基于卷積神經(jīng)網(wǎng)絡(luò)的上市公司財務(wù)困境預(yù)警研究

摘 要：財務(wù)困境預(yù)警是通過監(jiān)測和分析企業(yè)的財務(wù)狀況，及時發(fā)現(xiàn)潛在的財務(wù)風(fēng)險，從而為決策者提供及時的警示，以便采取預(yù)防或緩解措施，避免或減輕可能的經(jīng)濟損失。本文構(gòu)建了一種基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)網(wǎng)絡(luò)，將來自上市公司的資產(chǎn)負(fù)債表、利潤表、現(xiàn)金流量表和股票交易等不同來源的411個指標(biāo)進(jìn)行深度融合與壓縮，用于財務(wù)困境預(yù)警。與5種經(jīng)典機器學(xué)習(xí)算法在準(zhǔn)確率、精準(zhǔn)率、召回率、特異度和f1得分等五個評估指標(biāo)的對比結(jié)果顯示出本文提出的財務(wù)困境預(yù)警模型有明顯的優(yōu)勢。

關(guān)鍵詞：財務(wù)困境；卷積神經(jīng)網(wǎng)絡(luò)；多源異構(gòu)數(shù)據(jù)

一、引言

21世紀(jì)是市場經(jīng)濟飛速發(fā)展的一個時期，中國經(jīng)濟保持快速增長的態(tài)勢，各上市公司間的競爭也越發(fā)激烈。上市公司的正常運轉(zhuǎn)，無論是對企業(yè)、投資者還是政府而言都極其重要。如何準(zhǔn)確地對上市公司財務(wù)困境進(jìn)行預(yù)警，在風(fēng)險來臨之前進(jìn)行提示，從而便于上市公司采取有效措施，避免企業(yè)出現(xiàn)財務(wù)風(fēng)險，成為上市公司的經(jīng)營者、投資者和管理者最為關(guān)心的課題之一。

自FitzPatrick（1932）首次研究財務(wù)困境預(yù)測模型以來[1]，上市公司財務(wù)困境預(yù)警一直都是一個熱門的研究領(lǐng)域。下面從問題界定、影響因素和模型三個方面對國內(nèi)外相關(guān)研究進(jìn)行綜述。

財務(wù)困境的界定。在國內(nèi)外相關(guān)研究中，與“財務(wù)困境”類似概念還有“財務(wù)危機”“財務(wù)失敗”“財務(wù)惡化”和“財務(wù)風(fēng)險”，它們的基本內(nèi)容相似，只是表達(dá)程度與側(cè)重點有所區(qū)別。國外學(xué)者一般將企業(yè)破產(chǎn)作為企業(yè)陷入財務(wù)困境的標(biāo)志[1～2]。因為我國的上市公司到目前為止還沒有出現(xiàn)過破產(chǎn)的案例，國內(nèi)學(xué)者在研究財務(wù)困境問題時，大都將上市公司因財務(wù)狀況異常而被宣布為ST作為財務(wù)困境的標(biāo)志[3～4]，也有學(xué)者將財務(wù)困境劃分為不同的發(fā)展階段來進(jìn)行研究[5]。

