企业财务预警模型：理论回顾及其评论，本文主要内容关键词为：企业财务论文,模型论文,理论论文，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。
自二十世纪三十年代以来至今，企业财务预警模型(The Model of Predicting Finance Distress of Enterprise)经历了从单一变量模型到神经网络分析模型的演进轨迹，按照其演进的轨迹可以划分为三个代际代，如下图所示：
图1 财务预警模型三大代际
本文侧重从企业财务预警模型演进轨迹的角度对其作一个简要的理论回顾及其评论，从而厘清企业财务预警模型演进的线索，勾勒出企业财务预警模型逐步演进的过程中所形成的基本框架结构，解决长期以来企业财务预警模型理论研究线索脉络不清、框架结构不甚明了的问题，以期促进和推动企业财务预警理论的研究。
国内研究的文献综述
基于国内已有的文献资料研究表明，国内最早研究财务预警模型是吴世农、黄世忠于1986年在厦门大学《中国经济问题》第6期发表的《企业破产的分析指标和预测模型》一文。迄今为止，国内学术界对于财务预警模型的研究多基于实用主义的观点，侧重于财务预警模型的修正与应用，缺乏对于财务预警模型基础理论的研究以及财务预警模型代际关系的基本演进轨迹的梳理与评价。在模型的修正方面，最为突出的是周首华等在1996年借鉴Altman研究建立了F分数模型、李秉成2005年采用统计方法建立了上市公司财务困境“A记分法”分析模型；在财务预警模型的应用研究方面，其研究切入的角度不外乎于两个方面：一是预测的角度，二是事后分析的角度。基于财务预警模型的应用研究方面看：第一，在财务预警模型涉及的范围上极为广泛，但大多从以下四个方面来探讨：财务困境(financial distress)、财务危机(financial crisis)、财务失败(financial failure)、经营失败(operating failure)；第二，财务预警模型研究涉及的模型类型极为丰富，包括：单一变量模型和多元变量模型、Logistic回归模型、逻辑回归和多元概率化回归模型、人工神经网络模型方法、Fisher多类线性判定模型；第三，财务预警模型研究涉及的模型对象包括两大类：在上市公司与非上市公司之间多涉及上市公司，而且国内学者大都将沪深股市特别处理(ST)的上市公司A股为样本作为存在财务危机的公司来研究，如陈静、李华中、姜秀华等；在盈利组织和非盈利组织之间多涉及盈利企业，但目前也有向非盈利组织应用的趋向，如高校、医院等；在模型涉及的指标选择上前期几乎都是财务指标，近年来多有涉及非财务指标，与此同时在财务指标的选择上也出现了现金流量指标、经济附加值指标。
近年来，国内学术界在财务预警模型研究的水平上日趋成熟，且不断深化开拓新的研究层面，如：章之旺、吴世农的财务困境成本研究，张根明、向晓骥基于支持向量机的财务预警模型研究，谭斌、邓安昊二值响应模型在财务预警的应用，朱干江、王桂芝基于K-最近邻法的上市公司财务预警模型研究等等。
单一变量模型(Univariate Model)及其述评
对于财务预警模型的研究，从Ramser和Foster、Fitzpatrick[1]、Winakor和Smith、Werwin等人以来，就一直延续不断。早在1932年，Fitzpatrick就在题为《成功工业企业与失败工业企业财务比率的比较》(A Comparison of Successful Industrial Enterprises with Those of Failed Firms)[1]一文中指出：从财务比率的分析中可以看出：出现财务危机的企业和正常经营企业相比较，其财务比率有显著不同。Fitzpatrick还进一步指出：企业财务比率不仅能够反映企业财务状况与经营成果，更重要的是它对企业的未来具有预测功能。