徐凱+邱煜+黃月娥

【摘 要】 文章以現(xiàn)金流量為研究視角，引入主成分分析法改進Z計分模型，使用t-1年的財務(wù)數(shù)據(jù)構(gòu)建財務(wù)危機預(yù)警綜合模型對42家醫(yī)藥行業(yè)上市公司進行研究。結(jié)果表明：企業(yè)財務(wù)危機是一個動態(tài)發(fā)展過程，存在階段性特點；另外，企業(yè)的Z值越小，表示其財務(wù)狀況越差，越有可能陷入財務(wù)危機。

【關(guān)鍵詞】 改進Z模型； 財務(wù)危機預(yù)警； 醫(yī)藥行業(yè)上市公司； 現(xiàn)金流量

中圖分類號：F275 文獻標(biāo)識碼：A 文章編號：1004-5937（2014）33-0066-04

一、研究背景

近年來，隨著中國經(jīng)濟開放程度不斷提高，上市公司面臨越來越激烈的競爭，我國不少上市公司因財務(wù)危機而陷入困境，甚至破產(chǎn)。公司從經(jīng)營正常到陷入危機狀態(tài)，往往存在一個循序漸進的過程，并非突然發(fā)生（陳磊，2010）。因此，對財務(wù)危機進行預(yù)警是公司規(guī)避破產(chǎn)風(fēng)險的重要手段。醫(yī)藥行業(yè)是關(guān)乎國計民生的重要行業(yè)，是關(guān)系百姓身體健康和民族體能素質(zhì)的關(guān)鍵性行業(yè)，若能夠?qū)︶t(yī)藥企業(yè)進行有效的財務(wù)危機預(yù)警，不僅有利于醫(yī)藥公司管理層盡早發(fā)現(xiàn)財務(wù)危機信號，及時采取應(yīng)對措施，扭轉(zhuǎn)財務(wù)狀況，改善公司經(jīng)營，而且有利于銀行等債權(quán)人更好地評估醫(yī)藥上市公司的財務(wù)狀況，更有利于投資者更加科學(xué)地了解醫(yī)藥上市公司財務(wù)狀況，作出合理的投資決策。因此，對醫(yī)藥行業(yè)的財務(wù)危機進行預(yù)警研究尤為重要。

迄今為止，已有一定文獻對醫(yī)藥行業(yè)財務(wù)危機預(yù)警進行研究。王磊（2009）選用Logistic回歸方法，分別構(gòu)建了我國醫(yī)藥行業(yè)上市公司t-1年和t-2年的預(yù)警模型。楊濤（2009）使用SVM方法進行樣本訓(xùn)練，構(gòu)建SVM的財務(wù)分類預(yù)警模型。王丹丹（2012）以2008—2010年間滬深股市上市公司為研究對象，構(gòu)建了t-1年和t-2年的BP神經(jīng)網(wǎng)絡(luò)模型。雖然他們的研究一定程度上為醫(yī)藥上市公司財務(wù)危機預(yù)警實務(wù)作出了貢獻，但未將包含大量財務(wù)信息的現(xiàn)金流量指標(biāo)納入指標(biāo)體系，且未能解決變量間可能會因為共線性而存在信息重疊等問題。本文采用改進的Z模型恰恰能克服以上問題。同時就筆者所掌握的文獻而言，目前還尚未發(fā)現(xiàn)有文獻引入現(xiàn)金流量指標(biāo)體系和主成分分析法的改進Z模型對醫(yī)藥行業(yè)財務(wù)危機預(yù)警進行研究。

二、構(gòu)建改進Z模型

Z計分模型由Altman（1968）首次提出，其構(gòu)建的Z計分模型如下：

Z計分模型存在各指標(biāo)間可能產(chǎn)生共線性以致取得的數(shù)據(jù)發(fā)生一定程度的信息重疊現(xiàn)象以及可能會由于所選變量過多而引發(fā)維數(shù)災(zāi)難等問題（周玉敏、鄧維斌，2009）。為克服以上問題，本文引入主成分分析法改進傳統(tǒng)Z計分模型，數(shù)學(xué)處理過程如下：

