基于機(jī)器學(xué)習(xí)的財(cái)務(wù)危機(jī)預(yù)警模型研究

摘要：以科創(chuàng)型企業(yè)為切入點(diǎn)，通過(guò)研究分析企業(yè)財(cái)務(wù)危機(jī)的成因、指標(biāo)選擇和預(yù)警過(guò)程，并以此為基礎(chǔ)選取財(cái)務(wù)指標(biāo)與非財(cái)務(wù)指標(biāo)結(jié)合構(gòu)成科創(chuàng)型企業(yè)財(cái)務(wù)危機(jī)預(yù)警指標(biāo)，篩選出ST與非ST科創(chuàng)型企業(yè)作為研究樣本，選擇Logistic模型、KNN模型和決策樹(shù)模型作為基礎(chǔ)模型，分別對(duì)企業(yè)財(cái)務(wù)危機(jī)進(jìn)行預(yù)測(cè)，得到財(cái)務(wù)危機(jī)預(yù)警模型。結(jié)果表明，對(duì)比Logistic模型和決策樹(shù)模型，KNN模型的預(yù)測(cè)性能更好。建模結(jié)果表明，科創(chuàng)型企業(yè)需要針對(duì)財(cái)務(wù)指標(biāo)進(jìn)行有效的監(jiān)測(cè)，針對(duì)財(cái)務(wù)危機(jī)采取預(yù)防措施，確保公司可以良好的運(yùn)營(yíng)，保證投資人的利益，這些措施具有重要的實(shí)踐意義。

關(guān)鍵詞：科創(chuàng)企業(yè)；KNN；Logistic Regression模型；決策樹(shù)；財(cái)務(wù)危機(jī)

0引言

邁入發(fā)展的新階段，科技創(chuàng)新型企業(yè)在社會(huì)中的作用愈發(fā)凸顯，國(guó)家對(duì)于科創(chuàng)型企業(yè)的扶持力度也在不斷加大。國(guó)家有關(guān)部委在2016年修訂完善了《高新技術(shù)企業(yè)認(rèn)定管理辦法》，這標(biāo)志著國(guó)家加大對(duì)科創(chuàng)型企業(yè)，尤其是中小科創(chuàng)型企業(yè)的扶持力度；2018年11月，國(guó)家正式宣布設(shè)立“科創(chuàng)板”，區(qū)別于主板、創(chuàng)業(yè)板，科創(chuàng)板的定位是新興中小型科創(chuàng)企業(yè)?？苿?chuàng)板上市財(cái)務(wù)條件也比較寬松，這標(biāo)志著有關(guān)企業(yè)融資渠道得到拓展，有助于更好更快發(fā)展；2022年政府工作報(bào)告指出，將繼續(xù)加大研發(fā)費(fèi)用扣除力度，對(duì)投身于基礎(chǔ)研究的企業(yè)實(shí)行稅收優(yōu)惠，要落實(shí)好各類(lèi)創(chuàng)新激勵(lì)政策，以促進(jìn)企業(yè)加大研發(fā)投入，培育壯大社會(huì)發(fā)展新動(dòng)能。

雖然有諸多優(yōu)惠扶持政策，但科創(chuàng)型企業(yè)仍然不可避免地會(huì)發(fā)生財(cái)務(wù)危機(jī)?？苿?chuàng)型企業(yè)大多具有前期投入高、回報(bào)周期長(zhǎng)、產(chǎn)品上市不確定性高等特點(diǎn)，如果經(jīng)營(yíng)不善，很有可能發(fā)生業(yè)績(jī)“變臉”。例如，科創(chuàng)板上市公司“恒譽(yù)環(huán)?！保?021年度預(yù)計(jì)實(shí)現(xiàn)歸屬母公司凈利潤(rùn)-1 000萬(wàn)元左右，較上一年度減少5 000多萬(wàn)元。因此，針對(duì)財(cái)務(wù)危機(jī)進(jìn)行預(yù)測(cè)十分重要。

與其他國(guó)家相比，我國(guó)有關(guān)企業(yè)財(cái)務(wù)危機(jī)預(yù)警的研究開(kāi)展較晚。一方面是因?yàn)橘Y本市場(chǎng)發(fā)展較晚，迄今也不過(guò)32年；另一方面原因是人們對(duì)于財(cái)務(wù)危機(jī)帶來(lái)的惡劣影響認(rèn)識(shí)還不夠充分，直到國(guó)內(nèi)部分業(yè)績(jī)良好的企業(yè)突然破產(chǎn)，2008年國(guó)際金融危機(jī)爆發(fā)后，財(cái)務(wù)危機(jī)預(yù)測(cè)才受到重視。早期，人們還是使用統(tǒng)計(jì)方法構(gòu)建預(yù)測(cè)模型，例如經(jīng)典的Z-score模型。但隨著機(jī)器學(xué)習(xí)的普及，尤其是在金融領(lǐng)域的應(yīng)用得到拓展，人們逐漸使用機(jī)器學(xué)習(xí)的方法進(jìn)行財(cái)務(wù)危機(jī)預(yù)測(cè)的研究。相較于傳統(tǒng)方式，機(jī)器學(xué)習(xí)需要的假設(shè)更少，合理范圍更大，預(yù)測(cè)的準(zhǔn)確也更高，所以本文將使用機(jī)器學(xué)習(xí)算法預(yù)測(cè)企業(yè)未來(lái)是否會(huì)發(fā)生財(cái)務(wù)風(fēng)險(xiǎn)。

1研究意義

自2019年7月首批公司上市科創(chuàng)板以來(lái)，截至2021年12月31日，該板塊已有391家企業(yè)。隨著相關(guān)行業(yè)內(nèi)競(jìng)爭(zhēng)激烈程度的提高，產(chǎn)品和生產(chǎn)技術(shù)更新?lián)Q代十分迅速，公司發(fā)生財(cái)務(wù)風(fēng)險(xiǎn)的可能性進(jìn)一步提高，所以針對(duì)科創(chuàng)型企業(yè)財(cái)務(wù)危機(jī)預(yù)測(cè)十分重要。本文從企業(yè)的內(nèi)部財(cái)務(wù)指標(biāo)和外部審計(jì)意見(jiàn)出發(fā)，基于財(cái)務(wù)危機(jī)發(fā)生的原因，構(gòu)建財(cái)務(wù)危機(jī)預(yù)警指標(biāo)體系，選擇Logistic模型、KNN模型和決策樹(shù)模型作為預(yù)警模型，根據(jù)這3個(gè)模型的預(yù)測(cè)效果，選擇出最適合預(yù)測(cè)科創(chuàng)企業(yè)財(cái)務(wù)危機(jī)的模型。

