□（1中南財經政法大學統(tǒng)計與數學學院 湖北武漢 4007 2廣西財經學院信息與統(tǒng)計學院廣西南寧5000 廣西財經學院會計與審計學院 廣西南寧5000）

目前，對于財務危機的含義并沒有統(tǒng)一界定，在大多數研究中，由于受到樣本選擇范圍的影響，很多研究將財務危機企業(yè)界定為已宣告破產企業(yè)或陷入資金周轉困難、資金鏈斷裂、資不抵債等狀況的企業(yè)。出于收集數據的原因，我國學者通常將財務危機公司定義為被特別處理，即ST的上市公司。構建財務預警模型的基本思路一般是首先確定模型運用的指標，然后選擇建模的方法，接著收集數據建立模型，最后對建立的模型進行檢驗評價。在這個過程中影響模型有效性的因素主要有預警指標的選擇和構建模型的方法。本文主要從這兩個方面進行論述。

一、財務預警指標的選擇

財務危機的發(fā)生是由多種原因共同作用的結果，因此可以將這些影響因素量化，作為財務危機的解釋變量來預測財務危機的發(fā)生，所以在財務預警過程中可以將能夠解釋財務危機發(fā)生的要素界定為財務危機預警指標，預警指標的選擇是構建模型的核心，直接關系到預警結論和效果，一般來說可以分為財務指標和非財務指標兩大類。

（一）傳統(tǒng)財務指標。Fitzpatrick（1932）最早將財務比率用于財務預警，研究發(fā)現(xiàn)凈利潤/股東權益、股東權益/負債這兩個財務指標的判別力最高。Beaver（1966）發(fā)現(xiàn)判別力最高的財務指標分別是現(xiàn)金流/總負債、凈收入/總資產、總負債/總資產。Altman（1968）使用營運資金/總資產、留存收益/總資產、息稅前利潤/總資產、資本市值/總負債、銷售額/總資產等5個財務比率建立了經典的Z模型，學者Altman等（1977）對Z模型進行了修正并提出了ZETA模型，將指標增加到7個。我國學者的研究也多采用財務指標，周首華（1996）結合我國公司的特點改進了Z模型，增加了現(xiàn)金流量指標，建立了F分數模型。陳靜（1999）選取資產負債率、凈資產收益率、總資產收益率及流動比率等財務比率作為預警指標進行了單變量分析，取得了較好效果，并在多元判別分析中，選取資產負債率、凈資產收益率、總資產收益率、流動比率、營運資本總資產及總資產周轉率作為預警變量構建了判別函數。張玲（2000）從15個反映企業(yè)償債能力、盈利能力、營運能力及資本結構狀況的特征財務比率中篩選出4個構建判別函數建立模型。張鳴、程濤（2005）運用Logistic實證研究方法，以包含現(xiàn)金流量的財務指標為主構建預警模型，其合理性和判別精度都有所提高。

（二）非財務指標。公司規(guī)模、行業(yè)差異以及公司治理等也是影響財務危機的因素，因此一些非財務指標逐漸被納入到財務預警指標體系中，不斷擴充財務預警信息，完善財務預警模型。Hill（1996）認為審計意見對破產與財務困境概率的影響極為顯著。Wruck（1999）認為財務危機是經濟不景氣、行業(yè)進入衰退期以及管理不善導致的。國內一些學者也逐步開始運用非財務指標作為預警變量，王克敏、姬美光（2006）在財務因素分析的基礎上，引入了公司治理、投資者保護等非財務因素作為預警變量，比較分析了基于財務指標、非財務指標及綜合指標預測模型的有效性。王海鷗、李建民（2006）選取了企業(yè)創(chuàng)新能力、主導產品是否符合國家產業(yè)政策、行業(yè)受生命周期影響程度、所處行業(yè)競爭力、獲得開發(fā)新產品及配套投資所需資金情況等非財務指標。鄧曉嵐、王宗軍（2007）采用 logit回歸模型檢驗了股權結構、公司治理、市場信息以及審計意見等非財務指標，發(fā)現(xiàn)年度累積超額收益率與審計師意見的預警效果較好，其他非財務指標的預警效果不顯著。