三、實證分析

（一）樣本選取

本文采用國內(nèi)學(xué)者對財務(wù)危機公司的普遍界定方式，將連續(xù)兩年虧損而被特殊處理（ST或*ST）的上市公司界定為財務(wù)危機公司。鑒于以上原則，本文選取30家醫(yī)藥行業(yè)上市公司作為估計樣本組，以構(gòu)建財務(wù)危機預(yù)警模型。其中，2007—2011年被特別處理（ST）的醫(yī)藥行業(yè)上市公司10家，財務(wù)正常（非ST）的醫(yī)藥行業(yè)上市公司20家。選取12家醫(yī)藥行業(yè)上市公司作為檢測樣本組，以檢測預(yù)警模型的準(zhǔn)確度，其中2012—2013年被特別處理（ST）公司6家，非ST公司6家。

（二）變量選取

已有研究證實采用現(xiàn)金流量信息來反映企業(yè)的實際支付能力、償債能力、財務(wù)彈性、發(fā)展能力等情況對企業(yè)的經(jīng)營決策更具有實效，對于判別企業(yè)的財務(wù)狀況也更為準(zhǔn)確。因此，本文借鑒以往學(xué)者的研究，從償債能力、獲現(xiàn)能力、現(xiàn)金結(jié)構(gòu)和發(fā)展能力四大方面出發(fā)，選擇9個指標(biāo)建立一套現(xiàn)金流量類財務(wù)預(yù)警指標(biāo)體系（見表1）。

（三）財務(wù)危機預(yù)警模型主成分因子的確定

本文數(shù)據(jù)來源為CSMAR、金融界（http：//stock.jrj.com.cn）。運用Excel軟件對所選的30家樣本企業(yè)的財務(wù)數(shù)據(jù)進行處理，并運用SPSS進行主成分分析，得到各主成分的特征值和貢獻率如表2所示。

首先，本文根據(jù)主成分分析法提取因子一般遵循累積方差貢獻率大于85%、特征根大于1的標(biāo)準(zhǔn)，依據(jù)表2數(shù)據(jù)，提取出包含原來91.56%信息量的4個主成分因子以代替原有的9個財務(wù)指標(biāo)。其次，為了對以上4個因子進行解釋，就需要得到9個原始財務(wù)指標(biāo)對這4個主成分的因子載荷矩陣。于是，本文將已提取的因子數(shù)據(jù)進行轉(zhuǎn)換，經(jīng)因子旋轉(zhuǎn)得到轉(zhuǎn)換后的因子載荷矩陣，如表3所示。

由表3可得出4個主成分因子表達式為：

由主成分因子式（4）可以發(fā)現(xiàn)：1.主成分X1由除F9以外的8項財務(wù)指標(biāo)解釋，代表了企業(yè)償債能力、獲現(xiàn)能力和現(xiàn)金結(jié)構(gòu)；2.主成分X2由F7、F8和F2、F3這4項財務(wù)指標(biāo)解釋，代表的是企業(yè)的現(xiàn)金結(jié)構(gòu)和償債能力；3.主成分X3由F1、F5、F6和F9這4項財務(wù)指標(biāo)解釋，這幾項財務(wù)指標(biāo)的因子載荷也大于其他指標(biāo)，它代表了企業(yè)的償債能力、獲現(xiàn)能力和發(fā)展能力；4.主成分X4由F1和F9解釋，同時代表了企業(yè)償債能力和發(fā)展能力。

（四）財務(wù)危機預(yù)警的改進Z模型與評價區(qū)域的構(gòu)建

通過主成分分析法，本文根據(jù)表3中各個主成分因子的貢獻率，確定改進的Z計分模型的參數(shù)k1= 0.479、k2=0.1778、k3=0.1431、k4=0.1157，從而構(gòu)建出本研究中的醫(yī)藥行業(yè)上市公司財務(wù)危機預(yù)警模型：

在構(gòu)建出財務(wù)危機預(yù)警模型的基礎(chǔ)上，本文將估計樣本組中上市公司的各項經(jīng)標(biāo)準(zhǔn)化處理后的財務(wù)指標(biāo)代入公式（5），得出經(jīng)過排序整理后的各上市公司預(yù)測分值（見表4），估計樣本Z值分布如圖1所示。

用所構(gòu)建的改進Z模型對10家ST公司和20家非ST公司的原始樣本進行分類，在預(yù)測值Z=0.15時，ST類公司小于Z值的個數(shù)為9個，占到該類公司總數(shù)的90%；非ST類公司超過該值的個數(shù)為19，占到該類公司的95%?？紤]到非ST類公司是參照ST類公司按一定標(biāo)準(zhǔn)隨機抽取得出，經(jīng)營狀況可能并非很好；同時ST類公司并非完全屬于“財務(wù)危機”公司，并且正在進行改制、重組的ST類公司的財務(wù)指標(biāo)值不具有穩(wěn)定性，因而筆者認為以上結(jié)論比較合理。綜合考慮這些公司實際財務(wù)狀況和樣本組的結(jié)果，把Z=0.15列為財務(wù)危機公司的臨界值。據(jù)此可得出評價區(qū)域，如表4最后一列所示。endprint

