国内外财务风险预警研究文献综述

□文/王 丹

（山东财政学院会计学院 山东·济南）

一、企业财务预警的基本含义

企业财务预警，即财务失败预警，是指借助企业提供的财务报表、经营计划及其他相关会计资料，利用财会、统计、金融、企业管理、市场营销理论，采用比率分析、比较分析、因素分析及多种分析方法，对企业的经营活动、财务活动等进行分析预测，以发现企业在经营管理活动中潜在的经营风险和财务风险，并在危机发生之前向企业经营者发出警告，督促企业管理当局采取有效措施，避免潜在的风险演变成损失，起到未雨绸缪的作用。

二、国外专家学者对财务风险预警的研究

（一）单变量模型

1、1932年，Fitzpatrick利用单变量破产模型，选取19个样本运用单个财务比率进行预测，结果发现判别能力最高的是净利润/股东权益和股东权益/负债两个比率。当时由于条件限制，主要的研究方法就是对正常企业和非正常企业进行财务比率比较和经验分析。

2、1966年，Bwaver利用 30个财务比率进行研究，发现三个比率是有效的：债务保障率（现金流量/债务总额）、资产收益率（净收益/资产总额）、资产负债率（债务总额/资产总额），其中，债务保障率指标表现最好。这可以看作是单变量模型的开创性研究，方法简单易行，可操作性强，在当时研究条件较差的情况下优势很大；其局限性也较明显，单一的财务比率不能全面反映客观事实，有可能在编制财务报表时存在粉饰某个指标的嫌疑，影响预测的有效性。

（二）多变量模型

1、Z计分模型。20世纪六十年代，爱德华·阿尔曼对5个财务比率分别给出一定权数，计算其加权平均数值Z值：

其中：X1=营运资金/资产总额；X2=留存收益/资产总额；X3=息税前利润/资产总额；X4=股份市值/负债账面价值总额；X5=销售收入/资产总额。

一般地，Z值越低，企业越有可能发生破产。若Z≥2.675，则表明企业的财务状况良好，发生破产的可能性较小；若Z≤1.81，则企业存在很大的破产危险。

该模型实际上是通过五个变量（五种财务比率），将反映企业偿债能力的指标（X1、X4）、获利能力的指标（X2、X3）和运营能力的指标（X5）有机联系起来，综合分析预测企业财务失败或破产的可能性。在企业失败前一、二年的预测准确率很高；预测期变长，准确率有所降低，距失败前五年的预测准确率仅为36%。1977年，爱德华又对自己的模型进行了修正，提出了ZETA模型。

Z计分模型准确率相比之前的单变量模型有很大的提高，但是未充分考虑到现金流量变动情况，而且要求变量符合正态分布的假设，降低了模型的使用范围。

2、Logisitic回归模型。该模型属于线性概率模型，通过对观察对象条件概率的观测，来判定对象的财务状况和经营风险。适用于因变量是非连续的且为二分类选择模式，将违约概率限定在0和1之间，并通过函数的对数分布来计算违约的概率。在二分类判别法中假设因变量为1和0，分别对应事件发生和事件不发生。Logisitic回归模型形式为：

该模型使用的是最大似然估计，似然函数值越大，表明模型的模拟效果越好。其最大优点是，不需要严格的假设条件，能够克服线性方程受统计假设约束的局限性，具有更广泛的适用范围。目前这种模型使用较为普遍，但其计算过程较复杂，需要操作者具有较高的数学基础，同时其计算过程有近似处理，结果将会影响到预测的精确度。

3、Probit模型。假定企业的破产概率为P，样本服从正态分布，选取的财务指标对应P的分位数，先确定企业样本的极大似然函数，然后通过求似然函数的极大值就可以得到参数αβ，然后就可以利用公式求出企业的破产概率。P＜0.5，判别为财务正常；P＞0.5，即为破产型。

其公式为：

该模型和Logistic模型方法相似，但条件严格，计算方法相对复杂，使用面不如Logistic模型广泛。

4、人工神经网络理论和方法（ANN）。神经网络模型是一种并行分布模式处理系统，是由大量的简单处理单元相互联结组成的复杂网络系统，具有高度并行计算能力、自学能力和容错能力。作为非参数的预测模型，它克服了选择模型函数形式的困难，同时对样本及变量的分布特征没有限制，还能克服统计方面的限制，能够同时处理定性变量和定量变量，具备处理资料遗漏或是错误的能力。然而由于理论基础比较薄弱，模型计算量较大，辨别能力不强，人工神经网络对人体大脑神经模拟的科学性、准确性还有待进一步提高。