財務(wù)困境預(yù)警指標(biāo)的選擇。在研究企業(yè)財務(wù)困境問題時，大部分研究都基于財務(wù)報表來選擇預(yù)警指標(biāo)。如：Beaver選取現(xiàn)金流/總負(fù)債指標(biāo)作為預(yù)警指標(biāo)[6]；Altman，Haldeman和Narayanan選取凈資產(chǎn)收益率、利潤穩(wěn)定性、利息保障倍數(shù)、留存收益/總資產(chǎn)、流動比率、普通股收益/總資本建立ZETA模型取得了良好的預(yù)測效果[7]；OhlSon選取總資產(chǎn)/物價指數(shù)、負(fù)債比率、營運資金/總資產(chǎn)、流動比率、總資產(chǎn)報酬率、營業(yè)現(xiàn)金流量/總資產(chǎn)結(jié)合三個虛擬變量（負(fù)債、稅后凈利和凈收入變動）構(gòu)建Logistic模型[8]；周首華基于Z模型，考慮現(xiàn)金流量指標(biāo)，構(gòu)建了F模型[9]；王自強選擇了反映企業(yè)盈利能力、償債能力、成長能力、擴張能力以及運營能力的11個指標(biāo)構(gòu)建了綜合評價指標(biāo)體系，取得了較為理想的預(yù)測效果[10]；方匡南選取了償債能力、成長能力、分紅能力、收益質(zhì)量、現(xiàn)金流量、盈利能力、營運能力、資本結(jié)構(gòu)等共8組90個指標(biāo)構(gòu)建了SGL-SVM模型來進(jìn)行預(yù)測研究[11]；宋宇利用反映償債能力、企業(yè)規(guī)模、盈利能力、經(jīng)營能力、非財務(wù)因素以及宏觀環(huán)境的38個指標(biāo)構(gòu)建了Cox回歸模型[12]。也有學(xué)者認(rèn)為非財務(wù)因素，如公司治理結(jié)構(gòu)、股權(quán)結(jié)構(gòu)、宏觀經(jīng)濟因素等，對企業(yè)財務(wù)狀況也存在顯著影響，因此在相關(guān)研究中納入了內(nèi)部經(jīng)營管理、董事會結(jié)構(gòu)、股權(quán)集中度、經(jīng)濟增長、信貸、利率、匯率、經(jīng)濟周期等因素分析企業(yè)財務(wù)困境問題[13～15]。

財務(wù)困境預(yù)警模型。如前所述，關(guān)于財務(wù)困境模型的研究已取得了豐碩的成果。從最簡單的單變量判別模型到多元判別模型[1]、多元回歸模型[2，16]、Logistic回歸[17～18]，到貝葉斯決策模型、生存分析[19～20]等，再到機器學(xué)習(xí)與人工智能模型如神經(jīng)網(wǎng)絡(luò)[21～22]、支持向量機[23]、遺傳算法、專家系統(tǒng)等。

綜上所述，國內(nèi)外學(xué)者從20世紀(jì)30年代開始，在指標(biāo)選取、樣本選擇和模型構(gòu)建等方面，對企業(yè)財務(wù)困境問題進(jìn)行了較為系統(tǒng)的研究，取得了大量的研究成果。同時也存在一些問題，主要表現(xiàn)在：第一，變量選擇不夠全面、缺乏客觀依據(jù)。第二，對數(shù)據(jù)的時序特征重視不足?，F(xiàn)有的大部分研究在構(gòu)建模型時只是使用了截面數(shù)據(jù)，忽略了時間序列方面的特征。第三，數(shù)據(jù)來源較為單一?，F(xiàn)有的財務(wù)困境研究大都基于企業(yè)財務(wù)報表這一單一數(shù)據(jù)來源進(jìn)行分析研究。第四，卷積神經(jīng)網(wǎng)絡(luò)（CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）、長短期記憶網(wǎng)絡(luò)（LSTM）等在金融數(shù)據(jù)分析中有成功應(yīng)用的方法[24]，在財務(wù)困境分析中還不多見。

二、財務(wù)危機預(yù)警模型

本文開發(fā)的基于二維卷積神經(jīng)網(wǎng)絡(luò)的財務(wù)困境預(yù)警模型結(jié)構(gòu)如圖1所示。綜合利用上市公司的資產(chǎn)負(fù)債表、利潤表、現(xiàn)金流量表、股票交易數(shù)據(jù)等多種來源數(shù)據(jù)。對每一來源的數(shù)據(jù)不做人工篩選，而是利用滑動窗口和二維化技術(shù)，形成多個通道的三維數(shù)組。利用卷積神經(jīng)網(wǎng)絡(luò)里的特點，對輸入不同子網(wǎng)絡(luò)的三維數(shù)組進(jìn)行信息融合與特征提取，最終利用分類器網(wǎng)絡(luò)預(yù)測輸出預(yù)警狀態(tài)。

（一）數(shù)據(jù)預(yù)處理

在數(shù)據(jù)預(yù)處理階段主要是進(jìn)行滑動窗口數(shù)據(jù)的標(biāo)準(zhǔn)化變換與二維化變換。股票交易數(shù)據(jù)和財務(wù)報表數(shù)據(jù)都具有時間序列的特性，即有一定的序列相關(guān)性。通?？梢栽O(shè)置一個滑動窗口寬度w，在t時刻選擇[Xt=xt-w+1，xt-w+2，...，xt]作為時刻的輸入特征。選取合適的滑動時間窗口后，將數(shù)據(jù)在窗口內(nèi)進(jìn)行標(biāo)準(zhǔn)化處理，以消除不同變量量綱的影響。本文選擇最大最小標(biāo)準(zhǔn)化，計算公式如下：

