畢業(yè)論文-我國上市公司財務(wù)危機預(yù)警研究-引入CVA指標(biāo)

-62-東北大學(xué)畢業(yè)設(shè)計（論文）第5章結(jié)論與展望東北大學(xué)畢業(yè)設(shè)計（論文）參考文獻(xiàn)

參考文獻(xiàn)ErikOttosson，Atooltoevaluationinvestmentdecisions，TheDynamicsofGroth,2002。FmdrikWsissenrleder，EconomicsValueAddedorCashValueAdded,GothenburgStudiesinFinancialEconomies，StudyNo1997ErikOttossonAndFredrikWeissenrleder．CVA--anewmethodformeasuringfinancialperformance，GothenburgStudiesinFinancialEconomics。StudyNo1996(1)．HeidariM．，NoraveshI．．ThereviewofinformationcontentofCashValueAdded(CVA)inrelationtoannualstockreturn：ComparativeAnalysiswithOperatingProfit(OP)andOperatingCashFlow(OCF)inTSE，mehdiaccountant@,2003BlackF．a(chǎn)ndScholesM．.ThePricingofOptionsandCorporateLiabilities，JournalofPoliticalEconomy，1973，5汪平．財務(wù)評估論一現(xiàn)金流與企業(yè)價值研究[M]，上海財大出版社，2000李延喜，李寧等．評價企業(yè)戰(zhàn)略價值的現(xiàn)金增加值模型川，中國軟科學(xué)，2003，11：78-92魏琴，吳迅．現(xiàn)金增加值CVA理論的理念體系[J]，價值工程，2004，5：21-23李佳洋，李剛．CVA--企業(yè)價值管理新理念嘰，價值工程，2005，4：61-63韓潔．評價企業(yè)價值增加的現(xiàn)金增加值模型分析四，經(jīng)濟理論與經(jīng)濟管理，2005，韓潔．評價企業(yè)價值增加的現(xiàn)金增加值模型分析，經(jīng)濟理論與經(jīng)濟管理，2005，12：60-64李延喜，郭曉楊．CVA還是EVA：企業(yè)業(yè)績評價方法的選擇，大連理工大學(xué)學(xué)報，2003，9：37-43高培業(yè)，張道奎：企業(yè)失敗判別模型實證研究2000(10)張鳴;張艷財務(wù)困境預(yù)測的實證研究與述評[期刊論文]-財經(jīng)研究2001(12)陳功．試談企業(yè)財務(wù)預(yù)警系統(tǒng)的構(gòu)建．華東經(jīng)濟管理．2000，5：83-84；張玲．財務(wù)危機預(yù)警分析判別模型．?dāng)?shù)量經(jīng)濟技術(shù)經(jīng)濟研究．2000，3：49-5l；黃巖、李元旭．上市公司財務(wù)失敗預(yù)測實證研究．系統(tǒng)工程理論方法應(yīng)用．2000，1：45-5l；張友棠，唐惠賢，黃輝．現(xiàn)代財務(wù)理論及其在財務(wù)預(yù)警中的應(yīng)用研究．武漢理工大學(xué)學(xué)報．200I，2：7-80：陳靜．上市公司財務(wù)惡化預(yù)測模型的實證研究．會計研究．1999，4：31-38：張愛民，祝春山，許丹?。鲜泄矩攧?wù)失敗的主成分預(yù)測模型及其實證研究．金融研究．2001，3：10-25：吳世農(nóng)，盧賢義．我國上市公司財務(wù)困境的預(yù)測模型研究．經(jīng)濟研究．2001，6：46-55：胡汝銀.中國上市公司成敗實證研究[M].上海:復(fù)旦大學(xué)出版社,2003.崔曉玲.我國上市公司財務(wù)危機預(yù)警模型的研究[J].中國優(yōu)秀博碩學(xué)位論文全文數(shù)據(jù)庫,CNKI中國知網(wǎng),2005.周首華,楊濟華,王平.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.