上市公司财务预警实证研究
|
摘要
财务健康,是企业经营的基础,没有健康稳健的财务状况企业随时都处在很大的风险之中,而财务风险又是我们从操作层面讲相对来说比较容易防范的风险,因为相对多变的经济环境行业变化,经营境况来说,企业的财务情况财务信息是我们最容易获取的,而且随着国家对会计信息质量的的重视的加大,上市公司信息披露制度的加强,信息化建设网络的普及,企业特别是上市公司的相对真实的财务数据现在越来越容易被广大公众获取,那么通过这些财务数据我们也可以透析企业的财务经营情况。因为会计信息中包含的信息是相当丰富的,通过对这些数据的挖掘,我们可以获得企业的很多信息,而这个工作被越来越多的专业人士开展,会计师证券分析师经济师都从各自需要角度挖掘财务信息,把财务信息用作企业财务的预警是目前很多人探索的一个方向。
财务预警是通过对企业财务数据的分析,预测财务危机的发生,具体地说是利用选定的财务比率,构建模型来判定企业发生财务危机的可能性。它是一种预测性模型,可以用作信用分析等方面。一个有效的财务预警模型被认为有,监测、诊断、控制、预防等作用。建立有效的财务预警模型,可以帮助企业降低营运风险,促进市场规范平稳发展。目前,利用企业的财务报表数据,应用统计方法对各变量进行分析来预测企业的财务风险,以便揭示风险并及时有效的防范化解财务风险的措施,已成为各企业管理当局、投资者、债权人等利害关系人共同关注的问题。
本文首先做了已有研究成果的文献综述,分为国内国外两部分,文献综述后面简要阐述了已有研究成果主要是有的研究方法。从单变量分析到多变量模型判别分析,从简单线性回归到多元逻辑回归再到比较新的神经网络模型在文献综述部分都有简要介绍。财务预警研究最早出现在Fitz Patrick于1932年开展的单变量财务失败预警研究。Altman是首位运用多变量分析法对财务危机预警进行研究的学者,方法依然是首先选择配对公司,1964-1965年间各33家财务危机公司和健康公司进行配对,利用线性多元判别分析法(LMDA)建立判别函数,即此领域有名的Z记分模型,用多元函数的值进行判别,克服了单变量模型的对于同一公司不同比率预测出不同结果的现象。到了90年代,Odom&Shards(1990)采用神经网络构建了财务预警模型。总之,随着时代的进步,财务预警的研究模型使用更加复杂,预测效果更加有效。
实证部分,首先,选定初选指标,通过参考已有研究成果,突出现金流量指标,并选择与考察企业财务危机最相关的财务指标为原则,首先选出分六大类型的约二三十个指标作为初选指标。其次是搜集数据,从2007年的全部1657家上市公司中,剔除B股公司,金融类企业(因为没有重要的流动比率、速动比率等指标)和财务数据有问题的上市公司,最终确定为剩余初选公司。然后按2008年的公司情况分出st公司和非st公司(因为是做预测,所以用一年后的实际情况)st公司标为1、非st公司标为0,并用一定统计方法补足缺失数据。其中约80%作为模型的训练样本,余下的作为测试样本,检验模型的测试效果。
再次,筛选指标,先用T检验去掉差异不显著的指标,剩余约10个左右。再一次的约减指标我们采用了两种方法。一种是因子分析降维,用因子分析进行进一步提炼,得出三到五个因子作为最后神经网络模型分析的变量。训练神经网络模型,用前面整理的数据样本和提取的因子,计算出各因子得分,用因子变量训练神经网络模型,得出最后用于预测的模型。另一种是用粗糙集做指标删减,通过粗糙集找到从指标到结果的映射过程中不是很重要的指标,这个过程通过马克威分析系统来完成。最后,用检验样本做检验,检验模型预测能力,并与其他检验方法的正确率作比较。
本文是以我国A股市场的上市公司为研究对象,采用2007年末的数据作为分析数据,区分st与非st用2008年末的结果,数据来源于国泰安的CSMAR系列研究数据库。
在选择指标前重点阐述了现金流对企业的重要性,对企业财务健康的重要性,以及现金流指标在财务预警中的作用。说明了,现金流量是现代理财学中的一个重要概念,是指企业一定时期的现金和现金等价物的流入和流出的数量,即企业在一定会计期间按照收付实现制原则,通过经营、投资、筹资和非经常性项目等经济活动而产生的现金流入、现金流出及其总量情况的总称。现金,是指企业库存现金以及可以随时用于支付的存款。现金等价物,是指企业持有的期限短、流动性强、易于转换为现金、价值变动风险很小的投资。建立完善的现金流量管理体系,是提高企业市场竞争力、确保企业的健康生存与发展重要保障,现金流量管理是现代企业理财活动的一项重要职能。论文所要讨论的“现金”概念与现金流量表上的一致,由四个部分组成库存现金、银行存款、其他货币资金和现金等价物、现金流量信息能够清晰地反映企业经营状况是否良好,资金是否紧缺,企业偿付能力大小,从而为投资者、债权人、企业管理者提供非常有用的信息。应该注意的是,企业现金形式的转换不会产生现金的流入和流出,如企业从银行提取现金,是企业现金存放形式的转换并未流出企业,不构成现金流量,同样,现金与现金等价物之间的转换也不属于现金流量。以及,近期的经济情况表明,企业的生命周期逐渐变短,特别是在全球经济危机的市场环境下,许多公司都面临着破产的危机,这些事实告诉我们一个道理公司能否持续经营下去,并不在于资产规模的大小,不在于账面上会计利润的高低,而在于是否有足够的现金流量支撑维系下去,现实中的教训让太多的经营者体会了要对现金流量重视的必要性。企业财务管理实质上就是对企业现金及其循环的管理,重视现金流量管理是企业理财工作的另一个核心。
在实证部分,首先用t检验去除了在st与非st公司之间不显著的指标。首先找出两组数据的指标里面能反映st公司和非st公司不同的指标,也就是同一指标在两组数据之间有显著差异的指标,这样的指标用作分析才有意义,所包含信息反映不出差异的的指标不适合用做预测,即使它能包含再多的上市公司的财务信息；把差别不显著的指标率先剔除。而且过多的变量一方面造成运算的不便也会在做回归的时候产生多重共线性问题。
