
【摘要】本文以滬深兩市A股制造業(yè)上市公司為研究對象,建立了以財務(wù)指標(biāo)為自變量的邏輯回歸模型、財務(wù)指標(biāo)及與公司治理指標(biāo)相結(jié)合的邏輯回歸模型和以Fisher值與公司治理指標(biāo)為自變量的混合模型,并用這三種模型對企業(yè)財務(wù)危機預(yù)警的準(zhǔn)確度進行了檢驗,結(jié)果表明:在我國制造業(yè)上市公司中,利用單純財務(wù)指標(biāo)建立的邏輯回歸模型預(yù)警的準(zhǔn)確度最差,其次是包含有公司治理變量的邏輯回歸模型,而預(yù)警準(zhǔn)確度最好的是混合模型。
【關(guān)鍵詞】財務(wù)危機預(yù)警 主成分分析 Logistic回歸模型 混合模型
一、引言
財務(wù)預(yù)警系統(tǒng)是以企業(yè)信息化為基礎(chǔ),以企業(yè)的財務(wù)報表、經(jīng)營計劃及其他相關(guān)的財務(wù)資料為依據(jù),利用財會、金融、企業(yè)管理、市場營銷等理論,對企業(yè)在經(jīng)營管理活動中的潛在風(fēng)險進行實時監(jiān)控的系統(tǒng)。財務(wù)預(yù)警貫穿于企業(yè)經(jīng)營活動的全過程,其目的是及時發(fā)現(xiàn)、防范和抵御企業(yè)風(fēng)險。
財務(wù)預(yù)警一直是現(xiàn)代企業(yè)財務(wù)管理的一項重要內(nèi)容。在早期的財務(wù)預(yù)警系統(tǒng)中,主要采用比率分析方法來衡量企業(yè)面臨的風(fēng)險,方法比較簡單,預(yù)警的準(zhǔn)確度不高。近年來學(xué)者們通過建立數(shù)學(xué)模型的方法,將企業(yè)內(nèi)外部相關(guān)風(fēng)險因素納入預(yù)警模型中,綜合考量評估企業(yè)風(fēng)險,預(yù)警的準(zhǔn)確度比單一利用財務(wù)比率進行預(yù)警更高。
從現(xiàn)有的研究文獻來看,國內(nèi)外學(xué)者采用不同的方法建立了多種財務(wù)預(yù)警模型,對財務(wù)風(fēng)險衡量的結(jié)果并不一致。本文主要利用我國制造業(yè)上市公司數(shù)據(jù),驗證當(dāng)前三大主要財務(wù)預(yù)警模型——以財務(wù)指標(biāo)為自變量的邏輯回歸模型、財務(wù)指標(biāo)與公司治理指標(biāo)相結(jié)合的邏輯回歸模型和以Fisher值與公司治理指標(biāo)為自變量的混合模型預(yù)警的準(zhǔn)確性,希冀能夠?qū)ζ髽I(yè)財務(wù)預(yù)警模型的選擇起到一定的借鑒作用。
二、文獻回顧
1. 國外學(xué)者對財務(wù)危機預(yù)警研究建立的模型較多,主要分為靜態(tài)模型和動態(tài)模型。
靜態(tài)模型包括單變量模型、多元線性模型、Logistic回歸模型、支持向量機及神經(jīng)網(wǎng)絡(luò)模型等。Fitzpatrick(1932)最早利用單變量模型研究財務(wù)危機預(yù)警,其研究表明判別能力最強的兩個指標(biāo)是凈利潤/股東權(quán)益與股東權(quán)益/負(fù)債。Altman首次將多元判別分析方法引入財務(wù)危機預(yù)測領(lǐng)域,與其合作者建立了Z分?jǐn)?shù)系列模型;他還與Haldeman和Narayanan 建立了以7個財務(wù)指標(biāo)為基礎(chǔ)的ZETA模型,該模型通過會計數(shù)據(jù)能夠提前三年比較準(zhǔn)確地預(yù)測企業(yè)的財務(wù)風(fēng)險,使多元線性模型的研究達到了前所未有的高度。