我国商业银行信用风险Fisher识别模型及其实证研究

李萌  陈柳钦

（南开大学经济学院，天津，300071）（天津社会科学院，天津，300191）

[内容提要]：本文采用上市公司未按时偿还贷款的比率（即贷款不良率）作为衡量信用风险高低的标准，基于主成分分析和Fisher判别方法构造我国商业银行信用风险Fisher识别模型，实证分析结果表明，按照影响力从大到小排列，盈利性指标、流动性与偿还能力指标、成长性指标、资本结构与财务杠杆指标、资产管理效率指标是影响我国商业银行信用风险的关键指标，该结论暗示在保证流动性的基础上做大蛋糕和业绩空间是企业降低信用风险的主要方式，而通过管理效率要效益的精耕细作模式目前只是企业降低信用风险的次要手段，这一结论含义和中国宏观经济发展现实以及微观企业成长阶段是相吻合的。Fisher识别模型同时也表明了其和其他定量分析以及定性分析方法结合使用的必要性。

[关键词]：信用风险；Fisher识别模型；主成份分析；定性分析

Fisher Recognition Model for Credit Risk and Empirical Studies on our Commercial Bank

Li meng  Chen Liuqin

(College of Economics, Nankai University,Tianjin,300071)（Tianjin Academy of Social Science , Tianjin， 300191）

Abstract: This paper uses non-performed loan rate to measure credit risk of commercial bank, and construct the recognition model for credit risk through principle component analysis and Fisher multiple discriminate analysis. Results from empirically studies are shown as follows: ranked according to influencing power from big to small, ability to profit-earning, ability to liquidity and debt-imbursing, capital structure and financing lever, ability to growth, efficiency of asset-managing are key indexes to recognize credit risk. This conclusion suggests enterprises’ ways to reduce credit risk agree with China’s economic development practice and microwave enterprises’ growth stage. The study also proves it necessary to combine fisher recognition model with qualitative analysis and other quantitative analysis together.

Key words: Credit Risk, Fisher Recognition Model, Principle Component Analysis, Qualitative Analysis

一、导  言

20世纪90年代以来，全球各金融机构不断推出新技术和新业务，商业银行大量使用金融衍生产品规避信用风险，这些新产品在提高银行风险管理水平的同时也对传统的信用风险度量技术提出了新的挑战。为了更准确地度量经营活动中的实际风险水平，大型国际商业银行纷纷推出内部信用风险模型；《新巴塞尔协议》第三次征求意见稿规定，除标准法外，银行可采用内部评级法度量信用风险，这意味着巴塞尔委员会对成员国的信用风险管理活动提出了更高的要求。从我国现状来看，目前商业银行尚不具备推行内部模型的条件，因此，结合我国信用风险管理的实际情况，构建过渡期间的信用风险识别模型，对控制和化解商业银行信用风险、提高我国银行业信用风险管理水平和国际竞争能力具有相当的现实意义。

信用风险识别模型研究又可称为企业财务困境研究，二者本质相同，只是研究的出发点不同：从银行的角度看，叫做信用风险识别分析；从企业的角度看，叫做企业财务困境分析。自1932年Fitzpartrick提出了第一个定量模型后，分析研究财务报表信息与信用风险关系的方法层出不穷，出现了一些既有理论意义又有现实价值的新成果。单变量线性判定模型以Beaver（1966）的研究影响最为广泛，他将财务困境定义为不能偿还到期债务，同时根据行业和资产规模对样本进行了分类，结果发现预测效率最高的比率为现金流/总负债比率。Altman（1968）采用多元判别分析方法建立了著名的Z评分模型，在22个财务比率中进入模型的有五个，其中以息税前利润/总资产指标最有效率，模型对财务困境前一年企业判定的总准确率达到95％。此后Altman等（1977）提出了预测能力更高的第二代评分模型——ZETA模型。Z评分模型和ZETA模型综合判别分析的观念，对财务困境预测研究的影响极为深远，至今仍被30家以上的金融机构所采用。Libby(1975)首次将主成份分析方法引入判别模型以克服变量多重共线性的问题。Scott（1981）对以上学者研究成果进行了比较分析，他认为多变量模型优于单变量模型。我国对信用风险（企业财务困境）的研究刚刚起步，饶育蕾、唐邵玲（1997）对企业财务困境的现状和成因进行了定性分析及对策研究，陈静（1999）首次在国内运用统计方法和计量模型进行财务困境预警研究，模型判定的准确率达到80％以上，但其未区分训练样本和测试样本，判别模型存在高估倾向。施锡栓、邹新月(2001)采用典型判别分析对上市公司行了经营失败预测研究，总判别淮确率达到了93.09%。梁琪（2003）运用主成份分析与判别分析相结合的方法，估计样本和测试样本的总准确率分别达到86.9%和86%。总的说来，国内相关研究多是从上市公司角度进行的财务预警研究；且因受数据来源所限（上市公司的履约情况和债项特征属于内部机密，一般研究人员很难获得），几乎所有研究都是以上市公司被宣布特别处理作为财务困境标志；建立的线性模型普遍具有较高的判别准确率。

