基于BP神經(jīng)網(wǎng)絡(luò)的制造企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警研究

高燕 曾森

【摘 要】 實(shí)體經(jīng)濟(jì)是國(guó)民經(jīng)濟(jì)的基石，習(xí)近平總書(shū)記強(qiáng)調(diào)，要堅(jiān)持把發(fā)展經(jīng)濟(jì)的著力點(diǎn)放在實(shí)體經(jīng)濟(jì)上，抓實(shí)體經(jīng)濟(jì)一定要抓好制造業(yè)。制造業(yè)投入大且利潤(rùn)率低，由于經(jīng)營(yíng)環(huán)境的復(fù)雜和競(jìng)爭(zhēng)的日益激烈，制造業(yè)在規(guī)模的擴(kuò)張中財(cái)務(wù)風(fēng)險(xiǎn)不斷累積，到一定程度即可能釀成財(cái)務(wù)危機(jī)。一汽夏利曾經(jīng)是經(jīng)濟(jì)型汽車(chē)標(biāo)桿和行業(yè)領(lǐng)跑者，但輝煌15年之后開(kāi)始走下坡路，最終被收購(gòu)并被改旗易幟為中國(guó)鐵物。及時(shí)預(yù)判財(cái)務(wù)危機(jī)，及時(shí)采取措施控制財(cái)務(wù)風(fēng)險(xiǎn)，是制造企業(yè)做強(qiáng)做大保持良好發(fā)展態(tài)勢(shì)的關(guān)鍵。文章以A股制造企業(yè)為樣本，構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型預(yù)警財(cái)務(wù)風(fēng)險(xiǎn)，并以一汽夏利（現(xiàn)中國(guó)鐵物）為例進(jìn)行分析，提出防范風(fēng)險(xiǎn)的建議。

【關(guān)鍵詞】 實(shí)體經(jīng)濟(jì)； 財(cái)務(wù)風(fēng)險(xiǎn)； 神經(jīng)網(wǎng)絡(luò)； 預(yù)警

【中圖分類號(hào)】 F830.2? 【文獻(xiàn)標(biāo)識(shí)碼】 A? 【文章編號(hào)】 1004-5937（2023）01-0062-09

一、引言

黨的二十大報(bào)告提出，要堅(jiān)持以推動(dòng)高質(zhì)量發(fā)展為主題，著力提高全要素生產(chǎn)率，提升企業(yè)核心競(jìng)爭(zhēng)力，建設(shè)現(xiàn)代化產(chǎn)業(yè)體系，加快建設(shè)制造強(qiáng)國(guó)，推動(dòng)制造業(yè)高端化、智能化、綠色化發(fā)展。國(guó)務(wù)院于2015年發(fā)布了《中國(guó)制造2025》，旨在推動(dòng)中國(guó)邁入制造強(qiáng)國(guó)行列。制造企業(yè)在轉(zhuǎn)型升級(jí)中，由于規(guī)模的急劇擴(kuò)張與經(jīng)營(yíng)環(huán)境的復(fù)雜和競(jìng)爭(zhēng)的日益激烈，企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)不斷累積，到一定程度則可能釀成財(cái)務(wù)危機(jī)。1984年天津汽車(chē)工業(yè)公司和日本大發(fā)工業(yè)株式會(huì)社采用合作方式，引進(jìn)微型面包車(chē)Hijet 850和微型兩廂轎車(chē)Charade 1.0的全套制造技術(shù)，打破了我國(guó)微型轎車(chē)制造領(lǐng)域的空白，挑起了國(guó)產(chǎn)汽車(chē)和制造業(yè)的大梁，帶動(dòng)了整車(chē)制造、發(fā)動(dòng)機(jī)、變速器等相關(guān)產(chǎn)業(yè)的發(fā)展，成為了我國(guó)經(jīng)濟(jì)型汽車(chē)的標(biāo)桿和行業(yè)領(lǐng)跑者。公司于1997年組建天津汽車(chē)夏利股份有限公司，1999年“天津汽車(chē)”在深圳上市，2002年天津汽車(chē)工業(yè)集團(tuán)和一汽集團(tuán)聯(lián)合重組成立天津一汽夏利汽車(chē)股份有限公司，簡(jiǎn)稱“一汽夏利”，公司備受矚目的同時(shí)也被黨和國(guó)家寄予了厚望，獲得了一系列殊榮，以期帶動(dòng)國(guó)產(chǎn)汽車(chē)和相關(guān)制造業(yè)的騰飛。但2000年我國(guó)加入世貿(mào)組織后，汽車(chē)市場(chǎng)進(jìn)入白熱化競(jìng)爭(zhēng)階段。一汽夏利的自主研發(fā)、品牌維護(hù)、營(yíng)銷策略等未及時(shí)予以調(diào)整，業(yè)績(jī)逐步滑坡，財(cái)務(wù)狀況一步步惡化，2021年退出汽車(chē)制造領(lǐng)域，更名為中國(guó)鐵路物資股份有限公司（簡(jiǎn)稱“中國(guó)鐵物”）。企業(yè)的輝煌不是一朝一夕能促成的，企業(yè)的倒下一般也不是短期造成的，往往在前期就掩藏了一定的風(fēng)險(xiǎn)。構(gòu)建合理的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型，以及時(shí)預(yù)判財(cái)務(wù)危機(jī)，及時(shí)采取相應(yīng)的措施控制財(cái)務(wù)風(fēng)險(xiǎn)，是制造企業(yè)做強(qiáng)做大保持良好發(fā)展態(tài)勢(shì)的關(guān)鍵。本文構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警，以A股制造企業(yè)為樣本進(jìn)行訓(xùn)練及測(cè)試，判斷企業(yè)是否出現(xiàn)財(cái)務(wù)危機(jī)，在此基礎(chǔ)上以一汽夏利為例進(jìn)行分析，并提出相應(yīng)的對(duì)策。

