基于动态财务指标和反欺诈的财务危机预警

ISSN 1001-9081

CODEN JYIIDU2019-12-30

http: //www. joca. cn

基于动态财务指标和反欺诈的财务危机预警

李辰杰*

(浙江工业大学计算机科学与技术学院，杭州310023)

(*通信作者电子邮箱nblcj3388@ 163. com)

摘要：目前针对财务危机的研究很多，多数采用了静态财务指标结合机器学习进行预测。针对财务危机是一 个动态演变的过程这个问题，考虑到财务指标在时间上的动态变化在一定程度上反映公司的财务状况，提出了基于 静态财务指标的动态财务指标。同时针对财务欺诈对于财务危机判断的影响的问题，加入了反欺诈指标，并与深度 神经网络框架结合，建立财务危机预测模型。通过实验对提出的模型进行准确率测试。实验结果表明，增加的动态财 务指标能有效提高预测模型的准确率，结合深度神经网络的模型获得了最好的预测准确率，达到89. 97%。增加的反 欺诈指标能有效检测财务欺诈的样本,增强预警模型的现实意义。

关键词：动态指标；财务危机;深度神经网络;反欺诈

中图分类号：TP391.77 文献标志码:A

Financial crisis early warning based on dynamic financial indicators and anti-frand

LI Chenjie *

(College of Computer Science and Technology, Zhejiang University of Technology, Hangzhou Zhejiang 310023, China)

Abstract： At present, there are many researches on financial crisis, and most of them use static financial indicators

combined with machine learning for prediction. In view of the fact that financial crisis is a dynamic evolution process, considering the dynamic changes of financial indicators in time to reflect the financial status of the company to a certain extent, a dynamic financial indicator based on static financial indicators was proposed. At the same time, anti-fraud indicators were added to address the impact of financial fraud on financial crisis judgments, and deep neural network framework was used to establish a financial crisis prediction model. The accuracy of the proposed model was tested by experiments. The experimental results show that the increased dynamic financial indicators can effectively improve the accuracy of the prediction model. The model with deep neural network has obtained the best prediction accuracy, reaching 89. 97%. The increased anti-fraud indicators can effectively detect the sample of financial fraud and enhance the practical significance of the early warning model.

Key words： dynamic indicator; financial crisis; Deep Neural Network (DNN); anti-fraud

〇引言

如何预测公司是否会出现财务危机一直以来都是一个被

方向使绝大多数的研究试图通过应用一种新的分类方式或多 种分类方式的结合来提高财务危机预警模型的性能。但是， 应用更复杂的分类方法并不是提高财务危机预警模型性能的 唯一方法，也可以通过创建新的解释变量来提高性能[2]。

在原有静态财务指标的前提下，我们的研究试图利用财 务指标时间序列上所反映的信息，创建一个指标变量来反映 最近一年的财务指标与其前两年的财务指标的变化趋势。它 提供了一种简单有效的方法将财务指标的时间变化趋势变化 为静态指标。因此，分析师不需要使用复杂的方法来动态地 建立预警模型，同时能够提高模型的预测能力。

财务报表欺诈也是现实中公司存在的一个巨大问题，它 是公司为了获取不正当利益，在编制对外的财务报表时违背 会计准则对信息质量要求的规定，在财务报表中作出虚假的 记载，误导性陈述以及重大遗漏，以此来粉饰公司的财务报 表。它往往会给利用财务报表作出决策的使用人带来误导和 经济损失。同时，财务报表欺诈也是影响财务危机预警模型 准确率的一个重要因素，财务报表欺诈的公司，它的财务指标 往往呈现正常的状态，甚至优于一般公司的财务指标,这就会 给模型带来错误的分类经验，影响模型对于财务危机预警的 准确率。所以，本文试图通过加人反欺诈指标，找出可能经过 修饰的财务报表，对其作出标记，以此来消除财务报表欺诈行

业界广泛关注的话题，因为它不仅对公司本身十分重要，对投 资者来说更具有重要的警示作用。如果能够有效地预测一个 公司是否会出现财务危机，公司的管理层就可以采取适当的 补救措施来防止财务危机的发生，投资者也可以借此预判公 司的经营状况，合理调整自身的投资策略，以减少可能发生的 投资的损失。因此，有效预测公司财务危机具有重要的现实 意义。