然后用因子分析进行进一步指标降维,选择前四个因子作为下一步分析用,总解释率为77%。根据他们的特征,综合来看,主成分1负载最大的是营运资金对资产总额比率和资产负债率,我们把这一因子命名为总资产因子。主成分2负载最大的是现金流量比率、全部资产现金回收率、每股经营活动现金净流量,把这一因子命名为获现能力因子。主成分3负载最大的是流动比率和速动比率,所以把这一因子命名为偿债能力因子。主成分4负载最大的是现金与利润总额比和财务杠杆系数,称为现金撬动因子。
得到因子得分数据后,接下来就是用其构建神经网络模型了。为了构建神经网络的财务预警模型我们将样本分为两组：训练组和检验组。第一组数量为1200个数据,剩下的320个数据做第二组,并采取随机分组的方式。
本文用两种方法做了神经网络预测,两种方法的结果比较接近,并证明了本文所使用的方法比逻辑回归的正确率有比较大的改进。本文通过在筛选指标方面强化现金流指标的在全体指标构成中的占比,筛选指标优化指标上面的细化,并用两种方法实现了神经网络模型,这几方面优化了财务预测的准确程度。强调了用现金流量指标筛选择的指标,优化了用于模型的指标的构成,才财务和会计的角度增强了预警的可信性。采用的因子分析加神经网络的组合模型预警能力比原来又有了比较大的提升,随着软件易用性的增强,该方法可逐步过渡到实用领域。而DPS软件被证明是一款比较适合使用做神经网络财务预警的软件,它比较简单实用。
另一种路径是在t检验删选指标之后,用粗糙集做进一步筛选指标,利用粗糙集的特性,选出在指标对应结果的映射中不敏感的指标去掉。这样也可以很大限度的保留原有数据信息。试验后对比,这一方法最后得出的预警效果是在作比较的三种方法中最好的。
本文的主要创新在三个方面,首先采用了最新可以获得的整个中国证券市场的数据做了分析,数据比较全面。其次,用因子分析和粗糙集两种方法进行降维并做神经网络预测,结果显示均好于逻辑回归的预测效果。第三,用两种软件实现了神经网络模型,并进一步讨论了从理论到应用的一种操作简便性问题。
作者在写作本文的过程中,还发现了些可以继续改进的地方,留待与之后学者探讨,首先可以考虑不适用ST这一标志来区分,因为划分st的原因比较机械,而有些财务有问题的公司可能合理利用会计准则的规定逃过了被划为ST。其次预测部分可以采用之后一年和两年的预测情况分别检验预测精度,因为本文原始数据采用的2007年,而至截稿2009年的数据还没有出来,之后的学者可以讨论。第三,初步财务指标的范围还可以进一步讨论,充分发挥财务理论的理解。
Financial health is the basis of business, without a healthy financial position sound businesses at all times at a great risk and financial risk is relatively the easiest we have to guard against risk, because the relatively volatile economic environment in the industry changes in operating circumstances, the financial situation of enterprises financial information is our most accessible, and with the country accounting information to increase the quality of the attention, a listed company information disclosure system, the strengthening of the popularization of information technology networks, enterprises, especially listed companies, the relative real financial data is becoming increasingly vulnerable to the general public access, then the financial data through which we can also dialysis company's financial operations. Because the accounting information contained in the information is quite rich, through the data mining, we can get a lot of information of enterprises, and this work is to carry out more and more professionals, accountants and securities analysts economist from their respective needs mining point of view of financial information, the financial information as a corporate financial early-warning is a lot of people to explore a different direction.
