我國(guó)化工企業(yè)的財(cái)務(wù)預(yù)警模型構(gòu)建及其檢驗(yàn)
——基于Logistic回歸方法

胡躍紅， 黃 婧

(長(zhǎng)沙理工大學(xué) 經(jīng)濟(jì)與管理學(xué)院，湖南長(zhǎng)沙 410114)

一、引言

財(cái)務(wù)困境[1](Financial distress)通常又稱(chēng)為財(cái)務(wù)失敗、財(cái)務(wù)危機(jī)，是指企業(yè)的現(xiàn)金流不足以補(bǔ)償現(xiàn)有負(fù)債，而使企業(yè)面臨或遭受?chē)?yán)重挫折的危險(xiǎn)與緊急狀態(tài)。財(cái)務(wù)困境預(yù)警系統(tǒng)(Financial difficulties warning system)，是在分析企業(yè)生產(chǎn)經(jīng)營(yíng)狀況、財(cái)務(wù)狀況及其它經(jīng)營(yíng)管理信息的基礎(chǔ)上，根據(jù)預(yù)警系統(tǒng)發(fā)出的信號(hào)，對(duì)財(cái)務(wù)危機(jī)發(fā)生的可能性進(jìn)行預(yù)報(bào)并為控制危機(jī)提供決策的一類(lèi)系統(tǒng)。它能夠預(yù)知企業(yè)財(cái)務(wù)危機(jī)的征兆，投資者和股東可以利用它來(lái)識(shí)別企業(yè)潛在的風(fēng)險(xiǎn)，及時(shí)處理現(xiàn)有投資，以達(dá)到減少投資損失的目的。債權(quán)人、銀行和其他非銀行金融機(jī)構(gòu)，也可以利用這種預(yù)警分析做出相應(yīng)的信貸決策與控制。

對(duì)財(cái)務(wù)困境預(yù)警系統(tǒng)的研究，國(guó)外進(jìn)行的比較早，F(xiàn)itzpatrick[2]使用了單變量一元判定模型，表明凈利潤(rùn)/股東權(quán)益和股東權(quán)益/負(fù)債是對(duì)企業(yè)破產(chǎn)預(yù)測(cè)能力最高的兩個(gè)財(cái)務(wù)比率指標(biāo)。同樣使用一元判定模型，Beaver[3]的研究則發(fā)現(xiàn)利用營(yíng)運(yùn)資金流量/總負(fù)債可以對(duì)公司的破產(chǎn)進(jìn)行預(yù)測(cè)，其精度可以達(dá)到87%。Altman[4]提出多元線(xiàn)性判定模型。多元線(xiàn)性判定模型具有更高的預(yù)測(cè)精度，但是使用此模型做研究的工作量比較大，且它對(duì)前兩年、前三年的預(yù)測(cè)精度較低；另外，它還要求解釋變量中的兩組樣本具有等協(xié)方差、以及解釋變量的樣本呈正態(tài)分布。Ohlson[5]用Logistic回歸模型分析了1970年-1976年間破產(chǎn)的105家公司和2 058家公司，他發(fā)現(xiàn)利用公司規(guī)模、當(dāng)前的變現(xiàn)能力進(jìn)行財(cái)務(wù)危機(jī)的預(yù)測(cè)準(zhǔn)確率達(dá)到96.12%。后來(lái)，也有學(xué)者提出了一些新的財(cái)務(wù)困境預(yù)警方法，如Probit判別分析法(Zmijewski[6])、人工神經(jīng)網(wǎng)絡(luò)模型(Odom[7])、聯(lián)合預(yù)測(cè)模型(Ahn[8])，但近幾年還是Logistic回歸方法的使用較為普遍。Hu和Ansell[9]使用Logistic回歸模型等五種方法預(yù)測(cè)美國(guó)、歐洲和日本的企業(yè)的財(cái)務(wù)困境，研究發(fā)現(xiàn)Logistic回歸模型具有較好的預(yù)測(cè)能力。還有Hua[10]、Shih等[11]的研究也表明了Logistic回歸模型具有較好的預(yù)測(cè)能力。近年來(lái)，國(guó)內(nèi)涌現(xiàn)大批學(xué)者進(jìn)行財(cái)務(wù)預(yù)警系統(tǒng)的研究，多采用一元判定模型、多元判別模型和Logistic回歸模型。最早是陳靜[12]構(gòu)建了一元判別模型，研究結(jié)果顯示在上市公司發(fā)生財(cái)務(wù)困境的前1～3 年判定準(zhǔn)確率分別為92.6% 、85.2%及79.6%。吳世農(nóng)和盧賢義[13]建立了三種預(yù)測(cè)財(cái)務(wù)困境的模型，結(jié)論表明：對(duì)于相同數(shù)據(jù)集，Logistic回歸模型對(duì)于財(cái)務(wù)困境的誤判率是最低的，僅為6.47%。黃善東和楊淑娥[14]使用Logistic回歸預(yù)測(cè)模型，發(fā)現(xiàn)第一大股東派出董事比例與公司發(fā)生財(cái)務(wù)困境的概率之間呈現(xiàn)顯著的負(fù)相關(guān)關(guān)系。徐春紅和路正南[14]的研究也表明Logistic回歸模型對(duì)商業(yè)銀行識(shí)別和評(píng)估信用風(fēng)險(xiǎn)比較有效。