二、文獻(xiàn)綜述

（一）財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警相關(guān)研究

Fitz Patrick [1]是最早進(jìn)行財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警研究的學(xué)者，運(yùn)用單一變量判別模型，對(duì)19家企業(yè)的財(cái)務(wù)狀況進(jìn)行預(yù)測(cè)，研究結(jié)果表明凈利潤(rùn)/股東權(quán)益以及股東權(quán)益/負(fù)債這兩個(gè)指標(biāo)在對(duì)企業(yè)破產(chǎn)預(yù)測(cè)上最具有判別力，因?yàn)檫@些指標(biāo)在財(cái)務(wù)危機(jī)出現(xiàn)三年前就有了顯現(xiàn)。William et al.[2]在Patrick的基礎(chǔ)上提出了新的財(cái)務(wù)預(yù)警模型，選取158家企業(yè)的30個(gè)財(cái)務(wù)指標(biāo)進(jìn)行研究分析，研究表明，在所采用的5個(gè)財(cái)務(wù)指標(biāo)中，營(yíng)運(yùn)資金流量/債務(wù)總額指標(biāo)對(duì)企業(yè)財(cái)務(wù)危機(jī)的判別率最高，且在越接近企業(yè)破產(chǎn)時(shí)模型的準(zhǔn)確率越高。隨著財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警研究的深入，學(xué)者們開(kāi)始采用多變量判別模型。Altman[3]建立Z-Score模型，選取5個(gè)財(cái)務(wù)指標(biāo)構(gòu)建多元線性判別模型，對(duì)33家破產(chǎn)企業(yè)以及等量的健康企業(yè)進(jìn)行財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警。Martin[4]選取58家存在財(cái)務(wù)危機(jī)的銀行企業(yè)，用Logistic回歸模型選取銀行企業(yè)8個(gè)財(cái)務(wù)指標(biāo)構(gòu)建財(cái)務(wù)預(yù)警模型，從而預(yù)測(cè)企業(yè)發(fā)生財(cái)務(wù)危機(jī)的可能性，研究表明Logistic回歸模型在財(cái)務(wù)預(yù)警預(yù)測(cè)方面優(yōu)于Z-Score模型。劉平山等[5]運(yùn)用梯度提升決策樹(shù)對(duì)醫(yī)藥行業(yè)信用風(fēng)險(xiǎn)進(jìn)行評(píng)估，為醫(yī)藥企業(yè)降低信用風(fēng)險(xiǎn)提出了建議。隨著計(jì)算機(jī)技術(shù)的發(fā)展，人工智能技術(shù)開(kāi)始嶄露頭角，Odom et al.[6]率先運(yùn)用神經(jīng)網(wǎng)絡(luò)模型，對(duì)129家企業(yè)進(jìn)行財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警，結(jié)果表明神經(jīng)網(wǎng)絡(luò)模型相較于多元回歸模型具有更好的風(fēng)險(xiǎn)預(yù)警能力。Kim et al.[7]基于AdaBoosted決策樹(shù)構(gòu)建的模型以企業(yè)的財(cái)務(wù)數(shù)據(jù)對(duì)餐飲企業(yè)進(jìn)行研究，結(jié)果表明資本結(jié)構(gòu)中負(fù)債比率較大的企業(yè)面臨比較嚴(yán)重的債務(wù)和凈現(xiàn)金流壓力，企業(yè)更易于陷入財(cái)務(wù)困境中。

我國(guó)對(duì)于財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警的研究相較于國(guó)外開(kāi)展得較晚，但研究成果相當(dāng)豐富。吳世農(nóng)等[8]率先提出能識(shí)別企業(yè)財(cái)務(wù)破產(chǎn)的財(cái)務(wù)指標(biāo)以及預(yù)警模型，開(kāi)啟了我國(guó)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警研究的先河。周首華等[9]在Z-Score模型的基礎(chǔ)上，構(gòu)建了F計(jì)分模型，該模型相較于Z值模型考慮了現(xiàn)金流量因素，使模型的財(cái)務(wù)預(yù)警結(jié)果更為準(zhǔn)確。陳靜[10]將單變量模型與多元判定分析模型結(jié)合，研究表明在單變量模型中資產(chǎn)負(fù)債率和流動(dòng)比率的判別率最高，而在多元判定分析中，在距離ST年份不同時(shí)，模型的準(zhǔn)確率也不同，當(dāng)距離企業(yè)ST年份最近時(shí)，多元判定分析模型的準(zhǔn)確率更高。陳曉等[11]通過(guò)多元邏輯回歸模型對(duì)ST企業(yè)以及正常企業(yè)進(jìn)行研究，表明產(chǎn)權(quán)比率、應(yīng)收賬款周轉(zhuǎn)率等財(cái)務(wù)指標(biāo)對(duì)于財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警最為敏感。吳世農(nóng)等[12]將70家出于財(cái)務(wù)危機(jī)的企業(yè)和70家財(cái)務(wù)正常的企業(yè)作為樣本，選取6個(gè)財(cái)務(wù)指標(biāo)分別作為財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警指標(biāo)，分別通過(guò)多元線性回歸模型、線性概率模型和Logistic線性回歸模型進(jìn)行財(cái)務(wù)預(yù)警，結(jié)果表明Logistic線性回歸模型具有最好的預(yù)警效果。章之旺[13]選取60家有財(cái)務(wù)危機(jī)和120家財(cái)務(wù)健康的企業(yè)作為樣本，引入現(xiàn)金流量相關(guān)指標(biāo)，結(jié)果表明加入現(xiàn)金流量信息的模型預(yù)測(cè)準(zhǔn)確性更高。李紅琨等[14]在財(cái)務(wù)預(yù)警模型指標(biāo)中加入現(xiàn)金流量指標(biāo)，分別通過(guò)線性概率模型與Logistic模型進(jìn)行財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)，結(jié)果顯示Logistic回歸模型預(yù)測(cè)更準(zhǔn)確。宋彪等[15]在大數(shù)據(jù)背景下，基于支持向量機(jī)模型，將公司的各種利益相關(guān)者所表現(xiàn)出來(lái)的情緒量化為指標(biāo)，用這些量化的情緒指標(biāo)反映企業(yè)的經(jīng)營(yíng)狀況，結(jié)果表明在長(zhǎng)期預(yù)測(cè)方面，引入大數(shù)據(jù)指標(biāo)的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警判斷率高于純財(cái)務(wù)指標(biāo)模型的判斷率。鮑新中等[16]以A股制造業(yè)上市公司作為樣本，通過(guò)變量聚類分析法，從相關(guān)性和重要性方面將32個(gè)預(yù)警指標(biāo)篩選為11個(gè)預(yù)警指標(biāo)，運(yùn)用生存分析的COX回歸模型（比例風(fēng)險(xiǎn)模型）進(jìn)行財(cái)務(wù)風(fēng)險(xiǎn)判別測(cè)試，結(jié)果表明COX回歸模型有較好的預(yù)警能力。張培榮[17]基于XGBoost模型對(duì)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行預(yù)警研究，篩選出影響公司財(cái)務(wù)危機(jī)的關(guān)鍵指標(biāo)，以制造業(yè)為具體實(shí)例進(jìn)行實(shí)證分析，證實(shí)XGBoost模型在財(cái)務(wù)危機(jī)預(yù)警方面具有較高的準(zhǔn)確度。徐榮貞等[18]基于深度信念網(wǎng)絡(luò)（DBN）構(gòu)建線上供應(yīng)鏈金融信用風(fēng)險(xiǎn)評(píng)估方法，評(píng)估準(zhǔn)確率達(dá)96.04%。