（五）改進Z模型的預(yù)測精確度檢測

為檢驗改進Z模型的預(yù)測精確度，本文將ST公司對應(yīng)的非ST公司t-1年經(jīng)標(biāo)準(zhǔn)化后的財務(wù)數(shù)據(jù)代入模型（5），計算出檢測樣本組公司的Z值，經(jīng)排序整理后如表5所示，Z值分布如圖2所示。

由表5的檢測結(jié)果可以分析出：該模型對檢測樣本中ST公司判斷準(zhǔn)確率為1，對非ST公司的判斷準(zhǔn)確率大于83.33%，檢測樣本中非ST公司有一家落在0.15～0.30的灰色區(qū)域，對預(yù)測的準(zhǔn)確性會產(chǎn)生影響。

通過對改進Z模型的預(yù)測精度檢測，發(fā)現(xiàn)該模型對ST公司的判斷準(zhǔn)確率大于93.75%，其中有1家ST公司落在0.15～0.30的灰色區(qū)域，判斷正確性需進一步證明；對非ST公司的判斷準(zhǔn)確率在69.23%～96.15%之間，其中有7家落在0.15～0.30的灰色區(qū)域，對準(zhǔn)確率有所影響。在該模型的基礎(chǔ)上，如何對灰色區(qū)域的預(yù)測結(jié)果進一步評價，即對處于灰色區(qū)域的公司未來財務(wù)狀況發(fā)展趨勢的預(yù)測需進一步研究。

四、研究結(jié)論

本文以醫(yī)藥行業(yè)上市公司為研究對象，選取了滬深交易所上市的42家樣本公司，并從償債能力、獲現(xiàn)能力、現(xiàn)金結(jié)構(gòu)和發(fā)展能力4個方面選取了9個現(xiàn)金流量類指標(biāo)構(gòu)建財務(wù)指標(biāo)體系，引入主成分分析法改進傳統(tǒng)Z計分模型，利用改進后的Z模型對醫(yī)藥行業(yè)財務(wù)危機預(yù)警進行研究。通過分析研究本文得出以下結(jié)論：1.Z值越小，公司財務(wù)狀況越差，越有可能陷入財務(wù)危機。當(dāng)Z值小于0.15時，為財務(wù)狀況威脅區(qū)；當(dāng)Z值在0.15～0.30之間時，為財務(wù)狀況灰色區(qū)域；當(dāng)Z值大于0.30時，為財務(wù)狀況安全區(qū)。2.該模型對財務(wù)危機公司和非財務(wù)危機公司的預(yù)測準(zhǔn)確率均較高，但是一定程度上受到灰色區(qū)域的影響，模型預(yù)測的準(zhǔn)確度尚不能完全確定。3.研究發(fā)現(xiàn)企業(yè)財務(wù)危機預(yù)測存在灰色區(qū)域（潛在財務(wù)危機），也就是說，處于灰色區(qū)域的公司正處于一個危機與安全的邊緣，稍有不慎則會逐漸惡化。

針對以上實證結(jié)果，提出如下建議：醫(yī)藥行業(yè)上市公司可以在參考該模型的基礎(chǔ)上，建立一個動態(tài)的縱向跟蹤預(yù)警模型，利用最新的財務(wù)數(shù)據(jù)檢視公司的財務(wù)狀況，時時注意公司的經(jīng)營情況，根據(jù)自身的財務(wù)危機程度及時采取適當(dāng)?shù)膽?yīng)對措施改善經(jīng)營情況和財務(wù)狀況；另外，處在灰色區(qū)域的企業(yè)應(yīng)當(dāng)引起重視，若能及時調(diào)整偏差，有利于改善經(jīng)營狀況，使企業(yè)重新步入正軌。

最后需要指出的是，由于我國上市公司目前仍然存在會計信息失真現(xiàn)象，本文建立的財務(wù)預(yù)警模型可能會受到一定影響。另外，醫(yī)藥行業(yè)上市公司財務(wù)危機預(yù)警研究實踐是一個極其復(fù)雜的系統(tǒng)工程，本文也不能完全徹底有效地解決醫(yī)藥行業(yè)上市公司財務(wù)危機預(yù)警的實務(wù)操作問題。但不可否認的是，本文的研究方法與研究結(jié)果，對評價醫(yī)藥行業(yè)上市公司的財務(wù)危機預(yù)警研究仍然具有明確的借鑒意義與參考價值，能在一定程度上為醫(yī)藥行業(yè)上市公司開展財務(wù)危機預(yù)警實踐工作提供借鑒?！?/p>

【參考文獻】

[1] 陳磊.公司動態(tài)財務(wù)危機預(yù)警研究[M].北京：北京郵電大學(xué)出版社，2010：38.