但是多元線性判定模型對預(yù)測變量有嚴(yán)格的聯(lián)合正態(tài)分布要求,為解決這一問題,Martin運用Logistic回歸模型預(yù)測銀行財務(wù)危機,他以1970 ~ 1977年間58家銀行作為樣本,從25個財務(wù)指標(biāo)中選出8個指標(biāo)構(gòu)建多元邏輯回歸模型,并且將其與Z值和ZETA模型進行對比,發(fā)現(xiàn)多元Logistic回歸模型的預(yù)測能力最高。隨著統(tǒng)計學(xué)及計算機網(wǎng)絡(luò)等技術(shù)的發(fā)展,國外學(xué)者紛紛引入新的分析技術(shù),建立如神經(jīng)網(wǎng)絡(luò)模型、支持向量機模型等預(yù)警模型。
動態(tài)預(yù)警模型是基于時間序列回歸或動態(tài)管理將研究樣本和配對樣本的現(xiàn)金管理特征變量納入構(gòu)建的預(yù)警模型檢測財務(wù)狀況,評估財務(wù)風(fēng)險。目前研究動態(tài)預(yù)警模型的文獻還不多,可用的動態(tài)預(yù)警模型只有如累積與控制圖模型及指數(shù)加權(quán)移動平均控制圖模型等少數(shù)模型。
2. 國內(nèi)對財務(wù)危機預(yù)警的研究相對較晚。黃世忠、吳世農(nóng)(1986)通過對企業(yè)財務(wù)報表各個獨立財務(wù)指標(biāo)加以分析來預(yù)測企業(yè)財務(wù)危機,但是他們的預(yù)警指標(biāo)比較單一,并未將各類指標(biāo)綜合起來考慮,準(zhǔn)確度難以保證。周首華、楊濟華對Z-score模型指標(biāo)進行相應(yīng)調(diào)整和改進,提出了著名的F分?jǐn)?shù)模型。吳世農(nóng)、盧賢義應(yīng)用Fisher判別分析、多元線性回歸和Logistic回歸分析構(gòu)建了相應(yīng)的預(yù)警模型,其三種模型均能在財務(wù)危機發(fā)生前做出較為準(zhǔn)確的判斷。楊淑娥、徐偉剛采用主成分分析法構(gòu)建Y分?jǐn)?shù)財務(wù)危機預(yù)警模型,確定了企業(yè)財務(wù)狀況評價區(qū)域,從而為財務(wù)危機的預(yù)測提供了一種新方法。王克敏、姬美光分別使用基于財務(wù)和非財務(wù)指標(biāo)的Logistic回歸模型對我國虧損上市公司進行財務(wù)預(yù)警,發(fā)現(xiàn)在公司被ST早期階段,引入公司治理、對外擔(dān)保、關(guān)聯(lián)方交易等非財務(wù)因素的影響力比財務(wù)因素的影響力更為顯著,精確率更高。
3. 綜上所述,財務(wù)預(yù)警方法已從判別分析法、Logistic回歸分析法、BP神經(jīng)網(wǎng)絡(luò)法、支持向量機等靜態(tài)模型向動態(tài)模型和混合模型轉(zhuǎn)變。實證研究表明,動態(tài)模型和混合模型能顯著提高財務(wù)預(yù)警的準(zhǔn)確率,但是由于我國資本市場尚難以提供較多的時間序列數(shù)據(jù),因而企業(yè)很少使用動態(tài)模型,而大多使用判別分析法、Logistic回歸分析、混合模型等靜態(tài)模型。那么在我國制造行業(yè)內(nèi),使用哪一種模型進行預(yù)警的結(jié)果更準(zhǔn)確呢?本文對此進行研究,具體研究思路如下圖所示。
三、樣本選取與研究設(shè)計
1. 樣本、數(shù)據(jù)及預(yù)警指標(biāo)的選取。
