文/馮浩洋　袁嘉帥

?

上市公司財務(wù)困境預(yù)測
—基于Logit模型的實證研究

文/馮浩洋袁嘉帥

摘要：本文以2008年經(jīng)濟危機以來的經(jīng)濟環(huán)境為背景，以上市公司受到退市風險警示作為其陷入財務(wù)困境的標志，在滬深股市中選取19家財務(wù)困境公司和57家正常公司作為樣本，利用所有者權(quán)益比率、現(xiàn)金比率等財務(wù)指標建立Logit回歸模型，以探索同新經(jīng)濟形勢相適應(yīng)的我國上市公司財務(wù)預(yù)警模型。根據(jù)所建立的模型對2016年部分上市公司財務(wù)狀況進行預(yù)測分析，并針對我國制造業(yè)提出了加強信息化水平、淘汰落后產(chǎn)能等政策性建議。

關(guān)鍵詞：財務(wù)困境；財務(wù)指標；Logit模型；預(yù)測

2008年的美國次貸危機引發(fā)全球性的經(jīng)濟蕭條，各國經(jīng)濟均出現(xiàn)不同程度的下滑，其影響至今尚未完全消除。作為美國次貸危機的延續(xù)和深化，2009年爆發(fā)的歐洲主權(quán)債務(wù)危機對我國的出口貿(mào)易、大宗商品價格以及投資信心造成一定程度的影響，是中國外部經(jīng)濟面臨的一場重要危機。2012年起，中國GDP增速回落，經(jīng)濟增長階段發(fā)生根本性變化，經(jīng)濟發(fā)展總體呈現(xiàn)出從高速增長轉(zhuǎn)為中高速增長、經(jīng)濟結(jié)構(gòu)不斷優(yōu)化升級、從要素驅(qū)動、投資驅(qū)動轉(zhuǎn)向創(chuàng)新驅(qū)動的特征，步入“新常態(tài)”。2015年，我國經(jīng)濟總體下行，三大產(chǎn)業(yè)增速均下滑，全年出口負增長，經(jīng)濟下行壓力持續(xù)增大。嚴峻的經(jīng)濟形勢可能導致公司資金鏈斷裂的風險加大，公司應(yīng)針對經(jīng)濟環(huán)境的變化及時調(diào)整戰(zhàn)略以避免財務(wù)困境。財務(wù)困境作為上市公司在市場經(jīng)濟中的普遍現(xiàn)象，對于其界定，目前尚無定論。由于我國不健全的上市公司破產(chǎn)制度，申請破產(chǎn)不能作為判別我國上市公司財務(wù)困境的依據(jù)。而 “退市風險警示”作為滬深交易所對出現(xiàn)財務(wù)狀況異常的上市公司股票交易的處置措施，可以作為對上市公司陷入財務(wù)困境的評判標準。筆者通過閱讀大量文獻發(fā)現(xiàn)，關(guān)于上市公司財務(wù)困境模型的研究大多集中在2008年以前，而之前學者建立的財務(wù)困境模型，很可能因為經(jīng)濟形勢的不斷變化而失去時效性。因此，在新經(jīng)濟形勢下，如何對上市公司的財務(wù)困境進行準確預(yù)測，對于投資者正確判斷公司前景、做出投資決策，對于公司管理層及時調(diào)整經(jīng)營戰(zhàn)略、防范財務(wù)危機，對于政府、監(jiān)管層監(jiān)控證券市場風險、進行宏觀調(diào)控均具有重要現(xiàn)實價值。本文擬根據(jù)財務(wù)指標建立我國上市公司財務(wù)困境預(yù)警模型，并對2016年可能出現(xiàn)財務(wù)困境的上市公司進行預(yù)測。