[2] 王磊.我國醫(yī)藥行業(yè)上市公司財務(wù)危機預(yù)警研究[D].上海交通大學(xué)，2009：54-58.

[3] 楊濤.基于SVM的中國醫(yī)藥制造企業(yè)財務(wù)危機預(yù)警研究[D].廈門大學(xué)，2009：39-43.

[4] 王丹丹.基于BP神經(jīng)網(wǎng)絡(luò)中國醫(yī)藥行業(yè)上市公司財務(wù)危機預(yù)警研究[D].安徽大學(xué)，2012：47-49.

[5] Altman，E. I.， Financial Ratios，Discrimininant Analysis and the Prediction of Corporate Bankruptcy[J].Journal of Banking and Finance.1968，23（4）：589-609.

[6] 周玉敏，鄧維斌.SPSS 16.0與統(tǒng)計數(shù)據(jù)分析[M].成都：西南財經(jīng)大學(xué)出版社，2009：280-310.

[7] 劉宏洲.財務(wù)危機預(yù)警的Z計分模型實證研究——來自中國電器業(yè)上市公司的新證據(jù)[J].會計之友，2011（10上）：82-87.endprint

（五）改進Z模型的預(yù)測精確度檢測

為檢驗改進Z模型的預(yù)測精確度，本文將ST公司對應(yīng)的非ST公司t-1年經(jīng)標(biāo)準(zhǔn)化后的財務(wù)數(shù)據(jù)代入模型（5），計算出檢測樣本組公司的Z值，經(jīng)排序整理后如表5所示，Z值分布如圖2所示。

由表5的檢測結(jié)果可以分析出：該模型對檢測樣本中ST公司判斷準(zhǔn)確率為1，對非ST公司的判斷準(zhǔn)確率大于83.33%，檢測樣本中非ST公司有一家落在0.15～0.30的灰色區(qū)域，對預(yù)測的準(zhǔn)確性會產(chǎn)生影響。

通過對改進Z模型的預(yù)測精度檢測，發(fā)現(xiàn)該模型對ST公司的判斷準(zhǔn)確率大于93.75%，其中有1家ST公司落在0.15～0.30的灰色區(qū)域，判斷正確性需進一步證明；對非ST公司的判斷準(zhǔn)確率在69.23%～96.15%之間，其中有7家落在0.15～0.30的灰色區(qū)域，對準(zhǔn)確率有所影響。在該模型的基礎(chǔ)上，如何對灰色區(qū)域的預(yù)測結(jié)果進一步評價，即對處于灰色區(qū)域的公司未來財務(wù)狀況發(fā)展趨勢的預(yù)測需進一步研究。

四、研究結(jié)論

本文以醫(yī)藥行業(yè)上市公司為研究對象，選取了滬深交易所上市的42家樣本公司，并從償債能力、獲現(xiàn)能力、現(xiàn)金結(jié)構(gòu)和發(fā)展能力4個方面選取了9個現(xiàn)金流量類指標(biāo)構(gòu)建財務(wù)指標(biāo)體系，引入主成分分析法改進傳統(tǒng)Z計分模型，利用改進后的Z模型對醫(yī)藥行業(yè)財務(wù)危機預(yù)警進行研究。通過分析研究本文得出以下結(jié)論：1.Z值越小，公司財務(wù)狀況越差，越有可能陷入財務(wù)危機。當(dāng)Z值小于0.15時，為財務(wù)狀況威脅區(qū)；當(dāng)Z值在0.15～0.30之間時，為財務(wù)狀況灰色區(qū)域；當(dāng)Z值大于0.30時，為財務(wù)狀況安全區(qū)。2.該模型對財務(wù)危機公司和非財務(wù)危機公司的預(yù)測準(zhǔn)確率均較高，但是一定程度上受到灰色區(qū)域的影響，模型預(yù)測的準(zhǔn)確度尚不能完全確定。3.研究發(fā)現(xiàn)企業(yè)財務(wù)危機預(yù)測存在灰色區(qū)域（潛在財務(wù)危機），也就是說，處于灰色區(qū)域的公司正處于一個危機與安全的邊緣，稍有不慎則會逐漸惡化。

