企业财务危机预警研究综述

彭莉 彭岚

(长沙理工大学 经济与管理学院，湖南 长沙 410014)

1 财务危机的界定

“财务危机”是由Ross(1999)在总结前人研究成果的基础上精炼而成的概念：技术失败，指企业没有足够的流动资金按时偿还已到履约期的债务合同；会计失败，指企业的账面净资产为负数，资不抵债；企业失败，指企业依法进行清算后所得的资金仍不足以偿还债务；法定破产，指企业无法持续经营，依照破产法向司法机关申请破产。针对我国金融市场实情，上市公司鲜有被破产清算，若将企业破产等状况界定为“财务危机”作为研究的对象，那么财务危机预警模型的实用意义也就降低了。因此，我国证券市场主要是以上市公司是否被“特别处理(ST)”作为中国特色的企业财务危机判断标准。

2 财务危机预警模型研究现状

学术界提出了各种不同的财务危机预警的方法和模型，本文将其归纳为定性预警模型和定量预警模型两大类。定量预警模型进一步细分为统计类财务危机预警模型和人工智能类财务危机预警模型。

2.1 定性财务危机预警模型

财务危机的定性研究，通过人为经验主观识别风险，实现财务危机预警的方法。目前定性研究模型主要分为以下四类：1)标准化调查法：指借助外界因素即通过专业人员或咨询公司等就公司可能遇到的问题加以详细的调查和分析，形成报告供公司经营者参考的方法。标准化的问题就是财务预警指标，其对警情的预报则体现在公司对问题的回答中。2)四阶段症状分析法：公司财务运营情况不佳在各个阶段伴随有特定的症状，因此把公司财务运营“病症”大体分为四个阶段：财务危机潜伏期，财务危机发作期，财务危机的恶化期和财务危机爆发期。通过财务分析来确定公司的财务状况处于哪一个阶段，然后再“对症下药”，采取不同的风险应对措施以降低企业风险，使企业经营回归正轨。3)三个月资金周转表分析法：以三个月作为时间段，通过制定该阶段的资金周转表来分析指标异动原因及合理性。若企业很难在规定的时间段内提供宽松的现金流转表，则表明企业财务风险正在加剧。4)管理评分法：首先对企业经营管理中出现的问题对比打分，再根据这些项目对破产影响的大小进行加权处理，最终得出加权总分。根据总分落入的分数区间，判定企业面临的财务风险程度。

定性研究能够弥补定量研究的不足，对于一些无法或很难量化的指标，我们可以通过定性研究的方法，着重分析事物因果关系。

2.2 定量财务危机预警模型

2.2.1 传统统计模型

(1)单变量财务危机预警模型

单变量分析是最早用于财务危机预警的模型，Fitzpatrick(1932)提出以单项财务指标比率作为标准来判断企业财务风险状态。他采用单变量指标将样本公司划分为破产和非破产两组，最后发现“净利润/股东权益”和“股东权益/负债”两个指标在财务风险判定方面的效果最佳。Beaver(1966)采用财务比率对企业财务危机进行预测，他经过研究证实在排除行业因素和公司资产规模因素的前提下，债务保障率、总资产净利润率等财务比率对预测财务危机是有效的。陈静(1999)对27家ST公司和27家非ST公司1995-1997年三年的财务数据也进行了单变量研究。虽然单变量模型运用广泛，但也存在许多缺陷：多个单一指标指示结果之间相互矛盾而无法全面地反映企业财务特征，易发生企业管理人员有意地粉饰单变量指标使得财务预警效果失真等。

(2)多元线性判别模型

多元线性判定模型是运用多种财务比率指标构造多元线性函数公式来进行危机预警的模型，其典型代表有Z Score模型和Fisher判别模型。

Z Score模型，最早是由Altman(1968)建立，他从22个财务指标中提取5个公因子分别从企业资产利用率，资产规模，偿债能力，财务结构，盈利能力等方面综合分析预测企业的财务状况，通过对33组制造性上市企业的研究，综合分析后建立多元线性Z Score模型。通过统计分析，Altman得出当Z＜1.81时，公司有很高的破产概率；当Z＞2.67时，公司处于安全状态。向德伟(2002)针对性地选80家上市公司为样本，采用Z模型对样本2000-2001年的财务数据进行分析，实验结果表明Z模型对某些特例可能失效，但总体上有效。麻鹏波(2010)应用Z模型对上市公司进行实证分析，根据计算得出的数据和模型判别标准，判定企业财务状况并提出相关的财务风险防范措施。严碧红、马广奇(2011)选取深市61家房地产上市公司，运用Z模型对其2010-2011年的财务风险进行实证研究，判断房地产上市公司存在的财务危机。Z模型简单明了易于理解，根据实证研究表明针对不同财务状况具有一定判断能力，故得到较为广泛的运用，但该模型不适于时间跨度较长的企业危机预警。

Fisher判别分析模型是统计性分析方法，其基本思想是把所有数据的总离差平方和分解为组内差和组间差两部分，而组间差与组内差的比值大小作为衡量总体差异大小的标志。基于重要性考虑，Fisher判别分析模型的具体算法与运用就不在本文详述了。

