基于BP神经网络的制造企业财务风险预警研究

2023-05-30高燕曾森

会计之友 2023年1期

高燕曾森

【摘要】实体经济是国民经济的基石，习近平总书记强调，要坚持把发展经济的着力点放在实体经济上，抓实体经济一定要抓好制造业。制造业投入大且利润率低，由于经营环境的复杂和竞争的日益激烈，制造业在规模的扩张中财务风险不断累积，到一定程度即可能酿成财务危机。一汽夏利曾经是经济型汽车标杆和行业领跑者，但辉煌15年之后开始走下坡路，最终被收购并被改旗易帜为中国铁物。及时预判财务危机，及时采取措施控制财务风险，是制造企业做强做大保持良好发展态势的关键。文章以A股制造企业为样本，构建BP神经网络模型预警财务风险，并以一汽夏利（现中国铁物）为例进行分析，提出防范风险的建议。

【关键词】实体经济；财务风险；神经网络；预警

【中图分类号】 F830.2 【文献标识码】 A 【文章编号】 1004-5937（2023）01-0062-09

一、引言

党的二十大报告提出，要坚持以推动高质量发展为主题，着力提高全要素生产率，提升企业核心竞争力，建设现代化产业体系，加快建设制造强国，推动制造业高端化、智能化、绿色化发展。国务院于2015年发布了《中国制造2025》，旨在推动中国迈入制造强国行列。制造企业在转型升级中，由于规模的急剧扩张与经营环境的复杂和竞争的日益激烈，企业的财务风险不断累积，到一定程度则可能酿成财务危机。1984年天津汽车工业公司和日本大发工业株式会社采用合作方式，引进微型面包车Hijet 850和微型两厢轿车Charade 1.0的全套制造技术，打破了我国微型轿车制造领域的空白，挑起了国产汽车和制造业的大梁，带动了整车制造、发动机、变速器等相关产业的发展，成为了我国经济型汽车的标杆和行业领跑者。公司于1997年组建天津汽车夏利股份有限公司，1999年“天津汽车”在深圳上市，2002年天津汽车工业集团和一汽集团联合重组成立天津一汽夏利汽车股份有限公司，简称“一汽夏利”，公司备受瞩目的同时也被党和国家寄予了厚望，获得了一系列殊荣，以期带动国产汽车和相关制造业的腾飞。但2000年我国加入世贸组织后，汽车市场进入白热化竞争阶段。一汽夏利的自主研发、品牌维护、营销策略等未及时予以调整，业绩逐步滑坡，财务状况一步步恶化，2021年退出汽车制造领域，更名为中国铁路物资股份有限公司（简称“中国铁物”）。企业的辉煌不是一朝一夕能促成的，企业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风险。构建合理的财务风险预警模型，以及时预判财务危机，及时采取相应的措施控制财务风险，是制造企业做强做大保持良好发展态势的关键。本文构建BP神经网络模型进行财务风险预警，以A股制造企业为样本进行训练及测试，判断企业是否出现财务危机，在此基础上以一汽夏利为例进行分析，并提出相应的对策。

二、文献综述

（一）财务风险预警相关研究

Fitz Patrick [1]是最早进行财务风险预警研究的学者，运用单一变量判别模型，对19家企业的财务状况进行预测，研究结果表明净利润/股东权益以及股东权益/负债这两个指标在对企业破产预测上最具有判别力，因为这些指标在财务危机出现三年前就有了显现。William et al.[2]在Patrick的基础上提出了新的财务预警模型，选取158家企业的30个财务指标进行研究分析，研究表明，在所采用的5个财务指标中，营运资金流量/债务总额指标对企业财务危机的判别率最高，且在越接近企业破产时模型的准确率越高。随着财务风险预警研究的深入，学者们开始采用多变量判别模型。Altman[3]建立Z-Score模型，选取5个财务指标构建多元线性判别模型，对33家破产企业以及等量的健康企业进行财务风险预警。Martin[4]选取58家存在财务危机的银行企业，用Logistic回归模型选取银行企业8个财务指标构建财务预警模型，从而预测企业发生财务危机的可能性，研究表明Logistic回归模型在财务预警预测方面优于Z-Score模型。刘平山等[5]运用梯度提升决策树对医药行业信用风险进行评估，为医药企业降低信用风险提出了建议。随着计算机技术的发展，人工智能技术开始崭露头角，Odom et al.[6]率先运用神经网络模型，对129家企业进行财务风险预警，结果表明神经网络模型相较于多元回归模型具有更好的风险预警能力。Kim et al.[7]基于AdaBoosted决策树构建的模型以企业的财务数据对餐饮企业进行研究，结果表明资本结构中负债比率较大的企业面临比较严重的债务和净现金流压力，企业更易于陷入财务困境中。

