國內(nèi)外財務風險預警研究文獻綜述

□文/王 丹

（山東財政學院會計學院 山東·濟南）

一、企業(yè)財務預警的基本含義

企業(yè)財務預警，即財務失敗預警，是指借助企業(yè)提供的財務報表、經(jīng)營計劃及其他相關會計資料，利用財會、統(tǒng)計、金融、企業(yè)管理、市場營銷理論，采用比率分析、比較分析、因素分析及多種分析方法，對企業(yè)的經(jīng)營活動、財務活動等進行分析預測，以發(fā)現(xiàn)企業(yè)在經(jīng)營管理活動中潛在的經(jīng)營風險和財務風險，并在危機發(fā)生之前向企業(yè)經(jīng)營者發(fā)出警告，督促企業(yè)管理當局采取有效措施，避免潛在的風險演變成損失，起到未雨綢繆的作用。

二、國外專家學者對財務風險預警的研究

（一）單變量模型

1、1932年，F(xiàn)itzpatrick利用單變量破產(chǎn)模型，選取19個樣本運用單個財務比率進行預測，結果發(fā)現(xiàn)判別能力最高的是凈利潤/股東權益和股東權益/負債兩個比率。當時由于條件限制，主要的研究方法就是對正常企業(yè)和非正常企業(yè)進行財務比率比較和經(jīng)驗分析。

2、1966年，Bwaver利用 30個財務比率進行研究，發(fā)現(xiàn)三個比率是有效的：債務保障率（現(xiàn)金流量/債務總額）、資產(chǎn)收益率（凈收益/資產(chǎn)總額）、資產(chǎn)負債率（債務總額/資產(chǎn)總額），其中，債務保障率指標表現(xiàn)最好。這可以看作是單變量模型的開創(chuàng)性研究，方法簡單易行，可操作性強，在當時研究條件較差的情況下優(yōu)勢很大；其局限性也較明顯，單一的財務比率不能全面反映客觀事實，有可能在編制財務報表時存在粉飾某個指標的嫌疑，影響預測的有效性。

（二）多變量模型

1、Z計分模型。20世紀六十年代，愛德華·阿爾曼對5個財務比率分別給出一定權數(shù)，計算其加權平均數(shù)值Z值：

其中：X1=營運資金/資產(chǎn)總額；X2=留存收益/資產(chǎn)總額；X3=息稅前利潤/資產(chǎn)總額；X4=股份市值/負債賬面價值總額；X5=銷售收入/資產(chǎn)總額。

一般地，Z值越低，企業(yè)越有可能發(fā)生破產(chǎn)。若Z≥2.675，則表明企業(yè)的財務狀況良好，發(fā)生破產(chǎn)的可能性較小；若Z≤1.81，則企業(yè)存在很大的破產(chǎn)危險。

該模型實際上是通過五個變量（五種財務比率），將反映企業(yè)償債能力的指標（X1、X4）、獲利能力的指標（X2、X3）和運營能力的指標（X5）有機聯(lián)系起來，綜合分析預測企業(yè)財務失敗或破產(chǎn)的可能性。在企業(yè)失敗前一、二年的預測準確率很高；預測期變長，準確率有所降低，距失敗前五年的預測準確率僅為36%。1977年，愛德華又對自己的模型進行了修正，提出了ZETA模型。

Z計分模型準確率相比之前的單變量模型有很大的提高，但是未充分考慮到現(xiàn)金流量變動情況，而且要求變量符合正態(tài)分布的假設，降低了模型的使用范圍。

2、Logisitic回歸模型。該模型屬于線性概率模型，通過對觀察對象條件概率的觀測，來判定對象的財務狀況和經(jīng)營風險。適用于因變量是非連續(xù)的且為二分類選擇模式，將違約概率限定在0和1之間，并通過函數(shù)的對數(shù)分布來計算違約的概率。在二分類判別法中假設因變量為1和0，分別對應事件發(fā)生和事件不發(fā)生。Logisitic回歸模型形式為：

該模型使用的是最大似然估計，似然函數(shù)值越大，表明模型的模擬效果越好。其最大優(yōu)點是，不需要嚴格的假設條件，能夠克服線性方程受統(tǒng)計假設約束的局限性，具有更廣泛的適用范圍。目前這種模型使用較為普遍，但其計算過程較復雜，需要操作者具有較高的數(shù)學基礎，同時其計算過程有近似處理，結果將會影響到預測的精確度。

3、Probit模型。假定企業(yè)的破產(chǎn)概率為P，樣本服從正態(tài)分布，選取的財務指標對應P的分位數(shù)，先確定企業(yè)樣本的極大似然函數(shù)，然后通過求似然函數(shù)的極大值就可以得到參數(shù)αβ，然后就可以利用公式求出企業(yè)的破產(chǎn)概率。P＜0.5，判別為財務正常；P＞0.5，即為破產(chǎn)型。

其公式為：

該模型和Logistic模型方法相似，但條件嚴格，計算方法相對復雜，使用面不如Logistic模型廣泛。

4、人工神經(jīng)網(wǎng)絡理論和方法（ANN）。神經(jīng)網(wǎng)絡模型是一種并行分布模式處理系統(tǒng)，是由大量的簡單處理單元相互聯(lián)結組成的復雜網(wǎng)絡系統(tǒng)，具有高度并行計算能力、自學能力和容錯能力。作為非參數(shù)的預測模型，它克服了選擇模型函數(shù)形式的困難，同時對樣本及變量的分布特征沒有限制，還能克服統(tǒng)計方面的限制，能夠同時處理定性變量和定量變量，具備處理資料遺漏或是錯誤的能力。然而由于理論基礎比較薄弱，模型計算量較大，辨別能力不強，人工神經(jīng)網(wǎng)絡對人體大腦神經(jīng)模擬的科學性、準確性還有待進一步提高。

