導(dǎo)語(yǔ)：上市企業(yè)財(cái)務(wù)預(yù)警模型發(fā)展思路一文來(lái)源于網(wǎng)友上傳，不代表本站觀點(diǎn)，若需要原創(chuàng)文章可咨詢(xún)客服老師，歡迎參考。

摘要:本文的起始點(diǎn)為企業(yè)風(fēng)險(xiǎn)和預(yù)警的概念,總結(jié)風(fēng)險(xiǎn)預(yù)警管理在歷史階段內(nèi)的發(fā)展?fàn)顩r，并針對(duì)現(xiàn)階段國(guó)內(nèi)外較為主流的企業(yè)風(fēng)險(xiǎn)預(yù)警模型展開(kāi)系統(tǒng)性分析。共用4種方法展開(kāi)研究，該研究指出當(dāng)下研究缺陷的同時(shí)分析了將來(lái)風(fēng)險(xiǎn)預(yù)警管理模型研究的基本走向。

關(guān)鍵詞:SVM；ANN；財(cái)務(wù)風(fēng)險(xiǎn)；預(yù)警模型

1引言

企業(yè)財(cái)務(wù)預(yù)警需要定位好企業(yè)經(jīng)營(yíng)及管理所處的真實(shí)狀態(tài),定位的依據(jù)是相關(guān)企業(yè)財(cái)務(wù)報(bào)表和經(jīng)營(yíng)數(shù)據(jù)。一元判別法(單變量模型)(FitzPatrick,1932)是較傳統(tǒng)的企業(yè)預(yù)警模型，其通過(guò)單變量來(lái)判斷企業(yè)狀態(tài),對(duì)企業(yè)財(cái)務(wù)特點(diǎn)的描述存在局限之處，僅采用了單一指標(biāo)。后續(xù)，z-score多元判別模型實(shí)現(xiàn)了突破，引入了多元線性判別式，通過(guò)此途徑計(jì)算判別分即Z值，以其為判斷依據(jù)。該模型成為典型的對(duì)財(cái)務(wù)危機(jī)、破產(chǎn)等情況進(jìn)行預(yù)測(cè)的模型，克服了一元判別分析法的不足。

2國(guó)內(nèi)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警發(fā)展歷程

相較于國(guó)外的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警發(fā)展歷程，我國(guó)在此方面的起步較遲，最初可追溯至20世紀(jì)80年代，發(fā)展初期的預(yù)警系統(tǒng)更加注重宏觀經(jīng)濟(jì)預(yù)警功能，由于社會(huì)經(jīng)濟(jì)的持續(xù)發(fā)展，后續(xù)逐步滲透至企業(yè)預(yù)警領(lǐng)域，具有定性與定量相結(jié)合的特征。微觀經(jīng)濟(jì)視域下，企業(yè)的發(fā)展環(huán)境日益復(fù)雜，伴有各類(lèi)不確定因素，企業(yè)迎來(lái)全新的發(fā)展挑戰(zhàn)，此時(shí)給企業(yè)預(yù)警系統(tǒng)的發(fā)展創(chuàng)設(shè)了良好的契機(jī)，人們對(duì)其的重視程度較以往明顯提高。學(xué)界對(duì)于企業(yè)預(yù)警的研究工作中，以佘廉教授頗具代表性，其提出的企業(yè)逆境管理理論為該領(lǐng)域的研究引領(lǐng)了新的方向，同時(shí)創(chuàng)建企業(yè)預(yù)警管理體系，提高了企業(yè)預(yù)警管理的地位。

3國(guó)內(nèi)外財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警的研究評(píng)價(jià)

3.1國(guó)外財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警的研究評(píng)價(jià)