我国对于财务风险预警的研究相较于国外开展得较晚，但研究成果相当丰富。吴世农等[8]率先提出能识别企业财务破产的财务指标以及预警模型，开启了我国财务风险预警研究的先河。周首华等[9]在Z-Score模型的基础上，构建了F计分模型，该模型相较于Z值模型考虑了现金流量因素，使模型的财务预警结果更为准确。陈静[10]将单变量模型与多元判定分析模型结合，研究表明在单变量模型中资产负债率和流动比率的判别率最高，而在多元判定分析中，在距离ST年份不同时，模型的准确率也不同，当距离企业ST年份最近时，多元判定分析模型的准确率更高。陈晓等[11]通过多元逻辑回归模型对ST企业以及正常企业进行研究，表明产权比率、应收账款周转率等财务指标对于财务风险预警最为敏感。吴世农等[12]将70家出于财务危机的企业和70家财务正常的企业作为样本，选取6个财务指标分别作为财务风险预警指标，分别通过多元线性回归模型、线性概率模型和Logistic线性回归模型进行财务预警，结果表明Logistic线性回归模型具有最好的预警效果。章之旺[13]选取60家有财务危机和120家财务健康的企业作为样本，引入现金流量相关指标，结果表明加入现金流量信息的模型預测准确性更高。李红琨等[14]在财务预警模型指标中加入现金流量指标，分别通过线性概率模型与Logistic模型进行财务风险预测，结果显示Logistic回归模型预测更准确。宋彪等[15]在大数据背景下，基于支持向量机模型，将公司的各种利益相关者所表现出来的情绪量化为指标，用这些量化的情绪指标反映企业的经营状况，结果表明在长期预测方面，引入大数据指标的财务风险预警判断率高于纯财务指标模型的判断率。鲍新中等[16]以A股制造业上市公司作为样本，通过变量聚类分析法，从相关性和重要性方面将32个预警指标筛选为11个预警指标，运用生存分析的COX回归模型（比例风险模型）进行财务风险判别测试，结果表明COX回归模型有较好的预警能力。张培荣[17]基于XGBoost模型对企业财务风险进行预警研究，筛选出影响公司财务危机的关键指标，以制造业为具体实例进行实证分析，证实XGBoost模型在财务危机预警方面具有较高的准确度。徐荣贞等[18]基于深度信念网络（DBN）构建线上供应链金融信用风险评估方法，评估准确率达96.04%。

（二）BP神经网络相关研究

Odom et al.[6]首次将神经网络模型运用到财务风险预警研究之中，研究结果表明神经网络模型具有较好的风险预警能力。Tam et al.[19]构建具有输入层、隐含层和输出层的神经网络模型，选取59家健康银行企业以及等量破产银行企业，分别使用决策树法、多元逻辑回归、线性判别方法、K-邻近法及神经网络进行预测，结果表明神经网络模型方法预测准确率最高。Oh et al.[20]将遗传算法和神经网络相结合，构建针对金融市场财务预警模型，构建出具有实时预警功能的动态财务风险预警模型，一定程度上提高财务风险预警的时效性。杨保安等[21]作为国内首先应用人工神经网络进行财务风险预警研究的学者，构建三层人工神经网络及由15个财务指标构成的4类预警指标，证实神经网络方法在企业财务预警中有较理想的结果。杨淑娥等[22]通过构建BP人工神经网络对财务预警进行研究，将样本公司的财务指标分为训练样本以及测试样本，结果表明BP人工神经网络具有高达90%的预测准确率，预警效果优于Y-Score模型。刘飞虎等[23]将主成分分析法和RBF神经网络联系起来，构建了新的财务风险预警模型。通过主成分分析法获得筛选后的因子作为神经网络模型的输入值，从而提升模型的訓练效率以及训练准确率，最后基于构建好的RBF神经网络模型来对企业财务风险进行预测。鲍新中等[24]运用聚类分析方法将企业的财务状况进行分类，而不是单纯地划分为健康企业和危机企业。同时基于粗糙集理论对财务指标加以筛选，作为人工神经网络的输入节点。研究表明模型预测准确率超过90%，达到了良好的效果。宋歌等[25]将A股上市公司财务数据作为样本，以深度学习为研究工具构建神经网络模型，对企业财务风险进行预警，结果表明基于深度学习的神经网络模型对企业财务风险预测的准确率较高。杨君岐等[26]基于BP神经网络模型对商业银行风险评估研究，结果表明商业银行的流动性、资本充足和不良贷款性指标对风险影响较大，且流动性和资本充足等指标的变动与风险指数呈反向变化，不良贷款率等与风险指数呈正向变化。朱敏[27]将BP神经网络技术用于构建企业资金管理、产品定价、风险识别、预算分析等智能财务应用场景，为智能财务变革数据治理提供解决思路和借鉴。

