基于SVM的中小企業(yè)財(cái)務(wù)危機(jī)預(yù)測(cè)模型研究

吳正暉（高級(jí)會(huì)計(jì)師）

（山東信通鋁業(yè)有限公司 山東聊城 252100）

一、引言

中小企業(yè)作為我國(guó)市場(chǎng)經(jīng)濟(jì)的主體之一，在國(guó)民經(jīng)濟(jì)中發(fā)揮了重要作用。然而，中小企業(yè)規(guī)模較小、資金力量薄弱，并且在財(cái)務(wù)管理上存在一定漏洞，時(shí)常面臨發(fā)生財(cái)務(wù)危機(jī)的可能。有效預(yù)測(cè)企業(yè)是否會(huì)發(fā)生財(cái)務(wù)危機(jī)，為企業(yè)管理者及早調(diào)整經(jīng)營(yíng)管理方向提供指引，成為中小企業(yè)迫切關(guān)注的問(wèn)題。但目前，現(xiàn)有對(duì)財(cái)務(wù)危機(jī)的研究還停留在針對(duì)財(cái)務(wù)報(bào)表數(shù)據(jù)的研究上。通過(guò)對(duì)影響企業(yè)財(cái)務(wù)危機(jī)的因素進(jìn)行梳理，主要包括以下幾個(gè)方面：第一，財(cái)務(wù)因素。企業(yè)募集資金主要是用于擴(kuò)大經(jīng)營(yíng)規(guī)模、股東分紅、償還借款等方面，因此財(cái)務(wù)因素造成的財(cái)務(wù)危機(jī)主要體現(xiàn)在企業(yè)的發(fā)展能力、盈利能力、營(yíng)運(yùn)能力和償債能力四個(gè)方面，任何一種因素出現(xiàn)問(wèn)題都有可能導(dǎo)致企業(yè)財(cái)務(wù)狀況出現(xiàn)問(wèn)題。第二，宏觀經(jīng)濟(jì)因素。根據(jù)梁飛媛（2016）的研究，GDP 增長(zhǎng)率、M2增長(zhǎng)率和宏觀經(jīng)濟(jì)景氣指數(shù)對(duì)于企業(yè)是否發(fā)生財(cái)務(wù)危機(jī)有著顯著影響。其中，GDP 增長(zhǎng)率越高，企業(yè)經(jīng)營(yíng)狀況就越好；M2（貨幣供應(yīng)量）增長(zhǎng)率越高，企業(yè)陷入財(cái)務(wù)危機(jī)的可能性越小；宏觀經(jīng)濟(jì)越景氣，企業(yè)的財(cái)務(wù)狀況越好。第三，非財(cái)務(wù)因素。根據(jù)尹帥（2017）的研究，股權(quán)集中度的高低和資本結(jié)構(gòu)是否合理與企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)程度呈顯著正相關(guān)關(guān)系。任廣乾（2018）則認(rèn)為董事會(huì)決策行為的獨(dú)立性與企業(yè)財(cái)務(wù)危機(jī)的發(fā)生概率顯著負(fù)相關(guān)。因此，本文在構(gòu)建預(yù)測(cè)中小企業(yè)財(cái)務(wù)危機(jī)的模型時(shí)將從上述三個(gè)方面選擇變量指標(biāo)，以構(gòu)建中小企業(yè)財(cái)務(wù)危機(jī)預(yù)測(cè)指標(biāo)體系，并依據(jù)SVM構(gòu)建財(cái)務(wù)危機(jī)預(yù)測(cè)模型。

二、基于SVM構(gòu)建中小企業(yè)財(cái)務(wù)危機(jī)預(yù)測(cè)模型的原理及其算法

（一）支持向量機(jī)含義及其優(yōu)勢(shì)

