多變量財(cái)務(wù)預(yù)警模型實(shí)證的比較分析

王曉燕 雷振華

一、引言

隨著我國(guó)市場(chǎng)經(jīng)濟(jì)體制改革的不斷深化和資本市場(chǎng)的快速發(fā)展，現(xiàn)代企業(yè)由于外部市場(chǎng)競(jìng)爭(zhēng)的加劇和內(nèi)部經(jīng)營(yíng)管理的不善，不少企業(yè)出現(xiàn)了財(cái)務(wù)危機(jī)，并企圖借助于財(cái)務(wù)預(yù)警模型進(jìn)行預(yù)警，以防范財(cái)務(wù)危機(jī)的發(fā)生。事實(shí)證明，單變量模型具有以下局限性:其一，僅用一個(gè)財(cái)務(wù)指標(biāo)不可能充分反映企業(yè)的財(cái)務(wù)特征；其二，如果使用多個(gè)指標(biāo)分別進(jìn)行判斷，得出的結(jié)果之間可能會(huì)產(chǎn)生矛盾，以致分析者無(wú)法做出正確判斷。因此，多變量財(cái)務(wù)預(yù)警模型逐步取代單變量財(cái)務(wù)預(yù)警模型成為廣泛應(yīng)用的模型。雖然多種多變量財(cái)務(wù)預(yù)警模型為現(xiàn)代企業(yè)預(yù)測(cè)財(cái)務(wù)狀況提供了多種選擇，但由于每種模型有其各自的前提條件以及模型自身的特點(diǎn)，這使得從眾多模型中挑選出一種最具代表性的模型的可能性大大降低了。

基于此，本文就國(guó)內(nèi)外學(xué)者對(duì)各種多變量財(cái)務(wù)預(yù)警模型的實(shí)證研究情況進(jìn)行總結(jié)和比較。通過(guò)對(duì)多種多變量財(cái)務(wù)預(yù)警模型的實(shí)證情況進(jìn)行比較，一方面可以充分展示我國(guó)財(cái)務(wù)預(yù)警實(shí)證研究的發(fā)展?fàn)顩r；另一方面對(duì)我國(guó)財(cái)務(wù)預(yù)警實(shí)證研究存在的問(wèn)題進(jìn)行總結(jié)，就財(cái)務(wù)預(yù)警實(shí)證研究的未來(lái)發(fā)展方向提出建議。同時(shí)，也為多變量財(cái)務(wù)預(yù)警模型的相關(guān)使用者選擇一種適合自己的、操作性強(qiáng)的、預(yù)測(cè)精度高的預(yù)警模型提供了依據(jù)。

二、常用多變量財(cái)務(wù)預(yù)警模型的基本原理

（一）多元線性判定模型

多元判定模型中最著名的模型是美國(guó)Altman（1968）的Z分?jǐn)?shù)模型:Z=0.12X1+0.14X2+0.033X3+0.006X4+0.001X5，其中x1、x2、x3、x4、x5是五個(gè)財(cái)務(wù)指標(biāo)。根據(jù)判別方程可以把單個(gè)企業(yè)的各種財(cái)務(wù)比率轉(zhuǎn)換成單一的判別標(biāo)準(zhǔn)，或稱為Z值，根據(jù)Z值將企業(yè)分為“破產(chǎn)”或“非破產(chǎn)”兩類。

（二）主成分模型

主成分模型是國(guó)內(nèi)學(xué)者張愛(ài)民等（2001）借鑒Altman的多元z值判定模型，運(yùn)用統(tǒng)計(jì)學(xué)的主成分分析方法建立的。其主要思想是:通過(guò)對(duì)原始的財(cái)務(wù)指標(biāo)相關(guān)矩陣內(nèi)部結(jié)構(gòu)關(guān)系的研究，找出影響上市公司的財(cái)務(wù)狀況的幾個(gè)綜合指標(biāo)，即主成分，使綜合指標(biāo)為原始指標(biāo)的線性組合，綜合指標(biāo)不僅保留了原始指標(biāo)的主要信息，彼此又完全不相關(guān)，同時(shí)比原始指標(biāo)具有某些更優(yōu)越的性質(zhì)。該模型的差別方程式為:PS=V1Z1+V2Z2+V3Z3+V4Z4+V5Z5，其中，V1、V2、V3、V4、V5是系數(shù)，Z1、Z2、Z3、Z4、Z5是綜合指標(biāo)。

