论文部分内容阅读
【摘要】证券市场是一个充满信息的市场，上市公司的财务信息对投资者的投资决策起着举足轻重的影响。然而我国金融监管机构划分正常上市公司与ST上市公司方法单一不够合理。本文首先选取了经营较好的10家上市公司做样本，利用综合和评分法确定七大财务指标，再利用主成分分析方法确定3大财务指标，最后利用LVQ神经网络模型对现行的20家上市公司财务失败状况进行验证，并给出相关模型评价及建议。
【关键词】主成分分析 LVQ神经网络模型 财务失败
一、前言
随着我国经济的发展，加入WTO的不断深化，以及证券体制的不断完善。企业面临的市场竞争力越来越大。尤其是我国企业起步较晚，在财务及公司的运行管理与国外存在较大的差距，因此我国上市公司在经营发展的过程中面临着更多的风险，其中一个最重要的因素就是财务失败。从目前来看我国上市公司对于财务失败的研究较少，大多集中在理论阶段，在实际领域的运用不多，且在研究的方法上明显滞后，缺乏必要的数学模型，考虑的因素较少，思考问题不够全面，量化指标不够清晰，这大大影响了我国上市公司的发展，对证券市场的稳定产生影响。在现实中，我国金融公司及监管机构对正常上市公司和ST上市公司，大多是依靠资不抵债这一标准进行划分，缺乏一定的合理性。本文将对我国正常上市公司于ST上市公司的划分展开深入探讨，并在此基础之上提出合理的建议。
二、模型准备
（一）本文假设
1.上市公司公布的财务数据真是可靠，没有造假。
2.金融机构对上市公司的评级不受主观影响，客观真实。
3.排除上市公司短期财务变化对公司评级的影响。
（二）所选上市公司的合理性
由于篇幅问题，本文选取10家上市公司的财务数据，且数据为最新一期的数据。由于本文首先是在沃尔评分法的基础之上进行的，因此对于沃尔分析法的7大指标本文直接进行应用，但是由于沃尔分析法选取的指标较多，对于各指标权重的分析不够合理所以本文首先会利用主成分分析法对这7大因素进行筛选，然后在此基础之上对正常上市公司和ST上市公司进行研究，进而判断现行的财务失败划分标准是否合理。
在所选的10家上市公司中全部为机构评级在A级及其以上的综合评级的公司，评级为上海益盟软件技术股份有限公司的官方评级。软件技术股份有限公司的官方评级。通过股票的个股走势、板块走势、公司运营、消息评测、机构动向、行业背景6大维度参数，将股票分为A+至D-等12级。笔者所选的10个股票分别为三安光电、顺网科技、华策影视、石基信息、凯利泰、烽火通信、中国卫星、光迅科技、达实智能、天津港。这10支股票分别涵盖了光电行业、文化传媒行业、信息技术行业、医疗行业、电信行业、航空航天行业、人工智能以及正在开发的新贸易区等众多领域。所以样本选取合理，分布广，涉及面广，股票的成长性高，基金持有量大，投资者追捧程度高，基本是引领各个行业的龙头，是国家重点扶持、发展的企业，且这些公司风险控制意识强烈，财务报表良好，公司运行优良，经营业绩突出。
从不同行业板块选取上市公司，使数据更具均匀性，减少数据的随机性、误差波动，提高接下来的模型的准确性，从而为较好的预测财务失败提供依据。
（三）沃尔综合评分法确定7大财务指标
确定财务指标的分析方法有很多，比较经典的有杜邦分析法和沃尔综合评分法，本文采用的是考虑因素较多的沃尔综合评分法。
1928年，亚历山大·沃尔出版的《信用晴雨表研究》和《财务报表比率分析》中提出了信用能力指数的概念，他选择了7个财务比率（不同的教材或文献上，叫法略有差异，但意思相同，不影响研究）即流动比率、产权比率（净资产/负债）、固定资产比率（资产/固定资产）、存货周转率（销售成本/存货）、应收账款周转（销售额/应收账款）、固定资产周转率（销售额/固定资产）和自有资金周转率（销售成本/存货），分别给定各指标的比重，然后确定标准比率（以行业平均数为基础），将实际比率与标准比率相比，得出相对比率，将此相对比率与各指标比重相乘，得出总评分。提出了综合比率评价体系，把若干个财务比率用线性关系结合起来，以此来评价企业的财务状况。