本文克服以往研究以上市公司被宣布特别处理为信用风险衡量标准之不足，采用上市公司未按时偿还贷款的比率（即贷款不良率）作为信用风险高低的衡量标准，样本整体分为训练样本和测试样本，以经独立样本t检验和主成分分析后的主成分为基础，基于Fisher判别方法，构造我国商业银行信用风险识别模型。模型检验技术在普通方法之外，还运用了抗强影响点干扰的Bootstrap方法。

二、商业银行信用风险Fisher识别模型构造

（一）主成份分析。为了避免包含企业信用风险信息的财务指标被排除在研究之外、最大限度地检验各种指标对企业信用风险的解释作用，此次检验将引入46个不同的财务指标。但指标的高维性特点又为研究带来了新的问题：这些指标之间高度相关，直接纳入分析不仅复杂，变量间难以取舍，而且可能因为多重共线性而无法得出正确结论。因此，在利用信用风险识别模型对我国商业银行的信用风险进行实证检验之前，我们首先引入主成份分析法。主成份分析法的基本思路是：从p个原始财务指标中提取m个相互独立主成份，每个主成份都是原来多个指标的线性组合。提取的主成份根据特征值大小排序，特征值最大的主成份对原始财务指标的解释力度最大，如果特征值小于1，表示该主成份的解释力度还不如直接引入一个原变量的解释力度大。如果m（m≤p）个主成份可以解释大部分原始财务指标的方差或者提取主成份的累计贡献率达到80%以上，那么m维主成份空间就能够最大限度地保留原始p维财务指标空间的信息。主成份分析的具体步骤如下：

1、原始数据标准化。设有n家上市公司样本，每个样本由p个财务指标x₁，x₂，……x_p来描述，

…………（1）

其中X_i＝(x_1i，x_2i，……x_ni)，p为模型选取的财务指标的数量。由于主成份分析法的出发点是评价指标的协方差矩阵，而协方差容易受评价指标量纲和数量级的影响，因此，首先需要用Z-score公式将原始指标进行标准化处理，标准化后的指标矩阵为V，其中：

……………………………………（2）

其中，

2、计算相关系数矩阵（协方差矩阵）。标准化后，财务指标的协方差矩阵等于相关系数矩阵R（R＝（r_ij）），r_ij的计算公式为，

……………………………………（3）

其中，

可以看出，R是实对称矩阵（即r_ij =r_ji），所以只需计算其上三角或下三角元素即可。

3、计算特征值和特征向量。通过雅可比（Jacobi）方法求解特征方程│λI－R│＝0，得出特征值λ_i（i＝1，2，…，p），因为R为正定矩阵，所以其特征值λ_i都为正数，按其大小排列，即λ₁≥λ₂≥……≥λ_i≥λ_p，特征值是各主成份的方差，它的大小反映了各个主成份在描述被评价对象上所起的作用。特征向量矩阵U可以通过方程│R－λI│U＝0求得。

令F＝U^TV，也即 ……………………………………（4）

F被称为因子得分系数矩阵。

4、计算主成份贡献率和累计贡献率。第m个主成份Y_m的方差贡献率为

前m个主成份Y₁，Y₂ ……，Y_m，的累计方差贡献率为

Y_m的方差贡献率a_m表示该主成份的方差在原始指标总方差中所占的比重，即第m个主成份提取得原始p个指标的信息量。因此，前m个主成份Y₁，Y₂ ……，Y_m的累计方差贡献率a（m）越大，说明前m个主成份包含的信息越多。

