企业财务预警模型的比较研究

□（1中南财经政法大学统计与数学学院 湖北武汉 4007 2广西财经学院信息与统计学院广西南宁5000 广西财经学院会计与审计学院 广西南宁5000）

目前，对于财务危机的含义并没有统一界定，在大多数研究中，由于受到样本选择范围的影响，很多研究将财务危机企业界定为已宣告破产企业或陷入资金周转困难、资金链断裂、资不抵债等状况的企业。出于收集数据的原因，我国学者通常将财务危机公司定义为被特别处理，即ST的上市公司。构建财务预警模型的基本思路一般是首先确定模型运用的指标，然后选择建模的方法，接着收集数据建立模型，最后对建立的模型进行检验评价。在这个过程中影响模型有效性的因素主要有预警指标的选择和构建模型的方法。本文主要从这两个方面进行论述。

一、财务预警指标的选择

财务危机的发生是由多种原因共同作用的结果，因此可以将这些影响因素量化，作为财务危机的解释变量来预测财务危机的发生，所以在财务预警过程中可以将能够解释财务危机发生的要素界定为财务危机预警指标，预警指标的选择是构建模型的核心，直接关系到预警结论和效果，一般来说可以分为财务指标和非财务指标两大类。

（一）传统财务指标。Fitzpatrick（1932）最早将财务比率用于财务预警，研究发现净利润/股东权益、股东权益/负债这两个财务指标的判别力最高。Beaver（1966）发现判别力最高的财务指标分别是现金流/总负债、净收入/总资产、总负债/总资产。Altman（1968）使用营运资金/总资产、留存收益/总资产、息税前利润/总资产、资本市值/总负债、销售额/总资产等5个财务比率建立了经典的Z模型，学者Altman等（1977）对Z模型进行了修正并提出了ZETA模型，将指标增加到7个。我国学者的研究也多采用财务指标，周首华（1996）结合我国公司的特点改进了Z模型，增加了现金流量指标，建立了F分数模型。陈静（1999）选取资产负债率、净资产收益率、总资产收益率及流动比率等财务比率作为预警指标进行了单变量分析，取得了较好效果，并在多元判别分析中，选取资产负债率、净资产收益率、总资产收益率、流动比率、营运资本总资产及总资产周转率作为预警变量构建了判别函数。张玲（2000）从15个反映企业偿债能力、盈利能力、营运能力及资本结构状况的特征财务比率中筛选出4个构建判别函数建立模型。张鸣、程涛（2005）运用Logistic实证研究方法，以包含现金流量的财务指标为主构建预警模型，其合理性和判别精度都有所提高。

（二）非财务指标。公司规模、行业差异以及公司治理等也是影响财务危机的因素，因此一些非财务指标逐渐被纳入到财务预警指标体系中，不断扩充财务预警信息，完善财务预警模型。Hill（1996）认为审计意见对破产与财务困境概率的影响极为显著。Wruck（1999）认为财务危机是经济不景气、行业进入衰退期以及管理不善导致的。国内一些学者也逐步开始运用非财务指标作为预警变量，王克敏、姬美光（2006）在财务因素分析的基础上，引入了公司治理、投资者保护等非财务因素作为预警变量，比较分析了基于财务指标、非财务指标及综合指标预测模型的有效性。王海鸥、李建民（2006）选取了企业创新能力、主导产品是否符合国家产业政策、行业受生命周期影响程度、所处行业竞争力、获得开发新产品及配套投资所需资金情况等非财务指标。邓晓岚、王宗军（2007）采用 logit回归模型检验了股权结构、公司治理、市场信息以及审计意见等非财务指标，发现年度累积超额收益率与审计师意见的预警效果较好，其他非财务指标的预警效果不显著。

当然，要将非财务指标予以量化才能应用于预警模型中，通常将其设置为虚拟变量，或用会计数据或相关的财务指标进行解释，以利于预警模型的构建和分析，体现模型的完整性。

二、财务预警模型的选择

财务危机预警模型的研究自20世纪60年代以来得到了迅速发展，由于计算机技术的不断发展，模型的建立方法越来越复杂，也越来越“仿真”，已经出现了神经网络模型（ANN）、遗传算法（GA）、支持向量机（SVM）等模型。现有模型可分为传统统计模型和人工智能模型两类。

