趙鶯鶯 姜穎

摘要：文章主要從企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的驗(yàn)證、模型間的對(duì)比、模型的改進(jìn)以及新模型的開發(fā)研究四個(gè)方面對(duì)國(guó)內(nèi)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的研究進(jìn)行歸納總結(jié)，并指出目前研究的不足之處，以期為我國(guó)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型研究的進(jìn)一步發(fā)展提供借鑒。

Abstract： This paper summarizes the research on the early warning model of financial risks in domestic companies from the aspects of verification of financial risk early-warning model， comparison of models， improvement of models and development of new models， and points out the shortcomings of current research， with a view to providing reference for the further development of China's corporate financial risk early warning model research.

關(guān)鍵詞：財(cái)務(wù)風(fēng)險(xiǎn)；預(yù)警模型；述評(píng)

Key words： financial risk；early warning model；review

中圖分類號(hào)：F275 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1006-4311（2018）26-0116-04

0 引言

經(jīng)濟(jì)全球化的日益深入使得企業(yè)置身于更加復(fù)雜多變的市場(chǎng)環(huán)境，所需應(yīng)對(duì)的風(fēng)險(xiǎn)在不斷增加。近年來(lái)，風(fēng)險(xiǎn)管理已引起諸多企業(yè)的重視，其中財(cái)務(wù)風(fēng)險(xiǎn)因?qū)ζ髽I(yè)正常運(yùn)營(yíng)有直接的、重大的影響而成為眾多利益相關(guān)者關(guān)注的焦點(diǎn)。因此，建立有效的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型，幫助企業(yè)實(shí)現(xiàn)對(duì)財(cái)務(wù)狀況的全面、實(shí)時(shí)掌控，以便及早發(fā)現(xiàn)問(wèn)題并采取有效的防控措施，對(duì)維持企業(yè)的健康發(fā)展、保障眾多利益相關(guān)者的權(quán)益有重要的現(xiàn)實(shí)意義。

企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警研究始于20世紀(jì)30年代，財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型也從最初的單變量模型演變至包括多元線性判別模型、Logistic回歸模型等多變量預(yù)警模型。近年來(lái)，人工智能模型的運(yùn)用更是將財(cái)務(wù)預(yù)警研究推向了較高水平。[1]國(guó)內(nèi)對(duì)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的研究起步較晚，在借鑒國(guó)外研究的基礎(chǔ)上發(fā)展迅速，已經(jīng)取得了諸多有價(jià)值的成果。但是，目前對(duì)我國(guó)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型研究進(jìn)行系統(tǒng)梳理分析的文章并不多見，這不便于后來(lái)研究者借鑒經(jīng)驗(yàn)、尋找突破點(diǎn)，不利于財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的進(jìn)一步研究與發(fā)展。因此，本文旨在對(duì)已有研究成果進(jìn)行梳理，從現(xiàn)有財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的驗(yàn)證、模型間的對(duì)比、模型的改進(jìn)以及新模型的開發(fā)研究四個(gè)方面的內(nèi)容來(lái)加以歸納總結(jié)，以期促進(jìn)我國(guó)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型研究的進(jìn)一步發(fā)展。

1 財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的驗(yàn)證研究

關(guān)于企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的預(yù)警研究，國(guó)內(nèi)外學(xué)者已經(jīng)提出了多種財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型，但至于這些財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的預(yù)警效果如何，對(duì)預(yù)測(cè)我國(guó)企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)有多大適用性，需要做進(jìn)一步的驗(yàn)證研究。

