【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）
