• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    文化與旅游服務(wù)業(yè)財(cái)務(wù)危機(jī)預(yù)警
    ——基于logistic回歸模型

    2021-09-03 09:55:32楊夢玲毛惠媛
    關(guān)鍵詞:財(cái)務(wù)危機(jī)財(cái)務(wù)指標(biāo)預(yù)警

    楊夢玲, 毛惠媛, 汪 敏

    (沈陽大學(xué) 商學(xué)院, 遼寧 沈陽 110041)

    文化與旅游服務(wù)行業(yè)存在的前期資本投入較大、經(jīng)營周期普遍較短、風(fēng)控意識及能力較為薄弱等問題大大增加了行業(yè)風(fēng)險(xiǎn),導(dǎo)致企業(yè)財(cái)務(wù)危機(jī)頻發(fā)的情況越來越多,所以,有必要構(gòu)建文化與旅游服務(wù)業(yè)的財(cái)務(wù)危機(jī)預(yù)警模型。財(cái)務(wù)危機(jī)預(yù)警以企業(yè)財(cái)務(wù)會計(jì)數(shù)據(jù)為基礎(chǔ),通過建立敏感財(cái)務(wù)指標(biāo)并觀察其變化,可以對企業(yè)可能出現(xiàn)的財(cái)務(wù)危機(jī)實(shí)時監(jiān)測,并預(yù)測企業(yè)的財(cái)務(wù)危機(jī)。目前,國內(nèi)外學(xué)者對文化與旅游服務(wù)業(yè)進(jìn)行財(cái)務(wù)預(yù)警分析研究的不是很多,但事實(shí)上,行業(yè)財(cái)務(wù)危機(jī)預(yù)警研究對促進(jìn)行業(yè)發(fā)展至關(guān)重要。因此,本文將針對文化與旅游服務(wù)行業(yè)構(gòu)建財(cái)務(wù)危機(jī)預(yù)警模型,以發(fā)現(xiàn)企業(yè)經(jīng)營管理過程中存在的潛在風(fēng)險(xiǎn)和危機(jī),使經(jīng)營者能夠在財(cái)務(wù)危機(jī)爆發(fā)前有所警惕,規(guī)避風(fēng)險(xiǎn)。

    一、 文獻(xiàn)綜述

    Beaver研究了30個財(cái)務(wù)指標(biāo),發(fā)現(xiàn)越接近破產(chǎn)的企業(yè),預(yù)測準(zhǔn)確率越高,破產(chǎn)前一年的預(yù)測準(zhǔn)確率最高[1]。Altman首次運(yùn)用多元線性判別法,以預(yù)警準(zhǔn)確率為標(biāo)準(zhǔn)選取了5個變量,根據(jù)預(yù)警準(zhǔn)確率賦予不同的權(quán)重,通過加權(quán)計(jì)算得出綜合得分Z值[2]。Martin使用Logistic模型研究了銀行破產(chǎn)情況,結(jié)果表明:Logistic模型的檢測能力非常強(qiáng),預(yù)判準(zhǔn)確率在85%以上[3]。Odom等利用人工神經(jīng)網(wǎng)絡(luò)把樣本劃分為訓(xùn)練的樣本和空白的樣本,并用Z評分模型中的5個財(cái)務(wù)指標(biāo)作為解釋變量,實(shí)證結(jié)論為:判別正確率遠(yuǎn)高于傳統(tǒng)統(tǒng)計(jì)模型[4]。陳靜發(fā)表了國內(nèi)第一篇關(guān)于財(cái)務(wù)預(yù)警的文章,她的研究表明:流動比率和債務(wù)比率的誤判性最小[5]。關(guān)欣等選取了168家上市公司,運(yùn)用logistic回歸模型和BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行計(jì)算,結(jié)果表明:BP神經(jīng)網(wǎng)絡(luò)模型效果更好[6]。顧曉安等利用Logistic財(cái)務(wù)預(yù)警模型進(jìn)行研究時增加了收益管理變量,提高了財(cái)務(wù)預(yù)警研究的準(zhǔn)確性,結(jié)果表明:ST企業(yè)的預(yù)警準(zhǔn)確率高于正常運(yùn)營過程中的企業(yè)[7]。楊瀟使用主成分分析法來降低預(yù)警指標(biāo)的變量,實(shí)證結(jié)果表明:改進(jìn) logistic 回歸模型提高了預(yù)測的精度和穩(wěn)定性,從而提高了預(yù)警模型的精度[8]。

