财务预警的行业差异模型研究，本文主要内容关键词为：模型论文,差异论文,财务论文,行业论文，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。
抵御财务风险、确保财务状况稳定是关系现代企业生死存亡的重要议题。在当今变化剧烈的环境中，对企业财务风险进行尽可能有效和精细的预警和监测比任何一个时候都重要，它是摆在财务理论研究和实务工作者面前急需研究的重要课题。很多中外学者就企业建立财务预警系统进行了广泛的探索，但所提出的多为统一模式，基本上没有考虑不同行业的差异。实证结果显示，现有预警系统模型不能普遍适用于不同行业的企业的预测。本文拟在现有财务预警模型的基础上，加入行业差异变量，从一个新的视角构建企业财务预警系统。
一、财务预警从单变量判定模式到神经网络分析模型的演变
自20世纪30年代起，西方经济学界陆续开始对公司财务预警模型进行研究。财务预警的直接目的是预测和防范财务危机。关于财务危机理论范畴的界定，不同的学者在进行研究时有不同的标准，但一般采用的是法定标准。所谓法定标准多是依据证券交易法规对于企业财务危机的定义，例如许多证券交易所都对持续亏损、有重大潜在损失或者股价持续低于一定水准的上市公司进行特别处理或摘牌下市，与此相应可以说这些企业发生了财务危机[1]。根据这些危机标准的研究，学术界最早提出了以单一变量指标来判定企业财务状况的模型。通过半个多世纪的探索，财务预警模型日臻完善。
(一)单变量判定模式
有位美国学者最早发现，出现财务危机的公司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映企业财务状况，并对企业未来具有预测作用[2]。他以19家公司为样本，运用单个财务比率将样本公司划分为破产和非破产两组，可见他是以破产作为对财务危机的界定的，结果发现净利润比股东权益和股东权益比负债这两个比率具有较强的判别能力。另一位学者Beaver于1966年提出的较为成熟的单变量判定模型，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。在他的研究中，79家“财务困境公司”包括59家破产公司、16家拖欠优先股股利和3家拖欠债务的公司，由此可见，Beaver把破产、拖欠优先股股利、拖欠债务定义为财务危机。他使用了30个财务比率作为变量，对这些公司进行了一元变量的判定预测，发现了现金流量与总负债的比率能最为有效地判定公司所面临的财务困境(误判率较低)，其次是资产负债率。而且这些指标的时效性越强，预见性也就越强，即误判率越低[3]。
(二)多元线性判别模型
典型的多元线性判别模型是美国Altman教授提出的Z计分模型。这种分析模式是运用多种财务指标加权汇总产生的总判别值来预测财务风险，即建立一个多元线性函数模型，来综合反映企业的财务风险。
Altman教授认为企业是个综合体，各个财务指标之间存在某种相互联系，对企业整体的风险影响作用也是不一样的[4]。他所提出的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，在分析这些变量相关性的基础上，进行综合分析后建立多元线性的Z分数预测模型。
通过统计分析，他认为当Z＜1.81时，企业有很高的破产概率；当Z＞2.67时，企业处于安全状态；当1.81＜Z＜2.67时，企业是否破产情况不明，处于灰色区域。Z计分模型简单明了，易于理解，有利于不同财务状况的比较，根据实证研究表明有一定判定能力，故得到较为广泛的使用。但Z分数模型提出较早(1932年)，且选取的样本数(66家，33家赢利，33家亏损)较少，没能全面考虑企业规模、所处行业、地域、面临的经济法律环境等诸多差异的影响，所以不但选择的财务指标有很大的局限性(例如没有考虑现金流量等方面的指标)，而且模型本身也有不妥，再者其判别标准亦较武断。因而许多研究人员批评这一方法经验主义色彩较浓，没有理论依据。