在以往對(duì)財(cái)務(wù)困境預(yù)警系統(tǒng)的研究中，學(xué)者選取不同的財(cái)務(wù)指標(biāo)會(huì)得到不同的預(yù)測(cè)準(zhǔn)確度，且目前并沒(méi)有公認(rèn)選取哪些財(cái)務(wù)指標(biāo)來(lái)進(jìn)行預(yù)測(cè)；另外，在對(duì)財(cái)務(wù)困境預(yù)警系統(tǒng)的研究中，針對(duì)某一行業(yè)的研究也很少。本文以我國(guó)化工類(lèi)11家ST和54家非ST上市公司作為樣本，選取53個(gè)財(cái)務(wù)指標(biāo)，經(jīng)過(guò)Wilcoxon秩檢驗(yàn)刷選后得到33個(gè)財(cái)務(wù)指標(biāo)；然后，在對(duì)選取樣本公司的33個(gè)財(cái)務(wù)指標(biāo)進(jìn)行因子分析之后，利用所計(jì)算出的因子作為變量再進(jìn)行Logistic回歸，最終建立化工企業(yè)財(cái)務(wù)困境預(yù)警系統(tǒng)。

二、數(shù)據(jù)和實(shí)證方法

(一)數(shù)據(jù)

(1)樣本的選取

在我國(guó)，當(dāng)某上市公司連續(xù)兩年出現(xiàn)財(cái)務(wù)狀況或其他異常狀況時(shí)，則證券交易所會(huì)對(duì)該上市公司實(shí)行特別處理[15](簡(jiǎn)稱(chēng)ST)。因此，如果某公司被實(shí)行特別處理(ST)，在很大意義上，意味著該上市公司出現(xiàn)了財(cái)務(wù)困境。

本文則將公司近五年第一次被實(shí)行特別處理(ST)作為陷入財(cái)務(wù)困境的標(biāo)志。假定該化工上市公司是在t年被宣布實(shí)施特別處理(ST)，因此，獲取該公司t-2年財(cái)務(wù)數(shù)據(jù)作為財(cái)務(wù)困境企業(yè)樣本數(shù)據(jù)；而財(cái)務(wù)狀況良好企業(yè)(非ST)，則選取在2009年1月1日前上市，且2009、2010、2011連續(xù)三年凈利潤(rùn)為正的化工上市公司，獲取這些公司2009年財(cái)務(wù)數(shù)據(jù)作為財(cái)務(wù)狀況良好企業(yè)樣本數(shù)據(jù)。最終確定了一個(gè)由65家化工行業(yè)上市公司組成的樣本來(lái)構(gòu)建模型。其中包括11家ST公司，54家非ST公司。

