用相關(guān)性分析方法對指標進行再次篩選。最后采用Logistic回歸方法建立財務(wù)危機預(yù)測模型。

有些指標只在t-4年和t-3年間的某一年顯著，出現(xiàn)這種情況的原因可能是:（1）公司情況的隨機性變化；（2）ST公司發(fā)展趨勢變化。前一種原因造成的差異不能看作是具有區(qū)別ST公司和正常公司的財務(wù)危機征兆，后一種原因造成的差異可以看作是財務(wù)危機征兆。但由于這兩種原因不易區(qū)分，本文為穩(wěn)健起見，將出現(xiàn)這種情況的指標仍看作是非顯著類指標。

為了檢驗危機預(yù)測模型外推能力，將樣本總體劃分為訓(xùn)練樣本和測試樣本。訓(xùn)練樣本主要用來構(gòu)建危機預(yù)測模型，測試樣本主要用來測試危機預(yù)測模型的外推能力。樣本的具體劃分情況見表1:

三、預(yù)測變量的選擇

（一）財務(wù)指標（變量）的選擇

縱觀國內(nèi)外的相關(guān)研究，財務(wù)指標的選取主要取決于個人的偏好，沒有公認的準則。本文依據(jù)全面性和層次性③原則選擇了33個財務(wù)比率（見附表1），這些指標涵蓋了資產(chǎn)結(jié)構(gòu)、財務(wù)結(jié)構(gòu)、資產(chǎn)管理能力、盈利能力、發(fā)展能力、現(xiàn)金流量六大方面的常用財務(wù)指標。

（二）非財務(wù)指標（變量）的選取

盡管關(guān)于非財務(wù)指標與財務(wù)危機的關(guān)系定性描述的很多，但非財務(wù)指標往往難以量化，因此很難用來進行定量的研究。本文對于非財務(wù)指標的選擇主要圍繞治理結(jié)構(gòu)指標來選取，同時增加地域和上市年齡變量。之所以如此，主要因為（1）治理結(jié)構(gòu)指標等指標容易量化。（2）根據(jù)委托代理理論和產(chǎn)權(quán)理論，學(xué)術(shù)界對治理結(jié)構(gòu)和企業(yè)績效的關(guān)系的研究有很多，絕大多數(shù)研究認為治理結(jié)構(gòu)對于企業(yè)績效具有較大的影響，因此采用治理結(jié)構(gòu)指標預(yù)測財務(wù)危機具有可行性。（3）上市年齡與公司是否ST的概率存在倒U型關(guān)系。一般來說上市初期因為由于企業(yè)剛剛經(jīng)過“包裝”，自身隱含的問題不易顯現(xiàn)，等到一定階段之后，一些本身素質(zhì)較差、治理結(jié)構(gòu)不好的企業(yè)開始顯形④，而能夠在這一階段存活下來的公司，一般質(zhì)地較好。因此上市時間較長的企業(yè)也一般不宜陷入危機。（4）不同地區(qū)由于經(jīng)濟發(fā)展水平、政府效率、人才、上市公司數(shù)量、市場等方面有較大差別，會對兩類公司的績效產(chǎn)生不同的影響。

基于前人的研究結(jié)果，考慮到數(shù)據(jù)來源情況，本文的研究采用以下指標：

1.股權(quán)特征指標。股權(quán)性質(zhì)指標根據(jù)第一大股東的性質(zhì)采用2個指標：（1）是否國有控股：依據(jù)第一大股東的所有制性質(zhì)，將上市公司區(qū)分為國有控股和非國有控股公司；（2）是否政府控股：根據(jù)第一大股東性質(zhì)判別，政府控股的公司是指第一大股東是政府部門或政府舉辦的國有資產(chǎn)經(jīng)營公司。此指標僅是針對國有控股公司來說。