（二）BP神經(jīng)網(wǎng)絡(luò)相關(guān)研究

Odom et al.[6]首次將神經(jīng)網(wǎng)絡(luò)模型運(yùn)用到財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警研究之中，研究結(jié)果表明神經(jīng)網(wǎng)絡(luò)模型具有較好的風(fēng)險(xiǎn)預(yù)警能力。Tam et al.[19]構(gòu)建具有輸入層、隱含層和輸出層的神經(jīng)網(wǎng)絡(luò)模型，選取59家健康銀行企業(yè)以及等量破產(chǎn)銀行企業(yè)，分別使用決策樹(shù)法、多元邏輯回歸、線性判別方法、K-鄰近法及神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，結(jié)果表明神經(jīng)網(wǎng)絡(luò)模型方法預(yù)測(cè)準(zhǔn)確率最高。Oh et al.[20]將遺傳算法和神經(jīng)網(wǎng)絡(luò)相結(jié)合，構(gòu)建針對(duì)金融市場(chǎng)財(cái)務(wù)預(yù)警模型，構(gòu)建出具有實(shí)時(shí)預(yù)警功能的動(dòng)態(tài)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型，一定程度上提高財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警的時(shí)效性。楊保安等[21]作為國(guó)內(nèi)首先應(yīng)用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警研究的學(xué)者，構(gòu)建三層人工神經(jīng)網(wǎng)絡(luò)及由15個(gè)財(cái)務(wù)指標(biāo)構(gòu)成的4類預(yù)警指標(biāo)，證實(shí)神經(jīng)網(wǎng)絡(luò)方法在企業(yè)財(cái)務(wù)預(yù)警中有較理想的結(jié)果。楊淑娥等[22]通過(guò)構(gòu)建BP人工神經(jīng)網(wǎng)絡(luò)對(duì)財(cái)務(wù)預(yù)警進(jìn)行研究，將樣本公司的財(cái)務(wù)指標(biāo)分為訓(xùn)練樣本以及測(cè)試樣本，結(jié)果表明BP人工神經(jīng)網(wǎng)絡(luò)具有高達(dá)90%的預(yù)測(cè)準(zhǔn)確率，預(yù)警效果優(yōu)于Y-Score模型。劉飛虎等[23]將主成分分析法和RBF神經(jīng)網(wǎng)絡(luò)聯(lián)系起來(lái)，構(gòu)建了新的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型。通過(guò)主成分分析法獲得篩選后的因子作為神經(jīng)網(wǎng)絡(luò)模型的輸入值，從而提升模型的訓(xùn)練效率以及訓(xùn)練準(zhǔn)確率，最后基于構(gòu)建好的RBF神經(jīng)網(wǎng)絡(luò)模型來(lái)對(duì)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行預(yù)測(cè)。鮑新中等[24]運(yùn)用聚類分析方法將企業(yè)的財(cái)務(wù)狀況進(jìn)行分類，而不是單純地劃分為健康企業(yè)和危機(jī)企業(yè)。同時(shí)基于粗糙集理論對(duì)財(cái)務(wù)指標(biāo)加以篩選，作為人工神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)。研究表明模型預(yù)測(cè)準(zhǔn)確率超過(guò)90%，達(dá)到了良好的效果。宋歌等[25]將A股上市公司財(cái)務(wù)數(shù)據(jù)作為樣本，以深度學(xué)習(xí)為研究工具構(gòu)建神經(jīng)網(wǎng)絡(luò)模型，對(duì)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行預(yù)警，結(jié)果表明基于深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型對(duì)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)的準(zhǔn)確率較高。楊君岐等[26]基于BP神經(jīng)網(wǎng)絡(luò)模型對(duì)商業(yè)銀行風(fēng)險(xiǎn)評(píng)估研究，結(jié)果表明商業(yè)銀行的流動(dòng)性、資本充足和不良貸款性指標(biāo)對(duì)風(fēng)險(xiǎn)影響較大，且流動(dòng)性和資本充足等指標(biāo)的變動(dòng)與風(fēng)險(xiǎn)指數(shù)呈反向變化，不良貸款率等與風(fēng)險(xiǎn)指數(shù)呈正向變化。朱敏[27]將BP神經(jīng)網(wǎng)絡(luò)技術(shù)用于構(gòu)建企業(yè)資金管理、產(chǎn)品定價(jià)、風(fēng)險(xiǎn)識(shí)別、預(yù)算分析等智能財(cái)務(wù)應(yīng)用場(chǎng)景，為智能財(cái)務(wù)變革數(shù)據(jù)治理提供解決思路和借鑒。

（三）研究述評(píng)

