-PAGE4-財(cái)務(wù)困境預(yù)測研究的國內(nèi)外文獻(xiàn)綜述目錄TOC\o"1-3"\h\u721財(cái)務(wù)困境預(yù)測研究的國內(nèi)外文獻(xiàn)綜述 1112601.1財(cái)務(wù)困境預(yù)測模型 1237181.2非平衡數(shù)據(jù)問題的研究 5135251.3財(cái)務(wù)困境預(yù)測指標(biāo) 7250111.4文獻(xiàn)評(píng)述 87942參考文獻(xiàn) 8財(cái)務(wù)困境預(yù)測問題一直是國內(nèi)外學(xué)者在財(cái)務(wù)困境領(lǐng)域的研究重點(diǎn)。學(xué)者們對(duì)財(cái)務(wù)困境預(yù)測領(lǐng)域的研究主要集中在財(cái)務(wù)困境預(yù)測模型，財(cái)務(wù)困境的樣本數(shù)據(jù)不平衡問題和預(yù)測指標(biāo)的選擇等方面。1.1財(cái)務(wù)困境預(yù)測模型（1）單變量判別分析模型Patrick（1932）通過比較成功和失敗工業(yè)企業(yè)的財(cái)務(wù)比率，發(fā)現(xiàn)財(cái)務(wù)比率是區(qū)分財(cái)務(wù)危機(jī)企業(yè)與正常企業(yè)的關(guān)鍵因素。運(yùn)用單變量預(yù)測模型，Beaver（1966）根據(jù)1:1的原則，分別選擇了79家資產(chǎn)規(guī)模相近且所處行業(yè)相同的正常和破產(chǎn)企業(yè)進(jìn)行破產(chǎn)企業(yè)預(yù)測研究，研究發(fā)現(xiàn)在各變量中，預(yù)測能力最好的是現(xiàn)金流量/總負(fù)債也即債務(wù)保障率，其次是資產(chǎn)負(fù)債率，且預(yù)測時(shí)間離破產(chǎn)日越近，模型預(yù)測的準(zhǔn)確率越高。在國內(nèi)，學(xué)者陳靜（1999）最早運(yùn)用單變量模型進(jìn)行財(cái)務(wù)困境預(yù)測研究，選擇我國1998年上市公司中的27家ST企業(yè)和27家非ST企業(yè)作為研究樣本，研究發(fā)現(xiàn)各變量中最重要的指標(biāo)分別為資產(chǎn)負(fù)債率和負(fù)債比率。但是在單變量模型中，單一指標(biāo)往往不能全面反映企業(yè)的整體情況，且不同的指標(biāo)預(yù)測結(jié)果也可能不同，因此存在一定的局限。（2）多變量判別分析模型為了改進(jìn)單變量判別分析模型的不足，Altman（1968）利用5個(gè)財(cái)務(wù)比率，構(gòu)建了企業(yè)破產(chǎn)預(yù)測的多變量判別分析Z模型，結(jié)果表明Z模型在企業(yè)破產(chǎn)前兩年的準(zhǔn)確率較高，隨著預(yù)測時(shí)間的延長準(zhǔn)確率也會(huì)下降。Altman，Haldema和Narayanan（1977）建立了Zeta模型，Zeta模型對(duì)Z模型進(jìn)行了修正，其在原有指標(biāo)中加入了盈余穩(wěn)定性和公司規(guī)模兩個(gè)指標(biāo)。Altman（2000）建立了跨行業(yè)的Z?模型，Z?模型是對(duì)Zeta模型進(jìn)一步修正，它在原有指標(biāo)中刪除了帶來行業(yè)影響的銷售收入/總資產(chǎn)指標(biāo)。借鑒Z模型，周首華和楊濟(jì)華（1996）建立了加入現(xiàn)金流量指標(biāo)的財(cái)務(wù)困境預(yù)測F分?jǐn)?shù)模式，楊淑娥（2003）提出了包含現(xiàn)金流量比率的Y分?jǐn)?shù)模型，研究發(fā)現(xiàn)，多變量判別分析模型也可以用于預(yù)測我國上市公司的財(cái)務(wù)困境。但是多變量模型也有其自身的局限性（3）Logistic回歸模型Martin（1977）在進(jìn)行銀行的破產(chǎn)預(yù)測研究時(shí)使用了Logistic回歸模型，發(fā)現(xiàn)該模型的預(yù)測效果比多變量判別分析模型更好。隨后，Ohlson（1980）在公司的財(cái)務(wù)困境預(yù)測研究中引入Logistic回歸模型，研究發(fā)現(xiàn)Logistic回歸能夠克服多元判別分析的限制性假設(shè)，并且能夠顯著提高財(cái)務(wù)困境預(yù)測的準(zhǔn)確率。至此，Logistic回歸模型在財(cái)務(wù)困境預(yù)測領(lǐng)域開始得到廣泛應(yīng)用。Collins和Green（1982），Zavgren（1985），Gentry，Newbold和WhitFord（1987）等的實(shí)證研究均表明Logistic回歸模型比多元判別分析模型的預(yù)測能力更強(qiáng)，預(yù)測結(jié)果更準(zhǔn)確。