高新技術(shù)制造企業(yè)的財(cái)務(wù)危機(jī)預(yù)警研究

耿東　付亭　曹文彬

【摘 要】 作為具有高技術(shù)含量和高附加值的高新技術(shù)制造企業(yè)是制造業(yè)的主力軍，研究其財(cái)務(wù)預(yù)警對(duì)于促進(jìn)我國(guó)經(jīng)濟(jì)發(fā)展具有重要的意義。通過(guò)選取深滬A股高新技術(shù)制造企業(yè)為樣本，充分考慮不同歷史時(shí)期的財(cái)務(wù)狀況對(duì)當(dāng)前企業(yè)財(cái)務(wù)狀況的影響，提出了基于Logistic-BP神經(jīng)網(wǎng)絡(luò)的動(dòng)態(tài)財(cái)務(wù)預(yù)警模型。實(shí)證結(jié)果表明，基于面板數(shù)據(jù)的動(dòng)態(tài)預(yù)警模型能更好地體現(xiàn)財(cái)務(wù)危機(jī)狀況，具備良好的預(yù)警精度。動(dòng)態(tài)BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)性能優(yōu)于Logistic回歸分析模型和傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)模型。

【關(guān)鍵詞】 高新技術(shù)制造企業(yè)； 財(cái)務(wù)預(yù)警； 動(dòng)態(tài)BP神經(jīng)網(wǎng)絡(luò)模型

中圖分類號(hào)：F830 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1004-5937（2014）18-0044-05

引 言

高新技術(shù)制造企業(yè)作為高新技術(shù)制造業(yè)的實(shí)體是知識(shí)密集型、技術(shù)密集型和資金密集型的企業(yè)，其發(fā)展決定了現(xiàn)實(shí)生產(chǎn)力的轉(zhuǎn)化，對(duì)于促進(jìn)整體制造業(yè)的快速發(fā)展具有重要意義。高新技術(shù)企業(yè)的高收益特性源于其高科技產(chǎn)品和服務(wù)的高增長(zhǎng)和高附加值，而與之對(duì)應(yīng)的便是企業(yè)的高風(fēng)險(xiǎn)性，據(jù)統(tǒng)計(jì)20%～30%的高新技術(shù)制造業(yè)的巨大成功是以70%～80%的企業(yè)失敗為代價(jià)。企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的擴(kuò)散和深化將直接導(dǎo)致企業(yè)陷入財(cái)務(wù)困境，從而影響正常的生產(chǎn)經(jīng)營(yíng)活動(dòng)。所以，建立和完善高新技術(shù)制造企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警機(jī)制，提高企業(yè)有效預(yù)測(cè)和應(yīng)對(duì)風(fēng)險(xiǎn)的能力，對(duì)于高新技術(shù)制造業(yè)的經(jīng)營(yíng)者和投資者具有一定的借鑒意義。

