□（1中南財(cái)經(jīng)政法大學(xué)統(tǒng)計(jì)與數(shù)學(xué)學(xué)院 湖北武漢 4007 2廣西財(cái)經(jīng)學(xué)院信息與統(tǒng)計(jì)學(xué)院廣西南寧5000 廣西財(cái)經(jīng)學(xué)院會(huì)計(jì)與審計(jì)學(xué)院 廣西南寧5000）

目前，對(duì)于財(cái)務(wù)危機(jī)的含義并沒有統(tǒng)一界定，在大多數(shù)研究中，由于受到樣本選擇范圍的影響，很多研究將財(cái)務(wù)危機(jī)企業(yè)界定為已宣告破產(chǎn)企業(yè)或陷入資金周轉(zhuǎn)困難、資金鏈斷裂、資不抵債等狀況的企業(yè)。出于收集數(shù)據(jù)的原因，我國學(xué)者通常將財(cái)務(wù)危機(jī)公司定義為被特別處理，即ST的上市公司。構(gòu)建財(cái)務(wù)預(yù)警模型的基本思路一般是首先確定模型運(yùn)用的指標(biāo)，然后選擇建模的方法，接著收集數(shù)據(jù)建立模型，最后對(duì)建立的模型進(jìn)行檢驗(yàn)評(píng)價(jià)。在這個(gè)過程中影響模型有效性的因素主要有預(yù)警指標(biāo)的選擇和構(gòu)建模型的方法。本文主要從這兩個(gè)方面進(jìn)行論述。

一、財(cái)務(wù)預(yù)警指標(biāo)的選擇

財(cái)務(wù)危機(jī)的發(fā)生是由多種原因共同作用的結(jié)果，因此可以將這些影響因素量化，作為財(cái)務(wù)危機(jī)的解釋變量來預(yù)測(cè)財(cái)務(wù)危機(jī)的發(fā)生，所以在財(cái)務(wù)預(yù)警過程中可以將能夠解釋財(cái)務(wù)危機(jī)發(fā)生的要素界定為財(cái)務(wù)危機(jī)預(yù)警指標(biāo)，預(yù)警指標(biāo)的選擇是構(gòu)建模型的核心，直接關(guān)系到預(yù)警結(jié)論和效果，一般來說可以分為財(cái)務(wù)指標(biāo)和非財(cái)務(wù)指標(biāo)兩大類。

（一）傳統(tǒng)財(cái)務(wù)指標(biāo)。Fitzpatrick（1932）最早將財(cái)務(wù)比率用于財(cái)務(wù)預(yù)警，研究發(fā)現(xiàn)凈利潤/股東權(quán)益、股東權(quán)益/負(fù)債這兩個(gè)財(cái)務(wù)指標(biāo)的判別力最高。Beaver（1966）發(fā)現(xiàn)判別力最高的財(cái)務(wù)指標(biāo)分別是現(xiàn)金流/總負(fù)債、凈收入/總資產(chǎn)、總負(fù)債/總資產(chǎn)。Altman（1968）使用營運(yùn)資金/總資產(chǎn)、留存收益/總資產(chǎn)、息稅前利潤/總資產(chǎn)、資本市值/總負(fù)債、銷售額/總資產(chǎn)等5個(gè)財(cái)務(wù)比率建立了經(jīng)典的Z模型，學(xué)者Altman等（1977）對(duì)Z模型進(jìn)行了修正并提出了ZETA模型，將指標(biāo)增加到7個(gè)。我國學(xué)者的研究也多采用財(cái)務(wù)指標(biāo)，周首華（1996）結(jié)合我國公司的特點(diǎn)改進(jìn)了Z模型，增加了現(xiàn)金流量指標(biāo)，建立了F分?jǐn)?shù)模型。陳靜（1999）選取資產(chǎn)負(fù)債率、凈資產(chǎn)收益率、總資產(chǎn)收益率及流動(dòng)比率等財(cái)務(wù)比率作為預(yù)警指標(biāo)進(jìn)行了單變量分析，取得了較好效果，并在多元判別分析中，選取資產(chǎn)負(fù)債率、凈資產(chǎn)收益率、總資產(chǎn)收益率、流動(dòng)比率、營運(yùn)資本總資產(chǎn)及總資產(chǎn)周轉(zhuǎn)率作為預(yù)警變量構(gòu)建了判別函數(shù)。張玲（2000）從15個(gè)反映企業(yè)償債能力、盈利能力、營運(yùn)能力及資本結(jié)構(gòu)狀況的特征財(cái)務(wù)比率中篩選出4個(gè)構(gòu)建判別函數(shù)建立模型。張鳴、程濤（2005）運(yùn)用Logistic實(shí)證研究方法，以包含現(xiàn)金流量的財(cái)務(wù)指標(biāo)為主構(gòu)建預(yù)警模型，其合理性和判別精度都有所提高。