后来与Altman建立的Z分数模型相类似的，还有Edmister在1972年针对小企业提出的小企业财务危机分析模型(但未能公开Z值的最佳分界点)，以及其他更多的多元线性预警模型。
在国内，周首华等在1996年提出F分数预测模型，它是以Compost at PC Plus会计资料库中1990年以来的4160家公司为样本，通过调整和更新指标对Z分数模型进行了修正[5]，也取得了一定的效果。另外有人在1999年以1998年的27家ST公司和27家对应的非ST公司，使用了1995—1997年的财务报表数据，进行了单变量分析和多元线性判定分析[6]。还有人在2000年以120家公司为研究对象，使用其中60家公司的财务数据估计二类线性判别模型，并使用另外60家公司进行模型检验，发现模型具有超前4年的预测结果[7]。
(三)线性概率分析
线性概率分析是多元线性判别模型的一种替代选择。由于了解企业陷入财务困境的概率对防范财务困境具有很大的帮助，所以研究人员开发出了预测财务困境的线性概率模型。该类模型是对二项因变量(0-1)的普通最小二乘回归的一种特例，其原理是假设变量Y是公司I的n个特点的线性组合，通过转换，该公司陷入财务困境的概率Pi为：
由于存在可替代性，并且Fisher证明了线性概率分析和多元线性判别分析的误判率是一致的、分类结果是相同的，所以这种方法的应用不是很多。
(四)逻辑回归分析
上述的多元线性判别模型虽然经实证研究有较好的预测性，但存在假设上的局限性，即要求自变量呈正态分布，并满足两组变量的斜方差矩阵相等。因此，美国学者率先在财务预警研究中应用了二元概率函数来计算危机事件发生的概率，提出了条件概率模型，主要有对数成败比率模型(Logit)和概率单位模型(Probit)两种统计方法[8]。它们都是建立在累计概率函数的基础上，一般运用最大似然估计，从而克服了线性判别模型假设局限性，即不需要满足自变量服从多元正态分布和两组间协方差相等的假设。实证研究表明，Logit和Probit方法得出的结论非常相似，而且都比线性判别模型略好一点。现以二元Logistic概率函数为例，其定义为：
其中P是二元Logistic概率函数的计算结果。A是常数项，bi是斜率，Xi是自变量。据此可以算出已知破产企业的破产联合概率和经营良好企业的未破产概率。
国内学者在2001年首先讨论了治理弱化与财务危机的辩证关系，然后在分析13个变量的基础上，运用Logistic回归给出了判别上市公司财务危机的模型，模型包括毛利率、其他应收款与总资产的比率、短期借款与总资产的比率、股权集中系数等四个变量。其中股权集中系数是公司治理结构的直接表现，也是此模型与其他模型的区别[9]。
(五)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，从而对企业危机进行动态的预警。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，主要有Fletcher、Coss和Altman等国外研究者。国内学者在2002年通过实证分析认为，神经网络分析在判定正确率方面比线性模型和Logistic回归模型更加有效，并且不受变量分布特征影响，不需要主观定性地判断企业财务危机状态，因而能够更加合理的预测企业财务危机[10]。这种方法由于客观条件的限制，到目前为止很少有人进行实证研究。而且由于方法过于复杂，其应用范围也极其有限。
二、现有财务预警模型的局限