（三）研究述评

从20世纪30年代至今，财务风险预警模型研究从早年的单变量判定模型到多元线性判定模型，再到后来的逻辑回归模型，以及人工智能技术的不断发展，现阶段人工神经网络模型已成为主流财务风险预警模型。随着财务风险预警模型的不断发展，预警指标也从早期的单一财务指标发展为多元指标。预警指标的扩充意味着预警模型指标从企业的资产负债表、利润表、现金流量表延伸到了企业的内部治理以及当前所处的行业和经济环境等表外因素，使得财务预警模型的准确率不断上升。BP神经网络作为一种财务风险预警方法，随人工智能的发展而兴起。现阶段采用BP神经网络研究财务风险预警的文献较多，学者以金融企业、制造企业等为样本或案例产出了大量研究成果。制造业是我国的支柱产业，是实体经济的基础，采用科学的方法对财务分析进行预警，不仅关乎制造业的未来，也关乎我国综合国力的强弱和国际地位的稳固。本文充分考虑影响企业财务危机的各种因素，建立包含财务指标及非财务指标在内的预警指标体系，采用主成分分析法以及人工神经网络，构建制造业行业公司的财务风险预警模型。

三、财务风险预警模型指标体系构建

（一）样本选择与指标选取

1.样本选择

本文使用的财务数据来自于国泰安（CSMAR）数据库，财务危机企业样本为2018—2020年间被证监会首次冠以“ST”特别处理的上市公司。

由于我国的上市公司会计假设是持续经营至少四个会计年度，若某公司在T年被标记为“ST”，那么T-1年的财务报表公布具有延迟性，而“ST”的评判标准是连续两年发生财务风险，则选择的依据是T-3至T-2年的财务数据，同时公司在T-3年发生亏损后一般会及时改变经营策略，所以样本数据选取T-3年更具科学性。

因此本文选取在2018—2020年首次被“ST”特别处理的公司为研究对象，即相应选取的数据范围为2015—2017年的财务报表数据，共200组样本数据集。其中财务风险高的“ST”样本公司为34个，财务风险低的上市公司即非“ST”公司为166个。

BP神经网络是一种有监督的学习方式，本文将研究的样本数据随机分成训练集和测试集两类，分别用于BP网络模型的训练和测试过程，具体的训练集和测试集样本数量比例为150 50。

2.指标选取

构建合理的财务风险预警指标体系对于提高财务风险预警模型的准确率十分重要，本文在选取指标时，选取能在一定程度上检测企业财务风险的指标。由于企业在日常经营过程中会受到外部经济环境以及企业自身管理制度和资本结构等因素的影响，指标的选取也不应局限于企业的财务指标方面。因此本文在前人的研究基础上，结合制造业财务风险成因，建立一套体现制造业行业特点的财务风险预警指标体系，包括偿债能力、发展能力、营运能力、盈利能力、现金流量等指标，同时选取了部分非财务指标，见表2。

