基于机器学习的中国农业上市公司融资效率分析

摘要

农业企业在中国经济发展中发挥着重要作用。然而，与其他企业相比，农业企业面临严重的财务问题。融资难度基本上是融资效率的问题。Based on the DEA method, this paper evaluates the financing efficiency of 39 agricultural listed companies in China from 2013 to 2017. The results suggest that the financing efficiency is generally low, and the Total Factor Productivity of agricultural enterprises’ financing has a tendency to decrease first and then increase. The influencing factors of financing efficiency are analyzed using the Tobit regression model and the random forest regression model. And we find the following: (1) The random forest regression model significantly outperformed the Tobit regression model, with determination coefficients (R²)在全样本集中大于0.9。(2)负债总额、财务费用、总资产收益率、存货周转率是影响农业上市公司融资效率的重要因素。(3)总资产收益率和存货周转率提高了融资效率，而总负债和财务费用降低了融资效率。最后，本文对农业企业融资提出了一些建议。

1.介绍

农业不仅为我们提供食品和服装，而且还为我们提供了工业发展所需的能源和化学原料。它是一个与经济发展和社会稳定有关的基本行业。农业企业是现代农业产业体系中最重要的组织和连通农民和市场的重要桥梁。农业企业比其他企业更难以运营，特别是在中国等发展中国家[1］.它们不仅受到社会因素的影响，而且受到自然因素的影响，特别是天气。在恶劣天气的影响下，农业企业可能会受到无法控制的因素，可以增加企业失败的风险和违约[2]. 因此，农业企业往往面临更加严峻的融资问题[3.]. 人们普遍认为，公共部门资金是促进农业进步的更有效措施[4］.然而，政府的资金往往是有限的。提高农业企业的外部融资能力和融资效率至关重要。对农业融资的研究主要集中在融资结构、融资模式、农业金融政策等方面[5- - - - - -12］.Abate等[6]分析了机构金融对埃塞俄比亚农业技术采用的影响，结果表明，对机构金融的获取对农民采用农业技术产生了重大积极影响。但是，很少有学者注意农业企业的融资效率。

融资效率是估计企业使用其资金效率的关键指数。从文献来看，我们注意到企业融资效率的研究可分为包括地区的三个观点[13，14]，工业[15- - - - - -17)和资本市场[18，19］.耿等。[13]，基于Malmquist指数模型对江苏机械制造业上市公司融资效率进行了评价。Ma et al. [17]对光伏行业LED照明行业21家上市公司的融资效率进行了分析，结果表明，融资效率呈现上升趋势，但整体水平较低。Dong等人[18]对2008 - 2014年沪深两市300家上市公司的融资效率进行了分析，结果表明，中国上市公司的融资效率普遍较低。数据包络分析(Data envelopment analysis, DEA)最早由Charnes等人提出，是评估融资效率的常用方法[20.］.与其他方法相比，DEA方法有很多优点:不需要估计生产函数，能够处理多个投入和产出，能够分析各评价单元低效的原因。以往的研究也考察了内部和外部因素对企业融资效率的影响。内部因素主要包括资本结构、融资成本、融资方式、资产性质、企业年龄、企业规模等[21- - - - - -25］.外部因素主要包括宏观经济形势、金融发展、外部金融支持、法律环境、市场竞争、企业间信任等[26- - - - - -29]. 线性回归模型一直是分析融资效率影响因素最常用的方法。随着计算机技术的发展，机器学习和博弈论在经济领域的应用逐渐增多，但在企业融资领域的研究还很少[30.- - - - - -33］.