這里[ε]是事先確定的常數(shù)（例如取1），是為了避免在滑動窗口內(nèi)，最大值與最小值相同，導(dǎo)致分母為零的情形。

進(jìn)行二維化變換的目的是形成三維數(shù)組，以充分利用二維卷積神經(jīng)網(wǎng)絡(luò)的信息融合與壓縮能力。假設(shè)t時刻數(shù)據(jù)來源1的指標(biāo)經(jīng)過標(biāo)準(zhǔn)化處理后為[Xtk，k=1，2，...，N1]。此時，初始化一個[n1×n1]零矩陣[Mt1]，這里[n1-12<N1≤n21]，按照一定的次序（比如隨機次序）將[Xtk]填入[Mt1]，就完成了數(shù)據(jù)的二維化變換。若來源1的滑動窗口寬度為[w1]，則[Mt-w+11，...，Mt1]就是圖1中維度為的[w1×n1×n1]三維數(shù)組。

在t時刻，對每一來源的數(shù)據(jù)，獨立進(jìn)行上述滑動窗口內(nèi)的標(biāo)準(zhǔn)化和二維化變換，就完成了t時刻的數(shù)據(jù)預(yù)處理。

（二）卷積神經(jīng)網(wǎng)絡(luò)

二維卷積神經(jīng)網(wǎng)絡(luò)（CNN）是一種專門用于處理圖像數(shù)據(jù)的深度學(xué)習(xí)模型。一個典型的卷積神經(jīng)網(wǎng)絡(luò)通常由多個卷積層組成。單個卷積層依次通常由卷積函數(shù)、激活函數(shù)、池化函數(shù)依次構(gòu)成。卷積函數(shù)通過卷積核在圖像上的卷積運算來提取圖像的局部特征。通過控制卷積核的大小和參數(shù)，可以起到特征融合與壓縮的功能。激活函數(shù)通常在卷積函數(shù)之后，通過應(yīng)用非線性激活函數(shù)（如ReLU），可以提高模型的表達(dá)能力。池化函數(shù)主要用于減少特征圖的維度，從而減少計算量并提高模型的抽象表達(dá)能力，同時在一定程度上消除指標(biāo)間共線性的影響[25]。另外還可以在卷積函數(shù)之后使用BatchNorm正則化等函數(shù)，歸一化輸入特征的分布，從而加快訓(xùn)練過程并提高模型穩(wěn)定性。

用于分類問題的卷積神經(jīng)網(wǎng)絡(luò)最后一層是分類器網(wǎng)絡(luò)，各個子網(wǎng)絡(luò)提取的特征會被展平拼接后傳遞到一個或多個全連接層，用于生成最終的預(yù)測結(jié)果。

三、財務(wù)危機預(yù)警模型實證研究

本文從不同來源獲取到實證數(shù)據(jù)，對數(shù)據(jù)進(jìn)行預(yù)處理后，采用2種不同的卷積神經(jīng)網(wǎng)絡(luò)模型設(shè)置對上市公司財務(wù)危機進(jìn)行預(yù)測，同時使用5種經(jīng)典機器學(xué)習(xí)模型進(jìn)行對比分析，采用預(yù)測的準(zhǔn)確率、精準(zhǔn)率、召回率、特異度和f1得分等評價指標(biāo)來對所有模型的預(yù)測結(jié)果進(jìn)行了對比。

（一）研究樣本與數(shù)據(jù)的選取

1. 數(shù)據(jù)來源與選擇標(biāo)準(zhǔn)

本文數(shù)據(jù)來源于銳思金融數(shù)據(jù)庫，以1990—2020年滬深A(yù)股的上市公司作為研究對象，將上市公司發(fā)生財務(wù)問題被ST（Special Treatment），即被特別處理作為公司發(fā)生財務(wù)危機的標(biāo)志，由于上市公司一旦經(jīng)歷過首次被ST后，其再次發(fā)生財務(wù)危機或被*ST的概率會增大，因此本文只選用自公司上市以來，首次被ST的上市公司作為財務(wù)危機樣本。

