Fisher判别法在高校财务风险分析中的应用，本文主要内容关键词为：风险论文,财务论文,高校论文,Fisher论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
当前我国高校正经历规模的高速扩张和激烈的同业竞争，这给高校的财务管理带来了巨大的深层的影响，引起高校财务运行状况的剧烈波动，使得高校的财务管理工作面临更加复杂多变的局面。在这种形势下，高校的决策管理层为保证学校在高速发展和重组整合中取得规模优势与竞争优势，纷纷投入巨资圈地建校，由此造成高校资金供给的巨大缺口，出现了很多学校举债办学的现象，导致高校财务运行风险增加，财务危机突现。
高校财务运行现状表明高校的财务管理由无风险时期进入有风险甚至高风险时期。因此，如何全面系统地、有效地分析高校财力资源的配置情况，通过建立专门的指标体系和预警机制，判断分析自身的财务风险情况，了解内部财务运行中隐藏的问题，及时准确可靠地检查、监测、评价、预报、控制高校财务管理所面临的风险，不但是高校财务工作者的紧迫任务，也是高校决策管理层的急切需要。
一、财务风险判别分析文献回顾
国外学者有关财务风险判别分析的主要成果包括单变量判别模型、多元线性判别模型和多元逻辑概率判别模型。
(1)单变量判别模型。单变量判别模型也称一元判别模型，它运用单一变量、个别财务指标来判别财务风险。单变量判别模型研究起源于1932年，美国Fitzpatrick教授以38家破产和非破产公司作为样本，对比进行了单个变量的破产预测研究。他采用一项财务指标进行比较分析，找出了最具有判别能力的单个财务指标及其临界值，提出了单变量判别模型。
单变量判别模型的缺点主要表现在三个方面：一是样本空间的改变，将会导致判别准确率快速下降；二是判别结果存在偶然性，即同一个财务指标，在不同行业或者同行业的不同企业中进行测试，得到的预测结果可能是完全不同的；三是单一财务指标容易被人为改变和操纵。
(2)多元线性判别模型。该模型运用多个变量、多个财务指标来判别财务风险。属于这一类最为成功的模型是Z计分模型和运用于商业的Zeta模型[1]。1968年美国纽约大学商学院的Altman教授针对单变量判别模型不同财务指标对整体反映不一致的缺陷，提出了多变量判别模型——Z计分模型(Z Score Model)，并在此基础上进一步提出了应用于商业的Zeta模型。
Z计分模型和Zeta模型的优点是对企业破产前一年的财务风险判别准确率很高，可达95％，应用很广泛。不足之处主要有：利用这种方法进行横向比较的效果较差；在企业破产前两年内利用这种模型的判别准确率较高，超出两年则准确率较低；选择的样本空间以及财务指标变量要求服从正态分布。
在Altman之后，Edmister等学者在1972年提出了针对小企业的财务风险判别分析模型[2]。
(3)多元逻辑概率判别模型。这种模型利用多元统计数学的方法和原理，预先设立判别准则，根据已知因素的实际数据计算事件概率，再对样本数据进行分析，判别其所属归类。多元逻辑概率判别模型的最大优点就是综合了其他判别分析的优点，并具有复杂环境下判别的准确性。最为典型的应用就是Fisher判别分析。
在国内，对财务风险判别分析的研究起步较晚，内容、方法与国外研究基本相似，主要集中于建立数学判别模型，从定量方面进行实证分析判断。
(1)以周首华、吴世农、张玲、陈静、车晓娜等为代表的学者在借鉴国外财务风险预警模型研究成果的基础上，以我国上市公司为对象总结出了针对我国上市公司财务风险判别分析的Z判断模型的一般表达式，即判别分析模型[3～7]。
(2)葛和平等人结合Fisher模型研究理论，建立针对我国上市公司财务风险预警的判别分析模型，其前三年的预测准确率可达79％[8]。
(3)杨周复、施建军等人从高校财务运行评价、预警系统的理论研究、基本框架和指标体系、警戒线的确定和实践四个方面作了理论介绍[9]。许道银的研究与杨周复、施建军等的研究类似[10]。
总之，目前国内外对财务风险判别分析的研究，采用了很多方法，建立了很多模型，但它们主要针对的是企业，涉及高校的很少，尤其在国内利用Fisher判别方法，开展高校财务风险判别分析并建立判别函数的研究成果还较少。本文主要介绍高校财务风险分析Fisher判别函数的建立过程，并利用有关数据进行实证检验。
二、判别分析方法理论
判别分析是指通过设立判别准则和建立已知分类的判别函数，将未知分类的个体观测值代入相应的变量，再根据判别准则(如函数值大于某值)判断未知分类的个体应属于已知分类哪一类的一种方法。
判别分析有四个前提条件：一是预测变量要尽量服从正态分布；二是所选择的预测变量相互之间的相关性检测不能达到显著水平，且两个变量之间的相关性在不同的判断类别或组别中应一致；三是预测变量应是连续不间断变量，判断类别或组别应是间断变量；四是预测变量的平均值和方差没有相关性[8]。
在实际应用过程中，采用判别分析应注意以下几点：一是样本空间的数目要尽可能多；二是对已知因变量的分类或分组标准要尽可能的客观、准确和可靠，这样建立起来的判别函数才能收到准确的判别效果；三是自变量和因变量之间要有重要的影响关系，在选择自变量时要挑选既有区别能力又有重要特性的指标，能够对自变量进行全面的描述，这样可以用最少的变量达到高判别能力的目标。
(一)判别分析的函数和流程
判别分析函数组表达式为[11]：