在财务危机预警研究领域存在一些比较相似的特点:首 先，大量的研究应用最先进的人工智能方法来构建财务危机

预警模型并对其性能进行比较。其次，自20世纪60年代以 来，以比率形式表示的财务信息在财务危机预警模型的解释 变量中一直占主导地位[1]。这可以理解为，财务指标提供了 一种简单而有效的方式来表示和评估公司的财务状况。再 次，反映公司最近一年的财务状况的静态财务指标在财务危 机预警模型中占主导地位。然而，对财务指标时间序列上反 映的信息研究较少，这些信息可以进一步分析，本研究将致力 于此。

静态财务比率的应用作为财务危机预警模型的主流研究

收稿日期:2019-06-24;修回日期:2019-09-15。

作者简介:李辰杰（19%—），男，浙江宁波人，硕士研究生，CCF会员，主要研究方向:智慧经融。

276

为带来的影响。

计算机应用

第39卷

需要注意的是，本文提出的动态指标可以取任何正值或

同时，本文还试图研究分类器对预警模型性能的影响，使 用了深度神经网络的分类方法，同在财务危机预警领域有良

好效果的logistic分类方法进行对比。

实验结果表明，将所提出的动态指标与静态财务指标相 结合，可以提高财务危机预警模型的准确性。加人反欺诈指 标能够有效提高对于财务欺诈样本的判别。同时，使用深度 者负值,这可能会限制其在一些线性模型中的使用，如逻辑回 归，这些模型对极大值或极小值的存在十分敏感，所以，限制 动态变量的范围也是有必要的。为此，本文提出了以下公式：

「1，^ = 0,

“，

A

<_1

^ 1

(2)

- 1 ^

D, > 1

神经网络分类方法得到了最好的预测结果。

1

相关工作

BeaVer[3]发表了关于财务比率在预测企业破产方面作用

的开创性著作，至今已经有50年了。虽然经过了很长时间， 但这一课题仍有大量的文献发表。Altman[4]将比弗的单比率 方法扩展到同时检测多个财务比率的多比率方法，奠定了静 态财务指标在财务危机预警领域的主导地位。

本研究的主要假设是建立在静态财务指标之上，利用财 务指标时间序列反映的内容可以提高财务危机预警模型的准 确率。最近一年的静态财务指标的应用是目前财务危机预测 的主流方法，而对于一系列财务指标反映的信息关注较 少[5]。Lin等[6]也提出了类似的观点,他们认为需要进一步 研究多期数据在财务危机预警模型中的作用。Sim等[7]进一 步说明了其重要性，他们认为仅基于静态财务指标的模型不 能随着时间的推移有效地预测财务危机。Nikolic等[8]提出， 财务指标的动态性是未来研究的重要方向。

基于上述文献，已经有一些研究试图将财务危机预警模 型动态化[9]。Nwogiigu[w]也对构建动态模型的必要性作出了 说明，他认为基于静态财务指标的模型存在缺陷，因为它没有 考虑财务指标变化的过程。如果一个公司存在财务困难，他 的财务指标可能是较差的;然而，如果公司采取了适当的措 施，处理了存在的问题，它的财务指标可能优于之前，但仍旧 较差。静态模型没有考虑这一过程，就有可能高估公司出现 财务危机的可能性。因为，公司出现财务危机是一个动态演 进的过程，过程中不同的变化可能会导致不同的结果。

2

提出了动态指标的概念

在上述研究中有一个共识，那就是公司出现财务危机很 少是在没有任何预警信号的情况下突然发生的。更常见的情 况是，它是一个具有不同阶段的动态的过程[11]。这些阶段的 特征表现为财务业绩的不断下降，而财务业绩的变化可以通 过财务比率的时间序列来反映。这一假设已经在最早的破产 预测著作中得到了充分的验证。Beaver[3]指出，早在破产事 件发生的五年前，破产公司与健康公司之间就存在着显著的 财务比率差异。正如被引用的作者所说的，随着公司越来越 接近出现财务危机，财务比率出现越来越显著的差异。这也 是最近一年的财务比率在财务危机预测模型中占主导地位的 原因[6]。

