中小上市企業(yè)財(cái)務(wù)危機(jī)預(yù)警研究

宋鵬+李婷婷

【摘 要】 中小企業(yè)在國民經(jīng)濟(jì)與社會(huì)發(fā)展中發(fā)揮著重要的作用，然而由于其風(fēng)險(xiǎn)抵御能力相對較弱等因素，針對其開展財(cái)務(wù)危機(jī)預(yù)警研究就顯得尤為重要。以2005—2015年中小板上市企業(yè)為研究樣本，困境樣本篩選時(shí)不是單純考慮ST或*ST，而是將“在連續(xù)兩年內(nèi)只發(fā)生過一次年度末虧損，但在該期間內(nèi)各季度的凈利潤率平均值小于零”作為另一個(gè)困境樣本匹配標(biāo)準(zhǔn)。結(jié)合財(cái)務(wù)、現(xiàn)金流量以及公司治理指標(biāo)，用粗糙熵方法對初選指標(biāo)進(jìn)行特征選擇進(jìn)而構(gòu)建預(yù)警指標(biāo)體系，在此基礎(chǔ)上建立Logistic預(yù)警模型，并采用十折交叉驗(yàn)證方法進(jìn)行穩(wěn)健性檢驗(yàn)。結(jié)果顯示：與傳統(tǒng)Logistic模型預(yù)警準(zhǔn)確率相比，RS—Logistic模型預(yù)警準(zhǔn)確率更高；在指標(biāo)體系中融入公司治理變量可以對模型預(yù)測效果起到正向促進(jìn)作用。

【關(guān)鍵詞】 中小企業(yè)； 粗糙熵； 十折交叉驗(yàn)證； 公司治理； 財(cái)務(wù)預(yù)警

【中圖分類號】 F275 【文獻(xiàn)標(biāo)識碼】 A 【文章編號】 1004-5937（2017）09-0089-06

一、引言

2016年12月11日，中國加入WTO滿15周年，在這15年的經(jīng)濟(jì)發(fā)展浪潮中，中國一躍成為世界第二大經(jīng)濟(jì)體。企業(yè)是經(jīng)濟(jì)社會(huì)發(fā)展的主要?jiǎng)恿?，有效的企業(yè)財(cái)務(wù)危機(jī)預(yù)警不僅有利于企業(yè)的可持續(xù)發(fā)展，對股東等相關(guān)利益主體甚至于整個(gè)國民經(jīng)濟(jì)運(yùn)行也都具有舉足輕重的作用[1]；建立科學(xué)有效的財(cái)務(wù)危機(jī)預(yù)警系統(tǒng)，有助于企業(yè)管理層及時(shí)發(fā)現(xiàn)問題并采取相應(yīng)措施，避免企業(yè)陷入更大的危機(jī)[2]。特別是對中小企業(yè)而言，由于其風(fēng)險(xiǎn)抵御能力相對較弱，有效的財(cái)務(wù)危機(jī)預(yù)警機(jī)制就顯得尤為重要。目前，國家出臺了一系列政策鼓勵(lì)中小企業(yè)發(fā)展，在政策支持環(huán)境下，我國中小企業(yè)日漸成為國民經(jīng)濟(jì)、社會(huì)發(fā)展的重要力量，在發(fā)展經(jīng)濟(jì)、解決就業(yè)、改善民生、創(chuàng)新科技等方面發(fā)揮著重要作用[3]。與此同時(shí)，我國中小企業(yè)存在著市場競爭激烈、財(cái)務(wù)風(fēng)險(xiǎn)管理能力不足、公司治理結(jié)構(gòu)不完善等一系列問題，隨著經(jīng)濟(jì)下行壓力的增大，6 666萬家中小微企業(yè)（工信部數(shù)據(jù)）生存非常困難[4]。近年來，金融危機(jī)、歐債危機(jī)的發(fā)生給我國整體經(jīng)濟(jì)帶來巨大沖擊，并導(dǎo)致大量中小企業(yè)破產(chǎn)。顯然，缺乏有效預(yù)警機(jī)制、信息缺失等問題是這一現(xiàn)狀的重要影響因素[5]。在后金融危機(jī)時(shí)代，市場運(yùn)行風(fēng)險(xiǎn)依然顯著，綜合運(yùn)用中小企業(yè)的財(cái)務(wù)與非財(cái)務(wù)數(shù)據(jù)，并基于科學(xué)的預(yù)警模型幫助中小企業(yè)及早發(fā)現(xiàn)經(jīng)營中存在的問題，建立中小企業(yè)財(cái)務(wù)危機(jī)預(yù)警系統(tǒng)，不僅能提高中小企業(yè)的財(cái)務(wù)管理水平，還有利于中小企業(yè)及時(shí)應(yīng)對市場風(fēng)險(xiǎn)，為中小企業(yè)管理層提供及時(shí)、可靠的決策依據(jù)，進(jìn)而實(shí)現(xiàn)中小企業(yè)可持續(xù)發(fā)展。