此后，William Beaver首开先河运用统计方法来建立单一变量财务预警模型：1966年，Beaver在美国《会计研究月刊》第四卷(Volume 4.Journal of Accounting Research)发表的题为《以财务比率预测企业失败，会计上的经验研究：选择性研究》(Financial Ratio as Predictors of Failure，Empirical Research in Accounting：Selected Studies)[2]一文中，以1954-1964年度的市场数据为分析基础，指出财务比率在预测企业偿付能力方面是有用的，这些比率可用于区分企业有无偿付能力，其正确程度要比任意的预测高得多。1968年10月，Beaver又在美国《会计评论》(The Accounting Review)1968年秋季号第六卷上发表了《作为破产预测者的财务比率》，他从《穆迪行业手册》(Moody’s Indus-trial Handbook)中抽出1954-1964年间79家破产企业与79家非破产企业的两组财务数据样本进行分析，也即对于每一个破产企业均从其所属行业中选择一个具有相同资产规模的成功企业进行比较分析。当一个企业出现下述事项时均可认定为出现了财务危机：①破产；②拖欠偿还债券；③透支银行账户；④无力支付优先股股利。Beaver进一步指出：下述四个财务比率是预测企业财务危机的最好指标：
(1)债务现金保障率=现金流量/债务总额
(2)资产收益率=净收益/资产总额
(3)资产负债率=负债总额/资产总额
(4)资产安全率=资产变现率-资产负债率(其中：资产变现率=资产变现金额/资产账面金额)
在这篇文章中，Beaver通过计算79家发生财务危机企业以前各年13个财务项目的平均值，得出了下述三个重要结论：
(1)出现财务危机的企业现金较少，应收账款较多；
(2)当现金和应收账款加在一起列为速动资产和流动资产时，财务危机企业与成功企业的差别就被掩盖住了。因为现金和应收账款两个项目具有完全不同的性质；
(3)财务危机企业的存货一般较少。
依据上述三个重要结论，在进行企业财务预警分析时应特别注意现金、应收账款、存货等三个流动资产项目，尤其是现金、存货较少而应收账款较多的企业更应引起警觉。
William Beaver作为先行者首创单一变量财务预警模型，其主要的贡献在于：
(1)在财务预警模型的建立过程中运用了立面分析方法(Profile Analysis Approach)。Beaver以1954年-1964年期间的79家破产企业和相对应(同行业、等规模)79家成功企业为样本，对其二者间前5年的财务比率等均值逐年进行比较，发现两组财务比率均值均有明显差异，而且离失败日越近，其差距越明显。Beaver 所采用的这种立面分析方法对于财务预警的后续研究者有重要的参考价值，Beaver以后的研究人员大多沿袭了这种分析方法。
(2)在财务预警模型的建立过程中采用了两分法检验(Dichotomous Classification Test)。通过两分法检验，Beaver发现离企业破产的日期越近，财务比率预测错误分类率越低。Beaver所运用的这种两分法检验手段保证了财务预警模型的科学性，也为运用财务预警模型对企业进行财务预警的可靠性、准确性奠定了科学有效的基准。
(3)Beaver首创了财务预警单一变量模型(The Univariate Discriminant Model of Predicting Finance Distress)。Beaver应用二分类检验法进行的单变量分析说明了可以应用一个简单的模型来获得较高的预测力，而且也为后来的实证研究提供了理论基础，为后续财务预警的研究开拓出了新的方法与思路，其在财务预警研究中作为开拓者地位功不可没。
不过客观地看，Beaver所创建的单一变量模型也存在一些明显的不足：一是单一变量模型的财务预警分析较为简单，没有区别不同因素对整体的作用，故而难以准确地描述企业财务危机的整体状况，且不便于企业间的相互比较；二是单一变量模型不能很好地反映企业财务比率正反交替变化情况，对于同一企业运用不同财务指标可能得出不同乃至相互矛盾的评价结论；三是单一变量模型的财务评价标准的确定主观意味较浓，难以形成统一客观的财务评价标准。为了解决上述Beaver财务预警单一变量模型的缺陷，在Beaver之后，还出现了另外两类重要的财务预警单一变量模型：一是资产负债的分解模型(Balance Sheet Decomposition Model)，该模型强调企业外部的不稳定冲击导致企业破产前资产负债结构(如流动资产与固定资产的比率)发生显著变化；二是赌徒理论模型(Gambler's Ruin Model)，该模型强调对于企业破产前连续地出现负现金流量的关注。但是尽管这样，作为财务预警单一变量模型致命的缺陷：单一变量指标无法全面反映企业财务预警状况的局面不能够根本性的改变。
