【作　　者】
赵 静1，赵 荔2（博士）

【作者单位】
1.首都经济贸易大学会计学院，北京100070；2.上海立信会计金融学院工商管理学， 上海201209

【摘　　要】

    【摘要】“僵尸企业”是经济运行的“毒瘤”，“僵尸企业”应如何处置更是牵一发动全身的关键环节，对于学界而言，为处置“僵尸企业”的实践工作提供正确、符合国情的理论指导成为亟待解决的命题。“僵尸企业”预警研究以财务困境预警模型为出发点，结合国内“僵尸企业”研究现状，基于经济学、社会学、数学等多种视角和理论，探索性地构建“僵尸企业”的预警框架。同时提出“僵尸企业”预警模型应从内外两个视角展开，模型判定结果应当突破二分法，并根据现实进行动态调整。
【关键词】僵尸企业；财务困境；预警模型；预警框架
【中图分类号】F230      【文献标识码】A      【文章编号】1004-0994（2017）33-0029-6一、引言
伴随着我国经济进入“新常态”，供给侧改革全面推进，“僵尸企业”清理成为化解产能过剩的关键举措。同时，学界对我国“僵尸企业”的相关研究逐渐展开。如黄少卿等（2017）采用多种研究方法，对中国工业企业和上市公司中存在的“僵尸企业”进行识别，结果发现，2001 ~ 2007年工业企业中“僵尸企业”占比为10.1% ~ 19.7%，2000 ~ 2015年上市公司中“僵尸企业”占比为12.6% ~ 26.0%。这也说明我国“僵尸企业”现状不容乐观。
近年来，学界研究证实，鉴于制度、政策等因素的干扰，企业之间或者企业内部之间资源往往不能实现有效配置。因此，学界开始从资源配置角度解释国与国之间全要素生产率差异。一些学者从信贷资源的角度研究日本银行提供给“僵尸企业”的贷款，发现“僵尸企业”对日本经济效率和市场竞争造成了长远的负面影响：“僵尸企业”效率低下，依赖政府和银行信贷“输血”存活，严重损害市场竞争，挤压正常企业发展空间，加剧产能过剩。由此可见，“僵尸企业”是经济运行的“毒瘤”，如何处置“僵尸企业”更是牵一发动全身的关键性难题。
目前国内相关文献中，定性分析较多，实证分析数量有限，其中有关预警模型方面的更是空白。本文认为“僵尸企业”预警模型研究非常重要：①预警研究具有深层次的意义，它是由风险意识引致的事先防范，可以减少损失；②科学和理性预测的最终目的是准确判断事实，以产生清晰的决策；③预警模型在量变到质变之前起作用，从成本角度而言无疑是优化举措。
纵观国内外相关研究，均无直接成果可以借鉴，本文尝试寻找“他山之石”——财务困境预警模型进行分析和借鉴。自Fitzpartrick（1932）运用单变量分析建立财务困境预警模型以来，该领域的研究不仅取得了一系列成果，并且随着技术发展和认识的提高，财务困境模型不断升级，足以为“僵尸企业”的研究提供理论指导、思路借鉴和经验警示。尽管财务困境和“僵尸企业”的研究重点存在差异，但是财务困境的研究方法对“僵尸企业”依然具有借鉴意义。主要表现在以下方面：①财务困境作为会计学概念，与经济学概念上的“僵尸企业”存在范围上的重叠。②陷入财务困境的企业和“僵尸企业”都是直观地从企业财务状况表现出来，现有的“僵尸企业”界定方法也主要是依赖财务指标进行识别，二者在具体指标和财务状况表现上有所不同，但是方法应存在相同之处。③“僵尸企业”的研究目前尚处于探索阶段，开阔思路广泛借鉴是这个阶段的特征。本文主要选择几种理论基础较好且具有代表性的模型：Z模型、Logistic回归模型和KMV模型进行借鉴分析，并综合考虑多种因素，尝试构建“僵尸企业”预警框架。
二、“僵尸企业”的研究现状
目前，“僵尸企业”的研究可以分为以下四个主题：定义、界定、成因、清理方式与退出路径。
“僵尸企业”的概念最早由 Edward Kane 教授提出，并在2012年定义为：“当某一机构的实际债务价值高于其实际资产价值时，从经济的角度而言，该机构发生破产。“僵尸机构”是仅仅依赖政府进行公开或者不公开的信贷支持，以偿还各种债务并维持运营的破产机构。”后续研究对“僵尸企业”进行了多种定义，但都认为“僵尸企业”丧失了生存能力，依靠政府或银行信贷救助而存活。
