企業(yè)財務風險預警模型國內研究述評

趙鶯鶯 姜穎

摘要：文章主要從企業(yè)財務風險預警模型的驗證、模型間的對比、模型的改進以及新模型的開發(fā)研究四個方面對國內企業(yè)財務風險預警模型的研究進行歸納總結，并指出目前研究的不足之處，以期為我國企業(yè)財務風險預警模型研究的進一步發(fā)展提供借鑒。

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.

關鍵詞：財務風險；預警模型；述評

Key words： financial risk；early warning model；review

中圖分類號：F275 文獻標識碼：A 文章編號：1006-4311（2018）26-0116-04

0 引言

經濟全球化的日益深入使得企業(yè)置身于更加復雜多變的市場環(huán)境，所需應對的風險在不斷增加。近年來，風險管理已引起諸多企業(yè)的重視，其中財務風險因對企業(yè)正常運營有直接的、重大的影響而成為眾多利益相關者關注的焦點。因此，建立有效的財務風險預警模型，幫助企業(yè)實現對財務狀況的全面、實時掌控，以便及早發(fā)現問題并采取有效的防控措施，對維持企業(yè)的健康發(fā)展、保障眾多利益相關者的權益有重要的現實意義。

企業(yè)財務風險預警研究始于20世紀30年代，財務風險預警模型也從最初的單變量模型演變至包括多元線性判別模型、Logistic回歸模型等多變量預警模型。近年來，人工智能模型的運用更是將財務預警研究推向了較高水平。[1]國內對企業(yè)財務風險預警模型的研究起步較晚，在借鑒國外研究的基礎上發(fā)展迅速，已經取得了諸多有價值的成果。但是，目前對我國企業(yè)財務風險預警模型研究進行系統(tǒng)梳理分析的文章并不多見，這不便于后來研究者借鑒經驗、尋找突破點，不利于財務風險預警模型的進一步研究與發(fā)展。因此，本文旨在對已有研究成果進行梳理，從現有財務風險預警模型的驗證、模型間的對比、模型的改進以及新模型的開發(fā)研究四個方面的內容來加以歸納總結，以期促進我國企業(yè)財務風險預警模型研究的進一步發(fā)展。

1 財務風險預警模型的驗證研究

關于企業(yè)財務風險的預警研究，國內外學者已經提出了多種財務風險預警模型，但至于這些財務風險預警模型的預警效果如何，對預測我國企業(yè)的財務風險有多大適用性，需要做進一步的驗證研究。

劉倩（2010）以深滬兩市40家上市公司2008年數據為研究樣本，在借鑒國內外研究成果的基礎上初步選取了21個財務比率做預警指標，并通過相關分析法和二元邏輯回歸分析法對初選指標做進一步篩選，然后構建logit模型對40家樣本公司進行預測。檢驗結果表明，logit模型能夠有效預測企業(yè)的財務危機。[2]文章借助SPSS軟件和Eviews軟件對預警指標進行嚴密篩選，使得對logit模型有效性的驗證更有說服力。但對研究樣本的隨機選擇，沒有考慮行業(yè)差異、公司規(guī)模差異等因素的影響，可能會對研究結果有一定的影響。

張蔚虹和朱海霞（2012）選取滬深兩市40家科技型上市公司做實證檢驗對象，將各公司2008年-2010年三年相關財務數據代入Z-Score模型計算綜合風險Z值，以Altman標準來判別樣本公司財務情況，并與實際財務狀況相比較。檢驗結果表明，Z-Score模型對我國科技型上市公司財務風險有較好的預警效果。[3]文章選取的20家非ST公司樣本與20家ST和*ST公司的行業(yè)類別相同且資產總額大體相當，使得驗證較嚴密，不過在預警指標的選取方面對非財務指標的考慮稍有欠缺。