劉倩（2010）以深滬兩市40家上市公司2008年數(shù)據(jù)為研究樣本，在借鑒國(guó)內(nèi)外研究成果的基礎(chǔ)上初步選取了21個(gè)財(cái)務(wù)比率做預(yù)警指標(biāo)，并通過(guò)相關(guān)分析法和二元邏輯回歸分析法對(duì)初選指標(biāo)做進(jìn)一步篩選，然后構(gòu)建logit模型對(duì)40家樣本公司進(jìn)行預(yù)測(cè)。檢驗(yàn)結(jié)果表明，logit模型能夠有效預(yù)測(cè)企業(yè)的財(cái)務(wù)危機(jī)。[2]文章借助SPSS軟件和Eviews軟件對(duì)預(yù)警指標(biāo)進(jìn)行嚴(yán)密篩選，使得對(duì)logit模型有效性的驗(yàn)證更有說(shuō)服力。但對(duì)研究樣本的隨機(jī)選擇，沒(méi)有考慮行業(yè)差異、公司規(guī)模差異等因素的影響，可能會(huì)對(duì)研究結(jié)果有一定的影響。

張蔚虹和朱海霞（2012）選取滬深兩市40家科技型上市公司做實(shí)證檢驗(yàn)對(duì)象，將各公司2008年-2010年三年相關(guān)財(cái)務(wù)數(shù)據(jù)代入Z-Score模型計(jì)算綜合風(fēng)險(xiǎn)Z值，以Altman標(biāo)準(zhǔn)來(lái)判別樣本公司財(cái)務(wù)情況，并與實(shí)際財(cái)務(wù)狀況相比較。檢驗(yàn)結(jié)果表明，Z-Score模型對(duì)我國(guó)科技型上市公司財(cái)務(wù)風(fēng)險(xiǎn)有較好的預(yù)警效果。[3]文章選取的20家非ST公司樣本與20家ST和*ST公司的行業(yè)類別相同且資產(chǎn)總額大體相當(dāng)，使得驗(yàn)證較嚴(yán)密，不過(guò)在預(yù)警指標(biāo)的選取方面對(duì)非財(cái)務(wù)指標(biāo)的考慮稍有欠缺。

雷振華和楚攀（2013）以中國(guó)聯(lián)通為代表的102家信息技術(shù)類上市公司為研究樣本，選取涵蓋償債能力、資產(chǎn)營(yíng)運(yùn)能力、成長(zhǎng)能力、現(xiàn)金流量能力和公司治理五個(gè)方面的23個(gè)初選預(yù)警指標(biāo)，經(jīng)過(guò)多重篩選后構(gòu)建了Cox模型并帶入樣本數(shù)據(jù)進(jìn)行檢驗(yàn)。研究結(jié)果表明Cox模型對(duì)預(yù)警我國(guó)信息技術(shù)類上市公司的財(cái)務(wù)風(fēng)險(xiǎn)有較強(qiáng)的適用性。[4]文中檢驗(yàn)的Cox模型在處理數(shù)據(jù)刪失問(wèn)題以及因二分因變量造成的偏差問(wèn)題有突出優(yōu)勢(shì)，此外作者在財(cái)務(wù)預(yù)警指標(biāo)的篩選方面做了大量工作，包括描述性統(tǒng)計(jì)、顯著性檢驗(yàn)以及利用主成分分析法來(lái)進(jìn)行的多重共線性檢驗(yàn)，使得實(shí)證結(jié)果更科學(xué)。曹彤和郭亞軍（2014）在選取樣本時(shí)兼顧到不同地區(qū)間的經(jīng)濟(jì)發(fā)展?fàn)顩r及經(jīng)濟(jì)結(jié)構(gòu)的差異以及研究樣本間的行業(yè)差異，便以山東省67家上市制造業(yè)公司作為研究樣本，選取各公司2009-2011年包含財(cái)務(wù)指標(biāo)和非財(cái)務(wù)指標(biāo)的樣本數(shù)據(jù)，構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型。研究表明BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果的綜合正確率達(dá)到88%，對(duì)山東省制造業(yè)上市公司有很好的財(cái)務(wù)預(yù)警效果。[5]

2 財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型間的對(duì)比研究

關(guān)于企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型，從單變量模型到多變量預(yù)警模型以及各種人工智能模型，種類眾多，優(yōu)劣各異。因此，有學(xué)者采用不同的方法對(duì)模型進(jìn)行了對(duì)比研究。