Financial early-warning is through the analysis of corporate financial data to predict the occurrence of financial crises, specifically the use of selected financial ratios, building models to determine the likelihood of financial crises enterprises. It is a predictive model can be used for credit analysis and so on. An effective early-warning model is considered the financial, monitoring, diagnosis, control, prevention and so on. To establish an effective financial early-warning model, can help enterprises to reduce operational risks and promote stable development of market discipline. At present, the use of corporate financial statements, data, application of statistical methods for analysis of each variable to predict the company's financial risk, in order to reveal the risks and timely and effective measures to guard against and defuse financial risks, has become the enterprise management authorities, investors, creditors, etc. stakeholders of common concern.
In this paper, two methods have done a neural network prediction, the results of two methods closer to, and proves that the method used in this paper the correct rate of return than the logic of a relatively large improvement. In this paper, in the selection of indicators to strengthen cash flow targets in the whole composition of the proportion of indicators, selection of indicators detailed above optimization index and we use two methods to achieve a neural network model, which a few ways to optimize the accuracy of the financial projections. Stressed the cash flow target screen selection indicators, optimizing the composition of the indicators used to model only the financial and accounting point of view to enhance the credibility of the warning. The factor analysis used a combination of neural network model of Canadian early-warning capacity than the original, there has been relatively large increase, with the software, usability enhancements, the method can be a gradual transition to the practical field. The DPS software is proven to be a more appropriate use of neural networks to do the financial early-warning software, it is relatively simple and practical.
Another path is deleted in the t test, after the election of indicators, using rough set of indicators for further screening, using the characteristics of rough set to select the indicator corresponds to the results of mapping is not sensitive indicator removed. This can greatly limit keep the original data. After the test comparison,this method came to the conclusion of the warning effect is to compare the three methods in the best.