本文选取上海证券交易所和深圳证券交易所2013-2017年的39家农业上市公司，运用DEA模型对我国农业上市公司的融资效率进行了评价，探讨了内外部因素对融资效率的影响。我们从三个方面对现有关于企业融资效率的文献做出了贡献。首先，我们单纯关注农业企业，希望本文的研究能够有助于提高农业企业融资效率的整体水平。许多研究集中于区域、行业和资本市场的融资效率。到目前为止，关于农业企业融资效率的研究相对较少[29］.其次，我们计算中国股市农业上市公司的融资效率。中国的农业企业是我们目的的重要案例研究。中国是一个拥有丰富农业资源的大农业，农业历史悠久，农村历史悠久。现在，超过20％的中国人口仍然存在于农场。2016年，中国农业产业化组织数量达到417,000，同比增长8.01％。农业产业化是中国农业的发展方向，农业企业的发展与中国农业的长期发展有关．我们的第三种贡献是方法论。近年来，博弈论和机器学习等方法在经济学领域应用了越来越多，但很少有人将它们应用于融资效率的分析[34- - - - - -37］.随机森林是Leo Breiman提出的分类和回归的集合机器学习方法[38］.它已被证明是一种有效的分析工具，用于研究预测因子与响应之间的关系，因为其卓越的解释，可视化和处理复杂非线性的能力[39- - - - - -41]. 利用随机森林回归模型探讨了内外部因素对融资效率的影响，并与计量经济回归分析结果进行了比较。本文不仅提供了机器学习方法在融资效率研究领域的应用实例，而且对我国农业上市公司融资效率的实证分析具有现实意义。

本文的其余部分组织如下。部分2介绍了本文所用的模型。部分3.描述关键变量和数据源。部分4提供了实证结果和讨论，包括对农业企业融资效率的评价及其影响因素的研究。第四部分是结论和政策建议5．

2.方法

2.1。DEA模型

Charnes等人介绍的数据包络分析（DEA）[20.]是一种非参数方法，用于测量具有多个输入和多个输出的被分析对象的相对效率。与其他效率度量方法不同，DEA模型将DMU视为一个“黑箱”。在使用DEA模型之前，我们不需要确定输入和输出指标之间的函数关系。该方法引入线性规划来构造观测数据的非参数分段曲面，然后计算相对于该边界的效率。

根据这些假设，DEA模型可分为两类：常量返回刻度（CRS）和变量返回到比例（VRS）。VRS是对CRS模型的改进，用于解释可变规模收入。当企业对最佳刻度操作不满意时，VRS可以避免技术效率和比例效率的测量结果之间的混淆。显然，我们应该使用VRS模型研究农业企业的融资效率。

假设有决策单元(dmu)，每个决策单元具有投入和输出。让 和 为dmu的输入向量和输出向量 ，分别。的 输入矩阵和 输出矩阵代表所有决策单位的数据。DEA模型可以如下所示： 在哪里θ表示DMU的效率得分和表示DMU的重量一世. 当决策单元θ等于1，DMU是有效的;即，其输入和输出已达到生产系统中的最佳组合。

2.2. Malmquist指数模型

马尔姆奎斯特[41]首先提出了Malmquist指数，并利用该方法对消费行为进行了分析。根据Malmquist的工作，Caves等人[42]提出了1982年的Malmquist生产力指数。Malmquist生产力指数是一种测量总系数生产率（TFP）的有效方法。从T期到T + 1的MalmQuist生产力指数可以写入如下： 在哪里 ， 分别为周期t的输入向量和输出向量。 和 表示周期t和t+1的DMU的距离函数，当周期T.作为参考。

Färe等人[43]改进了模型，将全要素生产率(TFP)分解为效率变化(EC)和技术变化(TC)。公式如下:

技术变化率(TC)可分为纯技术效率变化(PTEC)和规模效率变化(SEC)。公式如下:

2.3。Tobit回归模型

的融资效率的值是0和1之间，这是截断数据。当我们使用资金效率作为因变量来分析融资效率的各种因素的影响，也有可能被偏置，并通过普通的线性回归估算不一致的结果。托比特回归模型，也称为删失回归模型，被设计来估计变量之间的线性关系时，有在从属变量或者是左或右删失[44］.所以我们可以用这种方法来解决上述问题。模型如下: 在哪里是依赖变量，是潜变量,，为自变量，是参数向量，和 是一种随机的扰动。