單變量判定模型是極為典型的靜態(tài)模型，但其指標(biāo)數(shù)量較少、覆蓋面不足，導(dǎo)致在實(shí)際應(yīng)用中存在明顯的局限性，負(fù)債的流動(dòng)性并未考慮在內(nèi)。此時(shí)，在面向短期償債能力不足的企業(yè)時(shí)易作出誤判，而通過(guò)單項(xiàng)財(cái)務(wù)比率并不能全方位反映出企業(yè)的運(yùn)營(yíng)狀況。相較之下，多元線性判定模型則實(shí)現(xiàn)了從單變量向多變量的轉(zhuǎn)變，其對(duì)于財(cái)務(wù)指標(biāo)樣本所提出的要求是其必須服從多元正太分布，并且各變量均不可作為剩余變量的線性組合?，F(xiàn)階段，二元選擇模型已經(jīng)形成體系，其中以Logistic模型和Probit模型最具代表性，企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警研究中則以Logistic模型的應(yīng)用最為廣泛，原因在于其邏輯概率分布函數(shù)與正態(tài)分布的密度函數(shù)表現(xiàn)出較高的相似性，并且可滿足快速計(jì)算的要求。

3.2國(guó)內(nèi)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警的研究評(píng)價(jià)

縱觀國(guó)內(nèi)發(fā)展?fàn)顩r，分析財(cái)務(wù)報(bào)表是最為典型的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警系統(tǒng)研究方式，具體包含神經(jīng)網(wǎng)絡(luò)、功效系數(shù)法等，但普遍缺乏適用性?，F(xiàn)階段，國(guó)內(nèi)企業(yè)的財(cái)務(wù)報(bào)表具有較為顯著的階段性特征，在財(cái)務(wù)危機(jī)的征兆方面缺乏明確的指向性，預(yù)警的意義偏弱，且多數(shù)研究都局限在企業(yè)是否會(huì)爆發(fā)財(cái)務(wù)危機(jī)的層面，對(duì)于預(yù)警系統(tǒng)的認(rèn)知不足，難以創(chuàng)建完善的預(yù)警系統(tǒng)，導(dǎo)致財(cái)務(wù)危機(jī)的發(fā)生概率較大。

3.3國(guó)內(nèi)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警的發(fā)展思路

(1)以現(xiàn)階段的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警指標(biāo)為基礎(chǔ)，結(jié)合實(shí)際情況對(duì)其采取合適的修改措施，創(chuàng)建完整的年度財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警指標(biāo)體系。(2)市場(chǎng)環(huán)境在各階段都存在顯著的變化，此時(shí)以企業(yè)內(nèi)部管理者的需求為立足點(diǎn)，創(chuàng)建面向該群體的資產(chǎn)風(fēng)險(xiǎn)預(yù)警系統(tǒng)，以便給各月度的風(fēng)險(xiǎn)監(jiān)控工作提供支持。資產(chǎn)風(fēng)險(xiǎn)反映的是企業(yè)在某個(gè)特定階段內(nèi)由于資產(chǎn)管理不妥等多重因素而造成損失的可能性，具體包含成本損失、壞賬損失、降壓損失等，管理者利用資產(chǎn)風(fēng)險(xiǎn)預(yù)警系統(tǒng)盡可能減少資產(chǎn)風(fēng)險(xiǎn)。

4企業(yè)預(yù)警管理的演化過(guò)程

如圖1,針對(duì)企業(yè)危機(jī)展開(kāi)管理即危機(jī)管理。它屬于事后應(yīng)急性的處理，專(zhuān)注于發(fā)生危機(jī)后迅速作出應(yīng)對(duì)。而危機(jī)往往是突然發(fā)生的，是企業(yè)必須應(yīng)對(duì)和管理的且常導(dǎo)致較大金額的財(cái)產(chǎn)損失。因此，我們要求危機(jī)管理應(yīng)迅速。隨著其事后性弱點(diǎn)被逐漸發(fā)現(xiàn)，一些學(xué)者和企業(yè)已經(jīng)開(kāi)始思索并嘗試改善，將把握風(fēng)險(xiǎn)向前拓展。而很早就存在“風(fēng)險(xiǎn)”一詞，風(fēng)險(xiǎn)管理是過(guò)程管理，應(yīng)在企業(yè)運(yùn)作進(jìn)行時(shí)控制不利結(jié)果。通常在產(chǎn)生風(fēng)險(xiǎn)的初期立即介入,以達(dá)到及時(shí)阻斷或消滅的效果。風(fēng)險(xiǎn)管理集中在損失上，由通過(guò)概率可進(jìn)行分析的不確定性引起。對(duì)多樣的不確定性和其結(jié)果視而不見(jiàn)，不單會(huì)產(chǎn)生虧損，還要考慮現(xiàn)實(shí)的機(jī)會(huì)。風(fēng)險(xiǎn)預(yù)警標(biāo)志著風(fēng)險(xiǎn)管理走上了新的臺(tái)階,它的主動(dòng)性和對(duì)集成風(fēng)險(xiǎn)管理的改進(jìn),使風(fēng)險(xiǎn)預(yù)警研究日益形成體系。