5、选择主成份个数。如前所述，主成份分析的目的就在于将原来为数较多的指标转化成少数综合指标，同时尽可能多保留原始指标的信息，从而减少综合评价的工作量。因此，确定主成份个数要力图使k尽可能小而a(m)尽可能大，即以较小的主成份获取足够多的原始信息。确定主成份的个数，一般要求前m个主成份的累计方差贡献率不低于80%或者要求特征根大于1，本次研究将采用前者。

选取的m个主成份将矩阵U分成两部分：

则

其中 为主成份解释的信息， 为残余信息。根据因子得分系数矩阵，财务指标V_i可以表示为：

V_i＝U_i1F1＋U_i2F2＋……＋U_imF_m……………………（5）

（二）线性判别模型。下面将以主成份Y₁，Y₂，……Y_m为基础，利用Fisher判别方法构造最优的信用风险线性判别模型，得到的判别模型称为Fisher识别模型。

………（6）

其中Z是判别值，Y_jt是t期的主成份判别指标，b_j是判别系数，b₀是常数项，t是样本时间期限。

Fisher判别方法的基本思想是投影，对于本次研究中引入的m维上市公司财务指标（主成份），在原始变量X₁和X₂的方向上，高信用风险组A和低信用风险组B的观测值都有很大程度的重叠，难以区分清楚。但是如果以X₁为横坐标，X₂为纵坐标，并设法在此平面内找到一个Y轴，使得当X₁ X₂屏幕上的散点投影到Y轴上时两组观测值的重叠程度最小，使两组观测值的投影尽可能分开，就相当于使组间差异（即组间离差平方和SSG）尽可能大的同时又使组内差异（即组内离差平方和SSE）尽可能小，即，

……………（7）

其中，

是均值向量， 表示组i的均值向量，S_i是i组样本协方差矩阵，i＝1，2，……g，由于本次研究只将样本分为两组，所以g＝2。检验中使用的阈值是根据“完全对称分类原则”确定的。

作为对照，此次研究还引入了Bootstrap检验方法估计判别方程的误判比率，其基本思想是：在原始数据的范围内做有放回的抽样，样本含量仍为n，原始数据中每个观察单位每次被抽到的概率相等，为1/n，所得样本称为Bootstrap样本。从该样本可以得到一个判别分析结果；重复抽取这样的样本若干次，这样可以建立起来一系列识别函数，相应地每个系数都有一系列取值。根据这一思想，采用Bootstrap方法得出的识别函数是最“稳健”的识别函数，该方法可以在充分利用样本信息的同时有效地避免强影响点的干扰。

三、实证分析

（一）样本采集及数据处理。1、样本企业与财务指标的采集。此次研究的样本来源于在我国某商业银行2002、2003、2004年均有贷款且财务报表齐全的218家上市公司客户，3年共得到654个样本。在借鉴了国内外研究成果和穆迪、标准普尔等公司资信评级指标体系后，本次研究选取了46个财务指标（如表1所示）。数据来源于该商业银行信贷管理系统和证券之星（www.stockstar.com）、上海证券交易所（www.sse.com.cn）、深圳证券交易所（www.sse.org.cn）等权威证券网站。

表1   原始财务指标及其分类

由于种种原因，我国个别上市公司特别是财务状况不佳的公司的财务报表具有失真现象，陈小悦(1999)也发现上市公司为争取扩股权而普遍存在操纵利润现象，为避免类似情况可能对本次检验带来的负面影响，我们剔除了含异常指标的样本85个，这样正常样本就是569个。假设财务指标为x_ij（1≤i≤654，1≤j≤46），异常指标被定义为：

 

2、样本数据的分组确定。样本被分为两组，2002年和2003年的样本为训练样本（390个），2004年的样本为预测样本（179个）。一般认为，国际上的优质商业银行不良贷款率在3%以下，中等商业银行在5%左右(王雍，2003)，因此，本次研究以不良率5%作为高风险企业和低风险企业的分界线。根据以上分组标准，样本总体包括高风险企业191，低风险企业378个；在训练样本中，高风险企业148个，低风险企业242个；在预测样本中，高风险企业43个，低风险企业136个。