財(cái)務(wù)危機(jī)預(yù)警的研究由傳統(tǒng)的統(tǒng)計(jì)研究方法發(fā)展到人工智能算法。最早是由Fitzpatrick（1932）采用單變量分析方法對(duì)公司的財(cái)務(wù)危機(jī)進(jìn)行預(yù)警研究，得出權(quán)益負(fù)債率和權(quán)益凈利率是判定企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的重要指標(biāo)。Altman（1968）利用多元判別分析法建立基于Z-SCORE的財(cái)務(wù)預(yù)警模型。其后，回歸模型克服了線性模型的假設(shè)局限性，常用的有Probit模型和Logistic模型。Ohlson（1980）使用Probit和Logistic回歸方法建立邏輯回歸模型，得出公司規(guī)模、資本結(jié)構(gòu)、業(yè)績(jī)和變現(xiàn)能力是影響公司破產(chǎn)的重要因素。上述以統(tǒng)計(jì)類方法為基礎(chǔ)的模型是在樣本滿足合理的統(tǒng)計(jì)假設(shè)條件下才能有效，否則可能沒(méi)有意義，由此許多學(xué)者相繼將非統(tǒng)計(jì)的方法引入財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警研究，其中應(yīng)用最多的是神經(jīng)網(wǎng)絡(luò)分析法。Lapedes和Fyaber（1987）首次運(yùn)用神經(jīng)網(wǎng)絡(luò)模型對(duì)銀行的信用風(fēng)險(xiǎn)進(jìn)行預(yù)測(cè)和分析，并取得了較好的預(yù)測(cè)效果。Odom和Sharda（1990）通過(guò)Z值模型中的5個(gè)財(cái)務(wù)比率構(gòu)建了人工神經(jīng)網(wǎng)絡(luò)財(cái)務(wù)預(yù)警模型成功地對(duì)企業(yè)的財(cái)務(wù)危機(jī)進(jìn)行了預(yù)測(cè)，證明了人工神經(jīng)網(wǎng)絡(luò)模型不但準(zhǔn)確率高，而且魯棒性也更好。Feng Yu Lin和Sally McClean（2001）以Logistic回歸法、判別分析法、決策樹(shù)方法和神經(jīng)網(wǎng)絡(luò)方法為基礎(chǔ)，通過(guò)這些方法的組合運(yùn)用，采用了三種混合模型，再分別對(duì)這些方法進(jìn)行檢驗(yàn)分析，分析結(jié)果表明同等條件下，混合模型在準(zhǔn)確率方面優(yōu)于單個(gè)方法模式。國(guó)內(nèi)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警研究起步較晚，陳靜（1999）對(duì)上市公司財(cái)務(wù)數(shù)據(jù)進(jìn)行了單變量分析并建立Fisher線性判別分析模型，得出越臨近企業(yè)被ST的日期，模型的預(yù)測(cè)準(zhǔn)確率越高。吳世農(nóng)、盧賢義（2001）驗(yàn)證了Logistic回歸分析方法在預(yù)測(cè)財(cái)務(wù)困境的效果上比單變量判別模型更好。柳炳祥、盛昭翰（2002）劃分了財(cái)務(wù)危機(jī)等級(jí)并驗(yàn)證了基于粗神經(jīng)網(wǎng)絡(luò)的財(cái)務(wù)預(yù)警方法的有效性。周敏，王新宇（2002）提出了模糊優(yōu)選和神經(jīng)網(wǎng)絡(luò)模型，范靜（2008）選擇因子分析法—BP神經(jīng)網(wǎng)絡(luò)等評(píng)價(jià)方法。陳偉等（2010）主要分析了不同成長(zhǎng)階段高新技術(shù)企業(yè)的融資特點(diǎn)，提出了有效防范財(cái)務(wù)風(fēng)險(xiǎn)的具體措施。楊淑娥引入面板數(shù)據(jù)，構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型對(duì)上市公司的財(cái)務(wù)狀況進(jìn)行預(yù)測(cè)，提高了預(yù)警精度。張曉琦（2010）證明了支持向量機(jī)（SVM）方法在高新技術(shù)企業(yè)財(cái)務(wù)危機(jī)預(yù)警建模方面的有效性。綜上所述，現(xiàn)階段對(duì)于高新技術(shù)企業(yè)的財(cái)務(wù)危機(jī)預(yù)警研究集中與理論分析階段，大多數(shù)都是基于t-1期與t期的數(shù)據(jù)建立靜態(tài)數(shù)據(jù)模型，忽略了企業(yè)財(cái)務(wù)比率的時(shí)間序列特點(diǎn)，企業(yè)財(cái)務(wù)危機(jī)的出現(xiàn)是一個(gè)逐漸演變的過(guò)程且不同行業(yè)的高新技術(shù)企業(yè)特點(diǎn)也不盡相同，這些因素將對(duì)企業(yè)財(cái)務(wù)狀況的演化產(chǎn)生偏差，從而影響預(yù)警模型的有效性和精準(zhǔn)度。