Hensher等（2007）對(duì)Logistic回歸模型進(jìn)行改進(jìn)，使用多項(xiàng)式嵌套Logistic回歸模型對(duì)企業(yè)是否發(fā)生財(cái)務(wù)困境進(jìn)行預(yù)測，最終取得了比標(biāo)準(zhǔn)Logistic回歸模型更好的擬合優(yōu)度。通過對(duì)比研究國內(nèi)外常用的幾種財(cái)務(wù)困境預(yù)測方法，吳世農(nóng)和盧賢義（2001）發(fā)現(xiàn)Logistic回歸模型預(yù)測的準(zhǔn)確度更高?；谖覈行∑髽I(yè)財(cái)務(wù)數(shù)據(jù)進(jìn)行財(cái)務(wù)困境預(yù)測研究，徐玉芳和邵勝華（2017）發(fā)現(xiàn)Logistic回歸模型對(duì)ST公司財(cái)務(wù)困境預(yù)測的準(zhǔn)確率提高了18.18%。李長山（2018）的研究結(jié)果表明，上市公司建立Logistic回歸模型進(jìn)行財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警可以有效防范財(cái)務(wù)風(fēng)險(xiǎn)。（4）機(jī)器學(xué)習(xí)方法機(jī)器學(xué)習(xí)起源于早期的人工智能，它是利用各種算法來分析數(shù)據(jù)，并從數(shù)據(jù)中進(jìn)行學(xué)習(xí)從而對(duì)事物進(jìn)行預(yù)測和判斷的一種技術(shù)。機(jī)器學(xué)習(xí)的算法一般包括支持向量機(jī)（SVM）、決策樹、貝葉斯分類、聚類、隨機(jī)森林和Adaboost等。隨著科技的發(fā)展，機(jī)器學(xué)習(xí)方法已廣泛應(yīng)用于財(cái)務(wù)困境的預(yù)測領(lǐng)域，其中應(yīng)用較多的算法主要有決策樹、SVM和神經(jīng)網(wǎng)絡(luò)等。Frydman等（1985）運(yùn)用遞歸分割法的決策樹算法進(jìn)行了破產(chǎn)預(yù)測方面的研究。由此，機(jī)器學(xué)習(xí)方法開始在財(cái)務(wù)困境預(yù)測研究中被運(yùn)用。我國學(xué)者姚靠華和蔣艷輝（2005）構(gòu)建了中國上市公司的決策樹財(cái)務(wù)困境預(yù)測模型，發(fā)現(xiàn)該算法在財(cái)務(wù)困境預(yù)測方面具有較好的預(yù)測性能和良好的應(yīng)用前景。通過對(duì)比決策樹與邏輯回歸兩種方法，Chen等（2011）發(fā)現(xiàn)決策樹方法更適合短期財(cái)務(wù)預(yù)測，邏輯回歸的方法更適合長期財(cái)務(wù)預(yù)測。將企業(yè)財(cái)務(wù)狀況劃分為正常、危險(xiǎn)和困境三階段，劉澄等（2013）利用C&RT決策樹算法對(duì)穩(wěn)定和不穩(wěn)定的企業(yè)分別建立了財(cái)務(wù)困境預(yù)警模型，研究發(fā)現(xiàn)對(duì)企業(yè)分類別建立預(yù)警模型可以更好的識(shí)別企業(yè)各種財(cái)務(wù)狀況風(fēng)險(xiǎn)特征。Felix（2017）認(rèn)為決策樹模型能較好的解決非線性的分類問題，特別適用于銀行財(cái)務(wù)困境的預(yù)測。結(jié)合F-Score模型和決策樹C5.0算法建立ST公司財(cái)務(wù)預(yù)警模型，王秋瑋和葉楓（2018）發(fā)現(xiàn)該模型能較好地預(yù)測ST公司未來財(cái)務(wù)狀況。相比決策樹算法，SVM的泛化能力更強(qiáng)，近年來該算法在財(cái)務(wù)困境預(yù)測上的應(yīng)用也頗受學(xué)者的關(guān)注。Vapnik（1998）最先提出SVM算法，SVM可以解決“維數(shù)災(zāi)難”問題，能夠較好的對(duì)數(shù)據(jù)量較小的樣本實(shí)行分類。Min和Lee（2005）利用SVM對(duì)上市公司是否發(fā)生財(cái)務(wù)困境進(jìn)行預(yù)測研究，研究結(jié)果發(fā)現(xiàn)SVM的預(yù)測性能比logistic回歸、多元判別分析和神經(jīng)網(wǎng)絡(luò)模型的預(yù)測性能更好。楊海軍和太雷（2009）在企業(yè)的財(cái)務(wù)困境的預(yù)測中使用了模糊支持向量機(jī)算法，研究發(fā)現(xiàn)模糊支持向量機(jī)解決了傳統(tǒng)支持向量機(jī)的過擬合等問題且其預(yù)測的準(zhǔn)確率也更高?；诹餍螌W(xué)習(xí)與多核SVM，倪志偉等（2014）提出了一個(gè)混合財(cái)務(wù)困境預(yù)測模型，研究表明，該混合模型與傳統(tǒng)的財(cái)務(wù)困境預(yù)測方法相比預(yù)測性能更優(yōu)。