无论是在投资型公司选择投资对象、银行或信贷机构签订债务契约或贷款协议时，还是在信用评级机构进行信用评级、企业管理者在经营活动中判别财务风险水平时，都需要运用一定的会计数据、财务比率或一定的预警模型，来判断企业的偿债能力、支付能力和出现财务危机的概率。然而，不仅财务数据和比率受到诸如会计核算标准、各国政府政治的影响，而且上述诸多预警指标、预警模型及其判断标准会受到企业规模、所处行业、地域、面临的经济法律环境、样本选取范围和时间区间等诸多差异的影响，因而在做出企业财务风险判断时存在着一定的局限性。例如，不同的模型需要不同的前提条件，而事实上很多时候这些条件并不能满足所有的行业，这使得很多模型的正确性和预测精度受到影响；又如，在建立企业财务预警系统时，多采用财务指标而缺乏对非量化因素的考虑。这种局限性更突出地体现在对企业建立财务预警模型的研究中，试图寻求统一的预警模型、运用统一的指标体系和判断标准来解决所有企业的问题，缺乏针对不同行业的企业灵活选用各自参数、采用不同临界值判断的应变能力。
至今我国在财务预警系统方面，无论是理论研究还是实践探索都还明显不足。首先，由于财务预警系统属于企业预警管理的一部分，所以国内的研究往往把财务预警作为一个子系统来研究，难以达到全面、深入地从财务角度剖析的效果；其次，从理论上对企业建立财务预警的依据进行的探讨较少，并机械套用国外模式，而国外的某些研究模型未必符合中国企业的情况；再次，所用模型多为通用性模型，较少考虑到不同行业企业的差别，因而准确性和有效性受到严重影响。
本文侧重从增加行业变量的角度分析不同企业财务预警系统的不同，试提出对现有财务预警模型的修正意见，草拟出适于我国企业的财务预警模型。
三、引入行业差异变量探讨财务预警系统
众所周知，行业性差异对财务指标有巨大影响，财务预警模型的实证研究也表明行业性差异在预测模型中不可忽视。
(一)财务指标具有行业差异
通过对财务预警理论的追溯研究，我们发现各种预警模型都是以企业的财务数据和财务指标为依据进行预测分析的。然而，企业的各种财务指标，从偿债性指标到营利性指标，都呈现出明显的行业性差异。
1.企业偿债能力指标的行业差异
在市场经济发展水平不同的国家中，各个行业的最佳负债比率不尽相同。根据美国1985年各行业负债比率分析可以看出，如钢铁这类需要大规模投资的行业通常具有较高的负债比率，这并不影响他们的正常运营，而医药等行业由于具有资金周转周期短的特殊性，通常借债很少。企业为保持在本行业中的竞争能力，减少风险，其负债比率应保持同行业的正常负债水平。在测算负债率和流动比率时，如果不考虑到行业的差异，用通用的标准值来衡量评价，就很可能得出不确切的答案。
2.企业盈利能力指标的行业差异
对于反映盈利能力的指标，有些模型选用资产报酬率和流动资产收益率，而有些模型选用销售利润率和税前利润/销售总额。实际上，由于行业的差异，不同行业间的盈利指标不存在可比性。在通常情况下，房地产业的资金周转率远远低于商业行业的资金周转率，而高新技术行业的毛利率远远高于传统制造行业，因为其主营成本通常只包括形式产品的成本(如盘片)，而将巨额的研发费用打入管理费用等等。因此，一般来说，由于行业会计核算制度和计量方法存在差异，企业的盈利性指标明显具有行业性差异。在利用盈利指标评估企业财务是否存在危机时，应该考虑到其行业的差异性。
3.风险的理解因人而异
一般来说，不同的人不仅面对同样的指标所理解的财务风险不同，而且对风险的偏好也不同，不同企业能够承受风险的水平也不一样。例如，不同的风险投资基金侧重于不同的风险投资领域，并且在不同的国家之间表现出很大的差别。美国的风险投资基金更注重于投资新兴的技术领域。1998年第一季度，美国风险投资的60％流向信息技术领域，25％流向医药和保健品产业，13％流向零售和消费品产业，剩下的1％投向其他行业。而与美国不同，欧洲国家的风险资本则多侧重于制造业。另外，各个风险投资基金的投资组合，也决定了其在不同产业领域的投资比例，一般规律是基金经理人依据自己或成员的知识和实践经验的结构情况，确定所要投资的项目。显然，那些受风险投资者青睐的行业中的企业能承受更多的风险。这类企业有时可能出现现金供应链对外依赖严重、公司运营缺乏谨慎、短期资产远远不足以偿还短期负债等情况，但由于受到风险投资者的青睐，仍能获得有效的投资，得以持续经营下去。