雷振華和楚攀（2013）以中國聯(lián)通為代表的102家信息技術類上市公司為研究樣本，選取涵蓋償債能力、資產營運能力、成長能力、現金流量能力和公司治理五個方面的23個初選預警指標，經過多重篩選后構建了Cox模型并帶入樣本數據進行檢驗。研究結果表明Cox模型對預警我國信息技術類上市公司的財務風險有較強的適用性。[4]文中檢驗的Cox模型在處理數據刪失問題以及因二分因變量造成的偏差問題有突出優(yōu)勢，此外作者在財務預警指標的篩選方面做了大量工作，包括描述性統(tǒng)計、顯著性檢驗以及利用主成分分析法來進行的多重共線性檢驗，使得實證結果更科學。曹彤和郭亞軍（2014）在選取樣本時兼顧到不同地區(qū)間的經濟發(fā)展狀況及經濟結構的差異以及研究樣本間的行業(yè)差異，便以山東省67家上市制造業(yè)公司作為研究樣本，選取各公司2009-2011年包含財務指標和非財務指標的樣本數據，構建BP神經網絡模型。研究表明BP神經網絡預測結果的綜合正確率達到88%，對山東省制造業(yè)上市公司有很好的財務預警效果。[5]

2 財務風險預警模型間的對比研究

關于企業(yè)財務風險預警模型，從單變量模型到多變量預警模型以及各種人工智能模型，種類眾多，優(yōu)劣各異。因此，有學者采用不同的方法對模型進行了對比研究。

楊知宇和楊景海（2015）對以利潤指標為基礎的Z模型和以現金流量財務指標為基礎的F模型進行了詳細的比較，并從新浪財經行情中心網站選取了明科、長油、寶碩、南紡、天龍、景谷6家不同行業(yè)的ST上市公司作為樣本，以各個公司2007年至2012年的財務報表數據為基礎，對F模型的預測結果進行分析，證明了F模型預警的有效性。[6]文章對Z模型和F模型的比較分析以定性分析的方式進行，詳細闡述了Z模型的缺陷及F模型的優(yōu)勢，通俗易懂，但是缺少數據結果的直接對比，說服力未免受到一定影響。

蔣盛益等（2010）選取2000-2007年我國非金融企業(yè)上市公司的財務報表數據，借助數據挖掘軟件Weka分別建立決策樹、最近鄰分類、貝葉斯網絡、多層感知機、基于規(guī)則的分類、BP神經網絡和邏輯回歸7種預警模型并對它們進行分析比較。實證結果表明，多層感知機、最近鄰分類、邏輯回歸及BP神經網絡這四種分類方法構建的模型性能基本相當，對上市公司的財務危機有較好的預測效果。[7]文章以實證數據結果為依據，對各類方法構建的預警模型的對比分析簡潔明晰，為利益相關者選擇有效的財務危機預警模型提供了一定的參考。李紅琨等（2011）以從深滬兩市抽取30家ST公司和70家非ST公司的2008年的年報數據為基礎，綜合考慮現金流指標與非現金流指標，采用回歸分析法，對線性概率模型和Logistic模型在我國資本市場的應用效果進行比較研究，得出兩模型對我國上市公司財務風險預警效果均較理想的結論，準確率分別為92%和88%。但是該文基于線性概率模型的假定及分析中人為主觀賦值的問題，提出在實際應用中應更多的選擇 Logistic模型的建議。[8]文章通過線性概率模型和Logistic模型的對比分析，為解決基于現金流的多變量模型孰優(yōu)孰劣的問題提供了很好的借鑒。

3 財務風險預警模型的改進研究

現有的財務風險預警模型都或多或少存在著些許缺陷，因此也有學者致力于對現有模型的改進研究，以期獲得對企業(yè)財務風險的更好的預警效果。通過分析文獻來看，對財務風險模型的改進研究主要從指標優(yōu)化和模型混合兩方面來取得突破。

3.1 指標優(yōu)化的改進研究

傳統(tǒng)的財務風險預警模型多是選擇財務指標為預警指標，但是財務指標不能涵蓋企業(yè)全部的財務狀況信息，且不能全面的、深入的揭示企業(yè)財務風險成因。黃德忠和朱超群（2016）將企業(yè)資產質量指標引入到財務風險預警模型中去，選取2010至2013年首次被ST的48家上市公司以及配對的96家正常公司的數據為樣本，構建了只含常用財務指標的財務預警模型與含有資產質量指標的資產質量模型并對兩模型的預警結果進行比較。實證結果表明，資產質量指標在ST與非ST公司間存在顯著差異，可以納入財務風險預警模型，并且資產質量指標的加入能夠提高預警模型的準確性。[9]文章創(chuàng)新性地引入了資產質量指標，在驗證其能提高預警模型準確性的同時，更重要的意義在于資產質量指標能反映企業(yè)內部資產狀況、揭示財務風險形成源頭，從而有利于企業(yè)從根本上防控風險。