5、遞歸劃分分析模型。以財務比率為判別點建立二叉分類樹，以最低誤判成本為標準對樣本企業(yè)進行分類預測。結果發(fā)現(xiàn)將破產(chǎn)企業(yè)誤判為非破產(chǎn)企業(yè)的概率要高于將非破產(chǎn)企業(yè)誤判為破產(chǎn)企業(yè)。可以選用非財務指標和定性指標，但復雜的分類樹結構可能引起樣本的過度適應，預測風險高。

6、支持向量機模型。該模型建立在機器學習理論基礎之上，F(xiàn)an A etc采用歐氏距離方式最大化不同類的向量之間的距離、最小化同類的向量之間的距離，實現(xiàn)對預警指標的篩選，計算成本較低。Van Gestel T etc將其應用到財務危機預警模型中，采用最小二乘法作為支持向量機線性學習器，構建LS-SVM財務危機預警模型，判別準確率高達89.91%。

三、我國學者的主要研究

國內(nèi)關于財務危機預警的研究開始于20世紀八十年代中后期，直到1996年以后，才陸續(xù)出現(xiàn)以企業(yè)財務數(shù)據(jù)為基礎而建立的財務危機預警模型，并逐漸發(fā)展起來。

1996年周首華、楊濟華和王平，在Z分數(shù)模型的基礎上進行改進，選取了31家破產(chǎn)公司和31家非破產(chǎn)公司作為樣本建立模型，并且用4，160家公司的數(shù)據(jù)作為檢驗樣本進行驗證，該模型充分考慮了現(xiàn)金流量變動情況指標，具體模型為：

其中，X1、X2及 X4與 Z計分模型中的X1、X2及 X4反映的指標相同，而 X3、X5與Z分數(shù)模型的X3、X5不同。X3=（稅后凈收益+折舊）/平均總負債，它是一個現(xiàn)金流量變量，是衡量企業(yè)所產(chǎn)生的全部現(xiàn)金流量可用于償還企業(yè)債務能力的重要指標。X5=（稅后凈收益+利息+折舊）/平均總資產(chǎn)，測定的是企業(yè)總資產(chǎn)在創(chuàng)造現(xiàn)金流量方面的能力（其中的利息是指企業(yè)利息收入減去利息支出后的余額）。相對于Z分數(shù)模型，它可以更準確地預測出企業(yè)是否存在財務風險，判別臨界點為0.0274。

1999年陳靜選取1998年27家ST公司和同行業(yè)、同規(guī)模27家非ST公司作為樣本分析。在單變量分析中，選取了資產(chǎn)負債率、凈資產(chǎn)收益率、總資產(chǎn)收益率、流動比率4個指標。發(fā)現(xiàn)流動比率和負債比率的誤判率最低。在多元判別中選取負債比率、凈資產(chǎn)收益率、流動比率、營運資本/總資產(chǎn)、總資產(chǎn)周轉率等財務指標構建的模型，在公司ST發(fā)生前三年能夠較好地對財務危機進行預測。

2001年吳世農(nóng)、盧賢義采用剖面分析法、單變量判定分析方法、多元線性判定方法進行財務危機預警研究，得出結論：多變量優(yōu)于單變量，且Logit回歸模型的判定準確性最高。選取的預測變量有盈利增長指數(shù)、資產(chǎn)報酬率、流動比率、存取負債股東權益比率、營運資本/總資產(chǎn)、資產(chǎn)周轉率。同年，楊保安引入神經(jīng)網(wǎng)絡分析方法并應用于企業(yè)財務危機判定與預測，選用BP神經(jīng)網(wǎng)絡法構建模型，結果顯示判別正確率高達95%。

2003年，楊淑娥、徐偉剛在借鑒美國學者Altman的Z分數(shù)模型基礎上，在變量選取方面考慮到反映現(xiàn)金流量方面的比率指標和累計盈利能力的比率指標，具體共12個指標：速動比率、權益比率、利息保障倍數(shù)、債務保障率、來自經(jīng)營活動的現(xiàn)金流量總額、總資產(chǎn)報酬率、銷售成本利潤率、應收賬款周轉率、存貨周轉率、主營業(yè)務增長率、資本保值率、累積盈利能力，形成了Y模型。

四、各種模型評述

單變量分析模型相對簡單直觀，但不能夠反映企業(yè)綜合財務狀況，同時使用幾個單變量，有可能出現(xiàn)矛盾情況。多元線性判別模型能夠較全面反映企業(yè)財務狀況，提高判別和預測的準確度，變量之間需要滿足不同的假設前提，且需要大量的樣本作為支撐，計算相對復雜。ANN模型具有較好的模式識別能力，并且具有學習能力，無需考慮變量之間的統(tǒng)計關系，能同時處理定性和定量變量，也同時存在結構確定困難性、不具解釋性、操作性差及訓練效率低的缺陷。支持向量機模型是一種新型的模式，無需特殊假設，針對小樣本具有較廣的推廣空間。

每種分析方法均有其適用條件及優(yōu)缺點，企業(yè)應根據(jù)行業(yè)特點選擇操作性強的財務預警模型，建立財務預警系統(tǒng)，及時預測財務狀況，提高自身競爭能力。

[1]張春蓮，張淑琴.財務危機預警模型綜述及其啟示 [J].中國高新技術企業(yè)，2009.11.

[2]陳靜.上市公司財務惡化預測的實證分析[J].會計研究，1999.4.

[3]周首華，楊濟華，王平.論財務危機的預警分析——F分數(shù)模式[J].會計研究，1996.8.