一家上市公司被判定為ST主要有以下這幾個方面：

（1）上市公司連續(xù)兩個會計年度的財務(wù)凈利潤是負(fù)值；（2）上市公司在一個會計年度中每股凈資產(chǎn)要低于股票面值，這種情況下無需連續(xù)兩年；（3）注冊會計師對上市公司當(dāng)年一個會計年度的報告出具無法表示或否定意見的審計報告；（4）上市公司被中國證監(jiān)會或交易所判斷為財務(wù)異常。

2. 配對樣本的選擇

通過對銳思數(shù)據(jù)庫中上市公司數(shù)據(jù)進(jìn)行篩選，自1990年開始共有208個上市公司經(jīng)歷過首次被ST，借鑒同類文獻(xiàn)通常的做法，本文選用1：3的比例進(jìn)行正常上市公司的配對。

在選擇配對上市公司時，本文遵循以下標(biāo)準(zhǔn)：

（1）為了排除市場經(jīng)濟環(huán)境的影響，配對上市公司與發(fā)生財務(wù)危機的上市公司要屬于同一年份；（2）為了能獲得配對上市公司三年的數(shù)據(jù)，配對上市公司需滿足已上市三年以上時間，且財務(wù)報表與股票數(shù)據(jù)沒有大量缺失值；（3）為了避免行業(yè)對上市公司的影響，配對上市公司與發(fā)生財務(wù)危機的上市公司所屬行業(yè)需相同；（4）為了增加樣本的可比性，配對上市公司與發(fā)生財務(wù)危機的上市公司資產(chǎn)規(guī)模需相同或相近；（5）當(dāng)以上兩個條件無法同時滿足時，則配對上市公司從與發(fā)生財務(wù)危機的上市公司的其他相近行業(yè)中選擇資產(chǎn)規(guī)模相同或相近的上市公司。

3. 特征指標(biāo)的選取

資產(chǎn)負(fù)債表表示各會計期末公司的資產(chǎn)、負(fù)債和業(yè)主權(quán)益的狀況，遵守了會計平衡原則，即資產(chǎn)=負(fù)債+所有者權(quán)益，其指標(biāo)可以反映公司整體的經(jīng)營狀況，是財務(wù)報表中的核心內(nèi)容。資產(chǎn)負(fù)債表可以分為資產(chǎn)、負(fù)債、所有者權(quán)益這三個方面。在資產(chǎn)負(fù)債表中本文共選取了155個指標(biāo)。

利潤表表示各會計期末公司的收入、費用和利潤的狀況，其指標(biāo)可以反映公司經(jīng)營資金流動的狀況，稱之為資本市場表。從利潤表中，可以看出資產(chǎn)負(fù)債表的資產(chǎn)和負(fù)債結(jié)構(gòu)的好壞。利潤表指標(biāo)可以分為營業(yè)總收入、營業(yè)支出、營業(yè)利潤、利潤總額、凈利潤、其他綜合收益等幾個方面。在利潤表中本文共選取了99個指標(biāo)。

現(xiàn)金流量表表示各會計期末公司的現(xiàn)金變動情況，其指標(biāo)主要體現(xiàn)的是資產(chǎn)負(fù)債表中的各類別指標(biāo)對公司現(xiàn)金流動的影響，通過分析可以知曉公司在短時間內(nèi)有無充足的資金去應(yīng)對支出，評價公司的短期生存能力，揭示內(nèi)在發(fā)展問題?，F(xiàn)金流量表指標(biāo)可以分為經(jīng)營活動產(chǎn)生的現(xiàn)金流量、投資活動產(chǎn)生的現(xiàn)金流量和籌資活動產(chǎn)生的現(xiàn)金流量等幾個方面。在現(xiàn)金流量表中本文共選取了112個指標(biāo)。

在股票交易數(shù)據(jù)中本文共選取了收盤價、成交量、流通股周換手率、流通股平均日換手率、每股營業(yè)利潤和每股營業(yè)收入等45個指標(biāo)。

4. 數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理主要包括缺失值異常值的處理、訓(xùn)練樣本不平衡的處理以及滑動窗口數(shù)據(jù)變換。