由于對以利潤等指標為基礎的傳統(tǒng)財務預警指標的有效性存在質疑，學者們開始對現金流有更多的關注，只是簡單地引入現金流指標，還是不能避免財務信息被操控的問題。于是，謝赤等（2014）直接以信息度較高的現金流指標來預測企業(yè)財務困境作為突破點，兼顧企業(yè)現金流的內外部影響因子構建了風險暴露CFaR模型，又以CFaR模型分離出的期望現金流和風險現金流為自變量構建了現金流風險預警Logistic模型，最后選取了54家上市公司的相關數據進行驗證。研究結果表明，CFaR模型能較好區(qū)別ST公司和非ST公司的現金流狀況，并且Logistic預警模型對上市公司財務風險有較好的預警效果。[10]

此外，葉柏青和王玲慧（2016）以深滬上市的40家高新技術企業(yè)為研究樣本，以管理用財務報表為基礎，對選取的財務指標和非財務指標進行正態(tài)分布檢驗和顯著性檢驗，利用因子分析和Logistic回歸方法建立了二元Logistic邏輯回歸模型并對其預測度和正確性進行了檢驗。結果證明基于管理用財務報表選取的指標而建立的財務風險預警模型能夠很好地預測企業(yè)的財務風險，相較于傳統(tǒng)報表，預測結果的可靠性更高。[1]文章一改之前學者們以傳統(tǒng)財務報表為分析基礎的做法，用管理財務報表取而代之，使得財務數據更加真實，檢測結果更有說服力。而宋彪等（2015）則提出了以網民為企業(yè) “傳感器”的思想，利用聚焦網絡爬蟲，收集了60家企業(yè)2009-2013年的所有相關全網網絡數據并對其進行數值化處理，綜合財務指標，建立引入大數據指標的SVM財務風險預警模型，并對模型的預測效果進行比較分析。實證結果顯示基于大數據的財務風險預警模型相對于財務指標預警模型具有更好的預測效果。[11]他們很好的利用了大數據技術，獲得的信息全面而客觀，為解決大多數模型中所用財務指標的滯后性、灰色性、真實性問題及非財務指標對不同公司的普適性問題提供了很好的解決思路。

3.2 混合模型的改進研究

除了對評價指標進行優(yōu)化外，還可以通過彌補現有模型的缺陷來提高財務風險預警模型的預測準確率，將不同模型的混合使用便可以達到這一效果。符剛等（2016）選取滬深兩市89家上市的工業(yè)企業(yè)作為研究樣本，運用全局主成分分析法對初選的12個預警指標進行降維，然后構建了融合神經網絡與Kalman濾波法的財務預警模型，結果發(fā)現融合后的財務風險預警模型對企業(yè)的風險有良好的預判效果，財務預警模型的準確性得到提高，且克服了大部分單一預警模型適用性弱的問題。[12]

針對目前大多數財務預警模型存在的對數據要求嚴格、應用范圍有限、很難實現財務危機的動態(tài)預警等問題，姜金貴和梁靜國（2009）引入小波分析理論，構造小波神經網絡，利用伸縮因子和平移因子的小波神經網絡來彌補傳統(tǒng)神經網絡參數不足的缺點，經對從滬深兩市選擇的35家上市公司的實證研究結果表明，小波神經網絡對上市公司的財務風險預警結果精準，為財務風險預警研究提供了一種新的有效的研究方法[13]；秦小麗和田高良（2011）將灰色預測模型與神經網絡模型相融合，選取40家上市公司為檢驗樣本，利用獨立樣本T檢驗和相關性檢驗對初選財務比率進行篩選，構建基于函數變換的GM（1，1）模型和神經網絡模型的動態(tài)財務預警模型。實證結果分析顯示，將兩模型有效地結合在一起有較好的預警效果，能夠對財務指標的趨勢預測以及財務指標與財務狀況間的非線性關系有更好地掌握。[14]

