[摘 要] 財(cái)務(wù)危機(jī)預(yù)警屬于微觀經(jīng)濟(jì)預(yù)警的范疇，具有重要的研究?jī)r(jià)值。本文對(duì)國(guó)外財(cái)務(wù)危機(jī)預(yù)警模型的研究進(jìn)行了綜述，對(duì)國(guó)外財(cái)務(wù)危機(jī)預(yù)警模型進(jìn)行分析比較，并對(duì)財(cái)務(wù)危機(jī)預(yù)警模型研究的發(fā)展趨勢(shì)進(jìn)行了展望。

[關(guān)鍵詞] 財(cái)務(wù)危機(jī) 預(yù)警模型

隨著資本市場(chǎng)的不斷完善，財(cái)務(wù)危機(jī)預(yù)警的研究一直是實(shí)務(wù)界和學(xué)術(shù)界關(guān)注的熱點(diǎn)問(wèn)題。財(cái)務(wù)危機(jī)預(yù)警是以財(cái)務(wù)會(huì)計(jì)信息為基礎(chǔ)，通過(guò)設(shè)置并觀察一些敏感性預(yù)警指標(biāo)的變化，對(duì)公司可能或者將要面臨的財(cái)務(wù)危機(jī)實(shí)施的實(shí)時(shí)監(jiān)控和預(yù)測(cè)警報(bào)。

一、前言

財(cái)務(wù)預(yù)警中的數(shù)學(xué)模型就是財(cái)務(wù)預(yù)警模型，它是指借助公司財(cái)務(wù)指標(biāo)和非財(cái)務(wù)指標(biāo)體系，識(shí)別公司財(cái)務(wù)狀況的判別模型。

按照研究方法可分為定性研究和定量研究。定性分析包括：標(biāo)準(zhǔn)化調(diào)查法；“四階段癥狀”分析法；“三個(gè)月資金周轉(zhuǎn)表”分析法；流程圖分析法；管理評(píng)分法(王玲玲等，2005)。定量分析已取得了比較成熟的研究成果，可以劃分為兩個(gè)階段：20世紀(jì)60年代～80年代，形成了一些以統(tǒng)計(jì)方法為分析工具的傳統(tǒng)的財(cái)務(wù)危機(jī)預(yù)警模型，主要包括：?jiǎn)巫兞颗卸Ｐ?Univariate)；多元線性判定模型(Multiple discriminate analysis，MDA)－Altman的Z值判定模型（Z-score 模型、Zeta模型、Z*值模型）、Edmisterd(1972)的小公司財(cái)務(wù)預(yù)警模型、英國(guó)的Taffler(1977)的多變量模式、日本開(kāi)發(fā)銀行建立的“利用經(jīng)營(yíng)指標(biāo)進(jìn)行公司風(fēng)險(xiǎn)評(píng)價(jià)的破產(chǎn)模型”；概率模型(Logistic regression model)－多元邏輯(Logit)回歸模型、多元概率比(Probit)回歸模型，這些模型的發(fā)展已趨于成熟，但存在著難以克服的缺陷。

20世紀(jì)90年代后，學(xué)者們開(kāi)始探索使用新的方法，主要是非統(tǒng)計(jì)方法來(lái)創(chuàng)建的新興的財(cái)務(wù)危機(jī)預(yù)警模型，它們從不同方面克服了傳統(tǒng)模型的缺陷。但新興的財(cái)務(wù)困境預(yù)警模型的探討與應(yīng)用研究較為分散，還沒(méi)有形成完善的綜合研究格局。本文綜合述評(píng)了新興的財(cái)務(wù)危機(jī)預(yù)警模型，并對(duì)未來(lái)的研究方向進(jìn)行展望。

二、新興的財(cái)務(wù)危機(jī)預(yù)模型

由于傳統(tǒng)的財(cái)務(wù)危機(jī)預(yù)警模型所采用的統(tǒng)計(jì)方法一般都受制于母體分布的假設(shè)前提，存在著難以克服的缺陷，因此，20世紀(jì)90年代后，主要是基于非統(tǒng)計(jì)方法的新興的財(cái)務(wù)危機(jī)預(yù)警模型。