（一）传统统计模型。

1.单变量模型。该模型拉开了财务危机预警的序幕，由Fitzpatrick（1932）提出，他通过比较健康企业和危机企业的单个财务指标来确定指标的最佳判断点，然后用指标和判断点来进行预测。Beaver（1966）应用单变量模型进行财务预警得出判别率较高的5个财务指标。陈静（1999）结合Fisher线性判定分析方法建立了单变量判定模型。单变量模型开创了财务预警实证研究的先河，其应用较为简单，易于计算和理解，但是单一的财务指标无法涵盖企业的整体状况，而且应用不同指标时很可能得出不同甚至矛盾的结论。

2.多元变量模型。该模型选择多个财务指标Xi并赋予对应参数Ai，建立对应的线性组合判别函数Z=∑AiXi。该模型由 Altman（1968）首次提出，也是首次将多元判别分析方法引入财务危机预警。Altman选用了5个财务指标建立了经典的Z值模型，先通过分类的样本公司计算出临界值，通过设置Z值的临界点来区分企业是否陷入危机。Altman后续还对该模型进行了修正，建立了针对非上市公司的Z′模型和无行业限制的ZETA模型。周首华（1996）对Z值模型进行了修正，构建了F分数模型。多元变量模型可以同时考虑多个财务指标，对企业整体状况的描述较为客观，指标间的关系比较明确，但该模型的建立假设要求财务指标呈正态分布，但该条件在现实情况下很难成立，另外该模型的结论时效性较短。

3.逻辑回归模型。为了避免多元变量模型诸多假设条件的限制，研究者引入了Logit模型，通过极大似然估计法进行参数估计，计算出判断破产的概率，然后根据这一概率分辨出健康公司和非健康公司。Logit模型由Ohlson（1980）首先提出并建立，预测准确率在90%以上。逻辑回归模型的最大优势在于不需要满足变量呈正态分布的假设，在后续的很多研究中都直接采用或改进了Logit模型来提高判断的正确率。

4.其他统计模型。除上述模型外还有很多其他统计模型被应用于财务预警中，如线性概率模型（LPM）、Probit模型等，但这些模型也都存在某些方面的缺陷，如Probit模型虽然与Logit模型的原理类似，但其包括了非线性估计，计算量更大，而且计算中的近似处理会使数据的准确性大打折扣，所以其应用不如Logit模型广泛。

（二）人工智能模型。随着网络技术、计算机技术的不断发展，人工智能也应用到了财务预警领域，它可以突破传统统计模型中诸多假设条件的限制，而且可以实时更新数据调整算法，判别现有算法是否符合当前环境，对模型进行适时更新。

1.神经网络模型。该模型是由Odom，Sharda（1990）引入到财务预警模型中的，它是对人脑神经网络结构和功能及基本特征进行模拟的信息系统，它的信息处理单元包括输入层、隐藏层和输出层，输入层接收外界数据输入，经隐藏层内部网络运算，将结果转移至输出层，若有误差则反向传播，逐层修改各层神经元权值，如此循环直至输出达到要求精度。该模型无需样本指标概率分布的假设，并具有很强的自学能力，随着样本的积累对模型进行动态更新和调整，提高判断准确率。虽然该模型较为复杂难以理解，但将神经网络与其他方法结合起来建立模型是现行研究趋势。

2.遗传算法。遗传算法是一种通过借鉴生物界遗传和进化的规律进行随机搜索最优解的算法。它使用编码技术，作用于称为染色体的数字串，然后将这些数字串组成的群体模拟生物的进化过程，通过随机的信息交换重新组合数字串，生成新的数字串群体，从而解决参数优化的问题，可用于破产企业预测模型中财务指标的选择和建立。Franco（1998）将遗传算法应用于财务预警模型，发现可以获得不受统计约束的最优线性方程，与多元线性分析相比，不受主观因素影响，但预测的结果不如多元线性分析准确。

