趙鶯鶯 姜穎

摘要：文章主要從企業(yè)財務(wù)風險預警模型的驗證、模型間的對比、模型的改進以及新模型的開發(fā)研究四個方面對國內(nèi)企業(yè)財務(wù)風險預警模型的研究進行歸納總結(jié)，并指出目前研究的不足之處，以期為我國企業(yè)財務(wù)風險預警模型研究的進一步發(fā)展提供借鑒。

Abstract： This paper summarizes the research on the early warning model of financial risks in domestic companies from the aspects of verification of financial risk early-warning model， comparison of models， improvement of models and development of new models， and points out the shortcomings of current research， with a view to providing reference for the further development of China's corporate financial risk early warning model research.

關(guān)鍵詞：財務(wù)風險；預警模型；述評

Key words： financial risk；early warning model；review

中圖分類號：F275 文獻標識碼：A 文章編號：1006-4311（2018）26-0116-04

0 引言

經(jīng)濟全球化的日益深入使得企業(yè)置身于更加復雜多變的市場環(huán)境，所需應(yīng)對的風險在不斷增加。近年來，風險管理已引起諸多企業(yè)的重視，其中財務(wù)風險因?qū)ζ髽I(yè)正常運營有直接的、重大的影響而成為眾多利益相關(guān)者關(guān)注的焦點。因此，建立有效的財務(wù)風險預警模型，幫助企業(yè)實現(xiàn)對財務(wù)狀況的全面、實時掌控，以便及早發(fā)現(xiàn)問題并采取有效的防控措施，對維持企業(yè)的健康發(fā)展、保障眾多利益相關(guān)者的權(quán)益有重要的現(xiàn)實意義。

企業(yè)財務(wù)風險預警研究始于20世紀30年代，財務(wù)風險預警模型也從最初的單變量模型演變至包括多元線性判別模型、Logistic回歸模型等多變量預警模型。近年來，人工智能模型的運用更是將財務(wù)預警研究推向了較高水平。[1]國內(nèi)對企業(yè)財務(wù)風險預警模型的研究起步較晚，在借鑒國外研究的基礎(chǔ)上發(fā)展迅速，已經(jīng)取得了諸多有價值的成果。但是，目前對我國企業(yè)財務(wù)風險預警模型研究進行系統(tǒng)梳理分析的文章并不多見，這不便于后來研究者借鑒經(jīng)驗、尋找突破點，不利于財務(wù)風險預警模型的進一步研究與發(fā)展。因此，本文旨在對已有研究成果進行梳理，從現(xiàn)有財務(wù)風險預警模型的驗證、模型間的對比、模型的改進以及新模型的開發(fā)研究四個方面的內(nèi)容來加以歸納總結(jié)，以期促進我國企業(yè)財務(wù)風險預警模型研究的進一步發(fā)展。

1 財務(wù)風險預警模型的驗證研究

關(guān)于企業(yè)財務(wù)風險的預警研究，國內(nèi)外學者已經(jīng)提出了多種財務(wù)風險預警模型，但至于這些財務(wù)風險預警模型的預警效果如何，對預測我國企業(yè)的財務(wù)風險有多大適用性，需要做進一步的驗證研究。

劉倩（2010）以深滬兩市40家上市公司2008年數(shù)據(jù)為研究樣本，在借鑒國內(nèi)外研究成果的基礎(chǔ)上初步選取了21個財務(wù)比率做預警指標，并通過相關(guān)分析法和二元邏輯回歸分析法對初選指標做進一步篩選，然后構(gòu)建logit模型對40家樣本公司進行預測。檢驗結(jié)果表明，logit模型能夠有效預測企業(yè)的財務(wù)危機。[2]文章借助SPSS軟件和Eviews軟件對預警指標進行嚴密篩選，使得對logit模型有效性的驗證更有說服力。但對研究樣本的隨機選擇，沒有考慮行業(yè)差異、公司規(guī)模差異等因素的影響，可能會對研究結(jié)果有一定的影響。