一方面，該研究可以為企業(yè)經(jīng)營(yíng)者提供意見(jiàn)，較早地防止財(cái)務(wù)危機(jī)的到來(lái)，促進(jìn)企業(yè)健康的發(fā)展，為社會(huì)創(chuàng)造更大的價(jià)值；另一方面，也可以為資本市場(chǎng)的投資主體提供參考信息，避免將資產(chǎn)投資于較差的標(biāo)的，防止個(gè)人投資者蒙受虧損，機(jī)構(gòu)投資者業(yè)績(jī)受損，甚至避免因相關(guān)原因產(chǎn)生的“黑天鵝”事件發(fā)生。

2文獻(xiàn)綜述

文獻(xiàn)綜述部分將介紹企業(yè)財(cái)務(wù)危機(jī)成因、財(cái)務(wù)危機(jī)預(yù)警指標(biāo)、財(cái)務(wù)危機(jī)預(yù)警模型3個(gè)方面內(nèi)容。

2.1財(cái)務(wù)危機(jī)成因

目前大部分研究將公司財(cái)務(wù)危機(jī)的產(chǎn)生歸于公司內(nèi)部因素和公司外部因素。

1976年，Argenti[1]研究發(fā)現(xiàn)，公司財(cái)務(wù)危機(jī)產(chǎn)生的主要原因之一是企業(yè)內(nèi)部治理不善。Agrawal和Chadha[2]在2005年指出，無(wú)效的公司治理有更大的概率導(dǎo)致公司內(nèi)部不當(dāng)行為的產(chǎn)生，從而導(dǎo)致公司產(chǎn)生財(cái)務(wù)危機(jī)。Dyck和Zingales[3]通過(guò)研究1996—2004年間美國(guó)所有發(fā)生財(cái)務(wù)危機(jī)的大型公司，結(jié)果發(fā)現(xiàn)，約有30%的案例與公司內(nèi)部治理因素有關(guān)。1996年，Beasley[4]通過(guò)研究發(fā)現(xiàn)，董事會(huì)成員的多樣性、董事的獨(dú)立性和專(zhuān)業(yè)性、舉辦股東大會(huì)的頻次等也會(huì)對(duì)公司內(nèi)部不當(dāng)行為發(fā)生的頻率和嚴(yán)重性產(chǎn)生影響。Uzun等[5]指出審計(jì)委員會(huì)委員的組成和會(huì)議頻率也與不當(dāng)行為的概率有關(guān)。Gorshunov等[6]對(duì)164家財(cái)務(wù)腐敗的公司和164家合規(guī)公司構(gòu)成的樣本進(jìn)行分析，結(jié)果表明，審計(jì)委員會(huì)成員的獨(dú)立性、董事任職經(jīng)驗(yàn)和財(cái)務(wù)專(zhuān)業(yè)知識(shí)、股票所有權(quán)等因素使上市公司發(fā)生財(cái)務(wù)危機(jī)的可能性降低了72%。

2.2財(cái)務(wù)危機(jī)預(yù)警指標(biāo)

鑒于預(yù)測(cè)財(cái)務(wù)困境的重要性，自20世紀(jì)60年代以來(lái)，它得到了研究人員的廣泛關(guān)注?？v觀現(xiàn)有研究，獲得有效特征和建立高性能模型是兩個(gè)重要的方向。

20世紀(jì)30年代初，一些學(xué)者率先嘗試比較失敗和成功公司的財(cái)務(wù)比率[7]。結(jié)果證明，財(cái)務(wù)指標(biāo)與公司的財(cái)務(wù)業(yè)績(jī)密切相關(guān)。此后，大多數(shù)研究都使用財(cái)務(wù)比率來(lái)預(yù)測(cè)財(cái)務(wù)困境。Kim和Upneja[8]使用盈利能力、償付能力、流動(dòng)性、活動(dòng)性和增長(zhǎng)性等財(cái)務(wù)比率來(lái)區(qū)分有財(cái)務(wù)困難的餐廳和無(wú)財(cái)務(wù)困難的餐廳。但是，財(cái)務(wù)指標(biāo)是在特定的財(cái)務(wù)監(jiān)管框架下計(jì)算出來(lái)的，只能反映企業(yè)過(guò)去的經(jīng)營(yíng)和財(cái)務(wù)狀況，而不能反映其他重要信息[9]。研究人員逐漸意識(shí)到財(cái)務(wù)指標(biāo)的局限性，開(kāi)始引入更多的信息維度[10]。Liang等[11]的研究表明，大股東的持股比例是預(yù)測(cè)財(cái)務(wù)困境的一個(gè)重要特征。

國(guó)內(nèi)學(xué)者中最先進(jìn)行財(cái)務(wù)預(yù)警指標(biāo)研究的是周首華。1996，周首華等[12]創(chuàng)造性地將現(xiàn)金流量因素加入傳統(tǒng)Z-score模型，彌補(bǔ)了傳統(tǒng)Z-score 模型的不足，經(jīng)過(guò)研究33家財(cái)務(wù)危機(jī)公司與33家正常公司組成的樣本，建立了F分?jǐn)?shù)模型并證明模型的有效性。2001年，姜秀華和孫錚[13]通過(guò)研究由42家ST企業(yè)和42家正常企業(yè)構(gòu)成的樣本，綜合對(duì)比各項(xiàng)財(cái)務(wù)比率發(fā)現(xiàn)，“其他應(yīng)收款”“短期借款/資產(chǎn)”“股權(quán)分散”等財(cái)務(wù)信息有較好的預(yù)測(cè)效果，并且能夠較早地預(yù)測(cè)公司潛在的財(cái)務(wù)危機(jī)。2014年，呂峻[14]通過(guò)研究2002—2011年滬深兩市經(jīng)營(yíng)凈現(xiàn)金流為負(fù)的公司和正常公司，發(fā)現(xiàn)財(cái)務(wù)危機(jī)公司往往具有毛利率低、流動(dòng)資產(chǎn)占比高且固定資產(chǎn)占比低、“其他應(yīng)收款/流動(dòng)資產(chǎn)”和“短期借款/流動(dòng)負(fù)債”比率較高、資產(chǎn)負(fù)債率高等特征，因此上述財(cái)務(wù)指標(biāo)也可以較好地預(yù)測(cè)公司是否會(huì)陷入財(cái)務(wù)危機(jī)。

