企業(yè)財務(wù)預(yù)警方法的發(fā)展與展望

文/唐智高，國網(wǎng)重慶市電力公司財務(wù)資產(chǎn)部

關(guān)鍵字：財務(wù)預(yù)警；研究方法

經(jīng)濟全球化為企業(yè)帶來機遇的同時也帶給企業(yè)帶來了危機，尤其是十八大后，我國經(jīng)濟在增長速度、發(fā)展方式、結(jié)構(gòu)、發(fā)展動力等方面呈現(xiàn)出一系列的轉(zhuǎn)變，如何在日益激烈的市場競爭及瞬息萬變的復(fù)雜的環(huán)境中生存與發(fā)展，已成為政府、社會與企業(yè)亟待解決的問題，對危機進(jìn)行預(yù)警也是多年來學(xué)術(shù)界研究的熱點。

1 財務(wù)危機概念的界定

財務(wù)危機又稱為“財務(wù)困境”或“財務(wù)問題”，包括嚴(yán)重的 “財務(wù)失敗”或“破產(chǎn)”的財務(wù)危機，也包括由于資金短期周轉(zhuǎn)不暢造成的財務(wù)危機，同時還包括介于輕微和嚴(yán)重之間還存在不同程度的財務(wù)危機類型。在實證研究中，國內(nèi)學(xué)者普遍將財務(wù)狀況異常而被“特別處理（ST）”作為上市公司陷入財務(wù)困境的判定標(biāo)準(zhǔn)。

2 財務(wù)預(yù)警的方法

20世紀(jì)30年代美國首次研究財務(wù)預(yù)警，到現(xiàn)在國內(nèi)外已有眾多學(xué)者對該領(lǐng)域進(jìn)行研究，本文將按照財務(wù)預(yù)警方法出現(xiàn)的時間順序?qū)ω攧?wù)風(fēng)險預(yù)警模式進(jìn)行梳理。

2.1 傳統(tǒng)統(tǒng)計方法

1）單變量預(yù)警模型

單變量預(yù)警模型由Beaver(1966)率先提出，即通過對變量營運資本流/負(fù)債和凈利潤/總資產(chǎn)指標(biāo)來辨別破產(chǎn)公司，研究結(jié)果能夠判定公司的財務(wù)狀況的指標(biāo)最好的是營運資本流/負(fù)債變量，其次是凈利潤/總資產(chǎn)，并且距離經(jīng)營失敗日期越近，誤判率越低，預(yù)見性越強。

單變量預(yù)警模型優(yōu)點是簡單易懂，缺點是僅通過一個變量對企業(yè)財務(wù)危機進(jìn)行預(yù)警則會讓經(jīng)營者忽視其他變量只對這一個變量重視甚至是粉飾。除此之外，若使用多個指標(biāo)分別進(jìn)行單變量判別分析，其結(jié)果會出現(xiàn)不一致的情況，從而無法辨別企業(yè)危機是否發(fā)生。

2）多變量預(yù)警模型

多變量預(yù)警模型能夠很好的克服單變量分析的缺陷，Altman(1968)指出多變量預(yù)警是對研究對象所屬類別進(jìn)行判別，并從觀察對象的諸多財務(wù)比率中遴選出能夠提供信息較多的變量，然后建立判別函數(shù)，使得該函數(shù)對觀察樣本進(jìn)行分類時錯判率最小。吳世農(nóng)和黃世忠（1986）是我國最早運用該方法對財務(wù)預(yù)警進(jìn)行研究，周首華、楊濟華基于前人研究的基礎(chǔ)上提出F分?jǐn)?shù)模型對風(fēng)險進(jìn)行預(yù)警。

多變量預(yù)警模型雖然在克服了單變量模型的缺陷，但因其要求多變量呈正態(tài)分布、財務(wù)健康樣本組和財務(wù)危機樣本組協(xié)方差矩陣，從而導(dǎo)致其應(yīng)用范圍比較有限。

3）Logistic回歸模型

為了克服線性多元判別模型的局限性，Martin（1977） 創(chuàng)新性的將 logistic 回歸引入銀行破產(chǎn)預(yù)測領(lǐng)域，并選出具有很強的預(yù)測能力的六個指標(biāo)作為財務(wù)預(yù)警的測量。這六個指標(biāo)分別是總資產(chǎn)凈利率、費用 / 營業(yè)收入、商業(yè)貸款 / 總貸款量、壞賬/營業(yè)凈利、總資產(chǎn)/風(fēng)險性。

