上市公司财务危机预警分析--基于数据挖掘的研究

财务预警分析

上市公司财务危机预警分析５１文章编号：１００２—１５６６（２００４）０３——００５ｌ—０７上市公司财务危机预警分析——基于数据挖掘的研究刘曼，罗慧（西安交通大学管理学院，陕西西安７１００４９）摘要：本文以我国上市公司为研究对象，选取了１９９９—２００１年被ｓＴ的公司和正常公司各７３家作为训练样本．２００２年被ｓＴ的公司和正常公司各４３末作为检验样本．分析了财务危机出现前２年内各年两类岱司１５个财务指标。在进行敷据挖掘中．我们运用了三种独立的方法，分别为判别分析、ｋｇｉｓｔｉｃ回归和神经网络，结果发现神经网络预测的效果要优于其它两种方法。最后，结合了这些方法的优点，建立了一种混合模型。研究表明顸刹的正确性要高于每种单独方法，从而提高了模型的预警效果。．关键词：财务危机；预警分析；数据挖掘中围分类号：Ｆ８３２．５１文献标识码：ＡＡＰｒｅｄｉｃｔｉ蚰蛐ａｌｙｓｉｓｏｆ丘舰眦ｉａｌｍｓｔｒｅ鼹ｆｏｒＩｉｓｔｅｄ∞ｍｐａⅡｉｅｓ——ｂａｓｅｄｏｎｄ８ｔａｎＩｉｎｉｎｇａｐｐ阳ａｃｈＵＵＭｉｎ．ＬＵＯＨｕｉ（Ｍａｎ８９ｅｍｅｎｔｓｃｈ００ｌｏｆｘｉ’蚰ＪｉａｏＴｏ“ｇｕ１１ｉｖｅｒｓｉ‘ｙ，）（ｉ’帅７１００４９，ｃｈｉｎａ）ｃｈｉｎｅ鸵Ｈｓｔｅｄｃｏｍｐａｒ。，幽ｂｒｅｓｅａｒｃｈｏｂｊｅｃｔ．ｓｅｖｅｎｔｙ－出ｒｅｅｃｏｍｐ如ｉｅｓｉｎ８ｐｅｃ柚ｔｎ埘ｅｔｈａｔｍｕｃｈｉｎｎｏｎｎａｌ仃ａｄｅｆＩｏｍ１９９９ｔ０２（Ｍ）０ａｒｅｓｅｌｅｅＩｅｄａｓ山ｅｔ孙ｉｎｉ“ｇｓａｍｐｌｅ．Ｆｏｎｙ ｔｌｌ雎ｅｃｏｍｐ明ｉｅ８ｉｎ叩ｅｃｉ“ａｎｄｉｎｎｏ兀ｎ８Ｉｔｒａｄｅｏｆ２吣２ａｒｅｓｅｌｅｃｔｅｄａｓｔｈｅｔｅｓｔｓａ。ｎｐｌｅＦｉｆｔｅｅｎ矗ｎ釉ｅ湖ｍｔｉ嘴ｆｈｎｔ帅ｙｅ啪ｂｅｆｏｒｅｔｈｅｄｉｓｔｒｅｓｓｈａｖｅｂｅｅｎａｎａｌｙｚｅｄ．Ｔｈ…ｉｎｄｅｃｌａｓｓｉ矗ｅｒｓ—ｑｉｓｃ五ｍｉｎａｍａｎａｌｙｓｉｓ，ｌｏｇｉｓ６ｃ腭ｇ曲ｓｉｏｎ蚰ｄｒ陀ｕｒａｌｈａｖｅｂｅｅｎｕｓｅｄｉｎｄａｔａｍｉＩｌｉｎｇｐｒｏｃｅｓｓ．Ｉｔｈａｓｂｅｅｎｐｒ。ｖｅｄｔｈｍｔｈｅｎｅｕ瑚ｎ咖ｏｒｋｉ８ｂｅｔｔｅｒｔｈ帅ｏｔｈｅｒｓ．ｔｈｅｍｅ—ｂ０ｆｔｈｅａｂｏＹｅｍｅｔｌｌｏｄｓ，ａｈｙｂｄｄｍｅｔｈｏｄ山ａｔｉｎｃｒｅ船舶ｐｒｅｄｉｃｔｉｏｎｐｅｄｈ瑚ａｎｃｅｈａｓｂｅｅｎｐｕｔｅｍｐｉｄｃａｌｌｅｓｔｓｓｈｏｗｔ｝Ｉａｔ．ｔｃａｎｐｒｏｄｕｃｅｈｉ曲ｅｒｐ‘ｅｄｉｅｔｉｏｎａｃｃｕｍ。ｙｔｈａＩｌｉｎｄｉｖｉｄｕａｌｃｌ舯ｓ访ｅＩ弓．ｗｏｒｄｓ：Ｆｉｎａｎｃ瑚Ｄ；ｓｌｒｅ黯；Ｐｒｅｄｉｃ血ｎＡＩＩａｌｙｓｉ５；ＤａｔａＭｉｎｉｎｇ随着资本市场蓬勃发展，资本市场已经成为企业募集资金的场所，投资者也可以通过资本防范财务危机，对于政府管理部门监管上市公司质量和证券市场风险，都具有十分重要的现实收稿日期：２００２—１０—２５基金项目：国家社会科学基金资助项目（ｏｌＢＪｍｌ２）。Ａｂ髓ｒａｃｔ：Ｔｈ岵ｐ８ｐ盯ｈａｓ吐ｌｅ蛐ｄｌ刊ｅｎｎ帅‘＝ｅｎｅｌｗｏｒｋＣｏｍｂｉ“ｇｆｏｎｖ“．１ｈｅＫｅｙ市场运作获取较高的回报。但是市场竞争十分残酷，企业发展未必事事顺心，也可能会陷入财务危机，财务危机的发生并非突然，而是一个逐步、渐进的过程，因此财务危机不但具有先兆，并且是可以预测的。正确地预测企业财务危机，对于保护投资者和债权人的利益，对于经营者意义。本文旨在运用数据挖掘的方法来研究我国上市公司财务危机的预警模型。

