□文/王 丹

（山東財政學院會計學院 山東·濟南）

一、企業(yè)財務預警的基本含義

企業(yè)財務預警，即財務失敗預警，是指借助企業(yè)提供的財務報表、經營計劃及其他相關會計資料，利用財會、統(tǒng)計、金融、企業(yè)管理、市場營銷理論，采用比率分析、比較分析、因素分析及多種分析方法，對企業(yè)的經營活動、財務活動等進行分析預測，以發(fā)現企業(yè)在經營管理活動中潛在的經營風險和財務風險，并在危機發(fā)生之前向企業(yè)經營者發(fā)出警告，督促企業(yè)管理當局采取有效措施，避免潛在的風險演變成損失，起到未雨綢繆的作用。

二、國外專家學者對財務風險預警的研究

（一）單變量模型

1、1932年，Fitzpatrick利用單變量破產模型，選取19個樣本運用單個財務比率進行預測，結果發(fā)現判別能力最高的是凈利潤/股東權益和股東權益/負債兩個比率。當時由于條件限制，主要的研究方法就是對正常企業(yè)和非正常企業(yè)進行財務比率比較和經驗分析。

2、1966年，Bwaver利用 30個財務比率進行研究，發(fā)現三個比率是有效的：債務保障率（現金流量/債務總額）、資產收益率（凈收益/資產總額）、資產負債率（債務總額/資產總額），其中，債務保障率指標表現最好。這可以看作是單變量模型的開創(chuàng)性研究，方法簡單易行，可操作性強，在當時研究條件較差的情況下優(yōu)勢很大；其局限性也較明顯，單一的財務比率不能全面反映客觀事實，有可能在編制財務報表時存在粉飾某個指標的嫌疑，影響預測的有效性。

（二）多變量模型

1、Z計分模型。20世紀六十年代，愛德華·阿爾曼對5個財務比率分別給出一定權數，計算其加權平均數值Z值：

其中：X1=營運資金/資產總額；X2=留存收益/資產總額；X3=息稅前利潤/資產總額；X4=股份市值/負債賬面價值總額；X5=銷售收入/資產總額。

一般地，Z值越低，企業(yè)越有可能發(fā)生破產。若Z≥2.675，則表明企業(yè)的財務狀況良好，發(fā)生破產的可能性較??；若Z≤1.81，則企業(yè)存在很大的破產危險。

該模型實際上是通過五個變量（五種財務比率），將反映企業(yè)償債能力的指標（X1、X4）、獲利能力的指標（X2、X3）和運營能力的指標（X5）有機聯(lián)系起來，綜合分析預測企業(yè)財務失敗或破產的可能性。在企業(yè)失敗前一、二年的預測準確率很高；預測期變長，準確率有所降低，距失敗前五年的預測準確率僅為36%。1977年，愛德華又對自己的模型進行了修正，提出了ZETA模型。

Z計分模型準確率相比之前的單變量模型有很大的提高，但是未充分考慮到現金流量變動情況，而且要求變量符合正態(tài)分布的假設，降低了模型的使用范圍。

2、Logisitic回歸模型。該模型屬于線性概率模型，通過對觀察對象條件概率的觀測，來判定對象的財務狀況和經營風險。適用于因變量是非連續(xù)的且為二分類選擇模式，將違約概率限定在0和1之間，并通過函數的對數分布來計算違約的概率。在二分類判別法中假設因變量為1和0，分別對應事件發(fā)生和事件不發(fā)生。Logisitic回歸模型形式為：

該模型使用的是最大似然估計，似然函數值越大，表明模型的模擬效果越好。其最大優(yōu)點是，不需要嚴格的假設條件，能夠克服線性方程受統(tǒng)計假設約束的局限性，具有更廣泛的適用范圍。目前這種模型使用較為普遍，但其計算過程較復雜，需要操作者具有較高的數學基礎，同時其計算過程有近似處理，結果將會影響到預測的精確度。

3、Probit模型。假定企業(yè)的破產概率為P，樣本服從正態(tài)分布，選取的財務指標對應P的分位數，先確定企業(yè)樣本的極大似然函數，然后通過求似然函數的極大值就可以得到參數αβ，然后就可以利用公式求出企業(yè)的破產概率。P＜0.5，判別為財務正常；P＞0.5，即為破產型。

其公式為：

該模型和Logistic模型方法相似，但條件嚴格，計算方法相對復雜，使用面不如Logistic模型廣泛。

4、人工神經網絡理論和方法（ANN）。神經網絡模型是一種并行分布模式處理系統(tǒng)，是由大量的簡單處理單元相互聯(lián)結組成的復雜網絡系統(tǒng)，具有高度并行計算能力、自學能力和容錯能力。作為非參數的預測模型，它克服了選擇模型函數形式的困難，同時對樣本及變量的分布特征沒有限制，還能克服統(tǒng)計方面的限制，能夠同時處理定性變量和定量變量，具備處理資料遺漏或是錯誤的能力。然而由于理論基礎比較薄弱，模型計算量較大，辨別能力不強，人工神經網絡對人體大腦神經模擬的科學性、準確性還有待進一步提高。