此外，目前在遺傳算法與支持向量機的模型結合中，遺傳算法所采用的標準算法存在局部最優(yōu)的問題，這會對財務風險預警模型的精度與速度造成一定的影響。于是，丁德臣（2011）提出了基于混合全局優(yōu)化正交遺傳算法和支持向量機的財務風險預警模型，利用混合全局優(yōu)化正交遺傳算法來提高支持向量機在特征子集選擇和參數最優(yōu)化兩個方面的效果。經對選取的29家中國財產保險企業(yè)的實證研究數據表明，HOGA-SVM模型對企業(yè)的財務風險有很好的預警效果，混合模型的改進效果明顯。[15]

4 財務風險預警新模型的開發(fā)研究

財務風險預警模型的研究要想取得突破性的進展，還需要有新鮮血液的注入，學科間方法的交叉貫通為我國企業(yè)財務風險預警新模型的開發(fā)研究提供了新思路。

鄒清明和黃鐘億（2016）將廣泛應用在生物醫(yī)學、保險精算領域的比例優(yōu)勢模型應用到企業(yè)財務風險預警中來。他們以從國泰安數據庫中選取的321家制造業(yè)上市公司為研究對象，利用EM遺傳算法及顯著性檢驗、多重線性檢驗對初選指標進行處理，運用ALASSO變量選擇程序確定影響企業(yè)發(fā)生財務困境的主要因素，得到了參數估計與基本優(yōu)勢比函數的估計值，并將Cox模型和比例優(yōu)勢模型的財務風險預測效果進行比較，實證結果表明比例優(yōu)勢模型對企業(yè)財務困境有較好的預測能力。[16]他們選取的比例優(yōu)勢模型，較好地解決了風險預測中的時變性問題，為財務風險預警提供了新的研究方法。

彭建峰等（2015）將目標轉向用于宏觀貨幣危機預警的KLR模型，以20家制造業(yè)上市公司為研究對象，對選取的16個財務指標分別從單指標和合成指標兩方面展開實證檢驗分析。最終結果表明，KLR模型具有較高的預測精度，對預警我國企業(yè)財務風險有較好的效果。[17]文章所提出的KLR模型能夠通過單指標分析揭示企業(yè)財務風險傳導的路徑，也能夠通過合成指標的分析來明確企業(yè)財務風險的程度，為企業(yè)財務風險預警提供了一種好方法。

張友棠和黃陽（2011）剖析行業(yè)環(huán)境對企業(yè)財務風險的作用機理，利用系統(tǒng)動力學原理構建企業(yè)財務預警控制模型，并選取四川長虹集團作為該模型的應用實例進行驗證，結果表明系統(tǒng)動力學模型能夠很好地分析出在既定的外部環(huán)境下企業(yè)內部風險控制點，并且能對未來企業(yè)財務狀況進行準確預測。[18]文中提出的以系統(tǒng)動力學原理構建的企業(yè)財務預警控制模型有兩個突出優(yōu)勢：一是能全面形象地詮釋行業(yè)環(huán)境風險與企業(yè)財務風險的互動關系；二是能將財務風險預警與控制的有機結合起來，有很強的實用性。

5 結論

通過以上對企業(yè)財務風險預警模型的國內研究綜述可以看出，在內容上學者們對現有財務風險預警模型的驗證研究、模型間的對比研究、模型的改進研究以及新模型的開發(fā)研究四個方面進行了探索，并得到了很多有意義的結論；在研究方法上，主要采用實證研究方法，利用SPSS、MATLAB等軟件，通過因子分析、描述統(tǒng)計分析、回歸分析等方法對搜集的上市公司的數據進行處理，然后代入相關模型來對財務風險預警模型進行驗證及對比研究等，以事實和數據為依據，論證嚴密、科學，使得研究結果更具有說服力。但是，對企業(yè)財務風險預警模型的研究仍存在以下幾方面的問題：

①預警指標的選擇主觀性大。預警指標的選擇對財務風險預警模型的效果有直接的影響，但是目前大多文獻對指標的選擇主觀性較強，盡管對于指標的進一步篩選方面選用了較為科學合理的因子分析、回歸分析等手段，但對于預警指標的初步選擇大多沒有給出明確、合理的解釋。

