蘆笛 王冠華

【摘 要】 農(nóng)業(yè)具有特殊性，因季節(jié)等因素該行業(yè)存在一定的不確定性，其風(fēng)險水平大大高于其他行業(yè)。因此，有必要建立一個恰當?shù)呢攧?wù)預(yù)警模型對其財務(wù)風(fēng)險進行預(yù)測、分析與控制。文章以2016年滬深兩市A股43家農(nóng)業(yè)上市公司為研究樣本，采用因子分析法和聚類分析法對其進行了實證分析。研究表明，基于因子分析法構(gòu)建的中國農(nóng)業(yè)上市公司的財務(wù)預(yù)警模型在2013—2016年的判別準確率分別為88.37%、93.02%、79.07%和93.02%，具有良好的判別效果。研究還發(fā)現(xiàn)，62.79%的農(nóng)業(yè)上市公司處于警示狀態(tài)，其發(fā)展情況不容樂觀。文章為后續(xù)財務(wù)預(yù)警方法的研究提供了新思路，同時也為財務(wù)預(yù)警問題的研究體系拓展了理論研究的邊界，豐富了實務(wù)研究的經(jīng)驗與證據(jù)。

【關(guān)鍵詞】 農(nóng)業(yè)上市公司; 財務(wù)預(yù)警; 因子分析; 聚類分析

【中圖分類號】 F275.5 ?【文獻標識碼】 A ?【文章編號】 1004-5937（2019）24-0079-05

一、引言

農(nóng)業(yè)不僅是中國最首要的行業(yè)，而且是中國國民經(jīng)濟的命脈。習(xí)近平總書記在黨的十九大報告中強調(diào)了農(nóng)業(yè)、農(nóng)村、農(nóng)民問題是關(guān)系國計民生的根本性問題，必須始終把解決好“三農(nóng)”問題作為全黨工作的重中之重。由于農(nóng)業(yè)行業(yè)具有一定的特殊性，所以影響農(nóng)業(yè)公司發(fā)生風(fēng)險的因素是多方面的。這些農(nóng)業(yè)公司一方面存在公司經(jīng)營中均可能面對的政治風(fēng)險、社會風(fēng)險、經(jīng)濟風(fēng)險與技術(shù)風(fēng)險等，另一方面還存在一定的自然風(fēng)險，如水災(zāi)、風(fēng)災(zāi)、雹災(zāi)、凍災(zāi)、旱災(zāi)、蟲災(zāi)等，其中自然風(fēng)險的成因最不可控，并且發(fā)生后的影響范圍較廣，這些不確定性均會對農(nóng)業(yè)公司收益造成較大的影響。

近10年，滬深兩市A股中被證監(jiān)會特殊處理的上市公司有547家，其中有17家農(nóng)業(yè)上市公司，如香梨股份、農(nóng)發(fā)種業(yè)、平潭發(fā)展、中魯B和ST景谷等。此外，近年農(nóng)業(yè)上市公司財務(wù)舞弊案件頻發(fā)，比如眾所周知的獐子島集團的“扇貝出走”財務(wù)疑似造假事件，萬福生科（現(xiàn)已更名為佳沃股份）財務(wù)造假案，平潭發(fā)展異常交易案，以及康華農(nóng)業(yè)、步森股份信息披露違法違規(guī)案等。以上種種案例令人咋舌，無不說明目前農(nóng)業(yè)上市公司的實際財務(wù)狀況并不佳，甚至有些公司徘徊在破產(chǎn)的邊緣。因此，如何分析農(nóng)業(yè)上市公司形成財務(wù)危機的原因，并構(gòu)建與之相符的財務(wù)預(yù)警模型，將可能的財務(wù)風(fēng)險進行預(yù)測與控制顯得至關(guān)重要。

國外學(xué)者在財務(wù)預(yù)警模型的構(gòu)建研究方法方面有很大的突破。最早運用統(tǒng)計學(xué)方法進行財務(wù)預(yù)警模型研究的學(xué)者為Fitzpatrick[1]，研究提出了單變量模型。在其研究基礎(chǔ)上，Beaver[2]提出了更加完善的單變量模型，單變量模型使用簡單、容易，但其判別精度不高。還有多名學(xué)者將Logit模型及其改進后的模型應(yīng)用于財務(wù)困境研究中，為后續(xù)研究提供了理論基礎(chǔ)[3-5]。Kim[6]則采用AdaBoosted決策樹、組合模型的研究方法來研究影響財務(wù)困境的決定因素。通過上述文獻可知，盡管國外學(xué)者對于財務(wù)預(yù)警方法方面進行了大量富有建設(shè)性的研究，但將這些理論方法與特殊行業(yè)的應(yīng)用相結(jié)合的研究較少。