（三）多元回歸模型

多元回歸模型包括Logistic回歸模型和Probit回歸模型。Martin（1977）在財(cái)務(wù)危機(jī)預(yù)警研究中首次采用了多元邏輯回歸模型。該模型假設(shè)企業(yè)破產(chǎn)的概率為P（破產(chǎn)取1，非破產(chǎn)取0），并假設(shè)Ln[p/(1-p)]可以用財(cái)務(wù)比率線性解釋。假定Ln[p/(1-p)]=a+bx，推導(dǎo)得出P=exp（a+bx）[1+exp（a+bx）]，從而計(jì)算出企業(yè)破產(chǎn)的概率。判別規(guī)則是:如果P＞0.5，則判定企業(yè)為即將破產(chǎn)類型；如果P＜0.5，則判定企業(yè)財(cái)務(wù)正常。Probit模型和Logistic模型相似。

（四）人工神經(jīng)網(wǎng)絡(luò)模型（ANN）

Odom和Sharda（1990）第一次運(yùn)用神經(jīng)網(wǎng)絡(luò)進(jìn)行財(cái)務(wù)困境預(yù)測(cè)問(wèn)題的探索。該模型由輸入層、輸出層和隱藏層組成，通過(guò)網(wǎng)絡(luò)的學(xué)習(xí)和數(shù)據(jù)的修正得出期望輸出，然后根據(jù)學(xué)習(xí)得出的判別規(guī)則來(lái)分類。

三、多變量財(cái)務(wù)預(yù)警模型的應(yīng)用

美國(guó)學(xué)者Altman（1968）最早運(yùn)用多變量分析方法探討財(cái)務(wù)預(yù)警問(wèn)題，并與其合作者建立了Z分?jǐn)?shù)模型系列，包括Z-Score模型、Z′-Score模型、Z″-Score模型和ZETA模型，目前這些模型主要用于信用政策、信貸評(píng)審、貸款定價(jià)以及證券化等領(lǐng)域。在國(guó)內(nèi)，周首華（1996）等學(xué)者在Z分?jǐn)?shù)模型的基礎(chǔ)上提出了F分?jǐn)?shù)預(yù)測(cè)模型，通過(guò)更新指標(biāo)和擴(kuò)大樣本數(shù)對(duì)Z分?jǐn)?shù)模型進(jìn)行了修正，提高了該模型在國(guó)內(nèi)的應(yīng)用性。之后，張愛(ài)民（2001）等借鑒Altman的Z分?jǐn)?shù)模型提出了主成分分析模型，該模型對(duì)財(cái)務(wù)比率原始數(shù)據(jù)進(jìn)行了標(biāo)準(zhǔn)化處理，使得各財(cái)務(wù)比率之間具有可比性和可加性，從而提高了模型的預(yù)測(cè)能力。然而由于判別分析方法要求有嚴(yán)格的假設(shè)前提，即要求解釋變量符合多元正態(tài)分布，兩組樣本要求協(xié)方差矩陣相等，而現(xiàn)實(shí)的樣本數(shù)據(jù)往往不符合這一假設(shè)，這無(wú)疑會(huì)降低該模型的預(yù)測(cè)精度。為了克服判別分析模型的這一局限性，Martin（1977）最早運(yùn)用Logistic回歸模型進(jìn)行銀行財(cái)務(wù)危機(jī)預(yù)測(cè)。但最有影響力的還是Ohlson（1980）的公司財(cái)務(wù)危機(jī)的預(yù)測(cè)。國(guó)內(nèi)學(xué)者姜秀華、呂長(zhǎng)江等也對(duì)Logistic模型進(jìn)行了實(shí)證分析，并且有些學(xué)者把主成分分析方法和Logistic回歸模型相結(jié)合，對(duì)財(cái)務(wù)危機(jī)進(jìn)行預(yù)測(cè)。

近年來(lái)，人工神經(jīng)網(wǎng)絡(luò)模型也是廣泛應(yīng)用的財(cái)務(wù)預(yù)測(cè)模型之一。Odomand Sharda（1990）開拓了用人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)財(cái)務(wù)困境的新方法，Tam（1991）采用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行財(cái)務(wù)預(yù)警研究，通過(guò)對(duì)人工神經(jīng)網(wǎng)絡(luò)的模擬，得出神經(jīng)網(wǎng)絡(luò)可以應(yīng)用于財(cái)務(wù)預(yù)警，且具有較高的預(yù)測(cè)精度。國(guó)內(nèi)學(xué)者楊保安等（2002）也采用人工神經(jīng)網(wǎng)絡(luò)模型進(jìn)行財(cái)務(wù)危機(jī)預(yù)警研究，結(jié)果表明神經(jīng)網(wǎng)絡(luò)是進(jìn)行財(cái)務(wù)評(píng)估的一種很好的應(yīng)用工具。