本研究綜合了主成分分析方法、Logistic回歸方法與BP神經(jīng)網(wǎng)絡(luò)機(jī)制，引入面板數(shù)據(jù)為研究樣本，建立動(dòng)態(tài)的高新技術(shù)制造企業(yè)財(cái)務(wù)危機(jī)預(yù)警模型。從理論分析而言，面板數(shù)據(jù)提供了多層面的數(shù)據(jù)信息，充分發(fā)掘企業(yè)財(cái)務(wù)信息，同時(shí)結(jié)合高新技術(shù)制造業(yè)的特點(diǎn)，從不同的側(cè)面選取指標(biāo)來(lái)反映企業(yè)財(cái)務(wù)狀況的各個(gè)方面，所以能夠深入全面地反映財(cái)務(wù)危機(jī)前的狀況和趨勢(shì)并作出及時(shí)合理的判斷，采取相應(yīng)措施。從實(shí)踐結(jié)果而言，解決了一般企業(yè)由于數(shù)據(jù)缺乏帶來(lái)的技術(shù)問(wèn)題，擴(kuò)大預(yù)警模型的適用性，為更多的高新技術(shù)制造企業(yè)服務(wù)。實(shí)證結(jié)果表明，基于Logistic-BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)警能力明顯優(yōu)于傳統(tǒng)Logistic回歸分析方法和BP神經(jīng)網(wǎng)絡(luò)預(yù)警機(jī)制。

一、研究方法

（一）Logistic回歸

二、數(shù)據(jù)和預(yù)警指標(biāo)

（一）樣本選取和數(shù)據(jù)來(lái)源

本研究考慮到時(shí)間因素和指標(biāo)可比性兩方面，選擇高新技術(shù)制造企業(yè)作為研究對(duì)象，利用多期歷史財(cái)務(wù)數(shù)據(jù)建立財(cái)務(wù)危機(jī)動(dòng)態(tài)預(yù)警模型。本文以我國(guó)2008年至2012年深滬A股高新技術(shù)制造上市公司（通過(guò)2008《高新技術(shù)企業(yè)認(rèn)定管理辦法》的制造行業(yè)企業(yè)）為研究對(duì)象，數(shù)據(jù)源于CCER經(jīng)濟(jì)金融研究數(shù)據(jù)庫(kù)以及巨潮資訊數(shù)據(jù)庫(kù)，使用Excel、SPSS16.0和Matlab2010數(shù)據(jù)分析軟件對(duì)數(shù)據(jù)進(jìn)行分析。沿用國(guó)內(nèi)研究習(xí)慣，以ST作為出現(xiàn)財(cái)務(wù)危機(jī)的標(biāo)志，選取2012年ST和非ST高新技術(shù)制造業(yè)上市公司為待測(cè)樣本。為了符合上市公司ST與非ST的實(shí)際比例，確保數(shù)據(jù)的真實(shí)性和可比性，參照Beaver（1966）的方法，采取1：3的配對(duì)方式，選擇規(guī)模（總資產(chǎn)）相近的ST、非ST公司120家為訓(xùn)練樣本，所有50家ST和150家非ST公司為分析樣本。

由于上市公司在t年被特別處理是由其t-1年財(cái)務(wù)報(bào)告的公布所決定的。根據(jù)以往分析，t-1年財(cái)務(wù)數(shù)據(jù)的時(shí)效性較強(qiáng)，預(yù)測(cè)度很高，但是，其與正常樣本相差很大，有失模型構(gòu)建的真實(shí)性和可比性，實(shí)際預(yù)測(cè)的應(yīng)用價(jià)值不高。財(cái)務(wù)風(fēng)險(xiǎn)的形成并非一朝一夕，而是一個(gè)連續(xù)的動(dòng)態(tài)過(guò)程，越早洞察出財(cái)務(wù)風(fēng)險(xiǎn)，越有可能避免再次虧損。據(jù)此，選定t-2和t-3作為財(cái)務(wù)預(yù)警年度。

（二）預(yù)警指標(biāo)的設(shè)計(jì)

