我国上市公司财务预警机制实证方法研究综述

□任 渝 张 凤

（1、2.成都信息工程学院统计学院，成都 610103）

财务预警机制的模型即利用财务指标与非财务指标构建定量数学模型，依据模型结果的解读来实现对企业是否存在财务危机或困境的判断。目前，归纳财务预警机制已有的研究方法，从经济学方法论角度有静态、动态之分；从计量建模角度有参数定量、非参数定量之分；从构建指标的复杂性来区别，有单变量敏感性分析、多变量即多元综合指标体系分析、数据挖掘指标体系方法。具体的来说包括单变量敏感性模型、多元判别分析、多元probit模型、多元logit模型、BP神经网络模型、决策树模型、粗糙集模型等模型。

一、单变量财务预警模型

1932年Fitzpatrick的单变量破产预测研究是最早有关财务预警机制的研究，他提出净利润/股东权益与股东权益/负债是最具有判别效果的财务指标；1966年Beaver［1］提出有记载的最早建立在统计方法上的单变量财务预警模型，他在《财务比率与失败预测》中比较研究了1954—1964年之间79个破产企业和79个正常企业，使用30个财务指标逐一分析，得到的债务保障率即现金流量与负债总额之比是最好的财务状况反映指标，而资产收益率与资产负债率是次优误判指标，其依据即通过上述企业是否陷入财务困境或财务危机前1─5年的29个财务指标的预测能力，发现债务保障率在企业破产前一年的预测正确率能达到87%。笔者总结以Fitzpatrick和Beaver为代表的企业财务预警机制提出者观点，发现其单变量财务预警可解读为企业从单变量财务指标体现出的具体生产经营状况预期能保持一个长期稳定的状态，由此通过观察单变量财务指标的变化情况来判断企业正常经营与否。

单变量财务预警模型的弊端显而易见。企业的生产经营情况是一个复杂的过程，依据某个指标来反映系统性的生产经营状况势必导致分析角度过于狭窄而实际预测精度不准的结果。具体表现为，若关注或着重于某个指标对企业财务困境的预测，选择的多个指标之间有可能出现矛盾的情况；明确只注重某个指标，会从管理角度导致逆向选择的发生，管理者通过对该指标的“处理”表现出的企业正常经营实际掩盖了企业可能出现的恶劣财务危机局势。因此，一元单变量财务预警机制的构建已不足以准确判别企业财务困境的发生。

笔者认为，可以将单变量财务预警机制判别作用缩小化，即通过单个财务指标敏感性判断找到有财务预警机制预期效果的单变量指标，描述性说明每个挑选出的敏感性财务指标判别价值，为进一步构建综合财务预警指标体系作准备。吴世农［2］（2001）在“我国上市公司财务困境的预测模型研究”中通过单变量判定分析首先确认筛选出具有一定判别精确度的单个财务指标，并利用选出的判别效果明显的财务指标构建出多元指标体系，他挑选出在财务困境出现前1年误判率的单个财务指标有：净资产报酬率、营运资本/总资本之比、负债比率、资产周转率。

二、多变量财务预警模型

多变量财务预警模型顾名思义即利用多指标综合构建财务预警机制的模型。主要分为两大类：多元线性判别模型与多元logit回归模型。

（一）多元线性判别模型

多元线性判别模型的代表是Z-score模型与经过修改后适用于不同行业的ZETA模型（如表1），由Altman［3］于1968年和1977年提出。其基本思想是通过多个财务指标汇总加权后得到的总判别值作为预测财务危机可能性的依据，而多个财务指标汇总加权或是降维的方法则是多元分析的基础：组间离差平方和最大而组内平方和最小。通过此原理将多元财务指标组成的多变量降维成为分类标志以作判别企业财务困境与否的依据，因科学地综合多个财务指标而提高了企业财务预警机制判别的精确度。

我国学者在2000年前后多采用多元线性判别分析以对我国企业财务预警机制进行建模，不过大多忽略了多变量的多元正态分布的假设前提。吴世农、卢贤义（2001）用fisher二类线性判定分析得到典则（canonical）判别函数

（其中X1为赢利增长指数，X3为资产报酬率，X7为流动比率，X11为长期负债比率，X12为营运资本与总资产比率，X19为资产周转率）得到提前1年的误判率为10.07%，财务困境判别效果良好；赵健梅［4］、王春莉（2003）直接运用Altman的Z-score模型选取40家ST企业与40家非ST企业进行财务困境判别分析，得到的上市公司财务困境判定的精确度较高。考虑到中国国情与美、日不一，各财务指标的标准也有差异，如果选取同样的多个财务指标进行我国企业财务困境判别一定存在系统性误判，由此我国不少学者对Z-score多元线性回归模型进行修改以得到更适用于我国企业财务预警机制的模型，其中，通过F-score（周首华［5］1996）加入现金流量指标实现判别与构建Y-score应用主成分分析（杨淑娥、徐伟刚［6］2003）进行多变量降维后的分类指标实现企业财务预警模型具有一定的代表性。