2.3財(cái)務(wù)危機(jī)預(yù)警模型

隨著機(jī)器學(xué)習(xí)的應(yīng)用領(lǐng)域不斷拓展，人工智能算法在金融領(lǐng)域受到廣泛關(guān)注，并提供了許多富有成效的研究成果。與傳統(tǒng)的統(tǒng)計(jì)技術(shù)相比，機(jī)器學(xué)習(xí)不提前設(shè)定數(shù)據(jù)分布，可以自動(dòng)從訓(xùn)練樣本中提取知識(shí)。最近的許多研究表明，基于集合學(xué)習(xí)技術(shù)獲得了更高的準(zhǔn)確性[9]。例如，Geng等[15]利用數(shù)據(jù)挖掘技術(shù)和神經(jīng)網(wǎng)絡(luò)建立了一個(gè)基于3個(gè)不同時(shí)間窗口的金融危機(jī)預(yù)測(cè)模型。他們發(fā)現(xiàn)，該模型的判別性能比其他分類(lèi)器的準(zhǔn)確。2018年，王玉冬等[16]首次將FOA-BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于高新技術(shù)企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)，并將其與PSO-BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行對(duì)比，發(fā)現(xiàn)在識(shí)別ST企業(yè)時(shí)，F(xiàn)OA-BP模型表現(xiàn)更好。Mai等[17]利用深度學(xué)習(xí)技術(shù)從文本數(shù)據(jù)中提取信息構(gòu)建預(yù)測(cè)模型，結(jié)果表明深度學(xué)習(xí)在預(yù)測(cè)企業(yè)破產(chǎn)方面具有較高的判別性能。鄭立[18]針對(duì)制造業(yè)企業(yè)，將粗糙集理論和最小二乘支持向量機(jī)結(jié)合，構(gòu)建財(cái)務(wù)危機(jī)預(yù)警模型，結(jié)果表明RS-LSSVM模型可以滿(mǎn)足制造業(yè)企業(yè)實(shí)際預(yù)警需求。2020年，黃虹等[19]考慮到預(yù)警樣本“數(shù)量小、緯度高”的特點(diǎn)，創(chuàng)造性地將核主成分降維法與加權(quán)最小二乘支持向量機(jī)融合，構(gòu)建財(cái)務(wù)危機(jī)預(yù)警模型，結(jié)果表明該模型準(zhǔn)確率更高、更加穩(wěn)定。趙雪鋒等[20]通過(guò)集成多棵特征因果關(guān)系CART樹(shù)得到CFW-Boost模型，使用3 639份數(shù)據(jù)實(shí)證后發(fā)現(xiàn)，模型不僅降低了數(shù)據(jù)的維度，還降低了特征冗雜的影響，因此在面對(duì)高維數(shù)據(jù)時(shí)表現(xiàn)更佳。任婷婷等[21]基于不平衡樣本，在改進(jìn)AdaBoost算法的基礎(chǔ)之上，構(gòu)建ADA-CSSVM-TW模型，結(jié)果表明該模型處理非平衡樣本的性能出色，預(yù)測(cè)效果更佳。

雖然有很多預(yù)測(cè)財(cái)務(wù)困境的方法，但由于數(shù)據(jù)的復(fù)雜性和實(shí)際應(yīng)用的難度，單一的分類(lèi)方法往往是無(wú)效的，尤其是在加入許多類(lèi)別和文本特征之后。因此，研究人員研究了多種分類(lèi)方法的整合，即集合學(xué)習(xí)[9]。Carmona等[22]使用XGBoost算法預(yù)測(cè)銀行倒閉，發(fā)現(xiàn)其在預(yù)測(cè)金融困境方面具有比其他方法更好的分辨性能。一些學(xué)者建立了基于bagging和AdaBoost的模型，并將其與單一的神經(jīng)網(wǎng)絡(luò)分類(lèi)器進(jìn)行比較。結(jié)果顯示，集合算法可以顯著提高預(yù)測(cè)性能[23]。Tsai等[24]證明，在財(cái)務(wù)困境預(yù)測(cè)的不平衡樣本中，分類(lèi)器集合有可能優(yōu)于單一分類(lèi)器。

3相關(guān)理論介紹

本文選擇Logistic模型、KNN模型和決策樹(shù)模型作為預(yù)警模型的基礎(chǔ)，本節(jié)主要對(duì)這3個(gè)模型做簡(jiǎn)單的介紹。

3.1Logistic Regression模型

Logistic Regression（LR）是一種用于預(yù)測(cè)二分因變量的回歸方法。在產(chǎn)生LR方程時(shí)，最大似然比被用來(lái)確定變量的統(tǒng)計(jì)意義。在LR模型中，因變量總是以分類(lèi)的形式存在，而自變量可以是數(shù)字或分類(lèi)形式。相較于多元線(xiàn)性模型，Logistic函數(shù)是位于（0，1）內(nèi)的平滑函數(shù)，隨著自變量絕對(duì)值的增大而函數(shù)形式越趨近于直線(xiàn)。

考慮到在LR中是采用因變量取0或1的概率來(lái)實(shí)現(xiàn)對(duì)結(jié)果的預(yù)測(cè)，所以LR模型應(yīng)當(dāng)最大化似然函數(shù)，為

L（W）=log（∏Ni=1［YW（Xi）］yi［1-YW（Xi）］1-yi）

3.2KNN模型

KNN算法的核心思想是如果樣本與距離其最近的k個(gè)樣本最相似，且這k個(gè)樣本中大多數(shù)屬于某一類(lèi)，那么就可以將樣本點(diǎn)歸為同一類(lèi)。

所以給定的樣本點(diǎn)個(gè)數(shù)k和樣本點(diǎn)間的距離是這個(gè)模型中最重要的數(shù)據(jù)。兩樣本點(diǎn)間距離最常見(jiàn)的表達(dá)方式是使用歐幾里得距離，具體為

d（x，y）=∑Nk=1（xk-yk）2

KNN算法步驟簡(jiǎn)要描述如下：

（1）計(jì)算樣本點(diǎn)距訓(xùn)練集中所有數(shù)據(jù)的歐式距離。

（2）將計(jì)算得到的歐式距離升序排列。

（3）給定合適的參數(shù)k，選擇樣本點(diǎn)附近距離最小的k個(gè)點(diǎn)。

（4）返回附近k個(gè)點(diǎn)中大多數(shù)所屬的類(lèi)別。

3.3決策樹(shù)模型

決策樹(shù)模型的結(jié)構(gòu)是自上而下的樹(shù)狀結(jié)構(gòu)，它將數(shù)據(jù)分割成葉子。其中每個(gè)內(nèi)部節(jié)點(diǎn)表示對(duì)一個(gè)屬性的測(cè)試，每個(gè)分支代表測(cè)試的結(jié)果，葉子結(jié)點(diǎn)代表類(lèi)或類(lèi)的分布。根節(jié)點(diǎn)具有最高信息增益，位于樹(shù)中最頂端。自根節(jié)點(diǎn)而下，剩下的具有最高信息增益的屬性之一被選為下一個(gè)內(nèi)部節(jié)點(diǎn)，用作屬性測(cè)試。這個(gè)過(guò)程一直持續(xù)到所有的屬性都被比較，或者沒(méi)有剩余的屬性可以進(jìn)一步劃分樣本為止。這種信息理論的方法可以最大限度地最小化對(duì)物體進(jìn)行分類(lèi)所需的預(yù)期測(cè)試數(shù)量，并保證找到一棵簡(jiǎn)單的樹(shù)。