本文在静态财务指标的基础上，试图通过加人财务指标 的动态变化，更好地反映公司出现财务危机的可能性。更准 确地说，本文提出的这一变量反映的是最近一年的财务比率 与其之前两年的财务比率的变化。这可以通过以下数学公式 计算：

Xt-1

~

^-avg(l-2,t-3)

((t-2,t-3)

1)

其中:t代表所要做出预测的年份J表示某项静态财务指标。

式(2)是式（1)的离散化公式，如果最近一年的财务比率 远低于其之前两年的财务比率，则取值为-1;如果变动在之 前两年的财务比率之间，则取值为〇;如果远高于与其之前两 年的平均财务比率，则取值为1。

3

加入财务报表反欺诈指标

本文基于中外学者对于财务欺诈方面的研究，从公司进 行财务欺诈的动机出发，选择了 12个用于识别的指标，如

表1所示。

表1

本文选取的反欺诈指标

内容反欺诈指标

盈利水平净利润/主营业务收入 主营业务收入/资产总额偿债能力负债总额/所有者权益突出会计项目 主营业务收入/资产总额 和财务指标

主营业务成本/存货 存货/资产总额应收账款增长率

发展能力

存货增长率 主营业务增长率 主营业务收现增长率

财务报表附注大股东高比例质押股权审计意见

审计意见

3.1基于盈利水平的指标

公司对于自身的盈利水平非常重视，如果自身的盈利水 平没有达到预期，公司就有可能进行财务欺诈，修饰盈利水平 达到预期目标。公司操纵盈利水平的主要手段是通过操作利 润来提升公司的盈利水平。比如主营业务收人与成本不匹 配，来增加公司利润、资产，从而改善公司的财务状况[12]。利 润操作手段包括虚构收人和成本、少计摊销费用、少计折旧、

不确认坏账损失等。Spathis等[13]研究认为财务欺诈公司和 正常公司在净利润/主营业务收人存在显著的差异，因此，本 文选择净利润/主营业务收人、主营业务收人/资产总额作为 反欺诈指标。

3.2基于偿债能力的指标

许多财务欺诈的公司是由于公司出现亏损或面临偿债困 难的情况，期望通过财务欺诈来修饰公司的经营状况。高负 债状况会增加财务报告舞弊的可能性[1243]。珀森斯研究表 明公司高负债情况下，会将风险从所有者转到债权人,当杠杆 系数增加时，潜在财产从债权人转到公司管理者[14]。而为了 完成债务合约，公司就有可能进行财务欺诈，所以本文选择了 负债总额/所有者权益作为反欺诈指标。3.3突出会计项目和财务指标

一些会计项目有较强的主观性，因此容易被操作来修饰 报表，如:应收账款、存货、主营业务收人等。珀森斯研究认为

增刊2

李辰杰:基于动态财务指标和反欺诈的财务危机预警

277

财务欺诈的公司流动资产的比例更高，其中绝大部分是存货 和应收账款[15]。当财务欺诈公司通过提早确定收人或虚假 销售的手段来修饰财务报表时,其应收账款周转率会低于一 般公司。而使用多计存货少结转成本手段时，也会使其存货 周转率与正常公司有显著的差异，因此本文选取主营业务收 人/资产总额、主营业务成本/存货、存货/资产总额作为反欺 诈指标。

速动资产包括货币资金、短期投资、应收票据、应收账款 及其他应收款，可以在较短的时间内变现。流动资产是指企 业可以在一年或者超过一年的一个营业周期内变现或者运用 所以添加的指标可以通过以下公式来计算：