5、遞歸劃分分析模型。以財務比率為判別點建立二叉分類樹，以最低誤判成本為標準對樣本企業(yè)進行分類預測。結果發(fā)現將破產企業(yè)誤判為非破產企業(yè)的概率要高于將非破產企業(yè)誤判為破產企業(yè)。可以選用非財務指標和定性指標，但復雜的分類樹結構可能引起樣本的過度適應，預測風險高。

6、支持向量機模型。該模型建立在機器學習理論基礎之上，Fan A etc采用歐氏距離方式最大化不同類的向量之間的距離、最小化同類的向量之間的距離，實現對預警指標的篩選，計算成本較低。Van Gestel T etc將其應用到財務危機預警模型中，采用最小二乘法作為支持向量機線性學習器，構建LS-SVM財務危機預警模型，判別準確率高達89.91%。

三、我國學者的主要研究

國內關于財務危機預警的研究開始于20世紀八十年代中后期，直到1996年以后，才陸續(xù)出現以企業(yè)財務數據為基礎而建立的財務危機預警模型，并逐漸發(fā)展起來。

1996年周首華、楊濟華和王平，在Z分數模型的基礎上進行改進，選取了31家破產公司和31家非破產公司作為樣本建立模型，并且用4，160家公司的數據作為檢驗樣本進行驗證，該模型充分考慮了現金流量變動情況指標，具體模型為：

其中，X1、X2及 X4與 Z計分模型中的X1、X2及 X4反映的指標相同，而 X3、X5與Z分數模型的X3、X5不同。X3=（稅后凈收益+折舊）/平均總負債，它是一個現金流量變量，是衡量企業(yè)所產生的全部現金流量可用于償還企業(yè)債務能力的重要指標。X5=（稅后凈收益+利息+折舊）/平均總資產，測定的是企業(yè)總資產在創(chuàng)造現金流量方面的能力（其中的利息是指企業(yè)利息收入減去利息支出后的余額）。相對于Z分數模型，它可以更準確地預測出企業(yè)是否存在財務風險，判別臨界點為0.0274。

1999年陳靜選取1998年27家ST公司和同行業(yè)、同規(guī)模27家非ST公司作為樣本分析。在單變量分析中，選取了資產負債率、凈資產收益率、總資產收益率、流動比率4個指標。發(fā)現流動比率和負債比率的誤判率最低。在多元判別中選取負債比率、凈資產收益率、流動比率、營運資本/總資產、總資產周轉率等財務指標構建的模型，在公司ST發(fā)生前三年能夠較好地對財務危機進行預測。

2001年吳世農、盧賢義采用剖面分析法、單變量判定分析方法、多元線性判定方法進行財務危機預警研究，得出結論：多變量優(yōu)于單變量，且Logit回歸模型的判定準確性最高。選取的預測變量有盈利增長指數、資產報酬率、流動比率、存取負債股東權益比率、營運資本/總資產、資產周轉率。同年，楊保安引入神經網絡分析方法并應用于企業(yè)財務危機判定與預測，選用BP神經網絡法構建模型，結果顯示判別正確率高達95%。

2003年，楊淑娥、徐偉剛在借鑒美國學者Altman的Z分數模型基礎上，在變量選取方面考慮到反映現金流量方面的比率指標和累計盈利能力的比率指標，具體共12個指標：速動比率、權益比率、利息保障倍數、債務保障率、來自經營活動的現金流量總額、總資產報酬率、銷售成本利潤率、應收賬款周轉率、存貨周轉率、主營業(yè)務增長率、資本保值率、累積盈利能力，形成了Y模型。

四、各種模型評述

單變量分析模型相對簡單直觀，但不能夠反映企業(yè)綜合財務狀況，同時使用幾個單變量，有可能出現矛盾情況。多元線性判別模型能夠較全面反映企業(yè)財務狀況，提高判別和預測的準確度，變量之間需要滿足不同的假設前提，且需要大量的樣本作為支撐，計算相對復雜。ANN模型具有較好的模式識別能力，并且具有學習能力，無需考慮變量之間的統(tǒng)計關系，能同時處理定性和定量變量，也同時存在結構確定困難性、不具解釋性、操作性差及訓練效率低的缺陷。支持向量機模型是一種新型的模式，無需特殊假設，針對小樣本具有較廣的推廣空間。

每種分析方法均有其適用條件及優(yōu)缺點，企業(yè)應根據行業(yè)特點選擇操作性強的財務預警模型，建立財務預警系統(tǒng)，及時預測財務狀況，提高自身競爭能力。

[1]張春蓮，張淑琴.財務危機預警模型綜述及其啟示 [J].中國高新技術企業(yè)，2009.11.

[2]陳靜.上市公司財務惡化預測的實證分析[J].會計研究，1999.4.

[3]周首華，楊濟華，王平.論財務危機的預警分析——F分數模式[J].會計研究，1996.8.