(1)樣本選取。目前,學(xué)者們對財務(wù)危機的界定方法尚不一致,本文借鑒有關(guān)學(xué)者的研究成果,將財務(wù)危機歸結(jié)為以下方面:①無償債能力、資不抵債等;②嚴(yán)重虧損;③現(xiàn)金流嚴(yán)重不足。其邏輯關(guān)系為企業(yè)嚴(yán)重虧損、現(xiàn)金流嚴(yán)重不足,導(dǎo)致資不抵債、無償債能力,調(diào)整無效最后破產(chǎn)。結(jié)合我國證券市場的實際情況及上述財務(wù)危機企業(yè)特征,本文將財務(wù)預(yù)警研究的對象界定為因“財務(wù)狀況異?!倍弧癝T”的上市公司,并選取了2009 ~ 2012年總共45家因“財務(wù)狀況異?!倍状伪籗T的制造業(yè)A股(無交叉股)上市公司作為發(fā)生財務(wù)危機的樣本。并以1∶2的配對比例,以行業(yè)相同、資產(chǎn)規(guī)模相近、上市時間相近且從未有ST記錄為選取原則,選取同期90家制造業(yè)A股(無交叉股)上市公司作為財務(wù)危機樣本的配對樣本。
(2)數(shù)據(jù)選取。公司財務(wù)狀況及治理狀況不良會帶來財務(wù)危機,但是這種“不良”帶來的“財務(wù)狀況異?!鄙踔劣诒弧癝T”這種后果不會在當(dāng)期就體現(xiàn)出來,即企業(yè)財務(wù)惡化有一個“漸變”的過程,財務(wù)預(yù)警就是要利用當(dāng)前看似正常的企業(yè)財務(wù)及公司治理指標(biāo)預(yù)測將來發(fā)生財務(wù)危機的可能性。因此,在進行預(yù)警模型的準(zhǔn)確性驗證時,采用哪一期間的數(shù)據(jù)進行預(yù)警亦是相關(guān)學(xué)者關(guān)注的重要問題。本文借鑒有關(guān)學(xué)者的研究成果,以企業(yè)被“ST”之前第三年的財務(wù)狀況及公司治理狀況為基礎(chǔ)進行財務(wù)危機預(yù)警,即若上市公司被“ST”年度為T年,則被“ST”之前年度分別為T-1年、T-2年……,本文選取T-3年的數(shù)據(jù)來建立財務(wù)危機預(yù)警模型。研究數(shù)據(jù)來源于國泰安數(shù)據(jù)庫及各知名財經(jīng)網(wǎng)站。
(3)預(yù)警指標(biāo)的選取。劉彥文(2009)對2002 ~ 2008年國內(nèi)外發(fā)表的財務(wù)危機預(yù)警文獻中的最終模型具有顯著影響的預(yù)測變量進行了頻次統(tǒng)計(表略),本文根據(jù)其結(jié)果并結(jié)合筆者的判斷確定了研究指標(biāo),這些指標(biāo)包括財務(wù)類指標(biāo)及公司治理指標(biāo),具體見表1、表2、表3、表4。其中財務(wù)類指標(biāo)包括財務(wù)狀況指標(biāo)、現(xiàn)金流量指標(biāo)及盈余管理程度指標(biāo)。2. 變量檢驗。
(1)顯著性檢驗。本文選取滬深A(yù)股制造業(yè)上市公司2009 ~ 2010研究樣本企業(yè)28家,配對樣本企業(yè)56家,總共84家樣本企業(yè)用于模型的建立;選取2011 ~ 2012年樣本企業(yè)17家、配對樣本企業(yè)34家,共51家樣本企業(yè)用來作為檢測樣本。
劉國光(2009)研究表明,不是所有的財務(wù)數(shù)據(jù)都服從正態(tài)分布,為此我們的研究需要對服從正態(tài)分布及其他分布的樣本進行不同處理,故本節(jié)主要對84家建模樣本的預(yù)警指標(biāo)進行K-S檢驗,以確定變量是否符合正態(tài)分布。對于符合正態(tài)分布的指標(biāo),則進行獨立樣本T檢驗,以確定這些指標(biāo)在研究樣本與配對樣本之間是否存在顯著差異;若差異不顯著,則說明這些指標(biāo)不能夠反映樣本企業(yè)與配對企業(yè)的財務(wù)狀況存在差異,需要剔除。對于通過K-S檢驗確定不符合正態(tài)分布的指標(biāo),則進行Mann-Whitney U檢驗,以剔除兩種樣本之間不具備顯著差異的指標(biāo)。