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):31-38.陳艷,張海君.上市公司財務(wù)預(yù)警模型的研究[J].財經(jīng)問題研究,2007(6):92-97.周愛麗.企業(yè)財務(wù)風(fēng)險淺析[J].財會研究,2004(03):13-16.王璐,陶立,王慧敏.企業(yè)財務(wù)危機預(yù)警指標(biāo)階段性預(yù)處理研究[J].財會通訊,2007(4):26-28.張友棠．財務(wù)預(yù)警系統(tǒng)管理研究[M]．北京，中國人民大學(xué)出版社，2004：138—146。楊建仁，何宜慶．我國上市公司財務(wù)風(fēng)險預(yù)警的實證分析[J]．西安教育學(xué)院學(xué)報，2004，3：4—52003．9：4-9卓巖.CVA——衡量企業(yè)財務(wù)狀況的新方法[J].中國總會計師,2006,01:42-44.鄭媛,曲蓮.現(xiàn)代企業(yè)績效評估的新理念—CVA[J].湖南財經(jīng)高等?？茖W(xué)校學(xué)報,2007,04:91-92.顏江芬,李清.CVA一衡量企業(yè)財務(wù)狀況的新方法[J].財務(wù)與會計,2004,02:32-33.錢愛民、程幸、張淑君.基于自由現(xiàn)金流量的財務(wù)預(yù)警指標(biāo)體系的構(gòu)建與檢驗——來自中國機械制造業(yè)A股上市公司的經(jīng)驗數(shù)據(jù)[J].中國軟科學(xué)，2008.09:148-155東北大學(xué)畢業(yè)設(shè)計（論文）致謝致謝時光如梭，轉(zhuǎn)眼間本科階段的學(xué)習(xí)生活即將結(jié)束，這四年時間的學(xué)習(xí)使我受益匪淺。經(jīng)歷大半年時間的磨礪，本科畢業(yè)論文終于完稿，回首大半年來收集、整理、思索、停滯、修改直至最終完成的過程，我得到了許多的關(guān)懷和幫助，現(xiàn)在要向他們表達(dá)我最誠摯的謝意。首先，要深深感謝我的指導(dǎo)老師曹德芳老師。曹老師為人謙和，平易近人。在論文的選題、搜集資料和寫作階段，曹老師傾注了極大的關(guān)懷和鼓勵。在論文的寫作過程中，每當(dāng)我有所疑問，曹老師總會放下繁忙的工作，不厭其煩地指點我；同時，對我的論文認(rèn)真的批改，字字句句把關(guān)，提出許多中肯的指導(dǎo)意見，使我在研究和寫作過程中不致迷失方向。她嚴(yán)謹(jǐn)?shù)闹螌W(xué)之風(fēng)和對事業(yè)的孜孜追求將影響和激勵我的一生，她對我的關(guān)心和教誨我更將永遠(yuǎn)銘記。借此機會，我謹(jǐn)向曹老師致以深深地謝意。其次，我還要感謝東北大學(xué)會計研究所和財務(wù)管理研究所的各位老師，正式在他們的諄諄教誨下，我才能在專業(yè)學(xué)習(xí)階段快速的學(xué)習(xí)掌握專業(yè)知識，提升專業(yè)素養(yǎng)；同時我還要感謝一起奮斗四年的同學(xué)們，因為有了他們的陪伴與相互鼓勵，我在大學(xué)生活中沒有感覺到孤單。我將在今后的工作、學(xué)習(xí)中加倍努力，以期能夠取得更多成果回報他們、回報社會。再次感謝他們，祝他們一生幸福、安康!東北大學(xué)畢業(yè)設(shè)計（論文）致謝

東北大學(xué)畢業(yè)設(shè)計（論文）附錄一

附錄一：外文文獻(xiàn)及翻譯第八屆國際機器學(xué)習(xí)和控制會議，保定，2009.6.12-2009.6.15利用數(shù)據(jù)處理群方法構(gòu)建財務(wù)預(yù)警模型楊千惠，廖茂原，陳品倫，黃美婷，黃春偉，黃家祥，鐘桂彬企業(yè)管理系，元培科技大學(xué)，新竹，臺灣30015，ROC金融系，元培科技大學(xué)，新竹，臺灣30015，ROCEmail:mimosa.iern90G@.tw,myliao@.tw摘要：企業(yè)陷入財務(wù)困境使債權(quán)人、股東、雇員、投資者和其他相關(guān)參與蒙受巨大損失。為了防止企業(yè)進(jìn)入破產(chǎn)程序，財務(wù)危機預(yù)警是一個將陷入財務(wù)困境的企業(yè)和健康企業(yè)區(qū)別開來的有效的工具。