姚健琪，楊云波，施建華，陳曉平

（1.福建師范大學(xué) 數(shù)學(xué)與信息學(xué)院，福建 福州350117;2.閩南師范大學(xué) 數(shù)學(xué)與統(tǒng)計(jì)學(xué)院，福建 漳州363000）

隨著改革開放的步伐，我國中小企業(yè)不斷地發(fā)展，已經(jīng)逐漸成為國民經(jīng)濟(jì)的重要組成部分。然而，中小企業(yè)在成長和發(fā)展過程中，也面臨著一系列發(fā)展問題，尤其是生存問題，日益成為社會、政府和學(xué)界關(guān)注的焦點(diǎn)。勞動力成本上升、出口貿(mào)易的同比增加幅度下滑等現(xiàn)象直接影響了我國中小企業(yè)健康發(fā)展。國內(nèi)外研究表明，中小企業(yè)死亡率高，生命周期普遍較短。Abdesselam 等(2004)發(fā)現(xiàn)歐洲中小企業(yè)能夠生存3年以上的僅占65%，其中能夠生存5 a 以上的僅占50%；美國中小企業(yè)能夠生存5 a 以上的僅占68%，能夠生存6～10 a 的約占19%，生存時(shí)間超過10 a 的僅占13%；法國中小企業(yè)50%以上的生存時(shí)間不超過5 a[1]。陳曉紅等(2009)對我國五個(gè)城市(鄭州、成都、長沙、廣州、深圳)的中小企業(yè)進(jìn)行統(tǒng)計(jì)研究分析，發(fā)現(xiàn)這些地區(qū)中小企業(yè)的平均生存時(shí)間為4.32 a，并且這些中小企業(yè)存活時(shí)間小于3年的占42.99%，存活時(shí)間為3～5 a 的僅占26.48%[2]。

國內(nèi)學(xué)者對中小企業(yè)生存及其影響因素進(jìn)行了大量的理論研究和實(shí)證分析。張靜等(2013)基于1999-2007年我國制造業(yè)企業(yè)微觀數(shù)據(jù)，闡述了新建公司進(jìn)入與退出市場的現(xiàn)狀，進(jìn)而利用Cox 比例風(fēng)險(xiǎn)模型探討了對企業(yè)生存有顯著影響的因素[3]；何平(2008)搜集并總結(jié)梳理了國內(nèi)外現(xiàn)有關(guān)于企業(yè)壽命研究的理論成果，提出了延長企業(yè)壽命的建議[4]。鄭建貞等(2014)利用生存分析模型對中國企業(yè)OFDI 持續(xù)時(shí)間數(shù)據(jù)進(jìn)行全樣本和分層研究，采用Kaplan-Meier 估計(jì)方法分析了中國企業(yè)子公司在海外領(lǐng)域的生存時(shí)間，應(yīng)用Cox 模型探討了對OFDI 生存時(shí)間存在顯著影響的相關(guān)變量[5]。國內(nèi)外對中小企業(yè)的研究中，大多數(shù)考慮中小企業(yè)發(fā)展受融資困難、稅收等經(jīng)濟(jì)、政策因素的影響，卻很少學(xué)者對中小企業(yè)的發(fā)展?fàn)顟B(tài)和生存狀況進(jìn)行研究，因此文中以縣域中小企業(yè)為樣本，運(yùn)用多種分類預(yù)測模型，有效地預(yù)測縣域中小企業(yè)的生存狀態(tài)，最終選取了更有效的logistic 回歸模型。