支持向量機(jī)是一種用于回歸分析、分類、模式識(shí)別和數(shù)據(jù)分析的方式，通常簡(jiǎn)稱為SVM。該方式在分類過(guò)程中為確保分類的準(zhǔn)確性，會(huì)將不同類別的樣本盡最大的可能隔離開(kāi)來(lái)。通過(guò)在高維特征空間中構(gòu)造一個(gè)最優(yōu)分類超平面來(lái)進(jìn)行樣本分類。其優(yōu)勢(shì)主要是，作為一種突出的小樣本數(shù)據(jù)分析方法，在解決現(xiàn)實(shí)問(wèn)題方面有著其他方法不可比擬的優(yōu)勢(shì)，具有良好的泛化能力。該方法彌補(bǔ)了傳統(tǒng)方法樣本容量大、計(jì)算難的缺陷，在解決小樣本、非線性等問(wèn)題上具有獨(dú)特的優(yōu)勢(shì)。具體表現(xiàn)在：SVM主要分為線性可分和線性不可分兩種模式。其中，在線性可分模式下，能夠直接通過(guò)構(gòu)造的分類超平面將不同類別的樣本進(jìn)行分類；在線性不可分模式下，能夠?qū)颖居成涞礁呔S度的空間，通過(guò)利用這個(gè)更高維度空間的核函數(shù)（本文選擇RBF徑向基核函數(shù)）計(jì)算以找到一個(gè)線性的超平面，然后按照線性可分的情況對(duì)樣本進(jìn)行分類。

（二）基于SVM 構(gòu)建中小企業(yè)財(cái)務(wù)危機(jī)預(yù)測(cè)模型的原理及算法

1.基于SVM構(gòu)建中小企業(yè)財(cái)務(wù)危機(jī)預(yù)測(cè)模型的原理。根據(jù)SVM理論內(nèi)容，構(gòu)建基于SVM的中小企業(yè)財(cái)務(wù)危機(jī)預(yù)測(cè)模型，主要是通過(guò)找到一個(gè)能夠區(qū)分財(cái)務(wù)危機(jī)（即ST）企業(yè)和健康企業(yè)的分類超平面V（ωx+b=0），然后根據(jù)距離超平面V相近但距離最大化的點(diǎn)（如圖1中大圓圈所示）來(lái)預(yù)測(cè)企業(yè)在T+2 年之后是否可能出現(xiàn)財(cái)務(wù)危機(jī)。另外，在確定超平面的過(guò)程中，為了提高預(yù)測(cè)企業(yè)財(cái)務(wù)危機(jī)的準(zhǔn)確性，本文在選取樣本數(shù)據(jù)時(shí)根據(jù)企業(yè)財(cái)務(wù)危機(jī)的影響因素，分為企業(yè)財(cái)務(wù)信息、宏觀經(jīng)濟(jì)信息和非財(cái)務(wù)信息數(shù)據(jù)，并將其作為變量指標(biāo)，輸入到SVM 模型以確定最優(yōu)分類超平面，進(jìn)而求得分類結(jié)果。

圖1 支持向量機(jī)線性可分模式

2.基于SVM構(gòu)建中小企業(yè)財(cái)務(wù)危機(jī)預(yù)測(cè)模型的算法。在SVM模型構(gòu)建過(guò)程中，為了提高中小企業(yè)財(cái)務(wù)危機(jī)預(yù)測(cè)的準(zhǔn)確性，本文在選擇影響企業(yè)財(cái)務(wù)危機(jī)的因素方面，不僅選擇了財(cái)務(wù)信息作為研究指標(biāo)，還增加了宏觀經(jīng)濟(jì)信息和非財(cái)務(wù)信息兩項(xiàng)內(nèi)容。因此，在SVM 模型構(gòu)建過(guò)程中，本文采用線性不可分模式下可以處理非線性屬性與種類標(biāo)簽值之間關(guān)系的RBF函數(shù)構(gòu)建模型，詳細(xì)算法如下：

由于SVM 模型在進(jìn)行樣本分類時(shí)，是按照準(zhǔn)備數(shù)據(jù)集、對(duì)數(shù)據(jù)進(jìn)行歸一化處理、確定核函數(shù)、采用交叉驗(yàn)證、選擇并確定最優(yōu)參數(shù)的過(guò)程對(duì)樣本進(jìn)行測(cè)試的，因此，在基于SVM構(gòu)建中小企業(yè)財(cái)務(wù)危機(jī)預(yù)測(cè)模型時(shí)，也按照同樣的格式進(jìn)行建立。首先，按照［label］［index1］∶［value1］∶［index2］∶［value2］的格式對(duì)訓(xùn)練集中的樣本A和B進(jìn)行表示。其中，［value］表示訓(xùn)練集的變量；［index］表示訓(xùn)練集的樣本數(shù)；［label］表示用于分類兩個(gè)樣本的屬性值，最終形成一個(gè)訓(xùn)練向量矩陣M。其次，確定選擇并輸入RBF 函數(shù)為訓(xùn)練模型的核函數(shù)，如公式1所示：