    二、 預(yù)警模型設(shè)計(jì)

    1. Logistic模型簡介

    Logistic回歸法是一種多變量分析方法,屬于度量概率非線性條件回歸的一種常用方法,用于研究兩類觀測結(jié)果及其影響因素之間的關(guān)系,通常用于表示研究結(jié)果是否在某些因素條件下發(fā)生。logistic回歸模型可以解釋為:一個具有n種獨(dú)立變量的向量X=(X1,X2,X3,…,Xn),設(shè)條件概率P(y=1|X)=p,表示在某事件X已經(jīng)發(fā)生的條件下觀測量相對應(yīng)發(fā)生的概率。公式為

    2. 研究對象與數(shù)據(jù)選取

    由于國內(nèi)很多文化與旅游服務(wù)企業(yè)并沒有上市,其財(cái)務(wù)數(shù)據(jù)不易搜集且財(cái)務(wù)信息真實(shí)性無法保證,因此,選擇深市A股和滬市A股中文化與旅游服務(wù)業(yè)上市企業(yè)作為研究對象,不僅企業(yè)的財(cái)務(wù)數(shù)據(jù)容易獲取,其資質(zhì)和財(cái)務(wù)水平要求也更高,更具有代表性。以企業(yè)被ST作為衡量企業(yè)進(jìn)入財(cái)務(wù)危機(jī)的標(biāo)準(zhǔn),選取了2015—2020年被ST過的10家企業(yè),并對應(yīng)選擇了與ST企業(yè)同行業(yè)的40家健康上市企業(yè)作為研究樣本。在選取非ST企業(yè)樣本時,有以下4點(diǎn)選擇標(biāo)準(zhǔn):①隸屬于深市A股或滬市A股;②選取時間與ST組一致;③在T-2年及T-1年利潤均為正的企業(yè);④依據(jù)數(shù)據(jù)可用性原則,剔除財(cái)務(wù)指標(biāo)數(shù)據(jù)殘缺或異常的企業(yè)。研究樣本如表1所示。

    表1 研究樣本

    本文將被ST的年度定義為第T年,以財(cái)務(wù)危機(jī)爆發(fā)(ST)作為分界點(diǎn),從分界點(diǎn)倒推時間。由于被ST的3年前及以上年度的財(cái)務(wù)指標(biāo)數(shù)據(jù)對于預(yù)警財(cái)務(wù)危機(jī)爆發(fā)的解釋意義不明顯,所以預(yù)警指標(biāo)應(yīng)該是初步出現(xiàn)危機(jī)時的預(yù)兆性指標(biāo),而不是在危機(jī)出現(xiàn)時的結(jié)果性指標(biāo),所以選取研究指標(biāo)數(shù)據(jù)的時間點(diǎn)為企業(yè)被ST的兩年前(即T-2年)。研究樣本的數(shù)據(jù)根據(jù)萬得金融數(shù)據(jù)庫和銳思研究金融數(shù)據(jù)庫數(shù)據(jù)計(jì)算整理而得。

    3. 指標(biāo)選取

    預(yù)警指標(biāo)是影響財(cái)務(wù)危機(jī)預(yù)警模型準(zhǔn)確度的重要因素,也是衡量判斷行業(yè)財(cái)務(wù)危機(jī)特征的主要信息。因此,本文在確立預(yù)警指標(biāo)前,選取應(yīng)用最為廣泛的財(cái)務(wù)危機(jī)預(yù)警解釋變量——五大財(cái)務(wù)分析能力指標(biāo)——作為候選指標(biāo)。五大財(cái)務(wù)分析能力指標(biāo)能較為全面地反映企業(yè)經(jīng)營狀況和發(fā)展趨勢,分別為償債能力、營運(yùn)能力、盈利能力、發(fā)展能力和現(xiàn)金流能力。其中各類指標(biāo)包含若干個二級指標(biāo),共22項(xiàng),如表2所示。

