企业财务风险预警模型国内研究述评

2018-09-20赵莺莺姜颖

价值工程 2018年26期

赵莺莺姜颖

摘要：文章主要从企业财务风险预警模型的验证、模型间的对比、模型的改进以及新模型的开发研究四个方面对国内企业财务风险预警模型的研究进行归纳总结，并指出目前研究的不足之处，以期为我国企业财务风险预警模型研究的进一步发展提供借鉴。

Abstract： This paper summarizes the research on the early warning model of financial risks in domestic companies from the aspects of verification of financial risk early-warning model， comparison of models， improvement of models and development of new models， and points out the shortcomings of current research， with a view to providing reference for the further development of China's corporate financial risk early warning model research.

关键词：财务风险；预警模型；述评

Key words： financial risk；early warning model；review

中图分类号：F275 文献标识码：A 文章编号：1006-4311（2018）26-0116-04

0 引言

经济全球化的日益深入使得企业置身于更加复杂多变的市场环境，所需应对的风险在不断增加。近年来，风险管理已引起诸多企业的重视，其中财务风险因对企业正常运营有直接的、重大的影响而成为众多利益相关者关注的焦点。因此，建立有效的财务风险预警模型，帮助企业实现对财务状况的全面、实时掌控，以便及早发现问题并采取有效的防控措施，对维持企业的健康发展、保障众多利益相关者的权益有重要的现实意义。

企业财务风险预警研究始于20世纪30年代，财务风险预警模型也从最初的单变量模型演变至包括多元线性判别模型、Logistic回归模型等多變量预警模型。近年来，人工智能模型的运用更是将财务预警研究推向了较高水平。[1]国内对企业财务风险预警模型的研究起步较晚，在借鉴国外研究的基础上发展迅速，已经取得了诸多有价值的成果。但是，目前对我国企业财务风险预警模型研究进行系统梳理分析的文章并不多见，这不便于后来研究者借鉴经验、寻找突破点，不利于财务风险预警模型的进一步研究与发展。因此，本文旨在对已有研究成果进行梳理，从现有财务风险预警模型的验证、模型间的对比、模型的改进以及新模型的开发研究四个方面的内容来加以归纳总结，以期促进我国企业财务风险预警模型研究的进一步发展。

1 财务风险预警模型的验证研究

关于企业财务风险的预警研究，国内外学者已经提出了多种财务风险预警模型，但至于这些财务风险预警模型的预警效果如何，对预测我国企业的财务风险有多大适用性，需要做进一步的验证研究。

刘倩（2010）以深沪两市40家上市公司2008年数据为研究样本，在借鉴国内外研究成果的基础上初步选取了21个财务比率做预警指标，并通过相关分析法和二元逻辑回归分析法对初选指标做进一步筛选，然后构建logit模型对40家样本公司进行预测。检验结果表明，logit模型能够有效预测企业的财务危机。[2]文章借助SPSS软件和Eviews软件对预警指标进行严密筛选，使得对logit模型有效性的验证更有说服力。但对研究样本的随机选择，没有考虑行业差异、公司规模差异等因素的影响，可能会对研究结果有一定的影响。

张蔚虹和朱海霞（2012）选取沪深两市40家科技型上市公司做实证检验对象，将各公司2008年-2010年三年相关财务数据代入Z-Score模型计算综合风险Z值，以Altman标准来判别样本公司财务情况，并与实际财务状况相比较。检验结果表明，Z-Score模型对我国科技型上市公司财务风险有较好的预警效果。[3]文章选取的20家非ST公司样本与20家ST和*ST公司的行业类别相同且资产总额大体相当，使得验证较严密，不过在预警指标的选取方面对非财务指标的考虑稍有欠缺。

雷振华和楚攀（2013）以中国联通为代表的102家信息技术类上市公司为研究样本，选取涵盖偿债能力、资产营运能力、成长能力、现金流量能力和公司治理五个方面的23个初选预警指标，经过多重筛选后构建了Cox模型并带入样本数据进行检验。研究结果表明Cox模型对预警我国信息技术类上市公司的财务风险有较强的适用性。[4]文中检验的Cox模型在处理数据删失问题以及因二分因变量造成的偏差问题有突出优势，此外作者在财务预警指标的筛选方面做了大量工作，包括描述性统计、显著性检验以及利用主成分分析法来进行的多重共线性检验，使得实证结果更科学。曹彤和郭亚军（2014）在选取样本时兼顾到不同地区间的经济发展状况及经济结构的差异以及研究样本间的行业差异，便以山东省67家上市制造业公司作为研究样本，选取各公司2009-2011年包含财务指标和非财务指标的样本数据，构建BP神经网络模型。研究表明BP神经网络预测结果的综合正确率达到88%，对山东省制造业上市公司有很好的财务预警效果。[5]