（二）财务预警指标优化

1.基础指标的K-S检验

本文首先用SPSS软件对样本指标进行正态检验，判断财务预警指标是否为正态总体。如果样本为正态总体时，可对样本指标进行T检验，以判断这些基础指标是否在财务健康企业组和财务危机企业组之间存在显著差异。如果样本不服从正态分布时，则采用非参数检验的方法确定基础指标在不同分组间是否存在显著差异，从而保证经过筛选后的指标在健康组以及危机组之间存在显著差异，提高财务预警的可行性。结果显示（由于篇幅所限，未列示预警基础指标正态性检验，如需要，可与作者联系），全部变量的显著性水平均小于0.05，表明所有指标均不呈正态分布，随即对指标进行Mann-Whitney U检验。由于指标X24（审计意见）取值为0和1，在进行显著性检验时应采用卡方检验，根据卡方检验结果显示（由于篇幅所限未列示结果，如有需求可联系作者），指标X24的P值为0.000，表明其通过显著性检验，其他大部分变量的显著性水平均小于0.05，仅指标X23（两权分离率）的P值为0.922，故指标X23未通过显著性检验。将指标X23筛除后，预警基础指标共23个。

2.基础指标的多重共线性检验

当财务预警指标之间存在多重共线性时，一个基础指标可被其他一个或几个基础指标的线性表达式表达出来，将增加模型预警指标之间的内部关联性，影响模型的准确率。本文基础指标进行多重共线性检验的结果显示（由于篇幅所限未列示结果，如有需求可联系作者），前几个指标的特征值较大，后面指标的特征值较小，表明基础指标之间存在严重的多重共线性，因此对基础指标进行筛选，常用的消除多重共线性影响的方法是采用因子分析和主成分分析法。故首先通过KMO和Bartlett球形检验来判断模型基础指标是否适合进行因子分析，结果见表3。

由表3可知，KMO检验值为0.756，且Bartlett球形度检验对应的P值为0.000，小于0.05，表明模型预警基础指标适合进行因子分析。故对基础指标进行因子分析，提取主成分，总方差解释结果显示（由于篇幅所限未列示结果，如有需求可联系作者），总方差解释矩阵中共有8个因子的特征值大于1，同时这8个因子的累计方差贡献率达到了70.345%，表明这8个因子对预警基础指标具有较强的解释和覆盖能力。该8个因子分别是X15（总资产净利润率）、X2（速动比率）、X19（营业收入现金净含量）、X13（总资产周转率）、X10（存貨周转率）、X6（总资产增长率）、X9（应收账款周转率）、X5（利息保障倍数）。

由图1可知，前8项因子曲线斜率较大，对整体信息的解释能力较强。再通过方差最大化法对8个因子进行转换，得到旋转后的成分矩阵，结果显示（由于篇幅所限未列示结果，如有需求可联系作者），主成分F1由指标X15（总资产净利润率）所支配，可代表企业的盈利能力指标；主成分F2由指标X2（速动比率）所支配，可代表企业的偿债能力指标；主成分F3由指标X19（营业收入现金净含量）所支配，可代表企业的现金流量指标；主成分F4由指标X13（总资产周转率）所支配，可代表企业的营运能力指标；主成分F5由指标X10（存货周转率）所支配，可代表企业的营运能力指标；主成分F6由指标X6（总资产增长率）所支配，可代表企业的发展能力指标；主成分F7由指标X9（应收账款周转率）所支配，可代表企业的营运能力指标；主成分F8由指标X5（利息保障倍数）所支配，可代表企业的偿债能力指标。据此，本文从24个财务预警基础指标中筛选出了8个能全面反映制造业财务状况的指标，并将这8个指标作为后续模型的输入变量。

四、财务风险预警模型的构建

（一）BP神经网络原理及其设计

1.BP神经网络原理

BP网络（Back-ProPagation Network）又称反向传播神经网络，是通过样本数据的训练，不断修正网络权值和阈值使误差函数沿负梯度方向下降，逼近期望输出；是一种应用较为广泛的神经网络模型，多用于函数逼近、模型识别分类、数据压缩和时间序列预测等。本文运用的是模型识别分类。