(二)财务指标行业性差异对预警的影响
鉴于目前我国尚未开发出比较适合实际的财务预警模型，国外的财务预警模型仍然相对比较成熟，笔者运用国外财务预警模型具代表性的Z记分模型，结合我国上市公司的财务数据进行分析。
Altman在研究中将被研究企业的Z值划分为四个区域：(0—1.8)、(1.8—2.8)、(2.8—3.0)、(3.0—)，分别对应于存在严重危机的企业、存在一定财务危机的企业、存在某些财务隐患的企业和财务状况良好的企业。在我国，绩优公司通常被认为是财务状况良好的企业，ST公司被认为是财务状况比较差的企业。假定Z分数模型同样适用于我国，则我国沪、深交易所上市公司的Z值将呈现相应分布规律。
以前学者们所作的实证研究的结果总是不能很好地支持这一假设，甚至只是在概率分布上勉强支持。本文随机抽取了77家上市公司2001年公开披露的财务报表，经计算后发现，绩优公司、新增ST公司、摘帽公司的Z均值是符合假设的，但每一类型企业的Z值相当分散。也就是说，使用Z模型认定的临界值进行财务预警分析在总体上是符合客观实际的，但是在针对某具体企业使用时则不够准确。这说明在行业性差异对Z分数模型的影响尚未消除的时候，依据这一模型来进行财务预警分析是不适合的。
(三)Z模型的行业变量修正
考虑行业因素的影响，对Z模型的修正可以有如下三种思路：(1)在模型整体上加上行业修正值；(2)针对每个财务变量设定一行业修正值；(3)使模型中所选取的财务变量呈现行业性差异。通过修正使财务预警模型更精确和更有针对性，在实际运用中可以根据客观情况进行调整。
1.加上行业修正值的整体模型分析
在借鉴和部分改进Z模型的基础上，结合考虑行业间存在的财务性差异，在模型整体上加上行业修正值。如下所示：
其中：A为常数；B为某行业财务指标的行业修正值，视行业而定；C为参数的系数，i=1，2，3，4，5；X为自变量，i=1，2，3，4，5。
行业修正值B可以在大量实证研究和统计分析过程中，以较为成熟的Z模型结果为参照值，依据行业变量对企业财务危机的影响来确定。具体做法是，选取某行业的企业样本，根据历史数据可以得到Xi和Z模型的值，有Z=∑CiXi，将其代入
中，通过统计技术筛选出那些在两组间差别尽可能大而在两组内部的离散度最小的变量，从而将多个标志变量在最小信息损失下转换为分类变量，这样根据样本企业的实际财务状况进行回归分析求出Bi，进而获得能有效提高预测精度的多元线性判别方程。
2.针对单个财务变量设定行业修正值的模型分析
周首华等在“论财务危机的预警分析——F分数模式”一文中，采用的SPSS—X统计软件多微区分分析(Multiple Discriminant Analysis)方法求出了各个变量和权数的值。我们可以使用同样方法进行主成分分析，求出行业修正值Bi的值。主成分分析法可以对观测样本进行分类，并自动生成(确定)各因子权重，简化实测指标系统，国内曾有学者运用主成分分析法来建立财务预警模型。这种由心理学家Chafes Spearman在1904年提出的主成分分析法又称因子分析法，其基本思想是将实测的多个指标，用少数几个潜在的主成分指标(因子)的线性组合来表示。
到目前为止，有很多学者运用主成分分析法成功地建立了一些财务预警模型，但都没有考虑行业差异，在取样时很笼统地选取了各行各业的企业样本，这势必降低预警模型的精确度。笔者认为，我国企业有必要建立分行业的财务预警模型。具体做法是，分行业选取样本企业，运用SPSS统计软件进行主成分法分析，得到因子权重m(即m=BiCi)，则各行业各变量的行业修正值Bi=BiCi/Ci=m/Ci可求。