二、文獻(xiàn)回顧

（一）預(yù)警指標(biāo)體系研究

在財(cái)務(wù)危機(jī)預(yù)警研究中，預(yù)警指標(biāo)體系的構(gòu)建是研究者的首要關(guān)注目標(biāo)。Altman[6]使用常規(guī)的財(cái)務(wù)指標(biāo)作為預(yù)警變量進(jìn)行財(cái)務(wù)危機(jī)預(yù)測。鮑新中等[7]對33個(gè)財(cái)務(wù)變量進(jìn)行篩選，最終得到9個(gè)能反映企業(yè)財(cái)務(wù)狀況的財(cái)務(wù)指標(biāo)進(jìn)行財(cái)務(wù)預(yù)警研究。面對日益加劇的市場預(yù)期風(fēng)險(xiǎn)，“現(xiàn)金為王”的經(jīng)營理論日漸受到重視，學(xué)者也逐漸將研究視角從傳統(tǒng)財(cái)務(wù)指標(biāo)轉(zhuǎn)移到收付實(shí)現(xiàn)制下的現(xiàn)金流指標(biāo)上來。William[8]是公認(rèn)的引入現(xiàn)金流量指標(biāo)進(jìn)行財(cái)務(wù)預(yù)警的先驅(qū)，研究中以79對公司為研究樣本，結(jié)果表明，現(xiàn)金流量/總負(fù)債能很好地預(yù)測公司的財(cái)務(wù)狀況。近年來，一些非財(cái)務(wù)指標(biāo)如公司治理指標(biāo)也被引入到預(yù)警指標(biāo)體系中。Whitaker[9]認(rèn)為，許多公司陷入財(cái)務(wù)危機(jī)更多的是源于其薄弱的管理而非經(jīng)濟(jì)上的困難，學(xué)術(shù)界也關(guān)注了管理層激勵(lì)對企業(yè)財(cái)務(wù)危機(jī)的影響。劉玉敏等[10]引入公司治理因素建立預(yù)警模型，結(jié)果表明引入公司治理指標(biāo)的模型預(yù)測精度得到了提高。

可以看出，當(dāng)前財(cái)務(wù)危機(jī)預(yù)警研究不僅考慮財(cái)務(wù)指標(biāo)，同時(shí)也關(guān)注了現(xiàn)金流指標(biāo)；尤其需要強(qiáng)調(diào)的是，中小企業(yè)由于存在著市場競爭激烈、財(cái)務(wù)風(fēng)險(xiǎn)管理能力不足、公司治理結(jié)構(gòu)不完善等一系列問題，因此，同時(shí)考慮公司治理指標(biāo)對于提高預(yù)警效果就顯得尤為重要。

（二）預(yù)警模型研究

單變量分析是最早用于財(cái)務(wù)危機(jī)預(yù)警的模型，F(xiàn)itzpatrick[11]提出以單項(xiàng)財(cái)務(wù)比率作為標(biāo)準(zhǔn)來判斷企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)狀態(tài)。William[12]采用財(cái)務(wù)比率對企業(yè)財(cái)務(wù)危機(jī)進(jìn)行預(yù)測，研究證實(shí)在排除行業(yè)因素和公司資產(chǎn)規(guī)模因素的前提下，債務(wù)保障率、總資產(chǎn)凈利潤率等財(cái)務(wù)比率對預(yù)測財(cái)務(wù)危機(jī)是有效的。雖然單變量模型運(yùn)用廣泛，但不同指標(biāo)的預(yù)測結(jié)果可能相互矛盾，且容易被管理者操縱。