以福建省羅源縣工商局1979-2017年登記注冊成立的中小企業(yè)為研究對象，定義企業(yè)注銷或者吊銷營業(yè)執(zhí)照的時(shí)間為死亡時(shí)間。截至2017年，1219 家企業(yè)注(吊)銷，即可知35.15%的企業(yè)真實(shí)生存時(shí)間；而2 249 家企業(yè)未注(吊)銷，無法得知這64.85%的企業(yè)真實(shí)生存時(shí)間，即出現(xiàn)了右刪失數(shù)據(jù)，這種情況導(dǎo)致數(shù)據(jù)信息的缺失。由于其含有數(shù)據(jù)信息，故在對右刪失數(shù)據(jù)進(jìn)行分析時(shí)需要保留未死亡部分，不能直接刪除。文中研究的企業(yè)生存時(shí)間存在刪失觀測數(shù)據(jù)的情況，不能直接采用線性回歸的方法，故需建立Logistic 回歸模型、決策樹分類模型和K 近鄰分類模型來預(yù)測縣域中小企業(yè)的生存狀態(tài)，并以誤判率和ROC 曲線作為評價(jià)標(biāo)準(zhǔn)，將Logistic 回歸、決策樹和K 近鄰分類模型的預(yù)測效果進(jìn)行對比，得出Logistic 回歸模型可以更有效地預(yù)測縣域中小企業(yè)的生存狀況。

1 數(shù)據(jù)樣本及其處理

文中以羅源縣1979-2017年成立的中小企業(yè)作為樣本數(shù)據(jù)。企業(yè)樣本數(shù)據(jù)包含產(chǎn)業(yè)類別、企業(yè)類型、企業(yè)類別、注冊資本。將產(chǎn)業(yè)類別和企業(yè)類型進(jìn)一步劃分，將產(chǎn)業(yè)類別劃分為三大產(chǎn)業(yè)(第一產(chǎn)業(yè)、第二產(chǎn)業(yè)、第三產(chǎn)業(yè))，將企業(yè)類型劃分為五個(gè)類別(國有企業(yè)、股份合作制企業(yè)、集體所有制企業(yè)、有限責(zé)任公司、其他企業(yè))。以觀察期為界限，計(jì)算生存時(shí)間，為了更好地處理數(shù)據(jù)和建立模型，將注冊資本加1 之后取自然對數(shù)。由于抽取的樣本有些數(shù)據(jù)信息不全，故文中剔除了缺失數(shù)據(jù)。經(jīng)過預(yù)處理之后的樣本數(shù)據(jù)結(jié)構(gòu)見表1。

表1 變量及其類型

2 研究的理論與方法

2.1 logistic 回歸模型

邏輯回歸是在線性回歸的基礎(chǔ)上，套用了一個(gè)邏輯函數(shù)。設(shè)因變量Yi是一個(gè)二分類變量，取值為1 或0，在m 個(gè)自變量影響下發(fā)生Yi=1 的條件概率為pi，pi=P（Yi=1∣X1，X1，…，Xm），則Logistic 回歸模型[6]的基本結(jié)構(gòu)為：

其中β為系數(shù)向量，X=（1，X1，X1，…，Xm），β=（β0，β1，…，βp）T。

2.2 決策樹模型

決策樹模型是一種簡單易用的非參數(shù)分類器，是基于變量特征對實(shí)例進(jìn)行分類，結(jié)構(gòu)呈樹形，由結(jié)點(diǎn)和有向邊構(gòu)成。它不需要對數(shù)據(jù)進(jìn)行任何的先驗(yàn)假設(shè)，計(jì)算速度較快，結(jié)果容易解釋，而且穩(wěn)健性強(qiáng)。基于ID3 算法和C4.5 算法，決策樹學(xué)習(xí)的主要環(huán)節(jié)是特征選擇、生成決策樹、減枝，對訓(xùn)練集樣本進(jìn)行學(xué)習(xí)時(shí)，在損失函數(shù)最小的前提下，構(gòu)建決策樹模型，并在決策樹模型上對測試集數(shù)據(jù)進(jìn)行分類[7]。決策樹的一個(gè)重要概念是熵，熵表示隨機(jī)變量不確定性的度量，設(shè)X 為一個(gè)取有限個(gè)值的離散型隨機(jī)變量，概率分布為：

則X 的熵定義為:

熵越大，隨機(jī)變量的不確定性就越大。

條件熵H(Y|X)表示在已知隨機(jī)變量X 的條件下隨機(jī)變量Y 的不確定性。定義為X 給定條件下Y 的條件概率分布的熵對X 的數(shù)學(xué)期望

信息增益表示得知特征X 的信息而使得類Y 的信息不確定性減少的程度。特征A 對訓(xùn)練數(shù)據(jù)集D 的信息增益g(D,A)，定義為集合D 的經(jīng)驗(yàn)熵H(D)與特征A 給定條件下的經(jīng)驗(yàn)條件熵H(D|A)之差，即

決策樹模型應(yīng)用信息增益準(zhǔn)則來選擇特征，通過圖解方式求解在不同條件下各類方案的信息增益，然后通過比較，做出決策。信息增益大的特征具有更強(qiáng)的分類能力。

2.3 K 近鄰分類模型

K 近鄰分類模型是一種目前在回歸、分類和模式識別等領(lǐng)域被廣泛使用的經(jīng)典非參數(shù)分類模型。

K 近鄰分類的基本思想是：給定數(shù)據(jù)庫樣本x，需要將它分類,從訓(xùn)練集中找出k 個(gè)與其最相近的樣本，然后看這k 個(gè)樣本中哪個(gè)類別的樣本多，則待判定的值就屬于這個(gè)類別。k 近鄰模型的3 個(gè)基本要素是距離度量、k 值的選擇、分類決策規(guī)則。k 近鄰分類模型的基本步驟是：①計(jì)算已知類別訓(xùn)練集樣本數(shù)據(jù)中每個(gè)點(diǎn)與當(dāng)前點(diǎn)的距離，一般采用歐氏距離。②根據(jù)計(jì)算出來的距離，選取與當(dāng)前點(diǎn)距離最小的k 個(gè)點(diǎn)，采用這k 個(gè)訓(xùn)練數(shù)據(jù)樣本所屬的類別作為樣本x 的備選類別。③統(tǒng)計(jì)前k個(gè)點(diǎn)中每個(gè)類別的樣本出現(xiàn)的頻率， 返回前k 個(gè)點(diǎn)出現(xiàn)頻率最高的類別作為當(dāng)前點(diǎn)的預(yù)測分類。k近鄰分類的核心就是使用一種距離度量，獲得距離目標(biāo)點(diǎn)最近的k 個(gè)點(diǎn)，根據(jù)分類決策規(guī)則，決定目標(biāo)點(diǎn)的分類[8]。

3 分類預(yù)測模型

3.1 Logistic回歸模型

3.1.1 變量篩選

若注冊資本（X1）、產(chǎn)業(yè)類別（X2）、企業(yè)類別（X3）、企業(yè)類型（X4）為4 維協(xié)變量，則logistic 回歸模型為：

利用AIC 最小準(zhǔn)則的逐步回歸法選擇協(xié)變量，其思想是在模型中一次剔除或加入一個(gè)協(xié)變量，選擇AIC 值最小的模型，重復(fù)上述操作，直到?jīng)]有協(xié)變量可以被剔除或加入為止，這樣得到的最終模型為最優(yōu)模型[9]。利用AIC 最小準(zhǔn)則對上述4 個(gè)協(xié)變量進(jìn)行選擇，發(fā)現(xiàn)全模型AIC 值最小，故全模型為最優(yōu)模型。則經(jīng)過變量篩選后的logistic 回歸模型為：

3.1.2 Logistic 回歸模型的建立

根據(jù)變量篩選得到的4 維協(xié)變量，由于產(chǎn)業(yè)類別(X2)、企業(yè)類別(X3)、企業(yè)類型（X4）是定性變量，故引入2 個(gè)0～1 型自變量X21、X22，反映產(chǎn)業(yè)類別的3 個(gè)水平；引入2 個(gè)0～1 型自變量X31、X32，反映企業(yè)類別的3 個(gè)水平；引入4 個(gè)0～1 型自變量X41、X42、X43、X44，反映企業(yè)類型的5 個(gè)水平。在全部樣本中抽取75%的樣本數(shù)據(jù)作為訓(xùn)練集，25%的樣本數(shù)據(jù)作為測試集， 利用訓(xùn)練集對4 維協(xié)變量建立logistic 回歸模型，參數(shù)β 的估計(jì)值如表2所示。將的估計(jì)值代入上述模型中，結(jié)果如下所示：