    表2 候選指標(biāo)集

    三、 實(shí)證研究

    1. 預(yù)警指標(biāo)選取

    選取的22個候選指標(biāo)在文化與旅游服務(wù)業(yè)被ST企業(yè)與非ST企業(yè)之間并不一定都存在判別能力,不存在判別能力的指標(biāo)不能作為預(yù)警指標(biāo)。如若采用了無判別能力的指標(biāo)進(jìn)行后續(xù)的因子分析和建模研究,將會降低模型的整體預(yù)測準(zhǔn)確性和穩(wěn)定性。所以有必要對選取的22個財(cái)務(wù)指標(biāo)進(jìn)一步篩選,挑選出在ST樣本組和非ST樣本組之間存在顯著性差異的指標(biāo)作為預(yù)警指標(biāo)。

    2. 差異顯著性檢驗(yàn)

    差異顯著性檢驗(yàn)用于檢測實(shí)驗(yàn)組與對照組之間是否存在差異及差異的顯著程度。本文主要用到的是Kolmogorov-Smirnov(K-S)檢驗(yàn)和Mann-Whitney U檢驗(yàn)。本文選取的22個候選指標(biāo)來自10家ST企業(yè)和40家非ST企業(yè)T-2年的財(cái)務(wù)指標(biāo),數(shù)據(jù)來源較為分散且無明顯規(guī)律,在不清楚樣本總體分布的情況下,無法選取合適的差異顯著性檢驗(yàn)方法對候選指標(biāo)進(jìn)行分析。因此,在進(jìn)行差異顯著性檢驗(yàn)前,首先將22個指標(biāo)進(jìn)行K-S檢驗(yàn),以獲取樣本總體的分布情況,再根據(jù)結(jié)果選擇配對獨(dú)立樣本進(jìn)行T檢驗(yàn)或Mann-Whitney U檢驗(yàn),得出ST企業(yè)和非ST企業(yè)兩者之間具有顯著性差異的財(cái)務(wù)指標(biāo),作為預(yù)警指標(biāo)加以保留,見表3。

    表3 K-S 檢驗(yàn)結(jié)果(df=50)

    經(jīng)過K-S檢驗(yàn), 分析得出22個候選指標(biāo)中除X1(資產(chǎn)負(fù)債率)和X22(總資產(chǎn)現(xiàn)金回收率)服從正態(tài)分布外, 其余20個候選指標(biāo)均不服從正態(tài)分布。 對20個不服從正態(tài)分布的候選指標(biāo)進(jìn)行Mann-WhitneyU檢驗(yàn), 對2個通過檢驗(yàn)的候選指標(biāo)進(jìn)行獨(dú)立樣本T檢驗(yàn), 篩選出ST組和非ST組之間具有顯著性差異的指標(biāo)作為預(yù)警指標(biāo)。

    由表4可知,X5、X6、X7、X8、X9、X10、X12、X13、X14、X16、X19、X20、X21這13個指標(biāo)的顯著性均小于0.05。這13項(xiàng)財(cái)務(wù)指標(biāo)表明,ST企業(yè)和非ST企業(yè)之間存在顯著性差異,可以作為財(cái)務(wù)危機(jī)的預(yù)警指標(biāo)。

    表4 Mann-Whitney U檢驗(yàn)值

    由表5的檢驗(yàn)結(jié)果可知,資產(chǎn)負(fù)債率和總資產(chǎn)現(xiàn)金回收率在假設(shè)方差相等的原假設(shè)條件下顯著性均小于0.05,即拒絕原假設(shè),故應(yīng)觀察在假設(shè)方差不相等情況下的顯著性值,均大于0.05,所以資產(chǎn)負(fù)債率和總資產(chǎn)現(xiàn)金回收率都不具有顯著性差異。

    表5 獨(dú)立樣本T檢驗(yàn)值

    綜合上述檢驗(yàn)結(jié)果,共有13個候選指標(biāo)在ST企業(yè)與非ST企業(yè)之間存在顯著性差異。因此,這13個指標(biāo)應(yīng)作為文化與旅游服務(wù)業(yè)財(cái)務(wù)危機(jī)預(yù)警指標(biāo),即:償債能力中的現(xiàn)金比率X5;盈利能力中的每股收益X6、總資產(chǎn)報(bào)酬率X7、凈資產(chǎn)收益率X8、銷售凈利潤率X9、成本費(fèi)用利潤率X10;發(fā)展能力中的凈利潤增長率X12、凈資產(chǎn)增長率X13、總資產(chǎn)增長率X14;營運(yùn)能力中的應(yīng)收賬款周轉(zhuǎn)率X16、總資產(chǎn)周轉(zhuǎn)率X19;現(xiàn)金流能力中的銷售現(xiàn)金比率X20、凈利潤現(xiàn)金含量X21。