多元線性判定模型是運(yùn)用多種財(cái)務(wù)指標(biāo)構(gòu)造多元線性函數(shù)來進(jìn)行危機(jī)預(yù)警的模型，其典型代表是由Altman[13]建立的Z-Score模型。研究中從22個(gè)財(cái)務(wù)指標(biāo)中提取5個(gè)公因子，圍繞企業(yè)資產(chǎn)利用率、資產(chǎn)規(guī)模、償債能力、財(cái)務(wù)結(jié)構(gòu)、盈利能力等方面綜合分析預(yù)測企業(yè)的財(cái)務(wù)狀況，通過對33組制造性上市企業(yè)的研究，建立多元線性Z-Score模型。多元線性判定模型具有較高的判別精度，但它有一些較為嚴(yán)格的前提假設(shè)，如線性關(guān)系、變量服從正態(tài)分布以及解釋變量之間獨(dú)立等，這在現(xiàn)實(shí)情況中很難滿足。為了克服這些局限性，自20世紀(jì)70年代末以來，財(cái)務(wù)危機(jī)預(yù)警的研究人員引入Logistic回歸方法。

Martin[14]首次嘗試將Logistic模型應(yīng)用于企業(yè)財(cái)務(wù)危機(jī)預(yù)警模型的構(gòu)建，以1969—1974年上市公司作為研究對象，選取4個(gè)財(cái)務(wù)指標(biāo)預(yù)測兩年后樣本公司的破產(chǎn)概率。浦軍等[15]選取40家ST公司和103家非ST公司作為研究樣本，選取資產(chǎn)負(fù)債率、每股收益、股權(quán)集中度等8個(gè)變量作為建模指標(biāo)，運(yùn)用Logistic回歸模型建立相應(yīng)的財(cái)務(wù)危機(jī)預(yù)警模型，取得了良好的預(yù)測效果。方匡南等[16]在充分考慮變量間的網(wǎng)絡(luò)結(jié)構(gòu)關(guān)系基礎(chǔ)上，提出了網(wǎng)絡(luò)結(jié)構(gòu)Logistic模型，將其應(yīng)用于我國企業(yè)信用風(fēng)險(xiǎn)預(yù)警研究中，預(yù)測效果優(yōu)于傳統(tǒng)Logistic模型。Logistic模型的優(yōu)點(diǎn)是假設(shè)條件較少，如不要求總體滿足正態(tài)分布和協(xié)方差矩陣相等，且能夠針對分類問題進(jìn)行回歸分析，因此，其成為財(cái)務(wù)預(yù)警研究的重要建模方法之一。

值得強(qiáng)調(diào)的是，隨著近年來人工智能方法的逐漸興起，與之相關(guān)的研究成果也在不斷涌現(xiàn)。郭毅夫等[17]選取48家上市公司為研究對象，采用20個(gè)指標(biāo)，應(yīng)用神經(jīng)網(wǎng)絡(luò)方法，對創(chuàng)新型上市企業(yè)的財(cái)務(wù)危機(jī)進(jìn)行預(yù)警研究。鄭曉云等[18]采用BP神經(jīng)網(wǎng)絡(luò)模型和Logistic模型分別對房地產(chǎn)上市公司的財(cái)務(wù)狀況進(jìn)行了實(shí)證研究。Cao et al.[19]應(yīng)用了粗糙集和反向傳播神經(jīng)網(wǎng)絡(luò)的方法，對企業(yè)是否會(huì)陷入衰退進(jìn)行預(yù)警，通過粗糙集的屬性約簡，降低了數(shù)據(jù)的噪音和冗余。馬若微[20]綜合運(yùn)用粗糙集理論中的重要性原理和信息熵概念，從客觀數(shù)據(jù)出發(fā)，對備選指標(biāo)離散化之后進(jìn)行屬性約簡，剔除冗余屬性，進(jìn)而篩選出建立上市公司財(cái)務(wù)危機(jī)預(yù)警模型的指標(biāo)。需要說明的是，粗糙集方法由于無需提供除問題所需處理的數(shù)據(jù)集合之外的任何先驗(yàn)信息，而是完全由已知數(shù)據(jù)來得到知識，從而開辟了一條與傳統(tǒng)統(tǒng)計(jì)方法截然不同的新途徑[21]。從現(xiàn)有研究進(jìn)展來看，可以肯定，伴隨人工智能方法的不斷發(fā)展，立足于統(tǒng)計(jì)方法與人工智能方法相結(jié)合的預(yù)警模型有望為財(cái)務(wù)危機(jī)預(yù)警研究提供一條行之有效的新路徑。