國內(nèi)學(xué)者大多在國外學(xué)者研究的基礎(chǔ)上，將已有的模型進行改進，或?qū)⒁延械哪Ｐ瓦M行對比研究，運用于中國上市公司的財務(wù)預(yù)警之中。一些學(xué)者運用Logistic回歸模型對上市公司的財務(wù)狀況進行了預(yù)警分析[7-9]。高小雪[10]通過建立多元概率比回歸模型（Probit）對上市公司的財務(wù)危機進行了預(yù)警分析。李茜等[11]運用附加動量法、共軛梯度法以及L-M優(yōu)化法構(gòu)建上市公司財務(wù)危機預(yù)測模型。

農(nóng)業(yè)行業(yè)在運營風(fēng)險方面相對于其他行業(yè)有一定的特殊性，并且現(xiàn)有研究對于農(nóng)業(yè)上市公司財務(wù)預(yù)警模型的建立與比較大多囿于傳統(tǒng)的方法（如單變量模型、多變量模型、Logit模型、人工神經(jīng)網(wǎng)絡(luò)模型等），很少運用與計算機網(wǎng)絡(luò)結(jié)合較為先進的方法（如單元學(xué)習(xí)框架模型、粗糙集模型、決策樹模型、梯度推進模型、模糊OSVR方法等）來進行實證研究[12]。比如袁康來[13]采用單變量分析法和多變量分析法對農(nóng)業(yè)上市公司進行財務(wù)困境研究。張旭堯等[14]基于生存分析法對農(nóng)業(yè)上市公司進行財務(wù)預(yù)警研究。張健[15]闡述了如何將傳統(tǒng)的會計指標應(yīng)用在農(nóng)業(yè)上市公司財務(wù)預(yù)警中。袁源等[16]基于EVA理論構(gòu)建了Logistic回歸分析模型，對農(nóng)業(yè)上市公司財務(wù)危機也進行了預(yù)警研究。本文基于因子分析法和聚類分析法對中國農(nóng)業(yè)上市公司財務(wù)風(fēng)險預(yù)警問題進行研究，將具有較大的理論及現(xiàn)實意義。

本文貢獻在于以下三個方面：（1）以往財務(wù)預(yù)警問題的研究中，通常以醫(yī)藥行業(yè)、房地產(chǎn)行業(yè)、紡織行業(yè)等作為研究對象，對農(nóng)業(yè)行業(yè)的財務(wù)危機預(yù)警的研究較少，本文的研究無疑拓展了現(xiàn)有財務(wù)預(yù)警研究領(lǐng)域的邊界。（2）由于農(nóng)業(yè)企業(yè)在經(jīng)營特點以及財務(wù)危機管理的側(cè)重點與其他企業(yè)不盡相同，因此農(nóng)業(yè)上市公司在財務(wù)預(yù)警指標選取上也與其他行業(yè)存在明顯差異。本文的研究完善并豐富了現(xiàn)有財務(wù)預(yù)警指標體系。（3）本文運用的因子分析法和聚類分析法對中國農(nóng)業(yè)上市公司進行了實證研究，在內(nèi)容上具有一定的創(chuàng)新，并提出了具有針對性的建議。

本文以中國2016年農(nóng)業(yè)上市公司為研究樣本，依據(jù)降維思想構(gòu)建了因子綜合得分模型，并對所選取的預(yù)警指標進行了單樣本Kolmogorov-Smirnov檢驗以驗證指標的正態(tài)性，同時對于指標的顯著性采用T檢驗與Kruskal Wallis檢驗進行了檢驗，從而篩選出構(gòu)建模型所需的財務(wù)預(yù)警指標。進一步運用因子分析法構(gòu)建出財務(wù)預(yù)警模型，并對所構(gòu)建的模型進行了穩(wěn)健性檢驗，而且通過K均值聚類法對中國農(nóng)業(yè)上市公司進行分類并發(fā)出警示。最后，得出研究結(jié)論，并指出研究的局限性和未來的研究方向。