This major innovation is in three aspects, first of all using the latest available data from the entire Chinese stock market to do an analysis of the data more comprehensive. Secondly, using factor analysis and rough set two kinds of methods of dimensionality reduction and do neural network prediction results showed that both better than the logistic regression prediction. Third, the two kinds of software which using the neural network model, and we further make a discussion from theory to application of a simple problem.
财务预警是通过对企业财务数据的分析,预测财务危机的发生,具体地说是利用选定的财务比率,构建模型来判定企业发生财务危机的可能性。它是一种预测性模型,可以用作信用分析等方面。一个有效的财务预警模型被认为有,监测、诊断、控制、预防等作用。建立有效的财务预警模型,可以帮助企业降低营运风险,促进市场规范平稳发展。目前,利用企业的财务报表数据,应用统计方法对各变量进行分析来预测企业的财务风险,以便揭示风险并及时有效的防范化解财务风险的措施,已成为各企业管理当局、投资者、债权人等利害关系人共同关注的问题。
本文首先做了已有研究成果的文献综述,分为国内国外两部分,文献综述后面简要阐述了已有研究成果主要是有的研究方法。从单变量分析到多变量模型判别分析,从简单线性回归到多元逻辑回归再到比较新的神经网络模型在文献综述部分都有简要介绍。财务预警研究最早出现在Fitz Patrick于1932年开展的单变量财务失败预警研究。Altman是首位运用多变量分析法对财务危机预警进行研究的学者,方法依然是首先选择配对公司,1964-1965年间各33家财务危机公司和健康公司进行配对,利用线性多元判别分析法(LMDA)建立判别函数,即此领域有名的Z记分模型,用多元函数的值进行判别,克服了单变量模型的对于同一公司不同比率预测出不同结果的现象。到了90年代,Odom&Shards(1990)采用神经网络构建了财务预警模型。总之,随着时代的进步,财务预警的研究模型使用更加复杂,预测效果更加有效。
实证部分,首先,选定初选指标,通过参考已有研究成果,突出现金流量指标,并选择与考察企业财务危机最相关的财务指标为原则,首先选出分六大类型的约二三十个指标作为初选指标。其次是搜集数据,从2007年的全部1657家上市公司中,剔除B股公司,金融类企业(因为没有重要的流动比率、速动比率等指标)和财务数据有问题的上市公司,最终确定为剩余初选公司。然后按2008年的公司情况分出st公司和非st公司(因为是做预测,所以用一年后的实际情况)st公司标为1、非st公司标为0,并用一定统计方法补足缺失数据。其中约80%作为模型的训练样本,余下的作为测试样本,检验模型的测试效果。
再次,筛选指标,先用T检验去掉差异不显著的指标,剩余约10个左右。再一次的约减指标我们采用了两种方法。一种是因子分析降维,用因子分析进行进一步提炼,得出三到五个因子作为最后神经网络模型分析的变量。训练神经网络模型,用前面整理的数据样本和提取的因子,计算出各因子得分,用因子变量训练神经网络模型,得出最后用于预测的模型。另一种是用粗糙集做指标删减,通过粗糙集找到从指标到结果的映射过程中不是很重要的指标,这个过程通过马克威分析系统来完成。最后,用检验样本做检验,检验模型预测能力,并与其他检验方法的正确率作比较。
本文是以我国A股市场的上市公司为研究对象,采用2007年末的数据作为分析数据,区分st与非st用2008年末的结果,数据来源于国泰安的CSMAR系列研究数据库。
在选择指标前重点阐述了现金流对企业的重要性,对企业财务健康的重要性,以及现金流指标在财务预警中的作用。说明了,现金流量是现代理财学中的一个重要概念,是指企业一定时期的现金和现金等价物的流入和流出的数量,即企业在一定会计期间按照收付实现制原则,通过经营、投资、筹资和非经常性项目等经济活动而产生的现金流入、现金流出及其总量情况的总称。现金,是指企业库存现金以及可以随时用于支付的存款。现金等价物,是指企业持有的期限短、流动性强、易于转换为现金、价值变动风险很小的投资。建立完善的现金流量管理体系,是提高企业市场竞争力、确保企业的健康生存与发展重要保障,现金流量管理是现代企业理财活动的一项重要职能。论文所要讨论的“现金”概念与现金流量表上的一致,由四个部分组成库存现金、银行存款、其他货币资金和现金等价物、现金流量信息能够清晰地反映企业经营状况是否良好,资金是否紧缺,企业偿付能力大小,从而为投资者、债权人、企业管理者提供非常有用的信息。应该注意的是,企业现金形式的转换不会产生现金的流入和流出,如企业从银行提取现金,是企业现金存放形式的转换并未流出企业,不构成现金流量,同样,现金与现金等价物之间的转换也不属于现金流量。以及,近期的经济情况表明,企业的生命周期逐渐变短,特别是在全球经济危机的市场环境下,许多公司都面临着破产的危机,这些事实告诉我们一个道理公司能否持续经营下去,并不在于资产规模的大小,不在于账面上会计利润的高低,而在于是否有足够的现金流量支撑维系下去,现实中的教训让太多的经营者体会了要对现金流量重视的必要性。企业财务管理实质上就是对企业现金及其循环的管理,重视现金流量管理是企业理财工作的另一个核心。
在实证部分,首先用t检验去除了在st与非st公司之间不显著的指标。首先找出两组数据的指标里面能反映st公司和非st公司不同的指标,也就是同一指标在两组数据之间有显著差异的指标,这样的指标用作分析才有意义,所包含信息反映不出差异的的指标不适合用做预测,即使它能包含再多的上市公司的财务信息；把差别不显著的指标率先剔除。而且过多的变量一方面造成运算的不便也会在做回归的时候产生多重共线性问题。
然后用因子分析进行进一步指标降维,选择前四个因子作为下一步分析用,总解释率为77%。根据他们的特征,综合来看,主成分1负载最大的是营运资金对资产总额比率和资产负债率,我们把这一因子命名为总资产因子。主成分2负载最大的是现金流量比率、全部资产现金回收率、每股经营活动现金净流量,把这一因子命名为获现能力因子。主成分3负载最大的是流动比率和速动比率,所以把这一因子命名为偿债能力因子。主成分4负载最大的是现金与利润总额比和财务杠杆系数,称为现金撬动因子。