1.建模技術(shù)的發(fā)展

(1)粗糙集分析(Rough set analysis，RST)。Slowinski和Zopoudinis(1995)率先將粗糙集分析方法用于企業(yè)失敗風(fēng)險(xiǎn)的評(píng)估。粗糙集方法包含了知識(shí)發(fā)現(xiàn)及分類決策法則的推導(dǎo)。它善于用不完善的信息進(jìn)行分類，被證明是用一組多價(jià)值屬性的財(cái)務(wù)比率描述失敗與非失敗公司的有效工具。(2)神經(jīng)網(wǎng)絡(luò)模型(Artificial neural network，ANN)。Odour和Sharda(1990)是最早把BP神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用于財(cái)務(wù)危機(jī)預(yù)測(cè)研究中，結(jié)果顯示神經(jīng)網(wǎng)絡(luò)要優(yōu)于當(dāng)時(shí)的判別分析模型。(3)混沌模型(Chaos theory model)。Lindsay和Campbell(1996)將公司視為具有混沌行為的系統(tǒng)，建立了公司失敗預(yù)測(cè)模型。它是對(duì)企業(yè)財(cái)務(wù)健康狀況的非線性動(dòng)態(tài)分析，能測(cè)度出企業(yè)在不同時(shí)期混沌量的差異。(4)自組織映射模型(Self organizing map model)。Kiviluoto Bergius(1998)在運(yùn)用SOM技術(shù)時(shí)考慮了動(dòng)態(tài)性，他們建立了雙層自組織映射模型，可分析連續(xù)幾年的財(cái)務(wù)信息，對(duì)破產(chǎn)與非破產(chǎn)公司進(jìn)行可視化的區(qū)分，并勾畫出隨時(shí)間演變的失敗路徑。(5)多維標(biāo)度模型(Multi dimensional scaling model，MDS)。Bishop、Mar-Molinero和Turner(2003)利用MDS在行業(yè)背景下對(duì)一家公司財(cái)務(wù)狀況的演變過(guò)程進(jìn)行了案例研究，它是一種圖像化的聚類方法，它的獨(dú)特之處是把公司當(dāng)作變量，而將屬性(如財(cái)務(wù)比率)作為案例。(6)累積和模型(Cumulative sum model，CUSUM)。Kahya和Theodossiou運(yùn)用累積和模型對(duì)公司失敗進(jìn)行預(yù)測(cè)，認(rèn)為模型還應(yīng)包含財(cái)務(wù)狀況惡化的動(dòng)態(tài)過(guò)程信息，于2000年提出了預(yù)測(cè)公司失敗的CUSUM模型，該方法能探測(cè)財(cái)務(wù)狀況由好轉(zhuǎn)壞的拐點(diǎn)，對(duì)財(cái)務(wù)狀況惡化敏感并具有記憶力，區(qū)分財(cái)務(wù)指標(biāo)變化是由序列相關(guān)引起的還是由于財(cái)務(wù)情況惡化造成的。除了以上介紹的財(cái)務(wù)危機(jī)預(yù)警模型之外，還包括基于模糊法則的分類模型、動(dòng)態(tài)事件歷史分析、機(jī)器學(xué)習(xí)決策樹(shù)法、線性目標(biāo)規(guī)劃法、專家系統(tǒng)等。

2.建模變量的發(fā)展

(1)加入期權(quán)變量。Charitou和Trigeorgis(2000)使用B-S期權(quán)定價(jià)模型中的相關(guān)變量構(gòu)建了財(cái)務(wù)危機(jī)判別模型，對(duì)1983年到1994年期間的139對(duì)美國(guó)公司進(jìn)行了對(duì)比檢驗(yàn)，結(jié)果發(fā)現(xiàn)到期債務(wù)面值、公司資產(chǎn)的當(dāng)期市價(jià)、公司價(jià)值變化的標(biāo)準(zhǔn)差等期權(quán)變量在預(yù)測(cè)破產(chǎn)方面作用顯著。(2)利用市場(chǎng)收益率。Aharony等提出了基于市場(chǎng)收益率方差的破產(chǎn)預(yù)測(cè)模型。發(fā)現(xiàn)在正式的破產(chǎn)公告日之前的4年內(nèi)，破產(chǎn)公司股票的市場(chǎng)收益率方差與一般公司存在差異。Altman和Brenner發(fā)現(xiàn)，破產(chǎn)公司的股票在破產(chǎn)前至少１年內(nèi)在資本市場(chǎng)上表現(xiàn)欠佳。Clark等發(fā)現(xiàn)破產(chǎn)公司股票在破產(chǎn)前至少3年內(nèi)存在負(fù)的市場(chǎng)收益率。（3)加入公司股權(quán)結(jié)構(gòu)、治理結(jié)構(gòu)變量。有學(xué)者研究發(fā)現(xiàn)，公司的股權(quán)結(jié)構(gòu)、治理模式等會(huì)對(duì)業(yè)績(jī)產(chǎn)生重要影響。Simpson等研究了銀行企業(yè)董事會(huì)結(jié)構(gòu)、所有權(quán)和財(cái)務(wù)困境。Gilson研究了處于財(cái)務(wù)困境中的企業(yè)中高級(jí)管理人員的更替問(wèn)題。除了以上介紹的財(cái)務(wù)危機(jī)預(yù)警模型之外，還包括運(yùn)用現(xiàn)金流量指標(biāo)、加入?yún)⒖紝徲?jì)意見(jiàn)、加入違約距離、基于平衡計(jì)分卡等的模型。