楊知宇和楊景海（2015）對(duì)以利潤(rùn)指標(biāo)為基礎(chǔ)的Z模型和以現(xiàn)金流量財(cái)務(wù)指標(biāo)為基礎(chǔ)的F模型進(jìn)行了詳細(xì)的比較，并從新浪財(cái)經(jīng)行情中心網(wǎng)站選取了明科、長(zhǎng)油、寶碩、南紡、天龍、景谷6家不同行業(yè)的ST上市公司作為樣本，以各個(gè)公司2007年至2012年的財(cái)務(wù)報(bào)表數(shù)據(jù)為基礎(chǔ)，對(duì)F模型的預(yù)測(cè)結(jié)果進(jìn)行分析，證明了F模型預(yù)警的有效性。[6]文章對(duì)Z模型和F模型的比較分析以定性分析的方式進(jìn)行，詳細(xì)闡述了Z模型的缺陷及F模型的優(yōu)勢(shì)，通俗易懂，但是缺少數(shù)據(jù)結(jié)果的直接對(duì)比，說(shuō)服力未免受到一定影響。

蔣盛益等（2010）選取2000-2007年我國(guó)非金融企業(yè)上市公司的財(cái)務(wù)報(bào)表數(shù)據(jù)，借助數(shù)據(jù)挖掘軟件Weka分別建立決策樹、最近鄰分類、貝葉斯網(wǎng)絡(luò)、多層感知機(jī)、基于規(guī)則的分類、BP神經(jīng)網(wǎng)絡(luò)和邏輯回歸7種預(yù)警模型并對(duì)它們進(jìn)行分析比較。實(shí)證結(jié)果表明，多層感知機(jī)、最近鄰分類、邏輯回歸及BP神經(jīng)網(wǎng)絡(luò)這四種分類方法構(gòu)建的模型性能基本相當(dāng)，對(duì)上市公司的財(cái)務(wù)危機(jī)有較好的預(yù)測(cè)效果。[7]文章以實(shí)證數(shù)據(jù)結(jié)果為依據(jù)，對(duì)各類方法構(gòu)建的預(yù)警模型的對(duì)比分析簡(jiǎn)潔明晰，為利益相關(guān)者選擇有效的財(cái)務(wù)危機(jī)預(yù)警模型提供了一定的參考。李紅琨等（2011）以從深滬兩市抽取30家ST公司和70家非ST公司的2008年的年報(bào)數(shù)據(jù)為基礎(chǔ)，綜合考慮現(xiàn)金流指標(biāo)與非現(xiàn)金流指標(biāo)，采用回歸分析法，對(duì)線性概率模型和Logistic模型在我國(guó)資本市場(chǎng)的應(yīng)用效果進(jìn)行比較研究，得出兩模型對(duì)我國(guó)上市公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警效果均較理想的結(jié)論，準(zhǔn)確率分別為92%和88%。但是該文基于線性概率模型的假定及分析中人為主觀賦值的問(wèn)題，提出在實(shí)際應(yīng)用中應(yīng)更多的選擇 Logistic模型的建議。[8]文章通過(guò)線性概率模型和Logistic模型的對(duì)比分析，為解決基于現(xiàn)金流的多變量模型孰優(yōu)孰劣的問(wèn)題提供了很好的借鑒。

3 財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的改進(jìn)研究

現(xiàn)有的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型都或多或少存在著些許缺陷，因此也有學(xué)者致力于對(duì)現(xiàn)有模型的改進(jìn)研究，以期獲得對(duì)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的更好的預(yù)警效果。通過(guò)分析文獻(xiàn)來(lái)看，對(duì)財(cái)務(wù)風(fēng)險(xiǎn)模型的改進(jìn)研究主要從指標(biāo)優(yōu)化和模型混合兩方面來(lái)取得突破。