數(shù)學(xué)統(tǒng)計和人工智能技術(shù)已被廣泛用于處理這些問題。許多研究表明人工神經(jīng)網(wǎng)絡(luò)在財務(wù)困境方面的表現(xiàn)由于數(shù)學(xué)統(tǒng)計方法。然而，人工神經(jīng)網(wǎng)絡(luò)也有無法接受結(jié)果等級的缺陷。本文嘗試使用一種人工智能技術(shù)——數(shù)據(jù)組合處理技術(shù)來克服這一缺陷。數(shù)據(jù)樣本來自于臺灣證券交易所的上市公司。研究結(jié)果表明數(shù)據(jù)組合處理方法分類的準(zhǔn)確度高于90%并且利用組合處理方法進(jìn)行財務(wù)困境預(yù)警的準(zhǔn)確度要高于判別分析法和邏輯回歸分析法。關(guān)鍵字：財務(wù)困境預(yù)警；數(shù)據(jù)處理群方法（GMDH）；人工神經(jīng)網(wǎng)絡(luò)1.介紹隨著近幾年國內(nèi)外資本市場的飛速發(fā)展，金融投資在人們生活中扮演了更加重要的角色。金融投資工具有很多，比如股票、債券、基金、期貨、期權(quán)和黃金等等都可以被投資者選擇，其中投資股票被最廣泛的接受。然而，由于全球經(jīng)濟的變幻莫測、經(jīng)營環(huán)境的不確定性以及近10年企業(yè)間激烈的競爭，許多著名的上市公司陷入財務(wù)困境甚至宣告破產(chǎn)。許多投資者在投資了已經(jīng)上市的企業(yè)之后得知的信息僅僅是這個公司經(jīng)營失敗了。企業(yè)從臺灣證券交易所撤牌退市或者退出場外交易，不僅僅給投資者、股東、債權(quán)人、職員已經(jīng)其他相關(guān)企業(yè)帶來巨大的損失，還很大程度地影響了社會經(jīng)濟的平穩(wěn)運行。因此，由于財務(wù)困境預(yù)警有助于經(jīng)營者和政府機構(gòu)阻止破產(chǎn)的發(fā)生，有助于金融機構(gòu)決策者和其他投資者評估選擇投資企業(yè)，財務(wù)危機預(yù)警的重要性越發(fā)突出。早期的財務(wù)危機預(yù)警研究使用多多遠(yuǎn)判別模型、多元回歸模型已經(jīng)邏輯回歸模型等統(tǒng)計方法來預(yù)測公司的財務(wù)失敗。隨著人工智能技術(shù)的快速發(fā)展，人工神經(jīng)網(wǎng)絡(luò)技術(shù)也被廣泛的應(yīng)用與財務(wù)困境預(yù)警的研究中。大量的研究表明人工神經(jīng)網(wǎng)絡(luò)的預(yù)警效果優(yōu)于很多傳統(tǒng)的統(tǒng)計方法。然而，人工神經(jīng)網(wǎng)絡(luò)也存在很多缺陷，比如“黑盒過程”、“難以解釋”，“缺乏特征選擇”等。在這些缺陷中，無法合理解釋結(jié)果的分類是人工神經(jīng)網(wǎng)絡(luò)最具爭議的問題。由于上述問題，偶爾無法將人工神經(jīng)網(wǎng)絡(luò)的判定結(jié)果用于實際中。為了克服人工神經(jīng)網(wǎng)絡(luò)無法解釋結(jié)果分類的難題，本文提出了一種根據(jù)人工智能技術(shù)的的一種——數(shù)據(jù)處理群方法建立起來的財務(wù)困境預(yù)警模型。GMDH算法被廣泛應(yīng)用于數(shù)據(jù)挖掘、知識發(fā)現(xiàn)、系統(tǒng)建模、預(yù)測、最優(yōu)化以及模式識別等領(lǐng)域。由于構(gòu)建的模型不是特別復(fù)雜，數(shù)據(jù)間可被解釋的聯(lián)系能夠被發(fā)現(xiàn)還有輸出的有效變量能夠被自動選擇，因此數(shù)據(jù)組合處理技術(shù)非常有應(yīng)用價值。因此，本文的目的是利用GMDH算法來構(gòu)建財務(wù)困境預(yù)警模型。然后將擬建模型的預(yù)測表現(xiàn)與邏輯回歸模型和判別分析模型進(jìn)行比較，來證實本文介紹的方法要優(yōu)于傳統(tǒng)統(tǒng)計方法。本文結(jié)構(gòu)按如下方式進(jìn)行組織。文章的第2部分對財務(wù)困境研究成果進(jìn)行回顧總結(jié)并對數(shù)據(jù)組合處理技術(shù)進(jìn)行介紹。隨后文章的第3部分介紹了財務(wù)困境預(yù)警的變量和財務(wù)困境預(yù)警模型的發(fā)展。