一、文獻綜述

（一）財務(wù)困境預(yù)警指標綜述

國內(nèi)外學者在財務(wù)困境預(yù)警指標方面都進行了相關(guān)研究，目前比較流行的是在傳統(tǒng)財務(wù)指標中加入非財務(wù)指標以構(gòu)建全面的指標體系。1966年，Beaver［1］首次在財務(wù)困境指標體系中加入現(xiàn)金流量指標，通過單變量分析方法發(fā)現(xiàn)債務(wù)保障率對企業(yè)財務(wù)困境具有良好判別性。Glassman（2003）［2］在財務(wù)指標體系中引入經(jīng)濟增加值進行研究，發(fā)現(xiàn)經(jīng)濟增加值對財務(wù)困境的預(yù)測要優(yōu)于傳統(tǒng)財務(wù)指標。Campbell（2006）［3］將杠桿率、盈利能力、市場資本總額、股票收益率及其穩(wěn)定性等因素引入財務(wù)預(yù)警模型，并發(fā)現(xiàn)相對于單一指標體系，綜合指標體系對財務(wù)困境預(yù)測的準確性更強。Blanco-Oliver等（2015）［4］將公司所有權(quán)特點等非財務(wù)因素引入模型，并獲得比人工神經(jīng)網(wǎng)絡(luò)模型更好的預(yù)測效果。2016年，Chan等［5］在財務(wù)預(yù)警模型中引入公司治理因素，并提出決策者可通過制定相應(yīng)的公司治理機制來避免破產(chǎn)。

聶麗潔和趙艷芳（2011）［6］同時利用財務(wù)指標與現(xiàn)金流量指標進行財務(wù)困境預(yù)警，得到比傳統(tǒng)財務(wù)指標體系更佳的預(yù)測精度及錯判率。2011年，梁杰等［7］將經(jīng)濟增加值指標引入財務(wù)困境模型，通過研究得出經(jīng)濟增加值對上市公司財務(wù)困境具有顯著判別能力。盧永艷（2013）［8］在財務(wù)預(yù)警模型中同時加入財務(wù)指標與宏觀經(jīng)濟因素，發(fā)現(xiàn)貸款利率及國內(nèi)生產(chǎn)總值增長率對上市公司是否陷入財務(wù)困境有顯著影響。劉小淇和曾繁榮（2015）［9］將股權(quán)結(jié)構(gòu)、人力資本等非財務(wù)因素納入財務(wù)預(yù)警指標體系。研究發(fā)現(xiàn)：相對于僅含財務(wù)指標的預(yù)警模型，非財務(wù)指標的引入使模型具備更佳的預(yù)測準確性。

（二）財務(wù)困境研究方法綜述

在研究方法的選擇上，過去學者大多采用判別分析、回歸模型等傳統(tǒng)方法，隨著計算機技術(shù)的進步，學者開始利用人工神經(jīng)網(wǎng)絡(luò)、決策樹等復雜的分析方法進行預(yù)測研究。Ohlson（1980）［10］使用Logistic模型進行財務(wù)困境預(yù)警，同時對樣本公司在破產(chǎn)概率區(qū)間的分布及分割點與兩類錯誤間的關(guān)聯(lián)性進行說明。Hensher等（2007）［11］使用多項誤差分量Logit模型對財務(wù)困境進行研究，取得比標準多項Logit模型更佳的擬合優(yōu)度。2012年，Sánchez-Lasheras等［12］結(jié)合自組織映射（Self-Organizing Map）與多元自適應(yīng)回歸樣條法來建立混合模型，發(fā)現(xiàn)所采用的混合模型較神經(jīng)網(wǎng)絡(luò)模型能夠更準確地識別財務(wù)困境。2014年，Heo和Yang［13］針對韓國建筑公司利用Adaboost算法來預(yù)測財務(wù)困境，通過比較，他們發(fā)現(xiàn)該算法較其他算法具有更佳的預(yù)測性能。2016年，Slavici等［14］利用統(tǒng)計方法對人工神經(jīng)網(wǎng)絡(luò)進行優(yōu)化，并認為經(jīng)改進的模型的預(yù)測性能可達國際適用水平。

周建濤，龐文鳳（2009）［15］通過建立Z值財務(wù)預(yù)警模型，發(fā)現(xiàn)財務(wù)困境公司與正常公司的Z值波動特征有顯著不同。2012年，周喜和吳可夫［16］利用粗糙集優(yōu)化人工神經(jīng)網(wǎng)絡(luò)的輸入端以提高其學習推理能力，并取得比傳統(tǒng)模型更高的判別準確性。2014年，謝赤和趙亦軍［17］利用經(jīng)過CFaR模型識別的變量建立Logistic模型并驗證模型具有良好的預(yù)測效果。莊倩和陳良華（2014）［18］通過劃分財務(wù)困境動態(tài)發(fā)展各時期的不同特征，在進行動態(tài)預(yù)測時嵌入卡爾曼濾波算法，提升了模型的前瞻預(yù)測能力。2015年，李力和馮濤［19］基于自適應(yīng)神經(jīng)網(wǎng)絡(luò)模糊推理系統(tǒng)與馬氏距離判別法的組合模型，發(fā)現(xiàn)在結(jié)合貝葉斯判別法時綜合模型的預(yù)測能力有顯著提升。