在參照現(xiàn)有財(cái)務(wù)風(fēng)險(xiǎn)研究文獻(xiàn)的基礎(chǔ)上，同時(shí)結(jié)合高新技術(shù)企業(yè)本身高投入、高風(fēng)險(xiǎn)、高收益的特點(diǎn)以及新型制造業(yè)的運(yùn)營(yíng)特點(diǎn)進(jìn)行綜合評(píng)估，從公司的償債能力、盈利能力、成長(zhǎng)能力、運(yùn)營(yíng)能力指標(biāo)和現(xiàn)金流量五個(gè)方面初步選定18個(gè)變量作為備選指標(biāo)，如表1所示?；谧R(shí)別財(cái)務(wù)風(fēng)險(xiǎn)的及時(shí)性和準(zhǔn)確性，挑選的變量必須在ST公司與非ST公司之間顯著不同。通過(guò)對(duì)指標(biāo)進(jìn)行顯著水平5%的K-S檢驗(yàn)得出財(cái)務(wù)比率均不服從正態(tài)分布特征，因此采用Mann-Whitney-U檢驗(yàn)來(lái)預(yù)警指標(biāo)在ST公司與非ST公司之間是否存在顯著差異，在95%的置信區(qū)間內(nèi)接受原假設(shè)，最終選取在2009年和2010年均存在顯著差異的14個(gè)變量作為最佳評(píng)估指標(biāo)，剔除4個(gè)不顯著指標(biāo)：營(yíng)業(yè)利潤(rùn)增長(zhǎng)率、應(yīng)收賬款周轉(zhuǎn)率、流動(dòng)資產(chǎn)周轉(zhuǎn)率和存貨周轉(zhuǎn)率。

三、基于Logistic-BP神經(jīng)網(wǎng)絡(luò)的實(shí)證研究

（一）建立財(cái)務(wù)危機(jī)預(yù)警模型

由于財(cái)務(wù)指標(biāo)之間相關(guān)性較強(qiáng)，信息重疊不利于后續(xù)預(yù)警模型的構(gòu)建，首先分別對(duì)t-2和t-3年的14個(gè)財(cái)務(wù)指標(biāo)進(jìn)行因子分析，得到t-2和t-3年的KMO值分別為0.681和0.724，Bartlett球度檢驗(yàn)給出的相伴概率均為0，小于顯著性水平0.05，因此拒絕Bartlett球度檢驗(yàn)的零假設(shè)，認(rèn)為適合于因子分析。

本文在累計(jì)貢獻(xiàn)率85%以上的基礎(chǔ)上，采取正交旋轉(zhuǎn)法提取5個(gè)主成分F1—F5。第一主因子F1由流動(dòng)比率、速動(dòng)比率、股東權(quán)益比率、資產(chǎn)負(fù)債率組成；第二主因子F2由凈資產(chǎn)收益率、運(yùn)營(yíng)資金比率、主營(yíng)業(yè)務(wù)利潤(rùn)率組成；第三主因子F3由凈資產(chǎn)增長(zhǎng)率、總資產(chǎn)增長(zhǎng)率、主營(yíng)業(yè)務(wù)收入增長(zhǎng)率組成；第四主因子F4由資產(chǎn)周轉(zhuǎn)率、固定資產(chǎn)周轉(zhuǎn)率組成；第五主因子F5由現(xiàn)金流動(dòng)負(fù)債比率和每股經(jīng)營(yíng)性現(xiàn)金流組成。通過(guò)上述因子分析所提取的五個(gè)財(cái)務(wù)指標(biāo)包含了公司財(cái)務(wù)危機(jī)的主要信息，能夠比較全面地反映公司的財(cái)務(wù)狀況。

在靜態(tài)BP神經(jīng)網(wǎng)絡(luò)模型中，同樣選擇訓(xùn)練樣本的五個(gè)因子變量作為網(wǎng)絡(luò)層的輸入，經(jīng)過(guò)反復(fù)試驗(yàn)，構(gòu)建出5x24x1的基于因子分析的靜態(tài)BP神經(jīng)網(wǎng)絡(luò)財(cái)務(wù)預(yù)警模型，模型收斂情況如圖2所示，通過(guò)對(duì)所有上市公司樣本進(jìn)行預(yù)測(cè)，得到如表4的預(yù)測(cè)結(jié)果。