第4部分展示實證結(jié)果并講本文提出模型的預(yù)警結(jié)果與利用邏輯回歸分析和判別分析法構(gòu)建的財務(wù)困境預(yù)警模型的預(yù)測結(jié)果進(jìn)行對比來證實本文提出模型的有效性。對實證結(jié)果匯總得出的結(jié)論將在第5章給出。2.文獻(xiàn)綜述2.1財務(wù)困境預(yù)警的簡要回顧這一部分介紹了建立財務(wù)困境預(yù)警模型的不同方法。財務(wù)困境預(yù)警被廣泛的研究始于20世紀(jì)60年代末。Altman首先使用線性判別分析預(yù)測了不同行業(yè)企業(yè)的失敗。Altman選取了33家破產(chǎn)企業(yè)與33家配對健康公司建立了財務(wù)困境預(yù)警模型。他發(fā)現(xiàn)這個模型表現(xiàn)優(yōu)異，尤其實在較短的時間段內(nèi)預(yù)測。Deakin、Sinkey、Altman、Lam和Moy利用線性判別分析進(jìn)一步發(fā)展了財務(wù)危機預(yù)警模型。然而，因為理論假設(shè)要求數(shù)據(jù)必須符合多遠(yuǎn)正態(tài)分布，協(xié)方差矩陣必須相等，這屢屢與現(xiàn)實數(shù)據(jù)相違背，因此利用線性判別分析法構(gòu)建信用評估模型受到了很多批評。盡管二元判別分析法能從一定程度上消除線性判別分析的缺陷，但二元判別分析并未像人們所期待的比線性判別分析法的表現(xiàn)好很多。另一個常用于預(yù)測企業(yè)陷入財務(wù)危機的統(tǒng)計模型是邏輯回歸模型。Martin和Olhson利用邏輯回歸模型預(yù)測銀行和企業(yè)的失敗。Kolari利用邏輯回歸分析建立早期的預(yù)警模型，并嘗試用于辨識美國大量的銀行。Canbas通過整合判別分析法，邏輯回歸分析法，Probit概率比法及主成分分析法建立早期的預(yù)警模型。Doganay通過整合多元回歸分析法、線性判別法、Probity及Logoistic法建立了早期的預(yù)警模型。二十世紀(jì)九十年代以后，大量研究探索了人工神經(jīng)網(wǎng)絡(luò)在解決信用評估和財務(wù)危機預(yù)警等商業(yè)問題方面的能力。人工神經(jīng)網(wǎng)絡(luò)能夠模擬數(shù)據(jù)集的復(fù)雜非線性結(jié)構(gòu)又能較精確的你和連續(xù)函數(shù)。除此以外，人工神經(jīng)網(wǎng)絡(luò)方法不需要對數(shù)據(jù)的分部作出任何預(yù)先的假設(shè)。大量的調(diào)查研究證明了人工神經(jīng)網(wǎng)絡(luò)方法是一個適合于很多商業(yè)應(yīng)用的杰出的技術(shù)。Olmeda和Fernandez比較了幾種破產(chǎn)預(yù)警工具的預(yù)測準(zhǔn)確性。他們得出的結(jié)果是，與邏輯回歸模型、判別分析、C4.5和多元自適應(yīng)回歸樣條法相比，人工神經(jīng)網(wǎng)絡(luò)方法的表現(xiàn)是出色的。Tam和Kiang對比分析了大量常用的預(yù)警方法在銀行破產(chǎn)預(yù)警方面的作用，如判別分析法、邏輯回歸模型、K臨近分類算法、ID3算法和BPN算法。他們的研究結(jié)果表明，從預(yù)測精確程度、適用性和穩(wěn)定性的角度來看，經(jīng)過給予先驗概率和分類誤差成本的改進(jìn)的人工神經(jīng)網(wǎng)絡(luò)方法是一個評估銀行狀況的有效方法。Chen和Du使用神經(jīng)網(wǎng)絡(luò)和數(shù)據(jù)挖掘技術(shù)構(gòu)建財務(wù)困境預(yù)警模型。Chen和Du選取了68家上市公司的34個指標(biāo)利用BPN模型和聚類分析法構(gòu)建了財務(wù)困境預(yù)警模型。他們的研究結(jié)果表明，利用BPN方法建立的財務(wù)預(yù)警模型的預(yù)測精確度要高于利用聚類分析法構(gòu)建的模型。人工神經(jīng)網(wǎng)絡(luò)方法的一大缺陷就是孱弱的解釋能力也就是通常所說的“黑盒”問題。因為人工神經(jīng)網(wǎng)絡(luò)方法無法區(qū)分重要變量和相關(guān)變量，人工神經(jīng)網(wǎng)絡(luò)模型的結(jié)果難以得到理性的解釋。