由上述綜述可看出，對于財務(wù)困境，國內(nèi)外學者均作了大量研究。相比較而言，國外學者的研究起步早、成果豐富。而國內(nèi)學者對財務(wù)困境的研究起步晚，與國外的研究水平存在一定差距。同時，雖然國內(nèi)外學者在研究指標和研究方法上不斷取得新的成果，但由于經(jīng)濟環(huán)境的不斷變化，即便是具備較強學習能力的模型也很難對環(huán)境的變化做出完美的調(diào)整。因此，我們需要根據(jù)國內(nèi)經(jīng)濟的實際情況、國內(nèi)上市公司的經(jīng)營特點來構(gòu)建與實際相適應(yīng)的預(yù)警模型，以在最大程度上減少公司及投資人的損失。

二、研究設(shè)計

（一）研究假設(shè)

根據(jù)上海、深圳證券交易所股票上市規(guī)則，當上市公司出現(xiàn)財務(wù)狀況或其他狀況異常，可能導致其股票退市或損害投資者利益的，其股票交易將被實施風險警示。股票交易的風險警示實施分為兩種情形：當上市公司出現(xiàn)近兩年連續(xù)虧損、近一年經(jīng)審計的期末凈資產(chǎn)小于零等情況時，該公司的股票交易將被實施退市風險警示，其股票簡稱前將被冠以“*ST”字樣；當上市公司被凍結(jié)重要銀行賬號、無法召開董事會等情況時，該公司的股票交易將被實施其他風險警示，其股票簡稱前將被冠以“ST”字樣。由上述股票上市規(guī)則，實施“退市風險警示”時的條件符合上市公司財務(wù)狀況異常的判定標準，實施“其他風險警示”時則可認定為上市公司其他狀況異常。基于上述說明及研究預(yù)測的需求，本文假設(shè)如下：

假設(shè)一：我國上市公司中，股票交易被實施“退市風險警示”的為財務(wù)困境公司，股票交易被實施“其他風險警示”的為其他狀況異常公司。除此之外為正常公司。

假設(shè)二：在本文所研究的年限內(nèi)，樣本數(shù)據(jù)不存在非同質(zhì)性問題，均可代回所建立的Logit模型進行分析。

（二）數(shù)據(jù)來源

根據(jù)我國上市公司年報披露制度，上市公司（t-1）年的財務(wù)數(shù)據(jù)和其股票交易在t年是否被實施“退市風險警示”具有很強的相關(guān)性。故本文基于Logit模型對上市公司進行財務(wù)困境的預(yù)測，采用2013年的數(shù)據(jù)作為研究數(shù)據(jù)并利用2015年公司的財務(wù)狀況檢驗?zāi)Ｐ偷臏蚀_性。最后，以2014年的數(shù)據(jù)預(yù)測2016年可能陷入財務(wù)困境的公司。為避免正確判別率過低 （Ohlson，1980），本文未按財務(wù)困境公司與正常公司的實際比例來選取樣本。而根據(jù)Zmijewski（1984）的經(jīng)驗，財務(wù)困境公司的正確判別率會因?qū)ω攧?wù)困境公司的過度抽樣而高估，因此本文摒棄一比一的配比方式。因此，本文選取滬深股市2015年出現(xiàn)財務(wù)困境但此前財務(wù)狀況持續(xù)正常的19家上市公司，按照一比三的配對比例，按照同時期、同行業(yè)、資產(chǎn)規(guī)模相似（相差在10％以內(nèi)）的原則選取57家正常公司與之配比，以此建立財務(wù)困境預(yù)測模型。另外，按上述原則及各行業(yè)間實際上市公司數(shù)量比例，選取60家上市公司，利用其2014年數(shù)據(jù)對其2016年是否出現(xiàn)財務(wù)困境進行預(yù)測。本文所采用的數(shù)據(jù)來源于國泰安數(shù)據(jù)庫。