多元线性判定模型具有较高的判别精度，但也存在一些缺陷：第一，是数据收集和分析的工作量庞大；第二，时间跨度越长，其精确度越低；第三，多元线性判定模型具有两个很严格的前提假设，一是假定自变量是呈正态分布的，另一个是要求解释变量之间完全独立；第四，要求在财务危机组与控制组之间进行配对，但配对标准如何恰当确定是一个难题。为了克服这些局限性，自20世纪70年代末以来，财务危机研究人员引进了Logistic和Probit回归方法，人工神经网络等技术。

(3)Logistic财务危机预警模型

多元逻辑回归模型主要目标在于寻求所观察数据的条件概率，根据其条件概率来判断观察对象是否存在财务风险。Martin(1977)首次尝试将Logistic模型应用于企业财务危机预警模型的构建，以1969-1974上市公司作为研究对象，选取25个财务指标来预测两年后样本公司的破产概率。实证结果显示“净利润/总资产”等六个财务比率具有显著的预测效果。Ohlson(1980)设计的Logistic模型使用了9个自变量，选取1970-1976年间105家破产公司和2058家非破产公司为样本，分析了样本公司在破产概率区间[0-1]上的分布，他发现了四类显著影响破产概率的变量：公司规模、资本结构、业绩和资产变现能力。Lau(1987)选用了10个自变量，使用多元逻辑模型构建了财务危机的五阶段预警模型。姜国华(2004)利用Logistic回归模型分析了影响公司ST的因素，结果发现模型具有良好的预测能力且得出影响公司财务危机两个主要因素是主营业务利润和大股东持股比例。浦军(2009)选取40家ST公司和103家非ST公司作为研究样本，选取资产负债率、每股收益、股权集中度等8个变量指标作为建模指标，运用Logistic回归模型建立相应的财务危机预警模型，取得了良好的预测效果。

(4)Probit财务危机预警模型

Z.mijewski(1989)提出的Probit回归模型，其假定公司破产的概率为p，并假设公司样本服从标准正态分布，其概率p可以用财务指标线性解释。其计算方法和Logistic模型相似，先是确定公司样本的极大似然函数，通过求似然函数的极大值得到参数a和b，然后利用公式求出公司破产的概率。

2.2.2 人工智能财务危机模型

(1)神经网络模型

Odom和Sharda(1990)是最早把BP神经网络技术应用于财务危机预测研究中的。Tam和Kiang(1992)以Texas的1985-1987年118家银行(59家破产59家未破产)为样本，建立了一个三层神经网络财务危机预警模型，该篇以神经网络技术为核心的文献为财务危机预警带来了巨大贡献。黄小原和肖四汉(1995)提出了神经网络预警系统的构建。杨宝安等(2001)应用前馈神经网络进行了示范性设计和验证。杨淑娥和黄礼(2005)选用深交所180家上市公司的财务资料，其中选用120家上市公司作为训练样本，应用BP神经网络建立预测模型预测上市公司是否面临财务危机，又以60家上市公司作为检验样本，对BP神经网络模型的预测结果进行检验，分别取得了建模样本90.8%和检验样本90%的判断正确率。朱燕妮(2008)选取了44家中国房地产上市公司的1998-2006年的数据作为样本从偿债能力、盈利能力、经营发展能力以及公司治理等8个方面选择了能够全面反映出公司经营与管理各个方面的63个指标采用BP神经网络方法构建了中国房地产上市公司分警度财务危机预警模型，在进行仿真检验时获得了92.38%的正确率。

(2)基于支持向量机的财务危机预警模型

为了有效解决传统模型存在的小样本、高维数、非线性等问题，张在旭(2006)基于支持向量机方法(SVM)建立了一种新的公司财务危机预测模型。此后，阎娟娟、孙红梅和刘金花(2006)，邱玉莲和朱琴(2006)也对支持向量机在财务危机预警模型的构建上做了深入研究，也都得出该方法运用于财务危机预警中是有效的，为财务危机预警提供了一条新的研究思路。

3 财务危机预警模型述评

从研究现状来看，国内外学者不断将最新的统计技术和人工智能方法引入财务危机预警研究领域，并注重将新方法的预测效果与已有研究进行比较，取得了开创性成果，但同时也存在些许不足：

一些学者已经尝试引入非财务指标和定性因素进行分析，但目前为止定性预警方法一般情况下仍是作为定量预警模型的辅助工具，并没有独立运用。静态预警研究中，单变量分析开创了财务危机预警实证研究的先河，紧随其后的多元线性判别模型，Logistic回归模型以及Probit模型等传统统计模型大大丰富了企业财务危机预警领域的研究，但是这些模型自身都存在局限性——单变量判定方法总体精度不够，但就我国目前的宏观环境和企业状况而言，这种方法的使用和推广的可能性依然较大；多变量研究方法具有较高的判别精度，但是工作量较大，存在严格的假设，对样本数据的要求较高，降低了其适用性；目前运用最多的方法是多元线性判别分析方法和逻辑回归方法；神经网络模型，具有一些其他方法无法比拟的优点，但该模型缺点也同样显著，那就是可操作性差计算不简便，对于非专业人士应用起来具有一定的难度。对于动态预警研究，由于需要进行时间序列分析，而从我国目前的资本市场的数据来看，做时间序列分析还存在差距，从事动态研究工作的几乎是一片空白。在构建财务危机预警体系时，大多数的财务预警模型都是针对所有行业的，并没有考虑到不同行业之间的差异，而不同行业的企业通常会具备不同的财务特征。因此，在国内外研究成果的基础上，有必要充分考虑不同行业之间的差异，结合我国资本市场的现状，有针对性的构建财务危机预警模型。