得到因子得分数据后,接下来就是用其构建神经网络模型了。为了构建神经网络的财务预警模型我们将样本分为两组：训练组和检验组。第一组数量为1200个数据,剩下的320个数据做第二组,并采取随机分组的方式。
本文用两种方法做了神经网络预测,两种方法的结果比较接近,并证明了本文所使用的方法比逻辑回归的正确率有比较大的改进。本文通过在筛选指标方面强化现金流指标的在全体指标构成中的占比,筛选指标优化指标上面的细化,并用两种方法实现了神经网络模型,这几方面优化了财务预测的准确程度。强调了用现金流量指标筛选择的指标,优化了用于模型的指标的构成,才财务和会计的角度增强了预警的可信性。采用的因子分析加神经网络的组合模型预警能力比原来又有了比较大的提升,随着软件易用性的增强,该方法可逐步过渡到实用领域。而DPS软件被证明是一款比较适合使用做神经网络财务预警的软件,它比较简单实用。
另一种路径是在t检验删选指标之后,用粗糙集做进一步筛选指标,利用粗糙集的特性,选出在指标对应结果的映射中不敏感的指标去掉。这样也可以很大限度的保留原有数据信息。试验后对比,这一方法最后得出的预警效果是在作比较的三种方法中最好的。
本文的主要创新在三个方面,首先采用了最新可以获得的整个中国证券市场的数据做了分析,数据比较全面。其次,用因子分析和粗糙集两种方法进行降维并做神经网络预测,结果显示均好于逻辑回归的预测效果。第三,用两种软件实现了神经网络模型,并进一步讨论了从理论到应用的一种操作简便性问题。
作者在写作本文的过程中,还发现了些可以继续改进的地方,留待与之后学者探讨,首先可以考虑不适用ST这一标志来区分,因为划分st的原因比较机械,而有些财务有问题的公司可能合理利用会计准则的规定逃过了被划为ST。其次预测部分可以采用之后一年和两年的预测情况分别检验预测精度,因为本文原始数据采用的2007年,而至截稿2009年的数据还没有出来,之后的学者可以讨论。第三,初步财务指标的范围还可以进一步讨论,充分发挥财务理论的理解。
Financial health is the basis of business, without a healthy financial position sound businesses at all times at a great risk and financial risk is relatively the easiest we have to guard against risk, because the relatively volatile economic environment in the industry changes in operating circumstances, the financial situation of enterprises financial information is our most accessible, and with the country accounting information to increase the quality of the attention, a listed company information disclosure system, the strengthening of the popularization of information technology networks, enterprises, especially listed companies, the relative real financial data is becoming increasingly vulnerable to the general public access, then the financial data through which we can also dialysis company's financial operations. Because the accounting information contained in the information is quite rich, through the data mining, we can get a lot of information of enterprises, and this work is to carry out more and more professionals, accountants and securities analysts economist from their respective needs mining point of view of financial information, the financial information as a corporate financial early-warning is a lot of people to explore a different direction.
Financial early-warning is through the analysis of corporate financial data to predict the occurrence of financial crises, specifically the use of selected financial ratios, building models to determine the likelihood of financial crises enterprises. It is a predictive model can be used for credit analysis and so on. An effective early-warning model is considered the financial, monitoring, diagnosis, control, prevention and so on. To establish an effective financial early-warning model, can help enterprises to reduce operational risks and promote stable development of market discipline. At present, the use of corporate financial statements, data, application of statistical methods for analysis of each variable to predict the company's financial risk, in order to reveal the risks and timely and effective measures to guard against and defuse financial risks, has become the enterprise management authorities, investors, creditors, etc. stakeholders of common concern.