張蔚虹和朱海霞（2012）選取滬深兩市40家科技型上市公司做實證檢驗對象，將各公司2008年-2010年三年相關(guān)財務(wù)數(shù)據(jù)代入Z-Score模型計算綜合風險Z值，以Altman標準來判別樣本公司財務(wù)情況，并與實際財務(wù)狀況相比較。檢驗結(jié)果表明，Z-Score模型對我國科技型上市公司財務(wù)風險有較好的預警效果。[3]文章選取的20家非ST公司樣本與20家ST和*ST公司的行業(yè)類別相同且資產(chǎn)總額大體相當，使得驗證較嚴密，不過在預警指標的選取方面對非財務(wù)指標的考慮稍有欠缺。

雷振華和楚攀（2013）以中國聯(lián)通為代表的102家信息技術(shù)類上市公司為研究樣本，選取涵蓋償債能力、資產(chǎn)營運能力、成長能力、現(xiàn)金流量能力和公司治理五個方面的23個初選預警指標，經(jīng)過多重篩選后構(gòu)建了Cox模型并帶入樣本數(shù)據(jù)進行檢驗。研究結(jié)果表明Cox模型對預警我國信息技術(shù)類上市公司的財務(wù)風險有較強的適用性。[4]文中檢驗的Cox模型在處理數(shù)據(jù)刪失問題以及因二分因變量造成的偏差問題有突出優(yōu)勢，此外作者在財務(wù)預警指標的篩選方面做了大量工作，包括描述性統(tǒng)計、顯著性檢驗以及利用主成分分析法來進行的多重共線性檢驗，使得實證結(jié)果更科學。曹彤和郭亞軍（2014）在選取樣本時兼顧到不同地區(qū)間的經(jīng)濟發(fā)展狀況及經(jīng)濟結(jié)構(gòu)的差異以及研究樣本間的行業(yè)差異，便以山東省67家上市制造業(yè)公司作為研究樣本，選取各公司2009-2011年包含財務(wù)指標和非財務(wù)指標的樣本數(shù)據(jù)，構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型。研究表明BP神經(jīng)網(wǎng)絡(luò)預測結(jié)果的綜合正確率達到88%，對山東省制造業(yè)上市公司有很好的財務(wù)預警效果。[5]

2 財務(wù)風險預警模型間的對比研究

關(guān)于企業(yè)財務(wù)風險預警模型，從單變量模型到多變量預警模型以及各種人工智能模型，種類眾多，優(yōu)劣各異。因此，有學者采用不同的方法對模型進行了對比研究。

楊知宇和楊景海（2015）對以利潤指標為基礎(chǔ)的Z模型和以現(xiàn)金流量財務(wù)指標為基礎(chǔ)的F模型進行了詳細的比較，并從新浪財經(jīng)行情中心網(wǎng)站選取了明科、長油、寶碩、南紡、天龍、景谷6家不同行業(yè)的ST上市公司作為樣本，以各個公司2007年至2012年的財務(wù)報表數(shù)據(jù)為基礎(chǔ)，對F模型的預測結(jié)果進行分析，證明了F模型預警的有效性。[6]文章對Z模型和F模型的比較分析以定性分析的方式進行，詳細闡述了Z模型的缺陷及F模型的優(yōu)勢，通俗易懂，但是缺少數(shù)據(jù)結(jié)果的直接對比，說服力未免受到一定影響。

蔣盛益等（2010）選取2000-2007年我國非金融企業(yè)上市公司的財務(wù)報表數(shù)據(jù)，借助數(shù)據(jù)挖掘軟件Weka分別建立決策樹、最近鄰分類、貝葉斯網(wǎng)絡(luò)、多層感知機、基于規(guī)則的分類、BP神經(jīng)網(wǎng)絡(luò)和邏輯回歸7種預警模型并對它們進行分析比較。實證結(jié)果表明，多層感知機、最近鄰分類、邏輯回歸及BP神經(jīng)網(wǎng)絡(luò)這四種分類方法構(gòu)建的模型性能基本相當，對上市公司的財務(wù)危機有較好的預測效果。[7]文章以實證數(shù)據(jù)結(jié)果為依據(jù)，對各類方法構(gòu)建的預警模型的對比分析簡潔明晰，為利益相關(guān)者選擇有效的財務(wù)危機預警模型提供了一定的參考。李紅琨等（2011）以從深滬兩市抽取30家ST公司和70家非ST公司的2008年的年報數(shù)據(jù)為基礎(chǔ)，綜合考慮現(xiàn)金流指標與非現(xiàn)金流指標，采用回歸分析法，對線性概率模型和Logistic模型在我國資本市場的應(yīng)用效果進行比較研究，得出兩模型對我國上市公司財務(wù)風險預警效果均較理想的結(jié)論，準確率分別為92%和88%。但是該文基于線性概率模型的假定及分析中人為主觀賦值的問題，提出在實際應(yīng)用中應(yīng)更多的選擇 Logistic模型的建議。[8]文章通過線性概率模型和Logistic模型的對比分析，為解決基于現(xiàn)金流的多變量模型孰優(yōu)孰劣的問題提供了很好的借鑒。