5模型構(gòu)建與研究思路

在對(duì)偶理論中，確定系數(shù)的方式可通過(guò)二次規(guī)劃問(wèn)題求得：判斷輸入指標(biāo)和輸出結(jié)果的關(guān)系，當(dāng)兩者表現(xiàn)出非線性特征時(shí)，則要及時(shí)更改輸入空間，將其轉(zhuǎn)變?yōu)楦呔S空間，并進(jìn)一步確定最優(yōu)線性分類(lèi)。若要實(shí)現(xiàn)非線性變化，較為關(guān)鍵的途徑是定義相應(yīng)的核函數(shù)。從現(xiàn)階段的理論研究成果來(lái)看，核函數(shù)有如下三種：本文采用了3種方法：(1)確定樣本數(shù)據(jù)；(2)借助主成分分析(ANN)的途徑深入解讀樣本數(shù)據(jù)；(3)借助SVM完成企業(yè)預(yù)警模型的構(gòu)建。該模型的兩部分分別為上述(2)和利用SVM進(jìn)行的分類(lèi)。作為ANN，其基礎(chǔ)想法是：少數(shù)幾個(gè)隱性的主成分(因子)、和以正交為特征的線性組合代表著先前多個(gè)變量，這樣就不會(huì)選取過(guò)多變量且更具獨(dú)立性，可將具有代表性的變量(具有表征能力、蘊(yùn)含信息豐富)歸納于一體。這種有效的工具能夠減少數(shù)據(jù)維數(shù)，用簡(jiǎn)單的數(shù)據(jù)來(lái)表示復(fù)雜數(shù)據(jù)，從而后續(xù)能更好地做好分類(lèi)、處理等相關(guān)工作。SVM指的是統(tǒng)計(jì)學(xué)習(xí)方法，在其支持下可判別模式的具體類(lèi)型，對(duì)解決小樣本問(wèn)題具有更好的適用性。輸入空間內(nèi)的問(wèn)題在得到非線性轉(zhuǎn)換后，能夠有效遷移至高維度空間內(nèi)，此時(shí)線性從原本的不可分轉(zhuǎn)變?yōu)榭煞值奶攸c(diǎn)，進(jìn)而形成最佳線性分類(lèi)面，而這正式SVM的核心。簡(jiǎn)言之，通過(guò)財(cái)務(wù)指標(biāo)對(duì)區(qū)分企業(yè)狀態(tài)才是企業(yè)財(cái)務(wù)預(yù)警問(wèn)題的本質(zhì)，故通過(guò)ANN與SVM聯(lián)合組建模型可達(dá)成企業(yè)財(cái)務(wù)預(yù)警目標(biāo)。本次研究以酒類(lèi)行業(yè)17家上市公司為基本對(duì)象，選取其在2015～2019年期間內(nèi)的年報(bào)財(cái)務(wù)數(shù)據(jù)，之所以做出此選擇，原因在于：(1)企業(yè)財(cái)務(wù)報(bào)表可靠、真實(shí)；(2)通過(guò)原始數(shù)據(jù)來(lái)評(píng)判能使統(tǒng)計(jì)方法不同造成的誤差降低；(3)財(cái)務(wù)比率因行業(yè)不同而不同，選用同一酒類(lèi)行業(yè)的企業(yè)能去掉這種差異，且宏觀經(jīng)濟(jì)景氣循環(huán)很少會(huì)影響該行業(yè)。從我國(guó)證券市場(chǎng)的發(fā)展?fàn)顩r來(lái)看，鮮有公司破產(chǎn)，此時(shí)可以對(duì)ST類(lèi)公司作進(jìn)一步的認(rèn)知，將其視為“財(cái)務(wù)危機(jī)(失敗)”企業(yè)更貼合實(shí)際情況。并且，還有一些企業(yè)被認(rèn)為是“有潛在危機(jī)的企業(yè)”，它們雖不是ST企業(yè)，但對(duì)其財(cái)務(wù)指標(biāo)具體情況和專(zhuān)家意見(jiàn)進(jìn)行綜合分析后察覺(jué)其經(jīng)營(yíng)狀況并不佳。一些樣本中某些值和平均值相差甚遠(yuǎn)，對(duì)于此類(lèi)不具備使用價(jià)值的數(shù)值，均將其剔除，最終得到87個(gè)企業(yè)樣本，具體情況為：經(jīng)營(yíng)狀況良好的有48個(gè)，ST企業(yè)有20個(gè)，非ST企業(yè)有19個(gè)?，F(xiàn)階段，國(guó)有績(jī)效評(píng)價(jià)指標(biāo)體系得到廣泛應(yīng)用，以此為基本依據(jù)，綜合考慮各類(lèi)破產(chǎn)公司的特點(diǎn)(例如不具備償清到期債務(wù)的能力)，此處對(duì)研究對(duì)象加以細(xì)分，得到以?xún)攤芰?、發(fā)展能力為代表的共計(jì)17項(xiàng)財(cái)務(wù)比率指標(biāo)。