之后，為了解決約束最大化問(wèn)題，引入拉格朗日因子ai，設(shè)置懲罰因子即對(duì)誤差的容忍度C 和自定義核寬度θ，并且導(dǎo)入訓(xùn)練向量矩陣M，最終得到如下結(jié)果：

此時(shí)所要滿足的最優(yōu)條件是ai［yi（ωxi+b）-1］=0，其中i=1，2，3…n，并且支持向量集（s）為當(dāng)ai≠0 時(shí)的樣本點(diǎn)。再根據(jù)前面的求解結(jié)果，解出分類超平面當(dāng)中ωt和bt的結(jié)果，求解過(guò)程見(jiàn)公式3。

然后，得到所需的表達(dá)式，即最優(yōu)分類函數(shù)為：

最后，通過(guò)對(duì)訓(xùn)練樣本采用交叉檢驗(yàn)的方式求解出分類結(jié)果，表示為：

三、基于SVM的中小企業(yè)財(cái)務(wù)危機(jī)預(yù)測(cè)模型

（一）中小企業(yè)財(cái)務(wù)危機(jī)預(yù)測(cè)指標(biāo)體系構(gòu)建

1.樣本的確定。企業(yè)財(cái)務(wù)狀況惡化到一定程度往往會(huì)被ST，然而，企業(yè)的財(cái)務(wù)狀況并不是驟然之間便陷入危機(jī)，而是一個(gè)循序漸進(jìn)的過(guò)程。因此，本文在選擇研究對(duì)象和數(shù)據(jù)時(shí)，選擇被標(biāo)記為“ST”的中小上市企業(yè)作為困境企業(yè)樣本，并選擇其T-2 年的財(cái)務(wù)信息、宏觀經(jīng)濟(jì)信息、非財(cái)務(wù)信息三個(gè)方面的數(shù)據(jù)進(jìn)行研究，以實(shí)現(xiàn)對(duì)企業(yè)T 年的財(cái)務(wù)狀況進(jìn)行預(yù)測(cè)。然而，近幾年被ST的中小上市企業(yè)數(shù)量較少，僅有40家。因此，為了保證研究樣本的質(zhì)量和數(shù)量，本文按照與困境企業(yè)樣本一一匹配的原則選擇了與其對(duì)應(yīng)的健康企業(yè)（40家）作為補(bǔ)充樣本。另外，為了使每年的樣本數(shù)量相同，又額外在兩個(gè)被ST 企業(yè)數(shù)量較少的年度分別增加了10 家健康企業(yè)作為樣本。最終，樣本總數(shù)量為100家，其中ST企業(yè)與健康企業(yè)樣本的數(shù)量之比為2∶3。

2.變量選擇。在構(gòu)建中小企業(yè)財(cái)務(wù)危機(jī)預(yù)測(cè)指標(biāo)體系時(shí)，本文選擇從財(cái)務(wù)信息、宏觀經(jīng)濟(jì)信息、非財(cái)務(wù)信息三個(gè)方面來(lái)確定變量指標(biāo)，從而在全面考慮影響企業(yè)財(cái)務(wù)危機(jī)各因素的基礎(chǔ)上，確保對(duì)中小企業(yè)財(cái)務(wù)危機(jī)進(jìn)行準(zhǔn)確預(yù)測(cè)。其中，具體的變量信息情況如表1所示。

表1 各變量信息匯總表

3.預(yù)測(cè)變量顯著性檢驗(yàn)及篩選。由前文可知，本文選擇的變量指標(biāo)之間可能存在著某種關(guān)聯(lián)關(guān)系，而且樣本數(shù)據(jù)在獲取過(guò)程中也可能面臨很多復(fù)雜的因素。基于此，為了確保構(gòu)建的中小企業(yè)財(cái)務(wù)危機(jī)指標(biāo)體系更具有代表性，需要對(duì)選擇的指標(biāo)是否能夠預(yù)測(cè)企業(yè)財(cái)務(wù)危機(jī)進(jìn)行檢驗(yàn)，從而為模型建立打下良好的基礎(chǔ)。因此，在初步對(duì)指標(biāo)變量和樣本數(shù)據(jù)進(jìn)行選擇之后，還需要對(duì)其進(jìn)行進(jìn)一步篩選，具體過(guò)程如下：