綜合Logistic模型的回歸分析結(jié)果pt-2和pt-3，將訓(xùn)練樣本的w1pt-2和w2pt-3作為網(wǎng)絡(luò)輸入變量，建立動(dòng)態(tài)BP神經(jīng)網(wǎng)絡(luò)財(cái)務(wù)危機(jī)預(yù)警模型，其中w1+w2=1，經(jīng)過(guò)反復(fù)試驗(yàn)取中間層8，將所有樣本作為驗(yàn)證樣本帶入模型，通過(guò)選取不同權(quán)重系數(shù)w1=0.4，w2=0.6時(shí)，模型呈現(xiàn)較高的預(yù)警精度，模型收斂情況如圖3所示，預(yù)測(cè)結(jié)果如表4所示。

（二）三種模型的預(yù)測(cè)結(jié)果比較分析

由表4可知，在這三種模型中，t-2期的預(yù)測(cè)效果要明顯高于t-3期的，即離目標(biāo)預(yù)警期越近，預(yù)測(cè)準(zhǔn)確率越高。但是t-3期的預(yù)測(cè)結(jié)果仍與t期財(cái)務(wù)狀況存在緊密聯(lián)系，如果忽視t-3期數(shù)據(jù)將會(huì)降低t期的預(yù)測(cè)結(jié)果。對(duì)于單期財(cái)務(wù)數(shù)據(jù)的Logistic回歸模型和基于因子分析的BP神經(jīng)網(wǎng)絡(luò)模型預(yù)警分析結(jié)果，均有較好的預(yù)測(cè)能力。其中BP神經(jīng)網(wǎng)絡(luò)模型綜合預(yù)測(cè)效果要優(yōu)于Logistic模型，但BP神經(jīng)網(wǎng)絡(luò)模型中ST的誤判率高于Logistic模型中ST的誤判率。而基于動(dòng)態(tài)BP神經(jīng)網(wǎng)絡(luò)模型無(wú)論是從ST公司和非ST方面均提高了預(yù)測(cè)的準(zhǔn)確率，其總體預(yù)測(cè)準(zhǔn)確率為94%，明顯優(yōu)于第一種和第二種模型。由此可見(jiàn)傳統(tǒng)的預(yù)測(cè)模型僅僅體現(xiàn)了某一時(shí)期對(duì)目標(biāo)時(shí)期的預(yù)測(cè)效果，難以實(shí)現(xiàn)不同時(shí)期的最優(yōu)預(yù)測(cè)，通過(guò)將二者相結(jié)合，綜合考慮t-2期和t-3期歷史數(shù)據(jù)來(lái)建立基于面板數(shù)據(jù)的動(dòng)態(tài)BP神經(jīng)網(wǎng)絡(luò)模型，且其預(yù)測(cè)結(jié)果優(yōu)于前兩種方法，第三種模型充分結(jié)合了BP神經(jīng)網(wǎng)絡(luò)和統(tǒng)計(jì)方法的優(yōu)點(diǎn)。

四、結(jié)論

本文采用高新技術(shù)制造業(yè)上市公司的多期歷史面板財(cái)務(wù)數(shù)據(jù)，利用因子分析對(duì)指標(biāo)進(jìn)行降維，采用多期數(shù)據(jù)建立動(dòng)態(tài)Logistic-BP神經(jīng)網(wǎng)絡(luò)模型，提高了模型的縱向長(zhǎng)期預(yù)測(cè)能力，實(shí)現(xiàn)多時(shí)段預(yù)警。通過(guò)實(shí)證研究得出以下結(jié)論：首先，高新技術(shù)制造企業(yè)財(cái)務(wù)危機(jī)的出現(xiàn)是循序漸進(jìn)的過(guò)程，距離被ST時(shí)間越近，模型的預(yù)測(cè)準(zhǔn)確率越高。其次，通過(guò)采用財(cái)務(wù)面板數(shù)據(jù)，從數(shù)據(jù)的截面和空間隨時(shí)間變化兩個(gè)方面研究，深入體現(xiàn)了企業(yè)財(cái)務(wù)狀況發(fā)展機(jī)理的漸變特性，體現(xiàn)企業(yè)財(cái)務(wù)危機(jī)發(fā)生的連續(xù)動(dòng)態(tài)特點(diǎn)，提高了樣本中關(guān)鍵財(cái)務(wù)指標(biāo)變化的特征信息，有利于建立更精確的模型，提高預(yù)警精度。最后，綜合模型結(jié)合了Logistic非線性分析方法和BP神經(jīng)網(wǎng)絡(luò)的容錯(cuò)性、自我學(xué)習(xí)性特點(diǎn)，具有更強(qiáng)大的財(cái)務(wù)預(yù)警建模和預(yù)測(cè)能力，降低了ST公司的誤判率，在實(shí)際應(yīng)用中有助于經(jīng)營(yíng)者預(yù)防和監(jiān)控財(cái)務(wù)危機(jī)，促進(jìn)企業(yè)持續(xù)健康發(fā)展，也有利于投資者債權(quán)人規(guī)避財(cái)務(wù)風(fēng)險(xiǎn)，減少經(jīng)濟(jì)損失。