3.1 指標(biāo)優(yōu)化的改進(jìn)研究

傳統(tǒng)的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型多是選擇財(cái)務(wù)指標(biāo)為預(yù)警指標(biāo)，但是財(cái)務(wù)指標(biāo)不能涵蓋企業(yè)全部的財(cái)務(wù)狀況信息，且不能全面的、深入的揭示企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)成因。黃德忠和朱超群（2016）將企業(yè)資產(chǎn)質(zhì)量指標(biāo)引入到財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型中去，選取2010至2013年首次被ST的48家上市公司以及配對(duì)的96家正常公司的數(shù)據(jù)為樣本，構(gòu)建了只含常用財(cái)務(wù)指標(biāo)的財(cái)務(wù)預(yù)警模型與含有資產(chǎn)質(zhì)量指標(biāo)的資產(chǎn)質(zhì)量模型并對(duì)兩模型的預(yù)警結(jié)果進(jìn)行比較。實(shí)證結(jié)果表明，資產(chǎn)質(zhì)量指標(biāo)在ST與非ST公司間存在顯著差異，可以納入財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型，并且資產(chǎn)質(zhì)量指標(biāo)的加入能夠提高預(yù)警模型的準(zhǔn)確性。[9]文章創(chuàng)新性地引入了資產(chǎn)質(zhì)量指標(biāo)，在驗(yàn)證其能提高預(yù)警模型準(zhǔn)確性的同時(shí)，更重要的意義在于資產(chǎn)質(zhì)量指標(biāo)能反映企業(yè)內(nèi)部資產(chǎn)狀況、揭示財(cái)務(wù)風(fēng)險(xiǎn)形成源頭，從而有利于企業(yè)從根本上防控風(fēng)險(xiǎn)。

由于對(duì)以利潤(rùn)等指標(biāo)為基礎(chǔ)的傳統(tǒng)財(cái)務(wù)預(yù)警指標(biāo)的有效性存在質(zhì)疑，學(xué)者們開始對(duì)現(xiàn)金流有更多的關(guān)注，只是簡(jiǎn)單地引入現(xiàn)金流指標(biāo)，還是不能避免財(cái)務(wù)信息被操控的問(wèn)題。于是，謝赤等（2014）直接以信息度較高的現(xiàn)金流指標(biāo)來(lái)預(yù)測(cè)企業(yè)財(cái)務(wù)困境作為突破點(diǎn)，兼顧企業(yè)現(xiàn)金流的內(nèi)外部影響因子構(gòu)建了風(fēng)險(xiǎn)暴露CFaR模型，又以CFaR模型分離出的期望現(xiàn)金流和風(fēng)險(xiǎn)現(xiàn)金流為自變量構(gòu)建了現(xiàn)金流風(fēng)險(xiǎn)預(yù)警Logistic模型，最后選取了54家上市公司的相關(guān)數(shù)據(jù)進(jìn)行驗(yàn)證。研究結(jié)果表明，CFaR模型能較好區(qū)別ST公司和非ST公司的現(xiàn)金流狀況，并且Logistic預(yù)警模型對(duì)上市公司財(cái)務(wù)風(fēng)險(xiǎn)有較好的預(yù)警效果。[10]