“僵尸企业”界定方法主要可以分为以下几类：基于CHK的方法系列，如盈利标准和长青借贷标准，也称为FN-CHK标准；基于企业经济角度的实际利润法；综合主流界定思路的过度借贷法；基于宏观政策角度的方法，如国务院标准等。
针对“僵尸企业”形成原因，本文将现有研究根据政府、银行、企业这三个主体以及相互之间利益牵制的作用分为三类观点。第一类观点认为政府行为是“僵尸企业”形成的重要原因。第二类观点则倾向于认为“僵尸企业”的形成是银行掩盖坏账损失的不良动机所致。第三类观点认为企业内部微观因素是“僵尸企业”形成的主要原因。如程虹、胡德状等（2016）认为要从根本上清理“僵尸企业”，应当重视微观层面的企业内部因素。由此可见，“僵尸企业”形成原因错综复杂。
“僵尸企业”清理方式及市场退出路径的研究可以分为三个主要类别：①国外“僵尸企业”清理借鉴，美国和日本都经历过“僵尸企业”处置，部分学者通过研究国外处置方法为“僵尸企业”清理提供思路。②根据“僵尸企业”成因分析处置策略，并认为不同类型的“僵尸企业”应采取不同对策处理。③从破产法角度和实际案例出发提出解决思路。
三、财务困境预警模型研究现状
财务困境又称为财务危机，国内外学者对其定义持多种观点。Beaver（1966）研究了79家“财务困境公司”，它们包括破产公司、拖欠优先股股利公司和拖欠债务公司。随后，Altman（1968）和Ross（1999）等又对定义进行了延伸；国内学者吕长江（2004）将财务困境定义为“进入法定破产的企业”，并认为财务危机是一个持续的动态过程。
Fitzpartrick（1932）运用单变量进行破产预测，开创了财务困境预警研究的先河。该方法的思路为比较分析，即通过比较陷入财务危机企业与健康企业之间财务指标上的差异，根据差异的显著性进行排序，并从中挑选变量，最后根据排序变量特征选择判定点，最终确定企业是否会陷入财务危机。尽管单变量预警模型为后来众多学者所效仿研究，但是该方法忽视了企业作为一个整体，各种指标之间不仅相互联系，而且共同对企业风险产生影响。Altman（1968）的Z模型克服了这种缺陷，它将多元判别分析应用于企业财务困境预警，使得企业的多种财务指标综合反映在得分值Z-score上，将Z值作为判定企业是否会陷入财务困境的预测指标。由于多元判别分析法存在诸多统计假设限制，导致其实际应用结果并不理想。为了克服这种实际应用的局限，Ohlson（1980）将Logistic回归模型引入财务困境预警研究。Logistic回归模型最大的特征是因变量是离散的，常见的分布为二项分布或者泊松分布，且不要求样本正态分布。这种特征更加符合企业财务困境的现实分类，因此沿用至今。但是，上述实证研究中的首要步骤是寻找配对样本，在匹配过程中，不可避免地存在样本选择偏误。同时，由于财务指标均为历史数据，在历史数据中找出的规律对新样本进行判别或预测，被认为是“粗暴的经验主义”。而KMV模型结合了股票市场数据和财务数据，能反映投资者对企业未来发展的判断趋势，由此，KMV模型受到研究财务困境学者的关注。一些学者尝试将信用风险模型——KMV模型引入财务困境预警研究，并通过实证比较得出KMV模型表现优于其他几种预警模型。
可以看出，经过较长时间的演化、发展，财务困境预警模型的研究脉络逐渐清晰，研究方法日渐规范。相较而言，“僵尸企业”的实证研究目前主要在于界定方法、成因、市场退出路径等方面的分析，而“僵尸企业”治理研究离不开大量理论与实证的支撑。因此本文借鉴财务困境预警模型的理论基础和研究方法，结合研究预测的相关理论，以期为“僵尸企业”预警研究做出基础性贡献。
四、“僵尸企业”预警框架构建
（一）主要财务困境模型比较
1. 模型理论基础。上述三种模型都具备较为坚实的理论基础，其中，Z模型与Logistic模型基于统计分析方法，Z模型采用多元判别分析得出Z值并进行预警，Logistic回归模型属于非线性概率模型，用途广泛。KMV模型最早用于信用风险领域，运用期权定价的原理，将公司信用状况与资产、负债和股权的价值综合起来考虑，用于估计借款人或者企业的违约可能性。KMV模型中通过违约距离来衡量违约可能性，违约距离越大，则说明公司违约可能性越小，反之，该公司信用风险越大。