（三）變量選取

本文從比率結(jié)構(gòu)、償債能力、發(fā)展能力、經(jīng)營能力、每股指標、盈利能力六個方面進行指標選取，結(jié)合之前學者的研究成果［8,20,21］，并剔除殘缺值較多的指標后，得到38個財務(wù)指標，將其分別命名為X1～X38（見表1）。

1.指標正態(tài)分布檢驗及均值比較檢驗

利用SPSS 22.0對上述指標進行K-S單樣本檢驗，根據(jù)結(jié)果，3個財務(wù)指標符合正態(tài)分布。為繼續(xù)驗證所選財務(wù)指標在財務(wù)困境公司和正常公司之間是否具有顯著差異，本文進一步對上述3個財務(wù)指標進行兩樣本T檢驗，根據(jù)結(jié)果，兩類上市公司間有顯著差異的財務(wù)指標只有X19，對應(yīng)總資產(chǎn)增長率。對之前未通過正態(tài)分布檢驗的38個指標進行曼-惠特尼 U檢驗，根據(jù)結(jié)果，在兩類公司間具有顯著區(qū)分度的指標有所有者權(quán)益比率（X5）、主營業(yè)務(wù)利潤占比（X9）、現(xiàn)金比率（X12）、所有者權(quán)益增長率（X21）、固定資產(chǎn)周轉(zhuǎn)率（X27）、每股凈資產(chǎn)（X30）和每股經(jīng)營活動產(chǎn)生的現(xiàn)金流量凈額（X31）。

2.指標相關(guān)性檢驗

經(jīng)過上述篩選所得到的8個指標并不能直接帶入方程。為避免指標間的多重共線性對預(yù)測模型的影響，本文利用Eviews 8.0對變量間相關(guān)性進行分析（見表2）。

根據(jù)表2，經(jīng)篩選得到的8個指標中，X19和X21的相關(guān)系數(shù)大于0.5，呈現(xiàn)較高的相關(guān)性。經(jīng)比較，由于X19與其他變量間的相關(guān)程度相對X21而言較小，故刪除X21，并確定建模變量為所有者權(quán)益比率（X5）、主營業(yè)務(wù)利潤占比（X9）、現(xiàn)金比率（X12）、總資產(chǎn)增長率（X19）、固定資產(chǎn)周轉(zhuǎn)率（X27）、每股凈資產(chǎn)（X30）和每股經(jīng)營活動產(chǎn)生的現(xiàn)金流量凈額（X31）7個變量。最終確定變量如下表所示（見表3）。

表1　初始財務(wù)指標

表2　變量相關(guān)性分析

如表3所示，所有者權(quán)益比率是公司所有者權(quán)益與資產(chǎn)總額的比例，是反映公司長期償債能力的重要指標，筆者認為，當該指標較高時，公司發(fā)生財務(wù)困境的概率會變小。主營業(yè)務(wù)利潤占比。主營業(yè)務(wù)利潤占比為（營業(yè)收入-營業(yè)成本）與利潤總額的比例，反映公司日常經(jīng)營活動產(chǎn)生的利潤對其利潤總額的貢獻程度?，F(xiàn)金比率是現(xiàn)金及現(xiàn)金等價物期末余額與流動負債的比率，可衡量公司資產(chǎn)流動性，筆者認為，該指標越高，公司償債能力越強，故發(fā)生財務(wù)困境的概率越小。總資產(chǎn)增長率是公司本期總資產(chǎn)增長額同年初資產(chǎn)總額的比率，筆者認為,該指標越高，則公司取得收入、償還債務(wù)的能力越強，故陷入財務(wù)困境的可能性越小。固定資產(chǎn)周轉(zhuǎn)率表示在一個會計年度內(nèi)，固定資產(chǎn)周轉(zhuǎn)的次數(shù)，可以說明公司廠房、設(shè)備等固定資產(chǎn)利用的效率，筆者認為，該指標越高，公司發(fā)生財務(wù)困境的可能性越小。每股凈資產(chǎn)反映每股股票所擁有資產(chǎn)的現(xiàn)值，可通過該指標評價公司發(fā)展?jié)摿εc股票的投資價值，筆者認為，當該指標越大時，公司發(fā)生財務(wù)困境的可能性越小。每股經(jīng)營活動產(chǎn)生的現(xiàn)金流量凈額是一個會計年度內(nèi)經(jīng)營活動產(chǎn)生的現(xiàn)金流量凈額與實收資本本期期末值之比，筆者認為，該比值越大，代表公司支付股利和資本支出的能力越強，故發(fā)生財務(wù)困境的可能性會越小。