财务预警分析

５２中文核心期刊数理统计与管理２３卷３期２００４年５月

一、文献综述

国外对于预警模型的研究已经有四十多年的历史，产生大量有效的预警模型。最早，

Ｂｅａｖｅｒ（１９９６）对７９个发生财务危机企业和相同数量、同等资产规模的成功企业进行比较研究

后提出了单变量判定模型，即通过个别财务比率走势恶化来预测财务危机状况。由于采用不

同比率预测同一公司可能会得出不同的结果，Ａｌｔｍａｎ（１９６８）首先采用判别分析方法，使用负债

比率、流动比率、净资产收益率等多种财务指标，建立了企业财务危机预警分析的多变量模型。

而Ｍａｒｔｉｎ（１９７７）和ｚａｖｇｒｅｎ（１９８５）采用１０９ｉｓｔｉｃ回归模型，ｓｋｏｇｓｖｉｋ（１９９０）运用Ｐｒｏｂｉｔ函数模型

也分别建立多变量模型，并且大大提高了模型的预测精度。另外，ｗｉｌ吕０ｎ等（１９９４）还利用神

经网络和Ｆｒｙｄｍａｎ（１９８５）运用决策树等更为复杂的机器学习方法（ｍａｃｈｉｎｅｌｅａｍｉｎｇｍｅ山ｏｄ）来

建立模型。

国内的研究起步较晚，主要是利用国外的方法来建立中国的预警模型。陈静（１９９９）采用

了单变量分析和判别分析，刘曼（２００１）和姜秀华等（２００２）运用了ｋ百ｓｔｉｃ的方法，而吴世农和

卢贤义（２００１）首先选择４个财务指标为例估计了单变量判定模型，然后又选择６个指标，分

别采用判别分析和Ｌ岬ｊｓ“ｃ回归方法建立和估计了预警模型，并比较了各种方法的预测效果。

另外，杨保安等（２００１）采用神经网络的方法，更加丰富了我国预警分析的研究。但是。由于选

择样本和财务指标的差异，所以很难比较各种模型的预测效果，本文将采用数据挖掘技术来系

统地研究大量数据之间隐含的关系和趋势，并对我国主要采用的判别分析、ｈｇｉｓｔｉｃ回归和神

经网络方法进行比较。

＝、数据挖掘

数据挖掘是按照既定的业务目标，对大量的企业数据进行探索，揭示隐藏其中的规律性并

进一步将之模型化的先进、有敏的方法。挖掘的过程可以分为具体的步骤，我们的研究采用了

ｓＡｓ的ｓＥＭＭＡ的方法，ｓＥＭＭＡ就是数据挖掘的每个步骤字母的缩写，过程如图ｌ所示：

数据取样数据特征探索数据调整模刑建一综台评价

ＳａｆｎＤＩｏＥｘｏＩｏ他Ｍｏｄｉ～ＭｏｄｅＩＡｓｓｅｓｓ

图ｌ：数据挖掘的步骤

ｌ、数据取样

我们按照先前的研究，公司一旦被“特别处理”（ｓＴ），即认为公司陷入了“财务危机”。我

国Ａ股市场在１９９９—２００２年（截至２００２年５月９日）被特别处理的公司一共有１２４家，最终

选定的１１６家。我们排除了：（１）上市两年内就特别处理的２家公司；（２）存在严重的财务造

假行为，并且已经被中国证监会做出处罚决定的公司４家；（３）因为自然灾害、重大事故等被

特别处理的公司２家。然后，我们又按年度从ｓＴ公司所处的行业中随机抽取相同数量的正常

公司作为配比样本，从而使总的样本容量达到２３２个，在一定程度上保证预测的准确性。最

后，再将１９９９—２００１年的１４６个公司作为训练样本（ＴｒａｉｎｉｎｇｓａＩＩＩｐｌｅ），２００２年的８６个公司作

为检验样本（Ｔｅｓｔｓａｍｐｌｅ）。

本文选取了１５指标，综合反映了公司的盈利能力、长短期偿债能力、营运能力、现金流量和公司规模方面，以ｓＴ最早发生日为基准日，分析了基准目前２个会计年度的财务指标，具体

财务预警分析

财务预警分析

５４中文核心期刊数理统计与管理２３卷３期２００４年５月

３、数据调整

通过上述两个步骤的操作，对数据的状态和趋势有了进一步的了解，对原来要解决的问题

有了进一步的明确。而数据调整的主要就是对变量进行特征选择（Ｆｅａｔｕｒｅｓｅｌｅｃｔｉｏｎ），从而达到

减少模型中预测变量的目的。特征选择是统计研究中的一个热门话题，它的意义在于对数据

特征描述更加简单明了，使问题更便于理解，从而更快、更好地解决问题。为了能有效地区分

财务危机和非财务危机公司，我们需要选择在两组之间具有显著差异的变量作为最终模型的

预测变量，而上述方差分析（ＡＮＯＶＡ）的结果恰恰可以被用来进行数据调整。Ｆ检验表明有１０

个变量在５％的显著水平上和２个变量在ｌｏ％的显著水平上存在差异，见表２。本文采取

ｌＯ％的显著水平作为选择变量的标准，故在财务危机发生前一年的模型中将有１２个预测变

量，而将有１１个变量作为危机发生前两年模型的预测变量。见表３。

表３：财务危机发生前２年财务指标的方差分析结果

ＭｅａｒＩＳ．ＤＮＭｅａｎＳＤ．Ｎ

变量ＦＰ

（ｎｏｆｌｆａｉｌ）（ｒ吣ｎｈｉｌｌｆｎｏｎｆａｊＩ、ｆｆａｉｌ）ｆｆａｉｎ（ｆａ“）

ＸＩ１２０．３４５５６．１１２７３掣．７５６７７３１０７３７．１２４０．（Ｘ）９粹

Ｘ．４３９８ｌＯ０４５７３＿３９４２２５４５９７７２４２．６７９０．０００＃

Ｘｊ５．３０９２４９７７３＿９６９２９．１８０７３９７．０９７０．０００”