(2) 指標(biāo)設(shè)定

選取財(cái)務(wù)比率變量[16]作為研究指標(biāo)。但是，由于財(cái)務(wù)比率指標(biāo)的計(jì)算可以依據(jù)不同的計(jì)量方法，使同一個(gè)財(cái)務(wù)比率指標(biāo)的計(jì)算結(jié)果不一致，因此，本文在劉國(guó)風(fēng)[17]選取20個(gè)財(cái)務(wù)指標(biāo)(分為五大類(lèi))的基礎(chǔ)上考慮更加全面，選取53個(gè)財(cái)務(wù)指標(biāo)，包括長(zhǎng)期償債能力、短期償債能力、盈利能力、營(yíng)運(yùn)能力、現(xiàn)金流量比率、發(fā)展能力、股東獲利能力七大類(lèi)。其分類(lèi)方法和數(shù)據(jù)來(lái)自于國(guó)泰安金融數(shù)據(jù)庫(kù)。

(二)實(shí)證方法

由于Logistic回歸模型[18]不需要嚴(yán)格的假設(shè)條件，適用范圍很廣，且其預(yù)測(cè)的精確度較高，所以本文使用Logistic回歸模型作為財(cái)務(wù)預(yù)警模型。

Logistic回歸的假設(shè)前提是：a.模型中所有變量的數(shù)據(jù)必須來(lái)自隨機(jī)樣本；b.被解釋變量Yi為二分變量；c.被解釋變量Yi被假定為k個(gè)解釋變量Xji(j=1，2，…，k)的函數(shù)，被解釋變量與解釋變量之間是非線(xiàn)性關(guān)系；d.每一個(gè)解釋變量之間不存在多重共線(xiàn)性關(guān)系。

Logistic回歸模型判別的基本思想是：設(shè)Xji為第i個(gè)財(cái)務(wù)困境公司的第j個(gè)指標(biāo)的預(yù)測(cè)變量向量，那么該公司陷入財(cái)務(wù)困境的概率Pi和Xji之間存在如下回歸關(guān)系：

(1)

回歸模型中Pi的預(yù)測(cè)最大值趨近1，最小值趨近0，所以常被用于非線(xiàn)性0-1分類(lèi)預(yù)測(cè)。本文選擇0.5作為L(zhǎng)ogistic回歸模型的判斷點(diǎn)，即當(dāng)回歸模型計(jì)算出的概率Pi大于等于0.5時(shí)，該公司被判別為財(cái)務(wù)正常企業(yè)，當(dāng)Pi小于0.5時(shí)，則被判別為財(cái)務(wù)困境企業(yè)。

三、實(shí)證檢驗(yàn)與分析

(一)Wilcoxon秩檢驗(yàn)

由于數(shù)據(jù)過(guò)于龐大，所選擇的財(cái)務(wù)比率指標(biāo)過(guò)多，并且它們是否能夠真正反應(yīng)公司財(cái)務(wù)困境狀況也不明確，于是本文根據(jù)陳肇榮[19]的研究，通過(guò)對(duì)ST企業(yè)和非ST企業(yè)的數(shù)據(jù)進(jìn)行Wilcoxon秩檢驗(yàn)，比較中值差異，從而判斷兩類(lèi)企業(yè)財(cái)務(wù)比率指標(biāo)的顯著差異性，保留差異顯著的財(cái)務(wù)比率指標(biāo)。

通過(guò)檢驗(yàn)得知，其中有20個(gè)財(cái)務(wù)比率沒(méi)有通過(guò)Wilcoxon秩檢驗(yàn)(檢驗(yàn)結(jié)果見(jiàn)表1)，可以認(rèn)為這些財(cái)務(wù)比率指標(biāo)對(duì)于判定企業(yè)財(cái)務(wù)困境沒(méi)有太大意義，所以只需進(jìn)一步分析的財(cái)務(wù)比率指標(biāo)為剩下的33個(gè)。

(二)因子分析

因子分析[20]是將實(shí)測(cè)的多個(gè)指標(biāo)，用少數(shù)的幾個(gè)潛在因子的線(xiàn)性組合表示出來(lái)。為了更好的克服變量之間的多重共線(xiàn)性且又盡可能的保留財(cái)務(wù)比率變量所包含的信息，所以對(duì)篩選的33個(gè)財(cái)務(wù)比率指標(biāo)采用主成分法進(jìn)行因子提取。

