李欣麗

摘要：縱觀國內(nèi)外研究狀況，關(guān)于財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的研究主要有兩類：傳統(tǒng)統(tǒng)計(jì)類模型構(gòu)建和人工智能型模型構(gòu)建。傳統(tǒng)統(tǒng)計(jì)類模型包括一元判別模型、多元判別模型、條件概率模型、生存分析模型等。人工智能型模型包括神經(jīng)網(wǎng)絡(luò)模型、遺傳算法模型、支持向量機(jī)模型等。

關(guān)鍵詞：財(cái)務(wù)風(fēng)險(xiǎn)；預(yù)警

一、一元判別分析模型

國外關(guān)于財(cái)務(wù)預(yù)警模型的研究始于Fitzpatrick所提的單變量破產(chǎn)預(yù)測模型，他基于某一個(gè)財(cái)務(wù)比率將19個(gè)樣本公司劃分破產(chǎn)與非破產(chǎn)兩組，最后發(fā)現(xiàn)在所用的財(cái)務(wù)比率中，凈利潤/股東權(quán)益和股東權(quán)益/負(fù)債這兩個(gè)比率判別能力最高，該模型便是最早的一元判別分析模型。繼Fitzpatrick之后，Beaver正式提出一元判別分析模型，他比較79家失敗企業(yè)和79家同行業(yè)同規(guī)模的成功企業(yè)的30個(gè)指標(biāo)，發(fā)現(xiàn)最具有預(yù)測能力的三個(gè)指標(biāo)依次為現(xiàn)金流量負(fù)債比、資產(chǎn)報(bào)酬率以及資產(chǎn)負(fù)債率。國內(nèi)相關(guān)研究起步比較晚，徐鹿以制造業(yè)2001-2002年戴帽的15家ST公司和15家配對正常公司為樣本，對其財(cái)務(wù)報(bào)告的23個(gè)指標(biāo)進(jìn)行單變量分析，發(fā)現(xiàn)每股收益、ROE和凈利潤增長率判別的錯(cuò)分率較低。一元判別模型是通過單一指標(biāo)來預(yù)測財(cái)務(wù)風(fēng)險(xiǎn)，比較簡單方便，但因研究指標(biāo)的單一性，容易被企業(yè)粉飾預(yù)測結(jié)果，而且不同的指標(biāo)可能預(yù)測出相反的結(jié)果。

二、多元判別模型

為克服一元判別分析模型的缺陷，多元判別模型應(yīng)運(yùn)而生。美國學(xué)者Edward-Altman將22個(gè)財(cái)務(wù)比率合并入一個(gè)函數(shù)方程，即著名的Z分?jǐn)?shù)模型，這個(gè)模型在公司失敗前兩年的預(yù)測效果比較好，但在失敗前第5年的預(yù)測準(zhǔn)確率低于50%，因此Altman又提出了修正版“ZETA”模型，這一模型在失敗前第五年仍有80%的判別準(zhǔn)確率。國內(nèi)學(xué)者張方方、卿平樂以218家制造業(yè)上市公司（其中ST公司109家）為樣本，對這些樣本公司28個(gè)財(cái)務(wù)指標(biāo)進(jìn)行多元判別分析，結(jié)果顯示現(xiàn)金流量指標(biāo)有較強(qiáng)的預(yù)測能力。王文紅、楊惠琳以我國汽車制造業(yè)的59家上市公司（其中ST公司3家）為研究對象，考察Z分?jǐn)?shù)模型的實(shí)用性，研究結(jié)果表明Z分?jǐn)?shù)模型有一定的應(yīng)用性，但也存在一定的局限性如：沒有考慮異常值的存在、長期預(yù)測能力不夠理想。多元判別模型雖然準(zhǔn)確度比較高，但其假設(shè)變量服從聯(lián)合正態(tài)分布，并且兩組變量的協(xié)方差相等，這些前提條件在現(xiàn)實(shí)中很難滿足；此外，多元判別模型指標(biāo)過多，工作量過大，容易造成模型因果混亂的不良后果。