6實(shí)證研究及分析

基于SPSS統(tǒng)計(jì)軟件，對(duì)整理所得的樣本集展開(kāi)主成分分析。

6.1原始比率變量分析

先將主成分提取出來(lái)并減小維數(shù)，使各輸入值間存在較低相關(guān)性，再初步進(jìn)行主成分分析：(1)共創(chuàng)建17項(xiàng)財(cái)務(wù)比率指標(biāo)，彼此存在互相關(guān)系數(shù)，并表現(xiàn)出較為顯著的高冗余程度的特點(diǎn)，可簡(jiǎn)化；(2)較強(qiáng)相關(guān)比率：流動(dòng)比率(X1)和速動(dòng)比率(X2)兩者間產(chǎn)生的相關(guān)系數(shù)達(dá)到0.78，表明其關(guān)聯(lián)程度較高，也與二者比率組成相對(duì)應(yīng)；流動(dòng)資產(chǎn)周轉(zhuǎn)率(X9)和總資產(chǎn)周轉(zhuǎn)率(X11)相關(guān)系數(shù)為0.806，表明兩者具有顯著的相關(guān)性；主營(yíng)業(yè)務(wù)利潤(rùn)率(X13)和成本費(fèi)用利潤(rùn)率(X14)相關(guān)系數(shù)高達(dá)0.85，充分說(shuō)明兩者具有顯著的相關(guān)性；此外，凈資產(chǎn)收益率(X15)和每股收益(X16)、固定資產(chǎn)周轉(zhuǎn)率(X10)與總資產(chǎn)周轉(zhuǎn)率(X11)都存在較高的關(guān)聯(lián)程度，各自的相關(guān)系數(shù)分別為0.719、0.696；(3)X6與X13(0.544)、X6與X14(0.48)、X8與X9(0.522)之間的相關(guān)系數(shù)在0.5上下，較小的相關(guān)性表明企業(yè)各能力間的關(guān)系有多余部分；(4)股東權(quán)益比率X6和總資產(chǎn)收益率X17兩者的相關(guān)系數(shù)達(dá)到0.645，由此進(jìn)一步說(shuō)明長(zhǎng)期償債能力與盈利能力的關(guān)系，即具有較密切的關(guān)聯(lián)。(5)營(yíng)運(yùn)能力與盈利能力雖然具有關(guān)聯(lián)但較為微弱，其相關(guān)系數(shù)偏小，短期償債能力與長(zhǎng)期償債能力的關(guān)系較為特殊，表現(xiàn)出負(fù)相關(guān)性。