表3　變量設(shè)置及說明

筆者嘗試利用上述指標所構(gòu)成的指標體系來對上市公司未來發(fā)生財務(wù)困境的可能性進行推測，即根據(jù)指標體系所反映的目前財務(wù)狀態(tài)來推測公司股票交易未來被實施“退市風險警示”的概率。

（四）模型構(gòu)建

國內(nèi)外大量學者的研究表明，Logit模型對財務(wù)困境具有較強的預(yù)測能力，同時不需要變量滿足正態(tài)分布，是一種成熟的分析方法，故本文采用Logit模型進行分析。通過Logit變換可得如下方程：

方程（1）的等價形式為：

其中：P是在因素（X1,X2,…,Xm）之下上市公司發(fā)生財務(wù)困境的概率，如果上市公司發(fā)生財務(wù)困境，則P=1，否則P=0；Xi（i=1,2, …,m）是上市公司發(fā)生財務(wù)困境的第i個影響因素；βi（i=0,1,2, …,m）是模型的待估參數(shù)。

三、實證分析

（一）變量描述性統(tǒng)計

表4是利用Eviews 8.0對建模變量按上市公司財務(wù)狀況的兩種情形分別進行描述性統(tǒng)計?？梢钥闯?，全部7個變量在財務(wù)困境狀態(tài)相對于財務(wù)正常狀態(tài)都有明顯的惡化現(xiàn)象。

（二）Logit回歸分析

由于本文研究內(nèi)容符合Logit模型的特點，故采用Logit模型進行分析。將選取的7個變量的有關(guān)數(shù)據(jù)導入SPSS 22.0軟件，利用Binary Logistic選項對2013 年76家上市公司的數(shù)據(jù)進行擬合建模（見表5）。

根據(jù)回歸結(jié)果，主營業(yè)務(wù)利潤占比、現(xiàn)金比率、總資產(chǎn)增長率、每股經(jīng)營活動的現(xiàn)金流量凈額與預(yù)期相符，上述指標越高，公司出現(xiàn)財務(wù)困境的概率越低。但所有者權(quán)益比率、固定資產(chǎn)周轉(zhuǎn)率、每股凈資產(chǎn)則與公司財務(wù)困境的發(fā)生概率呈正向關(guān)系。經(jīng)筆者分析，對于所有者權(quán)益比率，雖然該比率越高時公司融資結(jié)構(gòu)的穩(wěn)固性和所有者對公司控制的穩(wěn)固性越強，但若該比率過高，會增加公司融資成本，會間接導致導致公司陷入財務(wù)困境。

根據(jù)表5所得結(jié)果，結(jié)合方程（2），可得預(yù)測模型：（見方程式（3））

（三）模型的檢測與預(yù)測

將2013年上市公司的財務(wù)數(shù)據(jù)代回預(yù)測模型，當P＞0.5時，認定上市公司發(fā)生財務(wù)困境，反之則認為上市公司財務(wù)狀況正常。檢驗結(jié)果如表6所示。

從表6可得，預(yù)測模型的綜合準確率達94.7％，可認為本文所建立的Logit模型具備一定程度的可靠性和準確性。為對2016年可能出現(xiàn)財務(wù)困境的上市公司進行預(yù)測，本文同樣以0.5為最佳判定點，將2014年各上市公司財務(wù)數(shù)據(jù)代回所建預(yù)測模型。在結(jié)果中選取P值大于0.5的上市公司，可得目前可能發(fā)生財務(wù)困境的4家公司，公司名稱及對應(yīng)P值分別為：石油濟柴 0.91，興業(yè)礦業(yè)0.63，滄州大化0.80，八一鋼鐵 0.90。