方匡南和楊陽（2018）發(fā)現(xiàn)在財(cái)務(wù)困境預(yù)測中，SGL-SVM方法不僅可以提高變量的選擇效果，也能提高模型的預(yù)測精度，尤其是當(dāng)模型的數(shù)據(jù)具有自然分組結(jié)構(gòu)時(shí)預(yù)測效果非常好。Dutta和Shekhar（1988）首次將神經(jīng)網(wǎng)絡(luò)應(yīng)用到企業(yè)債券等級(jí)的預(yù)測上。使用企業(yè)破產(chǎn)前1年的數(shù)據(jù)，Odom和Sharda（1990）將神經(jīng)網(wǎng)絡(luò)用于企業(yè)破產(chǎn)預(yù)預(yù)測，取得了79.5%的準(zhǔn)確率。楊保安等（2001）將神經(jīng)網(wǎng)絡(luò)引入到我國企業(yè)財(cái)務(wù)困境預(yù)測研究中。對(duì)比神經(jīng)網(wǎng)絡(luò)和基于主成分分析方法對(duì)財(cái)務(wù)困境的預(yù)測效果，楊淑娥和黃禮（2005）發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練集預(yù)測準(zhǔn)確率顯著高于主成分分析方法。通過優(yōu)化神經(jīng)網(wǎng)絡(luò)的輸入端，周喜和吳可夫（2012）提高了神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)推理能力，取得了比傳統(tǒng)模型更高的判別準(zhǔn)確率。將指標(biāo)體系進(jìn)行粗糙集約簡后作為輸入層，以層次聚類的結(jié)果作為輸出層，鮑新中等（2013）構(gòu)建的財(cái)務(wù)預(yù)警的神經(jīng)網(wǎng)絡(luò)模型的擬合效率得到了提升?；诟呒?jí)布谷鳥搜索算法和前饋神經(jīng)網(wǎng)絡(luò)（FNN），Marson（2020）構(gòu)建CSFNN模型，發(fā)現(xiàn)在破產(chǎn)前1年CSFNN模型預(yù)測企業(yè)破產(chǎn)的準(zhǔn)確性達(dá)到90.30％?；谝獯罄行∑髽I(yè)的數(shù)據(jù)進(jìn)行公司違約預(yù)測研究，Ciampi和Gordini（2013）發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)不僅具有更好的準(zhǔn)確性和模式識(shí)別能力，也具備了一定的學(xué)習(xí)能力。（5）深度學(xué)習(xí)方法深度學(xué)習(xí)來源于人工神經(jīng)網(wǎng)絡(luò)的研究。使用淺層的神經(jīng)網(wǎng)絡(luò)構(gòu)建財(cái)務(wù)困境預(yù)測模型時(shí)樣本的數(shù)據(jù)量有限，隨著大數(shù)據(jù)的發(fā)展，數(shù)據(jù)量級(jí)提升，神經(jīng)網(wǎng)路的結(jié)構(gòu)也越來越深，越來越復(fù)雜，深度神經(jīng)網(wǎng)絡(luò)算法的預(yù)測結(jié)果更加準(zhǔn)確可靠。近些年來，深度學(xué)習(xí)的方法逐漸被應(yīng)用到財(cái)務(wù)困境預(yù)測研究領(lǐng)域。曹興（2016）利用深度學(xué)習(xí)網(wǎng)絡(luò)對(duì)上市公司進(jìn)行財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警，并將訓(xùn)練的模型應(yīng)用到實(shí)際案例分析中，模型成功監(jiān)測出上市公司“ST博元”具有財(cái)務(wù)危機(jī)?；谏鲜泄镜哪陥?bào)文本，馬旭輝（2019）研究發(fā)現(xiàn)當(dāng)文本長度為50詞時(shí)，具有256個(gè)神經(jīng)元的深度神經(jīng)網(wǎng)絡(luò)具有最佳的擬合效果，且模型具有較好的泛化能力，此外，將神經(jīng)網(wǎng)絡(luò)的輸出作為XGBoost模型輸入時(shí)，能夠提升XGBoost模型的預(yù)測精度。以深度學(xué)習(xí)為研究工具，宋歌和馬濤（2019）構(gòu)建的神經(jīng)網(wǎng)絡(luò)財(cái)務(wù)困境預(yù)測模型取得了72%以上的預(yù)測準(zhǔn)確率，且研究發(fā)現(xiàn)增加模型所使用的年度數(shù)據(jù)能提高模型預(yù)測準(zhǔn)確率。劉雪林（2019）研究發(fā)現(xiàn)，在上市公司的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警中，深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型的預(yù)測效果比Logistic回歸模型更好，且離財(cái)務(wù)困境發(fā)生時(shí)間越近的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型的預(yù)測準(zhǔn)確率越高。