二、中國農(nóng)業(yè)上市公司概況

據(jù)國家統(tǒng)計局數(shù)據(jù)顯示，中國農(nóng)業(yè)上市公司主要分布在16個省份，其中，山東省、新疆維吾爾自治區(qū)、湖南省位居地域分布的前三位，分別擁有7家、5家和4家農(nóng)業(yè)上市公司。傳統(tǒng)農(nóng)業(yè)大省遼寧省、河北省、廣西壯族自治區(qū)2016年農(nóng)業(yè)產(chǎn)值分別為4 422億元、6 084億元、4 591億元，然而這三個省份中卻僅有1家農(nóng)業(yè)上市公司。具體而言，中國農(nóng)業(yè)上市公司具有如下特征：

（一）股本規(guī)模太小和市值過低

截至2016年12月31日，中國農(nóng)業(yè)上市公司總股本為429.95億股，平均總股本每家上市公司為9.55億股，總流通股本為319.68億股，平均流通股本每家上市公司為7.10億股，遠低于同期滬深兩市A股上市公司的相關(guān)數(shù)據(jù)，即平均總股本為18.42億股與平均流通股本15.86億股;中國農(nóng)業(yè)上市公司的總市值為5 512.60億元，平均總市值每家上市公司為122.50億元，自由流通市值為2 849.94億元，平均流通市值每家上市公司為63.33億元，同樣低于同期滬深兩市A股上市公司的平均總市值180.51億元，以及平均自由流通市值66.45億元。

（二）主營收入構(gòu)成多元化

以中國支農(nóng)政策為名，部分農(nóng)業(yè)上市公司卻從事非農(nóng)生產(chǎn)，從而使其面臨著多元化“陷阱”。多元化經(jīng)營的農(nóng)業(yè)上市公司占到總農(nóng)業(yè)上市公司的70%以上，且經(jīng)營了很多非農(nóng)行業(yè)業(yè)務(wù)，包括酒店服務(wù)業(yè)、房地產(chǎn)、礦物冶煉等逐利性行業(yè)。比如，京藍科技91.98%的主營收入來自節(jié)水灌溉，國聯(lián)水產(chǎn)87.88%的主營收入來自加工銷售業(yè)務(wù)，仙壇股份94.91%的主營收入來自食品加工等。與此類似的上市公司比比皆是，表明農(nóng)業(yè)上市公司主營收入構(gòu)成多渠道化。

（三）整體盈利能力較差

通過對比2016年滬深兩市A股上市公司和農(nóng)業(yè)上市公司的凈資產(chǎn)收益率、總資產(chǎn)報酬率、總資產(chǎn)凈利率、銷售凈利率可知，滬深兩市A股上市公司的每個平均盈利指標分別高于農(nóng)業(yè)上市公司相關(guān)盈利指標達0.65%、0.64%、0.31%與2.13%，這表明農(nóng)業(yè)上市公司的盈利能力整體較差。

（四）被借“殼”現(xiàn)象明顯

在中國，農(nóng)業(yè)“殼”資源是一個稀缺的資源，借助農(nóng)業(yè)“殼”資源上市不但是一種經(jīng)營策略，還能達到融資上市、獲取更多利益的目的，因此很多企業(yè)通過并購、重組等資本運作的方式，獲得農(nóng)業(yè)上市公司的“殼”資源，然而卻在上市后不久便進行了更名。

三、研究設(shè)計

（一）樣本選取

本文選取2016年滬深兩市A股的農(nóng)業(yè)上市公司為初選樣本，剔除兩家停牌的公司，本文實際有效樣本為43家農(nóng)業(yè)上市公司，樣本區(qū)間為2013—2016年。借鑒已有的研究成果，將凈資產(chǎn)收益率高于20%的企業(yè)視為沒有發(fā)生財務(wù)危機的企業(yè)，而將凈資產(chǎn)收益率低于20%的企業(yè)視為產(chǎn)生了財務(wù)危機的企業(yè)。本文所用數(shù)據(jù)均來自于Wind數(shù)據(jù)庫。

（二）指標初步篩選

本文在指標選取上重點參考中國農(nóng)業(yè)類上市公司的已有文獻，結(jié)合中國農(nóng)業(yè)上市公司的具體情況和特征，依據(jù)新準則的規(guī)定，從盈利能力、償債能力、營運能力、成長能力、現(xiàn)金流量5個角度，設(shè)置26個預(yù)警指標構(gòu)建了中國農(nóng)業(yè)上市公司財務(wù)預(yù)警指標體系（如表1所示）。