從20世紀(jì)30年代至今，財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型研究從早年的單變量判定模型到多元線性判定模型，再到后來(lái)的邏輯回歸模型，以及人工智能技術(shù)的不斷發(fā)展，現(xiàn)階段人工神經(jīng)網(wǎng)絡(luò)模型已成為主流財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型。隨著財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的不斷發(fā)展，預(yù)警指標(biāo)也從早期的單一財(cái)務(wù)指標(biāo)發(fā)展為多元指標(biāo)。預(yù)警指標(biāo)的擴(kuò)充意味著預(yù)警模型指標(biāo)從企業(yè)的資產(chǎn)負(fù)債表、利潤(rùn)表、現(xiàn)金流量表延伸到了企業(yè)的內(nèi)部治理以及當(dāng)前所處的行業(yè)和經(jīng)濟(jì)環(huán)境等表外因素，使得財(cái)務(wù)預(yù)警模型的準(zhǔn)確率不斷上升。BP神經(jīng)網(wǎng)絡(luò)作為一種財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警方法，隨人工智能的發(fā)展而興起?，F(xiàn)階段采用BP神經(jīng)網(wǎng)絡(luò)研究財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警的文獻(xiàn)較多，學(xué)者以金融企業(yè)、制造企業(yè)等為樣本或案例產(chǎn)出了大量研究成果。制造業(yè)是我國(guó)的支柱產(chǎn)業(yè)，是實(shí)體經(jīng)濟(jì)的基礎(chǔ)，采用科學(xué)的方法對(duì)財(cái)務(wù)分析進(jìn)行預(yù)警，不僅關(guān)乎制造業(yè)的未來(lái)，也關(guān)乎我國(guó)綜合國(guó)力的強(qiáng)弱和國(guó)際地位的穩(wěn)固。本文充分考慮影響企業(yè)財(cái)務(wù)危機(jī)的各種因素，建立包含財(cái)務(wù)指標(biāo)及非財(cái)務(wù)指標(biāo)在內(nèi)的預(yù)警指標(biāo)體系，采用主成分分析法以及人工神經(jīng)網(wǎng)絡(luò)，構(gòu)建制造業(yè)行業(yè)公司的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型。

三、財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型指標(biāo)體系構(gòu)建

（一）樣本選擇與指標(biāo)選取

1.樣本選擇

本文使用的財(cái)務(wù)數(shù)據(jù)來(lái)自于國(guó)泰安（CSMAR）數(shù)據(jù)庫(kù)，財(cái)務(wù)危機(jī)企業(yè)樣本為2018—2020年間被證監(jiān)會(huì)首次冠以“ST”特別處理的上市公司。

由于我國(guó)的上市公司會(huì)計(jì)假設(shè)是持續(xù)經(jīng)營(yíng)至少四個(gè)會(huì)計(jì)年度，若某公司在T年被標(biāo)記為“ST”，那么T-1年的財(cái)務(wù)報(bào)表公布具有延遲性，而“ST”的評(píng)判標(biāo)準(zhǔn)是連續(xù)兩年發(fā)生財(cái)務(wù)風(fēng)險(xiǎn)，則選擇的依據(jù)是T-3至T-2年的財(cái)務(wù)數(shù)據(jù)，同時(shí)公司在T-3年發(fā)生虧損后一般會(huì)及時(shí)改變經(jīng)營(yíng)策略，所以樣本數(shù)據(jù)選取T-3年更具科學(xué)性。

因此本文選取在2018—2020年首次被“ST”特別處理的公司為研究對(duì)象，即相應(yīng)選取的數(shù)據(jù)范圍為2015—2017年的財(cái)務(wù)報(bào)表數(shù)據(jù)，共200組樣本數(shù)據(jù)集。其中財(cái)務(wù)風(fēng)險(xiǎn)高的“ST”樣本公司為34個(gè)，財(cái)務(wù)風(fēng)險(xiǎn)低的上市公司即非“ST”公司為166個(gè)。

BP神經(jīng)網(wǎng)絡(luò)是一種有監(jiān)督的學(xué)習(xí)方式，本文將研究的樣本數(shù)據(jù)隨機(jī)分成訓(xùn)練集和測(cè)試集兩類，分別用于BP網(wǎng)絡(luò)模型的訓(xùn)練和測(cè)試過(guò)程，具體的訓(xùn)練集和測(cè)試集樣本數(shù)量比例為150 50。

2.指標(biāo)選取

構(gòu)建合理的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警指標(biāo)體系對(duì)于提高財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的準(zhǔn)確率十分重要，本文在選取指標(biāo)時(shí)，選取能在一定程度上檢測(cè)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的指標(biāo)。由于企業(yè)在日常經(jīng)營(yíng)過(guò)程中會(huì)受到外部經(jīng)濟(jì)環(huán)境以及企業(yè)自身管理制度和資本結(jié)構(gòu)等因素的影響，指標(biāo)的選取也不應(yīng)局限于企業(yè)的財(cái)務(wù)指標(biāo)方面。因此本文在前人的研究基礎(chǔ)上，結(jié)合制造業(yè)財(cái)務(wù)風(fēng)險(xiǎn)成因，建立一套體現(xiàn)制造業(yè)行業(yè)特點(diǎn)的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警指標(biāo)體系，包括償債能力、發(fā)展能力、營(yíng)運(yùn)能力、盈利能力、現(xiàn)金流量等指標(biāo)，同時(shí)選取了部分非財(cái)務(wù)指標(biāo)，見(jiàn)表2。

（二）財(cái)務(wù)預(yù)警指標(biāo)優(yōu)化

1.基礎(chǔ)指標(biāo)的K-S檢驗(yàn)

本文首先用SPSS軟件對(duì)樣本指標(biāo)進(jìn)行正態(tài)檢驗(yàn)，判斷財(cái)務(wù)預(yù)警指標(biāo)是否為正態(tài)總體。如果樣本為正態(tài)總體時(shí)，可對(duì)樣本指標(biāo)進(jìn)行T檢驗(yàn)，以判斷這些基礎(chǔ)指標(biāo)是否在財(cái)務(wù)健康企業(yè)組和財(cái)務(wù)危機(jī)企業(yè)組之間存在顯著差異。如果樣本不服從正態(tài)分布時(shí)，則采用非參數(shù)檢驗(yàn)的方法確定基礎(chǔ)指標(biāo)在不同分組間是否存在顯著差異，從而保證經(jīng)過(guò)篩選后的指標(biāo)在健康組以及危機(jī)組之間存在顯著差異，提高財(cái)務(wù)預(yù)警的可行性。結(jié)果顯示（由于篇幅所限，未列示預(yù)警基礎(chǔ)指標(biāo)正態(tài)性檢驗(yàn)，如需要，可與作者聯(lián)系），全部變量的顯著性水平均小于0.05，表明所有指標(biāo)均不呈正態(tài)分布，隨即對(duì)指標(biāo)進(jìn)行Mann-Whitney U檢驗(yàn)。由于指標(biāo)X24（審計(jì)意見(jiàn)）取值為0和1，在進(jìn)行顯著性檢驗(yàn)時(shí)應(yīng)采用卡方檢驗(yàn)，根據(jù)卡方檢驗(yàn)結(jié)果顯示（由于篇幅所限未列示結(jié)果，如有需求可聯(lián)系作者），指標(biāo)X24的P值為0.000，表明其通過(guò)顯著性檢驗(yàn)，其他大部分變量的顯著性水平均小于0.05，僅指標(biāo)X23（兩權(quán)分離率）的P值為0.922，故指標(biāo)X23未通過(guò)顯著性檢驗(yàn)。將指標(biāo)X23篩除后，預(yù)警基礎(chǔ)指標(biāo)共23個(gè)。