人工神經(jīng)網(wǎng)絡(luò)方法的另一大缺陷是缺少對神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的科學(xué)的說明，也就是說，沒有選擇網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)或者決定網(wǎng)絡(luò)體系結(jié)構(gòu)的這是地過程。Vellido指出經(jīng)驗法則是選擇網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)和決定網(wǎng)絡(luò)體系結(jié)構(gòu)最流行的方法。2.2數(shù)據(jù)處理群方法數(shù)據(jù)處理群方法在數(shù)據(jù)挖掘的很多領(lǐng)域都有廣泛的應(yīng)用。歸納的GMDH算法以找出一個數(shù)據(jù)集中的變量之間的相互聯(lián)系和選擇一個模型或者網(wǎng)絡(luò)的最優(yōu)結(jié)構(gòu)為目標(biāo)。數(shù)據(jù)組合處理技術(shù)是一種依據(jù)規(guī)定的標(biāo)準(zhǔn)連續(xù)測試一系列備選模型的迭代方法。進(jìn)入變量與輸出變量之間的普遍聯(lián)系可在形式上通過沃特拉泛函級數(shù)找出。沃特拉泛函級數(shù)的離散模擬以Kolmogorov-Gabor多項式著稱。Kolmogorov-Gabor多項式的表示方式如下：其中X=(x1,x2……，xm)是輸入變量向量。A=(a1,a2……，am)是被加數(shù)系數(shù)矩陣。組合的GMDH算法有一個多層的迭代結(jié)構(gòu)。它的鮮明特征是它的迭代規(guī)則并不是連續(xù)不變，而是隨著每一層級逐步擴大。在第一層級，所有最簡單的結(jié)構(gòu)模型如下所示：在排序整理這些模型之后，根據(jù)技術(shù)規(guī)范尋找最優(yōu)的F模型。模型根據(jù)結(jié)構(gòu)方程的復(fù)雜性進(jìn)行整理排序，根據(jù)技術(shù)標(biāo)準(zhǔn)選取每一層級的最優(yōu)模型。在第二層級，對結(jié)構(gòu)更加復(fù)雜的模型進(jìn)行整理排序。這些模型由第一層級的最優(yōu)模型的輸出變量所構(gòu)建：繼續(xù)這一層級的迭代過程直至，直至標(biāo)準(zhǔn)值不在增加。更加復(fù)雜的多層迭代的GMDH算法可由類似的方法得到。所有層級的迭代規(guī)則全部相同。例如，等式（2）中顯示的形式被用于第一層級，等式（3）表述的類型則被用于第二層級。等式（4）表述的類型則被用于第三層級，以此類推。換而言之，前一層級的輸出值作為下一層級的參數(shù)。最終的模型由指定的內(nèi)部和外部標(biāo)準(zhǔn)所決定。GMDH算法的多層結(jié)構(gòu)如圖1所示：3.研究設(shè)計和研究方法3.1樣本數(shù)據(jù)的選取在財務(wù)困境預(yù)警的實證研究中，樣本數(shù)據(jù)來自于在臺灣證券交易所掛牌上市的公司。選取的指標(biāo)包括償債能力、營運能力、盈利能力、資本結(jié)構(gòu)、現(xiàn)金流量和成長能力等6個方面的24個財務(wù)指標(biāo)，這些指標(biāo)如表1所示。樣本的時間窗口是1994年至2006年。樣本包括100家陷入財務(wù)困境的公司以及100家沒有破產(chǎn)的配對公司。在研究中，構(gòu)建1年、2年、3年和4年的財務(wù)困境預(yù)測模型，并分別評價對企業(yè)在1年、2年、3年和4年內(nèi)是否陷入財務(wù)困境進(jìn)行預(yù)測的預(yù)測方法的準(zhǔn)確性。此外，過去建立財務(wù)困境預(yù)警的公司按規(guī)?？煞譃樾⌒凸?、中型公司和大型公司，以便于評價財務(wù)困境預(yù)警模型的精確性。當(dāng)公司總股本小于100萬美元時，它被認(rèn)為是小型公司；當(dāng)總股本在100萬美元到500萬美元之間是，它被認(rèn)為是中型公司；當(dāng)公司的總股本超過500萬美元時，它被認(rèn)為是大型公司。