（1）財(cái)務(wù)信息和宏觀經(jīng)濟(jì)信息指標(biāo)檢驗(yàn)。在對(duì)樣本指標(biāo)進(jìn)行篩選時(shí)，按照資產(chǎn)規(guī)模和行業(yè)相近或相同原則，對(duì)連續(xù)型變量財(cái)務(wù)信息和宏觀經(jīng)濟(jì)信息指標(biāo)進(jìn)行檢驗(yàn)。采用SPSS軟件，具體檢驗(yàn)方式是K-S正態(tài)性檢驗(yàn)。通過(guò)計(jì)算得到如表2所示的檢驗(yàn)結(jié)果。分析發(fā)現(xiàn)在17個(gè)樣本指標(biāo)中，X2（總資產(chǎn)增長(zhǎng)率）、X4（總資產(chǎn)凈利率）、X5（總資產(chǎn)報(bào)酬率）、X7（凈資產(chǎn)收益率）、X8（總資產(chǎn)周轉(zhuǎn)率）、X12（資產(chǎn)負(fù)債率）、X15（M2 增長(zhǎng)率）、X16（宏觀經(jīng)濟(jì)景氣指數(shù)）、X17（GDP增長(zhǎng)率）9個(gè)指標(biāo)總體符合正態(tài)分布特征，剩余的8個(gè)指標(biāo)不符合正態(tài)分布特征。

表2 K-S檢驗(yàn)

其次，對(duì)9個(gè)符合正態(tài)分布的指標(biāo)和8個(gè)不符合正態(tài)分布的指標(biāo)分別采用了T檢驗(yàn)和U檢驗(yàn)來(lái)檢驗(yàn)其在總體樣本中的差異。檢驗(yàn)結(jié)果分別如下頁(yè)表3、表4所示。通過(guò)對(duì)這兩組數(shù)據(jù)進(jìn)行分析，發(fā)現(xiàn)在顯著性水平等于0.05的情況下，通過(guò)T 檢驗(yàn)的變量有：X2、X4、X5、X7、X8、X12、X15、X16、X17，通過(guò)U 檢驗(yàn)的變量有：X1、X3、X6、X10、X13、X14。最終，通過(guò)篩選得到的財(cái)務(wù)信息和宏觀經(jīng)濟(jì)信息變量指標(biāo)包括：X1、X2、X3、X4、X5、X6、X7、X8、X10、X12、X13、X14、X15、X16、X17。

表3 兩獨(dú)立樣本T檢驗(yàn)

表4 非參數(shù)U檢驗(yàn)

（2）非財(cái)務(wù)信息指標(biāo)篩選。由于本文選擇的股權(quán)集中度、資本結(jié)構(gòu)、董事會(huì)決策行為獨(dú)立性三項(xiàng)非財(cái)務(wù)信息指標(biāo)屬于非連續(xù)型變量，在對(duì)其進(jìn)行檢驗(yàn)時(shí)無(wú)法采用前文所使用的方法。因此，本文采用卡方檢驗(yàn)的方式來(lái)對(duì)其進(jìn)行檢驗(yàn)，結(jié)果如表5所示?？梢钥闯?，上述三項(xiàng)非財(cái)務(wù)信息指標(biāo)與企業(yè)是否陷入財(cái)務(wù)危機(jī)的關(guān)系顯著，能夠加入到中小企業(yè)財(cái)務(wù)危機(jī)預(yù)測(cè)指標(biāo)體系。

表5 卡方檢驗(yàn)

（二）基于SVM的中小企業(yè)財(cái)務(wù)危機(jī)預(yù)測(cè)模型構(gòu)建

1.參數(shù)選擇。前面已經(jīng)選擇了合適的樣本以及變量指標(biāo)以確定訓(xùn)練集。下面根據(jù)函數(shù)特點(diǎn)，選擇RBF函數(shù)作為核函數(shù)，因?yàn)樵摵撕瘮?shù)是SVM所有被廣泛應(yīng)用的核函數(shù)中適用樣本種類最廣且分類效果最好的一種。其次，在模型構(gòu)建之前，還要做好以下準(zhǔn)備工作：第一，借助mapminmax命令對(duì)訓(xùn)練集數(shù)據(jù)進(jìn)行歸一化處理；第二，利用Libsvm 工具箱進(jìn)行建模；第三，借助SVMcgforClass函數(shù)確定核寬度g和懲罰因子C，通過(guò)計(jì)算，結(jié)果為g=0.156，C=64。