三、財(cái)務(wù)危機(jī)預(yù)模型的評(píng)析

1.財(cái)務(wù)危機(jī)預(yù)警模型缺乏經(jīng)濟(jì)理論的指導(dǎo)

目前財(cái)務(wù)危機(jī)研究集中于預(yù)警模型的構(gòu)建之上，并未深入到對(duì)引起公司財(cái)務(wù)危機(jī)的內(nèi)部機(jī)理的探析。被引入模型的變量（財(cái)務(wù)指標(biāo)）只是公司陷入財(cái)務(wù)危機(jī)的征兆，而不是公司陷入財(cái)務(wù)危機(jī)的原因和本質(zhì)。用財(cái)務(wù)變量建立預(yù)測(cè)模型對(duì)公司財(cái)務(wù)危機(jī)進(jìn)行預(yù)測(cè)只是一種基于樣本的相關(guān)性分析，而不是因果關(guān)系。大多數(shù)財(cái)務(wù)預(yù)警模型只能給財(cái)務(wù)分析人員提供一些表面上的信息，而不能從根本上防止公司陷入財(cái)務(wù)危機(jī)。

2.預(yù)警變量選擇缺乏理論支持

目前還沒(méi)有形成有說(shuō)服力的優(yōu)選預(yù)警變量的理論框架，影響了模型預(yù)測(cè)的可靠性。預(yù)警變量（財(cái)務(wù)指標(biāo)）的選取不能在理論指導(dǎo)下有系統(tǒng)性的進(jìn)行，而只能靠研究者經(jīng)驗(yàn)判斷、對(duì)前人研究成果借鑒和統(tǒng)計(jì)篩選。研究者的經(jīng)驗(yàn)判斷會(huì)因主觀因素影響模型預(yù)警效果。事實(shí)上，諸多模型中變量的選擇都存在顯著差異，即使是同一類型的財(cái)務(wù)指標(biāo)，不同的研究者選取的指標(biāo)差異也很大。

3.預(yù)警模型考慮定性變量和非財(cái)務(wù)指標(biāo)有限

財(cái)務(wù)危機(jī)預(yù)警型主要以財(cái)務(wù)會(huì)計(jì)報(bào)表數(shù)據(jù)為基礎(chǔ)，以各種財(cái)務(wù)指標(biāo)為變量來(lái)建立預(yù)警模型，對(duì)定性變量和非財(cái)務(wù)指標(biāo)使用有限。不可否認(rèn)財(cái)務(wù)報(bào)表數(shù)據(jù)是公司經(jīng)營(yíng)狀況的一個(gè)綜合反映，但財(cái)務(wù)報(bào)表數(shù)據(jù)披露不足，時(shí)效性較差，缺乏對(duì)風(fēng)險(xiǎn)信息和不確定信息的披露。非財(cái)務(wù)指標(biāo)和非定量因素在披露公司財(cái)務(wù)狀況方面要比財(cái)務(wù)指標(biāo)更為可靠、有效，公司的生存和發(fā)展會(huì)產(chǎn)生許多有利或不利的影響，有時(shí)可能是本質(zhì)原因，比如，公司出現(xiàn)過(guò)度依賴銀行貸款、公司人力資源匱乏、公司市場(chǎng)定位不清等狀況，都預(yù)示著公司存在潛在的危機(jī)，而這些是財(cái)務(wù)比率所不能反映的。

4.非平穩(wěn)問(wèn)題的處理重視不足

很多方法在運(yùn)用中對(duì)數(shù)據(jù)的非平穩(wěn)性問(wèn)題重視不足。由于商業(yè)周期的階段性、市場(chǎng)環(huán)境的變化及技術(shù)變革等原因，檢驗(yàn)時(shí)段與預(yù)測(cè)時(shí)段的自變量平均結(jié)構(gòu)可能發(fā)生變化，變量間的關(guān)系也隨之改變。很多研究沒(méi)有對(duì)這一問(wèn)題加以重視，可能導(dǎo)致模型的預(yù)測(cè)力與魯棒性受到影響。因此有必要對(duì)數(shù)據(jù)進(jìn)行一些處理，如使用行業(yè)相對(duì)比率、扣除數(shù)據(jù)中的通脹因素等，使變量的平均結(jié)構(gòu)及變量間關(guān)系從檢驗(yàn)期向預(yù)測(cè)期跨越時(shí)保持相對(duì)平穩(wěn)。