（二）非財(cái)務(wù)指標(biāo)。公司規(guī)模、行業(yè)差異以及公司治理等也是影響財(cái)務(wù)危機(jī)的因素，因此一些非財(cái)務(wù)指標(biāo)逐漸被納入到財(cái)務(wù)預(yù)警指標(biāo)體系中，不斷擴(kuò)充財(cái)務(wù)預(yù)警信息，完善財(cái)務(wù)預(yù)警模型。Hill（1996）認(rèn)為審計(jì)意見對(duì)破產(chǎn)與財(cái)務(wù)困境概率的影響極為顯著。Wruck（1999）認(rèn)為財(cái)務(wù)危機(jī)是經(jīng)濟(jì)不景氣、行業(yè)進(jìn)入衰退期以及管理不善導(dǎo)致的。國內(nèi)一些學(xué)者也逐步開始運(yùn)用非財(cái)務(wù)指標(biāo)作為預(yù)警變量，王克敏、姬美光（2006）在財(cái)務(wù)因素分析的基礎(chǔ)上，引入了公司治理、投資者保護(hù)等非財(cái)務(wù)因素作為預(yù)警變量，比較分析了基于財(cái)務(wù)指標(biāo)、非財(cái)務(wù)指標(biāo)及綜合指標(biāo)預(yù)測(cè)模型的有效性。王海鷗、李建民（2006）選取了企業(yè)創(chuàng)新能力、主導(dǎo)產(chǎn)品是否符合國家產(chǎn)業(yè)政策、行業(yè)受生命周期影響程度、所處行業(yè)競(jìng)爭(zhēng)力、獲得開發(fā)新產(chǎn)品及配套投資所需資金情況等非財(cái)務(wù)指標(biāo)。鄧曉嵐、王宗軍（2007）采用 logit回歸模型檢驗(yàn)了股權(quán)結(jié)構(gòu)、公司治理、市場(chǎng)信息以及審計(jì)意見等非財(cái)務(wù)指標(biāo)，發(fā)現(xiàn)年度累積超額收益率與審計(jì)師意見的預(yù)警效果較好，其他非財(cái)務(wù)指標(biāo)的預(yù)警效果不顯著。

當(dāng)然，要將非財(cái)務(wù)指標(biāo)予以量化才能應(yīng)用于預(yù)警模型中，通常將其設(shè)置為虛擬變量，或用會(huì)計(jì)數(shù)據(jù)或相關(guān)的財(cái)務(wù)指標(biāo)進(jìn)行解釋，以利于預(yù)警模型的構(gòu)建和分析，體現(xiàn)模型的完整性。

二、財(cái)務(wù)預(yù)警模型的選擇

財(cái)務(wù)危機(jī)預(yù)警模型的研究自20世紀(jì)60年代以來得到了迅速發(fā)展，由于計(jì)算機(jī)技術(shù)的不斷發(fā)展，模型的建立方法越來越復(fù)雜，也越來越“仿真”，已經(jīng)出現(xiàn)了神經(jīng)網(wǎng)絡(luò)模型（ANN）、遺傳算法（GA）、支持向量機(jī)（SVM）等模型?，F(xiàn)有模型可分為傳統(tǒng)統(tǒng)計(jì)模型和人工智能模型兩類。

（一）傳統(tǒng)統(tǒng)計(jì)模型。

1.單變量模型。該模型拉開了財(cái)務(wù)危機(jī)預(yù)警的序幕，由Fitzpatrick（1932）提出，他通過比較健康企業(yè)和危機(jī)企業(yè)的單個(gè)財(cái)務(wù)指標(biāo)來確定指標(biāo)的最佳判斷點(diǎn)，然后用指標(biāo)和判斷點(diǎn)來進(jìn)行預(yù)測(cè)。Beaver（1966）應(yīng)用單變量模型進(jìn)行財(cái)務(wù)預(yù)警得出判別率較高的5個(gè)財(cái)務(wù)指標(biāo)。陳靜（1999）結(jié)合Fisher線性判定分析方法建立了單變量判定模型。單變量模型開創(chuàng)了財(cái)務(wù)預(yù)警實(shí)證研究的先河，其應(yīng)用較為簡(jiǎn)單，易于計(jì)算和理解，但是單一的財(cái)務(wù)指標(biāo)無法涵蓋企業(yè)的整體狀況，而且應(yīng)用不同指標(biāo)時(shí)很可能得出不同甚至矛盾的結(jié)論。