此外，葉柏青和王玲慧（2016）以深滬上市的40家高新技術(shù)企業(yè)為研究樣本，以管理用財(cái)務(wù)報(bào)表為基礎(chǔ)，對(duì)選取的財(cái)務(wù)指標(biāo)和非財(cái)務(wù)指標(biāo)進(jìn)行正態(tài)分布檢驗(yàn)和顯著性檢驗(yàn)，利用因子分析和Logistic回歸方法建立了二元Logistic邏輯回歸模型并對(duì)其預(yù)測(cè)度和正確性進(jìn)行了檢驗(yàn)。結(jié)果證明基于管理用財(cái)務(wù)報(bào)表選取的指標(biāo)而建立的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型能夠很好地預(yù)測(cè)企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)，相較于傳統(tǒng)報(bào)表，預(yù)測(cè)結(jié)果的可靠性更高。[1]文章一改之前學(xué)者們以傳統(tǒng)財(cái)務(wù)報(bào)表為分析基礎(chǔ)的做法，用管理財(cái)務(wù)報(bào)表取而代之，使得財(cái)務(wù)數(shù)據(jù)更加真實(shí)，檢測(cè)結(jié)果更有說(shuō)服力。而宋彪等（2015）則提出了以網(wǎng)民為企業(yè) “傳感器”的思想，利用聚焦網(wǎng)絡(luò)爬蟲，收集了60家企業(yè)2009-2013年的所有相關(guān)全網(wǎng)網(wǎng)絡(luò)數(shù)據(jù)并對(duì)其進(jìn)行數(shù)值化處理，綜合財(cái)務(wù)指標(biāo)，建立引入大數(shù)據(jù)指標(biāo)的SVM財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型，并對(duì)模型的預(yù)測(cè)效果進(jìn)行比較分析。實(shí)證結(jié)果顯示基于大數(shù)據(jù)的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型相對(duì)于財(cái)務(wù)指標(biāo)預(yù)警模型具有更好的預(yù)測(cè)效果。[11]他們很好的利用了大數(shù)據(jù)技術(shù)，獲得的信息全面而客觀，為解決大多數(shù)模型中所用財(cái)務(wù)指標(biāo)的滯后性、灰色性、真實(shí)性問(wèn)題及非財(cái)務(wù)指標(biāo)對(duì)不同公司的普適性問(wèn)題提供了很好的解決思路。

3.2 混合模型的改進(jìn)研究

除了對(duì)評(píng)價(jià)指標(biāo)進(jìn)行優(yōu)化外，還可以通過(guò)彌補(bǔ)現(xiàn)有模型的缺陷來(lái)提高財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的預(yù)測(cè)準(zhǔn)確率，將不同模型的混合使用便可以達(dá)到這一效果。符剛等（2016）選取滬深兩市89家上市的工業(yè)企業(yè)作為研究樣本，運(yùn)用全局主成分分析法對(duì)初選的12個(gè)預(yù)警指標(biāo)進(jìn)行降維，然后構(gòu)建了融合神經(jīng)網(wǎng)絡(luò)與Kalman濾波法的財(cái)務(wù)預(yù)警模型，結(jié)果發(fā)現(xiàn)融合后的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型對(duì)企業(yè)的風(fēng)險(xiǎn)有良好的預(yù)判效果，財(cái)務(wù)預(yù)警模型的準(zhǔn)確性得到提高，且克服了大部分單一預(yù)警模型適用性弱的問(wèn)題。[12]

針對(duì)目前大多數(shù)財(cái)務(wù)預(yù)警模型存在的對(duì)數(shù)據(jù)要求嚴(yán)格、應(yīng)用范圍有限、很難實(shí)現(xiàn)財(cái)務(wù)危機(jī)的動(dòng)態(tài)預(yù)警等問(wèn)題，姜金貴和梁靜國(guó)（2009）引入小波分析理論，構(gòu)造小波神經(jīng)網(wǎng)絡(luò)，利用伸縮因子和平移因子的小波神經(jīng)網(wǎng)絡(luò)來(lái)彌補(bǔ)傳統(tǒng)神經(jīng)網(wǎng)絡(luò)參數(shù)不足的缺點(diǎn)，經(jīng)對(duì)從滬深兩市選擇的35家上市公司的實(shí)證研究結(jié)果表明，小波神經(jīng)網(wǎng)絡(luò)對(duì)上市公司的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警結(jié)果精準(zhǔn)，為財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警研究提供了一種新的有效的研究方法[13]；秦小麗和田高良（2011）將灰色預(yù)測(cè)模型與神經(jīng)網(wǎng)絡(luò)模型相融合，選取40家上市公司為檢驗(yàn)樣本，利用獨(dú)立樣本T檢驗(yàn)和相關(guān)性檢驗(yàn)對(duì)初選財(cái)務(wù)比率進(jìn)行篩選，構(gòu)建基于函數(shù)變換的GM（1，1）模型和神經(jīng)網(wǎng)絡(luò)模型的動(dòng)態(tài)財(cái)務(wù)預(yù)警模型。實(shí)證結(jié)果分析顯示，將兩模型有效地結(jié)合在一起有較好的預(yù)警效果，能夠?qū)ω?cái)務(wù)指標(biāo)的趨勢(shì)預(yù)測(cè)以及財(cái)務(wù)指標(biāo)與財(cái)務(wù)狀況間的非線性關(guān)系有更好地掌握。[14]