（三）指標檢驗

為了篩選出在評判財務(wù)危機企業(yè)和非財務(wù)危機企業(yè)中具有顯著差異的指標，需要對指標進行顯著性檢驗;為了進一步驗證指標的顯著性，需要對樣本進行正態(tài)性檢驗。當樣本服從正態(tài)分布時，用T檢驗來判斷樣本是否存在顯著差異;當樣本不服從正態(tài)分布時，用Kruskal Wallis檢驗來判斷。

1.正態(tài)性檢驗與顯著性檢驗

在α=0.05的顯著性水平，X2、X3、X4、X8、X9、X10、X14、X15、X17、X19、X20、X24、X26這13個指標的樣本總體的P值大于0.05，接受原假設(shè)，符合正態(tài)分布，不存在顯著性差異。為了篩選出在評判財務(wù)危機企業(yè)和非財務(wù)危機企業(yè)中具有顯著差異的指標，需要對指標進行顯著性檢驗，本文主要采用T檢驗和Kruskal Wallis檢驗。當樣本服從正態(tài)分布時，用T檢驗來判斷其是否存在顯著差異。經(jīng)T檢驗，X3、X24在5%的水平顯著;X4、X26在1%的水平顯著;X2、X8、X14、X15、X17、X19、X20在1‰的水平顯著。因此，這11個指標通過顯著性檢驗，將其納入到因子綜合得分模型中。當樣本不服從正態(tài)分布時，本文進一步采用Kruskal Wallis檢驗來判斷，得出X1、X5、X6、X7、X11、X22在1%的水平顯著。因此，這6個指標通過顯著性檢驗，將其納入到因子綜合得分模型中。

2.預(yù)警指標篩選結(jié)果

經(jīng)過篩選后，將通過顯著性檢驗的17個預(yù)警指標納入模型，其中，盈利能力指標占多數(shù)，其他指標占少數(shù)，說明盈利能力在判斷農(nóng)業(yè)上市公司財務(wù)預(yù)警狀況時起到重要作用（如表2所示）。

四、實證結(jié)果

（一）因子分析

1.模型檢驗

本文在進行因子分析前，對樣本數(shù)據(jù)進行了標準化處理，經(jīng)KMO與Bartlett檢驗，從初始解來看，前5個因子的特征值大于1，說明該5個因子可以解釋原有17個原始變量總方差的85.174%。根據(jù)解釋的總方差結(jié)果顯示，選取5個公因子的因子成分對所選取的公因子進行因子解釋，作為選取公因子與原指標間的系數(shù)，得到因子旋轉(zhuǎn)成分矩陣。

根據(jù)因子旋轉(zhuǎn)成分矩陣可知，對于因子1（F1），其中每股收益Z（X1）、凈資產(chǎn)收益率Z（X5）、總資產(chǎn)凈利率Z（X6）、銷售凈利率Z（X7）、銷售毛利率Z（X8）和息稅前利潤/總資產(chǎn)Z（X11）的解釋力度最大，且除銷售毛利率Z（X8）旋轉(zhuǎn)后的解釋程度在0.8以下（0.565），每個原始變量的解釋程度均在0.8以上;對于因子2（F2），其中每股凈資產(chǎn)Z（X2）、每股未分配利潤Z（X3）和每股留存收益Z（X4）解釋程度均在0.8以上;對于因子3（F3），其中存貨周轉(zhuǎn)率Z（X17）、流動資產(chǎn)周轉(zhuǎn)率Z（X19）和總資產(chǎn)周轉(zhuǎn)率Z（X20）的解釋程度較大;對于因子4（F4），載荷量較大的是凈利潤增長率Z（X22）、每股經(jīng)營現(xiàn)金流量Z（X24）和全部資產(chǎn)現(xiàn)金回收率Z（X26）;對于因子5（F5），現(xiàn)金比率Z（X14）和資產(chǎn)負債率Z（X15）的解釋程度較大。

進一步通過因子分析后，將原來17個財務(wù)預(yù)警評價指標替換為現(xiàn)在的5個公因子。通過計算，可以得出樣本公司5個公因子的得分，并可分別從4個角度反映中國農(nóng)業(yè)上市公司的財務(wù)狀況。5個主因子的方差貢獻率分別為32.895%、17.350%、15.527%、9.731%、9.671%，累計方差貢獻率為85.174%。由于單獨的某一因子并不能對中國農(nóng)業(yè)上市公司的財務(wù)狀況有一個全面的評價，所以將構(gòu)造綜合得分模型進行全面評價，該模型具體如下所示：