In this paper, two methods have done a neural network prediction, the results of two methods closer to, and proves that the method used in this paper the correct rate of return than the logic of a relatively large improvement. In this paper, in the selection of indicators to strengthen cash flow targets in the whole composition of the proportion of indicators, selection of indicators detailed above optimization index and we use two methods to achieve a neural network model, which a few ways to optimize the accuracy of the financial projections. Stressed the cash flow target screen selection indicators, optimizing the composition of the indicators used to model only the financial and accounting point of view to enhance the credibility of the warning. The factor analysis used a combination of neural network model of Canadian early-warning capacity than the original, there has been relatively large increase, with the software, usability enhancements, the method can be a gradual transition to the practical field. The DPS software is proven to be a more appropriate use of neural networks to do the financial early-warning software, it is relatively simple and practical.
Another path is deleted in the t test, after the election of indicators, using rough set of indicators for further screening, using the characteristics of rough set to select the indicator corresponds to the results of mapping is not sensitive indicator removed. This can greatly limit keep the original data. After the test comparison,this method came to the conclusion of the warning effect is to compare the three methods in the best.
This major innovation is in three aspects, first of all using the latest available data from the entire Chinese stock market to do an analysis of the data more comprehensive. Secondly, using factor analysis and rough set two kinds of methods of dimensionality reduction and do neural network prediction results showed that both better than the logistic regression prediction. Third, the two kinds of software which using the neural network model, and we further make a discussion from theory to application of a simple problem.
引文
1张先治.财务分析[M].大连,东北财经大学出版社,2004
2 William Beaver.Financail ratio as predictors of failure.Empirical Research in Accounting[J],1966,4.71-111.
3 Altman E.I.,etal. Zeta analysis, a new model to identify bankruptcy risk of corporates[J] journal of banking and finance,1977,1:29-51
4周首华.上市公司财务预警方法与机制[M].大连,东北财经大学出版社,2000
5佘廉.企业预警管理论.石家庄,河北科学技术出版社,1999.