首先進(jìn)行KMO和Bartlett`s檢驗(yàn)[21]，從檢驗(yàn)結(jié)果看，本文所采用的33個(gè)財(cái)務(wù)比率變量是適合做因子分析的。為了盡可能的保留原信息，本文在累計(jì)方差貢獻(xiàn)率大于80%的基礎(chǔ)上，進(jìn)行最大方差旋轉(zhuǎn)，選取了6個(gè)具有代表性的因子，且這六個(gè)因子的方差貢獻(xiàn)率等于82.277%(見(jiàn)表2)，說(shuō)明這六個(gè)因子對(duì)財(cái)務(wù)指標(biāo)的覆蓋率達(dá)到了82.277%。

對(duì)旋轉(zhuǎn)后因子載荷矩陣進(jìn)行歸納和總結(jié)。如表3所示。

表1 Wilcoxon秩檢驗(yàn)結(jié)果表

表2 主因子的特征值和貢獻(xiàn)率

F1在財(cái)務(wù)比率X1、X2、X3、X4、X5、X6、X7、X8、X9、X35、X40和X41上有較大載荷，說(shuō)明這12個(gè)指標(biāo)有著較強(qiáng)的相關(guān)性，可以歸為一類(lèi)，從這些變量所表示的財(cái)務(wù)比率含義上看，F(xiàn)1可以作為反應(yīng)公司債務(wù)狀況的指標(biāo)。依此類(lèi)推，F(xiàn)2表示公司獲利狀況，F(xiàn)3表示公司權(quán)益增值能力，F(xiàn)4代表公司資金周轉(zhuǎn)能力，F(xiàn)5代表公司股東獲利能力，F(xiàn)6反映公司資產(chǎn)增值能力。

表3 主因子分析法

(三)Logistic回歸模型預(yù)測(cè)檢驗(yàn)

(1)模型回歸

本文將財(cái)務(wù)困境(ST 類(lèi))企業(yè)和非財(cái)務(wù)危機(jī)(非 ST 類(lèi))企業(yè)分別記為 0 和 1，利用在因子分析中得出的6個(gè)主因子，采取Logistic回歸中的Forward Stepwise方法構(gòu)建模型，最終模型的擬合優(yōu)度檢驗(yàn)表結(jié)果如下，-2LL為7.611，Cox & Snell R2統(tǒng)計(jì)量為0.547， Nagelkerke R2統(tǒng)計(jì)量為0.916，說(shuō)明模型擬合效果比較好。

表4 最終模型的擬合優(yōu)度檢驗(yàn)結(jié)果

由SPSS得出的回歸模型中，因子F4、F5、F6系數(shù)不顯著，所以最終模型只包括因子F1、F2、F3，下表顯示出了最終模型的系數(shù)及其統(tǒng)計(jì)量。

表5 最終模型的估計(jì)系數(shù)及其統(tǒng)計(jì)量

構(gòu)建的回歸模型表示為：

其中，Yi=6.924+1.148F1+11.598F2+1.162F3(0.021)(0.095)(0.04)(0.064)

F1=0.183X1+0.167X2+0.164X3+0.063X4+0.095X5-0.064X6+0.175X7+0.064X8+0.061X9-0.056X35+0.091X40+0.103X41

F2=0.183X26+0.017X27+0.172X28+0.092X29+0.101X30+0.065X31+0.093X32-0.169X33+0.055X46+0.078X51

F3=0.248X36+0.248X37+0.269X47+0.171X53

被納入模型的因子F1、F2、F3分別反應(yīng)了企業(yè)的債務(wù)狀況、獲利狀況、以及權(quán)益增值能力，共覆蓋了26個(gè)財(cái)務(wù)指標(biāo)。

(2)最終模型的預(yù)測(cè)效果

根據(jù)上述Logistic回歸結(jié)果，以0.5作為擬合檢驗(yàn)的臨界值，對(duì)建模樣本企業(yè)進(jìn)行判定[22]。如果得到的P值大于0.5，則判定樣本為財(cái)務(wù)正常企業(yè)；否則為財(cái)務(wù)困境企業(yè)。模型的預(yù)測(cè)效果如表6所示。

表6 預(yù)測(cè)效果判定

從預(yù)測(cè)分類(lèi)表看，總體預(yù)測(cè)準(zhǔn)確率為98.5%，相對(duì)于當(dāng)模型中不包含這些解釋變量時(shí)，預(yù)測(cè)準(zhǔn)確率為52%有大幅度的提高。這說(shuō)明本文所選用的企業(yè)的債務(wù)狀況、獲利狀況、以及權(quán)益增值能力具有較大的預(yù)測(cè)能力。