2. 模型指标选择。已有文献对财务困境预警指标通常分为两类：一是按照财务指标和非财务指标分类；二是根据财务困境预警模型又可分为财务指标、现金流指标和市场收益率指标（吴世农、卢贤义，2015）。本文主要分析以Z模型为代表的线性判别模型、Logistic回归模型和KMV模型指标的适用性，其中线性判别模型采用的是财务指标；KMV模型采用的是市场收益率指标；Logistic回归模型中部分文献采用财务指标，也有一些文献综合选取财务指标和现金流指标。
（1）Z模型的指标选择。Altman（1968）从22个财务指标中筛选出5项具有预测能力的财务指标（营运资金/总资产、留存收益/总资产、息税前利润/总资产、权益的市场价值/负债总额的账面价值、销售收入/总资产），运用多元判别分析法进行建模分析。模型中指标主要是传统的财务比率，但由于委托代理关系，管理者可能会运用各种手段进行盈余操控。因此，以利润等比率为基础的财务指标可能存在缺陷，后续研究者考虑到现金流指标不易操控，并且在一定程度上能更准确地反映企业实际经营状况，因此逐渐将研究领域扩大到包含现金流指标的模型。
（2）Logistic回归模型的指标选择。基于Logistic回归的财务困境预警模型是对Z模型所依赖的多元判别分析方法在统计学上的改进，因此该模型所选择的指标与Z模型相类似。Logistic模型变量不仅包括财务指标和现金流指标，还包括代表经济环境的M2增长率、实际GDP增长、股权结构、代理成本等制度性变量，考虑的因素相对更全面。同时，随着技术的发展和研究的不断深入，研究财务困境预警模型的学者们在指标的选取上也更加严谨、规范，不同于早期的定性分析，而是大多采用统计方法进行筛选，如主成分分析、因子分析、熵值法等。
（3）KMV模型的指标选择。KMV模型主要应用于上市公司的相关研究，模型以股票市场为基础，并包括部分财务数据，相对而言具有前瞻性，并克服了以历史数据为基础的统计模型的缺陷。KMV模型的优势主要表现在以下两个方面：①KMV 模型中仅包括债务的账面价值这一项财务指标，因此对会计信息依赖较少，比较适用于我国上市公司会计信息质量普遍不高的现实背景。②Altman的Z模型以制造业为研究样本，后来的研究者尽管将其运用在其他行业或者增加模型指标，但鲜少考虑到我国上市公司中很多企业持有大量金融资产，公允价值的引入使得财务比率发生变化，企业面临金融风险，而KMV模型将金融风险因素纳入了模型之中。
3. 模型应用。
（1）Z模型的应用。Z模型是最具有代表性的多元判别分析模型，判别分析是根据已有的观测数据特征将样本分为若干组，在此基础上根据研究目的建立判别式，最后根据判别式对分类未知的样本进行判定或者预测。Z模型运用多元判别分析，构造判别方程式并得出Z值区间，原理如下：
第一步：寻找与财务困境样本特征相似的对照组样本。
Fbankruptcy=（A1，A2，…，An）
Fcontrol=（B1，B2，…，Bn）
第二步：利用因素分析法筛选出一系列的变量，这些变量既能代表企业的财务状况，又能区分出陷入财务困境的企业和正常企业，并对这些指标或者变量赋予权重。构造判别方程式：
Z=1.2X1+1.4X2+3.3X3+0.6X4+0.999X5
然后通过对变量赋予权重并构成多元判别方程式，其中变量分别为：X1=营运资金/总资产；X2=留存收益/总资产；X3=息税前利润/总资产；X4=权益的市场价值/负债总额的账面价值；X5=销售收入/总资产。
第三步：获得模型Z值，并划分判别区间。其中，若Z<1.81，则企业破产的概率很高；若1.81<Z<2.675，位于灰色区域，说明企业具有破产风险，运营状况不稳定；若 Z>2.675，企业破产的概率很小。
（2）Logistic回归模型的应用。Logistic回归模型是基于Verhulst提出的Logistic曲线方程演变而来的非线性概率回归模型。该模型与线性模型的最大区别在于被解释变量为二元变量，或为取值有限的离散变量。这种区别使得两种模型在参数设定、假设条件和估计方法等方面均存在差异。财务困境的相关研究中常用的被解释变量为二元变量。定义如下：