使用報(bào)告中的非結(jié)構(gòu)化文本數(shù)據(jù)即審計(jì)師的報(bào)告和管理層的聲明，Martin（2018）開發(fā)了一種卷積遞歸神經(jīng)網(wǎng)絡(luò)模型，研究發(fā)現(xiàn)非結(jié)構(gòu)化數(shù)據(jù)顯著提高了財(cái)務(wù)困境的預(yù)測效果。（6）不同模型的預(yù)測效果目前國內(nèi)外學(xué)者已經(jīng)提出了許多財(cái)務(wù)困境預(yù)測方法，這些方法的預(yù)測效果評(píng)價(jià)不一。Andrews和Evi（2004）對(duì)比了logistic回歸模型和神經(jīng)網(wǎng)絡(luò)模型的預(yù)測效果，發(fā)現(xiàn)兩種模型都可以用于財(cái)務(wù)困境預(yù)測，但logistic回歸模型的預(yù)測效果略好于神經(jīng)網(wǎng)絡(luò)模型。運(yùn)用決策樹、邏輯回歸和神經(jīng)網(wǎng)絡(luò)等方法，吳俊杰（2006）建立了上市公司的財(cái)務(wù)困境預(yù)測模型，研究發(fā)現(xiàn)決策樹的準(zhǔn)確性、可理解性和容錯(cuò)能力等方面在不同程度上比邏輯回歸和神經(jīng)網(wǎng)絡(luò)更好。關(guān)欣和王征（2015）比較了神經(jīng)網(wǎng)絡(luò)和邏輯回歸模型的預(yù)測精度，得出邏輯回歸不如神經(jīng)網(wǎng)絡(luò)模型的結(jié)論。以美國公司破產(chǎn)的大量樣本為基礎(chǔ)，Jones（2017）研究了16種分類器的預(yù)測性能，研究發(fā)現(xiàn)使用AdaBoost和隨機(jī)森林在橫截面和縱向測試樣本上的預(yù)測效果明顯優(yōu)于其他分類器并且相對(duì)容易實(shí)施。Chow（2017）使用專家的意見和財(cái)務(wù)指標(biāo)，應(yīng)用多種機(jī)器學(xué)習(xí)方法研究了韓國和波蘭制造企業(yè)的公司破產(chǎn)問題，發(fā)現(xiàn)使用專家評(píng)估之類的信息功能時(shí)，運(yùn)用任何機(jī)器學(xué)習(xí)技術(shù)都可以實(shí)現(xiàn)準(zhǔn)確性高于95％的預(yù)測。預(yù)測商業(yè)銀行的財(cái)務(wù)困境時(shí)，丁德臣（2020）發(fā)現(xiàn)與多層感知機(jī)相比，SVM作為集成學(xué)習(xí)模型的基分類器時(shí)模型效果更好。1.2非平衡數(shù)據(jù)問題的研究現(xiàn)實(shí)中，危機(jī)公司與正常公司的數(shù)量是不平衡的。財(cái)務(wù)正常的上市公司遠(yuǎn)遠(yuǎn)多于財(cái)務(wù)危機(jī)的上市公司，在這種情況下，模型比較容易將少數(shù)類的危機(jī)公司預(yù)測為多數(shù)類的正常公司，使得模型的預(yù)測精度下降。當(dāng)前，有少數(shù)學(xué)者關(guān)注到財(cái)務(wù)困境預(yù)測中樣本類別不平衡的問題，并從樣本層面和算法層面對(duì)解決財(cái)務(wù)困境預(yù)測中的樣本數(shù)據(jù)非平衡問題進(jìn)行了研究。（1）樣本層面在樣本層面中最經(jīng)典的不平衡數(shù)據(jù)分類方法是重采樣法，該方法主要是通過改變訓(xùn)練集中樣本的分布來降低或消除樣本的不平衡性。根據(jù)采樣方式的不同可以將重采樣法劃分為欠采樣方法、過采樣方法以及結(jié)合過欠采樣的混合采樣方法三種。Chawla（2002）率先提出了SMOTE過采樣方法，且研究發(fā)現(xiàn)該方法是簡單有效的。與隨機(jī)過采樣相比，SMOTE過采樣方法較好的解決了模型的過擬合問題，但是容易產(chǎn)生樣本重疊、噪聲、過泛化等問題。因此，近年來相關(guān)學(xué)者為了SMOTE過采樣的不足提出了一些改進(jìn)算法，如Zhu（2017）等研究發(fā)現(xiàn)，在SMOTE過采樣方法中，如果引入樣本選擇權(quán)重來選擇近鄰樣本，便能有效解決SMOTE的過泛化問題。在ST公司的預(yù)警模型中，遲國泰等（2020）利用SMOTE過采樣對(duì)非平衡數(shù)據(jù)進(jìn)行處理，研究發(fā)現(xiàn)利用SMOTE過采樣后的數(shù)據(jù)訓(xùn)練模型能夠提升模型對(duì)ST公司的預(yù)測性能，但模型對(duì)非ST公司的預(yù)測精度會(huì)下降。