②預警模型評估標準不明確。對于建立的企業(yè)財務風險預警模型的實用性、有效性沒有明確的評估標準，模型的預測準確率達到多少才算有效沒有明確的說法，例如黃德忠和朱超群（2016）提出的引入企業(yè)資產質量指標的財務風險預警模型在總體預警準確率為75.7%，而曹彤和郭亞軍（2014）構建的BP神經網絡模型預測結果的綜合正確率為88%，兩者相差12.3%，差距較大，但結論都總結為有效，不免令人疑惑。

③實證研究方法應用不規(guī)范。通過上述文獻發(fā)現，在實證研究方法的應用方面普遍存在實證檢驗步驟列示不明晰的問題，例如在雷振華和楚攀（2013）、黃德忠和朱超群（2016）等文中未將顯著性檢驗、多重共線性檢驗、K-S檢驗的結果進行列示，不便于后者做進一步的分析判斷。

鑒于以上分析，筆者認為在以后的研究中，對于預警指標的選擇、預警模型評估標準的確定以及實證研究方法的規(guī)范應用等方面有待進一步完善。

參考文獻：

[1]葉柏青，王玲慧.基于管理用報表的高新技術企業(yè)財務預警研究[J].哈爾濱商業(yè)大學學報（社會科學版），2016（1）：104-111.

[2]劉倩.基于二元邏輯模型的企業(yè)財務預警機制研究[J].統(tǒng)計與決策，2010（14）：187-188.

[3]張蔚虹，朱海霞.Z-Score模型對科技型上市公司財務風險預警的適用性檢驗[J].科技管理研究，2012（14）：228-231.

[4]雷振華，楚攀.基于Cox模型的財務風險預警實證研究——以1990-2012年信息技術類上市公司數據為例[J].湖南社會科學，2013（06）：164-167.

[5]曹彤，郭亞軍.基于神經網絡模型的上市公司財務風險預警研究——來自山東省制造業(yè)數據[J].財會通訊，2014（9）：89-92.

[6]楊知宇，楊景海.基于現金流量視角的財務風險預警模型分析——以ST上市公司為例[J].會計之友，2014（30）：46-50.

[7]蔣盛益，汪珊，蔡余沖.基于機器學習的上市公司財務預警模型的構建[J].統(tǒng)計與決策，2010（09）：166-167.

[8]李紅琨，陳永飛，趙根.基于現金流的財務預警研究：線性概率模型與Logistic模型之應用比較[J].經濟問題探索，2011（06）：102-105，111.

[9]黃德忠，朱超群.引入企業(yè)資產質量指標的財務風險預警模型[J].財會月刊，2016（08）：48-52.

[10]謝赤，趙亦軍，李為章.基于CFaR模型與Logistic回歸的財務困境預警研究[J].財經理論與實踐，2014（01）：57-62.

[11]宋彪，朱建明，李煦.基于大數據的企業(yè)財務預警研究[J]. 中央財經大學學報，2015（06）：55-64.

[12]符剛，曾萍，陳冠林.經濟新常態(tài)下企業(yè)財務危機預警實證研究[J].財經科學，2016（09）：88-99.

[13]姜金貴，梁靜國.基于小波神經網絡的上市公司財務風險預警研究[J].商業(yè)研究，2009（02）：97-99.

[14]秦小麗，田高良.基于灰色理論和神經網絡的公司財務預警模型[J].統(tǒng)計與決策，2011（16）：176-178.

[15]丁德臣.混合HOGA-SVM財務風險預警模型實證研究[J].管理工程學報，2011（02）：37-44，36.

[16]鄒清明，黃鐘億.基于比例優(yōu)勢模型的上市公司財務困境預測研究[J].數理統(tǒng)計與管理，2016（03）：536-549.

[17]彭建峰，張友棠，李娜.基于KLR的企業(yè)財務風險預警探討[J].財會通訊，2015（22）：50-52.

[18]張友棠，黃陽.基于行業(yè)環(huán)境風險識別的企業(yè)財務預警控制系統(tǒng)研究[J].設計研究，2011（03）：41-48，95.