5、递归划分分析模型。以财务比率为判别点建立二叉分类树，以最低误判成本为标准对样本企业进行分类预测。结果发现将破产企业误判为非破产企业的概率要高于将非破产企业误判为破产企业。可以选用非财务指标和定性指标，但复杂的分类树结构可能引起样本的过度适应，预测风险高。

6、支持向量机模型。该模型建立在机器学习理论基础之上，Fan A etc采用欧氏距离方式最大化不同类的向量之间的距离、最小化同类的向量之间的距离，实现对预警指标的筛选，计算成本较低。Van Gestel T etc将其应用到财务危机预警模型中，采用最小二乘法作为支持向量机线性学习器，构建LS-SVM财务危机预警模型，判别准确率高达89.91%。

三、我国学者的主要研究

国内关于财务危机预警的研究开始于20世纪八十年代中后期，直到1996年以后，才陆续出现以企业财务数据为基础而建立的财务危机预警模型，并逐渐发展起来。

1996年周首华、杨济华和王平，在Z分数模型的基础上进行改进，选取了31家破产公司和31家非破产公司作为样本建立模型，并且用4，160家公司的数据作为检验样本进行验证，该模型充分考虑了现金流量变动情况指标，具体模型为：

其中，X1、X2及 X4与 Z计分模型中的X1、X2及 X4反映的指标相同，而 X3、X5与Z分数模型的X3、X5不同。X3=（税后净收益+折旧）/平均总负债，它是一个现金流量变量，是衡量企业所产生的全部现金流量可用于偿还企业债务能力的重要指标。X5=（税后净收益+利息+折旧）/平均总资产，测定的是企业总资产在创造现金流量方面的能力（其中的利息是指企业利息收入减去利息支出后的余额）。相对于Z分数模型，它可以更准确地预测出企业是否存在财务风险，判别临界点为0.0274。

1999年陈静选取1998年27家ST公司和同行业、同规模27家非ST公司作为样本分析。在单变量分析中，选取了资产负债率、净资产收益率、总资产收益率、流动比率4个指标。发现流动比率和负债比率的误判率最低。在多元判别中选取负债比率、净资产收益率、流动比率、营运资本/总资产、总资产周转率等财务指标构建的模型，在公司ST发生前三年能够较好地对财务危机进行预测。

2001年吴世农、卢贤义采用剖面分析法、单变量判定分析方法、多元线性判定方法进行财务危机预警研究，得出结论：多变量优于单变量，且Logit回归模型的判定准确性最高。选取的预测变量有盈利增长指数、资产报酬率、流动比率、存取负债股东权益比率、营运资本/总资产、资产周转率。同年，杨保安引入神经网络分析方法并应用于企业财务危机判定与预测，选用BP神经网络法构建模型，结果显示判别正确率高达95%。

2003年，杨淑娥、徐伟刚在借鉴美国学者Altman的Z分数模型基础上，在变量选取方面考虑到反映现金流量方面的比率指标和累计盈利能力的比率指标，具体共12个指标：速动比率、权益比率、利息保障倍数、债务保障率、来自经营活动的现金流量总额、总资产报酬率、销售成本利润率、应收账款周转率、存货周转率、主营业务增长率、资本保值率、累积盈利能力，形成了Y模型。

四、各种模型评述

单变量分析模型相对简单直观，但不能够反映企业综合财务状况，同时使用几个单变量，有可能出现矛盾情况。多元线性判别模型能够较全面反映企业财务状况，提高判别和预测的准确度，变量之间需要满足不同的假设前提，且需要大量的样本作为支撑，计算相对复杂。ANN模型具有较好的模式识别能力，并且具有学习能力，无需考虑变量之间的统计关系，能同时处理定性和定量变量，也同时存在结构确定困难性、不具解释性、操作性差及训练效率低的缺陷。支持向量机模型是一种新型的模式，无需特殊假设，针对小样本具有较广的推广空间。

每种分析方法均有其适用条件及优缺点，企业应根据行业特点选择操作性强的财务预警模型，建立财务预警系统，及时预测财务状况，提高自身竞争能力。

[1]张春莲，张淑琴.财务危机预警模型综述及其启示 [J].中国高新技术企业，2009.11.

[2]陈静.上市公司财务恶化预测的实证分析[J].会计研究，1999.4.

[3]周首华，杨济华，王平.论财务危机的预警分析——F分数模式[J].会计研究，1996.8.