ＸｄＯ１４５０．３９６７２－０４１７０．４６ｌ７２８８．４３５Ｏ．０００”

Ｘ５１９５６０２ｌＯ７３１．８４５６８２３７３０．０３２０８７６

Ｘ６Ｏ７７４０１９８７３Ｏ．３８４０４３８７３６７．４９３０，０００壮

Ｘ，１０４３９２０．１５３７ｌ＿９４６７３９．８１８７３９．１７１０．００４樟

Ｘ８４８１４２５７８３７２５９４６８３９４６２７３２７．５３ｌ００００”

Ｘ９２５．８７６４０８６４７３１６．２２１３５８６５７３３．２６３Ｏ０６８４

Ｘｍ９４５０２４１８４７３４２６Ｓ４．３２３７２２．５２８０．１０１

Ｘ¨Ｏ．６３２０４３８７２Ｏ．４２７Ｏ３ＩＩ７ｌ２．９４１Ｏ０７６＋

Ｘｌ２０１６３０．２７６７ｌＯ０４３０．３６５７２７．３２２０．００９林

Ｘｌｊ０．１５９００７４７３０．０１ｌ０４２９７１ｌＯ．３８４０００２”

Ｘ１４８．６９８Ｏ４０７７３８１２６Ｏ．５０７７３Ｏ．０７００．８２６

ＸＩ５８．２７６Ｏ４７５７３８０１９０４９９７３Ｏ．０３１Ｏ．９１７

４、模型建立和结果

这一步是数据挖掘工作的核心环节，有充分的可选择的技术手段，总体上可以分为两类：

统计方法和机器学习方法。本文采用的统计方法是判别分析（ＤＡ）和ｋｇｉｓｔ－ｃ回归（ＬＧ），而机

器学习方法是神经网络的方法（ＮＮ），ｓＡｓ软件中ＥＭ模块为我们分析提供了可能。

ｔ１）判别分析

判别分析过程是根据已知观测量的分类（Ｏ，１）和表明观测量特征的财务比率变量，推导

出判别函数，并把各观测量的自变量值回代到判别函数中，根据判别函数对观测量所属类别进

行判别。我们采用ｗｉｌｋｓ’Ｌａｍｂｄａ方法对２年的数据分别进行逐步判别分析，选择变量的标准

是：Ｆ值的概率值小于ｏ．０１时进人，大于ｏ，ｌｏ时剔除。变量非标准化的典则（ｃａｎｏｎｉｃａｌ）判别

模型分别如下：ｙ一１＝０．０６９也＋１．１０２ｘ４＋１．７０４２６—０．０３４‰一Ｏ．２９９（１）

ｙ２＝０．０５３＊３＋０．９３ｌｚ４＋１．８３２ｘ６—０．３１４（２）

按照完全对称的原则，两个判别模型的最佳判定点ｙ，分别为一ｏ．０１７和一ｏ．００９，当把检

验样本前ｌ和２年的财务指标数据代人判定模型（１）和（２）中，我们可以得到ｙ值，如果大于最佳判定值，则被判定为正常公司，否则判定为财务危机公司。最终，模型的预测准确程度如