3.支持向量机。支持向量机是一项数据挖掘技术，是借助于最优化方法解决机器学习问题的工具，是一种机器学习算法，采用结构风险最小化原则，优化了经验风险和置信风险，克服了经验风险最小化原则的缺点，提高了模型的拟合精度和泛化能力，这一优点在小样本学习中更为突出。在财务危机预警模型中运用支持向量机方法，将财务指标作为输入向量，将预警结果作为输出向量，使用典型财务数据作为训练样本，使不同输入得到不同输出向量，实现输入空间到输出空间的映射。Kyung-Shik Shin（2005）采用支持向量机建立财务危机预警模型，发现其预测性能优于神经网络模型。研究表明支持向量机能处理动态和不稳定数据，参数少，唯一最优解，泛化性较好。但该模型存在过度适应问题，难点在于选择合适的特征集和核函数参数。

4.粗糙集理论。该模型是一种用于描述不完整和不确定性数据的信息分类处理工具，在观测数据的基础上进行分类，通过数据分析、近似分类、推理数据间的关系来发现潜在的规律，可以进行有效的知识库约简和规则提取，因而也被应用于财务预警模型的构建。运用该模型可以将定性变量和定量变量相结合，没有统计约束及模糊隶属度评价，可以节省决策成本和时间，过程透明。但是不同样本与决策者知识会产生不同的决策规则组。将粗糙集理论应用于财务危机预警研究的学者有 Pawlak（1982）和Joseph（2009）等。

除了以上模型和方法外，财务预警模型还包括KMV模型、Cox生存分析、决策树和动态预警模型等。刘迎春、刘霄（2011）利用GARCH波动模型估计股权价值波动率，并运用模型计算所选上市公司的违约距离及理论违约概率，结果表明分行业的KMV模型能够起到财务危机预警的作用。陈磊（2009）采用主成分分析法选取指标并使用Cox方法进行回归分析，研究表明Cox模型在前3年的预测中均具有较高的预测准确度，前1年的预测精度最高。Sun&Li（2008）利用决策树对财务指标进行分析，将连续属性的值离散化，产生容易理解的决策树分类模型，并得到预测结果。孙晓琳等（2010）在Kalman滤波理论的基础上建立了动态预警模型，且准确率要高于静态模型。

本文分析的主要模型及其特点如下表所示。

三、研究启示与展望

通过上述比较分析可知，首先，财务预警模型是伴随着财务预警理论、财务预警技术手段的发展和完善而不断发展的，人工智能方法的改进和多方法集成的使用成为趋势，当前财务预警研究的主要内容是集成各种方法和手段，用以提高预警模型的准确性；在研究中也要注意环境和形势是不断变化的，要注意探索对模型的调整、完善和创新，不存在固定统一的财务预警模型。其次，不同的模型有各自的适用条件，一旦忽略这些条件，即使得到了不错的实际判别效果，也是缺乏理论依据的。人工智能模型条件宽松，但可能存在多重共线性干扰，如果不加处理会影响模型的稳定性和准确性，不同模型的应用环境不同，在运用中要强调各类模型的适用前提。再次，模型指标的筛选是重要环节，由于指标的多样性，完备的指标体系要能完整地反映企业的财务状况，指标的选择既不能冗余也不能缺失，筛选也没有固定标准，所以会受到主观因素的影响，当然粗糙集理论、神经网络的运用可以减少这些方面的影响，但方法比较复杂。最后，财务预警模型受样本量和样本时间范围的影响较大，不同模型中样本数量的多少、所处的行业、不同类别样本量的比重以及样本在时间上的分布都不同，也会导致模型的千差万别。

单变量分析模型 计算简单；但指标单一无法涵盖全貌，不同指标间可能存在矛盾传统统计模型 逻辑回归模型 克服了变量正态的假设；但计算量大，有很多近似处理多变量分析模型 能同时考虑多个标准；但指标难以满足正态分布假设，样本偏差影响模型线性概率模型 应用广泛；但是对预测变量的分布性质有统计上的限制神经网络模型 处理方便，没有变量概率分布的限制，有很强的纠错和学习能力；但没有完整的理论支持，可理解性较差遗传算法 结构清楚容易理解，主观因素影响较小；但有限制条件，结构不固定，存在收敛性问题，通用性较弱人工智能模型支持向量机 适合小样本的分类；存在过度适应问题，模型难以固定，通用性弱，难点在于选择合适的特征集和核算函数参数粗糙集理论 没有统计约束，定性和定量变量结合，决策成本低、效率高；但通用性较弱，相对定量变量需要进行转化且结构不稳定