股權(quán)集中度采用2個指標：（1）第一大股東的持股比例；（2）前三大股東的持股比例之和。

2.董事會特征指標。本研究引入5個指標來描述董事會的特征：（1）董事會規(guī)模；（2）獨立董事所占比例；（3）內(nèi)部董事所占比例；（4）總經(jīng)理和董事長是否兩職分離：若董事長兼任總經(jīng)理則該指標值為0，否則為1；（5）持股董事所占比例。

3.高管人員激勵特征指標。激勵特征指標共選取2個：（1）董事會主席持股量；（2）董事會主席持股比例。

4.地區(qū)和年齡特征指標。（1） 地區(qū)級別：地區(qū)級別分為兩類。將注冊地在省會城市以下⑤歸為第一類，賦值為1；將公司注冊地在省會城市歸為第二類，賦值為2。（2）上市年齡：指公司上市到本研究所取樣本年度之間的年數(shù)。

四、財務(wù)危機預(yù)測模型建立

（一）基于財務(wù)指標的財務(wù)危機預(yù)測模型的建立

統(tǒng)計檢驗顯著的財務(wù)比率共有23個（見附表1），通過對23 財務(wù)比率進行相關(guān)性檢驗，刪除掉相關(guān)性較高的比率。最后用來建立模型的指標有14個：（1）主營業(yè)務(wù)收入增長率；（2）毛利增長率；（3）營業(yè)利潤增長率；（4） 凈利潤增長率；（5）長期虛擬資產(chǎn)總資產(chǎn)①；（6）存貨周轉(zhuǎn)率；（7）應(yīng)收賬款周轉(zhuǎn)率；（8）總資產(chǎn)周轉(zhuǎn)率；（9）固定資產(chǎn)比總資產(chǎn)；（10）應(yīng)收賬款比總資產(chǎn)；（11）其他應(yīng)收款比總資產(chǎn)；（12）現(xiàn)金比總資產(chǎn)；（13）營業(yè)利潤比總資產(chǎn)；（14）經(jīng)營現(xiàn)金凈流量比總資產(chǎn)。

由于初步篩選的變量仍超過10個以上②，需要在建立模型時采用逐步法進一步篩選。利用前述14個變量建立Logistic模型，采用訓(xùn)練樣本數(shù)據(jù)進行回歸（回歸時采用前項逐步進入法），得財務(wù)指標模型。

（二）基于非財務(wù)指標財務(wù)危機預(yù)測模型的建立

通過非參數(shù)檢驗，共有10個非財務(wù)變量統(tǒng)計顯著（見附表2）；同時通過Logistic回歸檢驗發(fā)現(xiàn)上市年齡與公司是否ST存在倒U型關(guān)系。在刪除相關(guān)性較高的指標后用9個非財務(wù)指標構(gòu)建非財務(wù)指標模型。

利用訓(xùn)練樣本數(shù)據(jù)進行Logistic回歸，結(jié)果見表3。稱為非財務(wù)指標模型。

表3中系數(shù)為正的兩個變量與財務(wù)危機發(fā)生概率成正比，分別說明了“內(nèi)部人控制”和政府直接控股容易使得公司發(fā)生財務(wù)危機；系數(shù)為負的五個變量與財務(wù)危機發(fā)生概率成反比，分別說明了國有控股③、注冊地在省會城市、對高管股權(quán)激勵（持股董事比例、董事長持股比例）較多、股權(quán)集中度高的公司不容易發(fā)生財務(wù)危機。上市年齡則與公司財務(wù)危機發(fā)生概率成倒U型關(guān)系，上市時間較短和較長的公司不容易發(fā)生財務(wù)危機。

（三）混合指標模型的建立

以財務(wù)指標模型得出的預(yù)測概率（稱財務(wù)指標預(yù)測因子），和非財務(wù)指標模型中得出的預(yù)測概率（稱非財務(wù)指標預(yù)測因子），作為混合指標模型的預(yù)測變量來建立混合指標模型。回歸結(jié)果如下：