财务预警分析

上市公司财务危机预警分析

表４所示。

（２）ＬＤ西曲ｃ回归５５

ｋｇｉｓｔｉｃ分析方法是一种非线性回归模型，其曲线为ｓ或倒ｓ型，因变量的预测值处于。一

ｌ之间，方程为＿ｌｎ５作为概率的ｆｉ＝ｄ＋∑卢＾或ｐ＝ｆ芝等乞篙。在研究中取ｎ

阚值，利用最大似然法来估计模型参数，然后将财务指标数据代人回归方程，如果得到的Ｐ值

大于ｏ．５，则判断该样本为财务危机公司，否则属于正常公司。本文采取Ｆｏｍａｒｄ：ｗａｌｄ逐步回

归方法，变量选择标准：Ｆ的概率值小于ｏ．０１时进人，大于０．１时剔除，最终得到模型如下：

１ｎｆ二Ｌ＝３０．８５４—６．０１０ｘ３—６；４．¨５≈４—２２．０５４‰＋２．１５１‰一４０．２４３ｚ】１

１一Ｐ一１（３）

（４）ｌｎ｝二一＝２６．２７３—５．３９７ｘ３—５８．４７６ｘ４～３０．１９８‰一３３．１５９≈１１

ｌ—Ｐ一２

同样，我们再用该模型对检验样本进行预测，其结果见表４。

（３）神经网络方法

上面所运用的统计方法对数据有较强的假设和限制。线性判别分析要求财务指标数据服

从正态分布，并且只有当财务危机公司与正常公司两类总体的协方差矩阵相等时，即∑．＝∑，

＝∑，判别函数”（ｘ）可以表达为ｘ的线性函数形式，而当协方差矩阵不相等时，判别函数”

（ｚ）就是ｚ的二次函数。本文运用Ｂ“’ｓＭ检验结果拒绝两类总体协方差相等的假设检验

（ｓｉｇ．＝Ｏ．０００），因此，利用线性判别分析对预警效果会产生一定影响。另外，ｌｏｇｉｓｔｉｅ回归虽是

曲线回归模型，不要求变量服从正态分布，但与判别分析同样也要求各个自变量之间不存在多

霞共线性。实际的财务指标数据往往不能完全满足上述假设，而神经网络方法却可以弥补以

上的缺陷，它是一种平行分散处理模式，其建构理念来源于人类大脑神经运作的模拟。它除具

有较好的模式识别能力（ＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ）外，还具有容错能力，对数据的分布要求不严格，