3.2構(gòu)建GMDH模型的步驟利用GMDH構(gòu)建財務(wù)困境預(yù)警模型的步驟如下所示：步驟1：設(shè)定GMDH模型的標(biāo)準(zhǔn)以確定最好的模型；步驟2：確定財務(wù)困境預(yù)警模型的輸入變量和輸出變量；步驟3：利用訓(xùn)練數(shù)據(jù)建立財務(wù)困境預(yù)警模型；步驟4：利用測試數(shù)據(jù)來檢驗財務(wù)困境預(yù)警模型的精確程度；步驟5：對比各個財務(wù)困境預(yù)警模型的預(yù)測準(zhǔn)確程度選擇準(zhǔn)確度最高的作為最后選用的模型。4實證結(jié)果本研究選取的樣本由200家公司組成，其中100家是陷入財務(wù)困境的公司，另外100家事健康公司。每個樣本案例包括24個財務(wù)變量。使用NeuralShell2執(zhí)行GMDH模型，并通過保留函數(shù)評價分類結(jié)果。80%的樣本作為訓(xùn)練樣本，用于隨即的訓(xùn)練GMDH模型，20%作為測試樣本用于檢驗利用GMDH模型進(jìn)行1年、2年、3年和4年的財務(wù)困境預(yù)警的準(zhǔn)確性。GMDH模型預(yù)警的結(jié)果如表2所示。表2展示了GMDH模型預(yù)測的準(zhǔn)確性以及GMDH模型犯第一類錯誤和第二類錯誤的次數(shù)和概率。第一類錯誤指的是陷入財務(wù)困境的公司被預(yù)測為健康公司；第二類錯誤為健康公司被判別為陷入財務(wù)困境的公司。此外，判別分析和邏輯回歸分析同樣適用標(biāo)準(zhǔn)化模型，它們的預(yù)測結(jié)果同樣可從表2中看到。從表2中可以看出，無論是進(jìn)行1年、2年、3年、還是4年的財務(wù)困境預(yù)警，所有GMDH模型預(yù)測分類的準(zhǔn)確性都要高于90%，但所有利用判別模型和邏輯回歸模型進(jìn)行預(yù)測分類的準(zhǔn)確性都低于90%。因此，GMDH模型的表現(xiàn)要優(yōu)于判別分析模型和邏輯回歸模型。進(jìn)入GMDH模型的重要指標(biāo)變量有毛利率、營業(yè)利潤率、息稅前利潤率及現(xiàn)金流量比率。東北大學(xué)畢業(yè)設(shè)計（論文）附錄二

附錄二：數(shù)據(jù)回代結(jié)果表Logistic回歸模型——數(shù)據(jù)回代結(jié)果表（不含CVA）股票代碼企業(yè)類型Y值預(yù)測類型股票代碼企業(yè)類型Y值預(yù)測類型000598.SZ危機型0.6481危機型600323.SH健康型0.1712健康型000629.SZ危機型0.6481危機型000655.SZ健康型0.0001健康型000676.SZ危機型0.6812危機型000682.SZ健康型0.3431健康型000703.SZ*危機型0.4593健康型002206.SZ健康型0.0712健康型000760.SZ危機型0.8163危機型600093.SH*健康型0.5196危機型000818.SZ危機型0.8643危機型000731.SZ健康型0.1857健康型000820.SZ危機型0.5659危機型000833.SZ健康型0.4377健康型000831.SZ危機型0.7916危機型000612.SZ健康型0.3113健康型000902.SZ危機型0.6598危機型600315.SH健康型0.0109健康型000908.SZ*危機型0.4914健康型600592.SH健康型0.2088健康型000953.SZ危機型0.8775危機型600367.SH健康型0.0647健康型000958.SZ危機型0.8124危機型600310.SH健康型0.431健康型000976.SZ危機型0.8001危機型000782.SZ健康型0.0361健康型600091.SH危機型0.5482危機型000155.SZ健康型0.2019健康型600131.SH危機型0.9136危機型600116.SH*健康型0.5764危機型600145.SH危機型0.9717危機型000012.SZ*健康型0.5592危機型600179.SH危機型0.7872危機型600333.SH健康型0.2769健康型600299.SH危機型0.7090危機型000422.SZ*健康型0.7561危機型600301.SH危機型0.6775危機型000510.SZ*健康型0.7151危機型600355.SH*危機型0.1635健康型600353.SH健康型0.1111健康型600444.SH危機型0.9120危機型002