2 财务风险预警模型间的对比研究

关于企业财务风险预警模型，从单变量模型到多变量预警模型以及各种人工智能模型，种类众多，优劣各异。因此，有学者采用不同的方法对模型进行了对比研究。

杨知宇和杨景海（2015）对以利润指标为基础的Z模型和以现金流量财务指标为基础的F模型进行了详细的比较，并从新浪财经行情中心网站选取了明科、长油、宝硕、南纺、天龙、景谷6家不同行业的ST上市公司作为样本，以各个公司2007年至2012年的财务报表数据为基础，对F模型的预测结果进行分析，证明了F模型预警的有效性。[6]文章对Z模型和F模型的比较分析以定性分析的方式进行，详细阐述了Z模型的缺陷及F模型的优势，通俗易懂，但是缺少数据结果的直接对比，说服力未免受到一定影响。

蒋盛益等（2010）选取2000-2007年我国非金融企業上市公司的财务报表数据，借助数据挖掘软件Weka分别建立决策树、最近邻分类、贝叶斯网络、多层感知机、基于规则的分类、BP神经网络和逻辑回归7种预警模型并对它们进行分析比较。实证结果表明，多层感知机、最近邻分类、逻辑回归及BP神经网络这四种分类方法构建的模型性能基本相当，对上市公司的财务危机有较好的预测效果。[7]文章以实证数据结果为依据，对各类方法构建的预警模型的对比分析简洁明晰，为利益相关者选择有效的财务危机预警模型提供了一定的参考。李红琨等（2011）以从深沪两市抽取30家ST公司和70家非ST公司的2008年的年报数据为基础，综合考虑现金流指标与非现金流指标，采用回归分析法，对线性概率模型和Logistic模型在我国资本市场的应用效果进行比较研究，得出两模型对我国上市公司财务风险预警效果均较理想的结论，准确率分别为92%和88%。但是该文基于线性概率模型的假定及分析中人为主观赋值的问题，提出在实际应用中应更多的选择 Logistic模型的建议。[8]文章通过线性概率模型和Logistic模型的对比分析，为解决基于现金流的多变量模型孰优孰劣的问题提供了很好的借鉴。

3 财务风险预警模型的改进研究

现有的财务风险预警模型都或多或少存在着些许缺陷，因此也有学者致力于对现有模型的改进研究，以期获得对企业财务风险的更好的预警效果。通过分析文献来看，对财务风险模型的改进研究主要从指标优化和模型混合两方面来取得突破。

3.1 指标优化的改进研究

传统的财务风险预警模型多是选择财务指标为预警指标，但是财务指标不能涵盖企业全部的财务状况信息，且不能全面的、深入的揭示企业财务风险成因。黄德忠和朱超群（2016）将企业资产质量指标引入到财务风险预警模型中去，选取2010至2013年首次被ST的48家上市公司以及配对的96家正常公司的数据为样本，构建了只含常用财务指标的财务预警模型与含有资产质量指标的资产质量模型并对两模型的预警结果进行比较。实证结果表明，资产质量指标在ST与非ST公司间存在显著差异，可以纳入财务风险预警模型，并且资产质量指标的加入能够提高预警模型的准确性。[9]文章创新性地引入了资产质量指标，在验证其能提高预警模型准确性的同时，更重要的意义在于资产质量指标能反映企业内部资产状况、揭示财务风险形成源头，从而有利于企业从根本上防控风险。

由于对以利润等指标为基础的传统财务预警指标的有效性存在质疑，学者们开始对现金流有更多的关注，只是简单地引入现金流指标，还是不能避免财务信息被操控的问题。于是，谢赤等（2014）直接以信息度较高的现金流指标来预测企业财务困境作为突破点，兼顾企业现金流的内外部影响因子构建了风险暴露CFaR模型，又以CFaR模型分离出的期望现金流和风险现金流为自变量构建了现金流风险预警Logistic模型，最后选取了54家上市公司的相关数据进行验证。研究结果表明，CFaR模型能较好区别ST公司和非ST公司的现金流状况，并且Logistic预警模型对上市公司财务风险有较好的预警效果。[10]