綜上所述，建立有效的財(cái)務(wù)預(yù)警系統(tǒng)需要以下兩個(gè)方面的有機(jī)結(jié)合：一是科學(xué)的指標(biāo)體系；二是有效的預(yù)警模型。因此，本文面向中小企業(yè)，綜合考慮財(cái)務(wù)、現(xiàn)金流和公司治理指標(biāo)，建立中小企業(yè)財(cái)務(wù)危機(jī)預(yù)警指標(biāo)體系，運(yùn)用粗糙熵方法的特征選擇優(yōu)勢選取關(guān)鍵預(yù)警指標(biāo)，結(jié)合Logistic回歸方法，構(gòu)建一個(gè)能有效預(yù)測中小企業(yè)財(cái)務(wù)危機(jī)的預(yù)警系統(tǒng)，為防范中小企業(yè)財(cái)務(wù)危機(jī)提供決策支持。

三、研究設(shè)計(jì)

（一）樣本選擇和數(shù)據(jù)準(zhǔn)備

本文初始樣本為先后在中小板上市的798家中小企業(yè)，樣本期間為2005—2015年。困境企業(yè)樣本篩選原則為：（1）剔除ST或*ST企業(yè)；（2）剔除連續(xù)兩年內(nèi)只發(fā)生過一次年度末虧損，但在兩年內(nèi)各季度的凈利潤率平均值小于零的企業(yè)；（3）剔除由于上市較短而近三年財(cái)務(wù)數(shù)據(jù)不全的企業(yè)。在此基礎(chǔ)上，按照“行業(yè)相同，資產(chǎn)規(guī)模相近”原則選出與之相匹配的健康樣本，最終得到了40家困境樣本及與之配對的40家健康樣本，涵蓋期間為2008—2015年（數(shù)據(jù)來源于CSMAR數(shù)據(jù)庫）。備選指標(biāo)包括企業(yè)償債能力、營運(yùn)能力、盈利能力、發(fā)展能力、每股指標(biāo)、現(xiàn)金流指標(biāo)以及公司治理指標(biāo)七個(gè)方面，初步選取了31個(gè)指標(biāo)作為備選變量（見表1）。

（二）模型構(gòu)建

1.基于有序粗糙熵的特征選擇

在粗糙集理論框架下，以備選變量為條件屬性集，以是否為困境樣本為決策屬性（健康樣本取值為1，困境樣本取值為0），建立財(cái)務(wù)危機(jī)預(yù)警指標(biāo)選擇決策信息表。在此基礎(chǔ)上，將信息熵E不變作為特征選擇準(zhǔn)則（見定義1）。

定義1：設(shè)S=（U，AT，V，f）是一個(gè)序決策信息表，C∪D=AT（C為條件屬性集，D為決策屬性），B∈C；若條件屬性子集B滿足下列條件：

（1）E（D≥B≥）=E（D≥C≥）

（2）對于？坌a∈B，有E（D≥（B-a）≥）>E（D≥B≥）

則稱B是條件屬性集C相對于決策屬性D的屬性約簡[22]。

2.Logistic回歸

運(yùn)用一般多元線性回歸的思想來構(gòu)建Logistic模型：

Ln（■）=β0+β1X1+β2X2+β3X3+…+βnXn

對該模型進(jìn)行變換，可得：

p=■

對任一企業(yè)進(jìn)行判別時(shí)，可將其預(yù)警指標(biāo)向量X=（X1，X2，…，Xn，）T代入Logistic回歸模型計(jì)算概率p值進(jìn)而進(jìn)行預(yù)測。