四、結(jié)論[23-25]

財(cái)務(wù)困境預(yù)警系統(tǒng)能夠預(yù)知企業(yè)財(cái)務(wù)危機(jī)的征兆，預(yù)防財(cái)務(wù)危機(jī)發(fā)生或控制其進(jìn)一步擴(kuò)大，它對(duì)公司的投資者和債權(quán)人都具有重大的意義。本文借助Wilcoxon秩檢驗(yàn)比較11家ST與54家非ST化工企業(yè)的53個(gè)財(cái)務(wù)比率指標(biāo)，篩選出能夠較好反應(yīng)企業(yè)財(cái)務(wù)狀況的33個(gè)財(cái)務(wù)比率指標(biāo)，利用因子分析法進(jìn)行統(tǒng)計(jì)處理，構(gòu)建相應(yīng)的Logistic回歸模型，獲得具有較高準(zhǔn)確性的化工企業(yè)財(cái)務(wù)困境預(yù)警系統(tǒng)。主要研究結(jié)果如下：

(1)在建立的化工企業(yè)財(cái)務(wù)困境預(yù)警系統(tǒng)中，3個(gè)主因子變量的系數(shù)都為正數(shù)，這表明當(dāng)F值(因子得分)增大，相應(yīng)的P值就會(huì)變大，即當(dāng)F所表示的財(cái)務(wù)含義有增大趨勢(shì)時(shí)，公司的財(cái)務(wù)狀況也趨向于良好。另外，三個(gè)主因子當(dāng)中F2的系數(shù)是最大的，也就表明F2代表的企業(yè)獲利狀況越好，該企業(yè)的財(cái)務(wù)狀況就越好。因此，當(dāng)公司處于財(cái)務(wù)困境當(dāng)中時(shí)，必須著重改變自己的獲利能力來(lái)擺脫危機(jī)。

(2)利用各個(gè)財(cái)務(wù)比率變量與主因子得分之間的關(guān)系可以進(jìn)一步分析財(cái)務(wù)比率與公司財(cái)務(wù)困境之間最為直接的關(guān)系。以F1進(jìn)行舉例說(shuō)明，對(duì)于表示債務(wù)狀況的主因子F1與流動(dòng)比率、速動(dòng)比率、營(yíng)運(yùn)資產(chǎn)比率、現(xiàn)金流量比率、營(yíng)運(yùn)資產(chǎn)占資產(chǎn)總額比重、所有者權(quán)益比率、權(quán)益負(fù)債比率、長(zhǎng)期資產(chǎn)適合率、現(xiàn)金流量比率、債務(wù)保障率成正比，表示其中這些財(cái)務(wù)比率的提高都會(huì)引起F1的增加，從而就會(huì)影響到P值的增大，公司陷入財(cái)務(wù)困境的幾率就越?。煌瑫r(shí)與資產(chǎn)負(fù)債率、財(cái)務(wù)費(fèi)用率成反比，表明這兩個(gè)比率的降低都會(huì)引起F1的增大，從而增加P值。另外，相對(duì)而言X1(流動(dòng)比率)、X2(速動(dòng)比率)、X3(現(xiàn)金流量比率)、X7(權(quán)益負(fù)債比率)系數(shù)比較大，即它們對(duì)F1的影響較大，從而可以判定這些財(cái)務(wù)指標(biāo)需要引起特別的重視。

(3)經(jīng)過(guò)上述一系列的統(tǒng)計(jì)分析，得到3個(gè)主因子，以及它們所涵蓋的26個(gè)原始財(cái)務(wù)指標(biāo)，最終得出了一個(gè)Logistic回歸模型，因此建立了我國(guó)化工企業(yè)財(cái)務(wù)預(yù)警系統(tǒng)，該系統(tǒng)的財(cái)務(wù)困境預(yù)測(cè)準(zhǔn)確率高達(dá)98.5%。因此，某企業(yè)是否會(huì)陷入財(cái)務(wù)困境時(shí)，可以使用本文的財(cái)務(wù)困境預(yù)警系統(tǒng)進(jìn)行判定。

[參考文獻(xiàn)]

[1]RossS. A.，WesterfieldR.W.，Jaff J. F.公司理財(cái)[M].北京：機(jī)械工業(yè)出版社，1999.

