reefzehavi/EDA-US-Bankruptcy-Prediction

美国公司破产预测数据集，包含78,682条记录和21列特征。数据集来源于Kaggle，特征包括公司名称、年份、状态标签（目标变量）以及多种财务比率。数据集的目标是分析美国公司的财务特征，以区分存活公司和破产公司。

A US Company Bankruptcy Prediction dataset containing 78,682 records and 21 features. The dataset is sourced from Kaggle and includes features such as company name, year, status label (target variable), and various financial ratios. The goal of the dataset is to analyze the financial characteristics of American companies to differentiate between those that survived and those that went bankrupt.

搜集汇总

数据集介绍

构建方式

该数据集源自Kaggle平台上的美国公司破产预测数据集，原始文件名为american_bankruptcy.csv，包含78,682条记录和21个字段。数据涵盖了公司名称、年份、状态标签（目标变量）以及18项财务比率指标（X1至X18），如总资产（X2）、总负债（X3）和销售与总资产比（X9）。构建过程中，研究者对数据进行了完整性检查，确认无缺失值与重复项。针对财务指标中存在的极端异常值，采用箱线图进行识别后，并未予以剔除，而是选择在可视化中隐藏，以保留真实世界数据中企业规模差异的原始特征。

特点

该数据集最显著的特点在于目标变量的高度不平衡性，其中约96%的记录对应存活企业，仅4%为破产企业，这一分布真实反映了现实经济中企业破产的低频现象。通过探索性数据分析发现，破产企业相较于存活企业具有显著更高的总负债中位数。此外，销售与总资产比（X9和X16）与破产状态呈现强负相关（相关系数-0.4），表明销售比率下降时破产风险上升；总负债（X3）则与破产呈正相关（相关系数0.2）。资产与负债之间亦存在强正相关（0.8），且破产现象广泛分布于不同规模的企业中。

使用方法

该数据集适用于构建企业破产预测的分类模型，可基于18项财务比率指标对目标变量（存活或破产）进行二分类学习。由于数据存在严重的类别不平衡，建议在建模时采用过采样（如SMOTE）、欠采样或调整类别权重等策略。异常值处理方面，推荐保留原始极值以反映真实财务分布，或通过截断、变换等方式减轻极端值影响。此外，数据可直接用于财务比率间的相关性分析、可视化探索及特征重要性评估，辅助识别破产的核心预警指标。

背景与挑战

背景概述

企业破产预测是金融风险管理与公司财务分析领域的重要课题，旨在通过量化财务指标提前识别濒临倒闭的企业，从而为投资者、债权人及监管机构提供决策支持。由Reef Zehavi于2025年11月创建的EDA-US-Bankruptcy-Prediction数据集，基于Kaggle上的美国公司破产预测数据，聚焦于探索性数据分析（EDA）任务。该数据集包含78,682条美国企业年度记录及21个财务特征，核心研究问题在于揭示存活企业与破产企业在财务结构上的差异，特别是资产、负债及销售比率等关键指标对破产风险的影响。该数据集通过可视化分析发现，破产企业负债中位数显著更高，且销售与总资产比率与破产概率呈强负相关，为后续建模提供了重要洞察。其在教育领域具有影响力，常被用于教学演示不平衡数据与异常值处理策略。

当前挑战

该数据集面临的核心挑战源于领域问题的复杂性：企业破产预测本质上是高度不平衡的分类任务，破产样本仅占约4%，导致模型易偏向多数类，难以准确捕捉少数类特征。此外，财务数据中极端异常值普遍存在，如大型企业与小微企业的资产规模差异悬殊，若简单剔除会丢失真实业务场景信息，而保留则可能扭曲统计分布。在构建过程中，挑战还包括如何在不破坏数据结构的前提下，通过隐藏异常值而非删除来平衡可视化清晰度与数据完整性。同时，财务指标间的多重共线性（如资产与负债相关系数达0.8）增加了特征选择难度，需谨慎处理以避免模型过拟合。这些挑战共同要求分析师在数据清洗、特征工程及模型评估中采用针对性策略。

常用场景

经典使用场景

该数据集最经典的使用场景在于构建企业财务困境预警模型。研究者利用其中涵盖的18项财务比率指标，如资产总额、负债总额及销售收入与总资产之比等，结合公司存续状态标签，通过逻辑回归、随机森林或梯度提升树等机器学习算法，预测企业未来发生破产的概率。这一场景广泛应用于金融风控领域，尤其适合处理高度不平衡数据（破产样本仅占4%）的二元分类任务。

衍生相关工作

该数据集衍生了一系列经典工作，包括不平衡学习方法的创新探索。研究者针对4%的破产样本分布，开发了SMOTE过采样、代价敏感学习及集成欠采样等技术，显著提升了少数类别的识别率。另有工作聚焦于特征工程，通过构建交互项或非线性变换增强模型解释性。此外，基于该数据集的对比实验已成为评估新算法鲁棒性的重要基准，相关成果发表于《Expert Systems with Applications》等权威期刊，推动了金融智能领域的持续演进。

数据集最近研究

最新研究方向

基于美国企业破产预测数据集（EDA-US-Bankruptcy-Prediction），当前前沿研究方向聚焦于利用深度学习和集成学习方法处理高度不平衡的金融数据，以提升破产预测的准确性。该数据集包含78,682条记录和21个财务指标，揭示了资产、负债及销售资产比（X9/X16）与破产风险的强相关性。结合近期全球供应链波动和利率上升事件，研究者正探索如何通过SMOTE过采样或代价敏感学习缓解类别失衡问题，同时利用可解释AI技术（如SHAP值）解析财务比率对破产预警的贡献。这一方向不仅强化了企业财务韧性评估，还为监管机构和投资者提供了动态风险监控工具，对防范系统性金融风险具有重要实践意义。