F _丨1,大股东质押股权比例> 0.52 = i〇,其他

3.6基于审计意见的指标。

审计意见是指审计师在完成审计工作后，对于鉴证对象 是否符合鉴证标准而发表的意见。对于财务报表审计而言, 则是对财务报表是否已按照适用的会计准则编制，以及财务 报表是否在所有重大方面的公允，反映了被审计者的财务状 况、经营成果和现金流量发表意见。通过这些公告信息能够 很好地判断公司出现财务欺诈的可能性，因此，本文添加主审 的资产。速动比率、流动比率就是速动资产和流动资产与流 动负债的比值，一般公司会通过虚增速动、流动资产来达到粉 饰这两个反映短期偿债能力的财务指标。虚增资产的同时, 当年的净利润也会同时提高，但现金流确无法增加，所以可以 通过净利润与现金流的比率来检测是否有财务欺诈的行为， 根据经验值，这个比率应该大于1，所以添加的指标可以通过 以下公式来计算：

F _ J1,净利润/现金流< 1

1 = i〇,其他

3.4基于发展能力的指标

公司每年往往有一定的发展目标，当公司的发展速率降 低，没有达到预期所制定的目标时，公司就有可能通过财务欺 诈修饰自身的经营水平,来达到所指定的目标。因此，本文选 择了应收账款增长率、存货增长率、主营业务增长率作为反欺 诈指标。

主营业务收现率即公司销售商品、提供劳务收到的现金 与主营业务收人的比率。它可以用来分析主营业务收人有多 大的比例转换成现金，又有多少收人以应收账款的形式存在。 如果主营业务收现率下降，说明应收账款在主营业务收人中 的占比提高，而通过虚增应收账款来粉饰财务报表是财务报 表欺诈的一种重要手段，因此本文把主营业务收现增长率也 作为一个反欺诈指标。

3.5基于财务报表附注的指标

在之前对于财务欺诈的研究中，研究的重点往往放在财 务报表及其所反映的财务指标上，通过对财务报表特定项目 和特定财务指标的研究，来判断是否存在财务欺诈的现在，而 很少关注财务报表附注对于财务欺诈判断的作用。

财务报表附注是对资产负债表、利润表、现金流量表和所 有者权益变动表中列示项目的文字描述或明细资料，以及未 能在这些报表中列示项目的说明等，它使财务报表使用者能 够深人了解基本财务报表的内容。其内容主要包括:企业所 采用的主要会计处理方法，会计处理方法的变更情况、变更的 原因及对财务状况和经营业绩的影响，发生的非经常性项目， 一些重要报表项目的明显情况、或有事项、期后事项以及其他 对理解和分析财务报表重要的信息。

其中大股东对于股权的掌控和质押情况在一定程度上反 映了公司的经营状况和出现财务欺诈的可能性。大股东通过 股权质押进行融资是市场中一种普遍的现象，通过质押所持 有的股权，能够快速获取急需的资金，但也反映了公司存在现 金流紧张、缺乏流动资金、负债率上升的问题。

一

旦大股东高

比例质押股权，即使各项财务指标正常，公司经营很可能已经 出现了极大问题，借此就能有效地判断财务欺诈的现象，所以 本文添加大股东高比例质押股权作为一个反欺诈指标。根据

经验值，大股东质押股权的比例超过50%即为高比例质押，

计意见指标作为一个反欺诈指标。所添加的指标可以通过以 下公式来计算：

F

_丨1，公司当年审计意见不为标准的无保留意见

3 _ i〇,其他

4

本文使用的分类方法

在增加了上述指标后，本文还想研究分类器对公司财务 危机预测的影响。神经网络在分类和预测问题上表现出强劲 的性能，目前也在各个领域被广泛地应用。而深度神经网络 能更好地突出特征，使分类和预测各加精准。逻辑回归广泛 应用于破产预测当中，并被证明具有很强的分类和预测能力。 孔宁宁等[16]以最新的财务数据为研究对象构建了 logistic财 务预警模型，经研究发现logistic回归具有较高的识别率。王 宗胜等[17]以制造业上市公司为研究对象，分别应用logistic 回归分析与Fisher判别法构建了财务危机预警模型，发现

logistic预警模型的识别率显著高于Fisher预警模型。

综上所述，本文采用深度神经网络和逻辑回归方法进行 对比验证。

4.1深度神经网络

人工神经网络也被称为层感知机是只含1层隐藏层的节 点的浅层模型，而深度神经网络是通过构建具有多隐层的机 器学习模型和大量的训练数据，来学习更有用的特征，从而 最终提升分类或预测的准确性。