本文只是直接运用了沃尔综合评分法的7大财务指标，并没有进行总评分的计算，本文旨在利用该方法，减少财务指标，使模型更简单具体，应用性更广。
下表给出了10家上市公司的7大财务指标的数据：
三、模型建立
财务失败是一个复杂系统，整个系统内部的各个因素关系复杂。为了便于我们研究，我们对于收集到的数据利用spss进行主成分分析，以部分数据来代替原因素对环境的影响。建立主成分分析模型如下：
其中x为各财务指标，m为主成分因素个数，分别为流动比率（x1）、产权比率（x2）、固定资产比率（x3）、存货周转率（x4）、应收账款周转（x5）、固定资产周转率（x6）和自有资金周转率（x7），p为提取的财务失败的因素，ei=（e1i，e2i，e3i，…epi为系数向量，m为主成分因素个数。
（一）模型求解
首先利用spss计算相关系数矩阵，如下表所示：
将统计数据中的因素带入spss中进行主成分分析。由相关系数矩阵计算特征值，以及各个主成分的贡献率与累计贡献率，由下表可知，第一、第二、第三主成分的累计贡献率已达86.349%，故只许求出第一、第二、第三主成分z1，z2，z3即可。
图2是主成分碎石图，结合特征根曲线的拐点及特征根值，从图上可以看出，前3个主成分的折线坡度较陡，而后面的较趋平缓，该图说明选取三个主成分较为合理。
对于特征值λ1=3.494，λ2=1.707，λ3=0.843，分别计算特征向量e1，e2，e3，并计算各变量x1，x2，x3，…，x7在各主成分上的载荷得到主成分载荷矩阵，如下表所示： 从上表我们可以看出，第一主成分z1与x1，x2，x3，x4，x5，x7存在较大正相关，主成分z2与x1，x2，x6，x7存在较大的正相关，与x4，x5存在较大的负相关，z3与x1，x4，x5，x6存在负相关，与存在较大正相关，与基本无关。因此我们可以确定，财务失败的主要财务指标为应收账款周转率、固定资产周转率、产权比率。
下面我们将利用上述的三大指标，对我国正常上市公司和ST上市公司的财务失败划分标准及预测进行探讨。上文中笔者选取的是10支优势股，其目的是为了更好的筛选出影响财务的主要因素，减少对主成分的影响，使主成分的准确性更高，所以没有选取ST上市公司的财务数据。而要进行财务失败的预测和划分，则必须加入ST上市公司的数据，这样，才使模型更具推广性，结果才会更准确。
四、LVQ神经网络财务预测模型的建立与求解
笔者在研读了相关文献后，大致可以把目前财务预测的模型分为以下两类：统计模型和人工智能模型。传统的统计模型包括多元判别分析模型MDA和对数回归模型Logistics Regression等，这两者也是应用最为广泛的模型。统计模型最大的优点在于其明显的解释性，存在的缺陷是在于过于严格的前提条件。如MDA要求数据分布服从多元正态分布、同协方差等；对数回归模型虽然对数据的要求降低，但仍对财务指标之间的多重共线性干扰敏感，而现实中大量数据分布都不符合这些前提假设，从而限制了统计模型在这一领域中的应用。
这里我们把样本数据分为两类，分别是训练集和测试集。已有研究表明，在分类模型的建立过程中，如果训练集两类样本数据数量相当，则所建立的模型具有较强的强壮性，这里我们选用训练集由前7个正常上市公司和前7个ST上市公司，测试集分别为后光迅科技、达实智能、天津港、ST宜纸、*ST珠江、*ST中华B，用于测试在训练集上构建的LQV网络模型的预测精度。
首先，创建一个LVQ网络，详细的Matlab程序及说明见附录。这里我们只简单介绍一下编程的思路，文中，p为训练样本的输入向量，8表示竞争层神经元的数目，[0.5，0.5]表示输入样本中属于第一类的占0.5，另一类占0.5，由于竞争层神经元的数目会影响分类性能，1表示正常上市公司，2表示ST上市公司，故上面给出的程序是笔者多次试验的选择。
程序在运行了100次后达到仿真的要求，并得到网络训练结果：