２.４.随机森林回归模型

随机森林是一种极好的机器学习方法，它作为集成学习用于分类和回归[38］.它包含人工重复采样方法培训了决策树。当输入要回归的样本，最终回归的结果是由这些决策树的输出的投票决定。随机森林克服过度拟合的问题，并具有良好的耐受噪音和异常值。它是通过拟合的树木合奏稳定模型估算优化预测准确度完全非参数统计方法。

生成随机林的步骤可以表示如下：（1）采用自举重采样方法进行随机提取从原始训练集中提取样本，然后生成回归树。（2）对于每个bootstrap样本，将生长一棵未修剪的回归树。在每个节点上随机选择m个预测器，并在这些预测器中选择最佳分割。（3）通过聚合预测来预测新数据树木（即，回归平均值）。

均方误差（MSE）和决策系数（r²)用作评估模型误差的标准。计算公式如下： 在哪里为因变量的实际值，因变量的预测值是，和是因变量的平均值。

3.指标选择和数据来源

3.1。融资效率评估变量

选择最佳指标是使用DEA模型分析农业上市公司融资效率的铰链。在本文中，我们选择总资产，运营成本和股权作为输入指标，选择资产周转率，每股收益和普通股权股权（ROE）作为产出指标。（1）总资产(X₁). 总资产是反映企业融资能力的指标。一般认为，企业总资产越大，企业规模越大，企业融资能力越强。（2）运营成本（X₂）．运营成本是指与公司主要经营活动相关的成本。该指标可用于指示公司资金的使用。通常，企业的运营成本越高，企业的资本使用成本越高。（3）权益比率（X_3.）．股权比例是总负债与所有者权益之比。它是衡量资本结构的合理性的重要指标。企业的持股比例越低，其较强的长期偿债能力。(4)资产周转率（Y.₁）．资产周转率衡量的是一个公司利用其资产产生销售的效率比率。它可以作为评价企业资产管理质量和利用效率的指标。(5)每股收益（Y）₂）．每股收益是一种财务比率，它衡量的是每股净收益。每股收益越大，企业的股权融资能力越强。(6)普通股股东权益报酬率(Y_3.). 普通股股东权益回报率的计算方法是将扣除利息、税费和优先股息后的净收入除以普通股股东权益平均值。普通股股东权益报酬率越高，投资者的回报率越高，企业的盈利能力越强。该指标可用于反映企业使用自有资金的效率。

在DEA模型中，选择的指标的值应该是正的，但本文选择的一些值是负的，所以数据需要无量纲化。方法如下: 在哪里 ， 和分别为每个变量的最小值和最大值。

3.2。回归变量

多个线性回归模型建立在（12). 本文以DEA模型计算的融资效率为因变量。选择总负债、财务费用、总资产收益率、存货周转率、农业生产资料价格指数和国内生产总值（GDP）来考察这些因素对农业企业融资效率的影响。（1）总负债(TL)。负债总额是指农业企业负有责任的债务总额。债务管理是农业企业经营的重要手段。它可以缓解农业企业的融资困难，扩大农业企业的生产规模，提高农业企业的市场竞争力，促进农业企业的快速发展，但当总负债过高时，农业企业将面临更多的财务风险。（2）财务费用（FE）。财务费用是指企业所产生的费用，以提高其运作所需的资金。它是用于反映企业筹集资金的成本的指标。一般来说，财务费用越高，企业融资成本越高。（3）返回总资产（RT）。盈利能力是企业偿还债务能力的衡量标准。强的盈利能力意味着企业可以获得更好的回报，并能够按时偿还债务[45]. 因此，盈利能力是影响企业融资效率的间接因素。反映企业盈利能力的指标包括毛利率、净利润率、净资产收益率、总资产收益率和每股收益。总资产收益率是上市公司的一项重要指标，它能够反映企业资产运营的效率，评价企业的资产管理能力。(4)存货周转率。周转率指标通常用来表示企业的经营效率，包括应收账款周转率、存货周转率、流动资产周转率、固定资产周转率、总资产周转率。库存周转率是衡量企业将库存转化为销售效率的重要指标。一般来说，存货周转率越高，存货占用水平越低，流动性越强，这将提高企业的短期偿债能力和盈利能力。(5)农业生产手段（PI）的价格指数。农业生产措施的价格指数措施农业生产材料价格水平的变化。农业生产手段主要包括农业手工工具，饲料，动物产品，半机械化的农具，机械化农场工具等。农业生产手段的价格越高，农业企业的市场需求越高，农业企业的盈利能力越高。(6)国内生产总值（GDP）。GDP是一个国家在特定时间段内在其境内生产的所有最终产品和服务的总价值。它经常被用作衡量一个国家经济状况的指标。