笔者认为，通过多元线性回归模型构建财务预警机制的思路与原理简单明了，具有实际可操作性。但基于其普遍存在的未遵循因变量（多选取收益率）的多元正态分布的假设前提，即使得到精确度高或误判率低的判别结果，都因为对统计方法重要前提的违背而存在“伪精确度”判别的嫌疑，适用性以及该机制可信度大打折扣。因此，对于财务预警机制的多元线性回归模型，笔者认为同样要“缩小”其对财务困境判别效果的解读，可以将其作为具有统计意义筛选出各个敏感性指标体系的方法之一，如通过之前的单变量敏感性指标的挑选再通过敏感性指标体系的构建，已经初步形成对财务困境的判断，而这样的判别机制存在缺陷，是否能够进一步改进此机制系统性增加对财务困境判别的可信性？多元logistic回归模型即是这样一种不需要因变量满足正态分布而能进行定性变量定量化判别的方法。

（二）多元逻辑回归模型

财务预警机制通过多元logistic回归模型或称多元logit模型构建的思想，最早提出者是Ohlsen［7］（1980），他用二元概率函数计算财务危机发生的可能性，并采用9个财务指标变量进行逻辑回归。由于多元逻辑回归函数构造是基于事件发生概率即累计概率函数的基础而非多变量自身即样本的正态分布与协方差矩阵相等作为前提假设，规避了财务预警机制的样本在实际情况中不满足正态分布的假设条件，而直接通过财务危机发生的概率来构建回归函数以作出财务困境发生与否的判别。

其中p为财务困境或危机发生的概率，1-p为不发生的概率

从而计算出财务危机发生的概率

近年来我国学者在多种财务预警机制模型对比评述之上，选用多元逻辑回归模型的日渐增多。吴世农、卢贤义（2001）通过剖面分析、单变量判别分析、多元线性判别分析、logistic回归分析分别比较各种财务预警机制的误判率得出对同一信息集，Logit回归在财务困境发生提前1年误判率最低仅6.47%；Balcaen&Ooghe［8］（2004）在财务预警模型中对单变量分析、风险指数模型、多元判别分析、logistic回归模型进行比较评价；吕长江、周现华［9］（2005）基于制造业上市公司1999─2002的数据分别运用多元判别分析、逻辑线性回归分析与人工神经网络模型进行财务困境预测分析；徐光华、吴明鸣［10］（2006）通过logistic回归模型检验了传统财务指标与EVA指标对财务困境企业的预测能力。

笔者认为，二元logit回归模型优势明显尤其是巧妙规避了因变量指标的正态分布条件，由此在多种判别方法中其判别效果显著性提高是必然。然而，无论是哪种多元回归方法，都没有克服构筑线性判别标志进行“回归”的程序，存在理论上的支持却无法更好地拟合实际情况；而且多变量财务预警机制大多着眼于截面数据，忽视了指标时序性在预警机制中的逻辑性与延展性；同时发现国内外研究者在构建财务预警机制模型时，已出现多种模型组合式评价财务困境的建模分析趋势即或者通过比较多种模型的优缺点、或者通过多种模型进行相互印证来全面系统构建财务预警机制。

三、基于数据挖掘的财务预警模型

国内外财务预警机制模型的构建也逐渐成熟到探寻更深层次方式进行财务困境判别，诸如BP人工神经网络预警机制、粗糙集、决策树模型、Kalman滤波等具有数据挖掘思想的非线性回归方法，并且此类方法均能克服变量的正态分布条件假设，在拟合实际情况上更具优越性。

Minsky的多层神经网络设想在Rumelhart（1985）提出BP（Back-Propagation）误差反向传递算法之后得以广泛应用。1987年Lapedes和Faybers［11］首先将神经网络用于财务预警机制的研究；国内学者近几年也开始研究财务困境机制的神经网络模型。周敏、王新宇［12］（2002）认为神经网络模型构建的财务预警机制比多元判别分析与二元logistic回归模型的判别更有效；吕长江、周现华（2005）提出多元判别分析、logistic回归分析与人工神经网络模型构建的财务预警机制都能在提前1年与2─3年对企业财务困境进行具备一定精确度的判别，但人工神经网络误判率最低。

表2 基于数据挖掘的财务预警模型概览

近年来我国学者不仅跳出传统判别分析方法采用人工神经网络模型进行财务预警机制的构建，更有结合更深层次方法修正BP人工神经网络存在的局限性，进一步提高财务困境预测精确度的研究趋势。刘彦文［13］（2007）提出粗糙集与BP神经网络相结合的算法提高了BP神经网络模型构建的财务预警机制的精确度；周辉仁［14］（2010）提出递阶遗传算法与BP网络结合的财务预警机制。采用新算法进行构建动态财务预警机制的思想层出不穷，闫二梅［15］（2008）采用决策树模型与二元logit回归模型相比较得出基于决策树模型的财务预警机制误判率更低；孙晓琳［16］（2010）通过Kalman滤波理论构建财务预警测量方程建立的动态财务预警模型对英国和爱尔兰180家样本公司进行为期5─10年的财务数据时序研究，得到判别准确率为87.1%的结果。