网络输出结果为：2、1、1、2、2、1、1、2、2、2、2、2、2、1。从网络输出结果上看，我们可以得到第1、4、5、14个属于错误分类，模型正确区分率80%左右，这一结果在小样本数据的情况下可以保持到这样，我们认为是可以接受的。至于出现错误分类的原因我们将在下文的模型评价中给予说明。
接下来是对网络的交叉训练，利用训练样本以外的6组数据进行分类，其输出为：2、2、1、2、1、2，这里面我们可以看出，在6组样本中第3、4、6个出现偏差。
五、模型评价
从上面的模型运行结果上我们不难看出，在现行的财务失败的划分标准不尽合理，利用目前的方法划分正常上市公司与ST上市公司也不够合理，并且存在一定的差距。但是由于本文篇幅有限，我们只是采用了16家上市公司的数据作为训练样本，用6家上市公司作为测试样本，在样本的选取不大，对结果可能存在一定的影响。
我们也不得不承认，机构在对上市公司的财务状况进行评级是可能还不够完善，考虑的因素还不够全面，存在一定的误差。另外不同的机构对上市公司的财务状况评级也有差别，本文只是采取 在机构评级中比较准确的一家公司的评级结果，对于其他公司的评级结果没有考虑。另外，就是本文模型的前提是上市公司财务数据真实，不虚假，不粉饰，不包装，是真实的数据，但现实中部分公司出于经营业绩的考虑，对财务进行虚假包装，即使在行业的龙头企业也存在这种现象。
最后，还有一大因素造成结果误差就是：上市公司的财务数据存在财务失真的现象。财务失真在现在学术研究中还比较少，所以本文也只是抛砖引玉的介绍下这个概念，已给后续研究者提供思路。
我国财务失败（财务困境）的划分标准不够准确，笔者在阅读大量文献后，认为美国教授查尔斯·吉布斯在《财务报告与分析》一书中对企业的财务失败的论述比较合理。其主要概述如下：
一是被迫清算，所谓清算，是企业为了履行法定的关系，在解散或者是在向法院申请破产的过程中必须执行的一项措施，请专业的第三方机对企业进行的一项专业性评估；内容涉及公司的资产、债务等等。一般情况下只有企业到达法定营业期，才会进行该项工作。如果在法定营业期限内进清算则从直接反应表现出企业的财务陷入严重困境。
二是延期偿还利息；企业通过发行债券进行融资，也是债权人之间债务关系的有价凭证。企业对债权人的融资行为是需要在固定时间内支付利息作为对债券人的回报，如果企业方不能在约定的期限内支付利息，那么债券就会贬值，从而降低企业价值，形成财务困境。
三是对短期债权人延期付款；企业向债权人融资是需要对融入的资金进行偿还，其偿还的期限也是固定的。如果企业延期付款，则违反事先与债权人的约定，从而降低了企业的信誉度。这也是企业财务困境的表现之一。
四是研究偿还债券本金；一个企对本金的偿还是其二次融资的开始，如果无法按期偿还，则会引起社会公众的关注，企业的经营实力和偿还能力会给广大债权人造成虚构的印象，从而降低了债券的市场价值和发行企业的价值。
五是优先股利的拖欠；优先股利一般是公司股东所拥有，如发生优先股利的拖欠行为，会改变大股东即企业投资方的不信任，从而会改变其投资方向的改变。降低企业价值。
六、结论
本文通过沃尔评分直接确定了7大财务指标，并利用主成分分析的方法对确定三大指标因素，在此基础上利用LVQ神经网络进行财务预测，发现在输出的14家上市公司数据中成功划分的仅有10家，三安光电、石基信息、凯利泰、*ST传媒、没有正确划分，在训练样本中，未能正确划分率为50%，这进一步说明了，公司财务划分标准不够统一，不够合理。当然本文也存在一定缺陷，那就是选取的数据样本空间不够庞大，可能在大样本的前提下，在该标准下的划分正常公司与ST公司的准确率就会大大提高。但是仍然难以保证其很高的准确率，这进一步说明了现行的财务失败划分存在误区与盲区，但是由于笔者学术有限，只是验证了其不合理性，并给出一点建议。希望中国证券市场的改革不断推进，不断完善。
参考文献
[1]王庆成，李相国著.财务管理学，中国经济出版社，2006，568-571.