具备处理资料遗漏或是错误的能力，最可贵的一点是神经网络具有学习能力，可随时依据新数

据资料进行自我学习、训练，调整其内部的储存权重参数以对应多变的企业运作环境，而传统

的统计方法却不具备此学习能力，由于具备上述良好的性质与能力，它可作为建立预警模型的

一个重要工具。

我们设计了一个包含输人层、隐含层和输出层的反向传播网络（ＢＰ网络），输入层的神经

元个数由输入的变量个数确定，因此两个网络的输人节点分别为１０个和９个；输出层定义了

两个节点，即（１，ｏ）和（ｏ，１）分别对应着危机和正常；隐含层中节点数根据经验选择了６个。

神经网络初始化的情况如下：期望误差最小值为ｏ．ｏｏｌ，最大循环次数为２０００次，修正权值的

学习速率为０ｏｌ，初始权值为（一１，１）之间的随机数。将训练样本的数据对神经网络进行训

练，然后再将检验样本数据输入网络，最后预测的结果见表４。

（４）混合模型（Ｈｙｂｒｉｄｍｏｄｅｌ）

上述各种方法各有优缺点，ＦｅｎｇＹｕｂｎ和Ｍｅｃｌｅａｎ（２００１）运用一种混合模型来整合两个

或多个方法，已达到综合其优点的目的。我们集市有Ｍ个预测变量，Ｖ。为运用第ｊ种方法计

算出的检验样本中第ｉ个记录或公司的预测值，Ｏ．为运用混合模型计算出的检验样本中第ｉ

个记录或公司的预测值。如果犯一类错误和二类错误的成本相同，目的是使预测的错误个数

最小，那么可以用下面的公式表达：ｍｉｎ６＝∑ｔ００。（５）

（６）ｓ．ｔ．Ｄ。＝，（＂】Ｋｌ＋埘２％＋ 。‘＋硼，Ｋ一日）

财务预警分析

５６中文核心期刊数理统计与管理２３卷３期２００４年５月

其中：０是异或函数（当函数两边相等时，函数反馈值为ｏ，反之，不相等时为１），Ｔ为公司

真实的值（ｏ或１），６为运用混合模型预测错误的个数，ｗ．为第ｊ种方法的权重，ｅ为阈值，ｆ是

Ｈｅ＂ｉｓｉｄｅ函数（当Ⅲ１％＋毗％＋…＋毗％一日＞Ｏ时，０。＝１，否则等于０）。

具体的运算过程如下：首先，独立的使用各种方法计算出每个训练样本的判别值Ｖ。和总

体的正确预测的概率；其次，将总体的正确预测概率作为权重ｗ．，再计算出每个检验样本的

Ⅲｌ虬１＋毗％＋…＋叶％；最后，如果ⅢｌＫｌ＋＂２Ｋ＋…＋ｑＫ—ｐ＞ｏ，则ｏ．＝１，否则为ｏ，我们

应该调整８，使６尽可能的小。本文计算了三种混合模型，最终预测结果如表４所示。

表４：各种模型检验样本预测结果

预测模型财务危机公司非财务危机公司正确预测

正确判断错误判断正确判断错误判断的概率

ＤＡ一２３５８３８５８４．８８％

ＤＡ．３６７３８５８６．０５％

【～一２３７６３６７８６．０５％

ＬＧ．３８５３７６８７，２１％

ＮＮ一２３９４３７６８８，３７％

ＮＮ，４０３４０３９３．０２％

８ＩＤＡ一２＋８３ＮＮ２３８５３９４８９．５３％

８２ＬＧ一２＋ａ１ＮＮ一２加３３８５９０．７０％

８ｌＤＡ一２＋ａ２ＬＣ一２＋～ＮＮ１４０３４０３９３（）２％

ｂＩＤＡ一１＋ｂ３ＮＮ—ｌ４０３４ｌ２９４，１９％

ｂ２ＬＣｌ＋ｂ３ＮＮ—Ｉ４Ｉ２３９３９４１９％