Logistic 回歸模型優(yōu)點是具有比多遠(yuǎn)判別模型更廣泛的適用性，但缺點也是顯而易見的即只能使用于兩分類模型，且該模型在使用前必須經(jīng)過數(shù)據(jù)轉(zhuǎn)換，計算程序較復(fù)雜。

2.2 人工智能方法

隨著電腦技術(shù)的不斷發(fā)展與推廣，學(xué)者們紛紛開始將人工智能方法運用到財務(wù)困境預(yù)測模型的構(gòu)建中，財務(wù)預(yù)警進(jìn)入人工智能技術(shù)時代。在這段時期，財務(wù)預(yù)測模型主要包括案例推理、人工神經(jīng)網(wǎng)絡(luò)、遺傳算法和支持向量機等方法。

1）案例推理

案例推理是在因果關(guān)系不明確的復(fù)雜且多變的環(huán)境中解決問題并作出決策的一種動態(tài)的非統(tǒng)計方法，該方法對于因果關(guān)系不明確但有豐富案例的研究問題具有廣泛的應(yīng)用前景。Bryant(1997)基于案例的表示和索引及案例庫，研究了如何將案例推理技術(shù)應(yīng)用到企業(yè)財務(wù)困境預(yù)警領(lǐng)域。

案例推理方法的優(yōu)點是運用前景廣泛，但它是對以往案例進(jìn)行推理，而很難對問題的因果關(guān)系進(jìn)行解釋，動態(tài)問題處理能力不足。

2）人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)在1990年首次被Odom 和Sharda引入到財務(wù)困境預(yù)測領(lǐng)域中，他們通過研究發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)模型對檢驗樣本的預(yù)測準(zhǔn)確率達(dá)到79.5%，遠(yuǎn)高于單變量或多變量模型的預(yù)測。Tam和Kiang(1992)通過加入解釋變量權(quán)重影響值，極大地提高了神經(jīng)網(wǎng)絡(luò)預(yù)測的準(zhǔn)確性。國內(nèi)最早將該方法運用于財務(wù)預(yù)警的學(xué)者是楊保安等（2001），之后有諸多學(xué)者也投入該項研究中。

人工神經(jīng)網(wǎng)絡(luò)方法進(jìn)行財務(wù)預(yù)警的優(yōu)點具有較強的容錯能力和自學(xué)習(xí)能力等特點，缺點是在實際中由于需要海量數(shù)據(jù)支持，單個企業(yè)很難單獨使用。

2.3 傳統(tǒng)方法的改進(jìn)及前沿技術(shù)的使用

隨著時代的發(fā)展，越來越多的學(xué)者開始對傳統(tǒng)的風(fēng)險預(yù)警模型改進(jìn)，以期能更好的提高企業(yè)財務(wù)風(fēng)險預(yù)警效果。

1）遺傳算法

Franco(1998)采取遺傳算法分別提取線性函數(shù)和判別規(guī)則對財務(wù)風(fēng)險進(jìn)行預(yù)警，研究結(jié)果表明用與多變量判別法相比遺傳算法預(yù)測的結(jié)果要差。國內(nèi)學(xué)者葉煥停等（2013）采用遺傳算法正向推理預(yù)警財務(wù)風(fēng)險和逆向推理分析財務(wù)危機原因，規(guī)避傳統(tǒng)統(tǒng)計方法的局限性和避免了神經(jīng)網(wǎng)絡(luò)分析法的缺陷之處。

遺傳算法的有點是服從大量軟或硬約束的多參數(shù)優(yōu)化問題，缺點是預(yù)測結(jié)果不固定，存在著收斂性問題，通用性差。

2）支持向量機

Vapnik提出了支持向量機法，該法能夠很好的解決了高維特征空間的＂維數(shù)災(zāi)難＂問題.國內(nèi)學(xué)者姚宏善（2006）通過研究對比多變量判別法和支持向量機法的在財務(wù)預(yù)警的準(zhǔn)確性和穩(wěn)健性，結(jié)果發(fā)現(xiàn)支持向量機法要優(yōu)于多變量判別法。

通過對財務(wù)預(yù)警方法的回顧，本文發(fā)現(xiàn)在大智移云時代，未來企業(yè)財務(wù)預(yù)警以動態(tài)性為以后發(fā)展趨勢。