多元变量模型(Multivariate Model)及其述评
多元变量模型是将选定的多个财务指标赋以不同参数，将其纳入同一线性组合中的一种财务预警模型，其通用表达式如下：
多元变量模型的首创者为美国纽约大学教授Edward I.Altman。Altman教授1968年9月在美国《财务月刊》(The Journal of Finance)第23卷第四期中发表了题为《财务比率，差异分析和企业破产预测》(Financial Ratios，Discriminant Analysis and the Prediction of Corporate Bankruptcy)[3]的文章。他在这一篇文章中运用多元统计分析中的差异分析方法(Discriminant Analysis Approach)，通过对1946-1965年间申请美国《破产法》第10章保护的33家破产企业和33家正常经营企业的财务数据采用配对抽样法(Paired Sample Approach)，建立了一个以财务比率为基础的预测企业破产的多元变量财务预警模型。该模型运用了五种基本财务比率，通过对这五种财务比率的加权计算，该模型能得出预测企业破产的总的判别分数，称为Z值或Z分数(Z-Score)，这就是著名的Z分数模型或Z值模型。其表达式为：
根据Altman教授创建的Z值模型，Z值越低，企业发生破产的可能性就越大。通过计算同一企业连续多年的Z值就能帮助判断该企业是否破产。具体地，Altman教授在Z值模型中提出了判断企业财务失败或企业破产的临界值(Critical Score)或切割值(Cutoff Score)：
(1)Z≤1.81：企业已濒临破产边缘，企业财务状况堪忧；
(2)1.81＜Z＜2.675：企业财务状况极不稳定，处于“灰色地带”(Gray Area)，出现破产的可能性较大；
(3)2.675＜Z＜2.99：企业有可能发生财务困难；
(4)Z≥2.99：企业暂无财务困难
在此文中，Altman还得出两个重要结论：①企业越接近破产，其可观察到的财务比率越恶化；②绝大部分财务比率恶化的严重程度出现在企业破产前两年到三年里。
Z值模型由于是针对上市公司的研究，故而其适用范围仅局限在上市公司的范畴内。不仅如此，Altman教授所选择的66家企业样本均集中分布于美国的机械行业，因而该模型还具有行业局限性。为了弥补Z值模型的这种不足，Altman教授对Z值模型先后进行了两次修正，形成了针对非上市公司Z'值模型和跨行业的ZETA模型(Z"值模型)，这样其与前述的Z值模型就构成了Z值模型系列，使得Z值模型的适用范围得到了极大的扩展。对于非上市公司Z'值模型，其表达式如下：
(1)Z'≤1.1：企业已濒临破产边缘，企业财务状况堪忧；
(2)1.1＜Z'＜2.6：企业处于“灰色地带”(Gray Area)，财务状况极不稳定，出现破产的可能性较大；
(3)Z'≥2.6：企业暂无财务困难。
对于跨行业的ZETA模型(Z"值模型)，1977年Altman等[4]在美国《金融与财务月刊》(Journal of Banking and Finance)第六期上发表了题为《ZETA分析：判定企业破产风险的新模型》(ZETA Analysis：A New Model to Identify Bankruptcy Risk of Corporation)的文章，在这其中，Altman等人提出了著名的ZETA模型，即Z"值模型：
(1)Z"≤1.23：企业已濒临破产边缘，企业财务状况堪忧；
(2)1.23＜Z"＜2.9：企业处于“灰色地带”(Gray Area)，财务状况极不稳定，出现破产的可能性较大；
