葉文濤

一、前言

作為多元線性決策方法的典型模型，具有較高的預測精度的“Z-Score”模型被廣泛應用于各個領域。國內(nèi)外學者為了提高模型的適應性及精度，提出很多改進模型，這些模型現(xiàn)在依然活躍在財務風險預警研究中。

人工智能一問世就掀起了軒然大波，2017 年德勤財務機器人正式上崗，機器人處理基礎會計問題效率之高，是人類不可及。人工智能與會計行業(yè)的融合并沒有停止在基礎領域，在財務管理方面也進行著深度融合，人工神經(jīng)網(wǎng)絡模型為復雜多變的企業(yè)環(huán)境提供了有效的預警手段。

傳統(tǒng)“Z-Score”模型在人工智能時代在財務風險預警方面是否還有用武之地，跟人工智能模型相比傳統(tǒng)模型又存在哪些局限性，這些問題在本文都會得到解答。

二、財務困境界定

財務風險預警研究中如何判定企業(yè)處于財務困境是首要解決的問題。國內(nèi)外學者對這一問題進行了廣泛的討論，雖然沒有統(tǒng)一的概念，但通常認為：第一，公司破產(chǎn)，公司申請破產(chǎn)是最容易定量分析的；第二，投資者、債券人等認為一旦破產(chǎn)，會給他們帶來重大財務損失的公司，一旦有公司露出破產(chǎn)跡象會立刻引起他們的高度警覺。

但以上觀點在中國資本市場適用性卻值得商榷，因為宣布破產(chǎn)的公司多數(shù)為初創(chuàng)公司，這些公司對公眾利益影響并不重大，且這些公司數(shù)據(jù)信息難以獲取。相反，切實影響公眾利益的上市公司卻極少出現(xiàn)主動申請破產(chǎn)的，即便陷入極其嚴重的財務問題，依舊能堅持不退市、不破產(chǎn)。因此，在中國財務困境需要采用更加適合中國資本市場特點的界定。第一，上市公司被冠上ST 或者ST*；第二，公司資金鏈繃緊，隨時存在現(xiàn)金流斷裂的風險。ST或者ST*公司持續(xù)虧損，盈利能力堪憂，這類公司發(fā)展前景不容樂觀，它們雖然面臨著各種各樣的問題，但其中財務問題無疑是最棘手的，深陷財務困境可能是壓死它們的最后一根稻草。所以，把ST 或者ST*作為財務困境的界定具有實際意義。另外，有一部分上市公司熱衷于多元化，不斷涉足其他領域，常常一輪投資接著一輪投資，想打造自己的生態(tài)圈。這些公司的主業(yè)往往支撐不了快速的擴張，它們需要采取貸款、股權融資、股權質(zhì)押等方法注入資金，但是最終債臺高筑加上消化不良，導致公司資金鏈斷鏈。所以，以現(xiàn)金流斷鏈風險為依據(jù)界定財務困境也是可行的。

本文以康美藥業(yè)為例，判定它面臨財務困境也是以上面兩條為依據(jù)?？得浪帢I(yè)發(fā)布300 億“會計差錯”，這些“會計差錯”多數(shù)都是銀行存款，因而公司償債能力備受質(zhì)疑，現(xiàn)金流斷裂風險很大，加上公司主動申請ST，所以判定康美藥業(yè)處于財務困境的條件是成立的。

三、“Z-Score”模型

（一）模型概述

1968 年，多元線性決策方法被阿特曼首先應用于財務風險管理，阿特曼從22 個備選財務指標中選取了5 個財務指標，以33 家非破產(chǎn)公司和33 家破產(chǎn)公司為樣本，建立了可以預測財務風險的財務預警模型“Z-Score”模型。在國內(nèi)外學者多次實踐后，“Z-Score”模型被認為能夠較為準確的預測企業(yè)破產(chǎn)水平。

為了提高模型預測精度，包括阿特曼在內(nèi)的國內(nèi)外學者，不斷提出新的改進模型。這些模型多數(shù)依然以“Z-Score”模型為基礎，但調(diào)整了其中個別指標，使改進后的模型能夠更加適應行業(yè)。現(xiàn)在，“Z-Score”模型已經(jīng)應用于多個領域，在我國上市公司財務風險管理應用過程中也得到了高度認可。

本文也同樣使用阿特曼提出的“Z-Score”模型，對康美藥業(yè)財務風險進行定量分析。

（二）“Z-Score”模型評分方法

阿特曼根據(jù)公司股權結構及所處行業(yè)特點等，運用數(shù)理統(tǒng)計對案例進行統(tǒng)計分析，建立了財務風險預測模型，模型中參數(shù)不同，評價標準也不同。見表1。