[2]邓维斌等编著.spss19（中文版）统计分析实用教程.北京电子工业出版社，2012.3，233-2441.
[3]李志强.基于财务失败与财务失真的投资风险预警研究，2009（7），1-27
[4]飞思科技产品研发中心.神经网络与MATLABR2007实现.北京：电子工业出版社，2007，
[5]周品.MATLAB神经网络设计与应用.北京：清华大学出版社，2013.3，179-183.
[6]http：//baike.baidu.com/link？url=hqW9BIzIIQAmtxo9dau9e3pD Fw_7yUqjiR2GW0L-tKodw3nS7FoPc8kbvAZY-AqW .
[7]徐建豪，辛萍芳主编.概率论与数理统计教程.北京：科学技术出版社，2010，210-250，283-336.
[8]Beaver，W.H.Financial Ratios as Predictors of Failure，EmPirieal Research In Accounting：SelectedStudy[J].Journal of Aceounting Researeh.1966，5（4）：209-234.
作者简介：胡宝予（1991-），女，辽宁鞍山人，湖北经济学院，研究方向：产业经济学；李超伟（1992-），男，江苏徐州人，湖北经济学院，专业：金融学，研究方向：金融与投资。
【关键词】主成分分析 LVQ神经网络模型 财务失败
一、前言
随着我国经济的发展，加入WTO的不断深化，以及证券体制的不断完善。企业面临的市场竞争力越来越大。尤其是我国企业起步较晚，在财务及公司的运行管理与国外存在较大的差距，因此我国上市公司在经营发展的过程中面临着更多的风险，其中一个最重要的因素就是财务失败。从目前来看我国上市公司对于财务失败的研究较少，大多集中在理论阶段，在实际领域的运用不多，且在研究的方法上明显滞后，缺乏必要的数学模型，考虑的因素较少，思考问题不够全面，量化指标不够清晰，这大大影响了我国上市公司的发展，对证券市场的稳定产生影响。在现实中，我国金融公司及监管机构对正常上市公司和ST上市公司，大多是依靠资不抵债这一标准进行划分，缺乏一定的合理性。本文将对我国正常上市公司于ST上市公司的划分展开深入探讨，并在此基础之上提出合理的建议。
二、模型准备
（一）本文假设
1.上市公司公布的财务数据真是可靠，没有造假。
2.金融机构对上市公司的评级不受主观影响，客观真实。
3.排除上市公司短期财务变化对公司评级的影响。
（二）所选上市公司的合理性
由于篇幅问题，本文选取10家上市公司的财务数据，且数据为最新一期的数据。由于本文首先是在沃尔评分法的基础之上进行的，因此对于沃尔分析法的7大指标本文直接进行应用，但是由于沃尔分析法选取的指标较多，对于各指标权重的分析不够合理所以本文首先会利用主成分分析法对这7大因素进行筛选，然后在此基础之上对正常上市公司和ST上市公司进行研究，进而判断现行的财务失败划分标准是否合理。
在所选的10家上市公司中全部为机构评级在A级及其以上的综合评级的公司，评级为上海益盟软件技术股份有限公司的官方评级。软件技术股份有限公司的官方评级。通过股票的个股走势、板块走势、公司运营、消息评测、机构动向、行业背景6大维度参数，将股票分为A+至D-等12级。笔者所选的10个股票分别为三安光电、顺网科技、华策影视、石基信息、凯利泰、烽火通信、中国卫星、光迅科技、达实智能、天津港。这10支股票分别涵盖了光电行业、文化传媒行业、信息技术行业、医疗行业、电信行业、航空航天行业、人工智能以及正在开发的新贸易区等众多领域。所以样本选取合理，分布广，涉及面广，股票的成长性高，基金持有量大，投资者追捧程度高，基本是引领各个行业的龙头，是国家重点扶持、发展的企业，且这些公司风险控制意识强烈，财务报表良好，公司运行优良，经营业绩突出。