108.SZ健康型0.1232健康型600455.SH*危機型0.4457健康型600624.SH健康型0.3977健康型600490.SH危機型0.6624危機型000985.SZ健康型0.2608健康型600538.SH危機型0.7955危機型600803.SH健康型0.4865健康型600562.SH*危機型0.3850健康型600485.SH健康型0.0453健康型600609.SH危機型0.6596危機型000581.SZ健康型0.1370健康型600617.SH危機型0.9914危機型000544.SZ健康型0.4061健康型600740.SH危機型0.7641危機型600725.SH*健康型0.6093危機型600860.SH*危機型0.3766健康型000852.SZ健康型0.1491健康型600885.SH危機型0.8166危機型600468.SH健康型0.4107健康型000518.SZ危機型0.8816危機型000153.SZ健康型0.4000健康型000576.SZ危機型0.6716危機型600235.SH健康型0.4706健康型000585.SZ危機型0.8190危機型600517.SH健康型0.0453健康型000697.SZ*危機型0.3598健康型600547.SH健康型0.0011健康型000720.SZ危機型0.7529危機型000690.SZ健康型0.3377健康型000751.SZ危機型0.7235危機型000060.SZ健康型0.0785健康型000856.SZ危機型0.9944危機型600499.SH健康型0.208健康型續(xù)上表000955.SZ危機型0.7100危機型600448.SH*健康型0.7781危機型000995.SZ危機型0.8033危機型600543.SH健康型0.1244健康型600076.SH危機型1危機型600990.SH健康型0.2303健康型600130.SH危機型0.6697危機型600288.SH健康型0.3530健康型600149.SH危機型0.9667危機型000551.SZ健康型0.1899健康型600253.SH危機型0.7197危機型000423.SZ健康型0.0274健康型600701.SH*危機型0.4924健康型600620.SH健康型0.4775健康型表4.1中，企業(yè)名稱后帶有“*”標(biāo)識表示該企業(yè)被錯判。

Logistic回歸模型——數(shù)據(jù)回代結(jié)果表（含CVA）股票代碼企業(yè)類型Y值預(yù)測類型股票代碼企業(yè)類型Y值預(yù)測類型000598.SZ危機型0.5652危機型600323.SH健康型0.0800健康型000629.SZ危機型0.6560危機型000655.SZ健康型0.0007健康型000676.SZ*危機型0.3060健康型000682.SZ健康型0.1578健康型000703.SZ*危機型0.3681健康型002206.SZ健康型0.1898健康型000760.SZ危機型0.8988危機型600093.SH健康型0.1211健康型000818.SZ危機型0.9316危機型000731.SZ健康型0.1822健康型000820.SZ危機型0.6813危機型000833.SZ健康型0.4057健康型000831.SZ危機型0.9652危機型000612.SZ健康型0.2264健康型000902.SZ危機型0.8042危機型600315.SH健康型0.0018健康型000908.SZ危機型0.7319危機型600592.SH健康型0.2127健康型000953.SZ危機型0.8546危機型600367.SH健康型0.0803健康型000958.SZ危機型0.7774危機型600310.SH*健康型0.5748危機型000976.SZ危機型0.7919危機型000782.SZ健康型0.0723健康型600091.SH危機型0.7408危機型000155.SZ健康型0.2371健康型600131.SH危機型0.8539危機型600116.SH*健康型0.5324危機型600145.SH危機型0.9861危機型000012.SZ健康型0.2825健康型600179.SH危機型0.7895危機型600333.SH健康型0.1260健康型600299.SH危機型0.6464危機型000422.SZ*健康型0.5539危機型600301.SH危機型0.6565危機型000