四、多變量財(cái)務(wù)預(yù)警模型實(shí)證比較分析

（一）前提條件比較分析

在研究財(cái)務(wù)預(yù)警模型的過(guò)程中首先應(yīng)該考慮各種模型適用的前提條件。多元判定模型和主成分模型通常形成一個(gè)線性判定函數(shù)式，據(jù)此判斷待判企業(yè)的歸屬，一般要求數(shù)據(jù)服從正態(tài)分布和兩組樣本間協(xié)方差矩陣相等。Logistic模型和Probit模型均是為了克服簡(jiǎn)單線性概率模型的缺陷而建立起來(lái)的，一般采用最大似然估計(jì)方法進(jìn)行估計(jì)，不需要滿足正態(tài)分布和兩組樣本協(xié)方差矩陣相等的條件，得出的結(jié)論直接表示企業(yè)發(fā)生財(cái)務(wù)失敗的可能性的大小。人工神經(jīng)網(wǎng)絡(luò)模型則對(duì)財(cái)務(wù)指標(biāo)的分布沒(méi)有特別的要求特別適合于變量服從未知分布，且自變量組間協(xié)方差矩陣不相等的情況。

（二）樣本和數(shù)據(jù)選取的比較分析

財(cái)務(wù)危機(jī)預(yù)警的國(guó)內(nèi)外研究者由于國(guó)情不同、研究目的不同，對(duì)財(cái)務(wù)危機(jī)含義的界定有所區(qū)別:國(guó)外學(xué)者大都以提出破產(chǎn)申請(qǐng)的企業(yè)作為研究對(duì)象；而國(guó)內(nèi)學(xué)者則以滬、深兩市因“財(cái)務(wù)狀況異常”而被ST的上市公司作為研究對(duì)象。

國(guó)外的研究學(xué)者通常采用比較樣本建模，即選擇相同數(shù)量的破產(chǎn)企業(yè)和非破產(chǎn)企業(yè)。Altman（1968）則選取了33家1946～1964年間破產(chǎn)的且資產(chǎn)規(guī)模在70～2590萬(wàn)美元之間企業(yè)和相同數(shù)量、同一行業(yè)、同等資產(chǎn)規(guī)模的非破產(chǎn)企業(yè)作為樣本企業(yè)，數(shù)據(jù)來(lái)自《Moody的行業(yè)手冊(cè)》。我國(guó)學(xué)者則大部分是選擇近幾年的ST公司和相應(yīng)的非ST公司作為研究樣本，其數(shù)據(jù)大部分來(lái)源于上市公司公布的財(cái)務(wù)報(bào)表。如吳世農(nóng)、盧賢義（2001）則選擇了1998～2000年期間的70家ST上市公司和相對(duì)應(yīng)的70家非ST公司作為研究樣本。

（三）財(cái)務(wù)指標(biāo)選取的比較分析

國(guó)外學(xué)者Altman（1968）選取了5個(gè)具有代表的會(huì)計(jì)比率類財(cái)務(wù)指標(biāo)，構(gòu)建了Z分?jǐn)?shù)模型，他認(rèn)為這些財(cái)務(wù)變量是評(píng)價(jià)企業(yè)總體財(cái)務(wù)狀況的最佳指標(biāo)。國(guó)內(nèi)學(xué)者周首華（1996）的F分?jǐn)?shù)模型是在Z分?jǐn)?shù)模型的基礎(chǔ)上加入了現(xiàn)金流量這一預(yù)測(cè)指標(biāo)，證明在短期內(nèi)許多公司財(cái)務(wù)危機(jī)和現(xiàn)金流斷裂有直接關(guān)系。張愛(ài)民（2000）的主成分分析模型以及楊淑娥、徐偉剛（2003）運(yùn)用主成分分析方法構(gòu)建的Y分?jǐn)?shù)模型中也僅涉及到會(huì)計(jì)比率類財(cái)務(wù)指標(biāo)。直到2004年，張友棠引入了現(xiàn)金盈利值（CFV）與現(xiàn)金增加值（CAV）這兩個(gè)現(xiàn)在指標(biāo)概念，雖然這兩個(gè)指標(biāo)并未得到后來(lái)學(xué)者們的廣泛使用，但這一思想深刻地影響著后來(lái)的學(xué)者們。在隨后的絕大多數(shù)文獻(xiàn)中就開始出現(xiàn)了現(xiàn)金流量類指標(biāo)的身影，并且在越來(lái)越多的文獻(xiàn)中占據(jù)主要地位。