(3)Z"≥2.9：企业暂无财务困难。
其Z值的判定规则为：Z＜11.5时，企业有可能在未来一年内发生财务危机。
周首华[9]、杨济华、王平使用SPSS-X统计软件多维差异分析方法(Multiple Discriminant Analysis Approach)，从《华尔街杂志索引》(Wall Street Journal Index)选取31家破产公司和与之相对应的从Compustat会计数据库同一年度、同一行业的31家非破产公司两组相关的财务数据，在Altman教授所创立的Z值模型上建立了一个新的多元变量模型——F分数模型，该模型的表达式如下：
F分数模型的特点在于：
(1)五个自变量的选定大多依据Donalson的财务理论选定，而不像其他多元变量模型依据试误选定方法(Trial and Error Approach)选定。
(2)F分数模型以0.0274为临界值：若F＜0.0274，企业将被预测为破产企业；若F>0.0274，则将预测企业会继续经营下去。
它是反映企业总资产在创造现金流方面的能力,其相对于总资产周转率指标而言,可以更为准确的说明企业是否存在财务危机。
(4)F分数模型财务预警的准确性较高。周首华教授等人通过对Compustat PC PLUS会计资料库中1990年以来的4160家公司数据作为检验样本进行验证，其验证结果的准确率高达近70%。
香港理工大学的陈洪波以中国上市公司中的ST类公司为样本，在Z值模型的基础上，构建了中国上市公司财务危机预警模型，其表达式如下：
其中：主营收入利润率=主营业务利润/主营业务收入；主营收入利润率的增长率=(本期主营收入利润率-前期主营收入利润率)/前期主营收入利润率
该模型的临界值为-43.43，若Z＜-43.43，企业被判定为财务危机企业；若Z>-43.43，企业被判定为非财务危机企业。该模型通过对中国ST类公司和非ST公司的实证检验，其总准确率为79.3%。
综观上述各类多元变量财务预警模型，其优点在于以下三个方面：一是由于多元变量模型采用数理统计方法和实证研究方法，其于企业的财务预警结论较之于单一变量模型更为准确、科学，避免了主观性；二是多元变量模型于财务指标的选取较为客观，所选定的指标均具有较强的判别能力、财务预警能力，指标间系统性较强；三是多元变量模型的评价标准以临界值为唯一客观、统一的判别标准，因而其客观性、综合性较强。不过需要指出的是，即便如此，多元变量模型仍然存在诸多不足：首先，建立多元变量模型所依据的数理统计方法和实证研究方法均有其方法论的假设前提：即设定样本中破产企业和非破产企业两组财务指标数据均呈正态分布，且两组数据的均方差矩阵相等。这样，依据上述假设所构建的多变量模型的有效性、实用性就会受到质疑，并且其预警结论的准确性就会大打折扣；其次，多元变量模型在选取基本财务指标时，往往过于注重其在模型中预警的准确性，忽视了其内在根本的经济意义和财务意义，从而使得模型本身缺乏内在的理论逻辑；最后，多元变量模型预警结论时效过短。有实证研究表明，多元变量模型对临近破产企业预警准确能力为96%，而对破产企业前一年的企业预警准确能力就下降至70%，对破产企业前四年的企业预警准确能力仅为30%，对破产企业前五年的企业预警准确能力甚至还不如Beaver的单一变量模型。
条件概率分析模型(Conditional Probability Analysis Model)及其述评
基于多元变量模型的不足，进入二十世纪八十年代以后，其地位逐渐被条件概率分析模型所替代。1980年美国学者Ohlson[10]最早在财务预警模型研究中应用条件分析概率模型。Ohlson第一个将逻辑回归方法引入财务危机预警领域，他选择了1970-1976年间破产的105家公司和2058家非破产公司组成的配对样本，分析了样本公司在破产概率区间上的分布以及两类错误和分割点之间的关系，发现公司规模、资本结构、业绩和当前的融资能力进行财务危机的预测准确率达到96.12%。
条件概率分析模型包括逻辑回归模型(Logistic Model)和概率回归模型(Probability Model)。以逻辑回归模型为例，其表达式如下：