（1）樣本缺失值異常值的處理。對于缺失值，一般可以用所在列的“平均值”“中位數(shù)”“眾數(shù)”進(jìn)行填補，也可以對缺失數(shù)據(jù)進(jìn)行整行刪除。但由于本文是以深度學(xué)習(xí)算法進(jìn)行建模，是在大數(shù)據(jù)的基礎(chǔ)上進(jìn)行建模，如果樣本量過少，會造成模型精度的降低，所以對于缺失值，本文沒有進(jìn)行刪除，而是以樣本均值對缺失值進(jìn)行填補。

（2）訓(xùn)練樣本不平衡的處理。使用python中的imblearn模塊，利用其over_sampling子模塊中的SMOTE類完成算法，實現(xiàn)對不平衡樣本的處理。算法中，k_neighbors參數(shù)是選擇的近鄰個數(shù)，默認(rèn)的個數(shù)為5個，m_neighbors參數(shù)是從近鄰樣本中挑選的隨機樣本個數(shù)，默認(rèn)的個數(shù)為10個。

（3）滑動窗口寬度設(shè)置。由于股票交易數(shù)據(jù)、資產(chǎn)負(fù)債表、利潤表、現(xiàn)金流量表的變量特征數(shù)分別為45、155、99、112，因此t時刻的數(shù)據(jù)，按照不同來源轉(zhuǎn)化為[7×7，13×13，10×10，11×11] 的格式。通過對股票數(shù)據(jù)和財務(wù)報表不同滑動時間窗口組合的嘗試，本文選取模型效果最優(yōu)的組合為：股票數(shù)據(jù)的滑動時間窗口寬度為12，即三個月；財務(wù)報表的滑動時間窗口寬度為8，即兩年。因此每一子網(wǎng)絡(luò)輸入的數(shù)據(jù)分別為[12×7×7，8×13×13，8×10×10，8×11×11]的三維數(shù)組。

5. 網(wǎng)絡(luò)結(jié)構(gòu)與訓(xùn)練參數(shù)設(shè)定

本文構(gòu)造的財務(wù)預(yù)警網(wǎng)絡(luò)模型結(jié)構(gòu)參數(shù)見表1所示，子網(wǎng)絡(luò)1-3的輸入分別是三個財務(wù)表的滑動窗口數(shù)據(jù)，采用相同的網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)；子網(wǎng)絡(luò)4的輸入是股票交易的滑動窗口數(shù)據(jù)，第一層的輸入通道數(shù)與其他子網(wǎng)絡(luò)不同。分類器網(wǎng)絡(luò)是三層的全連接網(wǎng)絡(luò)。

（二）評估指標(biāo)

本研究使用準(zhǔn)確率（Accuracy）、精確率（Precision）、召回率（Recall）、特異度（Specificity）和[f1]分?jǐn)?shù)來評估對比不同模型的性能表現(xiàn)，計算公式如下：

這里，TP（True Positive）表示模型將正類別的樣本正確預(yù)測為正類別的樣本數(shù)量，F(xiàn)P（False Positive）表示模型將負(fù)類別的樣本錯誤預(yù)測為正類別的樣本數(shù)量，TN（True Negative）表示模型將負(fù)類別的樣本正確預(yù)測為負(fù)類別的樣本數(shù)量，F(xiàn)N（False Negative）表示模型將正類別的樣本錯誤預(yù)測為負(fù)類別的樣本數(shù)量。

（三）模型訓(xùn)練與結(jié)果分析

1. 模型訓(xùn)練參數(shù)設(shè)置

在實證中，為了對比股票交易數(shù)據(jù)在預(yù)警模型中的作用，本文采用兩種不同的輸入數(shù)據(jù)來源設(shè)置，用CNN1表示只使用財務(wù)報表數(shù)據(jù)的預(yù)警模型，CNN2表示同時輸入財務(wù)報表數(shù)據(jù)和股票交易數(shù)據(jù)的模型。在模型訓(xùn)練時，模型優(yōu)化方式設(shè)置為Adam方法，學(xué)習(xí)率設(shè)置為0.0002，batch_size設(shè)為32，epochs設(shè)為200。

邏輯回歸模型使用L2懲罰，參數(shù)Ｃ設(shè)置為0.01；支持向量機模型參數(shù)C設(shè)置為0.8，gamma設(shè)置為0.001；決策樹模型max_depth設(shè)置為4，max_leaf_nodes設(shè)置為500；隨機森林模型n_estimators設(shè)置為100，max_depth設(shè)置為2；AdaBoost模型n_estimators設(shè)置為60，learning_rate設(shè)置為0.1。