为了满足实质性的要求，总责任，财务费用和G​​DP的解释性变量是对数转换的。通过采用自然对数标准化因素。影响因素对农业企业融资效率影响的模型如下： 式中，TE为DEA模型计算的农业企业融资的综合技术效率（TE）值，表示截距项， 代表变量的回归系数，和是回归模型的残余项。由于财务费用涉及负数，以便于对数，财务费用如下翻译： 在哪里表示财务费用的原始价值，以及表示财务费用的折算值。

3.3。数据源

从2013年到2017年，我们选择了中国的农业上市公司。在选择过程中，被深圳证券交易所（SZSE）和上海证券交易所（SSE）和上海证券交易所（SSE）或缺乏所选择的变量值进行特别待遇的企业。最后，我们选择39家企业作为我们的样本。39个农业上市公司的信息如表所示1．数据主要来自万得金融终端(http://www.eastmoney.com)中国统计年鉴。

4.实证分析

4.1。描述性统计

在分析农业上市公司融资效率之前，将对相关变量进行描述性统计。表格2礼物描述性有关的所有农业上市公司和宏观经济指标的统计。

4.2. 基于DEA模型的融资效率测度

2013年至2017年中国农业上市公司的融资效率是通过使用DEA模型来衡量的。结果显示在表格中3.．我们可以看出，中国农业企业的融资效率一般低。综合技术效率（TE），纯技术效率（PE），和规模效率（SE）在2013-2016期间表现出显着的下降趋势。2013年融资效率从2013年的0.754的相对高的基数减少到2016年0.661。由于纯技术效率的增加，2016年的0.661升至2017年的0.730。在2013年和2017年之间的0.730期。融资高效企业分别为11,8,7,5和6。融资高效企业的比例分别为28.21％，20.51％，17.95％，12.82％和15.38％，表明70％以上的农业企业处于融资效率较低。从融资效率的分配，尺度效率和纯粹技术效率都小于0.9，这是融资效率低的主要原因。

4.3。基于因子总生产力的Malmquist指数测量

采用Malmquist指数模型对农业企业融资效率进行了分析。表中显示的结果4表明前3个时段的Malmquist指数分别为0.984、0.998和0.824，呈下降趋势。由于纯技术效率的提高，2016-2017年Malmquist指数上升至1.433，全要素生产率(TFP)增长率为43.3%。2013 - 2017年，农业企业融资的平均TFP为1.038，年均增长3.8%。从组成上看，技术变化、效率变化、纯技术效率变化和规模效率变化的年均增长率分别为-0.4%、4.1%、1.9%和-2.2%。结果表明，农业企业融资效率受到效率变化和纯技术效率变化的促进，受到规模效率变化的阻碍。

4.4。基于Tobit回归的影响因素分析

我们研究了影响因素对农业企业融资效率的影响，STATA 14软件。表中显示的结果5结果表明，除GDP外，其他五个影响因素均通过显著性检验，且Tobit回归的效果显著。

总责任对农业企业的融资效率产生了重大负面影响。总责任指标用于反映企业的责任规模。总资产增长1％导致农业企业融资效率下降0.152％。该结果与Pan等人的发现一致。中国的环保产业[22］.通过债务需要由企业获得的资金来偿还，这将减少企业的资本自由。因此，过度债务融资将会对农业企业的融资效率产生负面影响。

财务费用对农业企业融资效率有重大负面影响。财务费用增加1％，导致农业企业融资效率下降0.057％。这一结果与Gatti和Love（2010）和王某和张（2018年）的发现一致，他发现更高的财务成本导致农业企业较低的融资效率[23，24］.