yi=根据研究需要或者采取一定的方法选择模型指标，构建出财务困境预警模型：
Ln[p1-p]=β1+β2X1+…+βn+1Xn
其中：p的取值为企业当前处于财务困境的概率；[p1-p]为y=1的概率与y=0的概率的比值；β1为常数项；β2，…，βn+1为模型回归系数。对上述公式进行逆对数变换，有：
p2=[exp （β1+β2X2+…+βn+1Xn）1+exp （β1+β2X1+…+βn+1Xn）]
经过逆对数变换后的p2（0<p2<1）为理论概率值，最后根据p与p2的关系对模型的预警效果进行判断。一般认为，当p2>0.5时，表明企业陷入了财务困境。
（3）KMV模型。KMV 模型以Merton期权定价理论为基础，是由美国的KMV 公司于20世纪90年代开发出来的一种用于估计借款人违约可能性的模型，并能对借款人的违约可能性做出预测。由于违约与企业财务状况具有直接的联系，因此学界将此种模型运用于财务困境预警模型的研究中，并证实该模型具备一定的优势。模型如下：
DD=
其中：DD为违约距离，该距离越大，说明企业信用风险越小；反之，则信用风险越大。E（VA）为资产期望价值，DPT为违约点，即企业资产价值等于负债价值的时点。经验研究表明，现实中的公司违约点与模型不一致，通常发生在“公司价值=流动负债+50%+长期负债”的时点。σA为企业资产波动率。由于不能直接使用股权市值代表资产价值，KMV模型中违约距离的计算还需要使用Black-Scholes-Merton期权定价模型，运用该模型建立资产的市场价值与股权市值之间的关系。
（二）我国“僵尸企业”预警研究借鉴
1. 指标选择。有学者认为，规范性的理论应当作为先导，以引领实证检验发展。而在财务危机领域，情况恰好相反。大量的计量方法和人工智能方法被应用于财务困境预警模型的建立，而研究企业为何会陷入财务困境的理论性研究却是凤毛麟角。原因在于财务困境最直观的、最终的体现在企业财务状况上，且由于数据的可得性，使得研究者将财务比率作为切入点，继而推广应用。对“僵尸企业”预警的研究同样也可能存在这种倾向，其盈利能力和贷款依赖程度均能通过财务指标体现出来，但企业的其他属性和特征难以获得或者进行量化。Johnson（1970）指出，比率用于预测是存在局限性的，比率更适合进行事后分析。这样的批判仍然警示着“僵尸企业”的研究者，这也是今后该领域研究者所应当考虑的问题。
因此，仅仅采用财务指标构建“僵尸企业”预警模型存在局限性。一是前文提到的“历史数据”缺陷，同时财务指标的滞后性是否能够担当起预警的使命？二是财务状况恶化作为“僵尸企业”的表现之一，是否就是形成“僵尸企业”的主要原因？这是值得商榷的，也可能会造成实证研究中难以克服的内生性问题。因此，一套完整的“僵尸企业”预警模型指标体系应从横向和纵向两个维度进行考虑：
（1）横向维度。横向来看，指标体系应该包含宏观经济环境、中观行业信息和制度背景这三个基本面。部分学者认为经济政策直接决定着我国经济周期的阶段，“僵尸企业”形成的根源在于经济结构对房地产行业的高度依赖所造成的产能过剩，在产能过剩的局面下，企业无法通过出售资产、减员增效、兼并重组等手段获得新生。在受到地方政府、财政补贴和金融系统持续输血之后，其僵而不死，并形成“僵尸企业”。因此，“僵尸企业”预警研究中的变量选择应考虑财政政策、货币政策和经济结构的变化，例如M2增速、GDP增速等。由于我国自2003年以来主要采取房地产拉动经济的增长方式，资源在不同行业之间的配置发生了很大变化。国家发展与战略研究院2016年的研究显示，我国“僵尸企业”比例最高的五个行业是：水的生产和供应业（25.99%），电力、热力的生产和供应业（19.14%），化学纤维制造业（19.10%），黑色金属冶炼及压延加工业（15.00%），石油加工、炼焦及核燃料加工业（14.46%）。因此，“僵尸企业”的指标研究中应考虑以财政补贴和免税优惠为代表的产业政策，同时兼顾企业性质、股权结构等公司治理因素。