Yen等人（2006）提出了聚類算法中的欠采樣方法，Garcia和Herrera（2009）提出了進(jìn)化算法中的欠采樣方法。Crone和Finlay（2012）分別使用過采樣和欠采樣對(duì)樣本數(shù)據(jù)集進(jìn)行非平衡處理，并分別基于線性判別、邏輯回歸、神經(jīng)網(wǎng)絡(luò)和CART樹構(gòu)建信用評(píng)估模型，研究結(jié)果發(fā)現(xiàn)，數(shù)據(jù)經(jīng)過過采樣處理后建立的模型準(zhǔn)確率比經(jīng)過欠采樣處理后的更高。Zhou（2013）比較了不同采樣方法對(duì)企業(yè)破產(chǎn)預(yù)測模型預(yù)測效果的影響，研究發(fā)現(xiàn)在模型的訓(xùn)練集中，如果危機(jī)公司的樣本較少時(shí)則應(yīng)該采用SMOTE過采樣，如果危機(jī)公司樣本較多時(shí)則應(yīng)該使用欠采樣方法。Batista（2004）等將SMOTE過采樣與TomeLink欠采樣方法相結(jié)合提出了一種SMOTE-TomeLink混合采樣方法，研究發(fā)現(xiàn)該混合采樣方法可以有效的克服SMOTE過采樣產(chǎn)生的噪聲問題。（2）算法層面在算法層面，主要是針對(duì)不平衡數(shù)據(jù)的特點(diǎn)以及模型算法的不足，在一定程度上對(duì)算法進(jìn)行改進(jìn)從而提高少數(shù)樣本的算法識(shí)別率。單類學(xué)習(xí)、代價(jià)敏感學(xué)習(xí)、集成學(xué)習(xí)等均是算法層面具有代表性的解決非平衡數(shù)據(jù)問題的方法。Veropoulos（1999）利用代價(jià)敏感學(xué)習(xí)方法改進(jìn)了SVM算法，改進(jìn)后的SVM算法提高了錯(cuò)分類樣本的代價(jià)，從而提高模型的少數(shù)樣本預(yù)測性能。Liu等（2008）基于代價(jià)敏感算法對(duì)粗糙集分類方法進(jìn)行了改進(jìn)，Chen等（2012）基于代價(jià)敏感算法對(duì)關(guān)聯(lián)規(guī)則分類方法進(jìn)行了改進(jìn)。針對(duì)樣本非平衡和公司財(cái)務(wù)狀況不同的特點(diǎn)，吳慶賀，唐曉華，林宇（2020）運(yùn)用Twin-SVM構(gòu)建了我國創(chuàng)業(yè)板上市公司的財(cái)務(wù)困境預(yù)測模型，并與K近鄰法、貝葉斯分類法、BP神經(jīng)網(wǎng)絡(luò)以及結(jié)合了ODR和ADASYN采樣方法的SVM算法進(jìn)行對(duì)比，研究結(jié)果表明Twin-SVM算法的預(yù)測精度高于其他四個(gè)模型，且預(yù)測穩(wěn)健性也比其他模型更優(yōu)越。樣本的非平衡性對(duì)不同分類器性能的影響不同?；贚ogistic回歸、線性判別、神經(jīng)網(wǎng)絡(luò)和決策樹，Crone和Finlay（2012）研究發(fā)現(xiàn)樣本非平衡對(duì)分類器的性能影響較大，研究的幾種分類器中受樣本非平衡影響最小是Logistic回歸模型。1.3財(cái)務(wù)困境預(yù)測指標(biāo)早些年，學(xué)者們主要是將一些公司財(cái)務(wù)指標(biāo)用于財(cái)務(wù)困境的預(yù)測。Patrick（1932）發(fā)現(xiàn)財(cái)務(wù)比率是區(qū)分危機(jī)企業(yè)與正常企業(yè)的關(guān)鍵因素。Beaver（1966）首次將現(xiàn)金流量指標(biāo)引入財(cái)務(wù)困境指標(biāo)體系，研究發(fā)現(xiàn)債務(wù)保障率這一指標(biāo)對(duì)公司財(cái)務(wù)困境具有很好的判別作用。周首華和楊濟(jì)華（1996）和楊淑娥（2003）分別建立了加入現(xiàn)金流量指標(biāo)的多變量判別F分?jǐn)?shù)模式和Y分?jǐn)?shù)模型，發(fā)現(xiàn)多變量判別模型在中國同樣適用。聶麗潔和趙艷芳（2011）對(duì)比只含財(cái)務(wù)指標(biāo)的財(cái)務(wù)困境預(yù)測模型，發(fā)現(xiàn)加入現(xiàn)金流量指標(biāo)的模型預(yù)測精度更佳、誤判率更低。隨著研究的深入，學(xué)者研究發(fā)現(xiàn)公司的非財(cái)務(wù)類指標(biāo)對(duì)財(cái)務(wù)困境的預(yù)測同樣重要。Campbell（2006）在財(cái)務(wù)困境預(yù)測指標(biāo)體系中加入盈利能力、杠桿率、市場總資本、股票收益率等因素，研究發(fā)現(xiàn)財(cái)務(wù)困境預(yù)測模型使用綜合指標(biāo)比單一指標(biāo)的預(yù)測準(zhǔn)確性更好。