要判断一个新个体属于哪个总体，就要依次比较每一个判别函数计算出的判别值的大小，哪一个大，就属于哪个总体，其流程见图1。
图1 判别分析流程
(二)Fisher判别法
Fisher判别是按照各类中的方差尽可能小，不同类中的均值之间差距尽可能大的原则求取判别函数。两个组的基本函数表达式为：
Fisher判别法的主要优点是对总体的分布类型没有要求，只要求二阶矩阵存在，判别正确率较高。
三、高校财务风险的Fisher判别模型
(一)高校财务风险指标的相关分析
统计学中，相关分析是以分析变量间的线性关系为主，研究它们之间线性相关程度强弱的一种统计方法。
本文以教育部直属72所高校为样本空间，其近两年的财务资料为相关数据来源。首先选择20个能够较全面反映高校财务状况的财务指标作相关分析，找出相关性较弱的对高等学校财务状况反映最敏感的几个指标。各个指标变量设为[9]：
G[,1]—资产负债率；
G[,2]—流动比率；
G[,3]—现实支付比率；
为了方便模型的建立，我们对选出的7个财务指标重新定义：
(二)高校财务风险指标的判别分析和Fisher判别模型的建立
在判别分析中，建立判别函数一般有4种方法：全模型法、向前选择法、向后选择法、逐步选择法。本文采用全模型法，建立全部自变量(7个财务指标)的Fisher判别函数。
(1)通过统计软件作判别分析，我们可以计算7个财务指标的均值、标准差等，在此基础上分析7个指标在3个不同组中的平均数差异情况(见表2)。
在类均值差异检验中，F值越大，λ值越小，平均数的差异越大。根据表2可以知道G[,2]、G[,5]和G[,6]的类内均值检验的显著性概率分别为0.073、0.229和0.605，略大于0.05，其余4个变量的类内均值检验的显著性概率均小于0.05，说明7个变量的类内均值都存在较为显著的差异，可以进行判别分析。
另外，由于我们所选的7个财务指标已经是从20个财务指标中选出的相关性比较弱的指标，所以7个指标变量之间线性相关关系均不显著。
(2)进行协方差相等的Box检验，结果见表3。表3中，检验协方差矩阵相等的M值为294.981，远大于0.05，表明在显著性水平0.05下各类协方差矩阵相等；显著性概率为0.00，远小于0.05，表明判别分析是显著的，错判率将会很小。
(3)进行判别函数的分析，计算函数特征值和λ值，分析判别函数的有效性。表4给出了通过计算得出的判别函数特征值。从表4中可知，此样本有两个判别函数用于分析，特征值分别为8.556、0.238，方差百分比分别为97.3％、2.7％，方差累计百分比分别为97.3％、100％，正相关系数分别为0.946、0.439。
依据特征值再参照λ值来进行判别函数的显著性检验。表5列出了两个判别函数的λ值，其中第一个判别函数的λ值(0.085)非常小，卡方统计量的值为143.311，自由度为14，显著性概率等于0.000，从而认为第一个判别函数有效。而第二个判别函数的λ值(0.808)比较大，卡方统计量的值为12.396，自由度为6，显著性概率等于0.054，可以认为第二个判别函数不如第一个有效。
在上述分析的基础上结合结构矩阵，得到非标准化判别函数系数(见表6)。依据表6建立两个非标准化判别函数的描述：
(4)结合实际案例进行分类统计分析，计算Fisher分类函数系数(见表7)。
表7给出了分类函数系数，即Fisher线性判别函数系数，据此可以建立3类高等学校的Fisher线性判别模型：
四、Fisher判别模型的实证检验
本文采用教育部直属72所高校近两年的财务指标数值进行实证分析，所选的72所高校中，依据教育主管部门内部研究资料已知分类样本空间为64所高校，待判别所属类别的高校8所。其中64所样本高校分作3类：第1类包括48所高校(财务状况良好，警限轻警)，第2类包括12所高校(财务状况一般，警限中警)，第3类包括4所高校(财务状况很差，警限巨警)。
根据本文前面提出的高校财务风险Fisher判别模型，将各高校财务指标值作为相应变量值代入三个判别函数模型进行计算，比较计算出的三个数值，若Q[,1]最大，则对应高校归入第1类，若Q[,2]最大，则对应高校归入第2类，若Q[,3]最大，则对应高校归入第3类，根据分类判别出各高等学校财务风险的状况。
通过判别计算，原属于分类1的48所高校仍有43所归入1类，有5所归入2类。原属于分类2的12所高校仍有10所归入2类，2所归入1类。原属于分类3的4所高校仍然归入3类。同时通过判别分析，发现待判别的8所高校也已经判别分类了，有4所归入1类，3所归入2类，1所归入3类。判别正确的概率为89.1％，可见对高校财务风险的判别有较高的可信度，可以作为高校财务风险判别分类的依据。教育部直属72所高校财务风险判别分析的结果为：财务状况良好属于第1类的高校(警限视为轻警)有49所，财务状况一般即属于第2类的高校(警限视为中警)有18所，财务状况很差即属于第3类的高校(警限视为巨警)有5所(见表8)。
综上所述，本文在真实可靠的会计基础信息上，着重阐述了如何构建高校财务风险分析的指标体系和Fisher判别模型的建立过程，并以教育部直属72所高校为样本空间进行了实证分析。通过一系列的财务风险指标数据监测，可以发现高校财务状况的恶化以及恶化原因，从而及时地、有针对性地加以防范及纠正，促使高校在快速发展中努力做到财务管理工作制度化、投资决策科学化、操作程序规范化、运行风险最小化，保证高校持续、健康、稳定地发展。