Logistic模型基本的判别方法是首先根据多元线性判定模型确定企业破产的Z值，然后推导出企业破产的条件概率。如果P值大于0.5，表明企业破产的概率比较大，可判定企业即将破产；如果P值低于0.5，表明企业财务正常的概率较大，可判定企业财务正常。
在逻辑回归模型中，由于要求计算的是事件发生的概率，这样就能将回归因变量的值域有效地控制在0-1之间，并使得其随自变量组合值Z的变化而连续变化。从这亦可看出，条件概率分析模型的特点在于：①从其结论的可靠性看，它不像多元变量模型以最后的Z值来判定企业为破产企业或非破产企业，而是利用概率的形式对企业的破产风险进行定量性的描述，使得其于企业的财务预警结论更为直接、可靠、准确。一个典型的实证研究证明了这一点：为了验证Logistic模型的预测精度，我国学者吴世农、卢贤义在2001年对经过严格检验的同一套样本指标分别用多元判别分析模型和Logistic模型进行财务预测，结果发现Logistic模型的预测精度为93.6%，其精度要明显优于多元变量模型的预测精度89.9%；②从其应用的随机性看，Logistic模型克服了多元变量模型存在的方法论上的前提性缺陷，模型本身不再受数理统计方法和实证研究方法的假设的约束，提高了该模型内在理论的逻辑性，不仅更大程度上保证了模型运用的精确性，而且极大地扩张了Logistic模型在财务预警模型应用环境中的随机适用性；③从其适用范围的广泛性看，多元逻辑模型由于建立在累计概率函数的基础上，不需要自变量服从多元正态分布和两组间协方差相等的严格的假设条件，克服了线性方程受统计假设约束的局限性，具有更广泛的适用范围，进而实现多元逻辑回归模型的运用的先定目标：寻求观察对象的条件概率，据此判断观察对象的财务状况和经营风险。
人工神经网络分析模型(Artificial Nerve Network Analysis Model)及其述评
人工神经网络分析模型(Artificial Nerve Network Analysis Model)简称为ANNA模型，它是以数理统计方法和计算机技术为依托，采用并行分布模式处理系统，具有高度并行计算能力、自学能力和纠错能力，科学性、准确性程度更高的新一代财务预警模型。ANNA模型始于二十世纪九十年代，目前它还在随着计算机技术和网络技术的不断发展在进一步发展和完善之中，可以肯定的讲,ANNA模型代表着财务预警模型发展的方向，在未来的企业财务预警分析中将会发挥越来越重要的作用。ANNA模型的一般结构如下：
人工神经网络分析模型的最大特点在于由于其高度发达的并行计算能力、自我学习能力和超强的纠错能力，随着财务预警分析样本数的不断积累，该模型可以随时累积与更新，从而可以对企业可能出现的财务危机及其征兆进行即时预警，进而实现企业财务危机动态预警的功能；同时，人工神经网络分析模型不需要主观定性判断企业财务危机状态，且不受变量特征影响，因而于企业财务预警判定的准确性方面比多元变量模型和条件概率分析模型更为有效。但是由于人工神经网络分析模型在运用时受到下述因素的影响，限制了该模型的高效运行：①模型本身结构的复杂性和难于理解性；②模型建模方法的专业性和模型调试的复杂性；③模型运用时要求较高的网络设备硬件技术条件；④模型运行时工作的随机性较强，动态把握难度较大，因而对于参加财务预警的工作人员的专业技术背景和专业技术水平要求较高，并且特别强调其学科交叉的专业技术水平。
基本结论
综上所述，有以下基本结论：一是企业财务预警模型是随着企业财务预警理论的不断完善，以及定量预警技术手段的不断发展而不断变化的；二是以单变量模型为基准，三代财务预警模型在今天均有其不同的应用环境，在运用财务预警模型的过程中，强调各类模型适用的前提；三是财务预警模型还处于不断的发展变化之中，应该不断探求新形势下、新环境中的模型的调整、完善、发展与创新，不存在一成不变的财务预警模型；四是在财务预警模型的运用过程中，应该注意：(1)数据的时效性问题；(2)中国企业与发达国家企业之间的差异性；(3)对于中国上市公司而言，由于中国资本市场的非开放性，于模型应用结论准确性有极大影响。