6.2主成分選擇及解釋

以主成分的特征值為分析對(duì)象，大于1即可選擇，并且共產(chǎn)生了5個(gè)主成分因子，需從17項(xiàng)原始財(cái)務(wù)比率指標(biāo)入手，探討其對(duì)于各主成分因子的因子載荷(具體指的是原始指標(biāo)與主成分因子兩者間所產(chǎn)生的相關(guān)系數(shù))，以便更有效的說(shuō)明5個(gè)因子。根據(jù)因子負(fù)荷矩陣：(1)X13、X17、X15、X16、X14、X6可用于說(shuō)明主成分F1，其他指標(biāo)遠(yuǎn)小于此處所提及的6個(gè)比率的因子載荷量，可作為長(zhǎng)短期償債能力、盈利能力的主要表征。(2)X1、X2、X4、X5、X8、X9、X11主要說(shuō)明主成分F2，其各自的因子載荷量也相對(duì)較高，明顯超出其他指標(biāo)，因此可作為長(zhǎng)短期償債能力和營(yíng)運(yùn)能力的表征。(3)X5、X10和X11的共同特性在于均可說(shuō)明主成分F3，其表征的是長(zhǎng)期償債能力、企業(yè)營(yíng)運(yùn)能力。(4)X12、X3的共同特性在于均可說(shuō)明主成分F4，其表征的是短期償債能力和營(yíng)運(yùn)能力。(5)X7則說(shuō)明主成分F5，反映出企業(yè)營(yíng)運(yùn)能力。

6.3建立模型識(shí)別部分

實(shí)驗(yàn)1采取的是二類(lèi)劃分的方法，將總體訓(xùn)練樣本細(xì)分為2類(lèi)(正常、報(bào)警)，挑選3類(lèi)樣本(正常、關(guān)注和報(bào)警)，在此基礎(chǔ)上展開(kāi)測(cè)試。具體如表1。分析：在正常類(lèi)樣本中的識(shí)別正確率可達(dá)到100%，并且在關(guān)注類(lèi)樣本的識(shí)別中也可達(dá)到該效果，在識(shí)別報(bào)警類(lèi)測(cè)試樣本后，所得結(jié)果為關(guān)注。從而得到正常與關(guān)注的區(qū)別特征，并作為分類(lèi)識(shí)別的支持。選擇支撐向量機(jī)，有助于分析財(cái)務(wù)數(shù)據(jù)分類(lèi)的使用情況，即是否可有效應(yīng)用于現(xiàn)實(shí)。實(shí)驗(yàn)2采取的是三類(lèi)劃分方法，將總體訓(xùn)練樣本細(xì)分為3類(lèi)(正常、關(guān)注和報(bào)警)，由此展開(kāi)測(cè)試，具體內(nèi)容見(jiàn)表2。分析：在正常類(lèi)樣本中的識(shí)別正確率可達(dá)到100%，并且在關(guān)注類(lèi)樣本的識(shí)別中也可達(dá)到該效果；關(guān)注類(lèi)樣本中：除2個(gè)正確識(shí)別的外，還存在被誤識(shí)別為正常和報(bào)警的情況，共計(jì)2個(gè)；該測(cè)試結(jié)果能夠被接受，主要原因子在于企業(yè)樣本自身不具備有效區(qū)分的條件。而c(c-1)/2個(gè)2類(lèi)SVM分類(lèi)器共同構(gòu)成了SVM的c類(lèi)劃分，局限之處在于各SVM只具備區(qū)分2類(lèi)的能力，難以全面的區(qū)分問(wèn)題是否會(huì)發(fā)生。

