□（1中南財經(jīng)政法大學(xué)統(tǒng)計與數(shù)學(xué)學(xué)院 湖北武漢 4007 2廣西財經(jīng)學(xué)院信息與統(tǒng)計學(xué)院廣西南寧5000 廣西財經(jīng)學(xué)院會計與審計學(xué)院 廣西南寧5000）

目前，對于財務(wù)危機的含義并沒有統(tǒng)一界定，在大多數(shù)研究中，由于受到樣本選擇范圍的影響，很多研究將財務(wù)危機企業(yè)界定為已宣告破產(chǎn)企業(yè)或陷入資金周轉(zhuǎn)困難、資金鏈斷裂、資不抵債等狀況的企業(yè)。出于收集數(shù)據(jù)的原因，我國學(xué)者通常將財務(wù)危機公司定義為被特別處理，即ST的上市公司。構(gòu)建財務(wù)預(yù)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(shù)據(jù)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(yù)警指標的選擇和構(gòu)建模型的方法。本文主要從這兩個方面進行論述。

一、財務(wù)預(yù)警指標的選擇

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

（一）傳統(tǒng)財務(wù)指標。Fitzpatrick（1932）最早將財務(wù)比率用于財務(wù)預(yù)警，研究發(fā)現(xiàn)凈利潤/股東權(quán)益、股東權(quán)益/負債這兩個財務(wù)指標的判別力最高。Beaver（1966）發(fā)現(xiàn)判別力最高的財務(wù)指標分別是現(xiàn)金流/總負債、凈收入/總資產(chǎn)、總負債/總資產(chǎn)。Altman（1968）使用營運資金/總資產(chǎn)、留存收益/總資產(chǎn)、息稅前利潤/總資產(chǎn)、資本市值/總負債、銷售額/總資產(chǎn)等5個財務(wù)比率建立了經(jīng)典的Z模型，學(xué)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(xué)者的研究也多采用財務(wù)指標，周首華（1996）結(jié)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(shù)模型。陳靜（1999）選取資產(chǎn)負債率、凈資產(chǎn)收益率、總資產(chǎn)收益率及流動比率等財務(wù)比率作為預(yù)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(chǎn)負債率、凈資產(chǎn)收益率、總資產(chǎn)收益率、流動比率、營運資本總資產(chǎn)及總資產(chǎn)周轉(zhuǎn)率作為預(yù)警變量構(gòu)建了判別函數(shù)。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(jié)構(gòu)狀況的特征財務(wù)比率中篩選出4個構(gòu)建判別函數(shù)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(wù)指標為主構(gòu)建預(yù)警模型，其合理性和判別精度都有所提高。

（二）非財務(wù)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(wù)危機的因素，因此一些非財務(wù)指標逐漸被納入到財務(wù)預(yù)警指標體系中，不斷擴充財務(wù)預(yù)警信息，完善財務(wù)預(yù)警模型。Hill（1996）認為審計意見對破產(chǎn)與財務(wù)困境概率的影響極為顯著。Wruck（1999）認為財務(wù)危機是經(jīng)濟不景氣、行業(yè)進入衰退期以及管理不善導(dǎo)致的。國內(nèi)一些學(xué)者也逐步開始運用非財務(wù)指標作為預(yù)警變量，王克敏、姬美光（2006）在財務(wù)因素分析的基礎(chǔ)上，引入了公司治理、投資者保護等非財務(wù)因素作為預(yù)警變量，比較分析了基于財務(wù)指標、非財務(wù)指標及綜合指標預(yù)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(dǎo)產(chǎn)品是否符合國家產(chǎn)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(chǎn)品及配套投資所需資金情況等非財務(wù)指標。鄧曉嵐、王宗軍（2007）采用 logit回歸模型檢驗了股權(quán)結(jié)構(gòu)、公司治理、市場信息以及審計意見等非財務(wù)指標，發(fā)現(xiàn)年度累積超額收益率與審計師意見的預(yù)警效果較好，其他非財務(wù)指標的預(yù)警效果不顯著。

當(dāng)然，要將非財務(wù)指標予以量化才能應(yīng)用于預(yù)警模型中，通常將其設(shè)置為虛擬變量，或用會計數(shù)據(jù)或相關(guān)的財務(wù)指標進行解釋，以利于預(yù)警模型的構(gòu)建和分析，體現(xiàn)模型的完整性。

二、財務(wù)預(yù)警模型的選擇

財務(wù)危機預(yù)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(shù)的不斷發(fā)展，模型的建立方法越來越復(fù)雜，也越來越“仿真”，已經(jīng)出現(xiàn)了神經(jīng)網(wǎng)絡(luò)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(wù)危機預(yù)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(wù)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(yù)測。Beaver（1966）應(yīng)用單變量模型進行財務(wù)預(yù)警得出判別率較高的5個財務(wù)指標。陳靜（1999）結(jié)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(wù)預(yù)警實證研究的先河，其應(yīng)用較為簡單，易于計算和理解，但是單一的財務(wù)指標無法涵蓋企業(yè)的整體狀況，而且應(yīng)用不同指標時很可能得出不同甚至矛盾的結(jié)論。

2.多元變量模型。該模型選擇多個財務(wù)指標Xi并賦予對應(yīng)參數(shù)Ai，建立對應(yīng)的線性組合判別函數(shù)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(wù)危機預(yù)警。Altman選用了5個財務(wù)指標建立了經(jīng)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(shè)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(gòu)建了F分數(shù)模型。多元變量模型可以同時考慮多個財務(wù)指標，對企業(yè)整體狀況的描述較為客觀，指標間的關(guān)系比較明確，但該模型的建立假設(shè)要求財務(wù)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(jié)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(shè)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(shù)估計，計算出判斷破產(chǎn)的概率，然后根據(jù)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(yù)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(shè)，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(yīng)用于財務(wù)預(yù)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(shù)據(jù)的準確性大打折扣，所以其應(yīng)用不如Logit模型廣泛。