五、三類模型預(yù)測精度及分析

（一）三類模型預(yù)測精度的比較與分析

和陳曉和陳治鴻（2000）的研究一樣，本文采用先驗概率0.18（ST樣本占總樣本比例）作為最佳分割點。預(yù)測概率值大于0.18的樣本判別為ST公司，預(yù)測概率值小于0.18 的公司判別為正常公司。以0.18作為最佳分割點，將t-3、t-4年樣本數(shù)據(jù)代入三類危機預(yù)測模型得出t-3年、t-4年的判別精度如表5。

通過判別矩陣可以看出，財務(wù)指標模型對于訓(xùn)練樣本的回判精度較高，t-3和t-4年均達到75%以上，但測試樣本的判別精度卻較低，兩年均在66%以下，說明模型的外推性（穩(wěn)定性）不好，存在過度擬合現(xiàn)象。

非財務(wù)指標模型和財務(wù)指標模型判別精度相比：（1）與財務(wù)指標模型相比較，非財務(wù)指標模型對于訓(xùn)練樣本的預(yù)測精度較低，但測試樣本的預(yù)測和訓(xùn)練樣本的預(yù)測精度相差不大，說明非財務(wù)指標模型過度擬合情況不嚴重，模型的穩(wěn)定性和外推性較好。而且非財務(wù)指標模型對于測試樣本的判別精度不低于財務(wù)指標模型，這也可能說明非財務(wù)指標模型的實用性并不低于財務(wù)指標模型，當然這一定需要更多測試樣本的進一步證實；（2）和財務(wù)指標模型一樣，非財務(wù)指標模型的判別精度也隨時間的向前推移，判別精度有所下降，這不符合引言中的推論，因為非財務(wù)指標隨時間的變異性應(yīng)該小于財務(wù)指標。

混合指標模型的預(yù)測精度與單指標類型模型分別相比有了較大幅度的提高，特別是模型的外推能力提高幅度很大。這說明財務(wù)指標和非財務(wù)指標的混合使用可以較大提高財務(wù)危機預(yù)測模型的預(yù)測能力和模型的穩(wěn)定性。

（二）兩類單指標類型模型判別情況的進一步比較分析

對于財務(wù)指標模型和非財務(wù)指標模型的預(yù)測結(jié)果進行比較和分析，見表6。通過表6可以看出，兩類單指標類型模型具有較強的互補性，同時使用的效率較高。因為兩類模型判別不相符的公司達168家，占樣本總數(shù)的38%；但兩類模型判別均不正確的公司僅有39家，僅占樣本總數(shù)的9%。在實際應(yīng)用中，我們可以將兩類模型判別均相符結(jié)果較為放心的使用，因為，兩模型均判別錯誤的概率很低，如果我們把10%作為錯誤率是否顯著的顯著性水平的話，那么兩類公司均判別錯誤的錯誤率并不顯著。而兩類公司判別不相符的公司可以作為“灰色”公司，來做進一步慎重分析。

混合模型與兩單指標類型模型同時使用的效果相比，二者各有千秋?；旌项A(yù)測模型可以有效地提高預(yù)測精度，但兩單指標類型模型同時使用卻可以有效降低犯確定性預(yù)測錯誤的概率。因為，在本研究中兩單指標類型模型同時犯錯誤的概率在10%以下。

六、研究總結(jié)