3.實(shí)證檢驗(yàn)及交叉驗(yàn)證

按照前文困境樣本篩選原則，對于ST或*ST企業(yè)，本文將其被ST或*ST年度作為T年；對于連續(xù)兩年內(nèi)只發(fā)生過一次年度末虧損，但在兩年內(nèi)各季度的凈利潤率平均值小于零的企業(yè)，將連續(xù)兩年中的第二年作為T年。相應(yīng)的，把前兩年、前三年、前四年分別用T-2年、T-3年、T-4年來表示。由于在構(gòu)建財(cái)務(wù)危機(jī)預(yù)警模型時(shí)要求進(jìn)入模型的變量應(yīng)在兩總體（健康樣本和困境樣本）之間存在一定差異性，因此要對備選變量做均值檢驗(yàn)。首先對初選財(cái)務(wù)指標(biāo)做K-S正態(tài)性檢驗(yàn)；然后根據(jù)檢驗(yàn)結(jié)果對符合正態(tài)分布的指標(biāo)做T檢驗(yàn)，不符合正態(tài)分布的指標(biāo)進(jìn)行U檢驗(yàn)。由于篇幅限制，這里只列示T-4年檢驗(yàn)結(jié)果。

用SPSS對初選指標(biāo)做K-S正態(tài)性檢驗(yàn)，檢驗(yàn)結(jié)果見表2。

從表2可以看出：資產(chǎn)負(fù)債率、資產(chǎn)報(bào)酬率、總資產(chǎn)凈利率、凈資產(chǎn)收益率、營業(yè)凈利率、息稅前營業(yè)利潤率、可持續(xù)增長率、營業(yè)收入現(xiàn)金凈含量這8個(gè)指標(biāo)總體符合正態(tài)分布，用兩獨(dú)立樣本T檢驗(yàn)來檢驗(yàn)這8個(gè)指標(biāo)在兩總體中的均值差異是否顯著，檢驗(yàn)結(jié)果見表3。

根據(jù)表3結(jié)果可知：X4、X13、X14、X15、X16、X17、X19、X26在兩總體中均值差異顯著，剩余18個(gè)指標(biāo)X1、X2、X3、X5、X6、X7、X8、X9、X10、X11、X12、X18、X20、X21、X22、X23、X24、X25不符合正態(tài)分布，因此采用非參數(shù)曼-惠特尼U檢驗(yàn)對其在兩總體中均值差異做顯著性檢驗(yàn)，檢驗(yàn)結(jié)果見表4。

從表4非參數(shù)檢驗(yàn)結(jié)果可以看出，在α=0.05水平下通過U檢驗(yàn)的有：X1、X2、X5、X6、X11、X12、X20、X21。

綜合各年度T檢驗(yàn)與U檢驗(yàn)結(jié)果，可得α=0.05水平下，在兩總體中均值具有顯著差異的指標(biāo)集結(jié)果（見表5）。

可以看出，連續(xù)三年中均顯著的指標(biāo)有：X1、X2、X4、X5、X6、X12、X13、X14、X15、X16、X17、X19、X20、X21、X26。

對通過了顯著性檢驗(yàn)的財(cái)務(wù)和現(xiàn)金流指標(biāo)以及全部公司治理指標(biāo)采用MATLAB軟件根據(jù)有序粗糙熵方法原理進(jìn)行屬性約簡，提取關(guān)鍵屬性，進(jìn)一步得到經(jīng)過RS約簡后的預(yù)警指標(biāo)體系，約簡結(jié)果見表6。

將經(jīng)過顯著性檢驗(yàn)和RS約簡得到的指標(biāo)體系按照公式y(tǒng)=-1+2（x-min）/（max-min）進(jìn)行歸一化處理，使其取值在[-1，+1]區(qū)間內(nèi)，即得到了經(jīng)過RS特征選擇后的指標(biāo)體系。在此基礎(chǔ)上應(yīng)用Logistic模型進(jìn)行分類預(yù)測，分別將試驗(yàn)樣本與測試樣本按照9■1比例在隨機(jī)分類情形下做十折交叉驗(yàn)證，并隨機(jī)分類10次。為檢驗(yàn)RS特征選擇效果，先將通過顯著性檢驗(yàn)的指標(biāo)體系直接建立Logistic回歸模型得到預(yù)測精度，然后運(yùn)用RS屬性約簡后的指標(biāo)體系建立基于RS—Logistic回歸的預(yù)警模型，并將兩種情況下的預(yù)警精度進(jìn)行比較，結(jié)果見表7。