6乔世震.财务管理专题研究[M].北京,中国财政经济出版社,2000
7Altman E J.Financial ratios, discriminant analysis and the prediction of corporate Bankruptcy [J].Journal of Finance,1968(9):31-36
13胡伍生。神经网络理论及其工程应用。北京：测绘出版社。2006
14邹得琪。现金流量-企业理财的重要信息[J]。经济师,2002,8-12。
15张英,韩德明,徐彬。现金流量管理与企业安全经营[J]。科技进步与对策,2003年12月号。
16 Zan Huang, Hsnchun Chen, Chia-Jung Hsu,etc.Credit Rating Analysis with Support Vector Machines and Neural Networks:A Market Comparative Study[J]. Decision Support Systems.2004(37),543-558
17加卢什金(俄)。神经网络理论。北京：清华大学出版社。2002。
18巫影、陈定方。神经网络理论综述。科技进步与对策,2006-6：133-134。
[1]张先治.财务分析[M].大连,东北财经大学出版社,2004
[2]William Beaver.Financail ratio as predictors of failure.Empirical Research in Accounting[J],1966,4.71-111.
[3]Altman E.I.,etal. Zeta analysis, a new model to identify bankruptcy risk of corporates[J] journal of banking and finance,1977,1:29-51
[4]周首华.上市公司财务预警方法与机制[M].大连,东北财经大学出版社,2000
[5]佘廉.企业预警管理论.石家庄,河北科学技术出版社,1999.
[6]乔世震.财务管理专题研究[M].北京,中国财政经济出版社,2000
[7]Altman E J.Financial ratios, discriminant analysis and the prediction of corporate Bankruptcy [J].Journal of Finance,1968(9):31-36
[8]Aziz A.,D.C.Emanuel.Bankruptcy Prediction Journal of Management Studies,1988,25,419-437.
[9]张鸣,张艳,程涛。企业财务预警研究前沿。北京：中国财政经济出版社。
[10]吴世农、黄世忠。企业破产的分析指标和预测模型[J]。中国经济问题。
[11]陈功。浅谈企业财务预警系统的构建。华东经济管理。
[12]章之旺.现金流量在财务困境预测中的信息含量实证研究——来自2003-2004年度ST公司的新证据[J].中国管理科学,2004。
[13]胡伍生。神经网络理论及其工程应用。北京：测绘出版社。2006
[14]邹得琪。现金流量-企业理财的重要信息[J]。经济师,2002,8-12。
[15]张英,韩德明,徐彬。现金流量管理与企业安全经营[J]。科技进步与对策,2003年12月号。
[16]Zan Huang, Hsnchun Chen, Chia-Jung Hsu,etc. Credit Rating Analysis with Support Vector Machines and Neural Networks:A Market Comparative Study[J]. Decision Support Systems.2004(37),543-558
[17]加卢什金(俄)。神经网络理论。北京：清华大学出版社。2002。
[18]巫影、陈定方。神经网络理论综述。科技进步与对策,2006-6：133-134。
[19]Edmister R. O. An Empirical Test of Financial Ratio Analysis for Small Business Failure Prediction Journal of Financial and Quantitative Analysis,1972(3):204-227
[20]Beaver W. Alternative Accounting Measures Predictors of Failure [J].Accounting Review,1968(43):113-122
[21]Chen, Mu-Chen, Huang, Shih-Hsien..Credit scoring'and rejected instances reassigning through evolutionary computation techniques [J]. Expert Systems with Applications,2003(24), 433-441
[22]姚恒申：时间序列和神经网络的组合预测及其应用[J],统计与决策,2005,(6)B 17-18
2 William Beaver.Financail ratio as predictors of failure.Empirical Research in Accounting[J],1966,4.71-111.
3 Altman E.I.,etal. Zeta analysis, a new model to identify bankruptcy risk of corporates[J] journal of banking and finance,1977,1:29-51
4周首华.上市公司财务预警方法与机制[M].大连,东北财经大学出版社,2000
5佘廉.企业预警管理论.石家庄,河北科学技术出版社,1999.