（二）人工智能模型。隨著網(wǎng)絡(luò)技術(shù)、計算機技術(shù)的不斷發(fā)展，人工智能也應(yīng)用到了財務(wù)預(yù)警領(lǐng)域，它可以突破傳統(tǒng)統(tǒng)計模型中諸多假設(shè)條件的限制，而且可以實時更新數(shù)據(jù)調(diào)整算法，判別現(xiàn)有算法是否符合當(dāng)前環(huán)境，對模型進行適時更新。

1.神經(jīng)網(wǎng)絡(luò)模型。該模型是由Odom，Sharda（1990）引入到財務(wù)預(yù)警模型中的，它是對人腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)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(shù)據(jù)輸入，經(jīng)隱藏層內(nèi)部網(wǎng)絡(luò)運算，將結(jié)果轉(zhuǎn)移至輸出層，若有誤差則反向傳播，逐層修改各層神經(jīng)元權(quán)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(shè)，并具有很強的自學(xué)能力，隨著樣本的積累對模型進行動態(tài)更新和調(diào)整，提高判斷準確率。雖然該模型較為復(fù)雜難以理解，但將神經(jīng)網(wǎng)絡(luò)與其他方法結(jié)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(shù)，作用于稱為染色體的數(shù)字串，然后將這些數(shù)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(shù)字串，生成新的數(shù)字串群體，從而解決參數(shù)優(yōu)化的問題，可用于破產(chǎn)企業(yè)預(yù)測模型中財務(wù)指標的選擇和建立。Franco（1998）將遺傳算法應(yīng)用于財務(wù)預(yù)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(yù)測的結(jié)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(shù)據(jù)挖掘技術(shù)，是借助于最優(yōu)化方法解決機器學(xué)習(xí)問題的工具，是一種機器學(xué)習(xí)算法，采用結(jié)構(gòu)風(fēng)險最小化原則，優(yōu)化了經(jīng)驗風(fēng)險和置信風(fēng)險，克服了經(jīng)驗風(fēng)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(xué)習(xí)中更為突出。在財務(wù)危機預(yù)警模型中運用支持向量機方法，將財務(wù)指標作為輸入向量，將預(yù)警結(jié)果作為輸出向量，使用典型財務(wù)數(shù)據(jù)作為訓(xùn)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(wù)危機預(yù)警模型，發(fā)現(xiàn)其預(yù)測性能優(yōu)于神經(jīng)網(wǎng)絡(luò)模型。研究表明支持向量機能處理動態(tài)和不穩(wěn)定數(shù)據(jù)，參數(shù)少，唯一最優(yōu)解，泛化性較好。但該模型存在過度適應(yīng)問題，難點在于選擇合適的特征集和核函數(shù)參數(shù)。

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(shù)據(jù)的信息分類處理工具，在觀測數(shù)據(jù)的基礎(chǔ)上進行分類，通過數(shù)據(jù)分析、近似分類、推理數(shù)據(jù)間的關(guān)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(yīng)用于財務(wù)預(yù)警模型的構(gòu)建。運用該模型可以將定性變量和定量變量相結(jié)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(chǎn)生不同的決策規(guī)則組。將粗糙集理論應(yīng)用于財務(wù)危機預(yù)警研究的學(xué)者有 Pawlak（1982）和Joseph（2009）等。

除了以上模型和方法外，財務(wù)預(yù)警模型還包括KMV模型、Cox生存分析、決策樹和動態(tài)預(yù)警模型等。劉迎春、劉霄（2011）利用GARCH波動模型估計股權(quán)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(jié)果表明分行業(yè)的KMV模型能夠起到財務(wù)危機預(yù)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(yù)測中均具有較高的預(yù)測準確度，前1年的預(yù)測精度最高。Sun&Li（2008）利用決策樹對財務(wù)指標進行分析，將連續(xù)屬性的值離散化，產(chǎn)生容易理解的決策樹分類模型，并得到預(yù)測結(jié)果。孫曉琳等（2010）在Kalman濾波理論的基礎(chǔ)上建立了動態(tài)預(yù)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(wù)預(yù)警模型是伴隨著財務(wù)預(yù)警理論、財務(wù)預(yù)警技術(shù)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(dāng)前財務(wù)預(yù)警研究的主要內(nèi)容是集成各種方法和手段，用以提高預(yù)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(diào)整、完善和創(chuàng)新，不存在固定統(tǒng)一的財務(wù)預(yù)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(jù)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(yīng)用環(huán)境不同，在運用中要強調(diào)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(wù)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(dāng)然粗糙集理論、神經(jīng)網(wǎng)絡(luò)的運用可以減少這些方面的影響，但方法比較復(fù)雜。最后，財務(wù)預(yù)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(shù)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(dǎo)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(shè)；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(shè)，樣本偏差影響模型線性概率模型 應(yīng)用廣泛；但是對預(yù)測變量的分布性質(zhì)有統(tǒng)計上的限制神經(jīng)網(wǎng)絡(luò)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(xué)習(xí)能力；但沒有完整的理論支持，可理解性較差遺傳算法 結(jié)構(gòu)清楚容易理解，主觀因素影響較??；但有限制條件，結(jié)構(gòu)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(yīng)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(shù)參數(shù)粗糙集理論 沒有統(tǒng)計約束，定性和定量變量結(jié)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(zhuǎn)化且結(jié)構(gòu)不穩(wěn)定