分析表7可以知道，將通過了顯著性檢驗(yàn)的財(cái)務(wù)指標(biāo)體系直接建立Logistic回歸模型，其在T-2、T-3、T-4年預(yù)測準(zhǔn)確率依次為77.5%、72.5%、67.5%；而在此基礎(chǔ)上加入公司治理指標(biāo)后，預(yù)測精度有明顯提升，依次為81.25%、76.25%、68.75%。相比較而言，經(jīng)過RS約簡后建立的Logistic回歸模型在中小企業(yè)財(cái)務(wù)危機(jī)預(yù)警分類精確度上有大幅提升，其在T-2、T-3、T-4年預(yù)測準(zhǔn)確率依次為92.5%、75%、67.5%；加入公司治理指標(biāo)后預(yù)測精度依次為95%、77.5%、71.25%。

四、研究結(jié)論及展望

本文綜合運(yùn)用了規(guī)范研究、實(shí)證研究以及對比研究的方法，對2005—2015年期間中小板上市企業(yè)進(jìn)行財(cái)務(wù)危機(jī)預(yù)警研究。在樣本選取和期間選擇方面，由于中小板上市企業(yè)中被ST或者*ST企業(yè)較少，本文將“在兩年內(nèi)只發(fā)生過一次年度末虧損，但在該期間內(nèi)各季度的凈利潤率平均值小于零”作為另一個(gè)困境樣本選取標(biāo)準(zhǔn)，以增加樣本量。在指標(biāo)選取方面，本文綜合采用了財(cái)務(wù)、現(xiàn)金流指標(biāo)，并融入了公司治理指標(biāo)進(jìn)行研究，結(jié)果表明公司治理指標(biāo)在提升中小企業(yè)財(cái)務(wù)危機(jī)預(yù)警精度方面具有正向的促進(jìn)作用。在模型構(gòu)建方面，基于統(tǒng)計(jì)方法與人工智能方法相結(jié)合的建模視角建立了RS—Logistic預(yù)警模型，結(jié)果表明其具有更好的預(yù)測效果；并且可以看出，采用RS進(jìn)行屬性約簡，不僅使得預(yù)測精度得到顯著提升，而且剔除了冗余指標(biāo)，減少了預(yù)警指標(biāo)數(shù)量，進(jìn)一步驗(yàn)證了RS方法的特征選擇優(yōu)越性。

當(dāng)然，盡管本文豐富了中小企業(yè)財(cái)務(wù)危機(jī)預(yù)警方面的實(shí)證研究，但同時(shí)也存在一些不足。首先，在對困境樣本進(jìn)行健康樣本匹配時(shí)，本文采用的是“行業(yè)相同，資產(chǎn)規(guī)模相近”這一原則，但“資產(chǎn)規(guī)?！笔欠衲軌蛴行Т砥髽I(yè)規(guī)模，能否采用“員工人數(shù)”等其他指標(biāo)作為企業(yè)規(guī)模的代理變量，這是今后值得研究的一個(gè)方向。其次，本文驗(yàn)證了RS方法具有良好特征選擇效果，未來研究中能否將其與擅長于處理小樣本的非線性模型SVM相結(jié)合，以期進(jìn)一步提高預(yù)測精度。最后，“資產(chǎn)規(guī)?！痹诒疚难芯恐斜辉O(shè)定為一個(gè)匹配標(biāo)準(zhǔn)，那么“資產(chǎn)規(guī)模”本身是否會(huì)對預(yù)警效果產(chǎn)生影響，也是值得進(jìn)一步探究的問題和方向。

【參考文獻(xiàn)】

[1] WANKE P，BARROS C P，F(xiàn)ARIA J R. Financial distress drivers in Brazilian banks： A dynamic slacks approach[J]. European Journal of Operational Research， 2015，240（1）：258-268.