四、特例检验：农业和房地产行业的预警建模
农业和房地产业是财务表现差异很大的两个行业，如果按照统一的财务预警模型进行预测是不妥的。本文以这两个行业为例，按上述修正意见中提出的方法拟建其财务预警模型，以此证明分行业比统一的财务预警模型更为有效。
(一)研究假设
由于企业的财务信息带有明显的行业性差异，分行业确立的财务预警模型，相对于不分行业笼而统之建立的财务预警模型，将更为准确。假设Z计分模型中的财务指标变量在不同行业中有明显的数量差别，分行业的财务危机预警模型的预测正确率要好于原有财务危机预警模型。
(二)样本选取
本文的研究样本选自2003年度沪深交易所的上市公司。样本A1：2003年沪深交易所农业行业的上市公司。样本A2：2003年沪深交易所房地产行业的上市公司。根据证券之星网的资料，2003年沪深交易所农业行业的公司数目为49家；2003年沪深交易所农业行业的公司数目为51家。
(三)财务预警模型的建立
从现有预警理论研究的常规思路来看，通常财务预警Z计分模型选择用来判定是否出现财务危机的财务指标分别为：
将上市公司的财务数据分析处理，利用SPSS统计分析软件，根据上述选定的5个变量及2003年的样本数据，进行线性相关性分析，得到模型的估计结果(见表1和表2)。
统计得出：
同上农业模型的做法，得出房地产行业预警模型的行业修正值为：
(四)统计检验
采用线形回归方法对行业修正系数进行检验，以判断F[1]与所有财务指标之间的线性关系是否显著。以一财务指标为因变量，其他四个财务指标和相应Z值为自变量，运用SPSS软件进行衰减性测试，结果见表3和表4。
(五)模型预测效果分析
F[1]模型是否有效，还需要通过实际数据来检验。现利用建立的F[1]模型来预测2004年中期报表摘要中显示真正亏损的上市公司，具体步骤如下：
第一，将所有2004年中期亏损公司的2003年原始财务数据分别代入预警模型F[1]计算亏损概率；
第二，将计算得到的亏损概率与判别点比较，如果大于判别点则预测为亏损，否则认为盈利；
第三，将所有预测亏损公司与2004年中期报表摘要中显示真正亏损的公司比较，计算得到模型的预测正确率。
经过实证分析，得到结果如下：在农业行业，运用新模型F[1]预测出2004年中期报表中显示首次亏损的农业公司为7家，正确率为82.73％，运用原来Z模型预测出2004年中期首亏公司为5家，正确率为75.76％。在房地产行业，运用新模型F[1]预测出2004年中期报表中显示首次亏损的房地产公司为12家，正确率为82.73％，运用原来Z模型预测出2004年中期首亏公司为15家，正确率为75.76％。由此可见，分行业的财务危机预警模型F[1]的预测正确率要优于原有财务危机预警模型。
五、结束语
本文在回顾财务预警模型相关理论的基础上，对财务预警存在的行业差异进行了理论探索，从一个全新的角度对现有的财务预警模型提出了修正意见。传统的财务预警模型不分行业进行笼统的预测分析，在理论和实证层面上都具有一定的局限性。本文在原有财务模型加入了行业修正值，使模型的预测能力更为精准和科学。但本文所提供的只是一种思路和方法，尚未经过周密严格的实证分析验证，需要进一步的探索和研究。(本文获得教育部哲学社会科学创新基地“南京大学经济转型和发展研究中心”子课题“经济增长与结构转型研究”项目资助)。
标签：财务预警论文; 财务指标论文; 预测模型论文; 判别分析论文; 线性模型论文; 概率计算论文; 修正系数论文; 企业破产论文; 差异分析论文; 线性回归模型论文; 模型公司论文; 财务预测论文; 企业财务论文; 财务分析论文; 变量论文;