楊晶

摘要：本文研究回顧國內(nèi)外財(cái)務(wù)預(yù)警領(lǐng)域的研究，梳理出國內(nèi)外經(jīng)典研究，對研究狀況進(jìn)行評(píng)述。總結(jié)歸納出單變量模型、多元判別模型、邏輯回歸模型、人工神經(jīng)網(wǎng)絡(luò)模型。最后對國內(nèi)外研就進(jìn)行比較。

關(guān)鍵詞：財(cái)務(wù)危機(jī)預(yù)警；多元判別；邏輯回歸；人工神經(jīng)網(wǎng)絡(luò)

預(yù)警（Early-Warning）一詞源于軍事，而財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警是借助企業(yè)提供的財(cái)務(wù)報(bào)表、經(jīng)營計(jì)劃及其他相關(guān)會(huì)計(jì)資料，利用財(cái)會(huì)、統(tǒng)計(jì)、金融、企業(yè)管理、市場營銷等理論，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(jīng)營活動(dòng)、財(cái)務(wù)活動(dòng)等進(jìn)行分析預(yù)測，以發(fā)現(xiàn)企業(yè)在經(jīng)營管理活動(dòng)中潛在的財(cái)務(wù)風(fēng)險(xiǎn)，并在危機(jī)發(fā)生之前向企業(yè)經(jīng)營者發(fā)出警告，督促企業(yè)管理當(dāng)局采取有效措施，避免潛在的風(fēng)險(xiǎn)演變成損失的一種預(yù)警方式。

從二十世紀(jì)六十年代開始，國外財(cái)務(wù)危機(jī)預(yù)警如火如荼地開展研究。經(jīng)過近半個(gè)世紀(jì)的發(fā)展，已經(jīng)建立起單變量模型、多變量模型。傳統(tǒng)的統(tǒng)計(jì)模型有單變量模型，其主要依靠對財(cái)務(wù)危機(jī)企業(yè)單一變量指標(biāo)的對比分析進(jìn)行篩選出財(cái)務(wù)危機(jī)前后具有顯著差異的指標(biāo)來作為預(yù)警指標(biāo)。多變量模型衍化為Z值模型、多元邏輯模型、人工神經(jīng)網(wǎng)絡(luò)模型、F分?jǐn)?shù)模型等財(cái)務(wù)危機(jī)預(yù)警效果更為有效的模型。

1.國內(nèi)外研究綜述

1.1單變量模型（Univariate）

Fitzpatrick（1932）最早對比單變量指標(biāo)，篩選出凈利潤/股東權(quán)益、股東權(quán)益/負(fù)債在識(shí)別財(cái)務(wù)危機(jī)中具有較高判別能力。由于當(dāng)時(shí)的科學(xué)技術(shù)的限制，財(cái)務(wù)危機(jī)預(yù)警模型限于描述性研究。直至William Beaver（1966）采用均值比較、劃分測試以及似然分析，對79對企業(yè)檢驗(yàn)29項(xiàng)財(cái)務(wù)指標(biāo)，發(fā)現(xiàn)債務(wù)保障率、資產(chǎn)收益率、資產(chǎn)負(fù)債率預(yù)測財(cái)務(wù)失敗是有效的。

陳靜（1999）經(jīng)過研究單變量，進(jìn)而進(jìn)行多元判別分析，對國外財(cái)務(wù)危機(jī)預(yù)警模型展開適應(yīng)性研究，發(fā)現(xiàn)在選取的4個(gè)財(cái)務(wù)比率中，流動(dòng)比率及資產(chǎn)負(fù)債率的誤判率較低，構(gòu)建了包含6個(gè)財(cái)務(wù)指標(biāo)的判別函數(shù)。

