危机企业是指陷入财务危机且持续借贷的企业,在技术定义上本文综合使用CHK方法、FN-CHK方法和中国人民大学国家发展研究院方法定义企业的经营困境。在完全市场竞争的理想状态下,劣质企业面临逐步被淘汰,优质资源将会逐步配置给成功企业,由此实现整个经济社会的帕累托最优解。2013年开始中国经济增速和经济结构面临挑整,并且前期政策逐步开始消化,经营困难、严重亏损的企业越来越多。2015年9月,总理李克强提出“抓紧处置危机企业问题”,并在12月的座谈会上表明“要加快危机企业退出和落后产能淘汰”。危机企业预警是解决危机企业的第一步,有利于全面分析危机企业的现状、成因、存在基础,并对预防和处置危机企业具备重要参考价值。危机企业的形成原因错综复杂,企业、政府、银行、文化、制度等要素都起到了重要作用。危机企业预测的本质是分类问题,最主要目的一是确定区分危机企业和正常公司的显著性指标,二是找到最有预测力的模型。国外识别危机企业的方法大多专注于判断危机企业是否受到银行非正常支持。在国内,危机企业的识别方法以定性分析为主,量化的识别的方法仍处于研究阶段。本文基于2005-2015年的工业企业数据库和2005-2020年国泰安数据库,运用机器学习中Logistic模型和BP神经网络（这两种方法相对结果较优）识别危机企业,避免了主观的限定识别指标,构建中国特色的危机企业预警模型。并通过对比传统定义方法和二分类识别方法及其识别结果,以具体的公司和行业等为例寻找两者异同,再用经济理论予以解释和理解,以图建立更加完善、现代的危机企业预警体系。本文的创新点主要体现在:首先本文结合中国国情,将传统的经济学研究对象和当前蓬勃发展的机器学习相结合,并以机器学习中相对占优的Logistic回归和BP神经网络方法创新识别危机企业的指标。本文采用数据挖掘在前、经济理论解释在后的研究思路,避免传统计量方法先行主观设定的指标所带来的误差,并为治理和预防企业危机提供新的视角,其预测性也为企业治理提供了行动期。其次,本文采取2005-2015年的中国工业企业数据库和2005-2020年国泰安数据库中的上市公司数据,避免低估陷入困境企业的债务融资危机。上市公司的数据虽然比较全面、维度较多且更新比较及时,但是上市公司的平均经营和盈利水平具备明显优势,会使得危机企业的识别结果过于乐观,且不能排除一部分上市公司可能会通过操纵企业最终一年或某年的利润避免被强制退市的嫌疑。再次,在数据预处理方面,着重考虑了国家政策对企业陷入危机的影响,添加了中国工业企业数据库中的一些新的量化指标（例如:企业研发投入、政府补贴等）;兼顾创新创业企业在初期不易产生正向盈利问题,所以只需要要求其净资产连续实现正增长,并对公益性企业进行剔除;辨析了企业财务危机和经营困境的异同,并对传统的财务危机判定方法予以对比和补充。最后,在识别结果上,考虑了企业盈利状况的稳定性,采取多年识别结果进行平滑和判定,避免企业的偶然盈利而出现第二类错误（Imai,2016）。研究发现,Logistic模型的整体正确率为88.145%,BP神经网络的整体正确率为94.845%,较传统的预警模型提高14%-20%的准确率,且具有较好的预测性。危机企业和健康企业在偿债能力、获利能力、现金流能力、发展潜力方面存在显著差异。获利能力和发展潜力是判定企业是否为危机企业的最重要属性,当前获利能力较低和未来发展潜力较小的企业容易成为危机企业。除此之外,现金流能力、偿债能力和资本结构这三者相互影响,这三个指标是衡量企业当前资金状况的重要指标。并按年份、产品类型、企业地域、企业性质、企业年龄等方向进行分类,对危机企业的分布特征做进一步刻画。危机企业2009年占比14.7%,减少到2012年的10%,然后逆转趋势,上涨到2015年的15.6%。行业上危机企业主要分布在钢铁、房地产、建筑业等重工业企业和劳动密集型行业;地域上中西部等经济待发展地区危机企业比例较大;国有企业绝对是危机企业的“中流砥柱”;30年以上老牌企业被时代的洪流抛弃成为危机企业的可能性较大。