【參考文獻(xiàn)】

[1] Fitzpatrick P J. A Comparison of Ratios of Successful Industrial Enterprises with Those of Failed Firms[M]// Certified Public Accountant，1932（2）：656-662，727-731.

[2] Altman，Edward I. Financial Ratios，Discriminant Analysis and the Prediction of Corporate Bankruptcy[J].Journal of Finance，1968（9）：589-609.

[3] Ohlson，James A. Financial Ratios and the Pr-

obabilistic Prediction of Bankruptcy [J].Journal of Accounting Research，1980（18）：109-131.

[4] Lapedes A，F(xiàn)arber R. Nonlinear signal processing using neural networks： Prediction and System Modeling[R]. Tech.Rep.LA-UR-87-2662 Los Alamos，Los Alamos National Laboratory，1987.

[5] Wilson R.L，Sharda R. Bankruptcy prediction using neural networks[J]. Decision Support System，1994（11）：545-557.

[6] Odour M. D. R. Sharda. A Neural Network Model for Bankruptcy Prediction .In Proceedings of the International Joint Conference on Neural Networks，1990（6）：136-138.

[7] Feng Yu Lin，Sally Mc Clean. A data mining approach to the prediction of corporate failure [J].Knowledge-Based Systems，2001（14）：189-195.

[8] 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，1994（4）： 31-38.

[9] 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.

[10] 柳炳祥，盛昭翰.基于粗神經(jīng)網(wǎng)絡(luò)的企業(yè)財(cái)務(wù)危機(jī)預(yù)警方法[J].中國(guó)工程科學(xué)，2002（8）：58-63.

[11] 周敏，王新宇.基于模糊優(yōu)選和神經(jīng)網(wǎng)絡(luò)的財(cái)務(wù)危機(jī)預(yù)警[J].管理科學(xué)學(xué)報(bào)，2002（3）：86-91.

[12] 陳偉，張曉琦，楊彩霞. 我國(guó)高新技術(shù)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)成因及防范研究[J].科技管理研究，2010（8）：228-229，220.

[13] 楊淑娥，王樂(lè)平. 基于BP 神經(jīng)網(wǎng)絡(luò)和面板數(shù)據(jù)的上市公司財(cái)務(wù)危機(jī)預(yù)警[J].系統(tǒng)工程理論與實(shí)踐，2007（2）：61-68.

[14] 張曉琦. SVM 算法在高新技術(shù)企業(yè)財(cái)務(wù)危機(jī)預(yù)警模型中的應(yīng)用研究[J]. 科技管理研究，2010（6）：147-149.

[15] 張德豐.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)[M]. 北京： 機(jī)械工業(yè)出版社，2009.

[3] Ohlson，James A. Financial Ratios and the Pr-

obabilistic Prediction of Bankruptcy [J].Journal of Accounting Research，1980（18）：109-131.

[4] Lapedes A，F(xiàn)arber R. Nonlinear signal processing using neural networks： Prediction and System Modeling[R]. Tech.Rep.LA-UR-87-2662 Los Alamos，Los Alamos National Laboratory，1987.