其中X1為注冊資本 （對數(shù)），

表2 協(xié)變量系數(shù)及顯著性

上述模型結(jié)果顯示殘差為2 400.5， AIC 值為2 420.5，散布參數(shù)的估計(jì)為1,說明模型未發(fā)生過散布現(xiàn)象。

3.2 決策樹分類模型

3.2.1 決策樹模型的建立

在全部樣本中抽取75%的樣本數(shù)據(jù)作為訓(xùn)練集，25%的樣本數(shù)據(jù)作為測試集， 利用訓(xùn)練集樣本數(shù)據(jù)建立決策樹分類模型，再用測試集樣本數(shù)據(jù)對該模型進(jìn)行預(yù)測，畫出決策樹模型圖如圖1所示。

圖1 決策樹模型圖

3.2.2 模型規(guī)則提取

利用R 語言提取決策樹模型規(guī)則，最終提取的規(guī)則包含如下6 個(gè)。

規(guī)則1：當(dāng)注冊資本小于98.5 萬元，且企業(yè)類別為內(nèi)資時(shí)，判定公司為死亡。

規(guī)則2：當(dāng)注冊資本小于98.5 萬元，企業(yè)類別為農(nóng)?；蛩綘I，產(chǎn)業(yè)類別為第二產(chǎn)業(yè)，且企業(yè)類型為其他企業(yè)時(shí)，判定公司為死亡。

規(guī)則3：當(dāng)注冊資本大于等于98.5 萬元，且企業(yè)類型為股份合作制企業(yè)、國有企業(yè)或集體所有制企業(yè)時(shí)，判定公司為死亡。

規(guī)則4：當(dāng)注冊資本小于98.5 萬元，企業(yè)類別為農(nóng)?；蛩綘I，產(chǎn)業(yè)類別為第二產(chǎn)業(yè)，且企業(yè)類型為有限責(zé)任公司時(shí)，判定公司為未發(fā)生死亡。

規(guī)則5：當(dāng)注冊資本小于98.5 萬元，企業(yè)類別為農(nóng)?；蛩綘I，且產(chǎn)業(yè)類別為第一產(chǎn)業(yè)或第三產(chǎn)業(yè)，判定公司為未發(fā)生死亡。

規(guī)則6：當(dāng)注冊資本大于等于98.5 萬元，且企業(yè)類型為有限責(zé)任公司或其他企業(yè)，判定公司為未發(fā)生死亡。

3.2.3 變量重要性

如圖2所示，在決策樹模型的4 個(gè)變量中，最重要的變量是注冊資本，其次是企業(yè)類型，然后是企業(yè)類別，最后是產(chǎn)業(yè)類別。

3.3 K 近鄰分類模型

在全部樣本中抽取75%的樣本數(shù)據(jù)作為訓(xùn)練集，25%的樣本數(shù)據(jù)作為測試集。K 近鄰分類3 個(gè)重要的 過程是k 值的選取、距離的度量方式和分類決策辦法[10]。

圖2 決策樹模型的變量重要性圖

3.3.1 k 值的選取

利用R 語言建立k 近鄰分類算法， 并找出使得測試集誤判率最小的k 值，圖3是k 值為1到100 時(shí)對應(yīng)的誤判率之間的散點(diǎn)圖。

由圖3可以看出，當(dāng)k 值取23 時(shí)，誤判率最低，預(yù)測分類效果最好，故23 是最佳k 值。

3.3.2 距離的度量

一般情況下，樣本之間的近鄰距離是依據(jù)歐式距離決定的，故文中采用的距離度量方式是歐氏距離。假設(shè)數(shù)據(jù)集中第i 個(gè)樣本的特征向量，其中xij表示第i 個(gè)樣本中第j 個(gè)特征的取值。此時(shí)任意兩個(gè)樣本xj和xk之間的歐式距離定義為d（xj，xk），公式為：