針對以上實證結(jié)果，提出如下建議：醫(yī)藥行業(yè)上市公司可以在參考該模型的基礎(chǔ)上，建立一個動態(tài)的縱向跟蹤預(yù)警模型，利用最新的財務(wù)數(shù)據(jù)檢視公司的財務(wù)狀況，時時注意公司的經(jīng)營情況，根據(jù)自身的財務(wù)危機程度及時采取適當(dāng)?shù)膽?yīng)對措施改善經(jīng)營情況和財務(wù)狀況；另外，處在灰色區(qū)域的企業(yè)應(yīng)當(dāng)引起重視，若能及時調(diào)整偏差，有利于改善經(jīng)營狀況，使企業(yè)重新步入正軌。

最后需要指出的是，由于我國上市公司目前仍然存在會計信息失真現(xiàn)象，本文建立的財務(wù)預(yù)警模型可能會受到一定影響。另外，醫(yī)藥行業(yè)上市公司財務(wù)危機預(yù)警研究實踐是一個極其復(fù)雜的系統(tǒng)工程，本文也不能完全徹底有效地解決醫(yī)藥行業(yè)上市公司財務(wù)危機預(yù)警的實務(wù)操作問題。但不可否認的是，本文的研究方法與研究結(jié)果，對評價醫(yī)藥行業(yè)上市公司的財務(wù)危機預(yù)警研究仍然具有明確的借鑒意義與參考價值，能在一定程度上為醫(yī)藥行業(yè)上市公司開展財務(wù)危機預(yù)警實踐工作提供借鑒?！?/p>

【參考文獻】

[1] 陳磊.公司動態(tài)財務(wù)危機預(yù)警研究[M].北京：北京郵電大學(xué)出版社，2010：38.

[2] 王磊.我國醫(yī)藥行業(yè)上市公司財務(wù)危機預(yù)警研究[D].上海交通大學(xué)，2009：54-58.

[3] 楊濤.基于SVM的中國醫(yī)藥制造企業(yè)財務(wù)危機預(yù)警研究[D].廈門大學(xué)，2009：39-43.

[4] 王丹丹.基于BP神經(jīng)網(wǎng)絡(luò)中國醫(yī)藥行業(yè)上市公司財務(wù)危機預(yù)警研究[D].安徽大學(xué)，2012：47-49.

[5] Altman，E. I.， Financial Ratios，Discrimininant Analysis and the Prediction of Corporate Bankruptcy[J].Journal of Banking and Finance.1968，23（4）：589-609.

[6] 周玉敏，鄧維斌.SPSS 16.0與統(tǒng)計數(shù)據(jù)分析[M].成都：西南財經(jīng)大學(xué)出版社，2009：280-310.

[7] 劉宏洲.財務(wù)危機預(yù)警的Z計分模型實證研究——來自中國電器業(yè)上市公司的新證據(jù)[J].會計之友，2011（10上）：82-87.endprint

（五）改進Z模型的預(yù)測精確度檢測

為檢驗改進Z模型的預(yù)測精確度，本文將ST公司對應(yīng)的非ST公司t-1年經(jīng)標(biāo)準(zhǔn)化后的財務(wù)數(shù)據(jù)代入模型（5），計算出檢測樣本組公司的Z值，經(jīng)排序整理后如表5所示，Z值分布如圖2所示。

由表5的檢測結(jié)果可以分析出：該模型對檢測樣本中ST公司判斷準(zhǔn)確率為1，對非ST公司的判斷準(zhǔn)確率大于83.33%，檢測樣本中非ST公司有一家落在0.15～0.30的灰色區(qū)域，對預(yù)測的準(zhǔn)確性會產(chǎn)生影響。

通過對改進Z模型的預(yù)測精度檢測，發(fā)現(xiàn)該模型對ST公司的判斷準(zhǔn)確率大于93.75%，其中有1家ST公司落在0.15～0.30的灰色區(qū)域，判斷正確性需進一步證明；對非ST公司的判斷準(zhǔn)確率在69.23%～96.15%之間，其中有7家落在0.15～0.30的灰色區(qū)域，對準(zhǔn)確率有所影響。在該模型的基礎(chǔ)上，如何對灰色區(qū)域的預(yù)測結(jié)果進一步評價，即對處于灰色區(qū)域的公司未來財務(wù)狀況發(fā)展趨勢的預(yù)測需進一步研究。