笔者认为，财务预警机制传统判别模型存在的缺陷不断被新模型逐渐修补，如基于数据挖掘思想的BP神经网络模型以及更新的算法都在提高财务预警机制的判别精确度。因此采用基于数据挖掘思想的财务预警模型势在必行，但同时要正视各种模型仍存在的缺陷，采取取长补短的思路将主流与前沿的财务预警模型结合起来综合考虑其对企业财务困境的判别效力；而且综合多种财务预警模型可以采用层层递进的模式，利用传统的静态的财务预警模型为前沿的动态的财务预警模型作基础准备，如利用传统的预警模型筛选出具备判别效力的单个敏感性指标构建出敏感性指标体系，再将已经经过初次判定具有效力的指标体系经过动态财务预警模型得到判别效力高的最终预警机制。

四、其他问题

财务困境或财务危机的定义最初设定对象为破产企业。历经 Beaver（1966）、Deakin（1972）、Carmichael（1972）、Ross（1999、2000）等学者的研究，丰富财务困境内涵的同时也为我国学者选择财务困境企业对象提供了思考。与我国国情相结合，在我国学者近年来的研究中，对财务困境企业多数选取了被ST的上市公司。也存在选择财务状况异常被监控的被ST上市公司、破产公司、流动比率异常等企业作为财务困境研究对象。姜天［17］、韩立岩（2004）选取了我国预亏上市公司采用logit回归进行财务困境预测实现判类精确率达86.7%。

可见，财务预警机制的发展历程实质是为财务指标筛选的历程。从最初的单变量财务指标，多变量财务指标，到结合财务指标与非财务指标的综合指标体系，历经了近80年的研究。笔者从研究方法角度列举了财务预警机制的发生、发展到而今的成熟阶段的各个模型，然而贯穿于各种研究方法中的核心部分却仍是财务预警机制指标体系的选择。显而易见，同一模型下不同指标体系的选取对最终判别结果的影响是迥异的；而同一指标体系下的不同模型对财务困境的判别结果也是有差异的。

笔者认为，对财务困境企业对象进行明确是构建财务预警机制的第一步；而系统性选择财务预警指标体系则是核心内容。从理论背景与我国国情来明确财务困境企业的思路切实可行；从财务理论背景角度系统性构建财务预警指标体系势在必行。由此再开始方法论角度构建具备统计意义与经济意义的财务预警机制。

［1］Beaver W.H..Financial Ratios as Predictors of Failure［J］.Journal of Accounting Research，1966，（4）：71─102.

［2］吴世农，卢贤义.我国上市公司财务困境的预测模型研究［J］.经济研究，2001，（6），46─55.

［3］Altman Edvard I.. Financial Ratios， Discriminant Analysisand Prediction ofCorporateBankruptcy［J］.Journal of Finance，1968，（9）：589─609.

［4］赵健梅，王春莉.财务危机预警在我国上市公司的实证研究［J］.数量经济技术经济研究，2003，（7）：134─138.

［5］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）：10─13.

［6］杨淑娥，徐伟刚.上市公司财务预警模型——Y分数模型的实证研究［J］.中国软科学，2003，（1）：56─60.

［7］Ohlson J.A..Financial Ratios and the Probabilistic Prediction ofBankruptcy［J］.JournalofAccounting Research，1980，（19）：109─131.

［8］Balcaen，Sofie，&Ooghe，Hubert（2006），35 Years of Studies on Business Failure：An Overview of the ClassicalStatisticalMethodologies and theirRelated Problems.The British Accounting Review，38（1），63─93.

［9］吕长江，周现华.上市公司财务困境预测方法的比较研究［J］.吉林大学社会科学学报，2005，（6）：107.

［10］徐光华，吴明鸣.基于EVA的行业财务预警模型研究——以沪市IT上市公司为例［J］.经济管理，2006，（24）：63─68.

［11］Lapedes A.， Fayber R.. Advances in Neural Information Processing Systems ［M］. American Institute of Physics，1987：442─456.

［12］周敏，王新宇.基于模糊优选和神经网络的企业财务危机预警［J］.管理科学学报，2002，（3）：86─90.

［13］刘彦文，戴红军.基于粗糙集-神经网络的财务危机预警模型实证研究［J］.科研管理，2007，（6）：138─145.

［14］周辉仁，唐万生，任仙玲.基于递阶遗传算法和BP网络的财务预警［J］.系统管理学学报，2010，（2）：1─4.

［15］闫二梅.基于决策树的上市公司财务危机预警［J］.山东商业会计，2008，（1）：9─11.

［16］孙晓琳，田也壮，王文彬.基于Kalman滤波的企业财务危机动态预警模型［J］.系统管理学学报，2010，（4）：408─414.

［17］姜天，韩立岩.基于Logit模型的中国预亏上市公司财务困境预测［J］.北京航空航天大学学报，2004，（1）：54─58.