[2]Fitzpatrick P.J. A Comparison of Ratios of Successful Industrial Enterprises with Those Failed Finns [J].Certified Public Accountant,V0l.2,1932.

[3]Beaver W.H. Financial Ratio as Predictor of Failure[J].Journal of Accounting Research 1966,(supplement to V01.5)：71-111.

[4]Edward I., Altman. Financial Ratios Discriminate Analysis and The Prediction of Corporate Bankruptcy[J]. The Journal of Finance, Sep 1968,589-609.

[5]Ohlson J. Financial Ratio and the Probabilistic Prediction of Bankruptcy [J].Journal of Accounting Research,1980,18(1)：109-131.

[6]Zmijewski M.E. Methodological Issues Related to the Estimation of Financial Distress Prediction Models[J].Journal of Accounting Research,1984 (Supplement to Vol.22)：61-82.

[7]Odom,R Sharda. A Neural Network Models for Bankruptcy Prediction[J]. Journal of Neural Networks, 1990(2):163-167.

[8]Ahn B.S., Cho S.S., Kim C.Y. The Integrated Methodology of Rough Set Theory and Artificial Neural Network for Business Failure Prediction [J]. Expert Systems with A pplications.2000.

[9]Hu,Y.C. & Ansell, J. Developing financial distress prediction models: A study of U, [11] Europe and Japan retail performance. Working Paper. 2005.

[10]Hua Z.,Wang Y., Xu X. & Liang L. Predicting Corporate Financial Distress Based on Integration of Support Vector Machine and Logistic Regression[J].Expert Systems with Applications,2007. 33：434-440.

[11]Shih K.H.,Cheng C.C.,Wang Y.-H.Financial Information Fraud Risk Warning for Manufacturing Industry-Using Logistic Regression and Neural Network[J]. Romanian Journal of Economic Forecasting ,2011(1).

[12]陳靜.上市公司財(cái)務(wù)惡化預(yù)測(cè)的實(shí)證分析[J].會(huì)計(jì)研究，1999(04).

[13]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(06).

[14]徐春紅，路正南.商業(yè)銀行信用風(fēng)險(xiǎn)識(shí)別的模型構(gòu)建與政策建議[J].統(tǒng)計(jì)與決策，2010(02).

[15]何蘇湘.對(duì)企業(yè)危機(jī)管理的理論界定[J].商業(yè)時(shí)代，1998(50).

[16]注冊(cè)會(huì)計(jì)師全國(guó)統(tǒng)一考試輔導(dǎo)教材《財(cái)務(wù)成本管理》[M].北京：經(jīng)濟(jì)科學(xué)出版社，2008.

[17]劉國(guó)風(fēng).企業(yè)財(cái)務(wù)危機(jī)預(yù)警應(yīng)確立的指標(biāo)體系[J].商業(yè)研究，2009(03).

[18]朱建平.《應(yīng)用多元統(tǒng)計(jì)分析》[M].科學(xué)出版社，2006(08).

[19]陳肇榮.運(yùn)用財(cái)務(wù)比率預(yù)測(cè)企業(yè)財(cái)務(wù)危機(jī)之實(shí)證研究[D].國(guó)立政治大學(xué)企研所博士論文，1983.

[20]張文彤.《SPSS11統(tǒng)計(jì)分析教程(高級(jí)篇)》[M].北京：希望電子出版社，2002(06).

[21]劉紅霞，張心林.以主成分分析法構(gòu)建企業(yè)財(cái)務(wù)危機(jī)預(yù)警模型[J].中央財(cái)經(jīng)大學(xué)學(xué)報(bào)，2004(4).

[22]高培業(yè)，張道奎.企業(yè)失敗判別模型實(shí)證研究[J].統(tǒng)計(jì)研究，2000(10)：46-51.

[23]張玲.財(cái)務(wù)危機(jī)預(yù)警分析判別模型及其應(yīng)用[J].預(yù)測(cè)，2000(06)：38-40.

[24]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.

[25]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)(第45卷)，2005(11).