    3. 因子分析

    通過因子分析對預(yù)警指標(biāo)變量之間的多重共線性關(guān)系進(jìn)行消除,避免在后續(xù)建模過程中l(wèi)ogistic回歸模型估計(jì)不準(zhǔn)確,并在降維濃縮減少指標(biāo)數(shù)量的同時盡可能保留預(yù)警指標(biāo)包含的信息內(nèi)容。本文意圖將通過差異顯著性檢驗(yàn)后得到的13個預(yù)警指標(biāo)進(jìn)一步進(jìn)行因子分析,但在此之前,首先要通過KMO樣本的充分性測度和Bartlett球形檢驗(yàn),以確定預(yù)警指標(biāo)變量是否具有因子分析的可行性。檢驗(yàn)結(jié)果KMO值為0.738>0.5。KMO檢驗(yàn)用于探討變量之間的偏相關(guān)性,其值在0~1之間,通常認(rèn)為KMO值超過0.7表示量表效度很好。Bartlett檢驗(yàn)獲得的卡方近似值是531.105,自由度是78,Sig值為0,為高度顯著。因此,所選擇的預(yù)警指標(biāo)樣本適合后續(xù)因子分析實(shí)證過程的研究,進(jìn)行因子分析是十分有效的。

    通過主成分分析法提取綜合特征值,有4個公共因子的特征值大于1,這4個公共因子的貢獻(xiàn)率分別為43.627%、12.371%、8.731%、8.594%,累積貢獻(xiàn)率最高達(dá)到73.323%。因此,對13個預(yù)警指標(biāo)包含的信息有較好的解釋。將這4個公共因子分別計(jì)為F1、F2、F3、F4。F1包含盈利能力中除營業(yè)利潤率X9之外所有的預(yù)警指標(biāo)和發(fā)展能力的全部信息,體現(xiàn)企業(yè)的盈利能力,將其命名為盈利能力因子;F2主要反映企業(yè)的發(fā)展能力,將其命名為發(fā)展能力因子;F3主要包含現(xiàn)金比率X5,體現(xiàn)企業(yè)的償債能力,將其命名為償債能力因子;F4主要包含了凈利潤現(xiàn)金含量X21,體現(xiàn)原預(yù)警指標(biāo)現(xiàn)金流能力的部分信息,將其命名為現(xiàn)金流能力因子。為了對提取出的公共因子進(jìn)行合理解釋,通過標(biāo)準(zhǔn)化正交旋轉(zhuǎn)法得到原有的13個預(yù)警指標(biāo)和4個公共因子之間的相關(guān)系數(shù),見表6。

    表6 預(yù)警指標(biāo)與公共因子的相關(guān)系數(shù)

    根據(jù)表6數(shù)據(jù),通過正交旋轉(zhuǎn)得到預(yù)警指標(biāo)系數(shù),見表7。

    表7 預(yù)警指標(biāo)系數(shù)

    根據(jù)表7的預(yù)警指標(biāo)系數(shù)和下列公式計(jì)算,可得到公共因子F1~F4的得分系數(shù)模型:

    4. 構(gòu)建預(yù)警模型

    運(yùn)用Logistic回歸分析法,設(shè)企業(yè)是否發(fā)生財(cái)務(wù)危機(jī)為因變量Y,定義0代表非ST企業(yè)、1代表ST企業(yè),將F1、F2、F3、F4得分系數(shù)作為自變量代入logistic回歸模型,構(gòu)建文化與旅游服務(wù)業(yè)財(cái)務(wù)危機(jī)預(yù)警模型。為了檢驗(yàn)預(yù)警模型,在Logistic回歸分析的過程中,SPSS 23.0軟件會自動進(jìn)行模型擬合優(yōu)度檢驗(yàn)。檢驗(yàn)結(jié)果為:回歸模型的-2對數(shù)似然值為14.980 a,這個參數(shù)值比較小,說明對數(shù)模型和虛擬數(shù)組合的質(zhì)量優(yōu)度比較好;調(diào)整R2的數(shù)值為0.797,說明以F1、F2、F3、F4為自變量建立的Logistic回歸模型對因變量企業(yè)是否發(fā)生財(cái)務(wù)危機(jī)的解釋程度為79.7%。因此,可以用本模型建模且精準(zhǔn)度較高。