圖3 不同k 值的分類效果散點(diǎn)圖

3.3.3 分類決策規(guī)則

k 近鄰分類最常采用的分類決策的辦法是多數(shù)表決，故文中也采用多數(shù)表決的方法確定待分類樣本的類別，即哪個(gè)類別的樣本數(shù)目最多，就把樣本x 的類別歸于哪一類。

4 模型對比

利用測試集的樣本，以誤判率和ROC 曲線作為評價(jià)標(biāo)準(zhǔn)，將logistic 回歸、決策樹和K 近鄰分類模型的預(yù)測效果進(jìn)行對比。

4.1 模型評價(jià)標(biāo)準(zhǔn)

4.1.1 誤判率

對一般分類模型而言，如果因變量有C 種類別，當(dāng)C＞1 時(shí)，可以通過繪制C*C 錯(cuò)誤分類表來評價(jià)模型的預(yù)測效果及準(zhǔn)確性。若pij表示把第i 種類別誤判為第j 種類別的個(gè)數(shù)，則

4.1.2 ROC 曲線

ROC 曲線是依據(jù)大小不等的閾值，以靈敏度為縱坐標(biāo)、1-特異性為橫坐標(biāo)描述分類模型預(yù)測效果的曲線。由訓(xùn)練集樣本建立的模型，給定一個(gè)閾值，則可以判斷公司是否發(fā)生死亡，判斷的情況有以下4 種情況：

（1）公司預(yù)測結(jié)果為未發(fā)生死亡，觀測值也是未發(fā)生死亡，這種情況為真陰性，用TN 表示；

（2）公司預(yù)測結(jié)果為未發(fā)生死亡，觀測值為死亡，這種情況為假陰性，用FN 表示；

（3）公司預(yù)測結(jié)果為死亡，觀測值也是死亡，這種情況為真陽性，用TP 表示；

（4）公司預(yù)測結(jié)果為死亡，觀測值是未發(fā)生死亡，這種情況為假陽性，用FP 表示。

ROC 曲線縱坐標(biāo)為靈敏度，也叫真陽性率，sensitivity=TP/(TP+FN)，表示給定閾值時(shí)正確預(yù)測為死亡的公司個(gè)數(shù)占真正發(fā)生死亡的公司個(gè)數(shù)的比例。特異性表示給定閾值時(shí)正確預(yù)測為未發(fā)生死亡的公司數(shù)占真正未發(fā)生死亡的公司個(gè)數(shù)的比例，ROC 曲線橫坐標(biāo)為1-特異性，也叫假陽性率，1-specificity=FP/(FP+TN)， 表示給定閾值時(shí)將未發(fā)生死亡錯(cuò)誤預(yù)測為發(fā)生死亡的公司數(shù)占真正未發(fā)生死亡的公司個(gè)數(shù)的比例。ROC 曲線描述的是當(dāng)閾值從0 到1 變動時(shí)靈敏度和(1-特異性)之間的關(guān)系。AUC 是ROC 曲線下整個(gè)區(qū)域面積的比重，AUC 常用來評估模型的性能好壞，AUC 的值越大，說明模型越有效，有效的模型在ROC 曲線下方有更大的面積[11]，相應(yīng)的AUC 的值也越接于1。

4.2 模型測試

運(yùn)用上文兩種評價(jià)標(biāo)準(zhǔn)比較Logistic 回歸模型、決策樹模型和K 近鄰分類模型這三種模型的性能。在全部樣本中抽取75%的數(shù)據(jù)作為訓(xùn)練集， 25%的數(shù)據(jù)作為測試集，用測試集樣本數(shù)據(jù)對利用訓(xùn)練集建立的模型進(jìn)行測試，這樣得出的結(jié)論更有說服力。