3、财务指标的独立样本t检验。由于本次研究引入的初始财务指标多达46个，为简化模型的检验过程，在实证分析前首先利用SPSS软件对全部财务指标进行独立样本t检验，检验结果表明，在两类企业之间有显著差异的财务指标共33个，分别为：营运资本、资产利润率、资产报酬率、息税前利润、净资产报酬率、平均股东权益、期末速冻资产、营运资本主营业务收入比、现金流量比率、利息保障倍数、总资产周转率、存货周转率、应收账款周转率、其他应收账款周转率、股东权益周转率、固定资产周转率、盈利增长指数、log（固定资产）、总资产增长率、留成利润比、留存利润总资产比、资产负债率、产权比率、留存收益、盈利波动率、资产短期负债率、净资产增长率、主营业务收入现金流量占比、筹资活动净流入现金与负债比率、每股现金流量、每股收益、每股净资产、股本账面市值比。

4、财务指标的主成份分析。SPSS等统计软件的默认设置都是以特征根大于1为标准抽取主成份的，经验表明，特征根标准确定的主成份数目偏低；而本次检验引入的原始财务指标较多，主成份提取不足很容易造成有效信息的丢失，因此，我们使用累计贡献率标准代替特征值标准。提取主成份时，我们还采用了方差最大化正交旋转法，正交旋转法并不影响主成份的提取过程和结果，只是改变了信息量在不同主成份上的分布，便于对主成份找到合理的经济解释。

基于主成份累计贡献率大于80%的标准，在对测试样本进行标准化处理后，模型从33个主成份中提取了12个。根据主成份负荷矩阵和因子得分系数矩阵，可了解各主成份与原始指标之间的相关关系，例如与主成份Y₁相关关系最强的原始指标是净资产报酬率、资产报酬率、资产利润率、每股收益和留存利润总资产比，则可认定该主成份属于盈利性指标。

（二）实证分析过程。1、模型参数和拟合的模型结果。将高风险企业定义为1，低风险企业定义为0，引入12个主成份以390个训练样本为基础运用SPSS软件建立线性判别模型。进入模型的主成份共五个，按顺序依次为Y₁、Y₇、Y₁₀、Y₉和Y₄。根据主成份负荷矩阵和因子得分系数矩阵显示的主成份与原始财务比率的相关关系，以上主成份可分别被定义为盈利性指标、资产管理效率指标、流动性与偿还能力指标、成长性指标、资本结构与财务杠杆指标。根据SPSS计算得出的标准化系数表，相应的信用风险线性判别模型为：

Z＝0.591 Y₁＋0.513Y₁₀＋0.487Y₉＋0.452Y₄＋0.41Y₇  ……（8）

由于样本已经进行了标准化处理，根据完全对称分类原则得出的阈值为0。也即在模型（8）中，Z值大于0的企业被判定为高风险企业，违约可能性高；反之为违约可能性低的低风险企业。根据模型（8）自量系数大小，可以得到如下结论：对上市公司信用风险高低影响最大的是赢利能力，其次是流动性与偿还能力，第三是成长性，第四是资本结构与财务杠杆，最后才是资产管理效率。

表2   变量输入/输出表

 

 

 

 

 

 

Step	Entered	Wilks Lambda
		Statistic	Df1	Df2	Df3	Exact F
						Statistic	Df1	Df2	Sig.
1
Y1	.982	1	1	388.000	7.92	1	388.000	.005
2
Y7	.976	2	1	388.000	7.19	2	387.000	.003
3
Y10	.957	3	1	388.000	6.83	3	386.000	.001
4
Y9	.94	4	1	388.000	5.86	4	385.000	.000
5
Y4	.933	5	1	388.000	5.41	5	384.000	.000

2、模型的准确性。表3概括了基于普通方法和Bootstrap检验方法的Fisher线性判定模型（即模型8）对训练样本的判定结果。由表3可知，在普通方法下，模型的准确率为67.2%，其中，对低风险企业判别的准确率73.7%，对高风险企业判别的准确率为56.4%。可见模型对低风险企业判定的准确率高于高风险企业。在Bootstrap检验方法下，模型的准确率略低于普通方法的判定效果，总准确率为64.58%，其中，对低风险企业判别的准确率70.3%，对高风险企业判别的准确率为55.2%，模型对低风险企业判定的准确率仍然高于高风险企业。

表3  Fisher线性判定模型对训练样本的判定结果

方法类型	分组	判定值		合计	总体准确率
		0
1
普通方法
	0	73.7	26.3	100.0	67.2
1
43.6	56.4	100.0
Bootstrap检验法
	0	70.3	29.7	100.0	64.58
1
44.8	55.2	100.0

