财务预警模型综述

杨晶

摘要：本文研究回顾国内外财务预警领域的研究，梳理出国内外经典研究，对研究状况进行评述。总结归纳出单变量模型、多元判别模型、逻辑回归模型、人工神经网络模型。最后对国内外研就进行比较。

关键词：财务危机预警；多元判别；逻辑回归；人工神经网络

预警（Early-Warning）一词源于军事，而财务风险预警是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、市场营销等理论，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的一种预警方式。

从二十世纪六十年代开始，国外财务危机预警如火如荼地开展研究。经过近半个世纪的发展，已经建立起单变量模型、多变量模型。传统的统计模型有单变量模型，其主要依靠对财务危机企业单一变量指标的对比分析进行筛选出财务危机前后具有显著差异的指标来作为预警指标。多变量模型衍化为Z值模型、多元逻辑模型、人工神经网络模型、F分数模型等财务危机预警效果更为有效的模型。

1.国内外研究综述

1.1单变量模型（Univariate）

Fitzpatrick（1932）最早对比单变量指标，筛选出净利润/股东权益、股东权益/负债在识别财务危机中具有较高判别能力。由于当时的科学技术的限制，财务危机预警模型限于描述性研究。直至William Beaver（1966）采用均值比较、划分测试以及似然分析，对79对企业检验29项财务指标，发现债务保障率、资产收益率、资产负债率预测财务失败是有效的。

陈静（1999）经过研究单变量，进而进行多元判别分析，对国外财务危机预警模型展开适应性研究，发现在选取的4个财务比率中，流动比率及资产负债率的误判率较低，构建了包含6个财务指标的判别函数。

1.2多元判别模型（Multiple Discriminant Analysis，MDA）

Altman（1968）头次引入多变量线性模型解决财务危机预警问题。该模型是由五个财务变量组成，赋权重得到综合指标即Z值。Z值越大，公司的财务风险越小；Z值越小，公司财务风险越大。选取的财务指标有营运资本/资产总额、留存收益/资产总额、息税前利润/资产总额、股票总市值/负债账面价值、主营业务收入/资产总额。之后，Altman（1977）提出ZETA模型，优于Z值模型。

1.3 F分数模型（Failure Score Model）

周首华等（1996）提出了F分数模型（Failure Score Model），相对于Altman的Z值模型来说，该模型考虑了现金流量、今日公司财务状况的发展及其有关标准的更新、样本量更大。其临界值为0.0274，大于0.0274则公司继续生存，反之，则面临破产危机。模型验证准确率近70%。

1.4多元逻辑回归判别模型（Logit）

到了二十世纪七十年代末期，Martin第一次采用多元逻辑回归模型预警财务困境。在比较Z值，ZETA，以及逻辑回归模型后，他发现逻辑回归模型明显优于其它两个模型。Ohlson（1980）使用逻辑回归模型分析了样本公司，发现了公司规模、资本结构、业绩和当前的变现能力等四类变量显著影响财务危机的预测。该模型准确率高达96.12%。由于多变量逻辑回归模型克服了众多多元线性判别模型的缺点，八十年代以来，多元逻辑回归模型代替多元线性模型成为财务危机预警主流采用的模型。Bartczak和Norman（1985）比较多元线性判别和逻辑回归，发现应计制背景下，现金流量指标并不能提高财务危机预警的能力。泰国的Tirapat和Nittayagasetwat（1997）也运用逻辑回归模型进行预测，发现宏观经济情况变动在一定程度上反应了公司财务风险状况。

吴世农等（2001）从21项财务指标中筛选出盈利增长指数、资产报酬率、流动比率、长期负债与股东权益比率、营运资本与总资产比率、资产周转率6项财务指标，将Fisher线性判定分析、多元线性回归分析和逻辑回归分析三种方法应用于财务困境预测，发现Logisitic预测准确率最高。

王克敏（2006）利用逻辑回归模型考察公司治理結构对财务危机的影响作用。结果显示，公司治理结构等与公司财务危机可能性显著相关。

1.5人工神经网络分析模型（ANN）

Odom和Shardal（1990）第一次将人工神经网络模型与财务困境预警结合起来，开拓了财务预警新计量领域。模型抽取了129家样本企业，其中65家为破产企业，64家为非破产企业。该论文对比了人工神经网络模型与多元判别分析的准确率，发现人工神经网络模型要优于当时的多元判别模型。Coats和Fant（1992）认为人工神经网络模型解决了Altman的Z值判别分析不能预测未来财务状况的问题。Fletch和Goss（1992）比较逻辑回归模型与神经网络模型后，得出结论是神经网络模型精度高但训练要求同样高。Altman（1994）认为总体上多元判别分析优于神经网络模型。

杨保安（2001）应用BP神经网络模型进行财务危机预警，判别准确率高达95%。李晓峰等（2004）利用粗糙集和人工神经网络模型动态预测财务危机，减少了财务指标的数量，提高了模型运行效率。

2.启示

目前，国外学者细化到单个行业（如制造业、餐饮业、软件业）；采用面板数据，且时间跨度大，有的甚至跨越10年。而国内研究为综合数据；面板数据刚刚起步，同时选取ST企业与非ST企业进行研究。研究方法方面，国外采用判别分析法，逻辑回归分析法，神经网络法及多种混合方法等；国内采用判别分析法、主成分分析法、回归分析法、人工神经网络法和混合方法等。在进行指标的选取时，国内对现金流量指标不够重视。目前还缺乏一个统一的、有效的选择财务预警体系的评价指标的方法。模型构建方面，国外研究预测准确度高，有的甚至达到100%。相比之下，国内预测准确度低，一般在85%左右。（作者单位：长沙理工大学经济与管理学院）

参考文献：

[1]William Beaver，Heins RM.Risk Management and Insurance[M].New York：Mcgrawhill Publishing Co，1966，25-36

[2]Altman EI.Corporate distress diagnosis comparisions using linear discriminant analysis and neural networks（the Italian experience）.Journal of Banking and Finance，1994：524-529

[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，1996，08：8-11

[4]陈静.上市公司财务恶化预测的实证分析[J].会计研究，1999，04：32-39.

[5]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，2001，06：46-55+96.