4實(shí)證研究

本文從iFinD中選取了滬、深主板和創(chuàng)業(yè)板市場(chǎng)中科創(chuàng)企業(yè)2021年被判定為發(fā)生財(cái)務(wù)危機(jī)企業(yè)，并選擇其對(duì)應(yīng)的2018年財(cái)務(wù)數(shù)據(jù)采用機(jī)器學(xué)習(xí)進(jìn)行科創(chuàng)企業(yè)財(cái)務(wù)危機(jī)預(yù)警研究。研究工具選擇Python語(yǔ)言，詳細(xì)闡述如下。

4.1財(cái)務(wù)危機(jī)預(yù)警指標(biāo)體系的建立

4.1.1實(shí)證樣本的確定原則

因?yàn)楸疚膶?shí)證對(duì)象為A股市場(chǎng)科創(chuàng)企業(yè)，因此如何界定十分重要?？紤]到2019年科創(chuàng)板的設(shè)立，并且由于科創(chuàng)板上市條件中“三創(chuàng)四新”的原則，所以已在該板塊上市的企業(yè)所屬行業(yè)可以認(rèn)定為科創(chuàng)企業(yè)。據(jù)此，本文統(tǒng)計(jì)了截至2021年12月31日科創(chuàng)板所有已上市企業(yè)的行業(yè)分布，行業(yè)統(tǒng)計(jì)基于申萬(wàn)行業(yè)分類(lèi)標(biāo)準(zhǔn)，見(jiàn)圖1。選擇其中個(gè)數(shù)最多的6個(gè)行業(yè)，認(rèn)定屬于其中的企業(yè)即為科創(chuàng)企業(yè)。因此選擇出的行業(yè)代碼分別是S22、S27、S37、S63、S64、S71，對(duì)應(yīng)的行業(yè)分別是基礎(chǔ)化工業(yè)、電子業(yè)、

醫(yī)藥生物業(yè)、電力設(shè)備業(yè)、機(jī)械設(shè)備業(yè)和計(jì)算機(jī)業(yè)。

由于上市公司往往體量更大，若發(fā)生財(cái)務(wù)危機(jī)，會(huì)產(chǎn)生更加嚴(yán)重與持久的影響，甚至?xí)?lái)難以估計(jì)的連鎖反應(yīng)。因此，結(jié)合篩選出的行業(yè)，選擇截至2021年12月31日A股滬、深主板和創(chuàng)業(yè)板中符合要求的共2 144家上市企業(yè)作為機(jī)器學(xué)習(xí)樣本的篩選基礎(chǔ)?？紤]到目前對(duì)于上市公司財(cái)務(wù)危機(jī)的確定有眾多方法，選擇若公司變更為ST或*ST，則該公司發(fā)生財(cái)務(wù)危機(jī)的界定方法。參考已有研究發(fā)現(xiàn)，若用T-1年的財(cái)報(bào)數(shù)據(jù)預(yù)測(cè)第T年是否會(huì)發(fā)生財(cái)務(wù)危機(jī)，會(huì)由于時(shí)間太近，預(yù)測(cè)的價(jià)值不高；若用T-3年的財(cái)報(bào)數(shù)據(jù)預(yù)測(cè)第T年是否會(huì)發(fā)生財(cái)務(wù)危機(jī)，準(zhǔn)確率與合理性均優(yōu)于采用T-2年財(cái)報(bào)數(shù)據(jù)進(jìn)行預(yù)測(cè)的模型；T-4年的財(cái)務(wù)數(shù)據(jù)則可能因?yàn)闀r(shí)間過(guò)于久遠(yuǎn)，公司的經(jīng)營(yíng)決策和市場(chǎng)環(huán)境可能會(huì)發(fā)生較大的改變，這對(duì)模型的預(yù)測(cè)是不利的。綜上考慮，本文采用T-3年的財(cái)務(wù)數(shù)據(jù)進(jìn)行預(yù)測(cè)第T年科創(chuàng)類(lèi)型上市公司是否會(huì)發(fā)生財(cái)務(wù)危機(jī)。

根據(jù)上述原則，本文選取了45家在2021年標(biāo)注為“ST”或“*ST”的企業(yè)，綜合比較前人的研究案例發(fā)現(xiàn)，正、負(fù)樣本比例為1∶4時(shí)[25-26]，預(yù)測(cè)效率較好，所以本文按照1∶4的比例構(gòu)建實(shí)證數(shù)據(jù)集，其中45家陷入財(cái)務(wù)危機(jī)的企業(yè)，135家健康企業(yè)。并且為了方便預(yù)測(cè)，將不健康的企業(yè)標(biāo)記為1，反之為0。

4.1.2實(shí)證指標(biāo)的確定原則

本文的目的是實(shí)證財(cái)務(wù)預(yù)警模型的有效性，因此首先需要篩選企業(yè)財(cái)務(wù)基本面信息得到一系列財(cái)務(wù)指標(biāo)，并基于此構(gòu)建財(cái)務(wù)危機(jī)預(yù)警模型。因此，財(cái)務(wù)指標(biāo)的選擇至關(guān)重要。本文主要將財(cái)務(wù)指標(biāo)劃分成五大類(lèi)，并分別選擇部分指標(biāo)以反映企業(yè)的基本面信息。

1.償債能力指標(biāo)

償債能力是指企業(yè)運(yùn)用資產(chǎn)清償長(zhǎng)、短期債務(wù)的能力。償債能力指標(biāo)能夠反映企業(yè)財(cái)務(wù)狀況和經(jīng)營(yíng)狀況，是企業(yè)財(cái)務(wù)評(píng)價(jià)中最重要、最有代表性的一項(xiàng)內(nèi)容，也是投資者進(jìn)行投資決策時(shí)首先考慮的一個(gè)因素。良好的償債能力是預(yù)防發(fā)生財(cái)務(wù)風(fēng)險(xiǎn)的關(guān)鍵性因素之一。結(jié)合科創(chuàng)企業(yè)的發(fā)展過(guò)程來(lái)看，在上市前，科創(chuàng)企業(yè)需要大量的資金開(kāi)拓市場(chǎng)，不論是股權(quán)融資還是債權(quán)融資，都會(huì)產(chǎn)生一定的費(fèi)用。因此，償債能力指標(biāo)就需要具備全方面地反映企業(yè)償還債務(wù)的能力。流動(dòng)比率、速動(dòng)比率和現(xiàn)金比率反映了流動(dòng)資產(chǎn)、存貨和現(xiàn)金與負(fù)債之間的關(guān)系；現(xiàn)金流量債務(wù)比反映了現(xiàn)金流量與公司短期債務(wù)之間的關(guān)系；已獲利息倍數(shù)反映了息稅前利潤(rùn)與利息費(fèi)用之間的關(guān)系；長(zhǎng)期債務(wù)與營(yíng)運(yùn)資金比率則能夠客觀地反映企業(yè)的負(fù)債程度；產(chǎn)權(quán)比率反映了負(fù)債總額與所有者權(quán)益總額的關(guān)系，代表了企業(yè)對(duì)長(zhǎng)期債務(wù)的控制能力。綜上，本文選擇流動(dòng)比率、速動(dòng)比率、保守速動(dòng)比率等指標(biāo)描述企業(yè)的償債能力，見(jiàn)表1。