2.BP神经网络的设计

（1）输入层的设计：神经网络的输入层节点数取决于输入变量的维度，即财务预警风险指标数量，前文通过因子分析法筛选得到8个预警指标：X2（速动比率）、X5（利息保障倍数）、X6（总资产增长率）、X9（应收账款周转率）、X10（存货周转率）、X13（总资产周转率）、X15（总资产净利润率）、X19（营业收入现金净含量），因此BP神经网络财务预警模型的输入层节点数为8个。

（2）输出层的设计：当模型输出结果为1时表明公司财务健康，当输出结果为2时表明企业被“ST”处理。因此模型输出层节点个数为2个。

（3）隐含层的设计：隐含层节点个数是不确定的，一般根据经验公式来确定：

式中，h为隐含层节点的数目，m和n分别是输入层和输出层节点的数目，a为1—10之间的调节常数。h为4—13之间的常数，测试结果如表4所示。

由表4数据可知，最佳的隐含层节点数为10，相应的准确率为0.893。

（二）BP神经网络的训练

本文使用MATLAB R2017a 软件进行BP神经网络训练，结构图见图2，训练过程见图3。

（三）训练结果

从图4和图5可知，测试的50个样本中，误判了2个，正确率为96%，表明本文的8个财务指标所构建的BP神经网络模型有较好的财务风险预测能力，能识别出“ST”企业和健康企业。

五、中国铁物案例分析

（一）中国铁物概况分析

中国铁物前身为天津一汽夏利汽车股份有限公司（简称“一汽夏利”），成立于1997年，1999年在深圳证券交易所上市。21世纪以来随着汽车市场竞争加剧以及企业经营不善，一汽夏利陷入了低谷。自2012年始，一汽夏利产销量同比下滑三成，2013年公司净利润亏损达4.8亿元，此后一汽夏利便开始在资本市场中的漫长挣扎之路，最终于2021年1月8日发布公告声称公司更名为中国铁路物资股份有限公司。至此，一汽夏利正式退出汽车制造业。为分析企业在退出汽车制造业之前面临的风险，在进行2021年1月8日之前的数据分析时使用一汽夏利，此后使用中国铁物。

（二）基于构建财务风险预警模型的分析

从上文可知，由8个模型输入变量构建的财务风险预警模型具有很好的预测效果，因此本文选取中国铁物2013—2020年这8个指标进行分析，见图6和图7。

（1）一汽夏利企业在2013—2014年间相关偿债能力指标均处于下降趋势，且这两年的企业利息保障倍数均为负数，利息偿还能力较弱，企业偿还债务的风险较大，在接下来的几年内，虽然一汽公司相关偿债能力指标有上升的趋势，但这种趋势并未保持下来，在2019年甚至高达-31.97，表明公司此时处于严重的财务危机之中。

（2）总资产周转率在2013—2019年间均处于下降趋势，表明中国铁物的资产利用效率逐年降低，企业的营运能力正在下降。同时应收账款周转率近四年来呈现直线下降趋势，考虑到企业近年来存在大量的关联方交易，存在大量的应收款项，相应地占用了企业大量的营运资金，严重影响了企业正常的资金周转。企业的存货周转率在2020年以前也处于逐渐降低的状态，表明公司的整车销售周转过慢，出现了产品滞销的现象，表明该期间公司的经营能力和管理水平存在较大的风险。

（3）2013年和2014年企业的总资产净利润指标均为负值，企业在这两年均处于亏损状态，虽然在2015年企业扭亏为盈，摘了ST的“帽子”，但这是企业通过售卖核心资产才得以扭亏为盈的。核心資产的售卖也使企业被市场认可的产品失去了生产能力，企业的获利能力大大下降，企业陷入了多年的亏损之中。

（4）2013—2019年企业的营业收入现金净含量均为负，表明企业经营活动所产生的现金净流量为负，缺乏足够的现金流量来维持企业的正常经营。相应的只能寻求银行借款，这加大了企业的杠杆，正常经营受到严重影响。

（5）企业的总资产增长率指标除了在2017年为正，其他年份均为负，表明企业发展受限，难以保持稳定的增长，企业规模不断收缩。速动比率等8项指标能反映企业的经营状态，表明本文构建的财务风险预警模型可靠。