（2）纵向维度。预警应注重防患于未然，即“事先提示的意义”（吴星泽，2011），“僵尸企业”的选取指标需注重事先提示的意义，这种“事先”不仅仅指时间上，更应该是“僵尸企业”尚能破产重整到积重难返的一段时间，才是此种预测意义所在。因此，纵向而言，可将企业连续两个或多个会计期间的财务指标进行对比以确定其增减变动趋势。同时，还可以根据当期财务指标与下一期或者滞后一期的关系，将动态的因素纳入分析框架。
2. 主要模型借鉴。
（1）Z模型。Altman通过将破产企业与健康企业按照1∶1的匹配方法构造样本，选取5个具有代表意义的变量构造出Z模型。该模型对于研究“僵尸企业”预警模型的主要意义在于研究思路。“僵尸企业”预警模型可以根据企业基本特征寻找配对样本。目前尚无理论指导，不可避免地会出现匹配过程依赖于研究者的直观判断和数据可得性。但随着统计、计量方法以及软件技术的不断发展，如“倾向得分匹配法”（PSM）等研究方法正逐渐被应用于“僵尸企业”的研究中，该方法可以通过多种途径对样本进行匹配，如半径匹配、核匹配等，使得“僵尸企业”的研究建立在一定的理论基础之上，使其更加客观和规范。
（2）Logistic回归模型。Logistic回归模型被广泛应用于财务困境预警模型的研究，并根据研究的侧重点不同，所选取的指标之间也存在差异，对于研究“僵尸企业”预警模型的主要意义在于计量方法。该模型的优势在于放松了对样本正态分布的要求，同时被解释变量为离散变量，符合“僵尸企业”特征。只需要在变量或指标选择上多加斟酌，就会适用于“僵尸企业”识别和预警模型的研究。同时，相对于总体而言，“僵尸企业”样本占比过小，现有文献中无论是Z模型还是Logistic回归模型，均采用寻找对照样本的方法开展研究，受到样本量的限制，不可避免地产生样本过度选择的统计问题。在公司金融的研究领域中，越来越多的学者采用bootsrap生成模型标准误或进行稳健性检验，该方法也适用于“僵尸企业”研究中克服样本选择偏误等问题。
（3）KMV模型。KMV模型以经典的Merton模型和B-S期权定价模型为支撑，具备坚实的理论基础，同时，该模型使用股票市场数据，在一定程度上克服了“历史数据”所带来的滞后性等缺陷。KMV模型不需要进行有效市场假设，因此被国内相关领域的学者广泛运用，一些文献也尝试将该方法运用于财务困境预警模型构建，并且通过实证检验证明了该模型的明显优势（马若微，2006）。 但是也存在明显缺陷：该模型是建立在企业所有股权均上市流通的假设之上，与我国的股票市场存在较大差异。
3. “僵尸企业”预警框架构建。
（1）“僵尸企业”预警框架构建原理。“僵尸企业”预警模型本质上是一个预测问题，预测的基本原则是科学理性。笔者认为，一种科学理性的预测机制应抽象为四个元素：视角、信息、概率、迭代。①视角包括内部与外部视角。常规的做法是以内部视角作为切入点，因为资料可得性相对较高且直接，在下一阶段再转入外部视角。然而，更准确的做法应该是从外部视角出发转入内部视角，并且两种顺序的效果不等，产生差异的原因在于“锚定效应”。②伴随着视角的转换，预警框架中对信息的要求也不仅仅限于财务指标，更应当包括来自多个维度的信息。这种信息除了可得资料，重点还在于信息筛选、噪声处理和信息利用。③无论使用哪种模型得出预测结果，都会产生一个概率问题。人们常常以直觉去看待概率，因此将科学性等同于确定性，实则不然。概率思维的核心并非准确率，而是对不确定性的认识，或者说对不确定性程度的区分。从概率思想的角度来看，预警模型简单而执着的二分法注定是不成功的，这还会产生一个问题：对定义的争论无法达成一致。因此对二分法进行改进并非源自妥协，而是基于科学。④预警模型的预测结果与现实结果之间必定存在一定的差距，如同金融市场上单个证券的β值，但本文认为模型预警的β值意义并不仅限于描述偏差，还在于后续的反馈、分析、调整。因此本文提出预警模型β的概念：预警β为模型预测结果与实际结果之间的差异。在预警模型的实证研究中，通常使用历史数据对模型结果进行检验，但是，在年度之间与企业之间，影响预警结果的因素不断变化，仅仅借助一类固定的模型进行跨年度和跨企业之间的预测，其准确性难以令人满意。本文认为，对模型的预测结果应当附加一个基于预警β的校正，根据影响因素的重要程度对结果做出调整，类似于“迭代”的过程。