當然，要將非財務指標予以量化才能應用于預警模型中，通常將其設置為虛擬變量，或用會計數據或相關的財務指標進行解釋，以利于預警模型的構建和分析，體現(xiàn)模型的完整性。

二、財務預警模型的選擇

財務危機預警模型的研究自20世紀60年代以來得到了迅速發(fā)展，由于計算機技術的不斷發(fā)展，模型的建立方法越來越復雜，也越來越“仿真”，已經出現(xiàn)了神經網絡模型（ANN）、遺傳算法（GA）、支持向量機（SVM）等模型?，F(xiàn)有模型可分為傳統(tǒng)統(tǒng)計模型和人工智能模型兩類。

（一）傳統(tǒng)統(tǒng)計模型。

1.單變量模型。該模型拉開了財務危機預警的序幕，由Fitzpatrick（1932）提出，他通過比較健康企業(yè)和危機企業(yè)的單個財務指標來確定指標的最佳判斷點，然后用指標和判斷點來進行預測。Beaver（1966）應用單變量模型進行財務預警得出判別率較高的5個財務指標。陳靜（1999）結合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)了財務預警實證研究的先河，其應用較為簡單，易于計算和理解，但是單一的財務指標無法涵蓋企業(yè)的整體狀況，而且應用不同指標時很可能得出不同甚至矛盾的結論。

2.多元變量模型。該模型選擇多個財務指標Xi并賦予對應參數Ai，建立對應的線性組合判別函數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務危機預警。Altman選用了5個財務指標建立了經典的Z值模型，先通過分類的樣本公司計算出臨界值，通過設置Z值的臨界點來區(qū)分企業(yè)是否陷入危機。Altman后續(xù)還對該模型進行了修正，建立了針對非上市公司的Z′模型和無行業(yè)限制的ZETA模型。周首華（1996）對Z值模型進行了修正，構建了F分數模型。多元變量模型可以同時考慮多個財務指標，對企業(yè)整體狀況的描述較為客觀，指標間的關系比較明確，但該模型的建立假設要求財務指標呈正態(tài)分布，但該條件在現(xiàn)實情況下很難成立，另外該模型的結論時效性較短。

3.邏輯回歸模型。為了避免多元變量模型諸多假設條件的限制，研究者引入了Logit模型，通過極大似然估計法進行參數估計，計算出判斷破產的概率，然后根據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，預測準確率在90%以上。邏輯回歸模型的最大優(yōu)勢在于不需要滿足變量呈正態(tài)分布的假設，在后續(xù)的很多研究中都直接采用或改進了Logit模型來提高判斷的正確率。

4.其他統(tǒng)計模型。除上述模型外還有很多其他統(tǒng)計模型被應用于財務預警中，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，計算量更大，而且計算中的近似處理會使數據的準確性大打折扣，所以其應用不如Logit模型廣泛。

（二）人工智能模型。隨著網絡技術、計算機技術的不斷發(fā)展，人工智能也應用到了財務預警領域，它可以突破傳統(tǒng)統(tǒng)計模型中諸多假設條件的限制，而且可以實時更新數據調整算法，判別現(xiàn)有算法是否符合當前環(huán)境，對模型進行適時更新。

1.神經網絡模型。該模型是由Odom，Sharda（1990）引入到財務預警模型中的，它是對人腦神經網絡結構和功能及基本特征進行模擬的信息系統(tǒng)，它的信息處理單元包括輸入層、隱藏層和輸出層，輸入層接收外界數據輸入，經隱藏層內部網絡運算，將結果轉移至輸出層，若有誤差則反向傳播，逐層修改各層神經元權值，如此循環(huán)直至輸出達到要求精度。該模型無需樣本指標概率分布的假設，并具有很強的自學能力，隨著樣本的積累對模型進行動態(tài)更新和調整，提高判斷準確率。雖然該模型較為復雜難以理解，但將神經網絡與其他方法結合起來建立模型是現(xiàn)行研究趨勢。