2.基礎(chǔ)指標(biāo)的多重共線性檢驗(yàn)

當(dāng)財(cái)務(wù)預(yù)警指標(biāo)之間存在多重共線性時(shí)，一個(gè)基礎(chǔ)指標(biāo)可被其他一個(gè)或幾個(gè)基礎(chǔ)指標(biāo)的線性表達(dá)式表達(dá)出來(lái)，將增加模型預(yù)警指標(biāo)之間的內(nèi)部關(guān)聯(lián)性，影響模型的準(zhǔn)確率。本文基礎(chǔ)指標(biāo)進(jìn)行多重共線性檢驗(yàn)的結(jié)果顯示（由于篇幅所限未列示結(jié)果，如有需求可聯(lián)系作者），前幾個(gè)指標(biāo)的特征值較大，后面指標(biāo)的特征值較小，表明基礎(chǔ)指標(biāo)之間存在嚴(yán)重的多重共線性，因此對(duì)基礎(chǔ)指標(biāo)進(jìn)行篩選，常用的消除多重共線性影響的方法是采用因子分析和主成分分析法。故首先通過(guò)KMO和Bartlett球形檢驗(yàn)來(lái)判斷模型基礎(chǔ)指標(biāo)是否適合進(jìn)行因子分析，結(jié)果見(jiàn)表3。

由表3可知，KMO檢驗(yàn)值為0.756，且Bartlett球形度檢驗(yàn)對(duì)應(yīng)的P值為0.000，小于0.05，表明模型預(yù)警基礎(chǔ)指標(biāo)適合進(jìn)行因子分析。故對(duì)基礎(chǔ)指標(biāo)進(jìn)行因子分析，提取主成分，總方差解釋結(jié)果顯示（由于篇幅所限未列示結(jié)果，如有需求可聯(lián)系作者），總方差解釋矩陣中共有8個(gè)因子的特征值大于1，同時(shí)這8個(gè)因子的累計(jì)方差貢獻(xiàn)率達(dá)到了70.345%，表明這8個(gè)因子對(duì)預(yù)警基礎(chǔ)指標(biāo)具有較強(qiáng)的解釋和覆蓋能力。該8個(gè)因子分別是X15（總資產(chǎn)凈利潤(rùn)率）、X2（速動(dòng)比率）、X19（營(yíng)業(yè)收入現(xiàn)金凈含量）、X13（總資產(chǎn)周轉(zhuǎn)率）、X10（存貨周轉(zhuǎn)率）、X6（總資產(chǎn)增長(zhǎng)率）、X9（應(yīng)收賬款周轉(zhuǎn)率）、X5（利息保障倍數(shù)）。

由圖1可知，前8項(xiàng)因子曲線斜率較大，對(duì)整體信息的解釋能力較強(qiáng)。再通過(guò)方差最大化法對(duì)8個(gè)因子進(jìn)行轉(zhuǎn)換，得到旋轉(zhuǎn)后的成分矩陣，結(jié)果顯示（由于篇幅所限未列示結(jié)果，如有需求可聯(lián)系作者），主成分F1由指標(biāo)X15（總資產(chǎn)凈利潤(rùn)率）所支配，可代表企業(yè)的盈利能力指標(biāo)；主成分F2由指標(biāo)X2（速動(dòng)比率）所支配，可代表企業(yè)的償債能力指標(biāo)；主成分F3由指標(biāo)X19（營(yíng)業(yè)收入現(xiàn)金凈含量）所支配，可代表企業(yè)的現(xiàn)金流量指標(biāo)；主成分F4由指標(biāo)X13（總資產(chǎn)周轉(zhuǎn)率）所支配，可代表企業(yè)的營(yíng)運(yùn)能力指標(biāo)；主成分F5由指標(biāo)X10（存貨周轉(zhuǎn)率）所支配，可代表企業(yè)的營(yíng)運(yùn)能力指標(biāo)；主成分F6由指標(biāo)X6（總資產(chǎn)增長(zhǎng)率）所支配，可代表企業(yè)的發(fā)展能力指標(biāo)；主成分F7由指標(biāo)X9（應(yīng)收賬款周轉(zhuǎn)率）所支配，可代表企業(yè)的營(yíng)運(yùn)能力指標(biāo)；主成分F8由指標(biāo)X5（利息保障倍數(shù)）所支配，可代表企業(yè)的償債能力指標(biāo)。據(jù)此，本文從24個(gè)財(cái)務(wù)預(yù)警基礎(chǔ)指標(biāo)中篩選出了8個(gè)能全面反映制造業(yè)財(cái)務(wù)狀況的指標(biāo)，并將這8個(gè)指標(biāo)作為后續(xù)模型的輸入變量。

四、財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的構(gòu)建

（一）BP神經(jīng)網(wǎng)絡(luò)原理及其設(shè)計(jì)

1.BP神經(jīng)網(wǎng)絡(luò)原理

BP網(wǎng)絡(luò)（Back-ProPagation Network）又稱反向傳播神經(jīng)網(wǎng)絡(luò)，是通過(guò)樣本數(shù)據(jù)的訓(xùn)練，不斷修正網(wǎng)絡(luò)權(quán)值和閾值使誤差函數(shù)沿負(fù)梯度方向下降，逼近期望輸出；是一種應(yīng)用較為廣泛的神經(jīng)網(wǎng)絡(luò)模型，多用于函數(shù)逼近、模型識(shí)別分類、數(shù)據(jù)壓縮和時(shí)間序列預(yù)測(cè)等。本文運(yùn)用的是模型識(shí)別分類。

2.BP神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)