1.2多元判別模型（Multiple Discriminant Analysis，MDA）

Altman（1968）頭次引入多變量線性模型解決財(cái)務(wù)危機(jī)預(yù)警問題。該模型是由五個(gè)財(cái)務(wù)變量組成，賦權(quán)重得到綜合指標(biāo)即Z值。Z值越大，公司的財(cái)務(wù)風(fēng)險(xiǎn)越?。籞值越小，公司財(cái)務(wù)風(fēng)險(xiǎn)越大。選取的財(cái)務(wù)指標(biāo)有營運(yùn)資本/資產(chǎn)總額、留存收益/資產(chǎn)總額、息稅前利潤/資產(chǎn)總額、股票總市值/負(fù)債賬面價(jià)值、主營業(yè)務(wù)收入/資產(chǎn)總額。之后，Altman（1977）提出ZETA模型，優(yōu)于Z值模型。

1.3 F分?jǐn)?shù)模型（Failure Score Model）

周首華等（1996）提出了F分?jǐn)?shù)模型（Failure Score Model），相對于Altman的Z值模型來說，該模型考慮了現(xiàn)金流量、今日公司財(cái)務(wù)狀況的發(fā)展及其有關(guān)標(biāo)準(zhǔn)的更新、樣本量更大。其臨界值為0.0274，大于0.0274則公司繼續(xù)生存，反之，則面臨破產(chǎn)危機(jī)。模型驗(yàn)證準(zhǔn)確率近70%。

1.4多元邏輯回歸判別模型（Logit）

到了二十世紀(jì)七十年代末期，Martin第一次采用多元邏輯回歸模型預(yù)警財(cái)務(wù)困境。在比較Z值，ZETA，以及邏輯回歸模型后，他發(fā)現(xiàn)邏輯回歸模型明顯優(yōu)于其它兩個(gè)模型。Ohlson（1980）使用邏輯回歸模型分析了樣本公司，發(fā)現(xiàn)了公司規(guī)模、資本結(jié)構(gòu)、業(yè)績和當(dāng)前的變現(xiàn)能力等四類變量顯著影響財(cái)務(wù)危機(jī)的預(yù)測。該模型準(zhǔn)確率高達(dá)96.12%。由于多變量邏輯回歸模型克服了眾多多元線性判別模型的缺點(diǎn)，八十年代以來，多元邏輯回歸模型代替多元線性模型成為財(cái)務(wù)危機(jī)預(yù)警主流采用的模型。Bartczak和Norman（1985）比較多元線性判別和邏輯回歸，發(fā)現(xiàn)應(yīng)計(jì)制背景下，現(xiàn)金流量指標(biāo)并不能提高財(cái)務(wù)危機(jī)預(yù)警的能力。泰國的Tirapat和Nittayagasetwat（1997）也運(yùn)用邏輯回歸模型進(jìn)行預(yù)測，發(fā)現(xiàn)宏觀經(jīng)濟(jì)情況變動(dòng)在一定程度上反應(yīng)了公司財(cái)務(wù)風(fēng)險(xiǎn)狀況。

吳世農(nóng)等（2001）從21項(xiàng)財(cái)務(wù)指標(biāo)中篩選出盈利增長指數(shù)、資產(chǎn)報(bào)酬率、流動(dòng)比率、長期負(fù)債與股東權(quán)益比率、營運(yùn)資本與總資產(chǎn)比率、資產(chǎn)周轉(zhuǎn)率6項(xiàng)財(cái)務(wù)指標(biāo)，將Fisher線性判定分析、多元線性回歸分析和邏輯回歸分析三種方法應(yīng)用于財(cái)務(wù)困境預(yù)測，發(fā)現(xiàn)Logisitic預(yù)測準(zhǔn)確率最高。

王克敏（2006）利用邏輯回歸模型考察公司治理結(jié)構(gòu)對財(cái)務(wù)危機(jī)的影響作用。結(jié)果顯示，公司治理結(jié)構(gòu)等與公司財(cái)務(wù)危機(jī)可能性顯著相關(guān)。