2.多元變量模型。該模型選擇多個(gè)財(cái)務(wù)指標(biāo)Xi并賦予對(duì)應(yīng)參數(shù)Ai，建立對(duì)應(yīng)的線性組合判別函數(shù)Z=∑AiXi。該模型由 Altman（1968）首次提出，也是首次將多元判別分析方法引入財(cái)務(wù)危機(jī)預(yù)警。Altman選用了5個(gè)財(cái)務(wù)指標(biāo)建立了經(jīng)典的Z值模型，先通過分類的樣本公司計(jì)算出臨界值，通過設(shè)置Z值的臨界點(diǎn)來區(qū)分企業(yè)是否陷入危機(jī)。Altman后續(xù)還對(duì)該模型進(jìn)行了修正，建立了針對(duì)非上市公司的Z′模型和無行業(yè)限制的ZETA模型。周首華（1996）對(duì)Z值模型進(jìn)行了修正，構(gòu)建了F分?jǐn)?shù)模型。多元變量模型可以同時(shí)考慮多個(gè)財(cái)務(wù)指標(biāo)，對(duì)企業(yè)整體狀況的描述較為客觀，指標(biāo)間的關(guān)系比較明確，但該模型的建立假設(shè)要求財(cái)務(wù)指標(biāo)呈正態(tài)分布，但該條件在現(xiàn)實(shí)情況下很難成立，另外該模型的結(jié)論時(shí)效性較短。

3.邏輯回歸模型。為了避免多元變量模型諸多假設(shè)條件的限制，研究者引入了Logit模型，通過極大似然估計(jì)法進(jìn)行參數(shù)估計(jì)，計(jì)算出判斷破產(chǎn)的概率，然后根據(jù)這一概率分辨出健康公司和非健康公司。Logit模型由Ohlson（1980）首先提出并建立，預(yù)測(cè)準(zhǔn)確率在90%以上。邏輯回歸模型的最大優(yōu)勢(shì)在于不需要滿足變量呈正態(tài)分布的假設(shè)，在后續(xù)的很多研究中都直接采用或改進(jìn)了Logit模型來提高判斷的正確率。

4.其他統(tǒng)計(jì)模型。除上述模型外還有很多其他統(tǒng)計(jì)模型被應(yīng)用于財(cái)務(wù)預(yù)警中，如線性概率模型（LPM）、Probit模型等，但這些模型也都存在某些方面的缺陷，如Probit模型雖然與Logit模型的原理類似，但其包括了非線性估計(jì)，計(jì)算量更大，而且計(jì)算中的近似處理會(huì)使數(shù)據(jù)的準(zhǔn)確性大打折扣，所以其應(yīng)用不如Logit模型廣泛。

（二）人工智能模型。隨著網(wǎng)絡(luò)技術(shù)、計(jì)算機(jī)技術(shù)的不斷發(fā)展，人工智能也應(yīng)用到了財(cái)務(wù)預(yù)警領(lǐng)域，它可以突破傳統(tǒng)統(tǒng)計(jì)模型中諸多假設(shè)條件的限制，而且可以實(shí)時(shí)更新數(shù)據(jù)調(diào)整算法，判別現(xiàn)有算法是否符合當(dāng)前環(huán)境，對(duì)模型進(jìn)行適時(shí)更新。

1.神經(jīng)網(wǎng)絡(luò)模型。該模型是由Odom，Sharda（1990）引入到財(cái)務(wù)預(yù)警模型中的，它是對(duì)人腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能及基本特征進(jìn)行模擬的信息系統(tǒng)，它的信息處理單元包括輸入層、隱藏層和輸出層，輸入層接收外界數(shù)據(jù)輸入，經(jīng)隱藏層內(nèi)部網(wǎng)絡(luò)運(yùn)算，將結(jié)果轉(zhuǎn)移至輸出層，若有誤差則反向傳播，逐層修改各層神經(jīng)元權(quán)值，如此循環(huán)直至輸出達(dá)到要求精度。該模型無需樣本指標(biāo)概率分布的假設(shè)，并具有很強(qiáng)的自學(xué)能力，隨著樣本的積累對(duì)模型進(jìn)行動(dòng)態(tài)更新和調(diào)整，提高判斷準(zhǔn)確率。雖然該模型較為復(fù)雜難以理解，但將神經(jīng)網(wǎng)絡(luò)與其他方法結(jié)合起來建立模型是現(xiàn)行研究趨勢(shì)。