从不同行业板块选取上市公司，使数据更具均匀性，减少数据的随机性、误差波动，提高接下来的模型的准确性，从而为较好的预测财务失败提供依据。
（三）沃尔综合评分法确定7大财务指标
确定财务指标的分析方法有很多，比较经典的有杜邦分析法和沃尔综合评分法，本文采用的是考虑因素较多的沃尔综合评分法。
1928年，亚历山大·沃尔出版的《信用晴雨表研究》和《财务报表比率分析》中提出了信用能力指数的概念，他选择了7个财务比率（不同的教材或文献上，叫法略有差异，但意思相同，不影响研究）即流动比率、产权比率（净资产/负债）、固定资产比率（资产/固定资产）、存货周转率（销售成本/存货）、应收账款周转（销售额/应收账款）、固定资产周转率（销售额/固定资产）和自有资金周转率（销售成本/存货），分别给定各指标的比重，然后确定标准比率（以行业平均数为基础），将实际比率与标准比率相比，得出相对比率，将此相对比率与各指标比重相乘，得出总评分。提出了综合比率评价体系，把若干个财务比率用线性关系结合起来，以此来评价企业的财务状况。
本文只是直接运用了沃尔综合评分法的7大财务指标，并没有进行总评分的计算，本文旨在利用该方法，减少财务指标，使模型更简单具体，应用性更广。
下表给出了10家上市公司的7大财务指标的数据：
三、模型建立
财务失败是一个复杂系统，整个系统内部的各个因素关系复杂。为了便于我们研究，我们对于收集到的数据利用spss进行主成分分析，以部分数据来代替原因素对环境的影响。建立主成分分析模型如下：
其中x为各财务指标，m为主成分因素个数，分别为流动比率（x1）、产权比率（x2）、固定资产比率（x3）、存货周转率（x4）、应收账款周转（x5）、固定资产周转率（x6）和自有资金周转率（x7），p为提取的财务失败的因素，ei=（e1i，e2i，e3i，…epi为系数向量，m为主成分因素个数。
（一）模型求解
首先利用spss计算相关系数矩阵，如下表所示：
将统计数据中的因素带入spss中进行主成分分析。由相关系数矩阵计算特征值，以及各个主成分的贡献率与累计贡献率，由下表可知，第一、第二、第三主成分的累计贡献率已达86.349%，故只许求出第一、第二、第三主成分z1，z2，z3即可。
图2是主成分碎石图，结合特征根曲线的拐点及特征根值，从图上可以看出，前3个主成分的折线坡度较陡，而后面的较趋平缓，该图说明选取三个主成分较为合理。
对于特征值λ1=3.494，λ2=1.707，λ3=0.843，分别计算特征向量e1，e2，e3，并计算各变量x1，x2，x3，…，x7在各主成分上的载荷得到主成分载荷矩阵，如下表所示： 从上表我们可以看出，第一主成分z1与x1，x2，x3，x4，x5，x7存在较大正相关，主成分z2与x1，x2，x6，x7存在较大的正相关，与x4，x5存在较大的负相关，z3与x1，x4，x5，x6存在负相关，与存在较大正相关，与基本无关。因此我们可以确定，财务失败的主要财务指标为应收账款周转率、固定资产周转率、产权比率。
下面我们将利用上述的三大指标，对我国正常上市公司和ST上市公司的财务失败划分标准及预测进行探讨。上文中笔者选取的是10支优势股，其目的是为了更好的筛选出影响财务的主要因素，减少对主成分的影响，使主成分的准确性更高，所以没有选取ST上市公司的财务数据。而要进行财务失败的预测和划分，则必须加入ST上市公司的数据，这样，才使模型更具推广性，结果才会更准确。