（2）“僵尸企业”预警框架。
视角选择：通过前文分析可以将财务困境预警的框架或范式总结为定义、指标选择和模型确定。在研究过程中，学者们通过不断提炼和深入思考，并尝试跳出该框架，提出了重构设想：即在财务预警框架重构设想中嵌入利益相关者行为。值得一提的是，集体选择理论正逐渐被引入公司领域的研究。前文提到，“僵尸企业”的形成机理比较复杂，涉及政府、银行、企业三种主体之间的博弈，而“僵尸企业”的治理不仅仅是经济问题，还是社会问题。因此，本文认为“僵尸企业”预警模型的视角应遵循“宏观经济→微观企业”的顺序，具体表现在对“僵尸企业”的定义与界定，以及指标引入时考虑市场环境和财务指标的结合以及权重问题。
信息处理：随着互联网时代的到来，信息的增长呈指数级形态。2008年，《自然》提出“大数据”的概念，大数据的本质在于全样本而不是抽样，可以说是种新的思维方法。本文认为“僵尸企业”预警模型中应当引入大数据，尤其是一些非财务指标以及不易量化的数据，可以对财务指标进行更准确的修正与补充。
概率分级：简单的二分法并不符合科学的概率思想，更为可行的方法应该是进行概率分级，将可能性进行细分，已有大量研究证明细分意味着准确率的提高。因此本文认为，不管运用哪种模型进行预警，对于结果的判断不应仅仅局限于两种设定：是与否，应适当引入中间类别。进一步在“僵尸企业”类别中细分出僵化程度，在“非僵尸企业”类别中区分风险级别。
预警β与迭代：本文中的预警β为模型预测结果与实际结果之间的差异，其中，这种差距既可能存在于样本与实际总体的结果之间，也可能存在于单个企业的结果之间。由于预测建立在现有信息之上，一旦信息发生变动，预警模型也要做出相应的调整。预警β与迭代的意义在于防止模型僵化和忽视影响结果的重要信息。
最终，依据前文分析，本文尝试构建出具有理论支撑的“僵尸企业”预警框架，如图1所示；指标体系如图2所示。

五、结论与展望
本文以财务困境预警模型的比较与借鉴研究为出发点，结合国内“僵尸企业”的研究现状，运用经济学、社会学、数学等多种视角和相关理论，探索“僵尸企业”预警模型的构建。文章的主要观点如下：①“僵尸企业”预警模型本质上是预测，应注重“预”；②“僵尸企业”预警模型应从内外两个视角展开，且应当以外部视角作为切入点；③“僵尸企业”预警模型判定结果应当突破二分法，遵循概率基本思想，采取细分等级的方法提高准确率；④“僵尸企业”预警模型应尽量避免僵化，根据现实进行动态调整，为此，本文提出预警β值与预测过程中迭代的思想。因缺乏经验分析，本文并未对“僵尸企业”进行准确界定，也并未对所有的财务困境预警模型进行分析借鉴。更进一步的研究可以从如下几方面展开：基于以大数据为代表的信息技术的新方法的研究；立足于本国市场与制度背景的“僵尸企业”实证模型的开发；借助金融理论与金融市场的研究。

主要参考文献：
黄少卿，陈彦．中国僵尸企业的分布特征与分类处置［J］．中国工业经济，2017（3）．
时寒冰．时寒冰说：未来二十年，经济大趋势（现实篇）［M］．上海：上海财经大学出版社，2014．
程虹，胡德状．“僵尸企业”存在之谜：基于企业微观因素的实证解释——来自2015年“中国企业——员工匹配调查”（CEES）的经验证据［J］．宏观质量研究，2016（1）．
刘奎甫，茅宁．“僵尸企业”国外研究评述［J］．外国经济与管理，2016（10）．
朱瞬楠，陈琛．“僵尸企业”诱因与处置方略［J］．宏观经济与微观运行，2016（3）．
陆晓燕．运用法治手段化解产能过剩——论破产重整实践之市场化完善［J］．法律适用，2016（11）．
吕长江，赵岩．上市公司财务状况分类研究［J］．会计研究，2014（11）．
马若微．KMV模型运用于中国上市公司财务困境预警的实证检验［J］．数理统计与管理，2006（9）．