2.遺傳算法。遺傳算法是一種通過借鑒生物界遺傳和進(jìn)化的規(guī)律進(jìn)行隨機(jī)搜索最優(yōu)解的算法。它使用編碼技術(shù)，作用于稱為染色體的數(shù)字串，然后將這些數(shù)字串組成的群體模擬生物的進(jìn)化過程，通過隨機(jī)的信息交換重新組合數(shù)字串，生成新的數(shù)字串群體，從而解決參數(shù)優(yōu)化的問題，可用于破產(chǎn)企業(yè)預(yù)測(cè)模型中財(cái)務(wù)指標(biāo)的選擇和建立。Franco（1998）將遺傳算法應(yīng)用于財(cái)務(wù)預(yù)警模型，發(fā)現(xiàn)可以獲得不受統(tǒng)計(jì)約束的最優(yōu)線性方程，與多元線性分析相比，不受主觀因素影響，但預(yù)測(cè)的結(jié)果不如多元線性分析準(zhǔn)確。

3.支持向量機(jī)。支持向量機(jī)是一項(xiàng)數(shù)據(jù)挖掘技術(shù)，是借助于最優(yōu)化方法解決機(jī)器學(xué)習(xí)問題的工具，是一種機(jī)器學(xué)習(xí)算法，采用結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，優(yōu)化了經(jīng)驗(yàn)風(fēng)險(xiǎn)和置信風(fēng)險(xiǎn)，克服了經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化原則的缺點(diǎn)，提高了模型的擬合精度和泛化能力，這一優(yōu)點(diǎn)在小樣本學(xué)習(xí)中更為突出。在財(cái)務(wù)危機(jī)預(yù)警模型中運(yùn)用支持向量機(jī)方法，將財(cái)務(wù)指標(biāo)作為輸入向量，將預(yù)警結(jié)果作為輸出向量，使用典型財(cái)務(wù)數(shù)據(jù)作為訓(xùn)練樣本，使不同輸入得到不同輸出向量，實(shí)現(xiàn)輸入空間到輸出空間的映射。Kyung-Shik Shin（2005）采用支持向量機(jī)建立財(cái)務(wù)危機(jī)預(yù)警模型，發(fā)現(xiàn)其預(yù)測(cè)性能優(yōu)于神經(jīng)網(wǎng)絡(luò)模型。研究表明支持向量機(jī)能處理動(dòng)態(tài)和不穩(wěn)定數(shù)據(jù)，參數(shù)少，唯一最優(yōu)解，泛化性較好。但該模型存在過度適應(yīng)問題，難點(diǎn)在于選擇合適的特征集和核函數(shù)參數(shù)。

4.粗糙集理論。該模型是一種用于描述不完整和不確定性數(shù)據(jù)的信息分類處理工具，在觀測(cè)數(shù)據(jù)的基礎(chǔ)上進(jìn)行分類，通過數(shù)據(jù)分析、近似分類、推理數(shù)據(jù)間的關(guān)系來發(fā)現(xiàn)潛在的規(guī)律，可以進(jìn)行有效的知識(shí)庫約簡(jiǎn)和規(guī)則提取，因而也被應(yīng)用于財(cái)務(wù)預(yù)警模型的構(gòu)建。運(yùn)用該模型可以將定性變量和定量變量相結(jié)合，沒有統(tǒng)計(jì)約束及模糊隸屬度評(píng)價(jià)，可以節(jié)省決策成本和時(shí)間，過程透明。但是不同樣本與決策者知識(shí)會(huì)產(chǎn)生不同的決策規(guī)則組。將粗糙集理論應(yīng)用于財(cái)務(wù)危機(jī)預(yù)警研究的學(xué)者有 Pawlak（1982）和Joseph（2009）等。