在財(cái)務(wù)困境預(yù)測模型中加入宏觀經(jīng)濟(jì)因素后，盧永艷（2013）研究發(fā)現(xiàn)貸款利率和GDP增長率模型的預(yù)測具有顯著影響。劉小淇和曾繁榮（2015）在財(cái)務(wù)困境預(yù)測指標(biāo)體系加入股權(quán)結(jié)構(gòu)、人力資本等非財(cái)務(wù)指標(biāo)后，發(fā)現(xiàn)引入非財(cái)務(wù)指標(biāo)的模型預(yù)測性能更好。Chan等（2016）將公司治理因素引入財(cái)務(wù)困境預(yù)測模型，研究發(fā)現(xiàn)制定相應(yīng)的公司治理制度可以在一定程度上避免企業(yè)破產(chǎn)。田寶新和王建瓊（2017）構(gòu)建了包含財(cái)務(wù)和非財(cái)務(wù)指標(biāo)的財(cái)務(wù)困境預(yù)警體系，研究發(fā)現(xiàn)，財(cái)務(wù)指標(biāo)與非財(cái)務(wù)指標(biāo)對(duì)判定企業(yè)是否陷入財(cái)務(wù)困境均有較高的貢獻(xiàn)。運(yùn)用90多個(gè)指標(biāo)構(gòu)建財(cái)務(wù)困境指標(biāo)體系，Jiang（2018）建立中國上市公司的TreeNet財(cái)務(wù)困境預(yù)測模型，結(jié)果發(fā)現(xiàn)TreeNet模型中最強(qiáng)預(yù)測價(jià)值的變量除了傳統(tǒng)的財(cái)務(wù)比率外還包括市值和年度市場收益，宏觀經(jīng)濟(jì)變量以及高管薪酬等非傳統(tǒng)變量。1.4文獻(xiàn)評(píng)述從單變量判別模型到深度學(xué)習(xí)方法，國內(nèi)外學(xué)者已經(jīng)提出了不少財(cái)務(wù)困境預(yù)測模型，這些模型各有優(yōu)缺點(diǎn)且模型的預(yù)測效果也評(píng)價(jià)不一。隨著大數(shù)據(jù)時(shí)代的到來，人工智能的崛起，深度學(xué)習(xí)由于具有強(qiáng)大的自我學(xué)習(xí)的能力而受到學(xué)者們的關(guān)注，目前正在財(cái)務(wù)困境預(yù)測研究領(lǐng)域中興起?，F(xiàn)有文獻(xiàn)基本上都是利用深度學(xué)習(xí)方法中的自動(dòng)編碼器和深度前饋神經(jīng)網(wǎng)絡(luò)來構(gòu)建公司財(cái)務(wù)困境預(yù)測模型，沒有考慮到財(cái)務(wù)困境發(fā)生的時(shí)間累積性，且現(xiàn)有文獻(xiàn)利用深度學(xué)習(xí)中的模型來預(yù)測公司財(cái)務(wù)困境的發(fā)生基本上都是將其作“黑箱子”來使用，并沒有對(duì)模型進(jìn)行相應(yīng)的解釋。從現(xiàn)有的研究來看，目前國內(nèi)有關(guān)財(cái)務(wù)困境預(yù)測模型的研究較少意識(shí)到樣本的非平衡性對(duì)模型產(chǎn)生的影響，尤其是應(yīng)用深度學(xué)習(xí)方法預(yù)測公司的財(cái)務(wù)困境問題時(shí)。此外，學(xué)者一般采用準(zhǔn)確率來對(duì)財(cái)務(wù)困境模型的預(yù)測效果進(jìn)行評(píng)價(jià)，在樣本數(shù)據(jù)非平衡的情況下，準(zhǔn)確率并不能作為一個(gè)很好的指標(biāo)來評(píng)價(jià)模型的效果。最后，隨著研究的深入，在財(cái)務(wù)困境預(yù)測模型中綜合考慮財(cái)務(wù)和非財(cái)務(wù)指標(biāo)已成為研究趨勢(shì)。參考文獻(xiàn)[1]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（03）：358~365.[2]曹興.基于深度學(xué)習(xí)網(wǎng)絡(luò)的企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警研究—以ST博元為例[D].中國地質(zhì)大學(xué)（北京），2016.[3]陳靜.上市公司財(cái)務(wù)惡化預(yù)測的實(shí)證分析[J].會(huì)計(jì)研究.1999（04）：32-39.[4]遲國泰，章彤，張志鵬.基于非平衡數(shù)據(jù)處理的上市公司ST預(yù)警混合模型[J].管理評(píng)論.2020，32（03）：3~20.[5]丁德臣.集成隨機(jī)森林和支持向量機(jī)的商業(yè)銀行財(cái)務(wù)困境預(yù)測研究[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí).2020，50（02）：290~300.[6]丁志國，耿迎濤，趙晶等.上市公司財(cái)務(wù)困境時(shí)間效應(yīng)的實(shí)證判別與理論猜想[J].