此外，目前在遺傳算法與支持向量機(jī)的模型結(jié)合中，遺傳算法所采用的標(biāo)準(zhǔn)算法存在局部最優(yōu)的問(wèn)題，這會(huì)對(duì)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的精度與速度造成一定的影響。于是，丁德臣（2011）提出了基于混合全局優(yōu)化正交遺傳算法和支持向量機(jī)的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型，利用混合全局優(yōu)化正交遺傳算法來(lái)提高支持向量機(jī)在特征子集選擇和參數(shù)最優(yōu)化兩個(gè)方面的效果。經(jīng)對(duì)選取的29家中國(guó)財(cái)產(chǎn)保險(xiǎn)企業(yè)的實(shí)證研究數(shù)據(jù)表明，HOGA-SVM模型對(duì)企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)有很好的預(yù)警效果，混合模型的改進(jìn)效果明顯。[15]

4 財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警新模型的開發(fā)研究

財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的研究要想取得突破性的進(jìn)展，還需要有新鮮血液的注入，學(xué)科間方法的交叉貫通為我國(guó)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警新模型的開發(fā)研究提供了新思路。

鄒清明和黃鐘億（2016）將廣泛應(yīng)用在生物醫(yī)學(xué)、保險(xiǎn)精算領(lǐng)域的比例優(yōu)勢(shì)模型應(yīng)用到企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警中來(lái)。他們以從國(guó)泰安數(shù)據(jù)庫(kù)中選取的321家制造業(yè)上市公司為研究對(duì)象，利用EM遺傳算法及顯著性檢驗(yàn)、多重線性檢驗(yàn)對(duì)初選指標(biāo)進(jìn)行處理，運(yùn)用ALASSO變量選擇程序確定影響企業(yè)發(fā)生財(cái)務(wù)困境的主要因素，得到了參數(shù)估計(jì)與基本優(yōu)勢(shì)比函數(shù)的估計(jì)值，并將Cox模型和比例優(yōu)勢(shì)模型的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)效果進(jìn)行比較，實(shí)證結(jié)果表明比例優(yōu)勢(shì)模型對(duì)企業(yè)財(cái)務(wù)困境有較好的預(yù)測(cè)能力。[16]他們選取的比例優(yōu)勢(shì)模型，較好地解決了風(fēng)險(xiǎn)預(yù)測(cè)中的時(shí)變性問(wèn)題，為財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警提供了新的研究方法。

彭建峰等（2015）將目標(biāo)轉(zhuǎn)向用于宏觀貨幣危機(jī)預(yù)警的KLR模型，以20家制造業(yè)上市公司為研究對(duì)象，對(duì)選取的16個(gè)財(cái)務(wù)指標(biāo)分別從單指標(biāo)和合成指標(biāo)兩方面展開實(shí)證檢驗(yàn)分析。最終結(jié)果表明，KLR模型具有較高的預(yù)測(cè)精度，對(duì)預(yù)警我國(guó)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)有較好的效果。[17]文章所提出的KLR模型能夠通過(guò)單指標(biāo)分析揭示企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)傳導(dǎo)的路徑，也能夠通過(guò)合成指標(biāo)的分析來(lái)明確企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的程度，為企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警提供了一種好方法。