其中，F(xiàn)表示綜合得分的分值;Fi表示第i個公因子。

將各樣本的數(shù)據(jù)代入模型求得各樣本綜合得分，再對得分進行排序，最終得到綜合得分與排名，其中排名前十的企業(yè)為溫氏股份、益生股份、仙壇股份、牧原股份、雪榕生物、北大荒、圣農(nóng)發(fā)展、登海種業(yè)、中魯B、新五豐。

根據(jù)誤判率最低原則和各綜合得分F值，本文選取-0.5為界定公司是否發(fā)生財務(wù)危機的界限。若F≥-0.5，則判定企業(yè)不會發(fā)生財務(wù)危機;若F<-0.5，則判定企業(yè)會發(fā)生財務(wù)危機。從2016年的檢驗結(jié)果中可以看出，該模型在進行判別時，將不會發(fā)生財務(wù)危機的36家企業(yè)誤判為會發(fā)生財務(wù)危機的企業(yè)僅有1家，準確率為97.22%，誤判率為2.78%;將會發(fā)生財務(wù)危機的7家企業(yè)誤判為不會發(fā)生財務(wù)危機的企業(yè)僅有2家，準確率為71.43%，誤判率為28.57%;對2016年樣本的總體判別準確率為93.02%，總體誤判率為6.98%。

2.更進一步的檢驗

另取2013—2015年相同的43家公司財務(wù)數(shù)據(jù)作為樣本，同樣提取主成分后得出綜合得分，再代入模型進行檢驗。將所得到的判別值與各自年份的真實判別值進行對比，最終得到誤判矩陣。從表3可以看出，該預(yù)警模型的判別準確率在2013—2015年分別為88.37%、93.02%和79.07%，平均判別準確率為86.82%，由此可見，該預(yù)警模型具有很好的判別能力，對農(nóng)業(yè)上市公司財務(wù)危機具有一定的警示作用。

（二）聚類分析

在因子分析的基礎(chǔ)下，本文運用K均值聚類法對農(nóng)業(yè)上市公司的財務(wù)預(yù)警程度分類，這樣將可更加直觀地觀測其分布水平。

1.聚類過程

根據(jù)K均值聚類的算法，經(jīng)過5次迭代后，聚類中心達到收斂，初始中心間的最小距離為2.700。通過K均值聚類，樣本最終被聚合成兩類，這兩類的綜合得分分別為0.4600和-0.2733，二者聚類中心間的距離為0.733。

2.聚類結(jié)果

經(jīng)計算，本文最終得到43家中國農(nóng)業(yè)上市公司的財務(wù)預(yù)警情況（如表4所示）。其中，有16家公司被聚在第一類（無預(yù)警類別），27家公司被聚在第二類（預(yù)警類別），從預(yù)警結(jié)果可知，達到預(yù)警級別的公司占樣本企業(yè)總數(shù)的62.79%。

五、研究結(jié)論

本文通過選取盈利能力、償債能力、營運能力、成長能力和現(xiàn)金流量5個角度的17個財務(wù)指標，構(gòu)建了較為科學(xué)完善的財務(wù)預(yù)警指標體系。之后采用因子分析法建立了財務(wù)預(yù)警模型，對中國43家農(nóng)業(yè)上市公司進行了實證檢驗。通過對指標的T檢驗與Kruskal Wallis檢驗可知：非財務(wù)危機公司與財務(wù)危機公司在此17個財務(wù)指標上存在顯著性差異，且盈利能力類的指標對于判定公司是否發(fā)生財務(wù)危機方面最為顯著。研究發(fā)現(xiàn)，盈利能力的不足是誘發(fā)公司財務(wù)危機最重要的原因，尤其是針對農(nóng)業(yè)上市公司而言，每股收益、凈資產(chǎn)收益率、總資產(chǎn)凈利率、銷售凈利率、銷售毛利率和息稅前利潤/總資產(chǎn)，這六個盈利能力方面的指標對于其財務(wù)危機預(yù)警具有重要作用。此外，基于因子分析法構(gòu)建的農(nóng)業(yè)上市公司財務(wù)預(yù)警模型的判別效果較好，2013—2016年模型的判別準確率分別為88.37%、93.02%、79.07%和93.02%，從其判別趨勢中可以看出，該模型在公司發(fā)生財務(wù)危機的前兩年判別效果較佳。本文進一步用聚類分析法對現(xiàn)有農(nóng)業(yè)上市公司進行分類，可知達到預(yù)警級別的公司有27家，占到總數(shù)的62.79%，說明中國農(nóng)業(yè)上市公司大部分處于被警示狀態(tài)，農(nóng)業(yè)上市公司財務(wù)狀況堪憂，應(yīng)當引起證監(jiān)會、投資者、債權(quán)人等重視。