會(huì)計(jì)研究，2018（02）：62~68.[7]方匡南，楊陽.SGL-SVM方法研究及其在財(cái)務(wù)困境預(yù)測中的應(yīng)用[J].統(tǒng)計(jì)研究.2018，35（08）：104~115.[8]符大海.財(cái)務(wù)困境邊界探析[J].財(cái)會(huì)研究.2010（17）：43~46.[9]傅彬彬.基于類別非平衡時(shí)序賦權(quán)的多SVM集成財(cái)務(wù)困境動(dòng)態(tài)預(yù)測研究[D].浙江師范大學(xué)，2018.[10]耿照源，章銀燕.上市公司財(cái)務(wù)困境預(yù)測研究[J].統(tǒng)計(jì)與決策.2009(17)：133~135.[11]關(guān)欣，王征.基于Logistic回歸和BP神經(jīng)網(wǎng)絡(luò)的財(cái)務(wù)預(yù)警模型比較[J].統(tǒng)計(jì)與決策，2016（17）：179~181.[12]李秉成.企業(yè)財(cái)務(wù)困境概念內(nèi)涵的探討[J].山西財(cái)經(jīng)大學(xué)學(xué)報(bào).2003（06）：109~112.[13]李揚(yáng)，李竟翔，馬雙鴿.不平衡數(shù)據(jù)的企業(yè)財(cái)務(wù)預(yù)測模型研究[J].數(shù)理統(tǒng)計(jì)與管理.2016，35（05）：893~906.[14]李長山.基于Logistic回歸法的企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型構(gòu)建[J].統(tǒng)計(jì)與決策.2018，34（06）：185~188.[15]劉澄，武鵬，王榮.基于熵值法—C&RT算法的財(cái)務(wù)困境預(yù)警[J].財(cái)會(huì)月刊.2013（18）：15~18.[16]劉雪林.基于深度學(xué)習(xí)的我國上市公司財(cái)務(wù)預(yù)警模型研究[D].天津大學(xué)，2018.[17]呂長江，趙巖.上市公司財(cái)務(wù)狀況分類研究[J].會(huì)計(jì)研究.2004（11）：53~61+97.[18]盧永艷，王維國.財(cái)務(wù)困境預(yù)測中的變量篩選——基于平均影響值的SVM方法[J].系統(tǒng)工程.2011，29（08）：73~78.[19]馬旭輝.基于機(jī)器學(xué)習(xí)的上市公司財(cái)務(wù)困境智能識(shí)別研究[D].南京大學(xué)，2019.[20]倪志偉，薛永堅(jiān)，倪麗萍等.基于流形學(xué)習(xí)的多核SVM財(cái)務(wù)預(yù)警方法研究[J].系統(tǒng)工程理論與實(shí)踐.2014，34（10）：2666~2674.[21]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（01）：53~56.[22]田寶新，王建瓊.基于財(cái)務(wù)與非財(cái)務(wù)要素的上市公司財(cái)務(wù)困境預(yù)警實(shí)證研究[J].金融評(píng)論.2017，9（05）：103~115+126.[23]王秋瑋，葉楓.新常態(tài)下ST公司財(cái)務(wù)困境預(yù)警研究—基于C5.0算法的財(cái)報(bào)面板數(shù)據(jù)[J].財(cái)會(huì)通訊.2018（23）：107~111+129.[24]吳俊杰.財(cái)務(wù)困境預(yù)測：數(shù)據(jù)挖掘方法的比較與運(yùn)用[J].清華大學(xué)學(xué)報(bào)（哲學(xué)社會(huì)科學(xué)版）.2006（S1）：45~53.[25]王克敏,姬美光.基于財(cái)務(wù)與非財(cái)務(wù)指標(biāo)的虧損公司財(cái)務(wù)預(yù)警研究——以公司ST為例[J].財(cái)經(jīng)研究.2006（07）：63~72.[26]吳慶賀，唐曉華，林宇.創(chuàng)業(yè)板上市公司財(cái)務(wù)危機(jī)的識(shí)別與預(yù)測[J].財(cái)會(huì)月刊.2020（02）：56~64.[27]吳世農(nóng)，盧賢義.我國上市公司財(cái)務(wù)困境的預(yù)測模型研究[J].經(jīng)濟(jì)研究.2001（06）：46~55+96.[28]吳星澤.財(cái)務(wù)危機(jī)預(yù)警研究：存在問題與框架重構(gòu)[J].會(huì)計(jì)研究.2011（02）：59~65+97.[29]徐玉芳，邵勝華.中小企業(yè)財(cái)務(wù)危機(jī)預(yù)警模型設(shè)計(jì)及實(shí)證研究[J].