[2] GENG R， BOSE I， CHEN X. Prediction of financial distress： An empirical study of listed Chinese companies using data mining[J]. European Journal of Operational Research， 2015，241（1）：236-247.

[3] 程平，等.中小企業(yè)會(huì)計(jì)信息化迎來“云會(huì)計(jì)”大概念[N].中國會(huì)計(jì)報(bào)，2015-07-10（7）.

[4] 張文. 中小企業(yè)如何走出困境[N]. 中國經(jīng)濟(jì)時(shí)報(bào)，2015-08-21（10）.

[5] GUPTA J， GREGORIOU A， HEALY J. Forecasting bankruptcy for SMEs using hazard function： To what extent does size matter？[J]. Review of Quantitative Finance and Accounting， 2015，45（4）：845-869.

[6] ALTMAN E I. Financial ratios， discriminant analysis and the prediction of corporate bankruptcy[J]. The Journal of Finance，1968，23（4）：589-609.

[7] 鮑新中， 傅宏宇. 基于變精度加權(quán)平均粗糙度決策樹的財(cái)務(wù)預(yù)警研究[J].運(yùn)籌與管理，2015，24（3）： 189-196.

[8] WILLIAM H B. Market prices， financial ratios， and the prediction of failure[J]. Journal of Accounting research，1968，6（2）：179-192.

[9] WHITAKER R B. The early stages of financial distress[J]. Journal of Economics and Finance， 1999， 23（2）： 123-132.

[10] 劉玉敏， 劉莉， 任廣乾. 基于非財(cái)務(wù)指標(biāo)的上市公司財(cái)務(wù)預(yù)警研究[J].商業(yè)研究，2016（10）：87-92.

[11] FITZPATRICK P J. A comparison of ratios of successful industrial enterprises with those of failed firms[Z].Certified Public Accountant，1932.

[12] WILLIAM H B. Financial ratios as predictors of failure[J].Journal of Accounting Research，1966，4（3）：71-111.

[13] ALTMAN E I. Financial ratios， discriminant analysis and the Prediction of corporate bankruptcy[J]. The journal of finance， 1968，23（4）：589-609.

[14] MARTIN D. Early warning of bank failure： A logit regression approach[J]. Journal of Banking & Finance，1977，1（3）：249-276.

[15] 浦軍，劉娟.財(cái)務(wù)狀況質(zhì)量與財(cái)務(wù)危機(jī)研究——基于Logistic模型的實(shí)證分析[J]. 經(jīng)濟(jì)問題，2009（10）：115-118.

[16] 方匡南， 范新妍， 馬雙鴿. 基于網(wǎng)絡(luò)結(jié)構(gòu) Logistic 模型的企業(yè)信用風(fēng)險(xiǎn)預(yù)警[J]. 統(tǒng)計(jì)研究，2016（4）： 50-55.

[17] 郭毅夫， 權(quán)思勇.基于神經(jīng)網(wǎng)絡(luò)的創(chuàng)新型企業(yè)財(cái)務(wù)危機(jī)預(yù)警研究[J].統(tǒng)計(jì)與決策，2013（4）：170-172.

[18] 鄭曉云，李建華.房地產(chǎn)上市公司財(cái)務(wù)預(yù)警實(shí)證研究[J].會(huì)計(jì)之友，2015（9）：72-76.

[19] CAO Y， CHEN X， WU D D， et al. Early warning of enterprise decline in a life cycle using neural networks and rough set theory[J]. Expert Systems with Applications， 2011，38（6）：6424-6429.

[20] 馬若微.上市公司財(cái)務(wù)困境預(yù)測模型研究[M].北京：知識產(chǎn)權(quán)出版社，2008：13-68.

[21] 宋鵬，梁吉業(yè)，曹付元. 基于鄰域粗糙集的企業(yè)財(cái)務(wù)危機(jī)預(yù)警指標(biāo)選擇[J].經(jīng)濟(jì)管理，2009，31（8）： 130-135.

[22] 宋鵬. 穩(wěn)健型股票價(jià)值投資研究——基于區(qū)間數(shù)據(jù)的序化建模與決策分析[M].北京：科學(xué)出版社， 2015.