按不同层的位置划分,深度神经网络内部可以分为3类： 输人层、隐藏层和输出层。一般来说，第一层是输人层，最后 一层是输出层，而中间的层数都是隐藏层，其中隐藏层可以为 多层。层与层之间是全连接的，也就是说，第€层的任意一个 神经元一定与i + 1层的任意一个神经元相连。同时每个神 经元都有一个激活函数,每个神经元节点都有各自的权重和 偏置，输人值乘以权重加上偏置经过激活函数处理后输出。 层与层之间通过全连接将上一层的输出作为本层的输人，从 输人层开始进行向前传播，最后到输出层输出分类结果。之 后通过损失函数将输出结果与数据集中的实际结果进行比 较，并通过优化器对权值和偏置进行优化，然后反向传播优化 后的权值和偏置，再次训练，直到训练结束。本文采用ReLU激活函数，各隐藏层的神经元数量为 100、50、20、10,最后输人到softmax分类器中进行分类。使用 的学习率为0. 01,Dropout为0.75,训练500次。4.2

logistic 回归

logistic回归是一种线性回归分析模型，是比较常用的机

器学习方法，用于估计某种事物的可能性，常用于数据挖掘、 疾病自动诊断、经济预测等领域。它将概率的对数作为自变 量的函数进行建模，其模型的一般形式为：

In (尸/(1 -;〇 )=怂^ +迗%2 + …+ 0人

278

计算机应用

第39卷

其中：/>代表公司出现财务危机的概率；A代表参数估计，& 代表独立变量。采用极大似然数法对参数进行估计。

提升了 2. 89个百分点。

在分类器的效果比较上，深度神经网络的分类正确率要

高于logistic回归的分类正确率。静态财务指标下总计分类 正确率高于逻辑回归2. 88个百分点，增加了动态指标后总计 分类正确率高于逻辑回归3.18个百分点。

表3

分类器

动态财务指标的实验结果比较

静态财务

指标/%

86.9686.595

实验所用的数据及结果

5.1动态财务指标的实验

本文采用的数据集包括2015年至2017年上交所上市的 1460家公司作为样本。在选取数据时，考虑了以下几个方 面：

1)

样例正常财务危机静态+动态 财务指标/%

90.8989.05只考虑有连续3年有效数据的公司，因为本文提出的

动态变量的计算需要基于连续3年财务指标序列，因此，成立 深度神3年以下的公司,其财务状况也往往与出现财务危机的公司 类似，被排除在外。

2)

由于被特别处理的上市公司是出现财务状况异常的

公司，通常是因为最近两年的净利润为负值，也就是连续两年 亏损或每股净资产低于股票面值，所以本文选取被ST的公司 作为出现财务危机的样本。

3)

由于部分公司的部分财务数据缺失，无法计算有效的 财务指标，所以本文也剔除了这些可能影响预测效果的公司。最终本文在这1460家公司中选取了 46家ST公司作为 出现财务危机的样本，同时选取了 184家正常公司的样本，出 现财务危机的样本与正常样本的比例为1:4,这也符合在真 实环境中出现财务危机的公司少于正常公司的特点。根据财 务指标，根据表2的公式计算了下列自变量。提出的动态变 量是根据表2的计算公式、式(1)和式(2)计算得到的。这意 味着总共有39个变量（13个静态财务指标，13个基于式（1) 的变量，13个基于式(2)的变量）。

表2

本文所选取的财务指标

内容财务指标计算方法

短期偿流动比率流动资产/流动负债债能力速动比率速动资产/流动负债长期偿资产负债率负债总额，资产总额债能力产权比率负债总额，所有者权益总额运营能力资产周转率周转额/资产平均余额营业利润率营业利师业收人获利成本费用利润率利润总额，成本费用总额能力