張友棠和黃陽(yáng)（2011）剖析行業(yè)環(huán)境對(duì)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的作用機(jī)理，利用系統(tǒng)動(dòng)力學(xué)原理構(gòu)建企業(yè)財(cái)務(wù)預(yù)警控制模型，并選取四川長(zhǎng)虹集團(tuán)作為該模型的應(yīng)用實(shí)例進(jìn)行驗(yàn)證，結(jié)果表明系統(tǒng)動(dòng)力學(xué)模型能夠很好地分析出在既定的外部環(huán)境下企業(yè)內(nèi)部風(fēng)險(xiǎn)控制點(diǎn)，并且能對(duì)未來(lái)企業(yè)財(cái)務(wù)狀況進(jìn)行準(zhǔn)確預(yù)測(cè)。[18]文中提出的以系統(tǒng)動(dòng)力學(xué)原理構(gòu)建的企業(yè)財(cái)務(wù)預(yù)警控制模型有兩個(gè)突出優(yōu)勢(shì)：一是能全面形象地詮釋行業(yè)環(huán)境風(fēng)險(xiǎn)與企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的互動(dòng)關(guān)系；二是能將財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警與控制的有機(jī)結(jié)合起來(lái)，有很強(qiáng)的實(shí)用性。

5 結(jié)論

通過(guò)以上對(duì)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的國(guó)內(nèi)研究綜述可以看出，在內(nèi)容上學(xué)者們對(duì)現(xiàn)有財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的驗(yàn)證研究、模型間的對(duì)比研究、模型的改進(jìn)研究以及新模型的開發(fā)研究四個(gè)方面進(jìn)行了探索，并得到了很多有意義的結(jié)論；在研究方法上，主要采用實(shí)證研究方法，利用SPSS、MATLAB等軟件，通過(guò)因子分析、描述統(tǒng)計(jì)分析、回歸分析等方法對(duì)搜集的上市公司的數(shù)據(jù)進(jìn)行處理，然后代入相關(guān)模型來(lái)對(duì)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型進(jìn)行驗(yàn)證及對(duì)比研究等，以事實(shí)和數(shù)據(jù)為依據(jù)，論證嚴(yán)密、科學(xué)，使得研究結(jié)果更具有說(shuō)服力。但是，對(duì)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的研究仍存在以下幾方面的問(wèn)題：

①預(yù)警指標(biāo)的選擇主觀性大。預(yù)警指標(biāo)的選擇對(duì)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的效果有直接的影響，但是目前大多文獻(xiàn)對(duì)指標(biāo)的選擇主觀性較強(qiáng)，盡管對(duì)于指標(biāo)的進(jìn)一步篩選方面選用了較為科學(xué)合理的因子分析、回歸分析等手段，但對(duì)于預(yù)警指標(biāo)的初步選擇大多沒(méi)有給出明確、合理的解釋。

②預(yù)警模型評(píng)估標(biāo)準(zhǔn)不明確。對(duì)于建立的企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的實(shí)用性、有效性沒(méi)有明確的評(píng)估標(biāo)準(zhǔn)，模型的預(yù)測(cè)準(zhǔn)確率達(dá)到多少才算有效沒(méi)有明確的說(shuō)法，例如黃德忠和朱超群（2016）提出的引入企業(yè)資產(chǎn)質(zhì)量指標(biāo)的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型在總體預(yù)警準(zhǔn)確率為75.7%，而曹彤和郭亞軍（2014）構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果的綜合正確率為88%，兩者相差12.3%，差距較大，但結(jié)論都總結(jié)為有效，不免令人疑惑。

③實(shí)證研究方法應(yīng)用不規(guī)范。通過(guò)上述文獻(xiàn)發(fā)現(xiàn)，在實(shí)證研究方法的應(yīng)用方面普遍存在實(shí)證檢驗(yàn)步驟列示不明晰的問(wèn)題，例如在雷振華和楚攀（2013）、黃德忠和朱超群（2016）等文中未將顯著性檢驗(yàn)、多重共線性檢驗(yàn)、K-S檢驗(yàn)的結(jié)果進(jìn)行列示，不便于后者做進(jìn)一步的分析判斷。

鑒于以上分析，筆者認(rèn)為在以后的研究中，對(duì)于預(yù)警指標(biāo)的選擇、預(yù)警模型評(píng)估標(biāo)準(zhǔn)的確定以及實(shí)證研究方法的規(guī)范應(yīng)用等方面有待進(jìn)一步完善。

參考文獻(xiàn)：

[1]葉柏青，王玲慧.基于管理用報(bào)表的高新技術(shù)企業(yè)財(cái)務(wù)預(yù)警研究[J].哈爾濱商業(yè)大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2016（1）：104-111.