四、結(jié)論與建議

（一）研究結(jié)論與局限性

本文采用二分類Logit模型對我國上市公司建立財務(wù)困境預(yù)警模型，同時利用現(xiàn)有數(shù)據(jù)進行模型的檢測，并對目前部分上市公司的財務(wù)狀況進行預(yù)測分析。從準確性方面而言，根據(jù)上市公司發(fā)生財務(wù)困境前兩年的財務(wù)指標建立的模型綜合準確率達94.7％，說明擬合效果較好。同時，對2016年上市公司財務(wù)狀況的預(yù)測結(jié)果也大致符合我國目前經(jīng)濟形勢?？紤]到我國上市公司管理人員目前的信息技術(shù)水平，本文所建立的Logit預(yù)警模型不失為一種簡單可行的財務(wù)困境預(yù)警方法。

表4　變量描述性統(tǒng)計

表5　回歸結(jié)果

表6　檢驗結(jié)果

本文在研究中存在一些不足之處：首先，在樣本選擇方面，本文所選取的樣本范圍為我國全體上市公司，覆蓋各個行業(yè)及各個板塊，但若從某具體行業(yè)來看，行業(yè)間的差別可能會影響模型的準確性。其次，在指標選擇方面，本文僅從財務(wù)角度選取7個指標來建立模型，并不能全面刻畫上市公司的財務(wù)狀況，同時，沒有考慮公司治理結(jié)構(gòu)等非財務(wù)因素，但有學者證實，部分非財務(wù)指標對上市公司的財務(wù)狀態(tài)有顯著影響。最后，在研究方法方面，本文選取截面數(shù)據(jù)利用Logit模型進行研究，雖能取得較好的判別能力，但是在預(yù)測的準確性以及動態(tài)預(yù)測性能等方面仍與當前先進的模型、算法存在一定差距。

（二）政策建議

根據(jù)觀察，所預(yù)測的四家可能被實施“退市風險警示”的上市公司分別屬于通用設(shè)備制造、有色金屬礦采選、化學原料及化學制品制造和黑色金屬冶煉及壓延加工行業(yè)。其中，通用設(shè)備制造化學原料及化學制品制造和黑色金屬冶煉及壓延加工行業(yè)屬制造業(yè)大類。通過分析，筆者認為預(yù)測結(jié)果中制造業(yè)上市公司占比較大的原因可能是：經(jīng)濟增長階段變化及產(chǎn)品結(jié)構(gòu)落后帶來的產(chǎn)能過剩共同導致相關(guān)公司陷入財務(wù)困境。鑒于上述分析，并結(jié)合目前供給側(cè)改革的思想，本文提出以下建議：

1.提高企業(yè)創(chuàng)新能力與信息化水平。一方面，要通過政府引導創(chuàng)造適宜創(chuàng)新環(huán)境，同時聯(lián)合高技術(shù)制造企業(yè)及科研機構(gòu)進行關(guān)鍵技術(shù)突破以及對落后企業(yè)的技術(shù)幫扶。另一方面，應(yīng)做好上下游企業(yè)間及企業(yè)內(nèi)部的信息化建設(shè)，提升供需對接效率及資源信息的統(tǒng)籌規(guī)劃能力。

2.政府部門要進行體制改革，發(fā)揮市場的作用。政府在積極引導的同時，要做到簡政放權(quán)、減少企業(yè)的制度性成本，同時，進一步釋放市場的調(diào)節(jié)作用，使得企業(yè)加強應(yīng)對市場變化的水平，在市場需求旺盛時，增加供應(yīng)，在市場需求減少時，又能夠靈活地調(diào)整產(chǎn)能。

3.化解過剩產(chǎn)能，調(diào)整資源配置。對于產(chǎn)能過剩的企業(yè)，需要依靠調(diào)整發(fā)展戰(zhàn)略、挖掘市場需求。充分利用互聯(lián)網(wǎng)、技術(shù)進步的力量來進行轉(zhuǎn)型升級；對于經(jīng)營困難、創(chuàng)新乏力的僵尸企業(yè)，一方面，可以通過兼并重組來重新配置資源，另一方面，政府要出臺政策引導其平穩(wěn)退出市場，以達到消化過剩產(chǎn)能的目的。

參考文獻：

［1］Beaver，W.Financial Ratios as Predictors of Failure［J］. Journal of Accounting Research，1966，4（1）：71-111.