2.成長(zhǎng)能力指標(biāo)

成長(zhǎng)能力決定企業(yè)未來(lái)能否積極、健康地持續(xù)經(jīng)營(yíng)。結(jié)合企業(yè)經(jīng)營(yíng)盈利指標(biāo)和營(yíng)運(yùn)指標(biāo)，本文選擇如下13個(gè)增長(zhǎng)率指標(biāo)描述企業(yè)的成長(zhǎng)能力，見(jiàn)表2。

3.盈利能力指標(biāo)

毫無(wú)疑問(wèn)，盈利能力反映了企業(yè)在經(jīng)營(yíng)活動(dòng)中獲取利潤(rùn)的能力。因?yàn)橛芰κ瞧髽I(yè)能夠不斷地發(fā)展與成長(zhǎng)的重要因素之一，所以必須選擇恰當(dāng)?shù)闹笜?biāo)反映企業(yè)的盈利能力。營(yíng)業(yè)利潤(rùn)率反映了企業(yè)的經(jīng)營(yíng)效率；總資產(chǎn)報(bào)酬率（ROA）和凈資產(chǎn)報(bào)酬率（ROE）反映了企業(yè)運(yùn)用資金的效率，數(shù)值越高，則反映使用資金獲取凈利潤(rùn)的效率越高；考慮到企業(yè)業(yè)務(wù)可能存在周期性變化，因此加入部分指標(biāo)截至2018年底，滾動(dòng)12個(gè)月的數(shù)據(jù)。綜上，選擇如下指標(biāo)反映企業(yè)的盈利能力，見(jiàn)表3。

4.營(yíng)運(yùn)能力指標(biāo)

由于科創(chuàng)型企業(yè)的產(chǎn)品在投入市場(chǎng)之前，往往需要經(jīng)歷很長(zhǎng)時(shí)間的研發(fā)、測(cè)試和評(píng)估，所以企業(yè)現(xiàn)金流、存貨的管理十分重要。本文選擇營(yíng)業(yè)周期、現(xiàn)金循環(huán)周期、存貨周轉(zhuǎn)天數(shù)、應(yīng)收賬款周轉(zhuǎn)天數(shù)、應(yīng)付賬款周轉(zhuǎn)天數(shù)、存貨周轉(zhuǎn)率、應(yīng)收賬款周轉(zhuǎn)率、應(yīng)付賬款周轉(zhuǎn)率、流動(dòng)資產(chǎn)周轉(zhuǎn)率、固定資產(chǎn)周轉(zhuǎn)率、總資產(chǎn)周轉(zhuǎn)率作為營(yíng)運(yùn)能力指標(biāo)，見(jiàn)表4。

5.審計(jì)意見(jiàn)指標(biāo)

審計(jì)意見(jiàn)是指具備審計(jì)資質(zhì)的審計(jì)師依據(jù)審計(jì)程序?qū)Ρ粚徲?jì)企業(yè)出具的對(duì)于其財(cái)務(wù)報(bào)表公允與否的意見(jiàn)。常見(jiàn)的審計(jì)意見(jiàn)分為5種：標(biāo)準(zhǔn)的無(wú)保留意見(jiàn)、帶強(qiáng)調(diào)事項(xiàng)的無(wú)保留意見(jiàn)、保留意見(jiàn)、否定意見(jiàn)和無(wú)法表示意見(jiàn)。為了方便預(yù)測(cè)，本文將標(biāo)準(zhǔn)的無(wú)保留意見(jiàn)標(biāo)記為0，其他類(lèi)型審計(jì)意見(jiàn)標(biāo)記為1，見(jiàn)表5。

4.1.3財(cái)務(wù)預(yù)警指標(biāo)的數(shù)據(jù)清洗及篩選

第一，為了消除不同指標(biāo)間量綱不同造成的影響，需要對(duì)數(shù)據(jù)進(jìn)行歸一化處理。根據(jù)指標(biāo)的方向不同，本文采用如下兩種歸一化方式：

（1）若指標(biāo)為正向指標(biāo)（即指標(biāo)越大越好），公式為

xi=xi-min（xi）max（xi）-min（xi）

（2）若指標(biāo)為反向指標(biāo)（即指標(biāo)越小越好），公式為

xi=max（xi）-ximax（xi）-min（xi）

第二，因?yàn)椴糠制髽I(yè)在年報(bào)中沒(méi)有披露某些財(cái)務(wù)數(shù)據(jù)，因此存在缺失值。一方面在篩選研究樣本時(shí)，盡量避免選擇有缺失值的企業(yè)；另一方面考慮到即使是同一行業(yè)的企業(yè)，其財(cái)務(wù)數(shù)據(jù)也會(huì)因?yàn)槠髽I(yè)的所在地區(qū)、上市年限和規(guī)模等因素存在較大差異，所以沒(méi)有采用行業(yè)平均數(shù)進(jìn)行替代，并且歸一化處理后，各項(xiàng)指標(biāo)均處于0～1區(qū)間內(nèi)，所以為了簡(jiǎn)化處理，使用0替代缺失值。

4.1.4樣本平衡與重建

上文中提到，正負(fù)樣本比例為1∶4，存在樣本不平衡問(wèn)題，現(xiàn)有的解決辦法主要有欠采樣、過(guò)采樣和閾值移動(dòng)的解決方法，此外還可以搭建懲罰函數(shù)進(jìn)行解決。但是考慮到樣本數(shù)量不夠龐大，若采用欠采樣方法，會(huì)導(dǎo)致樣本數(shù)量急劇減少，這會(huì)造成模型結(jié)果不夠準(zhǔn)確，因此本文采用過(guò)采樣方法解決樣本失衡問(wèn)題。

本文使用SMOTE方法進(jìn)行數(shù)據(jù)過(guò)采樣。經(jīng)過(guò)數(shù)據(jù)過(guò)采樣，最終得到樣本192個(gè)，其中正、負(fù)樣本均為96個(gè)，解決了數(shù)據(jù)不平衡問(wèn)題。

4.2財(cái)務(wù)危機(jī)預(yù)警模型的建立

本文選擇的機(jī)器學(xué)習(xí)算法分別為L(zhǎng)ogistic模型、KNN模型和決策樹(shù)模型，將訓(xùn)練得到的結(jié)果通過(guò)由混淆矩陣衍生而來(lái)的Accuracy、Recall、Precision、F1和AUC 5個(gè)評(píng)價(jià)指標(biāo)進(jìn)行模型評(píng)價(jià)。接下來(lái)先對(duì)混淆矩陣和5個(gè)評(píng)價(jià)指標(biāo)進(jìn)行介紹，然后對(duì)訓(xùn)練結(jié)果進(jìn)行分析。

4.2.1模型評(píng)價(jià)指標(biāo)