总资产收益率与农业企业融资效率呈正相关关系。总资产收益率每增加1%，融资效率就会提高0.012%。结果表明，企业资本管理能力越强，企业盈利能力越强，农业企业融资效率越高，这证实了Wu和Zeng(2019)对中小企业的研究结果[25］.

库存周转率对农业企业融资效率有显著的正向影响。资产负债率每提高1%，融资效率提高0.011%。结果表明，经营效率越高，企业融资效率越高。

农业生产资料价格指数对农业企业融资效率有显著的负向影响。但与其他指标相比，价格指数对农业企业融资效率的影响不大。农业生产资料价格指数每提高1%，融资效率只提高0.005%。这证实了Pan等人的结果[22］.PI是一项措施，广泛用于跟踪农业生产材料价格通货膨胀。一旦通货膨胀发生，农产品价格的兴起将是农业企业的致命打击，这将不可避免地影响企业的融资效率。

GDP与融资效率呈负相关，但它不会通过意义测试。结果表明，国内生产总值与农业企业的融资效率无关。

总的来说，债务规模和财政效率融资成本的负面影响远远大于盈利能力和营业效率的积极影响，而宏观经济环境对农业企业融资效率的影响非常有限。

4.5。基于随机林回归的影响因素分析

并利用随机森林回归分析了影响因素对农业企业融资效率的影响。本文采用Abhishek Jaiantilal开发的Matlab软件包random forest [46］.首先，我们研究随机森林方法下的影响因素的重要性排名。结果显示在图中1表明各因素的重要程度由强到弱依次为总负债、财务费用、总资产收益率、存货周转率、农业生产资料价格指数和GDP。其中，农业生产资料价格指数、GDP等外部环境因素对农业企业融资效率的影响较小。该结果与Tobit回归结果基本一致。

数字2给出了各因素对融资效率影响的结果。可以观察到，总负债（TL）、财务费用（FE）和GDP对融资效率的影响正在下降。当TL>4、FE>0.3、GDP>7.15时，这三个因素对融资效率的影响趋于稳定。总资产收益率（RT）对融资效率的影响正在上升。当RT>18时，RT对融资效率的影响趋于稳定。库存周转率（ITR）对融资效率的影响从0到4呈下降趋势，从4到6呈上升趋势。当ITR>6时，ITR对融资效率的影响趋于稳定。农业生产资料价格指数（PI）对融资效率的影响呈U型。

服用前四年的数据作为训练变量，最后一年为测试变量的数据，实证分析与随机森林回归模型进行。数字3.表明R²培训数据和测试数据中的值分别为0.946和0.748。我们还比较了两种回归方法。如图所示4, R²基于随机森林回归和Tobit回归的完整数据集的值分别为0.913和0.577。结果表明，与Tobit回归相比，基于随机森林回归的融资效率分析具有更高的R²值和更好的预测结果。可能，原因是Tobit回归模型无法捕捉农业企业融资效率与其影响因素之间的非线性。