首先,在SPSS17.0軟件中進行K-S檢驗(受篇幅所限,檢驗結(jié)果表已省略),結(jié)果顯示:X1、X3、X4、X15、X20、X21、X22、X23、X24、X25、X32、X34及X36的P值大于給定的顯著性水平0.05,這些變量符合正態(tài)分布。
然后,對上述指標(biāo)進行獨立樣本T檢驗(檢驗結(jié)果表已省略),結(jié)果顯示在0.05的水平上,X15和X25通過顯著性檢驗,表明其在兩種樣本之間存在顯著差異。
對未通過正態(tài)性檢驗的指標(biāo)則進行Mann-Whitney U檢驗(檢驗結(jié)果表已省略),結(jié)果顯示:X5、X6、X8、X9、X11、X17、X18、X27、X28、X29、X30、X31及X35,共13個指標(biāo)的P值小于顯著性水平0.05,故在兩種樣本之間存在顯著差異。
綜上所述,通過變量檢驗,存在顯著差異的財務(wù)指標(biāo)有 X5、X6、X8、X9、X11、X15、X17、X18、X25、X27、X28、X29及X30,共13個。非財務(wù)指標(biāo):X31、X35共2個。
(2)主成分分析。為了克服變量之間的多重共線性、簡化計算并盡可能地保留對因變量有貢獻的自變量,從而保留更多對預(yù)警有用的財務(wù)信息,需要進行主成分分析。
考慮到公司治理指標(biāo)中含有一些虛擬變量,取值不連續(xù),不能滿足主成分分析的充分條件,不能進行主成分分析,因此本文只對通過顯著性檢驗的13個財務(wù)類指標(biāo)進行主成分分析,對公司治理指標(biāo)則直接建立模型。
首先是主成分的提取。在做主成分分析前筆者進行了Bartlett球形檢驗及KMO測試。結(jié)果顯示,KMO測試系數(shù)為0.757, Bartlett檢驗的P=0.000<α(α=0.05),表明變量之間具有較強的相關(guān)性,可以進行主成分提取。在SPSS17.0軟件中進行主成分分析,通過方差最大化旋轉(zhuǎn),結(jié)果見表5。
本文采取累積貢獻率的方式對主成分進行篩選,根據(jù)經(jīng)驗數(shù)據(jù),累積貢獻率要求在85%以上,因此本文提取7個因子使其累積貢獻率達到87.806%以上。
其次是主成分的列式。根據(jù)SPSS17.0的檢驗結(jié)果,主成分的得分系數(shù)矩陣和旋轉(zhuǎn)成分矩陣如表6所示。
根據(jù)表6因子得分系數(shù)矩陣數(shù)據(jù),主成分可以用原始變量進行表示,具體列示如下:
F1=0.133X5+0.337X6+0.274X8+0.245X9+0.263X11-0.076X15-0.045X17-0.048X18+0.054X25+0.048X27+0.013X28+0.068X29-0.025X30
F2=-0.184X5+0.034X6+0.074X8+0.070X9+0.011X11+0.060X15-0.018X17-0.023X18-0.147X25+0.564X27-0.012X28+0.521X29-0.112X30
F3=0.218X5-0.079X6+0.036X8-0.017X9+0.011X11+0.031X15+0.045X17+0.056X18+0.243X25-0.105X27+0.501X28-0.060X29+0.540X30