2.基于SVM 的中小企業(yè)財(cái)務(wù)危機(jī)預(yù)測(cè)模型構(gòu)建。在做好數(shù)據(jù)處理、確定參數(shù)和核函數(shù)之后，便可以構(gòu)建SVM模型。具體過(guò)程如下：首先，確定訓(xùn)練集和測(cè)試集。在確定訓(xùn)練集時(shí)，從100個(gè)樣本企業(yè)中任意抽取了35個(gè)困境企業(yè)樣本和35個(gè)健康企業(yè)樣本作為元素，并確定測(cè)試集元素為剩余的30個(gè)樣本企業(yè)。另外，按照同樣的選擇方法再一次確定了另一組訓(xùn)練集和測(cè)試集，在確定訓(xùn)練集時(shí)，任意抽取了30個(gè)困境企業(yè)樣本和30個(gè)健康企業(yè)樣本作為元素，并確定測(cè)試集元素為剩余的40個(gè)樣本企業(yè)。經(jīng)過(guò)這一過(guò)程，將全部的樣本數(shù)據(jù)訓(xùn)練測(cè)試比分成了70∶30 和60∶40 兩種。最終，得到了以X 為指標(biāo)維數(shù)、Y 為分類結(jié)果的樣本集（X，Y）。其次，為了降低模型預(yù)測(cè)的錯(cuò)誤率，在對(duì)樣本數(shù)據(jù)進(jìn)行歸一化處理時(shí)，需要保證所輸入數(shù)據(jù)的屬性不會(huì)相互覆蓋。因此，將每個(gè)向量特征規(guī)定在［-1，1］特定的區(qū)間之內(nèi)，然后將前面篩選出的模型解釋變量——財(cái)務(wù)信息、宏觀經(jīng)濟(jì)信息和非財(cái)務(wù)信息三個(gè)變量應(yīng)用于模型中。最后，采用10 折交叉驗(yàn)證的方式對(duì)訓(xùn)練集數(shù)據(jù)進(jìn)行計(jì)算以實(shí)現(xiàn)SVM模型的構(gòu)建，并以（x1，-1）或（x2，1）的形式得出分類結(jié)果，其中y=1 表示ST 企業(yè)為財(cái)務(wù)危機(jī)企業(yè)，y=-1 則表示企業(yè)健康。

經(jīng)過(guò)對(duì)T-2 年的企業(yè)樣本數(shù)據(jù)進(jìn)行上述計(jì)算，本文將最終預(yù)測(cè)的結(jié)果與實(shí)際情況進(jìn)行比較來(lái)確定模型的預(yù)測(cè)準(zhǔn)確度。其中，在70∶30的訓(xùn)練測(cè)試比下，25個(gè)健康企業(yè)樣本當(dāng)中預(yù)測(cè)正確的個(gè)數(shù)和錯(cuò)誤的個(gè)數(shù)分別為25和0；5個(gè)困境企業(yè)樣本當(dāng)中預(yù)測(cè)正確的個(gè)數(shù)與錯(cuò)誤的個(gè)數(shù)分別為4和1。綜合二者的預(yù)測(cè)結(jié)果，求得預(yù)測(cè)準(zhǔn)確率為96.67%。在60∶40的訓(xùn)練預(yù)測(cè)比下，30個(gè)健康企業(yè)樣本當(dāng)中預(yù)測(cè)正確的個(gè)數(shù)和錯(cuò)誤的個(gè)數(shù)分別為30和0；10個(gè)困境企業(yè)當(dāng)中預(yù)測(cè)正確的個(gè)數(shù)與錯(cuò)誤的個(gè)數(shù)分別為6 和4。綜合二者的預(yù)測(cè)結(jié)果，求得預(yù)測(cè)準(zhǔn)確率為90%。

（三）SVM模型與Logistic模型預(yù)測(cè)效果對(duì)比分析

為了檢驗(yàn)本文構(gòu)建的SVM 模型對(duì)于幫助企業(yè)管理者準(zhǔn)確預(yù)測(cè)財(cái)務(wù)危機(jī)是否更加有效，并保證研究更加有說(shuō)服力，將構(gòu)建的SVM 模型與常用的傳統(tǒng)Logistic 模型進(jìn)行對(duì)比分析，來(lái)對(duì)本次研究成果進(jìn)行檢驗(yàn)。