1.5人工神經(jīng)網(wǎng)絡(luò)分析模型（ANN）

Odom和Shardal（1990）第一次將人工神經(jīng)網(wǎng)絡(luò)模型與財(cái)務(wù)困境預(yù)警結(jié)合起來，開拓了財(cái)務(wù)預(yù)警新計(jì)量領(lǐng)域。模型抽取了129家樣本企業(yè)，其中65家為破產(chǎn)企業(yè)，64家為非破產(chǎn)企業(yè)。該論文對比了人工神經(jīng)網(wǎng)絡(luò)模型與多元判別分析的準(zhǔn)確率，發(fā)現(xiàn)人工神經(jīng)網(wǎng)絡(luò)模型要優(yōu)于當(dāng)時(shí)的多元判別模型。Coats和Fant（1992）認(rèn)為人工神經(jīng)網(wǎng)絡(luò)模型解決了Altman的Z值判別分析不能預(yù)測未來財(cái)務(wù)狀況的問題。Fletch和Goss（1992）比較邏輯回歸模型與神經(jīng)網(wǎng)絡(luò)模型后，得出結(jié)論是神經(jīng)網(wǎng)絡(luò)模型精度高但訓(xùn)練要求同樣高。Altman（1994）認(rèn)為總體上多元判別分析優(yōu)于神經(jīng)網(wǎng)絡(luò)模型。

楊保安（2001）應(yīng)用BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行財(cái)務(wù)危機(jī)預(yù)警，判別準(zhǔn)確率高達(dá)95%。李曉峰等（2004）利用粗糙集和人工神經(jīng)網(wǎng)絡(luò)模型動(dòng)態(tài)預(yù)測財(cái)務(wù)危機(jī)，減少了財(cái)務(wù)指標(biāo)的數(shù)量，提高了模型運(yùn)行效率。

2.啟示

目前，國外學(xué)者細(xì)化到單個(gè)行業(yè)（如制造業(yè)、餐飲業(yè)、軟件業(yè)）；采用面板數(shù)據(jù)，且時(shí)間跨度大，有的甚至跨越10年。而國內(nèi)研究為綜合數(shù)據(jù)；面板數(shù)據(jù)剛剛起步，同時(shí)選取ST企業(yè)與非ST企業(yè)進(jìn)行研究。研究方法方面，國外采用判別分析法，邏輯回歸分析法，神經(jīng)網(wǎng)絡(luò)法及多種混合方法等；國內(nèi)采用判別分析法、主成分分析法、回歸分析法、人工神經(jīng)網(wǎng)絡(luò)法和混合方法等。在進(jìn)行指標(biāo)的選取時(shí)，國內(nèi)對現(xiàn)金流量指標(biāo)不夠重視。目前還缺乏一個(gè)統(tǒng)一的、有效的選擇財(cái)務(wù)預(yù)警體系的評(píng)價(jià)指標(biāo)的方法。模型構(gòu)建方面，國外研究預(yù)測準(zhǔn)確度高，有的甚至達(dá)到100%。相比之下，國內(nèi)預(yù)測準(zhǔn)確度低，一般在85%左右。（作者單位：長沙理工大學(xué)經(jīng)濟(jì)與管理學(xué)院）

參考文獻(xiàn)：

[1]William Beaver，Heins RM.Risk Management and Insurance[M].New York：Mcgrawhill Publishing Co，1966，25-36

[2]Altman EI.Corporate distress diagnosis comparisions using linear discriminant analysis and neural networks（the Italian experience）.Journal of Banking and Finance，1994：524-529

[3]周首華，楊濟(jì)華，王平.論財(cái)務(wù)危機(jī)的預(yù)警分析——F分?jǐn)?shù)模式[J].會(huì)計(jì)研究，1996，08：8-11

[4]陳靜.上市公司財(cái)務(wù)惡化預(yù)測的實(shí)證分析[J].會(huì)計(jì)研究，1999，04：32-39.

[5]吳世農(nóng)，盧賢義.我國上市公司財(cái)務(wù)困境的預(yù)測模型研究[J].經(jīng)濟(jì)研究，2001，06：46-55+96.