6.4結(jié)果分析

(1)對(duì)企業(yè)狀態(tài)進(jìn)行判定識(shí)別，就要了解SVM獲取樣本的規(guī)律所在。借助線性判別式或僅憑靠有限樣本獲得的得分來(lái)決定評(píng)價(jià)標(biāo)準(zhǔn)都有其不足之處。此外，BP神經(jīng)網(wǎng)絡(luò)進(jìn)行區(qū)分的水平確實(shí)不如SVM。(2)Y分?jǐn)?shù)模型較為模糊，缺乏詳盡的內(nèi)容，應(yīng)全面收集行業(yè)企業(yè)的各相關(guān)數(shù)據(jù)。樣本分布和數(shù)量都受到一定約束，在單個(gè)行業(yè)中無(wú)法固定下來(lái)可作為分類(lèi)依據(jù)的有效F值。本文選擇的ANN-SVM模型中SVM內(nèi)部參數(shù)經(jīng)一次計(jì)算即可固定，涵蓋了樣本類(lèi)別的規(guī)律。SVM小樣本分類(lèi)進(jìn)行區(qū)分的能力很強(qiáng)，故無(wú)需在大的范圍內(nèi)搜集統(tǒng)計(jì)數(shù)據(jù)，直接建模再做判斷就好。(3)分析實(shí)驗(yàn)結(jié)果可知：訓(xùn)練樣本一經(jīng)明確，不同種類(lèi)企業(yè)的財(cái)務(wù)數(shù)據(jù)特點(diǎn)就無(wú)法被BP神經(jīng)網(wǎng)絡(luò)迅速獲取。(4)ANN-SVM模型將人工智能算法與傳統(tǒng)方法進(jìn)行了聯(lián)結(jié)，建構(gòu)了新型專(zhuān)家系統(tǒng)，發(fā)揮著一定功效。但其仍有不足，表現(xiàn)在樣本數(shù)量從根本上制約著ANN-SVM模型，如：無(wú)法達(dá)到完全正確，多類(lèi)劃分不夠精準(zhǔn)等。同時(shí)，它還暴露出多變量模型在樣本一樣多的情況下不能使用、分類(lèi)特點(diǎn)不可被BP神經(jīng)網(wǎng)絡(luò)獲取等弊端。值得注意的是，一旦條件相同，SVM就能表現(xiàn)出同樣的效果，這是為大多數(shù)人所接受的部分。

7結(jié)束語(yǔ)

由一系列實(shí)證分析可知，單元和多元判別模型方法及構(gòu)建判別模型的重要前提在于線性函數(shù)等的約束安全被ANN-SVM模型打破。訓(xùn)練樣本夠多才可利用BP神經(jīng)網(wǎng)絡(luò)的問(wèn)題也得到了解決。在方法上，樣本數(shù)據(jù)借助非線性函數(shù)即可被很好擬和，具有創(chuàng)新性。此外，同其他方法相比，SVM模型還具有在樣本較小的情況下依然能保證預(yù)測(cè)精準(zhǔn)程度的獨(dú)特優(yōu)勢(shì)。

參考文獻(xiàn):

[1]石先兵.基于PCA-SVM的企業(yè)財(cái)務(wù)危機(jī)預(yù)警模型構(gòu)建[J].財(cái)會(huì)通訊,2020(10):131-134.

[2]周文娟.我國(guó)中小企業(yè)財(cái)務(wù)預(yù)警系統(tǒng)模型的構(gòu)建[J].科技創(chuàng)新導(dǎo)報(bào),2019,16(36):156-157.

[3]祁新,柏廣才.基于創(chuàng)新視角的中小企業(yè)財(cái)務(wù)危機(jī)預(yù)警模型構(gòu)建[J].商業(yè)會(huì)計(jì),2019(3):44-46,43.

[4]程芳,李紅麗,邵丹蕾.制造企業(yè)財(cái)務(wù)危機(jī)預(yù)警模型構(gòu)建[J].新理財(cái),2018(8):50-51.

[5]萬(wàn)庭君.財(cái)務(wù)危機(jī)預(yù)警模型的構(gòu)建及其對(duì)A企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)診斷[D].南昌：東華理工大學(xué),2018.

[6]柳本民,閆寒.基于SVM事故分類(lèi)的連環(huán)追尾事故影響因素分析[J].交通信息與安全,2020(3):9-11.

[7]方紅幃,趙濤,佃松宜.基于三域特征提取和GS-SVM的ECG信號(hào)智能分類(lèi)技術(shù)研究[J].四川大學(xué)學(xué)報(bào)(自然科學(xué)版),2020(2):297-303.

[8]李鵬飛,王青青,毋建宏,陳華雪.基于BP神經(jīng)網(wǎng)絡(luò)、ARIMA和LS-SVM模型的集成預(yù)測(cè)研究—1978-2017年陜西省蘋(píng)果產(chǎn)量實(shí)證[J].江蘇農(nóng)業(yè)科學(xué)，2020(2)：27-29.

作者：徐欣欣 單位：咸陽(yáng)職業(yè)技術(shù)學(xué)院