[2]劉倩.基于二元邏輯模型的企業(yè)財(cái)務(wù)預(yù)警機(jī)制研究[J].統(tǒng)計(jì)與決策，2010（14）：187-188.

[3]張蔚虹，朱海霞.Z-Score模型對(duì)科技型上市公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警的適用性檢驗(yàn)[J].科技管理研究，2012（14）：228-231.

[4]雷振華，楚攀.基于Cox模型的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警實(shí)證研究——以1990-2012年信息技術(shù)類上市公司數(shù)據(jù)為例[J].湖南社會(huì)科學(xué)，2013（06）：164-167.

[5]曹彤，郭亞軍.基于神經(jīng)網(wǎng)絡(luò)模型的上市公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警研究——來(lái)自山東省制造業(yè)數(shù)據(jù)[J].財(cái)會(huì)通訊，2014（9）：89-92.

[6]楊知宇，楊景海.基于現(xiàn)金流量視角的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型分析——以ST上市公司為例[J].會(huì)計(jì)之友，2014（30）：46-50.

[7]蔣盛益，汪珊，蔡余沖.基于機(jī)器學(xué)習(xí)的上市公司財(cái)務(wù)預(yù)警模型的構(gòu)建[J].統(tǒng)計(jì)與決策，2010（09）：166-167.

[8]李紅琨，陳永飛，趙根.基于現(xiàn)金流的財(cái)務(wù)預(yù)警研究：線性概率模型與Logistic模型之應(yīng)用比較[J].經(jīng)濟(jì)問(wèn)題探索，2011（06）：102-105，111.

[9]黃德忠，朱超群.引入企業(yè)資產(chǎn)質(zhì)量指標(biāo)的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型[J].財(cái)會(huì)月刊，2016（08）：48-52.

[10]謝赤，趙亦軍，李為章.基于CFaR模型與Logistic回歸的財(cái)務(wù)困境預(yù)警研究[J].財(cái)經(jīng)理論與實(shí)踐，2014（01）：57-62.

[11]宋彪，朱建明，李煦.基于大數(shù)據(jù)的企業(yè)財(cái)務(wù)預(yù)警研究[J]. 中央財(cái)經(jīng)大學(xué)學(xué)報(bào)，2015（06）：55-64.

[12]符剛，曾萍，陳冠林.經(jīng)濟(jì)新常態(tài)下企業(yè)財(cái)務(wù)危機(jī)預(yù)警實(shí)證研究[J].財(cái)經(jīng)科學(xué)，2016（09）：88-99.

[13]姜金貴，梁靜國(guó).基于小波神經(jīng)網(wǎng)絡(luò)的上市公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警研究[J].商業(yè)研究，2009（02）：97-99.

[14]秦小麗，田高良.基于灰色理論和神經(jīng)網(wǎng)絡(luò)的公司財(cái)務(wù)預(yù)警模型[J].統(tǒng)計(jì)與決策，2011（16）：176-178.

[15]丁德臣.混合HOGA-SVM財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型實(shí)證研究[J].管理工程學(xué)報(bào)，2011（02）：37-44，36.

[16]鄒清明，黃鐘億.基于比例優(yōu)勢(shì)模型的上市公司財(cái)務(wù)困境預(yù)測(cè)研究[J].數(shù)理統(tǒng)計(jì)與管理，2016（03）：536-549.

[17]彭建峰，張友棠，李娜.基于KLR的企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警探討[J].財(cái)會(huì)通訊，2015（22）：50-52.

[18]張友棠，黃陽(yáng).基于行業(yè)環(huán)境風(fēng)險(xiǎn)識(shí)別的企業(yè)財(cái)務(wù)預(yù)警控制系統(tǒng)研究[J].設(shè)計(jì)研究，2011（03）：41-48，95.