三、條件概率模型

為克服多元判別模型的局限性，學(xué)者們引進(jìn)了條件概率分析法，主要包括logistic回歸和probit回歸兩種。

最早將logistic回歸應(yīng)用于破產(chǎn)預(yù)測的是OhlSon，他將財(cái)務(wù)危機(jī)模型簡化成一個(gè)已知財(cái)務(wù)指標(biāo)數(shù)據(jù)計(jì)算企業(yè)陷入財(cái)務(wù)困境的概率問題，當(dāng)概率大于某個(gè)設(shè)定的臨界值時(shí)，則認(rèn)為該公司很可能陷入財(cái)務(wù)困境。OhlSon研究沒有要求樣本間的配對，而是通過105家破產(chǎn)公司和2058家正常公司的9個(gè)財(cái)務(wù)指標(biāo)數(shù)據(jù)建立logistic回歸模型，實(shí)證結(jié)果表明，模型判斷的準(zhǔn)確率為85%。不少西方學(xué)者都將logistic回歸用于財(cái)務(wù)預(yù)警，如 Gilbert用11個(gè)應(yīng)計(jì)項(xiàng)目比率和3個(gè)現(xiàn)金流量指標(biāo)構(gòu)建了logistic預(yù)測模型，發(fā)現(xiàn)現(xiàn)金流量比率指標(biāo)變量能夠增加模型預(yù)測的解釋力度。Zmijewski，他以宣布破產(chǎn)的76家公司為困境樣本，另選取3880家正常公司為非困境樣本，采用未加權(quán)probit模型和加權(quán)最大似然probit模型來研究樣本的基礎(chǔ)偏差和樣本選擇偏差，結(jié)果證明雙變量probit模型更具有降低偏差的效果。

國內(nèi)近些年運(yùn)用logistic回歸模型做財(cái)務(wù)預(yù)警模型構(gòu)建的研究很多，如：王克敏、姬美光以2000-2003年滬深市場的128家ST公司為困境樣本，分別對財(cái)務(wù)指標(biāo)和公司治理等非財(cái)務(wù)指標(biāo)建立Logit模型，結(jié)果表明早期非財(cái)務(wù)指標(biāo)比財(cái)務(wù)指標(biāo)更具有預(yù)測能力。陶志坤以2011年50家ST上市公司和50家配對公司為樣本建立Logit模型，結(jié)果表明越接近被特別處理的時(shí)間，模型預(yù)測越準(zhǔn)確。黃億紅等以EVA和董事會(huì)治理為視角，建立了加入EVA的Logit預(yù)警模型和同時(shí)加入EVA和董事會(huì)治理變量的Logit風(fēng)險(xiǎn)預(yù)警模型。朱洪婷以機(jī)械行業(yè)的財(cái)務(wù)數(shù)據(jù)為研究樣本，構(gòu)建了Logit模型，并以某機(jī)械公司為實(shí)例進(jìn)一步對所構(gòu)建模型在實(shí)務(wù)中的應(yīng)用進(jìn)行了具體分析。

四、神經(jīng)網(wǎng)絡(luò)模型

首次將神經(jīng)網(wǎng)絡(luò)模型用于財(cái)務(wù)困境預(yù)測的是Odom&Sharda;，他以65家破產(chǎn)公司為困境樣本，64家正常公司為健康樣本，并把這些樣本分成訓(xùn)練樣本和檢驗(yàn)樣本，選用Z分?jǐn)?shù)模型最顯著的5個(gè)變量為自變量，利用破產(chǎn)前一年的數(shù)據(jù)建立神經(jīng)網(wǎng)絡(luò)模型，結(jié)果證明此模型對訓(xùn)練樣本的判斷準(zhǔn)確率達(dá)到100%，對檢驗(yàn)樣本的預(yù)測準(zhǔn)確率在80%左右。國內(nèi)學(xué)者也開始用神經(jīng)網(wǎng)絡(luò)模型來做財(cái)務(wù)困境預(yù)測。如：劉洪、何光軍用100多家ST公司的財(cái)務(wù)數(shù)據(jù)分別構(gòu)建了多元判別模型、logistic回歸模型和人工神經(jīng)網(wǎng)絡(luò)模型，結(jié)果證明人工神經(jīng)網(wǎng)絡(luò)模型的判斷準(zhǔn)確度優(yōu)于前二者。符剛將企業(yè)被特別處理劃分為重度財(cái)務(wù)危機(jī)，將其ST前5年劃分為輕度財(cái)務(wù)危機(jī)，將凈利潤連續(xù)10年大于0劃分為良好，對這三個(gè)階段構(gòu)建神經(jīng)網(wǎng)絡(luò)判別模型，預(yù)測準(zhǔn)確率為73.3%。

參考文獻(xiàn)：

[1]陳遠(yuǎn)志，羅淑貞.我國農(nóng)業(yè)上市企業(yè)的財(cái)務(wù)預(yù)警實(shí)證研究[J].經(jīng)濟(jì)與管理研究，2008（3）.

（作者單位：福州三強(qiáng)混凝土有限公司）