Z=1.2X1+1.4X2+3.3X2+0.6X4+0.999X5

Z 計分模型能夠有效評估企業(yè)違約風險，“Z-Score”模型評分標準是，當“Z≤1.81”時，企業(yè)會被認為很可能資不抵債，有極大的違約風險；“Z≥2.99”時，企業(yè)償債能力較好，違約風險較低；“1.81＜Z＜2.99”時，“Z-Score”模型無法評價企業(yè)違約水平。

表：1“Z-Score”模型指標及意義

（三）康美藥業(yè)財務風險評分

表2：康美藥業(yè)“Z-Score”模型評分

由表2 可以看出，康美藥業(yè)在2015 年、2016 年的Z值都大于2.99，公司違約風險較低，2017 年公司Z 值為2.08，此時“Z-Score”模型評分失效，說明公司經(jīng)營處于不確定狀況，此時應引起投資者、債權人等的關注。在2018年公司Z 值快速下降，時隔一年，公司債務違約風險就極大增加。綜上可以看出2019 年公司面臨極大財務風險。

通過康美藥業(yè)財務風險評分可以看出，“Z-Score”模型評分指標簡單易懂，相關財務數(shù)據(jù)也能夠從公開渠道獲取，Z 值結果也可以很直接評價企業(yè)財務風險，只要具備一定財務知識就能快速理解“Z-Score”模型。

四、人工智能視角

財務數(shù)據(jù)是公司發(fā)展的晴雨表，財務指標更是通過深入挖掘財務數(shù)據(jù)信息，建立了能夠較為準確評估企業(yè)效益優(yōu)劣的綜合評價體系。以財務指標為基礎建立不同的模型，并用這些模型對企業(yè)進行財務風險管理是當下的主流，但隨著“大智移云”時代的到來，人工智能為公司財務風險預警開闊了新思路。

（一）人工智能模型優(yōu)勢

人工智能模型涵蓋面更廣。人工智能模型與“Z-Score”模型一樣仍需選取基礎財務指標，但不同的是，人工智能模型還可以添加非財務信息，作為評價指標，比如管理層薪酬、管理層人員變動、審計報告類型等。這些非財務信息都是公眾所關心的，但在“Z-Score”模型中卻無法體現(xiàn)，也無法參與評分。兩種模型相比較，很容易就能看出，人工智能模型評價范圍更廣。

此外，人工智模型的預測精度也更高。人工智能模型一般都采用多種方法相互驗證，以降低單一模型帶來的弊端。有學者在研究中小企業(yè)財務危機預警體系中就同時使用了C4.5、Bayesnet、RF、ANN 等人工智能模型，建立了較為穩(wěn)健的預測體系。

（二）人工智能視角下的信息披露

2019 年5 月上交所下發(fā)了對康美藥業(yè)的詢問函，一共12 個問題劍指資金主要去向、信息披露違規(guī)等。其中有一部分情況無法僅通過財務分析就能了解，需要數(shù)據(jù)與附注、審計報告等綜合評估才能全面掌握。

康美藥業(yè)2018 年財務報表被出具保留意見的審計報告，同時，也提出公司內(nèi)部控制可能存在重大缺陷。審計報告上的信息不像財務數(shù)據(jù)可以直接定量評價，而在人工智能模型下，把審計報告是標準無保留意見的標記為0，其他審計意見標記為1，再通過相應算法的得出定量結果，并據(jù)此反映審計報告對財務風險預警程度。

從人工智能的角度看，無論是財務信息還是非財務信息，都可以在選取指標階段通過先設條件將它轉(zhuǎn)化為程序可識別的條件，最后通過人工智能模型評價指標可預警程度。但人工智能模型也并非是絕對的完美，很多模型應用范圍并不廣泛，不能實現(xiàn)全行業(yè)通用。此外，人工智能模型依然以傳統(tǒng)模型為基礎進行改進，雖然可以逐漸適應復雜多變的企業(yè)環(huán)境，但依然有很大的發(fā)展空間。

五、結語

“Z-Score”模型憑借良好的適應性以及較高的預測精度，在人工智能時代下依然可以為企業(yè)財務風險預警做出更多貢獻。而人工智能模型雖然在精度、評價指標范圍方面能夠勝過傳統(tǒng)模型，但人工智能還處于發(fā)展階段，在應用范圍、實用性等方面還存在缺陷。本文以康美藥業(yè)案例，對傳統(tǒng)“Z-Score”模型和人工智能模型在企業(yè)財務預警方面的表現(xiàn)進行了簡單比較。兩種模型都有各自優(yōu)勢，未來人工智能還會繼續(xù)給財務風險預警研究帶來新思路，傳統(tǒng)模型也依然會發(fā)揮余熱。