在统计学中，误判分为两类：第一类错误（Type I error）称为“拒真”，第二类错误（Type II error）称为“纳伪”。这里第一类错误指的是将高信用风险企业误判为低信用风险企业的错误，第二类错误是指将低风险企业误判为高信用风险企业的错误。显然，第一类错误的误判代价要高得多，因为第二类错误只会使商业银行损失一定的投资收益，而第一类错误会使商业银行因无法收回贷款而面临重大的经营危机。上述Fisher线性判别模型对高风险企业判定的准确率低于低风险企业，也就意味着第一类错误率高于第二类错误率，这一点表明在具体运用时Fisher判别模型和其他定量分析模型以及定性分析方法结合使用方能达到信用风险管理的最佳效果。

3、模型的检验。由于在判别分析之前对财务指标进行了标准化处理和主成份分析，因此在采用Fisher线性判别模型对测试样本的信用风险进行预测之前，首先需要对样本指标进行迭代计算，再将迭代结果引入线性判别模型，模型的预测结果如表4所示，

表4  Fisher线性判定模型对测试样本的预测结果

	分组	判定值		合计	总体准确率
		0	1
数目	0	92	44	136	62.68
	1	12	31	43
%	0	61.5	38.5	100.0
	1	33.6	66.4	100.0

由表4可知，采用Fisher线性判别模型预测样本企业的信用风险状况，模型预测的准确率为62.68%，略低于训练样本判定的准确率，表明模型总体上具有良好的推广性。与训练样本判定结果有所不同的是，预测样本中判定的第一类错误低于第二类错误，意味着在具体运用判别模型判定企业风险程度时，得到的线性判定结果还有待和其他定量分析方法（如Logit模型和BP神经网络模型）、定性分析方法相结合使用，交叉印证。

四、研究结论和政策建议

本文利用我国某商业银行218家上市公司贷款客户3年的财务信息和履约数据，构造了我国商业银行信用风险Fisher识别模型并对其进行实证检验，研究的主要结论如下：

第一，主成份分析可以有效解决我国企业财务数据高维性和多重共线性的特点，在不丢掉主要数据信息的前提下集中体现了他们的类别特色，使判别模型更具说服力。此次检验从46个财务指标抽取出12个主成份，主成份累计贡献率达到80%，在简化后续检验过程的同时最大限度保留了原始数据信息。根据旋转后的主成份负荷矩阵和因子得分系数矩阵中主成份和原始财务指标的相关关系，各主成份被赋予不同的经济意义。

第二，基于我国商业银行上市公司贷款客户财务信息和履约数据建立的信用风险Fisher识别模型，能够为商业银行判定借款人的质量和经营业绩、降低信用风险提供一定的客观依据，同时也为借款人加强企业内部管理，摆脱财务困境提供有价值的参考信息。Fisher识别模型判定和预测的准确率相差甚少，模型的推广能力较强。

第三，进入Fisher识别模型的主成份分别被定义为流动性与偿还能力指标、盈利性指标，资本结构和财务杠杆指标、资产管理效率指标、成长性指标。其中盈利性指标的解释力最强，可见目前在我国企业的获利能力是影响商业银行信用风险的关键指标，其后依次为流动性与偿还能力指标、成长性指标、资本结构与财务杠杆指标、资产管理效率指标。盈利能力、流动性和偿还能力、成长性是影响上市公司信用风险的最主要因素，暗示在持续快速发展的中国经济大背景下，企业在保证流动性的基础上做大蛋糕和业绩空间是降低信用风险的主要方式，而资产管理效率的影响力相对较小，表明精耕细做、通过管理效率要效益的模式还只是企业降低信用风险的次要手段。这一结论含义和判断和中国宏观经济及其微观企业的发展现实和成长阶段是相吻合的。

第四，Fisher线性判别模型只是信用风险管理的定量分析方法之一，平均65%的准确率、模型检验和预测过程都表明：在实践运用中，商业银行难以完全信赖Fisher线性模型，只有也必须和Logit、BP神经网络等其他定量分析方法，定性分析方法结合使用才能更准确地识别和防范信用风险。

第五， Fisher线性识别模型的普通识别函数和Bootstrap识别函数二者之总体准确率相差较小，表明普通识别模型在推广应用时，抗强影响点干扰能力较好。

商业银行信用风险Fisher识别模型可以作为我国商业银行一直采用的定性分析方法与国际流行的内部信用风险度量模型之间的过渡形式，在具体运用时，商业银行还需要在以下几方面加以努力：