1.混淆矩陣

在分類(lèi)模型中，混淆矩陣是最常用的評(píng)價(jià)識(shí)別效果的方法。特別地，在二分類(lèi)問(wèn)題中，混淆矩陣就是一個(gè)2×2的二階矩陣。其中列表示預(yù)測(cè)的結(jié)果，行表示真實(shí)的結(jié)果。并且分別用TP（True Positive，真陽(yáng)性）、FP（False Positive，假陽(yáng)性）、FN（False Negative，假陰性）和TN（True Negative，真陰性）表示4種預(yù)測(cè)結(jié)果。這4種結(jié)果分別是，代表預(yù)測(cè)是正，實(shí)際也是正；預(yù)測(cè)是正，實(shí)際是負(fù)；預(yù)測(cè)是負(fù)，實(shí)際是正；預(yù)測(cè)是負(fù)，實(shí)際也是負(fù)。

2."Accuracy

Accuracy又被稱(chēng)作準(zhǔn)確率。準(zhǔn)確率是評(píng)價(jià)分類(lèi)模型好壞的常用指標(biāo)之一，在二分類(lèi)問(wèn)題中，表示預(yù)測(cè)的分類(lèi)正確的結(jié)果占所有樣本數(shù)的比例。結(jié)合混淆矩陣，可知

Accuracy=TP＋TNTP＋FP＋FN＋TN

但是，準(zhǔn)確率并不是一個(gè)針對(duì)所有類(lèi)型的樣本都有效的指標(biāo)。對(duì)于非平衡樣本，如果模型將結(jié)果均預(yù)測(cè)成占比較大的那一類(lèi)，那么準(zhǔn)確率是很高的，但是并沒(méi)有真正地解決分類(lèi)問(wèn)題，所以此時(shí)準(zhǔn)確率指標(biāo)并不是一個(gè)有意義的指標(biāo)。

3."Recall和Precision

Recall和Precision分別被稱(chēng)作召回率和精確率。召回率是針對(duì)樣本而言的，它反映的是樣本中的正樣本有多少被預(yù)測(cè)準(zhǔn)確了；精確率是針對(duì)預(yù)測(cè)結(jié)果而言的，它表示的是預(yù)測(cè)為正的樣本占真實(shí)為正的樣本的比率。結(jié)合混淆矩陣可以得到

Recall=TPTP＋FN

Precision=TPTP＋FP

4."F1

雖然召回率和精確率是度量二分類(lèi)模型很好的指標(biāo) 但是針對(duì)某些類(lèi)型的樣本，這兩個(gè)指標(biāo)是互相矛盾的，而F1同時(shí)兼顧了召回率和精確率。F1可以看作是兩者的一種調(diào)和平均數(shù)，它的最大值是1，最小值是0。

F1=2Recall×PrecisionRecall＋Precision

5."ROC和AUC

二分類(lèi)的機(jī)器學(xué)習(xí)過(guò)程實(shí)際是一個(gè)把輸出的預(yù)測(cè)結(jié)果和給定的閾值進(jìn)行比較的過(guò)程。針對(duì)每一個(gè)樣本，機(jī)器學(xué)習(xí)模型都會(huì)輸出一個(gè)介于0～1的預(yù)測(cè)值，若該值小于事先設(shè)定的閾值，那么就會(huì)分類(lèi)成0，反之則為1。因此，閾值的選擇對(duì)于機(jī)器學(xué)習(xí)的結(jié)果是十分重要的。若將所有樣本按照預(yù)測(cè)值由大到小排列，那么當(dāng)樣本足夠多時(shí)，肯定存在一個(gè)分割正負(fù)樣本的最優(yōu)值。

ROC全稱(chēng)為Receiver Operating Characteristic，它是按照上述排列方法，對(duì)預(yù)測(cè)結(jié)果為正的樣本進(jìn)行排列，繪制每個(gè)樣本的FPR和TPR得到的曲線(xiàn)。根據(jù)混淆矩陣：

TPR=TPTP＋FN

FPR=FPTN＋FP

AUC全稱(chēng)為Area Under roc Curve，即位于ROC曲線(xiàn)下方的面積。一般來(lái)說(shuō)，AUC越大，分類(lèi)模型越好。針對(duì)非平衡樣本，AUC同樣可以給出更加合理和科學(xué)的評(píng)價(jià)。

4.2.2模型訓(xùn)練結(jié)果

1.Logistic模型

首先可視化不同正則化參數(shù)和迭代次數(shù)對(duì)應(yīng)的模型評(píng)分，結(jié)果見(jiàn)圖2。

正則化強(qiáng)度與正則化參數(shù)C成反比，模型評(píng)分隨著參數(shù)的增大而增大，可以發(fā)現(xiàn)當(dāng)C=1時(shí)，模型評(píng)分最高，因此，本文中參數(shù)C設(shè)定為1。最佳迭代次數(shù)如圖2右圖所示，當(dāng)?shù)螖?shù)為14時(shí)，模型評(píng)分達(dá)到最高。所以本文中最優(yōu)迭代次數(shù)選擇14。考慮到樣本容量為192個(gè)，并不是大樣本，所以“solver”參數(shù)選擇“l(fā)iblinear”“penalty”選擇“l(fā)1”。得到的判別結(jié)果和ROC曲線(xiàn)分別見(jiàn)表7和圖3。

Logistic模型的分類(lèi)結(jié)果，將ST預(yù)測(cè)為正常的有3個(gè)，ST企業(yè)預(yù)測(cè)準(zhǔn)確率為88%;將正常企業(yè)預(yù)測(cè)為ST的有0個(gè)，正常企業(yè)預(yù)測(cè)準(zhǔn)確率為100%。Logistic模型的準(zhǔn)確率為92.31%，召回率和精確率分別是82.35%、94.00%，F(xiàn)1是90.32%，AUC約為0.99。

2."KNN模型

KNN模型中參數(shù)k的大小對(duì)模型影響很大，因此同樣采用可視化調(diào)參的方式，選擇最優(yōu)k值，見(jiàn)圖4。

可以發(fā)現(xiàn)，當(dāng)k值小于3時(shí)，預(yù)警模型的表現(xiàn)隨著k值增大而越來(lái)越好，當(dāng)k大于3時(shí)，模型評(píng)分開(kāi)始下降，此時(shí)可能出現(xiàn)過(guò)擬合問(wèn)題，因此該參數(shù)設(shè)定為3。其他參數(shù)均為默認(rèn)設(shè)定。得到的判別結(jié)果和ROC曲線(xiàn)分別見(jiàn)表8和圖5。

根據(jù)KNN模型的分類(lèi)結(jié)果，將ST企業(yè)預(yù)測(cè)為正常的有1個(gè)，ST企業(yè)預(yù)測(cè)準(zhǔn)確率為95.45%；將正常企業(yè)預(yù)測(cè)為ST的有1個(gè)，正常企業(yè)預(yù)測(cè)準(zhǔn)確率為94.12%。KNN模型的準(zhǔn)確率為94.87%，召回率和精確率分別是94.12%和94.79%，F(xiàn)1是94.12%，AUC為0.99。