會(huì)計(jì)之友.2017（12）：31~34.[30]楊保安，季海.基于人工神經(jīng)網(wǎng)絡(luò)的商業(yè)銀行貸款風(fēng)險(xiǎn)預(yù)警研究[J].系統(tǒng)工程理論與實(shí)踐.2001（05）：70~74.[31]楊海軍，太雷.基于模糊支持向量機(jī)的上市公司財(cái)務(wù)困境預(yù)測[J].管理科學(xué)學(xué)報(bào).2009，12（03）：102~110.[32]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（01）：12~18+26.[33]楊淑娥，徐偉剛.上市公司財(cái)務(wù)預(yù)警模型——Y分?jǐn)?shù)模型的實(shí)證研究[J].中國軟科學(xué).2003（01）：56~60.[34]姚靠華，蔣艷輝.基于決策樹的財(cái)務(wù)預(yù)警[J].系統(tǒng)工程.2005（10）：102~106.[35]張玲.財(cái)務(wù)危機(jī)預(yù)警分析判別模型[J].數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究.2000（03）：49~51.[36]張鵬，劉勇波，李明.基于C&R樹的上市公司財(cái)務(wù)危機(jī)預(yù)警研究[J].會(huì)計(jì)之友.2015，（04）：48~51.[37]張永東.基于非均衡樣本的信用債違約風(fēng)險(xiǎn)預(yù)警研究[J].南方金融.2019（01）：5~14.[38]曾繁榮,劉小淇.引入非財(cái)務(wù)變量的上市公司財(cái)務(wù)困境預(yù)警[J].財(cái)會(huì)月刊.2014（08）：25~30.[39]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（08）：8~11.[40]周喜，吳可夫.基于混合粗糙集與ANN的上市公司財(cái)務(wù)危機(jī)預(yù)警研究[J].企業(yè)經(jīng)濟(jì).2012，31（02）：37~40.[41]周志華.機(jī)器學(xué)習(xí)[M].北京：清華大學(xué)出版社，2016.[42]AdrianGepp,KuldeepKumar.PredictingFinancialDistress:AComparisonofSurvivalAnalysisandDecisionTreeTechniques[J].ProcediaComputerScience.2015,(54):396~404.[43]AlessandraAmendola,MarcoBisogno,MarialuisaRestainoetal.Forecastingcorporatebankruptcy:empiricalevidenceonItaliandata[J].EuroMedJournalofBusiness.2011,6(3):294~312.[44]AltmanE.I,HaldemaRG,NarayananP.ZETAanalysis:anewmodeltoidentifybankruptcyriskofcorporations[J].JournalofBankingandFinance.1977,1(1):29~54.[45]AltmanE.I.Financialratios,discriminantanalysisandthepredictionofcorporatebankruptcy[J].JournalofFinance.1968,23(4):589~609.[46]AmyHing-LingLau.AFive-stateDistressPredictionModel[J].JournalofAccountingResearch.1987,25(1):127~138.[47]AndreasCharitou,EviNeophytou,ChrisCharalambous.Predictingcorporatefailure:empiricalevidencefortheUK[J].EuropeanAccountingReview.2004,13(3):465~497.[48]DoronAvramov,TarunChordia,GerganaJostovaetal.Anomaliesandfinancialdistress[J].JournalofFinancialEconomics.2013,108(1):139~159.[49]BatistaGEAPA,PratiRC,MonardMC.Astudyofthebehaviorofseveralmethodsforbalancingmachinelearningtrainingdata[J].AcmSigkddExplorationsNewsletter.2004,6(1):20~29.[50]Beaver,W.FinancialRatiosAsPredic