3 財務(wù)風險預警模型的改進研究

現(xiàn)有的財務(wù)風險預警模型都或多或少存在著些許缺陷，因此也有學者致力于對現(xiàn)有模型的改進研究，以期獲得對企業(yè)財務(wù)風險的更好的預警效果。通過分析文獻來看，對財務(wù)風險模型的改進研究主要從指標優(yōu)化和模型混合兩方面來取得突破。

3.1 指標優(yōu)化的改進研究

傳統(tǒng)的財務(wù)風險預警模型多是選擇財務(wù)指標為預警指標，但是財務(wù)指標不能涵蓋企業(yè)全部的財務(wù)狀況信息，且不能全面的、深入的揭示企業(yè)財務(wù)風險成因。黃德忠和朱超群（2016）將企業(yè)資產(chǎn)質(zhì)量指標引入到財務(wù)風險預警模型中去，選取2010至2013年首次被ST的48家上市公司以及配對的96家正常公司的數(shù)據(jù)為樣本，構(gòu)建了只含常用財務(wù)指標的財務(wù)預警模型與含有資產(chǎn)質(zhì)量指標的資產(chǎn)質(zhì)量模型并對兩模型的預警結(jié)果進行比較。實證結(jié)果表明，資產(chǎn)質(zhì)量指標在ST與非ST公司間存在顯著差異，可以納入財務(wù)風險預警模型，并且資產(chǎn)質(zhì)量指標的加入能夠提高預警模型的準確性。[9]文章創(chuàng)新性地引入了資產(chǎn)質(zhì)量指標，在驗證其能提高預警模型準確性的同時，更重要的意義在于資產(chǎn)質(zhì)量指標能反映企業(yè)內(nèi)部資產(chǎn)狀況、揭示財務(wù)風險形成源頭，從而有利于企業(yè)從根本上防控風險。

由于對以利潤等指標為基礎(chǔ)的傳統(tǒng)財務(wù)預警指標的有效性存在質(zhì)疑，學者們開始對現(xiàn)金流有更多的關(guān)注，只是簡單地引入現(xiàn)金流指標，還是不能避免財務(wù)信息被操控的問題。于是，謝赤等（2014）直接以信息度較高的現(xiàn)金流指標來預測企業(yè)財務(wù)困境作為突破點，兼顧企業(yè)現(xiàn)金流的內(nèi)外部影響因子構(gòu)建了風險暴露CFaR模型，又以CFaR模型分離出的期望現(xiàn)金流和風險現(xiàn)金流為自變量構(gòu)建了現(xiàn)金流風險預警Logistic模型，最后選取了54家上市公司的相關(guān)數(shù)據(jù)進行驗證。研究結(jié)果表明，CFaR模型能較好區(qū)別ST公司和非ST公司的現(xiàn)金流狀況，并且Logistic預警模型對上市公司財務(wù)風險有較好的預警效果。[10]