总资产报酬率息税前利润总额/平均资产总额净资产收益率净利?M/平均净资产

营业收入增长率

本年营业收入增长额/上年营业收入扣除客观因素后的年末所有者权益 发展资本保值增值率总额/年初所有者权益总额能力

总资产增长率本年总资产增长额，物资产总额营业利润增长率

本年营业利润增长额/上年营业利润 总额

为了避免出现特异性结果，本文采用了 10折交叉验证

法。将数据集分成10份，轮流将其中9份作为训练集，1份 作为测试集，进行实验。最后，对这10次实验的结果进行了 平均，得到了最后的结果。

从表3可以看出，在增加了所提出的动态财务指标之后， 模型对于正常样本和财务危机样本的预测准确率都有了明显 的提高，在深度神经网络中对于正常样本的预测准确率提高 了 3.93个百分点，对于财务危机的样本预测准确率提高了 2.46个百分点，总体平均预测的准确率提升了 3. 19个百分 点。在

logistic回归中对于正常样本预测准确率提高3. 0

5%，

对于财务危机的样本提高了 2.72%，总体平均预测的准确率

经网络

总计86.7889.97logistic

正常83.9687.01回归

财务危机83.8586.57总计

83.90

86.79

5.2增加反欺诈指标的实验

无法表示意见的审计报告就是注册会计师工作范围受限

制，无法对财务报表获取充分适当的审计证据，一般来说，审 计单位出具无法表示意见说明公司的财务报表存在重大问

题，无法确定公司财务报表的真实性，因此，选取被出具无法 表示意见审计报告的公司作为财务欺诈样本。最终本文在

5.1节实验的基础上添加30家财务欺诈公司也作为出现财 务危机的样本，总计76家财务危机样本(其中包括46家财务 危机样本和30家财务欺诈样本），184家正常样本。变量较 多选择K-L变换作为特征提取方法，消除模式特征之间的相 关性，突出差异方面。

表4

增加反欺诈指标的实验结果比较

分类器

样例

静态+动态 静态+动态+ 财务指标/%

反欺诈指标/%

深度正常

90.8989.80神经财务危机(财务危机+欺诈）

86.5189.05网络

总计88.70

89.48

从表4可以看出，在增加了反欺诈指标之后:模型对于正 常样本的准确率虽然有所下滑,降低了 1.09个百分点;但模 型对于添加了欺诈样本的财务危机样本的判别能力大幅增 强，增加了 2.54个百分点;总体平均预测准确率上升了 0. 78 个百分点。

6

结语

静态财务危机预测模型在研究中占据主导地位，本文的 研究结果表明了考虑财务指标的动态性可以有效提高财务危 机预测模型的准确性。正如Beaver[3]所指出的，财务指标往 往在出现财务危机前呈现恶化趋势。本文提出的采用静态变 量的方式表示财务指标在时间上的动态变化是简单而有效 的，它可以应用在多种分类方法当中，具有很强的适用性。在 实验中，无论是采用深度神经网络还是logisic回归作为分类 方法，在添加了所提出的动态财务指标之后，其预测效果都要 优于仅使用静态财务指标。

本文研究假设财务指标的时间演变对财务危机具有显著 的表示力，这一假设基于之前的实验研究结果。如:Du等™ 发现基于财务指标时间演化的模型比仅基于静态财务指标的 模型具有更好的预测能力;然而，该方法在计算上十分复杂， 会限制其在实际应用中的适用性。本文所提出的构建动态财 务指标的方法更加简单、有效，在实际应用中可能会有更好的

增刊2适用性。

李辰杰:基于动态财务指标和反欺诈的财务危机预警

279

crisis prediction [ J]. Expert Systems with Applications, 2011, 38 (12)： 15094-15102.[7]

SUN J, LI H. Dynamic financial distress prediction using instance selection for the disposal of concept drift [ J]. Expert Systems with Applications, 2010,38(3): 2566 -2576.[8]

NIKOLIC N, ZARKIC-JOKSIMOVIC N, STOJANOVSKI D, et al. The application of brute force logistic regression to corporate credit scoring models: Evidence from Serbian financial statements[ J]. Ex­pert Systems with Applications,2013,40( 15): 5932 -5944.[9]

NIYITRAI T. Dynamization of bankruptcy models via indicator vari- 同时，分类方法的选择也是影响财务危机预测模型准确 率的一个重要原因，选择合适的分类方法结合财务指标能得 到更好的分类结果。在本文的实验中，无论是仅使用静态财 务指标，还是使用静态财务指标结合动态财务指标，深度神经