6乔世震.财务管理专题研究[M].北京,中国财政经济出版社,2000
7Altman E J.Financial ratios, discriminant analysis and the prediction of corporate Bankruptcy [J].Journal of Finance,1968(9):31-36
13胡伍生。神经网络理论及其工程应用。北京：测绘出版社。2006
14邹得琪。现金流量-企业理财的重要信息[J]。经济师,2002,8-12。
15张英,韩德明,徐彬。现金流量管理与企业安全经营[J]。科技进步与对策,2003年12月号。
16 Zan Huang, Hsnchun Chen, Chia-Jung Hsu,etc.Credit Rating Analysis with Support Vector Machines and Neural Networks:A Market Comparative Study[J]. Decision Support Systems.2004(37),543-558
17加卢什金(俄)。神经网络理论。北京：清华大学出版社。2002。
18巫影、陈定方。神经网络理论综述。科技进步与对策,2006-6：133-134。
[1]张先治.财务分析[M].大连,东北财经大学出版社,2004
[2]William Beaver.Financail ratio as predictors of failure.Empirical Research in Accounting[J],1966,4.71-111.
[3]Altman E.I.,etal. Zeta analysis, a new model to identify bankruptcy risk of corporates[J] journal of banking and finance,1977,1:29-51
[4]周首华.上市公司财务预警方法与机制[M].大连,东北财经大学出版社,2000
[5]佘廉.企业预警管理论.石家庄,河北科学技术出版社,1999.
[6]乔世震.财务管理专题研究[M].北京,中国财政经济出版社,2000
[7]Altman E J.Financial ratios, discriminant analysis and the prediction of corporate Bankruptcy [J].Journal of Finance,1968(9):31-36
[8]Aziz A.,D.C.Emanuel.Bankruptcy Prediction Journal of Management Studies,1988,25,419-437.
[9]张鸣,张艳,程涛。企业财务预警研究前沿。北京：中国财政经济出版社。
[10]吴世农、黄世忠。企业破产的分析指标和预测模型[J]。中国经济问题。
[11]陈功。浅谈企业财务预警系统的构建。华东经济管理。
[12]章之旺.现金流量在财务困境预测中的信息含量实证研究——来自2003-2004年度ST公司的新证据[J].中国管理科学,2004。
[13]胡伍生。神经网络理论及其工程应用。北京：测绘出版社。2006
[14]邹得琪。现金流量-企业理财的重要信息[J]。经济师,2002,8-12。
[15]张英,韩德明,徐彬。现金流量管理与企业安全经营[J]。科技进步与对策,2003年12月号。
[16]Zan Huang, Hsnchun Chen, Chia-Jung Hsu,etc. Credit Rating Analysis with Support Vector Machines and Neural Networks:A Market Comparative Study[J]. Decision Support Systems.2004(37),543-558
[17]加卢什金(俄)。神经网络理论。北京：清华大学出版社。2002。
[18]巫影、陈定方。神经网络理论综述。科技进步与对策,2006-6：133-134。
[19]Edmister R. O. An Empirical Test of Financial Ratio Analysis for Small Business Failure Prediction Journal of Financial and Quantitative Analysis,1972(3):204-227
[20]Beaver W. Alternative Accounting Measures Predictors of Failure [J].Accounting Review,1968(43):113-122
[21]Chen, Mu-Chen, Huang, Shih-Hsien..Credit scoring'and rejected instances reassigning through evolutionary computation techniques [J]. Expert Systems with Applications,2003(24), 433-441
[22]姚恒申：时间序列和神经网络的组合预测及其应用[J],统计与决策,2005,(6)B 17-18