3.決策樹(shù)模型

決策樹(shù)的最大深度同樣是一個(gè)影響模型有效程度的參數(shù)，如果深度過(guò)小，決策樹(shù)模型可能會(huì)過(guò)于簡(jiǎn)單地?cái)M合訓(xùn)練集，導(dǎo)致誤分類(lèi)次數(shù)的增加，如果深度過(guò)大，雖然會(huì)降低在訓(xùn)練集上錯(cuò)誤的發(fā)生，但會(huì)產(chǎn)生過(guò)擬合現(xiàn)象，從而導(dǎo)致在測(cè)試集中誤差的增大。

所以同樣采用可視化調(diào)參的方式選擇合適的深度。深度學(xué)習(xí)曲線(xiàn)見(jiàn)圖6。

可以發(fā)現(xiàn)，當(dāng)深度為63時(shí)，決策樹(shù)模型評(píng)分最高，為92.59%，所以最大深度設(shè)定為63，其他參數(shù)設(shè)定為默認(rèn)值。得到的判別結(jié)果和ROC曲線(xiàn)分別見(jiàn)表9和圖7。

根據(jù)決策樹(shù)模型的分類(lèi)結(jié)果，將ST企業(yè)預(yù)測(cè)為正常的有1個(gè)，ST企業(yè)預(yù)測(cè)準(zhǔn)確率為94.44%；將正常企業(yè)預(yù)測(cè)為ST的有5個(gè)，正常企業(yè)預(yù)測(cè)準(zhǔn)確率為76.19%。決策樹(shù)模型的準(zhǔn)確率為89.74%，召回率和精確率分別是94.12%和89.61%，F(xiàn)1為88.89%，AUC為0.90。

4.3模型對(duì)比分析

結(jié)合上述實(shí)證結(jié)果，Logistic模型、KNN模型和決策樹(shù)模型都能夠較好地區(qū)分企業(yè)是否存在財(cái)務(wù)危機(jī)，并且都存在各自的優(yōu)勢(shì)。將3個(gè)模型的評(píng)價(jià)指標(biāo)匯總后進(jìn)行對(duì)比分析，3種模型在測(cè)試集的表現(xiàn)見(jiàn)表10。

從準(zhǔn)確率來(lái)看，KNN模型和Logistic模型明顯優(yōu)于決策樹(shù)模型，并且KNN模型精確度最高，為94.87%，決策樹(shù)模型精確度最低，為89.74%。在財(cái)務(wù)危機(jī)預(yù)警模型的研究中，由于關(guān)注的重心在于從龐大的正常樣本中篩選極少數(shù)發(fā)生財(cái)務(wù)危機(jī)的公司，而召回率恰恰能反映了這一點(diǎn)。可以發(fā)現(xiàn)，KNN模型和決策樹(shù)模型的召回率均為94.12%，明顯優(yōu)與Logistic模型；精確度方面，KNN模型在3個(gè)模型中最高，為94.79%，而決策樹(shù)模型為89.61%；F1評(píng)分方面，KNN模型最高，為94.12%，Logistic模型次之，為90.32%，決策樹(shù)模型最低，為88.89%；AUC方面，KNN模型和Logistic模型均為0.99，決策樹(shù)模型為0.90。

綜上來(lái)看，KNN模型在上述3個(gè)模型中，更加適合帶有科創(chuàng)屬性企業(yè)的財(cái)務(wù)危機(jī)預(yù)警。

5結(jié)論與建議

5.1結(jié)論

本文基于已有研究，按照正負(fù)樣本比例1∶4，在A股滬、深主板和創(chuàng)業(yè)板科創(chuàng)型企業(yè)中選取2018—2019年間24家被特殊處理的企業(yè)作為財(cái)務(wù)危機(jī)企業(yè)，選擇同時(shí)期相同行業(yè)的96個(gè)正常企業(yè)一同組成基于科創(chuàng)型企業(yè)的財(cái)務(wù)危機(jī)預(yù)警模型研究樣本。同時(shí)綜合償債能力、成長(zhǎng)能力、盈利能力、營(yíng)運(yùn)能力和審計(jì)意見(jiàn)五大衡量企業(yè)財(cái)務(wù)質(zhì)量的類(lèi)別，選擇了52個(gè)指標(biāo)。之后對(duì)指標(biāo)進(jìn)行歸一化處理，并運(yùn)用SMOTE算法平衡正負(fù)樣本后，作為最終輸入數(shù)據(jù)，并將該數(shù)據(jù)輸入到Logistic模型、KNN模型和決策樹(shù)模型中，分別選擇最優(yōu)的模型參數(shù)后，得到最終的基于科創(chuàng)型企業(yè)的財(cái)務(wù)危機(jī)預(yù)警模型。根據(jù)上述研究，有如下3點(diǎn)結(jié)論：

第一點(diǎn)，財(cái)務(wù)危機(jī)預(yù)警指標(biāo)綜合了科創(chuàng)型的特點(diǎn)，將傳統(tǒng)的財(cái)務(wù)指標(biāo)與研發(fā)能力指標(biāo)相結(jié)合。參考已有研究后選擇了1∶4的樣本比例，并將文本數(shù)據(jù)量化后經(jīng)過(guò)歸一化處理，消除了量綱的影響，確保數(shù)據(jù)可以有效地輸入到機(jī)器學(xué)習(xí)模型中。

第二點(diǎn)，構(gòu)建基于Logistic模型、KNN模型和決策樹(shù)模型的財(cái)務(wù)危機(jī)預(yù)警模型，并結(jié)合了5個(gè)評(píng)價(jià)指標(biāo)綜合評(píng)估各個(gè)模型的優(yōu)劣，結(jié)果表明，KNN模型分類(lèi)效果最好，

準(zhǔn)確率和召回率均優(yōu)與其他兩個(gè)模型，但3個(gè)模型對(duì)于預(yù)測(cè)科創(chuàng)企業(yè)財(cái)務(wù)危機(jī)均十分有效，這表明機(jī)器學(xué)習(xí)是可以運(yùn)用到財(cái)務(wù)危機(jī)預(yù)測(cè)領(lǐng)域的。

第三點(diǎn)，雖然企業(yè)被ST的條件之一是連續(xù)兩年虧損，但本文使用T-3年的財(cái)務(wù)數(shù)據(jù)預(yù)測(cè)T年的情況，結(jié)果也十分有效。這反映了大部分企業(yè)可能在3個(gè)會(huì)計(jì)年度之前就已經(jīng)有發(fā)生財(cái)務(wù)危機(jī)的風(fēng)險(xiǎn)，所以應(yīng)關(guān)注企業(yè)3年及以上的財(cái)務(wù)信息，從而更早地發(fā)現(xiàn)風(fēng)險(xiǎn)，并及時(shí)調(diào)整經(jīng)營(yíng)戰(zhàn)略，避免發(fā)生財(cái)務(wù)危機(jī)。