（1）輸入層的設(shè)計(jì)：神經(jīng)網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)數(shù)取決于輸入變量的維度，即財(cái)務(wù)預(yù)警風(fēng)險(xiǎn)指標(biāo)數(shù)量，前文通過(guò)因子分析法篩選得到8個(gè)預(yù)警指標(biāo)：X2（速動(dòng)比率）、X5（利息保障倍數(shù)）、X6（總資產(chǎn)增長(zhǎng)率）、X9（應(yīng)收賬款周轉(zhuǎn)率）、X10（存貨周轉(zhuǎn)率）、X13（總資產(chǎn)周轉(zhuǎn)率）、X15（總資產(chǎn)凈利潤(rùn)率）、X19（營(yíng)業(yè)收入現(xiàn)金凈含量），因此BP神經(jīng)網(wǎng)絡(luò)財(cái)務(wù)預(yù)警模型的輸入層節(jié)點(diǎn)數(shù)為8個(gè)。

（2）輸出層的設(shè)計(jì)：當(dāng)模型輸出結(jié)果為1時(shí)表明公司財(cái)務(wù)健康，當(dāng)輸出結(jié)果為2時(shí)表明企業(yè)被“ST”處理。因此模型輸出層節(jié)點(diǎn)個(gè)數(shù)為2個(gè)。

（3）隱含層的設(shè)計(jì)：隱含層節(jié)點(diǎn)個(gè)數(shù)是不確定的，一般根據(jù)經(jīng)驗(yàn)公式來(lái)確定：

式中，h為隱含層節(jié)點(diǎn)的數(shù)目，m和n分別是輸入層和輸出層節(jié)點(diǎn)的數(shù)目，a為1—10之間的調(diào)節(jié)常數(shù)。h為4—13之間的常數(shù)，測(cè)試結(jié)果如表4所示。

由表4數(shù)據(jù)可知，最佳的隱含層節(jié)點(diǎn)數(shù)為10，相應(yīng)的準(zhǔn)確率為0.893。

（二）BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

本文使用MATLAB R2017a 軟件進(jìn)行BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練，結(jié)構(gòu)圖見(jiàn)圖2，訓(xùn)練過(guò)程見(jiàn)圖3。

（三）訓(xùn)練結(jié)果

從圖4和圖5可知，測(cè)試的50個(gè)樣本中，誤判了2個(gè)，正確率為96%，表明本文的8個(gè)財(cái)務(wù)指標(biāo)所構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)模型有較好的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)能力，能識(shí)別出“ST”企業(yè)和健康企業(yè)。

五、中國(guó)鐵物案例分析

（一）中國(guó)鐵物概況分析

中國(guó)鐵物前身為天津一汽夏利汽車(chē)股份有限公司（簡(jiǎn)稱“一汽夏利”），成立于1997年，1999年在深圳證券交易所上市。21世紀(jì)以來(lái)隨著汽車(chē)市場(chǎng)競(jìng)爭(zhēng)加劇以及企業(yè)經(jīng)營(yíng)不善，一汽夏利陷入了低谷。自2012年始，一汽夏利產(chǎn)銷量同比下滑三成，2013年公司凈利潤(rùn)虧損達(dá)4.8億元，此后一汽夏利便開(kāi)始在資本市場(chǎng)中的漫長(zhǎng)掙扎之路，最終于2021年1月8日發(fā)布公告聲稱公司更名為中國(guó)鐵路物資股份有限公司。至此，一汽夏利正式退出汽車(chē)制造業(yè)。為分析企業(yè)在退出汽車(chē)制造業(yè)之前面臨的風(fēng)險(xiǎn)，在進(jìn)行2021年1月8日之前的數(shù)據(jù)分析時(shí)使用一汽夏利，此后使用中國(guó)鐵物。

（二）基于構(gòu)建財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的分析

從上文可知，由8個(gè)模型輸入變量構(gòu)建的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型具有很好的預(yù)測(cè)效果，因此本文選取中國(guó)鐵物2013—2020年這8個(gè)指標(biāo)進(jìn)行分析，見(jiàn)圖6和圖7。

（1）一汽夏利企業(yè)在2013—2014年間相關(guān)償債能力指標(biāo)均處于下降趨勢(shì)，且這兩年的企業(yè)利息保障倍數(shù)均為負(fù)數(shù)，利息償還能力較弱，企業(yè)償還債務(wù)的風(fēng)險(xiǎn)較大，在接下來(lái)的幾年內(nèi)，雖然一汽公司相關(guān)償債能力指標(biāo)有上升的趨勢(shì)，但這種趨勢(shì)并未保持下來(lái)，在2019年甚至高達(dá)-31.97，表明公司此時(shí)處于嚴(yán)重的財(cái)務(wù)危機(jī)之中。

（2）總資產(chǎn)周轉(zhuǎn)率在2013—2019年間均處于下降趨勢(shì)，表明中國(guó)鐵物的資產(chǎn)利用效率逐年降低，企業(yè)的營(yíng)運(yùn)能力正在下降。同時(shí)應(yīng)收賬款周轉(zhuǎn)率近四年來(lái)呈現(xiàn)直線下降趨勢(shì)，考慮到企業(yè)近年來(lái)存在大量的關(guān)聯(lián)方交易，存在大量的應(yīng)收款項(xiàng)，相應(yīng)地占用了企業(yè)大量的營(yíng)運(yùn)資金，嚴(yán)重影響了企業(yè)正常的資金周轉(zhuǎn)。企業(yè)的存貨周轉(zhuǎn)率在2020年以前也處于逐漸降低的狀態(tài)，表明公司的整車(chē)銷售周轉(zhuǎn)過(guò)慢，出現(xiàn)了產(chǎn)品滯銷的現(xiàn)象，表明該期間公司的經(jīng)營(yíng)能力和管理水平存在較大的風(fēng)險(xiǎn)。

（3）2013年和2014年企業(yè)的總資產(chǎn)凈利潤(rùn)指標(biāo)均為負(fù)值，企業(yè)在這兩年均處于虧損狀態(tài)，雖然在2015年企業(yè)扭虧為盈，摘了ST的“帽子”，但這是企業(yè)通過(guò)售賣(mài)核心資產(chǎn)才得以扭虧為盈的。核心資產(chǎn)的售賣(mài)也使企業(yè)被市場(chǎng)認(rèn)可的產(chǎn)品失去了生產(chǎn)能力，企業(yè)的獲利能力大大下降，企業(yè)陷入了多年的虧損之中。