5.结论和建议

利用DEA模型，本文计算从2013年融资在中国39家农业上市公司效率，以2017年的结果表明，农业上市公司融资的总体效率低，农业企业低于30％已经实现DEA有效性。Malmquist指数分析结果表明，在2013 - 2017年的期间，农业企业的全要素生产率（TFP）已经显示出上升的趋势，由于效率变化和纯技术效率的变化增加。托比特回归和随机森林回归已经应用到融资影响农业上市公司的效率因素的分析。结果表明，随机森林回归在MSE和R方面优于托比特回归². 总资产收益率、存货周转率、农业生产资料价格指数的提高促进了农业企业融资效率的提高。然而，负债总额和财务费用支出的大幅增加是农业上市公司融资效率低下的主要原因。为了提高我国农业企业的融资效率，本文提出以下几点建议。（1）提高农业上市公司的资本管理能力。盈利能力被认为是提高企业融资效率的重要因素。因此，企业应提高项目识别能力，将资金投向高收益的农业项目，提高资金利用效率。同时，企业应建立有效的内部管理制度，有效管理财务风险，减少不必要的财务费用。（2）扩大农业上市公司的融资渠道，优化融资结构。与其他企业相比，农业企业在规模资金的积累通常较小，经济实力弱，容易受到自然环境和社会经济，和缓慢的。这些特点导致内部资金的相对缓慢的积累和农业企业的外部融资规模的限制。企业不应只限于向银行贷款，而是采取各种短期和长期的融资资源，如小额贷款，融资租赁，保理和票据贴现充分利用，并适当地控制农业企业的债务融资规模。（3）提高政府为农业企业提供融资服务的能力。政府应加大对农业上市公司融资的支持力度，从市场准入、公平竞争、政策激励等方面完善农业企业发展政策。鼓励金融产品和业务创新，在农业企业和金融机构之间架起桥梁，让农业企业找到低成本资金。政府还应加强对上市公司的监管，防范企业融资过程中的违法违规行为，保护投资者的合法权益，为农业企业创造良好的融资环境。