[5] Wilson R.L，Sharda R. Bankruptcy prediction using neural networks[J]. Decision Support System，1994（11）：545-557.

[6] Odour M. D. R. Sharda. A Neural Network Model for Bankruptcy Prediction .In Proceedings of the International Joint Conference on Neural Networks，1990（6）：136-138.

[7] Feng Yu Lin，Sally Mc Clean. A data mining approach to the prediction of corporate failure [J].Knowledge-Based Systems，2001（14）：189-195.

[8] 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，1994（4）： 31-38.

[9] 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.

[10] 柳炳祥，盛昭翰.基于粗神經(jīng)網(wǎng)絡(luò)的企業(yè)財(cái)務(wù)危機(jī)預(yù)警方法[J].中國(guó)工程科學(xué)，2002（8）：58-63.

[11] 周敏，王新宇.基于模糊優(yōu)選和神經(jīng)網(wǎng)絡(luò)的財(cái)務(wù)危機(jī)預(yù)警[J].管理科學(xué)學(xué)報(bào)，2002（3）：86-91.

[12] 陳偉，張曉琦，楊彩霞. 我國(guó)高新技術(shù)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)成因及防范研究[J].科技管理研究，2010（8）：228-229，220.

[13] 楊淑娥，王樂(lè)平. 基于BP 神經(jīng)網(wǎng)絡(luò)和面板數(shù)據(jù)的上市公司財(cái)務(wù)危機(jī)預(yù)警[J].系統(tǒng)工程理論與實(shí)踐，2007（2）：61-68.

[14] 張曉琦. SVM 算法在高新技術(shù)企業(yè)財(cái)務(wù)危機(jī)預(yù)警模型中的應(yīng)用研究[J]. 科技管理研究，2010（6）：147-149.

[15] 張德豐.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)[M]. 北京： 機(jī)械工業(yè)出版社，2009.

[3] Ohlson，James A. Financial Ratios and the Pr-

obabilistic Prediction of Bankruptcy [J].Journal of Accounting Research，1980（18）：109-131.

[4] Lapedes A，F(xiàn)arber R. Nonlinear signal processing using neural networks： Prediction and System Modeling[R]. Tech.Rep.LA-UR-87-2662 Los Alamos，Los Alamos National Laboratory，1987.

[5] Wilson R.L，Sharda R. Bankruptcy prediction using neural networks[J]. Decision Support System，1994（11）：545-557.

[6] Odour M. D. R. Sharda. A Neural Network Model for Bankruptcy Prediction .In Proceedings of the International Joint Conference on Neural Networks，1990（6）：136-138.

[7] Feng Yu Lin，Sally Mc Clean. A data mining approach to the prediction of corporate failure [J].Knowledge-Based Systems，2001（14）：189-195.

[8] 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，1994（4）： 31-38.

[9] 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.

[10] 柳炳祥，盛昭翰.基于粗神經(jīng)網(wǎng)絡(luò)的企業(yè)財(cái)務(wù)危機(jī)預(yù)警方法[J].中國(guó)工程科學(xué)，2002（8）：58-63.

[11] 周敏，王新宇.基于模糊優(yōu)選和神經(jīng)網(wǎng)絡(luò)的財(cái)務(wù)危機(jī)預(yù)警[J].管理科學(xué)學(xué)報(bào)，2002（3）：86-91.

[12] 陳偉，張曉琦，楊彩霞. 我國(guó)高新技術(shù)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)成因及防范研究[J].科技管理研究，2010（8）：228-229，220.

[13] 楊淑娥，王樂(lè)平. 基于BP 神經(jīng)網(wǎng)絡(luò)和面板數(shù)據(jù)的上市公司財(cái)務(wù)危機(jī)預(yù)警[J].系統(tǒng)工程理論與實(shí)踐，2007（2）：61-68.

[14] 張曉琦. SVM 算法在高新技術(shù)企業(yè)財(cái)務(wù)危機(jī)預(yù)警模型中的應(yīng)用研究[J]. 科技管理研究，2010（6）：147-149.

[15] 張德豐.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)[M]. 北京： 機(jī)械工業(yè)出版社，2009.