1.Logistic 模型構(gòu)建。同前面SVM 模型的構(gòu)建原則一樣，也按照資產(chǎn)規(guī)模和行業(yè)相近或相同原則構(gòu)建Logistic模型，確定財(cái)務(wù)信息、宏觀經(jīng)濟(jì)信息和非財(cái)務(wù)信息變量指標(biāo)，并且由于所獲得的這些數(shù)據(jù)信息之間可能存在著某種程度的關(guān)聯(lián)性，因此，既為了找出能夠全面反映這些信息的數(shù)據(jù)，又能夠使這些數(shù)據(jù)信息之間不存在相互覆蓋關(guān)系，需要對(duì)選擇的變量指標(biāo)進(jìn)行降維處理，通過(guò)因子分析法提取主要成分因子，詳細(xì)提取結(jié)果如表6所示，最終提取了8個(gè)主成分因子。

表6 主成分因子提取結(jié)果

之后，在構(gòu)建基于Logistic的中小企業(yè)財(cái)務(wù)危機(jī)預(yù)測(cè)模型時(shí)將其作為變量，并借助SPSS 軟件得到如下結(jié)果，公式中的Q表示財(cái)務(wù)危機(jī)發(fā)生的概率。

2.SVM 模型與Logistic 模型預(yù)測(cè)效果對(duì)比。Logistic 模型下，通過(guò)利用公式4對(duì)T-2年的企業(yè)樣本數(shù)據(jù)進(jìn)行計(jì)算，最終得到如下結(jié)果：在70∶30的訓(xùn)練測(cè)試比下，70個(gè)健康企業(yè)樣本當(dāng)中判斷正確的個(gè)數(shù)和錯(cuò)誤的個(gè)數(shù)分別為57和13；30 個(gè)困境企業(yè)樣本當(dāng)中判斷正確的個(gè)數(shù)與錯(cuò)誤的個(gè)數(shù)分別為14 和16。綜合二者的判斷結(jié)果，求得預(yù)測(cè)準(zhǔn)確率為78.015%（百分比校正后）。在60∶40的訓(xùn)練預(yù)測(cè)比下，60個(gè)健康企業(yè)樣本當(dāng)中判斷正確的個(gè)數(shù)和錯(cuò)誤的個(gè)數(shù)分別為51 和9；40 個(gè)困境企業(yè)樣本當(dāng)中判斷正確的個(gè)數(shù)與錯(cuò)誤的個(gè)數(shù)分別為15 和25。綜合二者的判斷結(jié)果，求得預(yù)測(cè)準(zhǔn)確率為76%（百分比校正后）。

通過(guò)將兩個(gè)模型的預(yù)測(cè)效果進(jìn)行對(duì)比（見(jiàn)表7），可以發(fā)現(xiàn)SVM 模型與Logistic 模型相比，前者在分類問(wèn)題上的預(yù)測(cè)精確度更高，更加具有優(yōu)勢(shì)。Logistic 模型在對(duì)中小企業(yè)財(cái)務(wù)危機(jī)進(jìn)行預(yù)測(cè)時(shí)，其預(yù)測(cè)準(zhǔn)確率最高只有78.015%，而SVM 模型的預(yù)測(cè)準(zhǔn)確率卻可以達(dá)到96.67%，而且該模型計(jì)算用時(shí)相對(duì)于Logistic 模型也更短。由此可以看出，在預(yù)測(cè)中小企業(yè)財(cái)務(wù)危機(jī)時(shí)應(yīng)該優(yōu)先選擇SVM模型，該模型具有更強(qiáng)的適用性。

表7 兩模型對(duì)比表

四、結(jié)論

通過(guò)上述分析，最終得到如下結(jié)論：基于SVM構(gòu)建中小企業(yè)財(cái)務(wù)危機(jī)預(yù)測(cè)模型，能夠較為精準(zhǔn)地對(duì)企業(yè)未來(lái)是否會(huì)發(fā)生財(cái)務(wù)危機(jī)進(jìn)行預(yù)測(cè)，同時(shí)與Logistic模型相比其預(yù)測(cè)效果更好，值得推廣。根據(jù)研究，中小企業(yè)未來(lái)要想實(shí)現(xiàn)良好的發(fā)展，不僅要重視自身的財(cái)務(wù)狀況，做好充足的資金儲(chǔ)備，還要緊跟宏觀經(jīng)濟(jì)變化情況建立符合自身發(fā)展實(shí)際的經(jīng)營(yíng)管理辦法，并且不斷完善公司的內(nèi)部治理機(jī)制，在股權(quán)設(shè)置、資本結(jié)構(gòu)分配、職責(zé)管理上做好工作，為自身未來(lái)發(fā)展打下良好基礎(chǔ)。