此外，葉柏青和王玲慧（2016）以深滬上市的40家高新技術(shù)企業(yè)為研究樣本，以管理用財務(wù)報表為基礎(chǔ)，對選取的財務(wù)指標和非財務(wù)指標進行正態(tài)分布檢驗和顯著性檢驗，利用因子分析和Logistic回歸方法建立了二元Logistic邏輯回歸模型并對其預測度和正確性進行了檢驗。結(jié)果證明基于管理用財務(wù)報表選取的指標而建立的財務(wù)風險預警模型能夠很好地預測企業(yè)的財務(wù)風險，相較于傳統(tǒng)報表，預測結(jié)果的可靠性更高。[1]文章一改之前學者們以傳統(tǒng)財務(wù)報表為分析基礎(chǔ)的做法，用管理財務(wù)報表取而代之，使得財務(wù)數(shù)據(jù)更加真實，檢測結(jié)果更有說服力。而宋彪等（2015）則提出了以網(wǎng)民為企業(yè) “傳感器”的思想，利用聚焦網(wǎng)絡(luò)爬蟲，收集了60家企業(yè)2009-2013年的所有相關(guān)全網(wǎng)網(wǎng)絡(luò)數(shù)據(jù)并對其進行數(shù)值化處理，綜合財務(wù)指標，建立引入大數(shù)據(jù)指標的SVM財務(wù)風險預警模型，并對模型的預測效果進行比較分析。實證結(jié)果顯示基于大數(shù)據(jù)的財務(wù)風險預警模型相對于財務(wù)指標預警模型具有更好的預測效果。[11]他們很好的利用了大數(shù)據(jù)技術(shù)，獲得的信息全面而客觀，為解決大多數(shù)模型中所用財務(wù)指標的滯后性、灰色性、真實性問題及非財務(wù)指標對不同公司的普適性問題提供了很好的解決思路。

3.2 混合模型的改進研究

除了對評價指標進行優(yōu)化外，還可以通過彌補現(xiàn)有模型的缺陷來提高財務(wù)風險預警模型的預測準確率，將不同模型的混合使用便可以達到這一效果。符剛等（2016）選取滬深兩市89家上市的工業(yè)企業(yè)作為研究樣本，運用全局主成分分析法對初選的12個預警指標進行降維，然后構(gòu)建了融合神經(jīng)網(wǎng)絡(luò)與Kalman濾波法的財務(wù)預警模型，結(jié)果發(fā)現(xiàn)融合后的財務(wù)風險預警模型對企業(yè)的風險有良好的預判效果，財務(wù)預警模型的準確性得到提高，且克服了大部分單一預警模型適用性弱的問題。[12]

針對目前大多數(shù)財務(wù)預警模型存在的對數(shù)據(jù)要求嚴格、應(yīng)用范圍有限、很難實現(xiàn)財務(wù)危機的動態(tài)預警等問題，姜金貴和梁靜國（2009）引入小波分析理論，構(gòu)造小波神經(jīng)網(wǎng)絡(luò)，利用伸縮因子和平移因子的小波神經(jīng)網(wǎng)絡(luò)來彌補傳統(tǒng)神經(jīng)網(wǎng)絡(luò)參數(shù)不足的缺點，經(jīng)對從滬深兩市選擇的35家上市公司的實證研究結(jié)果表明，小波神經(jīng)網(wǎng)絡(luò)對上市公司的財務(wù)風險預警結(jié)果精準，為財務(wù)風險預警研究提供了一種新的有效的研究方法[13]；秦小麗和田高良（2011）將灰色預測模型與神經(jīng)網(wǎng)絡(luò)模型相融合，選取40家上市公司為檢驗樣本，利用獨立樣本T檢驗和相關(guān)性檢驗對初選財務(wù)比率進行篩選，構(gòu)建基于函數(shù)變換的GM（1，1）模型和神經(jīng)網(wǎng)絡(luò)模型的動態(tài)財務(wù)預警模型。實證結(jié)果分析顯示，將兩模型有效地結(jié)合在一起有較好的預警效果，能夠?qū)ω攧?wù)指標的趨勢預測以及財務(wù)指標與財務(wù)狀況間的非線性關(guān)系有更好地掌握。[14]

此外，目前在遺傳算法與支持向量機的模型結(jié)合中，遺傳算法所采用的標準算法存在局部最優(yōu)的問題，這會對財務(wù)風險預警模型的精度與速度造成一定的影響。于是，丁德臣（2011）提出了基于混合全局優(yōu)化正交遺傳算法和支持向量機的財務(wù)風險預警模型，利用混合全局優(yōu)化正交遺傳算法來提高支持向量機在特征子集選擇和參數(shù)最優(yōu)化兩個方面的效果。經(jīng)對選取的29家中國財產(chǎn)保險企業(yè)的實證研究數(shù)據(jù)表明，HOGA-SVM模型對企業(yè)的財務(wù)風險有很好的預警效果，混合模型的改進效果明顯。[15]

4 財務(wù)風險預警新模型的開發(fā)研究

財務(wù)風險預警模型的研究要想取得突破性的進展，還需要有新鮮血液的注入，學科間方法的交叉貫通為我國企業(yè)財務(wù)風險預警新模型的開發(fā)研究提供了新思路。