六、结论与建议

（一）结论

本文在因子分析法及BP神经网络的基础上构建财务风险预警模型，得出如下结论。

第一，BP神经网络预测模型对于企业的财务风险具有较强的识别能力，预测准确性较高，操作比较方便。

第二，BP财务风险预警模型预测准确率受样本企业财务状况类型的影响。

第三，BP财务风险预警模型预测准确率受样本企业预测年份的影响。

（二）建议

1.树立财务风险防范意识

企业应树立财务风险防范意识，积极构建财务预警模型。培养专业财务风险管理人员或者部门，做到防患于未然。在构建财务模型时，企业不能仅考虑财务指标，同时应该考虑非财务指标，使得模型预警指标更加完善，同时模型的构建还要时刻保持更新以适应企业不断变化的内外部环境，最大程度地考虑所有风险因素，从而始终保持财务预警模型的准确率以及稳定性。

2.加强资本结构管理

制造业属于重资产行业，资产负债率往往处于较高水平，相应的财务风险也大。因此，制造业企业应当构建合理的资本结构，合理搭配债务筹资以及权益筹资，同时合理组合短期筹资以及长期筹资，避免企业陷入因筹资不当而引起的财务危机之中。同时企业还应避免不合理的关联方交易以及盲目为管理企业进行担保，从而保证企业不会陷入信用危机。企业的财务管理部门应该制定科学合理的还款计划，加强对资金的管理，保持合理的资本结构，保证企业日常经营活动的正常运行。

3.加强现金流管理

现金是企业的血液，现金流的短缺会使得企业陷入财务危机之中。企业应在日常经营中积极关注自身现金流量变化趋势，制定合理的资金预算管理体系，避免出现占用大量流动资金而导致企业面临资金短缺的现象。

4.加强资产流动性管理

企业可通过加强应收账款以及存货的管理改善其流动性。对于应收账款管理来说，企业应建立完善的应收账款管理系统，对客户信用进行合理评价并保持更新，对于不同信用等级的客户应该匹配不同的信用政策。加强对于自身应收账款的监督与跟踪，安排专门人员对应收账款进行跟踪以及催收，避免企业出现过多的坏账而影响其正常的经营。而对于企业存货管理来说，企业应建立科学的产品产销预测系统，通过对销量的合理预测从而制定科学的存货水平。同时从各方面降低存货成本，如合理选址以减少存货运输成本，充分考虑产品市场以降低存货销售成本，从而加快存货的销售速度，提高存货周转率，加强企业的存货流动性。

5.提升盈利能力

企业的盈利能力能很好地反映企业在生产经营中获得收益的能力，因此企业应该加强自身的盈利能力。可通过控制企业的成本，建立成本责任中心，将成本落实到每个业务部门甚至每个员工身上，不断降低企业的生产成本。同时企业在面对市场的不断变化时，积极提高自身创新能力，增强自身核心竞争力，才能在激烈的市场竞争中保持良性发展。

【参考文献】

［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］刘平山，曾梓铭.基于GBDT的医药供应链金融信用风险评价［J］.会计之友，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］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，1987（6）：8-15.

［9］周首華，杨济华，王平.论财务危机的预警分析——F分数模式［J］.会计研究，1996（8）：8-11.

［10］陈静.上市公司财务恶化预测的实证分析［J］.会计研究，1999（4）：32-39.

［11］陈晓，陈治鸿.企业财务困境研究的理论、方法及应用［J］.投资研究，2000（6）：29-33.

［12］吴世农，卢贤义.我国上市公司财务困境的预测模型研究［J］.经济研究，2001（6）：46-55，96.

［13］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（6）：4-29.

［14］李红琨，陈永飞，赵根.基于现金流的财务预警研究：线性概率模型与Logistic模型之应用比较［J］.经济问题探索，2011（6）：102-105，111.

［15］宋彪，朱建明，李煦.基于大数据的企业财务预警研究［J］.中央财经大学学报，2015（6）：55-64.

［16］鲍新中，陶秋燕，傅宏宇.基于变量聚类和COX比例风险模型的企业财务预警研究［J］.系统管理学报，2015，24（4）：517-523，529.

［17］张培荣.基于XGBoost模型的企业财务危机预警研究［J］.财会通讯，2019（35）：109-112.

［18］徐荣贞，何梦珂.基于DBN的线上供应链金融信用风险研究［J］.会计之友，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.