四、LVQ神经网络财务预测模型的建立与求解
笔者在研读了相关文献后，大致可以把目前财务预测的模型分为以下两类：统计模型和人工智能模型。传统的统计模型包括多元判别分析模型MDA和对数回归模型Logistics Regression等，这两者也是应用最为广泛的模型。统计模型最大的优点在于其明显的解释性，存在的缺陷是在于过于严格的前提条件。如MDA要求数据分布服从多元正态分布、同协方差等；对数回归模型虽然对数据的要求降低，但仍对财务指标之间的多重共线性干扰敏感，而现实中大量数据分布都不符合这些前提假设，从而限制了统计模型在这一领域中的应用。
这里我们把样本数据分为两类，分别是训练集和测试集。已有研究表明，在分类模型的建立过程中，如果训练集两类样本数据数量相当，则所建立的模型具有较强的强壮性，这里我们选用训练集由前7个正常上市公司和前7个ST上市公司，测试集分别为后光迅科技、达实智能、天津港、ST宜纸、*ST珠江、*ST中华B，用于测试在训练集上构建的LQV网络模型的预测精度。
首先，创建一个LVQ网络，详细的Matlab程序及说明见附录。这里我们只简单介绍一下编程的思路，文中，p为训练样本的输入向量，8表示竞争层神经元的数目，[0.5，0.5]表示输入样本中属于第一类的占0.5，另一类占0.5，由于竞争层神经元的数目会影响分类性能，1表示正常上市公司，2表示ST上市公司，故上面给出的程序是笔者多次试验的选择。
程序在运行了100次后达到仿真的要求，并得到网络训练结果：
网络输出结果为：2、1、1、2、2、1、1、2、2、2、2、2、2、1。从网络输出结果上看，我们可以得到第1、4、5、14个属于错误分类，模型正确区分率80%左右，这一结果在小样本数据的情况下可以保持到这样，我们认为是可以接受的。至于出现错误分类的原因我们将在下文的模型评价中给予说明。
接下来是对网络的交叉训练，利用训练样本以外的6组数据进行分类，其输出为：2、2、1、2、1、2，这里面我们可以看出，在6组样本中第3、4、6个出现偏差。
五、模型评价
从上面的模型运行结果上我们不难看出，在现行的财务失败的划分标准不尽合理，利用目前的方法划分正常上市公司与ST上市公司也不够合理，并且存在一定的差距。但是由于本文篇幅有限，我们只是采用了16家上市公司的数据作为训练样本，用6家上市公司作为测试样本，在样本的选取不大，对结果可能存在一定的影响。
我们也不得不承认，机构在对上市公司的财务状况进行评级是可能还不够完善，考虑的因素还不够全面，存在一定的误差。另外不同的机构对上市公司的财务状况评级也有差别，本文只是采取 在机构评级中比较准确的一家公司的评级结果，对于其他公司的评级结果没有考虑。另外，就是本文模型的前提是上市公司财务数据真实，不虚假，不粉饰，不包装，是真实的数据，但现实中部分公司出于经营业绩的考虑，对财务进行虚假包装，即使在行业的龙头企业也存在这种现象。
最后，还有一大因素造成结果误差就是：上市公司的财务数据存在财务失真的现象。财务失真在现在学术研究中还比较少，所以本文也只是抛砖引玉的介绍下这个概念，已给后续研究者提供思路。
我国财务失败（财务困境）的划分标准不够准确，笔者在阅读大量文献后，认为美国教授查尔斯·吉布斯在《财务报告与分析》一书中对企业的财务失败的论述比较合理。其主要概述如下：