2. 結(jié)果分析

考慮到我國上市公司中，正常公司的數(shù)量要遠(yuǎn)遠(yuǎn)大于被ST的公司數(shù)量，巨大的樣本差異會使分類樣本數(shù)據(jù)非平衡化。針對不平衡數(shù)據(jù)，本文使用兩種不同的處理思路進(jìn)行了實證分析。

首先，使用各個模型自帶的權(quán)重平衡參數(shù)設(shè)置，不對數(shù)據(jù)做額外平衡處理。機器學(xué)習(xí)模型設(shè)置參數(shù)class_weight='balanced'，CNN1和CNN2模型損失函數(shù)的weight參數(shù)。從表2的預(yù)測結(jié)果對比可以看出，使用股票交易指標(biāo)可以大幅度提高預(yù)警模型的準(zhǔn)確率、精確率、召回率、特異度和f1得分。在所有模型的比較中，除了精確率指標(biāo)外，CNN2都是表現(xiàn)最優(yōu)的模型（AdaBoost模型全部預(yù)測為沒有發(fā)生財務(wù)困境，直接淘汰）。

其次，使用處理不平衡數(shù)據(jù)集的常用方法SMOTE算法。使用python中的imblearn模塊，利用其over_sampling子模塊中的SMOTE類完成算法。在此算法中，k_neighbors參數(shù)是選擇的近鄰個數(shù)，默認(rèn)的個數(shù)為5個，m_neighbors參數(shù)是從近鄰樣本中挑選的隨機樣本個數(shù)，默認(rèn)的個數(shù)為10個。從表3所示的對比結(jié)果可以看出，使用SMOTE算法平衡處理后的數(shù)據(jù)，對傳統(tǒng)機器學(xué)習(xí)模型進(jìn)行訓(xùn)練，均能大幅度提升模型的各個評估指標(biāo)表現(xiàn)。在所有模型中表現(xiàn)最好的是支持向量機。

綜合對比兩種不同場景下的測試結(jié)果，可以看出使用原始數(shù)據(jù)訓(xùn)練的CNN2模型具有最高的召回率和f1分?jǐn)?shù)，同時準(zhǔn)確率、特異度與表3的最優(yōu)算法相差不大?？紤]到SMOTE算法有可能引入額外噪聲信息，綜合來看，在進(jìn)行上市公司財務(wù)困境預(yù)警時應(yīng)當(dāng)優(yōu)先使用CNN2模型。

四、總結(jié)

針對上市公司財務(wù)困境預(yù)警，本文提出了一種數(shù)據(jù)預(yù)處理方法和二維卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。對不同來源的數(shù)據(jù)指標(biāo)，通過滑動窗口內(nèi)的標(biāo)準(zhǔn)化和二維化變換進(jìn)行預(yù)處理，之后輸入不同的二維卷積子網(wǎng)絡(luò)完成特征提取和壓縮融合，最終使用分類器網(wǎng)絡(luò)輸出預(yù)測結(jié)果。實證結(jié)果顯示出股票交易指標(biāo)對財務(wù)困境預(yù)警有明顯的輔助作用，同時本文提出的財務(wù)困境預(yù)警模型對比傳統(tǒng)機器學(xué)習(xí)算法具有明顯的優(yōu)勢。

參考文獻(xiàn)：

[1] FITZPATRICK P J. A Comparison of the Ratios of Successful Industrial Enterprises with those of Failed Firms[J].Certified Public Accountant， 1932，2（2）：589-731.

[2] ALTMAN E I. Financial Ratios，Discriminant Analysis and the Prediction of Corporate Bankruptcy[J].Journal of Finance，1968，23（4）：589-609.

[3] 李萬福，林東杰，林斌.內(nèi)部控制能有效規(guī)避財務(wù)困境嗎？[J].財經(jīng)研究，2012，38（1）：124-134.

[4] 戚家勇，蔡永斌.房地產(chǎn)上市公司財務(wù)風(fēng)險評價研究[J].財會通訊，2018（26）：114-118.

[5] 呂長江，趙巖.上市公司財務(wù)狀況分類研究[J].會計研究，2004（11）：53-61+97.