［2］David Glassman，華彬.財務(wù)挑戰(zhàn). EVA 革命-以價值為核心的企業(yè)戰(zhàn)略與財務(wù)、薪酬管理體系［M］.北京：社會科學文獻出版社，2003：49-50.

［3］Compbell，Jens Hilscher， Jan Szilagyi. In Search of Distress Risk［J］. Journal of Finance， 2008，63（6）：2899-2939.

［4］A Blanco-Oliver， A Irimia-Dieguez， M Oliver-Alfonso， N Wilson. Improving bankruptcy prediction in micro-entities by usingnonlinear effects and non-financial variables［J］. Finance a Uver-Czech Journal of Economics and Finance，2015，65（2）：144-166.

［5］ CY Chan， DW Chou，JR Lin， FY Liu. The role of corporate governance in forecasting bankruptcy： Preand post-SOX enactment［J］. North American Journal of Economics & Finance， 2016， 35：166-188.

［6］聶麗潔，趙艷芳，高一帆.基于現(xiàn)金流的財務(wù)危機預(yù)警指標體系構(gòu)建研究——基于我國制造業(yè)上市公司數(shù)據(jù)［J］.經(jīng)濟問題，2011（3）：108-112.

［7］梁杰，歐陽雅麗，張冬冬.基于EVA的制造業(yè)上市公司財務(wù)危機階段性預(yù)警研究［J］.財會通訊：綜合，2011（11）：150-151.

［8］盧永艷.宏觀經(jīng)濟因素對企業(yè)財務(wù)困境風險影響的實證分析［J］.宏觀經(jīng)濟研究，2013（5）：53-58.

［9］劉小淇，曾繁榮，周鴻.基于非財務(wù)視角的上市公司財務(wù)困境預(yù)警研究——基于主成分邏輯回歸的方法［J］.財會通訊：綜合，2015（6）：90-93.

［10］Ohlson，James.A Financial Ratios and the Probabilistic Prediction of Bankruptcy［J］.Journal of Accounting Research， 1981， 18（1）：109-131.

［11］Hensher D A， Jones S， Greene W H. An Error Component Logit Analysis of Corporate Bankruptcy and Insolvency Risk in Australia［J］. Economic Record， 2007（83）： 86-103.

［12］F Sánchez-Lasheras， JD Andrés， P Lorca， FJDC Juez. A hybrid device for the solution of sampling bias problems in the forecasting of firms' bankruptcy［J］Expert Systems with Applications An International Journal，2012， 39（8）：7512-7523.

［13］J Heo， JY Yang. AdaBoost based bankruptcy forecasting of Korean construction companies［J］.Applied Soft Computing， 2014，24（24）：494-499.

［14］T Slavici， S Maris， M Pirtea. Usage of artificial neural networks for optimal bankruptcy forecasting. Case study： Eastern European small manufacturing enterprises［J］. Quality & Quantity，2015：1-14.

［15］周劍濤，龐文鳳.Z-SCORE財務(wù)預(yù)警模型在上市公司應(yīng)用的實證研究［J］.財會通訊，2009（24）：25-27.

［16］周喜，吳可夫.基于混合粗糙集與ANN的上市公司財務(wù)危機預(yù)警研究［J］.企業(yè)經(jīng)濟，2012（2）：37-40.

［17］謝赤，趙亦軍，李為章.基于CFaR模型與Logistic回歸的財務(wù)困境預(yù)警研究［J］.財經(jīng)理論與實踐，2014，35（1）：57-62.

［18］莊倩，陳良華.財務(wù)困境理論的預(yù)測動態(tài)性改進與應(yīng)用［J］.審計與經(jīng)濟研究，2014（5）：69-76.

［19］李力，馮濤.上市公司財務(wù)困境預(yù)測——基于ANFIS和馬氏距離判別法的組合模型［J］.財會月刊，2015（11）：60-64.

［20］肖艷.上市公司財務(wù)困境預(yù)警的Logit模型實證研究［J］.湖南工程學院學報（社會科學版），2004， 14（4）：11-14.

［21］喬卓，薛鋒，柯孔林.上市公司財務(wù)困境預(yù)測Logit模型實證研究［J］.華東經(jīng)濟管理，2002，16（5）：103-104.

（作者單位：西北農(nóng)林科技大學經(jīng)濟管理學院）