F4=-0.243X5-0.147X6-0.076X8+0.228X9-0.052X11+0.013X15-0.013X17+0.844X18-0.260X25-0.059X27-0.077X28+0.053X29+0.155X30
F5=0.104X5-0.336X6+0.077X8+0.020X9+0.057 0X11+0.935X15+0.008X17+0.007X18+0.071X25+0.110X27+0.089X28-0.024X29-0.018X30
F6=-0.640X5-0.138X6+0.062X8-0.083X9-0.015X11-0.012X15-0.012X17-0.043X18+0.744X25+0.038X27+0.029X28-0.017X29+0.085X30
F7=-0.161X5-0.026X6-0.009X8-0.050X9+0.000X11+0.014X15+0.993X17-0.024X18-0.160X25-0.024X27+0.009X28-0.004X29+0.070X30
由旋轉(zhuǎn)成分矩陣(受篇幅所限,矩陣表已省略),可對7個主成分因子進行如下命名:①主成分F1主要由凈資產(chǎn)收益率(X8)、長期資本收益率(X11)、成本費用利潤率(X6)及息稅前利潤率(X9)進行解釋,表明公司盈利能力和收益情況,可稱為“獲利因子”。②主成分F2主要由應(yīng)收賬款占流動資產(chǎn)比率(X27)與應(yīng)收賬款占銷售收入比率(X29)進行解釋,表明公司應(yīng)收賬款的管理運營狀況,可稱為“應(yīng)收賬款因子”。③主成分F3主要由非經(jīng)常性損益占利潤總額比率(X30)及其他應(yīng)收款與流動資產(chǎn)比率(X28)進行解釋,表明公司非經(jīng)常性損益情況,可稱為“盈余管理因子”。④主成分F4主要由資本積累率(X18)進行解釋,表明公司凈資產(chǎn)的增長情況,可稱為“資本積累因子”。⑤主成分F5主要由總資產(chǎn)周轉(zhuǎn)率(X15)進行解釋,表明企業(yè)的資產(chǎn)營運狀況,可稱為“營運因子”。⑥主成分F6主要由每股經(jīng)營性現(xiàn)金流量(X25)和利息保障倍數(shù)(X5)進行解釋,表明公司現(xiàn)金流量狀況和償債能力,可稱為“現(xiàn)金償債因子”。⑦主成分F7主要由凈利潤增長率(X17)進行解釋,表明公司的發(fā)展?jié)摿皖A(yù)期,可稱為“發(fā)展因子”。
總之,主成分因子將從企業(yè)的盈利能力、盈余管理、現(xiàn)金流量狀況、償債能力、資產(chǎn)運營能力等方面進行分析。
四、模型的建立與檢驗
1. Logistic回歸模型的建立與檢驗。
(1)邏輯回歸模型的建立。Logistic回歸的表達式為:
Ln(■)=a+ bkxki
式中:Pi=P(yi=1|x1i,x2i,x3i,…,x1i,),表示自變量為x1i,x2i,x3i,…,xti;bk為回歸系數(shù);a為截距。用最大似然估計值去估計a和bk,則可得某一事件發(fā)生的概率Pi。
以7個主成分作為自變量,以企業(yè)在三年后是否ST企業(yè)為應(yīng)變量,建立Logistic回歸模型。在此基礎(chǔ)上綜合考慮公司治理因素,其他不變因素加入公司治理變量得到回歸模型,在SPSS17.0中進行分析的結(jié)果如表7所示。從表7可以看出,在兩個模型中顯示各變量的系數(shù)都很顯著。
F1、F4、F5、F6及F7與財務(wù)危機發(fā)生的概率P呈負(fù)相關(guān)關(guān)系,表明企業(yè)的盈利能力、償債能力、營運能力及發(fā)展能力越強、現(xiàn)金流量越多,財務(wù)危機的概率就越小。