（4）2013—2019年企業(yè)的營(yíng)業(yè)收入現(xiàn)金凈含量均為負(fù)，表明企業(yè)經(jīng)營(yíng)活動(dòng)所產(chǎn)生的現(xiàn)金凈流量為負(fù)，缺乏足夠的現(xiàn)金流量來(lái)維持企業(yè)的正常經(jīng)營(yíng)。相應(yīng)的只能尋求銀行借款，這加大了企業(yè)的杠桿，正常經(jīng)營(yíng)受到嚴(yán)重影響。

（5）企業(yè)的總資產(chǎn)增長(zhǎng)率指標(biāo)除了在2017年為正，其他年份均為負(fù)，表明企業(yè)發(fā)展受限，難以保持穩(wěn)定的增長(zhǎng)，企業(yè)規(guī)模不斷收縮。速動(dòng)比率等8項(xiàng)指標(biāo)能反映企業(yè)的經(jīng)營(yíng)狀態(tài)，表明本文構(gòu)建的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型可靠。

六、結(jié)論與建議

（一）結(jié)論

本文在因子分析法及BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上構(gòu)建財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型，得出如下結(jié)論。

第一，BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)于企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)具有較強(qiáng)的識(shí)別能力，預(yù)測(cè)準(zhǔn)確性較高，操作比較方便。

第二，BP財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型預(yù)測(cè)準(zhǔn)確率受樣本企業(yè)財(cái)務(wù)狀況類型的影響。

第三，BP財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型預(yù)測(cè)準(zhǔn)確率受樣本企業(yè)預(yù)測(cè)年份的影響。

（二）建議

1.樹(shù)立財(cái)務(wù)風(fēng)險(xiǎn)防范意識(shí)

企業(yè)應(yīng)樹(shù)立財(cái)務(wù)風(fēng)險(xiǎn)防范意識(shí)，積極構(gòu)建財(cái)務(wù)預(yù)警模型。培養(yǎng)專業(yè)財(cái)務(wù)風(fēng)險(xiǎn)管理人員或者部門(mén)，做到防患于未然。在構(gòu)建財(cái)務(wù)模型時(shí)，企業(yè)不能僅考慮財(cái)務(wù)指標(biāo)，同時(shí)應(yīng)該考慮非財(cái)務(wù)指標(biāo)，使得模型預(yù)警指標(biāo)更加完善，同時(shí)模型的構(gòu)建還要時(shí)刻保持更新以適應(yīng)企業(yè)不斷變化的內(nèi)外部環(huán)境，最大程度地考慮所有風(fēng)險(xiǎn)因素，從而始終保持財(cái)務(wù)預(yù)警模型的準(zhǔn)確率以及穩(wěn)定性。

2.加強(qiáng)資本結(jié)構(gòu)管理

制造業(yè)屬于重資產(chǎn)行業(yè)，資產(chǎn)負(fù)債率往往處于較高水平，相應(yīng)的財(cái)務(wù)風(fēng)險(xiǎn)也大。因此，制造業(yè)企業(yè)應(yīng)當(dāng)構(gòu)建合理的資本結(jié)構(gòu)，合理搭配債務(wù)籌資以及權(quán)益籌資，同時(shí)合理組合短期籌資以及長(zhǎng)期籌資，避免企業(yè)陷入因籌資不當(dāng)而引起的財(cái)務(wù)危機(jī)之中。同時(shí)企業(yè)還應(yīng)避免不合理的關(guān)聯(lián)方交易以及盲目為管理企業(yè)進(jìn)行擔(dān)保，從而保證企業(yè)不會(huì)陷入信用危機(jī)。企業(yè)的財(cái)務(wù)管理部門(mén)應(yīng)該制定科學(xué)合理的還款計(jì)劃，加強(qiáng)對(duì)資金的管理，保持合理的資本結(jié)構(gòu)，保證企業(yè)日常經(jīng)營(yíng)活動(dòng)的正常運(yùn)行。

3.加強(qiáng)現(xiàn)金流管理

現(xiàn)金是企業(yè)的血液，現(xiàn)金流的短缺會(huì)使得企業(yè)陷入財(cái)務(wù)危機(jī)之中。企業(yè)應(yīng)在日常經(jīng)營(yíng)中積極關(guān)注自身現(xiàn)金流量變化趨勢(shì)，制定合理的資金預(yù)算管理體系，避免出現(xiàn)占用大量流動(dòng)資金而導(dǎo)致企業(yè)面臨資金短缺的現(xiàn)象。

4.加強(qiáng)資產(chǎn)流動(dòng)性管理

企業(yè)可通過(guò)加強(qiáng)應(yīng)收賬款以及存貨的管理改善其流動(dòng)性。對(duì)于應(yīng)收賬款管理來(lái)說(shuō)，企業(yè)應(yīng)建立完善的應(yīng)收賬款管理系統(tǒng)，對(duì)客戶信用進(jìn)行合理評(píng)價(jià)并保持更新，對(duì)于不同信用等級(jí)的客戶應(yīng)該匹配不同的信用政策。加強(qiáng)對(duì)于自身應(yīng)收賬款的監(jiān)督與跟蹤，安排專門(mén)人員對(duì)應(yīng)收賬款進(jìn)行跟蹤以及催收，避免企業(yè)出現(xiàn)過(guò)多的壞賬而影響其正常的經(jīng)營(yíng)。而對(duì)于企業(yè)存貨管理來(lái)說(shuō)，企業(yè)應(yīng)建立科學(xué)的產(chǎn)品產(chǎn)銷預(yù)測(cè)系統(tǒng)，通過(guò)對(duì)銷量的合理預(yù)測(cè)從而制定科學(xué)的存貨水平。同時(shí)從各方面降低存貨成本，如合理選址以減少存貨運(yùn)輸成本，充分考慮產(chǎn)品市場(chǎng)以降低存貨銷售成本，從而加快存貨的銷售速度，提高存貨周轉(zhuǎn)率，加強(qiáng)企業(yè)的存貨流動(dòng)性。

5.提升盈利能力

企業(yè)的盈利能力能很好地反映企業(yè)在生產(chǎn)經(jīng)營(yíng)中獲得收益的能力，因此企業(yè)應(yīng)該加強(qiáng)自身的盈利能力?？赏ㄟ^(guò)控制企業(yè)的成本，建立成本責(zé)任中心，將成本落實(shí)到每個(gè)業(yè)務(wù)部門(mén)甚至每個(gè)員工身上，不斷降低企業(yè)的生產(chǎn)成本。同時(shí)企業(yè)在面對(duì)市場(chǎng)的不斷變化時(shí)，積極提高自身創(chuàng)新能力，增強(qiáng)自身核心競(jìng)爭(zhēng)力，才能在激烈的市場(chǎng)競(jìng)爭(zhēng)中保持良性發(fā)展。

【參考文獻(xiàn)】

［1］ FITZ PATRICK.A comparison of ratios of successful lndustrial enterprises with those of failedfirms［J］.Cetified Public Accountant，1932（2）：589-605.