[6] BEAVER W H.Financial Ratios as Predictors of Failure[J].Empirical Research in Accounting： Selected Studies，1967，1（1）：71-111.

[7] ALTMAN E I，HALDEMAN R，NARAYANAN P.Zrta Analysis： a New Model to Identify Bankruptcy Risk of Corporations[J].Journal of Banking & Finance，1977.

[8] OHLSON J A.Financial Ratios and the Probabilistic Prediction of Bankruptcy[J].Journal of Accounting Research，1980，18（1）：109-131.

[9] 周首華，王平，楊濟華.論財務(wù)危機的預(yù)警分析——F分?jǐn)?shù)模式[J].會計研究，1996（8）：8-11.

[10] 王自強，陳旭，范貽昌.基于可拓方法的ST公司財務(wù)危機預(yù)警模型研究[J].數(shù)學(xué)的實踐與認(rèn)識，2006（8）：44-51.

[11] 方匡南，楊陽.SGL-SVM方法研究及其在財務(wù)困境預(yù)測中的應(yīng)用[J].統(tǒng)計研究，2018，35（8）：104-115.

[12] 宋宇，李鴻禧，秦學(xué)志.基于Cox回歸的中小企業(yè)財務(wù)預(yù)警模型及實證[J].管理現(xiàn)代化，2019，39（1）：108-110.

[13] 姜秀華，孫錚.治理弱化與財務(wù)危機： 一個預(yù)測模型[J].南開管理評論，2001（5）：19-25.

[14] 王克敏，羅艷梅.中國上市公司對外擔(dān)保與財務(wù)困境研究[J].吉林大學(xué)社會科學(xué)學(xué)報，2006（5）：106-113.

[15] 黃曉波，王慧.從公司治理視角看農(nóng)業(yè)上市公司財務(wù)風(fēng)險[J].財會月刊，2017（2）：47-54.

[16] 陳靜.上市公司財務(wù)惡化預(yù)測的實證分析[J].會計研究，1999（4）：32-39.

[17] 鮮文鐸，向銳.基于混合Logit模型的財務(wù)困境預(yù)測研究[J].數(shù)量經(jīng)濟技術(shù)經(jīng)濟研究，2007（9）：68-76.

[18] 梁琪，石寧，過新偉.基于隨機效應(yīng)logistic模型的中小企業(yè)財務(wù)失敗預(yù)警研究[J].管理工程學(xué)報，2014，28（3）：126-134.

[19] LANE W R，LOONEY S W，WANSLEY J W.An Application of the Cox Proportional Hazards Model to Bank Failure[J].Journal of Banking & Finance，1986，10（4）：511-531.

[20] 陸志明，姜麗莉，何建敏.基于生存分析模型的企業(yè)財務(wù)困境預(yù)測[J].統(tǒng)計與決策，2007（21）：174-176.

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

[22] 龐清樂，劉新允.基于蟻群神經(jīng)網(wǎng)絡(luò)的財務(wù)危機預(yù)警方法[J].數(shù)理統(tǒng)計與管理，2011，30（3）：554-561.

[23] 朱發(fā)根，傅毓維，劉拓.基于非線性SVM的上市公司財務(wù)危機預(yù)警模型研究[J].統(tǒng)計與信息論壇，2009，24（6）：49-53.

[24] 麻斯亮，魏福義.人工智能技術(shù)在金融領(lǐng)域的應(yīng)用： 主要難點與對策建議[J].南方金融，2018（3）：78-84.

[25] 袁銘陽，周長勝，黃宏博，等.卷積神經(jīng)網(wǎng)絡(luò)池化方法綜述[J].Software Engineering and Applications，2020（9）：360.

基金項目：國家社會科學(xué)基金項目資助“基于人工智能與多源異構(gòu)數(shù)據(jù)的上市公司財務(wù)困境預(yù)警研究”（19BTJ030）

作者簡介：張志剛（1975— ），男，河北保定人，湖北經(jīng)濟學(xué)院教授，博士，研究方向為機器學(xué)習(xí)、深度學(xué)習(xí)、應(yīng)用統(tǒng)計；張耀峰（1979— ），男，河北承德人，湖北經(jīng)濟學(xué)院教授，博士，研究方向為大數(shù)據(jù)技術(shù)及應(yīng)用、社會計算。