F2及F3與財務(wù)危機發(fā)生的概率呈正相關(guān)關(guān)系,表明企業(yè)的盈余管理越強,其陷入財務(wù)危機的概率就越大。
X31與企業(yè)發(fā)生財務(wù)危機的概率呈正相關(guān)關(guān)系,表明當(dāng)控股股東為國有股時,由于國有股“所有者缺位”及流通性滯后,加大了內(nèi)部人控制帶來的代理問題,導(dǎo)致公司治理效率低下,增加了企業(yè)財務(wù)危機發(fā)生的概率。
X35與財務(wù)危機概率呈正相關(guān)關(guān)系,因為當(dāng)股權(quán)高度集中在前5大股東時,大股東將掌握控股權(quán),實質(zhì)掌握公司的決策權(quán),導(dǎo)致董事會與經(jīng)理層成為其直接利益的代言人,便能以控制權(quán)謀求自身利益而侵蝕小股東的經(jīng)濟利益,從而降低企業(yè)的經(jīng)營績效,增大財務(wù)危機發(fā)生的概率。
上述結(jié)果為依據(jù)的模型如下:
Ln(■)=-0.704-10.586F1+0.045F2+1.548F3-0.511F4-1.836F5-1.664F6-0.433F7+ε (模型3-1)
Ln(■)=4.299-16.402F1+1.114F2+0.576F3-8.327F4-13.802F5-2.509F6-0.477F7+1.137X31+20.395X35+ε(模型3-2)
(2)回歸模型的檢驗。利用前述2011 ~ 2012年被“ST”公司及其配對企業(yè)進行回歸模型準(zhǔn)確性判斷,判斷方式如下:當(dāng)P>0.5時,為財務(wù)狀況正常企業(yè);當(dāng)P<0.5時,為財務(wù)狀況危機企業(yè);當(dāng)P=0.5時,鑒于運用該模型進行檢驗誤差較大,需結(jié)合其他內(nèi)外部因素綜合起來進行判斷。
下面將分別對建模樣本及檢測樣本的預(yù)測結(jié)果進行統(tǒng)計分析。結(jié)果如表8、表9所示:本文將經(jīng)過模型檢驗的財務(wù)危機公司誤判為正常公司定義第Ⅰ類錯誤,將正常公司誤判為財務(wù)危機公司定義為第Ⅱ類錯誤。由表8、表9可以看出建模樣本與檢測樣本在引入公司治理指標(biāo)后,模型3-2綜合預(yù)測準(zhǔn)確率分別提高了11.90%和9.80%,第Ⅰ類錯誤分別降低了21.43%、5.88%,第Ⅱ類錯誤分別降低了7.14%、11.76%。因此可以證明,公司治理指標(biāo)的引入提高了模型預(yù)測的正確率,降低了模型的誤判率。
2. 混合模型的構(gòu)建與檢驗。
(1)混合模型的構(gòu)建。將Logistic回歸模型與Fisher判別模型結(jié)合起來,構(gòu)建包含二者特長的混合模型,然后對樣本進行預(yù)測和分析,將Fisher(費雪)判別分析中所得的Y值作為Logistic回歸模型的一個自變量,與其他具備顯著性的指標(biāo)一起進行回歸分析,意在提高模型的預(yù)測準(zhǔn)確率。利用統(tǒng)計軟件SPSS17.0對上文提取的7個主成分進行Fisher判別分析,剔除不顯著變量后,得到的結(jié)果如表10所示:
由表10可知,本文建立的Fisher(費雪)判別函數(shù)為:
Y=0.455-1.169×F1+1.336×F3+0.022×F4-1.205×F5
將Fisher分析中所得到的y值命名為Fisher,與顯著的公司治理指標(biāo)一起進行Logistic回歸分析,經(jīng)SPSS17.0檢驗得到的運算結(jié)果如表11所示:
由上得到如下模型:Ln(■)=8.224-1.464Fisher-1.168X31 -10.481X35+ε (模型3-3)