鄒清明和黃鐘億（2016）將廣泛應(yīng)用在生物醫(yī)學、保險精算領(lǐng)域的比例優(yōu)勢模型應(yīng)用到企業(yè)財務(wù)風險預警中來。他們以從國泰安數(shù)據(jù)庫中選取的321家制造業(yè)上市公司為研究對象，利用EM遺傳算法及顯著性檢驗、多重線性檢驗對初選指標進行處理，運用ALASSO變量選擇程序確定影響企業(yè)發(fā)生財務(wù)困境的主要因素，得到了參數(shù)估計與基本優(yōu)勢比函數(shù)的估計值，并將Cox模型和比例優(yōu)勢模型的財務(wù)風險預測效果進行比較，實證結(jié)果表明比例優(yōu)勢模型對企業(yè)財務(wù)困境有較好的預測能力。[16]他們選取的比例優(yōu)勢模型，較好地解決了風險預測中的時變性問題，為財務(wù)風險預警提供了新的研究方法。

彭建峰等（2015）將目標轉(zhuǎn)向用于宏觀貨幣危機預警的KLR模型，以20家制造業(yè)上市公司為研究對象，對選取的16個財務(wù)指標分別從單指標和合成指標兩方面展開實證檢驗分析。最終結(jié)果表明，KLR模型具有較高的預測精度，對預警我國企業(yè)財務(wù)風險有較好的效果。[17]文章所提出的KLR模型能夠通過單指標分析揭示企業(yè)財務(wù)風險傳導的路徑，也能夠通過合成指標的分析來明確企業(yè)財務(wù)風險的程度，為企業(yè)財務(wù)風險預警提供了一種好方法。

張友棠和黃陽（2011）剖析行業(yè)環(huán)境對企業(yè)財務(wù)風險的作用機理，利用系統(tǒng)動力學原理構(gòu)建企業(yè)財務(wù)預警控制模型，并選取四川長虹集團作為該模型的應(yīng)用實例進行驗證，結(jié)果表明系統(tǒng)動力學模型能夠很好地分析出在既定的外部環(huán)境下企業(yè)內(nèi)部風險控制點，并且能對未來企業(yè)財務(wù)狀況進行準確預測。[18]文中提出的以系統(tǒng)動力學原理構(gòu)建的企業(yè)財務(wù)預警控制模型有兩個突出優(yōu)勢：一是能全面形象地詮釋行業(yè)環(huán)境風險與企業(yè)財務(wù)風險的互動關(guān)系；二是能將財務(wù)風險預警與控制的有機結(jié)合起來，有很強的實用性。

5 結(jié)論

通過以上對企業(yè)財務(wù)風險預警模型的國內(nèi)研究綜述可以看出，在內(nèi)容上學者們對現(xiàn)有財務(wù)風險預警模型的驗證研究、模型間的對比研究、模型的改進研究以及新模型的開發(fā)研究四個方面進行了探索，并得到了很多有意義的結(jié)論；在研究方法上，主要采用實證研究方法，利用SPSS、MATLAB等軟件，通過因子分析、描述統(tǒng)計分析、回歸分析等方法對搜集的上市公司的數(shù)據(jù)進行處理，然后代入相關(guān)模型來對財務(wù)風險預警模型進行驗證及對比研究等，以事實和數(shù)據(jù)為依據(jù)，論證嚴密、科學，使得研究結(jié)果更具有說服力。但是，對企業(yè)財務(wù)風險預警模型的研究仍存在以下幾方面的問題：

①預警指標的選擇主觀性大。預警指標的選擇對財務(wù)風險預警模型的效果有直接的影響，但是目前大多文獻對指標的選擇主觀性較強，盡管對于指標的進一步篩選方面選用了較為科學合理的因子分析、回歸分析等手段，但對于預警指標的初步選擇大多沒有給出明確、合理的解釋。

②預警模型評估標準不明確。對于建立的企業(yè)財務(wù)風險預警模型的實用性、有效性沒有明確的評估標準，模型的預測準確率達到多少才算有效沒有明確的說法，例如黃德忠和朱超群（2016）提出的引入企業(yè)資產(chǎn)質(zhì)量指標的財務(wù)風險預警模型在總體預警準確率為75.7%，而曹彤和郭亞軍（2014）構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)模型預測結(jié)果的綜合正確率為88%，兩者相差12.3%，差距較大，但結(jié)論都總結(jié)為有效，不免令人疑惑。