此外，叶柏青和王玲慧（2016）以深沪上市的40家高新技术企业为研究样本，以管理用财务报表为基础，对选取的财务指标和非财务指标进行正态分布检验和显著性检验，利用因子分析和Logistic回归方法建立了二元Logistic逻辑回归模型并对其预测度和正确性进行了检验。结果证明基于管理用财务报表选取的指标而建立的财务风险预警模型能够很好地预测企业的财务风险，相较于传统报表，预测结果的可靠性更高。[1]文章一改之前学者们以传统财务报表为分析基础的做法，用管理财务报表取而代之，使得财务数据更加真实，检测结果更有说服力。而宋彪等（2015）则提出了以网民为企业 “传感器”的思想，利用聚焦网络爬虫，收集了60家企业2009-2013年的所有相关全网网络数据并对其进行数值化处理，综合财务指标，建立引入大数据指标的SVM财务风险预警模型，并对模型的预测效果进行比较分析。实证结果显示基于大数据的财务风险预警模型相对于财务指标预警模型具有更好的预测效果。[11]他们很好的利用了大数据技术，获得的信息全面而客观，为解决大多数模型中所用财务指标的滞后性、灰色性、真实性问题及非财务指标对不同公司的普适性问题提供了很好的解决思路。

3.2 混合模型的改进研究

除了对评价指标进行优化外，还可以通过弥补现有模型的缺陷来提高财务风险预警模型的预测准确率，将不同模型的混合使用便可以达到这一效果。符刚等（2016）选取沪深两市89家上市的工业企业作为研究样本，运用全局主成分分析法对初选的12个预警指标进行降维，然后构建了融合神经网络与Kalman滤波法的财务预警模型，结果发现融合后的财务风险预警模型对企业的风险有良好的预判效果，财务预警模型的准确性得到提高，且克服了大部分单一预警模型适用性弱的问题。[12]

针对目前大多数财务预警模型存在的对数据要求严格、应用范围有限、很难实现财务危机的动态预警等问题，姜金贵和梁静国（2009）引入小波分析理论，构造小波神经网络，利用伸缩因子和平移因子的小波神经网络来弥补传统神经网络参数不足的缺点，经对从沪深两市选择的35家上市公司的实证研究结果表明，小波神经网络对上市公司的财务风险预警结果精准，为财务风险预警研究提供了一种新的有效的研究方法[13]；秦小丽和田高良（2011）将灰色预测模型与神经网络模型相融合，选取40家上市公司为检验样本，利用独立样本T检验和相关性检验对初选财务比率进行筛选，构建基于函数变换的GM（1，1）模型和神经网络模型的动态财务预警模型。实证结果分析显示，将两模型有效地结合在一起有较好的预警效果，能够对财务指标的趋势预测以及财务指标与财务状况间的非线性关系有更好地掌握。[14]

此外，目前在遗传算法与支持向量机的模型结合中，遗传算法所采用的标准算法存在局部最优的问题，这会对财务风险预警模型的精度与速度造成一定的影响。于是，丁德臣（2011）提出了基于混合全局优化正交遗传算法和支持向量机的财务风险预警模型，利用混合全局优化正交遗传算法来提高支持向量机在特征子集选择和参数最优化两个方面的效果。经对选取的29家中国财产保险企业的实证研究数据表明，HOGA-SVM模型对企业的财务风险有很好的预警效果，混合模型的改进效果明显。[15]

4 财务风险预警新模型的开发研究

财务风险预警模型的研究要想取得突破性的进展，还需要有新鲜血液的注入，学科间方法的交叉贯通为我国企业财务风险预警新模型的开发研究提供了新思路。

邹清明和黄钟亿（2016）将广泛应用在生物医学、保险精算领域的比例优势模型应用到企业财务风险预警中来。他们以从国泰安数据库中选取的321家制造业上市公司为研究对象，利用EM遗传算法及显著性检验、多重线性检验对初选指标进行处理，运用ALASSO变量选择程序确定影响企业发生财务困境的主要因素，得到了参数估计与基本优势比函数的估计值，并将Cox模型和比例优势模型的财务风险预测效果进行比较，实证结果表明比例优势模型对企业财务困境有较好的预测能力。[16]他們选取的比例优势模型，较好地解决了风险预测中的时变性问题，为财务风险预警提供了新的研究方法。