本文貢獻在于不僅在預(yù)警指標的選取上完善并豐富了現(xiàn)有財務(wù)預(yù)警指標體系，而且在預(yù)警方法上運用了因子分析法和聚類分析法進行財務(wù)預(yù)警的實證研究，內(nèi)容上具有一定的創(chuàng)新。此外，本文針對于農(nóng)業(yè)行業(yè)的財務(wù)危機進行預(yù)警，拓展了現(xiàn)有財務(wù)預(yù)警研究領(lǐng)域的邊界。

本文只是針對農(nóng)業(yè)類上市公司進行預(yù)警分析，并且未能考慮非財務(wù)指標，希望在后續(xù)研究中能夠引入非財務(wù)指標，進一步根據(jù)不同行業(yè)構(gòu)建更為完善的財務(wù)預(yù)警指標體系。此外，在現(xiàn)實生活中，由于數(shù)據(jù)本身的復(fù)雜性，并不完全符合某一個模型，很可能是多個模型相互作用的結(jié)果。因此，如何將多種統(tǒng)計分析方法結(jié)合來研究財務(wù)風(fēng)險并對之有效控制與預(yù)測為未來應(yīng)有的研究之義。

【參考文獻】

[1] FITZPARTRICK P J.A comparison of ratios of successful industrial enterprises with those of failed firms[J].Certified Public Accountant，1932（2）：598-605.

[2] BEAVER W H. Financial ratios as predictors of failure[J].Journal of Accounting Research，1966（4）：71-111.

[3] BECKMANN D，MENKHOFF L，SAWISCHLEWSKI K.Robust lessons about practical early warning systems[J]. Journal of Policy Modeling，2006，28（2）：163-193.

[4] LIN S M，ANDREEVA G.Predicting default of a small business using different definitions of financial distress[J].Journal of the Operational Research Society，2012，63（4）：539-548.

[5] LI S，WANG S.A financial early warning logit model and its efficiency verification approach[J].Knowledge-Based Systems，2014，70（C）：78-87.

[6] KIM S Y. Predicting hospitality financial distress with ensemble models：the case of US hotels，restaurants，and amusement and recreation[J].Service Business，2018（2）：1-21.

[7] 徐玉芳，邵勝華.中小企業(yè)財務(wù)危機預(yù)警模型設(shè)計及實證研究[J].會計之友，2017（12）：31-34.

[8] 阿小燕，趙娟.資源型上市公司財務(wù)預(yù)警實證分析[J].財會月刊，2018（2）：79-84.

[9] 鄧旭東，張瑜，徐文平.基于現(xiàn)金流量角度的財務(wù)預(yù)警模型研究——以房地產(chǎn)行業(yè)為例[J].會計之友，2018（23）：89-93.

[10] 高小雪.基于多元概率比回歸模型的上市公司財務(wù)危機預(yù)警分析[J].企業(yè)經(jīng)濟，2015（4）：188-192.

[11] 李茜，唐恒書.基于三種BP-NNs改進算法的財務(wù)預(yù)警研究[J].會計之友，2019（6）：55-62.

[12] 彭靜，歐陽令南，彭勇.國內(nèi)外財務(wù)危機預(yù)警研究綜述[J].科技進步與對策，2007，24（6）：191-195.

[13] 袁康來.我國農(nóng)業(yè)上市公司財務(wù)困境預(yù)測的實證研究[J].華東經(jīng)濟管理，2008（1）：78-84.

[14] 張旭堯，張衛(wèi)民.基于生存分析法的財務(wù)困境預(yù)警研究——以我國農(nóng)業(yè)上市公司為例[J].商業(yè)會計，2016（3）：38-41.

[15] 張健.傳統(tǒng)會計指標在農(nóng)業(yè)企業(yè)財務(wù)危機預(yù)警中的應(yīng)用[J].北方經(jīng)濟，2013（22）：76-77.

[16] 袁源，郭暉.基于EVA的農(nóng)業(yè)上市公司財務(wù)危機預(yù)警Logistic回歸分析[J].經(jīng)濟論壇，2017（3）：79-82.