③實證研究方法應(yīng)用不規(guī)范。通過上述文獻發(fā)現(xiàn)，在實證研究方法的應(yīng)用方面普遍存在實證檢驗步驟列示不明晰的問題，例如在雷振華和楚攀（2013）、黃德忠和朱超群（2016）等文中未將顯著性檢驗、多重共線性檢驗、K-S檢驗的結(jié)果進行列示，不便于后者做進一步的分析判斷。

鑒于以上分析，筆者認為在以后的研究中，對于預警指標的選擇、預警模型評估標準的確定以及實證研究方法的規(guī)范應(yīng)用等方面有待進一步完善。

參考文獻：

[1]葉柏青，王玲慧.基于管理用報表的高新技術(shù)企業(yè)財務(wù)預警研究[J].哈爾濱商業(yè)大學學報（社會科學版），2016（1）：104-111.

[2]劉倩.基于二元邏輯模型的企業(yè)財務(wù)預警機制研究[J].統(tǒng)計與決策，2010（14）：187-188.

[3]張蔚虹，朱海霞.Z-Score模型對科技型上市公司財務(wù)風險預警的適用性檢驗[J].科技管理研究，2012（14）：228-231.

[4]雷振華，楚攀.基于Cox模型的財務(wù)風險預警實證研究——以1990-2012年信息技術(shù)類上市公司數(shù)據(jù)為例[J].湖南社會科學，2013（06）：164-167.

[5]曹彤，郭亞軍.基于神經(jīng)網(wǎng)絡(luò)模型的上市公司財務(wù)風險預警研究——來自山東省制造業(yè)數(shù)據(jù)[J].財會通訊，2014（9）：89-92.

[6]楊知宇，楊景海.基于現(xiàn)金流量視角的財務(wù)風險預警模型分析——以ST上市公司為例[J].會計之友，2014（30）：46-50.

[7]蔣盛益，汪珊，蔡余沖.基于機器學習的上市公司財務(wù)預警模型的構(gòu)建[J].統(tǒng)計與決策，2010（09）：166-167.

[8]李紅琨，陳永飛，趙根.基于現(xiàn)金流的財務(wù)預警研究：線性概率模型與Logistic模型之應(yīng)用比較[J].經(jīng)濟問題探索，2011（06）：102-105，111.

[9]黃德忠，朱超群.引入企業(yè)資產(chǎn)質(zhì)量指標的財務(wù)風險預警模型[J].財會月刊，2016（08）：48-52.

[10]謝赤，趙亦軍，李為章.基于CFaR模型與Logistic回歸的財務(wù)困境預警研究[J].財經(jīng)理論與實踐，2014（01）：57-62.

[11]宋彪，朱建明，李煦.基于大數(shù)據(jù)的企業(yè)財務(wù)預警研究[J]. 中央財經(jīng)大學學報，2015（06）：55-64.

[12]符剛，曾萍，陳冠林.經(jīng)濟新常態(tài)下企業(yè)財務(wù)危機預警實證研究[J].財經(jīng)科學，2016（09）：88-99.

[13]姜金貴，梁靜國.基于小波神經(jīng)網(wǎng)絡(luò)的上市公司財務(wù)風險預警研究[J].商業(yè)研究，2009（02）：97-99.

[14]秦小麗，田高良.基于灰色理論和神經(jīng)網(wǎng)絡(luò)的公司財務(wù)預警模型[J].統(tǒng)計與決策，2011（16）：176-178.

[15]丁德臣.混合HOGA-SVM財務(wù)風險預警模型實證研究[J].管理工程學報，2011（02）：37-44，36.

[16]鄒清明，黃鐘億.基于比例優(yōu)勢模型的上市公司財務(wù)困境預測研究[J].數(shù)理統(tǒng)計與管理，2016（03）：536-549.

[17]彭建峰，張友棠，李娜.基于KLR的企業(yè)財務(wù)風險預警探討[J].財會通訊，2015（22）：50-52.

[18]張友棠，黃陽.基于行業(yè)環(huán)境風險識別的企業(yè)財務(wù)預警控制系統(tǒng)研究[J].設(shè)計研究，2011（03）：41-48，95.