财务困境预测：会计模型与市场模型信息量比较

董雪杰　刘媚

摘要：基于会计模型与市场模型的信息含量考虑，本研究采用离散时间风险模型技术实证比较了MertonDD模型与各z值模型对企业财务困境的预测能力。结果表明，违约距离和各z值指标都涵盖了有关企业财务困境的重要信息，但违约距离的信息含量则较弱。总体上，财务信息对预测企业财务困境具有不可替代的作用，会计比率作为一种分析技术，其作用应被加强而不是被弱化。

关键词：财务困境；会计模型；市场模型；信息量；离散时间风险模型

中图分类号：F201 文献标识码：A

文章编号：1005-913X（2016）08-0099-04

一、引言

2008年金融危机以来，企业财务困境问题再次成为业界关注的焦点。当前，预测和管理企业财务困境越来越成为企业经营、投资决策和贷款决策的一个重要组成部分，股东、债权人以及企业员工都对财务困境或即将破产的风险给予高度的重视（Beaver等，2011）。

自Beaver（1966）和Altman（1968）的开创性研究以来，相关实证研究一直聚焦在那些具有最佳预测能力的变量或信息上，并形成了两种主流的方法或模型：一是基于会计信息的传统统计模型（以下简称会计模型）。二是基于市场信息的未定权益模型（以下简称市场模型）（Bauer and Agawal，2014）。尽管有关两类模型的文献已相当丰富，但会计模型和市场模型的信息含量仍是目前实证争议的一个主题，市场模型是否对财务困境预测提供有增量信息仍具有不确定性。现基于中国沪深A股上市公司的数据，运用Shumway（2001）提出的离散时间风险模型技术进行实证分析，以对这一问题提供新的实证依据。

二、文献回顾

会计模型的文献认为上市公司公开披露的财务报表中隐含了解释企业财务困境的重要信息，学者们多通过运用各种不同的统计方法从中提取重要的财务变量来评估企业陷入财务困境的程度，Ahman（1968）的Z-Score模型为这类研究的经典代表。市场模型则基于Black and Scholes（1973）和Merton（1974）的期权定价理论。迄今为止，最有影响力的市场模型当属Moodys KMV模型。因此，使用这类模型的研究常被冠以“Merton模型”“KMV模型”“Merton DD模型”等称谓。关于这两类模型研究的国外研究状况可见崔毅和蔡玉兰（2014），在此不加详述。

我国学者自90年代初开始对国内企业财务困境预测展开了持续不断地研究，迄今为止已涌现出大量的理论和实证研究成果。如石晓军和任若恩（2005）研究发现在我国找不到足够的证据支持基于期权方法的Merton模型与基于会计信息的z记分模型之间的一致性，而马若微（2006）的研究显示KMV模型对于中国股市是适用的，它能较早的反映公司的经营业绩与抗破产能力；在引入功率曲线进行优越性分析发现，KMV模型在大部分情况下都有优于Fisher模型和Logistic模型的表现。但刘国光等（2005）发现Merton模型并不是违约风险的最佳度量，仅仅依靠违约距离难以准确地预测中国上市公司的失败，将其和财务指标同纳入模型中时，违约距离对模型的预测能力也没有实质性地提高（潘彬、凌飞，2012）。孔德营和李晓峰（2012）专门比较了Merton模型和Logistic模型的预测效果，发现Merton模型对违约风险预测的准确性仅有31.26%。

除了孔德营和李晓峰（2012）的研究外，上述研究多是建立在小样本观测数的基础上，采用截面数据进行分析，未能体现出企业陷入财务困境的动态性。孔德营和李晓峰（2012）的研究样本虽然多达一万多个公司年度观测数，实证也发现两类模型间的一致性较差，但并未指出两类模型间是否具有增量互补效应。另外，在模型的估计上，也未对变量的标准误进行调整。Petersen（2009）和Thompson（2011）均指出，在使用金融类面板数据集时，需要对模型中变量的标准误进行Cluster调整，以避免标准误被低估而致使一些可能不显著的变量也是显著的。

本研究旨在采用离散时间风险模型分析方法比较两类模型的信息含量，样本公司观测数据跨度最长达19年（1996年-2014年），合计17 753个公司年度观测数。相比国内已有的研究，本文在样本选择上跨年较久，观测数众多，基本达到现有研究所采用样本的最大量。在方法上，采用了代表现有研究最高水平的建模技术——离散时间风险模型（Campbell，2011），并根据Petersen（2009）和Thompson（2011）的建议，对模型中变量的标准误进行Cluster调整。拟通过这种考虑了时间因素的模型估计方法，基于大样本数据分析会计模型与市场模型的相对信息含量和增量信息含量，以为国内这方面的研究提供新的证据。

三、离散时间风险模型

离散时间风险模型（Discrete time hazard model，简称DTHM）本属于生存分析或持续期分析的范畴，是一种包含了时间序列数据的技术方法，特别适用于分析那些由二元的、时间序列和截面观测值所组成的数据，如破产数据（Hillegeist等，2004）DTHM与logit模型紧密相关，其函数形式如下：