四、研究結(jié)論

本文以醫(yī)藥行業(yè)上市公司為研究對象，選取了滬深交易所上市的42家樣本公司，并從償債能力、獲現(xiàn)能力、現(xiàn)金結(jié)構(gòu)和發(fā)展能力4個方面選取了9個現(xiàn)金流量類指標(biāo)構(gòu)建財務(wù)指標(biāo)體系，引入主成分分析法改進傳統(tǒng)Z計分模型，利用改進后的Z模型對醫(yī)藥行業(yè)財務(wù)危機預(yù)警進行研究。通過分析研究本文得出以下結(jié)論：1.Z值越小，公司財務(wù)狀況越差，越有可能陷入財務(wù)危機。當(dāng)Z值小于0.15時，為財務(wù)狀況威脅區(qū)；當(dāng)Z值在0.15～0.30之間時，為財務(wù)狀況灰色區(qū)域；當(dāng)Z值大于0.30時，為財務(wù)狀況安全區(qū)。2.該模型對財務(wù)危機公司和非財務(wù)危機公司的預(yù)測準(zhǔn)確率均較高，但是一定程度上受到灰色區(qū)域的影響，模型預(yù)測的準(zhǔn)確度尚不能完全確定。3.研究發(fā)現(xiàn)企業(yè)財務(wù)危機預(yù)測存在灰色區(qū)域（潛在財務(wù)危機），也就是說，處于灰色區(qū)域的公司正處于一個危機與安全的邊緣，稍有不慎則會逐漸惡化。

針對以上實證結(jié)果，提出如下建議：醫(yī)藥行業(yè)上市公司可以在參考該模型的基礎(chǔ)上，建立一個動態(tài)的縱向跟蹤預(yù)警模型，利用最新的財務(wù)數(shù)據(jù)檢視公司的財務(wù)狀況，時時注意公司的經(jīng)營情況，根據(jù)自身的財務(wù)危機程度及時采取適當(dāng)?shù)膽?yīng)對措施改善經(jīng)營情況和財務(wù)狀況；另外，處在灰色區(qū)域的企業(yè)應(yīng)當(dāng)引起重視，若能及時調(diào)整偏差，有利于改善經(jīng)營狀況，使企業(yè)重新步入正軌。

最后需要指出的是，由于我國上市公司目前仍然存在會計信息失真現(xiàn)象，本文建立的財務(wù)預(yù)警模型可能會受到一定影響。另外，醫(yī)藥行業(yè)上市公司財務(wù)危機預(yù)警研究實踐是一個極其復(fù)雜的系統(tǒng)工程，本文也不能完全徹底有效地解決醫(yī)藥行業(yè)上市公司財務(wù)危機預(yù)警的實務(wù)操作問題。但不可否認的是，本文的研究方法與研究結(jié)果，對評價醫(yī)藥行業(yè)上市公司的財務(wù)危機預(yù)警研究仍然具有明確的借鑒意義與參考價值，能在一定程度上為醫(yī)藥行業(yè)上市公司開展財務(wù)危機預(yù)警實踐工作提供借鑒?！?/p>

【參考文獻】

[1] 陳磊.公司動態(tài)財務(wù)危機預(yù)警研究[M].北京：北京郵電大學(xué)出版社，2010：38.

[2] 王磊.我國醫(yī)藥行業(yè)上市公司財務(wù)危機預(yù)警研究[D].上海交通大學(xué)，2009：54-58.

[3] 楊濤.基于SVM的中國醫(yī)藥制造企業(yè)財務(wù)危機預(yù)警研究[D].廈門大學(xué)，2009：39-43.

[4] 王丹丹.基于BP神經(jīng)網(wǎng)絡(luò)中國醫(yī)藥行業(yè)上市公司財務(wù)危機預(yù)警研究[D].安徽大學(xué)，2012：47-49.

[5] Altman，E. I.， Financial Ratios，Discrimininant Analysis and the Prediction of Corporate Bankruptcy[J].Journal of Banking and Finance.1968，23（4）：589-609.

[6] 周玉敏，鄧維斌.SPSS 16.0與統(tǒng)計數(shù)據(jù)分析[M].成都：西南財經(jīng)大學(xué)出版社，2009：280-310.

[7] 劉宏洲.財務(wù)危機預(yù)警的Z計分模型實證研究——來自中國電器業(yè)上市公司的新證據(jù)[J].會計之友，2011（10上）：82-87.endprint