彭建峰等（2015）将目标转向用于宏观货币危机预警的KLR模型，以20家制造业上市公司为研究对象，对选取的16个财务指标分别从单指标和合成指标两方面展开实证检验分析。最终结果表明，KLR模型具有较高的预测精度，对预警我国企业财务风险有较好的效果。[17]文章所提出的KLR模型能够通过单指标分析揭示企业财务风险传导的路径，也能够通过合成指标的分析来明确企业财务风险的程度，为企业财务风险预警提供了一种好方法。

张友棠和黄阳（2011）剖析行业环境对企业财务风险的作用机理，利用系统动力学原理构建企业财务预警控制模型，并选取四川长虹集团作为该模型的应用实例进行验证，结果表明系统动力学模型能够很好地分析出在既定的外部环境下企业内部风险控制点，并且能对未来企业财务状况进行准确预测。[18]文中提出的以系统动力学原理构建的企业财务预警控制模型有两个突出优势：一是能全面形象地诠释行业环境风险与企业财务风险的互动关系；二是能将财务风险预警与控制的有机结合起来，有很强的实用性。

5 结论

通过以上对企业财务风险预警模型的国内研究综述可以看出，在内容上学者们对现有财务风险预警模型的验证研究、模型间的对比研究、模型的改进研究以及新模型的开发研究四个方面进行了探索，并得到了很多有意义的结论；在研究方法上，主要采用实证研究方法，利用SPSS、MATLAB等软件，通过因子分析、描述统计分析、回归分析等方法对搜集的上市公司的数据进行处理，然后代入相关模型来对财务风险预警模型进行验证及对比研究等，以事实和数据为依据，论证严密、科学，使得研究结果更具有说服力。但是，对企业财务风险预警模型的研究仍存在以下几方面的问题：

①预警指标的选择主观性大。预警指标的选择对财务风险预警模型的效果有直接的影响，但是目前大多文献对指标的选择主观性较强，尽管对于指标的进一步筛选方面选用了较为科学合理的因子分析、回归分析等手段，但对于预警指标的初步选择大多没有给出明确、合理的解释。

②预警模型评估标准不明确。对于建立的企业财务风险预警模型的实用性、有效性没有明确的评估标准，模型的预测准确率达到多少才算有效没有明确的说法，例如黄德忠和朱超群（2016）提出的引入企业资产质量指标的财务风险预警模型在总体预警准确率为75.7%，而曹彤和郭亚军（2014）构建的BP神经网络模型预测结果的综合正确率为88%，两者相差12.3%，差距较大，但结论都总结为有效，不免令人疑惑。

③实证研究方法应用不规范。通过上述文献发现，在实证研究方法的应用方面普遍存在实证检验步骤列示不明晰的问题，例如在雷振华和楚攀（2013）、黄德忠和朱超群（2016）等文中未将显著性检验、多重共线性检验、K-S检验的结果进行列示，不便于后者做进一步的分析判断。

鉴于以上分析，笔者认为在以后的研究中，对于预警指标的选择、预警模型评估标准的确定以及实证研究方法的规范应用等方面有待进一步完善。

参考文献：

[1]叶柏青，王玲慧.基于管理用报表的高新技术企业财务预警研究[J].哈尔滨商业大学学报（社会科学版），2016（1）：104-111.

[2]刘倩.基于二元逻辑模型的企业财务预警机制研究[J].统计与决策，2010（14）：187-188.

[3]张蔚虹，朱海霞.Z-Score模型对科技型上市公司财务风险预警的适用性检验[J].科技管理研究，2012（14）：228-231.

[4]雷振华，楚攀.基于Cox模型的财务风险预警实证研究——以1990-2012年信息技术类上市公司数据为例[J].湖南社会科学，2013（06）：164-167.

[5]曹彤，郭亚军.基于神经网络模型的上市公司财务风险预警研究——来自山东省制造业数据[J].财会通讯，2014（9）：89-92.

[6]杨知宇，杨景海.基于现金流量视角的财务风险预警模型分析——以ST上市公司为例[J].会计之友，2014（30）：46-50.

[7]蒋盛益，汪珊，蔡余冲.基于机器学习的上市公司财务预警模型的构建[J].统计与决策，2010（09）：166-167.

[8]李红琨，陈永飞，赵根.基于现金流的财务预警研究：线性概率模型与Logistic模型之应用比较[J].经济问题探索，2011（06）：102-105，111.

[9]黄德忠，朱超群.引入企业资产质量指标的财务风险预警模型[J].财会月刊，2016（08）：48-52.