Marttin（1977）首次構(gòu)建多元邏輯回歸模型時(shí)也只選取了25個(gè)財(cái)務(wù)比率。隨后，Ohlson（1980）采用Logistic回歸模型時(shí)，不僅以現(xiàn)金流量指標(biāo)為基礎(chǔ)，而且加入了非財(cái)務(wù)類指標(biāo)，即公司規(guī)模、資本結(jié)構(gòu)、業(yè)績(jī)和當(dāng)前的變現(xiàn)能力。隨著財(cái)務(wù)預(yù)警研究與應(yīng)用成果逐漸引入國(guó)內(nèi)，基于非財(cái)務(wù)指標(biāo)的財(cái)務(wù)預(yù)警思想也同時(shí)傳入國(guó)內(nèi)，非財(cái)務(wù)指標(biāo)是在2004年后大量出現(xiàn)的，并且越來(lái)越多學(xué)者的研究表明非財(cái)務(wù)類指標(biāo)與會(huì)計(jì)比率類指標(biāo)和現(xiàn)金流量類指標(biāo)相結(jié)合建立的預(yù)警指標(biāo)體系，能夠很大程度地提高預(yù)警模型的預(yù)測(cè)精度。國(guó)內(nèi)學(xué)者楊保安（2001）首次應(yīng)用人工神經(jīng)網(wǎng)絡(luò)模型時(shí)，只考慮了會(huì)計(jì)比率類的財(cái)務(wù)指標(biāo)，楊淑娥等學(xué)者在研究人工神經(jīng)網(wǎng)絡(luò)模型時(shí)則加入了現(xiàn)金流量類指標(biāo)。

從上述文獻(xiàn)來(lái)看，在研究初期，學(xué)者們都只注重會(huì)計(jì)比率類的財(cái)務(wù)指標(biāo)，但指標(biāo)選取并非與模型是匹配的，而是隨著研究的發(fā)展指標(biāo)選取也在不斷的進(jìn)行完善，加進(jìn)了現(xiàn)金流量類指標(biāo)和非財(cái)務(wù)類指標(biāo)，使模型能夠更加準(zhǔn)確預(yù)測(cè)現(xiàn)代企業(yè)的財(cái)務(wù)狀況。

（四）模型預(yù)測(cè)準(zhǔn)確度的比較分析

Altman（1994）以意大利工業(yè)企業(yè)為樣本，比較了神經(jīng)網(wǎng)絡(luò)方法與線性判別方法，發(fā)現(xiàn)有時(shí)神經(jīng)網(wǎng)絡(luò)方法要優(yōu)于線性判別方法，但由于神經(jīng)網(wǎng)絡(luò)有時(shí)過(guò)度訓(xùn)練產(chǎn)生了不合理的權(quán)重，從總體上看線性判別方法要優(yōu)于神經(jīng)網(wǎng)絡(luò)方法。陳瑜（2000）對(duì)運(yùn)用主成分分析、回歸分析與判別分析對(duì)證券市場(chǎng)ST公司進(jìn)行財(cái)務(wù)危機(jī)預(yù)測(cè)，結(jié)果表明:主成分分析方法的預(yù)測(cè)效果最好，回歸分析法的預(yù)測(cè)效果次之，判別分析法的預(yù)測(cè)能力則隨著年份的臨近，正確性逐步提高。吳世農(nóng)、盧賢義（2001）通過(guò)應(yīng)用Fisher線性判定分析、多元線性回歸分析和Logistic回歸分析三種方法，分別建立三種預(yù)測(cè)財(cái)務(wù)困境的模型，并比較三種判定模型的效果，表明Logistic模型的判定準(zhǔn)確性最高。喬卓等（2002）通過(guò)對(duì)Fisher判別模型、Logistic回歸模型以及神經(jīng)網(wǎng)絡(luò)模型在財(cái)務(wù)困境預(yù)測(cè)中的比較研究，發(fā)現(xiàn)提前2年和提前3年神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)精度明顯高于Logistic模型和Fisher判別分析模型。楊淑娥、黃禮（2005）分別采用BP人工神經(jīng)網(wǎng)絡(luò)工具和主成分分析法建立財(cái)務(wù)預(yù)警模型，并且對(duì)同一建模樣本和檢驗(yàn)樣本進(jìn)行預(yù)測(cè)，BP人工神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)精確度相比主成分分析模型的精確度有很大的提高。呂長(zhǎng)江等（2005）分別運(yùn)用多元判別分析、邏輯線性回歸和人工神經(jīng)網(wǎng)絡(luò)對(duì)財(cái)務(wù)狀況處于困境的公司進(jìn)行預(yù)測(cè)比較分析。結(jié)果表明:三個(gè)主流模型均能在公司發(fā)生財(cái)務(wù)困境前1年和前2～3年較好地進(jìn)行預(yù)測(cè)。其中，多元判別分析要遜色于邏輯線性回歸，人工神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)準(zhǔn)確率最高。