1、结合自身特点，建立与本行相适应的信用风险识别模型。本文研究了商业银行借款人财务信息和履约数据与信用风险之间的关系，并探索建立了商业银行信用风险Fisher识别模型。这些研究旨在为商业银行建立信用风险识别模型提供分析思路和具体工具。由于不同商业银行的业务特点和客户群体有所区别，所以商业银行有必要是在借鉴本文研究成果的基础上充分考虑自身特点和立场，建立与本行客户、业务和战略相适应的识别模型。对于同一商业银行来说，信用风险识别模型也不是固定不变的，随着贷款客户和业务的不断变化以及判定过程中经验的积累，商业银行必须及时对模型进行修正，以保持模型的时效性和准确性。

2、坚持定量分析与定性分析相结合。信用风险识别模型是一种定量的研究方法，判定结果具有明确客观的特点，但是定量模型并不能取代传统的定性分析，定量分析必须与定性分析相结合。这种结合主要体现在以下两方面，一是识别模型的样本数据，二是识别模型判定结果和定性分析结果交叉印证。

例如财务报表的编制质量及其是否经过第三方审计并出具无保留意见审计报告等因素，将直接决定构建模型原始数据的真实性，影响识别模型判定结果的准确性和实用性。故在使用识别模型之前，信贷管理人员必须凭借专业判断，取得充分的证据，以证实财务报表是可信的。同时，信贷人员在贷前对借款人的实地考察、贷中的复查以及贷后的总结等日常工作，也对确保财务数据的真实可靠起着不可替代的重要作用。对于新成立借款人的信用状况，由于缺少应用识别模型所必须的数据信息，也只能更多地依靠定性分析。

对于我国商业银行来说，信用评分法已被沿用多年，信贷人员在实践过程中积累了大量的经验教训，评分结果具有一定的准确性。一般来说，一张完整的信用评分表包括供求状况、行业竞争力、政策法规影响、债务承担能力、在本行的信贷资产质量和以往信用状况等信息，涉及的很多内容是识别模型所无法度量的。根据客户情况设计和完善定性分析指标，将定性分析与信用风险识别模型的判定结果相结合，将会最大限度提高识别的准确性，降低商业银行信用风险，减少未来遭受损失的可能性。

参 考 文 献

[1]    Fitzpartrick, P. J., 1932, "A Comparison of Ratios of Successtul Industrial Enterprises with Those of Failed Firms." Certified Publie Accountant Oct. 598 - 605. Nov. 656 - 662, Dec. 727 -731.

[2]    Beaver, W, 1966 , “Financial rations are predictors of failure”, Journal of Accounting Research, 4, Supplement, pp 71-111.

[3]    Altman, E., 1968, “Financial ratios, discriminant analysis and the prediction of corporate bankruptcy using capital market data”, Journal of Finance ，September, pp 589-609.

[4]    Altman, E., R. Haldeman, and P. Narayanan, 1977, “Zeta Analysis, A New Model to Identify Bankruptcy Risk of Corporations”, Journal of Banking and Finance, June.

[5]    Libby R., 1975，“Accounting Ratios and the Prediction of Failure：Some Behavioral Evidence”, Journal of Accounting Research, Spring , pp.150-161

[6]    Scott,J.,1981, “The probability of Bankruptcy：A Comparison of Empirical Predictions and Theoretic Models”, Journal of Banking and Finance 5,317-344.

[7]    李志辉：《现代信用风险量化度量和管理研究》[M]，北京，中国金融出版社，2001。

[8]    陈静：《上市公司财务恶化预测的实证分析》[J]，《会计研究》1999年第4期。

[9]    梁琪：《企业信用风险的主成份判别模型及其实证研究》[J]，《财经研究》2003年第5期。

[10] 杨军：《关于国有商业银行信用风险成因与识别的研究》[D]，中国优秀博硕士学位论文全文数据库，2004年3月23日。

[11]饶育蕾，唐邵玲：《国有企业的财务困境与对策研究》[J]，《财会研究》1997年第11期。

[12]施锡铨，邹新月：《典型判别分析在企业信用风险评估中的应用》[J]，《财经研究》2001年第10期。

该文发表于<学术交流与动态>2006第4期