    將F1、F2、F3、F4值代入Logistic回歸模型,采用Enter變量選擇方法得到公共因子F1、F2、F3、F4的系數(shù)分別為-0.095、-0.144、0.013、0.016,常數(shù)項(xiàng)系數(shù)為-1.979,得到Logistic回歸預(yù)警模型為

    本文沿用國內(nèi)外學(xué)者通常選取的分割值0.5作為Logistic模型分割點(diǎn),利用Logistic模型對文化與旅游服務(wù)業(yè)在2015—2020年被ST的10家和非ST的40家企業(yè)進(jìn)行檢驗(yàn),結(jié)果如下:40家正常企業(yè)都沒有被錯誤預(yù)判,判別準(zhǔn)確率為100%;10家財(cái)務(wù)危機(jī)組的判別情況為誤判2家,判別準(zhǔn)確率為80%;模型總體判別準(zhǔn)確率96%。因此,該模型對文化與旅游服務(wù)業(yè)財(cái)務(wù)危機(jī)預(yù)警的準(zhǔn)確性較高,是一種較為可靠的財(cái)務(wù)危機(jī)預(yù)警手段。

    四、 Logistic財(cái)務(wù)預(yù)警模型預(yù)測效果的評價

    由差異顯著性檢驗(yàn)結(jié)果可得,本文選取的22個候選財(cái)務(wù)指標(biāo)中有13個存在顯著性差異。表明這13個指標(biāo)對文化與旅游服務(wù)企業(yè)在經(jīng)營中存在的危機(jī)具有較強(qiáng)的敏感度,能夠起到先兆性預(yù)警作用,在一定程度上能夠預(yù)警財(cái)務(wù)危機(jī);另外9個財(cái)務(wù)指標(biāo)并不具有判別文化與旅游服務(wù)企業(yè)是否會發(fā)生財(cái)務(wù)危機(jī)的預(yù)警能力。因此,在選取行業(yè)候選財(cái)務(wù)指標(biāo)時,指標(biāo)的數(shù)量不能太少,且最好涉及面廣,否則在后續(xù)的檢驗(yàn)過程中敏感性財(cái)務(wù)指標(biāo)過少,提取的公共因子太少甚至沒有,會導(dǎo)致最后的模型預(yù)測準(zhǔn)確率不高。

    根據(jù)本文實(shí)證研究可知,文化與旅游服務(wù)業(yè)被ST企業(yè)與非ST企業(yè)在盈利能力和發(fā)展能力兩方面存在的差異較為顯著。根據(jù)學(xué)者對建立財(cái)務(wù)危機(jī)預(yù)警模型的研究,通常情況下,償債能力是衡量企業(yè)財(cái)務(wù)安全狀況的一項(xiàng)重要標(biāo)準(zhǔn)。在發(fā)生財(cái)務(wù)危機(jī)之前,與非ST企業(yè)相比,ST企業(yè)將有大量反映償債能力差的指標(biāo)。本文實(shí)證研究發(fā)現(xiàn),文化與旅游服務(wù)業(yè)被ST企業(yè)與非ST企業(yè)在短期償債能力方面存在顯著差異,但在長期償債能力方面并無顯著性差異。本文認(rèn)為:長期償債能力并無顯著性差異的原因在于文化與旅游服務(wù)業(yè)的發(fā)展趨勢處于加速創(chuàng)新、持續(xù)上升、群體突破的爆發(fā)期,在股權(quán)融資上有著一定的優(yōu)勢,因此在正常經(jīng)營過程中企業(yè)舉債經(jīng)營的程度不會太高。