数据可用性

本文中的数据主要来自中国上市公司的数据，这已在部分中解释3.3的纸。

的利益冲突

作者声明与本论文的发表没有利益冲突。

致谢

本文由天津市哲学社会科学规划领导小组办公室资助，课题批准号:TJYY17-017。

参考文献

1. 霍斯特，余旭东，C. Grün，《中国的气候变化、风险与粮食产量》，综合农业杂志，卷。12，不。7，第1279至1291年，2013。查看在：出版商的网站|谷歌学术
2. H.富，李J.，Y. Li等人，“基于天气指数保险农产品供应链的风险转移机制，”复杂，第2018卷，文章编号2369423，共17页，2018年。查看在：出版商的网站|谷歌学术
3. J. Huang和Y.王，“气候变化下的融资可持续农业”综合农业杂志，卷。13，不。4，pp。698-712,2014。查看在：出版商的网站|谷歌学术
4. J贝农，“国家在资助农业研究方面的作用，”粮食政策，第20卷，第2期。6，页545 - 550,1995。查看在：出版商的网站|谷歌学术
5. E. Gelb和Y. Kislev，“以色列农民对农业研究的资助”，研究政策，第11卷，第5期。5，页300-327,1982。查看在：谷歌学术
6. G. T. Abate, S. Rashid, C. Borzaga和K. Getnet，“埃塞俄比亚的农村金融和农业技术采用:贷款组织的制度设计重要吗?”世界发展，卷。84，第235-253，2016。查看在：出版商的网站|谷歌学术
7. A.邓肯，《撒哈拉以南非洲农业服务融资》粮食政策第18卷第2期6、1993年第463-465页。查看在：出版商的网站|谷歌学术
8. A.麦格南，“加拿大和澳大利亚农业食品的金融化：谷物和油籽行业的公司农田和农场所有权，”作者：王莹，农村研究，第41卷，第1-12页，2015。查看在：出版商的网站|谷歌学术
9. P. Maitra，S. Mitra，D. MOOKHERJEE，A. MOTTA和S. Visaria，“小农农业融资：在印度的药剂中间微洛内纳州的实验”发展经济学杂志，卷。127，pp。306-337,2017。查看在：出版商的网站|谷歌学术
10. M. van Bergen, M. Steeman, M. Reindorp，和L. Gelsomino，《农产品采购中的供应链融资方案》，采购与供应管理学报，第25卷，第2期2，页172-184,2019。查看在：出版商的网站|谷歌学术
11. J. F. Swinnen和H. R. Gow，《中欧和东欧向市场经济转型期间的农业信贷问题和政策》，粮食政策，第24卷，第1期，第21-47页，1999年。查看在：出版商的网站|谷歌学术
12. P. Newton, A. E. Gomez, S. Jung等人，“克服巴西低碳农业和森林恢复的障碍:农村Sustentável项目，”世界发展的视角，第4卷，第5-7页，2016。查看在：出版商的网站|谷歌学术
13. “基于malmquist指数模型的江苏省机械制造业上市公司融资效率研究”，国际艺术与科学杂志，卷。9，没有。4，第243-252，2017。查看在：谷歌学术
14. 李强，“基于超效率DEA模型的上市公司股权融资效率评价”，伊维斯塔学院，第32卷，第2期4，pp。652-658,2017。查看在：谷歌学术
15. P苏尼加和M。卢森堡，“捷克共和国基于市场的住房融资效率，”欧洲杂志住房政策，第7卷，第5期3，页241 - 273,2007。查看在：出版商的网站|谷歌学术
16. D. fletcher, C. Guirkinger和S. Boucher，《秘鲁农业的风险、信贷约束和金融效率》，《发展研究杂志》，第46卷，第6期，第981-1002页，2010年。查看在：出版商的网站|谷歌学术
17. “基于模型的光伏行业上市公司融资效率评价”，光&工程，第25卷，第3期，第71-78页，2017年。查看在：谷歌学术
18. J. Dong，L. Zhu，B. Wang等人，“中国股市融资效率评估”，工程中的数学问题，2016年第6卷，文章编号3236897，共13页，2016年。查看在：出版商的网站|谷歌学术
19. “新三板中小企业融资效率研究:基于三阶段DEA模型的定向增发”审计与经济学杂志，第32卷，第2期3, pp. 78-86, 2017。查看在：谷歌学术
20. A. Charnes，W. W. Cooper和E. Rhodes，“测量决策单位的效率”，欧洲运营研究杂志，第2卷，第2期6、1978年。查看在：出版商的网站|谷歌学术|Mathscinet.
21. R. He，“中国邻邦企业‘异质性’与中小企业融资效率关系问题研究——来自中国工业企业数据库的实证数据”应用科学开放杂志，第7卷，第5期4，页171-183,2017。查看在：出版商的网站|谷歌学术
22. Y潘，Q。余和M。朱，“中国环保产业融资效率评价及其影响因素研究，”华东经济管理，卷。30，没有。2，第77-83，2016。查看在：谷歌学术
23. 王颖、张颖，“企业内部治理与外部融资合作对企业生产率的影响”，《管理世界》，工业经济评论，第9卷，第5期，第103-113页，2018年。查看在：谷歌学术