ｈｌＤＡ—ｌ＋ｂ２ＬＧＩ＋ｂ３ＮＮ４２ｌ４ｌ２９６５１％

注：ＤＡ、ＬＧ和ＮＮ分别表示判断分析、Ｉｏｇｉ￥ｔｉｃ回归和神经网络模型：下标一１和一２分别代表危机发生前

的第一年和第二年；ａ和ｂ为混合模型中各种方法的系数。

５、综合评价

在研究中，我们采用了线性判别分析、ｈｇｉｓｔｉｃ回归和神经网络方法，还有综合上述各种方

法的混合模型，就各年度而言，在财务危机发生的前一年的各种模型预测的准确度普遍高于危

机发生的前两年；就各种方法而言，此处的ｋｇｉｓｔｉｃ回归预模型对财务危机预测效果略好于线

性判别模型，而神经网络方法的预测正准确度高于两种统计方法。但是这种机器学习的方法

计算复杂，需要不断地试错来调整模型的参数，所以要耗费大量的成本和时间，并且不如数理

统计模型直观明了。最后，混台模型结台了每种方法的优点，它预测准确性都要高于每个单独

方法。

三、主要结论

通过数据挖掘方法对我国上市公司财务危机进行预警分析，我们可以发现：第一、我国上

市公司的财务指标包含着预测财务危机的信息含量，即可以运用财务指标建立预警模型；第

二、ｌｏ西ｓｔｉｃ回归模型对我国上市公司财务危机预警的效果好于线性判ｇｑ模型，而机器学习方法

预警的准确度高于这两种统计方法；第三、将判别分析、ｂｇｉｓｔｉｃ回归和神经网络作为基本方法

产生的混合模型能提高预测效果。（下转第６８页）

财务预警分析

６８中文核心期刊撕撷筛详莹奢桶§ｚ蒹≥萄｝２００窄÷蔷

蓠曩研砖鞋～萨矍堑盏毫兰强赣搿●嵩鸶二纂誊翁斯褂裂芬垃ｉ攀王鹗｝薹窬逛辩簿选譬澎一

省蕞。鹫娶嗣催穗专惹昱苌掣蕊莉黧阶妻ａ？““；；崔《瑶旧唯嚯喜嘿堂蓉警弦鼙；曼器查善螳

翼ｑ幽薷翟培；嚣新孵豁蒂萋文聂髫鬟羹萎蓼；黉羹一娶鎏“季塞夏蘩辞鑫ｉｉｉｉｊ！ｒ。ｉ

ｉｊｉ；ｉ；墓萋蕉擎彰＝蓦壤？鹭誊奁堡。荔鼋笪麓孽售墼群惫■管笠銎私薹羹奠霸＂囊刚～∞

弱ｉ

聂ｉ蜩至耋彗雾莲刍ｉ茎叁毫；ｊｉｊ；柱粤笺蓦气矿ｍ

嘀替的分布率韵菇￡一萋嚣莩拦囊＝垂

倍疆誊萨喜：摹ｌ；ｊｊｉ≤一ｉ；§§２￥ｉ。ｉ＝ｊ？≤ｌ圭ｊ￡§

蝈≤箫掣！ｊ！重量÷≥｝ｉｉｉｉ￡§ｌ｛！；

蔷正ｔ毫ｆ，＾ｉ§§；ｌ；掘ｉｌ妻垂？《鼍朝！矗！警§ｊｉ鑫晕；

譬ｊ乏ｊ；≮ｉ垂妻５

萋；；ｉｉｉ彝矗｛鼍

ｈ≤；ｉｌ《；｜ｉ

弩：ｒ。｝ｉｊ：；耋

财务预警分析

上市公司财务危机预警分析--基于数据挖掘的研究

作者：

作者单位：

刊名：

英文刊名：

年，卷(期)：

被引用次数：刘旻， 罗慧西安交通大学管理学院,陕西,西安,710049数理统计与管理APPLICATION OF STATISTICS AND MANAGEMENT2004,23(3)9次

参考文献(13条)

1.MARTIN D Early warning of bank failure: a logistic regression approach 1977

2.Frydman H Introducting recursive partition for financial classification:the case of financialdistress 1985(01)