四、財(cái)務(wù)危機(jī)預(yù)模型研究的展望

1.深入研究基于經(jīng)濟(jì)、財(cái)務(wù)及管理的理論

要深入研究基于經(jīng)濟(jì)、財(cái)務(wù)及管理理論，系統(tǒng)揭示公司陷入財(cái)務(wù)危機(jī)的內(nèi)部機(jī)理和規(guī)律，建立宏觀層次要素和公司財(cái)務(wù)危機(jī)微觀層次間的聯(lián)系，以提高模型的可信度和解釋能力。

2.預(yù)測(cè)變量的選擇多樣化

財(cái)務(wù)危機(jī)預(yù)警模型不能單純依靠財(cái)務(wù)指標(biāo)，至少要在預(yù)警系統(tǒng)中涉及到非財(cái)務(wù)指標(biāo)和定性變量，這樣才能更為完整地反映公司全貌。如：考慮宏觀經(jīng)濟(jì)波動(dòng)指標(biāo)、產(chǎn)業(yè)指標(biāo)、管理指標(biāo)、市場(chǎng)收益類和市場(chǎng)收益方差類指標(biāo)、行業(yè)差異的指標(biāo)等；考慮定量方法和定性方法的有機(jī)結(jié)合。因此，未來(lái)的發(fā)展趨勢(shì)應(yīng)當(dāng)是以財(cái)務(wù)指標(biāo)為主，兼顧其他幾類指標(biāo)和定性變量，構(gòu)建更為全面的備選指標(biāo)組，然后進(jìn)一步通過(guò)現(xiàn)代分析方法對(duì)備選指標(biāo)進(jìn)行相關(guān)性分析，保留主要指標(biāo)進(jìn)行建模，以起到信息互補(bǔ)、提高預(yù)測(cè)精確度、提高模型的判別能力、拓展模型的適用性的作用。

3.預(yù)測(cè)方法轉(zhuǎn)向?qū)崟r(shí)動(dòng)態(tài)預(yù)測(cè)

隨著網(wǎng)絡(luò)技術(shù)和計(jì)算機(jī)技術(shù)的高速發(fā)展，特別是以Internet為主的現(xiàn)代信息技術(shù)的發(fā)展，為危機(jī)預(yù)警帶來(lái)了新的機(jī)遇和新的挑戰(zhàn)。如何利用現(xiàn)代信息技術(shù)的強(qiáng)大功能將危機(jī)預(yù)警系統(tǒng)與公司其他信息系統(tǒng)相融合，建立網(wǎng)絡(luò)環(huán)境下的危機(jī)預(yù)警系統(tǒng)，動(dòng)態(tài)、實(shí)時(shí)地從內(nèi)部信息網(wǎng)絡(luò)和Internet上獲取最新數(shù)據(jù)，不斷修正完善預(yù)警模型，使得預(yù)警模型成為一個(gè)動(dòng)態(tài)學(xué)習(xí)的模型，將是今后研究的熱點(diǎn)。

五、結(jié)束語(yǔ)

通過(guò)對(duì)財(cái)務(wù)困境預(yù)警模型進(jìn)行回顧和評(píng)析，使我們的研究視野有了極大的拓展，便于我們?cè)诮梃b前人思路和方法的基礎(chǔ)上進(jìn)行更深入的研究，也便于我們選用最為恰當(dāng)?shù)呢?cái)務(wù)困境預(yù)警模型去研究我國(guó)的財(cái)務(wù)困境預(yù)警問(wèn)題。

參考文獻(xiàn)：

[1]王玲玲 曾繁榮:財(cái)務(wù)預(yù)警模型評(píng)述[J].市場(chǎng)論壇，2005(12)

[2]Slowinski R， Zopudinis C. Application of the rough set approach to evaluation of bankruptcy risk[J].Intelligent Systems in Accounting， Finance and Management，1995，4:27～41

[3]Odour M D， Sharda R.A neural network model for bankruptcy prediction[J].Conference on Neural Networks，1990(6):136～138

[4]Lindsay D H， Campbell A. A chaos approach to bankruptcy prediction[J].Journal of Applied Business Research，1996，12(4):1～9

[5]Kiviluoto K， Bergius P. Exploring corporate bank-ruptcy with two-level self-organising map[A].Paper published in the Proceedings of the Fifth International Conference on Computational Finance[C].London Business School， Boston， Massachusetts，USA:Kluwer Academic Publishers，1998:373～380