24. R. Gatti和I.爱，“获得信贷提高生产力吗？保加利亚公司的证据，“转型经济学，第16卷，第5期。3，页445-465,2008。查看在：出版商的网站|谷歌学术
25. Y. Wu和F.曾，“研究在我国新三板中小企业提供融资效率的测量，”湖北社会科学(2002年第1期)1，第71-79页，2019。查看在：谷歌学术
26. R. G.拉詹和津加莱斯L.，“金融依赖和增长”《美国经济评论》，第88卷，第3期，第559-5861998页。查看在：谷歌学术
27. 张颖、赵林，“政府支持与金融发展、社会资本与科技创新企业融资效率”，科学研究管理，卷。36，不。11，pp。55-63,2015。查看在：谷歌学术
28. L王，“关系和信任对集群外部融资效率影响的实证研究，”iBusiness，卷。07，没有。01，pp。18-24,2015。查看在：出版商的网站|谷歌学术
29. V. Maksimovic和A.Demirgüçkunt，“机构，金融市场和公司债务成熟”金融经济学杂志，卷。54，没有。3，第295-336，1999。查看在：出版商的网站|谷歌学术
30. J.马和Z.过，“参数盆和复合物与估计和两阶段考虑动态的游戏，”应用数学与计算，第248卷，第131-142页，2014年。查看在：出版商的网站|谷歌学术|Mathscinet.
31. 马军、谢磊，“不同渠道权力结构和不确定需求下的双渠道供应链比较与复杂分析”，非线性动力学，第83卷，第83期3, pp. 1379-1393, 2016。查看在：出版商的网站|谷歌学术
32. J马和X。马，“考虑到两个零售商之间的市场竞争，牛鞭效应的度量，”国际生产研究杂志，第55卷，第55期2, pp. 313-326, 2016。查看在：出版商的网站|谷歌学术
33. 李勇，杨林，杨斌，王宁，“可解释机器学习模型在智能决策中的应用”，《中国机械工程》，2015年第4期。Neurocomputing，第333卷，第273-283页，2019。查看在：出版商的网站|谷歌学术
34. 马建军，“考虑产品回收的闭环供应链动态非合作博弈模型的复杂性分析”，应用数学模型:工程与环境系统的仿真与计算第38卷第2期23、pp. 5562-5572, 2014。查看在：出版商的网站|谷歌学术|Mathscinet.
35. J硕士和博士。Bao，“节能空调供应链中的牛鞭效应研究，”清洁生产杂志，第143卷，第854-865页，2017年。查看在：出版商的网站|谷歌学术
36. H. Cao，T. Lin，Y.Li和H.张，“基于复杂网络和机器学习的股票价格模式预测”复杂，第2019卷，文章编号4132485,12页，2019。查看在：出版商的网站|谷歌学术
37. 马建军，杨伟，娄伟，“碳排放约束下含寡头动态混合博弈系统的分岔与混沌研究”，国际分叉与混沌杂志，卷。27，不。10，第1750158,2017项。查看在：出版商的网站|谷歌学术
38. L. Breiman，《随机森林》机器学习第45卷第5期1，页5-32,2001。查看在：出版商的网站|谷歌学术
39. T. Hastie, R. Tibshirani, J. Friedman，统计学习的要素，Springer系列在统计，纽约，纽约，美国，2001年。查看在：出版商的网站|Mathscinet.
40. “基于随机森林回归的沥青路面IRI预测方法研究”，国家自然科学基金面上项目，建筑及建筑材料，第189卷，第890-897页，2018年。查看在：出版商的网站|谷歌学术
41. S. Malmquist， "指数和无差异面"Trabajos德ESTADÍSTICA，卷。4，pp。209-242,1953。查看在：出版商的网站|谷歌学术|Mathscinet.
42. D. W.洞穴，L. R.克里斯滕森和W. E. Diewert，“索引编号的经济理论和输入，输出和生产率的测量，”费雪，卷。50，不。6，PP。1393-1414,1982。查看在：出版商的网站|谷歌学术
43. R.票价，S. Grosskopf和M.诺里斯，“生产率增长，技术进步，以及在工业化国家效率的变化，”美国经济评论(第84卷)55, pp. 1040-1044, 1997。查看在：谷歌学术
44. J. Tobin，“估计有限的变量有限变量的关系，”费雪，第26卷，第1期，第24-36页，1958年。查看在：出版商的网站|谷歌学术|Mathscinet.
45. D卡明和S。约翰：“是法律还是律师？世界各地的投资契约，”欧洲金融管理，第12卷，第4期，第535-574页，2006年。查看在：出版商的网站|谷歌学术
46. A. Jaiantilal，《随机森林-matlab》，2019，http://code.google.com/p/randomforest-matlab/downloads/list．查看在：谷歌学术

版权

版权所有©2019 Lixia Liu和Xueli Zhan。这是分布下的开放式访问文章创意公共归因许可证，允许在任何媒介中不受限制地使用、分发和复制，前提是原作被正确引用。