财务预警模型的变迁，本文主要内容关键词为：模型论文,财务论文，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。
一、单变量判定模型
Fitzpatrick最早发现，出现财务困境的公司其财务比率和正常公司的财务比率相比，有显著不同，从而认为企业的财务比率能够反应企业财务状况，并对企业未来具有预测作用[1]。Beaver则首先运用统计方法建立了单变量财务预警模型[2]。他选取美国1954～1964年间资产规模相同的79家经营失败企业和79家正常经营的企业，进行对比研究，使用30个财务比率进行分析，发现具有良好预测性的财务比率依次为现金流量／负债总额、资产收益率和资产负债率。Beaver的研究开创了用统计方法建立财务预警模型的先河。
二、多元线性判定模型
这种模型以美国Altman教授的研究最具有代表性。Altman利用多元判别分析法对1945～1965年间的33家破产企业和33家正常经营的企业进行了研究，这些企业集中分布于美国的机械行业，企业规模在70万美元到2590万美元之间。其研究结论形成了著名的Z值模型。由于该模型具有行业局限性，并且只针对上市公司，于是Altman对该模型进行了两次修正，形成了非上市公司财务困境Z’模型和跨行业的ZETA模型[3][4]。Altman的Z系列模型从20多个财务指标中综合出4到5个模型变量，即营运资本／总资产、留存收益／总资产、息税前收益／总资产、股东权益／总负债和销售收入／总资产。在最后改进过的ZETA模型中Altman去掉了带来行业影响因素的销售收入／总资产。实证研究表明，公开的4个变量的Z值模型在财务预警方面不仅优于单变量模型，也要优于原来的Z值模型，其破产前一年的预测精度在90%以上，而破产前5年的预测精度也有70%[5]，Z″模型如下：
当Z＜1.1时，代表很高的破产概率；当Z＞2.6时，企业处于安全状态；当1.1≤Z≤2.6时，企业是否破产情况不明，处于灰色区域。
多元线性财务预警模型中还有一种主成分分析模型，这种模型运用主成分分析方法提炼最有代表性的财务比率，即考虑更多的对财务预警有指示作用的比率，同时防止比率太多而增加分析的复杂性，从而抓住分析中的主要矛盾。张爱民等选取深沪证券市场中的40家ST公司及对应的40家非ST公司进行了研究，认为主成分模型也具有较好的预测性[6]。
三、概率模型
实证研究表明，Logit和Probit方法得出的结论非常相似，本文以二元Logistic概率函数为例。二元Logistic概率函数又称增长函数，是1838年比利时P.F.Verhulst首次提出的。二元Logistic概率函数的定义为：
其中p是二元Logistic函数的计算结果，a是常数项，bi是斜率，
是自变量。对以上等式进行等量变换，可以得到下面一个比较方便计算的公式：
其中各变量的解释同上。
由于计算的是事件发生的概率，这样一来就有效地将回归因变量的值域控制在o～1之间，并随自变量组合值Z的变化而连续变化。
美国学者Ohlson是最早在财务预警研究中应用这种方法的人。吴世农、卢贤义和姜秀华以深沪证券市场中的部分ST公司进行了研究，肯定了财务指标对企业财务困境预测的有效性，并认为多元线性预警模型优于单变量模型，Logistic模型又优于多元线性预警模型[7]。
四、神经网络分析模型
神经网络分析是一种并行分布模式处理系统，具有高度并行计算能力、自学习能力和容错能力。这种分析的一个优点是使企业财务动态预警成为可能，并使模型具备随不断变化的复杂环境自学习的能力。这意味着随着样本数的积累，这种模型可以定期更新推理知识，从而实现对企业危机的动态预警。神经网络分析在财务预警模型中的应用开始于上个世纪90年代，包括Fletcher、Goss和Altman等国外研究者。其结构是由一个输入层、若干个中间层和一个输出层构成。
实证研究表明神经网络分析在判定正确率方面比线性模型和Logistic模型更加有效，并且不受变量分布特征影响，我国学者周敏、王新宇认为这种模型不需要主观定性地判断企业财务危机状态，因而能够更加合理地预测企业财务危机[8]。
另外，还有通过蒙特卡罗模拟方法建立的模型，即通过上千次或更多的反复模拟来实现模型的构造，并进行预测。但这种方法由于客观条件的限制，很少有人进行实证研究。近年来国外也有学者提出用熵值来研究模型参数，但由于方法过于复杂，其应用范围也极其有限。
从以上分析来看，财务预警模型按照是否具有自我学习功能可以划分为静态预警模型和动态预警模型两大类。静态模型包括单变量判定模型、多元线性判定模型及其派生模型、概率模型等，动态预警模型则主要是基于神经网络分析的各类模型。
五、局限探讨
上述模型虽各有千秋，但也存在一些值得推敲的地方，主要有以下几个方面。
