Ko.Po-Chang等(2006)运用具有摸块化评价演化为基础的方法来预测财务危机。本文介绍了一个模块化的评价职能与进化方法来预测金融危机，它允许使用任何进化算法来提取关键财务比率的设置和集成更多的评价功能模块，通过分配不同的权重达到更好的预测精度。为了实现更精确的预测精度。如果模块的预测准确度超出了允许的偏差范围，这些不良的预测结果将被淘汰。

    Sun.Jie等(2008)介绍了数据挖掘技术在财务危机预测中的应用。文中提出了一种与基于属性归纳方法、信息获取和决策树相结合的数据挖掘方法，该种方法适台财务数据的预处理和构建财务困境预测模型决策树。基于财务比率和一种基于信息熵的离散化方法。设计了对上市公司财务困境预测数据挖掘模型。采用35个财务指标和135家上市公司进行实证分析。证明了数据挖掘方法对于上市公司财务危机预测的有效性。

    Lin.Tzong-Huei于2009年研究检测了四个最常用财务困境预测模型的预测能力，从而为台湾的工业公司建立一个可靠的财务危机预测模型。文中选用了1998-2005年失败的和非失败的台湾上市公司的样本进行匹配。运用多元判别分析模型。对数成败比率模型、概率单位模型和人工神经网络方法，分别对样本组合、非样本组进行测试，结果表明，对数成败比率模型、概率单位模型和人工神经网络方法能够达到更高的预测精度，具备了推广能力。概率单位模型具有晟佳的性能稳定。但是，如果数据不符合统计方法的假设。人工神经网络方法将实现较高的预测精度。

2  国内研究综述

    周首华等人在1996年提出了财务风险预警的F分数预测模型，在z分数模型的基础上更新了财务指标并扩大了样本数量。他以1990年以来Compustas PC Plus资料库中的4160家公司数据作为样本，在z分数模型的基础上加入了现金流变量进行检验，并且提出将O.0274作为判断公司是否为破产公司的临界点。但是，该模型在国内的适应程度不高，因为该学者所用的数据时国外的数据。 

    陈静在1999年运用了二元判别分析，选取了截止1998年7月我国证券市场中27家ST上市公司作为样本公司，又选取了27家同行业内相似规模的非ST上市公司作为样本进行配对。她选取了净资产收益率、资产负债率、流动比率以及总资产收益率等财务比率进行了单变量分析。研究表明：资产负债率和流动比率误判率比较低。判别分析中，她又选取了总负债／总资产、流动资产／流动负债、总资产收益率、净资产收益率、营运资本／总资产以及总资产周转率等6个指标构建了判别函数。研究结果显示，上市公司在发生财务危机的前3年的风险预测正确率依次为92.7％、85.3％及79.7％。论文网

    杨保安等人在2001年将神经网络分析方法引入了公司财务危机的预测中。作者选取了30个样本，采用神经网络法来进行模型的构建。研究显示，样本的判别精度高高达95％。 

    姜秀华等在2002年运用Logistic判别模型，以2000年11月20日为基准点，选取了42家ST上市公司和42家非ST公司来进行配比。作者选择股权集中系数、短期借款／总资产、其他应收款／总资产以及毛利率等4个指标构建判别模型。在此基础上。作者又深入分析了最佳分割点的问题。最终，作者选取0.1为最佳分割点，若Logistic判别模型的估计概率P大于0.1，则判定为ST公司；反之，则判定为非ST公司。该模型在财务危机发生前1年对ST公司与非ST公司的风险判别率能够达到88.l％和80.95％。

    张友棠在2004年认为财务风险的发生是一个阶段性的过程，将财务风险显露的过程分为潜伏期、发作期和恶化期三个阶段。并从公司外部环境和内部控制两个层面研究了财务风险的警兆表现，然后，从现金流的角度构建了两个财务指标，现金盈利值CEV和现金增加值CAV，并在运用两个指标构建了财务危机预警指数测度系统和分析系统。