1.2.1企业财务困境概念对于财务困境的界定，国外学者一般都将财务困境定义为企业破产，例如Beaver(1966)将财务困境定义为企业宣告破产、债券违约、透支银行账户或者未支付优先股股利。Altman(1968)定义财务困境为“进入法定破产的企业”。Deakin(1972)将财务困境公司定义为经历破产、无力偿债或为债权人利益而已经进行清算的公司。Lau(1987)将财务困境分为减少或不支付股息、对债务的技术性违约或根本不偿还、申请破产法保护和公司资产清算或者破产四个阶段。Ross等人(1999)则认为：财务困境是指一个企业处于经营性流量不足以抵偿现有到期债务而被迫采取更正行动的情况。他们认为，一旦企业发生如下一些情况，即可表明企业陷入了财务困境：鼓励减少、工厂关闭、亏损、解雇员工、高级主管辞职、股票价格跑跌等。他们指出可以从企业失败、法定破产、技术破产及会计破产这四个方面来定义企业财务困境。国内学者张鸣和张艳(2001)认为可借用法律上的破产概念定义财务困境。陈文浩与郭丽红(2001)认为，财务困境通常是指企业不能偿还到期债务的困难和危机，其极端情况为破产。但就实证研究而言，我国大部分学者将财务困境定义为因财务状况异常而被特别处理的上市公司，例如陈静(1999)、陈晓与陈治鸿(2000)、姜秀华与孙铮(2001)、张爱民(2001)、吴世农与卢贤义（2001）、韩立岩与李蕾（2010）等。本文将沿用国内大多数学者的观点，将财务状况异常而被特别处理的上市公司定为财务困境公司。1.2.2企业财务困境预测方法综述财务困境预测模型总体设定的三个问题：第一，就是预测方法的选择问题；第二，预测指标的选择；第三，样本筛选。首先，根据文献所采用的方法对财务困境预测研究进行分类，大致经历了从单变量到多变量，从传统的统计方法到基于人工智能的机器学习和群决策方法的进展路线。（1）统计方法FitzPatrick(1932)最早利用单变量模型进行企业破产预测研究，以19家公司为样本，运用单个财务比率将样本分为破产和非破产两组，比较不同时期的财务指标在两组间的差异，结果发现判别能力最高的是净利润/股东权益和股东权益/负债这两个比率，而且至少在失败前三年这些比率就在失败与非失败企业之间存在明显的差异。Beaver(1966)提出了单一比率模型，即利用单一的财务指标比率来预测企业的财务失败。虽然单变量判别分析方法简单易行，但是单个财务变量不能充分反映出企业的财务特征。Altman(1968)在前人研究的基础上选择5个财务指标，使用破产企业前一年的数据和非破产企业在相应时段的数据，应用Fisher判别分析法估计出一个多元线性函数，即Z计分模型。Z计分模型通过将每个企业得分与破产临界值做比较来确定该企业是否陷入财务困境。如果企业的得分大于临界值，表明企业财务状况良好；如果企业得分小于临界值，则表明企业财务状况堪忧并有可能陷入财务困境。Altman(1977)又对Z计分模型进行了改进和发展，提出了著名的Zeta模型，这是一个适合长期预测的模型。Ohlson(1980)为克服线性判别模型对预测变量有着严格的联合正态分布要求这一局限性，他在研究当中最早使用了logistic回归方法，这是一种建立在累积概率函数基础上运用极大似然估计的方法。20世纪80年代末期，学者们开始尝试使用新方法代替传统的统计方法来研究企业财务困境问题。Lane等人(1986)运用生存分析法对银行破产进行预测，发现生存分析的分类准确率接近判别分析。生存分析是一种半参数的方法，它的独特之处在于它在因变量或自变量中纳入了时间维度，它可以得出期望破产时间，这给决策者提供了重要的信息。国内学者对财务困境预测研究从20世纪90年代中后期才开始，对财务困境预测的统计方法研究主要是将国外的经典模型应用于我国企业的实证检验，或者实证分析重新界定的财务困境和财务破产内涵，典型代表人物包括陈静、吴世农等人。陈静(1999)将被特别处理的上市公司划分为财务困境公司，主要借鉴了Beaver和Altman的模型，使用了1995~1997年的财务报表数据，应用Fisher线性判定分析，进行了单变量分析和二类线性判定分析。吴世农、卢贤义(2001)以我国上市公司为研究对象，选定6个财务指标，应用Fisher线性判定分析、多元回归分析和Logistic回归分析三种方法，分别建立3种预测财务困境的模型。（2）人工智能和群决策方法自20世纪80年代以来，人工智能和决策理论被引入财务困境预测，为克服统计方法的不足，财务困境预测的人工智能模型和群决策方法研究成为该领域的热点研究问题。Odom和Sharda（1990）为首的很多学者致力于把人工神经网络（NNs）与MDA或Logit模型进行比较分析，除少数学者的研究结果