3.Beaver W H Financial ratios as predictors of failure 1966(zk)

4.Altman E L Financial Ratios,discriminant Analysis and the prediction of corporate bankruptcy1968(09)

5.姜秀华 上市公司财务危机预警模型研究[期刊论文]-预测 2002(3)

6.杨保安 BP神经网络在企业财务危机预警之运用[期刊论文]-预测 2001(2)

7.Feng Y L;McClean S A data mining approach to the prediction of corporate failure[外文期刊] 2001

8.Zavgren C V Assessing the vulnerability to failure of American industrial firms: a logisticanalysis 1985

9.Wilson R L;Sharda R Bankruotcy prediction using neural networks 1994

10.Skogsvik K Current cost accounting ratios as predictors of business failure:the Swedish case 1990

11.吴世农;卢贤义 我国上市公司财务困境的预测模型[期刊论文]-经济研究 2001

12.刘旻 上市公司财务状况异常的预警分析[期刊论文]-管理现代化 2001

13.陈静 上市公司财务恶化预测的实证分析[期刊论文]-会计研究 1999

引证文献(9条)

1.郭瑞英 基于数据挖掘的上市公司财务困境预警研究[期刊论文]-科技和产业 2008(10)

2.陈晓红.易松青 基于CHAID方法的中小企业上市公司财务预警研究[期刊论文]-经济与管理研究 2007(3)

3.李思志.郭春晖.李艳红 基于数据挖掘方法的公司财务报表分析模型[期刊论文]-辽宁工程技术大学学报（自然科学版） 2006(z1)

4.刘菊红 上市公司财务危机预警模型及实证研究[学位论文]硕士 2006

5.艾林 基于数据挖掘技术的金融机构操作风险研究[学位论文]硕士 2006

6.傅瑜 高分红上市公司分红能力决定因素的研究[学位论文]硕士 2005

7.蒋艳辉 我国上市公司财务困境预警系统分析——基于数据挖掘的研究[学位论文]硕士 2005

8.武士炯 化工企业基于财务信息的数据挖掘研究与应用[学位论文]硕士 2005

9.任晓君 我国上市公司财务危机预警模型研究[学位论文]硕士 2005

本文链接：/Periodical_sltjygl200403012.aspx

本文来源：https://www.bwwdw.com/article/ej71.html