5.2建議

本文研究的是科創(chuàng)型公司的財(cái)務(wù)危機(jī)預(yù)警模型，這對(duì)資本市場(chǎng)投資和公司治理都具有一定的意義。一方面，有利于投資者篩選出存在財(cái)務(wù)危機(jī)風(fēng)險(xiǎn)的公司，避免發(fā)生虧損；另一方面，公司經(jīng)營(yíng)者也可以較早地發(fā)現(xiàn)潛在財(cái)務(wù)危機(jī)風(fēng)險(xiǎn)，及時(shí)調(diào)整經(jīng)營(yíng)戰(zhàn)略，避免危機(jī)真正地到來(lái)。

6結(jié)語(yǔ)

本文是基于財(cái)務(wù)指標(biāo)構(gòu)建的預(yù)警模型，這也告訴資本市場(chǎng)投資者和公司經(jīng)營(yíng)者，各項(xiàng)基本的財(cái)務(wù)指標(biāo)應(yīng)該得到關(guān)注。投資者應(yīng)當(dāng)關(guān)注公司基本面，基于此選出好的投資標(biāo)的；經(jīng)營(yíng)者必須嚴(yán)格監(jiān)測(cè)各項(xiàng)重要的財(cái)務(wù)指標(biāo)，這樣才可能及時(shí)地發(fā)現(xiàn)經(jīng)營(yíng)異樣和財(cái)務(wù)風(fēng)險(xiǎn)并及時(shí)化解，避免財(cái)務(wù)危機(jī)的發(fā)生。

參考文獻(xiàn)

[1]ARGENTI J.Corporate planning and corporate collapse[J].Long Range Planning，1976，9（6）：12-17.

[2]AGRAWAL A，KNOEBER C.R.Do some outside directors play a political role？[J].Law Econ，2001（44）：179-198.

[3]DYCK A，ZINGALES L.Private benefits of control：an international comparison[J].Journal of Finance，2004，59（2）：537-600.

[4]BEASLEY MS.An empirical analysis of the relation between the board of director composition and financial statement fraud[J].The Accounting Review，1996，71（4）：443-465.

[5]UZUN H，SZEWCZYK S.H，VARMA R.Board composition and corporate fraud[J].Financial Analysts Journal，2004，60（3）：33-43.

[6]GORSHUNOV M A，ARMENAKIS A A，HARRIS S G，et al.Quad-qualified audit committee director：Implications for monitoring and reducing financial corruption[J].Journal of Corporate Finance，2021，66（2）：101854.

[7]ALMAMY J，ASTON J，NGWA L N.An evaluation of Altman's Z-score using cash flow ratio to predict corporate failure amid the recent financial crisis：evidence from the UK[J].Journal of Corporate Finance，2016，36（2）：278-285.

[8]KIM S.Y，UPNEJA A.Predicting restaurant financial distress using decision tree and AdaBoosted decision tree models[J].Economic Modelling，2014，36（1）：354-362.

[9]GANG W，GANG C，YAN C.A new random subspace method incorporating sentiment and textual information for financial distress prediction[J].Electronic Commerce Research amp; Applications，2018，29（3）：30-49.

[10]CHEN M Y."Using a hybrid evolution approach to forecast financial failures for Taiwan-listed companies[J].Quant Finance，2014，14（6）：1047-1058.

[11]LIANG D，TSAI C F，LU H，et al.Combining corporate governance indicators with stacking ensembles for financial distress prediction[J].Journal of Business Research，2020，120（C）：137-146.

[12]周首華，楊濟(jì)華，王平.論財(cái)務(wù)危機(jī)的預(yù)警分析 F 分?jǐn)?shù)模式[J].會(huì)計(jì)研究，1996（8）：44-51.

[13]姜秀華，孫錚.治理弱化與財(cái)務(wù)危機(jī)：一個(gè)預(yù)測(cè)模型[J].南開(kāi)管理評(píng)論，2001，4（5）：19-25.

[14]呂俊.基于不同指標(biāo)類(lèi)型的公司財(cái)務(wù)危機(jī)征兆和預(yù)測(cè)比較研究[J].山西財(cái)經(jīng)大學(xué)學(xué)報(bào)，2014，36（1）：103-113.

[15]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.

[16]王玉冬，王迪，王珊珊.基于PSO-BP和FOA-BP神經(jīng)網(wǎng)絡(luò)的財(cái)務(wù)危機(jī)預(yù)警模型比較[J].統(tǒng)計(jì)與決策，2018，34（15）：177-179.

[17]MAI F，TIAN S，LEE C，et al.Deep learning models for bankruptcy prediction using textual disclosures[J].European Journal of Operational Research，2019，274（2）：743-758.

[18]鄭立.基于RS-LSSVM制造業(yè)上市公司財(cái)務(wù)危機(jī)預(yù)警模型[J].工業(yè)技術(shù)經(jīng)濟(jì)，2019，38（7）：108-113.

[19]黃虹，徐慶根，張奕倩，等.基于KPCA降維的Weight-LSSVM財(cái)務(wù)危機(jī)預(yù)警模型[J].統(tǒng)計(jì)與決策，2020，36（20）：180-184.

[20]趙雪峰，吳偉偉，吳德林，等.面向特征因果分析的CFW-Boost企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型[J].系統(tǒng)管理學(xué)報(bào)，2022，31（2）：317-328.

[21]任婷婷，魯統(tǒng)宇，崔俊.基于改進(jìn)AdaBoost算法的動(dòng)態(tài)不平衡財(cái)務(wù)預(yù)警模型[J].數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究，2021，38（11）：182-197.

[22]CARMONA P，CLIMENT F，MOMPARLER A.Predicting failure in the U.S."banking sector：an extreme gradient boosting approach[J].International Review of Economics amp; Finance，2019，61（5）：304-323.

[23]JAYASEKERAR.Prediction of company failure：past，present and promising directions for the future[J].International Review of Financial Analysis，2018，55（1）：196-208.

[24]TSAI C F，SUE K L，HU Y H，et al.Combining feature selection，instance selection，and ensemble classification techniques for improved financial distress prediction[J].Journal of Business Research，2021，130（C）：200-209.

[25]石曉軍，肖遠(yuǎn)文，任若恩.Logistic違約率模型的最優(yōu)樣本配比與分界點(diǎn)研究[J].財(cái)經(jīng)研究，2005，31（9）：11.

[26]郭淑彬.logistic回歸模型在信貸風(fēng)險(xiǎn)管理中的應(yīng)用[J].現(xiàn)代經(jīng)濟(jì)（現(xiàn)代物業(yè)中旬刊），2009，8（5）：21-23.

收稿日期：2022-10-22

作者簡(jiǎn)介：

詹辰，男，2000年生，碩士研究生在讀，主要研究方向：新型經(jīng)濟(jì)體與國(guó)際發(fā)展。