4.2.1 Logistic 回歸模型測試

通過訓(xùn)練集建立Logistic 回歸模型，用測試集進(jìn)行測試，對于每一個(gè)測試樣本(比如)，利用建立好的模型預(yù)測出來的是pi，并不是第i 個(gè)樣本的預(yù)測水平(“0”或者“1”,“no”或者“yes”,等)，此時(shí)需要取一個(gè)閾值pt，當(dāng)pi＞pt時(shí)，這個(gè)測試樣本被判定為某一水平；否則被歸為另一個(gè)水平。

當(dāng)閾值為0.5 時(shí)，可以得到其錯(cuò)誤分類表(如表3所示)，這說明有76 個(gè)樣本原來是水平“0”被誤判為水平“1”，有98 個(gè)樣本原來是水平“1”被誤判為水平“0”，正確分類的樣本是表中對角線上的樣本，此時(shí)誤判率為0.200692。

顯然，用閾值為0.5 不一定合適，應(yīng)利用R 語言繼續(xù)找出使得測試集誤判率最小的閾值，圖4是閾值為0.01 到0.99 時(shí)對應(yīng)的誤判率之間的散點(diǎn)圖。

表3 Logistic 回歸的錯(cuò)誤分類表

圖4 不同閾值的分類效果散點(diǎn)圖

由圖4可知，選擇閾值等于0.71，可使得logistic 模型的誤判率最小，表4為logistic 回歸模型的錯(cuò)誤分類表，這說明有41 個(gè)樣本原來是水平“0”被誤判為水平“1”，有117 個(gè)樣本原來是水平“1”被誤判為水平“0”，正確分類的樣本是表中對角線上的樣本，此時(shí)得到誤判率為0.1822，閾值為0.71 的效果比閾值為0.5 要好一些。

logistic 回歸模型預(yù)測的ROC 曲線如圖5所示，ROC 曲線下方的面積占整個(gè)區(qū)域面積的0.8257,所以其AUC 為0.8257，說明logistic 回歸模型有很好的預(yù)測效果。

4.2.2 決策樹模型測試

利用訓(xùn)練集樣本建立決策樹模型，用測試集樣本進(jìn)行測試，表5為決策樹模型的錯(cuò)誤分類表，這說明有53 個(gè)樣本原來是水平“0”被誤判為水平“1”，有113 個(gè)樣本原來是水平“1”被誤判為水平“0”，正確分類的樣本是表中對角線上的樣本，此時(shí)可以得到誤判率為0.1915。

決策樹模型預(yù)測的ROC 曲線如圖6所示，ROC 曲線下方的面積占整個(gè)區(qū)域面積的0.7574,所以其AUC 為0.7574，從誤判率和AUC 來看，無論是分類的判別還是敏感度，決策樹模型都不如logistic回歸。

表4 Logistic 回歸的錯(cuò)誤分類表

表5 決策樹的錯(cuò)誤分類表

圖5 logistic 回歸測試樣本的ROC 曲線

圖6 決策樹模型測試樣本的ROC 曲線

4.2.3 k 近鄰分類測試

由上文可知，選擇k 值等于23，可使得k 近鄰的誤判率最小，表6為k 近鄰模型的錯(cuò)誤分類表，這說明有56 個(gè)樣本原來是水平“0”被誤判為水平“1”，有104 個(gè)樣本原來是水平“1”被誤判為水平“0”，正確分類的樣本是表中對角線上的樣本，此時(shí)得到誤判率為0.1845。

k 近鄰分類模型預(yù)測的ROC 曲線如圖7所示，ROC 曲線下方的面積占整個(gè)區(qū)域面積的0.7705,所以其AUC 為0.7705，說明k 近鄰分類模型有不錯(cuò)的預(yù)測效果。