［2］ WILLIAM H，BEAVER.Financial ratios as predictors of failure，empirical research in accounting selected studies［J］.Journal of Accounting Research，1966，4 （11）：71-111.

［3］ ALTMAN E I.Financial ratios，discriminant analysis and the prediction of corporate bankruptcy［J］.Journal of Finance，1968，23（4）：589-609.

［4］ MARTIN D.Early waning of bank failure：alogistic regression approach［J］.Journal of Banking and Finance，1977 （10）：249-276.

［5］ 劉平山，曾梓銘.基于GBDT的醫(yī)藥供應(yīng)鏈金融信用風(fēng)險(xiǎn)評(píng)價(jià)［J］.會(huì)計(jì)之友，2021（7）：24-31.

［6］ M D ODOM，R SHARDA.A neural network model for bankruptcy prediction［C］.In Proceedings of the International Joint Conference on Neural Network Tool，1990.

［7］ KIM S Y，UPNEJA A.Predicting restaurant fnancial distress using decision tree and AdaBoosted decision tree models［J］.Economic Modelling，2014，36：354-362.

［8］ 吳世農(nóng)，黃世忠.企業(yè)破產(chǎn)的分析指標(biāo)和預(yù)測(cè)模型［J］.中國(guó)經(jīng)濟(jì)問(wèn)題，1987（6）：8-15.

［9］ 周首華，楊濟(jì)華，王平.論財(cái)務(wù)危機(jī)的預(yù)警分析——F分?jǐn)?shù)模式［J］.會(huì)計(jì)研究，1996（8）：8-11.

［10］ 陳靜.上市公司財(cái)務(wù)惡化預(yù)測(cè)的實(shí)證分析［J］.會(huì)計(jì)研究，1999（4）：32-39.

［11］ 陳曉，陳治鴻.企業(yè)財(cái)務(wù)困境研究的理論、方法及應(yīng)用［J］.投資研究，2000（6）：29-33.

［12］ 吳世農(nóng)，盧賢義.我國(guó)上市公司財(cái)務(wù)困境的預(yù)測(cè)模型研究［J］.經(jīng)濟(jì)研究，2001（6）：46-55，96.

［13］ 章之旺.現(xiàn)金流量在財(cái)務(wù)困境預(yù)測(cè)中的信息含量實(shí)證研究——來(lái)自2003—2004年度ST公司的新證據(jù)［J］.中國(guó)管理科學(xué)，2004（6）：4-29.

［14］ 李紅琨，陳永飛，趙根.基于現(xiàn)金流的財(cái)務(wù)預(yù)警研究：線性概率模型與Logistic模型之應(yīng)用比較［J］.經(jīng)濟(jì)問(wèn)題探索，2011（6）：102-105，111.

［15］ 宋彪，朱建明，李煦.基于大數(shù)據(jù)的企業(yè)財(cái)務(wù)預(yù)警研究［J］.中央財(cái)經(jīng)大學(xué)學(xué)報(bào)，2015（6）：55-64.

［16］ 鮑新中，陶秋燕，傅宏宇.基于變量聚類和COX比例風(fēng)險(xiǎn)模型的企業(yè)財(cái)務(wù)預(yù)警研究［J］.系統(tǒng)管理學(xué)報(bào)，2015，24（4）：517-523，529.

［17］ 張培榮.基于XGBoost模型的企業(yè)財(cái)務(wù)危機(jī)預(yù)警研究［J］.財(cái)會(huì)通訊，2019（35）：109-112.

［18］ 徐榮貞，何夢(mèng)珂.基于DBN的線上供應(yīng)鏈金融信用風(fēng)險(xiǎn)研究［J］.會(huì)計(jì)之友，2021（5）：61-67.

［19］ TAM K Y，KIANG M Y.Managerial applications of neural networks：The case of bank failure predictions［J］.Management Science，1992，38（7）：926-947.

［20］ OH K J，KIM T Y，KIM C.An early warning system for detection of financial crisis using financial market volatility［J］.Expert Systems，2006，2：83-98.

［21］ 楊保安，季海，徐晶，等.BP神經(jīng)網(wǎng)絡(luò)在企業(yè)財(cái)務(wù)危機(jī)預(yù)警之應(yīng)用［J］.預(yù)測(cè)，2001（2）：49-54，68.

［22］ 楊淑娥，黃禮.基于BP神經(jīng)網(wǎng)絡(luò)的上市公司財(cái)務(wù)預(yù)警模型［J］.系統(tǒng)工程理論與實(shí)踐，2005（1）：12-18，26.

［23］ 劉飛虎，羅曉光.基于PCA-RBF神經(jīng)網(wǎng)絡(luò)的商業(yè)銀行財(cái)務(wù)風(fēng)險(xiǎn)評(píng)價(jià)研究［J］.投資研究，2013，32（3）：88-97.

［24］ 鮑新中，楊宜.基于聚類-粗糙集-神經(jīng)網(wǎng)絡(luò)的企業(yè)財(cái)務(wù)危機(jī)預(yù)警［J］.系統(tǒng)管理學(xué)報(bào)，2013，22（3）：358-365.

［25］ 宋歌，馬濤.基于深度學(xué)習(xí)的上市公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型研究［J］.價(jià)值工程，2019，38（1）：53-56.

［26］ 楊君岐，任瑞，闞立娜，等.基于BP神經(jīng)網(wǎng)絡(luò)模型的商業(yè)銀行風(fēng)險(xiǎn)評(píng)估研究［J］.會(huì)計(jì)之友，2021（2）：113-119.

［27］ 朱敏.神經(jīng)網(wǎng)絡(luò)技術(shù)的智能財(cái)務(wù)研究［J］.會(huì)計(jì)之友，2021（8）：38-42.