网络都取得了比logistic回归更好的预测效果。这说明了使 用合适的深度神经网络能够构建更加有效的财务危机预警模 型。而所提出的深度神经网络结合动态财务指标的模型取得 了最好的效果，说明了深度神经网络结合动态财务指标构建 的模型在预测财务危机中起到了相当积极的作用。

如何判别财务欺诈也被广泛研究，但之前的研究更多专 注于财务欺诈判别方便，而缺乏将财务欺诈应用于财务危机 预警模型之中。本研究将反财务欺诈指标添加至财务危机预 警模型的解释变量中，虽然对于正常样本的判别有所影响，但 大大增强了对于财务欺诈样本的预测能力。根据现实中发现 一个危机样本的重要性和经济价值远大于正确判断一个正常 样本的事实,所提出的静态+动态+反欺诈指标的财务危机 预警模型具有重要的现实意义。

但是，本文的研究也存在以下的不足之处，本文采取的数 据并没有对涉及公司的行业进行明确的划分，通过分析特定 行业所具有的特点，来得到更加符合某个行业特征的财务危 机预警模型，如:仅针对房地产也公司构建的财务指标特点来 构建针对性的财务危机预警模型。参考文献：

[1]

CHEN J - H. Developing SFNN models to predict financial distress of construction companies [ J]. Expert Systems with Applications, 2012, 39(1)： 823 -827.[2]

SUN L. A re-evaluation of auditors’ opinions versus statistical mod­els in bankruptcy prediction [ J]. Review of Queintitative Fingince and Accounting, 2007,28(1): 55 - 78.[3] BEAVER W H. Financial ratios as predictors of failure[ J]. Journal of Accounting Research, 1966,4(1): 131.

[4]

ALTMAN E I. Fingincial ratios, discrimingint ginalysis and the pre­diction of corporate bankruptcy[ J]. The Journal of Finance, 1968, 23(4): 589 -609.[5]

CHEN N, RIBEIRO B, VIEIRA A, et al. Clustering and visualiza­tion of bankruptcy trajectory using self-organizing map[ J]. Expert Systems with Applications, 2013,40( 1): 385 -393.[6]

LIN F, LIANG D, CHEN E. Financial ratio selection for business

ables[ J]. Benchmarking: An International Journal, 2019, 26(1): 317 -332.[10]

NWOGUGU M. Decision-making, risk and corporate governance: A critique of methodologiceil issues in bankruptcy/recovery predic­tion models[ J]. Applied Mathematics and Computation, 2005, 185(1): 178 -196.

[11]

NWOGUGU M. Decision-making, risk and corporate governance: New dynamic models/algorithms and optimization for bankruptcy decisions[ J]. Applied Mathematics and Computation, 2006, 179(1) : 386 -401.

[12]

FANNING K M, COGGER K 0. Neural network detection of man­agement fraud using published financieil data[ J]. Intelligent Sys­tems in Accounting, Fingince & Mginagement, 1998,7( 1): 21 -24.

[13]

SPATHIS C T. Detecting false financial statements using published data: some evidence from Greece[ J]. Managerial Auditing Journal, 2002,17(4)： 179 -191.

[14]

KO P-C, LIN P-C. An evolution-based approach with modularized evaluations to forecast financial distress[ J]. Knowledge-Based Sys­tems, 2006,19( 1) ： 84 -91.

[15]

PERSONS 0. Using fingincial statement data to identify factors as­sociated with fraudulent financial reporting[ J]. Joumgil of Applied Business Research, 1995,11(3): 38 -46.

[16]

孔宁宁,魏韶巍.基于主成分分析和Logistic回归方法的财务

预警模型比较—

来自我国制造业上市公司的经验证据[J].

经济问题，2010(6):112-116.

[17]

王宗胜，尚姣姣.我国制造业上市公司财务困境预警分析[J统计与决策,2015(3): 174 - 177.

[18]

DU JARDIN P, SfiVERIN E. Forecasting financial failure using a Kohonen map: a comparative study to improve model stability over time[ J]. European Journal of Operational Research, 2012, 221(2) ： 378 -396.

].