一是被迫清算，所谓清算，是企业为了履行法定的关系，在解散或者是在向法院申请破产的过程中必须执行的一项措施，请专业的第三方机对企业进行的一项专业性评估；内容涉及公司的资产、债务等等。一般情况下只有企业到达法定营业期，才会进行该项工作。如果在法定营业期限内进清算则从直接反应表现出企业的财务陷入严重困境。
二是延期偿还利息；企业通过发行债券进行融资，也是债权人之间债务关系的有价凭证。企业对债权人的融资行为是需要在固定时间内支付利息作为对债券人的回报，如果企业方不能在约定的期限内支付利息，那么债券就会贬值，从而降低企业价值，形成财务困境。
三是对短期债权人延期付款；企业向债权人融资是需要对融入的资金进行偿还，其偿还的期限也是固定的。如果企业延期付款，则违反事先与债权人的约定，从而降低了企业的信誉度。这也是企业财务困境的表现之一。
四是研究偿还债券本金；一个企对本金的偿还是其二次融资的开始，如果无法按期偿还，则会引起社会公众的关注，企业的经营实力和偿还能力会给广大债权人造成虚构的印象，从而降低了债券的市场价值和发行企业的价值。
五是优先股利的拖欠；优先股利一般是公司股东所拥有，如发生优先股利的拖欠行为，会改变大股东即企业投资方的不信任，从而会改变其投资方向的改变。降低企业价值。
六、结论
本文通过沃尔评分直接确定了7大财务指标，并利用主成分分析的方法对确定三大指标因素，在此基础上利用LVQ神经网络进行财务预测，发现在输出的14家上市公司数据中成功划分的仅有10家，三安光电、石基信息、凯利泰、*ST传媒、没有正确划分，在训练样本中，未能正确划分率为50%，这进一步说明了，公司财务划分标准不够统一，不够合理。当然本文也存在一定缺陷，那就是选取的数据样本空间不够庞大，可能在大样本的前提下，在该标准下的划分正常公司与ST公司的准确率就会大大提高。但是仍然难以保证其很高的准确率，这进一步说明了现行的财务失败划分存在误区与盲区，但是由于笔者学术有限，只是验证了其不合理性，并给出一点建议。希望中国证券市场的改革不断推进，不断完善。
参考文献
[1]王庆成，李相国著.财务管理学，中国经济出版社，2006，568-571.
[2]邓维斌等编著.spss19（中文版）统计分析实用教程.北京电子工业出版社，2012.3，233-2441.
[3]李志强.基于财务失败与财务失真的投资风险预警研究，2009（7），1-27
[4]飞思科技产品研发中心.神经网络与MATLABR2007实现.北京：电子工业出版社，2007，
[5]周品.MATLAB神经网络设计与应用.北京：清华大学出版社，2013.3，179-183.
[6]http：//baike.baidu.com/link？url=hqW9BIzIIQAmtxo9dau9e3pD Fw_7yUqjiR2GW0L-tKodw3nS7FoPc8kbvAZY-AqW .
[7]徐建豪，辛萍芳主编.概率论与数理统计教程.北京：科学技术出版社，2010，210-250，283-336.
[8]Beaver，W.H.Financial Ratios as Predictors of Failure，EmPirieal Research In Accounting：SelectedStudy[J].Journal of Aceounting Researeh.1966，5（4）：209-234.
作者简介：胡宝予（1991-），女，辽宁鞍山人，湖北经济学院，研究方向：产业经济学；李超伟（1992-），男，江苏徐州人，湖北经济学院，专业：金融学，研究方向：金融与投资。