本文將樣本總體分為訓(xùn)練樣本和測試樣本，通過變量的篩選，利用Logistic回歸分別建立了財務(wù)指標模型、非財務(wù)指標模型、混合指標模型。研究發(fā)現(xiàn)，財務(wù)指標模型的外部適用性和穩(wěn)定性較差；非財務(wù)指標模型內(nèi)部適用性較差，但穩(wěn)定性較高?；旌现笜四Ｐ蛯τ谟?xùn)練樣本和測試樣本的預(yù)測精度均比較好，兼具了財務(wù)指標模型和非財務(wù)指標模型的優(yōu)點。研究還發(fā)現(xiàn)，財務(wù)指標模型和非財務(wù)指標模型具有很強的互補性，二者同時誤判的概率很低。兩單指標類型模型同時使用與混合指標模型單獨使用效果各有所長。研究未能發(fā)現(xiàn)非財務(wù)指標模型相較于財務(wù)指標模型具有好的遠期預(yù)測效果，這可能是本文所研究的時間段較短的緣故。這一現(xiàn)象需要更長時間段的數(shù)據(jù)分析和研究來解釋。

本文的研究還說明了非國有控股、“內(nèi)部人控制”和政府直接控股容易使公司發(fā)生財務(wù)危機；國有法人控股、注冊地在省會城市、對高管股權(quán)激勵較多、股權(quán)集中度高的公司不容易發(fā)生財務(wù)危機。上市年齡則與公司財務(wù)危機發(fā)生概率成倒U型關(guān)系，上市時間較短和較長的公司不容易發(fā)生財務(wù)危機。

[參考文獻]

[1]陳靜.上市公司財務(wù)惡化預(yù)警的實證分析[J].會計研究，1999，(4).

[2]陳曉，陳治鴻.中國上市公司的財務(wù)困境預(yù)測[J].中國財務(wù)與會計研究，2000，(9).

[3]姜秀華，孫錚.治理弱化與財務(wù)危機:一個預(yù)測模型[J].南開管理評論，2001，(5).

[4]劉洪，何光軍.基于人工神經(jīng)網(wǎng)絡(luò)方法的上市公司經(jīng)營失敗預(yù)警研究[J].會計研究，2004，(2).

[5]劉明輝，王義華.帕瑪拉特舞弊案:折射公司治理與公司理財存在的缺陷[J].財務(wù)與會計:(理財版)，2006，(3).

[6]吳世農(nóng)，盧賢義.我國上市公司財務(wù)困境的預(yù)警模型研究[J].經(jīng)濟研究， 2001，(6).

[7]Altman， E.I. Financial Ratios， Discriminant Analysis and the Prediction of Corporate Bankruptcy[J].Journal of Finance，1968 Vol. 23， No. 4.

[8]Altman， Haldeman and Narayanan. Zeta Analysis， A New Model for Identifying Bankruptcy Risk of Corporation[J].Journal of Banking and Finance， 1977 Vol.1， No.3.

[9]Beaver， W. H. Financial Ratios as Predictors of Failure[J].Journal of Accounting Research，1966 Vol. 4.

[10]Catherine M. and Dalton， R. Bankruptcy and Corporate Governance: The Impact of Board Composition and Structure [J]. Academy of Management Journal， 1994 Vol.25， No.3.

[11]Fathi E， and Jean-Pierre Gueyie. Financial distress and corporate governance:an empirical analysis[J].Corporate Governance， 2001 No 1.

[12]Odom， M.D. and Sharda， R. A Neural Network Model for Bankruptcy Prediction[J]. IEEE INNS IJCNN， 1990 Vol 1.2.

[13]Ohlson， J. A. Financial Ratios and the Probabilistic Prediction of Bankruptcy[J].Journal of Accounting Research， 1980 Vol.18， No.1.

[14]Platt， H. D. and M. B. Platt.Developing A Stable Class of Predictive Variables：the Case of Bankruptcy Prediction[J].Journal of Business Finance andAccounting， 1990 Vol.17， No.1.

[15]Platt， H. D. and M. B.Platt.Predicting Corporate Financial Distress: Reflection On Choice-Based Sample Bias[J].Journal of Economics and Finance， 2002 Vol. 26 Summer.

[16]Rose P.， Andrews W. and Giroux G. Predicting Business Failure: A Macroeconomics Perspective[J].Journal of Accounting: Auditing and Finance， 1982 Fall.