表6 k 近鄰的錯(cuò)誤分類表

圖7 k 近鄰分類模型測試樣本的ROC 曲線

4.3 模型比較

介紹二個(gè)常用的評價(jià)模型性能的標(biāo)準(zhǔn)， 即誤判率和ROC 曲線。用訓(xùn)練集樣本分別建立了Logistic 回歸模型、決策樹模型和k 近鄰分類模型，并計(jì)算了各個(gè)模型的誤判率和AUC 值，表7是這3種分類模型預(yù)測效果匯總表。從誤判率來看，決策樹模型的誤判率最大，k 近鄰分類模型的誤判率次之，Logistic 回歸模型誤判率最小；從AUC 來看，logistic 回歸模型的AUC 值最大，k 近鄰分類模型的AUC 值次之，決策樹模型的AUC 值最小。從誤判率和ROC 曲線兩個(gè)常用的評價(jià)模型性能的標(biāo)準(zhǔn)來看，基于Logistic 回歸的分類預(yù)測模型誤判率最低，AUC 值最大，預(yù)測正確率最高，說明基于Logistic回歸的分類預(yù)測模型可以有效地預(yù)測企業(yè)發(fā)生死亡情況。同時(shí)，3 個(gè)模型的AUC 值均大于0.5，由此說明三者都可以預(yù)測企業(yè)發(fā)生死亡情況。

表7 3 種分類模型預(yù)測效果匯總表

5 結(jié)論與政策建議

以羅源縣中小企業(yè)為樣本，利用所抽取的訓(xùn)練集樣本分別建立logistic 回歸模型、決策樹分類模型和k 近鄰分類模型來分析對中小企業(yè)生存周期有影響的因素， 并以誤判率和ROC 曲線作為模型性能的評價(jià)標(biāo)準(zhǔn)，將Logistic 回歸、決策樹和K 近鄰分類模型的預(yù)測效果進(jìn)行對比。主要結(jié)論有：①注冊資本、產(chǎn)業(yè)類別、企業(yè)類別和企業(yè)類型對企業(yè)的生存周期存在顯著影響且在不同時(shí)間段內(nèi)生存概率存在顯著差異。②企業(yè)注冊資本越高，企業(yè)生存時(shí)間越長；第三產(chǎn)業(yè)的企業(yè)生存時(shí)間更長；國有企業(yè)比其他四種企業(yè)生存時(shí)間更長；農(nóng)專的生存概率最高，內(nèi)資企業(yè)的生存概率最低。③在這三個(gè)模型中，基于logistic 回歸的分類預(yù)測模型誤判率最低，AUC 值最大，預(yù)測正確率最高，說明基于logistic 回歸的分類預(yù)測模型可以更有效地預(yù)測企業(yè)的生存狀況。

據(jù)此，提出以下政策建議：①中小企業(yè)的發(fā)展速度逐漸緩慢，效益逐漸降低，虧損、破產(chǎn)逐漸增多，相關(guān)部門和中小企業(yè)應(yīng)積極合作，構(gòu)建政府、金融機(jī)構(gòu)和中小企業(yè)的合作平臺，積極推行創(chuàng)新金融模式,可以極大地推動中小企業(yè)的發(fā)展和技術(shù)進(jìn)步。②注冊資本更低，企業(yè)生存時(shí)間更短，政府應(yīng)采取積極的稅收政策和貨幣政策支持其度過難關(guān)，解決中小企業(yè)融資難的問題，提高中小企業(yè)生命周期，降低中小企業(yè)死亡率。③民營企業(yè)對當(dāng)?shù)刎?cái)稅收入有很大的貢獻(xiàn)，卻比國有企業(yè)生存時(shí)間更短，地方政府應(yīng)積極制定更多優(yōu)惠政策，發(fā)展民營企業(yè)，實(shí)現(xiàn)民營企業(yè)與國有企業(yè)共同健康發(fā)展。