通過(guò)以上的比較，人工神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)能力要優(yōu)于統(tǒng)計(jì)模型的預(yù)測(cè)能力，而在統(tǒng)計(jì)模型中，主成分模型的預(yù)測(cè)能力最優(yōu)，回歸模型次之，多元線性判別模型相對(duì)較差。然而，財(cái)務(wù)預(yù)警模型的優(yōu)劣不能光憑預(yù)測(cè)能力的高低來(lái)判定，因?yàn)楦鞣N模型的適用的前提條件是有差異的。為了更直觀，多種多變量財(cái)務(wù)預(yù)警模型實(shí)證的區(qū)別如表1所示:

?

五、結(jié)論與啟示

綜觀國(guó)內(nèi)外文獻(xiàn)，財(cái)務(wù)預(yù)警研究對(duì)多變量財(cái)務(wù)預(yù)警模型的運(yùn)用主要集中在以上幾種模型上，其中人工神經(jīng)網(wǎng)絡(luò)模型在理論上是預(yù)測(cè)能力最強(qiáng)的模型，但在實(shí)務(wù)中應(yīng)用卻有諸多的問(wèn)題，相比之下，統(tǒng)計(jì)模型簡(jiǎn)單可行，有更廣泛的適用性。多變量財(cái)務(wù)預(yù)警模型只是為相關(guān)使用者提供一種預(yù)測(cè)財(cái)務(wù)風(fēng)險(xiǎn)并歸避風(fēng)險(xiǎn)的方法，而不是強(qiáng)調(diào)模型本身的精妙性。加之，財(cái)務(wù)預(yù)警模型只是用財(cái)務(wù)報(bào)表進(jìn)行財(cái)務(wù)預(yù)警，而不能對(duì)財(cái)務(wù)報(bào)告的真?zhèn)芜M(jìn)行鑒別，很有可能對(duì)失真的財(cái)務(wù)報(bào)告進(jìn)行預(yù)警，進(jìn)而使預(yù)測(cè)結(jié)果發(fā)生偏差。因此，對(duì)財(cái)務(wù)預(yù)警的研究應(yīng)該與財(cái)務(wù)失真的研究相結(jié)合，以提高財(cái)務(wù)預(yù)警預(yù)測(cè)的精確度。

[1]Altman E.I.Financial Ratio，Discriminate Analysis and the Prediction of Corporate Bankruptcy[J].Journal of Finance，1968，23（9）.

[2]周首華.論財(cái)務(wù)危機(jī)的預(yù)警分析—F分?jǐn)?shù)模式[J].會(huì)計(jì)研究，1996，8.

[3]張愛(ài)民，祝春山，許丹健.上市公司財(cái)務(wù)失敗的主成分預(yù)測(cè)模型及其實(shí)證研究[J].金融研究，2001（3）.

[4]Martin D.Early Warning of Bank Failure:A Logistic Regression Approach[J].Journal of Banking and Finance，1977（7）.

[5]Odom M.D and Sharda R.A Neural Network Model for Bankruptcy Prediction.In Proceedings of the International Joint Conference on Neural Network Tool[J].Financial Management，1990，2（6）.

[6]吳世農(nóng)、盧賢義.我國(guó)上市公司財(cái)務(wù)困境的預(yù)測(cè)模型研究[J].經(jīng)濟(jì)研究，2001（6）.

[7]楊淑娥，徐偉剛.上市公司財(cái)務(wù)預(yù)警模型——Y分?jǐn)?shù)模型的實(shí)證研究[J].中國(guó)軟科學(xué)，2003（1）.

[8]楊保安，季海，徐晶等.BP神經(jīng)網(wǎng)絡(luò)在企業(yè)財(cái)務(wù)危機(jī)預(yù)警之應(yīng)用[J].預(yù)測(cè)，2001（2）.

[9]楊淑娥，黃禮.基于BP神經(jīng)網(wǎng)絡(luò)的上市公司財(cái)務(wù)預(yù)警模型[J].系統(tǒng)工程理論與實(shí)踐，2005（1）.

[10]Ohlson J.A.Financial Ratios and the Probabilistic Prediction of Bankruptcy[J].Journal of Accounting Research，1980（9）.