1.一次线性模型的理论基础有待完善。假设前提条件是变量服从多元正态分布，并且分组样本间的协方差要相等。但各变量之间的多重共线和相关性难以用科学方法完全解决。另外各类模型的误差成本研究也很不充分。而主成分分析模型除上述问题外，模型的变量解释比较复杂，使其在实践中的使用受到限制。
2.神经网络分析建模方法复杂，因而使其应用受到限制。此外这种分析的一个明显缺点是工作的随机性较强。如果要得到一个较好的模型，需要人为不断地调试，非常耗费时间和精力，而其预测精度也不见得比其它方法改进多少。
3.样本企业划分为成功和失败两类，但对财务失败或财务困境的定义却并不统一。建立模型所基于的研究假设各不相同，必然导致建立的模型也会因财务失败的定义不同而具有不同的偏差。
4.财务预警模型本身不能对财务报表的真伪进行鉴别。所有有效的预警模型不是事先给定的，而是由各种财务数据决定的，因此模型不能对财务数据的真假作出判断。
5.关于模型变量的选取尚没有统一的理论标准，因而使各种模型的变量选取具有很大的主观性。再加上数学建模方法的差异，便会出现每位研究者都得出不同预警模型的现象，并且模型预测稳定性和精度各不相同，见笔者归纳的下表1。
表1 各种预警模型在企业破产一年前的预测精度
模型 方法 正确分辨率%
破产 非破产 总计
Altman(1968)DA
9497 95
Deaking(1972)
DA
9797 97
Altman(1976)DA
9090 90
Altman(1977)DA
9690 93
Dambolena(1980) DA
9110096
Zmijewski(1984)Probit9210097
Altman(1984)DA
9490 92
Barth(1985)Logit 8687 87
Pantalone(1987)Logit 9892 96
Harland(1990) Logit 9386 90
Barbo Back(1996)NN
9410096
Altman(2000)DA 96.2 89.796
吴世农等(2001) RA 92.7 94.393.6（限于上
市公司ST板块）
张爱民(2001)PC
－－ 92.5（限于上
市公司ST板块）
DA：判别分析法；PC：主成分分析法；NN：神经网络分析；其余为概率分析法；
6.影响模型精度的因素很多。包括建立模型所用资料的时效性、国别特点、行业特点和企业规模等。黄国良和Ooghe通过实证研究，认为一国建立的模型不能直接适用于另一个国家[9][10]，因此有必要建立各国自己的预警模型。
六、财务预警模型发展趋势
1.研究适合于本国的财务预警模型。自从美国成功研究并应用财务预警模型以来，出于各国本土应用的需要，包括英国、德国、日本等数十个国家的学者，纷纷研究出相关的财务预警模型，以供其本国各行各业的不同评估和预测需要，这极大地丰富了风险管理和企业财务预测理论的内容。
2.研究和提高各种模型的判定正确率和预测精度。由于环境不断变化和发展，最初用于研究的样本资料，不再完全适应当前情况，模型的预测精度也需要作出调整；另外，随着学科交叉带来的巨大优势，大样本抽样处理方法日趋完善，样本将更具有统计分析特点，因而建立的模型也会具有更好的效度。
3.随着科学的发展，建立动态财务预警模型成为研究热点。具有自学习能力的预警模型将会受到青睐，运用神经网络理论所代表的动态模型研究将成为今后主要研究方向。
4.研究通用模型和专门模型。目前构造的各种模型或多或少的在公司规模和行业适用性等方面具有不同的侧重点。随着研究的深入，会出现两种研究趋势：以普遍适用为目的的通用模型和以行业以及企业规模为特点的专门模型。前面提到的ZETA模型就是一种通用预警模型。
七、结束语
1.财务预警模型是不断发展的。不同时期的宏观经济环境和会计处理方法的不同，使建立模型的财务数据具有鲜明的时效性，因而模型也具有时效性，这就使每隔数年对模型进行更新成为必要。同时模型是为深入分析数据服务的，因而可以有多种方法建立不同的财务预警模型。但模型建立起来之后应继续评价模型的有效性和精确度，并检验模型的理论基础，以便在模型的实践应用中提高预测能力。
2.从上市公司入手，逐步建立适合于我国的财务预警模型是一个比较好的过渡。鉴于我国目前实际情况，上市公司ST股中绝大部分具备陷入财务困境的基本特征，如连续亏损、资不抵债等等；另一方面，多数非上市公司并不强制要求编制现金流量表，其他报表的质量如何也值得商榷，因此通过建立上市公司的预警模型可以反映预警模型的一些基本特点，达到初步研究的目的。
3.财务预警模型具有很大的现实意义。它以其客观性、科学性和较高的精度与效度，为方便客观地评价企业财务状况、预测企业未来发展趋势提供了重要方法。建立和运用正确的企业财务预警模型，对于经营者正确把握企业自身财务健康状况，对于保护投资者和债权人的利益，对于银行业科学的加强信贷风险管理，对于政府部门提高对企业的宏观监控质量以及规范证券市场等方面，都将起到重要作用。