2.遺傳算法。遺傳算法是一種通過借鑒生物界遺傳和進化的規(guī)律進行隨機搜索最優(yōu)解的算法。它使用編碼技術，作用于稱為染色體的數字串，然后將這些數字串組成的群體模擬生物的進化過程，通過隨機的信息交換重新組合數字串，生成新的數字串群體，從而解決參數優(yōu)化的問題，可用于破產企業(yè)預測模型中財務指標的選擇和建立。Franco（1998）將遺傳算法應用于財務預警模型，發(fā)現(xiàn)可以獲得不受統(tǒng)計約束的最優(yōu)線性方程，與多元線性分析相比，不受主觀因素影響，但預測的結果不如多元線性分析準確。

3.支持向量機。支持向量機是一項數據挖掘技術，是借助于最優(yōu)化方法解決機器學習問題的工具，是一種機器學習算法，采用結構風險最小化原則，優(yōu)化了經驗風險和置信風險，克服了經驗風險最小化原則的缺點，提高了模型的擬合精度和泛化能力，這一優(yōu)點在小樣本學習中更為突出。在財務危機預警模型中運用支持向量機方法，將財務指標作為輸入向量，將預警結果作為輸出向量，使用典型財務數據作為訓練樣本，使不同輸入得到不同輸出向量，實現(xiàn)輸入空間到輸出空間的映射。Kyung-Shik Shin（2005）采用支持向量機建立財務危機預警模型，發(fā)現(xiàn)其預測性能優(yōu)于神經網絡模型。研究表明支持向量機能處理動態(tài)和不穩(wěn)定數據，參數少，唯一最優(yōu)解，泛化性較好。但該模型存在過度適應問題，難點在于選擇合適的特征集和核函數參數。

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據的信息分類處理工具，在觀測數據的基礎上進行分類，通過數據分析、近似分類、推理數據間的關系來發(fā)現(xiàn)潛在的規(guī)律，可以進行有效的知識庫約簡和規(guī)則提取，因而也被應用于財務預警模型的構建。運用該模型可以將定性變量和定量變量相結合，沒有統(tǒng)計約束及模糊隸屬度評價，可以節(jié)省決策成本和時間，過程透明。但是不同樣本與決策者知識會產生不同的決策規(guī)則組。將粗糙集理論應用于財務危機預警研究的學者有 Pawlak（1982）和Joseph（2009）等。

除了以上模型和方法外，財務預警模型還包括KMV模型、Cox生存分析、決策樹和動態(tài)預警模型等。劉迎春、劉霄（2011）利用GARCH波動模型估計股權價值波動率，并運用模型計算所選上市公司的違約距離及理論違約概率，結果表明分行業(yè)的KMV模型能夠起到財務危機預警的作用。陳磊（2009）采用主成分分析法選取指標并使用Cox方法進行回歸分析，研究表明Cox模型在前3年的預測中均具有較高的預測準確度，前1年的預測精度最高。Sun&Li（2008）利用決策樹對財務指標進行分析，將連續(xù)屬性的值離散化，產生容易理解的決策樹分類模型，并得到預測結果。孫曉琳等（2010）在Kalman濾波理論的基礎上建立了動態(tài)預警模型，且準確率要高于靜態(tài)模型。

本文分析的主要模型及其特點如下表所示。

三、研究啟示與展望

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

單變量分析模型 計算簡單；但指標單一無法涵蓋全貌，不同指標間可能存在矛盾傳統(tǒng)統(tǒng)計模型 邏輯回歸模型 克服了變量正態(tài)的假設；但計算量大，有很多近似處理多變量分析模型 能同時考慮多個標準；但指標難以滿足正態(tài)分布假設，樣本偏差影響模型線性概率模型 應用廣泛；但是對預測變量的分布性質有統(tǒng)計上的限制神經網絡模型 處理方便，沒有變量概率分布的限制，有很強的糾錯和學習能力；但沒有完整的理論支持，可理解性較差遺傳算法 結構清楚容易理解，主觀因素影響較??；但有限制條件，結構不固定，存在收斂性問題，通用性較弱人工智能模型支持向量機 適合小樣本的分類；存在過度適應問題，模型難以固定，通用性弱，難點在于選擇合適的特征集和核算函數參數粗糙集理論 沒有統(tǒng)計約束，定性和定量變量結合，決策成本低、效率高；但通用性較弱，相對定量變量需要進行轉化且結構不穩(wěn)定