(2)混合模型結(jié)果的檢驗。利用建模樣本和檢測樣本對本文所建立的混合模型進行檢驗,結(jié)果如表12、表13所示:
由表12、表13可以看出,建模樣本及檢測樣本混合模型的綜合預(yù)測率比模型3-2分別提高了5.956%、7.84%;其第Ⅰ類錯誤分別降低了3.57%、5.88%,第Ⅱ類錯誤分別降低了7.15%、8.83%。因此利用Fisher值建立混合模型將有助于提高模型的綜合預(yù)測率,從而降低誤判率。
五、研究結(jié)論與建議
本文根據(jù)變量檢驗的結(jié)果,在單純財務(wù)類指標(biāo)模型的基礎(chǔ)上,引入控股股東性質(zhì)、CR-S指數(shù)2個公司治理指標(biāo)進行建模分析,不管是建模樣本還是檢測樣本,在引入公司治理指標(biāo)后,模型的綜合預(yù)測率都有顯著的提升,降低了模型的誤判率。本文的研究結(jié)果還表明:混合模型比單一模型具備更好的預(yù)測效果,不管是建模樣本還是檢測樣本,混合模型預(yù)測的綜合準(zhǔn)確率比單一的Logistic模型均有顯著的提高,第Ⅰ類錯誤率和第Ⅱ類錯誤率均顯著降低。
本文的研究還存在一定的局限性:首先,本文選取的42個預(yù)警指標(biāo)主要是基于前人的研究和筆者自己的判斷,但影響企業(yè)財務(wù)狀況的因素是多種多樣的,后續(xù)研究可進一步擴充指標(biāo)體系。其次,本文從靜態(tài)角度對企業(yè)陷入財務(wù)危機的可能性進行判斷,而企業(yè)陷入財務(wù)危機是一個動態(tài)過程。隨著我國資本市場的逐步完善及相關(guān)數(shù)據(jù)庫資料的積累,我們將使用動態(tài)模型,這能提高財務(wù)危機預(yù)測的準(zhǔn)確性。
主要參考文獻
1. Fitzpatrick P.J.. A Comparison of Ratios of Successful Industrial Enterprise with Those of Failed Firms. Certified Public Accountant,1932;2
2. Beaver W. H.. Financial Ratios as Predictors of Failure. Journal of Accounting research(Supplement),1966;17
3. Martin D.. Early warning of bank failure: a logistic regression approach . Journal of banking and finance,1977;1
4. Feng Yu Lin, Sally MeClean. A Data Mining Approach to the Prediction of Corporate Failure. Kownledge-Based Systems,2001;4
5. 吳世農(nóng),黃世忠,企業(yè)破產(chǎn)的分析指標(biāo)及預(yù)測模型.中國經(jīng)濟問題,1986;6
6. 周首華,楊濟華,王平.論財務(wù)危機的預(yù)警分析——F分?jǐn)?shù)模型.會計研究,1996;8
7. 吳世農(nóng),盧賢義.我國上市公司財務(wù)危機的預(yù)測模型研究.經(jīng)濟研究,2001;6
8. 楊淑娥,徐偉剛.上市公司財務(wù)預(yù)警模型——Y分?jǐn)?shù)模型的實證研究.中國軟科學(xué),2003;1
【作 者】
李紅梅 田景鮮
【作者單位】
(中南大學(xué)商學(xué)院 長沙 410083 華中科技大學(xué)管理學(xué)院 武漢 430074)