除了以上模型和方法外，財(cái)務(wù)預(yù)警模型還包括KMV模型、Cox生存分析、決策樹和動(dòng)態(tài)預(yù)警模型等。劉迎春、劉霄（2011）利用GARCH波動(dòng)模型估計(jì)股權(quán)價(jià)值波動(dòng)率，并運(yùn)用模型計(jì)算所選上市公司的違約距離及理論違約概率，結(jié)果表明分行業(yè)的KMV模型能夠起到財(cái)務(wù)危機(jī)預(yù)警的作用。陳磊（2009）采用主成分分析法選取指標(biāo)并使用Cox方法進(jìn)行回歸分析，研究表明Cox模型在前3年的預(yù)測(cè)中均具有較高的預(yù)測(cè)準(zhǔn)確度，前1年的預(yù)測(cè)精度最高。Sun&Li（2008）利用決策樹對(duì)財(cái)務(wù)指標(biāo)進(jìn)行分析，將連續(xù)屬性的值離散化，產(chǎn)生容易理解的決策樹分類模型，并得到預(yù)測(cè)結(jié)果。孫曉琳等（2010）在Kalman濾波理論的基礎(chǔ)上建立了動(dòng)態(tài)預(yù)警模型，且準(zhǔn)確率要高于靜態(tài)模型。

本文分析的主要模型及其特點(diǎn)如下表所示。

三、研究啟示與展望

通過上述比較分析可知，首先，財(cái)務(wù)預(yù)警模型是伴隨著財(cái)務(wù)預(yù)警理論、財(cái)務(wù)預(yù)警技術(shù)手段的發(fā)展和完善而不斷發(fā)展的，人工智能方法的改進(jìn)和多方法集成的使用成為趨勢(shì)，當(dāng)前財(cái)務(wù)預(yù)警研究的主要內(nèi)容是集成各種方法和手段，用以提高預(yù)警模型的準(zhǔn)確性；在研究中也要注意環(huán)境和形勢(shì)是不斷變化的，要注意探索對(duì)模型的調(diào)整、完善和創(chuàng)新，不存在固定統(tǒng)一的財(cái)務(wù)預(yù)警模型。其次，不同的模型有各自的適用條件，一旦忽略這些條件，即使得到了不錯(cuò)的實(shí)際判別效果，也是缺乏理論依據(jù)的。人工智能模型條件寬松，但可能存在多重共線性干擾，如果不加處理會(huì)影響模型的穩(wěn)定性和準(zhǔn)確性，不同模型的應(yīng)用環(huán)境不同，在運(yùn)用中要強(qiáng)調(diào)各類模型的適用前提。再次，模型指標(biāo)的篩選是重要環(huán)節(jié)，由于指標(biāo)的多樣性，完備的指標(biāo)體系要能完整地反映企業(yè)的財(cái)務(wù)狀況，指標(biāo)的選擇既不能冗余也不能缺失，篩選也沒有固定標(biāo)準(zhǔn)，所以會(huì)受到主觀因素的影響，當(dāng)然粗糙集理論、神經(jīng)網(wǎng)絡(luò)的運(yùn)用可以減少這些方面的影響，但方法比較復(fù)雜。最后，財(cái)務(wù)預(yù)警模型受樣本量和樣本時(shí)間范圍的影響較大，不同模型中樣本數(shù)量的多少、所處的行業(yè)、不同類別樣本量的比重以及樣本在時(shí)間上的分布都不同，也會(huì)導(dǎo)致模型的千差萬別。

單變量分析模型 計(jì)算簡(jiǎn)單；但指標(biāo)單一無法涵蓋全貌，不同指標(biāo)間可能存在矛盾傳統(tǒng)統(tǒng)計(jì)模型 邏輯回歸模型 克服了變量正態(tài)的假設(shè)；但計(jì)算量大，有很多近似處理多變量分析模型 能同時(shí)考慮多個(gè)標(biāo)準(zhǔn)；但指標(biāo)難以滿足正態(tài)分布假設(shè)，樣本偏差影響模型線性概率模型 應(yīng)用廣泛；但是對(duì)預(yù)測(cè)變量的分布性質(zhì)有統(tǒng)計(jì)上的限制神經(jīng)網(wǎng)絡(luò)模型 處理方便，沒有變量概率分布的限制，有很強(qiáng)的糾錯(cuò)和學(xué)習(xí)能力；但沒有完整的理論支持，可理解性較差遺傳算法 結(jié)構(gòu)清楚容易理解，主觀因素影響較??；但有限制條件，結(jié)構(gòu)不固定，存在收斂性問題，通用性較弱人工智能模型支持向量機(jī) 適合小樣本的分類；存在過度適應(yīng)問題，模型難以固定，通用性弱，難點(diǎn)在于選擇合適的特征集和核算函數(shù)參數(shù)粗糙集理論 沒有統(tǒng)計(jì)約束，定性和定量變量結(jié)合，決策成本低、效率高；但通用性較弱，相對(duì)定量變量需要進(jìn)行轉(zhuǎn)化且結(jié)構(gòu)不穩(wěn)定