    本文實(shí)證研究的差異顯著性檢驗(yàn)結(jié)果表明:盈利能力中全部候選指標(biāo)在被ST企業(yè)與非ST企業(yè)之間均存在顯著性差異,且在后續(xù)建立的Logistic回歸模型中公共因子F1代表的盈利能力系數(shù)絕對值最大。系數(shù)越大表示變量的重要程度越大。因此,本文認(rèn)為:盈利能力弱是文化與旅游服務(wù)企業(yè)出現(xiàn)財(cái)務(wù)危機(jī)的主要因素。一旦盈利能力出現(xiàn)異常,在前期投入資本較大,后期又無法及時獲利的狀況下,企業(yè)很容易陷入現(xiàn)有資金無法維持正常運(yùn)轉(zhuǎn)的困境,導(dǎo)致企業(yè)發(fā)生財(cái)務(wù)危機(jī)。這一點(diǎn)從上述被ST企業(yè)與非ST企業(yè)在短期償債能力方面存在的顯著差異也可得到印證。

    五、 結(jié) 語

    本文在研究過程中沒有考慮宏觀經(jīng)濟(jì)因素,但宏觀經(jīng)濟(jì)因素也是影響企業(yè)經(jīng)營發(fā)展及財(cái)務(wù)水平的一個重要因素,如果可以有效地衡量此因素對企業(yè)財(cái)務(wù)狀況的影響, 則可以更好地預(yù)測發(fā)生危機(jī)的可能性。本文在選取預(yù)警指標(biāo)時,只選取了財(cái)務(wù)指標(biāo),沒有囊括非財(cái)務(wù)指標(biāo),不能很好地預(yù)測企業(yè)治理層面對財(cái)務(wù)危機(jī)的影響及影響程度。如果將非財(cái)務(wù)指標(biāo)作為虛擬變量加入研究中,可提高模型預(yù)測準(zhǔn)確率。本文建模選取的Logistic回歸模型是傳統(tǒng)統(tǒng)計(jì)模型之一。目前有學(xué)者研究表明,人工智能模型預(yù)警效果優(yōu)于傳統(tǒng)統(tǒng)計(jì)模型。期望在后續(xù)研究中能夠加強(qiáng)對行業(yè)的認(rèn)識,彌補(bǔ)上述不足,進(jìn)一步完善改進(jìn)研究過程,構(gòu)建更為精準(zhǔn)的文化與旅游服務(wù)業(yè)財(cái)務(wù)危機(jī)預(yù)警模型。

    猜你喜歡
    財(cái)務(wù)危機(jī)財(cái)務(wù)指標(biāo)預(yù)警
    法國發(fā)布高溫預(yù)警 嚴(yán)陣以待備戰(zhàn)“史上最熱周”
    基于LASSO-LARS的上市公司財(cái)務(wù)危機(jī)預(yù)警模型研究
    我國金融機(jī)構(gòu)股價和主要財(cái)務(wù)指標(biāo)的相關(guān)性分析
    園林有害生物預(yù)警與可持續(xù)控制
    拿什么拯救中年財(cái)務(wù)危機(jī)
    商周刊(2017年6期)2017-08-22 03:42:49
    全國國有企業(yè)主要財(cái)務(wù)指標(biāo)
    基于遺傳算法和LS-SVM的財(cái)務(wù)危機(jī)預(yù)測
    內(nèi)部控制與財(cái)務(wù)危機(jī)預(yù)警耦合——基于外貿(mào)企業(yè)內(nèi)部控制與風(fēng)險(xiǎn)管理問題的研究
    全國國有企業(yè)主要財(cái)務(wù)指標(biāo)
    機(jī)載預(yù)警雷達(dá)對IFF 的干擾分析
    玛纳斯县| 新密市| 庄浪县| 三门峡市| 台南市| 佛坪县| 天全县| 天柱县| 合作市| 吉林省| 江城| 蓝田县| 隆子县| 泸水县| 塔城市| 盐源县| 龙州县| 福泉市| 湘潭市| 延安市| 长宁县| 南阳市| 博罗县| 德江县| 龙岩市| 玉溪市| 民权县| 苍山县| 东明县| 仪征市| 察雅县| 德兴市| 桃园市| 乐平市| 丰原市| 四川省| 深泽县| 连江县| 高要市| 濮阳县| 滦南县|